用Python对KSC数据集处理的一次排错经历

机器学习：数据预处理

一、标准化 均值为0，标准差为1 from sklearn import preprocessing scaler = preprocessing.StandardScaler() scaler.fit_transform(X) 二、归一化 对原始数据进行线性变换，变换到[0,1]区间（也可以是其他固定最小最大值的区间） from sklearn import preprocessing s...

遥感&机器学习入门实战教程｜Sklearn案例⑭：数据划分与交叉验证（KSC 真实数据）

本文探讨了遥感影像分类实验中数据集划分的重要性，指出传统train_test_split方法的不足，并介绍了更科学的交叉验证方法。文章通过KSC高光谱数据案例，详细展示了单次分层划分、KFold交叉验证、StratifiedKFold分层交叉验证以及Pipeline的实践应用，强调交叉验证能提供更稳定可靠的模型评估结果。作者建议在样本量有限或类别不均衡时，应采用分层K折交叉验证结合Pipeline的方法，并报告均值±标准差，以获得更科学的实验结果。

基于卷积神经网络的高光谱分类（1D、2D、3D-CNN）

基于卷积神经网络的高光谱分类（1D、2D、3D-CNN） 含代码

高光谱遥感数据集下载及简介

参考以下网址：数据分享07期|高光谱遥感数据集下载IP/UP/Salinas等数据集 文章目录 1. IP数据集简介 2. UP数据集简介 3. PC数据集简介 4. Salinas-A数据集简介（6类） 5. Salinas数据集简介（对于corrected数据，OSError: could not read bytes） 6. KSC数据集简介 1. IP数据集简介 print(IP.keys())#dict_keys(['__header__', ...

高光谱数据集

该网址包含 Indian_pines, Salinas, Pavia Centre and University, Cuprite, Kennedy Space Center, Botswana等常用高光谱数据及其标签，数据格式为mat 网址链接：Hyperspectral Remote Sensing Scenes 数据目录 ...

【高光谱图像数据集】ksc

The NASA AVIRIS (Airborne Visible/Infrared Imaging Spectrometer) instrument acquired data over the Kennedy Space Center (KSC), Florida, on March 23, 1996. AVIRIS acquires data in 224 bands of 10 nm width with center wavelengths from 400 - 2500 nm. The KSC data, acquired from an altitude of approximately 20 km, have a spatial resolution of 18 m. After removing water absorption and low SNR bands, 176 bands were used for the analysis. Training data were selected using land cover maps derived from color infrared photography provided by the Kennedy Space Center and Landsat Thematic Mapper (TM) imagery. The vegetation classification scheme was developed by KSC personnel in an effort to define functional types that are discernable at the spatial resolution of Landsat and these AVIRIS data. Discrimination of land cover for this environment is difficult due to the similarity of spectral signatures for certain vegetation types. For classification purposes, 13 classes representing the various land cover types that occur in this environment were defined for the site.

高光谱遥感数据库Kennedy Space Center (KSC)

The NASA AVIRIS (Airborne Visible/Infrared Imaging Spectrometer) instrument acquired data over the Kennedy Space Center (KSC), Florida, on March 23, 1996. AVIRIS acquires data in 224 bands of 10 nm width with center wavelengths from 400 - 2500 nm. The KSC data, acquired from an altitude of approximately 20 km, have a spatial resolution of 18 m. After removing water absorption and low SNR bands, 176 bands were used for the analysis. Training data were selected using land cover maps derived from color infrared photography provided by the Kennedy Space Center and Landsat Thematic Mapper (TM) imagery. The vegetation classification scheme was developed by KSC personnel in an effort to define functional types that are discernable at the spatial resolution of Landsat and these AVIRIS data. Discrimination of land cover for this environment is difficult due to the similarity of spectral signatures for certain vegetation types. For classification purposes, 13 classes representing the various land cover types that occur in this environment were defined for the site

常见的高光谱数据集-Botswana、HoustonU、Idian_pines、KSC、Pavia、Salinas、Xiong'an、Xuzhou

常见的高光谱数据集-Botswana、HoustonU、Idian_pines、KSC、Pavia、Salinas、Xiong'an、Xuzhou，包含光谱数据以及标注信息，伪色彩图和标注图像，格式均为.mat格式。由于文件超过上传限制，所以使用是百度云盘。

五种高光谱数据集.rar

包含常用的几种高光谱数据，可以用于遥感图像分类。Washington DC Mal,Indian Pine等。ndian Pines 是最早的用于高光谱图像分类的测试数据，由机载可视红外成像光谱仪（AVIRIS）于 1992 年对美国印第安纳州一块印度松树进行成像，然后截取尺寸为 145×145 的大小进行标注作为高光谱图像分类测试用途。Pavia  University 数据是由德国的机载反射光学光谱成像仪（Reflective  Optics Spectrographic Imaging System，ROSIS-03）在 2003 年对意大利的帕维亚城所成的像的一部分高光谱数据。该光谱成像仪对 0.43-0.86μm 波长范围内的 115 个波段连续成像，所成图像的空间分辨率为 1.3m。其中 12 个波段由于受噪声影响被剔除，因此一般使用的是剩下 103 个光谱波段所成的图像。该数据的尺寸为 610×340，因此共包含2207400 个像素，但是其中包含大量的背景像素，包含地物的像素总共只有 42776 个，这些像素中共包含 9 类地物，包括树、沥青道路（Asphalt）、砖

高光谱/遥感图像常用数据集（2）

该包提供了遥感图像分析中常用的Salinas数据集，为mat格式，包括各波段信息，及对应的地面真实数据的标签。

高光谱遥感图像数据集

常用的高光谱遥感图像数据集，包含Indians Pines、Botswana、KSC、PaviaU、Salinas及它们的ground truth矩阵。文件后缀为.mat

Matlab双目相机标定

1 概述 现在有许多双目相机在出厂时就已经标定好了，用户拿到手后可以直接使用，例如Intel Realsense系列。但是有些相机出厂的时候并没有完成标定工作，因而这个时候就需要我们自己来标定。由于笔者曾改装过一个双目相机，最远可以测至50m，因此有一定的心得体会想给大家分享一下。本文主要介绍双目相机标定的整个过程，以及导出标定数据的方法。 相机标定主要分为手动标定和自动标定，手动标定比较繁琐，这里主要介绍基于matlab工具箱的自动标定方式来对双目相机进行标定。具体的相关标定细节也可以参照这篇博客：m

开源收银系统_大型收银系统源码_OctShop

开源收银系统正成为大型连锁企业数字化转型的关键工具。相比传统闭源系统，开源方案具有成本低（年均降本60%+）、定制灵活（支持多业态协同）、自主可控等优势，能有效解决高并发、多门店数据同步等痛点。核心价值在于：1）分布式架构适配规模化扩张；2）模块化设计实现个性化开发；3）开放接口打通ERP/CRM等系统。典型案例显示，连锁商超通过源码二次开发实现库存实时同步，补货效率提升50%；餐饮集团统一多业态收银流程后会员复购率增长35%。选型需关注源码成熟度、技术兼容性和安全合规，建议采用"开源+服务商&q

从零到一：PrimeTime静态时序分析入门指南

本文详细介绍了PrimeTime静态时序分析(STA)的入门指南，从基础概念到实际应用全面覆盖。内容包括时序路径分类、PrimeTime环境搭建、时序约束设置与验证、时序分析与报告解读等核心内容，帮助工程师快速掌握STA技术，解决数字芯片设计中的时序收敛问题。

【论文汇总】Diffusion Models视频生成/视频编辑/可控视频生成/跨模态视频生成

本文总结了Diffusion Models视频生成领域相关的工作，目前共收录142篇，持续更新中。

《30天入门 SAP BTP 开发》教程的目录和使用说明，建议收藏

本教程分为两部分：第一部分为SAP BTP入门系列，包含从基础概念到操作步骤的系统性学习内容，建议零基础用户按顺序学习；第二部分为专题文章集合，涵盖SAP BTP的多个技术点，适合已有基础的用户按需查阅。教程包含账号申请、Global Account操作、Java应用开发、AI工具使用等丰富内容，同时解答常见问题并提供实战案例。所有文章均附带详细链接，便于读者系统学习或针对性查阅。

Copilot在游戏开发中的应用：Unity脚本自动生成实践

2021年GitHub Copilot的发布，为代码自动生成带来了革命性突破。作为基于GPT模型训练的AI辅助编程工具，Copilot能根据注释、函数名、代码上下文，实时生成符合语法和逻辑的代码片段，甚至完整脚本。减少重复劳动：自动生成模板代码（如生命周期、结构），让你专注核心逻辑；降低API学习成本：对Unity特有的组件（RigidbodyAnimator）、类（），Copilot能生成符合最佳实践的调用代码；统一代码风格：通过团队共享提示词模板，让生成的代码符合项目规范；快速原型迭代。

9、从统计到电路：未来物理不可克隆函数的基础

本文探讨了物理不可克隆函数（PUF）的关键技术，包括补偿环境影响、处理相关工艺变化、身份映射和测试方法。提出了一种基于新测试统计量Q的方法，有效提升了PUF的熵值和安全性。通过实验验证，新方法能够显著区分不同芯片，并增强PUF在不同环境下的适应性和可靠性，为未来PUF的设计与应用提供了重要基础。

基于STM32单片机设计的智能坐垫_431

本文设计了一款基于STM32F103C8T6单片机的智能坐垫系统，该系统集成了压力传感器、SHT30温湿度传感器、薄膜加热垫、涡轮风机、语音播报模块、OLED显示屏及HC-05蓝牙模块，实现了对用户就坐状态与坐垫微环境的实时监测与智能调控。系统通过压力传感器检测用户就坐情况，自动启动久坐计时并触发语音提醒；温湿度数据用于控制通风与加热功能，以改善座椅舒适性；用户可通过按键或手机APP设置久坐时长、手动开关通风与加热，并通过OLED屏或APP实时查看环境参数与计时状态。本设计体现了嵌入式系统在健康关怀与舒适性

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

SAP B1中文培訓教材_SDK

公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。