- 博客(33)
- 问答 (13)
- 收藏
- 关注
RSS订阅原创 【深度学习】语义分割（FCN网络/DeepLabV3网络）学习记录
【语义分割前言】 https://www.bilibili.com/video/BV1ev411P7dR/?这个up主真的很厉害，宝藏up主呀！！！
2024-03-27 16:32:12
754
原创 【论文撰写】参考文献引用
当在撰写论文时往往需要在不同的位置引用参考文献，并且希望其在参考文献顺序与数量变动后也动态改变。这时，就需要word中的【引用】|【交叉引用】在需要引用参考文献的地方点击后，选择对应的文献将会得到以下效果在将其设置为上标即可即可完成。
2024-03-13 15:11:12
360
原创 【笔记】全国大学生GIS应用技能大赛练习总结
在效应网络分析中，只允许在网络边上单向同时进行，网络中的代理（如管道中石油的流动）不能选择行进的方向，它行进的路径需要由外部因素来决定：重力、电磁、水压等，如水、电、气被动地由高压向低压输送。【工具箱\系统工具箱\Data Management Tools.tbx\常规\追加】。首先对输入的图层和修正图层进行几何相交的计算，然后输入的图层中被修正图层覆盖的那一部分的属性将被修正图层的属性代替。【工具箱\系统工具箱\Data Management Tools.tbx\栅格\栅格处理\分割栅格】
2024-03-10 20:46:28
944
原创 【机器学习】回归模型总结笔记|线性回归&岭回归&Lasso回归&决策树回归&随机森林回归&梯度提升回归&支持向量回归&XGBoost回归&LightGBM回归&神经网络回归
在微信公众号上看到一篇总结十大回归模型的帖子，感觉很不错，分享给各位。在此基于该文章已有的总结再加以自己的理解与整理，如有不正确的地方期待大佬们在评论区中指出。
2024-03-07 17:20:44
1513
原创 【机器学习】【决策树】分类树|回归树学习笔记总结
决策树：从根节点开始一步步走到叶子节点，每一步都是决策过程 对于判断的先后顺序把控特别严格 一旦将判断顺序进行变化则最终的结果将可能发生改变往往将分类效果较佳的判断条件放在前面，即先初略分在进行细节分所有的数据最终都将会落到叶子节点，树模型既可以做分类也可以做回归根节点：第一个选择点非叶子节点与分支：中间过程叶子节点：最终的决策结果训练阶段：从给定的训练集构造出一棵树（从根节点开始选择特征，即判断条件等；如何进行特征切分）测试阶段：根据构造出来的树模型从上至下运行一遍即可。
2024-03-07 16:09:18
1337
原创 【Zotero插件】zotero better notes与zotcard联合使用 | 学习资源整理
zotero better notes与zotcard联用】 https://www.bilibili.com/video/BV1mW4y1u7jA/?【Zotero超级好用的笔记软件zotero better notes ，较详细操作教程与小白指南。内含笔记模板制作方法1】 https://www.bilibili.com/video/BV1Fg411H7ZH/?【Zotero零基础保姆级教程】 https://www.bilibili.com/video/BV1o3411Q7JQ/?
2024-02-28 15:39:13
1643
原创 ArcGIS的UTM与高斯-克吕格投影分带要点总结
1）我国基本比例尺地形图除1：100万采用兰勃特投影（lambert）外，其他均采用高斯-克吕格投影。，从东经1.5°开始自西向东划分，1.5°-4.5°为第一带，4.5°-7.5°为第二带，以此类推。，从零度子午线（0°经线）开始自西向东划分，0°-6°为第一带，6°-12°为第二带，以此类推。6°带从13~23带，共11个；5）西经UTM的带号计算是：(180-带号)取整加1。3）北半球地区，选择最后字母为“N”的带。6度带：N= L/6+1（取整）3度带：N=L/3（四舍五入）6度带：L=6N-3。
2024-02-06 11:33:12
2009
原创 ArcMap自动矢量化与半自动矢量化
可以使用ArcScene工具条上的以下工具来进行半自动矢量化，即有人为的干预下进行矢量化。10、可以进行【矢量化预览】，查看矢量化效果，如果不满意可以再进行操作。该栅格数据是否被工具选中，应该选中当前要编辑的tif；利用【栅格绘画】工具条对栅格数据上的标注进行处理。栅格数据是否是tif格式，不应该在gdb中；栅格数据不应该是分成多个色块的栅格数据；
2024-02-02 11:21:42
724
原创 【深度学习】基于PyTorch架构神经网络学习总结（基础概念&基本网络搭建）
利用PyTorch架构使用神经网络模型时，一般是利用torch.nn函数自定义神经网络框架 | 官方示例：对于forward函数相对于是用来说明神经网络中的处理过程，如进行卷积运算的次数与类型等，也可以进行简单的数据处理，如下：卷积层（convolution）stride参数用于设置卷积核在图像中的运行步数，如果为单个整数则说明横向纵向都是一样的，也可以设置为元组，（H,W）（横向、纵向）默认为1padding：进行填充使用示例：输出效果：dilation:设置卷积核的间隔，一般设置为
2024-02-02 10:26:57
1080
原创 【机器学习】【贝叶斯算法】Python实现数据预处理实战演练（以购物数据为例）
根据每个数据集特性找到其分割符，如该数据集中的分隔符为,日常中见到的购物数据往往是所购买的数据而不是全部数据。后续在选择频繁项集与确定规则时不需要其他无关属性。数据集中都是字符串组成的，需要转换成数值编码。将展示不需要的字段属性拿出来。lift值越大则相关性越强。
2024-01-31 12:18:54
555
原创 【机器学习】【贝叶斯算法】Python实战演练贝叶斯算法中的关联规则
一个样本称为一个事务每个事务由多个属性来确定，这里的属性称为“项多个项组成的集合为X==>Y：X和Y是项集；X称为规则前项；Y称为规则后项。
2024-01-31 11:07:44
398
原创 【机器学习】【支持向量机SVM】Python核函数参数效果对比实战演练
对于模型中的,该参数必须是linear（线性） poly rbf三个中的一个相对于对原始数据的操作，使用支持向量机poly变换时对于原始数据并没有改变。
2024-01-23 21:02:43
444
原创 【机器学习】【支持向量机SVM】Python不适用核函数构建非线性支持向量机SVM实战演练记录
非线性SVM可以通过核函数构建或者自己在数据中进行构建，如若不使用核函数构建则相对于仅对数据进行变化后构建了一个线性支持向量机完成了非线性分类任务罢了，未体现SVM的高深之处，此处仅作为学习阶段的实战演练，真实运用中一般不这样。
2024-01-19 23:21:02
340
原创 【机器学习】【支持向量机】Python实战分析SVM中软间隔作用
C值较小，表示决策边界不那么严格，犯错也行，间隔要大得多，但是很多实例最终会出现在间隔之内。在使用较高的C值时，分类器会减少误差，但最终会有较小间隔。可以使用超参数C控制软间隔程度，此处使用线性支持向量机进行软间隔作用的展示。，对于分类问题中的参数可以使用。主要是处理过拟合现象,在。C值越大过拟合的风险越高。
2024-01-19 11:26:54
445
1
原创 【机器学习】【支持向量机】Python使用Sklearn实战支持向量机模型与决策边界可视化
【代码】【机器学习】【支持向量机】Python使用Sklearn实战支持向量机模型与决策边界可视化。
2024-01-18 22:32:10
516
1
原创 【深度学习】人工神经网络（ANN）、循环神经网络（RNN）、卷积神经网络（CNN）学习记录
一个神经网络一般是由组成每个神经元之间的连接突触都有一定的权重与规则，并且使用激活函数将输入信号激活为输出信号Dense层（全连接层）：在该层上每个神经元与上一层的每个神经元全连接，没有权重共享，通常作为最后一层输出。
2024-01-18 21:27:03
938
3
原创 在VScode中新建Vue3工程与初步认识
1、安装vue：Win+R 输入：cnpm install -g @vue/cli验证是否安装成功：vue --version。
2024-01-17 15:38:57
1344
1
原创 【机器学习】【逻辑回归】Python使用sklearn实战演练逻辑回归算法
几乎所有的分类问题都可以使用逻辑回归来实现 相对于神经网络与支持向量机其内部含义更好解释 不会和一个黑箱一般难以解释 解释性较强。虽然是回归但最终依旧是分类问题，因为所使用的Sigmoid函数可以将数值转为概率后再进行判断其类别。① 构建坐标数据，合理的范围当中，根据实际训练时输入数据来决定。承接上面，依旧使用鸢尾花数据集利用softmax解决多分类问题。②整合坐标点，得到所有测试输入数据坐标点。逻辑回归主要用于解决经典二分类问题。③预测，得到所有点的概率值。④绘制等高线，完成决策边界。
2024-01-17 15:11:15
600
原创 【机器学习】Sklearn初步学习
更适合于完成传统的机器学习算法（除了深度学习之外的算法），不光在模型使用，所有预处理的操作也包含在其中。对于API部分有相关文档当不确定相关模型需要的参数等时可以查看API文档;对于Examples部分，不仅可以学习相关代码还可以着重学习数据的可视化。
2024-01-16 17:18:53
489
1
原创 【集成算法】AdaBoost算法决策边界Python展示分析与Sklearn使用示例
【代码】【集成算法】AdaBoost算法决策边界展示分析与Sklearn使用示例。
2024-01-16 11:26:39
485
1
原创 sklearn导入手写数字数据集Mnist
查看网上资源后发现fetch_mldata工具包已经不再使用，需要使用 fetch_openml工具包。网络还有一些其他的文章，对现成的数据集进行下载后使用，相关文章如下。安装下面代码即可导入手写数字数据集Mnist。在根据网课导入数据集Mnist时发生报错。
2024-01-15 16:26:24
714
1
原创 Python模糊评价空气质量（数据源为Excel表）
每个评价因子对空气质量的影响都存在差异，对空气质量评价结果的影响也各不相同，所以要考虑每个评价因子在空气质量评价中所占的权重，采用超标加权法来计算每个评价因子的权重，通过归一化方法处理，得到权重集A={a1,a2,a3,a4,a5,a6}在该权重系数公式中，ai表示评价因子的权重，m表示评价因子的个数，Si表示空气质量等级及其对应评价因子的浓度限值的平均值，Ci表示标准的实测值。空气质量评价中污染因子的权重是衡量各污染物对空气质量影响的重要程度，权重值越大，对空气质量影响越大，否则就越小。
2024-01-04 17:24:56
1131
1
原创 如何使用ArcMap对栅格数据进行归一化操作
【工具箱\系统工具箱\Spatial Analyst Tools.tbx\叠加分析\模糊隶属度】只需再【分类值类型】处选择“线性函数”即可，其余参数保持默认。先通过图层属性获知栅格数据的最大最小值。作为示例进行操作展示。
2023-12-29 11:13:37
2878
1
原创 ValueError: unrecognized engine zarr must be one of: [‘scipy‘, ‘store‘] 使用zarr以及xarray报错
实在不行就试试：pip install xarray[complete]如果没有安装zarr包则 pip install zarr 安装包。查看了很多文章发现按照以下步骤将报错解决了！在运行上述代码打开数据时遇到了报错……
2023-07-29 21:03:35
1335
原创 Vue3显示geojsonlayer报错 TypeError: ‘get‘ on proxy: property ‘__accessor__‘ is a read-only and non-confi
对象中获取到的是原始数据。这样就可以正常显示了！
2023-07-24 11:08:26
525
原创 ArcGIS Server调用的Python环境
如果你是按照默认路径安装的ArcGIS Server并且对应的为Python3.X版本则其路径为：
2023-07-16 19:27:38
139
1
原创 利用ArcGIS for JS前端展示本地tif文件
首先得使用Arcgis Server在“站点”里面的“数据存储”中注册文件夹， 选择你名称、本地路径、以及主机名,点击创建然后选择全部验证，验证通过完成。
2023-06-27 17:39:21
527
原创 新建Vue3工程（适用于新手）
输入 vue create jiaohu_test（新建项目名字）在运行的时候需要在工程的集成终端下进行运行，在包含工程的文件夹下运行无用。运行 在新建完成的项目的集成终端中运行npm run serve。Win+R 输入：cnpm install -g @vue/cli。该部分适合于新手学习Vue3框架时进行Vue3工程的搭建。但是可以存在横杠等连接符。验证是否安装成功：vue --version。在第二步时点击空格进行选择或者取消选择。在对应文件夹下右击打开集成终端。
2023-05-30 21:09:45
65
1
空空如也
在python的flask框架中执行这个导入语句的时候突然就报错了
2023-07-31
我在Vue3框架中调用ArcGIS for API来调用GP服务，也设置相关提示消息了
2023-07-25
ArcGIS Serve使用报错
2023-07-13
使用C#与GDI+在窗体中画出二叉树
2022-10-24
VS C#窗体创建问题
2022-01-19
C#数据库 sql server 数据库
2022-01-19
C# SQL 数据库和Windows窗体问题
2022-01-19
SQL server语句went
2022-01-18
SQL server语句问题
2022-01-18
数据库实践运用在线求解
2021-11-21
大二C#窗体练习 救命
2021-10-28
Windows窗体练习 入门在线求解
2021-10-27
大二C#课程布置的题目
2021-09-27
计算机二级C语言题目
2021-09-22
计算机二级C语言题目
2021-09-21
计算机二级C语言题目
2021-09-20
计算机二级C语言题目
2021-09-20
TA创建的收藏夹 TA关注的收藏夹
TA关注的人