38、基于UML的实时对象统一设计方法与行为研究

基于UML的实时对象统一设计方法与行为研究

1. 类与属性设计

在软件开发中,具有引用属性的类(如地址类)通用性稍弱,但它能将有用信息收集到一个独特的信息类中,以支持特定应用。引用属性是逻辑上的,表明信息与当前类的关联较为松散。在实现层面,如果不需要这种复杂性,引用属性可以临时转换为实际属性,这样就会回到更经典的数据库模式。但在逻辑层面,通用类可以在其他上下文中实现复用。在处理数据库系统时,为了真正把握所有数据类和属性的细微差别,可以将系统分解为最基本的类,然后重新构建信息类。

2. 中间类和应用类模型

中间类模型(ICM)和应用类模型(ACM)属于应用模型。ICM 起到微架构包的作用,可以直接导入或合并到由 ACM 定义的应用中。以建筑规划为例,建筑师首先制作包含各种基本建筑元素(如门、水龙头、壁炉等)的单独规划,这相当于通用类模型(GCM)级别。之后,将建筑组件组装成完整的空间布局(如不同类型的浴室、房间布局等),这对应 ICM 级别。在最终的 ACM 级别,可以用 ICM 级别的组件(必要时也会用到 GCM 级别)来描述整个建筑布局。

从没有特定区域特性的地址类,可以派生出适用于不同国家的地址类,如美国的 AddressUS 类、加拿大的 AddressCA 类、法国的 AddressFR 类等,并将它们放在 ICM 包中。为每个地址类定义的操作旨在验证该国的数据输入,且不同国家的算法会有所不同。大致来说,GCM 可视为所有应用通用,ICM 适用于一组应用,而 ACM 则针对特定应用。

3. 实时应用与数据库应用的统一

3.1 传统开发策略差异

实时系统开发者和数据库开发者传统上采用

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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