pd数据库模型3

数据库的完整性

       数据库完整性可通过存储过程、声明性参照完整性(DRI)、

数据类型、约束、规则、默认值,以及触发器来实现。在数据库内,这些功能各以特有的方式发挥作用。综合利用这些完整性功能,可以使数据库灵活,易于管理,而且很安全。

数据完整性概念分为几个方面。

◆ 表域完整性

通过主键来强制表的域完整性。

◆ 引用完整性

利用参照来加强表之间的逻辑关系。

◆ 数值域完整性

任何输入的数据在类型和范围上必须与指定的数据类型相匹配,只有当某列被说明允许NULL值,才允许向该列输入NULL

数据库的性能测试

       生成数据库之后,应进行数据库性能测试,以便优化数据库的设计,因此需要生成测试数据,由于是性能测试,数据的规范性要求不高。通过PowerDesigner可方便地生成测试数据(Generate Test Data),完成性能测试。

数据的约束

O-O约束

对父表的INSERTUPDATEDELETE操作没有限制。

M-O约束

对父表操作的约束:

父表的INSERT操作,对M-O约束,父表中间的记录可以没有任何约束地添加到表中,因为这种约束中不一定必须有子女。

    父表的键值修改操作,只有在子表中其所有的子女对应均做修改后,才能修改,即一般采用级联更新的方法。

    父表的删除,父亲只有在其所有子女均被删除或重新分配之后该父亲才能被删除。

强制对可选(M-O)约束

O-M约束

    父表操作的约束:

父表的INSERT操作,对O-M约束,一个父亲只有当至少当它的一个、子女同时被加入或至少存在一个合法的子女时,才能被加入。

父表的键值修改操作,只有当一个子女被创建或已经有一名子女存在才行。

父表的删除,理论上删除父亲是没有限制的,实际上,删除主表记录时,不采用级联删除子表的方案,而采用将子表的外键置空。


           可选对强制(O-M)约束

 

M-M约束

父表操作的约束:

父表的INSERT操作,可能随后需要生成子女,即在子表中创建新的行。也可能通过对子表的重新分配来实施完整行限制。

父表的键值修改操作,只有在子表对应的外键的值修改成新值时才能进行。实际可能是先创建新的父表纪录,接着修改子表所有对应的纪录,使其与父表的新纪录关联,最后删除原父表纪录。

父表的删除,只有在子表中所有相关的行全部删除或重新分配之后,才能删除父表中的纪录,一般对子表也进行删除操作。


           强制对强制(M-M)约束

 

在四类约束:M-MM-OO-MO-O。键值的修改可能会改变表之间的关系,而且可能违反一些约束。违反约束的操作是不允许的。具体的应用必须根据实际的要求和商业规则进行适当的选择。但在设计和开发时,必须考虑所分析的约束。

物理图的组织

数据库物理的组织以功能来组织为好,让人很容易就明白该功能需要操作哪些表,数据是如何流向的,但是按此组织,可能有些参照建立比较乱,其实有些参照可以不必建立,如在写入一个表时,其数据的来源就是从另一个查询得到的,可以保证数据的正确性,从功能划分来组织物理图,就可以不建立这个参照。

数据库的生成

有了数据库物理图,在生成数据库或数据库脚本时,应注意如下的问题:

参照完整性的实现,可以采用声明性参照实现或触发器实现,至于两种实现的优缺点,前面已经论述过,这里仅说一点,如果采用触发器实现需要在生成数据库后再生成触发器。

当参照含有级联(Cascade)删除或修改时,其实现要分情况处理:

SybaseSQL Server不支持声明性级联(Cascade)删除或修改,只能通过触发器(Trigger)来实现。

Oracle、Informix支持声明性级联(Cascade)删除,但不支持

级联(Cascade)修改,也只能通过触发器(Trigger)来实现。

    当定义了用户自定义类型时,在生成数据库时,最好转换成数据库基本类型,对数据库性能和迁移都有利。

数据字典

    数据字典作为产品的一个归档文档,它定义应用系统数据库的各个方面。数据库物理模型建好后,就可以生成数据字典,数据字典的内容和形式可以在PowerDesigner定义模板,依据模板生成数据字典,再处理一下文档格式。

    PowerDesignerCreate Report生成数据字典。

目前系统需要处理和优化的地方

主键的定义:

由于对业务了解的深度不够,某些表的主键建立存在一些问题,随着业务的深入逐步完善。

       参照的建立:

主键的定义不完善导致了参照建立的不完善,这也只能以后组不完善。

       数据库的划分:

       数据库的划分前面已经谈过,由于这个划分影响着服务器和客户端的程序,也只能以后的新版中解决。

       表结构的调整:

       对于有些表,如系统设置表,可以将它的横向结构改为纵向结构,这样增加了系统的灵活性

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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