sql 时间

SQL 标量函数-----日期函数 day() 、month()、year()
select day(createtime) from life_unite_product     --取时间字段的天值


select month(createtime) from life_unite_product   --取时间字段的月值


select year(createtime) from life_unite_product    --取时间字段的年值


 


select datepart(yy,createtime) from life_unite_product     --取时间字段的年值


select datepart(qq,createtime) from life_unite_product     --取时间字段的季度值


select datepart(mm,createtime) from life_unite_product     --取时间字段的月值


select datepart(dy,createtime) from life_unite_product     --取时间字段是那年的第几天


select datepart(dd,createtime) from life_unite_product     --取时间字段的天值


select datepart(wk,createtime) from life_unite_product       --取时间字段是那年的第几个星期


select datepart(dw,createtime) from life_unite_product       --取时间字段是那年的那个星期的第几个工作日(工作日从星期日开算)


select datepart(hh,createtime) from life_unite_product     --取时间字段的小时值


select datepart(mi,createtime) from life_unite_product     --取时间字段的分钟值


select datepart(ss,createtime) from life_unite_product     --取时间字段的秒值


select datepart(ms,createtime) from life_unite_product     --取时间字段的毫秒值


 


select dateadd(yy,-1,createtime) from life_unite_product   ----取时间字段(年份被减1了)


select dateadd(mm,3,createtime) from life_unite_product   ----取时间字段(月份被加3了)


select dateadd(dd,1,createtime) from life_unite_product   ----取时间字段(日被加1了)


 


select DATEDIFF(yy,createtime,getdate()) from life_unite_product --与当前日期的年份差


select DATEDIFF(mm,createtime,getdate()) from life_unite_product --与当前日期的月份差


select DATEDIFF(dd,createtime,getdate()) from life_unite_product --与当前日期的日数差


select DATEDIFF(mi,createtime,getdate()) from life_unite_product --与当前日期的分钟数差


SELECT senddate FROM weixin_senduserarr


select datename(yy,GETDATE())   --取时间字段的年值


select datename(mm,GETDATE())   --取时间字段的月值


select datename(dd,GETDATE())   --取时间字段的天值
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值