模型

有关CaCO3在纯H2O-CO2系统中溶解的第一个可靠的实验是由Erga和Terjesen（1956）所做的。他们使用了自由漂移方法，测定了钙浓度随时间的变化。所使用的方解石颗粒大小与 Plummer等（1978）的实验相当。不同的是 Erga和Terjesen 发现了速率对搅拌的依赖关系，搅拌系数为0.22，这表明存在表面控制。图6.19概括了实验结果。它表示了不同pCO2条件下速率与[Ca2+]的关系，这种表示方法与图6.17 是相同的。Plummer等（1979）计算了该实验条件下相应的速率，前提是假定表面pCO2与溶液中的pCO2相等。图6.19中的实线是计算速率的0.5倍。这表明 Erga和Terjesen 估计的表面积高1倍，或更可能反映了混合动力学，即还有传输控制的影响。同样 Buhmann＆Dreybrodt（1985），在他们的实验中，也观测到实验速率比 PWP理论（第7章）预测值低1倍。图6.18 正反应（1）、（2）和（3）及逆反应对反应速率的贡献图6.19 Erga＆Terjesen（1956）自由漂移实验中4种CO2分压条件下的速率实验值与计算值的对比（Plummer等，1979）图6.20 海水中Berner＆Morse（1974）的实验观测值与PWP方程计算值的比较（Plummer等，1979）不管怎样，理论计算值与实验数据有相当好的一致性，证实了PWP模型原理的正确性。然而，需要使用比例因子（通常为2倍），说明速率常数的精度有些问题。这可能是在实验中，水动力条件相当不确定所致。如果传输仍对溶解速度施加控制的话，那么可以预见从这些实验中确定的速率常数应比实际值低。从Compton＆Daly（1984）所做的实验对此可以提供一些证据。他们使用旋转盘方法测定了远离平衡（[Ca2+]＜1×10-4mmol·cm-3）时的速率，发现速率常数（k3=2.1×10-7mmol·cm-2·s-1）比 Plummer等（1978）给出的值（1.2×10-7）大。Plummer等（1979）也对其理论预测值与 Berner＆Morse（1974）获得的海水或类海水系统中方解石溶解速率（参见图6.9）进行了比较。图6.20显示了比较的结果。位于直线上的实验点等于预测值。大多数点在2倍误差范围内与预测值是一致的。

下载一个MPQ文件修改软件先MyWarCraftStudio v0.6执行程序： MyWarCraftStudio先举个精灵改亡灵的例子（男） 1. 用MyWarCraftStudio软件打开model.MPQ(3D模型库,文件在\World of Warcraft\Data目录下面)文件 2.在左侧导航栏里找到Character(人物)Scourge(亡灵)Male(男性)ScourgeMale.m2 3.然后新建一个名为character的文件夹,在character目录下面新建一个名为NightElf的文件夹,在NightElf目录下面新建一个名Male的文件夹,把character目录放到DATA目录下面. 4.再回到软件右击ScourgeMale.m2,点EXTRACT FILE...导出这个男亡灵的3D模型放到刚才我们新建的目录下面最下面一个文件夹(Male目录下面) 5.再使用软件重新打开文档(Ctrl+o)texture.MPQ(游戏素材库),文件在\World of Warcraft\Data目录下面. 6.在左侧导航栏里打开Scourge[Character(人物)Scourge(亡灵)],里面有很多人物素材,需要把他们每一种素材都导出到刚才我们建好目录下面(World of WarcraftDatacharacterNightElfmale),把他们放到Male目录里. 7.需要导出到素材如下:1.FacialLowerHair(面下部毛发素材)2.FacialUpperHair(面上部素材)3.ScalpLowerHair(下部的头发)4.ScalpUpperHair(上部的头发)点开Mail文件夹下面有6.NightElfMaleEyeGlow.blp(眼睛)7.ScourgeMaleFaceLower(脸下部皮肤)8.ScourgeMaleFaceUpper(脸上部皮肤)9.ScourgeMaleNakedPelvisSkin(骨盆皮肤)10.ScourgeMaleSkin(角色皮肤) 说明:以上均只选取一个素材导出. 8.然后我们修改他们的文件名称把Scourge(亡灵)都修改成NightElf.如ScourgeMaleFaceUpper00_00.blp修改为NightElfMaleFaceUpper00_00.blp 9.再确认一下目录次序World of WarcraftdatacharacterNightElfmale(所有刚才导出的文件都在Male下面. 10.大功告成了,登陆游戏后你会发现所有男精灵都变男亡灵了, 都是聪明人 其他的就不用多说了吧 知道这个改法以后 其他想改成什么种族自己去改去吧 PS：Dwarf 是矮人 Gnome 是侏儒 Goblin 是地精（著名的哥布林是也^ ^） Human 是人类 NightElf 是暗夜 Orc 是兽人 Scourge 亡灵 Tauren 牛头 Troll 巨魔

地下水数值模拟的有限元法的原理与有限差分法有所不同，有限差分法以偏微分方程的差分近似为基础，而有限元法以积分方程的离散近似为基础。在以往的研究中，推导有限元方程有两种方法，分别为迦辽金(Galerkin)法与里茨(Ritz)法。Galerkin法采用加权余量的积分公式(以平面模型为例)为典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:R(H")为近似解H"形成的余量函数;w为权函数;x为模型的某个子域。Ritz法是利用与地下水偏微分方程等价的函数极限值函数进行求解，即典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:J(H)是等价范函，积分内公式F定义为使J(H)取极小值的函数H(x，y，t)恰好满足地下水流的偏微分方程。于是，地下水方程的近似解通过以下极值条件方程:典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用得到，式中Hp是模型子域上的节点水头。已有证明，当有限元网格单元采用相同的插值函数及形函数时，上述两种方法实际上是完全等价的，所形成的代数方程组相同。为此，本书中不再对有限元法的积分方程进行推导。最常见的平面有限单元网格是三角形网格，而四边形网格也有较多的应用。三位有限元模型一般采用分层网格建立6节点或8节点等参单元。有限元的积分方程就是在网格单元的基础上近似求解的。首先讨论平面三角形单元(图2-3)。单元e的3个顶点编号按照逆时针顺序分别为i，j，k，水头在单元内任意坐标点(x，y)的分布特征采用线性插值函数进行近似描述:图2-3 三角形单元及其顶点编号典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:β1、β2、β3为几何系数。把节点i，j，k处的坐标和水头代入式(2-28)得典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用这是线性方程组，求解得典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:Ae为三角形单元面积。将式(2-33)～式(2-35)代入式(2-29)，则插值函数可改写为典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用令:典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用是节点i、j、k在单元e内的形参数。对于固定坐标点(x，y)，形函数具有以下的性质:典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:上标e表示求和只能在同一三角形单元内进行。当所有节点的水头已知时，就可以把形参函数代入式(2-40)计算三角形单元内任意坐标位置的水头。四边形单元也可以采用类似的方法建立插值函数和形函数，但是在形式上复杂一些。首先，任意的四边形都可以影射为一个正方形，图2-4a中(x，y)坐标系下的四边形1－2－3－4，可通过变换，形成2-4b中(η，ξ)坐标系下的正方形1－2－3－4。这个正方形单元被称为等参单元，其形函数定义为图2-4 任意四边形单元的坐标变换典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:(ηi，ξi)为节点i的映射坐标。等参单元内的任意一点(η，ξ)，通过上述形参数与实际四边形单元内的对应坐标点建立如下关系，即典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:xi，yi为节点i的实际坐标。因此，等参单元内形函数与实际单元函数具有一一对应的关系:典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用而等参单元内的任意一点(η，ξ)的水头，也可以通过形函数变换为坐标下(x，y)处的水头典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用在建立有限元方程时，需要用到一下类型的偏导数典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用对于三角形网格中的一个节点p(图2-5)，建立有限元方程的积分区域包括了与p点相邻的所有节点p－1，p－2等，即以p点为共同顶点的所有三角形单元所覆盖的区域。积分采用分片法，即在相邻的三角形单元内分别积分，然后求总和，得到对应于p点的有限元方程。图2-5 三角形网格中的节点及其水均衡控制区(阴影部分)通过建立有限元网格节点的水均衡控制区，采用水量均衡原理，也可推导出地下水流的有限元方程，与积分法得到的结果相同。这种推导方法更加清楚地反映了地下水流的物理机制。如图2-5所示，节点p的水均衡控制区是一系列三角形重心与侧边中点的连线所围成的区域。每个三角形单元中，属于节点p水均衡控制区的面积是其单元面积的1/3。因此，节点p水均衡控制区的面积为典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:e－n为第n个相邻三角形单元的整体编号;Ae－n为其面积。地下水通过控制区周边流入控制区内的侧向流量QH，可以用流速在控制区边界线上的线积分得到典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:V为流速向量;n为边界线S上微分线段dS的内法线矢量;Vx和Vy分别为x方向和y方向的流速分量;m为含水层的厚度。设渗透系数的主轴与坐标轴一致，则流速向量可根据达西定律获取:典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用代入式(2-51)有典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用确定上述积分的方法是在节点p相邻的三角形单元内分别计算，然后求和，即典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用其中，每个三角形单元e－n流量贡献为典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:S－n为在三角形单元e－n内的积分路径。以图2-5中的单元e－1为例，节点p控制区在该单元内的积分路径为A－B－C，其中A为点p和点p－1连线的中点，B为点p和点p－2连线的中点，C为单元e－1的重心。根据三角形单元内水头的插值函数式(2-40)，有典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用根据式(2-41)得典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用同理有典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用可见水力梯度在三角形单元内是一常量，可以提取到式(255)的积分号外部，即典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用这样在线积分中只剩下积分路径在x轴和y轴上的投影，有典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用根据点A和点C与单元e－1的3个顶点之间的关系，有典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用将式(2-61)和式(2-61)代入式(2-60)，得典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用将式(2-63)代入式(2-59)，得典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用三角形单元e－1中的节点p、节点p－1以及节点p－2分别与图4-9中普遍单元的顶点i，j，k相互对应，有了式(2-64)之后，引入如下的系数来反映单元e内节点与节点之间的关系:典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:GpL为节点L与节点p的控制区之间的关系。利用式(2-65)可以把式(2-64)改写为典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用代入式(2-64)得到流向节点p控制区的总侧向流量:典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:p－j和p－k分别表示沿着单元e－i从节点p逆时针移动遇到的第一个节点与第二个节点。以图25中的节点p为例，展开式(2-67)，得到典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用在整个网格中，节点之间在各个单元中的关联系数可以合并为典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:GpL为节点p与节点L之间在整体网络上的关联系数;EpL为共同拥有节点p和L的单元的数目，说明节点p和L之间没有直接关系。关联系数的重要特征是对称性:EpL=GpL。运用式(2-69)，流向节点p控制区的侧向流量可表示为典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:N为网格中的总节点数。对于承压含水层，在时间步长Δtk内，节点p控制区内水体积的增加量为典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:k为时间步长。标准的有限元法是把差值函数引入上述积分，并分别在相邻单元内积分再求和，导出ΔVW中包含全部相邻节点的水头变化信息。目前，地下水流有限元模型中，普遍采用储量集中处理法，即用节点p的水头变化表示控制区的平均水头变化，有典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:Ap按照式(2-50)计算，这种简单的做法反而可以改善有限元的计算结果。根据水均衡原理，控制区水体积的增量与外部流量补给的水量相等，即典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:Qa是其他外部不计流量。利用式(2-70)和式(2-72)，可以展开式(2-73)为典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用这就是承压含水层模型中对应节点p的隐式有限元方程。潜水含水层的有限元方程可写为典型煤矿地下水运动及污染数值模拟:Feflow及Modflow应用式中:Sy为给水度。关联系数GpL中的导水系数TX，TY与当前时刻的带球水头有关，因此属于非线性方程。

1、unity只支持有骨骼蒙皮的模型动画、有骨骼的IK约束动画。其他类型的变形动画导入unity想不出现错误需要一些插件。（注意：有多个动作的动画建议单独导，否则有可能会出问题，我也不知道你的具体问题需要看一下源文件才明白，就简单的和你说一下常识）2、导出时要勾选 动画、烘焙动画、蒙皮、变形、嵌入的媒体，否则可能会出错。3、如果需要导出没有骨骼的模型动画（例如红旗飘动），需要点击模型，在编辑栏的修改器列表中选择“点缓存”，设置输出位置，保存为pc2格式，点击记录生成。 （在导出FBX文件时，需要多勾选一项“点缓存”），在unity中需要Mega-Fiers插件（你可以百度下载一个，很简单，搜一下教程就知道了，把FBX和PC2文件都导入unity就可以正常播放了）

A。NIC是物理网卡的结构，是数据链路层，数据链路层分为LLC和MAC子层。

GenerativePre-trainedTransformer人工智能模型，是一种可以在任意语言中进行自然语言理解的机器学习模型。GPT是一种通用模型，旨在模拟人类自然语言处理行为。GPT对于自然语言生成、文本分类和语义推断等任务都具有良好的性能，它可以使用训练数据集轻松生成内容。GPT使用了注意力机制，这意味着它在处理常见NLP任务时，对文本的位置和上下文敏感，可以轻松适应不同的文本预料。此外，GPT也可以在几乎所有的NLP任务中学习结构化信息，如句子的位置和词性标记，提高了模型的表现。由此可见，GPT是一种非常强大有效的NLP模型，因此被广泛应用于聊天机器人、搜索引擎、情感分析等人工智能项目中。

　　GPT模型的全称为“生成式预训练模型”，它是OpenAI公司的一个研究项目，旨在提高自然语言处理的效率和准确性。它是一种基于深度学习的人工智能模型，可用于各种自然语言处理任务，如文本分类、文本生成和翻译。　　GPT模型使用了一种称为Transformer的神经网络结构，其中包含了多个编码器和解码器，用于处理输入文本和生成输出文本。该模型使用了大量的预训练数据集来训练模型参数，从而使其能够更好地理解自然语言。此外，GPT模型还使用了一种称为“自回归”的生成方法，这种方法可以保证生成的文本连贯、流畅。　　由于其高效的处理能力和出色的性能，GPT模型已经在各种自然语言处理任务中被广泛使用。例如，它可以用于生成自然语言文本，如文章摘要、新闻报道和小说章节。此外，GPT模型还可以用于文本分类、情感分析和机器翻译等任务。　　总之，GPT模型是一种出色的人工智能模型，它为自然语言处理任务提供了高效、准确的解决方案。随着技术的不断发展，GPT模型在未来可能会成为更多自然语言处理任务的首选算法。

相关系数是用以反映变量之间的相关关系程度的统计指标。其取值范围是[-1,1]，当取值为0时表示不相关，取值为[-1,0)表示负相关，取值为(0,-1]，表示负相关。目前常用的两种相关性系数为皮尔森相关系数（Pearson）和斯皮尔曼等级相关系数（Spearman）简介皮尔森相关系数评估两个连续变量之间的线性关系。在这里插入图片描述其中：在这里插入图片描述-1 ≤ p ≤ 1p接近0代表无相关性p接近1或-1代表强相关性斯皮尔曼相关系数评估两个连续变量之间的单调关系。在单调关系中，变量趋于一起变化，但不一定以恒定速率变化。在这里插入图片描述其中：在这里插入图片描述N是观测值的总数量斯皮尔曼另一种表达公式：在这里插入图片描述在这里插入图片描述表示二列成对变量的等级差数。区别Pearson和Spearman相关系数的范围可以从-1到+1。当Pearson相关系数为+1时，意味着，当一个变量增加时，另一个变量增加一致量。这形成了一种递增的直线。在这种情况下，Spearman相关系数也是+1。在这里插入图片描述如果关系是一个变量在另一个变量增加时增加，但数量不一致，则Pearson相关系数为正但小于+1。在这种情况下，斯皮尔曼系数仍然等于+1。在这里插入图片描述当关系是随机的或不存在时，则两个相关系数几乎为零。在这里插入图片描述如果关系递减的直线，那么两个相关系数都是-1。在这里插入图片描述如果关系是一个变量在另一个变量增加时减少，但数量不一致，则Pearson相关系数为负但大于-1。在这种情况下，斯皮尔曼系数仍然等于-1在这里插入图片描述相关值-1或1意味着精确的线性关系，如圆的半径和圆周之间的关系。然而，相关值的实际价值在于量化不完美的关系。发现两个变量是相关的经常通知回归分析，该分析试图更多地描述这种类型的关系。其他非线性关系Pearson相关系数仅评估线性关系。Spearman相关系数仅评估单调关系。因此，即使相关系数为0，也可以存在有意义的关系。检查散点图以确定关系的形式。在这里插入图片描述该图显示了非常强的关系。Pearson系数和Spearman系数均约为0。结论皮尔森评估的是两个变量的线性关系，而斯皮尔曼评估的两变量的单调关系。因此，斯皮尔曼相关系数对于数据错误和极端值的反应不敏感。关注展开 打开CSDN，阅读体验更佳相关系数|皮尔逊和斯皮尔曼_zedkyx的博客_皮尔逊和斯皮...总体皮尔逊相关系数: 皮尔逊相关系数也可以看成是剔除了两个变量量纲影响,即将X和Y标准化后的协方差。 非线性相关会导致线性相关系数很大。 离群点对相关系数的影响很大。 如果两个变量的相关系数很大也不能说明两者相关,可能是受到了...相关性Correlations 皮尔逊相关系数(pearson)和斯皮尔曼等级相关系数...相关性CorrelationsCorrelations,相关度量,目前Spark支持两种相关性系数:皮尔逊相关系数(pearson)和斯皮尔曼等级相关系数(spearman)。相关系数是用以反映变量之间相关关系密切程度的统计指标。简单的来说就是相关系数绝对值越大(值越接近1或者...最新发布 研赛数模学习笔记研究生数模竞赛，数据可视化继续访问数学建模——皮尔逊person相关系数VS斯皮尔曼spearman相关系数学习笔记皮尔逊 person相关系数和斯皮尔曼spearman等级相关系数，它们可用来衡量两个变量之间的相关性的大小，根据 数据满足的不同条件，我们要选择不同的相关系数进行计算和分析（建模论文中最容易用错的方法）。 一、皮尔逊Person相关系数 如果有两个变量：X、Y，最终计算出的相关系数的含义可以有如下理解： (1)、当相关系数为0时，X和Y两变量无关系。 (2)、当X的值增大（减小...继续访问...相关系数与斯皮尔曼(spearman)相关系数_美肚鲨ccc的博客斯皮尔曼相关系数和皮尔逊相关系数选择: 1.连续数据,正态分布,线性关系,使用pearson相关系数最为恰当,用spearman相关系数也可以, 就是效率没有pearson相关系数高。 2.上述三个条件均满足才能使用pearson相关系数,否则就用spearman相关系数。斯皮尔曼(Spearman) 皮尔逊(Pearson)相关系数计算_SUN_SU3的博客-CS...斯皮尔曼(Spearman)相关斯皮尔曼(Spearman)相关是衡量两个变量的依赖性的 非参数 指标。 它利用单调方程评价两个统计变量的相关性。 如果数据中没有重复值, 并且当两个变量完全单调相关时,斯皮尔曼相关系数则为+1或u22121。scipy....统计学之三大相关性系数（pearson、spearman、kendall）（转自 微信公众号克里克学苑） 三个相关性系数（pearson, spearman, kendall）反应的都是两个变量之间变化趋势的方向以及程度，其值范围为-1到+1，0表示两个变量不相关，正值表示正相关，负值表示负相关，值越大表示相关性越强。1. person correlation coefficient（皮尔森相关性系数）公式如下： 统计学之三大相关性系数（pearson、spear继续访问统计学三大相关系数之斯皮尔曼(spearman)相关系数斯皮尔曼相关性系数，通常也叫斯皮尔曼秩相关系数。“秩”，可以理解成就是一种顺序或者排序，那么它就是根据原始数据的排序位置进行求解，这种表征形式就没有了求皮尔森相关性系数时那些限制。下面来看一下它的计算公式： 计算过程就是：首先对两个变量（X, Y）的数据进行排序，然后记下排序以后的位置（X", Y"），（X", Y"）的值就称为秩次，秩次的差值就是上面公式中的di，n就是变量中数据的个数...继续访问皮尔逊/斯皮尔曼相关系数_L1_Zhang的博客_皮尔森斯皮尔...斯皮尔曼等级相关系数是一种衡量两个变量X、Y相关性的方法。 计算公式为: ρ = 1 u2212 6 ∑ d i 2 n 3 u2212 n qquadqquad ho=1-cfrac{6sum d_i^2}{n^3-n}ρ=1u2212n3u2212n6∑di2u200bu200b,其中d i = x...统计学三大相关性系数（pearson、spearman、kendall）的区别。统计学三大相关性系数（pearson、spearman、kendall）的区别和联系。三个相关性系数（pearson, spearman, kendall）反应的都是两个变量之间变化趋势的方向以及程度，其值范围为-1到+1，0表示两个变量不相关，正值表示正相关，负值表示负相关，值越大表示相关性越强。...继续访问三大相关系数：Pearson、Spearman和Kendall三个相关性系数（Pearson、Spearman和Kendall）反映的都是两个变量之间变化趋势的方向以及程度，其值范围为-1到+1，0表示两个变量不相关，正值表示正相关，负值表示负相关，值越大表示相关性越强。 1. Pearson（皮尔森相关性系数） 公式如下： 就是X，Y两个变量的协方差与两个变量的标准差之积的比值。 所以X，Y两个变量的标准差不能为零。 皮尔森相关系数受异常值的...继续访问数学建模——相关系数（4）——斯皮尔曼相关系数（spearman）文章目录引述斯皮尔曼相关系数（spearman）定义 引述 经过之前几节的学习，我们了解并掌握了皮尔逊相关系数。在学习中我们发现，皮尔逊相关系数的使用条件相当苛刻：两组变量必须是连续数据、呈现正态分布，且两者间必须成线性关系。如果我们在数学建模中拿到一组数据无法满足以上条件，那么有没有其他的方法去判断两组变量之间的相关性呢？答案是肯定的，它就是斯皮尔曼相关系数（spearman）. 斯皮尔曼相关系...继续访问相关性模型 之 皮尔逊相关系数与斯皮尔曼相关系数皮尔逊pearson相关系数和斯皮尔曼spearman等级相关系数。它们可用来衡量两个变量之间的相关性的大小，根据数据满足的不同条件，我们要选择不同的相关系数进行计算和分析（建模论文中最容易用错的方法）。 基本概念 总体——所要考察对象的全部个体叫做总体. 我们总是希望得到总体数据的一些特征（例如均值方差等） 样本——从总体中所抽取的一部分个体叫做总体的一个样本 计算这些抽取的样本的统计量来估计总体的统计量： 例如使用样本均值、样本标准差来估计总体的均值（平均 水平）和总体的标准差（偏离程度） 皮尔逊Pea继续访问斯皮尔曼spearman相关系数定义 X和Y为两组数据，其斯皮尔曼相关系数： 一个数的等级，就是将它所在的一列数按照从小到大排序后，这个数所在的位置。 可以得到如下图： 注：如果有的数值相同，则将它们所在的位置取算术平均。 另一种斯皮尔曼spearman相关系数 斯皮尔曼相关系数被定义成等级之间的皮尔逊相关系数。 代码： RX = [2 5 3 4 1] RY = [1 4.5 3 4.5 2] R = corrcoef(RX,RY) 和之前的结果有微小差别。 MATLAB中计算斯皮尔曼相关系数 第一种计算方法： X = [3 8继续访问相似度度量2：皮尔森相关系数和斯皮尔曼相关性1）皮尔森相关系数等于两个变量的协方差除于两个变量的标准差。 皮尔森相关系数反应了两个变量之间的线性相关程度，它的取值在[-1, 1]之间。当两个变量的线性关系增强时，相关系数趋于1或-1；当一个变量增大，另一个变量也增大时，表明它们之间是正相关的，相关系数大于0；如果一个变量增大，另一个变量却减小，表明它们之间是负相关的，相关系数小于0；如果相关系数等于0，表明它们之间不存在线性相关关系。继续访问皮尔森 统计学相关性分析_pearson相关系数和spearman相关系数的区别展开全部区别：1.连续数据，正态分布，线性关系，用pearson相关系数是最恰当，当然用spearman相关系数也可以，效率没有62616964757a686964616fe78988e69d8331333365656661pearson相关系数高。2.上述任一条件不满足，就用spearman相关系数，不能用pearson相关系数。3.两个定序测量数据之间也用spearman相关系数，不能用pea...继续访问热门推荐 统计学三大相关系数之皮尔森（pearson）相关系数统计相关系数简介 统计学的相关系数经常使用的有三种:皮尔森（pearson）相关系数和斯皮尔曼（spearman）相关系数和肯德尔（kendall）相关系数.皮尔森相关系数是衡量线性关联性的程度，p的一个几何解释是其代表两个变量的取值根据均值集中后构成的向量之间夹角的余弦. 相关系数：考察两个事物（在数据里我们称之为变量）之间的相关程度。 如果有两个变量：X、Y，最终计算出的相关系数的含义可...继续访问复盘：下面的这两个随机数组“a”和“b”：请问数组c=a+b的维度是多少1）b（列向量）复制3次，以便它可以和A的每一列相加，所以：c.shape = (2, 3) 3）笔试求AC，可以不考虑空间复杂度，但是面试既要考虑时间复杂度最优，也要考虑空间复杂度最优。继续访问Spearman秩相关系数Spearman相关系数以及Spearman相关系数和Pearson相关系数比较。继续访问数学建模：相关性分析学习——皮尔逊（pearson）相关系数与斯皮尔曼（spearman）相关系数相关性分析：求解相关系数并绘制热力图进行对比继续访问pearson相关系数与spearman相关系数pearson相关系数与spearman相关系数继续访问皮尔逊相关系数和斯皮尔曼相关系数皮尔逊相关系数和斯皮尔曼相关系数继续访问皮尔森Pearson相关系数 VS 斯皮尔曼Spearman相关系数给定两个连续变量x和y，皮尔森相关系数被定义为：————————————————————————————————————————————————由于原则上无法准确定义顺序变量各类别之间的距离，导致计算出来的相关系数不是变量间的关联性的真实表示。因此，建议对顺序变量使用斯皮尔曼相关系数。斯皮尔曼相关系数的计算采用的是取值的等级，而不是取值本身。例如，给定三个值：33，21，44，它们的等级就分别是2。

我刚刚做也发现这个问题了。不知道怎么回事。你知道了吗？

资本资产定价模型CAPM给出了一个非常简单的结论：只有一种原因会使投资者得到更高回报，那就是投资高风险的股票。不容怀疑，这个模型在现代金融理论里占据着主导地位。当然，这是传统的CAPM模型。原始CAPM认为影响定价的因素很自由一个：回报率。之后有无数的牛人通过各个角度对原始的CAPM模型进行扩充。比如1993年，FARMERANDFRENCH的3因素模型就比较火。今年，2015年，两位神人直接把3因素扩展到了5因素模型。他们认为影响定价的因素有：1.综合回报率。2.股票回报率低差。3.股票回报率高差。4.盈利高低股票的回报率差。5.投资高低股票的回报率差。尽管，5因素模型看起来比原始CAPM要高端许多，但其实，仍然是围绕着股票回报率的。所以，原始的CAPM仍然是效果非常好的，用来确定资产定价的模型。

将总的会计应计量分解为可操控和不可操控的会计应计量的方法很多，本文根据横截面数据，采用修正的Jones模型作为分解总的会计应计量的方法，修正的Jones模型的关键点是该模型修正了Jones模型认为管理层对于所有记录的销售收入都没有实施盈余管理的假定，而是认为由于应收账款净值的变化所带来的那部分销售收入受到了管理层盈余管理行为的影响。具体而言估计的程序为，首先在每个年度内按行业根据下式估计各个行业的模型参数： （1）其中， 表示当年的产品销售主营业务收入相对于上一年的变化额按照公司当年的平均资产规模标准化后的值， 表示当年固定资产总值的平均值（年初固定资产总值与年末固定资产总值的平均数）按公司当年的平均资产规模标准化后的值。在估计出参数之后，再按照（2）式计算出不可操控的会计应计量（NDA）： （2）其中，∆RECt表示公司当年的应收账款净额相对于上一年的变化额按公司平均的资产规模标准化后的值。最后按照（3）式可以计算出公司的可操控的会计应计量（DA）： （3）

计算发生额得到裁量发生额与非裁量发生额裁量发生额能够说明经营者的会计处理方式

设置receiver相当于在流场中放置了水听器，通过它可以获得该点的声学量。

阿汤哥在电影《壮志凌云》中开的飞机是真飞机，而不是模型。为了达到最真实的飞行效果，电影制作方采用了史无前例的真机实拍，其中阿汤哥在电影中"开飞机"的镜头是在地面拍摄完成的，他坐在真实的战斗机座舱中，此时的飞机是由外部供电的。而空战追逐的镜头和没有阿汤哥露脸的驾驶战斗机的镜头都是真实拍摄的。因此，可以得出结论，阿汤哥在电影《壮志凌云》中开的飞机是真飞机而不是模型。

lambda: Item.objects.all()是一个无参数的匿名函数。 lambda request: request.session["loguname"]是一个有参数的匿名函数，需要你提供参数request。显然视图函数不会把他的request参数自动赋值给你的lambda request。

点那个材质球的那栏。。。。再在材质球的菜单栏下。。新建一个材质球。。。把材质球托给模型就OK啦。。。！

可能是软件的问题，也可能是没有按显示键。是不是确定将材质球赋予模型，图层眼睛有没有进入编辑状态，模式选择bodypaint3d。在材质球下面有一排面板，其中一个是显示物体在场景中的材质，你可以先把模型上的材质吸到材质球上，然后点击那个显示按钮，场景中的模型材质就会显示了，其实不显示也没关系，不影响渲染。

对象菜单里面，右边最上面那个小点，点2次，也是别个告诉我的，你试试~

逗我呢？把模型导入到bodypaint里在里面直接画啊，模型就在bodypaint里，边画不就边看到效果了？不然你以为咋叫“bodypaint;?直接从外面复制粘贴进去，或者新建纹理视图，框选图片选区复制粘贴

bodypaint 3d 对中文支持不好，所以，在max里最好以英文命名模型和材质，否则在 bodypaint 3d 里会是乱码。具体操作是：bodypaint打开后,点那个交互命令,才跳转到bodypaint里,好象是这样.如果是用的是bodypaint3d的独立版,那就是集成在c4d里的.如果安的插件对应maya的版本没错的话是可以直接交互过去.不过貌似开两个软件很占系统资源么.也可以直接obj输出了导进去画好再导出来了。

直接从外面复制粘贴进去，或者新建纹理视图，框选图片选区复制粘贴

是模型一转动就显示材质，不转的就是白色的，而且贴图不显示图层吗? 我是这样解决的 先把obj模型放进去 别放贴图 然后双击材质球 从那里面 打开你的psd文件就行了

没有公式，你看下面的信息自己做一个正反比例的模型，然后倒入这几年的经济数据拟合吧！！（参考资料，英文中文都有）---------------------------------------------------------------------------------------------------------------------一般理论上来说,利率下降时,股票的价格就上涨；利率上升时,股票的价格就会下跌。因此,利率的高低以及利率同股票市场的关系,也成为股票投资者据以买进和卖出股票的重要依据。 利率对于股票的影响可以分成三种途径: 一是利率变动造成的资产组合替代效应,利率变动通过影响存款收益率,投资者就会对股票和储蓄以及债券之间做出选择,实现资本的保值增值。 通过资产重新组合进而影响资金流向和流量,最终必然会影响到股票市场的资金供求和股票价格。利率上升,一部分资金可能从股市转而投向银行储蓄和债券,从而会减少市场上的资金供应量,减少股票需求,股票价格下降；反之,利率下降,股票市场资金供应增加,股票价格将上升。 二是利率对上市公司经营的影响,进而影响公司未来的估值水平。 贷款利率提高会加重企业利息负担,从而减少企业的盈利,进而减少企业的股票分红派息,受利率的提高和股票分红派息降低的双重影响,股票价格必然会下降。相反,贷款利率下调将减轻企业利息负担,降低企业生产经营成本,提高企业盈利能力,使企业可以增加股票的分红派息。受利率的降低和股票分红派息增加的双重影响,股票价格将大幅上升。 三是利率变动对股票内在价值的影响。 股票资产的内在价值是由资产在未来时期中所接受的现金流决定的,股票的内在价值与一定风险下的贴现率呈反比关系,如果将银行间拆借、银行间债券与证券交易所的债券回购利率作为参考的贴现率,则贴现率的上扬必然导致股票内在价值的降低,从而也会使股票价格相应下降。股指的变化与市场的贴现率呈现反向变化,贴现率上升,股票的内在价值下降,股指将下降；反之,贴现率下降,股价指数上升。 以上的传导途径应该是较长的一个时期才能体现出来的,利率调整与股价变动之间通常有一个时滞效应,因为利率下调首先引起储蓄分流,增加股市的资金供给,更多的资金追逐同样多的股票,才能引起股价上涨,利率下调到股价上涨之间有一个过程。如我国央行自1996年5月以来的八次下调存款利率,到2002年1年期定期储蓄存款的实际收益率只有1.58%。在股票价格在较长时间内持续上涨的情况下,股票投资的收益率远远高于存款的报酬率,一部分储蓄存款转化为股票投资,从而加快了储蓄分流的步伐。从我国居民储蓄存款增长率来看,1994年居民储蓄存款增长率45.6%,之后增幅连年下滑,而同一时期股票市场发展迅速,1999年下半年开始储蓄分流明显加快,到2000年分流达到顶点,同年我国居民储蓄存款增长率仅为7.9%。这一年股票市场也牛气冲天。2001年储蓄分流则明显减缓,增长率14.7%,居民储蓄倾向增强。2001年股市波动性加大,股价持续几个月的大幅回调,则是2001年储蓄分流减缓、居民储蓄存款大幅增加的主要原因之一。 另外,利率对于企业的经营成本影响同样需要一个生产和销售的资本运转过程,短时间内,难以体现出来。因此,利率和股票市场的相关性要从长期来把握。 实际上,就中长期而言,利率升降和股市的涨跌也并不是简单的负相关关系。就是说,中长期股价指数的走势不仅仅只受利率走势的影响,它同时对经济增长因素、非市场宏观政策因素的反应也很敏感。如果经济增长因素、非市场宏观政策因素的影响大于利率对股市的影响,股价指数的走势就会与利率的中长期走势相背离。 典型如美国的利率调整和股市走势就出现同步上涨的过程。1992年至1995年美元加息周期中,由于经济处于稳步增长阶段,逐步收紧的货币政策并未使经济下滑,公司盈利与股价走势也保持了良好态势,加息之后,股票市场反而走高,其根本原因是经济增长的影响大于加息的影响。 我国从1996年5月进入降息周期的拐点。股指也进入上升周期。利率与股指的走势发生了5年的负相关关系。但2001年在利率没有进入升息周期的情况下,股指开始了下跌的趋势。分析其原因,我国非市场宏观政策因素的影响大于利率对股市的影响。人们对非流通的国有股将进入市场流通的担心和恐惧导致了股市投资的风险和收益发生了非对称的变化。从这个角度来看,由于我国目前非市场宏观政策因素仍然有比较大的不确定性,所以利率对股市的影响不能够成为我们研究和预测股市中长期走势的主要因素。 就短期而言,我国利率的变动对股价的走势很难判断存在相关性。利率调整当天和随后的股价波动并不能说明二者之间有何必然的联系。从当前股市的状况分析,很明显也和利率的走势不符合理论上的负相关性。股票市场的低迷更多地被归结为上市公司的质量以及诸多体制性问题和投资者信心问题。因此,在看待我国加息预期对于股票市场的影响时,还要考虑其他诸多因素,而不能简单从前文所述的理论关系来判断。利率只是影响股市的因素之一,而不是惟一决定因素。因此,我们不能唯利率升降是从,要具体分析,何况即使利率上升,股市也并不是就完全没有投资机会。（Interest rates. Most people pay attention to them, and they can impact the stock market. But why? In this article, we"ll explain some of the indirect links between interest rates and the stock market and show you how they might affect your life.The Interest RateEssentially, interest is nothing more than the cost someone pays for the use of someone else"s money. Homeowners know this scenario quite intimately. They have to use a bank"s money (through a mortgage) to purchase a home, and they have to pay the bank for the privilege. Credit card users also know this scenario quite well - they borrow money for the short term in order to buy something right away. But when it comes to the stock market and the impact of interest rates, the term usually refers to something other than the above examples - although we will see that they are affected as well. (To read more, see Who determines interest rates?)The interest rate that applies to investors is the U.S. Federal Reserve"s federal funds rate. This is the cost that banks are charged for borrowing money from Federal Reserve banks. Why is this number so important? It is the way the Federal Reserve (the "Fed") attempts to control inflation. Inflation is caused by too much money chasing too few goods (or too much demand for too little supply), which causes prices to increase. By influencing the amount of money available for purchasing goods, the Fed can control inflation. Other countries" central banks do the same thing for the same reason.Basically, by increasing the federal funds rate, the Fed attempts to lower the supply of money by making it more expensive to obtain.(To see more on the Federal Reserve, read Get To Know The Major Central Banks, The Fed Model And Stock Valuation: What It Does And Does Not Tell Us and Formulating Monetary Policy.)Effects of an IncreaseWhen the Fed increases the federal funds rate, it does not have an immediate impact on the stock market. Instead, the increased federal funds rate has a single direct effect - it becomes more expensive for banks to borrow money from the Fed. However, increases in the discount rate also cause a ripple effect, and factors that influence both individuals and businesses are affected.The first indirect effect of an increased federal funds rate is that banks increase the rates that they charge their customers to borrow money. Individuals are affected through increases to credit card and mortgage interest rates, especially if they carry a variable interest rate. This has the effect of decreasing the amount of money consumers can spend. After all, people still have to pay the bills, and when those bills become more expensive, households are left with less disposable income. This means that people will spend less discretionary money, which will affect businesses" top and bottom lines (that is, revenues and profits).Therefore, businesses are also indirectly affected by an increase in the federal funds rate as a result of the actions of individual consumers. But businesses are affected in a more direct way as well. They, too, borrow money from banks to run and expand their operations. When the banks make borrowing more expensive, companies might not borrow as much and will pay a higher rate of interest on their loans. Less business spending can slow down the growth of a company, resulting in decreases in profit. (For extra reading on company lending, read When Companies Borrow Money.)Stock Price EffectsClearly, changes in the federal funds rate affect the behavior of consumers and business, but the stock market is also affected. Remember that one method of valuing a company is to take the sum of all the expected future cash flows from that company discounted back to the present. To arrive at a stock"s price, take the sum of the future discounted cash flow and divide it by the number of shares available. This price fluctuates as a result of the different expectations that people have about the company at different times. Because of those differences, they are willing to buy or sell shares at different prices. If a company is seen as cutting back on its growth spending or is making less profit - either through higher debt expenses or less revenue from consumers - then the estimated amount of future cash flows will drop. All else being equal, this will lower the price of the company"s stock. If enough companies experience a decline in their stock prices, the whole market, or the indexes (like the Dow Jones Industrial Average or the S&P 500) that many people equate with the market, will go down. (To learn more, check out Why Do Markets Move?, Forces That Move Stock Prices and What causes a significant move in the stock market?)Investment EffectsFor many investors, a declining market or stock price is not a desirable outcome. Investors wish to see their invested money increase in value. Such gains come from stock price appreciation, the payment of dividends - or both. With a lowered expectation in the growth and future cash flows of the company, investors will not get as much growth from stock price appreciation, making stock ownership less desirable.Furthermore, investing in stocks can be viewed as too risky compared to other investments. When the Fed raises the federal funds rate, newly offered government securities, such Treasury bills and bonds, are often viewed as the safest investments and will usually experience a corresponding increase in interest rates. In other words, the "risk-free" rate of return goes up, making these investments more desirable. When people invest in stocks, they need to be compensated for taking on the additional risk involved in such an investment, or a premium above the risk-free rate. The desired return for investing in stocks is the sum of the risk-free rate and the risk premium. Of course, different people have different risk premiums, depending on their own tolerance for risk and the company they are buying. However, in general, as the risk-free rate goes up, the total return required for investing in stocks also increases. Therefore, if the required risk premium decreases while the potential return remains the same or becomes lower, investors might feel that stocks have become too risky, and will put their money elsewhere. Interest Rates Affect but Don"t Determine the Stock MarketThe interest rate, commonly bandied about by the media, has a wide and varied impact upon the economy. When it is raised, the general effect is to lessen the amount of money in circulation, which works to keep inflation low. It also makes borrowing money more expensive, which affects how consumers and businesses spend their money; this increases expenses for companies, lowering earnings somewhat for those with debt to pay. Finally, it tends to make the stock market a slightly less attractive place to investment.Keep in mind, however, that these factors and results are all interrelated. What we described above are very broad interactions, which can play out in innumerable ways. Interest rates are not the only determinant of stock prices and there are many considerations that go into stock prices and the general trend of the market - an increased interest rate is only one of them. Therefore, one can never say with confidence that an interest rate hike by the Fed will have an overall negative effect on stock prices.

制作材料：格式颜色的橡皮泥、透明的小塑料碗、琼脂、牙签制作方法：首先用各种橡皮泥n捏制成各种细胞器和细胞核。 加热琼脂直至融化并倒入小塑料碗（细胞模型）。 在琼脂凝固前，放入各种泥质细胞器，并用牙签固定。 冷却后，琼脂呈透明固态固定各种细胞器。编辑于 2013-11-10查看全部2个回答流式细胞术培训值得一看的生物相关信息推荐Abcam综合解决方案，让您全面掌握流式细胞术实验技能，帮您得到高质量实验效果， 中国现货及技术支持。艾博抗(上海)贸易有限公司广告细胞培养袋_专业生产厂家值得一看的细胞培养袋相关信息推荐供应Meissner原装进口囊式过滤器，PVDF，PTFE滤芯，不锈钢过滤器外壳等。迈斯纳(上海)国际贸易有限公司广告— 你看完啦，以下内容更有趣 —植物细胞模型简介200字典型植物细胞的细胞质可分为膜(质膜及液泡膜)、透明质和细胞器(内质网、质体、线粒体、高尔基氏体和核糖体等)。透明质为细胞质的无定形可溶性部分，其中悬浮着细胞器及各种后含物。质膜是细胞质的境界，紧贴细胞壁，细胞壁有许多小孔，因此相邻细胞的细胞质是互相贯通的。质膜对物质的透过有选择性。液泡膜位于细胞质和细胞液相接触的部位，与质膜形态结构基本相似。内质网是散布在透明质内的一组有许多穿孔的膜，是核糖体的集中分布场，有人认为其对细胞壁形成也有一定作用。质体是真核细胞中所特有的细胞器，呈药片状、盘状或球形，表面有2层膜，其功能同能量代谢、营养贮存和植物的繁殖都有密切关系。质体通常由前质体直接或间接发育而来，前质体一般存在于胚或分生组织中，通常为双层膜，膜内含有比较均一的基质。植物细胞是植物生命活动的结构与功能的基本单位，由原生质体和细胞壁两部分组成。原生质体是细胞壁内一切物质的总称，主要由细胞质和细胞核组成，在细胞质或细胞核中还有若干不同的细胞器，此外还有细胞液和后含物等。植物细胞一般很小，高等植物中，其直径通常为10-100μm。[1]植物细胞的形态多种多样，常见的有圆形、椭圆形、多面体、圆柱状和纺锤状。它们是由原生质体和细胞壁组成。典型植物细胞的细胞质可分为膜(质膜及液泡膜)、透明质和细胞器(内质网、质体、线粒体、高尔基氏体和核糖体等)。透明质为细胞质的无定形可溶性部分，其中悬浮着细胞器及各种后含物。质膜是细胞质的境界，紧贴细胞壁，细胞壁有许多小孔，因此相邻细胞的细胞质是互相贯通的。质膜对物质的透过有选择性。液泡膜位于细胞质和细胞液相接触的部位，与质膜形态结构基本相似。内质网是散布在透明质内的一组有许多穿孔的膜，是核糖体的集中分布场，有人认为其对细胞壁形成也有一定作用。质体是真核细胞中所特有的细胞器，呈药片状、盘状或球形，表面有2层膜，其功能同能量代谢、营养贮存和植物的繁殖都有密切关系。质体通常由前质体直接或间接发育而来，前质体一般存在于胚或分生组织中，通常为双层膜，膜内含有比较均一的基质。质体大体可分三大类，即无色体、叶绿体和有色体。

proe导入adams后是用于进行动力学仿真的，可以对运动副更改，好像不能对尺寸进行修改。

(一)反时针(CCW)PTt轨迹的造山过程它是构筑动力学模型的必需和最初的一步。从岩浆-构造事件序列以及造山阶段的幕的划分来看，不论是一个造山幕的尺度还是整个造山过程，均记录了陆壳的加热在先，然后是收缩构造导致的陆壳加厚，最后隆升剥蚀的过程，因此，具反时针(CCW)PTt轨迹(图2-79)。因此，总体上表现为，一个较薄的岩石圈(60～100km)和一个加厚的陆壳(55～60km)，类似于现今的安第斯和冈第斯的岩石圈结构。图2-79 华北燕山造山过程反时钟(CCW)PTt轨迹示意图热模拟中瞬间陆壳加厚之后的隆升约为100～120Ma(参见第一节)，但是，华北造山带陆壳加厚之后的隆升只有几个Ma，甚至≤1Ma，因此，加厚的陆壳不可能恢复到加厚前的陆壳厚度，又遭受一次收缩构造，这样，随时间，陆壳厚度必然持续增加(图2-79)。(二)燕山造山带动力学模型基于已有的模型(吴福元等，2003，邓晋福等，2003)和造山过程的PTt轨迹，可构筑一个改进的动力学模型(图2-80)，其概要如下:①J1和J2沿岩石圈破裂2次玄武质岩浆底侵于壳底和贯入于破裂的岩石圈(L1)中(图2-80a);②J1晚期和J2晚期2次收缩构造，使陆壳加厚，同时玄武质岩石和底侵岩浆房中堆晶超镁铁-镁铁质岩石转化为榴辉岩，使原有的克拉通岩石圈(L1)改造为密度大的岩石圈(L2)，密度大导致岩石圈下沉(图2-80b);③J3和K11高密度岩石圈(L2)的下沉拉力，导致沿莫霍面构造薄弱带和山根带榴辉岩顶界近水平方向的拉裂，最终使岩石圈面型拆沉，软流圈上涌，导致面型玄武质岩浆的喷发(图2-80c);④K21由于区域挤压应力场的终止，巨大山根产生陆壳隆升，导致后造山伸展构造，这时软流圈开始冷却，逐渐转变为新的岩石圈(L3)，由于软流圈冷却，火山作用基本上停止，只发育后造山侵入活动(图2-80d)。可以看出，图2-80的模型显示，后造山的伸展主要是由于区域挤压应立场的停止和剧烈的地壳隆升所诱发，此时已不是岩石圈大规模拆沉，而是软流圈开始冷却，逐渐转变为新的岩石圈的过程，是被扰乱的L/A系统走向稳定的过程。参考文献北京市地质矿产局.1991.北京市区域地质志.北京:地质出版社，1～598图2-80 华北燕山造山带形成和演化动力学模型示意图(说明见正文)鲍亦冈，刘振峰，王世发，黄河，向志民，王继明，王增护.2001.北京地质百年研究.北京:地质出版社，1～274白志明.1991.八达岭花岗岩.北京:地质出版社，1～172白志民，许淑贞，葛世伟.1991.八达岭花岗杂岩.北京:地质出版社，1～172白瑾，戴风岩，颜耀阳.1997.中条山前寒武纪地质演化.地学前缘，4(4):281～289程裕淇主编.1990.中国地质图(1∶5000000)说明书.北京:地质出版社，1～74池际尚，路凤香主编.1996.华北地台金伯利岩及古生代岩石圈特征.北京:科学出版社，1～292陈义贤，陈文寄.1997.辽西及邻区中生代火山岩—年代学、地球化学和构造背景.北京:地震出版社，1～279DavisGA，于浩，钱祥麟，郑亚东等.1994.中国变质核杂岩—北京云蒙山地质简介及地质旅行指南:钱祥麟主编，伸展构造研究，154～166邓晋福，鄂莫岚，路凤香.1988.汉诺坝玄武岩化学及其演化趋势.岩石学报，1:22～33邓晋福，赵海玲，莫宣学，吴宗絮，罗照华.1996.中国大陆根柱构造—大陆动力学的钥匙.北京:地质出版社，1～110邓晋福，刘厚祥，赵海玲等.1996.燕辽地区燕山期火成岩与造山模型.现代地质，10(2):137～148邓晋福，赵海玲，罗照华等.1998.岩石圈-软流圈系统的形成与演化.欧阳自远主编，世纪之交矿物学岩石学地球化学的回顾与展望.北京:原子能出版社，97～104Deng J-F，Luo Z-H，Zhao H-L et al.1998.Trachyte and syenite:petrogenesis constrained by the petrological phase equilib-rium.北京大学国际地质科学学术研讨会论文集，北京:地震出版社，745～757邓晋福，吴宗絮，莫宣学等.1999.华北地台前寒武花岗岩类:陆壳演化克拉通形成，岩石学报，15(2):190～198邓晋福，苏尚国，赵海玲等.2003.华北地区燕山期岩石圈减薄的深部过程，地学前缘，10(3):41～50金巍，李树勋.1994.内蒙古大青山地区早元古造山带的岩石组合特征.见钱祥麟，王仁民主编，华北北部麻粒岩带地质演化.北京:地质出版社，32～42Le Maitre R W.1989.(王碧香，沈昆，毕立君译).1991，火成岩分类及术语词典.北京:地质出版社，1～253李佩贤，程政武，庞其清.2001.辽西北部孔子鸟Confueiusornis的层位及年代.地质学报，75(1):1～13李伍平.2000.北京西山东岭台(J3d)火山岩的成因及其构造环境探讨.岩石学报，16(3):345～352李伍平.2001.北京西山髫髻山组火山岩的地球化学特征与岩浆起源.岩石矿物学杂志，20(2):123～133李晓波，肖庆辉，白星碧等译.1993，美国大陆动力学研究的国家计划.中国地质矿产信息研究院，1～73刘树文.1991.北京云蒙山片麻状花岗闪长岩体的地质特征及成因.见:李之彤编，中国北方花岗岩及其成矿作用论文集，北京:地质出版社，132～138柳永清，李佩贤，田树刚.2003.冀北滦平晚中生代火山碎屑(熔)岩中锆石SHRIMPU-Pb年龄及其地质意义.岩石矿物学杂志，22(3):237～244罗淑兰，吴宗絮，邓晋福等.1997.太行-五台山区不同时代花岗岩岩石学和地球化学特征对比与陆壳演化.岩石学报，13(2):203～214卢良兆，徐学纯，刘福来.1996.中国北方早前寒武纪孔前岩系.长春:长春出版社，1～276樊祺诚，刘若新，李惠民等.1998.汉诺坝捕虏体麻粒岩锆石年代学与稀土元素地球化学.科学通报，43(2):133～137樊祺诚，隋建立，刘若新，周新民.2001.汉诺坝榴辉岩相石榴辉石岩—岩浆底侵作用的证据，岩石学报17(1):1～6河北省地质矿产局.1989.河北省区域地质志.北京:地质出版社，1～174和政军，李锦轶，牛宝贵等.1998.燕山-阴山地区晚侏罗世强烈推覆-隆升事件及沉积响应.地质论评，44(4):407～418和政军，王宗起，任纪舜.1999.华北北部侏罗纪大型推覆构造带前缘盆地沉积特征和成因机制初探.地质科学，34(2):186～195霍布斯BE，明斯WD，威廉斯PF.1976.(刘和甫，吴正文等译).1982.构造地质学纲要.北京:石油工业出版社，1～346罗镇宽，裘有守，关康，苗来成，Qin YM，McNanghton NJ DI Groves.2001.冀东峪耳崖和牛心山花岗岩体，SHRIMP锆石U-Pb定年及其意义.矿物岩石地球化学通报，20(4):278～285马托埃M.(孙坦，张道安译).1984.地壳变形.北京:地质出版社，1～339毛景文，张作衡，余金杰，王义天，牛宝贵.2003.华北及邻区中生代大规模成矿的地球动力学背景:从金属矿床年龄精测得到启示.中国科学(D辑)，33(4):289～299毛德宝.2003.中生代岩浆作用对北岔沟门多金属矿床成矿作用的制约(博士学位论文).中国地质大学(北京)，1～136莫宣学，罗照华，肖庆辉等.2002.花岗岩类岩石中岩浆混合作用的识别与研究方法，见:肖庆辉等主编，花岗岩研究思维与方法.北京:地质出版社，53～70牛宝贵，和政军，宋彪.2003.张家口组火山岩SHRIMKP定年及其重大意义.地质通报，22(2):140～141Oxburgh E R(地质部石油地质中心实验室译).1988.造山带早期历史中非均质岩石圈的伸展作用，石油地质与实验(造山运动专辑)，增刊1:77～87漆家福，于福生，陆克政等.2003.渤海湾地区的中元古代盆地构造概论.地学前缘，10(特刊)，199～206钱祥麟，王仁民主编.1994.华北北部麻粒岩带地质演化.北京:地震出版社，1～234单文琅，张吉顺，宋鸿林等.1990.北京西山南部的构造演化.见张吉顺，单文琅主编，北京西山地质研究，武汉:中国地质大学出版社，1～7任纪舜，王作勋，陈炳蔚等.1999.从全球看中国大地构造-中国及邻区大地构造图简要说明.北京:地质出版社，1～50孙大中，吴维兰主编.1993.中条山前寒武纪年代构造格架和年代地壳结构.北京:地质出版社，1～180山西省地质矿产局.1989.山西省区域地质志.北京:地质出版社，1～780邵济安，张履桥，魏春景，韩庆军.2001.北京南口中生代双峰式岩墙群的组成和特征.地质学报，75(2):205孙卫东，彭子成，支霞臣等.1997.N-TIMS法测定盘石山橄榄岩包体的Os同位素组成.科学通报，42(21):2310～2313王季亮，李丙泽，周德星，姚士臣，李枝荫.1994.河北省中酸性岩体地质特征及其与成矿关系.北京:地质出版社，1～213王瑜.1996.中国东部内蒙古—燕山带晚古生代晚期—中生代的造山作用过程.北京:地质出版社，1～143王人镜，金元.1990.北京西山北岭向斜早侏罗世细碧岩及其成因.见张吉顺，单文琅主编，北京西山地质研究，武汉:中国地质大学出版社，93～101王方正.1990.北京西山蓝晶石变质带的发现及其地质意义.见张吉顺，单文琅主编，北京西山地质研究，武汉:中国地质大学出版社，83～92王燕，张旗.2001.八达岭花岗杂岩的组成、地球化学特征及其意义.岩石学报，17(4):533～340吴福元，葛文春，孙德有等.2003.中国东部岩石圈减薄研究中的几个问题.地学前缘，10(3):51～60吴昌华，钟长汀，陈强安.1997.晋蒙高级地体孔前岩系的时代.岩石学报，13(3):289～302吴宗絮，邓晋福，WylliePJ等.1995.冀东黑云母片麻岩在1GPa压力下脱水熔融实验.地质科学，30(1):12～18吴珍汉，崔盛芹，朱大岗等.1999.冯向阳燕山南缘盘山岩体的热历史与构造-地貌演化过程.地质力学学报，5(3):28～32伍家善，耿元生，沈其韩等.1998.中朝古大陆太古宙地质特征及构造演化.北京:地质出版社，1～212邢风鸣，徐祥.1999.安徽扬子岩浆岩带与成矿.合肥:安徽人民出版社，1～170杨庚，柴育成，吴正文.2001.燕山造山带东段-辽西地区薄皮逆冲推覆构造.地质学报，75(3):322～332袁志中.1994.京西煤田大安山-斋堂区滑脱构造特征及找煤.见钱祥麟主编，1994，伸展构造研究，北京:地质出版社，143～153于津海，王德滋.1997.山西吕梁群早元古双峰式火山岩地球化学特征及成因.岩石学报，13(1):59～70翟明国，樊棋诚.2002.华北克拉通中生代下地壳置换-非造山过程的壳慢交换.岩石学报，18(1):1～8庄育勋，王新社，徐洪林等.1997.泰山地质早前寒武纪主要地质事件与陆壳演化.岩石学报，13(3):313～330赵国春.2002.燕辽地区燕山期火山活动节律与造山-深部过程.博士学位论文，北京:中国地质大学，1～132朱大岗，崔盛芹，吴珍汉等.2000.北京云蒙山地区挤压———伸展体系构造特征及其岩石组构的动力学分析.地球学报，21(4):337～344张建新，曾令森，邱小平.1997.北京云蒙山地区花岗岩穹隆及伸展构造的探讨.地质论评，43(3):232～240张安隶等.1991.金刚石找矿指示矿物研究及数据库.北京:科学技术出版，1～162张理刚等.1995.东亚岩石圈块体地质———上地幔、基底和花岗岩同位素地球化学及其动力学.北京:科学出版社，1～252Barker F ＆ Arth JG. 1976. Generation of trondhjemitic-tonalitic liquids and Archean bimodal trondhjemitic-basalt suites. Geol. ，4Baker F ed. 1979. Trondhjemites，dacites and related rocks，New York，Elsew. Sci. Pub. 1 ～ 321Bergantz G W. 1989. Underplating and partial melting: Implications for melt generation and extraction. Sci. ，245: 1093 ～1095Bird P. 1979. Continental delamination and the Colorade plateau. JGR 84 ( B13) : 7561 ～ 7571Brown G C. 1982. Calc-alkaline intrusive rocks: their diversity， evolution and relation to volcanic arcs. In: Thorpe ed.Andesites，John Wiley ＆ Sons，437 ～ 461Boyd F R ＆ Gurney J J. 1986. Diamonds and the African lithosphere. Sci，232: 471 ～ 477Boyd F R. 1989. Compositional distinction between oceanic and cratonic lithosphere. EPSL，96: 15 ～ 26Carroll MR ＆ Wyllie P J. 1990. The system tonalite-H2O at 15Kbar and the genesis of Calc-alkaline magma. Am，Miner. 75:345 ～ 357Carmichael I S E，Turner F J，Verhoogen J. 1974. Igneous petrology. McGraw-Hill. Inc. 1 ～ 739Condie K C. 1982. Plate tectonics and crustal evolution，New York: Pergamon，1 ～ 310GSC，GRB，AMPS，NRC. 1980. Continental tectonics，National Acod Press，1 ～ 346Carlson R W，Shirey S B，Peatson D G et al. 1994. The mantle beneath continents. Carn Instit，Washington Year Book 93，109 ～ 117DePaolo DJ ＆ Wasserburg G J. 1977. The sources of island arcs as indicated by Nd and Sr isotopic studies. Geophys，Tes. Letters，4: 465 ～ 468Davis G. S，Zheng Yadong，Wang Cong. Darby B. J. Zhang Changhou. Gehrelsl. G. 2001. Mesozoic tectonic evolution of the Yanshan fold and thrust belt，with emphasis on Hebei and Liaoning provinces，northern China. Geol. Soc，America Memoir 194:171 ～ 197Dewey J F. 1988. Extensional collapse of orogens，Tectonics，7 ( 6) : 1123 ～ 1139De Celles P G. 1994. Late Cre taceous-Paleocene Synorogenic Sedimentation and Kinematic history of the Sevier thrast belt，northeast Utah and son thwest Wyomiog. G S A Bull. ，106: 32 ～ 56Davis G A，Zheng Y D，Wang C et al. 2001. Mesozoic tectonic evolution of the Yanshan fold and thrust belt with emphasis on Hebei and Liaoning Provinces，northern China. GSA. Mem. 194: 171 ～ 197Falloon T J ＆ Danyushevsky L V. 2000. Melting of refractory mantle at 1. 5，2 and 2. 5 GPa under anhydrous and H2O-un-dersaturated conditions: Implications for the petrogenesis of high-Ca boninites and the influence of subduction components on man-tle melting. J. Petrol. ，41 ( 2) : 257 ～ 283Fedorenko V A，Lightfoot P C，Naldrett A J et al. 1996. Petrogenesis of the flood-basalt sequence at Noril"sk，North Central Siberia. International Geol. Rev. 38: 99 ～ 135Fyfe W S ＆ Leonardos，O H jun. 1973. Ancient metamorphic-migmatite belts of Brazilian African coasts. Nature，244: 501～ 502Helz R T. 1976. Phase relations of basalts in their melting range at PH2O= 5 Kbar: Melt Composition. J. Petrol. ，7: 139 ～193Hirose K ＆ Kushiro I. 1993. Partial melting of day peridotites at high pressure: Determination of compositions of melts segre-gated from peridotite using aggregates of diamond. EPSL，114: 477 ～ 489Holloway J R ＆ Burnham C W. 1972. Melting relations of basalt with equilibrium water pressure less than total pressure. J. Petrol，13: 1 ～ 29Huppert HE ＆ Sparks RSJ. 1984. Double-diffuse convection due to crystallization on magmas. Anu， Rev， Earth Planet，Sci，12: 11 ～ 37Jahn B M，Vidal P，＆ Kroner A. 1984. Multi-chronometric ages and origin of Archean tonalitic gneiss in Finnish Lapland: a case for long crustal residence time. CMP，86: 398 ～ 408Johnston A D ＆ Wyllie P J. 1988. Constraints on the origin of Archean trondhjemites based on phase relationships of Nuk gneiss with tho at 15Kbar. CMP，100: 35 ～ 46Johanes W ＆ Holtz F. 1996. Petrogenesis and experimental petrology of granitic rooks. Springer-Verlag，1 ～ 335Kushiro I. 1990. Partial melting of mantle wedge and evolution of island arc crust. JGR 95 ( B10) : 15929 ～ 15939Larson R L. 1991. Geological consequences of superplumes. Geol. ，19: 963 ～ 966Le Bas，M J. 2000. IUGS reclassification of the high-Mg and picritic volcanic rocks. J. Petrol. ，41 ( 10) : 1467 ～ 1470Lesher C E. 1990. Decoupling of chemical and isotopic exchange during magma mixing. Nature，344: 235 ～ 237Maruyama S，Liu J G and Sen T. 1989. The evolution of the Pacific Ocean margin. In: Ben-Avraham Z ( eds. ) . Mesozoic and Cenozoic Evolution of Asia. New York: Oxford University Press，75 ～ 99Martin H. 1987. Petrogenesis of Archean trondhjemites，tonalites and granodiorites from eastern Finland: major and trace el-ement geochemistry. J. Petrol. 28: 921 ～ 953Middlemost E A K. 1985. Magmas and magmatic rocks，Longman，London ＆ New York，1 ～ 257Parfenov L. M. ，Natal"in B. A. 1986. Mesozoic Tectonic evolution of Northeastern Asia. Tectonphysics，127: 291 ～ 304Pin C. 1991. Sr-Nd isotopic study of igneous and metasedimentary enclaves in some Hercynian granitoids from the Massif Cen-tral，France. In: Didier et eds. Developments in petrology 13 Enclaves and granite petrology. Amsterdam: Elsevier，333 ～ 343Polet J ＆ Anderson D L. 1995. Depth extent of cratons as inferred from tomographic studies. Geol，23: 205 ～ 208Rapp R P，Watson E B，Miller C F. 1991. Partial melting of amphibolite / eclogite and the origin of Archean trondhjemites and tonalities. Precamb. Res. 51: 1 ～ 25Remane J，Faure-Muret A，Odin G S. 2000. International Stratigraphic Chart，J. Stratigraphy 24 ( Sup) : 321 ～ 340Ringwood A E. 1975. Composition and petrology of the Earth"s mantle，MeGraw-Hill Inc. 1 ～ 618Rutter M J ＆ Wyllie P J. 1988. Melting of vapour-absent tonalite at 10 kbar to simulate dehydration-melting in the deep crust，Nature，331 ( 6152) : 159 ～ 160Shen Q ＆ Qian X. 1996. Assemblages，episodes and tectonic evolution in the Archean of China. Episodes，18: 44 ～ 48Song X-Y，Zhou M-F，Hou Z-Q et al. 2001. Geochemical constraints on the mantle source of the upper Permian Emeishan continental flood basalts，southwestern China. International Geol. Rev，43: 213 ～ 225Taylor S R ＆ Mclennan S M. 1985. The continental crust: its conyrosition and evolution. Blackwell Qxford，1 ～ 312Turner S，Arnaud N，Liu J et al. 1996. Post-collision，shoshonitic volcanism on the Tibetan platean: Implications for con-vective thinning of the lithosphere and the source of ocean island basalts. J. Petrol. ，37 ( 1) : 45 ～ 71Van der Laan S R ＆ Wyllie P J. 1992. Constraints on Archean trondhjemite genesis from hydrous crystallization experiments on Nuk gneiss at 10 ～ 17 Kbar. J Geol. ，100: 57 ～ 68Van der Voo R，Spa kman W ＆ Bijwaard H. 1999. Mesozoic Subducted Slabs under Siberia，Nature，397: 246 ～ 249Winther K T ＆ Newton R C. 1991. Experimental melting of hydrous low-k tholeiite: evidence on the origin of Archean cra-tons. Bull Geol. ，Soc. Den. 39: 213 ～ 228Wolf M B ＆ Wyllie P J. 1994. Dehydratron-melting of amphibolite at 10Kbar: the effects of temperature and time. CMP，115: 369 ～ 383Wang H Z ＆ Mo X X. 1995. An outline of the tectonic evolution of China. Episodes，18 ( 1 ～ 2) : 6 ～ 16Wedepohl，K. H， Heinrichs， H， ＆ Bridgwater D. 1991. Chemical characteristics and genesis of the quartz-feldspathic rocks in the Archean crust of Greenland. CMP，107: 163 ～ 179Wyllie P J. 1973. Experimental petrology and global tectonics-A review. Tectonophys，17: 189 ～ 209Wyllie P J. 1977. Crustal anatexis: an experimental review，Tectonophys，43: 41 ～ 71Wyllie P J， 1984. Constraints imposed by experimental petrology on possible and impossible magma sources and products. Phil. Trans. R. Soe. Lond. A. 310: 439 ～ 456Wyllie P J，Wolf M B，Vanderlaan S R. 1997. Conditions for formation of tonalities and trondhjemites: magmatic sources and products. In de Wit M J et al. eds: Tectonic evolution of greenstone belt. Oxford Uni. Press，256 ～ 266Zhai M G. 1996. Granulites and lower continental crust in China Archean Craton. Beijing: Seismol. Press，1 ～ 239Zartman R E ＆ Doe B R. 1981. Plumbotectonics-the model. Tectonophys，75: 135 ～ 162

好。1、phoenix飞机模型它以起落架的精致及漆面的细腻所著称，其产品包装盒的设计也广受好评。3、PH的A330飞机系列模型模具也算飞机模型排名中最靠前的之一，还原度很高。

低版本开发的早，不能照顾到高版本的有些程序编码，有这种转换软件可以用，百度下

这个很简单，直接将Tekla structures模型导出为3D DWG/DXF,然后直接导入3ds Max即可

我可以给你解决损坏模型，270484079发我Q邮箱

XGBoost参数调优完全指南（附Python代码） 译注：文内提供的代码和运行结果有一定差异，可以从这里下载完整代码对照参考。另外，我自己跟着教程做的时候，发现我的库无法解析字符串类型的特征，所以只用其中一部分特征做的，具体数值跟文章中不一样，反而可以帮助理解文章。所以大家其实也可以小小修改一下代码，不一定要完全跟着教程做~ ^0^ 需要提前安装好的库： 简介 如果你的预测模型表现得有些不尽如人意，那就用XGBoost吧。XGBoost算法现在已经成为很多数据工程师的重要武器。它是一种十分精致的算法，可以处理各种不规则的数据。 构造一个使用XGBoost的模型十分简单。但是，提高这个模型的表现就有些困难(至少我觉得十分纠结)。这个算法使用了好几个参数。所以为了提高模型的表现，参数的调整十分必要。在解决实际问题的时候，有些问题是很难回答的——你需要调整哪些参数？这些参数要调到什么值，才能达到理想的输出？ 这篇文章最适合刚刚接触XGBoost的人阅读。在这篇文章中，我们会学到参数调优的技巧，以及XGboost相关的一些有用的知识。以及，我们会用Python在一个数据集上实践一下这个算法。 你需要知道的 XGBoost(eXtreme Gradient Boosting)是Gradient Boosting算法的一个优化的版本。 特别鸣谢：我个人十分感谢Mr Sudalai Rajkumar (aka SRK)大神的支持，目前他在AV Rank中位列第二。如果没有他的帮助，就没有这篇文章。在他的帮助下，我们才能给无数的数据科学家指点迷津。给他一个大大的赞！ 内容列表 1、XGBoost的优势 2、理解XGBoost的参数 3、调整参数(含示例) 1、XGBoost的优势 XGBoost算法可以给预测模型带来能力的提升。当我对它的表现有更多了解的时候，当我对它的高准确率背后的原理有更多了解的时候，我发现它具有很多优势： 1、正则化 标准GBM的实现没有像XGBoost这样的正则化步骤。正则化对减少过拟合也是有帮助的。 实际上，XGBoost以“正则化提升(regularized boosting)”技术而闻名。 2、并行处理 XGBoost可以实现并行处理，相比GBM有了速度的飞跃。 不过，众所周知，Boosting算法是顺序处理的，它怎么可能并行呢？每一课树的构造都依赖于前一棵树，那具体是什么让我们能用多核处理器去构造一个树呢？我希望你理解了这句话的意思。 XGBoost 也支持Hadoop实现。 3、高度的灵活性 XGBoost 允许用户定义自定义优化目标和评价标准 它对模型增加了一个全新的维度，所以我们的处理不会受到任何限制。 4、缺失值处理 XGBoost内置处理缺失值的规则。 用户需要提供一个和其它样本不同的值，然后把它作为一个参数传进去，以此来作为缺失值的取值。XGBoost在不同节点遇到缺失值时采用不同的处理方法，并且会学习未来遇到缺失值时的处理方法。 5、剪枝 当分裂时遇到一个负损失时，GBM会停止分裂。因此GBM实际上是一个贪心算法。 XGBoost会一直分裂到指定的最大深度(max_depth)，然后回过头来剪枝。如果某个节点之后不再有正值，它会去除这个分裂。 这种做法的优点，当一个负损失（如-2）后面有个正损失（如+10）的时候，就显现出来了。GBM会在-2处停下来，因为它遇到了一个负值。但是XGBoost会继续分裂，然后发现这两个分裂综合起来会得到+8，因此会保留这两个分裂。 6、内置交叉验证 XGBoost允许在每一轮boosting迭代中使用交叉验证。因此，可以方便地获得最优boosting迭代次数。 而GBM使用网格搜索，只能检测有限个值。 7、在已有的模型基础上继续 XGBoost可以在上一轮的结果上继续训练。这个特性在某些特定的应用上是一个巨大的优势。 sklearn中的GBM的实现也有这个功能，两种算法在这一点上是一致的。 相信你已经对XGBoost强大的功能有了点概念。注意这是我自己总结出来的几点，你如果有更多的想法，尽管在下面评论指出，我会更新这个列表的！ 2、XGBoost的参数 XGBoost的作者把所有的参数分成了三类： 1、通用参数：宏观函数控制。 2、Booster参数：控制每一步的booster(tree/regression)。 3、学习目标参数：控制训练目标的表现。 在这里我会类比GBM来讲解，所以作为一种基础知识。 通用参数 这些参数用来控制XGBoost的宏观功能。 1、booster[默认gbtree] 选择每次迭代的模型，有两种选择： gbtree：基于树的模型 gbliner：线性模型 2、silent[默认0] 当这个参数值为1时，静默模式开启，不会输出任何信息。 一般这个参数就保持默认的0，因为这样能帮我们更好地理解模型。 3、nthread[默认值为最大可能的线程数] 这个参数用来进行多线程控制，应当输入系统的核数。 如果你希望使用CPU全部的核，那就不要输入这个参数，算法会自动检测它。 还有两个参数，XGBoost会自动设置，目前你不用管它。接下来咱们一起看booster参数。 booster参数 尽管有两种booster可供选择，我这里只介绍tree booster，因为它的表现远远胜过linear booster，所以linear booster很少用到。 1、eta[默认0.3] 和GBM中的 learning rate 参数类似。 通过减少每一步的权重，可以提高模型的鲁棒性。 典型值为0.01-0.2。 2、min_child_weight[默认1] 决定最小叶子节点样本权重和。 和GBM的 min_child_leaf 参数类似，但不完全一样。XGBoost的这个参数是最小样本权重的和，而GBM参数是最小样本总数。 这个参数用于避免过拟合。当它的值较大时，可以避免模型学习到局部的特殊样本。 但是如果这个值过高，会导致欠拟合。这个参数需要使用CV来调整。 3、max_depth[默认6] 和GBM中的参数相同，这个值为树的最大深度。 这个值也是用来避免过拟合的。max_depth越大，模型会学到更具体更局部的样本。 需要使用CV函数来进行调优。 典型值：3-10 4、max_leaf_nodes 树上最大的节点或叶子的数量。 可以替代max_depth的作用。因为如果生成的是二叉树，一个深度为n的树最多生成 n2 个叶子。 如果定义了这个参数，GBM会忽略max_depth参数。 5、gamma[默认0] 在节点分裂时，只有分裂后损失函数的值下降了，才会分裂这个节点。Gamma指定了节点分裂所需的最小损失函数下降值。 这个参数的值越大，算法越保守。这个参数的值和损失函数息息相关，所以是需要调整的。 6、max_delta_step[默认0] 这参数限制每棵树权重改变的最大步长。如果这个参数的值为0，那就意味着没有约束。如果它被赋予了某个正值，那么它会让这个算法更加保守。 通常，这个参数不需要设置。但是当各类别的样本十分不平衡时，它对逻辑回归是很有帮助的。 这个参数一般用不到，但是你可以挖掘出来它更多的用处。 7、subsample[默认1] 和GBM中的subsample参数一模一样。这个参数控制对于每棵树，随机采样的比例。 减小这个参数的值，算法会更加保守，避免过拟合。但是，如果这个值设置得过小，它可能会导致欠拟合。 典型值：0.5-1 8、colsample_bytree[默认1] 和GBM里面的max_features参数类似。用来控制每棵随机采样的列数的占比(每一列是一个特征)。 典型值：0.5-1 9、colsample_bylevel[默认1] 用来控制树的每一级的每一次分裂，对列数的采样的占比。 我个人一般不太用这个参数，因为subsample参数和colsample_bytree参数可以起到相同的作用。但是如果感兴趣，可以挖掘这个参数更多的用处。 10、lambda[默认1] 权重的L2正则化项。(和Ridge regression类似)。 这个参数是用来控制XGBoost的正则化部分的。虽然大部分数据科学家很少用到这个参数，但是这个参数在减少过拟合上还是可以挖掘出更多用处的。 11、alpha[默认1] 权重的L1正则化项。(和Lasso regression类似)。 可以应用在很高维度的情况下，使得算法的速度更快。 12、scale_pos_weight[默认1] 在各类别样本十分不平衡时，把这个参数设定为一个正值，可以使算法更快收敛。 学习目标参数 这个参数用来控制理想的优化目标和每一步结果的度量方法。 1、objective[默认reg:linear] 这个参数定义需要被最小化的损失函数。最常用的值有： binary:logistic 二分类的逻辑回归，返回预测的概率(不是类别)。 multi:softmax 使用softmax的多分类器，返回预测的类别(不是概率)。 在这种情况下，你还需要多设一个参数：num_class(类别数目)。 multi:softprob 和multi:softmax参数一样，但是返回的是每个数据属于各个类别的概率。 2、eval_metric[默认值取决于objective参数的取值] 对于有效数据的度量方法。 对于回归问题，默认值是rmse，对于分类问题，默认值是error。 典型值有： rmse 均方根误差( ∑Ni=1?2N??????√ ) mae 平均绝对误差( ∑Ni=1|?|N ) logloss 负对数似然函数值 error 二分类错误率(阈值为0.5) merror 多分类错误率 mlogloss 多分类logloss损失函数 auc 曲线下面积 3、seed(默认0) 随机数的种子 设置它可以复现随机数据的结果，也可以用于调整参数 如果你之前用的是Scikit-learn,你可能不太熟悉这些参数。但是有个好消息，python的XGBoost模块有一个sklearn包，XGBClassifier。这个包中的参数是按sklearn风格命名的。会改变的函数名是： 1、eta ->learning_rate 2、lambda->reg_lambda 3、alpha->reg_alpha 你肯定在疑惑为啥咱们没有介绍和GBM中的"n_estimators"类似的参数。XGBClassifier中确实有一个类似的参数，但是，是在标准XGBoost实现中调用拟合函数时，把它作为"num_boosting_rounds"参数传入。 调整参数(含示例) 我已经对这些数据进行了一些处理： City变量，因为类别太多，所以删掉了一些类别。 DOB变量换算成年龄，并删除了一些数据。 增加了 EMI_Loan_Submitted_Missing 变量。如果EMI_Loan_Submitted变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的EMI_Loan_Submitted变量。 EmployerName变量，因为类别太多，所以删掉了一些类别。 因为Existing_EMI变量只有111个值缺失，所以缺失值补充为中位数0。 增加了 Interest_Rate_Missing 变量。如果Interest_Rate变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的Interest_Rate变量。 删除了Lead_Creation_Date，从直觉上这个特征就对最终结果没什么帮助。 Loan_Amount_Applied, Loan_Tenure_Applied 两个变量的缺项用中位数补足。 增加了 Loan_Amount_Submitted_Missing 变量。如果Loan_Amount_Submitted变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的Loan_Amount_Submitted变量。 增加了 Loan_Tenure_Submitted_Missing 变量。如果 Loan_Tenure_Submitted 变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的 Loan_Tenure_Submitted 变量。 删除了LoggedIn, Salary_Account 两个变量 增加了 Processing_Fee_Missing 变量。如果 Processing_Fee 变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的 Processing_Fee 变量。 Source前两位不变，其它分成不同的类别。 进行了量化和独热编码(一位有效编码)。 如果你有原始数据，可以从资源库里面下载data_preparation的Ipython notebook 文件，然后自己过一遍这些步骤。 首先，import必要的库，然后加载数据。 #Import libraries: import pandas as pd import numpy as np import xgboost as xgb from xgboost.sklearn import XGBClassifier from sklearn import cross_validation, metrics #Additional scklearn functions from sklearn.grid_search import GridSearchCV #Perforing grid search import matplotlib.pylab as plt %matplotlib inline from matplotlib.pylab import rcParams rcParams["figure.figsize"] = 12, 4 train = pd.read_csv("train_modified.csv") target = "Disbursed" IDcol = "ID" 注意我import了两种XGBoost： xgb - 直接引用xgboost。接下来会用到其中的“cv”函数。 XGBClassifier - 是xgboost的sklearn包。这个包允许我们像GBM一样使用Grid Search 和并行处理。 在向下进行之前，我们先定义一个函数，它可以帮助我们建立XGBoost models 并进行交叉验证。好消息是你可以直接用下面的函数，以后再自己的models中也可以使用它。 def modelfit(alg, dtrain, predictors,useTrainCV=True, cv_folds=5, early_stopping_rounds=50): if useTrainCV: xgb_param = alg.get_xgb_params() xgtrain = xgb.DMatrix(dtrain[predictors].values, label=dtrain[target].values) cvresult = xgb.cv(xgb_param, xgtrain, num_boost_round=alg.get_params()["n_estimators"], nfold=cv_folds, metrics="auc", early_stopping_rounds=early_stopping_rounds, show_progress=False) alg.set_params(n_estimators=cvresult.shape[0]) #Fit the algorithm on the data alg.fit(dtrain[predictors], dtrain["Disbursed"],eval_metric="auc") #Predict training set: dtrain_predictions = alg.predict(dtrain[predictors]) dtrain_predprob = alg.predict_proba(dtrain[predictors])[:,1] #Print model report: print " Model Report" print "Accuracy : %.4g" % metrics.accuracy_score(dtrain["Disbursed"].values, dtrain_predictions) print "AUC Score (Train): %f" % metrics.roc_auc_score(dtrain["Disbursed"], dtrain_predprob) feat_imp = pd.Series(alg.booster().get_fscore()).sort_values(ascending=False) feat_imp.plot(kind="bar", title="Feature Importances") plt.ylabel("Feature Importance Score") 这个函数和GBM中使用的有些许不同。不过本文章的重点是讲解重要的概念，而不是写代码。如果哪里有不理解的地方，请在下面评论，不要有压力。注意xgboost的sklearn包没有“feature_importance”这个量度，但是get_fscore()函数有相同的功能。 参数调优的一般方法。 我们会使用和GBM中相似的方法。需要进行如下步骤： 1. 选择较高的学习速率(learning rate)。一般情况下，学习速率的值为0.1。但是，对于不同的问题，理想的学习速率有时候会在0.05到0.3之间波动。选择对应于此学习速率的理想决策树数量。XGBoost有一个很有用的函数“cv”，这个函数可以在每一次迭代中使用交叉验证，并返回理想的决策树数量。 2. 对于给定的学习速率和决策树数量，进行决策树特定参数调优(max_depth, min_child_weight, gamma, subsample, colsample_bytree)。在确定一棵树的过程中，我们可以选择不同的参数，待会儿我会举例说明。 3. xgboost的正则化参数的调优。(lambda, alpha)。这些参数可以降低模型的复杂度，从而提高模型的表现。 4. 降低学习速率，确定理想参数。 咱们一起详细地一步步进行这些操作。 第一步：确定学习速率和tree_based 参数调优的估计器数目。 为了确定boosting 参数，我们要先给其它参数一个初始值。咱们先按如下方法取值： 1、max_depth = 5 :这个参数的取值最好在3-10之间。我选的起始值为5，但是你也可以选择其它的值。起始值在4-6之间都是不错的选择。 2、min_child_weight = 1:在这里选了一个比较小的值，因为这是一个极不平衡的分类问题。因此，某些叶子节点下的值会比较小。 3、gamma = 0: 起始值也可以选其它比较小的值，在0.1到0.2之间就可以。这个参数后继也是要调整的。 4、subsample,colsample_bytree = 0.8: 这个是最常见的初始值了。典型值的范围在0.5-0.9之间。 5、scale_pos_weight = 1: 这个值是因为类别十分不平衡。 注意哦，上面这些参数的值只是一个初始的估计值，后继需要调优。这里把学习速率就设成默认的0.1。然后用xgboost中的cv函数来确定最佳的决策树数量。前文中的函数可以完成这个工作。 #Choose all predictors except target & IDcols predictors = [x for x in train.columns if x not in [target,IDcol]] xgb1 = XGBClassifier( learning_rate =0.1, n_estimators=1000, max_depth=5, min_child_weight=1, gamma=0, subsample=0.8, colsample_bytree=0.8, objective= "binary:logistic", nthread=4, scale_pos_weight=1, seed=27) modelfit(xgb1, train, predictors) 从输出结果可以看出，在学习速率为0.1时，理想的决策树数目是140。这个数字对你而言可能比较高，当然这也取决于你的系统的性能。 注意：在AUC(test)这里你可以看到测试集的AUC值。但是如果你在自己的系统上运行这些命令，并不会出现这个值。因为数据并不公开。这里提供的值仅供参考。生成这个值的代码部分已经被删掉了。<喎"/kf/ware/vc/" target="_blank" class="keylink">vcD4NCjwvYmxvY2txdW90ZT4NCjxoMSBpZD0="第二步-maxdepth-和-minweight-参数调优">第二步： max_depth 和 min_weight 参数调优 我们先对这两个参数调优，是因为它们对最终结果有很大的影响。首先，我们先大范围地粗调参数，然后再小范围地微调。 注意：在这一节我会进行高负荷的栅格搜索(grid search)，这个过程大约需要15-30分钟甚至更久，具体取决于你系统的性能。你也可以根据自己系统的性能选择不同的值。 param_test1 = { "max_depth":range(3,10,2), "min_child_weight":range(1,6,2) } gsearch1 = GridSearchCV(estimator = XGBClassifier( learning_rate =0.1, n_estimators=140, max_depth=5, min_child_weight=1, gamma=0, subsample=0.8, colsample_bytree=0.8, objective= "binary:logistic", nthread=4, scale_pos_weight=1, seed=27), param_grid = param_test1, scoring="roc_auc",n_jobs=4,iid=False, cv=5) gsearch1.fit(train[predictors],train[target]) gsearch1.grid_scores_, gsearch1.best_params_, gsearch1.best_score_

1、先在ADS的Momentum中建立模型，可以将自己在其他软件中（如AUTOCAD、DESIGNER等）建立的模型导入其中，也可直接在Momentum中画2、建立需要的端口，至于端口的建立比较讲究，有几种，分别用于不同的情况，具体请参考Momentum中关于端口的讲解3、仿真。4、 Momentum------componet----creat/update,将仿真后的模型建立一个元件5、打开电路原理仿真界面，在display componet library中导入该元件6、建立协同仿真原理图，仿真

我的模型用的是BEAM188单元和LINK8单元，请教大家怎么提取BEAM188和LINK轴向应变呢？我查看BEAM188帮助说的是SMISC7,SMISC20，这是两端的节点应变？内部轴向应变是用这个值吗？LINK8单元说是用LEPEL1。我用SMISC7提取应变，其中BEAM188梁单元都有结果，但杆单元显示为0，然后用LEPEL1提取应变，杆和梁都有结果，但对比BEAM188和前面通过SMISC得出的结果却不一样，我不知道到底哪个才是对的，就是梁杆混合模型到底怎么提取梁和杆的应变呢？顺便问下，为了对应结果，是不是都通过查看单元编号来确定每个杆件的编号呢？杆和梁的编号一起显示的，查看应变结果时候可以直接通过这个编号来查找吗？BEAM188的轴向应变是SMISC7,SMISC20,分别是单元节点I和J的应变值;LINK8单元是用LEPEL1表示单元的应变值;怎么分别建立梁单元和杆单元的单元表来查看单元应变值呢？不是直接查看SMISC7,SMISC20，LEPEL1表吗？我看LINK8单元用LEPEL1求解的应变和BEAM188用SMISC7求解的应变不一样，因为用LEPEL1求解不光杆有应变，梁单元也给了应变值，但用SMISC7求解的只有BEAM188单元有应变值，而杆单元没有应变值。 查看原帖>>

当今大量生产的电子硬件中有很大一部分是使用表面贴装技术也就是我们俗称的 SMT加工。这也是目前的一种趋势。靖邦电子：PCBA加工合同签订后就万事大吉了吗？0 赞同 · 0 评论文章用于高速 pcba加工的表面贴装技术：从发展的角度来看，目前大规模使用的smt贴片工艺其实是DIP插件工艺的衍生发展，和升级改进。使用smt表面贴装技术的情况下，只需要关注PCB焊盘的质量而 不需要钻孔。因此这种情况下除了大大提高速度之外，这还极大地简化了流程。但是在某些特殊的使用环境下贴片工艺可能没有通孔插装的抗震稳定性高，但这种工艺的优点依然足够被大规模使用。Smt工艺的 5 个主要环节：1、PCB 的生产：这是实际生产 PCB 的阶段，关注点在于焊盘的质量。2、锡膏印刷在焊盘上，以此为下一步的贴装做准备。3、贴片机通过编程，将元件精准的放置在印刷好锡膏的焊点上。4、经过回流焊，以使元器件牢固的焊接在焊盘上。5、PCBA成品组装/测试/出货SMT 与DIP通孔的不同之处包括：通孔安装普遍存在的空间问题通过使用表面贴装技术得到解决。因为贴片原件的尺寸比较小，且布局比较方便，在想同的单位面积内可以容纳更多的元器件。因此在满足更强大功能的需求下，只需要更少的空间和更小的组件，通孔插装则相反。减小的尺寸导致更高的电路速度。SMT 已被证明在有大量振动或摇晃的条件下更稳定。SMT 部件通常比类似的通孔部件成本更低。重要的是，由于不需要钻孔，SMT 的生产时间要短得多。这反过来又导致产品的制造速度与预期的一样快，从而进一步缩短了上市时间。这也是为什么对于一款新产品而言，选择smt贴片加工的方式是一个非常合适的选择。通过使用可制造性设计 （DFM） 软件工具，对复杂电路的返工和重新设计的需求显着减少，进一步提高了复杂设计的速度和可能性。查看指南，了解为什么过程控制测量对于阻止表面贴装技术PCB 组装中的缺陷至关重要。

你好 先采纳下 我会发给你的 呵呵

我这里教你一个办法，你先创建一个暗夜精灵的小号，然后点着你的亡灵或者牛头，然后用鼠标点击暗夜小号，左键点击不要松手，然后在松手的同时按下回车，你就会发现你的牛头或者亡灵就变成暗夜了。或者你使用欺诈者宝珠，所有人都能看见你变成暗夜或者你下载一个山口山修改器修改，BAIDU很容易搜索到的

下个反合谐登陆器

初音未来lat式，是作者Lat氏制作的一款MikuMikuDance（MMD）3D模型。相对于 MikuMikuDance中自带的初音模型， lat式显得更为可爱。装饰上，lat式有配备耳机和红色的眼镜。本模型首先由lat本人在nico上发表了介绍动画 sm7339365，在VPVP wiki上进行发布。另外，6666AAP制作了lat式的小初音模型（介绍动画 sm9931954）。

绝对估值法按照国际惯例，证券公司的估值一般用ROE/COE模型，计算公式为（ROE-g）/（COE－g）。其中ROE（净资产收益率）为证券公司的长期ROE水平，g为长期增长率，COE为股权成本率；COE的计算公式为：无风险收益率＋市场风险溢价×贝它值。

瑞典北极圈内的基鲁纳矿区位于瑞典首都斯德哥尔摩北部克布内凯赛峰(海拔2123m)以东50km。基鲁纳矿床是世界上最大的铁矿床之一，仅Kiirunnavaara矿含有大约20亿t的磁铁矿石，同时该矿床又是世界上最大的地下开采矿山之一。矿区内矿体长可达6km，矿区可分为Kiirunnavaara和Luossavaara矿床，Kiirunnavaara矿体长度约4km，平均宽度为90m，钻探深度为1100m，可能会延伸至2000m。该类矿床矿石主要为含磷灰石铁矿石，许多作者将其划为IOCG矿床(Hitzmanetal.，1992;Smith et al.，2005;Smith et al.，2005)。Williams等(2005)认为基鲁纳磷灰石氧化铁矿和矽卡岩铁矿不属于IOCG矿床，但是他同时又具有IOCG矿床的某些特征，包括:①成矿省内其他类型的矿床较少，②矿床通常与大规模的碱性，特别是含钠的蚀变作用有关，③叠加少量的相关元素，如Cu、Au、P、F、REE等。基鲁纳地区的元古宙岩石，无论在区域范围内还是在矿区范围内，均受到方柱石化和钠长石化的影响，这一影响与本区的氧化铁矿床的矿化有关(Frietsch，1997)。在本地区具有经济价值的氧化铁矿有Kirunavaara、Leveaniemi、GruvbergetFe、Mertainen、Lappmalmen、Malmberget、Rakkurijoki、Tuolluvaara、Rektorn、Luossavaara、Henry等矿床(图4-27)。区域内铜矿床包括Aitik、Wiscaria(Martinsson，1997)、Oahthavare(Lindblom et al.，1996)和Natanen(Martinssion et al.，2004)以及一些远景区(图4-27a)。大部分矿床为后生矿床，多产于Karelian绿岩和斑岩群中。一、地质背景基鲁纳矿区产于中元古代大陆环境(1.85～1.8Ga，U-Pb法测年，Skiold et al.，1984;Skiold，1984)。围岩为大面积碱性流纹岩、粗面岩和粗安岩火山灰和熔岩流组成，同时一些同成因的侵入岩侵入到大陆沉积盖层中(Geijer，1930;Geijer et al.，1974;Parak，1975a;Frietsch，1979;Forselletal.，1980;Frietsch，1980)。该组地层由Kurravaara砾岩、基鲁纳斑岩、下Hauki组沉积岩和火山岩，以及上Hauki组沉积岩组成(图4-28;表4-3)。这一火山-沉积岩带内侵入有几组正长岩、花斑岩和花岗岩，含磷磁铁矿石产于基鲁纳斑岩和下Hauki组层内。该地层最底部为砾岩地层，砾岩地层之上为基鲁纳绿岩———基鲁纳地区的元古宙岩石，无论在区域范围内还是在矿区范围内，均受到方柱石化和钠长石化的影响，这一影响与本区的氧化铁矿床的矿化有关(Frietsch，1997)。图4-27 瑞典北部地区铁和铜矿床分布图不同组合侵入岩均与造山事件相对应，Haparanda岩体主要存在于Norrbotten北部地区的最东部，由一套岩石组成，即从辉长岩和闪长岩到二长岩-二长闪长岩、花岗闪长岩和一些花岗岩，其化学特征从碱质-钙质到钙碱系列。条纹长石-二长岩岩体在该区最为发育，由形成于1.88～1.86Ga的二长岩和石英二长岩组成(Bergman et al.，2001)。辉长质侵入体可能与条纹长石-二长岩体和那些正常发育于二长花岗岩侵入岩边界的岩石有关。同/后碰撞深成岩代表了侵入事件的后期阶段对本区的影响作用。花岗岩-伟晶岩岩体的年龄为1.81～1.78Ga，伟晶岩的分布面积较广，通常与主要的二长岩有关。该区的变形变质作用很可能发生于这一时期。构造运动序列开始于古元古代的古生代地壳的伸展作用和裂谷作用。造山作用始于裂谷作用之后，在与俯冲作用有关的构造环境下，早期形成的陆/岛弧与古生代形成的克拉通碰撞，发生造山作用。大约于1.93Ga，在大陆裂谷之下开始了南西向的俯冲作用(Juhlin et al.，2002)。1.93～1.87Ga之间，古老克拉通、造山带与Svecofennian火山岩带一起形成了新的大陆地壳(Mellqvist et al.，1999)。在碰撞期间，变沉积岩和沉积岩由于不同地块之间的挤压作用发生变形，随后，岛弧与微陆块再次发生碰撞，推覆于古生代克拉通之上(Juhlin et al.，2002)。第二阶段的碰撞作用期间，在右旋转换挤压体系作用下的变形作用可能导致了东西向至北东-南西向的地壳缩短。随后，局部堆积的透镜体和盖层逆冲于古生代大陆地壳之上。Svecofennian造山事件期间的岩浆作用和构造活动是引起热液蚀变和成矿事件的最可能诱导因素，在空间上这一岩浆和构造活动带似乎与主要的变形带相对应。最后，在地壳伸展期(1.6～1.5Ga，Korja et al.，1993)以非造山岩浆作用为特征的下地壳移除作用使得地壳沿东西走向伸展变薄。图4-28 基鲁纳地区地质简图表4-3 基鲁纳地区前寒武纪地层表二、矿床地质特征基鲁纳矿床位于残余的太古宙芬诺斯堪迪亚地盾南部边缘，矿床产于由古元古代盖层和大面积的似花岗岩以及这些地层内发育的一系列长英质火山岩地层中。有关含磷灰石铁矿矿体与围岩之间的关系问题先后引起了许多地质工作者的兴趣，例如Geijer(1910)对这些矿床及其围岩进行了较为详尽的描述，他也因此成为这类含磷灰石铁矿床研究的权威。随后，他穷其毕生精力对基鲁纳地区的地质工作进行研究，作出了不可磨灭的贡献。Odman(1957，转引自Forsell，1987)和他的助手们在20世纪50年代的地质工作完成了Norrbotten郡第一份现代地质图，引起了有关基鲁纳地区地层层序问题探讨的再次升温。在20世纪六七十年代，许多工作者对于基鲁纳含磷铁矿的成因问题展开了激烈的讨论。直到1992年Hitzman等(1992)的有关IOCG矿床论述的发表，才使得基鲁纳矿床的成因认识有了新的进展。有关该地区部分含磷灰石铁矿床的特征如表4-4所示。表4-4 基鲁纳矿区含磷灰石铁矿床地质特征统计表续表注:资料来源于瑞士地质调查局矿床数据库:http://www.sgu.se/sgu/en/service/kart-tjanststarte.html。(一)围岩特征基鲁纳地区铁矿床的围岩地层主要为中性到长英质火山岩，该围岩火山岩在区内大约有6km厚，整个火山岩地层均发生铁氧化物矿化。Kiirunavaara和Luossavaara矿床产于火山岩与沉积岩接触带之间，矿体下部由斑状、粗面状沉凝灰岩、熔岩流及其相关的侵入岩组成，上部以流纹质沉凝灰岩和凝灰质沉积岩为主的岩石组成(Frietsch，1979)。本区的大多数火山岩均发生过蚀变，因此围岩的原始化学特征尚不能完全确定，可能为富碱质火山岩。许多研究者认为矿床形成与斑岩有关。火山活动与矿体之间具有紧密关系，如①Kiirunavaara矿体被正长岩、次流纹岩和镁铁质岩脉所切割，②含有磁铁矿碎屑的岩脉和岩床本身就含有磁铁矿脉，③Hauki地层沉积岩中含有氧化铁矿石碎屑(Geijer，1960;Geijer et al.，1974;Frietsch，1979)。尽管下Hauki地层发生过强烈的片理化作用破坏了大多数的岩石原始结构，但是局部仍然保留完好。Nukutusvaara矿床以东发育多孔状构造的岩石，与Luossavaara-Kiirunavaara矿床的结核状正长斑岩很相似。在Nukutuscaara矿床内同样发育有像Luossavaara-Kiirunavaara矿带内发育的正长斑岩，并且这两个矿区内的正长斑岩内的磁铁矿具有相似的微量元素含量特征(表4-5)。两个矿区矿石和正长斑岩之间相似的岩性特征和微量元素含量使得矿石与地层之间的相关性很难确定。表4-5 磁铁矿和围岩正长斑岩中微量元素含量w(B)/10-6通过对Luossavaara-Kiirunavaara矿区和下Hauki矿正长斑岩之间的微量元素对比，发现下Hauki正长斑岩为富钾岩石，而Luossavaara-Kiirunavaara矿区的正长斑岩为富钠岩石。碱金属含量的不同可能与发育于PerGeijer矿区和Hauki地区之间的富钾熔结凝灰质火山岩有关。褶皱过程中形成发生的熔结凝灰岩的钾长石活化作用产生下Hauki地层的片理化特征，并导致地层内部钾交代作用。(二)矿体特征基鲁纳含磷磁铁矿主要为不规则状，如球状、透镜状、长条状、板状，部分地段为网脉状，该矿体类型有时被称为矿石角砾岩，与围岩地层呈整合接触(图4-28)。根据矿体的位置和磷的含量可将该含磷磁铁矿体划分为两类，第一类包括Kiirunavaara和Luossavaara磁铁矿床，产于正长斑岩和含石英斑岩之间的接触部位。这些矿床的平均磷含量小于1%。另一组包括许多小型矿床，总体称其为“PerGeijer矿床”，这些矿床的磷含量为3%～5%。他们产于含石英斑岩和上覆的下Hauki组之间的接触部位(图4-28)。Kiirunavaara矿体主要由块状磁铁矿组成，与之共生的矿物有磷灰石、阳起石和少量石英。在块状矿体顶部和边部的矿石角砾岩逐渐由磁铁矿-磷灰石±阳起石±石英带向流纹岩中浸染状和脉状磁铁矿-磷灰石±阳起石转变。另外，均质不含磷的磁铁矿(B矿带)和层状富含磷灰石层磁铁矿(D矿带)之间为突变接触关系。实际上，在Luossavaara和PerGeijer矿床中也存在层状含磷灰石磁铁矿石。在Kiirunavaara和PerGeijer矿区，纯磷灰石层(0.1～0.5m厚)也很常见。1.矿石矿物特征基鲁纳矿床矿石矿物以磁铁矿铁矿为主，在某些矿床的局部发育有赤铁矿，其次为磷灰石、阳起石-透闪石和透辉石。以磁铁矿为主的矿床(PerGeijer、Nukutusvaara、Rektor、Lapp)与富磷灰石铁矿床(Luossavaara、Kiirunavaara)具有相似的岩性特征。Luossavaara-Kiirunavaara和PerGeijer矿区同样存在两个世代的磷灰石，一种为原生磷灰石，为灰色细粒(0.05～0.15mm)，呈浸染状产于相同粒级的磁铁矿中，通常具有明显的纹层状结构。另一种为先存的磷灰石经重结晶作用而来的磷灰石，这类磷灰石存在许多中间转换类型，总体来说为粗粒，呈红色或绿色的细脉和脉状。在特殊情况下，存在以磁铁矿为角砾，以磷灰石为基质的角砾岩。在Kiirunavaara矿区北部100多平方米的区域内发育有红色、粗粒的(达1cm长的棱柱体)不含磁铁矿的磷灰石。此外，另一种典型的磷灰石与磁铁矿共生的实例为“骨骼矿”，例如在Luossavaara-Kiirunavaara和PerGeijer矿区均可见到针状磁铁矿产于磷灰石基质内形成的这类“骨骼矿石”。Luossavaara-Kiirunavaara矿区的脉石矿物为少量的阳起石和方解石，黑云母虽然很常见，但是含量却非常少。在PerGeijer矿区方解石为常见的矿物，方解石是浸染状矿石中的常见矿物，同时在不含磷的矿石中也或多或少的存在水平薄层状的方解石脉。在矿区的某一部位的底板围岩以上20m处，发现了一个2m厚的方解石层，被厚度为3m的角砾状方解石铁矿床所覆盖。在Kiirunavaara矿区北部B矿带发育有薄的硬石膏夹层(厚为1～10cm)。2.围岩蚀变基鲁纳矿区围岩地层蚀变广泛，并且蚀变作用与埋深之间存在一定的关系，表现出由深部钠质(富钠长石)的蚀变向中部钾质蚀变(钾长石+绢云母)再向浅部绢云母和硅质蚀变(绢云母+石英)转化的蚀变规律。如Kiirunavaara矿区，深度2～6km，蚀变类型为钠化，蚀变矿物组合为磁铁矿-磷灰石-阳起石-钠长石;PerGeijer矿区，深度250m～1.5km，蚀变类型为钾质/绢云母化，蚀变矿物组合为赤铁矿-磁铁矿-绢云母-碳酸盐-钾长石-石英-磷灰石;在Haukivaara矿区深度0～250m之间，蚀变类型为水解化和硅化，蚀变矿物组合为赤铁矿-石英绢云母-重晶石-萤石-碳酸盐。围岩火山岩主要的蚀变组合为磁铁矿-钠长石-阳起石-绿泥石。区内围岩火山岩中的斜长石大部分转变为钠长石。在Kiirunavaara和Luossavaara矿体之下，磁铁矿±钠长石±阳起石脉较多。Kiirunavaara矿体和围岩之间为一厚1～50cm的含少量榍石的角闪石层(Geijer et al.，1974)。封闭于矿体内部的残留粗面岩和流纹岩通常都转变成了钠长岩。基鲁纳含磷灰石铁矿的斑岩围岩受到几种类型的蚀变影响，其中发育最为广泛的蚀变是碱质交代作用。Kiirunavaara和Luossavaara矿床中围岩正长斑岩具有富钠特点，这可能是一种次生产物(Gei-jer，1910)。这种富钠正长斑岩含有杏仁状榍石。Kiirunavaara矿床围岩中的正长岩含榍石，这些榍石为交代长石和地幔磷灰石的产物。下Hauki矿区中岩石同样受到强烈围岩蚀变的影响，主要为硅化和绢云母化，同时伴随有少量的其他蚀变，如赤铁矿化、方解石化、磷灰石化、重晶石化、褐帘石化、电气石化、黄铜矿化、斑铜矿化、辉铜矿化和萤石化等(Geijer，1910;Parak，1975;Frietsch，1979)。三、地球化学特征(一)化学特征基鲁纳矿区磁铁矿中稀土氧化物平均含量为0.7%(Parak，1973，1975a，1985)。稀土元素主要存在于磷灰石中，有少量则存于矿区内分布不均的独居石中。矿区内赤铁矿中的稀土氧化物的平均含量为0.5%，主要存在于磷灰石中。基鲁纳矿石中金含量测试较低，但少量磁铁矿和赤铁矿样品测试结果显示，金含量大于2×10-6。铁矿中磷灰石的稀土含量为1250×10-6～6700×10-6，(La/Yb)N=3～7，Eu/Eu*=-2.5～-0.67，为Eu的负异常。富磷矿石和贫磷矿石中磷灰石稀土元素配分模式相似。磁铁矿中稀土元素含量较低，为5×10-6～110×10-6，但是磁铁矿和磁铁矿中磷灰石以及中性长英质火山岩具有相似的稀土配分模式，说明三者存在成因联系(Rudyard et al.，1995)。(二)温度和盐度基鲁纳矿区氧同位素地球化学数据揭示磁铁矿的形成温度大于为600℃(Cliff et al.，1990)。Kiirunavaara矿床稳定同位素结果显示出硫源于低温热液事件(70～250℃)的晚期阶段。这与Kiirunavaara矿床磷灰石流体包裹体均一温度测试结果相匹配。因此，已获得的证据显示，该区矿床成矿温度为低于岩浆的热液温度范围，早期埋藏较深的磁铁矿显示出较高的成矿温度，其变化范围较大(多数为150～400℃，最高可达600℃)，晚期埋藏较浅的赤铁矿显示出较低的成矿温度(大多为100～200℃)。磷灰石流体包裹体比较复杂，且多为次生包裹体，其封闭流体的盐度大约为19%，Smith等(2005)测试成矿晚阶段石英脉流体包裹体的均一温度为100～150℃，盐度为32%～38%。磷灰石流体包裹体反映出磷灰石经过重结晶作用，正好与后期铁矿石导致稀土元素重新分配的热液事件相一致。同位素研究结果显示，对磷灰石的流体包裹体进行详细研究将可能发挥较好的效果。(三)同位素特征基鲁纳磁铁矿和赤铁矿矿体中碳酸盐岩稳定同位素研究结果显示，δ13C值为-3～-5，虽然显示出较奥林匹克坝地区的IOCG矿床具有更多的岩浆参与特征，但总体上还是与其具有相似的特征。成矿晚期阶段石英脉流体卤族元素Br/Cl对数比值范围大致为-2.5～-3.7，总数范围在-2.8～-3.5之间，该数据说明Norrbotten地区成矿流体为岩浆来源，而非变质蒸发岩来源。富Br样品的存在可能暗示了岩浆流体与围岩变沉积岩之间发生了水岩反应。含磷氧化铁矿石内晚期石英脉流体氯同位素经大洋氯同位素平均值标准化后其范围为-5.63～-0.99，该氯同位素结果与先存的流体包裹体、岩石、矿物以及天然孔隙水样品测试结果相比相对富35Cl，而岩盐溶解作用不能形成37Cl亏损的流体，故该地区的矿床形成可能与蒸发岩无关(Smith et al.，2005)。(四)成矿时代Cliff等(1990)通过对切割矿体的花斑岩脉测试结果显示，基鲁纳矿区成矿最小年龄为1.88Ga，该年龄与围岩地层的形成年龄(1.9Ga)大体一致(Skiold et al.，1984)。U-Pb和Rb-Sr同位素重置年龄显示，基鲁纳矿区大致于1.54Ga再次受到次级事件的影响，这与本区发育的晚期花岗侵入体相对应(Welin et al.，1971)。单颗粒磷灰石裂变径迹测年结果显示Tuolluvaara矿体年龄为486±95Ma。但是从火山岩与矿化之间的地质特征来看，成矿作用应与火山岩有关，测年结果可能与后期变质作用有关。Smith等(2005)采用激光剥蚀ICP-MS对榍石进行U-Pb测年，获得3组年龄数据，第一组最老年龄为2.07～2.00Ga，代表基鲁纳地区围岩沉积盖层的年龄，这比以前认为的更老一些;第二组中间年龄为1.875～1.820Ga，该年龄与Cliff等(1990)测定的年龄相一致，代表主要成矿年龄;第三组年龄为1.790～1.700Ga，该年龄与长期活动的区域规模构造运动引起的成矿后变质作用有关。四、矿床成因认识过去的一百多年来，对于基鲁纳含磷灰石铁矿床的成因认识存在许多争论。早期的成矿模型完全建立在矿石与围岩之间野外相互关系的基础之上。岩浆特征和沉积特征分别出现于含矿地层和矿体的不同部位，而这些不同部位的含矿地层和矿体正是解释野外资料的有利证据。最早矿床被解释为沉积成因，后来被认为是火山热液成因、岩浆分异作用经后期喷出岩或侵入岩所改造(Geijer，1931a;Nystrom，1985;Nystrom et al.，1994)、与到后期阶段岩浆流体有关的交代作用成因(Bookstrom，1995)、喷流沉积成因(Parak，1975a;1975b)以及形成于特定构造伸展背景下的岩浆成因(Hitz-man et al.，1992)。根据Geijer(1910)的观点，矿床是岩浆分异的产物，后来，Geijer(1919)修正了自己早期的假设，提出了所有铁矿的侵入作用成因观点。Parak(1975a)认为铁矿是火山喷流沉积的产物。在20世纪60年代的大规模勘探活动中，LKAB公司对基鲁纳地区的地质认识取得了很大的进展，发现了一些新的铁矿和铜矿，这些铁矿床为连续分布，向东倾斜的层控矿床。Hitzman等(1992)通过对诸如奥林匹克坝、基鲁纳、东南密苏里、白云鄂博等矿床的研究，提出关于IOCG矿床的类型划分观点，并提出基鲁纳含磷灰石铁矿床的热液成因观点。铁的氧化物和磷灰石的化学数据和结构特征(如磁铁矿特殊的柱状结构和树枝状结构)，均进一步支持了岩浆成因观点。许多不同解释之间的最大分歧在于，是否贫磷的Kiirunavaara和Luossavaara矿床和富磷的PerGeijer矿床具有各自不同的、可对照的成矿模式。五、矿床实例(一)Kiirunavaara矿床1.成矿围岩Kiirunavaara矿床是基鲁纳地区最大的矿床，其容矿围岩主要为前寒武纪地层。矿体呈板状产于火山岩与沉积岩接触带之间，矿体底板为粗面安山质熔岩，传统上划分为正长斑岩;顶板为流纹英安质熔结凝灰岩，通常被称为石英斑岩(图4-28)。本区的大多数火山岩均发生过蚀变，可能为富碱质火山岩。围岩蚀变广泛，例如在底板火山岩围岩内矿化侧向延伸可达数千米，向下延伸可达5km。2.矿体特征Kiirunavaara矿床矿体呈板状产于层状火山岩地层当中，长度约4km，平均宽度为90m，钻孔深度为1100m，估计延深可达2000m，矿体走向近南北向，倾向向东，倾角为60°，主要矿石类型为磁铁矿，细分为两个类型，富磷灰石矿石(D矿)和贫磷灰石矿石(B矿)，D矿磷的含量为0.4%～4%，铁品位为60%，B矿磷含量小于0.1%，铁品位为67%(Malmgren，2007;Lupo，1997)。3.矿石矿物Kiirunavaara矿床主要矿石矿物为块状磁铁矿，其次为与之共生的磷灰石、阳起石和少量石英。在块状矿体顶部和边部的矿石角砾岩逐渐由磁铁矿-磷灰石±阳起石±石英带向流纹岩中浸染状和脉状磁铁矿-磷灰石±阳起石转变。浸染状黄铁矿和少量的黄铜矿产于矿体底部的块状磁铁矿和矿体附近围岩中的磁铁矿和磁铁矿-阳起石矿脉中，该硫化物切穿磁铁矿体。4.围岩蚀变围岩蚀变类型主要为钠化，蚀变矿物组合为磁铁矿-磷灰石-阳起石-钠长石。围岩火山岩地层主要的蚀变矿物组合为磁铁矿-钠长石-阳起石-绿泥石。区内围岩火山岩地层中的斜长石大部分转变为钠长石。Kiirunavaara矿体和底板围岩之间存在一厚0.2～0.4m的斜长角闪岩和阳起石矽卡岩带，顶板围岩和矿体之间为0.1～1.5m厚的富高岭石和绿泥石层，矿体之下磁铁矿±钠长石±阳起石脉较多。存在于矿体内部的残留粗面岩和流纹岩通常发生钠长岩化。5.化学特征Kiirunavaara矿床铁矿石主要由磁铁矿-赤铁矿-磷灰石组成，矿石特征为富磷灰石，含有少量的Cl和OH-。磷含量高低变化较大(0～4%)，Ti(榍石或偶尔存在的钛铁矿中)和S(主要为黄铁矿中)的含量很低(＜1%)。6.成矿时代Cliff等(1990)通过测定切割矿石的花岗斑岩岩墙的时代，获得其成矿年龄的上限为1.88Ga，与容矿岩石的年龄相一致(1.9Ga，Skiold et al.，1984)。U-Pb和Rb-Sr同位素体系显示，该区受1.54Ga的第二次热事件的影响，这个时代与区域上晚期花岗质侵入体相对应(Welin et al.，1971，转引自Cliff et al.，1992)。7.矿床成因认识岩浆成因解释了Kiirunavaara矿区底板正长岩杂岩体内富含浸染状磁铁矿这一特征，在有些地区磁铁矿含量较高，因此Geijer(1931，转引自Cliff et al.，1992)称其为“磁铁正长岩”，并认为底板围岩的正长岩是成矿金属的主要来源。但是Parak(1985，转引自Cliff et al.，1992)认为该矿床为喷流沉积热液矿床，铁来源于下伏的基鲁纳绿岩。Cliff等(1992)通过对围岩和矿石的Sm-Nd同位素测试结果及稀土元素分析排除了成矿物质来源于基鲁纳绿岩的可能性。认为磁铁矿的成矿物质可能为古老地壳，它的Nd同位素组成与古老地壳的同位素组成相似。基鲁纳Kiirunavaara矿床位于太古宙基底西南边缘地带，总体上可能为大西洋活动大陆边缘的一部分。该矿床的成矿作用可能发生于这一岩浆形成、冷却时期。在矿床形成和发生变形以后，沉积盖层覆盖于瑞典北部地区，因此该地区的铁矿床在形成以后大部分处于深埋状态。直到1.5Ga的地壳上隆和剥蚀作用，使得矿床接近于地表。同时该时期的构造活动导致了大规模热液流体的形成，从而Rb-Sr、U-Pb同位素体系也建立新的平衡体系。(二)Aitik矿床Aitik矿床是瑞典最大的铜矿床，位于Norrbotten成矿省内Gallivare东南15km处，同时也是欧洲最重要的生产铜矿石矿床之一。从1968年开始矿山生产到2002年，Ailik矿床已经生产了约3.8亿t矿石，其平均品位为Cu0.39%，Au0.21×10-6，Ag3.9×10-6。保有储量为2.26亿t矿石，平均品位为Cu0.37%，Au0.2×10-6，Ag3×10-6。1.围岩特征Aitik露天采场规模为2500m×800m，根据构造界线和含铜的品位将矿区划分为顶板围岩、矿体和底板围岩。顶板围岩和矿体围岩主要为长石-黑云母-角闪石片岩和斑状石英二长闪长岩。围岩地层中铜的含量小于0.26%，其余矿体的界线为发生强烈钾长石和绿帘石化蚀变的断裂带。围岩中石英二长闪长岩的锆石U-Pb年龄为1.87±23Ga(Witschard，1996;Wanhainen et al.，2003)。矿带主要由含石榴子石的黑云母片岩和片麻岩组成，顶板围岩以白云母(绢云母)片岩为主(图4-29)。强烈的蚀变和变形破坏了岩石的原始特征，但是通过矿区外观察，认为这些岩石原岩为火山碎屑岩Wanhainen et al.，1999)。底板围岩主要由未发生矿化蚀变的长石-黑云母-角闪石片岩组成，通过以逆冲断层将其与矿带分开。顶板围岩和矿带中伟晶岩脉分布较广泛，通常沿岩层走向或者横切节理面发育。图4-29 Aitik矿床平面地质简图矿区内主要矿物为黄铜矿和黄铁矿，其次为磁铁矿、磁黄铁矿、斑铜矿、辉钼矿和辉铜矿。矿石通常呈浸染状和网脉状产出，底板围岩中也存在这类矿物组合的矿化现象，但未达到开采品位。在几种石英脉以及角闪石、长石细脉中常发育一些硫化物。在采场东南部矿带和底板围岩的接触部位发育有细的石英网脉，石英网脉的厚度变化较大，变化范围为3～30mm，网脉中主要含有黄铜矿和黄铁矿，这种网脉一直向下延伸至斑状石英二长闪长岩地层中。重晶石脉中含有含量不等的磁铁矿和阳起石，偶尔含有黄铜矿和黄铁矿。在矿带内部，伟晶岩脉中通常含有黄铜矿和黄铁矿，偶尔出现辉钼矿。在矿体和底板围岩的接触部位的钾长石和绿帘石蚀变矿物中存在有少量的硫化物。除了铜以外，金也是本区的另一具有经济价值的元素，自然金和金的化合物通常与黄铜矿、黄铁矿共生。2.围岩蚀变Aitik矿区发育有广泛的围岩蚀变，矿带内的蚀变主要为黑云母化和绢云母化，伴随有石榴子石变斑晶、石英化和黄铁矿化。钾长石化和绿帘石化主要发育于矿带与围岩接触的断层附近，同时在矿区内部的局部地区也有发育，特别是伟晶岩发育的周围具有明显的钾长石化和绿帘石化。电气石化和方柱石化很少发育，方柱石化出现于矿区北部角闪石岩周围和矿体南部底板围岩侵入体内。3.地球化学特征Aitik矿区石英中流体包裹体存在3种类型，第一种类型为与黄铜矿有关的原生包裹体，通常为气液和固体子晶，子晶为石盐或方解石，部分均一温度范围为110～228℃，盐度范围为31%～37%;第二种为与斑铜矿有关的包裹体，通常由水溶液和气泡组成，均一温度范围为100～222℃，盐度范围为17.9%～24.0%，该包裹体与斑铜矿的形成是否有关尚不能确定;第三种为沿颗粒边界和微裂隙成群出现的次生包裹体，在室温下为液相CO2，有时可以出现气相CO2。Aitik矿石形成与底板围岩中于1.89Ga形成的侵入体有关。与黄铜矿的形成有关的流体为高盐度流体，与斑铜矿形成有关的流体为低盐度流体。地质年代学数据显示，北Norrbotten地区存在有1.87Ga和1.77Ga两期主要的成矿事件(Martinsson，2001)。Norrbotten地区的以斑铜矿为主的矿化主要形成于1.77Ga，为切穿石英脉和1.80～1.76Ga形成的伟晶岩晚期成矿阶段(Martinsson，2001)。Aitik矿床流体分别具有斑岩铜矿和IOCG矿床的双重特征，因此成矿流体可能为多来源流体，然而流体中具有高的钙含量，说明成矿流体可能为流经下伏蒸发岩地层的岩浆热液流体(Wanhainen et al.，2003)。4.矿床成因认识Aitik矿床的第一个成矿模型是Zweifel(1976)提出的，他认为该矿床为同沉积成因。这种层状早期富集成因的铜矿床被后期的花岗岩侵入体(1.8Ga)所改造。Yngstrom(1986)依据同位素研究提出了Aitik矿化岩浆来源的观点，这一岩浆成因观点后被Monro(1988)进一步发展，认为成矿作用与底板围岩地层中的同造山期石英二长闪长岩有关，他指出热液流体自侵入体中出溶出来沿南北向剪切带形成Cu-Au-Ag矿带。矿床形成后受后期变形变质作用的影响发生过多阶段的再活化作用。

任何一个有限元分析必须添加一个或者多个外部因素的，比如力什么的

　　很明显，你给的cif文件中没有Si，在MS里build→surfaces→cleave surface截取1 1 9面，然后在Z方向上加一个真空层build→build vacuum slab,真空层厚度自己定义，一般是15埃。加好真空层后即可在Z方向上做周期性了，display style→lattice可建单个单元不改变的周期性晶格，而build→symmetry→suppercell操作可建立超晶胞。

这个可以参见“中科大materials studioppt教程5”，里面更详细。这篇文章原本用的是NaCl为例，但因为转载自百度博客，在新浪这边显示不了图片，我这里就改做我现在做的Ti3SiC2为例，简单说说怎么利用MS建晶体结构。 有疑问可联系lipai91@gmail.com或直接评论本文。1、启动materialsstudio时会提示：create a new project or open an existing project在这里选择create a newproject，然后会出现的窗口选择new project保存的目录和名称，如果不清楚，这里都选择默认即可。2、在project窗口内，untitled右键new/3D atomisticDocument.xsd，以建立保存材料结构模型的文件，在所打开的文件窗口可以建立、编辑所建立的各种模型这是所有计算的前提；3、然后在菜单栏build/crystals/build crystal4、出现的buildcrystal窗口中有三个标签，第一个是选择晶体所在的空间群space group，以Ti3SiC2晶体为例空间群为P63/mmc，可以通过下拉菜单找到这个群，也可以直接输入这个空间群的编号194，在第二个标签latticeparameters中填写晶格常数，由于是立方晶系只需填一个length a和c；完成后选择build将回到原3D窗口将看到一个晶格框架；5、通过工具栏或者build/add atom出现添加原子窗口，首先添加Ti1，坐标a、b、c为0，再添加Si原子a、b、c坐标为（0，0，0.25)，再依次添加Ti2（0.333，0.666，0.142）和C（0.666，0.333，0.070）原子（这里是大概的位置，更准确的位置可通过优化晶体几何结构得到），晶体就建立起来了 。6、在3D模型文件窗口右键出现的菜单选择displaystyle窗口选择显示模式，选择CPK7、这时候的晶体模型中原胞外也存在原子，可通过Build/crystal/rebuild crystal 按rebuild即可去除。8、可右击选label，在label选项框右边选中ElementSymbol，然后按Apply，即可在原子上显示原子符号。7、完成后晶体模型为

5/8分步阅读首先，从电脑开始菜单中，打开workbench有限元分析软件，如图所示2/8进入workbench界面后，找到静力学分析模块“staticstructural”，拖到如图位置，展开长图3/8静力学分析模块“staticstructural”调入平台后，双击“geometry”，打开几何软件，如图所示4/8打开designmodeler几何模块软件后，点击文件file，如图所示5/8弹出下拉菜单，选择“importexternalgeometryfile”，导入外部几何文件的意思，如图所示6/8选择即将导入的外部几何文件，一般igs格式，x-t格式用得比较多，如图所示7/8返回界面，已经出现import文件了，再点击generate，生成几何文件，如图所示8/8导入外部几何完成，如图所示

可能以前的文件设置靠前所致。找到最近的模型的方法步骤：1、打开C4D场景文件。2、视图里什么都没有显示。3、但是场景里是有模型有内容的。4、我们点击视图界面左上角的查看选项。

举一个例子吧，比如月度的数据，就是周期为12，它有季节影响。 先对其1阶12步差分，通过看acf pac f看是简单加法模型，还是乘法季节模型 如果是乘法模型那就要对季节部分模拟arima模型 季节部分的arima是以周期位置的acf pacf

预测模型prediction model

Herbert Simon (1916-2001) is most famous for what is known to economists as the theory of bounded rationality, a theory about economic decision-making that Simon himself preferred to call “satisficing”, a combination of two words: “satisfy” and “suffice”. Contrary to the tenets of classical economics, Simon maintained that individuals do not seek to maximise their benefit from a particular course of action (since they cannot assimilate and digest all the information that would be needed to do such a thing). Not only can they not get access to all the information required, but even if they could, their minds would be unable to process it properly. The human mind necessarily restricts itself. It is, as Simon put it, bounded by “cognitive limits”.Hence people, in many different situations, seek something that is “good enough”, something that is satisfactory. Humans, for example, when in shopping mode, aspire to something that they find acceptable, although that may not necessarily be optimal. They look through things in sequence and when they come across an item that meets their aspiration level they go for it. This real-world behaviour is what Simon called satisficing.He applied the idea to organisations as well as to individuals. Managers do much the same thing as shoppers in a mall. “Whereas economic man maximises, selects the best alternative from among all those available to him,” he wrote, “his cousin, administrative man, satisfices, looks for a course of action that is satisfactory or ‘good enough".” He went on to say: “Because he treats the world as rather empty and ignores the interrelatedness of all things (so stupefying to thought and action), administrative man can make decisions with relatively simple rules of thumb that do not make impossible demands upon his capacity for thought.”The principle of satisficing can also be applied to events such as filling in questionnaires. Respondents often choose satisfactory answers rather than searching for an optimum answer. Satisficing of this kind can dramatically distort the traditional statistical methods of market research.Simon, born and raised in Milwaukee, studied economics at the University of Chicago. “My career,” he said, “was settled at least as much by drift as by choice”, an undergraduate field study developing what became his main field of interest—decision-making within organisations. In 1949 he moved to Pittsburgh to help set up a new graduate school of industrial administration at the Carnegie Institute of Technology. He said that his work had two guiding principles: one was the “hardening of the social sciences”; and the other was to bring about closer co-operation between natural sciences and social sciences.Simon was a man of wide interests. He played the piano well—his mother was an accomplished pianist—and he was also a keen mountain climber. At one time he even taught an undergraduate course on the French Revolution. He was awarded the Nobel Prize for economics in 1978, to considerable surprise, since by then he had not taught economics for two decades.有限理性模型的两种决策方法一、组合的排列法从工作任务的不同组合排列中进行选择，以达到满意结果的一般性决策方法。二、方面排除法这是一种适用于对决策方案进行同时性选择的有效方法。

我使用过HMM，不过仅限于语音识别。我就在语音识别的领域跟你说一下吧。UMDHMM我没怎么看过，HMM相关代码我是自己写的。HMM中涉及的是“观察值”和“隐藏状态”。你说的“观察状态”应该是指“观察值”吧对于第一个疑问，看描述的样子，1，2应该是代表“隐藏状态”。假设某个语音单元代表的最佳状态是1 1 2 2 3 4 5 5 5 5 6 （不考虑非发散状态）； 其中1->1是一次状态转移；1->2是另一次状态转移；2->是又一次状态转移；依次类推。这样这个语音单元共发生了10次状态转移；对于第一个疑问的后半部分，我看不懂你想说什么对于第二个疑问，好像你对HMM的基本概念还不是很了解。一般情况下，一个观察值就对应一个状态；

memm是有向图hmm models p(x, y) in a Bayesian networkmemm models p(y|x) in a Markov networkcrf models p(y|x) in a Markov network基本不能在无向图上model p(x, y) 除非不考虑x之间的联系(poor performance)

01 隐马尔可夫模型 - 马尔可夫链、HMM参数和性质 假设有三个盒子，编号为1,2,3；每个盒子都装有黑白两种颜色的小球，球的比例。如下： 按照下列规则的方式进行有放回的抽取小球，得到球颜色的观测序列： 1、按照π的概率选择一个盒子，从盒子中随机抽取出一个球，记录颜色后放回盒子中； 2、按照某种条件概率选择新的盒子，重复该操作； 3、最终得到观测序列：“白黑白白黑” 例如： 每次抽盒子按一定的概率来抽，也可以理解成随机抽。 第1次抽了1号盒子①，第2次抽了3号盒子③，第3次抽了2号盒子②.... ； 最终如下： ①→③→②→②→③ 状态值 白→黑→白→白→黑 观测值 1、 状态集合： S={盒子1，盒子2，盒子3} 2、 观测集合： O={白，黑} 3、 状态序列和观测序列的长度 T=5 (我抽了5次) 4、 初始概率分布： π 表示初次抽时，抽到1盒子的概率是0.2，抽到2盒子的概率是0.5，抽到3盒子的概率是0.3。 5、 状态转移概率矩阵 A：a11=0.5 表示当前我抽到1盒子，下次还抽到1盒子的概率是0.5； 6、 观测概率矩阵 - 混淆矩阵 - 为了不和之前的混淆矩阵概念冲突，可以称之为发射矩阵，即从一个状态发射到另一个状态： B：如最初的图，b11=第一个盒子抽到白球概率0.4，b12=第一个盒子抽到黑球概率0.6; 在给定参数π、A、B的时候，得到观测序列为“白黑白白黑”的概率是多少? 这个时候，我们不知道隐含条件，即不知道状态值：①→③→②→②→③ ； 我们如何根据π、A、B求出测序列为“白黑白白黑”的概率？ 下面给出解决方案。 前向-后向算法 给定模型λ=(A,B,π)和观测序列Q={q1,q2,...,qT}，计算模型λ下观测到序列Q出现的概率P(Q|λ)； 回顾上面的案例 ，λ=(A,B,π)已知。观测到序列 Q=白→黑→白→白→黑，但我们不知道 状态序列 I=①→③→②→②→③；我们要求解 P(Q|λ) ，即Q=白→黑→白→白→黑 这个观测序列发生的概率。 可以用前向-后向算法来实现 。 Baum-Welch算法(状态未知) 已知观测序列Q={q1,q2,...,qT}，估计模型λ=(A,B,π)的参数，使得在该模型下观测序列P(Q|λ)最大。 Baum-Welch算法是EM算法的一个特例，专门用来 求解 隐马尔科夫中隐状态参数 λ=(A,B,π) 。即：根据已知的 观测到序列 Q=白→黑→白→白→黑，去寻找整个模型的一组隐状态参数λ=(A,B,π)，使得在模型中 观测序列 发生的可能性P(Q|λ)最大。 Viterbi算法 给定模型λ=(A,B,π)和观测序列Q={q1,q2,...,qT}，求给定观测序列条件概率P(I|Q，λ)最大的状态序列I。 已知 观测到序列 Q=白→黑→白→白→黑，当我们得到λ=(A,B,π)后，我们用 Viterbi算法 求出在哪一种 状态序列 发生的可能性最大，即，求出 状态序列 I=①→③→②→②→③；即，抽取什么样的盒子顺序，更可能得到白→黑→白→白→黑这种结果。 1、直接计算法(暴力算法) 2、前向算法 3、后向算法 类似KNN计算最近邻时候的算法。《 01 KNN算法 - 概述 》 也就是说， 暴力算法 需要一个个遍历所有的状态去计算当前状态发生的概率。 按照概率公式，列举所有可能的长度为T的状态序列I={i1,i2,...,iT}，求各个状态序列I与观测序列Q={q1,q2,...,qT}的联合概率P(Q,I;λ)，然后对所有可能的状态序列求和，从而得到最终的概率P(Q;λ)； 分析： 先思考这样一个问题：生成“白-黑-白-白-黑”这样的结果，是不是会有很多种盒子组合的序列来抽取，都会生成这样一个结果？我把这些可能出现“白-黑-白-白-黑”结果的盒子序列的联合概率求出来-P(Q,I;λ)，即∑P(Q,I) = P(Q) ，P(Q) 是我们观测到“白-黑-白-白-黑”结果时，符合这个结果的所有状态序列I出现的概率。 公式运用： 设状态序列 I=③→②→①→①→②； T=5； P(I;λ) = π 3 a 32 a 21 a 11 a 12 因为： 在给定状态序列I后，Q中的每个观测值都独立。（贝叶斯网络原理） 贝叶斯网络 所以： P(Q|I;λ)可以用联乘的方式表示 (独立可以使用联合概率) I = ③→②→①→①→② Q=白→黑→白→白→黑 P(Q|I;λ) = b 3白 b 2黑 b 1白 b 1白 b 2黑 P(Q,I;λ) = P(Q|I;λ) × P(I;λ) = b 3白 b 2黑 b 1白 b 1白 b 2黑 × π 3 a 32 a 21 a 11 a 12 若： I 1 = ③→②→①→①→② I 2 = ①→②→③→①→② ... I T = ②→②→①→③→② 都能得出： Q = 白→黑→白→白→黑 因为我所有的盒子都能取出黑球和白球，所以T的值=3 5 ; ∑P(Q,I;λ) 计算的是 I 1 ~ I T 这些状态序列情况下，求出的P(Q,I;λ)的和。 前向 和 后向 算法是运用某种递归(递推)的方式，帮助我们尽快得求解最终结果。 解析: 如果 t 这一时刻观察到的状态是 q t = 雨天；其中y={干，湿，湿... 湿}共t个状态。 先不考虑λ。 α t 是 1时刻~t时刻 所有观测值y1，y2，...yt ，qt 出现的联合概率。 β t 是 t+1时刻~T时刻 所有观测值y t+1 ，y t+2 ，...y T 出现的联合概率。 前向概率-后向概率 指的其实是在一个观测序列中，时刻t对应的状态为si的概率值转换过来的信息。 分析2~3步的推导： 因为q 1 ~ q t 这些条件对 q t+1 ~ q T 的产生没有影响 (理由：贝叶斯网络)，所以这些条件可以去掉。 定义：给定λ，定义到时刻t部分观测序列为q1,q2,...,qt且状态为si的概率为 前向概率 。 记做： 在给定参数π、A、B的时候，得到观测序列为“白黑白白黑”的概率是多少? 定义：给定λ，定义到时刻t状态为si的前提下，从t+1到T部分观测序列为qt+1,qt+2,...,qT的概率为 后向概率 。 记做： 分析上面的公式： 如果一共只有t个时间点，t+1的时刻不存在。那么t+1以后发生的是必然事件。 所以 β t (i) = P(q t+1 ，q t+2 ，...，q T ) = 1; 如果实在不理解也没关系，我们姑且认为认为定义了一个初始值，即 β T (i) = 1 ； 从T-1时刻，倒推到1时刻。 首先，β t+1 (j)是什么？是t+1时刻，在状态sj的前提下，下图中圈起来这部分的联合概率。 β t (j)是什么？是t时刻，在状态sj的前提下，下图中圈起来这部分的联合概率。 求给定模型λ和观测序列Q的情况下，在时刻t处于状态si的概率，记做： 单个状态概率的意义主要是用于判断在每个时刻最可能存在的状态，从而可以得到一个状态序列作为最终的预测结果。 求给定模型λ和观测序列Q的情况下，在时刻t处于状态si并时刻t+1处于状态sj概率，记做： 03 隐马尔可夫模型 - HMM的三个问题 - 学习问题

去秋叶原看看，那里是动漫迷的天堂

H.Koyi（The Hans Ramberg Tectonic Laboratory,Institute of Earth Sciences,Uppsala University,Uppsala,Sweden）摘要　次生（构造）压实作用中的面积（体积）损失可以由分析刚性基底上系列砂模型剖面来计算。面积均衡作用表明：模拟楔在变形中构造压实缩减50%时，面积损失为17%。在变形过程中，楔体并未经历均一的压实作用；相反，增生的压实作用是向前陆方向（楔体顶部），而累积的压实作用却向腹地方向（楔体后部）增加。大部分面积损失发生在最年轻的叠瓦构造内。在叠瓦构造形成的两个阶段之间，增生楔模型面积损耗为3.9%，其中3%是在其顶部最年轻的叠瓦片内。利用三种不同深度的层（顶部、中部和底部）可以确定和对比增生模型楔中不同地层界面的三种应力组成（平行增厚、褶皱和叠瓦三部分）。浅层顶部层叠瓦和褶皱缩减37%，平行增厚只有17%；而对于较深的底层，叠瓦和褶皱收缩13.6%，平行增厚为41%。中层的数据介于两者之间。这些结果表明韧性变形主要发生在深部。自然增生楔其面积损失和平行增厚是由空隙度的次生（构造）缩减、矿物的压溶及组构的发育而形成的。关键词　后期压实　面积损失　砂模型　不同程度的缩短1　引言许多地质工作者利用砂模型来研究增生楔的各个不同方面[5,3,7,13,11,1,10,9,6]。Daris等[5]和Dahlen等[2]对增生楔动力学进行了综合研究并将其与推土机前的雪及砂的变形做对比。在早期的一篇文章中[9],Koyi（1995）曾讨论过典型增生楔不同方面的内部变形，后来另有文章阐明了砂模型增生柱内面积损失和穿透应力的意义。研究表明面积的均衡作用不能将模型剖面复原至初始状态，而且长度的均衡也不能使位于不同深度的两个地层恢复其不同的初始长度，这使总缩短数有不同程度的变化。2　模型的描述和变形由被动成层的疏松砂组成的砂模型在一端缩减47%（图1）。该模型为颜色均一的砂，厚度均为5mm[12]。剖面连续地用真空清洁器侵蚀，在变形过程中，每缩短15%，拍照一次。利用这种方法能够揭示叠瓦片（席）的三维几何形态，并能利用小粒径的砂和厚为0.2mm的砂层详细地计算应力。在砂模型变形中将制备的系列剖面进行连续拍摄，用来计算砂模型的面积损耗和穿透应力。疏松砂具有较低的摩擦性，且具有库仑静电现象，是模拟上部脆性地壳岩石变形的合适材料。这种研究方法是二维的，假定沿y轴走向不产生运动，因为垂直于搬运方向的运动相对于平行于搬运方向的运动要小得多。在实验方法中，有意识地忽略了侵蚀、位移和由于相变造成的物质不均一性，以及楔体空隙中流体比率的时间差异、沿滑脱面产生的摩擦变化等复杂的附加因素。这里所描述的砂模型是在水平面和坚硬基底之上产生的变形，因而不能用来解释自然滑脱倾斜或不规则类型的、详细的砂模型变形，以及剖面分析，见图1[9]。图1　缩短量为40%的砂模型照片相片显示了7个叠瓦片。其中的数字表示叠瓦形成的序列。箭头表示缩短方向3　面积损耗和应变划分3.1　步骤图2　缩短量为44%的模型剖面草图为了定量计算应力的三个分量（组成），即计算层的平行加厚量、褶皱量和叠置量，对顶层、中间层和底层进行张度均衡。注意：顶层主要为褶皱和叠瓦变形，而底层主要为平行加厚变形在变形模型的最后阶段的剖面中，层长度均衡作用于三个不同平面的地层（图2）。层长度的均衡作用可用来区分三种应力所占的变形量。这三种应力组成包括层的平行加厚、尖顶褶皱和叠瓦。我们需要测定每个变形层的长度并将之加在一起。因此将位移的部分加在一起，并将之展开，叠瓦和褶皱量即可估算出来（图2）。即将这种“复原”长度与变形长度相比较，来计算叠瓦和褶皱造成的缩减（短）量（图2）。然后，将“复原”长度与砂模型初始（未变形）长度对比，可计算出层的平行加厚的缩减量。为了计算变形过程中砂模型面积（体积）的损耗量，砂模型楔体面积可在叠瓦构造形成的两个阶段之间度量。换句话说，楔体面积在其刚形成时或新的叠瓦经过全部变形后（这种情况下如第4号叠瓦，图2）测定。在同一时间段，特定的叠瓦（第4号）面积也是在一定的时间内将楔体内面积的损失与相同时间内变形的叠瓦量进行比较得出的。只要在模型的顶部另一个叠瓦形成，则其面积损失视为无效。3.2　讨论图3　楔体面积（a）和叠瓦面积（b）与缩短量之间的关系缩短38%时，楔体约损失掉初始面积的4%。在同一阶段，叠瓦损失掉初始长度的10.5%，相当于楔体总面积的3%。这表明，楔体内面积损失的大部分发生在顶部最晚形成的叠瓦内为了计算模型变形随深度的变化量，将径向应力分解到位于不同地层位置的三个层面上（顶部、中部和底部）。早些时候，Koyi[9]记述了在较深部位增生楔主要是层的平行加厚，而叠瓦类在较浅部位占主导。现在的分析表明，浅层能恢复到其初始长度的83%（图2），其余17%不能恢复，其在变形中由层的平行增厚所损耗。后一种应力分量在模型中是可恢复的，因为其初始规模是已知的。但在自然界，由于初始阶段没有很好的记录，故难以恢复随深度增加平行增厚的数量。深层只能恢复其初始长度的59%，其他整个未恢复的41%的长度由平行增厚所损耗。这种对比不仅表明增生楔内的变形方式随深度而变化，而且在自然剖面的增生楔内，不同岩层的层长度均衡作用会产生不同程度的缩减，因为较深的岩层比较浅的岩层更难恢复至初始长度，而且会造成更大比例的体积缩减。因此，要确定自然界实际的体积缩减，应在不同地层部位的岩层上进行层的长度均衡实验。在模型变形开始，体积缩减由穿透应力造成，并使未变形的砂层增厚。随着缩减的继续，发生岩层的尖顶化。Mulugeta和Koyi[12]展示了增生楔的体积损失相对于楔体幕式生长的每一幕。这里变形的任一阶段面积（体积）损失不是恒定的，而是随深度和侧向而变化的。在早期剖面中，应力的深度变化间接地反映了面积损失随深度的变化，做了一定的解释。在这个剖面中，楔体的侧向面积损失变化被记录下来。正如在NanKai的增生柱所推测的那样[8]，在该柱体顶端的软沉积物缩减较为广泛，不仅能适应沿叠瓦逆冲带和剪切带所产生的位移，而且模型楔内活跃的顶部代表着楔体所经历的大部分穿透应力。叠瓦变形两个阶段之间的楔体面积均衡作用表明，楔体内总面积损失的76%产生于最年轻的顶部叠瓦之中（图3）。在变形同期，整个楔体损失只占其面积的3.9%，其中3%由最年轻的叠瓦所占据，这种叠瓦片在变形同期损失了其初始面积的10.5%（图3）。这些结果证明，在楔体顶部新增生的物质经历了第二次构造压实，而在楔体的后部，含有较老的叠瓦片，已被强烈地压实，随着变形的加剧，已不能容纳更多的构造压实。总之，累积的压实作用在楔体的后部最高，而增生的压实作用在顶部最高。换句话说，随着楔体的生长，增生的压实作用集中在模型顶部新增物质中，楔体后部相对转变为坚硬的块体。在楔体顶部增生物质时无需很大的应力。在基底斜坡或摩擦中同构造侵蚀或任何变化可以引起局部变形，从而改变这种情形。4　结论根据砂模型系列剖面分析表明：（1）如果不能计算出第三种应力分量即层平行缩减，层的长度均衡作用不能计算出缩减总量。（2）位置（指深度）不同的地层经历的应力是可变的，层的平行缩减在较深的地段占主导而叠瓦在浅部占主导。这些地层的层长度均衡作用缩减比例不同。（3）次生（构造）压实作用伴随着面积（体积）的损失，并集中在楔体顶部最年轻的叠瓦内。致谢　感谢David Gee和Ruud Weijermars对此手稿进行阅读和提出宝贵意见，感谢瑞典自然研究会（NFR）所给予的经费资助。（刘淑春、岳密娜译，李明路校）参考文献[1]B.Colletta,J.Letouzey,R.Pinedo,J.F.Ballard and P.Bale.Computerized X-ray tomography analysis of sandbox models:Examples of thin-skinned thrust systems.Geology,1991,19,1063～1067.[2]F.A.Dahlen,J.Suppe and D.M.Davis.Mechanics of fold and-thrust belts and accretionary wedges（continued）:Cohesive Coulomb Theory.J.Geophy.Res.,1984,89,10087～10101.[3]F.A.Dahlen.Noncohesive critical Coulomb wedges:and exact solution.J.Geophy.Res.,1984,89（10）,125～133.[4]C.D.A.Dahlstrom.Balanced cross sections.Can.J.Earth.Sci.,1969,6,743～747.[5]D.Davis,J.Suppe and F.A.Dahlen.Mechanics of fold-and-thrust belts and accretionary wedges.Jour.Geophy.Res.,1983,88,1153～1172.[6]M.A.Gatscher,N.Kukowiski,J.Malavieille and S.Lallemand.Cyclical behaviour of thrust wedges:Insight from basal friction sandbox experiments.Geology,1996,24,135～138.[7]D.E.Karig.Physical properties and mechanical state of accreted sediments in the Nankai Trough,Southwest Japan Arc.Geol.Soc.Am.Memoir,1986,166,117～133.[8]D.E.Karig and N.Lundberg.Deformation bands from the toe of the Nankai Accretionary prism.J.Geophy.Res.,1990,95（B6）,9099～9109.[9]H.Koyi.Mode of intemal deformation in sand wedges.Journal of Structural Geology,1995,17,293～300.[10]Liu H.,K.R.McClay and D.Powell.Physical models of thrust wedges.In:Thrust Tectonics（edited by Mc-Clay,K.R.）,1991,71～81.[11]G.Mulugeta,and H.Koyi.Three-dimensional geometry and kinematics of experimental piggyback thrusting.Geology,1987,15,1052～1056.[12]G.Mulugeta and H.Koyi.Episodic accretion and strain partitioning in a model sand wedge.Tectonophysics,1992,202,319～333.[13]Zhao W.L.,D.M.Davis F.A.Dahlen and J.Suppe.Origin of convex accretionary wedges:evidence from Barbados,J.Geophys.Res.,1986,91,10246～10258.

Autodesk3DSMax是一款经典的3d动画设计软件，适用于游戏、视频效果等行业。它可以创造宏伟的游戏世界，布局令人惊叹的场景设计可视化，并创造身临其境的虚拟现实体验。但其实3dmax除了是一个专业的三维动画设计软件之外，还是一个专业的家具建模软件，不少室内外设计师都在使用3dmax进行建模设计。而今天，我们就来为大家分享3dmax相关操作教程。还有，在上，你还可以学习到245套的3damx精品视频高清视频，新手、进阶、掌握各个阶段，全程带你学习掌握~更多相关3Dmax高清视频课程精彩推荐（1）3dmax2020效果图VRay渲染PS后期全景教程（2）3Dmax零基础室内设计系统化建模教程（3）3Dmax2020全套完整教程（4）3DMax2022游戏建模入门教程3dmax制作一个酒坛子步骤：一、绘制实体1、启动3dmax9.0，点击“创建”命令面板中的“图形”按钮，在其创建面板中单击“线”按钮，在前视图中拖动鼠标绘制一线条Line01。2、点击“修改”命令面板，打开“Line”的下级项选择“顶点”。右键线条的每一个顶点，将其定义为bezier后分别用“选择并移动”工具进行调整，使其外形如图2所示。3、点击“样条线”项，单击“几何体”卷展栏中的“轮廓”按钮，点击视图中的线条然后向左移动，产生坛子的厚度轮廓线。小提示：点回“顶点”项，再次对轮廓线进行调整，可以删掉多余的点，使得线型更加的流畅简洁。过程中可以结合着“几何体”卷展栏中的功能按钮进行修改，比如“圆角”可以使尖锐的两线段变为倒角。4、调整好顶点后点击“修改器列表”中的“车削”项，点击“参数”卷栅栏中的“Y”，对齐项选择最小，完成坛子实体构建。小提示：此时如果对于车削后的实体感觉不太满意，可以回到“line顶点”项上进行调整。另外，修改“参数”栏下的“分段”值为33，使得坛子看上去平滑效果更好。5、点击“创建”命令面板中的“图形”按钮，进入其创建面板，点击“矩形”按钮，在顶部视图中绘制一长方形，修改长宽尺寸为70，并点击“修改器列表”下拉框中的“garmentmaker”项，为它产生一个布料模型。小提示：产生的这种布料效果由许多的三角形相接而成，同时更改它的“主要参数”栏下的“密度”值，值越大最终渲染出的布料效果也越细腻真实。6、单击工具栏上的“对齐”按钮，将二者进行X、Y轴上的中心对齐，调整Rectangle01到坛子顶部。7、选中Rectangle01，单击“修改器列表”下拉框中的“cloth”项，打开“对象”卷展栏，单击“对象属性”按钮，为其配备丝绸效果，并添加另一冲突对象Line01，修改冲突属性。8、点击“创建”命令面板中的“几何体”按钮，进入其创建面板，点击“圆环”按钮，在顶视图中绘制一圆环Torus01，调整其尺寸，并和坛子进行X、Y轴上的中心对齐。二、动画制作1、为场景设置一个丝绸落下，圆环由大变小扎紧坛口的动画效果。发现在第20帧的时候，丝绸的下落基本完成。单击动画控制区的“设置关键点”按钮，在第25帧按下“设置关键点”按钮，同时在第80帧处用“选择并均匀缩放”按钮将圆环缩放到扎紧坛口状态，按下“设置关键点”按钮，最后关闭“设置关键点”。如图9所示。2、选中Rectangle01，打开“修改”命令面板中的“cloth”项，单击“对象”栏下的“对象属性”按钮，添加冲突对象Torus01。3、点击“对象”卷展栏中的“模拟”按钮可以观看动画效果，先是丝绸缓缓落下，接着是圆环逐步缩小直到扎紧坛口。三、材质配置1、点击工具栏上的“材质编辑器”按钮，打开其面板，选择第一个样球，调整环境光的颜色设置及反射高光值。2、将第一个样球材质赋予酒坛。3、选中第二个样球，调整环境光颜色、反射高光等值，并将它赋予丝绸。4、选中第三个样球，在“明暗器基本参数”卷展栏中设为“金属”，调整环境光、反射高光等值，将它赋予圆环。5、为场景中增添一平面作为桌子、一盏目标聚光灯、天光，调整聚光灯的阴影为区域阴影，降低阴影值，最终渲染的效果如图好了，“3dmax怎么制作一个酒坛子？酒坛子模型怎么建模？”精彩图文分享就到这里结束了，希望大家能够从以上的分享中有所收获！其实，学习3dmax，如果单单靠网上的图文教程学习的话，是很难掌握其精髓的。学习3dmax还是需要专业的老师指导。点击链接：

blender 可以，哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦哦海鲜字数

针对给定变量集x={x...},线性模型，试图运用一组常量值w={w...}，来构造一个函数方程，即： 写成向量形式为： 线性模型形式简单，已于建模，但是其蕴涵着机器学习中的一些重要基本思想，许多非线性结构引入到或映射到高维，可以转换为线性模型处理。而且，其对于不同变量的影响，可以直观的看出； 令：（其中n=d,m=n，X11、XM1均为1） 化简即得： 但是，现实生活中 往往不是满秩矩阵，这个便引入了正则化项（regularization） 对于线性回归，使用最小二乘法的一个实例： 先给定一组数据，为某产品x与y之间的对应关系； 建立一元n次模型： 程序如下： 拟合结果如下： ①、n=1: ②、n=2 和n=3：拟合较好 ③、n=6：过度拟合 原理如下：1、Feature scaling，数据正则化 不同的特征量由于单位不同，可能在数值上相差较大，Feature Scaling可以<b>去量纲</b>，减少梯度下降法的迭代次数，提高速度，所以在算法执行前通常需要Feature Scaling。直观上来说，考虑两个特征量，规范化前的椭圆很瘪，可能导致收敛的路径变长，数据规范化后使得椭圆较均匀，缩短收敛路径，如下： 2、Features and polynomial regression，合并特征量 比如，房子受面积影响较大，那么面积又有深度、长度、宽度等决定，则可以将3者统一为一个变量； 拟合结果如下： Logistic回归与多重线性回归实际上有很多相同之处，最大的区别就在于它们的因变量不同，其他的基本都差不多。正是因为如此，这两种回归可以归入一类，即广义线性模型（generalizedlinear model）。 此类回归的模型形式基本上都差不多，跟进因变量的不同可以有如下划分： 1.如果是连续的，就是多重线性回归； 2.如果是二项分布，就是Logistic回归； 3.如果是Poisson分布，就是Poisson回归； 4.如果是负二项分布，就是负二项回归。 Logistic回归的因变量可以是二分类的，也可以是多分类的，但是二分类的更为常用，也更加容易解释。所以实际中最常用的就是二分类的Logistic回归。 一般步骤为：

线性回归模型原理如下：1、基本形式：线性模型（linear model）试图学得一个通过属性的线性组合来进行预测的函数。w和b学得之后，模型就得以确定。w直观表达了各属性在预测中的重要性。2、线性回归：提出假设，给定数据集其中：“线性回归”（linear regression）试图学得一个线性模型以尽可能准确地预测实值输出标记。线性回归可以被看做是样本点的最佳拟合直线。这条最佳拟合线也被称为回归线（regression line），回归线与样本点之间的垂直连线即所谓的偏移（offset）或残差（residual）——预测的误差。在只有一个解释变量的特殊情况下，线性回归也称为简单线性回归（simple linear regression）当然，我们可以将线性回归模型扩展为多个解释变量。此时，即为所谓的多元线性回归（multiple linear regression）。如下图所示即为二元线性回归，一个回归平面来拟合样本点。基于最小二乘法构建线性回归模型：设计代价函数：通过最小二乘法，基于均方误差最小化来求解回归曲线的参数，使得回归曲线到样本点垂直距离（残差或误差）的平方和最小。代价函数为：代价函数最小化求解：需要求解代价函数最小时的w和b的值。

实际上B-S模型中的N(d1)和N(d2)实际上指的是正态分布下的置信值，d1={ln(S/X)+[r+(σ^2)/2]*(T-t)}/[σ*(T-t)^0.5]，d2=d1-σ*(T-t)^0.5。利用相关数据先计算出d1和d2的值，然后利用正态分布表，找出对应的d1和d2所对应的置信值。

Black-Scholes（BS）模型是用于计算欧式期权价格的一种数学模型。它基于一些假设，包括市场是有效的、资产价格服从几何布朗运动、无套利机会等。BS模型的期权定价公式如下：C = S * N(d1) - X * e^(-r * T) * N(d2)P = X * e^(-r * T) * N(-d2) - S * N(-d1)其中，C 表示看涨期权的价格，P 表示看跌期权的价格，S 表示标的资产的当前价格，X 表示期权的行权价，r 表示无风险利率，T 表示期权的剩余期限（年数），N(d1) 和 N(d2) 分别表示标准正态分布函数中对应的值。公式中的 d1 和 d2 计算如下：d1 = (ln(S / X) + (r + 0.5 * σ^2) * T) / (σ * sqrt(T))d2 = d1 - σ * sqrt(T)其中，ln 表示自然对数，σ 表示标的资产的波动率。需要注意的是，BS模型是基于一些假设和前提条件的，实际市场中可能存在偏离这些假设的情况。此外，BS模型对于欧式期权适用，对于其他类型的期权可能需要使用其他定价模型。在使用BS模型计算期权价格时，需要输入标的资产价格、行权价、无风险利率、剩余期限和波动率等参数。同时，该模型只是对期权价格的一个估计，实际的市场价格可能会受到供需关系、市场情绪和其他因素的影响。因此，在实际应用中，投资者应该结合市场情况和其他分析工具，进行综合评估和决策。

第一题有公式吧，用excel sovler （尤其是第二问）或金融计算器算第二题也好说，delta, gamma和vega都有自己的公式，用b-s那几个步骤算出N(d1),N"(d1)然后带入以上的公式。组合投资那个翻译的应该有些问题，卖一个Call,买两个put。如果call和put的执行价是一样的话，会形成一条直线，也就是说模拟除了一个short position的underlying. 如果执行价不一样，中间会有段水平的断层。找出公式，一步一步的算，建议用excel,实在不成就把原题贴上来

Black-Scholes期权定价模型（Black- Scholes Option Pricing Model），布莱克-肖尔斯期权定价模型 1997年10月10日，第二十九届 诺贝尔经济学奖 授予了两位美 国学者， 哈佛商学院 教授 罗伯特·默顿 (RoBert Merton)和 斯坦福大学 教授 迈伦·斯克尔斯 (Myron Scholes)。他们创立和发展的布莱克—— 斯克尔斯期权定价模型(Black Scholes Option Pricing Model)为包括 股票 、 债券 、货币、商品在内的新兴衍生 金融市 场的各种以市价价格变动定价的衍生金融工具的合理定价奠定了基础 。

EXCEL中，用NORM.S.DIST (z,cumulative)函数，或者NORMSDIST（）函数，就可以进行运算了。

B-S-M模型只解决了不分红股票的期权定价问题，默顿发展了B-S模型，使其亦运用于支付红利的股票期权。(一)存在已知的不连续红利假设某股票在期权有效期内某时间T(即除息日)支付已知红利DT，只需将该红利现值从股票现价S中除去，将调整后的股票价值S′代入B-S模型中即可:S′=S-DT·E-rT。如果在有效期内存在其它所得，依该法一一减去。从而将B-S模型变型得新公式:C=(S-·E-γT·N(D1)-L·E-γT·N(D2)(二)存在连续红利支付是指某股票以一已知分红率(设为δ)支付不间断连续红利，假如某公司股票年分红率δ为0.04，该股票现值为164，从而该年可望得红利164×004=　6.56。值得注意的是，该红利并非分4季支付每季164；事实上，它是随美元的极小单位连续不断的再投资而自然增长的，一年累积成为6.56。因为股价在全年是不断波动的，实际红利也是变化的，但分红率是固定的。因此，该模型并不要求红利已知或固定，它只要求红利按股票价格的支付比例固定。在此红利现值为:S(1-E-δT)，所以S′=S·E-δT，以S′代S，得存在连续红利支付的期权定价公式:C=S·E-δT·N(D1)-L·E-γT·N(D2)

任何一个模型都是基于一定的市场假设的，Black-Scholes模型模型的基本假设有以下几点：（1）无风险利率r是已知的，为一个常数，不随时间的变化而改变（2）标的证券为股票，正股价格S的变化符合随机漫步，但这种随机漫步能够使股票的回报率成对数正态分布。（3）标的股票不分红（4）期权为欧式期权，即到期日才能行权（5）整个交易过程中，不存在交易费用，没有印花税（6）对卖空没有如保证金等任何限制，投资者可自由使用卖空所得资金在我国，当标的证券分红除息时，权证的行权价格也做相应的除息调整，因此不需要标的证券不分红的假设。

　　Black-Scholes-Merton期权定价模型（Black-Scholes-Merton Option Pricing Model），即布莱克—斯克尔斯期权定价模型。　　B-S-M定价公式　　C=S·N(d1)-X·exp(-r·T)·N(d2)　　其中:　　d1=[ln(S/X)+(r+σ^2/2)T]/(σ√T)　　d2=d1-σ·√T　　C—期权初始合理价格　　X—期权执行价格　　S—所交易金融资产现价　　T—期权有效期　　r—连续复利计无风险利率　　σ—股票连续复利（对数）回报率的年度波动率（标准差）　　N(d1)，N(d2）—正态分布变量的累积概率分布函数，在此应当说明两点：　　第一，该模型中无风险利率必须是连续复利形式。一个简单的或不连续的无风险利率(设为r0)一般是一年计息一次，而r要求为连续复利利率。r0必须转化为r方能代入上式计算。两者换算关系为：r=LN(1+r0)或r0=exp(r)-1例如r0=0.06，则r=LN(1+0.06)=0.0583，即100以583%的连续复利投资第二年将获106，该结果与直接用r0=0.06计算的答案一致。　　第二，期权有效期T的相对数表示，即期权有效天数与一年365天的比值。如果期权有效期为100天，则T=100/365=0.274。

B-S-M模型假设1、股票价格随机波动并服从对数正态分布；2、在期权有效期内，无风险利率和股票资产期望收益变量和价格波动率是恒定的；3、市场无摩擦，即不存在税收和交易成本；4、股票资产在期权有效期内不支付红利及其它所得(该假设可以被放弃)；5、该期权是欧式期权，即在期权到期前不可实施；6、金融市场不存在无风险套利机会；7、金融资产的交易可以是连续进行的；8、可以运用全部的金融资产所得进行卖空操作。B-S-M定价公式C=S·N(d1)-X·exp(-r·T)·N(d2)其中:d1=[ln(S/X)+(r+0.5σ^2)T]/(σ√T)d2=d1-σ·√TC—期权初始合理价格X—期权执行价格S—所交易金融资产现价T—期权有效期r—连续复利计无风险利率σ—股票连续复利（对数）回报率的年度波动率（标准差）N(d1)，N(d2）—正态分布变量的累积概率分布函数，在此应当说明两点：第一，该模型中无风险利率必须是连续复利形式。一个简单的或不连续的无风险利率(设为r0)一般是一年计息一次，而r要求为连续复利利率。r0必须转化为r方能代入上式计算。两者换算关系为：r=LN(1+r0)或r0=exp(r)-1例如r0=0.06，则r=LN(1+0.06)=0.0583，即100以5.83%的连续复利投资第二年将获106，该结果与直接用r0=0.06计算的答案一致。第二，期权有效期T的相对数表示，即期权有效天数与一年365天的比值。如果期权有效期为100天，则T=100/365=0.274。

【答案】：AAX表示权证的执行价格，即行权价格。S表示计算时标的股票的价格；r表示无风险利率；N（d1）表示累积正态分布概率；t表示权证的存续期限（以年为单位）。

可以为负数。 从数学的角度来看，公式里的N(d1)，也就是delta，是正态分布的累计概率分布函数。我们知道看涨期权的delta可以取到(0,1)之间的任何值，所以d1可以取到实数轴上的任意值。 例如，一个OTM的看涨期权，它的delta小于0.5，也就是N(d1)...

负数数角度看公式N(d1)delta态布累计概率布函数我知道看涨期权delta取(0,1)间任何值所d1取实数轴任意值例OTM看涨期权delta于0.5N(d1)于0.5于态布累计概率布函数f(x)说x于零f(x)才于0.5d2d1减数d1本身负数d2定负数d1d2都负数

【答案】：DBlack-Schole模型中总共涉及5个参数，股票的初始价格、执行价格，无风收益率，执行期限和股价的波动率。

我建议你看看公司价值定价方法，里面有一个实物期权定价法，你看看。我在这里也就不给你贴了，没意思

布莱克-舒尔斯模型（Black-Scholes Model），简称BS模型，是一种为期权或权证等金融衍生工具定价的数学模型，由美国经济学家麦伦·休斯（Myron Scholes）与费雪·布莱克（Fischer Black）首先提出，并由罗伯特·墨顿（Robert C. Merton）完善。该模型就是以麦伦·休斯和费雪·布莱克命名的。1997年麦伦·休斯和罗伯特·墨顿凭借该模型获得诺贝尔经济学奖。然而它假设价格的变动，会符合高斯分布（即俗称的钟形曲线），但在财务市场上经常出现符合统计学肥尾现象的事件，这影响此公式的有效性。B-S模型5个重要假设金融资产价格服从对数正态分布，而金融资产收益率服从正态分布；在期权有效期内，无风险利率和金融资产收益变量是恒定的；市场无摩擦，即不存在税收和交易成本；金融资产在期权有效期内无红利及其它所得（该假设后被放弃）；该期权是欧式期权，即在期权到期前不可实施。模型其中：Ln：自然对数；C：期权初始合理价格；L：期权交割价格；S：所交易金融资产现价；T：期权有效期；r：连续复利计无风险利率H；：年度化方差；N()：正态分布变量的累积概率分布函数。

Black-Scholes-Merton期权定价模型(Black-Scholes-Merton Option Pricing Model)，即布莱克-斯克尔斯期权定价模型。1997年10月10日，第二十九届诺贝尔经济学奖授予了两位美国学者，哈佛商学院教授罗伯特·默顿(Robert Merton)和斯坦福大学教授迈伦·斯克尔斯(Myron Scholes)，同时肯定了布莱克的杰出贡献。斯克尔斯与他的同事、已故数学家费雪·布莱克(Fischer Black)在70年代初合作研究出了一个期权定价的复杂公式。与此同时，默顿也发现了同样的公式及许多其它有关期权的有用结论。默顿扩展了原模型的内涵，使之同样运用于许多其它形式的金融交易。

BS模型的全称Black-Scholes期权定价模型。该模型是由费希尔·布莱克（Fisher Black）和默顿·斯库尔斯（Myron Scholes）在1973年提出的，用于计算欧式期权价格。Black-Scholes模型假设：期权价格的波动率是恒定不变的；期权价格的收益率是连续的，且符合随机游走过程；期权到期日前，期权价格的收益率与标的资产的价格收益率之间存在一定的相关性。Black-Scholes期权定价模型的数学公式为：C = SN(d1) - Ke(-rt)N(d2)P = Ke(-rt)N(-d2) - SN(-d1)其中：C表示欧式看涨期权价格；P表示欧式看跌期权价格；S表示标的资产的现价；K表示期权的行权价；t表示期权到期时间；r表示无风险利率；d1和d2是根据上述假设计算出来的中间变量，具体公式为：d1 = (ln(S/K) + (r + σ^2/2)t) / (σ√t)d2 = d1 - σ√t其中，σ表示标的资产的波动率，N表示标准正态分布的累积分布函数。Black-Scholes模型是基于一系列假设和前提条件建立的，实际情况可能存在偏差。因此，在使用该模型进行期权定价时，需要对实际情况进行合理的调整和修正。

Black-Scholes-Merton期权定价模型（Black-Scholes-Merton Option Pricing Model），即布莱克—斯克尔斯-默顿期权定价模型。1997年10月10日，第二十九届诺贝尔经济学奖授予了两位美国学者，哈佛商学院教授罗伯特·默顿（Robert Merton）和斯坦福大学教授迈伦·斯克尔斯（Myron Scholes），同时肯定了布莱克的杰出贡献。他们创立和发展的布莱克—斯克尔斯期权定价模型（Black-Scholes Option Pricing Model）为包括股票、债券、货币、商品在内的新兴衍生金融市场的各种以市价价格变动定价的衍生金融工具的合理定价奠定了基础。斯克尔斯与他的同事、已故数学家费雪·布莱克（Fischer Black）在70年代初合作研究出了一个期权定价的复杂公式。与此同时，默顿也发现了同样的公式及许多其它有关期权的有用结论。结果，两篇论文几乎同时在不同刊物上发表。然而，默顿最初并没有获得与另外两人同样的威信，布莱克和斯科尔斯的名字却永远和模型联系在了一起。所以，布莱克—斯克尔斯定价模型亦可称为布莱克—斯克尔斯—默顿定价模型。默顿扩展了原模型的内涵，使之同样运用于许多其它形式的金融交易。瑞典皇家科学协会（The Royal Swedish Academyof Sciencese）赞誉他们在期权定价方面的研究成果是今后25年经济科学中的最杰出贡献。

一个广为使用的期权定价模型，获Nobel Prize。由BlackScholoes和Melton提出的。具体证明我就不写了你可以去看原始Paper。简单说一下：首先，股价随机过程是马氏链（弱式有效）假设股价收益率服从维纳过程（布朗运动的数学模型）则衍生品价格为股价的函数。由ito引理可知衍生品价格服从Ito过程（飘移率和方差率是股价的函数）第二：通过买入和卖空一定数量的衍生证券和标的证券，Blacksholes发现可以建立一个无风险组合。根据有效市场中无风险组合只获得无风险利率。从而得到一个重要的方程： Black-Scholes微分方程。第三：根据期权或任何衍生品的条约可列出边界条件。带入微分方程可得定价公式大概是这个过程，不过这是学校里学的，工作以后Bloomberg终端上会自动帮你计算的。如果OTC结构化产品定价的话，会更熟悉各种边界条件带入微分方程。不止是简单得Call和Put。另外你可以理解BSM模型为二叉树模型的极限形式（无限阶段二叉树）

lip的意思是嘴唇。嘴唇，是人脸部重要的一部分，人类的嘴唇有：保护口腔、吃东西、接吻等功能。嘴部的美观，直接由嘴唇来体现，因此，我们一定要保护好我们的嘴唇。美丽的嘴唇，可以体现一个女人的美丽，性感，成熟，高贵。也可以表现一个男人的英俊，帅气和洒脱。保护好我们的嘴唇十分重要。唇部不宜经常做去死皮的护理。因为唇部本身缺乏保护层，易受到伤害。当唇部出现干裂时，可先用热毛巾敷3～5分钟，然后用柔软的刷子（用热水泡过的牙刷也可）轻轻刷掉唇上的死皮，之后抹上护唇霜。最好不要立即抹口红，否则会伤害唇部柔嫩的皮肤。日常化妆时，如觉得唇部太干，可用热水浸过的毛巾敷在唇上3～5分钟，再用口红，会显得非常柔润亮泽。唇部也有自己的按摩方法：用食指和大拇指捏住上唇，食指不动，轻动大拇指按摩上唇；再用食指和拇指捏信下唇，大拇指不动，轻动食指按摩下唇。然后，再以上述相反方向有节奏地按摩上下唇，反复数次。这样可消除或养活嘴唇横向皱纹。两手中指从嘴唇中心部位向两侧嘴角揉磨使嘴唇皮肤有被拉长的感觉，先上唇，再下唇，可反复几次。这样可消除或减少嘴角纵向皱纹。在没有护唇霜的时候，如遇干燥天气，可用眼霜来应急。元音字母i在重读闭音节里发短元音/u026a/的音，发音时，舌端靠近下齿，舌前部抬高，舌位中高，不接触上颚，没有摩擦，牙床半合，唇形扁平，这个音出现在字首、字中、字尾位置，如：lick 舔six 六bib 围嘴儿pig 猪pin 别针kiss 亲吻ink 墨水hill 丘陵希望我能帮助你解疑释惑。

Fasttext 模型架构和 Word2vec 的 CBOW 模型架构非常相似，下面就是 FastText 模型的架构图： 与传统图像的CNN网络相比, TextCNN 在网络结构上没有任何变化, 从下图可以看出 TextCNN 其实只有一层 convolution ，一层 max-pooling , 最后将输出外接 softmax 来 n分类 一般取 前向/反向LSTM 在最后一个时间步长上隐藏状态，然后进行拼接，在经过一个 softmax 层进行一个多分类；或者取 前向/反向LSTM 在每一个时间步长上的隐藏状态，对每一个时间步长上的两个隐藏状态进行 拼接concat ，然后对所有时间步长上拼接后的隐藏状态取均值，再经过一个 softmax层 进行一个多分类 与 TextCNN 比较类似，都是把文本表示为一个嵌入矩阵，再进行卷积操作。不同的是 TextCNN 中的文本嵌入矩阵每一行只是文本中一个词的向量表示，而在 RCNN 中，文本嵌入矩阵的每一行是当前词的词向量以及上下文嵌入表示的拼接 相对于以前的文本分类中的 BiLSTM 模型， BiLSTM+Attention 模型的主要区别是在 BiLSTM 层之后，全连接 softmax 分类层之前接入了一个叫做 Attention Layer 的结构 第一层采用 text region embedding ，其实就是对一个 n-gram 文本块进行卷积，得到的 feature maps 作为该文本块的 embedding 。然后是 convolution blocks 的堆叠，就是两个卷积层与 shortcut 的组合。 convolution blocks 中间采用 max-pooling ，设置步长为2以进行负采样。最后一个 pooling层 将每个文档的数据整合成一个向量 NLP新人，欢迎大家一起交流，互相学习，共同成长~~

整个Transformer模型由Encoder和Decoder两部分组成。Encoder负责对输入数据的编码，而Decoder负责对编码后的数据进行解码。 Encoder由N个结构相同，参数不共享的模块组成，每个模块又由多头自注意力层和全连接层组成，其中多头自注意力层和全连接层都加上了残差连接和layer normalization。 Decoder与Encoder结构类似，相比于Encoder，Decoder部分多了一个 Multi-Head Attention ，第一个 Multi-Head Attention 采用Masked操作，第二个 Multi-Head Attention 的 K 和 V 使用Encoder的输出，而Q使用上一个Decoder block的输出。 Decoder的输出通过一个线性层和softmax输出下一个翻译单词的概率。 Encoder由N个结构相同，参数不共享的的Layer组成(论文中N=6)，也即图1左侧的单元，最左边有个“Nx”。 每个Layer由 Multi-Head Attention 和 Feed-Forward 两个sub_layer组成。其中每个sub_layer都加了残差连接(Residual Connect)和归一化(Normalization)操作。则每个sub_layer的输出可表示为： Muti-Head Attention从结构上来看就是通过h个不同的线性变换将输入 投影到h个不同的 组合，最后将h个不同的Attention结果拼接起来，最后经过一个Liner层得到Muti-Head Attention的输出。 其中， 、 Muti-Head Attention输出的维度是 关于Attention的详细介绍，可以参考之前文档： Feed Forward也称Position-wise feed-forward networks，该层主要提供非线性变换。之所以是position-wise是因为过线性层时每个位置i的变换参数是一样的。 该层比较简单，是一个两层的全连接层，第一层的激活函数为 Relu，第二层不使用激活函数，对应公式为： 问 ：Attention输出之后的结果会和 相乘来进行维度变换，那这里为什么又要增加一个2层的FFN网络呢？ 答 ：FFN网络的加入给模型增加了非线性(Relu激活函数)，增加了模型的表现能力。当然去掉FFN层也是可以的，只不过效果上会差些。 Decoder是图1的右半部分，与左半部分的Encoder类似，但又存在一些区别。 Decoder比Encoder多了一个Multi-Head Attention，第一个Multi-Head Attention采用Masked操作，因为在生成任务中，前面的词语是看不到后面词语的信息的，因此需要加入Masked来避免信息泄露。第二个Multi-Head Attention输入的 是根据Encoder的输出编码矩阵映射而来，而 是根据上一个Decoder的输出映射而来。 最后有一个 Softmax 层计算下一个翻译单词的概率。 模型在解码的过程中需要注意的是训练和预测不一样。 在训练时，解码是一次全部decode出来，用上一步的ground truth来预测（mask矩阵也会改动，让解码时看不到未来的token）； 而预测时，因为没有ground truth了，需要一个个预测。 上面简单介绍了 Encoder 和 Decoder 模块，下面简单介绍一下Transformer的Position Embedding。 引入Position Embedding主要是为了弥补Transformer模型对位置信息的不足，将Position Embedding与token Embedding相加后，即可保留各个token的位置信息。 论文作者提出了两种添加位置信息的的方法： 一种方法是直接用不同频率的正余弦函数直接计算各个token的位置id，公式如下： 另一种方法是直接学习出一个Position Embedding。 通过实验发现，两种方法结果差不多，最后作者选择了第一种方法。 Transformer 与 RNN 不同，可以比较好地并行训练。 Transformer 本身是不能利用单词的顺序信息的，因此需要在输入中添加位置 Embedding，否则 Transformer 就是一个词袋模型了。 Transformer 的重点是 Self-Attention 结构，其中用到的 Q, K, V矩阵通过输出进行线性变换得到。 Transformer 中 Multi-Head Attention 中有多个 Self-Attention，可以捕获单词之间多种维度上的相关系数 attention score。 Transformer 模型详解 (推荐) 【NLP】Transformer模型原理详解 【经典精读】Transformer模型深度解读

论文标题：BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding 论文链接： https://arxiv.org/abs/1810.04805 BERT（Bidirectional Encoder Representations from Transformers）通过预训练来学习无标注数据中的深度双向表示，预训练结束后通过添加一个额外的输出层进行微调，最终在多个NLP任务上实现了SOTA。 预训练语言模型在实践中证明对提高很多自然语言处理任务有效，其中包括句子层级的任务，比如自然语言推断（natural language inference）和复述（paraphrasing），还有token层级的任务，比如命名实体识别（named entity recognition）和问答（question answering）。 在下游任务中应用预训练语言模型表示的方法有两种：feature-based的方法和fine-tuning的方法。举例来说，ELMo这种预训练语言模型使用feature-based的方法，通过将ELMo的预训练的表示作为额外的特征输入到特定于任务的模型中去；GPT使用fine-tuning的方法，通过引入少量的特定于任务的参数，在下游任务中训练时所有的预训练参数。 截止BERT之前的预训练语言模型都是单向的（unidirectional），包括GPT和ELMo，这样的方法对句子层级的任务不是最优的，而且对于token层级的任务比如问答非常有害。BERT使用masked language model（MLM）的方法来预训练，这种方法能够训练一个双向的（directional）语言模型。除了masked language model的预训练的方法，BERT还使用了next sentence prediction的预训练方法。 BERT的使用分为两个阶段：预训练（pre-training）和微调（fine-tuning）。预训练阶段模型通过两种不同的预训练任务来训练无标注数据。微调阶段模型使用预训练参数初始化，然后使用下游任务（downstream task）的标注数据来微调参数。 BERT的一个显著特点是它在不同的任务上有统一的架构，使用时只需要在BERT后面接上下游任务的结构即可使用。 BERT的模型架构是一个多层双向的Transformer的encoder。我们标记模型的层数（每一层是一个Tranformer的block）为 ，模型的hidden size为 ，self-attention head的数量为 。两个比较通用的BERT架构为 和 。 对比GPT，BERT使用了双向self-attention架构，而GPT使用的是受限的self-attention， 即限制每个token只能attend到其左边的token。 BERT的输入表示能够是一个句子或者是一个句子对，这是为了让BERT能够应对各种不同的下游任务。BERT的输入是一个序列，该序列包含一个句子的token或者两个句子结合在一起的token。 具体地，我们会将输入的自然语言句子通过 WordPiece embeddings 来转化为token序列。这个token序列的开头要加上 [CLS] 这个特殊的token，最终输出的 [CLS] 这个token的embedding可以看做句子的embedding，可以使用这个embedding来做分类任务。 由于句子对被pack到了一起，因此我们需要在token序列中区分它们，具体需要两种方式： ①在token序列中两个句子的token之间添加 [SEP] 这样一个特殊的token； ②我们为每个token添加一个用来学习的embedding来区分token属于句子A还是句子B，这个embedding叫做segment embedding。 具体地，BERT的输入由三部分相加组成：token embeddings、segment embeddings和position embeddings。如下图所示： BERT使用两个无监督的任务进行预训练，分别是Masked LM和Next Sentence Prediction(NSP)。如下图所示，我们定义输入的embedding为 ，BERT最终输出的 [CLS] 的embedding为 ，最终输出的第 个token的embedding为 。 我们有理由相信一个深度双向模型比left-to-right模型和left-to-right和right-to-left简单连接的模型的效果更加强大。不幸的是，标准的条件语言模型只能够够left-to-right或者right-to-left地训练，这是因为双向条件会使每个token能够间接地“看到自己”，并且模型能够在多层上下文中简单地预测目标词。 为了能够双向地训练语言模型，BERT的做法是简单地随机mask掉一定比例的输入token（这些token被替换成 [MASK] 这个特殊token），然后预测这些被遮盖掉的token，这种方法就是Masked LM(MLM)，相当于完形填空任务（cloze task）。被mask掉的词将会被输入到一个softmax分类器中，分类器输出的维度对应词典的大小。在预训练时通常为每个序列mask掉15%的token。与降噪自编码器（denoising auto-encoders）相比，我们只预测被mask掉的token，并不重建整个输入。 这种方法允许我们预训练一个双向的语言模型，但是有一个缺点就是造成了预训练和微调之间的mismatch，这是因为 [MASK] 这个token不会在微调时出现。为了缓解这一点，我们采取以下做法：在生成训练数据时我们随机选择15%的token进行替换，被选中的token有80%的几率被替换成 [MASK] ，10%的几率被替换成另一个随机的token，10%的几率该token不被改变。然后 将使用交叉熵损失来预测原来的token。 一些重要的NLP任务如Question Answering (QA)或者Natural Language Inference (NLI)需要理解句子之间的关系，而这种关系通常不会被语言模型直接捕捉到。为了使得模型能够理解句子之间的关系，我们训练了一个二值的Next Sentence Prediction任务，其训练数据可以从任何单语语料库中生成。具体的做法是：当选择句子A和句子B作为训练数据时，句子B有50%的几率的确是句子A的下一句（标签是 IsNext ），50%的几率是从语料库中随机选择的句子（标签是 NotNext ）。 [CLS] 对应的最后一个隐层输出向量被用来训练NSP任务，这个embedding就相当于sentence embedding。虽然这个预训练任务很简单，但是事实上在微调时其在QA和NLI任务上表现出了很好的效果。在前人的工作中，只有sentence embedding被迁移到下游任务中，而BERT会迁移所有的参数来初始化下游任务模型。 Transformer的self-attention机制允许BERT建模多种下游任务。对于包含句子对的任务，通常的做法是先独立地对句子对中的句子进行编码，然后再应用双向交叉注意（bidirectional cross attention）。而BERT使用self-attention机制统一了这两个过程，这是因为对拼接起来的句子对进行self-attention有效地包含了两个句子之间的双向交叉注意（bidirectional cross attention）。 对于每个任务来说，我们只需要将任务特定的输入输出插入到BERT中然后端到端地微调即可。举例子来说，BERT的预训练输入句子A和句子B在微调时可以类比为： ①paraphrasing任务中的句子对； ②entailment任务中的hypothesis-premise对； ③question answering任务中的question-passage对； ④text classification或者sequence tagging任务中的text-u2205对（也就是只输入一个text，不必一定需要两个句子）。 对于BERT的输出，对于一些token-level的任务，BERT的token表示将被输入到一个输出层，比如sequence tagging或者question answering任务；对于entailment或者sentiment analysis这样的任务，可以将 [CLS] 对应的表示输入到一个输出层。 我们使用 [CLS] 这个token的最后一层的隐层向量 作为聚合的表示，可以认为是sentence embedding。在微调时只引入一个新的权重 ，这里的 代表标签的数量，然后计算标准分类损失 。下图展示了BERT在GLUE上的效果： 在这个数据集上，我们将question和passage拼接起来作为一个输入序列（中间是 [SEP] ）。在微调时引入一个start向量 和一个end向量 ，计算 和 的点积然后通过 函数作为word 是答案的span起始位置的概率： 。答案的终止位置也做上述类似处理。从 到 的候选区间的得分记作 ，我们挑选 的最大得分区间作为预测的结果。下图展示了BERT在SQuAD v1.1上的效果： SQuAD v2.0有的question在提供的passage中没有答案存在。在微调时我们设置没有答案的问题的span的起始和结束位置都是 [CLS] 这个token，也就是start和end的可能性空间包含进了 [CLS] 的位置。在预测时，我们比较没有答案的span得分 和最优的有答案得分 。当 时，我们预测这是一个有答案的问题，这里的 用来在dev set上选择最优的 。下图展示了BERT在SQuAD v2.0上的效果： 微调时我们为BERT构建4个输入序列，每一个是所给的句子（句子A）和一个可能的延续（句子B）。然后引入一个向量，该向量和每一个输入对应的 [CLS] 的embedding的点积再通过一个 层来得到每个选择的得分。下图展示了BERT在SWAG上的效果：