Mapgis二次开发读取最近的注释内容

本文详细介绍了如何在MapGIS建库过程中,通过使用MapGIS组件开发提供的PntArea.Near方法查找离指定点最近的注释,并将其内容读取并写入到属性中。通过自定义查询对象和矩形查找范围,实现指定点周围注释内容的高效检索与更新。

在Mapgis建库过程中,有时候需要将离某个点最近的注释读取并写入到属性中去。如下图所示,点A,,点B需要分别将标注1和标注2的内容读取并写入到属性中去。

 

      Mapgis组件开发提供了PntArea.Near 用来查找最近的点。初步的思路打算利用该方法进行查找。

首先,获取点A的坐标(xy),然后利用该坐标查找最近的标注。思路是没问题,但是利用PntArea.Near 查找时,却找不到标注。原来PntArea.Near(xy)最后查找到的点还是点A,不过距离点A最近的点确实是点A,看来脑袋有点短路了,呵呵。

 

既然直接使用PntArea.Near 方法不成功,只能自己动手了。在MapGis提供了Query对象,其中的RectAskToList可以将指定矩形范围内的对象查找出来并输出到一个IDList中。如果使用该对象将指定范围内的点全部查找出来,再进一步筛选不仅可以实现需要的功能了吗?以下为实现的思路和方法

 

首先,初始化

定义点工作区对象

Dim pntAI As New PntArea

 

定义查找的矩形框的距离(边长的一般)

Dim fDis As Double

fDis=100

 

定义写入的字段名称

 Dim sResultFld As String

sResultFld ="标注内容"

 

加载点文件

If Not pntAI.Load() Then
       MsgBox ("点文件加载失败!")
       Exit Sub
End If

然后,获取所有点的编号,并以这些点为中心进行查找

    Dim pntList As IDList, pntNo As Long    
    Dim pntTxt As String, pntInf As Pnt_Info, xy As D_Dot, pAtt As Record
    Dim pntTxt1 As String, pntInf1 As Pnt_Info, xy1 As D_Dot, pntNo1 As Long
    Dim pntDis As Double, MinDis As Double
    Dim i As Long, j As Long
    

    获取所有的点的编号

    Set pntList = pntAI.GetAllExistNo()


    定义Query对象
    Dim Qfind As New Query
    Qfind.sourceArea = pntAI
    Dim Drect As New D_Rect, pntList1 As IDList, resultPntNo As Long

 

    For i = 0 To pntList.Count - 1
        pntNo = pntList(i)
        pntAI.Get pntNo, xy, pntTxt, pntInf
       

        限定点的类型不是非注释时进行查找

        If pntInf.Type <> gisPNT_NOTE  Then
            Drect.xmin = xy.x - fDis
            Drect.ymin = xy.y - fDis
            Drect.xmax = xy.x + fDis
            Drect.ymax = xy.y + fDis
            Set pntList1 = Qfind.RectAskToList(gisPNT_ENTITY, Drect)


           对找到的点,进行筛选,剔除点自身以及非注释的点
            For j = pntList1.Count - 1 To 0 Step -1
                pntNo1 = pntList1(j)                
                pntAI.GetInfo pntNo1, pntInf1
                'Debug.Print pntInf1.Type
                If  pntInf.Type <> gisPNT_NOTE  Or pntNo1 = pntNo Then
                    pntList1.Remove j, 1
                End If
            Next


            查找距离最近的点
            resultPntNo = -1

            定义用于判断的最小距离,这里选定矩形框的边长作为最小距离
            MinDis = fDis * 2
            For j = 0 To pntList1.Count - 1
                pntNo1 = pntList1(j)
                pntAI.GetPos pntNo1, xy1
                pntDis = MapGis.DistOfPntToPnt(xy, xy1)
                If pntDis <= MinDis And pntDis > 0 Then
                    resultPntNo = pntNo1
                    MinDis = pntDis
                End If
            Next
           根据resultPntNo 的值判断是否查找到点,如果找到,则写入属性
            If resultPntNo > 0 Then
                pntAI.Get resultPntNo, xy1, pntTxt1, pntInf1
          

                If pntInf1.Type = gisPNT_NOTE Then
                    pntAI.att.Get pntNo, pAtt
                    pAtt.Value(sResultFld) = pntTxt1
                    pntAI.att.Write pntNo, pAtt
                End If


            End If
        End If        
    Next

保存点对象

pntAI.Save

 

至此完成工作,检查下是否符合要求即可。以上代码使用vb6.0编写

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值