Overview of Dimensions【每日一译】--20121206

本文详细解释了维度在数据模型中的作用,包括如何定义等级关系、创建维度的语句及其参数,以及维度中列的来源。文章还讨论了维度在完全或部分规范化表中的应用,以及如何通过JOIN语句连接不同表来定义跨表的维度。
A dimension defines hierarchical (parent/child) relationships between pairs of
columns or column sets. Each value at the child level is associated with one and only
one value at the parent level. A hierarchical relationship is a functional dependency
from one level of a hierarchy to the next level in the hierarchy. A dimension is a
container of logical relationships between columns, and it does not have any data

storage assigned to it.

一个维度定义等级(父/子)关系在一对列或者列集合。在子级别的每个值与父级别的一个值

或者仅一个值相关联的。等级关系是一个功能性的依赖从一个等级级别到这个等级级别的下

一个级别。维度是一个在多列中逻辑关系的容器,并且它没有指定任何存储数据。

The CREATE DIMENSION statement specifies:
■ Multiple LEVEL clauses, each of which identifies a column or column set in the

dimension

One or more HIERARCHY clauses that specify the parent/child relationships
between adjacent levels
■ Optional ATTRIBUTE clauses, each of which identifies an additional column or
column set associated with an individual level

CREATE DIMENSION语句描述:

#多级别语句,每个级别确认一个列或者列的集合在维度里。

#可选的ATTRIBUTE语句,其中的每一个确定了一个可选的列或者与一个特殊级别相关的列

集合。

The columns in a dimension can come either from the same table (denormalized) or
from multiple tables (fully or partially normalized). To define a dimension over
columns from multiple tables, connect the tables using the JOIN clause of the
HIERARCHY clause.

在维度中的列可以来自同一个表(非格式化)或者是从多个表(完全或者部份格式化)。为了

从多表中通过多列定义一个维度,在分等级的语句中使用JOIN语句去连接多个表。

For example, a normalized time dimension can include a date table, a month table, and
a year table, with join conditions that connect each date row to a month row, and each
month row to a year row. In a fully denormalized time dimension, the date, month,
and year columns are all in the same table. Whether normalized or denormalized, the
hierarchical relationships among the columns need to be specified in the CREATE
DIMENSION statement.

比如,一个格式化的时间维度可以包含日期表,一个月表,和一个年表,通过JOIN条件它连接每个

数据行到一个月行,和每个月行到一个年行。在一个完全非格式化的时间维度,日期,月和年列全部

都在一同一个表。不论格式化或者是非格式化,在多列中的等待级关系需要在CREATE DIMENSION语句中

指定。

(Kriging_NSGA2)克里金模型结合多目标遗传算法求最优因变量及对应的最佳自变量组合研究(Matlab代码实现)内容概要:本文介绍了克里金模型(Kriging)与多目标遗传算法NSGA-II相结合的方法,用于求解最优因变量及其对应的最佳自变量组合,并提供了完整的Matlab代码实现。该方法首先利用克里金模型构建高精度的代理模型,逼近复杂的非线性系统响应,减少计算成本;随后结合NSGA-II算法进行多目标优化,搜索帕累托前沿解集,从而获得多个最优折衷方案。文中详细阐述了代理模型构建、算法集成流程及参数设置,适用于工程设计、参数反演等复杂优化问题。此外,文档还展示了该方法在SCI区论文中的复现应用,体现了其科学性与实用性。; 适合人群:具备定Matlab编程基础,熟悉优化算法和数值建模的研究生、科研人员及工程技术人员,尤其适合从事仿真优化、实验设计、代理模型研究的相关领域工作者。; 使用场景及目标:①解决高计算成本的多目标优化问题,通过代理模型降低仿真次数;②在无法解析求导或函数高度非线性的情况下寻找最优变量组合;③复现SCI高水平论文中的优化方法,提升科研可信度与效率;④应用于工程设计、能源系统调度、智能制造等需参数优化的实际场景。; 阅读建议:建议读者结合提供的Matlab代码逐段理解算法实现过程,重点关注克里金模型的构建步骤与NSGA-II的集成方式,建议自行调整测试函数或实际案例验证算法性能,并配合YALMIP等工具包扩展优化求解能力。
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