缓慢变化维
空间维数变化原理例子
空间维数变化原理例子
空间维数变化原理是指在不同的尺度下，空间的维度会发生变化。
这个原理在自然界中很常见，下面举几个例子来说明。
1. 树枝的分支：树枝的主干形态是一维的，但当它分支出很多
小枝时，空间的维度就变成了二维。
如果再观察这些小枝，它们又会细分出更多的细枝，这时空间的维度又会进一步增加。
2. 海岸线的曲折程度：海岸线看似是一条一维的线，但当我们
细心观察时，会发现它的曲折程度非常复杂，这时空间的维度就变成了二维。
如果我们继续放大尺度，发现海岸线的曲折程度会更加复杂，空间维度也会进一步增加。
3. 脑部神经元的连接：脑部神经元之间的连接看似是一条一维
的线，但当我们细心观察时，会发现它们之间的连接非常复杂，这时空间的维度就变成了二维。
如果我们继续放大尺度，发现神经元的连接会更加复杂，空间维度也会进一步增加。
这些例子说明了空间维数变化原理在自然界中的普遍存在性，也提醒我们在观察自然界时需要注意不同尺度下的变化。
- 1 -。
缓慢变化维完全解决方案
缓慢变化维完全解决方案目录缓慢变化维解决方案 1参考文档：Wikipedia 2一.新数据覆盖旧数据 3二.保存多条记录，并添加字段加以区分 3三.不同字段保存不同值 4四．另外建表保存历史记录 4五．混合模式 5六．非常规混合模式 6参考文档：Wikipedia缓慢变化维定义Wikipedia中的定义：Dimension is a term in data management and data warehousing that refers to logical groupings of data such as geographical location, customer information, or product information.Slowly Changing Dimensions (SCD) are dimensions that have data that slowly changes.大意是说数据会发生缓慢变化的维度就叫”缓慢变化维”。
举个例子就清楚了：在一个零售业数据仓库中，事实表保存着各销售人员的销售记录，某天一个销售人员从北京分公司调到上海分公司了，那么如何来保存这个变化呢？也就是说销售人员维度要怎么恰当的处理这一变化。
先来回答一个问题，为什么要处理，或保存这一变化？如果我们要统计北京地区或上海地区的总销售情况的时候，这个销售人员的销售记录应该算在北京还是算在上海？当然是调离前的算在北京，调离后的算在上海,但是如标记这个销售人员所属区域？这里就需要处理一下这个维度的数据，即我们缓慢变化维需要做的事情。
处理缓慢变化维一般按不同情况有以下几种解决方案：一. 新数据覆盖旧数据此方法必须有前提条件，即你不关心这个数剧的变化。
例如，某个销售人员的英文名改了，如果你不关心员工的英文名有什么变化则可直接覆盖(修改)数据仓库中的数据。
二. 保存多条记录，并添加字段加以区分这种情况下直接新添一条记录，同时保留原有记录，并用单独的专用的字段保存区别。
学习型组织五项修炼
学习型组织五项修炼（下）大纲第一节学习型组织五项修炼之四：团队学习一、“整体配合”是开展团队学习的精髓二、团队智障三、团队学习的关键——深度汇谈四、善于找到“赞赏”和“质疑”间的平衡第二节学习型组织五项修炼之五：系统思考一、系统思考是五项修炼的核心二、怎样做到系统思考三、蝴蝶效应和青蛙现象第三节学习型组织典型案例［典型案例］联想集团：倡导学习贯穿始终课件知识点汇总T01：“整体配合”是开展团队学习的精髓T02：团队智障T03：团队学习的关键——深度汇谈T04：善于找到“赞赏”和“质疑”间的平衡T05：系统思考是五项修炼的核心T06：怎样做到系统思考T07：蝴蝶效应和青蛙现象T08：［典型案例］联想集团：倡导学习贯穿始终正文学习型组织五项修炼指的是学习型组织的五项新技能的组合，被管理界称为圣吉模型。
它包括：自我超越、心智模式、共同愿景、团队学习、系统思考。
本章主要介绍团队学习、系统思考两项修炼。
第一节学习型组织五项修炼之四：团队学习彼得·圣吉：在某种程度上，团队学习是学习型组织的核心，因为工作永远是团队机能的结果。
团队可以是正式的团队，也可以不是。
对团队最简单的定义是一群互相帮助去完成一项工作的人。
在这个意义上，团队永远是一起工作，而最终，组织的成长必然来自团队工作的成长能力。
一、“整体配合”是开展团队学习的精髓在现代组织中，学习的基本单位是团队而不是个人，其目的是使团队智商大于个人智商，使个人成长的速度更快，从而激发群体的智慧。
团队学习的关键是要克服个人的心理障碍，使每个人都能真实地谈出自己心中的设想，真正做到一起学习和思考。
团队学习同时强调终身学习、全员学习、全过程学习，提倡工作学习化、学习工作化。
彼得·圣吉认为，形成“整体配合”是开展团队学习的精髓。
也就是说，开展团队学习后，由于团队成员理解彼此的感觉和想法，因此能凭借完善的协调，发挥出综合效率。
过去人类主要靠开发廉价的物质资源来取胜，所以，只要有一两个优秀的领导，把劳动力组织好，就能取得成功。
hilbert分形维数 -回复
hilbert分形维数-回复希尔伯特分形维数（Hilbert fractal dimension）是描述分形对象复杂程度的一个数值指标。
在数学和物理学领域中，分形维数是用来描述自相似结构的尺寸的重要概念。
而希尔伯特分形维数则特指以希尔伯特曲线为基础构建的分形对象的维数。
希尔伯特曲线是一种连续均匀且自相似的空间填充曲线。
它是由德国数学家希尔伯特于20世纪初提出的，并在数学和物理学中得到了广泛应用。
希尔伯特曲线的特点是每个单位长度都可以分解为四份，然后通过不断迭代，将每段曲线与相邻段曲线连接起来，形成一个连续闭合的曲线。
第一步：构建希尔伯特曲线构建希尔伯特曲线的过程可以通过迭代的方式来实现。
起始时，我们首先定义希尔伯特曲线的初始状态，可以是一条直线或一个简单的封闭曲线。
然后，我们将每一段曲线分为四份，并通过连接相邻段曲线的方式，生成下一级的曲线。
重复这个过程，不断迭代，直到达到我们所需的曲线复杂程度。
第二步：计算希尔伯特分形维数希尔伯特分形维数可以通过测量希尔伯特曲线的长度和覆盖的区域面积来计算。
我们可以使用分形维数计算公式来得到希尔伯特分形维数的近似值。
在二维空间中，希尔伯特分形维数可以表示为D = log(N)/log(1/s)，其中D为分形维数，N为曲线的长度，s为分形单位的线段长度（通常为分形曲线的最小分割单位）。
第三步：理解希尔伯特分形维数的意义希尔伯特分形维数可以用来描述希尔伯特曲线的复杂程度。
当曲线的分形维数越大，意味着曲线越复杂，具有更多的细节和结构。
希尔伯特曲线的分形维数可以用来衡量曲线的几何形状和拓扑结构之间的关系。
通过比较不同分形对象的分形维数，我们可以判断它们之间的相似性和差异性。
第四步：应用希尔伯特分形维数希尔伯特分形维数在许多领域中有着广泛的应用。
在自然科学中，它可以用来研究各种形态复杂的物理现象，如分岔现象、湍流的结构等。
在生物学中，希尔伯特分形维数可以用来描述分形生物体的结构和形态，如植物的根系、神经纤维的网络等。
第5章 第2节 第四纪冰期—间冰期变化
北半球冰盖的发育按照这样的模式：冰雪积累形成冰盖的过程十分 缓慢，但冰川融化、冰盖退缩的过程却十分迅速，冰盖随冰期—间 冰期的转换发生大幅度的往复进退（以深海δ18O的变化为代表）。 珊瑚礁阶地所记录的海平面变化与深海氧同位素的变化大体同步 。 陆上的黄土记录显示，深海氧同位素记录的间冰期或间冰段对应于 形成古土壤的温暖湿润时期，冰期或冰段对应于黄土迅速堆积的冷 干时期； 冰芯记录也显示，冰期时极地降水减少，粉尘浓度增大，温室气体 CO2和CH4的含量减少；间冰期时降水增多，粉尘减少，温室气体含 量增加。
1988年，Heinrich发现末次冰期北大西洋深海沉积物岩 芯中常包含数6层陆源冰漂砾含量增多的沉积物，表明 末次冰期内曾发生过多次北极冰山向海里倾泻的事件， 代表大规模冰山涌进的气候效应而产生的快速变冷事件， 又称冰筏事件。
6次时间为：69000、36000aB.P、52000、27000、21000、 14300 a B.P.。 使大气温度又降低3~6℃，周期5000~10000a，持续时间 200~2000年，随后却突然升温，在短期内温度变幅可达 5℃。 可能是末次冰期北半球普遍的气候振荡事件，在湖泊沉积 物中以及中国的黄土有记录。
新仙女木事件最初发现于西北欧，曾被认为是局限在 欧洲的地区性事件。近年来，随着对快速变化事件的日益 关注，在地中海地区、以色列、中国、太平洋、北美洲、 澳大利亚、南美洲等世界的许多地区均发现与之相对应的 信号，表明该事件可能是一个全球尺度的事件。
上述快速变化事件也被称为亚轨道或“亚米兰柯维奇”事 件。尽管这些事件的成因机制尚不十分清楚，但它们的存在至 少说明了某些环境变化过程非常迅速，对这些事件的研究，为 认识全球气候快速变化的原因以及生物对变化的响应提供了线 索，因此受到普遍的关注。
变步长 ode23tb 算法
变步长ode23tb算法是一种用于解非刚性常微分方程初值问题的数值算法。
该算法由MathWorks公司的工程师开发，其特点是能够自适应调整步长以提高求解精度和效率。
ode23tb算法是ode23算法的改进版本，通过引入更高阶的解析技术和自适应的步长控制，使得求解过程更加可靠和高效。
二、算法原理ode23tb算法基于龙格-库塔(Runge-Kutta)方法，通过描述性的一阶创建步骤和更高阶的增补步骤来近似解微分方程。
算法会根据当前的解的精度和误差情况，自适应地调整步长以确保求解的精度和效率。
ode23tb算法还引入了自动时步的策略，以处理不同变化速度的微分方程。
三、算法特点1. 自适应调整步长：ode23tb算法能够根据当前解的情况实时调整步长，避免不必要的计算和提高求解效率。
2. 高阶解析技术：通过引入更高阶的解析技术，ode23tb算法能够更准确地近似微分方程的解，在不增加过多计算成本的情况下提高求解精度。
3. 自动时步策略：算法能够根据微分方程的变化速度自动调整时步，适应不同变化速度的微分方程的求解。
作为一种高效可靠的数值求解算法，ode23tb算法在科学计算、工程领域和其他需要求解微分方程的问题中得到了广泛的应用。
例如在控制系统的建模和仿真中，ode23tb算法能够准确地求解系统的状态方程，为系统性能分析提供有力的支持。
在生物医学领域，ode23tb算法被用于建立生物模型和仿真生物系统的动态行为。
ode23tb算法还被应用于气象学、天文学、材料科学等领域，为复杂的微分方程问题提供了强大的求解能力。
五、算法发展随着科学技术的发展和对求解微分方程精度和效率要求的不断提高，ode23tb算法也在不断地进行改进和优化。
未来的发展方向主要包括进一步提高算法的自适应调整能力，完善算法的并行计算和局部精度控制，以满足各种复杂微分方程求解问题的需求。
六、总结ode23tb算法作为一种自适应调整步长的高效数值求解算法，在科学计算和工程实践中发挥着重要作用。
缓慢变化维
数据仓库中，缓慢渐变维度是一种经常使用到的方案。
“渐变”，即为逐渐变化的维度，因为日常应用中，维度属性是随时可能发生变化的，而BI统计时，又可能是需要历史某个时间点的维度属性值。
所以这种情况下，就需要我们记录下这个变化信息，于是渐变维度就出现了。
“缓慢”两个字，也是需要注意的，仅有缓慢变化的才适用于这种方案。
如果是每天每时每刻都在变化的就不适合这种方案了，因为那样会产生太多太多的记录，导致维度表记录过多，影响效率。
下面就先来看一下它的表结构设计：与渐变相关的几个字段：SCD_StartDate - 该记录生成时间SCD_EndDate - 该记录废弃时间SCD_IsActive - 该记录是否当前激活状态SCD_Version- 该记录当前版本号GetItAct - 数据更新时间外键可以先不看，它与缓慢渐变维度关系不大。
业务字段：DeaprtNo为业务主键，一般不会发生变化。
DepartName为部门名称，不过我们并不关心它的历史状态，所以需设置为实时更新。
其他ENName类似。
DepartType我们关注它的历史，所以需用ETL工具，设置为渐变更新。
ParentDepartID同样关注历史，需设置渐变更新。
可能的更新情况如下：1. DepartName变化，此时不会产生新的记录，仅会做如下操作：a)更新当前最新记录的DepartName为最新。
b)根据业务主键DepartNo，更新所有同No的历史记录的DepartName为最新。
2.ParentDepartID变化时，则会产生新的记录，此时会做如下操作：a) 修改旧记录的EndDate为当前时间b)修改旧记录的isActive=0c)添加一条新的记录，StartDate=当前时间，isAtive=1，Version=旧Version+1 如下图：维度表的使用：1.取最新版数据[sql]view plain copy1.select * from dm_depart_dim d2.where d.SCD_IsActive = 12.取历史数据--2013-02-12为时间点[sql]view plain copy1.select * from dm_depart_dim d2.where'2013-02-12'between d.SCD_StartDate and d.SCD_EndDate3.or (d.SCD_EndDate is null and'2013-02-12' >=d.SCD_StartDate)3.建立事实表与维度表关联如取最新数据，根据SQL1获取最新数据的ID，放入事实表维度ID外键中如取历史数据，根据SQL2获取历史数据的ID，放入事实表维度ID外键中。
利用informatica向导开发Mapping
利用informatica向导开发Mapping作者：杨波QQ:414792994利用Informatica PowerCenter的Designer开发mapping的方式有多种，最常用的方式是直接create；另外一种方式是利用Designer提供的向导功能。
informatica内置了完成几种最常用的功能的向导模式，利用向导模式，可以很快的开发一个mapping,这样，可以大大提高开发的效率。
在这儿，我将对这几种向导做一个介绍。
Informatica一共提供了两种方法的向导：Getting started 和Slowly changing dimensions （缓慢变化维），其中第一个方法又提供了两种类型:Single Pass Through Mapping和Slow Growing Target；而Slowly changing dimensions类型提供了3种类型，下面，我对每一种类型做具体的介绍方式一：Getting started一．Single Pass Through Mapping(单个穿过的Maping)Getting started类型的向导提供的Single Pass Through Mapping方法是一种最简单的方式，翻译过来的意思是简单的单个穿过的Maping,它的作用能完成一个最基本的功能，也就是一个最简单mapping的功能，将源表的数据直接抽取到目标表中，它一共用了4个控件，在向导过程中，只要指定源，目标就可以了。
制作过程：第一步：鼠标单击菜单mappings—wizards—Getting Started第二步：出现向导窗口，如下，这儿要求输入Mapping的名字，类型选择Single Pass Through Mapping，点下一步。
第三步：出现选择源表和目标表的窗口，在Select Souce Table下的下拉菜单选择要使用的源表，在New Target Table下的输入筐中输入目标表名第四步：点击完成后，工作取中出现生成好的Mapping,如下。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
缓慢变化维解决方案 1
参考文档：Wikipedia 2
一.新数据覆盖旧数据 3
二.保存多条记录，并添加字段加以区分 3
三.不同字段保存不同值 4
四．另外建表保存历史记录 4
五．混合模式 5
六．非常规混合模式 6
参考文档：Wikipedia
缓慢变化维定义
Wikipedia中的定义：
Dimension is a term in data management and data warehousing that refers to logical groupings of data such as geographical location, customer information, or product information.
Slowly Changing Dimensions (SCD) are dimensions that have data that slowly changes.
大意是说数据会发生缓慢变化的维度就叫”缓慢变化维”。
举个例子就清楚了：
在一个零售业数据仓库中，事实表保存着各销售人员的销售记录，某天一个销售人员从北京分公司调到上海分公司了，那么如何来保存这个变化呢？也就是说销售人员维度要怎么恰当的处理这一变化。
先来回答一个问题，为什么要处理，或保存这一变化？如果我们要统计北京地区或上海地区的总销售情况的时候，这个销售人员的销售记录应该算在北京还是算在上海？当然是调离前的算在北京，调离后的算在上海,但是如标记这个销售人员所属区域？这里就需要处理一下这个维度的数据，即我们缓慢变化维需要做的事情。
处理缓慢变化维一般按不同情况有以下几种解决方案：
一. 新数据覆盖旧数据
此方法必须有前提条件，即你不关心这个数剧的变化。
例如，某个销售人员的英文名改了，如果你不关心员工的英文名有什么变化则可直接覆盖(修改)数据仓库中的数据。
二. 保存多条记录，并添加字段加以区分
这种情况下直接新添一条记录，同时保留原有记录，并用单独的专用的字段保存区别。
如：
(以下表格中Supplier_State表示上面例子中所属区域，为描述清晰，不用代理键表示)
Supplier_key Supplier_Code Supplier_Name Supplier_State Disable
001 ABC Phlogistical Supply Company CA Y
002 ABC Phlogistical Supply Company IL N
或：
Supplier_key Supplier_Code Supplier_Name Supplier_State Version
001 ABC Phlogistical Supply Company CA 0
002 ABC Phlogistical Supply Company IL 1
以上两种是添加数据版本信息或是否可用来标识新旧数据。
下面一种则是添加记录的生效日期和失效日期来标识新旧数据：
Supplier_key Supplier_Code Supplier_Name Supplier_State Start_Date End_Date
001 ABC Phlogistical Supply Company CA 01-Jan-2000 21-Dec-2004
002 ABC Phlogistical Supply Company IL 22-Dec-2004
空的End_Date表示当前版本数据，或者你也可一用一个默认的大时间 (如: 12/31/9999)来代替空值, 这样数据还能被索引识别到.
三. 不同字段保存不同值
Supplier_key Supplier_Name Original_Supplier_State Effective_Date Current_Supplier_State
001 Phlogistical Supply Company CA 22-Dec-2004 IL
这种方法用不同的字段保存变化痕迹.但是这种方法不能象第二种方法一样保存所有变化记录,它只能保存两次变化记录.适用于变化不超过两次的维度。
四. 另外建表保存历史记录
即另外建一个历史表来表存变化的历史记录，而维度只保存当前数据。
Supplier:
Supplier_key Supplier_Name Supplier_State
001 Phlogistical Supply Company IL
Supplier_History:
Supplier_key Supplier_Name Supplier_State Create_Date
001 Phlogistical Supply Company CA 22-Dec-2004
这种方法仅仅记录一下变化历史痕迹，其实做起统计运算来还是不方便的。
五. 混合模式
这种模式是以上几种模式的混合体，相对而言此种方法更全面，更能应对错综复杂且易变化的用户需求，也是较为常用的。
Row_Key Supplier_key Supplier_Code Supplier_Name Supplier_State Start_Date End_Date Current Indicator
1 001 ABC001 Phlogistical Supply Company CA 22-Dec-2004 15-Jan-2007 N
2 001 ABC001 Phlogistical Supply Company IL 15-Jan-2007 1-Jan-2099 Y
此中方法有以下几条优点：
1. 能用简单的过滤条件选出维度当前的值。
2. 能较容易的关联出历史任意一时刻事实数据的值。
3. 如果事实表中有一些时间字段(如：Order Date, Shipping Date, Confirmation Date)，那么我们很容易选择哪一条维度数据进行关联分析。
其中Row_Key和 Current Indicator字段是可有可无的，加上去更方便，毕竟维度表的数据都不大，多点冗余字段不占太大空间但能提高查询效率。
这种设计模式下事实表应以Supplier_key为外键，虽然这个字段不能唯一标识一条维度数据，从而形成了事实表与维表多对多的关系，因此在做事实和维度做关联时应加上时间戳字段(或Indicator字段)。
六. 非常规混合模式
上面说到第五种实现方式有点弊端，那就是事实表和维表不是多对一关系，而是多对多关系，这种关系不能在建模时解决只能在报表层面，在报表运行时解决，且在BI语意层建模时需要添加时间过滤条件，比较繁琐。
下面这种解决方案可以解决此多对多关系，但是得修改一下事实表：
Supplier Dimension:
Version_Number Supplier_key Supplier_Code Supplier_Name Supplier_State Start_Date End_Date
1 001 ABC001 Phlogistical Supply Company CA 22-Dec-2004 15-Jan-2007
0 001 ABC001 Phlogistical Supply Company IL 15-Jan-2007 1-Jan-2099
Fact Delivery: (为描述清晰，同样不使用代理键标识维度)
Delivery_Key Supplier_key Supplier_version_number Quantity Product Delivery_Date Order_Date
1 001 0 13
2 Bags 22-Dec-2006 15-Oct-2006
2 001 0 324 Chairs 15-Jan-2007 1-Jan-2007
此方案中向维表中的当前数据版本号始终为0，即插入维度数据时先将老版本的数据的version_number改成1（递增），然后再插入当前数据，此时才能保持当前数据版本号始终为0。
事实表中插入数据时所有的维度数据版本号始终全部为0。
因此此方案完全可解决事实表和维表多对多关系问题，另外还有个优点是能保证事实表和维表的参照完整性，而且我们在用ERwin,PowerDesigner等建模工具建模时，Version_Number和Supplier_key可作为复合主键在两实体间建立链接。