注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一，在大多数情况下持续到成年期。近年来，基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的，然而事实上，ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本，从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题，即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征，提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型，其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差，进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解，并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估，并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好，可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断，还可用于阿尔茨海默病和自闭症等疾病的辅助诊断

数据库管理员的任务是使所有运行 Oracle数据库的系统能够有效的工作。数据库管理员为每一个用户提供技术支持,并且应当对 Oracle软件中出现的所有问题都相当熟悉。除上一节介绍的 RACLE实例设置外, ORACLE数据库的存储对数据库的性能也有很大影响,另外ORACLE的安全性、备份与恢复机制也在本节中介绍。 4.3.1管理 ORACLE存储 4.3.2 ORACLE安全管理 4.3.3 ORACLE备份与恢复

一个没有标明误差的测试结果,几乎会成为没有用处的数据。 数据的质量通常是将它们的误差与最终使用的要求相比较来进行评 价的。如果数据具有一致性而且它们的误差小于所要求的误差,就 认为这些数据有合格的质量。反之,数据过分离散或者误差超出要 求,就认为这些数据是低质量的或不合格的。因此,数据质量的评价 实际上是相对的,对某种情况是高质量的数据而在另一种情况下可 能是不能接受的

在现代计算机的应用领域中,数据处理是一个重要方面 。数据处理是对各种类型的大批量的数据进行收集、 存储、排序、检索、计算、修改、输出等分析和加工 处理的过程。例如,用计算机进行企业管理、财务工 资管理、仓库物资管理、情报检索、统计报表等都涉 及到数据存放到外存储器上。有时,为了长期保存原 始数据和加工处理过的数据,也需要将这些数据以文 件的形式存放在外存上。学完本章读者应能掌握文件 的概念、逻辑特性、物理结构和基本操作

1. 云数据管理技术简介 2. 非关系型数据库与关系型数据库对比 3. Google云数据库技术（分布式存储Megastore） 4. Amazon云数据库技术（分布式存储Dynamo） 5. AWS云数据库（RDS,SimpleDB,DynamoDB） 6. 研讨（MD-HBase与Dremel）

基础篇 第一章：绪论 第二章：关系数据库 第三章：关系数据库标准语言SQL 第四章：关系系统及其查询优化 第五章：关系数据理论 设计篇 第六章：数据库设计 系统篇 第七章：数据库恢复技术 第八章：并发控制 第九章：数据库安全性 第十章：数据库完整性

保证数据一致性是对数据库的最基本的要求。数据库 的重要特征是它能为多个用户提供数据共享。因此 DBMS必须提供并发控制机制来保证数据库的一致性。 数据库的并发控制以事务为单位通常使用封锁技 术实现并发控制。 本章介绍两类最常用的封锁和三级封锁协议。不同 的封锁和不同级别的封锁协议所提供的系统一致性保证 是不同的,提供数据共享度也是不同的

Visual Basicmicrosoft是通过 jet数据库引擎 工具来支持对数据库的数据访问能力。Visual Basic6.0提供了两种主要的与数据库引擎接口 的方法:Data控件和数据访问对象(DAO)。 Data控件是比较简单直接的方法,只给出有限 的不需编程而能访问现存数据库的功能,而 DAO模型是全面控制数据库的完整编程接口

15.1 概述 15.2 数据挖掘和数据中心库 15.3 数据仓库的支持工具 15.4 数据仓库的实现步骤 15.5 数据的粒度、分割和元数据 15.6 本章小结

本章主要介绍与数据库技术有关的几个基本概念，包括什么是数据库、数据库管理系统、数据库系统、数据模型、数据库设计过程及数据库在管理信息系统中的应用等内容