SQL备忘

-- 建表
create table score(
sc_name char(10),
-- 指定主键
id int primary key,
score int
);


-- 修改表结构:增加字段
alter table score add sc_rank char(1);


-- 修改表结构:删除字段
alter table score drop sc_rank;


-- 删除表
drop table score;


-- 插入数据
insert into score values('xiaoqiang',1,90);
insert into score values('wangcai',2,87);
insert into score values('zhangsan',3,95);
insert into score values('zhaoliu',6,88);
insert into score values('aabb',7,88);
insert into score values('ccdd',8,88);
insert into score values('wangwu',5,82);


-- 插入多条数据的方式二
insert into score values
('xiaoqiang',4,90),
('xiaoqiang',9,90),
('wangwu',13,82);


-- 更新数据
update score set score=85 where id=5;


-- 查询
select * from score;
select * from score order by id;
select * from score order by score;


-- 使用聚合函数
select min(score) as minv from score; 
select max(score) as maxv from score;
select avg(score) as avgv from score;
select count(score) as totalcount from score;
select sum(score) as totalsum from score;


-- 去重
select distinct(score) from score ;




-- 分页查找 
select * from score limit 7,3;
【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