标签: normalization

是在你试图获取数据时,没有明显的简单方法吗？

当你发现某些东西应该是它自己的桌子？

有什么法律？

假设我们有一些非规范化数据,如下所示:

List<string[]> dataSource = new List<string[]>();
string [] row1 = {"grandParentTitle1", "parentTitle1", "childTitle1"}; 
string [] row2 = {"grandParentTitle1", "parentTitle1", "childTitle2"};
string [] row3 = {"grandParentTitle1", "parentTitle2", "childTitle3"};
string [] row4 = {"grandParentTitle1", "parentTitle2", "childTitle4"};
dataSource.Add(row1);

我需要对其进行规范化,例如,使用Child.Parent和Child.Parent.GrandParent填充IEnumerable <Child>.

势在必行的方式或多或少都很明确.Linq会缩短吗？

在一个查询中更好,对于更多实体,这应该是可扩展的.

我试过像分别创建IEnumerable <GrandParent>,然后IEnumerable <Parent>分配等.

是否可以通过功能方式实现这一点？

我有以下表格:

Blogs { BlogName }
BlogPosts { BlogName, PostTitle }

根据6nf(根据第三个宣言),博客帖子同时对实体和关系建模是无效的.

在6nf中,它将是:

Blogs { BlogName }
Posts { PostTitle }
BlogPosts { BlogName, PostTitle}

如果我想通过序列nbr(仅作为示例)订购博客帖子,那将是另一个表

BlogPostsSorting { BlogName, PostTitle , SortOrder }

我说得对吗？

我对图像标准化,图像范围和图像缩放非常困惑.我正在使用算法(我在上一个问题中上传了算法),在应用算法后,我使用维基百科中的这个公式来规范化图像:

使用getrangefromclass(filtImag1{i})MATLAB,在应用算法之前的矩阵范围是[0 255],并且在应用算法之后,范围是[0 1].

问题是我需要找一个参考来找出规范化公式是否正确？我还有5叠图像,每张图像包含600张图像.我已经为每个堆栈应用了算法,并且由于算法的结果是每个堆栈有10个图像,我最终会得到50个我需要分析的图像并将它们进行比较.我找到了50张图像的最大值和最小值,然后将每张图像传递到公式中以对图像进行标准化.

虽然图像的范围是[0 1]但图像的最大值是:max = 3.6714e + 004

为什么？不应该是1吗？这是正常化的正确方法吗？我该如何应用缩放？我需要这样做吗？

这是规范化代码:

%%%%%%%%%%%%%%Find Min and Max between the results%%%%%%%%%%%%%%%%%%%%%%% 
pre_max = max(filtImag1{1}(:));
for i=1:10
   new_max = max(filtImag1{i}(:));
    if (pre_max<new_max)
        pre_max=max(filtImag1{i}(:));
    end
end
new_max = pre_max;

pre_min = min(filtImag1{1}(:));
for i=1:10
   new_min = min(filtImag1{i}(:));
    if (pre_min>new_min)
        pre_min = min(filtImag1{i}(:));
    end
end
new_min = pre_min;

%%%%%%%%%%%%%%normalization %%%%%%%%%%%%%%%%%%%%%%%
 for i=1:10
 temp_imag = filtImag1{i}(:,:);
 x=isnan(temp_imag);
 temp_imag(x)=0;
 t_max = max(max(temp_imag));
 t_min = min(min(temp_imag));
 temp_imag = (double(temp_imag-t_min)).*((double(new_max)-double(new_min))/double(t_max-t_min))+(double(new_min));
 imag_test2{i}(:,:) = …

我的ElasticSearch索引未正确索引和查询非字母数字字符.具体而言,点和短划线会引起问题.

如果我使用名称"OK Corral"索引文档,它应该匹配"OK Corral"的查询.同样,如果我将"Whiskey A Go-Go"编入索引,我希望它能与"Whiskey A GoGo"和"Whiskey A Go Go"相匹配.

现在,只有具有正确点和短划线的查询才会返回这些文档.

我希望该解决方案还能解决其他非字母数字字符的任何潜在问题,如逗号和撇号.

对于ElasticSearch令牌过滤器来说,这听起来像是一份工作,但我找不到能满足我需求的那些.另外,我想在ElasticSearch中执行此操作 - 我不想编写自定义字符串操作来在数据到达我的ES索引之前规范化数据.

谢谢你的帮助!

考虑这种情况:从销售人员处购买汽车.销售人员在陈列室(仅在一个陈列室)工作.陈列室隶属于制造商,仅销售该制造商生产的汽车.同时,汽车属于特定型号,而型号则由制造商制造.

限制R:汽车模型的制造商必须与汽车销售员的陈列室附属制造商的制造商相同.

该图显示了明显的外键关系.

     ---->  Manufacturer  <----
     |                        |
     |                        |
 Showroom                     |
     ^                        |
     |                      Model
     |                        ^
Salesperson                   |
     ^                        |
     |                        |
     ---------  Car  ----------

你如何执行限制R？您可以添加外键关系Car --> Manufacturer.然而,汽车的制造商可以通过在"钻石"周围以这种或那种方式连接表来建立,所以肯定这样做不会被规范化吗？然而,我不知道如何强制执行约束.

我通过C#读了杰弗里里希特的CLR,String.ToUpperInvariant()速度比String.ToLowerInvariant().他说这是因为FCL使用ToUpperInvariant来规范化字符串,因此该方法是超优化的.在我的机器上运行几个快速测试,我同意这ToUpperInvariant()确实稍微快一些.

我的问题是,如果有人知道该功能在技术层面上是如何实际优化的,和/或为什么同样的优化也没有被应用ToLowerInvariant().

关于"重复":提议的"重复"问题实际上并未提供我的问题的答案.我理解使用ToUpperInvariant而不是使用的好处ToLowerInvariant,但我想知道的是如何/为什么ToUpperInvariant表现更好.这一点未在"重复"中解决.

我知道这个问题被问到令人作呕，但不知何故我无法使其正常工作。我创建了一个具有单位幅度的 440 Hz 的单个正弦波。现在，在 FFT 之后，440 Hz 的 bin 具有明显的峰值，但该值不正确。我希望看到 0 dB，因为我正在处理单位幅度正弦波。相反，计算出的功率远高于 0 dB。我使用的公式很简单

for (int i = 0; i < N/2; i++) 
{  
    mag = sqrt((Real[i]*Real[i] + Img[i]*Img[i])/(N*0.54)); //0.54 correction for a Hamming Window

    Mag[i] = 10 * log(mag) ;      
}

我可能应该指出时域中的总能量等于频域中的能量（Parseval 定理），所以我知道我的 FFT 程序很好。

任何帮助深表感谢。

我有一个具有不同音频级别的avi文件.有没有办法减少和适当增加使用ffmpeg我的文件的音频？

我是caffe的新手,我试图用Min-Max Normalization将卷积输出归一化到0到1之间.

Out = X - Xmin /(Xmax - Xmin)

我检查了很多层(功率,比例,批量标准化,MVN),但没有人给我层中的最小 - 最大标准化输出.谁能帮我 ？？

*************我的原型文件*****************

name: "normalizationCheck"
layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param { shape: { dim: 1 dim: 1 dim: 512 dim: 512 } }
}

layer {
  name: "normalize1"
  type: "Power"
  bottom: "data"
  top: "normalize1"
  power_param { 
    shift: 0
    scale: 0.00392156862
    power: 1
   }
}

layer {
    bottom: "normalize1"
    top: "Output"
    name: "conv1"
    type: "Convolution"
    convolution_param {
        num_output: 1
        kernel_size: 1
        pad: 0
        stride: 1 …