24）0 概述多視圖聚類是將給定的多視圖數(shù)據(jù)依據(jù)相似性劃分為不同的簇，使得相同簇中的對象盡量相似，不同簇中的對象盡量不同［1］。多視圖數(shù)據(jù)可以使得問題描述的角度更全面，提供比傳統(tǒng)單視圖數(shù)據(jù)更豐富的信息來揭示其內(nèi)在結(jié)構(gòu)，并已成功應用于社交網(wǎng)絡［2-3］、多模態(tài)生物特征分析等領(lǐng)域［4-5］。多視圖集成聚類作為一類典型多視圖聚類分析方法，通過集成聚類的思想使多個視圖較弱的基本分區(qū)集成為一個較強的一致分區(qū)，并利用多個獨立的基聚類器分別對原始數(shù)據(jù)集進行聚類，然后使用

往往可以在不同的視圖下進行描述，所獲取的數(shù)據(jù)常?？梢杂啥鄠€特征集合進行表示，不同視圖下的觀測揭示了事物的不同屬性，這類數(shù)據(jù)通常被稱為多視圖數(shù)據(jù)［2］。多視圖數(shù)據(jù)的學習主要是在聚類這個背景下被研究，對于此類多視圖的研究被稱為多視圖學習［3］，目前，多視圖學習在機器學習、數(shù)據(jù)挖掘、人工智能等不同領(lǐng)域得到了廣泛的研究［4～6］。在這些視圖中，每一個視圖可以滿足于特定的數(shù)據(jù)分析任務需求，不同視圖之間通常包含互補的信息。類似于我們所倡導的多視圖看問題的思維，機器學習

類算法大多關(guān)注單視圖數(shù)據(jù)，即數(shù)據(jù)集僅有一個數(shù)據(jù)源（或僅有一個特征集）；而在現(xiàn)實應用場景中，數(shù)據(jù)來源往往多樣化，同一個數(shù)據(jù)集也可能有多個數(shù)據(jù)源的特征集，由此構(gòu)成多視圖數(shù)據(jù)（multi-view data）。傳統(tǒng)聚類算法［2-4］的單視圖學習模式往往難以有效應對多視圖聚類問題，如何充分利用多視圖場景下不同數(shù)據(jù)視圖之間的互補與一致信息提升多視圖聚類性能，是近年來聚類分析領(lǐng)域的一個熱點研究方向［5-17］。近幾年，國內(nèi)外研究人員提出了許多行之有效的多視圖聚類算法［

22）近年來，多視圖[1-2]數(shù)據(jù)分析已經(jīng)引起了越來 越廣泛的關(guān)注，由于科技的發(fā)展，不同類型的傳感器可以從多個角度采集數(shù)據(jù)，這為我們提供了豐富的樣本。但是，隨之也帶來了相關(guān)挑戰(zhàn)，多視圖數(shù)據(jù)中的同一類標簽往往對應多個不同的樣本，甚至是異構(gòu)的。這導致了一個學習困難的問題，若多視圖的類內(nèi)數(shù)據(jù)相似性低于同一視圖不同類之間的相似性，將會導致算法效果較差甚至失敗。一般來說，多視圖數(shù)據(jù)分析可采用3 種策略：1）特征自適應算法[3-4]，旨在尋找一個公共空間，不同視圖之間

個模態(tài)的數(shù)據(jù)為多視圖數(shù)據(jù)［8］。如何從多視圖數(shù)據(jù)中挖掘有價值的、潛在的、復雜的結(jié)構(gòu)關(guān)聯(lián)，賦予計算機理解多源異構(gòu)海量數(shù)據(jù)的能力，已成為多視圖數(shù)據(jù)挖掘領(lǐng)域迫切需要解決的關(guān)鍵問題。由于多視圖數(shù)據(jù)特征間的差異性及其相互關(guān)系的復雜性，傳統(tǒng)的聚類算法并不能準確刻畫和提取這些不同視圖數(shù)據(jù)的空間分布特性以及其內(nèi)在關(guān)系。多視圖聚類作為一種新的機器學習范式，給定一組標簽未知的多視圖數(shù)據(jù)對象，通過對多個視圖進行模型構(gòu)建并學習共識函數(shù)，目的是挖掘多個視圖之間的潛在關(guān)聯(lián)，將數(shù)據(jù)對象

向。3維模型的多視圖表示結(jié)合深度學習成為該研究方向的一個熱點。卷積神經(jīng)網(wǎng)絡通過一系列的卷積池化操作可以很好地表達圖像特征信息，因此被廣泛用于基于視圖的3維模型特征學習中[2]?；诙?span id="syggg00" class="hl">視圖的3維模型分類方法可以分為兩大類：基于多視角特征結(jié)合特征級融合和基于獨立視角特征結(jié)合決策級融合。特征級融合是將各視角下的視圖通過特征編碼融合為一個特征，通常又稱特征描述符。決策級融合重點在于將每個獨立視角表示成對應的視角特征。利用視角間空間位置關(guān)系提升特征描述能力，進而進行

齊的深度自監(jiān)督多視圖聚類方法陳泓達 陳培欽（廣東工業(yè)大學，廣東 廣州 510006）為高效利用多視圖數(shù)據(jù)的一致性和互補性信息，提高多視圖聚類效果，提出一種基于交叉分布對齊的深度自監(jiān)督多視圖聚類方法。首先，采用交叉對齊策略學習視圖間的潛在聯(lián)系，得到多視圖共享潛在表示；然后，執(zhí)行聚類操作，并將聚類結(jié)果作為偽標簽信息，建立一條自監(jiān)督路徑；接著，在統(tǒng)一的框架中聯(lián)合學習優(yōu)化；最后，在3個公共多視圖數(shù)據(jù)上進行實驗，結(jié)果表明，本文提出方法的聚類評價指標均表現(xiàn)出較好性能。

或主題，形成了多視圖數(shù)據(jù)［1～3］。例如，一個多媒體片段可由視頻信號和音頻信號同時描述；一個網(wǎng)頁的特征可通過文檔文本、超鏈接、圖片信息等表示；一張圖片可通過不同的特征提取器捕獲其相應的表示，如LBP、SIFT、HOG等。多視圖數(shù)據(jù)的爆炸性增長，引發(fā)了對其進行有效分析和處理的技術(shù)需求增長。在數(shù)據(jù)挖掘中，聚類分析［4］是一項非常重要的技術(shù)，能將相似度高的數(shù)據(jù)劃分到一個簇。在過去的幾十年里，許多的聚類方法已經(jīng)被發(fā)展，如K-means，譜聚類，基于核的聚類方法，基

制圖 圖樣畫法 視圖》中規(guī)定了繪制圖樣的一些基本方法。學習者依據(jù)零件的復雜程度不同，陸續(xù)學會了用視圖、剖視圖、斷面圖以及其他表達方法來清晰地展示零件的內(nèi)、外結(jié)構(gòu)。其中，視圖主要是用來表達零件的外部結(jié)構(gòu)特點和形狀特征，通常只需繪制零件的可見部分，必要時才會用細虛線來繪制零件的不可見部分。但當零件的內(nèi)部結(jié)構(gòu)形狀復雜時，繪制過多的虛線不僅影響看圖和圖樣的清晰度，也不便于零件的尺寸標注，且虛線不如連續(xù)線繪制方便。因此，國家標準規(guī)定可采用剖視圖來清晰地表達零件的內(nèi)部

究主要可以分為單視圖主動學習(single view active learning, SVAL)和 多 視 圖 主 動 學 習 (multi view active learning,MVAL)[3]。然而，單一的視圖特征對圖像的特征表示是有限的[4]，高光譜圖像中豐富的光譜信息和空間特征信息促使多視圖主動學習成為一個重要的研究方向[5]。多視圖主動學習包括2個重要的內(nèi)容：多視圖生成和樣本選擇策略[6]，其中視圖的質(zhì)量會直接影響樣本選擇策略，從而影響最終

分為成對配準和多視圖配準[4-5]。1992年，Besl和Mckay[6]提出的迭代最近點(Iterative Closest Point， ICP)算法是一種常見且變體最多的配準算法[7]，其基本思想是通過計算最近歐氏距離建立對應的點對關(guān)系，并迭代地調(diào)整點云間的剛性變換參數(shù)(R,T)使點云間的空間偏差最小化，從而獲得配準結(jié)果。其變體例如Chetverikov等人[8]提出的裁剪ICP算法(Trimmed Iterative Closest Point，

征的集合比作一個視圖，這樣便構(gòu)成了多視圖數(shù)據(jù)。例如：若想識別一個人，可以結(jié)合他的聲音、長相、外形等特征對其進行辨別。因此對多視圖數(shù)據(jù)有以下定義：同一個物體從不同角度觀察所產(chǎn)生的異構(gòu)特征數(shù)據(jù)，叫多視圖數(shù)據(jù)[1-4]?，F(xiàn)階段由于測量方法的多樣性，多視圖數(shù)據(jù)在各行各業(yè)中廣泛存在。對數(shù)據(jù)進行描述時可以通過對不同的視圖從不同的角度進行分析，如何對多個視圖數(shù)據(jù)采取高效聚類是當前研究領(lǐng)域的一個重點問題。文獻[5]提出一種樣本加權(quán)的多視圖聚類算法，對每個樣本的不同視圖作加

展，有效地處理多視圖數(shù)據(jù)成為了雙聚類算法的發(fā)展趨勢。為有效融合多源數(shù)據(jù)信息，研究人員結(jié)合多視圖學習以及雙聚類算法提出了多視圖雙聚類算法[1]（Multi-View Bi-Clustering）算法來對多視圖、多源數(shù)據(jù)進行雙聚類分析。多視圖雙聚類算法可以利用多視圖數(shù)據(jù)中隱含的共享性信息以及差異性信息指導聚類過程，進而獲得更高的精度。然而，目前的多視圖雙聚類算法研究中，研究者使用的算法都是以單一視圖的雙聚類為基礎(chǔ)，尋找不同視圖間的共享特征來鏈接多個視圖從而拓展

著極大的作用.多視圖數(shù)據(jù)是指從不同的源頭采集或由不同屬性的特征進行描述的數(shù)據(jù)，例如網(wǎng)絡新聞數(shù)據(jù)通常通過文本、圖片以及多媒體信息等特征進行描述，可以按照特征所屬的不同類型劃分為不同的視圖.目前，多視圖聚類算法在無人駕駛、異常點檢測、生物醫(yī)學分析等領(lǐng)域中都得到了充分的應用.文獻[1]中，首次提出了以協(xié)同訓練為基礎(chǔ)的多視圖聚類方法.文獻[2]基于核的思想，將每個視圖表示為圖，將多個圖融合后進行譜聚類.文獻[3]結(jié)合多視圖K-均值算法和集成技術(shù)，提高了聚類的性能.

們不難畫出它的三視圖;反過來，給定小正方體堆積成的幾何體的視圖，如何確定小正方體的個數(shù)，是同學們普遍感到困難的地方，那么如何解決此類問題呢？這種類型的問題通常分兩類：一是已知三個視圖，確定小正方體的個數(shù);二是已知兩個視圖，確定小正方體個數(shù)的最值問題。而已知兩個視圖又分兩種情況：含有俯視圖和不含俯視圖。下面，我們對解決這類問題的方法進行總結(jié)。一、已知三個視圖，確定正方體的個數(shù)例1由一些相同的小正方體搭成的幾何體的三視圖如圖1所示，則搭成該幾何體的小正方體有（

集由不同的表示或視圖組成。對于同一個數(shù)據(jù)，可以根據(jù)該數(shù)據(jù)的不同特征進行劃分，每種特征代表一種視圖數(shù)據(jù)。例如，網(wǎng)頁可通過文本或網(wǎng)頁鏈接的形式獲取數(shù)據(jù)，從而構(gòu)成兩個視圖的多視圖數(shù)據(jù)；同一個故事可以在不同的新聞中被講述，一份文件可以被翻譯成多種不同的語言等等。通常，多視圖為語義相同的數(shù)據(jù)提供兼容和互補信息，因此將它們集成在一起能獲得比單視圖更好的性能[1]。多視圖聚類的目的是基于對象的多個表示將對象劃分為若干個簇。近年來利用多視圖數(shù)據(jù)的互補性和一致性，研究者們提

10中更改文件夾視圖的方法在Windows10中更改文件夾的視圖模式很簡單，首先在文件資源管理器中打開一個文件夾，然后通過“查看”菜單下的“布局”功能面板中的視圖命令，設定一種視圖模式（如超大圖標、大圖標、列表等）（圖1）。然后打開文件夾選項窗口，切換到“查看”選項卡，點擊“應用到文件夾”按鈕，最后點擊“確定”（圖2）。之后，當我們打開同類文件夾時，便會使用相同的視圖。注意這里對“同類”文件夾沒有任何說明，也沒有設置、調(diào)整能力。2.用ShellBagsVi

觀察結(jié)果視為一個視圖或視角,則每個視圖均可以得到與之相應的數(shù)據(jù),這種數(shù)據(jù)統(tǒng)稱為多視圖數(shù)據(jù)[1-2]。包含多個視圖的樣本數(shù)據(jù)可以采用不同的形式進行特征描述[3],如對于一幅圖像,顏色信息和紋理信息是2種不同的特征,可以看作是2個視圖數(shù)據(jù)。在網(wǎng)頁分類中,通?？梢杂镁W(wǎng)頁本身的文本內(nèi)容和鏈接到此網(wǎng)頁的超鏈接2種特征來描述給定的網(wǎng)頁。相比于僅來源于單一渠道的單視圖數(shù)據(jù),多視圖數(shù)據(jù)更能全面描述事物所具有的信息。傳統(tǒng)的機器學習算法,如支持向量機[4]、判別分析[5]、光

安徽三視圖是高中新教材新增內(nèi)容，也是高考的?？贾R點.不難發(fā)現(xiàn)，由三視圖還原幾何體的試題常考不衰，且其載體的復雜程度呈增長之勢，特別是以簡單組合體為載體的試題備受命題專家青睞.雖然很多學生能將“長對正，高平齊，寬相等”爛記于心，也對簡單幾何體的三視圖了如指掌，但處理這類問題時仍力不從心，無法可解，甚至不少教師的講解和很多資料的答案往往是直接告知是什么幾何體，而不做詳細解釋.筆者經(jīng)過深入研究，發(fā)現(xiàn)割補法(對三視圖進行分割或修補)不但能有效處理復雜的三視圖還原

的特征表示使得多視圖數(shù)據(jù)在眾多實際應用中越來越普遍.例如Web網(wǎng)頁可以從3個不同的角度描述：詞向量視圖直觀刻畫了網(wǎng)頁文本中單詞的出現(xiàn)情況；網(wǎng)頁中的圖像提供了豐富的視覺特征視圖；網(wǎng)頁與網(wǎng)頁之間的鏈接關(guān)系展示了網(wǎng)頁內(nèi)容彼此之間的相關(guān)性.多視圖數(shù)據(jù)的互補性和一致性有利于從不同方位協(xié)同完成特定的機器學習任務.因此，多視圖學習逐漸受到人們的關(guān)注.多視圖研究最早起源于Yarowsky[1]和Blum等人[2]提出的消除單詞歧義算法和協(xié)同訓練算法.Yarowsky[1]

表格等不同類型的視圖，將視圖完善后按照事先計劃好的播放順序鏈接即可。2.1 創(chuàng)建第一個視圖第一個視圖可按以下步驟來創(chuàng)建。（1）將齒輪泵裝配體導入到SolidWorks Composer軟件中，在標題欄窗口單元中，選中裝配“結(jié)構(gòu)樹”、“視圖”、“屬性”、“協(xié)同結(jié)構(gòu)樹”等選項。點擊左邊標題欄“視圖”-“創(chuàng)建視圖”，創(chuàng)建第一個視圖，并命名為齒輪泵。（2）點擊上方標題欄“作者”-“2D文本”，在第一張視圖中添加6個2D文本，并在“屬性”-“文本字符串”中將文本按播

數(shù)據(jù)稱為一個特定視圖,多類型數(shù)據(jù)的總體稱為多視圖數(shù)據(jù).針對多視圖數(shù)據(jù)的分析研究,已經(jīng)引起機器學習研究者的關(guān)注[1?4].按不同任務,已有方法可分為多視圖子空間學習[5?6]、多視圖字典學習[7?8]、多視圖度量學習[9]等.完成這些任務的重要工作是獲得視圖間的匹配關(guān)系,可以通過協(xié)同訓練[10?11]、協(xié)同映射[12?13]、信息傳播[14]等方法實現(xiàn).在實現(xiàn)過程中,通常要求每個實例的所有視圖都是完整的.然而,現(xiàn)實問題中數(shù)據(jù)通常獨立地收集、處理和存儲,受環(huán)境

中醫(yī)院關(guān)于SQL視圖優(yōu)點和缺點的淺探李素奇 射陽縣中醫(yī)院在SQL中查詢數(shù)據(jù)時，一般從設計SELECT語句開始，將需要查詢的字段寫下來，而每次你要來查詢數(shù)據(jù)時（同樣的條件下），那么就需要重復輸入一樣的查詢語句，效率低下。但將這個經(jīng)常要重復使用的查詢語句創(chuàng)建成視圖，就簡單了！我們在程序設計的時，要先了解視圖的優(yōu)點和缺點，這樣就可以揚長避短，更合理的來使用它。視圖 優(yōu)點 缺點在SQL Server數(shù)據(jù)庫中，表定義了數(shù)據(jù)的編排方式和結(jié)構(gòu)。在SQL Server數(shù)據(jù)

動進入“受保護的視圖”模式，不但出現(xiàn)煩人的“受保護的視圖”提示，還限制編輯，只有單擊“啟用編輯”后才能正常編輯文檔。（如圖1）這是因為Excel2013發(fā)現(xiàn)此文件來自Internet，可能不安全，在“受保護的視圖”中打開該文件有助于保護計算機的安全。但是如果我們能夠確信下載的文件安全，完全可以關(guān)閉“受保護的視圖”模式。操作步驟如下：Stepl：單擊“文件→選項”，在彈出的“Excel選項”對話框，單擊“信任中心→信任中心設置”。（如圖2）Step2：在彈出

房瑋嘉有關(guān)三視圖的許多題目，求解的思路不難，但由于不少同學對三視圖理解不深，或未掌握三視圖畫法的要領(lǐng)，常常出現(xiàn)各種各樣的錯誤，在畫視圖時，首先觀察物體，畫出視圖的外輪廓線，然后將視圖補充完整，在這個過程中有以下六點要特別注意。分析：對幾種常見幾何體的各種視圖的形狀要明確，要熟記一些常見幾何體三視圖的形狀，例如在正常的放置狀態(tài)下，球的三視圖都是圓；圓柱的主視圖和左視圖都是矩形，俯視圖是圓；正方體的三視圖都是正方形；圓錐的主視圖和左視圖都是三角形，俯視圖是圓及

發(fā)明在學習投影與視圖時，要學會正確判斷簡單幾何體的三視圖，并能正確畫出基本幾何體的三視圖，由三視圖能得到相應的幾何體.根據(jù)實例掌握中心投影和平行投影的有關(guān)性質(zhì).為幫助同學們學好這一部分內(nèi)容，下面以2016年中考題為例說明投影與視圖這一章中的常見考點.endprint

的整體優(yōu)劣，普通視圖的查詢時間長，系統(tǒng)開銷大，采用物化視圖勢在必行，以下就物化視圖的結(jié)構(gòu)進行分析，通過比較，闡明物化視圖在大數(shù)據(jù)環(huán)境下的重要性。關(guān)鍵字：數(shù)據(jù)庫；查詢優(yōu)化；物化視圖1 物化視圖的定義物化視圖就是具有物理存儲的特殊視圖，占據(jù)物理空間。它是用于預先計算并保存表連接或聚集等耗時較多操作的結(jié)果，這樣，在執(zhí)行查詢時，就可以避免進行這些耗時的操作，從而快速的得到結(jié)果。它需要和源表進行同步，不斷刷新物化視圖中的數(shù)據(jù)。2 普通視圖的局限在Oracle 中使用

一些基于類的通用視圖，用于解決一些常見的Web任務。該文主要介紹了類視圖的基本用法以及幾個常用的類視圖。關(guān)鍵詞：Django；類；Web中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2016）13-0103-021類視圖的基本使用Django中的視圖是一個可調(diào)用對象，在Django的早期版本中，視圖用函數(shù)來實現(xiàn)。隨著Django的不斷發(fā)展，Django的技術(shù)團隊提供了新的實現(xiàn)，用類來表示視圖，并且針對Web開發(fā)中的常見任務，定義了大

觀設計專利申請中視圖類文件常見缺陷分析及建議趙北北★外觀設計專利申請要求申請人必須提交請求書、產(chǎn)品視圖、簡要說明等文件，而在審查實踐中專利代理機構(gòu)或申請人提交的產(chǎn)品視圖文件存在的缺陷最多也最為集中。本文從視圖提交數(shù)量以及視圖表達形式兩個方面，對于審查實踐中遇到的各類視圖文件中常見的缺陷進行歸納分析，同時給出合理的解決建議。外觀設計 視圖 清楚表達 視圖提交數(shù)量 視圖表達形式對于外觀設計專利申請，一般申請人需要提交請求書、產(chǎn)品視圖以及簡要說明。另外，若委托專

□李慶社你會畫左視圖嗎□李慶社已知一個幾何體的主視圖、俯視圖，畫出幾何體的左視圖，是一種具有多解性的問題，所畫的左視圖一般不具有惟一性.例用小立方塊搭成的幾何體，使它的主視圖和俯視圖如圖所示.這樣的幾何體有幾種，它至少需要多少個小立方塊？最多需要多少個小立方塊？分別畫出它們的幾何體的左視圖.主視圖俯視圖分析：只根據(jù)主視圖和俯視圖搭幾何體，則搭成的幾何體不是惟一的.根據(jù)主視圖和俯視圖的特征，我們可以搭出符合主視圖和俯視圖的所有幾何體.下面通過在俯視圖中標出每

璇空間幾何體的三視圖包括正（主）視圖、側(cè)（左）視圖、俯視圖，分別是從幾何體的正前方、正左方、正上方觀察幾何體畫出的輪廓線.若相鄰兩物體的表面相交，則表面的交線是它們的分界線，在三視圖中，要注意實、虛線的區(qū)別.點撥 （1）從熟知的某一視圖出發(fā)，想象出直觀圖，再驗證其他視圖是否正確；（2）要分辨清楚視圖中標注的長度在直觀圖中代表什么；（3）注意視圖之間的數(shù)量關(guān)系：正俯長對正，正側(cè)高平齊，側(cè)俯寬相等；（4）合理地進行面積和體積的計算.

控網(wǎng)絡中的一致性視圖構(gòu)建機制*曹生林，柳立言(寧夏師范學院數(shù)學與計算機科學學院,寧夏 固原 756099)在可信可控網(wǎng)絡中利用多個控制節(jié)點對AS進行聯(lián)合控制，容易造成多個控制節(jié)點在網(wǎng)絡控制過程中持有的AS視圖不一致問題。針對該問題，在可信可控網(wǎng)絡模型的基礎(chǔ)上提出了基于選舉算法的AS內(nèi)一致性視圖構(gòu)建機制，該機制首先基于選舉算法選舉出主控制節(jié)點，然后主控制節(jié)點根據(jù)AS內(nèi)各個控制節(jié)點的負載，將視圖構(gòu)建任務分配給負載最低的控制節(jié)點負責構(gòu)建視圖，并利用主控制節(jié)點的時

21008）1 視圖的作用視圖是一個虛表，它是由一個或者說多個基本表導出而形成的，但是數(shù)據(jù)依然存放在基本表中，所以它和基本表不同，二者存在區(qū)別。視圖的定義存放在數(shù)據(jù)庫中，它的作用就是數(shù)據(jù)庫顯示數(shù)據(jù)的窗口，通過視圖可以查看自己需要的數(shù)據(jù)庫的數(shù)據(jù)，并能看到相關(guān)數(shù)據(jù)的變化[1]。視圖的主要作用如下：[2,3]（1）視圖可以根據(jù)不同的用戶自行定義，對于用戶無權(quán)存儲的數(shù)據(jù)可以根據(jù)視圖機制對其進行保密，從而提高數(shù)據(jù)的安全性。（2）使用戶多種角度看待同一數(shù)據(jù)。（3）可以

其是在創(chuàng)建查詢和視圖這一章。學習VFP6.0的基礎(chǔ)是建立數(shù)據(jù)庫、向表中存儲數(shù)據(jù)。但是我們在表中存儲的數(shù)據(jù)再多而不去使用它也是沒有意義的，因此當我們建立數(shù)據(jù)庫和表以后，目的就是要使用這些數(shù)據(jù)。在Visual FoxPro6.0中，常常利用視圖和查詢來對收集的數(shù)據(jù)進行處理，得到有用的信息。很多學生在使用二者時，總是產(chǎn)生迷惑，既然二者都能篩選出我們所需要的數(shù)據(jù)，那么只掌握其中一個不就可以了嗎？帶著這樣的疑問，我們分析一下到底查詢和視圖有什么不同。我們有這樣一個例

進行聚集生成物化視圖預先存儲起來，對一些查詢可以直接給出結(jié)果，而不必進行聚集計算，提高了查詢的效率。物化視圖需要占用空間，對于高維度的數(shù)據(jù)集來說，可以生成的物化視圖的總個數(shù)隨著維度上升成指數(shù)級增長，需要進行物化視圖的選擇。目前物化視圖選擇的策略較多，但是并沒有得到普遍的最優(yōu)算法，物化視圖選擇調(diào)整問題本身也被證明為NPHard問題［1］。在數(shù)據(jù)倉庫系統(tǒng)運行過程中，對著用戶查詢的不斷變化，已有的選擇策略可能并不能滿足當前的用戶查詢習慣，如何準確地把握用戶查詢類

往往僅限于標準三視圖和一些其他限制，并不能滿足復雜多變的實際工程圖。因此，對于現(xiàn)有工程圖的三維化仍主要依靠人工繪制，但人工繪制是一個很耗費時間的過程，尤其是對于不熟悉該工程圖的人，這將只會事倍功半。為了尋求解決辦法，通過繪制大量工程圖的三維模型并且分析其中主要過程，找出了耗費時間比較多并且與工程圖密切相關(guān)的一個過程——草圖建模。企業(yè)的產(chǎn)品大部分是系列化的，使用草圖建?？梢詫?gòu)成特征的曲線輪廓進行參數(shù)化控制，便于修改，所以進行三維建模時大多使用草圖建模。因此

所對應的二維投影視圖的集合。這樣一來，兩個三維模型之間的比較就轉(zhuǎn)化為各自投影集合中所對應的二維投影視圖之間的比較。如果所對應的二維投影視圖都相似，則認為這兩個模型相似。該類算法中最著名的為Chen等提出的光場算法[5]。然而，在使用投影視圖對三維模型進行相似性匹配時，光場算法只是籠統(tǒng)地對視圖集中的每一幅視圖都同等看待，卻忽視了不同視圖在匹配過程中其實具有不同的重要性。相較于其它視圖，模型的某些投影視圖包含更多的信息，因而更能影響模型間的相似性匹配。從圖1可

21－423物化視圖作為匯總表在數(shù)據(jù)倉庫中的應用汪 輝，李 浪 （衡陽師范學院 計算機科學系，湖南 衡陽 421002）匯總表存儲的是事先計算好的匯總數(shù)據(jù)，在數(shù)據(jù)倉庫查詢調(diào)優(yōu)中是至關(guān)重要的。分析了匯總表數(shù)據(jù)生成的三種方法：即觸發(fā)器、存儲過程、物化視圖；用實例闡述了物化視圖的使用方法和優(yōu)點，即靈活的數(shù)據(jù)刷新方式、減少繁重的編程工作、查詢重寫機制保證應用獨立性等，指出了物化視圖是實現(xiàn)匯總表的理想選擇。物化視圖；匯總表；數(shù)據(jù)倉庫CLC nunber：TP311A

的創(chuàng)建每一個剖切視圖，都需要一個剖切平面，正確的創(chuàng)建剖切平面，是創(chuàng)建剖切視圖非常重要的一步。剖切平面可以在零件圖中創(chuàng)建，也可以在工程圖中創(chuàng)建，實際上在零件圖中創(chuàng)建剖面更簡單，所以建議大家在最好在零件圖中創(chuàng)建。本題創(chuàng)建2個剖面（A-A和B-B）。其中A-A為旋轉(zhuǎn)剖的剖面，B-B為對稱剖的剖面。1.2 定向零件工程圖的創(chuàng)建中，主視圖的定向很重要。定向的方法很多，可以在零件圖中定，也可以在工程圖中定，定好向后要取好視圖名稱并保存。建議最好在零件圖中定向（因為在零

tion 的索引視圖改善數(shù)據(jù)庫系統(tǒng)的整體性能。關(guān)鍵詞：SQL Server 2005；database；DBMS1索引視圖的作用Microsoft SQL Server 視圖的主要作用是：1.1提供一種安全機制，將用戶限制到一個或多個基表的某個數(shù)據(jù)子集中。1.2提供一種機制，允許開發(fā)人員自定義用戶通過邏輯方式查看存儲在基表中的數(shù)據(jù)的方式。在SQL Server 2005中，具有唯一的聚集索引的視圖稱為索引視圖。2利用索引視圖提高系統(tǒng)性能的方法2.1可在視圖

立方體組合體的三視圖,或由三視圖描繪出原物體的形狀,是我們學習的一個難點,許多同學感到棘手.下面結(jié)合例題與同學們一起探究如何畫三視圖.一?畫小立方體組合體的三視圖對于小立方體組合體,畫它的三視圖時應遵循以下規(guī)律:(1)畫主視圖時,觀察者站在小立方體組合體的正面看,主視圖要看原小立方體組合體的列,即原小立方體組合體有幾列,則主視圖便有幾列,并且主視圖中每列從上到下的正方形的個數(shù)就是你能看到小立方體組合體對應列從上到下的小立方體的總層數(shù).(2)畫左視圖時,觀察