Real-Time Cross Online Matching in Spatial ICDE2020论文资源

DFT的matlab源代码HRTF空间音频 该项目的创建是出于教育目的，以了解有关使用HRTF合成3D空间化音频的更多信息。 结果是连续不断地发出蜂鸣声，沿着水平面以5度为增量在用户周围移动。 当前的结果并不令人满意-音频肯定有空间感，但是大约30-35度（如果N垂直位于听众面前，则30-35度将是NE）听起来像是在右边，在90时听起来好像是在0或180处。很可能某个地方有一个bug，但是我没有花足够的时间去寻找它的位置。 同样，鉴于对空间化的看法是主观的，因此很难知道是否存在错误或HRTF数据是否不适合我。 HRTF数据 所使用的HRTF数据是MIT HRTF KEMAR假人头部测量值，可在处获得。 音频数据被转换为2通道32位浮点Little-endian，以与使用的其他音频数据保持一致。 还使用了IRCAM HRTF数据库（），但是生成的音频对我来说似乎并不有效，但可能是应用程序中的错误。 技术细节 SDL用于输入和音频 KISSFFT用于FFT计算 所有FFT使用512点 HRTF文件是128个样本立体声wav文件（更正确的是，这些是HRTF生成的HRIR），将0填充到512个

Statistics for Spatial Data (Wiley Series in Probability and Statistics) Noel Cressie | Wiley-Interscience | January, 1993 | 928 pages | English | PDF Spatial statistics-analyzing spatial data through statistical models-has proven exceptionally versatile, encompassing problems ranging from the microscopic to the astronomic. However, for the scientist and engineer faced only with scattered and uneven treatments of the subject in the scientific literature, learning how to make practical use of spatial statistics in day-to-day analytical work has approached the impossible. Designed exclusively for the scientist eager to tap into the enormous potential of this analytical tool and upgrade his range of technical skills, Statistics for Spatial Data is a comprehensive, single-source guide to both the theory and applied aspects of current spatial statistical methods.

《空间数据分析教程》是2010年科学出版社出版的图书，作者是王劲峰，廖一兰，刘鑫。

Cooperation Aware Task Assignment in Spatial Crowdsourcing.pdf

遥感图像分析方面的一本外文书籍，其重要特色在于强调空间邻域分析，郑重推荐。

皮格里格 适用于Python的Kriging工具包。 目的 该代码支持2D和3D普通和通用克里金法。 内置了标准变异函数模型（线性，幂，球面，高斯，指数），但也可以使用自定义变异函数模型。 2D通用克里金代码当前支持区域线性，对数对数和外部漂移项，而3D通用克里金代码在所有三个空间维度上都支持区域线性漂移项。 两种通用克里金法也都支持通用的“指定”和“功能”漂移功能。 使用“指定的”漂移功能，用户可以手动指定每个数据点和所有网格点的漂移值。 借助“功能性”漂移功能，用户可以提供定义漂移的空间坐标的可调用函数。 该软件包包括一个模块，该模块包含的功能对于使用ASCII网格文件（ \*.asc ）应该有用。 有关更多详细信息和示例，请参见的文档。 安装 PyKrige需要Python 3.5以上版本以及numpy，scipy。 可以通过以下方式从PyPi安装： pip install p

landscapemetrics：R中分类地图模式:world_map_selector:的景观度量

Bridging the Gap between Spatial and Spectral Domains:A Survey on Graph Neural Networks 深度学习的成功在各种机器学习任务中得到了广泛认可，包括图像分类、音频识别和自然语言处理。作为深度学习在这些领域之外的扩展，图神经网络 (GNN) 旨在处理以前的深度学习技术难以处理的非欧图结构。现有的 GNN 使用各种技术呈现，这使得直接比较和交叉引用更加复杂。尽管现有研究将 GNN 分为基于空间和基于光谱的技术，但尚未对它们的关系进行彻底检查。为了弥补这一差距，本研究提出了一个系统地整合了大多数 GNN 的单一框架。我们将现有的 GNN 组织到空间和光谱域中，并暴露每个域内的连接。谱图理论和近似理论的回顾在进一步研究中建立了跨空间和谱域的强关系。

空间：GIS和空间分析讲义