『壹』 院士专家谈 - 时空大数据：地理信息产业融合发展必由之路
作 者 ：中国工程院院士 王家耀
地理信息产业是以现代测绘和地理信息系统、遥感、卫星导航定位等技术为基础，以地理信息资源开发利用为核心，从事地理信息获取、处理、应用的高技术服务业。自20世纪60年代地理信息系统提出以来，其应用逐渐拓展到多个行业，从产生、成长到壮大，地理信息产业发展取得了可喜成绩。
当前，我国的经济和 社会 发展已经进入新的 历史 阶段， 社会 主要矛盾已经转化为人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾；以5G、云计算、大数据、边缘计算、物联网等为代表的新技术快速发展，人工智能技术也因深层神经网络的成功而获得了巨大进步；随着我国行政体制改革和自然资源管理体系的建立，地理信息产业已融入自然资源管理体系中。面对新的 社会 需求、新的技术进步和新的管理体系要求，亟待根据国家大政方针、 社会 生产需要、技术发展趋势、产业发展规律，做好地理信息产业的工程技术、商业模式、产品类型的转型升级与融合创新，进一步提高地理信息产业发展的质量和水平。
地理信息产业融合发展的驱动力——人工智能
信息化的发展遵循从数字化到网络化再到智能化的规律，地理信息产业的发展亦如此，智能化是地理信息产业融合发展的高级阶段。
“互联网 ”改变了地理信息产业发展的思维方式。“互联网 ”的本质是跨界融合。“基础地理信息 ”和“通用时空大数据平台 ”的本质也是跨界融合。“ ”是核心，提出跨界融合的解决方案是关键。只有这样，才能更充分地发挥基础地理信息和通用时空大数据平台的“基础”和“通用”作用，实现地理信息产业到时空大数据产业的转型升级。
云计算具有的信息资源管理、处理和应用的“全面弹性”，可以支撑“地理信息产业”到“时空大数据产业”的转型。时空大数据产业化需要超强计算能力的支持。云计算作为一种新的计算模式，通过“池化”和“云化”把数千台甚至上万台机器都放在一个“池子”里面，这是“资源弹性”；并在“资源弹性”即基础设施即服务（IaaS）之上增加了一层“应用弹性”，包括平台即服务（PaaS）和软件即服务（SaaS），以满足时空大数据的“应用弹性”需求。云计算支撑时空大数据处理的分布式、协作（同）化和智能化；通过任务分解，解决分布式问题；通过工作流重构，解决并行问题；通过算法调度，解决协作（同）化问题。
时空大数据产业
——属于第四产业的范畴
时空大数据，指基于统一时空基准活动或存在于时间和空间与位置直接或间接相关联的大数据。据此，时空大数据由时空框架数据和时空变化数据两大类数据组成。
时空框架数据指基于统一时空基准的卫星导航定位数据（含连续运行参考站 CORS数据）、遥感影像数据、地图数据、地名数据等。时空变化数据包括 社会 经济人文数据、位置轨迹数据、与位置相关联的空间媒体数据、社交网络数据、搜索引擎数据、视频观测数据、生态环境监测数据等。时空变化数据聚合（关联）在时空框架数据上，就构成了时空大数据。时空大数据具有位置、属性、时间、尺度、分辨率、多样性、异构性、多维性、价值隐含性、快速性等特性。时空大数据产业，指以天空地海传感器网络为基础，以时空信息“获取（传感网） 处理（生产） 应用（服务）”为产业链，以人工智能等新兴信息技术为支撑，以数据密集型计算为特征的知识密集型信息产业，属于从第三产业中分离出来的第四产业的范畴。同地理信息产业相比较，时空大数据产业内涵要宽泛得多，规模要大得多，类型更具多维性和多样性，知识更密集，速度更快，产品更加多样化和个性化，其应用领域更加广阔，具有良好的产业发展前景。
时空大数据产业化的核心
——时空大数据平台
时空大数据平台是时空大数据产业化的核心。
它是指把各种分散的和分割的大数据即时空框架数据和时空变化数据汇聚到一个特定的平台上，并使之发生持续的聚合效应。这种聚合效应就是通过数据多维融合和关联分析与数据挖掘，揭示事物的本质规律，对事物做出更加快捷、更加全面、更加精准和更加有效的研判和预测。从这个意义上讲，时空大数据平台是大数据的核心价值，是大数据发展的高级形态，是大数据时代的解决方案。从产业化的角度讲，通用时空大数据平台是指将时空框架数据汇聚在一个特定平台上，利用这个平台生产军民两用的基础测绘地理信息产品。
所谓“通用时空大数据平台+”模式，即以通用时空大数据平台作为框架，聚合民用、军用的时空变化数据，分别构成时空大数据平台。“通用时空大数据平台+民用”模式，即将地方政府各部门各行业的政务、自然资源、规划、交通、水利、管网、人口、经济、人文、 社会 、医疗、教育、电力、公安等数据汇聚在通用时空大数据平台上，使之成为新型智慧城市的“智脑”，通过持续的聚合效应，生成各类（种）民用深加工知识产品，为政府综合决策、各部门各行业和 社会 公众提供智能化服务。
时空大数据产业化是通过时空大数据平台产业化实现的。因为时空大数据产业化是一个新问题，应该走一条从基础研究起步的产业化创新之路。这条创新之路首先要研究和建立以数据科学为核心的时空大数据理论体系。目前，“数据科学”的边界还不清晰，时空大数据理论研究薄弱，更未形成时空大数据的理论体系，而这是时空大数据产业化的基础。因此，这条创新之路要研究和建立以“数据隐含价值 计算发现价值 应用实现价值”为核心，以“数据获取（传感器网） 处理（生产） 应用（服务）”为产业链的时空大数据产业化技术体系。走在这条创新之路上的人，更要研究和设计包括软件产品、硬件产品、软硬件集成产品、各类（种）应用平台产品和数字产品在内的时空大数据产品体系。
总之，在当前全球数字经济快速发展的大背景下，数字化的知识和信息作为关键生产要素，以数字技术为核心驱动力量，以现代信息网络为重要载体，通过数字技术与实体经济深度融合，数字经济能够不断提高经济 社会 的数字化、网络化、智能化水平，以加速重构经济发展与 社会 治理模式。地理信息产业作为处理位置数据的核心产业，可以积极推动其基于“通用时空大数据平台+”模式深度融入数字产业化、产业数字化、数字化治理与数据价值化领域，积极融入自然资源管理工作整体布局，主动引领以地理信息为基础的新型智慧城市、实景三维中国、新型基础测绘建设，推进地理信息产业向全产业链发展，扩大地理信息产品供给面，加大地理信息消费级产品研发，鼓励新应用、培育新市场，让地理信息产品通过生态建设、智慧管理、数字经济服务国家战略建设并惠及全 社会 ，从而促使地理信息产业向时空大数据产业的融合发展与转型升级。
『贰』 什么是时空大数据
时空大数据
spatio-temporal big data
时空大数据定义：基于统一时空基准（时间参照系和空间参照系）、活动（运动变化）在时间和空间中与位置直接（定位）或间接（空间分布）相关联的大规模海量数据集。
相关名词：大数据 科学大数据 场景大数据 遥感大数据 地质大数据 交通大数据
【时空大数据相关】
时空大数据除具有一般大数据的5V特征外，还具有位置特征、时间特征、属性特征、尺度（分辨率）特征、多源异构特征、多维动态可视化特征。时空大数据的这些特征，有助于时空大数据的分析与挖掘，揭示大数据的时间变化趋势和空间分布规律。任何规律的得出，任何决策的作出，都必须依据一定时间、确定地点（地区）的大数据，即时空大数据，同时也给时空大数据的组织、存储、管理和提取增加了难度。
时空大数据由时空框架数据和时空变化数据构成。时空框架数据一般相对变化较慢，包括时空基准数据、全球卫星导航定位（GNSS）与连续运行参考站（CORS）数据、空间大地测量与物理大地测量数据、遥感影像数据、数字地图与地名数据、海洋测绘数据、世界海峡与通道数据等；时空变化数据一般变化快，包括社交网络数据、搜索引擎数据、视频观测数据、网络空间数据、位置轨迹数据、变化检测数据、与位置相关的空间媒体数据、空间环境数据、海洋水文数据、社会经济人文数据、部门行业数据等。时空大数据的核心，是将时空变化数据融合或关联到时空框架数据上。
时空大数据的提出，反映了人们对大数据本质及其研究内容认识的丰富和深化，揭示了大数据的时空特性，明确了数据文化是尊重事实、强调精准、推崇理性和逻辑的科学文化，这是我国时空大数据发展的灵魂。时空大数据的研究，对我国大数据理论体系、技术体系、产品体系和应用服务模式的形成和创新发展具有重要的实践意义，有助于形成数据驱动的大数据创新体系和发展模式，推动构建以数据为关键要素的数字经济并形成现代经济体系，运用大数据提升国家治理的现代化水平与促进保障和改善民生。（时空大数据相关：中国工程院院士、河南大学教授王家耀）
『叁』 数据处理
11.4.3.1基础地理数据处理和组织
基础地理数据全面反映了数据库覆盖范围内自然地理条件和社会经济状况，可以用于国土资源遥感综合调查中各个专题的空间定位基础。本次遥感综合调查的基础地理数据由浙江省测绘局提供，比例尺为1∶25万，采用经纬度坐标系统，文件记录格式采用MapInfo的TAB格式。它以矢量数据结构描述了水系、等高线、境界、交通、居民地等地形要素，还包括地形图要素间的空间关系及相关属性信息。整套数据共分Areaboul（界线）、Villres（村驻地）、Townres（乡镇驻地）、Text（村、乡镇驻地注记）、Hydroano（水系、山峰、岛屿等注记）、Counres（县级驻地）、Counano（县级驻地注记）、Areares（市级驻地）、Areaano（市级驻地注记）、Bridglk（桥梁）、Mairoalk（高速、国省道公路）、Secroalk（县乡道公路）、Railk（铁路）、Terlkla（等高线）、Respy（居民地）、Hydlk（线状水系）、Hydnt（面状水系）、Merbount（1∶25万图廓）、Counbou（县级行政区域）、Areabou（市级行政区域）等共20层专题要素。
在数据进入GeoDatabase前，首先进行资料预处理，检查1∶25万基础地形图上各级行政区周界是否严格闭合，对不闭合周界要进行封闭处理；检查图上道路段、河流段的连贯性，并将同名线段连成整体，标注名称；检查漏、多点，漏、多线，点、线偏移等情况；检查等高线的错漏情况；检查图件上线条、符号、注记间的避让和压盖情况，对不符合建库要求的进行若干调整。
经过检验、修正的数据，还需要进行标准化处理。所谓标准化，就是指将数据整理为符合已制定的标准的过程，在这里主要是指进入GeoDatabase前的一些预处理，主要对各类数据项进行检查，要求经过初步处理的数据达到类型统一，数字长度统一，计量单位和精度的统一等；并对缺项数据情况进行处理。
最后，将相应的数据进行逻辑分层归类处理，每一个大类根据物理存储的机制（GeoDatabase）和实体的类型（点、线、面、注记）进行图层的划分，将不同的矢量要素类组织为一个矢量要素数据集，将相同专题的要素归类。例如水系数据的点、线、面类型的要素组织成同一个矢量要素数据集，将村驻地、村驻地注记、乡镇驻地、乡镇驻地注记、县级驻地、县级驻地注记、市级驻地、市级驻地注记等点要素组织成一个带文本信息的点注记要素数据集。然后进行相应的投影变换和数据格式转换处理。
11.4.3.2DEM数据处理和组织
本次系统建库的DEM数据由基础地理数据库中的Terlkla（等高线）层直接在ArcInfo中生成，采用3″相同的分辨率，按照ArcSDE Geodatabase的栅格数据集进行组织和存储。
ArcSDE存储栅格数据的方式与存储几何对象的方式相似。栅格数据存储到ArcSDE数据库时，被转换成ArcSDE的特定格式，在ArcSDE的系统表、用户表中，栅格数据被表示为许多小的二进制大对象（blob）或片（tile），在创建的商业表中增加一个栅格数据字段，字段名只要符合底层数据库的命名规则，可以任意选取。该表中只允许创建一个栅格数据字段，同时创建另外四张新表，表名分别为SDE-raster-9、SDE-blk—9、SDE-aux-9、SDE-bnd-9，同时在表RASTER-COLUMNS中增加相应记录。在SDE-blk-9中存放实际影像的像元数据及其位置，SDE-bnd-9中存放像元尺寸。
11.4.3.3TM和ETM＋遥感影像处理和组织
全省1∶25万TM和ETM＋遥感影像图成果由本项目的相应子专题提供，其分幅与编号执行GB/T13989的规定，平面坐标系统采用1954年北京坐标系，投影采用高斯-克吕格投影。将全省所涉及的TM或ETM＋数据按照1∶25万的精度镶嵌拼接后，再把它转入到GeoDatabase中去。ETM遥感影像在ArcSDE Geodatabase中的组织和存储机理与DEM同。
另外，利用ArcToolBox工具装载栅格数据，在输入大数据量的遥感影像数据时，经常会出现对话框，提示磁盘空间不够的错误信息。为了避免出现这种情况，本次数据建库时还利用ArcSDE自带的API函数，编制了特定的转换程序，解决了大批量遥感影像数据入库的问题。
11.4.3.4各个专题数据处理和组织
根据项目总设计书的要求，各个专题成果涉及到矢量图形，其数据格式必须以Arc/Info E00文件格式提交。若用其他GIS系统生成的成果数据，则原则上必须转换成Arc/Info EOO的数据格式后再提交，若所使用的GIS系统不能转换成Arc/Info Coverage或EOO的数据格式，则使用dxf或GB17798-1999《地球空间数据交换格式》所规定的数据交换格式VCT提交成果。其中，以VCT形式提交的数据成果的，必须提交各点、线、面对应的识别码或标识码，各识别码或标识码必须与对应各专题资源成果图的国标或行业编码相同。
各个专题成果若还涉及到其他栅格数据格式，除原始TM数据外，其他遥感卫星数据、航空像片数据、专题解译图像均须以通用的.TIFF格式或ERDAS系统的.IMG格式提交，或使用GB17798-1999《地球空间数据交换格式》所规定的数据交换格式提交。《地球空间数据交换格式》中影像数据交换只是在标准的TIFF或BMP格式之外增加一个文本说明文件。
待以上专题成果中涉及到的空间信息转换成统一的文件格式后，就可分别按照矢量要素数据集、栅格数据集的处理方式在ArcSDE Geodatabase进行入库。
11.4.3.5元数据处理和组织
国土资源遥感综合调查基础数据库的每一个子库都有自己的元数据（Metedata），包括矢量和栅格数据元数据内容。它存放有关数据源、数据分层、产品归属、空间参考、数据质量（数据精度、评价）、数据、图幅接边方面等信息。元数据主要以文本和HTML或SGML方式存放。
元数据也是一种数据，在形式上与其他数据没有区别。元数据的形式是与元数据内容标准相一致的数字形式，可以用多种方式建立、存储和使用。文本文件是最基本的方法，便于传输给用户；另一种方法是用文本链接标示语言（HTML）编写的超文本文件，或可扩展标记语言（XML）方式，用户可利用浏览器方式（Netscape Navigator、Internet Explorer）去查询它们；还有一种方法是用通用标示语言（SGML）建立元数据（王家耀，2000）。
11.4.3.6逻辑数据库的扩展
逻辑数据库的扩展是整个系统的主要特点之一，它的意义在于用户可以根据实际的应用需要，自定义自己的空间数据子库，结合数据库中的专题数据库（包括土地利用现状数据库、主要矿产资源数据库、地质灾害环境数据库、近海岛屿数据库、海岸带数据库、地质构造及地壳稳定性数据库、重点城市动态变迁数据库等）制作应用针对性更强的其他专题数据。
『肆』 大数据时代空间数据挖掘的认识及其思考
引言
空间数据挖掘（Spatial Data Mining，SDM）即找出开始并不知道但是却隐藏在空间数据中潜在的、有价值的规则的过程。具体来说，空间数据挖掘就是在海量空间数据集中，结合确定集、模糊集、仿生学等理论，利用人工智能、模式识别等科学技术，提取出令人相信的、潜在有用的知识，发现空间数据集背后隐藏的规律、联系，为空间决策提供理论技术上的依据[1]。
1.空间数据挖掘的一般步骤
空间数据挖掘系统大致可以分为以下步骤：
（1）空间数据准备：选择合适的多种数据来源，包括地图数据、影像数据、地形数据、属性数据等。
（2）空间数据预处理和特征提取：数据预处理目的是去除数据中的噪声，包括对数据的清洗、数据的转换、数据的集成等。特征提取是剔除掉冗余或不相关的特征并将特征转化为适合数据挖掘的新特征。
（3）空间数据挖掘和知识评估：采用空间数据挖掘技术对空间数据进行分析处理和预测，从而发现数据背后的某种联系。然后结合具体的领域知识进行评估，看是否达到预期效果。
2.空间数据挖掘的方法研究
空间数据挖掘是一门综合型的交叉学科，结合了计算机科学、统计学、地理学等领域的很多特性，产生了大量处理空间数据的挖掘方法。
2.1 空间关联规则
关联规则挖掘是寻找数据项之间的联系，表达式形式是X→Y，其中X与Y是两种不相交的数据项集，即X∩Y=？覫。KOPERSKI K等人将关联规则与空间数据库相结合，提出了空间关联规则挖掘[2]。空间关联规则将数据项替换为了空间谓词，一般表达形式如下：
A1∧A2∧…∧An→B1∧B2∧…∧Bm（3）
令A=（A1，A2，…，An），B=（B1，B2，…，Bm），A和B分别表示Ai和Bj的谓词集合，A和B可以是空间谓词或非空间谓词，但是必须至少包含一个空间谓词且A∩B=？覫。SHEKHAR S和HUANG Y针对空间关联规则的特点提出了把关联规则的思想泛化成空间索引点集的空间同位规则的概念，在不违背空间相关性的同时用邻域替换掉了事务[3]。时空关联不仅涉及事件在空间中的关联，还考虑了空间位置和时间序列因素。国内的柴思跃、苏奋振和周成虎提出了基于周期表的时空关联规则挖掘方法[4]。
2.2 空间聚类
空间聚类分析是普通聚类分析的扩展，不能完全按照处理普通数据的聚类分析方法来处理空间数据。由于存在地理学第一定律，即空间对象之间都存在一定的相关性，因此在空间聚类分析中，对于簇内的定义，要考虑空间自相关这一因素。通过对空间数据进行自相关分析，可判断对象之间是否存在空间相关性，从而可合理判断出对象是否可以分为一簇。
基本的聚类挖掘算法有：
（1）划分聚类算法：存在n个数据对象，对于给定k个分组（k≤n），将n个对象通过基于一定目标划分规则，不停迭代、优化，直到将这n个对象分配到k个分组中，使得每组内部对象相似度大于组之间相似度。
（2）层次聚类算法：通过将数据不停地拆分与重组，最终把数据转为一棵符合一定标准的具有层次结构的聚类树。
（3）密度聚类算法：用低密度的区域对数据对象进行分割，最终将数据对象聚类成为若干高密度的区域。
（4）图聚类算法：用空间结点表示每个数据对象，然后基于一定标准形成若干子图，最后把所有子图聚类成一个包含所有空间对象的整图，子图则代表一个个空间簇。
（5）网格聚类算法：把空间区域分割成具有多重分辨率的和有网格结构特性的若干网格单元，在网格单元上对数据进行聚类。
（6）模型聚类算法：借助一定的数学模型，使用最佳拟合数据的数学模型来对数据进行聚类，每一个簇用一个概率分布表示。
仅采用一种算法通常无法达到令人满意的预期结果，王家耀、张雪萍、周海燕将遗传算法与K-均值算法结合提出了用于空间聚类分析的遗传K-均值算法[5]。现实空间环境中，存在很多像道路、桥梁、河流的障碍物，张雪萍、杨腾飞等人把K-Medoids算法与量子粒子群算法结合进行带有空间障碍约束的聚类分析[6]。
2.3 空间分类
分类，简单地说是通过学习得到一定的分类模型，然后把数据对象按照分类模型划分至预先给定类的过程。空间分类时，不仅考虑数据对象的非空间属性，还要顾及邻近对象的非空间属性对其类别的影响，是一种监督式的分析方法。
空间分类挖掘方法有统计方法、机器学习的方法和神经网络方法等。贝叶斯分类器是基于统计学的方法，利用数据对象的先验概率和贝叶斯公式计算出其后验概率，选择较大后验概率的类作为该对象映射的类别。决策树分类器是机器学习的方法，采取从上到下的贪心策略，比较决策树内部节点的属性值来往下建立决策树的各分支，每个叶节点代表满足某个条件的属性值，从根节点到叶节点的路径表示一条合适的规则。支持向量机也是机器学习的方法，思路是使用非线性映射把训练数据集映射到较高维，然后寻找出最大边缘超平面，将数据对象分类。神经网络是一种模拟人神经的网络，由一组连接的输入和输出单元组成，赋予各个连接相应的权值，通过调节各连接的权值使得数据对象得到正确分类。
针对融入空间自相关性的空间分类挖掘，SHEKHAR S等人使用空间自回归模型和基于贝叶斯的马可夫随机场进行空间分类挖掘[7]，汪闽、骆剑承、周成虎等人将高斯马尔可夫随机场与支持向量机结合并将其用于遥感图像的信息提取[8]。
2.4 其他空间挖掘方法
空间数据挖掘的方法多种多样，其他还包括：空间分析的方法，即利用GIS的方法、技术和理论对空间数据进行加工处理，从而找出未知有用的信息模式；基于模糊集、粗糙集和云理论的方法可用来分析具有不确定性的空间数据；可视化方法是对空间数据对象的视觉表示，通过一定技术用图像的形式表达要分析的空间数据，从而得到其隐含的信息；国内张自嘉、岳邦珊、潘琦等人将蚁群算法与自适应滤波的模糊聚类算法相结合用以对图像进行分割[9]。
3.结论
空间数据挖掘作为数据挖掘的延伸，有很好的传统数据挖掘方法理论的基础，虽然取得了很大进步，然而其理论和方法仍需进一步的深入研究。伴随着大数据时代，面对越来越多的空间数据，提升数据挖掘的准确度和精度是一个有待研究的问题。同时现在流行的空间数据挖掘算法的时间复杂度仍停留在O（nlog（n））~O（n3）之间，处理大量的异构数据，数据挖掘算法的效率也需要进一步提高。数据挖掘在云环境下已经得到很好的应用[10]，对于处理空间数据的空间云计算是有待学者们研究的方向。大多数空间数据挖掘算法没有考虑含有障碍约束的情况，如何解决现实中障碍约束问题值得探讨。带有时间属性的空间数据呈现出了一种动态、可变的空间现象，时空数据挖掘将是未来研究的重点。
由于数据挖掘涉及多种学科，其基本理论与方法也已经比较成熟，针对空间数据挖掘，如何合理地利用和拓展这些理论方法以实现对空间数据的挖掘仍将是研究人员们需要长期努力的方向。
参考文献
[1] 李德仁，王树良，李德毅.空间数据挖掘理论与应用（第2版）[M].北京：科学出版社，2013.
[2] KOPERSKI K， HAN J W. Discovery of spatial association rules in geographic information databases[C]. Procedings of the 4th International Symposium on Advances in Spatial Databases， 1995： 47-66.
[3] SHEKHAR S， HUANG Y. Discovering spatial co-location patterns： a summary of results[C]. Procedings of the 7th International Symposium on Advances in Spatial and Temporal Databases， 2001：236-256.
[4] 柴思跃，苏奋振，周成虎．基于周期表的时空关联规则挖掘方法与实验[J]．地球信息科学学报，2011，13（4）：455-464.
[5] 王家耀，张雪萍，周海燕.一个用于空间聚类分析的遗传K-均值算法[J].计算机工程，2006，32（3）：188-190.
[6] Zhang Xueping， Du Haohua， Yang Tengfei， et al. A novel spatial clustering with obstacles constraints based on PNPSO and K-medoids[C]. Advances in Swarm Intelligence， Lecture Notes in Computer Science （LNCS）， 2010： 476-483.
[7] SHEKHAR S， SCHRATER P R， VATSAVAI R R， et al．Spatial contextual classification and prediction models for mining geospatial data[J]． IEEE Transactions on Multimedia， 2002， 4（2）：174-187.
[8] 汪闽，骆剑承，周成虎，等.结合高斯马尔可夫随机场纹理模型与支撑向量机在高分辨率遥感图像上提取道路网[J].遥感学报，2005，9（3）：271-275.
[9] 张自嘉，岳邦珊，潘琦，等.基于蚁群和自适应滤波的模糊聚类图像分割[J].电子技术应用，2015，41（4）：144-147.
[10] 石杰.云计算环境下的数据挖掘应用[J].微型机与应用，2015，34（5）：13-15.
来源 | AET电子技术应用