数据更新变换
数据更新变换
1.背景
由于空间数据（包括地形图与DEM）都是分幅存储的，某一特定研究区域常常跨越不同图幅。当要获取有特定边界的研究区域时，就要对数据进行裁切、拼接、提取等操作，有时还要进行相应的投影变换
2.目的
通过练习，掌握数据提取、裁切、拼接及投影变换方法。
3.要求
白水县跨越两个1：25万图幅，要求提取白水县行政范围内的DEM数据，将数据转成高斯克吕格投影系统。
4.数据
矢量数据（Vector.shp）:为白水县的行政范围。地理坐标系统，其中大地基准是D_North_American_1927,参考椭球体是Clarke 1866,这是Arcgis为Shapefile类型的数据假设的地理坐标系统
DEM数据（dem1和dem2）：为地理坐标系统，其中大地基准是D_Krasovsky_1940,参考椭球体是Krasovsky_1940.
5.操作步骤
（1）白水县行政范围的提取
1）加载原始数据
2）依据“name”字段，提取出白水县行政范围
A.选择Analysis Tools/Extract/Select工具，打开Select对话框
B.在Input Feature文本框中选择vector.shp。
C.在Output Feature Class文本框中键入输出的数据的路径与名称
D.单击Expression可选文本框旁边的按钮，打开Query Builder对话框，设置SQL表达式：“’’NAME’’=’白水县’”。
E.单击OK按钮，完成操作。
（2）DEM数据拼接
1）加载横跨白水县的两幅DEM数据，DEM1和DEM2。2）DEM数据拼接
A.选择Data Management Tools/Raster/Mosaic To New Raster 工具，打开Mosaic to New Raster对话框
B.在Input Rasters 文本框中选择的dem1和dem2。
C.在Output Location文本框键入输出数据存储的位置
D.在Raster dataset name with extension文本框设置输出数据的名称“dem”。
E.在Pixel type可选窗口，设置输出数据栅格的类型为16_bit_UNSIGNED。
F．在Mosaic Mothod可选窗口，确定镶嵌重叠部分的方法，本次拼接方法选择MEAN，表示重叠部分的结果数据取重叠栅格的平均值。
G.单击OK按钮，完成操作。
（3）利用白水县范围对DEM裁切
1）选择Spatial Analyst Tools/Extraction/Extract by mask工具，打开Extract by Mask对话框。
2）在Input raster文本框选择需要裁切的栅格数据“dem”3) 在Input raster or feature mask data文本框定义进行裁切数据。
4）在Output raster文本框键入输出数据的路径与名称
5）单击OK按钮，完成操作。
（4）白水县DEM的投影变换
白水县DEM是以地理坐标系统显示的，为了便于量算以及与其他数据叠加分析，需把地理坐标系统转换为投影坐标系统。我国大中比例尺地形图规定采用以克拉索夫斯基椭球体元素计算的高斯-克吕格投影。因此，投影方式选择Xi’an 1980 GK Zone 19.prj,即为高斯-克吕格投影，西安1980大地基准，中央经线为111°。
操作步骤：
1)选择Data Management Tools/Projections and
Transformations/Raster/Project Raster工具，打开Project Raster对话框。
2)在Input raster 文本框中选择进行投影变换的栅格数据
（extract_dem）。
3）在Output raster文本框键入输出的栅格数据的路径与
名称“project_dem”。
4）单击Output coordinate system文本框旁边的图标，打开Spatial Reference属性对话框，单击Select按钮，打开Browse for Coordinate System对话框，选择Xi’an 1980 GK Zone 19.prj投影。
5）Resampling technique是选择栅格数据在新投影类型下的重采样方式，选择NEAREST
6)单击OK按钮，完成操作。
数据更新维护方案
目录1项目综述 (1) 1.1项目背景 (1) 1.2任务综述 (2) 1.2.1总体目标 (3) 1.2.2本期目标 (4) 1.2.3工作任务 (5) 1.2.4建设思想 (6) 1.3实施综述 (9) 1.3.1标准规范与法规建设 (9) 1.3.2专家委员会 (13) 1.3.3项目组织管理方法 (15) 1.3.4数据共享政策 (19) 2需求综述 (22) 2.1用户对象分析 (22)
2.1.1政府类对象 (22) 2.1.2企业类对象 (23) 2.1.3公众类对象 (23) 2.2数据分析 (24) 2.2.1现有数据资源状况 (24) 2.2.1.1.................................. 图形数据情况 24 2.2.1.2.................................. 属性数据情况 29 2.2.2数据处理需求 (35) 2.3系统功能需求 (36) 2.3.1数据更新子系统 (36) 2.3.1.1.................................. 基本功能需求 36 2.3.1.2.................................. 影像管理功能 36 2.3.1.3.............................. 电子地图更新功能 37 2.3.1.4...................... 系统对道路专题要素的更新 38 2.3.1.5.................... 系统对建筑物专题要素的更新 39 2.3.2PDA采集子系统 (40)
ERDAS的操作手册
ERDAS的操作手册 纠正，融合，镶嵌是遥感处理中比较常见的三种处理方法。对于初学遥感的人来说，掌握这三种方法是十分必要的。下面，我们通过一些实例，在ERDAS 中的操作，来分别介绍这三种处理方法。 1、纠正 纠正又叫几何校正，就是将图像数据投影到平面上，使其符合地图投影系统的过程；而将地图坐标赋予图像数据的过程，称为地理参考（Geo-referencing）由于所有地图投影系统都遵从于一定的地图坐标系统，所以几何校正包含了地图参考。 （1）启动 在ERDAS中启动几何校正有三种方法： A、菜单方式 B、图标方式 C、窗口栅格操作 窗口启动这种方法比较常用，启动之前在窗口中打开需要纠正的图像，然后在栅格操作菜单中启动几何校正模块。建议使用这种启动方法，更直观简便。
（2）设置几何校正模型 常用模型：功能 Affine 图像仿射变换（不做投影变换） Camera 航空影像正射校正 Landsat Landsat卫星影像正射校正 Polynomial 多项式变换（同时做投影变换） Rubber Sheeting 非线性、非均匀变换 Spot Spot卫星图像正射校正 其中，多项式变换（Polynomial）在卫星图像校正过程中应用较多，在调用多项式模型时，需要确定多项式的次方数（Order），通常整景图象选择3次方。次方数与所需的最少控制点数是相关的，最少控制点数计算公式为（（t+1）*（t+2））/2，公式中t为次方数，即1次方最少需要3个控制点，2次方需要6个控制点，3次方需要10个控制点，依此类推。
（3）几何校正采点模式 A、Viewer to Viewer 已经拥有需要校正图像区域的数字地图、或经过校正的图像，就可以采用Viewer to Viewer的模式。 B、File to Viewer 事先已经通过GPS测量、或摄影测量、或其它途径获得了控制点坐标，并保存为ERDAS IMAGINE的控制点格式或ASCII数据文件，就可以采用File to Viewer模式，直接在数据文件中读取控制点坐标。 C、Map to Viewer 只有印制地图或坐标纸，则只好采用Map to Viewer的模式，在地图上选点并量算坐标，然后通过键盘输入坐标数据。 最常用的是第一种模式，视图对视图的窗口采点模式。
实验四 数据更新
实验四数据更新 一、实验目的 1、掌握SQL语言的数据更新操作。 2、掌握创建索引的目的和方法。 二、实验预习 1、INSERT语句格式： INSERT INTO<表名>[（<属性列1>[，<属性列2>]……）] VALUES(<常量1>[，<常量2>]…)； 2、UPDATE语句格式： UPDATE<表名> SET <列名>=<表达式>[,<列名>=<表达式>]… [WHERE<条件>]； 3、DELETE语句格式： DELETE FROM<表名> [WHERE<条件>]； 三、实验内容及要求 1、插入数据 （1）在学生表Student中插入数据： Sno：9512102 Sname:刘晨 Ssex：男 Sage:20 Sdept：计算机系INSERT INTO student VALUES('9512102','刘晨','男','20','计算机系'); （2）在课程表Course中插入数据： Cno：C06 Cname：数据结构Ccredit：5 Semster：4 INSERT INTO course VALUES('C06','数据结构','5','4',NULL);
（3）在选课表SC中插入95211班学生选修C04的选课信息。 提示： 多行数据插入，插入的数据的sno从student表中查询而来，插入的cno为“C04”INSERT INTO sc(sno,cno) SELECT sno,'C04' FROM student WHERE sno LIKE '95211%'; 2、修改数据 （1）将所有学生的年龄增加1岁。 UPDATE student SET sage=sage+1; （2）修改“9512101”的“C01”课程成绩为85。 UPDATE sc SET grade=85 WHERE sno='9512101' AND cno='C01'; （3）修改“王大力”的“计算机导论”课程成绩为70。 UPDATE sc SET grade=70 WHERE sno IN( SELECT sno
学习18大经典数据挖掘算法
学习18大经典数据挖掘算法 本文所有涉及到的数据挖掘代码的都放在了github上了。 地址链接: https://https://www.360docs.net/doc/1d9481963.html,/linyiqun/DataMiningAlgorithm 大概花了将近2个月的时间，自己把18大数据挖掘的经典算法进行了学习并且进行了代码实现，涉及到了决策分类，聚类，链接挖掘，关联挖掘，模式挖掘等等方面。也算是对数据挖掘领域的小小入门了吧。下面就做个小小的总结，后面都是我自己相应算法的博文链接，希望能够帮助大家学习。 1.C4.5算法。C4.5算法与ID3算法一样，都是数学分类算法，C4.5算法是ID3算法的一个改进。ID3算法采用信息增益进行决策判断，而C4.5采用的是增益率。 详细介绍链接：https://www.360docs.net/doc/1d9481963.html,/androidlushangderen/article/details/42395865 2.CART算法。CART算法的全称是分类回归树算法，他是一个二元分类，采用的是类似于熵的基尼指数作为分类决策，形成决策树后之后还要进行剪枝，我自己在实现整个算法的时候采用的是代价复杂度算法， 详细介绍链接：https://www.360docs.net/doc/1d9481963.html,/androidlushangderen/article/details/42558235 3.KNN(K最近邻)算法。给定一些已经训练好的数据，输入一个新的测试数据点，计算包含于此测试数据点的最近的点的分类情况，哪个分类的类型占多数，则此测试点的分类与此相同，所以在这里,有的时候可以复制不同的分类点不同的权重。近的点的权重大点，远的点自然就小点。 详细介绍链接：https://www.360docs.net/doc/1d9481963.html,/androidlushangderen/article/details/42613011 4.Naive Bayes(朴素贝叶斯)算法。朴素贝叶斯算法是贝叶斯算法里面一种比较简单的分类算法，用到了一个比较重要的贝叶斯定理，用一句简单的话概括就是条件概率的相互转换推导。 详细介绍链接：https://www.360docs.net/doc/1d9481963.html,/androidlushangderen/article/details/42680161 5.SVM(支持向量机)算法。支持向量机算法是一种对线性和非线性数据进行分类的方法，非线性数据进行分类的时候可以通过核函数转为线性的情况再处理。其中的一个关键的步骤是搜索最大边缘超平面。 详细介绍链接：https://www.360docs.net/doc/1d9481963.html,/androidlushangderen/article/details/42780439 6.EM(期望最大化)算法。期望最大化算法，可以拆分为2个算法，1个E-Step期望化步骤,和1个M-Step最大化步骤。他是一种算法框架，在每次计算结果之后，逼近统计模型参数的最大似然或最大后验估计。
数据更新变换
数据更新变换 1.背景 由于空间数据（包括地形图与DEM）都是分幅存储的，某一特定研究区域常常跨越不同图幅。当要获取有特定边界的研究区域时，就要对数据进行裁切、拼接、提取等操作，有时还要进行相应的投影变换 2.目的 通过练习，掌握数据提取、裁切、拼接及投影变换方法。 3.要求 白水县跨越两个1：25万图幅，要求提取白水县行政范围内的DEM数据，将数据转成高斯克吕格投影系统。 4.数据 矢量数据（Vector.shp）:为白水县的行政范围。地理坐标系统，其中大地基准是D_North_American_1927,参考椭球体是Clarke 1866,这是Arcgis为Shapefile类型的数据假设的地理坐标系统 DEM数据（dem1和dem2）：为地理坐标系统，其中大地基准是D_Krasovsky_1940,参考椭球体是Krasovsky_1940. 5.操作步骤 （1）白水县行政范围的提取 1）加载原始数据 2）依据“name”字段，提取出白水县行政范围
A.选择Analysis Tools/Extract/Select工具，打开Select对话框 B.在Input Feature文本框中选择vector.shp。 C.在Output Feature Class文本框中键入输出的数据的路径与名称 D.单击Expression可选文本框旁边的按钮，打开Query Builder对话框，设置SQL表达式：“’’NAME’’=’白水县’”。 E.单击OK按钮，完成操作。 （2）DEM数据拼接 1）加载横跨白水县的两幅DEM数据，DEM1和DEM2。2）DEM数据拼接 A.选择Data Management Tools/Raster/Mosaic To New Raster 工具，打开Mosaic to New Raster对话框 B.在Input Rasters 文本框中选择的dem1和dem2。 C.在Output Location文本框键入输出数据存储的位置 D.在Raster dataset name with extension文本框设置输出数据的名称“dem”。 E.在Pixel type可选窗口，设置输出数据栅格的类型为16_bit_UNSIGNED。 F．在Mosaic Mothod可选窗口，确定镶嵌重叠部分的方法，本次拼接方法选择MEAN，表示重叠部分的结果数据取重叠栅格的平均值。 G.单击OK按钮，完成操作。
ERDAS基本操作入门
ERDAS基本操作入门 1、图像导入 在erdas的Import/Export模块中，分别导入TM图像的第1、2、3、4、5、7波段，具体操作步骤为 ① 点击import模块，打开对话框 ②选择type类型为TIFF ③ media为file； ④ 然后选择输入、输出文件名路径和文件名 ⑤ 分别对123457波段进行导入； ⑥在此之前可以选择session－>preference，选择输入、输出主目录。 2、图像波段合成 在erdas的interpreter模块中将单波段影像进行合成，生成多波段文件，具体操作步骤为： interpreter－>utilities－>layer stack， ① 在出现的对话框中import框中依次选择需要合成的波段，每选择输入一个波段用Add添加一次； ② output file选择导出文件路径及命名文件。 ③ Data type 设为 Unsigned 8 bit； ④Output option 设置为Union ，选中 ignore zero stats； ⑤进行操作。 3、用shape文件进行图像切割 3.1 Shape文件制作AOI文件： ①在ERDAS中点击Import图标，出现Import/Export对话框 ②选中Imput，Type栏选择Shapefile，Media栏选择File，在Input File （*.shp）中确定要转换的shape文件，在Output File（*.arcinfo）中确定输
出路径及名称，单击OK按钮，出现Import Shapefile对话框，单击Import Shapefile Now。 ③注意此步骤中输出路径及输出名称均为英文字母 ④建立拓扑多边形 ⑤在Arcgis中打开ArcToolbox，Data Management Tools—>Topology—>Build，双击Build，出现Build对话框，在Input 中填入*.arcinfo文件的路径，Feature选择Poly ⑥单击OK按钮。 ⑦在ERDAS中打开一个viewer窗口，打开arc coverage文件，新建一个aoi层（New—>AOI Layer） ⑧ View—>Arrange Layers Viewer打开Arrange Layers Viewer对话框，在Vector图层上单击右键，选择Show Properties，打开Properties对话框，选中Polygon，点击Apply按钮。 ⑨在View窗口中打开AOI工具栏，先选中内部区域，再点击，产生aoi，选中该aoi，单击File—>Save—AOI Layer as，保存为aoi文件。 3.2 用AOI文件进行对遥感图像切割 在ERDAS图标面板工具条中单击Data Prep图标，Subset，打开Subset对话框。在Subset对话框中需要设置下列参数： ⑩输入文件名称（Input File） ? 输出文件名称（Output File） ? 单击AOI按钮确定裁剪范围 ? 打开Choose AOI对话框 ? 在Choose AOI对话框中确定AOI的来源为File（或Viewer） ? 如果选择了文件（File），刚进一步确定AOI文件；否则，直接进入下一步 ? 输出数据类型（Output Data Type）为Unsigned 8 Bit，输出文件类型（Output Layer Type）为Themetic ? 输出象元波段（Select Layers）为1 ：6（表示选择1-6六个波段） ? 输出统计忽略零值，选中Ignore Zero In Output Stats复选框
数据挖掘分类算法比较
数据挖掘分类算法比较 分类是数据挖掘、机器学习和模式识别中一个重要的研究领域。通过对当前数据挖掘中具有代表性的优秀分类算法进行分析和比较，总结出了各种算法的特性，为使用者选择算法或研究者改进算法提供了依据。 一、决策树（Decision Trees） 决策树的优点： 1、决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。 2、对于决策树，数据的准备往往是简单或者是不必要的.其他的技术往往要求先把数据一般化，比如去掉多余的或者空白的属性。 3、能够同时处理数据型和常规型属性。其他的技术往往要求数据属性的单一。 4、决策树是一个白盒模型。如果给定一个观察的模型，那么根据所产生的决策树很容易推出相应的逻辑表达式。 5、易于通过静态测试来对模型进行评测。表示有可能测量该模型的可信度。 6、在相对短的时间内能够对大型数据源做出可行且效果良好的结果。 7、可以对有许多属性的数据集构造决策树。 8、决策树可很好地扩展到大型数据库中，同时它的大小独立于数据库的大小。 决策树的缺点： 1、对于那些各类别样本数量不一致的数据，在决策树当中,信息增益的结果偏向于那些具有更多数值的特征。 2、决策树处理缺失数据时的困难。 3、过度拟合问题的出现。 4、忽略数据集中属性之间的相关性。 二、人工神经网络 人工神经网络的优点：分类的准确度高,并行分布处理能力强,分布存储及学习能力强，对噪声神经有较强的鲁棒性和容错能力，能充分逼近复杂的非线性关系，具备联想记忆的功能等。 人工神经网络的缺点：神经网络需要大量的参数，如网络拓扑结构、权值和阈值的初始值；不能观察之间的学习过程，输出结果难以解释，会影响到结果的可信度和可接受程度；学习时间过长,甚至可能达不到学习的目的。
ERDAS详细操作
目录 1. 影像阅读 2. 遥感影像分幅裁剪与拼接处理 3. 影像几何校正及正射影像制作 4. 影像增强
1. 影像阅读 1.1 设置erdas的各种默认参数 1)在ERDAS IMAGINE的主菜单栏上找到sessio n→Preferences,单击出现Preferences editor对话框。 2)通过拖动Category的滚动条，可以看到右方对应出现的各个参数，同时也可以在文本编辑处修改这些参数。 3)在Category下选择Viewer,拖动滚动条查看它的各种参数。 4)查看Category的帮助信息。点击右下方的“help”和“Category Help”，则出现以下的界面，如果有不懂的地方我们就可以通过这个帮助信息寻求答案。 1.2 显示图像 1)在ERDAS主菜单上点击图标，新建一个经典窗口，如下图： 2)在Viewer界面上点击File→Open →Raster Layer，在默认路径中打开lanier.im g。
3)点击Raster Options栏设置图层的红绿蓝三个波段的分配。将原来的4 3 2 改 为4 5 3后，图象的色调明显变化了。 1.3 查询像素信息 1)使用查询功能 选择Utility→Inquire Cursor出现下图中的对话框,通过左下方的四个三角形的符号来分别调整查询指针的上下左右的位置,圆圈表示使查询指针回到中心处,指针的移动,其中的 X和Y坐标的数值也会跟着作相应的变化。指针所指的像素的信息被显示在单元格里。
选择Utility→Inquire Color,选择为黄色，则查询指针的十字框的颜色由白色变为了黄色。 选择Utility→Inquire Shape,呈现的滚动条列表中选择circle.cursor， 再点击Use Cursor button, 然后点击Apply。 4)量测 通过这个工具可以实现在所在图层中的点，线，面，矩形，椭圆形的长度（周长） 和面积。
数据挖掘十大算法
数据挖掘十大算法 数据挖掘十大算法—K 近邻算法 k -近邻算法是基于实例的学习方法中最基本的，先介绍基于实例学习的相关概念。 一、基于实例的学习。 1、已知一系列的训练样例，很多学习方法为目标函数建立起明确的一般化描述；但与此不同，基于实例的学习方法只是简单地把训练样例存储起来。 从这些实例中泛化的工作被推迟到必须分类新的实例时。每当学习器遇到一个新的查询实例，它分析这个新实例与以前存储的实例的关系，并据此把一个目标函数值赋给新实例。 2、基于实例的方法可以为不同的待分类查询实例建立不同的目标函数逼近。事实上，很多技术只建立目标函数的局部逼近，将其应用于与新查询实例邻近的实例，而从不建立在整个实例空间上都表现良好的逼近。当目标函数很复杂，但它可用不太复杂的局部逼近描述时，这样做有显著的优势。 3、基于实例方法的不足： （1）分类新实例的开销可能很大。这是因为几乎所有的计算都发生在分类时，而不是在第一次遇到训练样例时。所以，如何有效地索引训练样例，以减少查询时所需计算是一个重要的实践问题。（2）当从存储器中检索相似的训练样例时，它们一般考虑实例的所有属性。如果目标概念仅依赖于很多属性中的几个时，那么真正最“相似”的实例之间很可能相距甚远。 二、k-近邻法基于实例的学习方法中最基本的是k -近邻算法。这个算法假定所有的实例对应于n 维欧氏空间?n 中的点。一个实例的最近邻是根据标准欧氏距离定义的。更精确地讲，把任意的实例x 表示为下面的特征向量：其中a r (x ) 表示实例x 的第r 个属性值。那么两个实例x i 和x j 间的距离定义为d (x i , x j ) ，其中： 说明： 1、在最近邻学习中，目标函数值可以为离散值也可以为实值。 2、我们先考虑学习以下形式的离散目标函数。其中V 是有限集合 {v 1，... v s }。下表给出了逼近离散目标函数的k-近邻算法。 3、正如下表中所指出的，这个算法的返回值f' (x q ) 为对f (x q ) 的估计，它就是距离x q 最近的k 个训练样例中最普遍的f 值。 4、如果我们选择k =1，那么“1-近邻算法”
实验二、ERDAS实用菜单操作
实验二、ERDAS实用菜单操作 内容一数据输入 实习目的：掌握TM图像数据输入的主要方法。 实习内容：主要包括单波段TM图像数据输入、多波段组合文件的生成。 从地面站购买的TM图像数据或其它图像数据，不一定都是img格式，要通过数据输入输出得到img格式。 1.JPEG图像数据输入 在ERDAS图标面板工具条中，点击——打开输入输出对话框，如图2.1所示。并做如下的选择： 图2.1 import对话框 1）选择数据输入操作：Import 2）选择数据输入类型（Type）为jpeg格式：JFIF(JPEG) 3）选择数据输入媒体（Media）为文件：File 4）确定输入文件路径及文件名（Input File）：TM1.JPG 5）确定输出文件路径及文件名（Output File）：tm1.img 6）OK
图2.2 import对话框参数设置 打开Import JFIF Files对话框，如图2.3所示 图2.3 Import JFIF Files对话框 在Import JFIF Files对话框中点击OK执行输入操作，完成数据输入，如图2.4所示。
图2.4 进程状态条 重复上述过程，可依此将多波段数据全部输入，转换为.IMG文件。 2. 组合多波段数据 为了图像处理与分析，需要将上述转换的单波段IMG文件组合为一个多波段图像文件。 第一步：在ERDAS图标面板工具条中，点击Interpreter|Utilities|Layer Stack。出现波段叠加对话框，如图2.5所示。 图2.5 Layer Selection and Stacking对话框
数据挖掘算法
数据挖掘的10大经典算法 国际权威的学术组织the IEEE International Conference on Data Mining (ICDM) 2006年12月评选出了数据挖掘领域的十大经典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART. 不仅仅是选中的十大算法，其实参加评选的18种算法，实际上随便拿出一种来都可以称得上是经典算法，它们在数据挖掘领域都产生了极为深远的影响。 1. C4.5 C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法. C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进： 1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足； 2) 在树构造过程中进行剪枝； 3) 能够完成对连续属性的离散化处理； 4) 能够对不完整数据进行处理。 C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在 构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。 2. The k-means algorithm 即K-Means算法 k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k < n。它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。 3. Support vector machines 支持向量机，英文为Support Vector Machine，简称SV机（论文中一般简称SVM）。它是一种監督式學習的方法，它广泛的应用于统计分类以及回归分析中。支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类器的总误差越小。一个极好的指南是C.J.C Burges的《模式识别支持向量机指南》。van der Walt 和 Barnard 将支持向量机和其他分类器进行了比较。 4. The Apriori algorithm
ERDAS影像融合操作流程
影象融合流程 影像融合在影象解译模块和雷达影象处理模块中都有，但是雷达模块中的处理效果要相对好一些，下面就两个不同模块中的融合处理流程进行分别介绍。 一、影象解译模块（Interpreter） 1）单击，在弹出的Interpreter菜单中选则Spatial Enhancement （空间增强）弹出Spatial Enhancement菜单，再选择Resolution Merge（分辨率融合）选项。 弹出对话框如下
在Resolution Merge对话框中需要设置下列参数 （1）确定高分辨率输入文件（high Resolution input file）； （2）选择影象波段； （3）确定多光谱输入文件（multispectral input file）； （4）定义输出文件； （5）选择融合方法。在分辨率变换中，erdas提供了三种融合方法Principal Component(主成分变换法)、Multipalcative(乘积变换)、Brovey transform(比值变换)。其图象分别如下： Principal Component(主成分变换法)
Multipalcative(乘积变换) Brovey transform(比值变换) （6）选择重采样方法。系统提供了两种重采样方法Nearest Neighbor（邻近像元法）、Bilinbear Interpolation（二次线形内插）和Cubic Convolution（立方卷积）。其中 以Cubic Convolution方法最为平滑。 （7）确定Output Options输出图象选项。选择Lgnore Zero Stats，可以忽略像素值为
实验二：数据更新实验
实验二：数据更新实验 （一）实验目的 1.熟悉和掌握数据表中数据的插入、修改、删除操作和命令的使用； 2.加深理解表的定义对数据更新的作用。 （二）实验器材 Win7平台 + SQL Server 2008系统。 （三）实验内容 1.插入数据 将P38表4.1、4.2、4.3、4.4、4.5中的元组数据，插入到相应的数据表中。同时将将所有插入元组数据的脚本保存到EducInsert.SQL文件中，并将该文件存放到E：盘自己学号命名的文件夹中； INSERT INTO Student(sno,sname,ssex,sbirthday,saddress,sgrade,smajor,sdept) values('20130101001','李玲','女','1995-01-23','重庆','2013','汉语言 ','CH'); INSERT INTO Student values('20130102002','王坤鹏','男','1994-10-27','四川','2013','汉语言','CH'); INSERT INTO Student values('20130102003','刘显容','男','1994-05-06','湖南','2013','汉语言','CH'); INSERT INTO Student values('20131322001','李小飞','男','1993-05-13','重庆','2013','软件工程','SE'); INSERT INTO Student values('20131322002','赵先平','男','1995-12-25','重庆','2013','软件工程','SE'); INSERT INTO Student values('20121323001','张露','女','1994-02-24','四川','2012','网络工程','SE'); INSERT INTO Student values('20121323012','陈流星','男','1993-02-04','重庆','2012','网络工程','SE'); INSERT INTO Student values('20121323087','何燕','女','1993-10-03','重庆','2012','网络工程','SE'); insert into course values('c001','计算机导论','','专业基础','32','2','1','');
数据挖掘中十大经典算法
数据挖掘十大经典算法 国际权威的学术组织the IEEE International Conference on Data Mining (ICDM) 2006年12月评选出了数据挖掘领域的十大经典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART. 不仅仅是选中的十大算法，其实参加评选的18种算法，实际上随便拿出一种来都可以称得上是经典算法，它们在数据挖掘领域都产生了极为深远的影响。 1. C4.5 C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法. C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进： 1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足； 2) 在树构造过程中进行剪枝； 3) 能够完成对连续属性的离散化处理； 4) 能够对不完整数据进行处理。 C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。 2. The k-means algorithm 即K-Means算法 k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k < n。它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。 3. Support vector machines 支持向量机，英文为Support Vector Machine，简称SV机（论文中一般简称SVM）。它是一种監督式學習的方法，它广泛的应用于统计分类以及回归分析中。支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类器的总误差越小。一个极好的指南是C.J.C Burges的《模式识别支持向量机指南》。van der Walt 和Barnard 将支持向量机和其他分类器进行了比较。 4. The Apriori algorithm Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。 5. 最大期望(EM)算法 在统计计算中，最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variabl）。最大期望经常用在机器学习和计算机视觉的数据集聚（Data Clustering）领域。 6. PageRank PageRank是Google算法的重要内容。2001年9月被授予美国专利，专利人是Google创始人之一拉里?佩奇（Larry Page）。因此，PageRank里的page不是指网页，而是指佩奇，即这个
第六讲-时空数据增量更新方法
时空数据增量更新方法
周晓光 中南大学信息物理工程学院
内
容
空间数据更新的生产现状 基于事件的增量更新方法 基于拓扑联动的增量更新方法 基于时间跨度的增量更新方法 地表覆盖数据的增量更新 影像数据的增量更新 数字高程模型的增量更新 增量更新中的空间数据质量控制
1：50000更新作业图
室内检核
实地巡检
作业流程 1
数据整合、室内判绘 资料收集与分析 室内判绘检核、修改
根据最新影像补绘居民 地、稻田、水系、道路等 要素 作业队内业人员
测量队内业
根据最新影像等资料 作业队内业质量检查员 成果：电子 影像地图
核心要素数据
正射影像数据
外业补调补测影像图清绘
外业核实、补调补测
DRG 数据
将外业调绘影像地图 （磨损、潦草）转绘到 新影像地图上 作业队外业调绘员
根据喷绘影像地图补测 高压电线、补调行政名 称、道路等级、宽度等 信息 作业队外业调绘员
测量队外业
成果：纸质 影像地图
道路整合数据
外业成果队内巡检
外业成果队外巡检
其他专业资料
根据多种资料及外业巡 检检查清绘影像地图（蒙 透明纸）中的错、漏情 况，并提醒补充、修改 （结合检查记录表） 作业队外业质量检查员
境界数据
根据多种资料及外业巡 检检查清绘影像地图（蒙 透明纸）中的错、漏情 况，并提醒补充、修改 （结合检查记录表） 质检站质量检查员（抽 检10%）
数据挖掘主要算法
朴素贝叶斯： 有以下几个地方需要注意： 1. 如果给出的特征向量长度可能不同，这是需要归一化为通长度的向量（这里以文本分类为例），比如说是句子单词的话，则长度为整个词汇量的长度，对应位置是该单词出现的次数。 2. 计算公式如下： 其中一项条件概率可以通过朴素贝叶斯条件独立展开。要注意一点就是的计算方法，而由朴素贝叶斯的前提假设可知， = ，因此一般有两种，一种是在类别为ci的那些样本集中，找到wj出现次数的总和，然后除以该样本的总和；第二种方法是类别为ci的那些样本集中，找到wj出现次数的总和，然后除以该样本中所有特征出现次数的总和。 3. 如果中的某一项为0，则其联合概率的乘积也可能为0，即2中公式的分子为0，为了避免这种现象出现，一般情况下会将这一项初始化为1，当然为了保证概率相等，分母应对应初始化为2（这里因为是2类，所以加2，如果是k类就需要加k，术语上叫做laplace 光滑, 分母加k的原因是使之满足全概率公式）。 朴素贝叶斯的优点： 对小规模的数据表现很好，适合多分类任务，适合增量式训练。 缺点： 对输入数据的表达形式很敏感。 决策树： 决策树中很重要的一点就是选择一个属性进行分枝，因此要注意一下信息增益的计算公式，并深入理解它。 信息熵的计算公式如下:
其中的n代表有n个分类类别（比如假设是2类问题，那么n=2）。分别计算这2类样本在总样本中出现的概率p1和p2，这样就可以计算出未选中属性分枝前的信息熵。 现在选中一个属性xi用来进行分枝，此时分枝规则是：如果xi=vx的话，将样本分到树的一个分支；如果不相等则进入另一个分支。很显然，分支中的样本很有可能包括2个类别，分别计算这2个分支的熵H1和H2,计算出分枝后的总信息熵H’=p1*H1+p2*H2.，则此时的信息增益ΔH=H-H’。以信息增益为原则，把所有的属性都测试一边，选择一个使增益最大的属性作为本次分枝属性。 决策树的优点： 计算量简单，可解释性强，比较适合处理有缺失属性值的样本，能够处理不相关的特征； 缺点： 容易过拟合（后续出现了随机森林，减小了过拟合现象）； Logistic回归： Logistic是用来分类的，是一种线性分类器，需要注意的地方有： 1. logistic函数表达式为： 其导数形式为： 2. logsitc回归方法主要是用最大似然估计来学习的，所以单个样本的后验概率为： 到整个样本的后验概率：
实验一_数据的提取与更新变换
实验1 数据的提取与更新变换 一、实验类型 验证型 二、实验目的与要求 1、实验目的 通过练习，掌握数据提取、裁切、拼接及投影变换的方法。 2、实验要求 白水县跨两个1：25万图幅，要求提取白水县行政范围内的DEM数据，将数据转换成高斯-克吕格投影系统。 三、上机准备 1、实验室安装ArcGIS9.0。 2、熟悉ArcMap、ArcCatalog基本操作及ArcToolbox的相关内容。 四、实验内容 1、裁剪要素。（ArcToolbox>>Analysis Tools>>Extract>>Clip） 2、拼接图层。（ArcToolbox>>Data Management Tools>>General>>Append） 3、要素融合。（ArcToolbox>>Data Management Tools>>Generalization>>Dissolve） 4、矢量数据叠置分析：图层擦除(Erase)、识别图层(Identity)、交集操作(Intersect)、对称区别(Symmetrical Difference)、图层合并(Union)、修正更新(Update)。（ArcToolbox>>Analysis Tools>>overlay） 5、定义地图投影。（ArcToolbox>>Data Management Tools>>Projection and Transfermations）。 五、实验数据 矢量数据（Vector.shp）：为白水县的行政范围。地理坐标系统，其中大地基准是D_North_America_1927，参考椭球是Clarke 1866，这时ArcGIS为Shapefile类型上的数据假设的地理坐标系统。 DEM数据（dem1和dem2）：为地理坐标系统，其中大地基准是 D_Krasovsky_1940，参考椭球是Krasovsky_1940。 六、实验步骤
erdas遥感图像基本处理傻瓜式步骤
erdas遥感图像基本处理傻瓜式步骤 2007年09月30日星期日 11:47 1、图像导入 在erdas的Import/Export模块中，分别导入TM图像的第1、2、3、4、5、7 波段，具体操作步骤为 ① 点击import模块，打开对话框 ②选择type类型为TIFF ③ media为file； ④ 然后选择输入、输出文件名路径和文件名 ⑤ 分别对123457波段进行导入； ⑥在此之前可以选择session－>preference，选择输入、输出主目录。 2、图像波段合成 在erdas的interpreter模块中将单波段影像进行合成，生成多波段文件，具体操作步骤为： interpreter－>utilities－>layer stack， ① 在出现的对话框中import框中依次选择需要合成的波段，每选择输入一个波段用Add添加一次； ② output file选择导出文件路径及命名文件。 ③ Data type 设为 Unsigned 8 bit； ④Output option 设置为Union ，选中 ignore zero stats； ⑤进行操作。 3、用shape文件进行图像切割 3.1 Shape文件制作AOI文件： ①在ERDAS中点击Import图标，出现Import/Export对话框 ②选中Imput，Type栏选择Shapefile，Media栏选择File，在Input File （*.shp）中确定要转换的shape文件，在Output File（*.arcinfo）中确定输出路径及名称，单击OK按钮，出现Import Shapefile对话框，单击Import Shapefile Now。 ③注意此步骤中输出路径及输出名称均为英文字母 ④建立拓扑多边形 ⑤在Arcgis中打开ArcToolbox，Data Management Tools—>Topology—>Build，双击Build，出现Build对话框，在Input 中填入*.arcinfo文件的路径，Feature选择Poly ⑥单击OK按钮。 ⑦在ERDAS中打开一个viewer窗口，打开arc coverage文件，新建一个aoi层（New—>AOI Layer） ⑧ View—>Arrange Layers Viewer打开Arrange Layers Viewer对话框，在Vector图层上单击右键，选择Show Properties，打开Properties对话框，选中Polygon，点击Apply按钮。 ⑨在View窗口中打开AOI工具栏，先选中内部区域，再点击，产生aoi，选中该aoi，在aoi下拉菜单选择“Copy Selection to AOI”，单击
数据更新维护方案
数据更新维护方案 1项目综述 1.1项目背景 全球信息高速公路技术的迅猛发展，正带动社会结构、人们的生活方式产生着革命性的变革。在世界各国积极倡导的“信息高速公路”的五个应用领域中，“政府上网”被列为第一位，其它四个领域分别是电子商务、远程教育、远程医疗、电子娱乐，可以说政府信息化是社会信息化的基础。 据国内外信息专家统计分析，用于政府机关进行检索查询、分析决策及所发布的政务信息85%以上与空间定位信息有关，网络已成为一种应用生存的环境，在这个环境中，一切服务依赖于相关的数据。空间信息与属性信息应该是一体化的，以信息可视化的方式将政务信息表现出来，给政府机关管理业务和进行分析决策提供辅助决策工具。 在“政府上网工程”中，构建地图化的电子政府，有助于做好以下几件事：1）更好地树立中国各级政府在多媒体网上的形象，组织和规范各级政府的网站建设，提高政府的工作的透明度，降低办公费用，提高办公效率，有利于勤政、廉政建设，同时大幅度提高政府工作人员的信息化水平。 2）将各级政府站点建设成为便民服务的“窗口”，帮助人们实现足不出户完成与政府各部门的办事程序，为实现政府部门之间、政府与社会各界之间的资讯互通及政府内部办公自动化，最终构建“电子政府”打下坚实基础。 3）信息网络正在成长为“第四媒体”，将成为人们获得信息和实现社会多种功能的主要载体，通过实施“政府上网工程”，改变我国信息化建设领域长期以来在硬件、软件和信息服务业投资上的比例严重失调状况，极大的丰富网上的中文信息资源。 4 ）“政府上网工程”通过政府对信息产业界主要力量的引导和组织，促使政府在短期内上网，实现政府资源的市场价值，引导和形成新的消费热点和经济增长点，从而带动相关产业群的发展，营造有利于我国信息产业发展的“生态环境”，