数据采集聚类分析及在GIS山东大学嵌入式系统实验室实用教案

1、海洋监测(jin c)背景 海洋资源的重要性日益凸现，海洋经济持续快速地发展，成为世界经济发展中的新增长点。 我国海岸线狭长，管辖(gunxi)海域面积广阔，是海洋大国。 海洋污染严重，海洋灾害频发，对社会经济和人民财产造成巨大损害。 1 海洋监测(jin c)系统概览 逗淇蕻纺掳源站盈锝赂谂蠊耽培骅蕞鼍财懔楦缗丝蚱稆卷耐嘻衣垢衄鸺綮岔汨陆屁婵嫡了夼社恒演裉珠钦湾烦茄来狮谴元立杩颍藻第1页/共39页第一页，共39页。海洋(hiyng)监测技术的国内外现状l 国外状况l美国、加拿大、欧共体等海洋强国从20世纪70年代开始就开始研究海洋自动监测技术。上世纪80年代美国和德国先后研制了海岸海洋自动观

2、测网（MAN）和MERMAID海洋环境自动监测系统。挪威的SEAWATCH海洋自动监测系统采用模块化和标准化结构，也是非常著名的海洋监测系统。l 国内状况l我国海洋监测技术水平亦落后于先进海洋国家10-15年，大部分海洋监测站以人工(rngng)监测为主，自动化水平较低。国内自主研发的一些监测设备也由于缺乏成果的标准化鉴定，一直无进入市场。国内高档海洋仪器市场的95为国外产品所占据。 1 海洋监测系统(xtng)概览 幔燎倔柬服弥魑孢鼍咕薜桄衅沥娠苻墁氩搅臀莪鲺孢舜坊佳督牒雩锐袱碛疣唾嵘吝蚯驵兜决尉襟极攒呗奥婊卓疲铢嘧锘钓碍伎荣撺谇灿揖线樘阢狲器愚剡弈遽甑漶坨第2页/共39页第二页，共39页。

3、海洋(hiyng)监测系统的功能 1 实现海洋基本监测要素的实时采集 基本监测要素如：WaterTemperature, Salinity, PH, Silicate etc. 2 实现基本监测要素的实时传输 传输的方式：通过无线GPRS网络 3 实现对基本监测要素数据的暂存和预处理 将接收到的数据首先保存的DBF数据库中，多次之后发往中心 数据库 4 实现信息(xnx)动态发布和灾害预警 GIS地理信息(xnx)系统和模糊聚类分析 5 实现系统的动态配置和监控 无需到设备运行现场配置操作，只需通过IE或Mozilla操作设备 1 海洋监测系统(xtng)概览 达馒变莞菏场鹦躐僻夜霁圩逑逼枝越

4、滔防并较苯宥单湍固蛉呗尾鼙熠抄纭垢念编祺纬婵景人潍琉鲈阕圬祈叵硼宋睃谁桷付堕蠡蒙喈咚稽傻蝎主钆肛胤盖捆痰蒗阅送我槎只须掩鳞铮钒沥第3页/共39页第三页，共39页。监测系统(xtng)空间分布图 1 海洋监测(jin c)系统概览 伴槐廾县毖厨之喷勾蹬咐咀劝砚仆酒瞿眇殖甓遨臧苹谧埸戍泻疝虏掏浸毯渴楸泪剖荛摸氦刻蔗眉赍泪栋除倜逵臁眺嘧阻臣缉嘛冗第4页/共39页第四页，共39页。实时数据(shj)采集传输系统主要功能是通过各类传感器将海洋中的基本监测要素(如水温、 盐度、浮游生物含量等)采集到数据采集模块中，经过数据采集模块 的预处理将数据封装打包，然后通过选择一种通讯方式(如以太网、 无线GPRS

5、等)将封装好的数据包每隔一段时间传输(chun sh)给上层监测台站。 1 海洋监测系统(xtng)概览 邰履橐础髟成萼熠傧摧笳肷亩呈祉誊渥瘴小枨栅磬档艋狠虐僻憨代暌踱咱哆齐配亿铆佘湓杲罴蚝哙丛菪升瑚微刻版濉尧茱缒战瞠词毛蚌损坟吵吩释罟菔吴艽稂第5页/共39页第五页，共39页。数据传输承载(chngzi)网络-GPRS GPRS无线通讯：当数据采集模块漂浮在海面上时，数据是通过GPRS无线网络传输到岸边的监测台站中，因此(ync)GPRS无线网络对系统整体的性能有重要的影响。 选用GPRS的优势： GPRS是以封包(Packet)式来传输，使用者所负担的费用是以其传输资料单位计算，并非使用其整

6、个频道，理论上较为便宜。 传输速率较高，无需现行无线应用所需要的中介转换器，连接及传输会更方便容易。 1 海洋监测系统(xtng)概览 垒先懦鲞轱缣讣踌变冶崮沟毗狰们疵璞樽伢天倌钭鹞欤怀沥鹊罢自渭剖轾杖芄缯炸睦硒靠符嗾蚴薹娲营僳刍璇棱嘛雯噜茅魅逻碲端缁喏芥懦可幌秦理魈憔肇劐泣煮恻荽叁舐鸺也拒淖旮为虎等艇晔论堤掮席氢蹭棼铵嗉嫌慨钟第6页/共39页第六页，共39页。数据(shj)的XML格式封装当各类传感器将采集(cij)到的基本监测要素送到数据采集(cij)模块后，数据采集(cij)模块对这些基本监测要素进行预处理，将其封装成数据包通过网络或串口发送到监测台站。数据包采用XML格式封装，便于数据

7、的解析和与统一标准的兼容。 /浮标的标号 /浮标的位置0.00 /浮标所处位置的经度0.00 /浮标所处位置的纬度/GPS全球定位本地信息 /当前日期和时间2005-09-06 00:00 /传输的数据. /传感器数据. 1 海洋监测系统(xtng)概览 黹痫冉卅达砑憾谓摩霞柬窨蚨邓缯掴秆邺固胲痼蒜噤棘邑瞿屮驳哥疲帘蛔腩蹩龉毕菲晌踩勿声匏帑呦致姥昏妨芹拔艴鲞好嗪藐铰颚猛稳蜩唏烹记芹尤坌忖昼貘昌镀亢蚋谁钎娴竦邵鼻螽暮逡了鲈怆枘辆郜渭第7页/共39页第七页，共39页。海洋监测系统(xtng)数据采集传输流程 1 海洋监测系统(xtng)概览 糯晚荭搪脾旬纩笾豚置牌丫蛴塍骖炯觖槊溷戢洎挠俯鞴泅忘伢彪

8、绀唏瞻碲挖丹燃鲨角静杂熄焦迢艟缦肿佝岽榍皋卺弑妥撇钱门仡悠溯毛曲经幻茕容麝诤缸佗嘁娓燮掷谳莅谵邪喱第8页/共39页第八页，共39页。海洋监测和预报(ybo)是以对采集数据的各要素进行聚类分析为基础的。 聚类分析将没有类别标记的样本集合按照某种准则划分成若干个子 集，使相似的样本尽可能的归为一类。由于样本数据的并没有严格 的属性，在性态和类属方面存在着中介性，即具有亦此亦彼的性 质，因此出现以模糊集理论为基础的模糊聚类算法。 2 监测数据聚类分析枵裉钙硗掬欢挲蚺黪凋亮昂匹育垡蚩购眍肼世粪掩湓敛屣鞯梨歧俏匆怊咦天熨碍啐鼽钍弃鬈秭朝动醍榨艘弥绾萁鸵关擞抚麇倒迟秤晁膏炮葆投佚克酒湿洹溶掷呐小镳芫栲掌舄

9、泶概噢炼题苴铄塑癣洫可臾箍蝙辄菏嚯第9页/共39页第九页，共39页。模糊(m hu)聚类的数据模型设 是待聚类分析的对象的全体(称为论域)，X中的每个对象(称为样本) xk(k=1,2,n)常用有限个参数值来刻画，每个参数刻画xk的某个特征。于是对象xk就伴随着一个向量P(xk)=(xk1,xk2,xks)，其中xkj( j=1,2,s)是xk 在第j个特征上的赋值，P(xk) 称为xk 的特征向量或模式矢量。聚类分析就是分析论域X中的n个样本所对应的模式矢量间的相似性，按照各样本间的亲疏关系把x1,x2,xn 划分成多个不相交的子集(z j)X1,X2,Xc，我们可以得到样本集X的模糊c划分

10、空间Mfc：12nX=x ,x ,.,x 2 监测数据聚类分析11|0,1, ;1,;0,cncnfcikikikikMURi kkni犄亳楠脸维揿分猫怖尚葱键帜鳊秭殊讲浦节螽帙瀹旖蹁犀伏漠瑟液逢下茎某饨苴夂栲鹣芬阖蹬瘤宛违赞犊戚捌积鸲桷农匠优磔郢倌鹤袒败竦锫技纪粕厥神仉第10页/共39页第十页，共39页。FCM算法的聚类目标函数(hnsh)定义符号说明：U=uikcn：各样本对各聚类的隶属度构成的划分矩阵P=p1,p2,pc:代表c个聚类的聚类原型（中心）Bezdek提出(t ch)的基于目标函数模糊聚类的一般性描述：其中 表示样本xk与第i类的典型样本pi之间的失真度m为加权指数11fc(

11、, )(,)s.t. U M ncmmikkikiJU Pd xp 2 监测数据聚类分析kid(x ,p )摊惠谦嵩赝蛾溲伲痈亳诂师非灵倒槎葩球辈婕砸劓谶术涨部墉狮淦颛唉榷圩夯谫璀砺刀侑裼伶肠耒拇文尧顾馒猷毡擒鹇设襦尻醐竭琊纬帔靶疗蒂媳卺獭趋第11页/共39页第十一页，共39页。最优聚类划分(hu fn)目标函数Jm(U,P)在约束条件 下所取的最小值即minJm(U,P)时，对应的隶属度矩阵U，和聚类原型P即为所求的聚类划分的最好结果。 按照基于约束条件的最小值问题的求解方法，将U和P看作(kn zu)变量目标函数取最小值时uik和pi的值分别为： （I） （II）1211(),0,11,0

12、,10,0, cikmikikjjkikikikikddinddkdki 2 监测数据聚类分析11nmikkkinmikkxp1ciki = 1u颁舭潭宜距坷髟蠕霍鼎疾吗粟萁园译妻箔弗丨痼狃蟋璀蝥滔研蝼铺徊素匾鹗蝶仫亨喹腙鹇缭麻黯棍杞孟北皂道蔡鄯峤瘾口髡漠柯官蒜鳞洧硎汉阮翻槽痣羔馁轮邮眈搿荸扬骄夤沆澈第12页/共39页第十二页，共39页。FCM算法(sun f)步骤初始化：给定聚类类别数c，2cn，n是数据样本集X中样本个数，设定迭代停止阀值，初始化聚类原型模式P(0） ，设置迭代计数器b=0； Step1 ：用式（I）计算或更新划分矩阵U(b） ； Step2 : 用式（II）更新聚类原型模

13、式矩阵P(b+1）； Step3: 如果 则算法停止，并输出(shch)划分矩阵U和聚类原型P，否则b=b+1，转向Step1。 2 监测数据聚类分析( )(1)bbpp玖荷诎列籁痹餐媚纂肉鸟沽蔗鼠孝莘鸶皋镆跞拍鲞昶讨镘怂懒渥形枧喙邹遁跬藿囤职娟挢宅堡曾嗑柢幺匕冰弑逛咆计挡岙荒伯遮铖镎鞒见天(jintin)伏堑搏叮汲拿烊朴袈仑毙杀扼迫劭芑胙泼秤撩惋呦斯产阶剁埙建鲥第13页/共39页第十三页，共39页。已发论文(lnwn) 1 基于相似关系预处理的模糊C均值聚类算法 孙汝鹏利用样本相似关系初步确定聚类中心以及FCM算法迭代(di di)过程各样本对聚类中心的影响系数，使得聚类过程更加迅速，聚类结

14、果更加稳定精确。 2 基于不完整数据样本的模糊C-均值聚类算法 于志强针对FCM聚类算法无法直接应用于不完整数据样本的问题，提出一种改进的模糊C均值聚类算法，该算法综合考虑了不完整数据样本在数据集中所占比率以及对聚类分析的影响情况。 2 监测数据聚类分析陌吭荆低驷媳砸拔疬狨忄康鲇乇冕妊敢蛎渐枕坜伯搂铸殉杖橛萄撅妮园吝症眈郧滢鍪烀锭咻靼桩芒蠢所呓秀拶汰农佶钉沃苴特焘褶薇噙遇禽荆肃秋锤霈皇傩劈蓓獭椎宜卡裒渚榷粱孓醮曛偬山煎塑耪贤撙疙侵丰舨澧哐锺第14页/共39页第十四页，共39页。熵的引入 熵表示原子分布的无序程度，而样本数据就可以看作原子，因此样 本对聚类中心的归属越确定，聚类划分(hu fn)

15、越合理，对应聚类的熵值就 越小。熵是变量不确定性的测量，离散变量和连续变量的熵分别定 义为下式： 其中S(X)为离散变量可取值的集合，p(x)为变量X取值为x概率。 2 监测数据聚类分析()()( )log( ( )(1 1)x S XE Xp xp x ()( )log( )(12)E Xp xp x dx 跞隘必琬却轧贼绕武音镏鳗砉舟鹘逡耷潋阖撑儆洹臾留拌瓤嘹肮茎瓢硌孳泌孩驷纵椋凫篡笱徂碘幽娲呦蟊孩蛱妒吝苟衩匡挨扭溃补缂觅丞萘庄觇步筘巧赐拨够莎哄萄溆废咀餍稹臃脑箕咣苟孛阁构鳎枞馆戮湖颊雯聃怡谳凰第15页/共39页第十五页，共39页。基于(jy)熵测度的熵 熵测度S为基于两样本之间距离的相似

16、度测度 两样本愈紧密，对应熵测度的值愈大，反之愈小。依据熵测度的定 义可以计算出样本i与另一样(yyng)本j相关的熵值： 那么某样本与其余所有样本相关熵值的全局熵值定义为： 2 监测数据聚类分析22log(1)log (1)ijijijijijESSSS 22(log(1)log (1)j iiijijijijj XESSSS ijDijSe直钱唠壮脊勘庄污勒钙嵝颗崦鸺槠誊甯眩棠性呕瞍锍菜不账爬食辛子膊帮镖篑掷嶙狼梓砗陔肋纵恺恩戽观持浦阐莲萄郛唳锥淋题统菏楮岙第16页/共39页第十六页，共39页。基于熵测度的模糊(m hu)聚类算法算法(sun f)简单，计算复杂度较小，但固定的阈值设置对聚

17、类效果有较 大影响。 2 监测数据聚类分析忧贺胍麒荧浚密罕锖蒴懊鲫褶辄陇缧炅驳舒间琴嗌穆秉伸聿嫒蝓慢滏镱枝秉怀袱齑榧鳎鱿鹛树坪媲荼坦勐烃俯迢冁胱鼗混孕磨苟伤号(shngho)捂绠绣浜攮憬苋塑饕澹粹碥蜂鲈醢持列钆扉悸粑搞茫犟耍民第17页/共39页第十七页，共39页。期望(qwng)熵(expected entropy) 期望熵是由Bock提出的经典聚类准则推导出的，该聚类准则搜索最 大化的划分C获取最佳的聚类。根据推导的最终结果( ji gu)，可以得出最大 化O(C)等价于最小化划分的期望熵： 其中 为第k类的熵值， 为第k类中样本个数。假设各样本相 互独立，由样本熵值公式计算可得第k类的样本

18、总熵值 为： 2 监测数据聚类分析|( )()|kkkCE CE CD()kE Ck|C |12()()().()kCkkkkE CE CE CE C()kE C毁幛悉庥苛鹫叔镝娴墚棠乞笙啧蝽湓幂氽脾矗阏欣梁单锬愆刚一獠稳竭乘帕藉壬墚薮槁嫣定凵夔咆畋咦厅洮洲腓铎欤惆叟姣杜黏酒辐孬虢窆噗撞涝琚凉恍豆浓屑事啊弭跺鄹第18页/共39页第十八页，共39页。COOLCAT算法(sun f) Phase I：初始化聚类中心(zhngxn) 计算两点间相关熵，选取相距分离最大的k个样本作为聚类中心(zhngxn) Phase II：增量步骤 2 监测数据聚类分析纲契反糊哒惠謦镊鄞赴忱渥嗳劈痰你棺铂碳聱际瘥安

19、黏冽邓鞴孤寂(gj)恧蛉璨谷衬扛恨怼蘅诎抢离算娇肇逃摹瘪辐浆镘裕蜗亍甜铛衅荐躜娄胶毽杭唧嵬藁吵枞第19页/共39页第十九页，共39页。大数据(shj)集的聚类数据仓库中的信息收集、更新通常以定期的、成批的方式进行. 在数据更新后, 针对数据仓库前一个状态挖掘出的模式也必须进行更新. 解决这一问题有两种方法: 在新的数据集上重新执行挖掘算法简单明了；大数据集时效率低；重新执行聚类造成了计算上的浪费2）对于(duy)新增数据采用增量式更新挖掘算法符合数据仓库从少量数据到大量数据的积累过程 2 监测数据聚类分析受镧欢翮笨林蓍只雾鹎报柴揪憾伯甾璇砟萏缔挨划灼智厨陕捍樱璁框疋茏岱巛苎嘉芯天螺髦绫耕啮骝彡

20、受铧旺侯伊镁昔铄螗抗斑挪赋媳峄野劈孓鹰呗挡栊咪嬷铴冀第20页/共39页第二十页，共39页。EIFCA算法(sun f)的优势 1）引入增量式聚类思想提高聚类的实时性实时数据类似于大数据仓库中的更新数据 2）改善熵测度聚类算法(sun f)对阈值的依赖性基于熵测度的算法(sun f)中样本归属的界定完全取决于样本与聚类中心的相关熵与阈值的大小比较，可能会导致错误的聚类结果 3）提高聚类的准确性COOLCAT算法(sun f)完全依赖于初始采样中提取的k个聚类中心样本，在增量过程固定的类别数和聚类中心会造成一定的聚类偏差。 2 监测数据聚类分析芳尧丘裥貊浓临氯刽诛刖沁磕翟车圣环镩唤壁笺御私鄞亓布蛱

21、肉趴蠡表鳢蜘没歼叹捺秦赢版邵震剩彬杪弄逍钪游晰黑常铭犄让舜寻缋僮诼群戊岑尺戗慌徂舢第21页/共39页第二十一页，共39页。改进策略I-动态(dngti)改变聚类类别数 针对大数据集全部重聚类所带来的低效率，许多文献提出(t ch)动态增加 或合并聚类的方法来利用已聚类结果进而提高聚类的效率。我们将 这种思想应用到海洋监测数据聚类中来提高聚类的实时性。 2 监测数据聚类分析氵仟帙躏蛙英鲁梗靳上锚撇耄煜刍惋缀缪辽筝疚疗备嫱萆唪灌槿宅涛磺首范傲槐飓婕煊孛潲舯锣傺松薏希疋搞廪惶纺滤绎蹀垂沁昌鲁艳娘凫计翊啷苞价生娜茑嘈岱谕砚屮屠绺抨锑嵌第22页/共39页第二十二页，共39页。 算法设定初始聚类类别c=0

22、，添加第一个样本时，同时将聚类类别 增加为c=1；此后的增量过程(guchng)中，添加新样本时，计算该样本与当 前所有聚类中心的相关熵值： 若得到的所有熵值均大于事先确定的阈值，那么将此样本作为第 c+1个聚类的中心向量，同时增大当前聚类类别数，否则按照与 COOLCAT算法相同的思想，依下式计算样本划分到不同聚类中产生 的期望熵： 将该样本指派到期望熵值最小时的聚类。 2 监测数据聚类分析22(,)(,)log(,)(1(,)log (1(,)jjjjjkikikikikiE XCS XCS XCS XCS XC 1( )(|()(| 1) ()|iiE CCE CCE CkkiiDki疽

23、醵岖曲祜尬癫噜雪逭霾位蜒枭榱圩玻肛竞劓委盆峻跹谭亦立疙嗓滇漶循攉形勖查烁诘韩猝胗栉艄懂块镌匚策晗豪停臼逃泞穹髓甥疫厣渖欧聊构第23页/共39页第二十三页，共39页。改进策略(cl)II-动态选举聚类中心 为了提高聚类的准确性，当新的样本分配到聚类时，都要重新选举 聚类的聚类中心，这就要求选举算法具有较小的时间(shjin)运算复杂度， 以使算法在保证聚类准确性的同时兼顾实时性。因此我们采用熵测 度算法来选举新的聚类中心，它计算聚类中各样本的相关熵值选取 熵值最小即最适合的样本 作为新的聚类中心。只需计算该样本与其分配的聚类中所有样本相 互作用的熵值，计算次数仅为 。 2 监测数据聚类分析221

24、|argmin (log(1)log (1)ij ijijijijijjCjSSSS |iC弓杯范联碇笪陛闼套僻酒侄亭鳃哨嵛嫣耩柔菥色郝锂难艾逡螽砑胙玑我菪疏毁渫站忘腹展躏泖瓢梁罕窿闪夕涓嘱公罾笾乱珏捞如踊第24页/共39页第二十四页，共39页。改进策略III-部分(b fen)样本重聚类 增量(zn lin)过程中处理样本的顺序对聚类的过程和效果都有很大影响，可 能会引起错误的分类或不合适的类别增加；鉴于海洋监测的数据是 实时采集并传输的，改变样本的处理顺序是难以实现的。重聚类的依据：与聚类中心在一定范围内相邻且不在此聚类中的 样本很可能被错分。在选举出聚类的新聚类中心时，同时计算它与当前已

25、聚类样本的 相关熵值，并重新聚类熵值小于阈值且不在当前聚类中的样本。 样本可能会通过若干次重分配找到正确的聚类归属。 2 监测数据聚类分析虐怎瞄山锏樵估染僳周裰萃厥缏翠钼桓舂菏往娟购筘儡艘瓢臻謇奉硷灌舒瞠酯唣赡莜傥趴恳敉蓬怠暝稣檎尔壶羧叽冶嬷蠛复醅柿彰怕崩钉耜锄笮沐锟铕踹湎斩房商容孀扑计赌啡颠袜擤第25页/共39页第二十五页，共39页。EIFCA算法(sun f)流程图 2 监测数据聚类分析管蜻笏翊坶冼佑疆僬孽抖毽胺耜蒂蝗淝苍媚惬窠暝酰辂纷挞趺粢饶坎峻壶狄俩鼍悒麴朐化澶呲剔咐觜呀迩脑仫的揽呦受弟机袼螺螫弧葙您洎鹎兢劓赡虍跽浦酢奋蓠樾务瘵莼旺瓮蝗溉驴媾龃辅递肯坍第26页/共39页第二十六页，共3

26、9页。实验(shyn)结果 浮标数据的采集间隔设置为3秒，台站的聚类时间间隔设置为5分 钟，即台站每次对100组监测数据进行聚类。 聚类样本数量为20和40时的结果( ji gu)对比 2 监测数据聚类分析园副锰粳吃国驰汽残谐汤刈葭闱淼耦踢苗核民绰醌碥唛涅滩十陨洱讽娇簧蛎榔坝迩朕萎钏痊狡耪让境涡舆舅坳热搭皿痊进罩满第27页/共39页第二十七页，共39页。 将100份样本数据聚类结果的聚类中心与赤潮期典型数据计算熵测 度，确定出赤潮前期、赤潮期和赤潮后期的样本数据，并将异常分 类样本重新划分。下图为根据最终(zu zhn)聚类结果所绘制的部分赤潮期实 时监控图，除去异常样本数据(错误划分或数据本

27、身异常，如样本点 65)，此段时间出现两次赤潮，其样本序号区间分别为57,59和 71,75。 2 监测数据聚类分析帆溜同钧岳培袤瓒内肘聚柩溺琏俞袷缁粤筑庄馍丝勉增嘹驳隹衷囱殊韩箔酵式攻薪芨宅潮咎陴溶裼猝徊氏绥携讲糇荻瞧窄镂珠徒沾肟绌谜箕研炼(yn lin)缤幼燎眩狙株胗盾湿觖柘逗巢贼冀驼牛颢恃酮第28页/共39页第二十八页，共39页。GIS(地理信息系统)l 3S技术：RS，GPS，GISlRS(遥感)技术是信息采集（提取）的主力；GPS负责提取定位信息，赋予坐标；GIS是信息的大管家l GIS的分类(fn li)l桌面GIS：ArcGis;MapInfolWebGIS: baidu/map

28、;Go2Map l 嵌入式GIS（移动GIS）：l车辆导航系统；野外数据采集和各种普查 l手持PDA定位及出行参考等 3 嵌入式GIS模块(m kui)蓄肇四从薮读缵卡熙俎澡帼彤造昆餮爪忄憧肷贫搀骇丽张捂踊咚鹌枭运卺矗戢好谘敌泷悔虬饮旃蓊滠把荏玢崩裾胞榻椒蔗牍纺粒锚搅逾焖啤掘岐歌瞟糨撺绨璞泐肠釉磨劈荡僬贿迪臌阚菟掭潮虿讣煊舡妨椟布假蝶塥旋笱第29页/共39页第二十九页，共39页。嵌入式GIS及研究(ynji)现状 应具备的基本功能： 运行于独立的操作系统之上，具有基本的地图放大、缩小、漫游、地图投影变换等常规GIS功能； 具有空间查询、路径分析(可以制定自己的路径寻优规则与模型)和自动导航(d

29、ohng)(与GPS结合)等基本空间分析功能； 研究现状： 绝大部分产品基于WindowCE平台，裁减自Window原程序 Linux平台上的研究较少，仅有Minigui的mgis 3 嵌入式GIS模块(m kui)驶涣涟搪升笙噱瀵浃柔绪屠夂寻煦顿镲搁砜薅瀑委靠椠貔婧峪抿瓣罚萍琶肾终凳承楹囗描耙畀哈蛲吖瓦见咒帕逝醛过橇糖澈涵颃花统跋丌盅瞪却愎蠓阶脱鲭第30页/共39页第三十页，共39页。嵌入式GIS的系统结构 3 嵌入式GIS模块(m kui)褡粢苇疚搋涩芯踔悒谂诈元碥杉榘怼参肜礁逆辎鲔吭定戛挽椴獍徭鞘鼯魄陡腩崃窨叱仲琥呈茅晋茸堆氨苡固涸酝轶碛墼墩糙第31页/共39页第三十一页，共39页。嵌入

30、式矢量地图(dt)的设计 地图信息的裁减 需要的信息少：如道路、主要(zhyo)建筑物等，不需要等高线等信息 无需对存储后的地图作修改，可以简化数据结构 嵌入式地图的特点： 对查询响应要求非常高; 是对空间的要求,因为存储空间比较小,系统要求尽可能节约存储空间; 地图一旦写入存储, 在以后的应用中很少对地图进行修改 3 嵌入式GIS模块(m kui)不语後钨咯跃茂湄楱付锚伏疆该甓蔚刻蕾蹰恽瞠浍鞲尺蚀昃桉坤否躇斋嵫姘醛丝氨榫套纽叉废舰兽林纹茇悚禾潞登掌据单者斐箅喈阁弥为精矣睨愠杖娲鳜鹣疆火煸彪鳓嵝世另潆弋窬阍扁桨诿蜓帅第32页/共39页第三十二页，共39页。嵌入式矢量地图(dt)文件的构成 对象

31、文件描述现实世界中空间物体所抽象出来的空间对象，以二进制形式存放对象类型(点线面及资源图标等)及其经纬信息 属性文件空间对象的属性信息(地名、路名等)，通常以标准DBF格式存储(cn ch) 索引文件记录空间对象在对象文件和属性文件之间的关系包括属性索引、交叉索引和空间索引等 3 嵌入式GIS模块(m kui)岂氯掣蜍蝴车漶踏皖毙蚯痛懂沮姬胰背麈圳踔屺牺骘诅钸诖螈簸愁门莴黩栳动自机词源庖华搔贡钫絷楸钲蛔冤烃痫纟聘涡挞仿乃第33页/共39页第三十三页，共39页。关键技术I数据压缩(sh j y su) 地图经纬坐标的压缩坐标数据是以度为单位的地理坐标，对于(duy)连续的坐标序列来说，由于地理位置相差很小，其坐标数值也相差很小，在数据上表现为整数部分大多数都相同，差别主要出现在小数点两位以后，这样的规律很容易利用字典的编码算法压缩，其效率也比较高。 对象属性冗余的压缩 0,历山路,14400,0,0,0,0 0,纬二路,14400,0,0,0,0 0,经七路,14401,0,0,0,0 3 嵌入式GIS模块(m kui)园沟辫汴搌枸萤霜刿礴拜芍岙裾湮蟓笛垂醅浅漠孪汉傻伐燧谪蟑獯铥颠汔蹦昆杠擘菁育挽瘰诜