| 产品名称： |
全新伺服 CNDC24Z4P-977 12038散热风扇 |
价格： |
￥/元/台
|
| 所属类别： |
新品 |
发货期： |
1-3天 |
| 发货地： |
广东-深圳 |
品牌： |
日本伺服 |
| 型号： |
CNDC24Z4P-977 |
供货量： |
1245899台 |
标题：供应全新伺服 CNDC24Z4P-977 12038散热风扇
：伺服
型号：CNDC24Z4P-977
尺寸：120X120X38MM
电压：DC 24V
电流：0.42A
功率：10W
引线：3线
轴承：高精度双滚珠轴承
全新原装正品，质量保证，实物拍摄：
采样算法的缺点是：它们对异常数据不够敏感。而且，即使它们可以很好的应用于普通的数据流模型，但如果要用于滑动窗口模型（sliding window model）[91] 或n-of-N模型[93]，还需要进行较大的修改。
构造略图
构造略图（sketching）是指使用随机映射（Random projections）将数据流投射在一个小的存储空间内作为整个数据流的概要，这个小空间存储的概要数据称为略图，可用于近似回答特定的查询。不同的略图可用于对数据流的不同Lp范数的估算，进而这些Lp范数可用于回答其它类型的查询。如L0范数可用于估算数据流的不同值(distinct count)；L1范数可用于计算分位数（quantile）和频繁项（frequent items）；L2范数可用于估算自连接的长度等等。
略图的概念早由N. Alon在[105]中提出，从此不断涌现出各种略图及其构造算法。
N. Alon 在[105]中提出的随机略图构造（randomized steching）可以用于对不同Lp范数的估算，多需要O(n 1. lg n)的空间。该文更重要的贡献在于，它还可以以O(log n + log t)的空间需求估算L2。它的主要思路是，使用哈希函数，将数据属性的域D中的每一个元素一致地随机映射到zi ∈ {.1+ 1}上，令随机变量X = .i αizi，X2就可作为对L2范数的估计。
p1
S. Guha 等[88]提出的分位数略图(quantile sketch) 保持一组形如（vi,gi, Δi）的数据结构，rmax(vi) 和rmin(vi)分别是vi可能的排位的大和小值。对于i>j 满足：
vi >vj
gi = rmin(vi) . rmin(vi . 1)
Δi = rmax(vi) . rmin(vi)
随着数据的到来，对此略图进行相应的更新操作，使估算保持在一定的精度之内。X. Lin等[93]对于这个问题做出了更形式化的描述。
若令AS为一个从[1..n]中提取的随机集合，每一个元素被提取的概率为1/2。A. Gilbert 等[106]构造若干个AS，将每个集合中元素值的和称为随机和（random sum）。多个随机和构成一个略图。对αi的估算为
2E(||AS|| |αi ∈ AS) . ||A||， 其中||A||为数据流中所有数的和。因此，这种略图可用于估算点查询的结果。使用多个这样的略图，可用于估算范围查询、分位数查询等。略图技术实际上是空间和精度相权衡的结果。为保证点查询结果的误差小于εN， 上述略图需要的空间通常是以ε.2作为系数的。与此相比较，G. Cormode 等提出的计数-小略图（Count-Min Sketch ）[19]只需要ε.1系数的空间。其思路也比较简单，使用若干个哈希函数将分别数据流投射到多个小的略图上，回答点查询时，每个略图分别作答，并选择值小的作为答案。以点查询为基础，计数-小略图可以用于其它各种查询和复杂计算。计数-小略图并不计算Lp范数，而是直接计算出点查询的结果，这是它的时空效率比其它略图高的原因。
直方图
![直方图]()
直方图
直方图（histogram）有两个含义：一个是普通意义上的直方图，是一种用于显示近似统计的视觉手段；另外，它还是一种捕捉数据的近似分布的数据结构/方法。作为后者出现时时，直方图是这样构造的：将数据按其属性分到多个不相交的子集(称为桶)并用某种统一的方式近似表示桶中的值[107]。
直方图方法主要用于信号处理、统计、图像处理、计算机视觉和数据库。在数据库领域，直方图原先主要用于选择性估计（selectivity estimation），用于选择查询优化和近似查询处理。直方图是一种简单、灵活的近似处理方法，同时也是有效的一种。只要解决好数据更新问题，就可以将原有的直方图运用到数据流处理中。这类根据新的数据自动调节的直方图被称为动态（或自适应/自调节）直方图。
L. Fu等[108]提出的直方图主要用于中值函数（Median ）和其他分位数函数的计算，可用于近似计算，也可用于查询。它通过确定性分桶（Deterministic Bucketing ）和随机分桶（Randomized Bucketing ）技术，构造多个不同精度的桶（buckets），然后将输入数据逐级分到这些桶中，从而完成了动态直方图的构造。
由于将静态直方图直接应用到数据流处理比较困难。S. Guha等[88]虽然可以动态地构造近优的V-optimal 直方图，但只能应用于时间序列模型（time series model） 下的数据流。
一个常采用的方法是将整个算法分为两步：首先构造一个数据流数据的略图；然后从这个略图中构造合适的直方图。这种方法可以利用略图数据易于更新的特点，又能实现直方图的动态化。N. Thaper等[109]首先是构造一个近似反映数据流数据的略图，利用略图的的更新性能来实现数据的更新，然后从这个略图中导出一个直方图来实现对数据流数据的近似。由于从略图中导出佳的直方图是一个NP-hard问题，作者提供了一个启发式算法(贪婪算法)来搜索一个较佳的直方图。
A. Gilbert等[110]构造了一个概要的数据结构，该结构使用一组与文献[106]中类似的随机和结构来保存不同粒度级别的dyadic interval的值。随后，将不同粒度级别的dyadic interval（[111]）从大到小地加入所要构造的直方图中，这样就将近似误差降到低（求精）。
A. Gilbert等在文献[112]中主要考虑的是如何降低对数据流中每个输入数据的处理复杂度。他们先将输入数据转化为小波系数（利用小波系数是信号与基向量的内积），然后采用了与文献[110]类似的dyadic interval处理方法。略图与直方图有很密切的联系，从某种方面来说，可以认为直方图是略图的一种特殊情况。
小波变换
小波变换（wavelet transformation）常用于生成数据的概要信息。这是因为通常小波系数只有很少一部分是重要的，大部分系数或者值很小，或者本身不重要。所以，如果忽略数据经过小波变换后生成的不重要系数，就可以使用很少的空间完成对原数据的近似。
Y. Matias等[113] 首先针对数据流数据构造一个直方图，使用小波对其进行模拟。随后保留若干重要的小波系数实现对直方图的模拟。当新的数据出现时，通过对这些小波系数进行更新以实现直方图的更新。
文献[113]提出的实际上是一种直方图方法，只不过使用了小波变换。A. Gilbert等[114]指出小波变换可以认为是信号与一组正交的长度为N的向量集合所作的内积，因此构造一组数据流数据的略图，由于略图可以相当容易和准确地计算信号与一组向量的内积，则可以从略图计算出小波系数，从而用于点查询和范围查询的估计。
