Oracle登陆出错-11.19

一、登陆Oracle时提示错误,Oracle initialization or shutdown in process


二、后面用命令窗口 sqlplus/nolog 登陆时提示协议适配器错误,网上搜了下方法,用第三条解决了

1.监听服务没有起起来。windows平台个一如下操作:开始---程序---管理工具---服务,打开服务面板,启动oraclehome92TNSlistener服务。
2.database instance没有起起来。windows平台如下操作:开始---程序---管理工具---服务,打开服务面板,启动oracleserviceXXXX,XXXX就是你的database SID.
3.注册表问题。regedit,然后进入HKEY_LOCAL_MACHINE\SOFTWARE\ORACLE\HOME0将该环境变量ORACLE_SID设置为XXXX,XXXX就是你的database SID.或者右几我的电脑,属性--高级--环境变量---系统变量--新建,变量名=oracle_sid,变量值=XXXX,XXXX就是你的database SID.或者进入sqlplus前,在command line下输set oracle_sid=XXXX,XXXX就是你的database SID.


三、结果用命令窗口 connect system/密码 as sysdba可以正常登陆,用sqlplusw还是提示Oracle initialization or shutdown in process,下面是网上搜的解决方法,问题解决了,原来是自己前几天删掉了几个表空间造成的:

进入dos:
以DBA用户登录,具体命令是
sqlplus /NOLOG
SQL>connect sys/change_on_install as sysdba
提示:已成功
SQL>shutdown normal
提示:数据库已经关闭
已经卸载数据库
ORACLE 例程已经关闭
SQL>startup mount
提示:ORACLE例程已经启动
Total System Global Area 118255568 bytes
Fixed Size                  282576 bytes
Variable Size             82886080 bytes
Database Buffers          33554432 bytes
Redo Buffers                532480 bytes
数据库装载完毕
SQL>alter database open;
提示:
第 1 行出现错误:
ORA-01157: 无法标识/锁定数据文件 19 - 请参阅 DBWR 跟踪文件
ORA-01110: 数据文件 19: ''''C:\oracle\oradata\oradb\FYGL.ORA''
这个提示文件部分根据每个人不同情况有点差别。
继续输入
SQL>alter database datafile 19 offline drop;
提示:数据库已更改。
循环使用最后两步,直到alter database open;后不再提示错误,出现“数据库已更改”。
然后接着输入即可
SQL>shutdown normal
提示:数据库已经关闭
已经卸载数据库
ORACLE 例程已经关闭
SQL>startup
提示:ORACLE例程已经启动
Total System Global Area 118255568 bytes
Fixed Size                  282576 bytes
Variable Size             82886080 bytes
Database Buffers          33554432 bytes
Redo Buffers                532480 bytes
数据库装载完毕

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,根据您的需求,我为您编写了如下代码。 首先,我们需要加载所需的包和数据: ```R library(xlsx) library(randomForest) library(keras) library(e1071) data_path <- "D:/Desktop/002362hwkj.xlsx" stk_data <- read.xlsx(data_path, sheetIndex = 1) ``` 然后,我们将数据按时间升序排列,并将日期列转化为日期格式: ```R stk_data$Date <- as.Date(stk_data$Date) stk_data <- stk_data[order(stk_data$Date),] ``` 接下来,我们将数据划分为训练集和测试集。由于您没有指定测试集的时间范围,这里我将最后一年的数据作为测试集: ```R train_data <- stk_data[1:(nrow(stk_data)-252),] test_data <- stk_data[(nrow(stk_data)-251):nrow(stk_data),] ``` 然后,我们为每个模型准备数据。对于随机森林和支持向量机,我们只需要选择需要的特征并将其转化为矩阵格式。对于长短期记忆神经网络,我们需要将数据转化为时间序列格式,并将其标准化。 ```R # 随机森林和支持向量机 train_rf_svm <- train_data[,c("Open", "Close", "Volume")] train_rf_svm <- data.matrix(train_rf_svm) test_rf_svm <- test_data[,c("Open", "Close", "Volume")] test_rf_svm <- data.matrix(test_rf_svm) # 长短期记忆神经网络 train_lstm <- train_data[,c("Close")] train_lstm <- data.matrix(train_lstm) scaler <- preProcess(train_lstm, method = c("scale", "center")) train_lstm <- predict(scaler, train_lstm) test_lstm <- test_data[,c("Close")] test_lstm <- data.matrix(test_lstm) test_lstm <- predict(scaler, test_lstm) train_lstm <- array(train_lstm, dim = c(nrow(train_lstm), 1, 1)) test_lstm <- array(test_lstm, dim = c(nrow(test_lstm), 1, 1)) ``` 接下来,我们分别训练随机森林、长短期记忆神经网络和支持向量机,并对测试集进行预测: ```R # 随机森林 rf_model <- randomForest(train_rf_svm[,1:2], train_rf_svm[,3], ntree = 500) rf_pred <- predict(rf_model, test_rf_svm[,1:2]) # 长短期记忆神经网络 lstm_model <- keras::keras_model_sequential() lstm_model %>% layer_lstm(units = 50, input_shape = c(1, 1)) %>% layer_dense(units = 1) lstm_model %>% compile(loss = 'mean_squared_error', optimizer = 'adam') lstm_model %>% fit(train_lstm[,1:1,], train_lstm[,1,], epochs = 100, batch_size = 32) lstm_pred <- predict(lstm_model, test_lstm)[,1] # 支持向量机 svm_model <- svm(train_rf_svm[,1:2], train_rf_svm[,3], kernel = "linear") svm_pred <- predict(svm_model, test_rf_svm[,1:2]) ``` 最后,我们计算三个模型的准确率,并绘制时间序列图: ```R # 计算准确率 rf_accuracy <- sum(rf_pred == test_rf_svm[,3])/nrow(test_rf_svm) lstm_accuracy <- sum(round(lstm_pred) == test_lstm[,1])/nrow(test_lstm) svm_accuracy <- sum(svm_pred == test_rf_svm[,3])/nrow(test_rf_svm) cat("随机森林准确率:", rf_accuracy, "\n") cat("LSTM准确率:", lstm_accuracy, "\n") cat("支持向量机准确率:", svm_accuracy, "\n") # 绘制时间序列图 par(mfrow=c(3,1)) plot(test_data$Date, test_data$Close, type = "l", col = "blue", xlab = "", ylab = "Price") lines(test_data$Date, rf_pred, col = "red") legend("bottomright", legend = c("Actual", "Predicted"), col = c("blue", "red"), lty = c(1, 1)) plot(test_data$Date, test_data$Close, type = "l", col = "blue", xlab = "", ylab = "Price") lines(test_data$Date, round(lstm_pred), col = "red") legend("bottomright", legend = c("Actual", "Predicted"), col = c("blue", "red"), lty = c(1, 1)) plot(test_data$Date, test_data$Close, type = "l", col = "blue", xlab = "", ylab = "Price") lines(test_data$Date, svm_pred, col = "red") legend("bottomright", legend = c("Actual", "Predicted"), col = c("blue", "red"), lty = c(1, 1)) ``` 注意:由于数据未提供证券代码,代码中的模型训练和预测均基于数据的 Close 列。如果您的数据中包含多个证券的交易数据,请修改代码以适配您的数据。
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