数据库的发展过程

一、摇篮和萌芽阶段：首先使用"DataBase"一词的是美国系统发展公司在为美国海军基地在60年代研制数据中引用。

1963年，C·W·Bachman设计开发的IDS(Integrate Data Store)系统开始投入运行，它可以为多个COBOL程序共享数据库。

1968年，网状数据库系统TOTAL等开始出现;

1969年，IBM公司Mc Gee等人开发的层次式数据库系统的IMS系统发表，它可以让多个程序共享数据库。

1969年10月，CODASYL数据库研制者提出了网络模型数据库系统规范报告DBTG，使数据库系统开始走向规范化和标准化。

正因为如此，许多专家认为数据库技术起源于20世纪60年代末。

数据库技术的产生来源于社会的实际需要，而数据技术的实现必须有理论作为指导，系统的开发和应用又不断地促进数据库理论的发展和完善。

二、发展阶段：20世纪80年代大量商品化的关系数据库系统问世并被广泛的推广使用，既有适应大型计算机系统的，也有适用与中、小型和微型计算机系统的。

这一时期分布式数据库系统也走向使用。

1970年，IBM公司San Jose研究所的E ·F ·Code发表了题为"大型共享数据库的数据关系模型"论文，开创了数据库的关系方法和关系规范化的理论研究。

关系方法由于其理论上的完美和结构上的简单，对数据库技术的发展起了至关重要的作用，成功地奠定了关系数据理论的基石。

1971年，美国数据系统语言协会在正式发表的DBTG报告中，提出了三级抽象模式，即对应用程序所需的那部分数据结构描述的外模式，对整个客体系统数据结构描述的概念模式，对数据存储结构描述的内模式，解决了数据独立性的问题。

1974年，IBM公司San Jose研究所研制成功了关系数据库管理系统System R，并且投放到软件市场。

1976年，美籍华人陈平山提出了数据库逻辑设计的实际（体）联系方法。

1978年，新奥尔良发表了DBDWD报告，他把数据库系统的设计过程划分为四个阶段:需求分析、信息分析与定义、逻辑设计和物理设计。

1980年，J·D·Ulman所著的《数据库系统原理》一书正式出版。

1981年 E· F· Code获得了计算机科学的最高奖ACM图林奖。

1984年，David Marer所著的《关系数据库理论》一书，标志着数据库在理论上的成熟。

三、成熟阶段：80年代至今，数据库理论和应用进入成熟发展时期 易观国际发布《IT产品和服务－2007年中国数据库软件市场数据监测》，考察了中国数据库管理软件市场。

数据显示，中国商业数据库市场2007年度整体规模达到2172亿人民币，比去年同期增长15%。

从厂商竞争格局来看，国际软件巨头占据市场的绝大多数份额。

Oracle、IBM、Microsoft和Sybase牢牢占据国内数据库软件市场前四位，拥有938%的市场份额。

国产数据库的市场份额在本季度继续提升，正在抓住国家提倡自主创新的机遇，以“有自主知识产权”的产品为契机，满足部委和地方 的信息整合平台需求。

2008年，中国商业数据库市场整体规模达到了2825亿元，比上个年度增长了30%，一方面，主要是因为中国电子政务建设的大幅增加，以及中国 对版权的高度重视。

其中，Oracle占据了其中44%的市场份额，IBM占据了其中20%的份额、微软占据了18%的份额，Sybase占据了10%，而国产数据库因为在 的支持下，已经占据了8%的市场份额，较2007年同比提升了25%。

其中，达梦数据库年销售额为6600万元，为国产数据库中市场份额最大的。

预计中国商业数据库市场在2009年达到31亿元的市场规模，同时，国产数据库在中国 鼓励自主创新的基础下，会占据更大的市场份额。

另外，包括Mysql等开源数据库也占据了大量的 及中小企事业用户，同时，盗版数据库更是占据了中国数据库市场的较大份额，其数值不亚于整个商业数据库的市场份额。

“找到”成千上万的候选行星，天文学家必须有能力将“真行星”与“假行星”分开。

考虑到许多天文学数据库的规模都大得惊人，区分并不是一件简单的事，但是，人工智能算法给此事带来前所未有的希望。

近日，英国华威大学的大卫·阿姆斯特朗博士（David Armstrong）领导的研究团队开发了一项新的机器学习算法，从美国航空航天局（NASA）的陈旧数据中，识别出太阳系外的行星。他们确认了50颗系外行星的存在，从海王星大小的气体巨行星到比地球还小的岩石世界，无所不包。

方法是，计算出每个行星的成为候选星球的概率。

历史 上天文学家一般相信在太阳系以外存在着其它行星，然而它们的普遍程度和性质则是一个谜。直至1990年代人类才首次确认系外行星的存在，而自2002年起每年都有超过20个新发现的系外行星。

许多太阳系外行星调查都通过望远镜中的大量数据来搜索行星在望远镜与恒星之间通过的迹象，这就是所谓的过境。这会导致望远镜探测到的恒星发出明显的光线下降，但这也可能是由于来自背景物体的干扰，甚至相机中的微小误差所致。这些误报可以在行星验证过程中筛选出来。

华威大学（Warwick U）物理系和计算机科学系以及艾伦·图灵学院的研究人员建立了一种基于机器学习的算法，该算法可以在NASA的开普勒和TESS等望远镜任务发现的数千个候选行星的大样本中区分出真实的行星和虚假的行星。

AI算法接受了识别真实行星的训练，使用了两大已确认的行星样本和现已退役的开普勒任务的误报。

然后，研究人员在开普勒尚未确认的候选行星数据集上使用了该算法，产生了50个新的确认行星，其中第一个将通过机器学习进行验证。以前的机器学习技术只对候选行星进行排序，但从未自行确定候选行星是否是真正行星的概率，而这是行星验证的必要步骤。

通过确认这50颗行星是真实存在的，天文学家现在可以优先利用专门的望远镜对它们进行进一步的观察。

华威大学物理系的大卫·阿姆斯特朗博士说：“我们开发的算法可以让我们挑选50个候选行星进行行星验证，并将它们升级为真正的行星。”我们希望将这项技术应用于当前和未来的TESS和PLATO等任务中的大量候选样本。

天文学家有两种方法探测太阳系外的行星。一种是径向速度方法，它用来监测恒星是否有行星引力引起的小反运动。第二种是更敏感的技术， 也是凌日系外行星巡天卫星和开普勒采用的技术， 它主要依靠宿主星的亮度变化。

问题是，第二种方法产生了大量恒星的亮度数据，其中许多恒星不会有可见的系外行星。

于是，人工智能上场了。

论文中也强调：“我们的算法模型只要短短几秒就能对数千个肉眼看不见的候选行星进行识别，确认其是否真的是行星。我们现在不仅能说哪些候选行星‘更可能’是行星，而是可以用确切的数据说明这种可能性有多大：如果候选天体是‘假行星’的可能性小于1％，就可以被确认为是真正的行星。”

阿姆斯特朗博士，谈道：“就行星验证而言，之前没有人使用过机器学习技术。机器学习已经被用于对候选行星进行排名，但从来没有在概率框架中使用过，而概率框架是你真正验证一颗行星所需要的。我们现在可以说出精确的统计可能性，而不是说哪些候选者更有可能是行星。如果一个候选行星的假阳性概率小于1%，它就被认为是经过验证的行星。”

华威大学的计算机科学系副主任、阿兰·图灵研究所（Alan Turing Institute）研究员Dr Theo Damoulas博士说：

阿姆斯特朗博士补充说：“到目前为止，几乎30%的已知行星仅用一种方法就被验证了，这并不理想。仅仅因为这个原因，开发新的验证方法是可取的。但机器学习也能让我们做得非常快，更快地确定候选人的优先级。”

研究人员认为，它应该是未来用来验证行星的工具之一。

根据新的研究，在所有确认的系外行星中，大约有三分之一是用单一的分析方法确认的，这并不理想。科学家们用已确认身份的系外行星数据和“假行星”的数据来训练神经网络（一种人工智能算法），这样能在新的数据中识别出那些明显的迹象（信号）。

新技术比以前的技术更快，可以自动化，并且可以通过进一步的"训练”加以改进效果。

论文《利用机器学习验证系外行星：50颗新验证的开普勒行星》发表在《皇家天文学会月刊》上。阿姆斯特朗博士的研究得到了英国研究与创新部门科学技术设施委员会(STFC)通过Ernest Rutherford奖学金的支持。

GitHub上也有不少天文学软件包，比如， allesfitter， 用于对光度和RV数据进行建模。它可以容纳多个系外行星，多星系统、星点、恒星耀斑和各种噪声模型。

尽管取得了突破，但是，该算法仍处于早期阶段。在陈旧数据中找到错失的金子，提高了人类 探索 未知宇宙世界的效率。验证行星的新工具问世了，新老方法共同为系外行星 探索 出力。

（全文结束）

《亲爱的数据》出品

LiteDB 是一个用 Dotnet 实现的小型快速轻量级的 NoSQL 嵌入式文档数据库，主要有以下特点：

LIteDB 安装非常简单，因为其实现就是一个 DLL 文件，因此只需要将这个 DLL 拷贝到你项目的 Bin 文件夹并添加为引用即可。当然，更推荐的方式是通过 Nuget 安装。

首先创建一个普通的 C# 类

然后，连接数据库，进行插入或者更新 *** 作

经过多次迭代，LiteDB 现在到了 50 大版本了，已经非常成熟了。我自己在一个个人笔记软件里使用了 LiteDB ,感觉非常好用，强烈推荐。项目地址：>

以上就是关于数据库的发展过程全部的内容，包括:数据库的发展过程、AI找星星：挖掘天文学数据库金矿，人工智能用于天体物理学、LiteDB，一个用纯C#实现的轻量级文档数据库等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！