摘要： 目标：本文主要介绍属性的标准检查约束、如何定义属性的附加检查。一、定义属性的标准检查约束标准检查约束是一组确保属性有效的表达式。在实体属性的特性窗口，打开如图所示的检查选项卡。在这个选项卡可以定义属性的标准检查约束，窗口中每项的参数的含义，如下参数说明Minimum属性可接受的最小数Maximum属性可接受的最大数Default属性不赋值时，系统提供的默认值Unit单位，如公里、吨、元Format属性的数据显示格式Lowercase属性的赋值全部变为小写字母Uppercase属性的赋值全部变为大写字母Cannot modify该属性一旦赋值不能再修改List Of Values属性赋值列表，除 阅读全文

摘要： 目标:本文主要介绍PowerDesigner中概念数据模型 CDM的基本概念。一、概念数据模型概述数据模型是现实世界中数据特征的抽象。数据模型应该满足三个方面的要求：1）能够比较真实地模拟现实世界2）容易为人所理解3）便于计算机实现概念数据模型也称信息模型，它以实体－联系(Entity-RelationShip,简称E-R)理论为基础，并对这一理论进行了扩充。它从用户的观点出发对信息进行建模，主要用于数据库的概念级设计。通常人们先将现实世界抽象为概念世界，然后再将概念世界转为机器世界。换句话说，就是先将现实世界中的客观对象抽象为实体(Entity)和联系(Relationship),它并不依赖 阅读全文

摘要： CDM 是大多数开发者使用PD时最先创建的模型，也是整个数据库设计最高层的抽象。CDM是建立在传统的ER图模型理论之上的，ER图中有三大主要元素： 实体型，属性和联系。其中实体型对应到CDM中的Entity，属性对应到CDM中每个Entity的Attribute，在概念上基本上是一一对应的。 但在联系上，CDM有了比较大的扩展，除了保留ER图原有的RelationShip概念之外，还增加了Association，Inheritance 两种实体关系，下面就让我们分别看看这些关系的用法和之间的区别（下图中被标红的工具栏按钮就是用来向实体中添加这些关系的）。另外，在介绍所有这些CDM中的元素之前， 阅读全文

摘要： 问：c#被指定为此窗体的 MdiParent 的窗体不是 MdiContainer？解决：public frmMain(){ InitializeComponent(); this.IsMdiContainer = true;}或者：窗体属性里有个IsMdiContainer属性，设置为true就ok了 阅读全文

摘要： 问：为什么我在窗体的Load事件里这样写不行？ private void frm_Load(object sender, EventArgs e) { this.StartPosition = FormStartPosition.CenterScreen; }分析：写在Load事件里好象不行。因为在执行Load事件时，窗体已经正在显示了。你最好写在Load前面的某个事件。比如直接在设计界面里设定。或者在引用窗体时，在窗体Show以前写这个。 解决：在构造函数里写就可以了。public partial class Fo... 阅读全文

摘要： 像这种有三种解决方案：1，可能是病毒，杀毒也许会有帮助；2，检查IE插件，禁用可疑的插件；3，检查虚拟内存。一般是第三种，调高虚拟内存，重装vs2005基本上没用。虚拟内存调高的方法：右键单击【我的电脑】——选择【高级】点击【性能】下面的【设置】 阅读全文

摘要： sql server2000中使用convert来取得datetime数据类型样式（全）日期数据格式的处理，两个示例：CONVERT(varchar(16), 时间一, 20) 结果：2007-02-01 08:02/*时间一般为getdate()函数或数据表里的字段*/CONVERT(varchar(10), 时间一, 23) 结果：2007-02-01 /*varchar(10)表示日期输出的格式，如果不够长会发生截取*/语句及查询结果：Select CONVERT(varchar(100), GETDATE(), 0): 05 16 2006 10:57AMSelect CONVERT( 阅读全文

摘要： K-means也是聚类算法中最简单的一种了，但是里面包含的思想却是不一般。最早我使用并实现这个算法是在学习韩爷爷那本数据挖掘的书中，那本书比较注重应用。看了Andrew Ng的这个讲义后才有些明白K-means后面包含的EM思想。 聚类属于无监督学习，以往的回归、朴素贝叶斯、SVM等都是有类别标签y的，也就是说样例中已经给出了样例的分类。而聚类的样本中却没有给定y，只有特征x，比如假设宇宙中的星星可以表示成三维空间中的点集。聚类的目的是找到每个样本x潜在的类别y，并将同类别y的样本x放在一起。比如上面的星星，聚类后结果是一个个星团，星团里面的点相互距离比较近，星团间的星星距离就比较远了。 在. 阅读全文

摘要： k-means算法是machine learning领域内比较常用的算法之一。 首先，我们先来讲下该算法的流程（摘自百度百科）： 首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然 后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。 以上就是k-means的算法流程了，算法的流程其实还是比较简单的，今天我着重 阅读全文

摘要： 一 、前提条件：1.变量之间不存在多重共线性；2.变量服从正态分布；二、原理：第一步，预聚类、准聚类过程：构建聚类特征树（CFT），分成很多子类。开始时，把某个观测量放在树的根节点处，它记录有该观测量的变量信息，然后根据指定的距离测度作为相似性依据，使每个后续观测量根据它与已有节点的相似性，放到最相似的节点中，如果没有找到某个相似性的节点，就为它形成一个新的节点。第二步，正式聚类：将以第一步完成的预聚类作为输入，对之使用分层聚类的方法进行再聚类（对数似然函数）。每一个阶段，利用施瓦兹贝叶斯信息准则（BIC）评价现有分类是否适合现有数据，并在最后给出符合准则的分类方案。三、优点：1.海量数据处理 阅读全文