谁有powerdesign学习如何数据库建模的视频啊

powerdesign教程

owerDesigner教程:概念数据模型 [收藏此页] [打印] 作者：KevinYin 2007-08-27 内容导航： 概念数据模型概述 第1页： 概念数据模型概述 第2页： PowerDesigner概念数据模型 第3页： 属性的标准检查约束 第4页： 如何定义实体的主、次标识符 第5页： 数据项、新增数据项、数据项的唯一性... 第6页： 联系的定义及使用 【IT168技术文档】 目标: 本小节主要介绍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),它并不依赖于具体的计算机系统或某个DBMS系统，这种模型就是我们所说的CDM;然后再将CDM转换为计算机上某个 DBMS所支持的数据模型，这样的模型就是物理数据模型,即PDM。 CDM是一组严格定义的模型元素的集合，这些模型元素精确地描述了系统的静态特性、动态特性以及完整性约束条件等，其中包括了数据结构、数据操作和完整性约束三部分。 1）数据结构表达为实体和属性; 2）数据操作表达为实体中的记录的插入、删除、修改、查询等操作; 3）完整性约束表达为数据的自身完整性约束（如数据类型、检查、规则等）和数据间的参照完整性约束（如联系、继承联系等）; 二、实体、属性及标识符的定义 实体（Entity），也称为实例，对应现实世界中可区别于其他对象的“事件”或“事物”。例如，学校中的每个学生，医院中的每个手术。 每个实体都有用来描述实体特征的一组性质，称之为属性，一个实体由若干个属性来描述。如学生实体可由学号、姓名、性别、出生年月、所在系别、入学年份等属性组成。 实体集（Entity Set）是具体相同类型及相同性质实体的集合。例如学校所有学生的集合可定义为“学生”实体集，“学生”实体集中的每个实体均具有学号、姓名、性别、出生年月、所在系别、入学年份等性质。 实体类型（Entity Type）是实体集中每个实体所具有的共同性质的集合，例如“患者”实体类型为：患者｛门诊号，姓名，性别，年龄，身份证号.............｝。实体是实体类型的一个实例，在含义明确的情况下，实体、实体类型通常互换使用。 实体类型中的每个实体包含唯一标识它的一个或一组属性，这些属性称为实体类型的标识符（Identifier），如“学号”是学生实体类型的标识符，“姓名”、“出生日期”、“信址”共同组成“公民”实体类型的标识符。 有些实体类型可以有几组属性充当标识符，选定其中一组属性作为实体类型的主标识符，其他的作为次标识符。 三、实体、属性及标识符的表达 PowerDesigner教程:概念数据模型 [收藏此页] [打印] 作者：KevinYin 2007-08-27 内容导航： PowerDesigner概念数据模型 第1页： 概念数据模型概述 第2页： PowerDesigner概念数据模型 第3页： 属性的标准检查约 束 第4页： 如何定义实体的主、次标识符 第5页： 数据项、新增数据项、数据项的唯一性... 第6页： 联系的定义及使用 本小节主要介绍PowerDesigner概念数据模型以及实体、属性创建。 一、新建概念数据模型 1）选择File-->New,弹出如图所示对话框，选择CDM模型（即概念数据模型）建立模型。 2）完成概念数据模型的创建。以下图示，对当前的工作空间进行简单介绍。（以后再更详细说明）

网易云课堂免费学习视频.txt

spring，springmvc，微信小程序，node.js,ES6,mybatis,rose,powerdesign

MATLAB 模拟 28 GHz 8×8 均匀矩形阵列的数字波束成形.zip

1.版本：matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

数据处理之增删改练习作业图片

数据处理之增删改练习作业

【多源数据融合】基于Dempster-Shafer理论的信念对数相似度测量及其在多源数据融合中的应用（Matlab代码实现）

内容概要：本文系统阐述了基于Dempster-Shafer（DS）证据理论的信念对数相似度测量方法，并将其应用于多源不确定信息的融合问题中。该方法通过构建基本概率分配函数（BPA），引入对数相似度准则来量化不同证据间的冲突与一致性，有效克服了传统Dempster组合规则在高冲突情境下的反直觉推理缺陷。文章详细论述了DS理论的数学基础、信念函数与似然函数的定义、焦元的识别与处理机制，并结合Matlab实现了完整的算法仿真流程，验证了该方法在提升融合结果鲁棒性与准确性方面的优越性能。该技术适用于传感器网络数据融合、故障诊断、模式识别及复杂系统决策支持等存在高度不确定性与信息冲突的实际场景。; 适合人群：具备一定数理逻辑基础和Matlab编程能力，从事人工智能、数据融合、自动化控制、模式识别、故障诊断及智能决策系统等领域的研究生、科研人员与工程技术人员。; 使用场景及目标：①解决多传感器或多专家系统中因信息来源差异导致的证据冲突问题；②提升复杂环境下状态感知与目标识别的可靠性与精确度；③为不确定性推理与证据理论研究提供可复现、可验证的算法实现范例； 阅读建议：建议读者首先掌握D-S证据理论的基本概念，重点理解BPA构造、信任度与似然度计算过程，结合文中Matlab代码深入剖析相似度计算与证据融合的实现细节，可通过调整仿真参数对比不同融合策略的效果，以全面把握该方法的优势与适用条件。