PowerDesigner(九)-模型文档编辑器(生成项目文档)

【好物推荐】常用在线工具集锦 一、Web开发相关 阿里巴巴矢量图标库,在线图标下载 https://www.iconfont.cn/search/index Bootstrap可视化布局工具 https://www.bootcss.com/p/layoutit/ Markdown 编辑阅读器 https://www.zybuluo.com/mdeditor ; http://mahua.jser.me/ 在线格式化代码 https://tool.oschina.net/codeformat/html/ ; 阅读详情

  模型文档编辑器

  PowerDesigner的模型文档(Model  Report)是基于模型的,面向项目的概览文档,提供了灵活,丰富的模型文档编辑界面,实现了设计,修改和输出模型文档的全过程。

  模型文档的功能如下:

  • 为各个模型生成标准或定制的文档,并输出为RTF或HTML格式的文件
  • 利用文档模板编辑器为模型文档提供统一的,定制的模板,类似于Word的模板功能
  • 利用文档语言编辑器为模型文档提供各种语言,实现模型文档的国际化
  • 既可以为每个模型生成单模型文档,也可以为几个模型生成多模型文档

  文档模型编辑器包括:文档模板编辑器,文档编辑器,多模型文档编辑器和语言文档编辑器。

  文档模板编辑器

  (1)选择Report-Report Templates(或Tools-Resources-Report Templates)命令,打开List of Report Templates窗口(这些模板被安装在<PowerDesigner 15 安装目录>\Resources Files\Report Templates目录下)

  (2)双击Available Items(有效选项),选中选项会自动添加到右边的Template items(模板中所包含的选项)栏中,右击可以对其进行编辑。编辑完毕后,选择File-Save命令保存对系统提供模板所做的修改。

  (3)也可以自己新建文档模板。单击以上步骤(1)所示界面的New图标,打开Report Template Type窗口,可以定义模板名称,语言和类型,单击ok进入模板定义窗口,双击Available Items(有效选项)栏中的选项,选中的选项会自动添加到右边栏中,再对其进行编辑,保存即可。


  文档编辑器

  文档编辑器用来定义为单个模型生成文档的结构,文档结构表明了生成文档的内容。还可以将模型文档输出到打印机或RTF和HTML格式的文件中。下面描述CDM生成文档的过程。

  (1)在Workspace中打开CDM,选择Report-Reports命令,弹出如图9-1所示对话框。

图9-1

  (2)在List of Reports对话框中显示所有的文档,如果没有显示,也可以单击New Report图标,然后打开如图9-2所示的对话框。

图9-2

  (3)输入文档名称,选择文档语言及模板,单击OK,按选择的语言和模板进入模型文档编辑窗口,如图9-3所示。

图9-3

  (4)单击工具栏中的Print Preview图标,打开如图9-4所示的模型文档的预览窗口。

图9-4

  (5)也可以单击图9-3中的Print图标将模型文档输出到打印机,单击Generate RTF图标生成RTF格式文件,单击Generate HTML图标生成HTML文件。生成的RTF文件可以使用Microsoft Office Word打开编辑,如图9-5所示。

图9-5


  语言文档编辑器

  语言文档编辑器用于为各种文档提供语言资源文件,以供生成英语之外的其他语言形式的文档。语言资源文件时一种以.XRL作为后缀的XML格式的文件。

  使用步骤:

  (1)选择Tools-Resource-Report Languages,打开List of Report Languages窗口,选择一种语言作为文档编辑器的语言,单击工具栏中Properties,打开Report Language Properties窗口,设置文档中各个对象和标题属性。

  (2)应用语言文档编辑所定义的语言资源文件:选择Report-Report Properties,打开窗口,选择所需语言形式,单击Language下拉列表框右侧的Edit Report language按钮,打开Report Language Properties窗口,为文档定制语言资源文件,利用文档编辑器生成带有中文信息的文档打印预览。


  多模型文档(Mult-Model Report)编辑器

  多模型文件编辑器用于多个模型生成同一文档,以便于对所有模型进行全局浏览和分析。


  管理模型文档

 根据实际需要对文档各项内容进行定制,如:文档项,节点,项目,页面设置等。


  (Powerdesiger设计系统一般过程:系统需求分析和设计-创建CDM(建立实体,建立联系,定义域,定义业务规则,检查CDM的正确性,生成CDM模型文档,CDM转成PDM)-细化物理数据模型-PDM转成OOM)

powerDesigner工具 完整的powerdesigner工具包,自己安装使用没问题 立即下载

相关推荐

RK3566添加ffpeg【Buildroot系统】

有很多人都发现了RK3566系列的芯片是不可以直接使用ffmpeg官网源码的!会报错: Not a video capture device. /dev/video0: No such device 接下来我们就来解决这个问题!!

honmy18的博客 4073

Powerdesigner 在线打开 不用安装客户端 访问pdm,ldm文件

Powerdesigner 在线打开 不用安装客户端   点击在线打开pdm   也可以共享模型 其他小伙伴就无需安装客户端 直接在线网页可以进行查看访问

Felix的博客 3万+

Unity WebGL发布避坑指南:从内存设置到字体打包,一次搞定所有常见问题

本文详细解析Unity WebGL发布的完整流程,从内存设置到字体打包,提供全面的避坑指南。涵盖关键检查清单、内存与性能优化配置、资源处理专项优化及平台适配技巧,帮助开发者高效解决常见问题,确保项目顺利发布。

weixin_28693309的博客 148

PowerDesigner数据库设计与建模

适合人群:从事软件系统开发设计人员、高等院校计算机科学与技术、软件工程专业、信息系统专业师生参考课程目标:学习PowerDesigner中常用模型的建立方法和过程,并完成数据库分析建模的工作课程简介:本课程涵盖了 PowerDesigner技术的常用知识点,内容包括 PowerDesigner建模基础知识、业务处理模型、概念数据模型、物理数据模型以及逻辑数据模型、面向对象模型等内容。使读者进一步巩固所学的知识,提高综合实践能力。

十五天学会Autodesk Inventor,看完这一系列就够了(七),工程图纸

不管哪种绘图软件,二维或三维绘图,最终均需要转换成工程图纸,才能交给现场人员进行制作,这是任一产品图都要经历的过程。那本章开始,我们一起看一下Inventor是如何实现工程图纸?

Crazydoubao的博客 4916

【四足机器人项目实战】四足机器人运动学、动力学模型

系列文章目录 提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言一、四足机器人实际模型的物理难点二、四足机器人运动学模型1.方法一:DH法建立运动学模型(1)运动学建模构型方法(2)运动学模型描述方法1、基于DH法四足机器人单腿运动学模型公式推导(0)DH法科普1)原理2)实现过程3)评价(1)四足机器人的建模规则、坐标系定义及实物参数确定1)标准Denavit-Hartenberg法建模规则2)单腿运动学模型坐标系定义示意图及简化模型3)

qq_35635374的博客 1万+

PowerDesigner(九)-模型文档编辑器(生成项目文档)(转)

模型文档编辑器   PowerDesigner的模型文档(Model  Report)是基于模型的,面向项目的概览文档,提供了灵活,丰富的模型文档编辑界面,实现了设计,修改和输出模型文档的全过程。   模型文档的功能如下: 为各个模型生成标准或定制的文档,并输出为RTF或HTML格式的文件 利用文档模板编辑器为模型文档提供统一的,定制的模板,类似于Word的模板功能 利用文档语言编辑...

weixin_33890499的博客 125

地图之家总目录

地图之家总目录 cesium示例 leaflet示例

GIS之家家长 1万+

PowerDesigner 模型文档 说明

一. 模型文档说明 在前面几篇里介绍了PowerDesigner 的几种模型,如果我们项目里用到的模型较多,亦或者项目牵涉的部门很多,那么在这种情况下,就可以考虑生成一个模型文档,方便沟通。 模型文档作用: (1)    为各个模型生成标准或定制的文档,并输出为RTF或HTML格

David Dai -- Focus on Oracle 6570

YOLOv10改进 | 主干篇 | 引入FasterNet:Run, Don‘t Walk,追求更快的神经网络

本文引入了 FasterNet 作为 YOLOv10 的主干网络。通过 PConv 算子,我们有效降低了模型的计算冗余。对于追求极致推理速度的场景(如树莓派、Jetson Nano),该改进方案极具价值。建议在训练时配合混合精度训练 (AMP)进一步加速。

weixin_51988935的博客 605

【Python搞定车载自动化测试】——Python实现车载以太网DoIP刷写(含Python源码)

随着智能电动汽车行业的发展,汽车=智能终端+四个轮子,而人工智能也发展越来越快,Python语言使用越来越广,本章节主要介绍如何使用Python语言基于Pytest自动化框架来实现DoIP诊断自动化测试。首先回顾一下DoIP诊断基础知识:DoIP(Diagnosis over Internet Protocol)是一种用于车辆诊断的网络通信协议。它基于现代互联网技术,允许通过以太网或IP网络进行车辆诊断和通信。

测试领域技术分享 3798

PowerDesigner(八)-模型文档编辑器(生成项目文档)

PowerDesigner(八)-模型文档编辑器(生成项目文档)

Think Different 1090

05GATK流程和找变异

05GATK流程和找变异 GATK 集合了一套功能全面的高通量测序数据基因组分析工具包,算是业界的权威,更新的速度非常快。需要注意的是,不同版本的 GATK 在工具应用上会有些许不同。这里我们使用是最新版本 GATK 4.1.4.1(截止2019年12月31日)。 数据准备 前面我们提到了,走GATK流程需要到官网下载很多数据库文件,比如下面这些: dbsnp_146.hg38.vcf.gz dbsnp_146.hg38.vcf.gz.tbi Mills_and_1000G_gold_standard.

qq_23435961的博客 1663

九、模型文档编辑器(生成项目文档)

模型文档编辑器 PowerDesigner的模型文档(Model Report)是基于模型的,面向项目的概览文档,提供了灵活,丰富的模型文档编辑界面,实现了设计,修改和输出模型文档的全过程。 模型文档的功能如下: 为各个模型生成标准或定制的文档,并输出为RTF或HTML格式的文件 利用文档模板编辑器为模型文档提供统一的,定制的模板,类似于Word的模板功能 利...

weixin_30951743的博客 182

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

PowerDesigner实现文档生成

PowerDesigner

求知若渴,虚心若愚。 1372

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

上一篇: PowerDesigner(八)-面向对象模型(用例图,序列图,类图,生成Java源代码及Java源代码生成类图)
下一篇: Java教程(源码+PPT)
github_zwl
博客等级 码龄11年 300粉丝 171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