墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
800+累计阅读
875平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
第七章数据库设计
1.数据库设计定义
数据库设计是指对于一个给定的应用环境，构造（设计）优化的数据库逻辑模式和物理结构，并据此建立数据库及其应用系统，使之能够有效地存储和管理数据，满足各种用户的应用需求，包括信息管理要求和数据操作要求。
2.数据库设计步骤
需求分析（收集需求和理解需求）-->概念结构设计（建立概念模型 E-R图）-->逻辑结构设计（建立逻辑模式 “关系模式”）-->物理结构设计（建立物理模型）-->数据库实施-->数据库运行和维护阶段
3.E-R模型
E-R图来描述现实世界的概念模型；E-R图提供了实体型、属性和联系的方法；实体型用矩形来表示；属性用椭圆来表示；联系用菱形来表示。
两个实体型之间的联系有：一对一的联系；一对多的联系；多对多的联系。
数据库系统概述
数据库系统与设计第一章，数据库概论。主要包括四个方面的内容：（1）数据库系统概述；（2）：数据模型；（3）数据库系统的结构；（4）数据库系统的组成
Mind+实现添加用户自定义库
Mind+实现添加用户自定义库 mind+是一款很常用的图形化编程软件，简单易上手是它的特点，但是我们在使用的过程中时不时会面临不兼容的尴尬场景，本篇文章针对这个场景进行添加自定义数据库进行解决。 Mind+自定义用户库详细教程参考官网教程：https://mindplus.dfrobot.com.cn/extensions-user 以下是详细操作过程： 获取样板库 下载后解压得到一个文件夹，删除其中的mpext文件，修改文件夹名字为：ext-TM1637,英文数字或下划线，不要用中文和特殊符号 修改c
Python实战：用MOOTDX库轻松抓取股票分时数据并绘制专业图表（附完整代码）
本文详细介绍了如何使用Python的MOOTDX库获取股票分时数据，并通过Pandas进行数据清洗与VWAP计算，最后利用Matplotlib绘制包含价格线、均线和成交量的专业分时图。文章提供了从环境搭建、数据获取到可视化呈现的完整代码，帮助读者快速构建本地化的股票分时数据分析工具。
数据库系统原理与设计-第一章 数据库系统概述
一方面由于数据与应用程序之间的独立性使得数据的定义和描述可以从应用程序中分离出来另一方面由于数据的存取由DBMS管理，用户不必考虑存取路径等细节从而大大简化了应用程序的编制，也大大提高了应用程序的维护和修改的效率。
蓝牙钥匙 第48次 全面解析防中继攻击保护：从原理到防护技术实践
中继攻击已成为物联网安全领域的重要威胁，2023年全球相关损失达数十亿美元。本文深入分析中继攻击原理，揭示其通过转发设备延长通信距离而不破解加密的特点。重点探讨两种关键防护技术：基于距离测量的方法（包括UWB超宽带技术）可精确检测异常距离；基于时间戳的挑战-响应机制则通过严格时间窗口识别中继延迟。文章还提出多层次防护体系构想，结合AI异常检测和量子安全协议等前沿技术。研究显示，集成多种防护技术并遵循行业标准是应对中继攻击的有效途径，为物联网设备安全提供重要参考。
电压电流双闭环PFC单相PWM整流
电压电流双闭环PFC单相整流。仿真及代码
数据库系统概述（重点梳理版）
数据库系统概述，关键知识点梳理，含例题
嵌入式STM32控制电梯面板
嵌入式STM32控制电梯面板 用点阵来显示电梯向上还是向下运动，用数码管来显示楼层数（由于灯阵显示楼层数比较困难故用数码管代替）。当按下对应的按钮，就可以去到对应层数，可上升可下降。 #include "stm32f10x.h" #include "stm32f10x_exti.h" #include "stm32f10x_it.h" #define uint unsigned int #define KEY1 GPIO_ReadInputDataBit(GPIOA,GPIO_Pin_10) #define
物联网-人工智能实验
基于二哈实现多人人脸学习和识别 基于TinywebDB实现云数据库应用 基于EasyIoT实现mqtt数据上传。 连接二哈、掌控版等设备，调节好二哈的语言和版本号0.5.1Norm。（注意线头的连接在IIC的红线接“+”，黑线接“-”，蓝线接“C”和绿线接“D”） 让二哈学习多人人脸 将HuskyLens屏幕中央的“+”字对准需要学习的人脸，长按“学习按键”完成第一个人脸的学习（各个角度）。松开”学习按键“后，屏幕上会提示：”再按一次按键继续！按其他按键结束“。如要继续学习下一个人脸，则在倒计时结束
以太网传输硬件设计大全
1.网线的介绍RJ45由插头和插做组成，也就是我们常说的网口和网线。RJ45 网线插头又称水晶头，共有八芯做成。RJ45网络传输线分为直通线、交叉线和全反线。直通线用于异种网络设备之间的互连，例如，计算机与交换机。交叉线用于同种网络设备之间的互连，例如，计算机与计算机。全反线用于超级终端与网络设备的控制物理接口之间的连接。下面将介绍一下各线的作用和区别。1.直通线：又叫正线或标准线，两端采用568B做线标准，注意两端都是同样的线序且一一对应。直通线是应用最广泛，现在最常用的线。
告别复杂配置！5分钟在Vue/React项目中集成讯飞语音听写WebSocket API
本文详细介绍了如何在Vue/React项目中快速集成讯飞语音听写WebSocket API，实现高效语音识别功能。通过对比不同通信方案，突出WebSocket在实时语音交互中的优势，并提供框架适配、音频处理及性能优化等关键技术点，帮助开发者5分钟内完成专业级语音听写功能集成。
数据库系统设计概述
数据库系统设计概述世界上只有两种开发人员，一种使用数据库系统的，一种开发数据库系统的。数据是系统最重要的信息。大部分系统都是对数据的管理。应用系统通过数据模型来构建现实世界，通过算法操作对...
银行监管报送系统系列介绍（二十一）：银行监管报送系统总览
为保护法院案件当事人、利害关系人的合法权益，全面落实《最高人民法院、中国银行业监督管理委员会关于人民法院与银行业金融机构开展网络执行查控和联合信用惩戒工作的意见》（法【2014】266号），最高人民法院和银监会联合下发了《人民法院、银行业金融机构网络执行查控工作规范》（法【2015】321号），要求银行金融机构配合最高人民法院开展 “总对总”网络执行查控工作，并建立相应的业务系统，实现与法院的网络对接，协助法院完成对被执行人银行账户存款及其他金融资金的网络查询、冻结与扣划工作。
数据库系统概论——数据库设计概述
基于《数据库系统概论》和《数据库系统概念》，阐述了数据库设计的内容及其相关概念
PSO-BP和BP多输入多输出回归预测模型 matlab (多输入多输出)
PSO-BP和BP多输入多输出回归预测模型 matlab (多输入多输出)
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
Mysql数据库学习--数据库系统概述及设计过程
目录 1 数据库系统概述 1.1 数据库系统（DBS）组成 1.1.1 数据库（DB） 1.1.2 数据库管理系统（DBMS） 1.1.3 应用程序（APP） 1.1.4 数据库管理员（DBMA） 1.2 数据模型 1.3数据库系统（DBS）特点 1.4 数据库系统三级模式及二级映像 1.4.1 三级模式 1.4.2 二级映像 2 数据库系统设计过程 2.1 需求分析阶段 2.1.1 需求分析过程 2.1.2 数据字典 ...
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
笔记——数据库系统概述——数据库设计
数据库系统概述考研笔记
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
赵亮《数据库系统概论》
一、数据（Data） 数据是数据库中存储的基本对象。描述事物的符号记录称为数据。描述事物的符号可以是数字，也可以是文字、图形、图像、声音、语言等，数据有多种表现形式，它们都可以经过数字化后存入计算机。二、数据库（DataBase，简称DB） 数据库是长期储存在计算机内、有组织的、可共享的大量数据的集合。数据库数据具有永久存储、有组织和可共享三个基本特点。三、数据库管理系统（DataBase Management System，DBMS） 数据库管理系统的主要功能包括：数据定义功能：DBMS提供数据定义语言（
2万字长文，数据库系统设计概述
数据库系统设计概述世界上只有两种开发人员，一种使用数据库系统的，一种开发数据库系统的。数据是系统最重要的信息。大部分系统都是对数据的管理。应用系统通过数据模型来构建现实世界，通过算法操作...
第3章：【系统架构设计师】数据库技术
其中实体完整性和参照完整性是关系模型中必须满足的完整性约束条件，被称作关系的两个不变性。任何关系数据库系统都应该支持这两类完整性。除此之外，不同的关系数据库系统由于应用环境的不同，往往还需要一些特殊的约束条件，这就是用户自定义完整性。1.实体完整性实体完整性要求表中的所有行都有唯一的标识符，称为主键。实体完整性规则规定：基本关系的所有主关键字对应的主属性都不能取空值，且取值唯一。在关系模型中，主关键字作为唯一的标识，且不能为空值。2.参照完整性。
系分笔记数据库技术之概念、模式映像和数据库设计
本篇学习和记录了数据库技术相关知识点，划重点模式、映像和数据库设计。
数据库系统复习 知识点总结【数据库概念，关系数据库，数据库完整性定义，SQL简单操作概览，范式，数据依赖和公理系统，数据库设计概述，封锁并发，查询优化】
快要期末考试了，先把知识点总结一波！！！ 希望有收获的同学给博主点个关注，祝大家期末必胜
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1674
扫一扫
