透过Esri用户大会看其发展策略

Esri的全球用户大会在熙熙攘攘中结束,归还了美国海军太平洋舰队基地所在港口城市San Diego的宁静,而这份熙熙攘攘又将传递到太平洋的另一端。每年我去参加Esri在北京的用户大会都会感觉很多圈内朋友是借机来聚会的,一年未见的大学好友往往在此把酒言欢,会上看到的产品技术常常成为酒过三巡的饭桌谈资,从这个意义上,我要感谢何宁总裁,不仅为大家创造喝酒的机会,还帮助大家下酒。


有Internet真好,不用远涉重洋就可以近距离观瞧Esri的大会。当然,如果让我有机会近距离体验那更好,不是去看Jack,Jack去年已经来过中国了,是看看人家的用户氛围,感受一下老外们怎么看GIS的发展。


好在有视频,第一时间看了,后来又注意到一些国外博客的评论,各有各的角度,各有各的评说,马兄也有观点,《从ArcGIS 10谈谈GIS软件的创新》至今仍是月度热点冠军。单从产品来说,无论Esri做的好与不好,创新有多少,国内外的GIS爱好者们无不翘首以盼,从马兄博文下的评论可见,很多拥趸们着急什么时候能够拿到ArcGIS 10。但从传统软件本身的发展来看,ArcGIS这种成熟平台软件能给大家带来多么惊奇的创新,显然也是不是现实的,大家都是在朝着做精、做细、做强、做美的方向发展,ArcGIS如此,Websphere这样,Office也不例外,功能上的多寡,已经不是决定创新的关键了,多出来的功能可能都是为小众使用的,比如Esri站点中Demo演示的用模糊理论进行分析,将栅格赋予0-1的可能值,用于选址和评价,这种科学计算的分析方法很少会有人用到,即便是3D、时态这种吸引眼球的改进也不会影响很多人对GIS的使用方法的革新。


每个用户见识在提高,品味在进步,使得传统软件想要做出创新是非常困难的,但我不大同意用加法、减法这种简单评判标准来定义创新,我认为创新就是与众不同,就是做了别人没有做的事情,无论这个行为在原有基础上是“加了”还是“减了”。说苹果的东西证明了创新是减,你可以去了解一下乔布斯的发展史,你会发现乔伯斯对“小盒子”一直情有独钟,当年不知道将Lisa电脑的设计师们难为成什么样子,精简化,易操作这是乔布斯的理想。不只是移动设备,用精妙的设计提升用户的体验这在几乎所有的领域是共识,只不过苹果做到了,这种创新也许是因为苹果的工程师长期受到乔布斯的折磨而激发出超出常人的潜能罢了。


如果从细微之处观察,ArcGIS 10可圈可点之处确实不少。比如面向实体对象模板化的编辑操作,RIA API中更加丰富的对象,Python下所有GP功能的整合,用于Web浏览器下编辑的服务,甚至在大会上还出现了浏览器上3D的演示(用html5还是silverlight还是其他没看出来),即便这些都算不上创新,但在产品上的改进还是可贵的。但我想透视出来的,并非是ArcGIS 10 产品所显露的,而是Arcgis.com背后彰显的Esri发展视角。


Jack今年的主题其实是围绕着开放世界、大众参与、共同责任来组织的,Jack在中间的几个片子中讲到,在GIS的世界里,人人都有权利、人人都有义务贡献,GIS专家创建各自领域的知识,普通个人和大众提供自己所发现的现象和内容,ArcGIS软件平台提供能够用于这种分享的软件功能,ArcGIS.com提供基础地图服务,政府依托这种资源广开言路增加政府透明度和责任感。这是一个理想的组合,一个体现人的价值和网络精神的模式,是一个真正定义GIS本质目标的发展方向。我们为什么做GIS?不是为立项寻找噱头,不是用花哨的功能赢得领导的赞赏,不是通过GIS来划定自己所独占资源的地盘,而是让人类生活更美好。我们在大会随后的演示中看到了如何用ArcGIS.com分享地图资源和制作地图,看到如何用iPhone采集城市信息提交给城市管理者,如何用Web参与城市规划,如何在ArcGIS Explorer上展示twitter的微博,在这些展示中,用户之间、用户和Esri之间都没有买卖关系,大家有的只是共享关系。大众是共享的主体,大众的参与是共享的关键,过去我们太多的强调GIS的专业性,从Esri对大众参与的重视来看,这是十足的创新。


创新的动力无一例外来自市场的驱动,Mapinfo、Intergraph、Smallworld在国际市场早已对Esri构不成什么威胁了,我猜测是Google的压力给予了Esri十足的动力,因为在大众市场上,大家毫无异议的认为那是Google的天下,而Google也正在做着大众GIS,虽然Google自己一点都不认为那是GIS。而Esri给出的答案看起来也很有竞争力,在ArcGIS.com上基础底图颇多,各种样式和各种专题,这可比Google的街道图和影像图丰富多了,再者玩家在ArcGIS.com上可创意的动作也精彩的多,可以自由组合图层,上传数据,建立群组。至于纯粹GIS功能,Esri还是无可匹敌的。如果这真是Esri认定的发展方向,那不知道我们的国产软件是跟着学呢,还是继续完善尚未学完的软件功能?


目光还得从彼岸收回到此岸,明知共享一定是未来的趋势,但政府“透明”和数据保密两把利刃就斩断了我们未来之路,这件事情不必多说,想必大家都明白其中的意思。呼唤和嘶喊都是徒劳的,accountability是个好词,做个有责任感的公民,让自身的工作有品质这是我的信条。马兄说ArcGIS Explorer Online好玩,我去玩了一下,咱也分享一把。

使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
评论
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