NCV5.5元数据建模与管理指南：业务设计与运维实践

需积分: 33 4 下载量 8 浏览量 更新于2024-07-24 收藏 2.14MB DOC 举报
《NCV5.5-元数据建模及管理红皮书》详细阐述了在NC-UAP5.5环境中进行元数据管理和业务建模的方法。文档首先从"前言"部分介绍元数据在业务建模中的重要性，强调了其在创建单据模板、流程平台应用、数据访问和自定义项目中的实用价值。 在"基于元数据的业务建模"章节中，重点讲解了模型设计器的构成，包括资源浏览器、工具面板、画布、属性面板和模型视图，这些都是进行元数据操作的基础工具。用户可以通过资源浏览器右键新建目录或模型文件（bmf），每个模型文件代表元数据中的一个组件（IComponent），用于表示相对独立的业务领域，如销售订单或客商档案。组件设计时需考虑复用性和避免相互依赖，组件通常隶属于模块，但与目录的关联仅为了管理和组织。 在实际操作中，组件包含实体、业务接口、枚举类型等多个元素，这些元素共同构建了组件的功能和逻辑。组件版本管理也很关键，通过自动递增的版本号确保新版本不会被旧版本覆盖。此外，代码风格选项允许用户选择NC的传统样式或标准样式，适应不同类型的数据库结构。 "元数据管理"部分涵盖了元数据信息的浏览、修改，如枚举类型的维护、元数据升级以及恢复到默认状态的功能。这对于维护和优化系统的元数据至关重要。文档还展示了元数据在具体应用场景中的运用，如生成单据模板、集成流程平台、引用特定实体、执行查询和数据访问，以及如何利用自定义项。 《NCV5.5-元数据建模及管理红皮书》提供了一个全面的指南，帮助用户理解和操作元数据，提升业务流程的灵活性和效率，是NCV5.5环境中进行有效元数据管理的重要参考资料。

NCV61-元数据建模及管理红皮书

2022-02-23 上传
元数据建模及管理红皮书 元数据建模及管理红皮书是 NC-UAP 6.0 用友 NC-UAP 的一部分，旨在帮助用户更好地理解和应用元数据建模及管理技术。本书共 56 页，涵盖了元数据建模的基本概念、业务建模、实体组件、实体的...

NCV5-二次开发框架技术红皮书

2012-10-06 上传
《NCV5-二次开发框架技术红皮书》是一本详细介绍如何在NC 5.0平台上进行二次开发的专业指南。本书由用友NC-总体设计部与平台技术部联合编著，旨在帮助开发者深入理解并有效利用NC 5.0框架进行系统定制和功能增强。 ...

NC5X-外部交换平台技术红皮书.pdf

2018-12-05 上传
NC5X-外部交换平台技术红皮书.pdf

用友ncv6.5数据字典

2023-07-02 上传
用友NCV6.5数据字典是用友公司开发的一款数据管理工具，它在企业资源管理系统中起到了重要的作用。 首先，用友NCV6.5数据字典可以帮助企业管理者更好地了解和把握企业的数据情况。通过数据字典，企业管理者可以清晰...

ncv_contrib-master\modules\wechat_qrcode\src\wechat_qrcode.cpp:56: error

2023-10-15 上传
在编译ncv_contrib-master项目中的wechat_qrcode模块时，出现了错误，具体错误信息为ncv_contrib-master\modules\wechat_qrcode\src\wechat_qrcode.cpp的第56行出现了错误。 要解决这个错误，我们首先需要打开...

class SVDRecommender: def init(self, k=50, ncv=None, tol=0, which='LM', v0=None, maxiter=None, return_singular_vectors=True, solver='arpack'): self.k = k self.ncv = ncv self.tol = tol self.which = which self.v0 = v0 self.maxiter = maxiter self.return_singular_vectors = return_singular_vectors self.solver = solver def svds(self, A): if which == 'LM': largest = True elif which == 'SM': largest = False else: raise ValueError("which must be either 'LM' or 'SM'.") if not (isinstance(A, LinearOperator) or isspmatrix(A) or is_pydata_spmatrix(A)): A = np.asarray(A) n, m = A.shape if k <= 0 or k >= min(n, m): raise ValueError("k must be between 1 and min(A.shape), k=%d" % k) if isinstance(A, LinearOperator): if n > m: X_dot = A.matvec X_matmat = A.matmat XH_dot = A.rmatvec XH_mat = A.rmatmat else: X_dot = A.rmatvec X_matmat = A.rmatmat XH_dot = A.matvec XH_mat = A.matmat dtype = getattr(A, 'dtype', None) if dtype is None: dtype = A.dot(np.zeros([m, 1])).dtype else: if n > m: X_dot = X_matmat = A.dot XH_dot = XH_mat = _herm(A).dot else: XH_dot = XH_mat = A.dot X_dot = X_matmat = _herm(A).dot def matvec_XH_X(x): return XH_dot(X_dot(x)) def matmat_XH_X(x): return XH_mat(X_matmat(x)) XH_X = LinearOperator(matvec=matvec_XH_X, dtype=A.dtype, matmat=matmat_XH_X, shape=(min(A.shape), min(A.shape))) # Get a low rank approximation of the implicitly defined gramian matrix. eigvals, eigvec = eigsh(XH_X, k=k, tol=tol ** 2, maxiter=maxiter, ncv=ncv, which=which, v0=v0) # Gramian matrix has real non-negative eigenvalues. eigvals = np.maximum(eigvals.real, 0) # Use complex detection of small eigenvalues from pinvh. t = eigvec.dtype.char.lower() factor = {'f': 1E3, 'd': 1E6} cond = factor[t] * np.finfo(t).eps cutoff = cond * np.max(eigvals) # Get a mask indicating which eigenpairs are not degenerate tiny, # and create a reordering array for thresholded singular values. above_cutoff = (eigvals > cutoff) nlarge = above_cutoff.sum() nsmall = k - nlarge slarge = np.sqrt(eigvals[above_cutoff]) s = np.zeros_like(eigvals) s[:nlarge] = slarge if not return_singular_vectors: return np.sort(s) if n > m: vlarge = eigvec[:, above_cutoff] ularge = X_matmat(vlarge) / slarge if return_singular_vectors != 'vh' else None vhlarge = _herm(vlarge) else: ularge = eigvec[:, above_cutoff] vhlarge = _herm(X_matmat(ularge) / slarge) if return_singular_vectors != 'u' else None u = _augmented_orthonormal_cols(ularge, nsmall) if ularge is not None else None vh = _augmented_orthonormal_rows(vhlarge, nsmall) if vhlarge is not None else None indexes_sorted = np.argsort(s) s = s[indexes_sorted] if u is not None: u = u[:, indexes_sorted] if vh is not None: vh = vh[indexes_sorted] return u, s, vh将这段代码放入一个.py文件中，用Spyder查看，有报错，可能是缩进有问题，无法被调用，根据这个问题，给出解决办法，给出改正后的完整代码

2023-06-07 上传
eigvals, eigvec = eigsh(XH_X, k=self.k, tol=self.tol ** 2, maxiter=self.maxiter, ncv=self.ncv, which=self.which, v0=self.v0) # Gramian matrix has real non-negative eigenvalues. eigvals = np....

在NCV5开发环境中，如何设计并实现一个事务型EJB组件，包括使用Eclipse生成代码、编写远程接口和实现类，以及配置部署文件？

2024-11-01 上传
在NCV5开发环境中实现事务型EJB组件的过程，涉及代码生成、接口设计、实现编写及部署配置等多个方面。首先，你需要安装Eclipse 3.2并配置JDK 1.5，同时安装UAPnc.uap.mde插件以及设置NC_HOME环境变量指向技术平台的...

为什么 NCV78702 要配合 NCV78723 使用

2023-06-13 上传
NCV78702和NCV78723是ON半导体公司推出的两款汽车电子产品，分别是LED驱动器和功率管理芯片。NCV78723是一款高度集成的电源管理IC，可以为车内的各种电子设备提供电源管理和保护功能。NCV78702作为LED驱动器，需要...

如何在Cadence Incisive环境下设置环境变量以使用ncsim覆盖率收集工具？请提供详细步骤。

2024-11-05 上传
export NCV_HOME=/path/to/iccug/icc 3. 保存并关闭配置文件。然后在命令行中运行source命令来更新你的环境变量： source ~/.bashrc 或 source ~/.cshrc 4. 为了验证环境变量是否设置正确，可以使用echo命令检查...

class svd_recommender_py(): #svd矩阵推荐 def svds(A, ncv=None, tol=0, which='LM', v0=None, maxiter=None, return_singular_vectors=True, solver='arpack'): if which == 'LM': largest = True elif which == 'SM': largest = False else: raise ValueError("which must be either 'LM' or 'SM'.") if not (isinstance(A, LinearOperator) or isspmatrix(A) or is_pydata_spmatrix(A)): A = np.asarray(A) n, m = A.shape if k <= 0 or k >= min(n, m): raise ValueError("k must be between 1 and min(A.shape), k=%d" % k) if isinstance(A, LinearOperator): if n > m: X_dot = A.matvec X_matmat = A.matmat XH_dot = A.rmatvec XH_mat = A.rmatmat else: X_dot = A.rmatvec X_matmat = A.rmatmat XH_dot = A.matvec XH_mat = A.matmat dtype = getattr(A, 'dtype', None) if dtype is None: dtype = A.dot(np.zeros([m, 1])).dtype else: if n > m: X_dot = X_matmat = A.dot XH_dot = XH_mat = _herm(A).dot else: XH_dot = XH_mat = A.dot X_dot = X_matmat = _herm(A).dot def matvec_XH_X(x): return XH_dot(X_dot(x)) def matmat_XH_X(x): return XH_mat(X_matmat(x)) XH_X = LinearOperator(matvec=matvec_XH_X, dtype=A.dtype, matmat=matmat_XH_X, shape=(min(A.shape), min(A.shape))) # Get a low rank approximation of the implicitly defined gramian matrix. #获得隐式定义的格拉米矩阵的低秩近似。 #这不是解决问题的稳定方法。 solver == 'arpack' eigvals, eigvec = eigsh(XH_X, k=k, tol=tol ** 2, maxiter=maxiter, ncv=ncv, which=which, v0=v0) #格拉米矩阵具有实非负特征值。 eigvals = np.maximum(eigvals.real, 0) #使用来自pinvh的小特征值的复杂检测。 t = eigvec.dtype.char.lower() factor = {'f': 1E3, 'd': 1E6} cond = factor[t] * np.finfo(t).eps cutoff = cond * np.max(eigvals) #得到一个指示哪些本征对不是退化微小的掩码， #并创建阈值奇异值的重新排序数组。 above_cutoff = (eigvals > cutoff) nlarge = above_cutoff.sum() nsmall = k - nlarge slarge = np.sqrt(eigvals[above_cutoff]) s = np.zeros_like(eigvals) s[:nlarge] = slarge if not return_singular_vectors: return np.sort(s) if n > m: vlarge = eigvec[:, above_cutoff] ularge = X_matmat(vlarge) / slarge if return_singular_vectors != 'vh' else None vhlarge = _herm(vlarge) else: ularge = eigvec[:, above_cutoff] vhlarge = _herm(X_matmat(ularge) / slarge) if return_singular_vectors != 'u' else None u = _augmented_orthonormal_cols(ularge, nsmall) if ularge is not None else None vh = _augmented_orthonormal_rows(vhlarge, nsmall) if vhlarge is not None else None indexes_sorted = np.argsort(s) s = s[indexes_sorted] if u is not None: u = u[:, indexes_sorted] if vh is not None: vh = vh[indexes_sorted] return u, s, vh这段代码主要是为了将scipy包中的SVD计算方法封装成一个自定义类，是否封装合适？如果不合适，给出修改后的完整代码

2023-06-07 上传
eigvals, eigvec = eigsh(XH_X, k=k, tol=tol ** 2, maxiter=maxiter, ncv=ncv, which=which, v0=v0) # Gramian matrix has real non-negative eigenvalues. eigvals = np.maximum(eigvals.real, 0) # Use ...
苦水玫瑰
  • 粉丝: 0
  • 资源: 1
上传资源 快速赚钱

最新资源