地图项目涉及知识点总结

序:最近做了一个在地图上标记点的项目,用户要求是在地图上显示百万量级的标记点,并且地图仍要可用(能拖拽,能缩放)。调研了不少方法和方案,最终实现了相对流畅的地图系统,加载耗时用户也可以接受,学到了不少知识,这里做一个总结

(PS:工作这几年,工程能力有没有提升不知道,数学能力绝对是飞速下降,简单的数据线性变换竟然要想半天,看来平时还是训练的太少了,不管是数据结构还是算法都完全没跟上)

技术栈

前端:vue + 高德地图js api 1.4
后端:springcloud
数据库:mongo
数据处理:pandas

一、前期调研,确定思路

用户提供的原始数据高达一亿,同屏出现的点的数量可能能到百万,就算把完全重合的点都去重也还是有近十万,且不说数据的时延,前端浏览器承载这么大的数据量本身就不太现实。经过各种调研,确认无论是百度地图、高德地图还是openlayers、leaflet这样的框架都很难支撑万级以上的数据量的绘制。就算绘制完成,地图也基本处于一个没法用的状态了。

和同事讨论后确定了整体方案:

1、数据处理

在不同的缩放等级下,对原始数据进行采样,以1x1或者2x2像素代表的经纬度范围为一组取其中一个随机数据(后来在用户的要求下改为求均值),在放到足够大(zoom16以上)后不再采样,展示原始数据

关于采样间隔的选择,在不同的缩放等级下进行计算。以zoom=11为例,一个像素表示的经纬度范围约为0.0006,那我们选择以0.001的间隔采样,绘图的时候以4个像素来表示一个点就比较合理。

如果想要更精细的绘图,那么就减小采样的间隔,与之相对的得到的数据规模就会更大,网页响应也就越慢。因此需要在性能和精准方面做一个取舍。

2、数据存储

对每个缩放等级下采样数据进行分表,随着缩放等级的增大,数据也越来越多,为了保证查询的效率采用四分法分表存储。
在zoom=11时,用一张表存储,zoom=12时用4张表,依此类推。到zoom=16时,分1024张表存储,后面我还建立了一张索引表,用来查询屏幕显示的经纬度范围所涉及的表有哪些。

数据库方面选择了mongodb,主要是看中了支持地理位置索引,可以快速查询地理位置上包围、相交的点的集合。

3、前端展示

经过测试,在高德地图和百度上绘制的海量点图层,当数据超过3w时地图的卡顿就会非常明显,想要容纳10w级的数据,不管是框架的性能和浏览器的内存都顶不住,因此想到在后端先把图片渲染好,然后传输到前端展示一个图层即可。

在缩放等级达到一定大小后,如zoom=16,屏幕内的数据规模去重后降低到1~2w这个数量级,再使用地图的标记物来绘制,用户可以和标记物进行交互。

基于以上思想开始了工作,中途学习很多新的东西,也踩了不少坑

二、数据处理

数据处理方面主要就使用pandas来读取用户提供的csv文件,然后经过采样后再保存到数据库里

pandas用了一个第三方库modin来加速,可以把电脑的cpu直接干满,大大节省了时间。1亿的数据两个小时不到就处理完成了

主要用的语法有

读取csv文件的指定列并指定分割符

df = pd.read_csv(path,sep='\t', usecols=[0, 1, 7, 9, 11, 13])

apply方法转换某两列的数据

df['grid_lon'], df['grid_lat'] = zip(*df[['Longitude', 'Latitude']].apply(lambda row: lat_lng_to_grid(row[0], row[1], grid_size), axis=1))

pandas分组求均值

concat_df.groupby(['grid_lon','grid_lat']).mean()

df舍弃列

df = df.drop(columns=['grid_lon', 'grid_lat','Longitude','Latitude'])

另外还涉及到python连接mongo数据库,使用pymongo

注意在插入数据前,需要先把df转换成字典列表

client = MongoClient("mongodb://admin@localhost:27017/?authSource=map", username="admin",password="admin")
db = client["map"]
collection = db["map_index"]
collection.insert_one(map_data)

检查索引是否存在,如果不存在则建立2d索引

indexes = collection.list_indexes()
index_exists = any(index['name'] == index_name for index in indexes)
if not index_exists:collection.create_index([('lnglat', '2d')])

除此之外,如果数据使用的是国际坐标系wgs84,直接标记在国内的地图上是不准的,还需要转换成国内坐标系,即火星坐标系,转换方法在网上有比较详细的过程,这里就不赘述了

三、mongo数据库的使用

mongo数据库之前没有接触过,这是一个NoSQL的数据库,数据在库中被称为文档,每个文档的结构可以是不相同的,不需要有固定的结构,这也是NoSQL数据库的显著特征之一。

回到我们的项目,mongo数据库支持两种地理位置相关的索引,2d索引和2dSphere,二者的区别在于2d索引除了表示地理位置的经纬度之外,还用在平面地图相关的场景中,比如游戏的地图坐标等等。2dSphere则用于球形表面的位置存储。

在球形坐标上使用2d索引得到的结果不一定正确,在官方的文档中提到,如果要使用 $nearSphere(指定地理空间查询要按从最近到最远的顺序为其返回文档的点)这样和距离计算有关的查询,最好使用2dShere索引。在极点附近使用2d索引来判断位置也会出现错误。

两种索引的不同还体现在对查询语句的支持上。像$box这样的查询就只支持2d索引。具体可以阅读官方文档

https://www.mongodb.com/zh-cn/docs/manual/reference/operator/query-geospatial/

在这里插入图片描述

在本项目中不涉及到实际距离的计算,坐标位置也不在极点,因此使用2d索引也是可行的。在查询哪些区域和屏幕显示区域相交时,需要用到$geoIntersects,因此表的索引表建立的是2dSphere索引。

用到的查询语法

1、建立索引

db.sampled_11_0.createIndex({'lnglat':'2d'})

2、矩形区域内查询

db.sampled_11_0.find({"lnglat": {"$geoWithin": {"$box": [[113.728815,22.287244],[115.35306,23.015874]]}}
})

3、geoJson格式数据

注意 geoJson表示多边形的时候,起始点和结尾点必须相同

{"name":"mean_sampled_11_0","zoom":zoom,"box":{"type":"Polygon","coordinates":[[[mg_min_lng,mg_min_lat],[mg_min_lng,mg_max_lat],[mg_max_lng,mg_max_lat],[mg_max_lng,mg_min_lat],[mg_min_lng,mg_min_lat]]]}}

4、多边形相交

使用2dSphere索引时,查询语句中也是一个geoJson,下图中的示例代表一个多边形,查询与该多边形相交的数据

{<location field>: {$geoIntersects: {$geometry: {type: "Polygon" ,coordinates: [ <coordinates> ]}}}
}

四、数据查询&展示

数据完成处理并且入库后,我们搭好前后端的基本框架,就可以开始编写查询数据 -> 展示数据的代码了

前端

前端我们使用的是高德地图js api 1.4.5 不使用最新的2.0的原因是js api 2.0的缩放,zoom的步长不太好调整,而我们这次的项目只需要整数级别缩放即可。

地图api的使用,查看官方文档即可学会,并且官方还有在线调试的功能,非常的好用。如果遇到了问题,直接提工单,很快就会有工程师响应,不愧是大厂

初始化地图

initAMap() {window._AMapSecurityConfig = {securityJsCode: "*****************************",};AMapLoader.load({key: "******************************", // 申请好的Web端开发者Key,首次调用 load 时必填version: "1.4.15", // 指定要加载的 JSAPI 的版本,缺省时默认为 1.4.15plugins: ["AMap.Scale"], //需要使用的的插件列表,如比例尺'AMap.Scale',支持添加多个如:['...','...']}).then((AMap) => {this.AMap = AMapthis.map = new this.AMap.Map("container", {// 设置地图容器idresizeEnable: true,viewMode: "2D", // 是否为3D地图模式expandZoomRange:true,zoom: 10, // 初始化地图级别zooms: [3,20],center: [114.211168, 22.566057], // 初始化地图中心点位置});var scale = new AMap.Scale({visible: true,position: 'LT'})this.map.addControl(scale)this.map.on('movestart',this.clearMap)this.map.on('moveend',this.addPictureDebounce)})},

添加一个图片图层

var imageLayer = new this.AMap.ImageLayer({url: imageUrl, //图片 Urlbounds: new this.AMap.Bounds([minLng,minLat], [maxLng,maxLat]), //图片范围大小的经纬度,传入西南和东北的经纬度坐标zIndex: zoom, //图层的层级zooms: [3, 20], //设置可见级别,[最小级别,最大级别]})this.map.add(imageLayer)

添加海量点图层

var massMarks = new this.AMap.MassMarks(this.pointData,{zIndex: 100,zooms: [3,20],style: style,opacity: 0.8})massMarks.on('click',function (e){// 点击标记物的业务逻辑})massMarks.setMap(this.map)

后端

后端我们使用springcloud框架,需要实现的功能是,根据前端任意时刻的屏幕大小、经纬度范围等请求参数,找出范围内的数据,绘制一张png图片或者直接把数据发到前端。在这个项目中,我们在zoom小于16时进行后端绘图,在zoom大于等于16时将去重后的数据发送到前端。

java连接mongodb,需要引入第三方库

<dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-data-mongodb</artifactId>
</dependency>

springCloud配置 如果只需要连接一个数据库,那么可以进行如下配置,mongoTemplate实例会自动加载

spring:application:name: map-servicedata:mongodb:host:xxxxxport:xxxxxusername:xxxxxpassword:xxxxxdatabase:xxxxx

使用时直接注入mongoTemplate即可

@Autowired
private MongoTemplate mongoTemplate;

如果想要配置多个数据源,则需要自己写配置类来生成不同的mongoTemplate实例

spring:application:name: map-servicedata:mongodb:shenzhenTemplate:uri: mongodb://admin:admin@localhost:27017/mapbeijingTemplate:uri: mongodb://admin:admin@localhost:27017/map_beijing
public abstract class AbstractMongoClient {public MongoDatabaseFactory mongoDatabaseFactory(String uri) {return new SimpleMongoClientDatabaseFactory(uri);}
}@Configuration
@Component
public class MongoTemplateConfigBJ extends AbstractMongoClient{@Value("${spring.data.mongodb.beijingTemplate.uri}")private String uri;@Bean(name = "beijingTemplate")public MongoTemplate mongoTemplate() {return new MongoTemplate(mongoDatabaseFactory(uri));}
}@Configuration
@Component
public class MongoTemplateConfigSZ extends AbstractMongoClient{@Value("${spring.data.mongodb.shenzhenTemplate.uri}")private String uri;@Primary@Bean(name = "shenzhenTemplate")public MongoTemplate mongoTemplate() {return new MongoTemplate(mongoDatabaseFactory(uri));}
}// 使用时@Autowired@Qualifier("shenzhenTemplate")private MongoTemplate mongoTemplate;@Autowired@Qualifier("beijingTemplate")private MongoTemplate beijingTemplate;

查询数据时,有多种方法可以使用,这里使用的是构造BasicDBObject的方法,这样写的好处是和mongo数据库的查询语句比较相似,容易理解

MongoCursor cursor是一个可迭代的对象,遍历它即可获取查询到的所有数据

BasicDBObject box = new BasicDBObject().append("$box",new double[][]{new double[]{minLng,minLat},new double[]{maxLng,maxLat}});BasicDBObject query = new BasicDBObject().append("lnglat", new BasicDBObject("$geoWithin",box));long start = System.currentTimeMillis();MongoCursor<Document> cursor =  mongoTemplate.getCollection("mean_sampled_11_0").find(query).iterator();Document document;while ( cursor.hasNext() ) {document = cursor.next();}

在前端请求发到后端时,由于在前面处理数据时我们做了分表处理,要先得到本次查询和哪些表相关。

public List<String> findCollectionNameList(Double minLng,Double maxLng,Double minLat,Double maxLat,Integer zoom,MongoTemplate mongoTemplate) {// 构建一个geoJson 查询哪些表的范围和这个矩形相交GeoJsonPolygon geoJsonPolygon = new GeoJsonPolygon(new Point(minLng,minLat),new Point(minLng,maxLat),new Point(maxLng,maxLat),new Point(maxLng,minLat),new Point(minLng,minLat));if (zoom < 11) {zoom = 11;}if (zoom > 16) {zoom = 16;}// 这里用了另一种写法 直接查出来数据Criteria criteria = Criteria.where("box").intersects(geoJsonPolygon);List<LinkedHashMap> objects = mongoTemplate.find(new Query(criteria).addCriteria(new Criteria("zoom").is(zoom)),LinkedHashMap.class,"map_index");List<String> results = objects.stream().map(x ->(String) x.get("name")).collect(Collectors.toList());return results;}

得到了本次查询需要的表后,我们从这些表中查询数据。拿到数据后,我们再采取方法将数据转换为屏幕上的点,这里没有考虑地球投影导致的误差,直接使用线性变换找到每一个经纬度数据在屏幕上应该出现的位置

int screenX = (int) ((lng - minLng) * pixelsPerLngDegree);
int screenY = (int) (high / pixelPerGrid - (lat - minLat) * pixelsPerLatDegree);
if (screenX == width / pixelPerGrid) {screenX = width / pixelPerGrid -1;
}
if (screenY == high / pixelPerGrid) {screenY =  high / pixelPerGrid -1;
}
// 判断颜色
Integer color = judgeColor(value,pointValue);
// 计算像素点的位置
Integer location = screenY * width / pixelPerGrid + screenX;

随后,如果需要后端作图,我们还需要掌握java中生成png图片的方法。这里也有多种方法。

1、直接操作像素

生成一个width x height大小的数组,这个数组就代表了这幅图每个像素点的颜色,颜色可以用16进制数表示也可以用RGBA表示

我们根据之前换算出的数据,确定每一个像素点的颜色,然后给BufferedImage实例赋值,就完成了png图片的绘制

// 将所有数据转换到屏幕点上BufferedImage image = new BufferedImage(width, high, BufferedImage.TYPE_INT_ARGB);int[] pixels = new int[width * high];for (Integer location : pointMap.keySet()) {List<Integer> groupList = pointMap.get(location);int color = groupList.get(0);if (groupList.size() > 0) {color = groupList.get(ThreadLocalRandom.current().nextInt(0,groupList.size()));}// 由于4个像素代表一个格子 需要计算在第几列第几排int y = (int) location / (width / pixelPerGrid);int x = (int) location % (width / pixelPerGrid);// 得到第一个点的位置int firstPointLocation = width * pixelPerGrid * y + x * pixelPerGrid;// 绘制点上去for (int i = 0; i < pixelPerGrid;i ++) {for (int j =0;j < pixelPerGrid;j++) {pixels[firstPointLocation + width * i + j] = COLOR_LIST[color];}}}image.setRGB(0, 0, width, high, pixels, 0, width);return image;

如果要导出图片,使用

ImageIO.write(image,"png",new File(filePath));

如果要发送回到前端,使用

OutputStream out = response.getOutputStream();
ImageIO.write(image,"png",out);

注:JDK8存在bug,ImageIO.write这个方法耗时很长,这个bug在JDK11完成了修复 如果想要使用需要升级JDK版本

2、使用Graphics2D

使用Graphics2D也可以完成画图,如

@Testpublic void drawCirclePng() throws IOException {Color circleColor = new Color(0xFFFF3300);BufferedImage image = new BufferedImage(100, 100, BufferedImage.TYPE_INT_ARGB);Graphics2D g2d = image.createGraphics();g2d.setColor(Color.white);g2d.fillRect(0,0,100,100);g2d.setRenderingHint(java.awt.RenderingHints.KEY_ANTIALIASING, java.awt.RenderingHints.VALUE_ANTIALIAS_ON);g2d.setColor(circleColor);g2d.fillRect(5, 5, 1, 1);g2d.dispose();File outputFile = new File("rect_test.png");ImageIO.write(image, "png", outputFile);}

这里没有做细致研究,大致看了一下画图的方法,如果要用就得看官方文档了解下

五、优化体验

上面的步骤完成后,前端或将图片作为单独的图层显示出来,或直接进行海量点标记都已经完成了用户的需求,数据量一直控制在前端可以比较流畅运行的范围内。

另外我们还可以做一下优化,让用户体验更好

1、分块加载

虽然说我们已经做了采样 + 分表,但是由于原始数据规模巨大,数据库的单个集合数据量仍然是百万级,在这种情况下等待数据全部查询完,完成绘制恐怕还是要10s以上的时间,主要耗时在数据查询阶段。为此我们可以参考这些地图厂家的做法。

地图的每个瓦片都是分开查询加载的,我们在查询某个区域时,也可以把屏幕可见的经纬度范围分成多个区域,比如我这里分成了8块区域,同时发送请求查询数据,这样大大减少了用户等待的时间。

2、防抖 + 取消过期请求

我们在每次地图发生拖拽、缩放的时候,由于屏幕展示的经纬度范围发生了变化,因此需要重新获取数据。高德地图的api触发事件非常频繁,鼠标滚动几下能触发好几次事件。这时候如果每次都触发了请求,占用资源不说,得到的数据也已经过期了,如果还绘制在屏幕上,虽然是一闪而过,用户体验也是不好的。

接口防抖的技术已经非常成熟了,在各种下拉框筛选等可能会频繁触发接口的地方都有用到。这里我们使用一个第三方库来实现

import { debounce } from 'lodash'
addPictureDebounce: debounce(function () {this.addPicture()}, 500),
addPicture() {// 发起请求
}

如此一来 在事件触发后,如果500ms内没有再次触发该事件,才会调用发起请求的方法

500ms的时间很短,有的时候还是不可避免的触发了多次请求,或者上一次请求还没完成用户又拖动了地图该怎么办呢?我们理想的逻辑是,之前没完成的请求最好是丢弃掉。

这里使用axios的取消请求方法来实现

var controller = new AbortController()
this.abortControllerList.push(controller)
axios.post('map-service/map/getPointPng',{// 各种参数
},{responseType: 'blob',signal: controller.signal}).then(response => {
// 各种业务逻辑
})

这里我们将每个axios请求的congtroller都记录下,在下一次接口触发时,先把上次的请求全部丢弃

 this.abortControllerList.forEach(controller => {controller.abort()})

这样一来,过期的请求就不会在干扰我们的业务逻辑了

六、总结

这次项目,对我的各方面能力都是一次挑战,最难绷的还是各种数据的变换算不明白了,哎,真是菜的离谱

不管怎么样,还得勤学苦练,好好努力啊

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://xiahunao.cn/news/3249916.html

如若内容造成侵权/违法违规/事实不符,请联系瞎胡闹网进行投诉反馈,一经查实,立即删除!

相关文章

2024可信数据库发展大会:TDengine CEO 陶建辉谈“做难而正确的事情”

在当前数字经济快速发展的背景下&#xff0c;可信数据库技术日益成为各行业信息化建设的关键支撑点。金融、电信、能源和政务等领域对数据处理和管理的需求不断增加&#xff0c;推动了数据库技术的创新与进步。与此同时&#xff0c;人工智能与数据库的深度融合、搜索与分析型数…

【Git】(基础篇四)—— GitHub使用

GitHub使用 经过上一篇的文章&#xff0c;相信大家已经对git的基本操作熟悉了&#xff0c;但哪些使用git的方法只是在本地仓库进行&#xff0c;本文介绍如何使用git和远程仓库进行连接使用。 Github和Gitee 主要用到的两个远程仓库在线平台是github和gitee GitHub GitHub …

Adobe XD中文设置指南:专业设计师的现场解答

Adobe XD是世界领先的在线合作UI设计工具。它摆脱了Sketch、Figma等传统设计软件对设备的依赖&#xff0c;使设计师可以随时随地使用任何设备打开网页浏览器&#xff0c;轻松实现跨平台、跨时空的设计合作。然后&#xff0c;为了提高国内设计师的使用体验&#xff0c;Adobe XD如…

2024-07-18 Unity插件 Odin Inspector8 —— Type Specific Attributes

文章目录 1 说明2 特定类型特性2.1 AssetList2.2 AssetSelector2.3 ChildGameObjectsOnly2.4 ColorPalette2.5 DisplayAsString2.6 EnumPaging2.7 EnumToggleButtons2.8 FilePath2.9 FolderPath2.10 HideInInlineEditors2.11 HideInTables2.12 HideMonoScript2.13 HideReferenc…

DP(6) | 完全背包 | Java | LeetCode 322, 179, 139 做题总结

322. 零钱兑换 我的错误答案 class Solution {public int coinChange(int[] coins, int amount) {int[][]dp new int [coins.length][amount1];for(int j0; j<amount; j) {if(coins[0] j){dp[0][coins[0]] 1;}}for(int i1; i<coins.length; i) {for(int j0; j<am…

带时间窗车辆路径问题丨论文复现:改进粒子群算法求解

路径优化相关文章 1、路径优化历史文章2、路径优化丨带时间窗和载重约束的CVRPTW问题-改进遗传算法&#xff1a;算例RC1083、路径优化丨带时间窗和载重约束的CVRPTW问题-改进和声搜索算法&#xff1a;算例RC1084、路径优化丨复现论文-网约拼车出行的乘客车辆匹配及路径优化5、…

[C/C++入门][进制原理]27、计算机种的进制

各种信息进入计算机&#xff0c;都要转换成“0”和“1”的二进制形式。 计算机 采用二进制的原因是&#xff1a; 物理上容易实现&#xff0c;可靠性高。&#xff08;电子元件的通电和不通电就可以表示1和0&#xff0c;所以非常方便&#xff09;运算简单&#xff0c;通用性强。…

ELK日志分析系统部署文档

一、ELK说明 ELK是Elasticsearch&#xff08;ES&#xff09; Logstash Kibana 这三个开源工具组成&#xff0c;官方网站: The Elastic Search AI Platform — Drive real-time insights | Elastic 简单的ELK架构 ES: 是一个分布式、高扩展、高实时的搜索与数据分析引擎。它…

Java 网络编程(TCP编程 和 UDP编程)

1. Java 网络编程&#xff08;TCP编程 和 UDP编程&#xff09; 文章目录 1. Java 网络编程&#xff08;TCP编程 和 UDP编程&#xff09;2. 网络编程的概念3. IP 地址3.1 IP地址相关的&#xff1a;域名与DNS 4. 端口号&#xff08;port&#xff09;5. 通信协议5.1 通信协议相关的…

如何免费用java c#实现手机在网状态查询

今天分享手机在网状态查询接口&#xff0c;该接口适用的场景非常广泛&#xff01;首先我们先讲下什么是手机在网状态&#xff1f;简单来说&#xff0c;就是你得手机号是否还在正常使用中&#xff0c;是否能够及时接收和回复信息&#xff0c;是否能够随时接听和拨打电话。如果你…

小白新手搭建个人网盘

小白新手搭建个人网盘 序云服务器ECS重置密码远程连接ECS实例 安装OwnCloud安装Apache服务PHP运行环境NAS挂载挂载验证操作体验 序 阿里云文件存储NAS&#xff08;Apsara File Storage NAS&#xff09;是一个可大规模共享访问&#xff0c;弹性扩展的分布式文件系统。本文主要是…

Python面试宝典第15题:岛屿数量

题目 在二维网格地图上&#xff0c;1 表示陆地&#xff0c;0 表示水域。如果相邻的陆地可以水平或垂直连接&#xff0c;则它们属于同一块岛屿。请进行编码&#xff0c;统计地图上的岛屿数量。比如&#xff1a;下面的二维网格地图&#xff0c;其岛屿数量为3。 基础知识 解决这类…

简约的悬浮动态特效404单页源HTML码

源码介绍 简约的悬浮动态特效404单页源HTML码,页面简约美观,可以做网站错误页或者丢失页面,将下面的代码放到空白的HTML里面,然后上传到服务器里面,设置好重定向即可 效果预览 完整源码 <!DOCTYPE html> <html><head><meta charset="utf-8&q…

高性能、安全、低碳绿色的趋势下,锐捷网络发布三擎云办公解决方案 3.0

桌面虚拟化作为云时代的主流和热门技术&#xff0c;已经取得了广泛应用。随着生成式 AI 爆炸式发展&#xff0c;CSDN 看到&#xff0c;人工智能正在引发计算、开发、交互三大范式的全面升级&#xff0c;技术开发或将迎来一次全新的科技变革周期&#xff0c;因此 VDI 云桌面随之…

组队学习——支持向量机

本次学习支持向量机部分数据如下所示 IDmasswidthheightcolor_scorefruit_namekind 其中ID&#xff1a;1-59是对应训练集和验证集的数据&#xff0c;60-67是对应测试集的数据&#xff0c;其中水果类别一共有四类包括apple、lemon、orange、mandarin。要求根据1-59的数据集的自…

Day16_集合与迭代器

Day16-集合 Day16 集合与迭代器1.1 集合的概念 集合继承图1.2 Collection接口1、添加元素2、删除元素3、查询与获取元素不过当我们实际使用都是使用的他的子类Arraylist&#xff01;&#xff01;&#xff01; 1.3 API演示1、演示添加2、演示删除3、演示查询与获取元素 2 Iterat…

[数据分析]脑图像处理工具

###############ATTENTION&#xff01;############### 非常需要注意软件适配的操作系统&#xff01;有些仅适用于Linux&#xff0c;可以点进各自软件手册查看详情。 需要自行查看支持的影像模态。 代码库和软件我没有加以区分。 不是专门预处理的博客&#xff01;&#xf…

HDU1005——Number Sequence,HDU1006——Tick and Tick,HDU1007——Quoit Design

目录 HDU1005——Number Sequence 题目描述 超时代码 代码思路 正确代码 代码思路 HDU1006——Tick and Tick 题目描述 运行代码 代码思路 HDU1007——Quoit Design 题目描述 运行代码 代码思路 HDU1005——Number Sequence 题目描述 Problem - 1005 超时代码…

QtC++ 设计模式(五)——状态模式

状态模式 序言理解源码 序言 设计模式只是一个抽象的设计模式方法&#xff0c;并不是一个固定使用的搭配&#xff0c;就算是普通switch语句&#xff0c;Map&#xff0c;乃至状态机都是状态模式的其中一种实现方法 状态模式看起来好像和策略模式差不多&#xff0c;主要是其的侧…

神经网络之多层感知机

目录 一、全连接层&#xff1a;二、单层感知机概念&#xff1a;三、多层感知机概念&#xff1a; 一、全连接层&#xff1a; 在神经网络中&#xff0c;全连接层就是每个神经元都与上一层的所有神经元相连接&#xff0c;即每个神经元都接收上一层所有神经元的输入&#xff0c;并…