cass 河流走向 符号_教你拥有专属CASS符号库

热爱学习的小伙伴给我留言,CASS里的符号库设计符合国标图式,但不完全符合我的工作需求怎么破?能不能自己调整个别符号的绘制方式呢?比如,想让池塘符号绘制完成,自动标注“塘”……总之就是想要属于自己的专属符号库!我可以负责任的说,当然可以啦!CASS完全支持用户自定义新增和修改符号。

想调整部分符号绘制方式的小伙伴,看下面:

池塘符号自动添加注记

CASS10.1的池塘符号,绘制完成后不能自动标注“塘”,如下图。

需要调整成能自动标注“塘”的符号,如下图

修改方法

CASS9.2以下版本

(1)打开cass\system\work.def,找到池塘符号,如下图

(2)修改池塘符号定义。按下图所示,修改符号类型和注记文字。

(3)保存文件

CASS10.0以上版本

(1)打开CASS\system\cassconfig.db

(2)找到workdef表,修改池塘符号的定义。按下图所示,修改符号类型和注记文字。

(3)保存文件

PS:打开此文件,请先安装SQLite Expert Professional。

举一反三

看到这里,认真学习的小伙伴就会问了,这样修改的依据是什么啊?下次遇到其他类型的符号调整,我要怎么做?如果想要将池塘,调整成拟合范围线,自动填充注记的符号呢?

熟悉CASS中的符号类别

打开CASS \SYSTEM\ Cass10.1说明书.chm\附录A

所有符号按绘制方式的不同分为0—20类别,各类别定义如下:

1——不旋转的点状地物,如路灯,第一参数是图块名,第二参数不用;

2——旋转的点状地物,如依比例门墩,第一参数是图块名,第二参数不用;

3——线段(LINE),如围墙门,第一参数是线型名,第二参数不用;

4——圆(CIRCLE),如转车盘,第一参数是线型名,第二参数不用;

5——不拟合复合线,如栅栏,第一参数是线型名,第二参数是线宽;

6——拟合复合线,如公路,第一参数是线型名,第二参数是线宽,画完复合线后系统会提示是否拟合;

7——中间有文字或符号的圆,如蒙古包范围,第一参数是圆的线型名,第二参数是文字或代表符号的图块名,其中图块名需要以“gc”开头;

8——中间有文字或符号的不拟合复合线,如建筑房屋,第一参数是圆的线型名,第二参数是文字或代表符号的图块名;

9——中间有文字或符号的拟合复合线,如假石山范围,第一参数是圆的线型名,第二参数是文字或代表符号的图块名;

……

调整符号的定义

打开work.def文件,将符号类型修改成9,文字注记设置为“塘”。

学会上述几步操作,你就能轻松拥有自己的“专属”符号库!搞定层出不穷的绘图要求。还有没搞定的符号调整?来南方数码生态圈(http://o.southgis.com),发帖提问,手把手教会你!

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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