A、 公共索引
B、 公共存储
C、 公共元组
D、 公共属性.
答案：D
解析：解析:关系数据库中,实体之间的联系是通过表与表之间的公共属性(相同字段)实现的。例如,有学生表和选课表,都有学号这个属性,对应的属性宽度和类型相同,便可以通过学号建立联系。故选 D 项。
A、 公共索引
B、 公共存储
C、 公共元组
D、 公共属性.
答案：D
解析：解析:关系数据库中,实体之间的联系是通过表与表之间的公共属性(相同字段)实现的。例如,有学生表和选课表,都有学号这个属性,对应的属性宽度和类型相同,便可以通过学号建立联系。故选 D 项。
A. 56
B. 128
C. 192
D. 256
解析：解析:AES 支持 128,192 和 256 位三种密钥长度,能够在世界范围内免版税使用,提供的安全级别足以保护未来 20 ~ 30 年内的数据,可以通过软件或硬件实现。故选 BCD 项。
A. 候选码
B. 主码
C. 外码
D. 连接码
解析：解析:当关系中的某个属性(或属性组合)虽不是该关系的关键字或只是关键字的一部分,但却是另一个关系的关键字时,则称该属性(或属性组合)为这个关系的外部关键字或外键(外码)。故选 C 项。
A. 算法执行时所需要的缓冲空间
B. 输入的初始数据所占的存储空间
C. 算法程序所占的空间
D. 算法执行过程中所需要的额外空间
解析：解析:数据的四种基本逻辑结构是集合、线性结构、树、图状结构。故选 D 项。
A. 十进制数可用 10 个数码,分别是 1 ~ 10
B. ―般在数字后面加一大写字母 B 表示十进制数
C. 二进制数只有两个数码:1 和 2
D. 在计算机内部都是用二进制编码形式表示的
解析：解析:基数是指某种数制中,每个数位上所能使用的数码个数。如十进制:可用0 ~ 9,基数为 10。二进制:可用 0 或 1,基数为 2。一般在数字后面用大写 B 表示二进制数,用 H 表示十六进制,用 D 或不加字母表示十进制。故选 ABC 项。
A. 数据元素是数据的基本单位
B. 数据项是数据中不可分割的最小标志单位
C. 数据可由若干个数据元素构成
D. 数据项可由若干个数据元素构成
解析：解析:构造函数必须与类名相同;可以用 private 修饰;能带参数;构造函数没有返回类型。故选 A 项。
A. 成熟的原型化人员
B. 快速的成型工具
C. 需求了解的正确性
D. 以上都是
解析：解析:由于系统分析员和用户在专业上的差异,在需求分析阶段的用户需求往往是不完全和不准确的。成熟的原型化人员、快速的成型工具是实施原型化方法所必需的。故选 AB 项。
A. 适合做因特网标准服务平台
B. 开放源代码
C. 有丰富的软件支持
D. 免费提供
解析：解析:Windows NT 继承了 Windows 友好易用的图形用户界面,又具有很强的网络性能与安全性,同时有丰富的软件支持,使得它适用于各种规模的网络系统。同时,由于 Windows NT 系统对 Internet 的支持,使得它成为运行 Internet 应用程序最重要的网络操作系统之一。源代码开放且免费提供是 Linux 操作系统的特点。故选 AC 项。
A. 查询语句
B. 产生视图的表信息
C. 视图的定义
D. 产生视图的表定义
解析：解析:本题主要考查数据库视图的理解。视图是从一个或几个基本表或视图导出的表,它与基本表不同,是一个虚表。数据库中只存放视图的定义,不存放视图对应的数据,这些数据仍存放在原来的基本表中。基本表中的数据发生变化,从视图中查询出的数据也就随之改变了。数据字典是记录了数据库的系统描述信息的表和视图的集合。故选 C 项。
A. 并行计算:Bagging 各个预测函数必须按顺序迭代生成;Boosting 各个预测函数可以并行生成
B. 预测函数:Bagging 所有的预测函数的权重相等;Boosting 中误差越小的预测函数其权重越大
C. 样本权重:Bagging 根据错误率调整样本权重,错误率越大的样本权重越大;Boosting 使用的是均匀取样,每个样本权重相等
D. 样本选择上:Bagging 每一轮的训练集是不变的,改变的只是每一个样本的权重;Boosting 采用的是 Bootstrap 随机有放回抽样
解析：解析:Bagging 和 Boosting 的区别：
（1）样本选择上：
Bagging：训练集是在原始集中有放回选取的，从原始集中选出的各轮训练集之间
是独立的。Boosting：每一轮的训练集不变，只是训练集中每个样例在分类器中的权重
发生变化，而权值是根据上一轮的分类结果进行调整。
（2）样例权重：
Bagging：使用均匀取样，每个样例的权重相等。Boosting：根据错误率不断调整
样例的权值，错误率越大则权重越大。
（3）预测函数：
Bagging：所有预测函数的权重相等。Boosting：每个弱分类器都有相应的权重，
对于分类误差小的分类器会有更大的权重。
（4）并行计算：
Bagging：各个预测函数可以并行生成。Boosting：各个预测函数只能顺序生成，
因为后一个模型参数需要前一轮模型的结果。
故选 B 项。
A. 大型机
B. 小型机
C. 个人电脑
D. 终端设备
解析：解析:小型机是指运行原理类似于 PC(个人电脑)和服务器,但性能及用途又与它们截然不同的一种高性能计算机,它是 70 年代由 DEC(数字设备公司)公司首先开发的一种高性能计算产品。小型机具有区别 PC 及其服务器的特有体系结构。故选 B 项。
