上一篇文章中介绍过数据库模型共有四种：关系模型，ER模型，基于对象的数据模型，半结构化模型。这四种模型中，最为常用和流行的就是关系模型，SQL语言所支持的数据库产品就基于关系模型。关系模型利用表的集合来表示数据和数据之间的关系。



关系数据库的结构

关系数据库由表（table）的集合构成，每张表有自己唯一的名字，每张表有很多行和列。在关系模型中，定义了专业的术语来表示上述概念，用“关系”（relation）来指代表，而用“元组”（tuple）来指代行，用“属性”（attribute）来指代表中的列。类似地，采用了关系实例（relation instance）这个名词来表示一个关系的特定实例，也就是所包含的一组特定的行。当下面涉及到以上名词时，我们将采用“关系”，“元组”来做解释，而舍弃了容易让人混淆的”表”、”行”这些名词。



元组与属性是顺序无关的

由于关系是元组的集合，所以元组在关系中出现的顺序是无关紧要的。因此，无论关系中的元组是被按照某种情况被排列出先后的还是无序的都是没关系的。属性是表示关系中的元组取值的标识，属性在关系中颠倒位置，只会影响元组存放数值的先后，而不会改变实际的内容。所以，和元组相同，在关系中属性出现的顺序是无关紧要的。 

在某些数据库中存放值时需要按照属性的顺序存放内容，这种方式更加便捷灵活，但实际上关系数据库并没有对属性的顺序做任何要求。



域是原子的

对于关系的每个属性，都存在一个允许的取值集合，称为该属性的”域“（domain）。换言之，域的作用类似于值域，限定了一个变量取值的范围。比如我们将age的域设置为0至150，薪水的域设置为>0，这是比较合理的做法。我们要求对所有关系R而言，R的所有属性的域都是原子的。如果域中元素被看作是不可再分的单元，则域是原子的。 

举个例子，比如一张User表中，一个元组的phone_number属性中存放了多组联系电话号码，那么这个域就不再是原子的，因为其中的元素是一组 电话号码，是可以被再分为单个电话号码这样的子成分。 
当域中的值被确定时，它就能且仅能是一个确定值，而不能是多个值。比如0至100中的任意一个整数，当取出其中一个整数50时，我们认为这个域是原子的，值为50。但如果我们将{50，99}存放其中，想表示这个元组的该属性值可取50或99时便违反了域的原子性。



空值的特殊性

”空值“（null）是一个特殊的值，null可以用来表示为”未知，不存在“。在数据库中，一个boolean类型的判断属性除了true或false还可以取null值，表示我们不清楚它的真假性。这是一种三值判断的做法，让数据具有更多的灵活性。但是在数据库的操作中，空值会给查询和更新带来很多困难，因此应该尽量避免使用空值。



关系数据库的模式

当我们谈论数据库的时候，必须先区分数据库模式（database schema）和数据库实例（database instance）前者是数据库的逻辑设计，后者是给定时刻中数据库的一个快照。

这样说起来可能有些难以理解，简单的说，schema（数据库模式）类似代表着数据库中一张表的表头栏，也就是所有属性的集合。而instance（数据库实例）表示着这个时刻这张表中的某一个元组，之所以强调时间是因为在每个时间点可能表中数据有变化。

码/键

因为表具有集合的特性，所以在一张表中每个元组都是独一无二的。我们使用每一个元组的一些属性来表示他们的不同。这也就是说，一个元组的属性必须是能唯一区分元组的。



超码

超码是一个或多个属性的集合，这些属性的组合可以使我们在一个关系中唯一的标识一个元组。比如一个User的表中，我们可以使用ID_card（身份证号码）这个信息来标识这个元组。在整张表中不可能存在另一个元组与该元组ID_card属性数值相同的情况。超码不是唯一的，只要可以用来唯一的表示出这个元组的属性的集合都可以是该元组的一个超码。



候选码

超码有很多，但我们并不对所有的超码都感兴趣。有的时候，我们只对其中最能表示出这个元组特性的属性集感兴趣。所以，我们用候选码这个名词来表示最小的超码。



主码/主键

主码表示设计数据库的设计者选中的，用来在一个关系中区分不同元组的超码。主码并没有严格的规定，主码的选取很大程度上收到设计者思路的影响。



外码/外键

一个关系r1可能在它的属性中包含了另一个关系r2的主码。这个时候，在r1中这个r2主码的属性被称作外码。关系r1也称为外码依赖的参照关系，关系r2称为外码的被参照关系。

注：本文章从网上摘录，并做了相应的修改。
         第一次接触工作流系统，可能会对一些基本的术语和名词有误解。如流程实例，流程模版，流程版本等，以及这些名词之间的关系，需要有一个学习和理解的过程。这些名词和术语也是工作流系统中的通用名词，通过学习和理解后，会对这些术语和名词有一个共同的认识和理解。
如下面的词语
工作流引擎：抽象的业务流程设计模型，负责业务流程的定义，解释和运转。
工作流模版：用工作流引擎的基本概念和路由过程表示出一个业务办理过程，这个过程通常是用xml格式的文件来记录的，这个xml文件，就是工作流模版，也可以说是流程模版。
工作流名称：就是工作流模版文件的名称。也可以叫流程名称。
工作流版本：工作流模版的版本，也可以叫流程版本。在工作流系统中，对工作流模版有个版本管理，新建一个工作流模版时候，它的工作流模版是.1。当再次做修改的时候，可以选择创建新的版本，如.2。
        因为一旦业务流程模版投入使用了，有了运行的流程实例了，再次对业务流程做的修改，就需要更新到新的版本中，原来的流程版本还需要存在，原来的流程定义信息，按版本仍然能查询到。新的修改在新的版本中。
     流程名称＋流程版本 是唯一标识一个业务流程的。
工作流建模：利用流程设计器将业务处理过程用工作流的节点方式表示出来，就是工作流建模，也可以说是流程建模。
工作流节点：是工作流引擎的设计基本节点，一个节点表示一个业务处理过程，在流程设计器中，会有相应的表示方式。
流程实例：按照工作流模版定义的处理过程启动运行的业务处理过程，即流程实例。利用建立好的业务流程模版，可以多次启动流程实例，一个流程实例即一个业务处理过程。如请假审批的流程，张三填写他的请假单，启动一个审批流程实例。李四也填写一个自己的清单单，也是启动了一条流程实例。
流程实例id：每条启动的流程实例，在工作流引擎中，都会对应一个流程实例id，来唯一标识这条流程实例。

业务数据：流程中每个节点上处理的业务记录等。通常流程数据和业务数据是有关联的。
流程设计器：利用工作流引擎的设计基本节点和概念给业务流程建模的可视化编辑工具，就是流程设计器。
当前步骤：流程实例未结束前，正运行到的当前节点，为当前步骤。
历史步骤：流程实例运行完成的节点，都认为是历史步骤。
流程实例运行轨迹：每条流程实例在工作流模版的节点上运行的轨迹。
流程实例监控：监控每个流程实例在各个节点的运行情况。
任务：每条流程实例在运行到流程的各个节点时，会产生一些待执行的任务信息。有任务名称，描述，和参与人，完成人等任务的基本信息。通过任务链接到待处理的业务过程。
任务参与人：任务信息的参与人，能够查看到任务的相关人。
任务执行人：可执行任务的操作人。

任务工单：任务派发下来的工单。
线形流程(串行路由)：业务建模中，节点按顺序一个一个的往后串联的方式。
分合流(并行路由)：业务建模中，节点并行的方式往后链接。

分支：业务建模中，平行分支的节点路由方式。
合并：业务建模中，将平行分支的节点路由再合并起来的路由方式。
子流程：为一个独立的业务流程，嵌入到主流程中。

这里只是列出一些常用的工作流系统中的术语，不体现流程引擎的设计基本概念。
特别是流程模版，流程实例，业务数据这之间的关联和区别：
流程模版，是将业务处理过程用工作流引擎的支持的方式表示出来的一个模版文件。
流程实例，按照工作流模版定义的处理过程启动并运行的业务处理过程，通常对应一条主业务数据。

* 树突：生物神经元的一个分支，在细胞的不同部分之间传递信息，树突通常负责细胞输入的功能，尽管很多树突也有输出的功能，在ANN中神经元输入模拟树突
    * 确定性模型：一个数学模型，它能假定对象之间的准确的关系，给定一个输入数据集，确定性模型决定了他的输出也是完全确定的
    * 离散数据：只能取有限个不同的数据，离散数据通常是数字
    * 析取：逻辑OR操作符
    * 领域专家：在这个领域有突出能力和经验的人
    * EMYCIN：20世纪70年代后期在斯坦福大学开发的一个专家系统，除了传染性血液病的知识他拥有MYCIN的所有特质。EMYCIN用来开发诊断专家系统
    * 终端用户：user
    * 周期：在训练中，把整个训练集输入给ANN的过程
    * 误差：在监督学习的ANN中，实际输出和预期输入之间的差
    * 欧几里得距离：空中两点之间的最短距离
    * 进化：一个活的生物获得区别于其他生物的特征和一系列的基因变化
    * 进化策略：与蒙特卡洛搜索类似的数值优先过程，与遗传算法不一样，进化策略只能使用突变操作，并不要区域以编码的方式来描述一个问题，当没有任何可用的分析对象函数，也没有传统的优化方法，进化策略用来解决技术优化问题
    * 穷举搜索：一种问题解决技术，测试每一种可能的方法，直到找到一种可能的解
    * 专家：在某个领域有渊博的知识和丰富的经验的人
    * 专家系统：在较小的领域里能够以人类专家水平执行的计算机程序，有五个组成部分：知识库，数据库，推理引擎，解释工具和用户界面
    * 专家系统框架：去除知识的骨架专家系统
    * 解释工具：专家系统的一个基本组成部分，有助于用户查询专家系统是如何得到某个结论以及为什么要特定的事实来得到结论
    * 片面：为框架的属性提供知识扩展的一个方法，片面用来建立属性值，控制用户查询，并告知推理引擎如何处属性
    * 事实：具有正确或错误的属性的语句
    * 反馈神经网络：ANN的一种拓扑它的神经元带有从输出到输入的反馈回路。
    * 前馈神经网络：ANN的一种拓扑，它的某一层的神经元和下一层的神经元链接在一起，输入信号是一层一层的向前传递，前馈神经网络的一个例子是多层感知器
    * 字段：数据库中为某个属性分配的空间
    * 激发规则：执行产生式规则的过程，或者更准确的说，就是当IF部分是真的时候，执行THEN部分
    * 适应性：活的生物体在特殊环境中生存和繁殖的能力，也就是一个与染色体相关的值，它把一个响度度量赋给染色体
    * 适应性函数：一个用来计算染色体的适应性的数学函数
    * 前项链接：一种推理技术，推理从已知的数据库开始，向前进行处理，把数据库中的事实和规则库中的产生式规则进行匹配，知道没有新的规则被激发为止。
    * 模糊化：模糊推理中的第一步，把清晰的输入映射到确定每个输入属于适合模糊集的程度的过程
    * 模糊专家系统：使用模糊逻辑的推理过程，模糊推理包括四个步骤：输入变量的模糊化，规则评估，规则的聚合以及你模糊化
    * 模糊逻辑:用来秒速那些u能简单的用二进制的术语真和假来描述的情况和逻辑系统。它用来处理局部真的概念
    * 模糊规则：下列形式的条件语句 IF x is A THEN y is B，其中x和y是语言变量，A和B是由模糊集决定的语言变量
    * 模糊集：有模糊辩解的集合，如高，矮，胖，瘦
    * 模糊单态模式：一种具有隶属函数的模糊集，在论域中的某一个点函数值为1，在其他情况下为零
    * 模糊变量：能取语言值的量，如模糊变量”温度“有冷，热
    * 基因：染色体的一个基本单元，它控制着活的生物体的某个特征的发展
    * 通用问题解决方案：早期人工智能系统，它试着模拟人解决问题的方法，通用问题解决方案首先是试图把问题的剞劂技术与数据分开，然而，程序是基于通用搜索机制的，该方法现在被认为是弱方法，它御用了问题域中的弱信息。这导致在解决现实实际中的问题时程序性能低下
    * 代：遗传算法的一次迭代
    * 泛化：ANN利用没有训练的数据产生正确结果的能力
    * 遗传算法：受达尔文进化理论启发得到的一种进化计算，遗传算法产生许多可能用染色体编码的解决方案，估计他们的适应性，同事应用遗传操作穿件新的种群，在许多代中重复这个过程，遗传算法为剞劂问题提供了合适的解决方案
    * 遗传变成：遗传算法在计算机程序中应用，当程序设计语言允许程序像数据一样被操纵以及新产生的数据像程序一样被执行的时候，遗传编程最容易实现。这也是LISP座位遗传编程最主要的语言的原因之一
    * 全局最小化：所有输入的参数在其整个范围内的最小函数值，在训练中，ANN的权重会进行调整以寻找误差函数的全局最小值
    * 全局最优化：在整个搜索空间寻找最佳的值
    * 目标：专家系统视图证明的一个假设
    * 目标驱动推理：向后链接
    * 限幅激活函数：用阶跃函数和符号函数表示的一种激活函数
    * Hebb法则：该学习法则在20实际40年代之后提出，它提出如果神经元i和神经元j足够近，并且不断激活神经元j，那么两个神经元之间的突触就会加强。神经元j对于j的刺激就会特别敏感。这个法则为无监督学习奠定了基础
    * Hebbian学习：把一堆神经元之间突触权重的变化与产生输入和输出的信号变脸起来的无监督学习
    * 模糊限制语：可以修改模糊集形状的模糊集术语，他们通过减少模糊元素的成员程度的集中，通过增加模糊元素成员程度来扩张
    * 启发式：一种能应用于服装问题的策略，它通常能得出正确的解决方案，从多年的经验总结中得出启发式经常用来判断将服装的问题简化为简单的操作，启发式经常被表达为经验法则
    * 启发式搜索，应用启发式来知道推理，从而减少搜索空间的搜索技术
    * 隐含层：介于输入层和输出层之间的神经元层，之所以叫”隐含“，是因为这一层中的神经元不能通过神经网络的输入输出来观察到。没有明显的方法可以知道御寒曾的语气输出应该是什么
    * 隐含神经元：隐含层中的神经元
    * hopfield网络：单层反馈神经网络，每个神经呀unde输出反馈给其他的所有神经元的输入。该网络试图模拟相关记忆的特征
    * 呼喝系统：至少结合了两种职能技术的系统
    * 假设：有待证明的语句，也指专家系统中使用向后链接的目标
    * 个体：种群中单个成员
    * 归纳推理：从特俗到一般的推理
    * 推理链：指出专家系统如何应用规则库中的规则来得到结论的一系列步骤
    * 推理引擎：专家系统的一个基本组成部分，它执行推理，有此专家系统得到解决方案。推理引擎将规则库中的规则和数据库中的事实匹配起来
    * 推理技术：在专家系统中推理引擎用来直接搜索和推理的技术，它只要有两种技术：向前链接和向后链接
    * 继承：类框架的所有特征有实例框架接受的过程，继承是基于框架系统的一个基本特征。继承的常规用法是把默认的属性强加到所有的实例框架上
    * 初始化：训练算法的第一步，设置权重金和阈值的初始值
    * 输入神经元：输入层中的神经元
    * 实例：类的一个具体对象
    * 实例框架：表示实例的框架
    * 实例化：把特定的值分配给一个变量的过程
    * 智能：为解决问题和制定决策而学习和理解的能力，如果一个机器在某些认知的任务中能够达到人的水平，就认为她是智能的
    * 解释器：见推理引擎
    * 交：两个集合中的交包含两个集合的所有共有元素
    * is-a：在基于框架的专家系统中。把超类和子类关联在一起的一个弧。
    * 知识：对于某个主题在理论上或时间上的理解，知识帮助我们做出正式的决定
    * 知识获取：获取，研究和组织知识的过程，因此它可以基于知识的系统中
    * 知识工程师：设计，构建并且测试基于知识的系统的人，知识工程师从领域专家那里获得知识，然后建立推理方法和选择开发软件
    * 知识工程：建立基于知识的系统的过程，包括六个步骤：评估问题，获取数据和知识，开发原型系统，开发完整系统，评估并修改系统，整合和维护系统
    * 知识表达：组织知识把它存入知识的系统的过程。在人工智能中，产生式规则是知识表达最常用的类型
    * kohonen自组织特性映射：由一个有两个额链接单层计算神经元组成，这两个链接是从输入层的神经元到输出层的神经元的前向连接以及输出层的神经元之间链接的横向连接。横向连接用来在神经元之间产生竞争。神经元通过可以把它的权重从非活动链接变成活动链接来学习。只有获胜的神经元和它临近的神经元可以学习
    * 层：有特殊功能，并且是作为一个整体处理的一组神经元
    * 叶：决策树中最底端的节点，它没有孩子
    * 学习：为了达到网络的某些预期行为而进行权重调整的过程。
    * 学习速度：小于单位1的正数，它控制ANN从一次迭代到下一次的权重的变化量，学习速度直接影响网络中的训练的速度
    * 学习规则：在训练ANN时，修改权重的过程
    * 线性激活函数：产生的输出和神经元的净输入相等的激活函数，具有线性激活函数的神经元一般用在线性近似中
    * 语言变量：有语言元素值的变量
    * 语言值：模糊变量能够接受的语言元素
    * 局部最小化：输入参数在其优先的取值范围内最小函数值。如果是在训练中遇到局部最小化，将永远不会达到ANN的预期行为。去除局部最小化的常用方法就是利用随机权重并继续训练
    * 机器学习：使计算机能够通过经验，例子，和类比进行学习的自适应机制，学习能力可以改善智能系统的性能，机器学习是自适应系统的基础，机器学习最常见的方法是人工神经网络和遗传算法
    * 修改数据：应用于ANN输入层之前修改数据的过程
    * McCulloch and Pitts神经元模型：1943年提出，至今还是大多数人工神经网络的基础，这个模型就是由一个限幅器后跟一个线性组合器组成，净输入被应用于限幅器，当输入为正的时输出就是1，当输入为负，输出就是-1
    * 隶属函数：在论域中定义模糊集的数学函数
    * 成员值：隶属程度
    * 元知识：关于知识的只是，元知识是在专家系统中使用和控制领域知识的知识
    * 元规则：描述元知识的规则，元规则决定了在专家系统中使用特殊任务规则的策略
    * 方法：方法是和框架属性相关的过程，方法决定属性值火在属性值发生变化时执行一系列的动作。大多数基于框架的专家系统有两种方法：WHEN CHANGE 和WHEN NEEDED
    * 要素常数：delta规则中小于单位1 的证书，要素之用加快了在多层感知器中的学习速度，有助于避免遇到局部最小化
    * 多层感知器:ANN 中最普通的拓扑，器中感知器被连接起来成为单独的层，多层感知器有输入层，至少一个隐含层以及数尺层，操作多层感知器，最常用的方法是向后传送
    * 多重继承：一个对象或者框架能够从多重超类中继承信息的能力
    * 突变：随机改变染色体中的基因值的遗传操作
    * 突变改了：揭示在单个基因中发生突变可能性的0-1之间的数值
    * MYCIN：20实际70年代提出的，用来诊断传染性血液疾病的一个典型的基于规则的专家系统。这个系统使用确定因子来管理和医学诊断知识有关的不确定性
    * 自然选择：适应性最强的个体进行配对和繁殖的机会更大，从而把他们的遗传物质传递给下一代的过程
    * 神经计算：模拟人脑的计算方法，它依靠链接大量简单的处理器来产生复杂的行为。神经计算能够在专用的硬件或者使用成为人工神经网络的软件上实现，人工神经网络在传统计算机上模拟人脑的结构和功能
    * 神经网络：把处理元素链接在一起的形成网络的系统，生物学神经网的基本和本质的特征是学习能力，人工神经网络业有这种能力，他们没有被编程，但是可以通过重复调整权重来学习
    * 神经元：能够处理信息的细胞
    * 节点：决策树上的一个决策点
    * 噪音：影响传输信号的一个随机外部干扰
    * NOT：表示语句的一个反面的逻辑操作
    * 对象：一个概念，抽象或者事物，能够被单独选择和操作，并且他对于问题而言是有意义的，所有的对象都有特征，可以被清晰的区分开。在面向对象的编程中，对象是一个自包含的实体，它包括十句和处理数据的过程
    * 面向对象编程：把对象作为分析，设计和实现的基础的一种编程方法
    * 操作数据库：用于企业日常操作的数据库，操作数据库中的数据会进行有规律的更新
    * OSP：起源于LISP，用于开发基于规则的专家系统的一种高级编程语言
    * 优化：利用特殊的对象函数来迭代改进问题解决方案的过程
    * OR：一个逻辑操作符，当运算在产生式规则中时，它意味着如果和OR连在一起的任何一个前项为真的话，那么规则的后项也为真
    * 过拟合：ANN能记住所有训练的例子但是不能进行推广的现象。如果隐含神经元的数量太大，就会发生过拟合，防止过拟合的可行办法就是选择能产生最佳推广的隐含神经元的最小数量
    * 过训练：又称过拟合
    * 输出层：ANN中神经元的最后一层，输出层产生整个网络的输出模式
    * 并行处理：同时处理多个任务的计算技术，人脑就是并行信息处理系统的一个例子。它在整个生物神经网络中同时存储和处理信息。
    * 亲代：能够产生一个或者多个个人的个体
    * 父节点：在决策树种，父节点就是把他的数据分离到该树的下一层节点的节点，父节点包含整个数据集，而子节点只包含整个数据集的子集
    * 模式识别：计算机可以识别的视频或者音频模式，模式识别包括把模式转化为数字信号，然后把这些数字信号与存储在内存中的模式进行比较。人工神经网络成功应用于模式识别，特别是声音和特征的识别，雷达目标的辨别和遥控领域更为常用
    * 感知器：最简单的神经网络形式，感知器的操作基于McCulloch和Pitts的神经模型。它由一个带有调整突触权重的神经元和一个限幅器做组成
    * 性能：适应性的统计评估
    * 性能图：揭示整个种群的平均性能和种群中最优秀的个体经过指定代数后性能的图
    * 像素：图片元素，图像中的一个点
    * 种群：在一起生活的一群个体
    * 前提：同前项
    * 概率：某个时间可能发生的定量描述，概率在数学上定义为一个在0和1之间的数
    * 过程：计算机代码中包含的一段代码
    * 产生式：认知心理学家用来描述规则的常用术语
    * 产生式规则：IF-THEN形式的语句
    * PROLOG：70年代开始的一个高级编程语言，它是逻辑编程的可行工具，也是人工智能的流行语言
    * 查询工具：允许用户创建并向数据库提出特定的问题的软件
    * 推理：得出结论或观察结果，事实或假设进行推导的过程
    * 记录：参见数据记录
    * 循环网络：参见反馈网络
    * 繁殖:亲代创建子代的过程
    * 根：参见根节点
    * 根节点：决策树最顶端的节点，树总是从根节点开始向下生长，在每一层分割数据以产生新的节点。
    * 轮 盘选择：从种群中选择一个个体作为亲代，其概率等于它的适应性除以种群总的适应性的方法
    * 规则：参见产生式规则
    * 规则库：包含一组产生式规则的知识库
    * 基于规则的专家系统：其知识库包含一系列产生式规则的专家系统
    * 规则评估：模糊推理的第二步，把模糊的输入应用于模糊规则的前项，以及决定每个规则的前项的真值的过程，如果给定的规则有多个前项，则使用模糊操作来得到一个数值，该数值代表前项评估的结果
    * 经验法则：表达启发式的规则
    * 缩放：把模糊规则的后项和前项规则的真值联系在一起的方法，它是基于规则后项的初识成员函数乘以规则前项的真值来调整出初始成员函数的，缩放用来保存模糊集的原始状态
    * 搜索：通过检查解决问题的一系列可能的解决方案来找出可以接受的解决方案的过程
    * 搜索空间：给定问题的所有可能性的解决方案
    * 自组织学习：参见无监督学习
    * 语义网络：通过一个带标记的节点和弧构成的图来表达知识的方法
    * 集：元素的集合
    * 集合论：对对象的类或者集合的研究。
    * 模式：计划是包含0，1和星号的位串，其中星号表示0或者1
    * 模式定理：下一代中给定的模式的实例的数量与这一代的模式的适应性以及染色体的平均适应性关联系来的理论。这个理论表表，高于平均适应性的模式容易在下一代频繁发生
    * 选择：根据适应性来选择用于繁殖的亲代的过程
    * 灵敏度分析：确定模型的输出对于某个输入的敏感程度的技术，该技术可以用来理解不透明的模型的内部关系，因此可以应用在神经网咯中，通过将每个输入设置成最小值，然后再设置成最大值，并且测量网络的输出来执行灵敏度分析
    * 框架：参见专家系统框架
    * S型激活函数：把一个在正无穷大和负无穷大之间的任意输入转变为0-1之间的一个合理值的激活函数，有这个功能的神经元被用在多层神经网络中
    * 符号激活函数：如果输入是正的，那么它的输出是+1，如果输出是负的，那么输出的结果是-1的一个限幅激活函数
    * 单态模式：参见模糊单态模式
    * 槽：基于框架系统的一个框架组成部分，它描述框架的某个属性
    * 细胞：生物神经元的体
    * 阶跃激活函数：如果输入是正的，那么输出是+1，如果输出是负的，那么输出是-1的一个限幅函数
    * 有监督学习：需要一个能够提供一系列训练例子给ANN进行训练的类型，每个例子都包含着输入模式和预期输出模式。这个网络决定了实际的输出，并且把它与训练例子的预期输出进行比较，如果网络得到的输出和训练的的例子中的输出不一样，那么网络就修改权重，监督学习的最常用的方法是向后传送
    * 适者生存：只有适应性最强的个体才能够生存下来，并且把它们的基因传给下一代的理论
    * 符号：描述一些对象的字符或者字符串
    * 符号理论：用符号来推理
    * 突触权重：参见值
    * 终端节点：参见叶子
    * 测试集：用来测试一个ANN的推广能力的数据集，测试数据集是严格独立于训练集的，它包括在网络中从来没有过的一些例子。一旦训练完成，数据集马上用来证明网络
    * 阈值：在神经元的输出产生之前必须超出的特定的值。例如如果净值小于阈值，那么神经元的输出是-1，如果净值大于或者等于阈值，那么神经元被激活，输出为+1
    * 极限值：见阈值
    * 拓扑：神经网络的一个结构，指神经网络的层数，每一层神经元的个数以及神经元之间的链接
    * 玩具问题：人造问题，如游戏。也指一个复杂问题的不现实采用
    * 训练：参见学习
    * 训练集：用于训练ANN的数据集
    * 传递函数：参见激活函数
    * 真值：一般而言，术语真值和成员值是同义词，真值反应模糊语句中的真实性
    * 图灵测试：用于决定一个机器是否能够通过智能行为的测试，图灵把计算机的智能行为定义为在某个认知任务中能够达到人类水平的能力，在测试过程中，某人通过神经介质来询问某人或者某物，当提问者不能把机器和人区分开的时候，那么就认为这个机器通过了图灵测试
    * 并：在经典集合理论中，两个集合的并由属于两个集合的所有元素组成
    * 论域：应用到所给变量中的所有可能值的范围
    * 无监督学习：不需要额外教师的一种学习类型，在学习中，ANN接收一些不同的输入模式，发展这些模式中的重要特征，并学会怎样把输入数据放入到合适的类中。参见自组织学习
    * 用户：使用基于知识系统的人
    * 用户界面：用户与机器之间的交流方式
    * 可视化：参见数据可视化
    * 权重：在ANN中与两个神经元的链接有关的值，这个值决定了连接的强度，揭示了一个神经元有多少输出被传送给另一个神经元的输入，参见突触权重
    * WHEN CHANGE方法：在基于框架的专家系统中，与框架的槽有关的过程。当新的信息被放入槽中，WHEN CHANGE方法被执行
    * WHEN NEEDED方法：在基于框架的专家系统中，与框架的槽有关的过程，当解决问题需要信息的时候，WHEN NEDDED方法能被执行，但是槽的值不会被被指定
    *

常用数据模型
1.常见模型
1.1层次模型
1.1.1概述
1.1.2层次模型的数据操作与完整性约束
1.1.3层次模型的优缺点
1.2网状模型
1.2.1网状模型的数据操作与完整性约束
1.2.2网状模型优缺点
1.3关系模型
1.3.1关系模型中的一些术语
1.3.2关系模型与二维表的比较
1.3.3关系模型的数据操作与完整性约束
1.3.4 关系模型的优缺点

1.常见模型


这两个数据模型的数据结构比较复杂,数据定义语言,操作语言趋程序化,到关系模型出现后,就被关系模型所替代






1.1层次模型
1.1.1概述


示例:



特点:



具体示例:





如果要查找孟勇首先要从系开始 ,一层层地进去.
1.1.2层次模型的数据操作与完整性约束


其实结合一下之前学的数据结构就很好理解.
1.1.3层次模型的优缺点

1.2网状模型

1.2.1网状模型的数据操作与完整性约束





1.2.2网状模型优缺点



1.3关系模型
在用户观点下,关系模型中数据的逻辑结构是一张二维表



1.3.1关系模型中的一些术语



关系必须是规范化的:




1.3.2关系模型与二维表的比较

1.3.3关系模型的数据操作与完整性约束



1.3.4 关系模型的优缺点