数据库厂商的发展历史之DB2

1973年,IBM研究中心启动System R项目,为DB2的诞生打下良好基础。System R 是 IBM 研究部门开发的一种产品,这种原型语言促进了技术的发展并最终在1983年将DB2带到了商业市场。

在这期间,IBM发表了很多数据库领域的精典论文,前边E.F.Codd就不说了,1976年, 身在IBM的Gim Gray发有了他的代表作:共享数据库的一致性和锁的粒度。他同样也是数据库领域的图灵奖获得之一。后来被微软挖走(应该是在他退休之后),去年他独自一人出海,失踪,不知下落如何。此君因为不喜欢Seattle的雨天,使得Bill Gates为拉他入Microsoft在San Francisco为其新建了一座研究院让他做院长。据说此君在一次学术会议上demo他的新程序,听众中有人提出界面可以如何改进,此君竟然在讲坛上就打开VC++开始改起代码来,然后给人看新效果。这样的大师,太让人尊敬了。

1981年, E.F.Codd因为发明关系数据库模型,获得ACM图灵奖,当然他前边还有一位大师,Charles W.Bachman。

1982年,IBM发布SQL/DS for VSE and VM,以System R为原型。

1983年,发布Database2 (DB2) for MVS, 内部代号为"Eagle",于是DB2正式诞生。

1986年,System/38 V7发布,首次配置查询优化器,能对应用的存取计划进行优化。

1987年,DB2完成了到OS/2的扩展,进入微机领域。

1988年,发布SQL/400,为AS/400服务器提供SQL支持。到此时为止,感觉IBM的数据库产品的发展十分凌乱,似乎同时在做多个产品,平台又不统一。

1992年,IDUG大会在瑞士如开,DB2应用开始全球化。DB2for OS2 V1和DB2for RS/6000 V1推出,这是第一次在Intel和Unix平台上推出DB2产品。

1993年,郭士纳进入IBM,大刀改革。

1994年,DB2实现了HP unix和Solaris版本。实际上,还真不知道这两个平台上有多少用户。

也是在1994年,AIX平台上DB2开始支持对象型数据。

1995年,DB2开始支持Windows NT, Unix等多个平台。(标志性的一年?)

1995年,收购Lotus,晕,现在我们还在用Lotus的邮件系统。不好用,但是不容易中毒。

1996年,DB2正式更名为DB2通用数据库。

1997年,DB2UDB for Unix/windows/OS2同时发布

1998年,DB2开始支持SCO Unixware

1998年,DB2UDB5.2出现。(不知道以前的版本是怎么定义的,有些乱。。。)

1999年,DB2支持Linux on intel cpu

2000年,DB2支持XML扩展

2000年,进一步支持Linux集群

2002年,收购RationalSoft,从此, rose这个大炮工具被IBM弄走了

2002/2003,DB2V8.1出现

2007年,DB2V9出现,好像是第一个混合模式(关系型、层次型)数据库出现,既有关系模型,又有直接支持XML的层次模型。不知道是否属于叫好不叫座。

在这期间,忘了是哪一年,印象中,好像是2001/2002年的光景,IBM还收购了Informix,花了1个Billion$,那也是一家曾经响当当的数据库厂商。

本课题设计了一种利用Matlab平台开发的植物叶片健康状态识别方案,重点融合了色彩与纹理双重特征以实现对叶片病害的自动化判别。该系统构建了直观的图形操作界面,便于用户提交叶片影像并快速获得分析结论。Matlab作为具备高效数值计算与数据处理能力的工具,在图像分析与模式分类领域应用广泛,本项目正是借助其功能解决农业病害监测的实际问题。 在色彩特征分析方面,叶片影像的颜色分布常与其生理状态密切相关。通常,健康的叶片呈现绿色,而出现黄化、褐变等异常色彩往往指示病害或虫害的发生。Matlab提供了一系列图像处理函数,例如可通过色彩空间转换与直方图统计来量化颜色属性。通过计算各颜色通道的统计参数(如均值、标准差及主成分等),能够提取具有判别力的色彩特征,从而为不同病害类别的区分提供依据。 纹理特征则用于描述叶片表面的微观结构与形态变化,如病斑、皱缩或裂纹等。Matlab中的灰度共生矩阵计算函数可用于提取对比度、均匀性、相关性等纹理指标。此外,局部二值模式与Gabor滤波等方法也能从多尺度刻画纹理细节,进一步增强病害识别的鲁棒性。 系统的人机交互界面基于Matlab的图形用户界面开发环境实现。用户可通过该界面上传待检图像,系统将自动执行图像预处理、特征抽取与分类判断。采用的分类模型包括支持向量机、决策树等机器学习方法,通过对已标注样本的训练,模型能够依据新图像的特征向量预测其所属的病害类别。 此类课题设计有助于深化对Matlab编程、图像处理技术与模式识别原理的理解。通过完整实现从特征提取到分类决策的流程,学生能够将理论知识与实际应用相结合,提升解决复杂工程问题的能力。总体而言,该叶片病害检测系统涵盖了图像分析、特征融合、分类算法及界面开发等多个技术环节,为学习与掌握基于Matlab的智能检测技术提供了综合性实践案例。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
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