OLAP建模巅峰之旅

22、OLAP 建模:从逻辑到物理的完整实现 本文详细介绍了OLAP建模从逻辑到物理的完整实现过程,涵盖添加维度到模式、定义立方体与度量、建立键约束,以及构建基于关系星型模式的物理模型。通过Java代码示例和流程图,展示了如何使用CWM元模型进行多维数据建模,为数据分析和商业智能系统提供结构化支持。 阅读详情

—— 数据挖掘经典案例

 

当前,市场竞争异常激烈,各商家企业为了能在竞争中占据优势,费劲心思。使用过OLAP技术的企业都知道,OLAP技术能给企业带来新的生机和活力。OLAP技术把企业大量的数据变成了客户需要的信息,把这些信息变成了价值,提高了企业的产值和效益,增强了客户自身的竞争实力。

“啤酒与尿布”的故事家喻户晓,在IT界里,几乎是数据挖掘的代名词,那么各商家企业受了多少启发,数据挖掘又给他们带来了多少价值呢?

客户需求

    客户面对大量的信息,用OLAP进行多维分析。如:一个网上书店,用OLAP技术可以浏览到什么时间,那个类别的客户买了多少书等信息,如果想动态的获得深层次的信息,比如:哪些书籍可以打包推荐,哪些书籍可以在销售中关联推出等等,就要用到数据挖掘技术了。

当客户在使用OLAP技术进行数据的多维分析的时候,联想到“啤酒与尿布”的故事,客户不禁会有疑问,能不能通过数据挖掘来对数据进行深层次的分析呢,能不能将数据挖掘和OLAP结合起来进行分析呢?

SQL Server 2005 数据挖掘:

SQL Server 2005的Data Mining是SQL Server2005分析服务(Analysis Services)中的一部分。数据挖掘通常被称为“从大型数据库提取有效、可信和可行信息的过程”。换言之,数据挖掘派生数据中存在的模式和趋势。这些模式和趋势可以被收集在一起并定义为挖掘模型。挖掘模型可以应用于特定的业务方案,例如:预测销售额、向特定客户发送邮件、确定可能需要搭售的产品、查找客户将产品放入购物车的顺序序列。

Microsoft 决策树算法、Microsoft Naive Bayes 算法、Microsoft 聚类分析算法、Microsoft 神经网络算法 (SSAS),可以预测离散属性,例如,预测目标邮件活动的收件人是否会购买某个产品。

Microsoft 决策树算法、Microsoft 时序算法可以预测连续属性,预测连续属性,例如,预测下一年的销量。

Microsoft 顺序分析和聚类分析算法预测顺序,例如,执行公司网站的点击流分析。

Microsoft 关联算法、Microsoft 决策树算法查找交易中的常见项的组,例如,使用市场篮分析来建议客户购买其他产品。

Microsoft 聚类分析算法、Microsoft 顺序分析和聚类分析算法,查找相似项的组,例如,将人口统计数据分割为组以便更好地理解属性之间的关系。

巅峰之旅之案例一:网上书店关联销售

提出问题

网上书店现在有了很强的市场和比较固定的大量的客户。为了促进网上书店的销售量的增长,各网上书店采取了各种方式,给客户提供更多更丰富的书籍,提供更优质服务,等方式吸引更多的读者。

是不是这样就够了呢?这里,给众多网上书店的商家们提供一种非常好的促进销售量增长,吸引读者的方法,就是关联销售分析。这种方法就是给客户提供其他的相关书籍,也就是在客户购买了一种书籍之后,推荐给客户其他的相关的书籍。这种措施的运用给他们带来了可观的效益。

首先必须明确的是,这里介绍的关联销售并不是,根据网上书店的销售记录进行的比例统计,也区别于简单的概率分析统计,是用的关联规则算法。“啤酒和尿布”的故事足以证明了该算法的强大功能和产生的震撼效果。

那么,怎么来实现这样一个效果呢?

解决步骤

首先,我们有数据源,也就是销售记录。这里我们做数据挖掘模型,要用到两张表,一张表是我们的会员,用会员ID号来代替;另一张表是我们那个会员买了什么书。表结构是这样的:

1111111111

Dreamweaver UltraDev 网页编程不求人

2222222221

笑傲江湖之东方不败(2VCD)                                                                         

2222222221

侠客行(20VCD)                                                                                     

3333333331

爱德华大夫(2VCD)                                                                                 

……

            ……

1111111111

2222222221

3333333331

4444444441

……

 

 

 

 

 

 

表1:User                                  表2:Sales

我们应用SQL Server 2005的Data Mining工具,建立数据挖掘模型。

具体步骤如下:

第一步:定义数据源。选取的为网上书店的销售记录数据源(最主要的是User表和Sales表)。

第二步:定义数据源视图。在此我们要建立好数据挖掘中事例表和嵌套表,并定义两者之间的关系,定义User为事例表(Case Table),Sales为嵌套表(Nested Table)。

第三步:选取Microsoft Association Rules(关联规则)算法,建立挖掘模型,如图2所示。

        图2

第四步、设置算法参数,部署挖掘模型。

第五步、浏览察看挖掘模型。对于关联规则算法来说,三个查看的选项卡。

A:项集:“项集”选项卡显示被模型识别为经常发现一起出现的项集的列表。在这里指的是经过关联规则算法处理后,发现关联在一起的书籍的集合。

B:规则:“规则”选项卡显示关联算法发现的规则。“规则”选项卡包含一个具有以下列的网格:“概率”、“重要性”和“规则”。概率说明出现规则结果的可能性。重要性用于度量规则的用途。尽管规则出现的概率可能很高,但规则自身的用途可能并不重要。重要性列就是说明这一情况的。例如,如果每个项集都包含属性的某个特定状态,那么,即使概率非常高,预测状态的规则也并不重要。重要性越高,规则越重要。

C:关联网络:节点间的箭头代表项之间有关联。箭头的方向表示按照算法发现的规则确定的项之间的关联。(如图3所示)

 

图3

效果展示

1、我们可以看到在上图中,绿色的是我们选择的节点,橙色的是可以预测所选节点的节点,也就是说如果消费者买了《月光宝盒(2VCD)》的话,那么我们可以给该消费者推荐《乱世佳人(上集,2VCD)》。紫色的是和所选节点能够双向预测的,即买了《大圣娶亲》,推荐《乱世佳人(上集,2VCD)》;同样,买了《乱世佳人(上集,2VCD)》,推荐《大圣娶亲》。这样我们就很容易看到经过关联算法计算出来的书籍之间的关联性。如图3所示效果。

2、我们也可以通过写DMX语句来实现预测查询。

SELECT

            PredictAssociation([User].[Sales],include_statistics,10)

From

            [User]

NATURAL PREDICTION JOIN

(SELECT (SELECT '月光宝盒(2VCD)' AS [Book Name]) AS [Sales]) AS t

    得到的结果集为:

Book Name

$SUPPORT

$PROBABILITY

$ADJUSTEDPROBABILITY

大圣娶亲(2VCD)

1317

0.87038556193601313

0.808528777744521

大内密探零零发(2VCD)

171

0.036915504511894993

0.70703986292265841

九品芝麻官(2VCD)

146

0.036095159967186222

0.72088234353047576

千王之王2000(2VCD)

156

0.031173092698933553

0.69897383219632625

百变金刚(2VCD)

150

0.031173092698933553

0.70308386697860481

唐伯虎点秋香(2VCD)

106

0.026251025430680888

0.72105472823528116

97家有喜事(2VCD)

104

0.021328958162428219

0.70169949360837691

武状元苏乞儿(2VCD)

89

0.021328958162428219

0.71774047845428846

情圣(2VCD)

50

0.010664479081214109

0.70578797816779937

龙的传人(2VCD)

34

0.0090237899917965554

0.72796424163686613

表3:数据挖掘预测结果集Result

Book Name就是书籍的名字,$SUPPORT是在我们的结果集众,出现《月光宝盒(2VCD)》之后,又购买《大圣娶亲(2VCD)》的次数是1317,$PROBABILITY是出现的相关性强度,$ADJUSTEDPROBABILITY是修正后的相关性强度。这样,我们就可以按照挖掘信息,给客户推荐相关的书籍了。

巅峰之旅之案例二:客户类别销售分析

这个案例的前提是我们已经建立好了一个OLAP的多维数据库Sales,事实表为FactInternetSales,有 五个维度,分别是DimCurrency,DimCustomer,DimProduct,DimTime,DimPromotion。(多维数据库的结构如图4所示)

 

图4

提出问题

利用OLAP建立的多维数据库Sales,我们可以实现多角度的浏览和分析。例如:我们可以分析2004年第一季度的M生产线产品的销售量情况,还可以实现灵活的交叉分析,等等。但是,如果我们要分析,某个维度的多个属性的综合的销售量,例如:客户维度里有Birth Date、English Education、House Owner Flag、Number Cars Owned、Yearly Income等属性,在多维数据库里面分析的时候,

我们可以把客户维度的Number Cars Owned属性放在展示区域的行上,把度量值Order Quantity放在列上,查看拥有0-4辆汽车的客户的订购所有产品的数量。同样,我们也可以类似的查看其他属性的情况。但是,如果我们要把客户维度的某些属性综合考虑来分类,例如:我们要把高收入、高学历、高消费的客户作为一个群体,把高收入,低学历、高消费的客户作为一个群体,等等,然后,基于这些群体来浏览分析,销售情况,如何来实现呢?

解决步骤

用过聚类算法的大概比较清楚,聚类算法,是用来给事物分类的。那么怎么用聚类算法的这个特性,和OLAP进行正和呢。请看下面这个案例:

第一步:建立挖掘模型。这里需要注意的是:以前我们在建立数据挖掘模型的时候是基于关系型数据源。

A:而在这里,我们要基于多维数据库Sales,选取维度DimCustomer为数据挖掘模型的数据源。

B:按照向导,选取事例键Dim Customer,

C:在选取事例级别列对话框里面,选择一些属性和度量值,我们这里选取English Education、House Owner Flag、Number Cars Owned、Yearly Income、Sales Amount。如图5所示。

D:在完成对话框里面,我们输入挖掘结构名称CustomerSturcture,输入挖掘模型名称CustomerClustering。必须注意的是,一是一定要选择创建挖掘模型维度,输入挖掘模型维度的名称CustomerClustering;二是一定要选择使用挖掘模型维度创建多维数据集Sales_DM。

E:设置算法参数。

然后对创建的挖掘结构和挖掘模型进行处理。

 

图5

此时,共享维度里面会自动添加了一个CustomerClustering维度,也就是数据挖掘维度。

第二步:处理CustomerClustering维度。

第三步:处理多维数据集Salse_DM。

处理后的多维数据集Sales_DM,就包含了数据挖掘维度CustomerClustering。这样,我们就可以把经过聚类算法分类后的客户维度,来进行多维数据分析。如图6所示。

 

图6

效果展示

这些Cluster是我们用聚类算法建立的挖掘模型的维度成员,每个Cluster都是我们所选属性的一个综合的结果,但是代表着一个明显的特征。我们还可以在数据挖掘模型里面,对各个Cluster进行名称的标示,如Cluster 1是高收入高消费高学历的群体,我们就可以给他命名,把所有的Cluster都命名为能代表本身特性的名称,这样,使得多为数据库的信息就更丰富了。

总结

在激烈的市场竞争中,要想把海量的数据转化为信息,提高自身的信息化建设水平,增强企业的核心竞争力,BI技术是您明智的选择。应用OLAP技术建立多维数据库,进行多维分析,并把数据挖掘算法应用于多维数据库中,会进一步增加信息量,让您掌握更多的市场先机。祝您成功!

大数据领域OLAP的动态数据建模 想象你是一家奶茶店老板,刚开始只需要记录"每天卖了多少杯奶茶"(简单指标)。后来你想知道"草莓味和巧克力味哪个卖得好"(增加"口味"维度),再后来想分析"周末和工作日的销量差异"(增加"时间"维度),现在又想加上"外卖和到店消费的占比"(增加"渠道"维度)。如果每次加维度都要停业3天改系统(传统静态建模),顾客早就跑光了!动态数据建模的目的,就是让数据模型能像"变形金刚"一样,在不中断业务的情况下,灵活应对新维度、新指标、新业务场景的"突然袭击"。 阅读详情

相关推荐

模型算力需求估算

(Billion Parameters,简称B)和训练/推理的计算任务复杂度,结合硬件计算能力(例如每秒浮点运算次数,FLOPS)来估算。以下是详细的方法和公式说明,以及实际的计算示例。算力需求的估算依赖于参数量、模型架构及硬件性能,结合训练/推理场景的特定要求来计算。通过上述公式和示例,我们可以定量分析不同任务的算力需求,并合理配置硬件资源以优化运行效率。结论:推理任务相对较轻,单台H100可以在30秒内完成此任务。推理算力需求一般远低于训练,因为只需要执行前向传播。,可以将训练时间缩短到约。

形上得其象,形下合于数;阴阳自济,玄理自明。 8963

OLAP之全过程介绍(ETL过程)

经过多年来企业信息化建设,大部分都拥有了自己的财务,OA,CRM 等软件。这些系统都有自己的独立数据库,记录着企业运行情况某个方面的数据。但是单独看这些系统的报表,并不一定能对企业运行情况有全面客观的了解。就像只凭身高不能判断一个人是否健康,所以体检的时候我们需要化验许多指标,做各种检测,就是为了对身体情况有更全面的了解,作出更准确的判断。     同样对一个企业,不能仅根据

lhy55040817的专栏 3396

FDTD远场分析实战:从monitor数据到3D远场可视化的完整流程

本文详细介绍了FDTD远场分析的完整流程,从monitor采集的近场数据出发,通过近场-远场变换(NFFFT)生成3D远场可视化结果。文章重点解析了远场转换的物理原理、关键参数设置,并提供了构建稳健数据处理流水线及高级可视化(如3D辐射方向图)的实战脚本与技巧,适用于天线设计与光学器件分析。

weixin_29063035的博客 230

★ OLAP建模的一般过程

使用Aosu易博通,一分钱不花,实现网文自动摘抄, 博客写作方便又快捷,和您现在看到的一样 !自主嵌入Google广告,还能赚取

shibs的专栏 2491

Windows音效增强设置详解:从系统开关到专业EQ调音

声音信号在Windows系统中需要经过混音器、声卡驱动与APO效果器等多层处理链路,最终才到达耳机或音箱。系统自带的响度均衡、低音增强、虚拟环绕等音频增强选项,本质上是对动态范围和频响的干预,理解其原理才能避免盲目开启导致声音发闷或失真。空间音效与采样率的正确配置,可减少SRC重采样带来的音质损失,而Win11的音频增强开关和通信设置也常被忽视。无论是板载声卡还是USB解码耳放,合理利用系统增强和Equalizer APO等工具,都能显著改善听感体验。本文结合场景给出设置建议,帮助用户告别声音浑浊,获得干净

weixin_31155097的博客 414

性能测试软件(LR12) 具体汉化(中文)方法

LoadRunner 12 的下载及安装详细过程请参考:https://blog.youkuaiyun.com/xiao66guo/article/details/105465854 1、在LoadRunner文件中找到 Setup.exe 可执行文件,并以管理员的身份运行: C盘 —> Temp—>HP LoadRunner 12.02 Community Edition—> D...

多谢大人光临寒舍,请随便看看,喝口茶吧 ☕️☕️☕️ 1993

OLAP项目的一般过程

摘要: 按照时间顺序编写商业智能开发过程中可能遇到的各个阶段;各个阶段可能遇到的问题,如何注意这些问题。 u 需求阶段: 1. 需求阶段习惯上也就是客户提出要求的阶段,这个阶段原则上我们应该积极主动与客户联系,听取他们的需求。他们对数据仓库的了解没有那么深刻,但是提出的问题却是很现实的他们解决不了的,需要我们协助解决的问题。 2. 需求阶段是重要的一个环节,跟一般的软件需...

weixin_33935777的博客 217

手把手教你逆向京东搜索接口:H5ST 556位参数生成与V8补环境技巧

本文深入解析了京东搜索接口中关键的H5ST 556位参数生成机制,并提供了详细的逆向实战指南。针对其复杂的反爬虫环境检测,文章重点介绍了通过链式补环境技巧,在Node.js中完整模拟浏览器环境(包括原型链检测和指纹验证)的方法,帮助开发者成功绕过防护并生成有效参数。

weixin_29315091的博客 486

OLAP 数据分析系统实现方案

什么是OLAP 数据处理大致可以分成两大类:联机事务处理OLTP(on-line transaction processing)、联机分析处理OLAP(On-Line Analytical Processing); OLTP是传统的关系型数据库的主要应用,主要是基本的、日常的事务处理,例如银行交易。通俗的讲,就是对数据的增删改查等操作。 OLAP是数据仓库系统的主要应用,支持复杂...

BoRoBoRoMe的专栏 2394

51单片机智能小车

最近学校举办了一个智能小车比赛,比赛内容为用手机蓝牙控制小车拥有5个功能,分别是超声波舵机避障,测距(显示在LCD1602上), 红外跟随,循迹还有蓝牙控制小车前进后退左转又转以及停止。 文章目录 蓝牙控制所有功能 一、蓝牙控制前进后退左转右转停止 二、舵机超声波避障加测距 三、红外跟随 四、循迹 五、代码部分 六、完整代码 前言 基于51单片机的智能小车是比较基础的小车,很适合初学者学习 提示:以下是本篇文章正文内容,下面案例可供参考 一、整体思路 这款小...

m0_55977420的博客 1万+

规控面试常见问题

规划控制算法常见问题。

每天进步一点点。 984

OLAP系统建模方法

OLAP系统建模方法:典型的数据仓库建模方法有ER模型、维度模型、Data Value、Anchor

docsz的博客 2685

20、自定义用户窗体:从创建到使用

本文详细介绍了在Excel VBA中创建和使用自定义用户窗体的完整过程,涵盖从窗体设计、控件添加与属性设置,到事件处理程序编写及宏调用的各个环节。通过实际示例讲解了如何实现文本大小写转换和员工信息录入等功能,并深入解析了常用控件的属性与事件机制。同时提供了控件命名规范、快捷键使用、布局技巧等实用建议,帮助读者构建高效、交互性强的VBA用户界面。

h0i1j2k3l的博客 133

大数据新视界 --大数据大厂之 Kylin 多维分析引擎实战:构建数据立方体

本文深入介绍 Apache Kylin 多维分析引擎,涵盖其核心概念、与其他技术比较、应用策略、数据立方体构建过程、挑战与解决方案等。通过丰富的案例和代码示例,展示 Kylin 在电商、金融等领域的应用,为大数据分析提供高效解决方案。

【青云交】华为云云享专家 | 阿里云开发者社区专家博主 技术圈个人影响力前 9 | 博客之星 TOP12 优快云 首位四榜(原力榜 / 作者周榜 / 领军人物 / 综合热榜)榜首,破平台纪录! 苏州地区全榜霸榜,感恩全网十多万粉丝同行! 3618

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

说一说有哪些类型的OLAP数仓?

1.按数据量划分 对一件事物或一个东西基于不同角度,可以进行多种分类方式。对数仓产品也一样。偏实时的分析型数仓,Cloudera的Impala、Facebook的Presto和Pivotal的GreenPlum均属于这类系统;如果超过百亿级别数据量,那么一般选择离线数仓,如使用Hive或Spark等(SparkSQL3.0看起来性能提升很明显);对于数据量很小的情况,虽然是分析类应用,也可以直接选择普通的关系型数据库,比如MySQL等,“杀鸡焉用牛刀”。 2.按建模类型划分 下面我们主要关注数据量中等的分析

GabrielCP的博客 1042

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

OLTP关系建模和OLAP维度建模

OLTP联机事务系统:用于处理关系型数据库,日常事务处理等 联机事务系统遵循三范式。 第一范式:所有属性都是不可分割的基本数据项。 第二范式:在1NF的基础上,各个非主属性完全依赖候选码。 第三范式:在2NF的基础上,各个非主属性对主属性既没有传递依赖有没有部分函数依赖。 第一范式到第二范式解决部分函数依赖。 第二范式到第三范式解决传递函数依赖。 ...

mys_35088的博客 1015

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

OLAP三种基本实现结构

 1)基于多维数据库的OLAP 存储结构(MOLAP)2)基于关系数据库的OLAP 存储结构(ROLAP)3)混合型的OLAP存储结构(HOLAP)MOLAP-通过基于数组的多维存储引擎,将数据映射到数据立方体数组结构中,实现数据的多维视图。这种技术的优点是数据的快速索引,缺点是数据集是稀疏的,存储利用率低。ROLAP-以关系数据库为核心,以关系型结构进行多维数据的表示和存储。OL

newhappy的专栏 5297

hadoop核心组件_大数据技术入门1 hadoop核心组件

hadoop核心组件Social media usage is one of the most popular online activities. Safe to say you use at least a social media platform, be it Facebook, Instagram, Twitter, Snapchat, WhatsApp, Tiktok; the lis...

weixin_26745985的博客 947

第三篇:数据仓库系统的实现与使用(含OLAP重点讲解)

阅读目录 前言 创建数据仓库 ETL:抽取、转换、加载 OLAP/BI工具 数据立方体(Data Cube) OLAP的架构模式 小结 回到顶部 前言 上一篇重点讲解了数据仓库建模,它是数据仓库开发中最核心的部分。然而完整的数据仓库系统还会涉及其他一些组件的开发,其中最主要的是ETL工程,在线分析处理工具(OLAP)和商务智能(BI)应用等。 本文将对这些方面做一个总体性的介绍(尤其是OLAP),旨在让读者对数据仓库的认识提升到一个全局性的高度。 回到顶...

534

数仓 -OLAP OLTP 建模方法

OLAP OLTP对定义 以及常见的模型

m0_61059815的博客 564

浅谈OLTP 与 OLAP 数据建模的差异

与:常见工作流(OLAP) 和联机事务处理 (OLTP) 是两种主要的数据处理系统。两者之间存在多种差异。OLTP 系统旨在处理来自多个用户的多个事务,它们通常用于许多应用程序的后端。例如,在线商务网站将使用 OLTP 系统来收集和显示用户/商品信息。当用户登录时,客户端会从 OLTP 系统获取用户的数据以显示在前端。当用户购买某件商品时,OLTP 系统中的订单表将添加一行。当商家更改其某件商品的信息时,新信息将在后端的商品表中更新。因此,这些系统针对每次对少量行执行。

派可数据的博客 1563

OLAP(总):Impala/Druid/Presto/Kylin/Clickhouse/Greenplum等对比

本文系统梳理了OLAP技术体系,从基础概念、核心分类到主流引擎对比进行全面解析。首先区分OLAP与OLTP的本质差异,阐明OLAP面向分析决策的技术特性。其次详细划分MOLAP、ROLAP等存储模型及MPP等架构类型,剖析列式存储的优势原理。重点对比了Kylin、Druid、Impala、Presto等7种引擎的架构特点、性能表现和适用场景,包括查询延迟、SQL支持、实时能力等核心指标。最后提出多维选型框架,建议根据业务查询类型、数据规模、实时性需求等因素选择最优方案,强调混合架构的互补价值。为大数据分析场

. 2万+

一文弄懂什么是大数据中的OLAP

本文来说下什么是大数据中的OLAP 文章目录什么是OLAP 什么是OLAP OLAP(OnLine Analytical Processing),即联机分析处理。OLAP对业务数据执行多维分析,并提供复杂计算,趋势分析和复杂数据建模的能力。它主要用于支持企业决策管理分析,是许多商务智能(BI)应用程序背后的技术。 OLAP使最终用户可以对多个维度的数据进行即席分析,从而获取他们所需知识,以便更好地制定决策。OLAP技术已被定义为实现“快速访问共享的多维信息”的能力。 ...

wh柒八九的博客 3723

从零开始:用CogPMAlignTool实现工业视觉中的高精度轮廓匹配(附完整C#代码)

本文详细解析了如何利用CogPMAlignTool在工业视觉中实现高精度轮廓匹配,涵盖从基础配置到高级应用的完整流程。通过C#代码示例和实战技巧,帮助开发者掌握亚像素级匹配技术,提升电子元件装配、精密零件检测等场景的定位精度和稳定性。特别适合机器视觉工程师和工业自动化开发者参考。

h3i4j的博客 941

解决DC-DC输出为三角锯齿波问题

使用MPS的MP2565芯片,电源输入:24V, 输出12V 1A和5V 1A,根据手册上推荐的走线和参数进行PCB投板,焊接回来后上电听到明显电感线圈的“滋滋”噪声,用示波器交流模式测量输出电压,是个三角锯齿波,峰峰值有2V左右,明显达不到设计要求。电路原理图如下:查看该波形感觉是DC-DC有自激嫌疑。用示波器测量SW引脚,发现输出波形是高频振荡一会后,被迅速关断,然后又重启振荡,经过电感滤...

BlairFee的博客 1万+

【Hadoop生态圈】7.离线OLAP引擎Hive入门教程

Hive是由Facebook开源的一款数据分析工具,主要用来进行数据提取,转换和加载(ETL)。Hive数据存储是基于Hadoop中的HDFS,它没有自己的存储系统,也没有专门的数据存储格式,它最大的魅力在于用户只需要专注于编写SQL,Hive帮用户把SQL转换为MapReduce程序完成对数据的分析。Hive自动将用户编写的SQL转换为MapReduce程序,处理位于HDFS上的结构化数据。Hive软件本身承担的是HQL语法解析编译称为MapReduce的功能职责。Hive优点:简易性。

皓亮君的博客 1320
上一篇: SqlServer2000 模拟 rownumber() 函数
下一篇: 12招jQuery常用技巧
esocket
博客等级 码龄19年 1粉丝 4原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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