一、数据库的一般结构 1字段、记录、文档 字段是文献著录的基本单元,反映文献外部特征和内容特征的每一个项目,在数据库中就称为字段,在数据库中每一个字段,往往都给予一个字段名。如 Title,字段名为T; Author,为AU;SO为文献来源,AB是文摘字段,PY为出版年份,SN为国际标准书号 ISN,DE为叙词或主题词,CS为著者单位。在某些数据库的检索中,在上机检索前必须了解数据库的字段名。 记录是由若干不同字段组成的文献单元,一个记录在数据库中往往代表一篇文献,在数据 库中每一个记录都有一个记录号,与检索工具中的文摘号类似。 文档,由若干数量的记录所构成的数据集合,在一些大型联机检索系统中称作文档。如 DIALOG系统中399号文档是美国化学文摘(A),211号文档是世界专利索引(WPI)

多维数组与指针 用指针可以指向一维数组,同样也 可以指向多维数组中的元素 1.二维数组元素的地址 可以将二维数组理解为“数组的数组” 例如: inta[2][3]={(1,2,3),(4,5,6)} 可以理解成为两个一维数组,每个 数组由三个元素组成

早期的控制系统分析过程复杂而耗时,如想得到一个系统 的冲激响应曲线,首先需要编写一个求解微分方程的子程 序,然后将已经获得的系统模型输入计算机,通过计算机 的运算获得冲激响应的响应数据,然后再编写一个绘图程 序,将数据绘制成可供工程分析的响应曲线

以麦当劳例,人们不会仅仅因为喜欢汉堡包而涌向全世界11,000个麦当劳快餐店。其他一些餐馆制作的汉堡包味道也许更好。人们是冲着某个系统而来,并不仅仅是汉堡包。 这是一个有效运转的系统,该系统向全世界传送一个高标准 ,即麦当劳公司所谓的QSCV质量(Quality)、服务( Service)、清洁(Cleanliness)和价值(Value)。麦当劳公司的有效就在于它和它的供应商、特许经营店业主、雇员以 及其他有关人员共同向顾客提供了他们所期望的高价值

呵呵现在任给一函数f(x),我们怎么知道小波级数可以无限逼近这个函数呢 我们想象任给beta>0,可以将f(x)曲线按每beta长度分成很多小段,对应很多点 若我们可以用一函数g(x)来拟合这些点,那么g(x)和(x)在任意x上的误差将小于beta 若点数量为2^n个那么我们就可以分别用^(n-1)个L波和2^(n-1)个H波拟合 然后可将L波再分解,最后得到一棵树(分解的级数由你决定)

这一节中希望大家能多动脑子呵呵因为我懒得写很多东西嘿嘿不好意思了 接着看上一节的变换 90,70,100,70]--[82.5,-2.5,10,15] 82.5即4个数的平均数可画出其对应波形如F.1其他数字对应相应波形(请稍微思考一下为什么及这 些波形特点)好了思考后请画出8个点阵的对应波形(如是新手,一定要亲手作作)以后我们将使用 这些波深入学习 在这里我们称这些图形为波,与常见的SN波不同呵呵可能不习惯 我举几个重要特性:

聚类的样本是用度量指标的一个向量表示或 更正式的说法是用多维空间的一个点来表示。 同类中的样本比属于不同类的样本彼此具有 更高的相似性。聚类方法尤其适合用来探讨 样本间的相互关联关系从而对一个样本结构 做一个初步的评价。人们能够对一维、二维 或三维的样本进行聚类分析,但是大多数现 实问题涉及到更高维的聚类

购物篮是顾客在一次事务中所购买项的集 合,所谓事务是一个明确定义的商业行为。 事务数据库研究的一个最普通的例子就是 寻找项的集合,或叫做项集。包含个项的 项集被称为i-项集。包含该项集的事务的百 分数叫做该项集的支持度。支持度超过指 定阈值的项集叫做频繁项集

在统计推断这个领域,如果观测到组成总体的所 有观测值是不可能或不切实际的,只要关心怎样 得出关于总体的结论。 ·在大多数统计分析应用中,必须依据从总体中抽 取的子集的观测值。称这个子集为数据集,从这 个数据集建立一个总体的统计模型,从而对相同 的总体作推断。 ·问题是它可能导致对总体错误的推断,因此最好 是在独立的、随机观察的情况下选取一个随机的 数据集

决策树修剪的主要任务是抛弃一个或更多 的子树,并用叶替代这些子树,使决策树 简单化。 问题是修剪后的结果能达到我们期望算法 降低预测误差率来提高分类器的质量,但 误差率计算并不简单。 评价预测误差的一个可行方法是用另外一 个新的有效检验样本,或用第四章中讲述 的交叉确认法