数据库范式

回想一下,数据库已经学过两三年左右了,期间虽然也会断断续续的使用不同的数据库系统,但具体用的时候都直接通过是否冗余直接对设计的结果进行判断了,所以对数据库范式的具体规定似乎忘的差不多了,正好借着这两天有空重新复习了一下。

 

  • 1NF: 数据库表中的字段都是单一属性的,不可再分。单一属性由基本类型构成,包括整形、实数、字符型、逻辑性、日期型等。例如电话的字段就有可能不符合1NF,因为每个人可能拥有一个以上的电话记录,如家庭电话、办公电话等等。
  • 2NF: 在符合1NF的基础上,没有部分主键功能决定其他属性的现象,也就是说主键之外的其他属性都完全功能依赖于主键。如关系(学号,姓名,年龄,课程名称,成绩,学分)中,主键为(学号,课程名称),而课程名称->学分,所以该关系不满足2NF。
  • 3NF: 在第二范式的基础上,数据表中如果不存在非关键字段对任意候选关键字段的传递依赖,则符合3NF。例如满足3NF的数据库表不应该存在如下关系:关键字段->非关键字段->非关键字段。 如关系(学号,姓名,学院,学院地点)中,学号为主键,其中存在学号->学院->学院地点,因而其不满足3NF。
  • BCNF: 符合3NF的基础上,不存在非主键属性决定部分主键的情况。例如关系(A,B,C,D,E)中,A、B为复合主键,如果存在C->B,则该关系不满足BCNF。
内容概要:本书《Deep Reinforcement Learning with Guaranteed Performance》探讨了基于李雅普诺夫方法的深度强化学习及其在非线性系统最优控制中的应用。书中提出了一种近似最优自适应控制方法,结合泰勒展开、神经网络、估计器设计及滑模控制思想,解决了不同场景下的跟踪控制问题。该方法不仅保证了性能指标的渐近收敛,还确保了跟踪误差的渐近收敛至零。此外,书中还涉及了执行器饱和、冗余解析等问题,并提出了新的冗余解析方法,验证了所提方法的有效性和优越性。 适合人群:研究生及以上学历的研究人员,特别是从事自适应/最优控制、机器人学和动态神经网络领域的学术界和工业界研究人员。 使用场景及目标:①研究非线性系统的最优控制问题,特别是在存在输入约束和系统动力学的情况下;②解决带有参数不确定性的线性和非线性系统的跟踪控制问题;③探索基于李雅普诺夫方法的深度强化学习在非线性系统控制中的应用;④设计和验证针对冗余机械臂的新型冗余解析方法。 其他说明:本书分为七章,每章内容相对独立,便于读者理解。书中不仅提供了理论分析,还通过实际应用(如欠驱动船舶、冗余机械臂)验证了所提方法的有效性。此外,作者鼓励读者通过仿真和实验进一步验证书中提出的理论和技术。
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