精华内容
下载资源
问答
  • 关系,一关系,多关系的简单理解

    专业术语的讲解太难懂,直接举例子。

    一对一关系:一个人只有一个身份证号,一个身份证号只对应一个人。  人:身份证号=1:1

    一对多关系:一个工厂里有许多员工,一个员工只能在一个工厂上班。 工厂:员工=1:N  (注意工厂才是1)

    多对多关系:一个学生可以选多门课程,一个课程下有多名学生。 学生:课程=M:N

    A和B的关系要两个方向的看,只有一个方向,不能确定是什么关系。

    展开全文
  • 一 、形状特征 ...③许多形状特征仅描述了目标局部的性质,要全面描述目标常计算时间和存储量有较高的要求;④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致,或者说,特征空间的相似性

    一 、形状特征

    (一)特点

    各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索,但它们也有一些共同的问题,包括:①目前基于形状的检索方法还缺乏比较完善的数学模型;②如果目标有变形时检索结果往往不太可靠;③许多形状特征仅描述了目标局部的性质,要全面描述目标常对计算时间和存储量有较高的要求;④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致,或者说,特征空间的相似性与人视觉系统感受到的相似性有差别。另外,从2-D图像中表现的3-D物体实际上只是物体在空间某一平面的投影,从2-D图像中反映出来的形状常不是3-D物体真实的形状,由于视点的变化,可能会产生各种失真。

    (二)常用的特征提取与匹配方法

    1.几种典型的形状特征描述方法

    通常情况下,形状特征有两类表示方法,一类是轮廓特征,另一类是区域特征。图像的轮廓特征主要针对物体的外边界,而图像的区域特征则关系到整个形状区域。
    几种典型的形状特征描述方法:

    (1)边界特征法

    边界特征法通过对边界特征的描述来获取图像的形状参数。其中Hough变换检测平行直线方法边界方向直方图方法是经典方法。Hough变换(http://blog.csdn.net/h532600610/article/details/52983490)是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法,其基本思想是点—线的对偶性;边界方向直方图法首先微分图像求得图像边缘,然后,做出关于边缘大小和方向的直方图,通常的方法是构造图像灰度梯度方向矩阵。

    (2)傅里叶形状描述符法

    傅里叶形状描述符(Fourier shape deors)基本思想是用物体边界的傅里叶变换作为形状描述,利用区域边界的封闭性和周期性,将二维问题转化为一维问题。
    由边界点导出三种形状表达,分别是 曲率函数、质心距离、复坐标函数

    (3)几何参数法

    形状的表达和匹配采用更为简单的区域特征描述方法,例如采用有关形状定量测度(如矩、面积、周长等)的形状参数法(shape factor)。在QBIC系统中,便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数,进行基于形状特征的图像检索。
    需要说明的是,形状参数的提取,必须以图像处理及图像分割为前提,参数的准确性必然受到分割效果的影响,对分割效果很差的图像,形状参数甚至无法提取。

    (4)形状不变矩法

    利用目标所占区域的矩作为形状描述参数。

    (5)其它方法

    近年来,在形状的表示和匹配方面的工作还包括 有限元法(Finite Element Method 或FEM)、 旋转函数(Turning)和 小波描述符(Wavelet Deor)等方法。

    2.基于小波和相对矩的形状特征提取与匹配

    该方法先用小波变换模极大值得到多尺度边缘图像,然后计算每一尺度的7个不变矩,再转化为10个相对矩,将所有尺度上的相对矩作为图像特征向量,从而统一了区域和封闭、不封闭结构。


    二、空间关系特征

    (一)特点

    所谓空间关系,是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系,这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。通常空间位置信息可以分为两类:相对空间位置信息和绝对空间位置信息。前一种关系强调的是目标之间的相对情况,如上下左右关系等,后一种关系强调的是目标之间的距离大小以及方位。显而易见,由绝对空间位置可推出相对空间位置,但表达相对空间位置信息常比较简单。

    空间关系特征的使用可加强对图像内容的描述区分能力,但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。另外,实际应用中,仅仅利用空间信息往往是不够的,不能有效准确地表达场景信息。为了检索,除使用空间关系特征外,还需要其它特征来配合。

    (二)常用的特征提取与匹配方法

    提取图像空间关系特征可以有两种方法:一种方法是首先对图像进行自动分割,划分出图像中所包含的对象或颜色区域,然后根据这些区域提取图像特征,并建立索引;另一种方法则简单地将图像均匀地划分为若干规则子块,然后对每个图像子块提取特征,并建立索引。
    姿态估计问题就是:确定某一三维目标物体的方位指向问题。姿态估计在机器人视觉、动作跟踪和单照相机定标等很多领域都有应用。
    在不同领域用于姿态估计的传感器是不一样的,在这里主要讲基于视觉的姿态估计。
    基于视觉的姿态估计根据使用的摄像机数目又可分为单目视觉姿态估计和多目视觉姿态估计。根据算法的不同又可分为基于模型的姿态估计和基于学习的姿态估计。

    一基于模型的姿态估计方法

    基于模型的方法通常利用物体的几何关系或者物体的特征点来估计。其基本思想是利用某种几何模型或结构来表示物体的结构和形状,并通过提取某些物体特征,在模型和图像之间建立起对应关系,然后通过几何或者其它方法实现物体空间姿态的估计。这里所使用的模型既可能是简单的几何形体,如平面、圆柱,也可能是某种几何结构,也可能是通过激光扫描或其它方法获得的三维模型。
    基于模型的姿态估计方法是通过比对真实图像和合成图像,进行相似度计算更新物体姿态。目前基于模型的方法为了避免在全局状态空间中进行优化搜索,一般都将优化问题先降解成多个局部特征的匹配问题,非常依赖于局部特征的准确检测。当噪声较大无法提取准确的局部特征的时候,该方法的鲁棒性受到很大影响。

    二基于学习的姿态估计方法

    基于学习的方法借助于 机器学习(machine learning)方法,从事先获取的不同姿态下的训练样本中学习二维观测与三维姿态之间的对应关系,并将学习得到的决策规则或回归函数应用于样本,所得结果作为对样本的姿态估计。基于学习的方法一般采用全局观测特征,不需检测或识别物体的局部特征,具有较好的鲁棒性。其缺点是由于无法获取在高维空间中进行连续估计所需要的密集采样,因此无法保证姿态估计的精度与连续性。
    基于学习的姿态估计方法源于姿态识别方法的思想。姿态识别需要预先定义多个姿态类别,每个类别包含了一定的姿态范围;然后为每个姿态类别标注若干训练样本,通过模式分类的方法训练姿态分类器以实现姿态识别。
    这一类方法并不需要对物体进行建模,一般通过图像的全局特征进行匹配分析,可以有效的避免局部特征方法在复杂姿态和遮挡关系情况下出现的特征匹配歧义性问题。然而姿态识别方法只能将姿态划分到事先定义的几个姿态类别中,并不能对姿态进行连续的精确的估计。
    基于学习的方法一般采用全局观测特征,可以保证算法具有较好的鲁棒性。然而这一类方法的姿态估计精度很大程度依赖于训练的充分程度。要想比较精确地得到二维观测与三维姿态之间的对应关系,就必须获取足够密集的样本来学习决策规则和回归函数。而一般来说所需要样本的数量是随状态空间的维度指数级增加的,对于高维状态空间,事实上不可能获取进行精确估计所需要的密集采样。因此,无法得到密集采样而难以保证估计的精度与连续性,是基于学习的姿态估计方法无法克服的根本困难。
    和姿态识别等典型的模式分类问题不同的是,姿态估计输出的是一个高维的姿态向量,而不是某个类别的类标。因此这一类方法需要学习的是一个从高维观测向量到高维姿态向量的映射,目前这在机器学习领域中还是一个非常困难的问题。
    特征是描述模式的最佳方式,且我们通常认为特征的各个维度能够从不同的角度描述模式,在理想情况下,维度之间是互补完备的。
    特征提取的主要目的是降维。特征抽取的主要思想是将原始样本投影到一个低维特征空间,得到最能反应样本本质或进行样本区分的低维样本特征。
    一般图像特征可以分为四类: 直观性特征、灰度统计特征、变换系数特征与代数特征
    直观性特征主要指几何特征,几何特征比较稳定,受人脸的姿态变化与光照条件等因素的影响小,但不易抽取,而且测量精度不高,与图像处理技术密切相关。
    代数特征是基于统计学习方法抽取的特征。代数特征具有较高的识别精度,代数特征抽取方法又可以分为两类:一种是线性投影特征抽取方法;另外一种是非线性特征抽取方法。
    习惯上,将基于主分量分析和Fisher线性鉴别分析所获得的特征抽取方法,统称为线性投影分析。
    基于线性投影分析的特征抽取方法,其基本思想是根据一定的性能目标来寻找一线性变换,把原始信号数据压缩到一个低维子空间,使数据在子空间中的分布更加紧凑,为数据的更好描述提供手段,同时计算的复杂度得到大大降低。在线性投影分析中,以 主分量分析(PCA,或称K-L变换)和 Fisher线性鉴别分析(LDA)最具代表性,围绕这两种方法所形成的特征抽取算法,已成为模式识别领域中最为经典和广泛使用的方法。
    线性投影分析法的主要缺点为:需要对大量的已有样本进行学习,且对定位、光照与物体非线性形变敏感,因而采集条件对识别性能影响较大。
    非线性特征抽取方法也是研究的热点之一。“ 核技巧”最早应用在SVM中,KPCA和KFA是“核技巧”的推广应用。
    核投影方法的基本思想是将原样本空间中的样本通过某种形式的非线性映射,变换到一个高维甚至无穷维的空间,并借助于核技巧在新的空间中应用线性的分析方法求解。由于新空间中的线性方向也对应原样本空间的非线性方向,所以基于核的投影分析得出的投影方向也对应原样本空间的非线性方向。
    核投影方法也有一些弱点:几何意义不明确,无法知道样本在非显式映射后变成了什么分布模式;核函数中参数的选取没有相应选择标准,大多数只能采取经验参数选取;不适合训练样本很多的情况,原因是经过核映射后,样本的维数等于训练样本的个数,如果训练样本数目很大,核映射后的向量维数将会很高,并将遇到计算量上的难题。
    就应用领域来说,KPCA远没有PCA应用的广泛。如果作为一般性的降维KPCA确实比PCA效果好,特别是特征空间不是一般的欧式空间的时候更为明显。PCA可以通过大量的自然图片学习一个子空间,但是KPCA做不到。
    变换系数特征指先对图像进行Fourier变换、小波变换等,得到的系数后作为特征进行识别。
    展开全文
  • 关系型数据库特点

    千次阅读 2019-06-26 11:08:00
    1、最大的特点,事务的一致性 2、通用的SQL语言,使得操作关系型数据库非常方便 3、ACID:原子性、一致性、隔离性、持久性 4、表结构严格,存储数据很难出错 非关系型数据库: 1、使用键值存储数据 2、数据没有...

    关系型数据库:
    1、最大的特点,事务的一致性
    2、通用的SQL语言,使得操作关系型数据库非常方便
    3、ACID:原子性、一致性、隔离性、持久性
    4、表结构严格,存储数据很难出错

    非关系型数据库:
    1、使用键值对存储数据
    2、数据没有耦合性,易扩展
    3、不提供sql,无事务处理
    4、不需要经过sql层的解析,性能很高
    5、数据存储更加灵活,但是可能导致数据不一致性的问题

    展开全文
  • 转自:...一多:从球队角度来说一个球队拥有多个球员 即为一对多多一:从球员角度来说多个球员属于一个球队 即为多一数据表间一关系如下图:注:一多...
    

    转自:

    https://blog.csdn.net/zhongshan_c/article/details/8210196

    数据库建表-- 一对多/多对一/一对一/多对多 关系

    关联映射:一对多/多对一存在最普遍的映射关系,简单来讲就如球员与球队的关系;一对多:从球队角度来说一个球队拥有多个球员 即为一对多多对一:从球员角度来说多个球员属于一个球队 即为多对一数据表间一对多关系如下图:

    注:一对多/多对一关系简记:“多”的要记住“一”的主键,即每个球员表都要通过外键来记住球队表。

    关联映射:一对一关系就如球队与球队所在地址之间的关系,一支球队仅有一个地址,而一个地址区也仅有一支球队。数据表间一对一关系的表现有两种,一种是外键关联,一种是主键关联。图示如下:
    一对一外键关联:

    一对一主键关联:要求两个表的主键必须完全一致,通过两个表的主键建立关联关系

     

    关联映射:多对多

    多对多关系也很常见,例如学生与选修课之间的关系,一个学生可以选择多门选修课,而每个选修课又可以被多名学生选择。 数据库中的多对多关联关系一般需采用中间表的方式处理,将多对多转化为两个一对多。

    数据表间多对多关系如下图:

    ----------------------------------------------------------------------------------------------------------

    前言:多对多关系至少需要3个表,我们把一个表叫做主表,一个叫做关系表,另外一个叫做字典表或者副表(字典表是纪录比较少,而且基本稳定的,例如:版块名称;副表是内容比较多,内容变化的,例如)。 
    按照数据库的增删查改操作,多对多关系的查找都可以用inner join或者

    select * from 主表 where id in (select 主表id from 关系表)

    1,角色任命型

    特点:关系表两外键组合无重复纪录,关系表一般不需要时间字段和主键,有一个表是字典类型的表。 
    界面特点:显示主表,用checkbox或多选select设置多选关系。 
    例如:任命版主(用户表-关系表-版块名称表),角色权限控制等,用户是5个版块版主,只要关系表5行纪录就可以确立,关系表的两个外键具有联合主键性质。 
    增加关系:如果没有组合纪录,insert之。 
    删除关系:如果有组合纪录,删除之。

    2,集合分组型

    特点:同角色任命型类似,关系表两外键组合无重复纪录,关系表一般不需要时间字段和主键。区别是主副表都不是字典表,可能都很大不固定。 
    界面特点:显示主表,用搜索代替简单的checkbox或多选select,或者一条一条的添加。 
    例如:歌曲专集(专集表-关系表-歌曲表)。手机分组(分组表-关系表-手机表)。用户圈子(圈子表-关系表-用户表)。文章标签(文章表-关系表-标签表) 
    增加关系:同版主任命型。 
    删除关系:同版主任命型。


    3,明细帐型

    特点:关系表可以有重复纪录,关系表一般有时间字段,有主键,可能还有文字型的字段用来说明每次发生关系的原因(消费)。 
    界面特点:显示关系表,用radio或下拉设置单选关系。 
    例如:现金消费明细帐或订单(用户表-订单表-消费原因表),用户可能多次在同一事情上重复消费。积分变化纪录也属于这类。 
    增加关系:不管有没有组合纪录,insert之,纪录时间。 
    删除关系:根据关系表PK删除。


    4,评论回复型

    特点:同明细帐型关系表一般有时间字段,有主键,区别是重点在文字型的字段用来说明每次发生关系的内容(评论回复)。 
    界面特点:回复文本框。 
    例如:论坛回复(用户表-回复表-帖子表),用户可能多次在不同帖子上评论回复费。 
    增加关系:不管有没有组合纪录,insert之,纪录时间和文字。 
    删除关系:根据关系表(回复表)PK删除。

    5,站内短信型

    特点:主副表是同一个,关系表一般有时间字段,有主键,重点在关系表文字型的字段用来说明每次发生关系的内容(消息)或者其他标记位来表示文字已读状态时间等。 
    界面特点:回复文本框。 
    例如:站内短信(用户表-短信表-用户表),用户可能给用户群发或者单发,有标记位来表示文字已读状态时间等。 
    增加关系:不管有没有组合纪录,insert之,纪录时间和文字。 
    删除关系:根据关系表(回复表)PK删除。

    6,用户好友型

    特点:主副表是同一个,同集合分组型,关系表两外键组合无重复纪录,关系表一般不需要时间字段和主键。 
    界面特点:同集合分组型,显示主表,用搜索代替简单的checkbox或多选select,或者一条一条的添加。 
    例如:下载站点的文件,(文件表-关系表-文件表)可以被软件工具打开,软件工具本身也是一种文件,可以被下载。用户的好友,也是用户(用户表-好友关系表-用户表) 
    增加关系:同版主任命型。 
    删除关系:同版主任命型。


    7,未知属性型

    特点:在设计初期,主表的某些字段类型和名称是不确定的时候,关系表实际上是主表的可扩展字段, 
    一个[主表](ID), 
    一个[属性名称表](属性ID.属性名称), 
    一个[属性值表],包括3个字段: 
          属性值(属性Value varchar(500)) 
          主表ID 
          属性ID

    这样可以作到最小冗余度。 
    (和常见的多对多关系不同的是:值统一用varchar来存储,因为这类型的值一般不会用来计算)。

    比如:

    军队的数据库设计中有种物资叫做“战缴物资”,就是打仗的时候缴获的,军队自己都不知道这些物资有什么属性。

    比如缴获的化学品有化学名,通用名,是否有辐射,计量单位,包装规格,数量等等,或者不是化学品是其他任何未知的东西。 
    这样东西就可以

    某奇怪东西.属性集合["某某奇怪属性名"]="某某奇怪值";    
    某变态东西.属性集合["某某变态属性名"]="某某变态值";   

    这样存储。

    再比如:

    手机型号有几千种,除了共同属性外还有不同属性有几百个,属性名和值类型都不一样,有的手机有这属性,有的没有。 
    对于这样的“多态”,我们就采用上面的设计结构。 
    其效果相当于:

    某奇怪手机.属性集合["某某奇怪属性名"]="某某奇怪值"; 
    某变态手机.属性集合["某某变态属性名"]="某某变态值";

    界面特点:设置主表一行纪录的属性时候,要列出所有可能的属性名称,每个对应一个文本框。

    展开全文
  • 1.最大特点就是事务的一致性:传统的关系型数据库读写操作都是事务的,具有ACID的特点,所以安全性也比较高。 事务的原子性(Atomicity): 是指一个事务要么全部执行,要么不执行,也就是说一个事务不可能只执行了...
  • 关系型数据库的主要特征

    千次阅读 2020-01-14 20:08:08
    关系型数据库的主要特征 1)数据集中控制 在文件管理方法中,文件是分散的,每个用户或每种处理都有各自的文件,这些文件之间一般是没有联系的,因此,不能按照统一的方法来控制、维护和管理。而数据库则很好地克服...
  • 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一 颜色特征 (一)特点:  颜色特征是一种全局特征,描 述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的...
  • 关系型数据库 采用关系模型来组织数据结构的数据库(二维表) cle DB2 SQLServer Mysql SQLite都是关系型数据库 优点:容易理解,它的逻辑类似常见的表格 使用方便,都使用sql语句,sql语句非常的成熟 数据一致性...
  • 矩阵论——特征值 假设方阵A\bf AA中,λ1,λ2,....λs\lambda_1,\lambda_2,....\lambda_sλ1​,λ2​,....λs​是方阵相互不同的特征值,那么,特征值对应的特征向量x1,x2,x3......xsx_1, x_2,x_3......x_sx1​,x2...
  • 几何重数=代数重数时,矩阵进行相似变换处理后是角阵;几何重数<代数重数时,矩阵相似变换后是Jordan矩阵不一定是角阵(非主角线上也会有非零元素)。 对于n阶矩阵A 根据特征方程可以解出特征值K1,K2...
  • 实时数据库,内存数据库,关系型数据库比较

    万次阅读 多人点赞 2018-09-26 18:55:10
    内存数据库就是将数据放在内存中直接操作的数据库,它利用内存的读写速度比磁盘快、内存是随机访问而磁盘是顺序访问这两个特点,将数据保存在内存中,在内存中模仿建立表结构和索引结构并针对内存特性进行优化,相比...
  • 特征值和奇异值的关系

    万次阅读 多人点赞 2018-08-25 16:40:40
    特征值分解和奇异值分解(SVD)在主成分分析(PCA)和机器学习领域...线性代数中对特征值和特征向量的定义:设A是n阶方阵,如果存在 λ 和n维非零向量x,使 Ax=λxAx=λxAx=\lambda x,则 λ 称为方阵A的一个特征值...
  • photo_favour(图片收藏关系表):photo_id user_id 假设这几个表都相当大,需要进行分表。我的分表规则是: user表按照id取模,这样user相关的表都可以按照这个取模后的结果来分表; photo表按照id取模,...
  • 关联映射:一多/多一 存在最普遍的映射关系,简单来讲就如球员与球队的关系; 一多:从球队角度来说一个球队拥有多个球员 即为...一关系就如球队与球队所在地址之间的关系,一支球队仅有一个地址,而一个地
  • 关系型数据库和非关系型数据库的区别

    千次阅读 多人点赞 2019-08-14 18:19:00
    关系型数据库 关系型数据库: 关系模型中的常用概念 优点 不足 非关系型数据库 非关系型数据库: 非关系型数据库结构 优点 不足 分类 CAP 理论 关系型与非关系型数据库的比较 最近的数据库排名 关系型...
  • 关系型数据库的特点

    千次阅读 2018-05-02 20:53:28
    1、相同列中数据类型一致,不同数据类型必须用不同列定义 2、不同列无顺序要求 3、任意两个元组不能完全相同 4、不同行也无顺序区别
  • 所属知识点:Machine Learning:Feature Engineering归纳和总结机器学习技术的库:ViolinLee/ML_notes。... 特征(Feature):特征是所有独立单元共享的属性,是进行分析或预测的对象。只要模型有用...
  • 传递性的判断 传递性在关系矩阵中的特点并不明显,故用另一个思路:关系R是传递的,且仅R∘R⊆R ,通俗来讲就是若R对应的关系矩阵中某一位置的元素为0,则在R∘R对应的关系矩阵的位置上的元素必须为0。...
  • (2)意识物质具有反作用,正确的意识能促进客观事物的发展,错误的意识则阻碍客观事物的发展。这一原理要求我们要重视意识的作用,自觉树立正确的思想意识,克服错误的思想意识。 (二)客观规律性与主观能动...
  • 关系数据库的特点

    千次阅读 2013-09-16 00:10:34
    关系型数据库的主要特征 1)数据集中控制,在文件管理方法中,文件是分散的,每个用户或每种处理都有各自的文件,这些文件之间一般是没有联系的,因此,不能按照统一的方法来控制、维护和管理。而数据库则很好地...
  • 相似矩阵有相同的特征值,但反之并不成立 摘自 Linear Algebra and its applications David C. Lay Chapter 5.2 ,page 277
  • 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一 颜色特征 (一)特点:颜色特征是一种全局特征,描 述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征,此时所有...
  • ML之FE:利用FE特征工程(单个特征及其与标签关系的可视化)RentListingInquries(Kaggle竞赛)数据集实现房屋感兴趣程度的多分类预测 目录 输出结果 设计思路 核心代码 输出结果 ...
  • 在计算机中,从某个角度看不到的特性称该特性是透明的。这个意义上的“透明”与社会生活中的透明含义恰好...举个栗子~:比如数据库里面,关系模型的优点之一:存取路径用户透明,意思就是存取路径用户隐蔽。 ...
  • 矩阵AB和BA的特征关系

    万次阅读 多人点赞 2019-01-31 22:20:02
    \quad本文考察这样的两个矩阵:A∈Rm×n,B∈Rn×mA\in R^{m\times n},B\in R^{n\times m}A∈Rm×n,B∈Rn×m.于是AB∈Rm×m,BA∈Rn×nAB\in R^{m\times m},BA\in R^...\quadAB和BA具有相同的非零特征值. \quad证...
  • (一)特点:颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色图像或图像区域的方向、大小等...
  • 矩阵特征值与行列式、迹的关系

    万次阅读 2019-03-31 10:25:41
    矩阵特征值与行列式、迹的关系 from: http://www.cnblogs.com/AndyJee/p/3737592.html 矩阵的特征值之积等于矩阵的行列式 矩阵的特征值之和等于矩阵的迹 简单的理解证明如下: 1、二次方程的韦达定理: 请思考:...
  • Python一关系怎么实现

    千次阅读 2016-06-15 11:15:47
    Python一关系怎么实现在参加天池大数据竞赛才开始学习python的,大约学了一周吧,学霸路过请放小弟一马 我寻找的python一关系 歌曲有多个特征,艺人有多首歌曲,每天都不同 这个问题想了好长时间,学校里学...
  • 一、韦达定理回顾 对于一元二次方程(且),设两个根为,。 则: 且易得到:, ...二、矩阵的特征值及特征向量回顾 以下知识点来自吴传生主编的《线性代数》 【知识点1】: 设是阶方阵,如果标量和...
  • 数据库中多多的关系设计

    千次阅读 2016-01-27 23:16:56
    数据库设计多关系的几种形态  前言:多关系至少需要3个表,我们把一个表叫做主表,一个叫做关系表,另外一个叫做字典表或者副表(字典表是纪录比较少,而且基本稳定的,例如:版块名称;副表是内容比较多,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,110,693
精华内容 444,277
关键字:

对当关系特点