- 综合排序
- 最热优先
- 最新优先
- 来自专栏兮动人的博客
flyway适配高斯数据库
flyway适配高斯数据库flyway-core 源码版本：6.2.2 tag由于高斯和postgresql使用的驱动都是一样的，所以基于flyway支持已有的postgresql数据库来改造修改点如下 为了保证不同迁移之间的一致性，当完成迁移或回调时，需要将角色重置为初始状态，以免对后续迁移或操作产生影响把这个方法体注释掉，经测试高斯和postgresql均无影响。 由于 postgresql 和 高斯 之间对设置 role 语法之间的差异，高斯数据库 set 角色时还需要带上密码，而postgresql则不用，如：postgresql: SET ROLE xxx 给出升级Flyway的建议 recommendFlywayUpgradeIfNecessaryForMajorVersion("12");}高斯数据库是基于 postgresql 9.2 改造的， SQL脚本字符串，用于存储迁移历史记录，就是生成 flyway_scheme_history 表高斯数据库执行时创建 flyway_scheme_history 表会丢失 checksum 的值，导致最后执行不了指定文件夹的脚本语句
1.3K40编辑于 2023-09-16 - 来自专栏分享学习
高斯数据库与MySQL数据库的区别
高斯数据库与MySQL数据库的区别 在当今数据驱动的时代，选择合适的数据库管理系统（DBMS）对于项目的成功至关重要。 高斯数据库和MySQL作为两款广泛使用的数据库系统，各自具有独特的特点和优势，适用于不同的应用场景。本文将从功能、性能、使用场景等多个方面对高斯数据库与MySQL进行详细比较。 高斯数据库支持多种数据模型，包括关系型、文档型、图形型等，可以满足不同应用场景的需求。此外，高斯数据库还提供了强大的数据压缩技术、数据分片策略以及多种数据备份和恢复策略，确保数据的可靠性和安全性。 例如，在互联网应用中，高斯数据库可以快速处理大规模的用户数据，提供高并发的读写能力；在物联网应用中，高斯数据库可以支持海量设备数据的存储和分析；在金融行业中，高斯数据库可以快速处理金融交易数据，提供高可靠性和高并发的读写能力 综上所述，高斯数据库与MySQL在功能特点、性能表现和使用场景等方面存在显著差异。高斯数据库更适合处理大规模数据和支持高并发的应用场景，而MySQL则更适合于中小型项目以及一些大型系统的后端数据库。
1.2K10编辑于 2025-05-18 - 来自专栏程序员面试小技巧
国产之光高斯数据库使用入门
OpenGauss是什么上一篇文章里我们提到了华为的自研生态以Euler欧拉OS为底座支持服务器、云计算、嵌入式等综合性的平台Gauss 高斯是华为的数据库主打产品同样也用了数学巨匠的名字可以看出创作者团队在数学方面的情怀 Gauss 高斯数学王子每个人都听说过高斯小时候的故事老师上课问到：1+2+3...+100 等于多少？ 9岁的高斯脱口而出：5050每个学计算机的人都学过统计图表著名的高斯分布-正态分布曲线也是以他命名的高斯数据库高斯数据库诞生于PostGreSQL之上基于PGSQL的9.2版进行演变直到今天两个版本的区别也越来越大 mian53它的结构类似Oracle包括 表空间 tablespace，库 database，模式 schema库表索引等对象都需要使用表空间如不特指则使用默认schema模式类似于子库的概念一个真实数据库 OpenGauss在国内数据库遍地开花的年代学习高斯的难度还是较低的甚至于它可以直接使用PGSQL的JDBC驱动可以参考很多原有的知识觉得有用的同学可以和我私信交流
2.1K10编辑于 2024-05-31 - 来自专栏图像处理与模式识别研究所
高斯滤波
import cv2 o=cv2.imread("C:/Users/xpp/Desktop/Lena.png")#原始图像 r=cv2.GaussianBlur(o,(5,5),0,0)#高斯滤波 cv2 .imshow("original",o) cv2.imshow("result",r) cv2.waitKey() cv2.destroyAllWindows() 算法：高斯滤波将中心的权重值增加 dst=cv2.GaussianBlur(src, ksize, sigmaX, sigmaY, borderType) dst表示返回值，表示进行高斯滤波后得到的结果 src表示输入图像，图像深度是CV
74520编辑于 2022-05-28 - 来自专栏DeepHub IMBA
高斯函数、高斯积分和正态分布
正态分布是高斯概率分布。高斯概率分布是反映中心极限定理原理的函数，该定理指出当随机样本足够大时，总体样本将趋向于期望值并且远离期望值的值将不太频繁地出现。高斯积分是高斯函数在整条实数线上的定积分。 这三个主题，高斯函数、高斯积分和高斯概率分布是这样交织在一起的，所以我认为最好尝试一次性解决这三个主题（但是我错了，这是本篇文章的不同主题）。 本篇文章我们首先将研究高斯函数的一般定义是什么，然后将看一下高斯积分，其结果对于确定正态分布的归一化常数是非常必要的。最后我们将使用收集的信息理解，推导出正态分布方程。 两个高斯函数的图。第一个高斯(绿色)的λ=1和a=1。第二个(橙色)λ=2和a=1.5。两个函数都不是标准化的。也就是说，曲线下的面积不等于1。 概率密度函数的推导 我们将从广义高斯函数f(x)=λ exp(−ax^2)开始，正态分布下的面积必须等于1所以我们首先设置广义高斯函数的值，对整个实数线积分等于1 这里将 -a- 替换为 a^2 稍微修改了高斯分布
2.2K10编辑于 2022-03-12 - 来自专栏数据科学CLUB
高斯过程
高斯过程GaussianProcess ? 高斯过程的理论知识 非参数方法的基本思想 image.png image.png 高斯过程的基本概念 image.png image.png 高斯过程的Python实现 使用Numpy手动实现 定义核函数 image.png print(l_opt, sigma_f_opt) 0.9872536793237083 0.8613778055591963 更高维的高斯过程 image.png #噪音参数 小结 从前面我们可以看出，与常见的机器学习模型不同，用高斯过程做预测的方法是直接生成一个后验预测分布（依然是高斯分布）。 从统计学的角度上来看，利用高斯过程模型做预测具有很高的价值。
2.2K20发布于 2020-07-01 - 来自专栏全栈程序员必看
混合高斯背景建模原理_高斯图模型
混合高斯模型中第i个高斯分布的权系数的估计值， 和 分别表示时刻t混合高斯模型中第i个高斯分布的均值向量和协方差矩阵(此处假定像素的红、绿、蓝分量相互独立);η表示高斯分布概率密度函数。 参数更新 在时刻t对图像帧的每个像素Xt与它对应的高斯模型进行匹配， 匹配规则为： 如果像素值Xt 与混合高斯模型中第i个高斯分布Gi均值的距离小于其标准差的2.5倍, 则定义该高斯分布Gi 与像素值Xt 如果检验出该像素混合高斯模型中至少有一个高斯分布与像素值Xt 匹配, 那么混合高斯模型的参数更新规则为: 1)对于不匹配的高斯分布, 它们的均值μ和协方差矩阵 保持不变; 2)匹配的高斯分布Gi 的均值 icvUpdateFullWindow //函数功能：更新每个高斯分布的权值(对匹配的高斯函数k加大权值，其余的则减小权值)，如果前面的结果中存在匹配的高斯分布函数k,则需要再对第k个高斯分布函数的均值 背景建模(二)——以像素值为特征的方法(1) 混合高斯背景模型及opencv实现 背景建模数据库汇总 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
94410编辑于 2022-11-16 - 来自专栏数据结构笔记
高斯滤波
高斯滤波和均值滤波的原理一样，在均值滤波中所有的像素点的权重都一样，而在高斯滤波中则是越靠近中心的像素点权重远大，权重的分配由二维高斯公式生成的矩阵决定，矩阵的阶和扫描的窗口大小一致。 关于二维高斯公式这里不再赘述，不了解的可以看看这篇文章：高斯函数的详细分析，这里就只给出一个二维高斯分布的产生函数了： //生成高斯核 double* make_kernel(int size, double
1.1K10发布于 2019-04-21 - 来自专栏SnailTyan
高斯模糊
一、高斯模糊的概念 高斯模糊，也叫高斯平滑，英文为：Gaussian Blur，是图像处理中常用的一种技术，主要用来降低图像的噪声和减少图像的细节。 高斯模糊在许多图像处理软件中也得到了广泛的应用。 二、高斯模糊的原理 1、模糊在图像中的理解 模糊在图像中的意思可理解为：中心像素的像素值为由周围像素的像素值的和的平均值。 /所有像素高斯权重的和，得到像素最终的权重。 有了权重矩阵就可计算高斯模糊。假设现有9个像素点，灰度值（0-255）如下： 每个点乘以自己的权重值： 将这9个值加起来，就是中心点的高斯模糊的值。 对所有点重复这个过程，就得到了高斯模糊后的图像。如果原图是彩色图片，可以对RGB三个通道分别做高斯模糊。
6.1K20编辑于 2022-05-09 - 来自专栏全栈程序员必看
opencv高斯金字塔_高斯求和公式
对平滑图像进行抽样（采样） 有两种采样方式——上采样（分辨率逐级升高）和下采样（分辨率逐级降低） 上采样： 下采样： 二、高斯金字塔 高斯金字塔式在Sift算子中提出来的概念，首先高斯金字塔并不是一个金字塔 高斯金字塔构建过程： 1. 先将原图像扩大一倍之后作为高斯金字塔的第1组第1层，将第1组第1层图像经高斯卷积（其实就是高斯平滑或称高斯滤波）之后作为第1组金字塔的第2层，高斯卷积函数为： 对于参数σ，在Sift算子中取的是固定值 在高斯金字塔中一共生成O组L层不同尺度的图像，这两个量合起来（O，L）就构成了高斯金字塔的尺度空间，也就是说以高斯金字塔的组O作为二维坐标系的一个坐标，不同层L作为另一个坐标，则给定的一组坐标（O,L） 就可以唯一确定高斯金字塔中的一幅图像。
95910编辑于 2022-11-04 - 来自专栏PostgreSQL、金仓、高斯
【赵渝强老师】高斯数据库（openGauss）的体系架构
，包括：数据库集群、数据库、表、索引、视图等等。 下图展示了openGauss数据库的逻辑存储结构。下面对openGauss数据库中的各种数据库对象进行说明。 1.1数据库集群-DatabaseCluster它也叫数据库集簇，是指由单个OpenGauss数据库服务器实例管理的所有数据库集合。 组成数据库集群的这些数据库使用相同的全局配置文件和监听端口、共用数据库的后台线程和内存结构。一个数据库集群可以包括：多个数据库、多个用户以及数据库中的所有对象。 不同的数据库在逻辑上彼此分离，除数据库之外的其他数据库对象（例如：表、索引等等）都属于它们各自的数据库。通过下面的语句可以查看OpenGauss数据库服务器中已存在的数据库。
14110编辑于 2026-03-19 - 来自专栏PawSQL，在线的自动化SQL优化工具！
高斯数据库(GaussDB)中如何获取表的分布策略
PawSQL将对分布式数据库性能优化与SQL审核进行重点支持，本文将从分布策略的获取展开讨论。 1. 高斯表的分布策略 分布式高斯数据库（GaussDB）支持以下分布方式： HASH 分布: 基于某些列的哈希值进行分布。 RANGE 分布: 按范围分布数据。 在高斯数据库（GaussDB）的分布式架构中，可以通过查询pgxc_class和其他相关系统表来查看表的分布信息。pgxc_class是一个系统表，用于存储表的分布相关信息。 这是数据库分布策略的核心元数据表之一，定义了每个表在集群中的分布方式和相关属性。 在高斯数据库中，分布类型和列是分布式存储和性能优化的重要因素，尤其是 HASH 和 RANGE 分布，需要根据业务场景选择合适的分布方式。
3.3K10编辑于 2024-12-23 - 来自专栏PostgreSQL、金仓、高斯
【赵渝强老师】高斯数据库（openGauss）的逻辑存储结构
openGauss的逻辑存储结构主要是指数据库中的各种数据库对象，包括：数据库集群、数据库、表、索引、视图等等。 一、数据库集群-DatabaseCluster它也叫数据库集簇，是指由单个OpenGauss数据库服务器实例管理的所有数据库集合。 组成数据库集群的这些数据库使用相同的全局配置文件和监听端口、共用数据库的后台线程和内存结构。一个数据库集群可以包括：多个数据库、多个用户以及数据库中的所有对象。 -Database在OpenGauss中，数据库本身也是数据库对象。 不同的数据库在逻辑上彼此分离，除数据库之外的其他数据库对象（例如：表、索引等等）都属于它们各自的数据库。通过下面的语句可以查看OpenGauss数据库服务器中已存在的数据库。
13210编辑于 2026-03-20 - 来自专栏菜鸟小栈
高斯模糊 Shader
正文 高斯模糊 在我们开始讨论代码之前，我们要先稍微了解以下几点... > 下面的讲解比较笼统，水平不够，请见谅！ 高斯模糊是什么？ 高斯模糊（Gaussian Blur），也叫高斯平滑，是一种生活中比较常见的图像处理效果。 经过高斯模糊处理的图像看起来就像是在一块毛玻璃后面，也就是俗称的“毛玻璃效果”。 高斯模糊也常用于处理噪点过高的图像，使图像看起来更平滑。 ? —▼— 实现原理是什么？ 从数学的角度来看，高斯模糊的处理过程就是图像与其正态分布做卷积。 因正态分布又称高斯分布（Gaussian distribution），所以这种技术就叫做高斯模糊。 代码实现 下面我将在 Cocos Creator 2.3.3 中实现一个高斯模糊的 Shader，除了前面部分属性定义，核心的逻辑是通用的。
2.5K21发布于 2020-07-10 - 来自专栏ACM算法日常
高斯消元
高斯消元 众所周知，高斯消元是线性代数中重要的一课。通过矩阵来解线性方程组。高斯消元最大的用途就是用来解多元一次方程组。 将样例输入化成一个普通的增广矩阵（将系数和值整合到一起) 这样的矩阵我们很难直观的看出它的解 所以我们最终的目的就是要把矩阵化成如下形式 这样我们能非常直观的看出它的解简单来说高斯消元最后就是要搞出这玩意 std; const int N=110; const double eps=1e-8; int n; double a[N][N];//增广矩阵 /*void out() {//亲测 本人遇到最好用的高斯消元
90510发布于 2019-11-25 - 来自专栏PawSQL，在线的自动化SQL优化工具！
Oracle到高斯数据库的SQL语法迁移手册（建议收藏）
概述 异构数据库的迁移（譬如从Oracle迁移到openGauss）工作主要包括三个方面， 数据库对象的迁移，包括库、模式、表、索引、视图、触发器、存储过程等等； 数据内容的迁移，主要指的是数据表中数据的迁移 目前对于数据库对象以及数据内容的迁移有很多成熟的工具，而对于应用迁移的工具却很少能够见到。原因是因为DML语句比DDL复杂的多，不同的数据库语法差异也比较大。 PawSQL团队开发的DML语法转换工具Ora2ogSQL，通过PawSQL强大的SQLParser，能够解析几乎所有的Oracle语法，并将其转换为对应的openGauss语法，支持数据库应用的平滑迁移 to_number(c_phone) from customer; select cast(c_phone as numeric) from customer 关于PawSQL PawSQL专注数据库性能优化的自动化和智能化 MySQL，PostgreSQL，openGauss，Oracle等，提供的SQL优化产品包括 PawSQL Cloud，在线自动化SQL优化工具，支持SQL审查，智能查询重写、基于代价的索引推荐，适用于数据库管理员及数据应用开发人员
2.2K11编辑于 2024-08-20 - 来自专栏算法+
快速高斯模糊算法
刚才发现一份快速高斯模糊的实现。
2K50发布于 2018-04-12 - 来自专栏全栈程序员必看
高斯分布例题_高斯定理求半球面球心电场
给定心形曲线 (x2+y2−1)3=x2y3 (x^2+y^2-1)^3=x^2y^3，给定任意一点的坐标 (X,Y) (X,Y)其中 X～N(X,σx) X～N(X,\sigma_x)， Y～N(Y,σy) Y～N(Y,\sigma_y)求点 (X,Y) (X,Y)落入心形曲线内的概率。 思路： 以 (X,Y) (X,Y)为中心，画出 3∗σ 3*\sigma半径的椭圆，求和心形曲线相交的体积。注意：心形曲线方程可化为 x2+y2−1=x2/3y x^2+y^2-1=x^{2/3}y,满足 x2+y2−1<=(x2)1/3y x^2+y^2-1<=(x^2)^{1/3}y在曲线内。利用心形曲线上下左右都有最大值且约等于正负1。可以设定一个分辨率画出图形。 上代码：
34530编辑于 2022-11-03 - 来自专栏全栈程序员必看
java实现高斯日记
题目标题: 高斯日记 大数学家高斯有个好习惯：无论如何都要记日记。 他的日记有个与众不同的地方，他从不注明年月日，而是用一个整数代替，比如：4210 后来人们知道，那个整数就是日期，它表示那一天是高斯出生后的第几天。 高斯出生于：1777年4月30日。 在高斯发现的一个重要定理的日记上标注着：5343，因此可算出那天是：1791年12月15日。 高斯获得博士学位的那天日记上标着：8113 请你算出高斯获得博士学位的年月日。 提交答案的格式是：yyyy-mm-dd, 例如：1980-03-21 请严格按照格式，通过浏览器提交答案。
40710编辑于 2022-08-12 - 来自专栏DeepHub IMBA
如何推导高斯过程回归以及深层高斯过程详解
使用不同核函数的高斯过程 高斯过程 像所有其他机器学习模型一样，高斯过程是一个简单预测的数学模型。像神经网络一样，它可以用于连续问题和离散问题，但是其基础的一些假设使它不太实用。 高斯过程回归(GPR)是一种使用一些独立数据x来预测一些输出y的方法，顾名思义，它假设误差是高斯分布的，但也假设数据是多元高斯分布的。 在探地雷达中，我们首先假设一个高斯过程是先验的，可以用均值函数m(x)和协方差函数k(x, x’)来表示: 更具体地说，高斯过程就像一个无限维的多元高斯分布，其中数据集的任何标签集合都是联合高斯分布的。 深层高斯过程 从数学上讲，深层高斯过程可以看作是一个复合多元函数，其中“深层”方面增加了正态高斯过程的能力。可以把它看作如下的嵌套函数(其中g(x)是x上的一个深度高斯过程)。 ?(?)=?5(? 因为高斯过程指定了函数的先验;这个函数的导数(如果存在的话)也是高斯函数。这也说明边际导数分布也是高斯分布。如果是这样的话，这就意味着偶尔会有很大导数的函数很难用高斯过程来建模。
2.8K10发布于 2020-11-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号