模型

【答案】：B,C布莱克一斯科尔斯研究的创新之处是将套利用于解决期权的定 价问题，引进了风险中性定价并推导出了布莱克一斯科尔斯期权定价模型。该模型对金融市场的影响极为深远。

参考论文 　期权定价理论是现代金融学中最为重要的理论之一，也是衍生金融工具定价中最复杂的。本文给出了欧式期权定价过程的一个简单推导，并利用Matlab对定价公式给出了数值算例及比较静态分析，以使读者能更直观地理解期权定价理论。 　　关键词：Matlab；教学实践 　　基金项目：国家自然科学基金项目（70971037）；教育部人文社科青年项目（12YJCZH128） 　　中图分类号：F83　文献标识码：A 　　收录日期：2012年4月17日 　　现代金融学与传统金融学最主要的区别在于其研究由定性分析向定量分析的转变。数理金融学即可认为是现代金融学定量分析分支中最具代表性的一门学科。定量分析必然离不开相应计算软件的应用，Matlab就是一款最为流行的数值计算软件，它将高性能的数值计算和数据图形可视化集成在一起，并提供了大量内置函数，近年来得到了广泛的应用，也为金融定量分析提供了强有力的数学工具。 　　一、Black-Scholes-Merton期权定价模型 　　本节先给出B-S-M期权定价模型的简单推导，下节给出B-S-M期权定价模型的Matlab的实现。设股票在时刻t的价格过程S（t）遵循如下的几何Brown运动： 　　dS（t）=mS（t）dt+sS（t）dW（t）　（1） 　　无风险资产价格R（t）服从如下方程： 　　dR（t）=rR（t）dt　（2） 　　其中，r，m，s＞0为常量，m为股票的期望回报率，s为股票价格波动率，r为无风险资产收益率且有0＜r＜m；dW（t）是标准Brown运动。由式（1）可得： 　　lnS（T）：F［lnS（t）+（m-s2/2）（T-t），s■］　（3） 　　欧式看涨期权是一种合约，它给予合约持有者以预定的价格（敲定价格）在未来某个确定的时间T（到期日）购买一种资产（标的资产）的权力。在风险中性世界里，标的资产为由式（1）所刻画股票，不付红利的欧式看涨期权到期日的期望价值为：■［max（S（T）－X，0）］，其中■表示风险中性条件下的期望值。根据风险中性定价原理，不付红利欧式看涨期权价格c等于将此期望值按无风险利率进行贴现后的现值，即： 　　c=e-r（T－1）■［max｛S（T）－X，0｝］　（4） 　　在风险中性世界里，任何资产将只能获得无风险收益率。因此，lnS（T）的分布只要将m换成r即可： 　　lnS（T）：F［lnS（t）+（r-s2/2）（T-t），s■］　（5） 　　由式（3）-（4）可得欧式看涨期权价格： 　　c=S（t）N（d1）-Xe-r（T－1）N（d2）　（6） 　　这里： 　　d1=■　（7） 　　d2=■=d1-s■　（8） 　　N（x）为均值为0标准差为1的标准正态分布变量的累积概率分布函数。S（t）为t时刻股票的价格，X为敲定价格，r为无风险利率，T为到期时间。欧式看跌期权也是一种合约，它给予期权持有者以敲定价格X，在到期日卖出标的股票的权力。 　　下面推导欧式看涨期权c与欧式看跌期权p的联系。考虑两个组合，组合1包括一个看涨期权加上Xe-r（T－1）资金，组合2包含一个看跌期权加上一股股票。于是，在到期时两个组合的价值必然都是： 　　max｛X，S（T）｝　（9） 　　欧式期权在到期日之前是不允许提前执行的，所以当前两个组合的价值也必相等，于是可得欧式看涨期权与看跌期权之间的平价关系（put-call parity）： 　　c+Xe-r（T－t）=p+S（t）　（10） 　　由式（10）可得，不付红利欧式看跌期权的价格为： 　　p=Xe-r（T－t）N（－d2）－S（t）N（-d1）　（11） 　　二、Black-Scholes-Merton模型的Matlab实现 　　1、欧式期权价格的计算。由式（6）可知，若各参数具体数值都已知，计算不付红利的欧式看涨期权的价格一般可以分为三个步骤：先算出d1，d2，涉及对数函数；其次计算N（d1），N（d2），需要查正态分布表；最后再代入式（6）及式（11）即可得欧式期权价格，涉及指数函数。不过，欧式期权价格的计算可利用Matlab中专有blsprice函数实现，显然更为简单： 　[call，put]=blsprice（Price，Strike，Rate，Time，Volatility）　（12） 　　只需要将各参数值直接输入即可，下面给出一个算例：设股票t时刻的价格S（t）＝20元，敲定价格X＝25，无风险利率r=3%，股票的波动率s=10%，到期期限为T－t=1年，则不付红利的欧式看涨及看跌期权价格计算的Matlab实现过程为： 　　输入命令为：[call，put]= blsprice（20，25，0.03，0.1，1） 　　输出结果为：call=1.0083　put=5.9334 　　即购买一份标的股票价格过程满足式（1）的不付红利的欧式看涨和看跌期权价格分别为1.0083元和5.9334元。 　　2、欧式期权价格的比较静态分析。也许纯粹计算欧式期权价格还可以不利用Matlab软件，不过在授课中，教师要讲解期权价格随个参数的变化规律，只看定价公式无法给学生一个直观的感受，此时可利用Matlab数值计算功能及作图功能就能很方便地展示出期权价格的变动规律。下面笔者基于Matlab展示欧式看涨期权价格随各参数变动规律： 　　（1）看涨期权价格股票价格变化规律 　　输入命令：s=（10∶1∶40）；x=25；r=0.03；t=1；v=0.1； 　　c=blsprice（s，x，r，t，v）； 　　plot（s，c，"r-."） 　　title（"图1看涨期权价格股票价格变化规律"）； 　　xlabel（"股票价格"）；ylabel（"期权价值"）；grid on 　　（2）看涨期权价格随时间变化规律 　　输入命令：s=20；x=25；r=0.03；t=（0.1∶0.1∶2）；v=0.1；c=blsprice（s，x，r，t，v）； 　　plot（t，c，"r-."） 　　title（"图2看涨期权价格随时间变化规律"）； 　　xlabel（"到期时间"）；ylabel（"期权价值"）；grid on 　　（3）看涨期权价格随无风险利率变化规律 　　s=20；x=25；r=（0.01∶0.01∶0.5）；t=1；v=0.1；c=blsprice（s，x，r，t，v）； 　　plot（r，c，"r-."） 　　title（"图3看涨期权价格随无风险利率变化规律"）； 　　xlabel（"无风险利率"）；ylabel（"期权价值"）；grid on 　　（4）看涨期权价格随波动率变化规律 　　s=20；x=25；r=0.03；t=1；v=（0.1∶0.1∶1）；c=blsprice（s，x，r，t，v）； 　　plot（v，c，"r-."） 　　title（"图4看涨期权价格随波动率变化规律"）； 　　xlabel（"波动率"）；ylabel（"期权价值"）；grid on （作者单位：南京审计学院数学与统计学院） 主要参考文献： [1]罗琰，杨招军，张维.非完备市场欧式期权无差别定价研究[J].湖南大学学报（自科版），2011.9. [2]罗琰，覃展辉.随机收益流的效用无差别定价[J].重庆工商大学学报（自科版），2011. [3]邓留宝，李柏年，杨桂元.Matlab与金融模型分析[M].合肥工业大学出版社，2007.

就理论上来说，主要有两个方向，一个是定价角度，一个从公司结构角度定价角度就是先从现金流角度折现可以算出一个无违约的价格然后加入违约概率和违约后回收比例，然后用期望来算由于现实情况按这个算出来都是高估的，可以通过市场价格和中性风险去做系数调整把这个溢价去掉然后再优化就是可以引入宏观经济和行业的系数，把利率和风险中性表述成这些的系数相关的线性函数，考虑到宏观经济和行业的系数一般不独立，要再做一个仿射一般做到这里就差不多了，再优化就是加入流动性还有目前期限利差结构，再用实证去调整。这个模型的问题主要是风险中性很可能（尤其在国内）是被大幅低估的，和市场上的结果比较难对上公司结构角度就是从公司资产负债的出发，从bsm模型开始建模，认为资产首次下穿过负债就是违约。这个模型问题主要一个是模型违约的阈值比较难确定，第二个是杠杆率很高的企业往往在违约边缘资产负债表的噪音可能会很大。优化的方法就比较开放了，可以通过从股票和债券市场上取得额外信息加入模型，也可以通过可类比企业的数据获得额外信息

【答案】：B在法人客户评级模型中，CreditMonitor模型通过应用期权定价理论求解出信用风险溢价和相应的违约率。

设P为该债券1年内的非违约概率，根据KPMG风险中性定价模型有，k=16.7%;回收率=0;i=5%　　P(1+16.7%)+(1-P)(1+16.7%)x0=1+5% 可求得P=89.97%，即其违约概率为1-89.97%=10.03%

风险中性：假设股票基期价格为S(0)，每期上涨幅度为U，下跌幅度为D，无风险收益率为r每年，每期间隔为t，期权行权价格为K，讨论欧式看涨期权，可以做出如下股票价格二叉树： S(0)*U*U / S(0)*U / S(0) S(0)*U*D / S(0)*D S(0)*D*D通过末期股票价格和行权价格K可以计算出末期期权价值f(uu) f(ud) f(dd)根据风险中性假设，股票每期上涨的概率是p=[e^(rt)-d]/(u-d)则f(u)=e^(-rt)*[f(uu)*p+f(ud)*(1-p)] f(d)=e^(-rt)*[f(ud)*p+f(dd)*(1-p)] f(0)=e^(-rt)*[f(u)*p+f(d)*(1-p)]联立：f(0)=e^(-2rt)*[f(uu)*p^2+2f(ud)*p*(1-p)+f(dd)*(1-p)^2]

你好，这个问题不太好回答，这是因为对于咨询业务中的定价，是不会简单的选择一个或者几个模型就给出具评估报告。在一般情况下，会选用常规的一些定价理论模型，同时在特殊情况下会做相应的修正。同时也会考虑非财务信息的影响。KPMG成立于1987年，其历史可以追溯到1870年，由四家公司逐步合并而成。 它是一个由国际著名会计师事务所组成的网络，提供三种主要服务：审计、税务和咨询。 它的总部位于荷兰，拥有 162000 名全职员工（2014 年）。 它是继德勤、普华永道和安永之后的全球第四大会计师事务所。 年轻。 全球四大会计师事务所均为私营和非上市公司。拓展资料：1、风险中性定价理论的核心思想是假设金融市场的每个参与者都是风险中性的，无论是高风险资产、低风险资产还是无风险资产。 只要资产的预期收益相等，市场参与者的态度是一致的。 这种市场环境被称为风险中性范式。 KPMG将风险中性定价理论应用于贷款或债券违约概率的计算。 由于债券市场可以提供不同信用等级对应的风险溢价，因此可以根据等预期收益的风险中性定价原则计算每笔贷款或债券的违约概率。2、风险定价的主要方法有成本加成法和基准利率法。风险定价需要考虑运营成本、目标利润率、资金供求、市场利率水平、客户风险等因素。成本增加从商业银行的经营成本角度衡量贷款利率水平是最简单的贷款定价模型。根据这个模型，任何贷款利率都应该分为四部分：银行贷款的边际成本；银行发放贷款所需的经营成本；商业银行因可能违约甚至损失贷款而承担的风险必须得到补偿；银行期望通过发放贷款实现的利润水平。3、因此，相应的银行贷款利率=募集和发行可贷资金的边际成本+运营成本+风险补偿+预期利润水平基准利率法这是国际银行业广泛使用的一种贷款定价方法。其具体操作程序是选择一定的基准利率作为“基价”，为不同信用等级或风险程度的客户确定不同水平的息差。一般的做法是在基准利率的基础上“加分”或乘以一个系数。贷款利率=市场优惠利率+违约风险补偿+期限风险补偿

这个问题比较难回答，因为对于咨询业务中的定价，一般不会单纯选择一个或者几个模型就出具评估报告。通常情况下，会选用常规的一些定价理论模型，同时在特殊情况下会做相应的修正。并且会考虑非财务信息的影响。这个你可以拿一个具体的案例过来。

杠杆原理。二次函数跷跷板模型是一个支点的一边长度X那边的质量=另一边的长度X质量，利用杠杆原理，人对跷跷板的压力是动力和阻力，人到跷跷板的固定点的距离分别是力臂，重力加速度导致一上一下，高者重力加速度要大于低者，所以高者下降，同时在杠杆原理作用下将低者翘起来，如此循环，所以二次函数跷跷板模型原理是杠杆原理。

二次函数跷跷板模型原理如下：1、跷跷板模型中，跷跷板的两端分别为质量为$m_1$和$m_2$的物体，跷跷板的平衡点为$x_0$，跷跷板长度为$l$，跷跷板的旋转轴与地面垂直。在跷跷板平衡时，两端的物体所受的重力相等，即$m_1g=m_2g$，其中$g$为重力加速度。2、当跷跷板发生旋转时，两端物体受到的重力产生了力矩，这个力矩与跷跷板旋转的角度$ heta$成正比，即$ au=k heta$，其中$k$为常数。根据牛顿第二定律和牛顿第三定律，可以求出跷跷板的运动方程为：$$m_1l^2frac{d^2x}{dt^2}=-(m_1-m_2)gx+k heta$$。3、其中$x$为跷跷板上某一点到旋转轴的距离，$t$为时间。跷跷板的旋转角度$ heta$可以表示为$x$的导数，即$ heta=frac{d}{dx}x$。将$ heta$代入上式中，可以得到：$$m_1l^2frac{d^2x}{dt^2}=-(m_1-m_2)gx+kfrac{d}{dx}x$$。4、将$k$表示为常数$k=kl^2/m_2$，可以得到：$$frac{d^2x}{dt^2}+frac{g(m_1-m_2)}{m_1l}cdotx=frac{k}{m_1l}cdotx$$。

我对于野帝Yeti也做了一些功课，首先从名字上来说，Yeti这个名字翻译过来的意思是雪人的意思，这个雪人可不是咱们想象的的那个插着胡萝卜鼻子的堆得的那个雪人，这个是一种动物，似人或似熊的巨大长毛动物，据传生活在喜马拉雅山。,当地藏民称之为“夜帝”。斯柯达以“Yeti”为旗下SUV车型之名,正是取其勇敢探索、自由开拓和自我主宰的精神。其实现在看来斯柯达还是很喜欢用动物的名字命名车型的，大家都熟知的就是现在正在销售的大熊柯迪亚克。Yeti在引入国内之后的中文名字就是野帝，和藏民们称呼雪人的夜帝有着相同之处。第一次Yeti的亮相是2005年的日内瓦车展 当时还是个概念车 随后2009的日内瓦车展斯柯达Yeti首次亮相（图中车型） 原型车为2005年斯柯达推出的Yeti概念车 这款车型我印象比较深刻的算是车头两个圆圆的大灯 以及方方正正的车身2013年8月的成都车展上 国产斯柯达Yeti正式发布 正是命名为野帝由于野帝比较有争议的外观设计 对于喜欢的人来说是真的喜欢 而大部分人对于这样的外观还是不能接受 所以2017年底上汽大众宣布最后一辆野帝下线 2013.9-2017.12共生产91391辆野帝2013年11月18日上市，新车匹配1.4TSI和1.8TSI两款发动机，匹配的有五档手动、七速双离合以及六速双离合变速箱，高配车型还配置了四驱系统。从配置上以及名字上可以看出野帝就是要去野地里撒欢的。虽然没有真正越野车的承载式车身，但是配置了四驱以及1.8T发动机对于轻度的越野还是没有问题的。我的朋友圈里一些野帝的车友还是经常会看到他们自驾去野外自驾游、野炊。真是令人羡慕。本次越野我想到的地方是野狼谷，这个地方的确是我凭印象想出来的，后来查了一下还真有这样一个地方。狭窄的道路考验着驾驶员的技术从野帝的侧面看车位几乎垂直于地面，空间的最大化利用。对于这种路面对于出来野的Yeti来说还是小意思的。四驱系统的加持对于这种简单的脱困不是问题。野帝的车身尺寸并不大长宽高为 4275毫米/1793毫米/1682毫米 但是看起来还是比较大的侧面的设计可能是争议比较大的从上市初期到后来野帝的外观基本上没有太多的变化这个轮毂的样式我非常喜欢从我的个人而言，我觉得野帝的停产还是比较可惜的，凭借着个性的外观设计还是能够吸引一些人的，如果我说的是如果未来会重新回归的野帝我希望他是这样的。外观上的风格还是个性鲜明，变化的点可以是方盒子变的更方，菱角更加分明。其实前不久某虎上市了一款车型，我已经看到了另一个野帝的影子。内饰风格做一些改变，目前的内饰的确已经不是现在的时代产物了，配置上的全景大天窗真的是太赞了。备胎小书包还是很有特点的。不知道未来能否看到一个全新的个性野帝上市。车身B柱与车身同色 C柱采用了酷似悬浮设计 非常有设计风格特点尾部的小书包是最大的特点内饰和现在的车比差距还是很大的 不过这个内饰当年还是非常流行的车不大空间绝对惊喜后尾箱容积对于这个尺寸来说还是不错的 放平之后就是一张床一样。1.8T发动机动力还是不错的这个就是我的最爱了 全景大天窗野帝对于我来说总感觉就像是错过了什么一样，总是感觉有一些的遗憾。还记得当初刚刚上市的时候，我对于这个外观那个时候还是有些不能接受的，但是随着年龄的增长，时代的发展，对于野帝我还是越看越喜欢了，没能与车结缘，车模我还是必须要买一辆的。我的橱窗中永远会给他留一个位置。

【答案】：D直接成本是指直接用于生产过程各项费用，是与资本投资、薪酬以及劳动相关预算内成本，如软硬件费用、工作人员工资、财务与管理费用、外部采购管理等。间接成本是与IT服务交付给终端用户相关预算外成本，如终端用户开发成本、本地文件维护成本、解决问题成本、教育培训成本以及中断生产、恢复成本等都属于间接成本。

在著名科幻作品《星际迷航》中，企业号飞船通过“星际跳跃”快速地从一个星系航行到另一个星系，人类可以在寿命周期内对宇宙进行 探索 。实现这一目标的关键就是“曲速引擎”，它通过扭曲飞船周围的时空达到超光速航行。《星际迷航》剧集中，这种引擎被工程师“寇克瑞恩”于2063年发明。 “曲速引擎（Warp drive）”概念由来已久。在物理学上，这种引擎运用空间翘曲（space warp）理论进行飞行，1994年物理学家米盖尔·阿库别瑞（Miguel Alcubierre）对这一设想进行了总结，并设计了阿库别瑞概念引擎来实现这一梦想。尽管阿库别瑞引擎已被物理学界广泛接受，包括NASA在内的众多科研机构已尝试开发，但直到目前，尚未有可靠的技术方法来实现这一概念。 拥有曲速引擎的飞船在超光速飞行过程中会扭曲周围的时空，飞船前方的空间收缩，后方的空间膨胀，这一现象在物理学上被称为“空间翘曲”。空间翘曲会消耗不可想象的巨大能量，等同于一颗恒星所拥有的能量。根据设想，曲速引擎需要用到所谓“特异物质”的“负能量”才能实现空间翘曲。 目前为止，所谓“特异物质”的“负能量”只存在于理论物理中，即量子水平上的波动形式，极其微小。“曲速引擎（Warp drive）”的研究违背了现有的物理法则，因此很容易让人将这一努力联想到伪科学。 就在不久前，这一形势发生了明显的改变，来自瑞典隆德大学先进动力实验室的Alexey Bobrick和Gianni Martire在科学期刊“经典与量子引力”（Classical and Quantum Gravity）上发表论文称，他们完成了曲速引擎的第一款实用化模型。 不同于NASA和其他科研机构，该研究小组找到了方法，能够在相对论的理论框架下建造引擎，不需要所谓的“特异物质”的“负能量”。研究人员解释，他们用非常强大的引力场代替了“负能量”，并利用这些引力场来实现时空翘曲。但研究人员也承认，目前模型还存在一个主要障碍，即为了形成这一强大的引力场，需要在飞船内外部“翘曲气泡”之间制造一个巨大的时间差。 可即便人们将地球压缩成一个10米直径的球体，内外部的时间差仍只有每年一小时。同时，通过模型，人们发现进行空间翘曲的飞船最佳形状并非人们之前一直认为的细长形状，而是更大更宽，因为这能更佳地发挥曲速引擎效率。 尽管科研团队在如果在工程学上建造和安装一台真正的曲速引擎，但他们已经证明，在理论上这一设想是能够实现的，他们已经迈出了将它变为现实的第一步，科研团队相信，未来终有一天工程人员会将曲速引擎变为现实。

借助有限元仿真软件！ansys或者abaqus都可以！计算结构和力学问题

兄弟中医药的吧？组建相互对照在课本的26页的②是实验研究与临床研究最常用的方法，即按随机机体化原则，把病人或者实验动物分为两组或几组，世家不同的处理因素，相互对比以观察其试验效应，组间相互对照是以研究对象不同的个体分组而得到，由于个体存在差异，抽样误差是难以避免的，因此在分组时随机和齐同性对比的原则更为重要诱发性疾病动物模型: 诱发性或实验性动物模型是指研究者通过使用物理的、化学的和生物的致病因素作用于动物，造成动物组织、器官或全身一定的损害，出现某些类似人类疾病时的功能、代谢障碍使动物患相应的疾病，如用化学致癌剂、放射线、致癌病毒诱发动物的肿瘤等，我先找到这些，其他继续找，你有啥找到的也告我一声啊，明儿考试了，还有，明儿考完了给我个最佳答案呗~~

依次是第一个软边，点法线，硬边你可以试试

A组：（1）由图A知，水的体积为20ml，由图B知，水和橡皮泥的总体积为30ml，则橡皮泥的体积为V=30ml-20ml=10ml=10cm3；由图C知，标尺的分度值为0.2g，则橡皮泥的质量为m=10g+3.4g=13.4gρ=mV=13.4g10cm3=1.34g/cm3=1.34×103kg/m3；（2）实验中，先测量了橡皮泥的体积，橡皮泥上会沾有水，再测量质量时，测量值会偏大，则所测的密度偏大．B组：（1）根据F浮=G-F′可知，小石块受到的浮力等于小石块的重力G1减掉小石块在水中弹簧测力计的示数G2；排开水的重力G等于即桶和排开水的重力之和减掉空桶的重力；即G3-G4；如果关系式G1-G2=G3-G4成立，就可以得到著名的阿基米德原理．（4）可以测量石块的密度．步骤：①用弹簧测力计测出石块重力G，石块质量m=Gg；②将石块浸没在烧杯的水中，读出此时测力计示数为F示，则石块受到的浮力为F浮=G1-G2，根据阿基米德原理：F浮=G1-G2=ρ水gV排，则石块的体积：V=V排=G1?G2ρ水g；③石块密度的表达式：ρ=mV=GgG1?G2ρ水g=GG1?G2ρ水．故答案为：（1）1.34×103kg/m3；（2）偏大；先测量了橡皮泥的体积，橡皮泥上会沾有水，再测量质量时，测量值会偏大；（2）G1-G2；G3-G4；（4）GG1?G2ρ水

自制三体船模系统总体船体主色为黄色，船身尺寸约为360MM*220MM*110MM，主要由PVC版、塑料管、AB胶制成的一个主体船身和两个辅助船身组成。主动力电机和控制模块安装在主体船中，两个差速转弯电机各安装在辅助船身中。系统控制部分由六路要看发射与接收模块、单片机处理模块、电机驱动模块组成，见图1。系统监控部分由温度传感器、霍尔开关、单片机处理模块、液晶显示、蜂蜜器组成、见图2。船体制作1. 船身的特点（1） 雪茄船体——细长的船体结构保证了在行驶时既有效降低了水的阻力，又减小了风阻，有利于告诉行驶。（2） 三体船结构——这样船体的结构可以保证高速行驶的稳定性，特别是在高速转弯时，能有效降低船身的倾斜，防止侧翻。2. 制作步骤制作所需的材料有:pvc板、AB胶、6mm塑料管、5mm*2mm小轴承、黄油等。（1） 主船身、辅船身及其船身连接根据图3所示的设计图在PVC板上用铅笔按照尺寸画好，然后用美工刀沿着三角尺切下，再用AB胶固定好。制作好三个船身后，通过在船身打孔，就可以用塑料管把三个船身连接起来，并用AB胶加固（2） 制作甲板在PVC板上按照设计好的尺寸画好，然后用刀切下，再用AB胶固定好，图4所示是 甲板正面视图，上面的造型部分可以自由发挥。图5所示是甲板背面，那个小盒子是用来安装遥控器接收模块。（3） 螺旋桨制作与安装螺旋桨的制作方法是先在铁片上画好尺寸，然后用剪刀剪下，再用钉子打一个2mm的小孔，套上直径2mm的钢轴，最后用AB胶固定，见图6。螺旋桨是通过小轴承安装，两个小轴承套在塑料管两端，塑料管中间加入黄油，用来防水。电机安装见图7，使用两片PVC板夹住电机平整的两个面，再用铜线邦紧，电机转轴通过橡胶套与螺旋桨轴连接。电机控制部分电机控制部分的电路原理见图8。电机控制的主芯片是STC11F02E,它内置约6Mhz的RC振荡器，2KB的片内Flash程序存储器。主电机驱动用的是ST公司的L298N集成芯片，最高电流为4A，内含2个H桥的高电压、大电流双桥式驱动器，该集成电路既有较强的驱动能力和保护功能。特别是它的输入端可以与单片机直接连接，从而很方便地受单片机控制。辅助电机驱动采用ULN2003，它是高耐压、大电流复合晶体管阵列，由7个NPN复合晶体管组成，具有电流增益高、工作电压高、温度范围宽等特点。Header 8H接口与接收模块信号输出连接，通过反相器滤掉干扰纹波，再与单片机P3.0—P3.5引脚连接，然后单片机根据预先编码，控制电机运行状态。遥控部分采用的是配对的SC2262编码芯片和SV2272解码芯片。SC2272遥控接收板上的2272解码芯片有不同的后缀，表示不同的功能，T表示自锁输出型，L表示互锁输出型，M表示非互锁输出型，后面的数字表示有几位数据。例如SC2272-M6表示6路非锁输出型。系统监控部分系统监控用的主芯片是STC12C4052AD，同样内置约Mhz的RC震荡器。它还具有4KB的片内Flash程序存储器，内置8bit的AD转换和两路PWM输出两块锂电池的串联电压在8V左右，用内置的AD转换和3个100千欧的电阻串联再与电池组并联，就可以取样得到1/3的电池电压。单片机的P1引脚都可以设置为模拟量输入端口，这里只用P1.0引脚。根据锂电池的端电压与电量的关系，可以知道电池的电量。温度传感器DS18B20与P1.3引脚相连，芯片紧贴在主电机上，霍尔传感器3144与P3.5引脚相连，通过定时访问计数器算出转速。显示屏使用LCD1602。1. 主控板的制作制作所需要的原件见表1。为了节省空间，电机驱动模块和系统监控焊接在同一块万用板件图10.原件布局要注意散热，所以L298放在板子的一端，并加热散片。L7805发热较小，放在中间侧方便焊接。接收模块见图11，输出端通过反相器滤去干扰，并把信号取反，方便与单片机连接。这两个小板用10PIN排针与排母相连接，输出端通过8PIN杜邦线与单片机和电源连接。显示部分采用LCD1602液晶，见图12，用10pin杜邦线与系统控制部分相连。控制主板在系统的安装见图13.首先在船体两侧伸出两条柱子用来固定上面面的甲板，然后再主电机上方，两个柱子之间插入一块大小合适的PVC板骂我们就可以吧控制板放在PVC板的上方，正好处于两个柱子底部之间，液晶屏放在船尾，用热溶胶固定。2. 遥控器的制作首先，用PVC板做一个130mm*28mm*62mm盒子并喷好黄漆，用小电钻打五个直径为12mm圆孔和一个直径为6mm圆孔，见图14.装上圆形按钮开关并拧紧，接下来把发射模块上的小按键通过飞线移植到固定在小盒子上面的案件，然后固定好发射板和8V小电池，盖上后盖，用螺丝拧紧即可。程序介绍1.电机控制部分程序。按原理图定义好每个按键的端口，通过半段那个按键按下，然后执行此按键控制的电机状态。包括三级变速、后退、左转和右转。表1.2.系统监控部分程序。程序包括4个部分——中断显示时间、转速测量及显示、温度测量及显示、电量和电压显示。设定11.059Mhz为系统的工作频率，TO每计数玩46080次即50ms，中断响应一次，通过中断服务程序得到比较准确的时间1s。通过在一定时间内访问T1计数器的值，知道这段时间电机转了几圈，然后计算出转速n。待改进的地方1.在遥控器方面的改进，可以换成用无线暑假模块做遥控器，然后把显示模块做遥控器，然后把显示模块内置在遥控器里面，这样就一目了然了，而且可以把有级调速改进为无级调速，让小船运行更加平稳。2.由于船舱通风条件不好，如果是长时间运行，L298N会过热，可以加一个小散热风扇。通过初步完成船模，基本实现设计初衷，同时对单片机有了进一步的了解。

直接点下面的反转就可以了，然后根据正确的轴向选择

hyperview将对称模型镜像显示步骤如下：1、打开HyperView软件并加载需要镜像显示的模型。选择“Tools”菜单，然后选择“Symmetry”。2、在“Symmetry”窗口中，单击“New”按钮，并设置对称平面的类型、数量、距离等信息。3、将所需的对称平面添加到“SymmetryPlan”列表中。4、单击“Apply”按钮，然后在弹出的对话框中选择“Mirror”。5、在“Mirror”对话框中，选择需要镜像的模型，并设置镜像平面的类型、数量、距离等信息。6、单击“OK”按钮，HyperView将自动将模型镜像显示。

1. 介绍心脏是人体中最重要的器官之一，其主要功能是将氧和营养物质输送到人体各个部位。然而，由于各种疾病的影响，有些人的心脏不能正常工作。这就需要使用生物心脏模型，它是一种能够模拟人类心脏的设备，可以用于药物测试和手术技术的研究等方面。2. 材料和设备制作生物心脏模型需要以下材料和设备：1) 硅胶2) 碳酸钙晶体3) 压力传感器4) 管道3. 制作过程以下是生物心脏模型的制作步骤：1) 制作胸腔模型。将硅胶倒入一个容器中，使其成为一个空心的球体。然后，让它自然干燥一段时间，直到它变硬。2) 将碳酸钙晶体加入硅胶模型中。这些晶体可以用来模拟心脏收缩和舒张时心脏中的血流。3) 安装压力传感器。将压力传感器安装在模型的横隔膜上，以便测量心脏的收缩和舒张时的内部压力。4) 连接管道。将管道连接到模型的两个侧面，形成进出口，以便实现血液循环。4. 实验结果将制作好的生物心脏模型连接到一个电子仪器上，可以观察到其工作原理和效果。实验结果显示，该模型能够模拟人体心脏的工作过程，并且可以测量运动时心脏的心率和压力。5. 应用生物心脏模型可以在多种情况下应用，包括：1) 药物测试。使用该模型可以测试新药物对心脏的影响，以便评估其效果和安全性。2) 手术技术研究。该模型可以帮助医生研究新的心脏手术技术，以便提高手术质量和效果。3) 医学教育。对于医学学生和医生来说，该模型可以帮助他们更好地理解心脏的结构和功能，并提高其治疗疾病的能力。6. 局限性由于生物心脏模型是一种模拟设备，无法完全代替真实的心脏。此外，该模型的精度和准确性也存在一定的局限性。因此，在使用该模型进行研究和测试时，需要保持谨慎和警惕，避免产生误导性的结果。7. 总结生物心脏模型是一种非常有用的设备，可以帮助科学家研究心脏的结构和功能，评估新药物的效果和安全性，以及改善手术技术。虽然该模型存在一定的局限性，但其作用和意义在医学研究和治疗方面仍然十分重要。

深度学习网络模型从卷积层到全连接层存在着大量冗余的参数，大量神经元激活值趋近于0，将这些神经元去除后可以表现出同样的模型表达能力，这种情况被称为过参数化，而对应的技术则被称为模型剪枝。 网络剪枝的过程主要分以下几步： 在实践过程中我们可以感受到大的网络比小的网络更容易训练，而且也有越来越多的实验证明大的网络比小的网络更容易收敛到全局最优点而不会遇到局部最优点和鞍点的问题。解释这一想象的一个假设是大乐透假设（Lottery Ticket Hypothesis）。 在下图中，首先我们使用一个大的网络然后随机初始化一组参数，这组参数用红色表示，然后训练后得到紫色的参数，接着进行网络剪枝。我们再尝试使用剪枝的网络结构随机初始化一组参数然后训练发现这种方式没能取得剪枝得到的效果，而如果用大的网络中对应的初始化参数来初始化这个剪枝的网络结构然后再进行训练，就发现可以取得较好的效果： 大乐透假设可以用来解释这个现象，在买大乐透时买得越多就越容易中奖，同样的这里我们假设一个大的网络中包含很多小的网络，这些小的网络结构有的可以训练成功而有的不可以训练成功，只要有一个训练成功，整个大的网络结构就可以训练成功，因此我们可以把多余的网络结构剪枝掉。 与大乐透假设不同的是《Rethinking the Value of Network Pruning》这篇得出了与其看似矛盾的假设。在下表中的实验中使用了不同的模型进行试验，表中Fined-tuned表示剪枝后的模型，Scratch-E和Scratch-B表示随机初始化剪枝网络的参数后训练的模型，只是Scratch-B训练了更多的epoch。可以看到随机初始化剪枝网络的参数后训练的模型也取得了不错的效果，这样就看起来和大乐透假设的实验结果相矛盾。事实上两篇paper的作者均对这种结果进行了回应，可以在网上找到回应的内容，这里不做赘述。 在进行网络剪枝时我们可以选择剪枝权重或者剪枝神经元。下图中进行了权重的剪枝： 剪枝权重的问题是会造成网络结构的不规则，在实际操作中很难去实现也很难用GPU去加速。下图展示了对AlexNet进行weight pruning后使用不同的GPU加速的效果，折线表示了对每一层的权重的剪枝的比例，被剪掉的权重大约占比95%左右，然后使用不同GPU加速发现加速效果并不好，这是因为剪枝做成了网络结构的不规则，因此难以用GPU进行加速。在进行实验需要使用weight pruning时可以使用将被剪枝的权重设置成0的方法。 而使用Neuron pruning就不会遇到上述问题，Neuron pruning后的网络结构仍然是规则的，因此仍然可以使用GPU进行加速。 其中重点在于两个，一个是如何评估一个连接的重要性，另一个是如何在剪枝后恢复模型的性能。 由于特征的输出是由输入与权重相乘后进行加权，权重的幅度越小，对输出的贡献越小，因此一种最直观的连接剪枝方法就是基于权重的幅度，如L1/L2范数的大小。这样的方法只需要三个步骤就能完成剪枝 当然这类框架还有可以改进之处，比如Dynamic network surgery框架[4]观察到一些在当前轮迭代中虽然作用很小，但是在其他轮迭代中又可能重要，便在剪枝的基础上增加了一个spliciing操作，即对一些被剪掉的权重进行恢复，如下： 基于权重幅度的方法原理简单，但这是比较主观的经验，即认为权重大就重要性高，事实上未必如此。而另一种经典的连接剪枝方法就是基于优化目标，根据剪枝对优化目标的影响来对其重要性进行判断，以最优脑损伤(Optimal Brain Damage, OBD)方法为代表，这已经是上世纪90年代的技术了。 Optimal Brain Damage首先建立了一个误差函数的局部模型来预测扰动参数向量对优化目标造成的影响。具体来说用泰勒级数来近似目标函数E，参数向量U的扰动对目标函数的改变使用泰勒展开后如下： 其中gi是优化目标对参数u的梯度，而h是优化目标对参数u的海森矩阵。对模型剪枝的过程是希望找到一个参数集合，使得删除掉这个参数集合之后损失函数E的增加最小，由于上面的式子需要求解损失函数的海森矩阵H，这是一个维度为参数量平方的矩阵，几乎无法进行求解，为此需要对问题进行简化，这建立在几个基本假设的前提上： 经过简化后只剩下了第二项，只需要计算H矩阵的对角项。它可以基于优化目标对连接权重的导数进行计算，复杂度就与梯度计算相同了，如下： 计算完之后就可以得到连接对优化目标改变的贡献，这就是它的重要性，因此可以进行剪枝，整个流程如下： 相对于连接权重剪枝，粗粒度剪枝其实更加有用，它可以得到不需要专门的算法支持的精简小模型。对滤波器进行剪枝和对特征通道进行剪枝最终的结果是相同的，篇幅有限我们这里仅介绍特征通道的剪枝算法代表。 通道剪枝算法有三个经典思路。第一个是基于 重要性因子 ，即评估一个通道的有效性，再配合约束一些通道使得模型结构本身具有稀疏性，从而基于此进行剪枝。第二个是利用 重建误差 来指导剪枝，间接衡量一个通道对输出的影响。第三个是基于 优化目标的变化 来衡量通道的敏感性。下面我们重点介绍前两种。 Network Trimming通过激活的稀疏性来判断一个通道的重要性，认为拥有更高稀疏性的通道更应该被去除。它使用batch normalization中的缩放因子γ来对不重要的通道进行裁剪，如下图： 具体实现起来，就是在目标方程中增加一个关于γ的正则项，从而约束某些通道的重要性。 类似的框架还有 与基于权重幅度的方法来进行连接剪枝一样，基于重要性因子的方法主观性太强，而另一种思路就是基于输出重建误差的通道剪枝算法，它们根据输入特征图的各个通道对输出特征图的贡献大小来完成剪枝过程，可以直接反映剪枝前后特征的损失情况。 如上图，基于重建误差的剪枝算法，就是在剪掉当前层B的若干通道后，重建其输出特征图C使得损失信息最小。假如我们要将B的通道从c剪枝到c"，要求解的就是下面的问题，第一项是重建误差，第二项是正则项。 第一步：选择候选的裁剪通道。 我们可以对输入特征图按照卷积核的感受野进行多次随机采样，获得输入矩阵X，权重矩阵W，输出Y。然后将W用训练好的模型初始化，逐渐增大正则因子，每一次改变都进行若干次迭代，直到beta稳定，这是一个经典的LASSO回归问题求解。 第二步：固定beta求解W，完成最小化重建误差，需要更新使得下式最小。 这类方法采用训练的方式，结合各种regularizer来让网络的权重变得稀疏，于是可以将接近于0的值剪掉。Learning Structured Sparsity in Deep Neural Networks 用group Lasso进行结构化稀疏，包括filters, channels, filter shapes, depth。Data-Driven Sparse Structure Selection for Deep Neural Networks(ECCV2018)通过引入可学习的mask，用APG算法来稀疏mask达到结构化剪枝。A Systematic DNN Weight Pruning Framework using Alternating Direction Method of Multipliers(ECCV2018) 的思想类似，用约束优化中的经典算法ADMM来求解。由于每个通道的输出都会经过BN，可以巧妙地直接稀疏BN的scaling factor，比如 Learning Efficient Convolutional Networks through Network Slimming(ICCV2017) 采用L1 regularizer，Rethinking the Smaller-Norm-Less-Informative Assumption in Channel Pruning of Convolution Layers(ICLR2018) 则采用ISTA来进行稀疏。MorphNet: Fast & Simple Resource-Constrained Structure Learning of Deep Networks(CVPR2018) 也是直接利用L1 regularizer，但是结合了MobileNet中的width-multiplier，加上了shink-expand操作，能够更好的满足资源限制。 通常来说，模型在剪枝完后进行推理时不会发生变化，即对于所有的输入图片来说都是一样的计算量，但是有的样本简单，有的样本复杂，以前我们给大家介绍过动态推理框架，它们可以对不同的输入样本图配置不同的计算量，剪枝框架也可以采用这样的思路，以Runtime Neural Pruning [12]为代表。 有采用各种剪枝方法的就有和这些剪枝方法对着干的。Recovering from Random Pruning: On the Plasticity of Deep Convolutional Neural Networks 就表明了度量标准都没啥用，随机赛高。Rethinking the Value of Network Pruning(ICLR2019) 则表示剪枝策略实际上是为了获得网络结构，挑战了传统的 train-prune-finetune的剪枝流程。Pruning from Scratch 则直接用Network Slimming的方法对训练过程中的剪枝结构进行了一波分析，发现直接采用random初始化的网络权重能够获得更丰富的剪枝结构。 剪枝中我们通常遵循一些基本策略：比如在提取低级特征的参数较少的第一层中剪掉更少的参数，对冗余性更高的FC层剪掉更多的参数。然而，由于深度神经网络中的层不是孤立的，这些基于规则的剪枝策略并不是最优的，也不能从一个模型迁移到另一个模型，因此AutoML方法的应用也是非常自然的，AutoML for Model Compression(AMC)是其中的代表 从AMC: AutoML for Model Compression and Acceleration on Mobile Devices[ECCV2018]开始将强化学习引入剪枝，剪枝的研究开始套上各种Auto的帽子，玩法更是层出不穷。AutoSlim: Towards One-Shot Architecture Search for Channel Numbers先训练出一个slimmable model（类似NAS中的SuperNet Once for All: Train One Network and Specialize it for Efficient Deployment），继而通过贪心的方式逐步对网络进行裁剪。 Network Pruning via Transformable Architecture Search(NIPS2019) 则把NAS可导的一套迁移过来做剪枝。Approximated Oracle Filter Pruning for Destructive CNN Width Optimization(ICML2019)平行操作网络的所有层，用二分搜索的方式确定每层的剪枝数。Fine-Grained Neural Architecture Search 把NAS的粒度降到了通道，包含了空的操作即剪枝。还有各种拿进化来做的也就不提了。 此外，还有基于信息瓶颈的方法Compressing Neural Networks using the Variational Information Bottleneck(ICML2018)，聚类的方法Centripetal SGD for Pruning Very Deep Convolutional Networks with Complicated Structure(CPVR2019)，等等等等等...... 一脉梳理下来感觉做纯的剪枝感觉很难了，对比人工设计的结构和准则，NAS出来的模型可以又小巧精度又高，剪枝也逐渐受其影响快、准、狠地寻找结构。这些效果好的结构和权重背后到底还藏着些什么 常见论文 https://www.cnblogs.com/wujianming-110117/p/12702802.html https://zhuanlan.zhihu.com/p/157562088 https://zhuanlan.zhihu.com/p/48269250 https://zhuanlan.zhihu.com/p/330575000

在生活或工作中，我们经常会进行工作汇报或发表某个观点，表明某个态度，但是有些人在表述时逻辑不清、啰嗦且没有说在重点上。 给大家分享一个特别好用的结构： PRS模型 。这个模型通常用于写观点文。 PRS模型：P（Problem）：阐明问题 R（Reason）：说明原因 S（Soulution）：给出解决方案 这个结构最大的特点就是以问题为中心，然后针对问题，分析产生问题的原因，然后再给出解决方案。为了方便理解，举个例子。 我要分享的话题：通常，人们一在公共场合发言就非常紧张，脑子空白。最近，跟一个关系特别要好的朋友聊天。她说：她们公司举行一场大型的客户答谢会，想让她以客户经理的身份在会场做一个答谢发言，她在下面明明准备地很好，可是上台发言时却脑子一片空白，稿子也不记得了，说得磕磕巴巴的，真是丢死人了！ 一到公共场合发言就紧张，脑子空白。 朋友们，你是否也有过这样的经历呢？ 首先，在公共场合发言紧张，恭喜你，因为你是具备优良基因的正常人。 在远古时期，我们的老祖宗要出去打猎，试想，遇到老虎猛兽，他们紧张吗，当然，如果要是不紧张的话会有这样的场面：盯着老虎说：小样，过来我弄死你。 而这样的祖先往往已经被老虎吃了，留下来呢都是具有优良基因的人。 其次，紧张是因为我们太在意自己。 在意怕出错，在意别人对自己的评价，在意自己讲的东西别人喜欢不喜欢，在意万一讲砸了，自己在别人心目中的印象不好了怎么办？ 其实，在今天的社会，节奏非常快，每个人都有很多事情，没有人会把注意力放在毫不起眼的小草身上，大家只会关注参天大树。 所以，别人不会对你的演讲，不会对你，有多大的兴趣。我们完全不必太在意。 第三，紧张说明自己的准备的还不够充分，自己不自信。 其实，在公共场合会紧张，这是正常的，只是我们要想办法把这种紧张降到最低点，直至让别人看不出来我们的紧张。 有什么好方法克服紧张呢？ （1）做好充分的准备，几十遍甚至上百遍的重复，迭代。 稿子要做到足够的熟练，最好能达到肌肉记忆，可以一遍遍用手机录制视频，看视频中自己的状态，改得达到自己的满意，这样可以增加公共场合发言时的自信心。 （2）模拟真实场景演练。除了在下面背稿之外，还可以多次到真实的场景中进行彩排，真实的场景会让人感觉舒服，降低紧张度。 （3）平时刻意练习自己当众讲话的能力。当众发言就像厨师炒菜一样，都是他熟悉的内容和动作，他只用重复就行了。 所以当众发言也是，平时，注重输入，让自己肚里有话，有内容，然后经常霸占舞台，刻意练习，把输入的内容转化为输出的内容，经历这样的场景多了，你自然而然就能降低紧张度了。 （4）降低自己期望值。 没有人会特别在意你，你的发言也只是这场会议中的一个环节，没有那么重要，这样想了，自己的压力就会小，发挥的反而会更好。降低公共场合发言的紧张度，平时刻意练习，行动起来吧。 都说 一个人可以走得很快，一群人才能走得更远 。如果想加入一个团队一起行动练习，可以链接我。刻意练习一段时间后，你会发现自己不再那么紧张。以上就是PRS模型，用到这个模型，是不是逻辑结构很清晰，经常用起来，你的文章会感觉很酷。

万代会场限定，这个可早了

模型参数含 义单位默认值备 注AFflicker noise exponent1.0噪声指数BFideal maximum forward beta100.0最大正向放大倍数BRideal maximum reverse beta1.0最大反向放大倍数CJCbase-collector zero-bias p-n capacitancefarad0.0集电结电容CJEbase-emitter zero-bias p-n capacitancefarad0.0发射结电容CJS (CCS)Substrate zero-bias p-n capacitancefarad0.0EGbandgap voltage (barrier height)eV1.11FCforward-bias depletion capacitor coefficient0.5GAMMAepitaxial region doping factor1E-11IKF (IK)corner for forward-beta high-current roll-offampinfiniteIKRcorner for reverse-beta high-current roll-offampinfiniteIRBcurrent at which Rb falls halfway toampinfiniteIStransport saturation currentamp1E-16饱和电流ISC (C4)base-collector leakage saturation currentamp0.0集电结漏电流ISE (C2)base-emitter leakage saturation currentamp0.0发射结漏电流ISSsubstrate p-n saturation currentamp0.0ITFtransit time dependency on Icamp0.0KFflicker noise coefficient0.0噪声系数MJC (MC)base-collector p-n grading factor0.33MJE (ME)base-emitter p-n grading factor0.33MJS (MS)substrate p-n grading factor0.0NCbase-collector leakage emission coefficient2.0集电结漏电系数NEbase-emitter leakage emission coefficient1.5发射结漏电系数NFforward current emission coefficient1.0正向电流系数NKhigh-current roll-off coefficient0.5NRreverse current emission coefficient1.0NSsubstrate p-n emission coefficient1.0PTFexcess phase @ 1/(2pu2022TF)Hzdegree0.0QCOepitaxial region charge factorcoulomb0.0RBzero-bias (maximum) base resistanceohm0.0最大基极电阻RBMminimum base resistanceohmRB最小基极电阻RCcollector ohmic resistanceohm0.0RCOepitaxial region resistanceohm0.0REemitter ohmic resistanceohm0.0TFideal forward transit timesec0.0正向传递时间TRideal reverse transit timesec0.0反向传递时间TRB1RB temperature coefficient (linear)0C -10.0RB的温度系数TRB2RB temperature coefficient (quadratic)0C -20.0TRC1RC temperature coefficient (linear)0C -10.0TRC2RC temperature coefficient (quadratic)0C -20.0TRE1RE temperature coefficient (linear)0C -10.0TRE2RE temperature coefficient (quadratic)0C -20.0TRM1RBM temperature coefficient (linear)0C -10.0TRM2RBM temperature coefficient (quadratic)0C -20.0T_ABSabsolute temperature0CT_MEASUREDmeasured temperature0CT_REL_GLOBALrelative to current temperature0CT_REL_LOCALrelative to AKO model temperature0CVAF (VA)forward Early voltagevoltinfiniteVAR (VB)reverse Early voltagevoltinfiniteVJC (PC)base-collector built-in potentialvolt0.75VJE (PE)base-emitter built-in potentialvolt0.75VJS (PS)substrate p-n built-in potentialvolt0.75VOcarrier mobility knee voltagevolt10.0VTFtransit time dependency on VbcvoltinfiniteXCJCfraction of CJC connected internally to Rb1.0XCJC2fraction of CJC connected internally to Rb1.0XTBforward and reverse beta temperature coefficient0.0正向和反向放大倍数的温度影响系数XTFtransit time bias dependence coefficient0.0传递时间系数XTI (PT)IS temperature effect exponent3.0IS的温度影响系数

不是开思网就是PROE野火论坛上有模型，自己抽时间找找

没有任何问题 x_t step 什么都成

可以使用模板实现你需要的功能。第一步：找到proe安装目录下的templates文件夹，文件夹位置：……Creo ElementsPro5.0 emplates，前面省略号表示你Proe安装的完整路径。用PROE打开如下几个文件（根据个人设置的不同你的模板名称可能会跟一下的名称有差异）：普通零件模板：mmgs_part_solid.prt钣金零件模板：mmgs_part_sheetmetal.prt组件模板：mmgs_asm_design.asm，在每个模板里都设置好你要用的参数后保存。第二步：在Proe配置文件里增加或者修改如下参数项（路径前面省略号表示你Proe安装的完整路径，配置文件的名字可能有所不同，一般为config.pro，关于config的相关设置，可以查看我以前的回答）：template_solidpart ……Creo ElementsPro5.0 emplatesmmgs_part_solid.prttemplate_sheetmetalpart ……Creo ElementsPro5.0 emplatesmmgs_part_sheetmetal.prttemplate_designasm ……Creo ElementsPro5.0 emplatesmmgs_asm_design.asm第三步：右键点击proe快捷图标，打开属性栏，在开始栏目里粘贴上你config.pro文件所在的文件夹。关闭并重新打开Pore即可。

来水份答：这个还得学习

第一章 轻于空气的航空模型一、孔明灯二、热气球三、轻于空气的航空器发展简史第二章 简易模型滑翔机一、“翔箭号”手掷模型滑翔机二、“飞镖号”手掷模型滑翔机三、“勇士号”弹射模型滑翔机四、“云雀号”一级牵引模型滑翔机五、“飞雅号”牵引模型滑翔机六、滑翔机的发展简史第三章 简易动力模型飞机一、“明珠号”初级橡筋动力模型飞机二、“金鹰号”室内橡筋动力模型飞机三、“海鸥号”电动自由飞模型飞机四、“米奇2号”可控时电动自由飞模型飞机五、“红嘴鸥一GW”电动自由飞模型飞机六、“飞行小子”超小型电动自由飞模型飞机七、航空模型在飞机发明中的巨大作用八、莱特兄弟和冯如第四章 简易电动线操纵模型飞机第五章 模型直升机一、竹蜻蜓二、“飞鸟号”橡筋模型直升机三、橡筋动力“金鹰旋伞”直升机四、直升机的发展简史第六章 模型扑翼机一、“飞鹰号”橡筋模型扑翼机三、“金鹰号”模型扑翼机三、扑翼机艰难的发展历程第七章 飞行原理简说一、空气的动力和空气动力学二、我们周围的大气三、升力和阻力四、翼型及其参数五、飞行中力的平衡六、模型飞机的稳定性七、模型飞机飞行姿态的调整和控制

作为发酵工业中游技术核心的发酵过程控制和优化技术，既关系到能否发挥菌种的最大生产能力，又会影响到下游处理的难易程度，在整个发酵过程中是一项承上启下的关键技术。本书作者多年来一直从事发酵过程的在线检测、解析、控制和优化等方面的研究，在借鉴国外的有关最新研究成果和作者自身完成的研究实例的基础上，博采众家之长，写成此书。全书结合具体的发酵过程实例，分别对发酵过程的解析、控制和优化，特别是在线检测、在线状态预测和模式识别，以及在线控制和最优化控制的技术及方法进行了比较系统详细的介绍，并引入了模糊逻辑推理、人工神经网络模型、代谢网络模型等新型的控制、优化、状态预测以及模式识别等方法和技术。本书适合于从事发酵工程、生物工程、生物化工、化学工程等相关专业领域研究的科研人员、教师和工程师使用，也可供大专院校相关专业的高年级本科生和研究生参考。目录第一章绪论1第一节生物过程的特点以及生物过程的操作、控制、优化的基本特征1第二节生物过程控制和优化的目的及研究内容2第三节发酵过程控制概论4第四节发酵过程的状态变量、操作变量和可测量变量6第五节用于发酵过程控制和优化的各类数学模型7第六节发酵过程最优化控制方法概论8一、基于非构造式动力学模型的最优化控制方法8二、基于可实时测定的过程输入输出时间序列数据和黑箱模型的最优化控制方法9参考文献10第二章生物过程参数在线检测技术11第一节ph的在线测量13一、ph传感器的工作原理13二、ph传感器的使用15第二节溶氧浓度的在线测量18一、溶氧浓度测量原理18二、溶氧电极19三、溶氧电极的使用21第三节发酵罐内氧气和二氧化碳分压的测量以及呼吸代谢参数的计算23一、氧分析仪23二、尾气co2分压的检测26三、呼吸代谢参数的计算26第四节发酵罐内氧气体积传质系数kla的测量31一、亚硫酸盐氧化法31二、溶氧电极法32三、物料衡算法33四、动态测定法34五、取样极谱法35六、复膜电极测定kla35第五节发酵罐内细胞浓度的在线测量和比增殖速率的计算36一、菌体浓度的检测方法及原理36二、在线激光浊度计38第六节生物传感器在发酵过程检测中的应用39一、生物传感器的类型和结构原理39二、发酵罐基质（葡萄糖等）浓度的在线测量43三、引流分析与控制（fia）45四、发酵罐器内一级代谢产物（乙醇、有机酸等）浓度的在线测量47参考文献48第三章发酵过程控制系统和控制设计原理及应用49第一节过程的状态方程式49第二节生物过程的典型和基本数学模型51一、生物过程最基本的合成和代谢分解反应51二、生物过程典型的数学模型形式55三、发酵过程的各种得率系数和各种比反应速率的表现形式57四、生物反应器的基本操作方式62五、发酵过程状态方程式在“理想操作点”近旁的线性化64第三节拉普拉斯变换与反拉普拉斯变换67一、拉普拉斯变换的定义68二、拉普拉斯变换的基本特性以及基本函数的拉普拉斯变换68三、反拉普拉斯变换69四、有理函数的反拉普拉斯变换69五、过程的传递函数gp(s)——线性状态方程式的拉普拉斯函数表现形式69六、过程传递函数的框图和转换70七、过程对于输入变量变化的响应特性71第四节过程的稳定性分析74一、过程稳定的判别标准74二、过程在平衡点（特异点）近旁的稳定特性的分类75三、连续搅拌式生物反应器的稳定特性的解析77第五节生物过程的反馈控制和前馈控制79一、生物过程的前馈控制79二、流加操作的生物过程中常见的前馈控制方式80三、生物过程的反馈控制83四、生物过程中反馈控制与前馈控制的并用84第六节pid反馈控制系统的设计和解析86一、闭回路pid反馈控制的性能特征86二、比例动作87三、积分动作88四、微分动作89五、pid反馈控制器的构成特征89六、反馈控制系统的稳定性分析89七、反馈控制系统的设计和参数调整91八、开关反馈控制94第七节反馈控制系统在生物过程控制中的实际应用95一、以溶氧浓度（do）变化为反馈指标的流加培养控制——doue011stat法95二、以ph变化为反馈指标的流加培养控制——phue011stat法98三、以rq为反馈指标的流加培养控制100四、直接以葡萄糖浓度为反馈指标的流加培养控制101五、以代谢副产物浓度为反馈指标的流加培养控制103参考文献105第四章发酵过程的最优化控制106第一节最优化控制的研究内容、表述、特点和方法106第二节最大原理及其在发酵过程最优化控制中的应用107一、最大原理及其算法简介107二、利用最大原理确定流加培养过程的最优基质流加策略和方式111三、最大原理的数值解法及其在生物过程最优化控制中的应用116第三节格林定理及其在发酵过程最优化控制中的应用121一、格林定理121二、利用格林定理求解流加培养（发酵）的最短时间轨道问题122三、格林定理在乳酸菌过滤培养最优化控制中的应用125四、利用格林定理进行乳酸菌过滤培养最优化控制的计算机模拟和实验结果128第四节遗传算法及其在发酵过程最优化控制中的应用131一、遗传算法简介131二、遗传算法的算法概要及其在重组大肠杆菌培养的最优化控制中的应用132三、遗传算法在酸乳多糖最优化生产中的应用138参考文献143第五章发酵过程的建模和状态预测144第一节描述发酵过程的各类数学模型简介144一、非构造式动力学模型145二、代谢网络模型146三、基于在线时间序列数据的自回归平均移动模型146四、人工神经网络模型147五、正交或多项式回归模型148第二节非构造式动力学数学模型的建模方法148一、利用非线性规划法确定非构造式动力学数学模型的模型参数148二、利用遗传算法确定过程模型参数157第三节利用人工神经网络建模和预测发酵过程的状态159一、神经细胞和人工神经网络模型159二、人工神经网络模型的类型161三、人工神经网络的误差反向传播学习算法163四、利用人工神经网络在线识别发酵过程的生理状态和浓度变化模式167五、利用人工神经网络的发酵过程状态变量预测模型169六、利用人工神经网络的非线性回归模型173七、结合使用人工神经网络模型和遗传算法的过程优化175第四节卡尔曼滤波器在发酵过程状态预测中的应用176一、卡尔曼滤波器及其算法176二、利用卡尔曼滤波器在线推定菌体的比增殖速率178参考文献180第六章发酵过程的在线自适应控制182第一节基于在线时间序列输入输出数据的自回归移动平均模型解析184一、自回归移动平均模型详解184二、利用逐次最小二乘回归法计算和确定自回归移动平均模型的模型参数186第二节基于自回归移动平均模型的在线自适应控制189一、“极配置”型的在线自适应控制系统189二、“最优控制”型的在线自适应控制系统190三、酵母菌流加培养过程的比增殖速率在线自适应最优控制193四、乳酸连续过滤发酵过程的在线自适应控制196第三节基于自回归移动平均模型的在线最优化控制201一、面包酵母连续生产的在线最优化控制201二、乳酸连续过滤发酵的在线最优化控制205第四节基于遗传算法的在线最优化控制210一、利用遗传算法实时在线跟踪和更新非构造式动力学模型的参数210二、结合使用最大原理和遗传算法的在线最优化控制212参考文献214第七章人工智能控制216第一节模糊逻辑控制器217一、模糊逻辑控制器的特点和简介217二、模糊语言数值表现法和模糊成员函数218三、模糊规则223四、模糊规则的执行和实施——解模糊规则的方法225五、模糊逻辑控制系统的构成、设计和调整228第二节模糊逻辑控制系统在发酵过程中的实际应用231一、酵母流加培养过程的模糊控制231二、谷氨酸流加发酵过程的模糊控制237三、辅酶q10发酵生产过程的模糊控制241四、模糊推理技术在发酵过程在线状态预测中的应用245第三节基于人工神经网络的控制系统及其在发酵过程中的应用250一、基于人工神经网络的在线自适应控制250二、模糊神经网络控制系统及其在发酵过程中的实际应用253三、模糊神经网络控制器及其在发酵过程中的应用260参考文献268第八章利用代谢网络模型的过程控制和优化270第一节代谢网络模型解析270一、代谢网络模型的简化、计算和求解272二、利用代谢网络模型的状态预测277第二节网络信号传递线图和利用网络信号传递线图的代谢网络模型278一、网络信号传递线图及其简化278二、利用代谢信号传递线图处理代谢网络281三、利用网络信号传递线图的代谢网络分析282第三节代谢网络模型在赖氨酸发酵过程在线状态预测和控制中的应用284一、简化代谢网络模型的建立286二、利用简化代谢网络模型进行在线状态预测的结果288参考文献290第九章计算机在生化反应过程控制中的应用291第一节过程工业的特点和计算机控制291一、过程工业的特点291二、数字计算机在过程控制中应用概述293第二节集散控制系统及接口技术296一、集散控制系统简介296二、集散控制系统的特点298三、过程接口技术299第三节柠檬酸发酵过程计算机控制系统设计302一、系统结构设计303二、组态软件设计304三、系统功能设计305四、系统控制算法及优化305第四节青霉素发酵过程专家控制系统307一、青霉素发酵过程的特点和控制上的困难307二、青霉素发酵过程专家控制系统308三、系统运行情况312

控制和优化、基于可实时测定的过程输入输出时间序列数据和黑箱模型的最优化控制方法9参考文献10第二章生物过程参数在线检测技术11第一节ph的在线测量13一、自回归移动平均模型详解184二、利用遗传算法实时在线跟踪和更新非构造式动力学模型的参数210二、生物过程中反馈控制与前馈控制的并用84第六节pid反馈控制系统的设计和解析86一、模糊神经网络控制系统及其在发酵过程中的实际应用253三、优化、生物过程最基本的合成和代谢分解反应51二、代谢网络模型146三、化学工程等相关专业领域研究的科研人员、青霉素发酵过程的特点和控制上的困难307二、复膜电极测定kla35第五节发酵罐内细胞浓度的在线测量和比增殖速率的计算36一、优化的基本特征1第二节生物过程控制和优化的目的及研究内容2第三节发酵过程控制概论4第四节发酵过程的状态变量、模糊语言数值表现法和模糊成员函数218三、在线激光浊度计38第六节生物传感器在发酵过程检测中的应用39一、模糊逻辑控制器的特点和简介217二、积分动作88四、生物过程的反馈控制83四、利用代谢信号传递线图处理代谢网络281三、系统控制算法及优化305第四节青霉素发酵过程专家控制系统307一、基于人工神经网络的在线自适应控制250二、利用人工神经网络的发酵过程状态变量预测模型169六、利用人工神经网络在线识别发酵过程的生理状态和浓度变化模式167五、控制和优化等方面的研究、代谢网络模型的简化、过程对于输入变量变化的响应特性71第四节过程的稳定性分析74一、辅酶q10发酵生产过程的模糊控制241四、过程的传递函数gp(s)——线性状态方程式的拉普拉斯函数表现形式69六、溶氧电极法32三、人工神经网络模型147五、模糊规则的执行和实施——解模糊规则的方法225五、系统结构设计303二、引流分析与控制（fia）45四、教师和工程师使用、人工神经网络的误差反向传播学习算法163四、呼吸代谢参数的计算26第四节发酵罐内氧气体积传质系数kla的测量31一，写成此书、有理函数的反拉普拉斯变换69五、直接以葡萄糖浓度为反馈指标的流加培养控制101五、模糊规则223四;stat法95二、组态软件设计304三、反馈控制系统的稳定性分析89七、连续搅拌式生物反应器的稳定特性的解析77第五节生物过程的反馈控制和前馈控制79一、生物工程，既关系到能否发挥菌种的最大生产能力、发酵过程状态方程式在“理想操作点”近旁的线性化64第三节拉普拉斯变换与反拉普拉斯变换67一、遗传算法在酸乳多糖最优化生产中的应用138参考文献143第五章发酵过程的建模和状态预测144第一节描述发酵过程的各类数学模型简介144一、溶氧电极19三、特点和方法106第二节最大原理及其在发酵过程最优化控制中的应用107一，博采众家之长、控制、过程传递函数的框图和转换70七、ph传感器的工作原理13二，以及在线控制和最优化控制的技术及方法进行了比较系统详细的介绍、遗传算法简介131二、生物传感器的类型和结构原理39二、卡尔曼滤波器及其算法176二、pid反馈控制器的构成特征89六、生物化工、闭回路pid反馈控制的性能特征86二、集散控制系统的特点298三、比例动作87三、格林定理在乳酸菌过滤培养最优化控制中的应用125四。目录第一章绪论1第一节生物过程的特点以及生物过程的操作、过程接口技术299第三节柠檬酸发酵过程计算机控制系统设计302一、结合使用最大原理和遗传算法的在线最优化控制212参考文献214第七章人工智能控制216第一节模糊逻辑控制器217一、表述。全书结合具体的发酵过程实例、有机酸等）浓度的在线测量47参考文献48第三章发酵过程控制系统和控制设计原理及应用49第一节过程的状态方程式49第二节生物过程的典型和基本数学模型51一、菌体浓度的检测方法及原理36二作为发酵工业中游技术核心的发酵过程控制和优化技术。本书作者多年来一直从事发酵过程的在线检测、利用网络信号传递线图的代谢网络分析282第三节代谢网络模型在赖氨酸发酵过程在线状态预测和控制中的应用284一，又会影响到下游处理的难易程度、取样极谱法35六、操作变量和可测量变量6第五节用于发酵过程控制和优化的各类数学模型7第六节发酵过程最优化控制方法概论8一、发酵过程的各种得率系数和各种比反应速率的表现形式57四、酵母菌流加培养过程的比增殖速率在线自适应最优控制193四、利用遗传算法确定过程模型参数157第三节利用人工神经网络建模和预测发酵过程的状态159一、亚硫酸盐氧化法31二、计算和求解272二，特别是在线检测、微分动作89五、利用人工神经网络的非线性回归模型173七、模糊逻辑控制系统的构成、谷氨酸流加发酵过程的模糊控制237三，分别对发酵过程的解析、模糊神经网络控制器及其在发酵过程中的应用260参考文献268第八章利用代谢网络模型的过程控制和优化270第一节代谢网络模型解析270一、利用简化代谢网络模型进行在线状态预测的结果288参考文献290第九章计算机在生化反应过程控制中的应用291第一节过程工业的特点和计算机控制291一，并引入了模糊逻辑推理、过程在平衡点（特异点）近旁的稳定特性的分类75三、溶氧电极的使用21第三节发酵罐内氧气和二氧化碳分压的测量以及呼吸代谢参数的计算23一、代谢网络模型等新型的控制、数字计算机在过程控制中应用概述293第二节集散控制系统及接口技术296一、集散控制系统简介296二、基于在线时间序列数据的自回归平均移动模型146四、利用代谢网络模型的状态预测277第二节网络信号传递线图和利用网络信号传递线图的代谢网络模型278一，在整个发酵过程中是一项承上启下的关键技术、最大原理的数值解法及其在生物过程最优化控制中的应用116第三节格林定理及其在发酵过程最优化控制中的应用121一、人工神经网络模型、动态测定法34五、格林定理121二、“最优控制”型的在线自适应控制系统190三、氧分析仪23二、青霉素发酵过程专家控制系统308三、系统功能设计305四、网络信号传递线图及其简化278二、生物过程典型的数学模型形式55三、遗传算法的算法概要及其在重组大肠杆菌培养的最优化控制中的应用132三、“极配置” 型的在线自适应控制系统189二、以溶氧浓度（do）变化为反馈指标的流加培养控制——do57361、ph传感器的使用15第二节溶氧浓度的在线测量18一、流加操作的生物过程中常见的前馈控制方式80三、过程工业的特点291二、拉普拉斯变换的定义68二、状态预测以及模式识别等方法和技术、基于非构造式动力学模型的最优化控制方法8二、利用格林定理求解流加培养（发酵）的最短时间轨道问题122三、反拉普拉斯变换69四、乳酸连续过滤发酵过程的在线自适应控制196第三节基于自回归移动平均模型的在线最优化控制201一、最大原理及其算法简介107二、结合使用人工神经网络模型和遗传算法的过程优化175第四节卡尔曼滤波器在发酵过程状态预测中的应用176一。本书适合于从事发酵工程、酵母流加培养过程的模糊控制231二、非构造式动力学模型145二、发酵罐基质（葡萄糖等）浓度的在线测量43三、溶氧浓度测量原理18二，也可供大专院校相关专业的高年级本科生和研究生参考、尾气co2分压的检测26三、物料衡算法33四、开关反馈控制94第七节反馈控制系统在生物过程控制中的实际应用95一、简化代谢网络模型的建立286二、利用最大原理确定流加培养过程的最优基质流加策略和方式111三、利用非线性规划法确定非构造式动力学数学模型的模型参数148二、生物过程的前馈控制79二、模糊推理技术在发酵过程在线状态预测中的应用245第三节基于人工神经网络的控制系统及其在发酵过程中的应用250一、发酵罐器内一级代谢产物（乙醇、生物反应器的基本操作方式62五、神经细胞和人工神经网络模型159二、以代谢副产物浓度为反馈指标的流加培养控制103参考文献105第四章发酵过程的最优化控制106第一节最优化控制的研究内容、面包酵母连续生产的在线最优化控制201二;stat法98三、拉普拉斯变换的基本特性以及基本函数的拉普拉斯变换68三、过程稳定的判别标准74二、设计和调整228第二节模糊逻辑控制系统在发酵过程中的实际应用231一、反馈控制系统的设计和参数调整91八、乳酸连续过滤发酵的在线最优化控制205第四节基于遗传算法的在线最优化控制210一、以ph变化为反馈指标的流加培养控制——ph57361、解析、利用逐次最小二乘回归法计算和确定自回归移动平均模型的模型参数186第二节基于自回归移动平均模型的在线自适应控制189一、利用卡尔曼滤波器在线推定菌体的比增殖速率178参考文献180第六章发酵过程的在线自适应控制182第一节基于在线时间序列输入输出数据的自回归移动平均模型解析184一、利用格林定理进行乳酸菌过滤培养最优化控制的计算机模拟和实验结果128第四节遗传算法及其在发酵过程最优化控制中的应用131一、以rq为反馈指标的流加培养控制100四、人工神经网络模型的类型161三，在借鉴国外的有关最新研究成果和作者自身完成的研究实例的基础上、正交或多项式回归模型148第二节非构造式动力学数学模型的建模方法148一、在线状态预测和模式识别

题目：一、ga求解模型 [x,fval]=ga(@fitnessfun,nvars,A,b,Aeq,beq,lb,ub,@nonlcon,options)二、fmincon求解模型 x = fmincon(@fitnessfun,x0,A,b,Aeq,beq,lb,ub,@nonlcon,options) ga函数中包含nvars（适应度函数的独立变量个数），而 fmincon 函数 中需要变量初值x0，这是二者的不同之处。三、结果对比总之，遗传算法适用于求解非标准算法无法求解的问题，即目标函数不连续、不可微、随机或高度非线性的问题。 当然， 用 遗传 算法去求解相 对简单的问题 有助于 理解 其具体原理，相对于研究复杂问题，较简单的问题同样可以用于学习遗传算法。

企业第三原理：熊彼特的创新利润原理 6 华与华围棋模型为往圣继绝学，讲完五力模型，下面再讲讲华与华其他的一些战略思维模型。 围棋是中国人的游戏，围棋思维是中国人的战略思维方式！ 企业家好比一个将军，每一个产品，每一块业务，就像是一支军队。在战场上，我们的目标是全面胜利，而每一支部队有不同的战斗任务，有投入战场的先后次序。 克劳塞维茨说：“所有的会战都是为了最后的决战。”粟裕说：“第一次战斗要为第二次战斗创造条件。” 所以，要把每一次会战的次序安排好。 我们说业务组合和产品结构，构成了社会问题的解决方案。我们设计出业务组合和产品结构，就是规划出了解决方案。但是，当我们规划出解决方案的时候，我们并不拥有所有这些产品和业务，还需要研发和并购，这里有一个过程。就像我们说的，360转型互联网安全之后，收购了网神、网康，逐步搭建起新的产品结构，再一个个把它们推向市场。 这就相当于我要建设一座城市，得先有一个战略，这个城市发展什么产业，吸引哪些人口，然后根据我的战略，做出城市规划。这个规划，就是城市的“产品结构规划”。规划完成之后，要有开发策略，从哪里启动，这是启动策略。然后有近期发展规划、中期发展规划、远期发展规划，这是一个投资建设的次序。次序不同，则投资策略不同，需要的资源不同，承担的风险也不同。 所以我们也说：“产品结构就是企业战略路线图。” 我形成这个思想的时间很早，应该说是在1999年，我就希望在益佰制药的克刻品牌上实现这个战略。 在克刻上呼吸道感染药品品牌战略规划中，我们规划了咳嗽药、感冒药、发烧药三个大类，我们的路线图是什么呢？从第一个咳嗽药——克咳胶囊——开始投放市场，并投资广告。在克咳胶囊的广告里，我们用了一个“Ke～Ke～”的唱音作为品牌声音符号。那么克咳胶囊的战略任务就是成功占领市场，并且建立“KeKe”品牌。 第二步，注册“克刻”商标，从“克咳胶囊”产品变成“克刻”品牌——声音符号都是“Ke～Ke～”。然后，克咳胶囊变成克刻牌克咳胶囊，推出“克咳，专业镇咳”的克刻牌第二个产品——克咳牌小儿止咳糖浆。为什么推克刻牌小儿止咳糖浆？因为这一步最容易走，一个咳嗽药品牌推出一个儿童药品种，相当于是边际效益的放大，所以很容易就成功了。克刻牌小儿止咳糖浆的战略任务，是建立“克刻家族”的品牌。“Ke～Ke～”也从克咳胶囊品种品牌声音符号，转换为克刻品类品牌声音符号了。 第三步，推出克刻牌感冒止咳糖浆，它的战略任务，是将克刻品牌价值放大到感冒药的范畴。 这种战略思维的方式，我们称之为“华与华围棋模型”。我写了一首打油诗：在围棋棋盘的中间，我画了一把镰刀，称之为“战略镰刀”。用战略布局建立品类品牌，最后在整个品类收割草肚皮，获得边际效益的最大化——草肚皮效益。克刻胶囊是我们落下的 第一个子，占了一个金角，做活了。克刻牌小儿止咳糖浆是银边，顺着克咳胶囊占据的根据地，拉出了一条边际效益来。克刻牌感冒止咳糖浆是我们占的第二个角，也做活了，准备拉感冒药的银边，但这个时候没有继续往下走，停止了在非处方药领域的投资，因为它的财务回报不如处方药，董事会的脑袋里没有装着我下的这盘棋。 在葵花药业，我们走得远一些，基本上把架子搭了起来，他目前也实实在在是中国儿童药的第一品牌。 2007年给葵花药做的规划，我们分了非处方药、处方药、保健食品、儿童个人护理品和其他，一共五个业务板块，以非处方药为启动战略建立品牌，收购形成处方药产品线，然后发展保健品和儿童个人护理业务。 华与华自己的围棋模型也是一样，第一个金角，是咨询服务；第二个是书籍出版，《超级符号就是超级创意》的出版，促进了咨询业务的获客；而“华杉讲透中国历史智慧”系列的出版，则把品牌的影响力扩大到更大范围。2019年，连续推出第三、第四产品，就是培训业务和百万大奖赛，都非常顺利。这种顺利，可以说是之前咨询和出版所积累价值释放的边际效益，其本身也成为咨询业务新的获客渠道。也就是说，我们把本来需要付出的获客成本，比如为吸引客户转化而举办的讲课和研讨会，全部打造成可销售的产品，变成为为收入。华与华核心价值观，第一句话是“不骗人”，我们说收钱就收钱，没有给一些有影响力的人免费，又利用他们的影响力去收另一些人的钱。这也有助于建立我们的价值观品牌。

这应该是宏观经济学的知识，加速原理的意思是说，举个例子，比如政府减税了，减的那部分人们可以用来直接消费，GDP就高了，但是一部分可能用来投资，货币的流通次数多了，GDP会更多。或者说中央银行发行了货币，但是基础货币在市场不断流通，它创造的价值就远大于发行的货币总数。

git 的对象有两种： 一种是 松散对象 ，就是在如上 .git/objects 的文件夹 03 28 7f ce d0 d5 e6 f9 等，这些文件夹只有 2 个字符开头，其实就是每个文件 SHA-1 值的前 2 个字母，最多有 #OXFF 256 个文件夹。 一种是 打包压缩对象 ，打包压缩之后的对象主要存在的是 pack 文件中，主要用于文件在网络上传输，减少网络消耗。 为了节省存储空间，可以手动触发打包压缩操作 (git gc)，将松散对象打包成 pack 文件对象。也可以将 pack 文件解压缩成松散对象 (git unpack-objects) pack 文件设计非常精密和巧妙，本着降低文件大小，减少文件传输，降低网络开销和安全传输的原则设计的。pack 文件设计的概图如下： pack 文件主要有三部分组成，Header， Body， Trailer 下面我们看具体的 pack 文件： 从上图可知：通过 idx 索引文件在 pack 文件中定位到对象之后，对象的结构主要 Header 和 Data 两部分。 1、Header 部分 Header 中首 8-bits：1-bit 是 MSB，接着的 3-bits 表示的是当前对象类型，主要有6种存储类型，接着的 4-bits 是用于表示该 Object 展开的 (length) 大小的一部分，只是一部分，完整的大小取决于MSB和接下来的多个 bits，完整算法如下： 2 Data 部分 经过 Zlib 压缩过的数据。可能是全部数据，也有可能是 Delta 数据，具体看 Header 部分的存储类型，如果是 OBJ_OFS_DELTA 或者 OBJ_REF_DELTA 此处存储的就是增量 (Delta) 数据，此时如果要取得全量数据的话，需要递归的找到最 Base Object，然后 apply delta 数据，在 base object 基础上进行 apply delta 数据也是非常精妙的，此文暂不做介绍。 从上面可以很清晰知道 pack 文件格式，我们再从本地仓库中一探究竟：不是增量 delta 格式： 增量 delta 格式： 如 399334856af4ca4b49c0008a25b6a9f524e40350(SHA-1) 表示对象的 base object SHA-1 是 cb5a93c4cf9c0ee5b7153a3a35a4fac7a7584804，base 对象最大深度 (depth) 为 1，如果cb5a93c4cf9c0ee5b7153a3a35a4fac7a7584804 还有引用对象，则改变 depth 为 2。 pack Header 中最后 4-bytes 用于表示的 pack 文件中 objects 的数量，最多 2 的 32 次方个对象，所以一些大的工程中有多个 pack 文件和多个 idx 文件。 文件的 size (文件解压缩后大小) 有什么用呢，这个是为了方便我们进行解压的时候，设置流的大小，也就是方便知道流有多大。这里 size 不是说明下一个文件的偏移量，偏移量都是来自索引文件，见下面 idx： 由于 version1 比较简单，下面用 version2 为例子： 分层模式：Header，Fanout,SHA，CRC，Offset，Big File Offset，Trailer。 Header 层 version2 的 Header 部分总共有 8-bytes，version 1 的 header 部分是没有的，前 4-bytes 总是 255, 116, 79, 99 因为这个也是版本 1 的开头四个字节，后面 4-bytes 用于表示的是版本号，在当前就是 version 2。 Fanout 层 fanout 层是 git 的亮点设计，也叫 Fanout Table（扇表）。fanout 数组中存储的是相关对象的数目，数组下标是对应 16 进制数。fanout 最后一个存储的是整个 pack 文件中所有对象的总数量。Fanout Table 是整个 git 检索的核心，通过它我们可以快速进行查询，用于定位 SHA 层的数组起始 - 终止下标，定位好 SHA 层范围之后，就可以对 SHA 层进行二分查找了，而不用对所有对象进行二分查找。 fanout 总共 256 个，刚好是十六进制的 #0xFF。fanout 数组用 SHA 的前面 2 个字符作为下标(对应 .git/objects 中的松散文件目录名，将 16 进制的目录名转换 10 进制数字)，里面值就是用这两个字符开头的文件数量，而且是逐层累加的，后面的数组数量是包含前面数组的数据的个数的一个累加。 举例如下：1）如果数组下标为 0，且 Fanout[0] = 10 代表着 #0x00 开头的 SHA-1 值的总数为 10 个。 2） 如果数组下标为 1，且 Fanout[1] = 15 代表着小于 #0x01 开头的 SHA-1 值的总数为 15 个，从 Fanout[0] = 10 知 Fanout[1] = （15-10） 为什么 git 设计上 Fanout[n] 会累加 Fanout[n-1] 的数量？这个主要是为了快速确定 SHA 层检索的初始位置，而不用每次去把前面所有 fanout[..n-1] 数量进行累加。 SHA 层 是所有对象的 SHA-1 的排序，按照名称排序，按照名称进行排序是为了用二分搜索进行查找。每个 SHA-1 值占 20-bytes。 CRC 层 由于文件打包主要解决网络传输问题，网络传输的时候必须通过 crc 进行校验，避免传输过程中的文件损坏。CRC 数组对应的是每个对象的 CRC 校验和。 Offset 层 是由 4 byte 字节所组成，表示的是每个 SHA-1 文件的偏移量，但是如果文件大于 2G 之后，4 byte 字节将无法表示，此时将： 4 byte 中的第一 bit 就是 MSB，如果是 1 表示的是文件的偏移量是放在第 6 层去存储，此时剩下的 31-bits 将表示文件在 Big File Offset 中的偏移量，也就是图中的，通过 Big File Offset 层 就可以知道对象在 pack 中的 offset。 4 byte 中的第一 bit 就是 MSB，如果是 0 31-bits 表示的存储对象在 packfile 中的文件偏移量，此时不涉及 Big File Offset 层 Big File Offset 层 用于存储大于 2G 的文件的偏移量。如果文件大于 2G，可以通过 offset 层最后 31 bits 决定在 big file offset 中的位置，big file offset 通过 8 bytes 来表示对象在 pack 文件中的位置，理论上可以表示 2 的 64 次方文件大小。 Trailer 层 包含的是 packfile checksum 和关联的 idx 的 checksum。 索引流程 从上面的分层知道 git 设计的巧妙。git 索引文件偏移量的查询流程如下： 查询算法通过 idx 文件查询 SHA-1 对应的偏移量： 在 pack 文件中通过偏移量找到对象： 如果是普通的存储类型。定位到的对象就是用 Zlib 压缩之后的对象，直接解压缩即可。 如果是 Delta 类型需要 递归查出 Delta 的 Base 对象，然后再把 delta data 应用到 base object 上(可参考 git-apply-delta)。

点开我们熟悉的 Adobe 全家桶系列图标~Dimension的IconDimension 的起始页面我觉得非常地漂亮，虽然可以肯定是 Dimension 制作，但是是否完全不依靠后期修饰尚未可知。Dimension 启动页打开 Dimension 的主页面后可以辨别出三个不同的功能分区，一个是创建新文件和打开旧文件，一个是最近打开过的文件，还有一个是展示型和教学型的功能分区。我们首先新建一个全新的文件。我们可以看到，主要的工作页面被分割成三个部分。横向对比同类型的3D软件，DN的页面十分清爽，由对象栏，主视图，属性栏构成，比3D max C4D 那些头晕目眩的功能排列高得不知道哪里去了。但这也决定了 DN 功能较为单薄，无法制作复杂图形的缺憾。Dn的对象栏目主要被分为五个部分，第一个部分是汇总，第二个是形状创建，第三个是材质，第四个是灯光，第五个是预设场景。一定要表扬的是 Dn 自带的一系列打光，Adobe 将其设置为一系列的摄影棚。对于在其他软件打光无比弱的我来说，预设好的光效真的是我自己手动永远打不出来的……形状建立材质建立光效建立我想要制作的是一块木板的产品海报，在淘宝中搜索出来的同类型海报是酱紫的~嗯，中华土味系列…由于刚接触DN，并且 DN 的功能并不算完善，所以决定从简单的产品做起，先建立一个立方体，使用快捷键 T 进行拉伸，使其成为木板的形状。使用快捷键 V 以及快捷键 R 进行移动和旋转，调整木板的角度。使用快捷键 alt 拖动，复制出一块同样的木板胚。Dn 一般来说是默认做好打光的效果，所以一般来说我们首先调整对象的材质。虽然 Dn 有很多默认的材质，但是做产品我们需要自备材质纹理，存储为 PSD 或 JPG 格式都可以，材质和贴图在 Dn 中被默认放在一起，很方便，但是其贴图的BUG 也无比多，贴图的体验非常差，希望未来可以优化。在制作材质的过程中，我们可以对材质和贴图的光滑程度，透明程度，折射程度等等进行设置，设置的参数调整在右边的属性栏中。并且我们可以用快捷键 I 吸取材质，这一点是 Adobe 全家桶的共同特点~在调整好产品后，我们可以适当的加入一些装饰性元素，Dn 中可供装饰的材料较少，我个人比较喜欢液体（u2044(u2044 u2044u2022u2044ωu2044u2022u2044 u2044)u2044邪恶了）作为装饰，由于产品较大，需要进行对比，因此我加入了电脑作为一个尺寸的参照物。最后对光效进行调整，确保产品表面有光泽也保留原有纹理。然后就进入渲染页面，渲染页面在左上角 design 的旁边，渲染可选择的参数有质量（千万不要选高，等不到结束），位数（其实我自己也没搞懂是啥意思，但是32位数导出后在 PS 里会遇到很多麻烦）以及存储的位置。在渲染的过程中，如果预览图已经达到你的要求，可以果断的点击相机直接保存，这一点我觉得真的太人性化了，对于电脑配置一般的小伙伴来说，渲染的时间实在太久，质量差一些反而不会影响太大。保存后是一个分层的 PSD，导入 PS 之后非常非常人性化的将不同的材质面用彩色进行了分块，因此我们可以用魔棒选中进行精加工。在制作过程中我发现，Dn 对于阴影的渲染非常地弱，无论质量开到多高渲染多久，最后的阴影都会出现颗粒状，因此必须在 PS 中进行加工。在对阴影进行加工的过程中，我尝试了很多中方式，高斯模糊会导致阴影的边缘模糊，非常不自然，最终发现从来没用过的表面模糊可以非常完美的解决颗粒化的问题，获得完美的阴影。最终成品综上所述，使用 DN 制作了大量产品效果图后，我的使用观感如下。优势界面清爽，功能排列逻辑性强，容易上手预设材质光效十分优越，方便快捷，有大量 mockup 预设渲染速度较快，并且可以中途保存渲染后可直接生成分层式 PSD 有利于后期精修劣势功能较少，无法完成复杂模型预设材质自定义属性较少，光效无法编辑属性渲染质量较差（阴影部分尤其差，颗粒感极强）建立大量模型后卡顿严重，出现无法编辑，编辑错误的 BUG因此，Dn 是一个比较合适与 VI 设计中贴图制作效果，以及较为简单的产品模型设计的软件，可以说，它无法被称之为一个3D软件，更像是一个平面设计师辅助使用的3D工具。可以利用其做一些较为简单的设计工作，但是真的要建模，还是老老实实的学 C4D 吧~下次分享用 Dn 贴图的使用体验~请点击输入图片描述

很明显，不识别中文名。把‘原尺寸“改为英文的吧

您要问的是海洋声学典型声场模型的原理及应用是什么吗？原理：声速剖面模型，相对应的应用：声呐系统设计。1、声速剖面模型原理：海洋中的声速剖面是指声速随深度距离变化的情况，典型声场模型会考虑海洋中的温度、盐度、压力等因素对声速的影，并使用数学函数或实测数据来描述声速剖面的变化。2、声呐系统设计应用：声呐系统设计通过建立声场模型（参考声速剖面模型），评估呐系统在不同海环境下的能，包括探测距离、分辨率信噪比等指标，从而指导声呐系统的设计和优化。

飞机是比空气重的飞行器，因此需要消耗自身动力来获得升力。而升力的来源是飞行中空气对机翼的作用。机翼的上表面是弯曲的，下表面是平坦的，因此在机翼与空气相对运动时，流过上表面的空气在同一时间(T)内走过的路程(S1)比流过下表面的空气的路程(S2)远，所以在上表面的空气的相对速度比下表面的空气快(V1=S1/T>V2=S2/T1)。根据帕奴利定理——“流体对周围的物质产生的压力与流体的相对速度成反比。”，因此上表面的空气施加给机翼的压力F1小于下表面的F2。F1、F2的合力必然向上，这就产生了升力。从机翼的原理，我们也就可以理解螺旋桨的工作原理。螺旋桨就好像一个竖放的机翼，凸起面向前，平滑面向后。旋转时压力的合力向前，推动螺旋桨向前，从而带动飞机向前。当然螺旋桨并不是简单的凸起平滑，而有着复杂的曲面结构。老式螺旋桨是固定的外形，而后期设计则采用了可以改变的相对角度等设计，改善螺旋桨性能。飞行需要动力，使飞机前进，更重要的是使飞机获得升力。

可能是转换引擎坏了你可以将模型转换成共用格式,如x_t,iges之类,用icem打开。

不了解乐高的软件，你可以看看文件...导出模型里，可以导出哪些格式的文件，然后再看导出的这些文件格式，用什么其他三维软件能打开，慢慢试，慢慢转。我找了个乐高模型看了下，基本上想整体打印，费用会很高很高很高，你就不用想了；估计你是缺零件了，那就随便找个能另存STL格式的软件画一个，打印这个就好了。CAD，MAX都行。

最近我们实验室整理发布了一批开源NLP工具包，这里列一下，欢迎大家使用。未来不定期更新。2016年3月31日更新，在THULAC新增Python版本分词器，欢迎使用。中文词法分析THULAC：一个高效的中文词法分析工具包包括中文分词、词性标注功能。已经提供C++、Java、Python版本。中文文本分类THUCTC: 一个高效的中文文本分类工具提供高效的中文文本特征提取、分类训练和测试功能。THUTag: 关键词抽取与社会标签推荐工具包GitHub - YeDeming/THUTag: A Package of Keyphrase Extraction and Social Tag Suggestion提供关键词抽取、社会标签推荐功能，包括TextRank、ExpandRank、Topical PageRank（TPR）、Tag-LDA、Word Trigger Model、Word Alignment Model等算法。PLDA / PLDA+: 一个高效的LDA分布式学习工具包https://code.google.com/archive/p/plda/知识表示学习知识表示学习工具包GitHub - Mrlyk423/Relation_Extraction: Knowledge Base Embedding包括TransE、TransH、TransR、PTransE等算法。考虑实体描述的知识表示学习算法GitHub - xrb92/DKRL: Representation Learning of Knowledge Graphs with Entity Descriptions词表示学习跨语言词表示学习算法Learning Cross-lingual Word Embeddings via Matrix Co-factorization主题增强的词表示学习算法GitHub - largelymfs/topical_word_embeddings: A demo code for topical word embedding可解释的词表示学习算法GitHub - SkTim/OIWE: Online Interpretable Word Embeddings考虑字的词表示学习算法GitHub - Leonard-Xu/CWE网络表示学习文本增强的网络表示学习算法GitHub - albertyang33/TADW: code for IJCAI2015 paper "Network Representation Learning with Rich Text Information"

一、编程语言的选择能完成数字矿床模型专家系统的软件实现的编程语言必须满足计算能力强、描述能力强、可视化能力强、兼容性和移植性强的特点。Visual C++是Microsoft公司杰出的开发工具，满足上述特点，同时Microsoft公司的Office系列产品同时作为COM组件，与Visual C++提供了无缝连接。Dephi是Borland公司杰出的开发工具，满足上述特点，丰富的控件操作简单，有很大的优势。综合考虑，决定利用Visual C++作为数字矿床模型专家系统开发工具。二、知识库数据结构(一)地质事实数据结构每一个地质事实是推理树上的一个结点，每个结点是类CNode的一个实例。CNode{数据对象：strNote含义：结点的中文解释。sName含义：结点的名称；nType含义：结点的类型。取值-1表示该结点为顶极结点或根，取值0表示该结点为分支结点或分叉，取值＞1表示该结点为终端结点或叶子。fUnderPro含义：结点的后验概率值，也就是推理过程中的修正概率值，随着推理过程在时间上的延续而不断修正直至不再变化为止。顶极结点的后验概率值是推理结果的体现。fPrePro含义：顶极结点、分支结点的先验概率值。这是一个由领域专家给出的经验值。fReliability含义：终端结点的可信度值，取值范围是-5至5的11个整数。这是一个用户在一定的观察下提供给系统的主观值。IsSelected含义：结点是否被激活的标志信息。顶极结点或分支结点的先验概率值一旦发生变化，则该结点激活标志是TRUE，终端结点一旦被选中，则该结点激活标志是TRUE；否则该结点激活标志是FALSE。基本操作：CNode(name，type，prepro，reliability)操作结果：构造一个名称为name，类型为type，先验概率值为prepro，可信度值为reliability的结点。～CNode( )初始条件：相应结点已经存在。操作结果：销毁相应结点。setName(name)初始条件：相应结点已经存在。操作结果：设置结点的名称为name。setNote(note)初始条件：相应结点已经存在。操作结果：设置结点的中文解释为note。setType(type)初始条件：相应结点已经存在。操作结果：设置结点的类型为type。setPrePro(prepro)初始条件：相应结点已经存在。操作结果：设置结点的先验概率值为prepro。setReliability(re)初始条件：相应结点已经存在。操作结果：设置结点的可信度值为re。setUnderPro(underpro)初始条件：相应结点已经存在。操作结果：设置结点的后验概率值为underpro。setStatus(selected)初始条件：相应结点已经存在。操作结果：设置结点的激活标志为selected。getName( )初始条件：相应结点已经存在。操作结果：返回结点的名称。getNote( )初始条件：相应结点已经存在。操作结果：返回结点的中文解释。getType( )初始条件：相应结点已经存在。操作结果：返回结点的类型。getPrePro( )初始条件：相应结点已经存在。操作结果：返回结点的先验概率值。getReliability( )初始条件：相应结点已经存在。操作结果：返回结点的可信度值。getUnderPro( )初始条件：相应结点已经存在。操作结果：返回结点的后验概率值。getStatus( )初始条件：相应结点已经存在。操作结果：返回结点的激活状态。}(二)推理规则数据结构每一条推理规则就是关联结点之间的一个二元关系。每一个二元关系是类CRule的一个实例。CRule{数据对象：ruleName含义：规则的名称。premiseNode含义：规则的前件。actionNode含义：规则的结论。LS含义：规则的充分性度量值。这是一个由领域专家给出的经验值。这个值反映的是前件的出现对结论为真的影响程度，取值范围[1，+∞)，这个值离1越远表示越充分。LN含义：规则的必要性度量。这是一个由领域专家给出的经验值。这个值反映的是前件不存在时对结论为真的影响程度，取值范围(0，1]，这个值离1越远表示越必要。IsActive含义：规则的激活标志。一旦规则被使用，激活标志是 TRUE，否则是FALSE。基本操作：CRule( )操作结果：构造一个规则。～CRule( )初始条件：相应的规则已经存在。操作结果：销毁相应规则。setMember(name，premise，action，Ls，Ln)初始条件：相应的规则已经存在。操作结果：设置相应规则的名称为name，前件为premise，结论为action，充分性度量值为Ls，必要性度量值为Ln。setName(name)初始条件：相应的规则已经存在。操作结果：设置相应规则的名称为name。setPremise(premise)初始条件：相应的规则已经存在。操作结果：设置相应规则的前件为premise。setAction(action)初始条件：相应的规则已经存在。操作结果：设置相应规则的结论为action。setLs(ls)初始条件：相应的规则已经存在。操作结果：设置相应规则的充分性度量值为ls。setLn(ln)初始条件：相应的规则已经存在。操作结果：设置相应规则的必要性度量值为ln。SetStatus(status)初始条件：相应的规则已经存在。操作结果：设置相应规则的激活标志为status。getRuleName( )初始条件：相应结点已经存在。操作结果：返回相应规则的名称。getPremise( )初始条件：相应结点已经存在。操作结果：返回相应规则的前件。getAction( )初始条件：相应结点已经存在。操作结果：返回相应规则的结论。getLS( )初始条件：相应结点已经存在。操作结果：返回相应规则的充分性度量值。getLN( )初始条件：相应结点已经存在。操作结果：返回相应规则的必要性度量值。getStatus( )初始条件：相应结点已经存在。操作结果：返回相应规则的激活标志。}；(三)主要变量矿床模型数 int m_Mode 1 Num；地质事实结点数 int g_iNodeNum；地质事实结点指针 CNode*g_pNode；每一种矿床模型推理规则数 int*m_pRule-Num；推理规则二重指针 CRule**m_ppRule。三、推理模型的软件实现数字矿床模型专家系统推理流程如图6-14。图6-14 数字矿床模型专家系统推理流程图(一)正向推理流程图6-15是数字矿床模型专家系统正向推理流程图。正向推理部分代码释义如下：1.解析析取式strPremise=m_ppRule[k][i].getPremise( )；ipor=strPremise.Find(＂.OR.＂)；if(ipor＞-1){qq=0；for(p=0；p＜strPremise.GetLength( )；p++)if(strPremise.GetAt(p)==ˊ.ˊ)qq++；qq/=2；num=qq；CString*pstr=new CString[num+1]；qq=0；p=0；r=0；strPremise+=ˊ.ˊ；while(p＜strPremise.GetLength( )){if(strPremise.GetAt(p)==ˊ.ˊ){pstr[qq]=strPremise.Mid(r，p-r)；qq++；图6-15 数字矿床模型专家系统正向推理流程图p+=4；r=p；}elsep++；}imax=-6.0 f；flg=TRUE；for(mm=0；mm＜=num；mm++){nn=0；while(flg＆＆nn＜m iNodeNum){if(g_pNode[nn].getStatus( )g_pNode[nn].getName( )==pstr[mm]){if(g_pNode[nn].getReliability( )＞imax){imax=g_pNode[nn].getReliability( )；strPremise=g_pNode[nn].getName( )；}flg=FALSE；}nn++；}}delete[]pstr；}2.前件为叶子结点的推理if(g_pNode[j].getType( )＞=1){ph=g_pNode[l].getPrePro( )；oh=computeP2O(ph)；ces=g_pNode[j].getReliability( )；phs=0.0 f；if(ces＞0.0){phe=float(ls*oh/(1.0+ls*oh))；phs=float(ph+(phe-ph)*ces*0.2)；}else{ph_e=float(ln*oh/(1.0+ln*oh))；phs=float(ph_e+(ph-ph_e)*(ces*0.2+1.0))；}ohs=computeP2O(phs)；if(g_pNode[l].getUnderPro( )==0.0)g_pNode[l].setUnderPro(phs)；elseg_pNode[l].setUnderPro(computeO2P(computeP2O(g_pNode[l].getUnderPro( ))*ohs/oh))；}3.前件为非叶子结点的推理if(g_pNode[j].getType( )==0){pe=g_pNode[j].getPrePro( )；pes=g_pNode[j].getUnderPro( )；ph=g_pNode[l].getPrePro( )；oh=computeP2O(ph)；phs=0.0 f；if(pes＞=pe){phe=float(ls*oh/(1.0+ls*oh))；phs=float(ph+(phe-ph)*(pes-pe)/(1.0-pe))；}else{ph_e=float(ln*oh/(1.0+ln*oh))；phs=float(ph_e+(ph-ph_e)*pes/pe)；}if(g_pNode[l].getUnderPro( )==0.0)g_pNode[l].setUnderPro(phs)；else{float ohs=computeP2O(phs)；g_pNode[l].setUnderPro(computeO2P(computeP2O(g_pNode[l].getUnderPro( ))*ohs/oh))；}}4.BP模型或典型铜矿匹配出发的推理if(g_pNode[i].getName( )==＂bp＂∣∣g_pNode[i].getName( )==＂typical＂){if(g_pNode[i].getNote( )==g_pNode[remember].getName( )){float PH=g_pNode[remember].getPrePro( )；float OH=computeP2O(PH)；float CES=5.Of；BOOL flags=TRUE；int ffff=0；float LS，LN；while(flags＆＆ffff＜m pRuleNum[k]){if(m_ppRule[k][ffff].getPremise( )==g_pNode[i].getName( )＆＆m_ppRule[k][ffff].getAction( )==g_pNode[remember].getName( )){m_ppRule[k][ffff].setStatus(TRUE)；LS=m_ppRule[k][ffff].getLS( )；LN=m_ppRule[k][ffff].getLN( )；flags=FALSE；}ffff++；}float PHE=float(LS*OH/(1.0+LS*OH))；float PHS=float(PH+(PHE-PH)*CES*0.2)；float OHS=computeP2O(PHS)；if(g_pNode[remember].getUnderPro( )==0.0){g_pNode[remember].setUnderPro(PHS)；}else{g_pNode[remember].setUnderPro(computeO2P(computeP2O(g_pNode[remember].getUnderPro( ))*ohs/oh))；}}}(二)反向推理流程图6-16是数字矿床模型专家系统反向推理流程图。反向推理部分代码释义如下：1.抽取未激活的相关地质事实(含析取式)if(l=strPremise.Find(＂.OR.＂)＞-1){qq=0；for(p=0；p＜strPremise.GetLength( )；p++)if(strPremise.GetAt(p)==ˊ.ˊ)图6-16 数字矿床模型专家系统反向推理流程图qq++；qq/=2；num=qq；CString*pstr=new CString[num+1]；qq=0；p=0；r=0；strPremise+=ˊ.ˊ；while(p＜strPremise.GetLength( )){if(strPremise.GetAt(p)==ˊ.ˊ){pstr[qq]=strPremise.Mid(r，p-r)；qq++；p+=4；r=p；}elsep++；}for(mm=0；mm＜=num；mm++){for(k=0；k＜g iNodeNum；k++){if(g_pNode[k].getName( )==pstr[mm]＆＆！g_pNode[k].getStatus( )){g_pNode[k].setUnderPro(-100)；break；}}}delete[]pstr；}2.抽取未激活的相关地质事实(含合取式)if(l=strPremise.Find(＂.AND.＂)＞-1){qq=0；for(p=0；p＜strPremise.GetLength( )；p++)if(strPremise.GetAt(p)==ˊ.ˊ)qq++；qq/=2；num=qq；CString*pstr1=new CString[num+1]；qq=0；p=0；r=0；strPremise+=ˊ.ˊ；while(p＜strPremise.GetLength( )){if(strPremise.GetAt(p)==ˊ.ˊ){pstr1[qq]=strPremise.Mid(r，p-r)；qq++；p+=5；r=p；}elsep++；}for(mm=0；mm＜=num；mm++){for(k=0；k＜g iNodeNum；k++){if(g_pNode[k].getName( )==pstr1[mm]＆＆！g_pNode[k].getStatus( )){g_pNode[k].setUnderPro(-100)；break；}}}delete[]pstr1；}四、解释系统的软件实现(一)推理报告的结构系统为每一次推理生成一份推理报告，为MS WORD文档。报告分为两个部分：正向推理报告和反向推理报告，每一部分又由用户提供证据清单和推理过程描述组成，推理过程描述采用三段论格式，并附有相关概率值、规则的充分性度量及必要性度量值。(二)推理报告实现原理推理报告的实现采用了基于COM的OLE自动化技术(图6-17)。图6-17 COM组件、COM对象和COM接口之间的关系图Windows系统平台上，一个COM组件可以是一个DLL文件，也可以是一个EXE 文件。一个组件程序可以包含多个COM对象，并且每个COM对象可以实现多个接口。MS OFFICE的类型库文件提供了COM功能的子集，更重要的是，类型库文件提供了类，一个类描述一个COM对象。类型库标识了自动化客户区需要调用的COM对象属性和方法的全部信息，类型库描述了属性接受或返回的值，也提供了方法能够接收参数的类型和是否必需的。类型库可以是DLL文件、EXE文件或TLB文件。每一个MS OFFICE应用程序在DLL文件中都提供多个类型库资源，带有类型库资源的DLL通常叫做对象库(.OLB文件)。其中MS WORD 97的对象库文件是Msword8.olb，MS WORD 2000的对象库文件是 Msword9.olb。(三)生成推理报告部分代码释义1.COM初始化if(！AfxOleInit( )){AfxMessageBox(＂Could not initialize COM dll＂)；return FALSE；}2.创建WORD实例初始化文档_Application oWord；if(！oWord.CreateDispatch(＂Word.Application＂)){AfxMessageBox(＂Word failed to start!＂)；}else{oWord.SetVisible(TRUE)；Documents oDocs；_Document oDoc；oDocs=oWord.GetDocuments( )；oDoc=oDocs.Add(vtOptional，vtOptional，vtOptional，vtOptional)；}3.设置文档格式、字体并输出Selection oSelection；Paragraphs oParagraphs；oSelection=oWord.GetSelection( )；oParagraphs=oSelection.GetParagraphs( )；oParagraphs.SetAlignment(1)；_Font oFont；oFont=oSelection.GetFont( )；oFont.SetSize(18)；oSelection.TypeText(StrToAdd)；InsertLines(＆oSelection，1)；oParagraphs.SetAlignment(0)；oParagraphs=oSelection.GetParagraphs( )；oParagraphs.SetAlignment(3)；4.超级链接和日期Hyperlinks oHyperlinks；oHyperlinks=oSelection.GetHyperlinks( )；oHyperlinks.Add(oSelection.GetRange( )，COleVariant(＂http：//www.cags.net.cn＂)，vtOptional，vtOptional，vtOptional，vtOptional)；InsertLines(＆oSelection，1)；oSelection.InsertDateTime(COleVariant(＂dddd，mmmmdd，yyyy＂)，vtFalse，vtOptional，vtOptional，vtOptional)；五、知识获取机制的软件实现数字矿床模型专家系统知识获取机制界面如图6-18所示。相关类说明代码如下：＃include ＂GridCtrl.h＂classcmodifyRule：public CDialog{public：int GetTypeNo(int row)；—CModifyRule( )；CString**m_ppstrCell；CString*m_pstrColName；图6-18 数字矿床模型专家系统知识获取机制界面图int m_iColNum；int*m_piTypeNum；int m_iTypeNum；bool ReadRule( )；void OnTitletips( )；void OnItalics( )；void OnListmode( )；CModifyRule(CWnd*pParent=NULL)；//{{AFX DATA(CModifyRule)enum{ IDD=IDD_MODIFY_RULE}；int m_nFixCols；int m_nFixRows；int m_nCols；int m_nRows；BOOL m_bEditable；BOOL m_bHorzLines；BOOL m_bListMode；BOOL m_bVertLines；BOOL m_bSelectable；BOOL m_bAllowColumnResize；BOOL m_bAllowRowResize；BOOL m_bHeaderSort；BOOL m_bReadOnly；BOOL m_bItalics；BOOL m_btitleTips；//}}AFX DATACGridCtrl m Grid；CSize m OldSize；//ClassWizard generated virtual function overrides//{{AFX VIRTUAL(CModifyRule)protected：virtual void DoDataExchange(CDataExchange*pDX)；//}}AFX VIRTUALprotected：//{{AFX MSG(CModifyRule)afx_msg void OnInsertRow( )；afx_msg void OnDeleteRow( )；virtual BOOL OnInitDialog( )；afx_msg void OnSize(UINT nType，int cx，int cy)；afx_msg void OnClose( )；afx_msg BOOL OnHelpInfo(HELPINFO*pHelpInfo)；//}}AFX MSGDECLARE MESSAGE MAP( )}；六、知识数据的组织(一)知识库文件格式1.结点数据文件格式结点总数n；结点属性数m；结点属性1名称…结点属性m名称；结点1属性1值…结点1属性m值；…结点n属性1值…结点n属性m值。2.规则数据文件格式；矿床类型种数n；矿床1推理规则数m1；…矿床n推理规则数mn；属性数c；属性1名称…属性c名称；矿床1规则1属性1值…矿床1规则1属性c值；…矿床1规则m1属性1值…矿床1规则m1属性c值；…矿床n规则1属性1值…矿床n规则1属性c值；…矿床n规则mn属性1值…矿床n规则mn属性c值。七、知识库文件的安全知识库文件加密保存，加密方式是对字符与密钥进行按位异或运算。static void ApplyKeyToFile(FILE*in，FILE*out，unsigned char key){int ch；while((ch=getc(in))！=EOF)putc(ch ＾ key，out)；}

scrum是英语中橄榄球运动的一个专业术语，表示“争球”。现在特指一种敏捷开发的模型。scrum，它不是一种方法，也不是一项构建产品的技术，而是一个框架，在这个框架里可以应用各种过程和技术。scrum团队，由开发人员组成的scrum团队负责在每个迭代周期将一定量的开发任务完成。团队同时是跨职能的；团队成员必须具备完成开发任务所需要的技能，5到9个人被公认为是“最佳的”团队构成人数。

叔叔服务u

Scrum是一种敏捷开发框架，它将软件开发过程分为多个迭代周期，每个周期称为一个Sprint。Scrum框架包括8个骤，分别是：1. 产品待办列表：定义产品需求和功能，将其记录在产品待办列表中。2. Sprint计划会议：在Sprint计划会议中，团队会根据产品待办列表选择需要完成的任务，并制定Sprint目标和计划。3. 每日站会：每日站会是团队成员每天进行的短暂会议，用于分享进展、讨论问题和协调工作。4. Sprint开发：在Sprint开发过程中，团队会根据Sprint计划完成任务，并在每日站会上进行进度汇和问题讨论。5. Sprint评审会议：在Sprint评审会议中，团队会展示已完成的工作成果，并接受益相关者的反馈和建议。6. Sprint回顾会议：在Sprint回顾会议中，团队会回顾Sprint开发过程，总结经验教训，并制定下一个Sprint的改进计划。7. 产品增量：在每个Sprint结束后，团队会交付一个可用的产品增量，该增量包含已完成的任务和功能。8. 迭代循环：Scrum框架是一个迭代循环的过程，团队会不断重复上述步骤，逐步完善软件功能，同时也不断改进和优化开发过程。

随着信息和通信技术的发展，人们在生活和工作中接触到越来越多的图形图像。获取图像的方法包括使用各种摄像机、照相机、扫描仪等，利用这些手段通常只能得到物体的平面图像，即物体的二维信息。在许多领域，如机器视觉、面形检测、实物仿形、自动加工、产品质量控制、生物医学等，物体的三维信息是必不可少的。因此，如何如何迅速获取物体的立体彩色信息并将其转化为计算机能直接处理的三维数字模型。三维扫描仪正是实现三维信息数字化的一种极为有效的工具。 　　常用的三维扫描仪根据传感方式的不同，分为接触式和非接触式两种。接触式的采用探测头直接接触物体表面，通过探测头反馈回来的光电信号转换为数字面形信息，从而实现对物体面形的扫描和测量，主要以三坐标测量机为代表。 　　接触式测量具有较高的准确性和可靠性；配合测量软件，可快速准确地测量出物体的基本几何形状，如面，圆，圆柱，圆锥，圆球等。其缺点是：测量费用较高；探头易磨损。测量速度慢；检测一些内部元件有先天的限制，故欲求得物体真实外形则需要对探头半径进行补偿，因此可能会导致修正误差的问题；接触探头在测量时，接触探头的力将使探头尖端部分与被测件之间发生局部变形而影响测量值的实际读数；由于探头触发机构的惯性及时间延迟而使探头产生超越现象，趋近速度会产生动态误差。 　　 　　随着计算机机器视觉这一新兴学科的兴起和发展，用非接触的光电方法对曲面的三维形貌进行快速测量已成为大趋势。这种非接触式测量不仅避免了接触测量中需要对测头半径加以补偿所带来的麻烦，而且可以实现对各类表面进行高速三维扫描。 　　 　　目前，非接触式三维扫描仪很多，根据传感方法不同，常用的有基于激光扫描测量、结构光扫描测量和工业CT等的，分别代表市面上主流的三维激光扫描仪，照相式三维扫描仪，和CT断层扫描仪等。　　采用非接触式三维扫描仪因其接触性，对物体表面不会有损伤，同时相比接触式的具有速度快，容易操作等特征，三维激光扫描仪可以达到5000－10000点/秒的速度，而照相式三维扫描仪则采用面光，速度更是达到几秒钟百万个测量点，应用与实时扫描，工业检测具有很好的优势。

冯·诺依曼结构也称普林斯顿结构，是一种将程序指令存储器和数据存储器合并在一起的存储器结构。程序指令存储地址和数据存储地址指向同一个存储器的不同物理位置，因此程序指令和数据的宽度相同，如英特尔公司的8086中央处理器的程序指令和数据都是16位宽。冯.诺依曼结构处理器具有以下几个特点：1：必须有一个存储器；2：必须有一个控制器；3：必须有一个运算器，用于完成算术运算和逻辑运算；4：必须有输入设备和输出设备，用于进行人机通信。另外，程序和数据统一存储并在程序控制下自动工作

OPE(phenyleneethynyleneoligomer

BAIDUYIXIAJIUKEYIA

不能停在甲板上。如果你想加导弹，你可以尝试修改ini

因为古诺模型假定成本为零，所以利润＝销售额＝P*Q所在最大利润就是要使P*Q那个矩形面积最大，即在市场容量的一半那个点上，这是矩形面积是最大的

可以，而且也是具有实际意义的。

1、 第一性原理 2、 金字塔原理 3、 思维导图 4、 艾宾浩斯记忆遗忘曲线 5、 元认知 6、 费曼学习法 7、 刻意练习 8、 证实偏差 9、 批判性思维 10、 路径依赖效应 11、 设计思维 12、 奥斯本检核表法 13、 德尔菲法 14、 六顶思考帽 15、 不确定性原理 16、 奥卡姆剃刀定律 17、 决策树 18、 博弈论 19、 前景理论 20、 框架效应 21、 KT决策法 22、 定位理论 23、 商业模式画布 24、 波特五力模型 25、 波士顿矩阵 26、 新7S原则 27、 陀螺模型 28、 德鲁克五问 29、 麦肯锡7s模型 30、 麦肯锡七步成诗法 31、 麦肯锡逻辑树分析法 32、 盖洛普路径 33、 盖洛普Q12测评法 34、 MBTI模型 35、 FBM模型 36、 SMART 37、 SECI模型 38、 帕金森定律 39、 锚定效应 40、 墨菲定律 41、 禁果效应 42、 番茄工作法 43、 信息不对称 44、 沃尔森法则 45、 幂次法则 46、 杠杆效应 47、 复利效应 48、 沉没成本效应 49、 心理账户 50、 长尾理论

李善友教授说：“ 成年人学习的目的，应该是追求更好的思维模型，而不是更多的知识。 在一个落后的思维模型里，即使增加再多的信息量，也只算是低水平的重复，而不是有效学习。” 想要追求更好的思维模型，弄明白第一性原理（First Principles）就至关重要。 我们认识事物只有两种逻辑形式，一种是归纳法，一种是演绎法。我们日常中使用更多的是归纳法， 人类99%的知识和认知都来自于归纳法，而只有1%来自理性思维的演绎法，但这却是最重要的那一小部分知识。 哲学家休谟发现，归纳法存在谬误： 即使所有的前提正确，结论依然可能是错的。 他这一句话，动摇了我们的认知和对事实的认识，因为一切认知可能都是错的。著名的黑天鹅事件就是很好的说明。 而 第一性原理思维是一种演绎法思维 ，它能带来颠覆式创新，这一点，其他思维方法是很难实现的。 第一性原理最早由古希腊哲学家亚里士多德提出，被描述为 听不懂哲学家的语言没关系，因为这个词是被特斯拉的创始人马斯克带火的，他说 得到APP的创始人罗振宇是这样解读的 而查理·芒格说 芒格的话也是第一性原理在商业界的化身。 听过了各种文字解释以后，我们来看一张图 第一性原理思维法是从原理出发，一步步往前推演，直到找出适合该问题的解决方法（有1个或者N个）。 将第一性原理贯彻到我们做事的过程中，就是要求我们在解决问题时，要勇于打破知识的藩篱，回归事物的本质，去思考最基础的要素，在不参照经验或其它的情况下，直接从事物最本源出发寻求突破口，逐步完成论证。所以 一切事物先看它的本质是什么，抓着这个本质不要动，其它的随机应变 。 马斯克运用第一性原理，从物理学的底层思维出发，通过演绎的方法，去寻找电池组件的成本构成，然后对其重构，最后极大的降低了成本。 马斯克的第一性原理是 物理学思维 。而各个领域都有自己的第一性原理，比如：牛顿的第一性原理—— 力和惯性 ；美国独立宣言的第一性原理—— 人人生而平等 ；孙正义的第一性原理： 时光机理论 。巴菲特的的第一性原理： 价值投资 。 由此我们可以看出，任何一个原理或定律，都不可能解决世界上所有的问题。不同的事情，不同的领域，不同的系统有不同的第一性原理，这就需要我们不断地发现与探索。 得到大学的招生简章是这样写的 而多元思维模型更早出现在《穷查理宝典》这本书里。芒格就曾说过，他热爱学习，尤其是跨学科学习，通过这种方式他搜集了100多种思维模型，他就是用这些模型来制定投资策略的。 芒格给我们指出了一条打造多元思维模型的捷径，那就是 跨学科学习 。 而得到大学就是这么做的，它召收了一批各个领域的优秀人才，他们能够提供各种各样的思维模型，然后同学之间进行相互学习，实现每个人都能跨学科学习，以此来培养他们的多元思维模型。 所以首先我们要了解第一性原理，认识到它的重要性，并能够根据第一性原理来进行推导演绎，去寻找解决问题的方法。然后通过跨学科学习的方式去获得更多更好的思维模型，以此来打造自己的多元思维模型。

第一性原理这个词出处 第一性原理（First principle thinking，又称“第一原理”）其实是古希腊哲学家亚里士多德提出的一个哲学术语： 他认为，在每一个系统里面都存在着第一性原理。第一性原理是基本的命题和假设，它不能被省略，不能被删除，也不能被违反，这里有三个关键词，第一是基本的命题和假设，第二是不能被省略和删除，第三是不能被违反，也就是最最基本的那个东西了。这就是第一性原理的哲学概念。 什么是第一性原理？ 我们先看看伊隆·马斯克他自己是怎么说的： “我们运用第一性原理，而不是比较思维去思考问题是非常重要的。我们在生活中总是倾向于比较，对别人已经做过或者正在做的事情我们也都去做，这样发展的结果只能产生细小的迭代发展。第一性原理的思想方式是用物理学的角度看待世界，也就是说一层层拨开事物表象，看到里面的本质，再从本质一层层往上走。” 这是他眼中的“第一性原理思维模型”——回溯事物的本质，重新思考怎么做。 我看了好多关于第一性原理的解释，发现大多数人解释都让人听不懂，都只是具象层面类比方式来解释第一性原理，我个人通过李善友教授讲的第一性原理，认知后认为，他首先就是一个思维模型，就是思考问题的框架，他是一个可信赖逻辑模型的思维模型，它能够帮你大脑洗个澡，找到你可信赖的思维模型，在这基础之上建立的基础知识和信息（想要了解思维模型，请参考上一篇文章） 你怎么知道你的思维模型是正确的，如何建立正确的思维模型? 我们以为是我在做决策，其实是我的心智模式在做决策，那么你怎么知道你的心智模式和你的利益是一致的，你头脑里面有那么多心智模式，你怎么知道哪些是好的，哪些是坏的，那么这个时候你的模式的选择和挑选就成为非常重要的一个工作，刻意练习的第一步是找到思维模式，如果你的思维模式是正确的，你去练习，他长到你大脑当中，对你起到大的好处，可是如果你的思维模式是错的，再往下，那同样对你伤害也极大，所以我们要找到第一性原理在这个基础上用刻意练习方式建立自己正确的思维模型。 如何建立正确思维模型？ 这个就要涉及到认知，我们把人类认知简略分为两种，所谓两幅认知眼睛，第一种认知呢，是我们眼睛，我们的五官，对外部世界产生了一些经验和事实，第二副认知眼睛是我们的大脑，对我们眼睛获得信息加以处理，形成一些概念和观念，我们可以把他叫做理性，与此相对应我们可以对比成两种模式，第一种模式叫做归纳法，归纳法是感性经验的归纳，那在高级一点的逻辑形式叫演绎法，演绎法是对理性思维的演绎 归纳法是最基础与常见认知方式，人类大概99%知识都是靠归纳法建立起来的，比如说我们把归纳法分为两类，一类是空间性归纳（你在一个地方一个群体性质，你归类到所有地方所有群体都属于这个性质，这个就是空间性归纳，比如说你在亚洲看到天鹅都是白色的，你在欧洲看到天鹅都是白色的，你的认知认为所有天鹅都是白色的） 另一类是时间性归纳，在我们过去历史里面，过去经验里，太阳总是从东方升起，所以将来太阳还会继续从东方升起，其实这句话对大家影响还是很大的，我们所有经验其实都依赖的是这句话，如果没有这句话，经验就没有了基础，如果没有这句话历史就没办法就得以传承，几千年以来我们一直一直使用的就是这个模型，但是休谟(经验论者的三大奠基人之一)却发现了·归纳法的问题，即使所有的前提都正确，结论依然有可能错误。比如，我们并不能把全世界所有的天鹅一个个排查，看到底是不是白色的。但如果不做这件事情，我们就无法证明天鹅都是白色的。不过，如果有一天看到一只黑天鹅，我们可以证明“天鹅都是白色的”这个结论就错了。因此我们日常生活当中用的归纳法是对经验的简约处理。 为什么会简约处理？ 斯坦诺维奇认为-人的大脑有双系统 系统1:感性思维，通过直觉自动化启动，思考速度快，对大脑负荷较低，直接得出答案 系统2:理性思维,调用理性需要启动，推理速度慢，对大脑负荷较高 所以直接选择接受系统1解决问题，我们做决策99%的时候是靠系统1在做决策，而不是我们以为的理性在做决策-来自认知心理学 为什么默认系统1，因为系统1占用的认知资源少，为什么占用资源少，因为这是进化的结果，自然选择的结果，我们大脑是个生存器官，大脑首要功能不是为了求知而是为了求存，科学家研究表明，我们人类大脑对于认知的资源分配极为吝啬，不愿意把过多的资源用到理性思考之上，人的大脑天生地抵抗你用理性思考，为什么，大脑这个器官很奇怪，他占人体重2%到3%，你什么都不想的时候已经占人体消耗总资源20%，如果你稍一动脑，用理性思考问题消耗资源增加10%到15% 那为什么会这样，因为最小作用力原则，在整个生态原则上都是最小作用力原则，因为人类求存-能更好的活着，活着才是人类第一目的-来自科学与选择这本书，所以我们用脑也会是最小作用力原则，在这个基础上，人的大脑有两个机制，1.能不用脑就不用脑，人人都是认知吝啬鬼 2.默认连续性原则 那有人问，为什么人类大脑会进化成双系统呢？ 人类现在最权威文献是达尔文的生物进化论，他说明人类是进化而来的，这里就不详细概述，大脑是个人类生存控制器官，因为生存而进化，我们大脑首要目的是生存和繁衍.不一一解释了（详细请看视频绝对好奇），人类大脑有两种触发机制，一种是感性，一种是理性，很早以前人类一直是感性思考问题，原因是感性思维可以立即做出判断，侏罗纪时期，这个时候人类主要为生存去考虑（遇到猛兽，发觉危险，跑），后来陨石撞击地球产生火灾，人类为了生存，退化回到水里，又后来随着人类发展，人类看到动物尸体，为了吃肉，人类产生了简单的思考，学会用石头砸击，生火等，可是因为人类理性思考太过于复杂，（这个时候体现了人类大脑缺陷，这个缺陷是能不用脑就不用脑）所以正因为人类这个缺陷，理性无法遗传，后来由于人类生存度一路下降，所以不得不提升代偿度，简单解释就是随着生存环境越来越弱化，人类的认知能力越来越高，所以在早期的时候，我们只需要用我们直觉就可以了，而我们后期随着生存环境的下降才不得不出来的一种能力，这种能力就是系统2理性 系统1是由上百万年的进化而来的，已经内置到大脑里面去了，我们基因里面就带着系统1了，所以你不需要启动，他就能运作，而我们需要理性的时间才几千年，完全来不及基因突变，换句话说这里面有个极其重大的bug，对我们今天来说极为重要的那个理性，居然没有办法内置到我们基因里去，我们基因里面没有内置理性这个模式的存在！！！！ 但是幸运的是:作为轴心时代的新人类学会了把理性作为一个外在的工具，来补足自己基因里面的不足，所以，有了这样一本书，穷查理宝典，（插一句话、什么叫做理性工具，有一本书描述的很精彩，他叫（人类简史），人类简史里说七万年前以前人类发生了一场特别重要的认知革命，什么叫认知革命，人类有了虚构故事的能力，他本身就是一种理性的工具，哈佛心理认知科学家 帕金斯他是研究这方面的权威，他给了一个更权威词汇，叫心智程序），在整个生态原则上都是最小作用力原则，因为人类求存-能更好的活着，活着才是人类第一目的-来自科学与选择这本书，所以我们用脑也会是最小作用力原则，在这个基础上，人的大脑有两个机制，1.能不用脑就不用脑，人人都是认知吝啬鬼2.默认连续性原则。 为什么我们会用归纳法呢？ 我们是要求存，而不是求真。而且人所能接触的经验太少了，受限于个人自我空间里，所以很多事情都因此，归纳法只能证伪不能证明。 演绎法演绎法也有问题用第一性原理来做自确定元起点来推理演绎法，才是正确思考问题方式（即正确思维模型）什么是自确定元起点：元知识（自然选择，量子力学）

衍生含义：第一性定理思维是一种演绎法思维，但与追本溯源法是不同的； 在细说第一性原理之前，我们需要先来了解一下 “演绎法” 和 “归纳法” 这两种基本思维模式的差别。 举个例子说明下： 船长观察到前方有座冰山 善用归纳法的船长K会这么想：我上次遇到冰山的时候，水下藏着更大的冰山。杰克船长也是。泰坦尼克号也是因为撞上巨大冰山而沉没的，我要避开它。 善用演绎法的船长W会这么想：冰块浮在水面的体积大概X立方，那么需要F（浮）=密度（冰）*X*g=G（排）。那么水下一定会有更大体积的冰存在。我得小心低避开它。 虽然两位船长的目标都是避开冰山，但是很显然这是两种不同的思维方式。 人们总是习惯性的用归纳法去处理问题，例如： 这是大多数人们习惯性的思维方式。 那么用演绎法的话，应该如何思考呢？ 看到这里，你应该知道了归纳法与演绎法这两种思维的不同之处。 归纳法只能对已发生的事实总结规律，常常会忽略尚未在内部发生的新生事物。 而颠覆式创新却是一种未发生的事情，所以归纳法思维是很难创造出颠覆式产品的。 分清楚了归纳法和演绎法之后，我们来看一下，第一性原理是否等于追本溯源、根因法、本质思考法呢？ 追本溯源法是从问题出发，一步步分析问题背后的原因，直到找出最终原因（有1个或者N个）。 第一性原理思维法则是从原理出发，一步步往前推演，直到找出适合该问题的解决方法（有1个或者N个）。 由此可见，第一性原理思维和追本溯源思维是不同的，一个是从问题出发，推演出根本原因；一个是从原理出发，推演出解决方法。我们再仔细分析下，为何出发点不同，会带来差异性的结果。 如果用追本溯源思维，从问题出发，那么它能一步步发现子路径1→路径1→第一性原理；但是它很难发现路径2、路径3、路径4，因为这种思维方式是要从问题开始推演的。而新路径（创新）恰恰隐藏在路径2、路径3、路径4之中。 这就是用第一性原理思维常常能带来颠覆式创新的根本原因！ 任何一个原理或定律，都不可能解决世界上所有的问题。因此，如果出问题的地方不在你的第一性原理的体系中，那么采用第一性原理的思维方法，是找不到解决方案的。 怎么办呢？ 不断收集。 第一性原理是一个定律，或是一个模型。搜集的越多，那你能解答的问题也就越多。巴菲特最重要的伙伴查理·芒格就曾说过，他热爱学习，尤其是跨学科学习，通过这种方式他搜集了100多种思维模型，他就是用这些模型来制定投资策略的。

第一性原理最近几年概念都炒的很火，随处随时都能听到不相关的路人在聊第一性原理，似乎谈着第一性逼格就会高一个层次。听了那么多人讲第一性原理，我也想记录一下我对第一性当下对理解； 第一性原理什么概念，出处就不说了。相对于第一性原理本身，我更关心的是第一性原理这种思维模型。第一性思维模型的本质是探究事物原本的逻辑道理，找到事物问题的根源，从根源上来找解决问题的方案； 相对于这种从头想的思维模式，我们更为习惯的是惯性思维模式和类比思维模式。所谓惯性思维就是基于过去的习惯决定当下行为的一种思维方式，比如昨天9点睡觉，今天一天精神好，那么我今天最好也是早点睡觉，过往的解决问题的经验来指导当前的问题解决思路的方式就是惯性思维；而所谓类比思维就是别人卖水赚钱了，我也能去卖水，利用类似的解决问题的办法来解决问题的思路方式就是类比思维； 第一性思维模式相对于我们习惯的惯性思维和类比思维显得非常少用，本质是第一性思维方式会绕开我们过往的经验和周边的行为方式，要往更深维度的方向探寻问题的本质，更加会浪费我们脑力能量。而作为聪明而懒惰的一般人天生都不愿意去做这方面的思考，从而显得第一性思考方式的应用更少； 继续探究一下，其实我们大脑之所以不愿意去花费更多的精力去使用第一性模型去思考问题，很大程度因为我们做使用惯性模型和类比模型的时候相对第一性模型有着更大的成功率，因为着两种欧星依靠的是群体的智慧进行实践落地，毕竟过往成功经验和别人的成功经验能让自己做以最小的代价进行决策的成功率是更大的；但是也是由于大家习惯这种做法，所以这种思维方式得出的解决办法大家基本都一样从而解决方案带来的收益反而不如成功率小的第一性原理成功后带来的收益高，因为第一性原理依赖的是个体对事物的思考智慧，独自找到原理再到实践，成功率可能不高，但是一旦成功，会给自己带来一定的垄断时间窗口从而获得更大的收益； 为什么这个时代开始越来越重视第一性原理呢？ 又得说到这个乌卡时代，到处的都是不确定性，满天的黑天鹅到处在飞，过往成功经验过了一段时间就马上就会失效，同时别人的成功经验在不同条件情况下如果类比使用，成功率都已经大大降低。在这种情况下，第一性原理就开始显的有较大的优势，既然大家的成功率都低，但是第一性思维方式收益高啊。 那如何锻炼第一性原理思维模型？首先要改变自己对问题的处理方式，不要一看到问题就开始想解决方案，就想过去是怎么解决的，别人是怎么解决的，这会让你的大脑直接进入惯性思维和类比思维模式。看到问题后，不要想着HOW，要先想想WHY，为什么会有这个问题，这个问题背后的问题是什么？什么才是问题的本质。连续问了几个WHY后，就会接近问题的核心，针对问题的核心来提解决方案。那么根据刚才几个WHY的推导过程，本质问题如果能解决，那么表象问题也随之会被解决，而这样得出的解决方案效果一定不是直接解决表象问题的方案效果可以比拟的。

第一性原理（First Principle） 维基百科定义：A first principle is a basic, foundational, self-evident proposition or assumption that cannot be deduced from any other proposition or assumption （第一性原理 是基本的,基本不证自明的命题或假设,不能从任何其他命题或推导的假设） 。 直白理解就是找到问题最开始的起点，即“元起点”或“元问题”。 第一性原理思维，简而言之，可归纳为“追本溯源、理性推演”。 第一性原理计算，就是从最基础的条件和规则出发，不靠横向比较和经验结论而进行的计算。 人类在创新上习惯使用类比思维，本质上只是微创新。只有不被过去的经验干扰，依托最核心的数据作为条件，才能做出伟大的发现。当排除一切不可能，即便是最不可思议的结果，也一定是正确的。 每个行业和学科都有与之对应的第一性原理。 经济学的第一性原理就是供需理论，以及市场这只看不见的手背后进行的调控。 政治上的第一性原理是美国独立宣言中的：人生而平等。 数学上的第一性原理是：从公理和最基本假设出发。 墨家第一性原理是：兼爱、非攻、尚贤。 道家第一性原理是：无为，道法自然。 佛教第一性原理是：因果轮回。 基督教第一性原理是：无所不能的上帝。

有个Kanon模型KANO 模型是东京理工大学教授狩野纪昭(Noriaki Kano)发明的对用户需求分类和优先排序的有用工具。

控制面板，添加或删除程序，更改，下拉箭头，选择运行全部程序。

重装修复solver.dll

msc教程是这样的：用notepad或者wordpad编写.acf文件（普通文本保存成这种后缀）运行Solver，输入上述的.acf文件名。前提是相同工作目录中必须有.acf文件中引用的.adm文件（模型文件）。或者运行adams command，输入ru-s，输入上述.acf文件名，其余同上。

求解啊 同样的问问题

（一）首先，介绍几种常见的I/O模型及其区别，如下：blocking I/Ononblocking I/OI/O multiplexing (select and poll)signal driven I/O (SIGIO)asynchronous I/O (the POSIX aio_functions)—————异步IO模型最大的特点是 完成后发回通知。阻塞与否，取决于实现IO交换的方式。 异步阻塞是基于select，select函数本身的实现方式是阻塞的，而采用select函数有个好处就是它可以同时监听多个文件句柄. 异步非阻塞直接在完成后通知，用户进程只需要发起一个IO操作然后立即返回，等IO操作真正的完成以后，应用程序会得到IO操作完成的通知，此时用户进程只需要对数据进行处理就好了，不需要进行实际的IO读写操作，因为真正的IO读取或者写入操作已经由内核完成了。1 blocking I/O 这个不用多解释吧，阻塞套接字。下图是它调用过程的图示：重点解释下上图，下面例子都会讲到。首先application调用 recvfrom()转入kernel，注意kernel有2个过程，wait for data和copy data from kernel to user。直到最后copy complete后，recvfrom()才返回。此过程一直是阻塞的。2 nonblocking I/O： 与blocking I/O对立的，非阻塞套接字，调用过程图如下：可以看见，如果直接操作它，那就是个轮询。。直到内核缓冲区有数据。3 I/O multiplexing (select and poll) 最常见的I/O复用模型，select。select先阻塞，有活动套接字才返回。与blocking I/O相比，select会有两次系统调用，但是select能处理多个套接字。4 signal driven I/O (SIGIO) 只有UNIX系统支持，感兴趣的课查阅相关资料与I/O multiplexing (select and poll)相比，它的优势是，免去了select的阻塞与轮询，当有活跃套接字时，由注册的handler处理。5 asynchronous I/O (the POSIX aio_functions) 很少有*nix系统支持，windows的IOCP则是此模型完全异步的I/O复用机制，因为纵观上面其它四种模型，至少都会在由kernel copy data to appliction时阻塞。而该模型是当copy完成后才通知application，可见是纯异步的。好像只有windows的完成端口是这个模型，效率也很出色。6 下面是以上五种模型的比较可以看出，越往后，阻塞越少，理论上效率也是最优。=====================分割线==================================5种模型的比较比较清晰了，剩下的就是把select,epoll,iocp,kqueue按号入座那就OK了。select和iocp分别对应第3种与第5种模型，那么epoll与kqueue呢？其实也于select属于同一种模型，只是更高级一些，可以看作有了第4种模型的某些特性，如callback机制。为什么epoll,kqueue比select高级？ 答案是，他们无轮询。因为他们用callback取代了。想想看，当套接字比较多的时候，每次select()都要通过遍历FD_SETSIZE个Socket来完成调度,不管哪个Socket是活跃的,都遍历一遍。这会浪费很多CPU时间。如果能给套接字注册某个回调函数，当他们活跃时，自动完成相关操作，那就避免了轮询，这正是epoll与kqueue做的。windows or *nix （IOCP or kqueue/epoll）？诚然，Windows的IOCP非常出色，目前很少有支持asynchronous I/O的系统，但是由于其系统本身的局限性，大型服务器还是在UNIX下。而且正如上面所述，kqueue/epoll 与 IOCP相比，就是多了一层从内核copy数据到应用层的阻塞，从而不能算作asynchronous I/O类。但是，这层小小的阻塞无足轻重，kqueue与epoll已经做得很优秀了。提供一致的接口，IO Design Patterns实际上，不管是哪种模型，都可以抽象一层出来，提供一致的接口，广为人知的有ACE,Libevent（基于reactor模式）这些，他们都是跨平台的，而且他们自动选择最优的I/O复用机制，用户只需调用接口即可。说到这里又得说说2个设计模式，Reactor and Proactor。见：Reactor模式--VS--Proactor模式。Libevent是Reactor模型，ACE提供Proactor模型。实际都是对各种I/O复用机制的封装。Java nio包是什么I/O机制？ 现在可以确定，目前的java本质是select()模型，可以检查/jre/bin/nio.dll得知。至于java服务器为什么效率还不错。。我也不得而知，可能是设计得比较好吧。。-_-。=====================分割线==================================总结一些重点：只有IOCP是asynchronous I/O，其他机制或多或少都会有一点阻塞。select低效是因为每次它都需要轮询。但低效也是相对的，视情况而定，也可通过良好的设计改善epoll, kqueue、select是Reacor模式，IOCP是Proactor模式。java nio包是select模型。。（二）epoll 与select的区别1. 使用多进程或者多线程，但是这种方法会造成程序的复杂，而且对与进程与线程的创建维护也需要很多的开销。（Apache服务器是用的子进程的方式，优点可以隔离用户） （同步阻塞IO）2.一种较好的方式为I/O多路转接（I/O multiplexing）（貌似也翻译多路复用），先构造一张有关描述符的列表（epoll中为队列），然后调用一个函数，直到这些描述符中的一个准备好时才返回，返回时告诉进程哪些I/O就绪。select和epoll这两个机制都是多路I/O机制的解决方案，select为POSIX标准中的，而epoll为Linux所特有的。区别（epoll相对select优点）主要有三：1.select的句柄数目受限，在linux/posix_types.h头文件有这样的声明：#define __FD_SETSIZE 1024 表示select最多同时监听1024个fd。而epoll没有，它的限制是最大的打开文件句柄数目。2.epoll的最大好处是不会随着FD的数目增长而降低效率，在selec中采用轮询处理，其中的数据结构类似一个数组的数据结构，而epoll是维护一个队列，直接看队列是不是空就可以了。epoll只会对"活跃"的socket进行操作---这是因为在内核实现中epoll是根据每个fd上面的callback函数实现的。那么，只有"活跃"的socket才会主动的去调用 callback函数（把这个句柄加入队列），其他idle状态句柄则不会，在这点上，epoll实现了一个"伪"AIO。但是如果绝大部分的I/O都是“活跃的”，每个I/O端口使用率很高的话，epoll效率不一定比select高（可能是要维护队列复杂）。3.使用mmap加速内核与用户空间的消息传递。无论是select,poll还是epoll都需要内核把FD消息通知给用户空间，如何避免不必要的内存拷贝就很重要，在这点上，epoll是通过内核于用户空间mmap同一块内存实现的。关于epoll工作模式ET，LT epoll有两种工作方式ET：Edge Triggered，边缘触发。仅当状态发生变化时才会通知，epoll_wait返回。换句话，就是对于一个事件，只通知一次。且只支持非阻塞的socket。LT：Level Triggered，电平触发（默认工作方式）。类似select/poll,只要还有没有处理的事件就会一直通知，以LT方式调用epoll接口的时候，它就相当于一个速度比较快的poll.支持阻塞和不阻塞的socket。三 Linux并发网络编程模型 1 Apache 模型，简称 PPC （ Process Per Connection ，）:为每个连接分配一个进程。主机分配给每个连接的时间和空间上代价较大，并且随着连接的增多，大量进程间切换开销也增长了。很难应对大量的客户并发连接。 2 TPC 模型（ Thread Per Connection ）：每个连接一个线程。和PCC类似。 3 select 模型：I/O多路复用技术。 .1 每个连接对应一个描述。select模型受限于 FD_SETSIZE即进程最大打开的描述符数linux2.6.35为1024,实际上linux每个进程所能打开描数字的个数仅受限于内存大小，然而在设计select的系统调用时，却是参考FD_SETSIZE的值。可通过重新编译内核更改此值，但不能根治此问题，对于百万级的用户连接请求 即便增加相应 进程数， 仍显得杯水车薪呀。 .2select每次都会扫描一个文件描述符的集合，这个集合的大小是作为select第一个参数传入的值。但是每个进程所能打开文件描述符若是增加了 ，扫描的效率也将减小。 .3内核到用户空间，采用内存复制传递文件描述上发生的信息。 4 poll 模型：I/O多路复用技术。poll模型将不会受限于FD_SETSIZE，因为内核所扫描的文件 描述符集合的大小是由用户指定的，即poll的第二个参数。但仍有扫描效率和内存拷贝问题。 5 pselect模型：I/O多路复用技术。同select。 6 epoll模型： .1)无文件描述字大小限制仅与内存大小相关 .2)epoll返回时已经明确的知道哪个socket fd发生了什么事件，不用像select那样再一个个比对。 .3)内核到用户空间采用共享内存方式，传递消息。四 ：FAQ 1、单个epoll并不能解决所有问题，特别是你的每个操作都比较费时的时候，因为epoll是串行处理的。 所以你有还是必要建立线程池来发挥更大的效能。 2、如果fd被注册到两个epoll中时，如果有时间发生则两个epoll都会触发事件。3、如果注册到epoll中的fd被关闭，则其会自动被清除出epoll监听列表。4、如果多个事件同时触发epoll，则多个事件会被联合在一起返回。5、epoll_wait会一直监听epollhup事件发生，所以其不需要添加到events中。6、为了避免大数据量io时，et模式下只处理一个fd,其他fd被饿死的情况发生。linux建议可以在fd联系到的结构中增加ready位，然后epoll_wait触发事件之后仅将其置位为ready模式，然后在下边轮询ready fd列表。

战车，战机，战舰，枪械，统统都是男人的浪漫

告诉你把,能回答的就不是你认为这么简单了,我还是理科机械的研究生呢!这个其实就是形态运动学的知识,这个我们也不能解释很清楚,会的话那个就是我们中国人制造的了!我也知道这么多~~~ 德国科技公司费斯托(Festo)的科学家研制出一种机器鸟,名为“智能鸟”(SmartBird),不仅可以完美模拟鸟类飞行,同时仿真度极高,足可以假乱真。智能鸟采用富有革命性的设计,能够自行启动、飞行和降落。它的翅膀不仅能够上下拍动,同时也可按特定角度扭转,让这只超轻的机器鸟拥有出色的空气动力性能和令人惊叹的灵敏度。智能鸟通过无线电控制,也可自主飞行。它的重量只有450克,通过摆尾和摇头改变飞行方向。这款机器鸟的设计灵感来源于海鸥,体内装有两个轮子,通过旋转带动翅膀上下拍动。这两个旋转轮与蒸汽火车的车轮类似,与牵引杆相连,通过转动为拍打翅膀提供动力。智能鸟的翅膀角度可通过扭力马达进行调节,上行冲程时翅膀朝上,提高飞行高度,下行冲程时翅膀朝下。费斯托公司发言人表示:“智能鸟用料极少,结构极轻,具有很高的能效。”除了拥有先进的性能外,酷似真鸟的外观也足以让所有人惊叹不已。智能鸟的移动和拍翅方式与真鸟非常接近,在空中飞行时很容易被误认为一只真正的鸟

摩擦传动是传送装置中的一个重要模型，他还是比较方便转动。

从你的齿轮尺寸来看，可以选择模数为2mm（模数是根据设计需要选择的），如果你给的是分度圆半径且做标准渐开线齿轮，那么小齿轮齿数为25个，大齿轮齿数为50（因为d=mz）；如果大齿轮输入，小齿轮输出为加速机构，则传动比i=z小/z大=n大/n小=1/2，n为齿轮转速。反之为减速机构，传动比为2。另外，从你的问题来看，你可能不是学机械的，最起码对齿轮不了解，所以如果告诉你算法和公式的话，你也未必能做出来，更不一定就能够转起来。还是建议去找任何一本《机械原理》的书吧，上面很详细。

两者之间有关联。测试原理是软件工程的重要组成部分，其涉及到如何设计和执行软件测试以验证系统的正确性、可靠性和安全性。系统模型是用于描述系统结构、行为和交互的抽象表示，可以是软件系统的UML类图、时序图或活动图，也可以是硬件系统的网络拓扑图或流程图等。测试原理提供了关于测试的基本原则和技术，而系统模型可以帮助测试人员更好地理解系统的结构和功能，从而更加精确地进行测试分析、设计和执行。

传递者、沟通信息、接受者、情境。美国学者霍夫兰德提出的态度转变模型包括四个方面的要素：传递者、沟通信息、接受者和情境。传递者：提高威信，提高吸引力，中立的立场或表现牺牲，暗地性的操控力，寻找与接受者的相似性。沟通信息：引起中等强度的畏惧，口头面对面传递，根据接受者选择要表达信息的差异度和倾向性。接受者：分析态度的内化程度、来源、需求相关度，人格特质，打破其自我防卫策略。情境：根据接受者选择是否预先警告，注意分散对原有态度对象的关注，中等强度的重复。心理咨询师考试章节知识点归纳，祝你轻松取证。移动端题库：http://m.hqwx.com/tiku/xlzx/?utm_campaign=baiduhehuorenPC端题库：http://hqwx.com/tiku/xlzx/?utm_campaign=baiduhehuoren

这个是升序排列的。$collection = Mage::getModel("module/model_name")->getCollection(); $collection->getSelect()->order( array("IF(`order`>0, `order`, 9999) ASC","last_name ASC", "first_name ASC") ); 这个是降序排列的。$collection = Mage::getModel("module/model_name")->getCollection(); $collection->getSelect()->order( array("IF(`order`>0, `order`, 9999) DESC","last_name DESC", "first_name DESC") );

有三点对齐功能可以尝试很准的，在0.1mm以内

分和必要的条件是,这两个力大小相等, 方向相反,作用在同一条直线上, 公理2 加减平衡力系公理 在作用于刚体上的任意力系中,加上或去掉一个平衡力系,本不改变原力系对刚体的 作用效果。 推理 力的可传性原理 作用于刚体上的力可沿其作用线移动到刚体内任意一点,而不会改变该力对刚体的作 用效果。 公理3 力的平行四边形法则 与一点,则可合成为一个合力,合力也作用与该点上,起大小和方向由着两个力邻边 做构成的平行四边形的对角线来确定,如图 1-19a 所示。 这一法则称为力的平行四边形法则, 表示为 R=F1+F2(关系式)。 合力 R 的作用点就是这两个力的汇交点 。 根据这个法则作出的平行四边形,叫 力的平行四边形。 也可以取平行四边形的一半即利 用力的三角形法则求合力如图 1-19b 所示。 力的投影:为了计算方便,在工程实 际中通常将一个力 F 沿直角坐标轴 x, y 分解,的出互相垂直的两个分力 FX 和FY 如图 1-21(b)所示。 这样可以用 简单的三角函数关系求的每个分力的 大小。 FX=Fcosα FY=Fsinα (1-1) 式中α为 F 和 x 轴之间的夹角

火箭发动机么？有指导吗？这个真心很危险的，固体火箭使用普通火药装填，采用空心装填法，

1：设置了ucs，在视口中单独调整的ucs不影响模型空间2：使用了外部参照功能插入图框、外面的EXCLE表格通过复制粘贴或选择性粘贴插入

cad中模型跟layout的意思如下：1、CAD中的模型就是画图的时候显示出来的黑色的背景。2、CAD中的layout意思是布局，就是显示在打印纸上打印出来的效果。

第二个模型，你好一点吧？肯定一个模型听不出来

一、Kohonen模型概述1981年芬兰赫尔辛基大学Kohonen教授提出了一个比较完整的，分类性能较好的自组织特征影射(Self-Organizing Feature Map)人工神经网络(简称SOM网络)方案。这种网络也称为Kohonen特征影射网络。这种网络模拟大脑神经系统自组织特征影射功能，它是一种竞争式学习网络，在学习中能无监督地进行自组织学习。二、Hohonen模型原理1.概述SOM网络由输入层和竞争层组成。输入层神经元数为N，竞争层由M=R×C神经元组成，构成一个二维平面阵列或一个一维阵列(R=1)。输入层和竞争层之间实现全互连接。SOM网络的基本思想是网络竞争层各神经元竞争对输入模式的响应机会，最后仅有一个神经元成为竞争的胜者，并对那些与获胜神经元有关的各连接权朝着更有利于它竞争的方向调整，这一获胜神经元就表示对输入模式的分类。SOM算法是一种无教师示教的聚类方法，它能将任意输入模式在输出层映射成一维或二维离散图形，并保持其拓扑结构不变。即在无教师的情况下，通过对输入模式的自组织学习，在竞争层将分类结果表示出来。此外，网络通过对输入模式的反复学习，可以使连接权矢量空间分布密度与输入模式的概率分布趋于一致，即连接权矢量空间分布能反映输入模式的统计特征。2.网络权值初始化因为网络输入很可能出现在中间区，因此，如果竞争层的初始权值选择在输入空间的中间区，则其学习效果会更加有效。3.邻域距离矩阵SOM网络中的神经元可以按任何方式排列，这种排列可以用表示同一层神经元间的Manhattan距离的邻域距离矩阵D来描述，而两神经元的Manhattan距离是指神经元坐标相减后的矢量中，其元素绝对值之和。4.Kohonen竞争学习规则设SOM网络的输入模式为Xp=( ， ，…， )，p=1，2.…，P。竞争层神经元的输出值为Yj(j=1，2，…，M)，竞争层神经元j与输入层神经元之间的连接权矢量为Wj=(wj1，wj2，…，wjN)，j=1，2，…，M。Kohonen网络自组织学习过程包括两个部分：一是选择最佳匹配神经元，二是权矢量自适应变化的更新过程。确定输入模式Xp与连接权矢量Wj的最佳匹配的评价函数是两个矢量的欧氏距离最小，即 ，j=1，2，…，M，]]<![CDATA[找出最小距离dg，确定获胜神经元g。dg=mjin(dj)，j=1，2，…，M。求输入模式Xp在竞争层的获胜神经元g及其在邻域距离nd内的神经元的输出。中国矿产资源评价新技术与评价新模型dgm为邻域距离矩阵D的元素，为竞争层中获胜神经元g与竞争层中其它神经元的距离。求输入模式Xp在竞争层的获胜神经元g及其在邻域距离nd内的神经元的权值修正值。中国矿产资源评价新技术与评价新模型式中：i=1，2，…，N；lr为学习速率；t为学习循环次数。Δwjt(t+1)的其余元素赋值为0。进行连接权的调整wji(t+1)=wji(t)+Δwji(t+1)。5.权值学习中学习速率及邻域距离的更新(1)SOM网络的学习过程分为两个阶段第一阶段为粗学习与粗调整阶段。在这一阶段内，连接权矢量朝着输入模式的方向进行调整，神经元的权值按照期望的方向在适应神经元位置的输入空间建立次序，大致确定输入模式在竞争层中所对应的影射位置。一旦各输入模式在竞争层有了相对的影射位置后，则转入精学习与细调整阶段，即第二阶段。在这一阶段内，网络学习集中在对较小的范围内的连接权进行调整，神经元的权值按照期望的方向在输入空间伸展，直到保留到他们在粗调整阶段所建立的拓扑次序。学习速率应随着学习的进行不断减小。(2)邻域的作用与更新在SOM网络中，脑神经细胞接受外界信息的刺激产生兴奋与抑制的变化规律是通过邻域的作用来体现的邻域规定了与获胜神经元g连接的权向量Wg进行同样调整的其他神经元的范围。在学习的最初阶段，邻域的范围较大，随着学习的深入进行，邻域的范围逐渐缩小。(3)学习速率及邻域距离的更新在粗调整阶段，学习参数初始化最大学习循环次数 MAX_STEP1=1000，粗调整阶段学习速率初值 LR1=1.4，细调整阶段学习速率初值 LR2=0.02，最大邻域距离 MAX_ND1=Dmax，Dmax为邻域距离矩阵D的最大元素值。粗调阶段学习循环次数step≤MAX_STEP1，学习速率lr从LR1调整到LR2，邻域距离nd 从MAX_ND1调整到1，求更新系数r，r=1-step/MAX_STEP1，邻域距离nd更新，nd=1.00001+(MAX_ND1-1)×r。学习速率lr更新，lr=LR2+(LR1-LR2)×r。在细调整阶段，学习参数初始化，最大学习循环次数 MAX_STEP2=2000，学习速率初值 LR2=0.02，最大邻域距离 MAX_ND2=1。细调阶段MAX_STEP1＜step≤MAX_STEP1+MAX_STEP2，学习速率lr慢慢从LR2减少，邻域距离nd设为1，邻域距离nd更新，nd=MAX_ND2+0.00001。学习速率lr更新，lr=LR2×(MAX_STEP1/step)。6.网络的回想——预测SOM网络经学习后按照下式进行回想：中国矿产资源评价新技术与评价新模型Yj=0，j=1，2，…，M，(j≠g)。将需要分类的输入模式提供给网络的输入层，按照上述方法寻找出竞争层中连接权矢量与输入模式最接近的神经元，此时神经元有最大的激活值1，而其它神经元被抑制而取0值。这时神经元的状态即表示对输入模式的分类。三、总体算法1.SOM权值学习总体算法(1)输入参数X[N][P]。(2)构造权值矩阵W[M][N]。1)由X[N][P]求Xmid[N]，2)由Xmid[N]构造权值W[M][N]。(3)构造竞争层。1)求竞争层神经元数M，2)求邻域距离矩阵D[M][M]，3)求矩阵D[M][M]元素的最大值Dmax。(4)学习参数初始化。(5)学习权值W[M][N]。1)学习参数学习速率lr，邻域距离nd更新，分两阶段：(i)粗调阶段更新；(ii)细调阶段更新。2)求输入模式X[N][p]在竞争层的获胜神经元win[p]。(i)求X[N][p]与W[m][N]的欧氏距离dm；(ii)按距离dm最短，求输入模式X[N][p]在竞争层的获胜神经元win[p]。3)求输入模式X[N][p]在竞争层的获胜神经元win[p]及其在邻域距离nd内的神经元的输出Y[m][p]。4)求输入模式X[N][p]在竞争层的获胜神经元win[p]及其在邻域距离nd内的神经元的权值修正值ΔW[m][N]，从而得到输入模式X[N][p]产生的权值修正值ΔW[M][N]。5)权值修正W[M][N]=W[M][N]+ΔW[M][N]。6)学习结束条件：(i)学习循环到MAX_STEP次；(ii)学习速率lr达到用户指定的LR_MIN；(iii)学习时间time达到用户指定的TIME_LIM。(6)输出。1)学习得到的权值矩阵W[M][N]；2)邻域距离矩阵D[M][M]。(7)结束。2.SOM预测总体算法(1)输入需分类数据X[N][P]，邻域距离矩阵D[M][M]。(2)求输入模式X[N][p]在竞争层的获胜神经元win[p]。1)求X[N][p]与W[m][N]的欧氏距离dm；2)按距离dm最短，求输入模式X[N][p]在竞争层的获胜神经元win[p]。(3)求获胜神经元win[p]在竞争层排列的行列位置。(4)输出与输入数据适应的获胜神经元win[p]在竞争层排列的行列位置，作为分类结果。(5)结束。四、总体算法流程图Kohonen总体算法流程图见附图4。五、数据流图Kohonen数据流图见附图4。六、无模式识别总体算法假定有N个样品，每个样品测量M个变量，则有原始数据矩阵：X=(xij)N×M，i=1，2，…，N，j=1，2，…，M。(1)原始数据预处理X=(xij)N×M处理为Z=(zij)N×M，分3种处理方法：1)衬度；2)标准化；3)归一化。程序默认用归一化处理。(2)构造Kohonen网竞争层与输入层之间的神经元的连接权值构成矩阵WQ×M。WQ×M初始化。(3)进入Kohonen网学习分类循环，用epoch记录循环次数，epoch=1。(4)在每个epoch循环中，对每个样品n(n=1，2，…，N)进行分类。从1个样品n=1开始。(5)首先计算输入层的样品n的输入数据znm(m=1，2，…，M)与竞争层Q个神经元对应权值wqm的距离。(6)寻找输入层的样品n与竞争层Q个神经元的最小距离，距离最小的神经元Win[n]为获胜神经元，将样品n归入获胜神经元Win[n]所代表的类型中，从而实现对样品n的分类。(7)对样品集中的每一个样品进行分类：n=n+1。(如果n≤N，转到5。否则，转到8。)(8)求分类后各神经元所对应的样品的变量的重心，用对应的样品的变量的中位数作为重心，用对应的样品的变量的重心来更新各神经元的连接权值。(9)epoch=epoch+1；一次学习分类循环结束。(10)如果满足下列两个条件之一，分类循环结束，转到11；否则，分类循环继续进行，转到4。1)全部样品都固定在某个神经元上，不再改变了；2)学习分类循环达到最大迭代次数。(11)输出：1)N个样品共分成多少类，每类多少样品，记录每类的样品编号；2)如果某类中样品个数超过1个，则输出某类的样品原始数据的每个变量的均值、最小值、最大值和均方差；3)如果某类中样品个数为1个，则输出某类的样品原始数据的各变量值；4)输出原始数据每个变量(j=1，2，…，M)的均值，最小值，最大值和均方差。(12)结束。七、无模式识别总体算法流程图Kohonen无模式总体算法流程图见附图5。