没有合适的资源？快使用搜索试试~ 我知道了~

首页xi3-1_query_as_a_web_service_zh_CN

xi3-1_query_as_a_web_service_zh_CN

5星 · 超过95%的资源需积分: 10 14 下载量 188 浏览量更新于2023-03-03 评论收藏 386KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

试读

53页

xi3-1_query_as_a_web_service_zh_CN xi3-1_query_as_a_web_service_zh_CN xi3-1_query_as_a_web_service_zh_CN xi3-1_query_as_a_web_service_zh_CN xi3-1_query_as_a_web_service_zh_CN

资源详情

资源评论

资源推荐

Query as a Web Service

BusinessObjects Enterprise XI 3.1

windows

以下美国专利，涵盖 Business Objects 提供和许可的产品：5,295,243、

5,339,390、5,555,403、5,590,250、5,619,632、5,632,009、5,857,205、

5,880,742、5,883,635、6,085,202、6,108,698、6,247,008、6,289,352、

6,300,957、6,377,259、6,490,593、6,578,027、6,581,068、6,628,312、

6,654,761、6,768,986、6,772,409、6,831,668、6,882,998、6,892,189、

6,901,555、7,089,238、7,107,266、7,139,766、7,178,099、7,181,435、

7,181,440、7,194,465、7,222,130、7,299,419、7,320,122 和 7,356,779。

Business Objects 及其标识、BusinessObjects、Business Objects Crystal

Vision、Business Process On Demand、BusinessQuery、Cartesis、Crystal

Analysis、Crystal Applications、Crystal Decisions、Crystal Enterprise、

Crystal Insider、Crystal Reports、Crystal Vision、Desktop Intelligence、

Inxight 及其标识、LinguistX、Star Tree、Table Lens、ThingFinder、

Timewall、Let There Be Light、Metify、NSite、Rapid Marts、RapidMarts、

Business Objects 光谱图案、Web Intelligence、Workmail 和 Xcelsius 是

Business Objects 和/或其附属公司在美国和/或其他国家/地区的商标或注册商

标。SAP 是 SAP AG 公司在德国和/或其他国家的商标或注册商标。此处提到的所

有其他名称可能是各自所有者的商标。

本版本中的 Business Objects 产品可能包含第三方贡献者许可软件的再次分发版

本。凭借替代许可也可以获得其中某些组件。可在以下网址找到已请求或允许确认

第三方贡献者

的第三方贡献者的部分列表以及必要的公告：

http://www.businessobjects.com/thirdparty

2008-09-22

Query as a Web Service 简介 7第 1 章

1.1 什么是 Query as a Web Service？...........................7

1.2 如何将 Query as a Web Service 作为业务解决方案？..........7

1.3 Query as a Web Service 服务器和客户端组件体系结构........8

安装 Query as a Web Service 9第 2 章

2.1 安装 Query as a Web Service 的先决条件....................9

2.2 安装和验证 Query as a Web Service.........................9

2.3 Query as a Web Service 安装疑难解答......................12

2.3.1 确保在启动 Tomcat 之前启动 CMS.......................12

2.3.2 更改默认 CMS.........................................12

2.3.3 激活 Web 服务跟踪....................................13

2.3.4 优化 CMS 可用性......................................14

启动 Query as a Web Service 15第 3 章

3.1 启动 Query as a Web Service 的先决条件...................15

3.2 如何启动 Query as a Web Service..........................15

3.2.1 第一次启动 Query as a Web Service....................15

3.2.2 启动 Query as a Web Service..........................16

3.2.3 使用不同的登录凭据登录...............................18

3.3 如何管理主机.............................................18

3.3.1 添加新主机...........................................18

3.3.2 编辑主机.............................................19

3.4 查询目录页...............................................20

创建新查询以作为 Web 服务发布 22第 4 章

4.1 创建新的查询并作为 Web 服务进行发布......................22

4.2 如何使用“发布查询为 Web 服务向导”创建新查询............22

4.2.1 启动“发布查询为 Web 服务向导”......................23

4.2.2 设置查询名称和说明属性...............................23

4.2.3 为查询选择 Universe..................................25

4.2.4 定义查询.............................................25

4.2.5 预览和发布查询.......................................28

4.3 如何通过复制已发布的查询来创建新查询.....................29

4.3.1 复制现有的已发布查询.................................29

管理作为 Web 服务的查询 30第 5 章

5.1 在查询目录中创建文件夹...................................30

5.2 编辑作为 Web 服务的查询..................................30

5.3 重命名查询...............................................30

5.4 删除作为 Web 服务的查询..................................31

5.5 复制和粘贴作为 Web 服务的查询............................31

5.6 查看查询属性.............................................31

5.7 查看可用的作为 Web 服务的查询的实例 .....................32

5.8 如何将查询部署到其他 Web 服务器..........................33

5.8.1 使用 Query as a Web Service 客户端工具部署到另一台服务器

...........................................................33

5.8.2 使用导入向导部署作为 Web 服务的查询 .................34

5.8.3 从 BIAR 文件部署作为 Web 服务的查询..................34

5.9 使用 Query as a Web Service 客户端工具部署到另一台服务器..35

Query as a Web Service4

5.9.1 使用 Query as a Web Service 客户端工具部署到另一台服务器

...........................................................36

5.9.2 使用导入向导部署作为 Web 服务的查询 .................36

5.9.3 从 BIAR 文件部署作为 Web 服务的查询..................37

5.10 使用导入向导部署作为 Web 服务的查询 ....................38

5.10.1 使用 Query as a Web Service 客户端工具部署到另一台服务

器........................................................38

5.10.2 使用导入向导部署作为 Web 服务的查询 ................39

5.10.3 从 BIAR 文件部署作为 Web 服务的查询.................39

5.11 从 BIAR 文件部署作为 Web 服务的查询.....................40

5.11.1 使用 Query as a Web Service 客户端工具部署到另一台服务

器........................................................41

5.11.2 使用导入向导部署作为 Web 服务的查询 ................41

5.11.3 从 BIAR 文件部署作为 Web 服务的查询.................42

5.12 在多个 Web 服务器上部署作为 Web 服务的查询..............43

5.12.1 配置 Query as a Web Service 客户端以连接至反向代理 Web

服务器....................................................43

将作为 Web 服务的查询用于不同的应用程序 44第 6 章

6.1 通过 WSDL 使用作为 Web 服务的查询........................44

6.2 在 Crystal Xcelsius 中使用作为 Web 服务的查询............44

6.2.1 交叉域问题...........................................45

6.2.2 选择 Web 服务........................................45

6.2.3 输入消息.............................................46

6.2.4 输出消息.............................................46

6.2.5 Xcelsius 中的身份验证................................46

6.3 在 Crystal Reports 中使用作为 Web 服务的查询.............47

6.4 在 Microsoft Office InfoPath 中使用作为 Web 服务的查询...48

5目录

剩余52页未读，继续阅读

immuneiii

2019-04-10

虽然没用上依然感谢分享

请解释以下代码：Rx= Ry- Rn; [U, D]= eig( Rx); dD= diag( D); dD_Q= find( dD> 0); Lambda= dD( dD_Q); U1= U( :, dD_Q); U1_fft= fft( U1, N); V= abs( U1_fft).^ 2; Phi_B= V* Lambda/ P; Phi_mask= mask( Phi_B( 1: N/ 2+ 1), N, Srate, NBITS); Phi_mask= [Phi_mask; flipud( Phi_mask( 2: N/ 2))]; Theta= V'* Phi_mask/ K; Ksi= V'* Phi_w/ K; gain_vals= exp( -eta_v* Ksi./ min( Lambda, Theta)); G= diag( gain_vals); H= U1* G* U1'; sub_start= 1; sub_overlap= zeros( P/2, 1); for m= 1: (2N/P- 1) sub_noisy= noisy( sub_start: sub_start+ P- 1); enhanced_sub_tmp= (H sub_noisy).* subframe_window; enhanced_sub( sub_start: sub_start+ P/2- 1)= ... enhanced_sub_tmp( 1: P/2)+ sub_overlap; sub_overlap= enhanced_sub_tmp( P/2+1: P); sub_start= sub_start+ P/2; end enhanced_sub( sub_start: sub_start+ P/2- 1)= sub_overlap; xi= enhanced_sub'.* frame_window; xfinal( n_start: n_start+ Nover2- 1)= x_overlap+ xi( 1: Nover2); x_overlap= xi( Nover2+ 1: N); n_start= n_start+ Nover2; end xfinal( n_start: n_start+ Nover2- 1)= x_overlap; wavwrite(xfinal, Srate, NBITS, outfile);

x, y = np.meshgrid(np.arange(range_x), np.arange(range_y)) # np.savetxt('reshape_data.txt', x, delimiter=' ', fmt="%i") x_o = x - range_x / 2 y_o = y - range_y / 2 x_i = x - dx y_i = y - dy 翻译为C++ Eigen

Eigen::ArrayXXd xi, yi; Eigen::ArrayXXd xo, yo; double range_x, range_y, dx, dy; // initialize range_x, range_y, dx, dy x.resize(range_y, range_x); y.resize(range_y, range_x); for (int i = 0; i ...

\begin{equation}\label{4.5} \begin{aligned} \left| {r_ + ^{(0)}(\bar \xi ) - r_ - ^{(0)}(\bar \xi )} \right| &= \left| {r_ + ^{(0)}(\bar \xi ;\xi ,\eta ) - r_ - ^{(0)}(\bar \xi ;\xi ,\eta )} \right|\\ &\le \int_0^\xi {\left\{ {\left( {\frac{{\kappa \sqrt {1 - {t^2}} t}}{F} + \frac{{G\left( {1 - {t^2}} \right)}}{{2c{F^2}(S + {a_0} + {a_1}t)}}} \right)t} \right.} \\ \left. { + \left( {\frac{{\kappa \sqrt {1 - {t^2}} t}}{F} + \frac{{G\left( {1 - {t^2}} \right)}}{{2c{F^2}({R^{(0)}} - {a_0} + {a_1}t)}}} \right)t} \right\}dt\\ &\le \int_0^\xi {\left\{ {\frac{{2\kappa \sqrt {1 - {t^2}} {t^2}}}{F} + \frac{{R + S + 2{a_1}t}}{{({R^{(0)}} - {a_0} + {a_1}t)({S^{(0)}} + {a_0} + {a_1}t)}}} \right\}} dt\\ &\le \int_0^\xi {\left\{ {2M{t^2} + Mt} \right\}} dt \le \int_0^\xi {2Mt} dt \le M{\xi ^2}. \end{aligned} \end{equation} 如何换行对齐

&\le \int_0^\xi {\left\{ {\frac{{2\kappa \sqrt {1 - {t^2}} {t^2}}}{F} + \frac{{R + S + 2{a_1}t}}{{({R^{(0)}} - {a_0} + {a_1}t)({S^{(0)}} + {a_0} + {a_1}t)}}} \right\}} dt \nonumber\\ &\le \int_0^\xi {...

通过编程计算函数f(x)的近似值已知对于，有如下数据表： xi 0 0.5 1.0 2.0 f(xi) 1.00000 1.64872 2.71828 7.38906 (1)对x0=0，x1=0.5，x2=2利用二次插值计算f(0.25)和f(0.75)的近似值 (2)对x0=0，x1=0.5，x2=2求f(x)的埃尔米特插值多项式H5(x)

H_5(x)=f(x_0)+f[x_0,x_1](x-x_0)+f[x_0,x_1,x_2](x-x_0)(x-x_1)^2+f[x_1,x_2](x-x_1)^2+f[x_1,x_2,x_0](x-x_1)^2(x-x_2)+f[x_0,x_1,x_2](x-x_0)(x-x_1)(x-x_2)^2 $$ 将$x$代入上式即可求得$f(x)$的近似值。

该过程正确吗？如果不正确，请给出修改后的正确版本。\begin{equation}\label{7a} \begin{aligned} \min_{}C_{1}\sum_{i=1}^{m_{2}}\frac{\sigma^{2}}{2}[1-\exp(-\frac{\xi_{i}^{2}}{2\sigma^{2}})]^{\theta} \end{aligned} \end{equation} We can rewrite \eqref{7a} as: \begin{equation}\label{15} \begin{aligned} \max_{\alpha}G_{1}(\alpha) \end{aligned} \end{equation} where \begin{equation}\label{15} \begin{aligned} G_{1}(\alpha)= C_{1}\sum_{i=1}^{m_{2}}\frac{\sigma^{2}}{2}[\exp(-\frac{\xi_{i}^{2}}{2\sigma^{2}})]^{\theta} \end{aligned} \end{equation} To facilitate the following derivations, we define the convex function $g_{\theta}(v)$ as: \begin{equation} g{\theta}(v) = \frac{1}{\theta}[-v\log(-v) + v]^{\theta}, v<0 \end{equation} Then, using the theory of conjugate functions, we have: \begin{equation} \exp(-\frac{\xi_i^2}{2\sigma^2}) = \sup{v<0}[v\frac{\xi_i^2}{2\sigma^2}-g_{\theta}(v)], ~v=-\exp(-\frac{\xi_i^2}{2\sigma^2}) \end{equation} Thus, we can get: \begin{equation} \max{\alpha,v<0} \left{ \sum_{i=1}^{m_2} [v_i\frac{\xi_i^2}{2\sigma^2} - g_{\theta}(v{i})] \right} \end{equation} which is equivalent to: \begin{equation} \max_{\alpha} \left{ \sum_{i=1}^{m_2} [\exp(-\frac{\xi_i^2}{2\sigma^2}) \frac{\xi_i^2}{2\sigma^2} - g_{\theta}(-\exp(-\frac{\xi_i^2}{2\sigma^2}))] \right} \end{equation} This can be optimized using the HQ algorithm , where we alternate between optimizing $\alpha$ and $v$. Specifically, given fixed $\alpha^{(s)}$, we can solve for $v_i^{(s)}$ using the same equation as before: \begin{equation} v_i^{(s)} = -\exp(-\frac{(\xi^{(s)})^2}{2\sigma^2}) \end{equation} then,we can get: \begin{equation}\label{1} \begin{aligned} \min{}C_{1}\sum_{i=1}^{m_{2}}\frac{\sigma^{2}}{2}[1-\exp(-\frac{\xi_{i}^{2}}{2\sigma^{2}})]^{\theta} = \frac{1}{2\sigma^2}\kappa^T \Omega^{\frac{1}{\theta}}\kappa \end{aligned} \end{equation} 其中 $\kappa$ 为长度为 $m_2$ 的向量，其第 $i$ 个元素为 $\xi_i$，$\Omega$ 为一个对角线矩阵，其第 $i$ 个对角线元素为 $-\theta \exp(-\frac{\xi_i^2}{2\sigma^2})$。

$$v_i^{(s)} = -\frac{\partial g_{\theta}}{\partial v_i}|_{v_i=-\exp(-\frac{(\xi^{(s)})^2}{2\sigma^2})}=\left[1-\frac{1}{\theta}(-v_i\log(-v_i)+v_i)^{\theta-1}\right]_{v_i=-\exp(-\frac{(\xi^{(s)})^2}{2...

matlab抛物线插值

y=f(x)=y_1\frac{(x-x_2)(x-x_3)}{(x_1-x_2)(x_1-x_3)} +y_2\frac{(x-x_1)(x-x_3)}{(x_2-x_1)(x_2-x_3)} +y_3\frac{(x-x_1)(x-x_2)}{(x_3-x_1)(x_3-x_2)} $$ 将$x=x_2$代入上式可得到插值结果$y=f(x_2)$。在MATLAB...

将(m-sqrt(Xi-Xj)**2)*(n-sqrt(Yi-Yj)**2)转换成python

3. 计算`sqrt(Xi-Xj)**2`和`sqrt(Yi-Yj)**2`的值： ```python diff_x = math.sqrt(Xi-Xj)**2 diff_y = math.sqrt(Yi-Yj)**2 ``` 4. 计算`(m-sqrt(Xi-Xj)**2)*(n-sqrt(Yi-Yj)**2)`的值： ```python result = ...

matlab中的牛顿三次插值

x_n & y_n & f[x_{n-1}, x_n] & f[x_{n-2}, x_{n-1}, x_n] & f[x_{n-3}, x_{n-2}, x_{n-1}, x_n] \end{array} $$ 其中，$f[x_i]$ 表示 $y_i$，$f[x_i, x_{i+1}]$ 表示 $\dfrac{f[x_{i+1}] - f[x_i]}{x_{i+1} - x_i}...

% 加载数据并且检查数据 data1 = load('out3.txt'); if any(isnan(data1(:))) || any(isinf(data1(:))) error('数据存在异常值'); end data = data1(:, 1); % 对数据进行平滑处理 window_size = 5; data_smooth = smoothdata(data, 'movmean', window_size); % 对平滑后的数据进行插值 x = 1:length(data_smooth); xi = linspace(1, length(data_smooth), 10length(data_smooth)); % 使用样条插值插值数据 data_interp = interp1(x, data_smooth, xi, 'spline'); % 寻找波峰和波谷 [peaks, IndMax] = findpeaks(data_interp); [troughs, IndMin] = findpeaks(-data_interp); troughs = -troughs; % 绘制图形 figure; hold on; box on; plot(xi, data_interp); plot(xi(IndMin), data_interp(IndMin), 'r^'); plot(xi(IndMax), data_interp(IndMax), 'k'); legend('曲线', '波谷点', '波峰点'); title('计算离散节点的波峰波谷信息', 'FontWeight', 'Bold'); 改进这段matlab代码

data1 = load('out3.txt'); if any(isnan(data1(:))) || any(isinf(data1(:))) error('数据存在异常值'); end data = data1(:, 1); % 对数据进行平滑处理 window_size = 5; data_smooth = smoothdata(data, '...

计算x等于根号5，要求xi减去xi-1的决斗值小于等于0.5乘以10的负5次方，根号5等于=2.23606797…，如何用python表示

可以使用 Python 语言中的 math 库来计算根号5，然后按照之前的公式计算 $x_i$，并使用 for 循环判断 $x_i - x_{i-1}$ 是否小于等于 $0.5\times 10^{-5}$，代码如下： ```python import math x = math.sqrt(5) ...

时间序列数据的斜率怎么计算

假设我们有一组时间序列数据，表示为 (x1, y1), (x2, y2), ..., (xn, yn)，其中 xi 是时间点，yi 是对应的值。 1. 计算时间序列数据的均值： mean_x = (x1 + x2 + ... + xn) / n mean_y = (y1 + y2 + ... + yn) /...

计算x等于根号5，要求xi减去xi-1的决斗值小于等于0.5乘以10的负5次方，如何用python表示

可以使用Python中的math库来计算根号5，然后使用for循环来计算xi和xi-1的差值，并判断是否小于等于0.5乘以10的负5次方，代码如下： ```python import math x = math.sqrt(5) delta = 0.5 * pow(10, -5) # 定义差值...

写一个能够实现一元线性回归的python代码，要求输入两个列表，返回一个新的拟合过的列表

好的，以下是一元线性回归的Python代码：... return [beta0 + beta1 * xi for xi in x] ``` 这个代码实现了输入两个列表x和y，返回一个拟合过的列表，这个拟合过的列表实现了一元线性回归。如果您有任何问题，请问我。

matlab实现Penalized_1函数。其中，X是一个D维向量。要求：(1) 函数名为get_ Penalized_1；(2) X、a、m、k为输入参数；(3) 返回值rlt为Penalized_1函数的计算结果。 F7（X）=Π/D{10sin2(Πy1)+∑I=1D-1(yi-1)[1+10sin2(Πyi+1)]+（yD-1）2}+∑DI=1u（xi，10，100，4） Yi=1+（xi+1）/4; u(xi,a,k,m)={k(xi-a)m, xi>a; 0, -a<=xi<=a; k(-xi-a)m, xi<-a}

s1 = prod(10 * sin(pi * y(1:(end-1))).^2); s2 = sum((y - 1) .* (1 + 10 * sin(pi * y(2:end)).^2)); s3 = (y(D) - 1)^2; s4 = sum(u(X, a, k, m)); rlt = s1 / D + s2 + s3 + s4; end function rlt = u(x, a, k...

pack_data=bytearray([0xAA,0xFF,zhong_x>>8,zhong_x,dong_y>>8,dong_y,xi_y>>8,xi_y, black_num,0x00,0x00])

请注意，代码中的`zhong_x`，`dong_y`，`xi_y`和`black_num`应该是之前定义或赋值过的变量。这行代码将这些变量的值与其他固定的字节值组合成了一个字节数组。如果您有任何进一步的问题，请随时提问。

Spyder 1st order autocorrelation

The resulting value of r1 will range between -1 and 1, with a value of 0 indicating no autocorrelation, a positive value indicating positive autocorrelation (i.e., the variable tends to be high when ...

xi3-1_web_intelligence_html_report_panel_zh_CN

xi3-1_web_intelligence_html_report_panel_zh_CN xi3-1_web_intelligence_html_report_panel_zh_CN xi3-1_web_intelligence_html_report_panel_zh_CN

zhuseahui

粉丝: 63
资源: 419

上传资源快速赚钱

我的内容管理收起

我的资源快来上传第一个资源

我的收益

登录查看自己的收益

我的积分登录查看自己的积分

我的C币登录后查看C币余额

我的收藏

我的下载

下载帮助

会员权益专享

xi3-1_query_as_a_web_service_zh_CN

评论1

会员权益专享

最新资源

xi3-1_query_as_a_web_service_zh_CN

评论1

xi3-1_web_intelligence_query_html_zh_CN

xi3-1_publisher_zh_CN

xi3-1_web_intelligence_rich_client_zh_CN.

x, y = np.meshgrid(np.arange(range_x), np.arange(range_y)) # np.savetxt('reshape_data.txt', x, delimiter=' ', fmt="%i") x_o = x - range_x / 2 y_o = y - range_y / 2 x_i = x - dx y_i = y - dy 翻译为C++ Eigen

通过编程计算函数f(x)的近似值 已知对于，有如下数据表： xi 0 0.5 1.0 2.0 f(xi) 1.00000 1.64872 2.71828 7.38906 (1)对x0=0，x1=0.5，x2=2利用二次插值计算f(0.25)和f(0.75)的近似值 (2)对x0=0，x1=0.5，x2=2求f(x)的埃尔米特插值多项式H5(x)

matlab抛物线插值

将(m-sqrt(Xi-Xj)**2)*(n-sqrt(Yi-Yj)**2)转换成python

matlab中的牛顿三次插值

计算x等于根号5，要求xi减去xi-1的决斗值小于等于0.5乘以10的负5次方，根号5等于=2.23606797…，如何用python表示

时间序列数据的斜率怎么计算

计算x等于根号5，要求xi减去xi-1的决斗值小于等于0.5乘以10的负5次方，如何用python表示

写一个能够实现一元线性回归的python代码，要求输入两个列表，返回一个新的拟合过的列表

pack_data=bytearray([0xAA,0xFF,zhong_x>>8,zhong_x,dong_y>>8,dong_y,xi_y>>8,xi_y, black_num,0x00,0x00])

Spyder 1st order autocorrelation

xi3-1_web_intelligence_html_report_panel_zh_CN

会员权益专享

最新资源

通过编程计算函数f(x)的近似值已知对于，有如下数据表： xi 0 0.5 1.0 2.0 f(xi) 1.00000 1.64872 2.71828 7.38906 (1)对x0=0，x1=0.5，x2=2利用二次插值计算f(0.25)和f(0.75)的近似值 (2)对x0=0，x1=0.5，x2=2求f(x)的埃尔米特插值多项式H5(x)