模型

根据第4 章对核素在高放废物处置远场中的迁移分析可知，对于描述核素在单个裂隙介质中的运移采用基于双重介质的平行板模型是可行的；但对于裂隙系统而言，由于裂隙网络系统的错综复杂性和特殊性（Dershowitz et al.，1991；Ubertosi F.，2007），很多与核素迁移相关的属性在足够小的空间范围内都会出现变化，大尺度下描述各裂隙的参数差异非常大，若完全将裂隙系统概化为裂隙参数不变的平行板单裂隙，其计算结果势必会出现较大的偏差。因此，在对裂隙网络系统中核素进行模拟研究时，将裂隙网络系统根据其参数的随机分布概化为由多个运移途径所构成的虚构介质，各运移途径仍可看作具有独立参数的平行板单裂隙，并有与裂隙参数相对应的分布频率，即概化为一维多途径模型（One-dimensional multi-pathway model）（李金轩等，2004）。图5.1 一维多途径概念模型（据JNC，2000c）Fig.5.1 Conceptual illustration of the one-dimensional multi-pathway model（JNC，2000c）在本文的研究中，为了考虑真实裂隙导水性能的各向异性，将随机分布的导水系数离散化，每一条途径代表一系列具有相同导水性的通道（channel）（见图5.1，JNC，2000c）。Ijiri 与Sawada et al.（1998）已经通过数值实验证实了多途径模型能合理地近似描述放射性物质在一个复杂的、随机生成的三维裂隙网络系统中的迁移，因此可以把裂隙网络的运移通道按照其特征进行分组，而具有相同特征的每一组可以视为光滑平行板单裂隙模型，进而采用单裂隙模型进行模拟。下面以裂隙岩体的导水系数呈对数正态分布（Priest S.D.，1976；潘别桐等，1989）为例来说明多途径裂隙迁移模型的概化和建立过程。日本核燃料开发机构对瑞浪矿井低渗透花岗岩的实验成果也表明其导水系数T 呈对数正态分布（JNC，2000a；2000c），如图5.2（a）所示（JNC，2000c）。在对模型概化时，根据裂隙导水系数的分布将其离散为若干个区间，如图5.2（b）所示，则对应有若干条运移途径，每一区间的平均导水系数即为该运移途径所对应的光滑平行板单裂隙的导水系数，具体数值见表 5.1。图5.2 裂隙系统导水系数的分布（据JNC，2000c）Fig.5.2 Estimated transmissivity distribution of fracture system（JNC，2000c）所以在对裂隙岩体中放射性物质相对浓度进行模拟计算时，首先根据基于双重介质理论的平板单裂隙迁移模型分别计算每条运移途径单独工作时在裂隙岩体中相对浓度的分布；然后将各运移途径在某处的相对浓度按其导水系数的分布频率进行叠加就可得到整个裂隙系统在某处的放射性物质相对浓度，计算公式（JNC，2000c；李金轩，2004）：高放废物深地质处置中的溶质运移研究式中： （Ti）为第i个运移途径单独工作时的相对浓度；Pi为第i 个运移途径所对应的导水系数分布概率； 为整个裂隙系统中任意时刻、任意位置处的相对浓度。表5.1 裂隙系统的物理参数在这里需要指出的是，Sawada A.与Ij iri Y.et al.（1999）的分析结果表明当离散区间至少有几十个的时候，导水系数分布的区间数目多少对一维多途径模型的模拟结果没有很大的影响，因此在这里离散区间定为48个。

4.3.3.1 放射性物质的选取及相关参数取值据日本核燃料开发机构（Japan Nuclear Cycle Development Institute，JNC）对高放废物深地质处置库中核素迁移研究中的参照例子（reference case），假定从工程屏障中释放出来的核素，经过主导水裂隙（Major water－conducting fault，MWCF）释放到生物圈，Th－229、Cs－135及Se－79这三种核素对最终释放的放射性总剂量起控制作用（JNC，2000c）（如图4.3所示），因此选用这三种核素作为模拟对象，其相关参数见表4.1，其中分配系数Kj取自JNC（2000c），迟滞系数Rj是根据式（4.19）计算得到。利用图4.2所示的物理模型，预测分析这些核素在单裂隙中及两侧岩体中的相对浓度分布、迁移距离、扩散深度等。表4.1 所考虑核素的相应参数在模拟过程中，模拟参数取值说明如下：（1）水力坡度在这里是根据 Hibiya等（1999）的野外调查结果，在一般的低渗透围岩地区水力坡度J＝0.01 所占的比例最高，因此在模拟过程中取水力坡度为J＝0.01。（2）裂隙的参数导水系数：根据 JNC（2000a，2000c）及瑞典核燃料及核废料管理公司（Swedish Nuclear Fuel and Waste Management Company，SKB）（1992）通过水力实验所得的结果，忽略随深度引起的围岩渗透性能的影响，保守取其导水系数的最大值为T＝8.66×10－8m2·s－1。图4.3 从主导裂隙（MWCF）释放到生物圈的剂量释放率（据JNC，2000c）Fig.4.3 Doses corresponding to release rats from the MWCF to the biosphere（JNC，2000c）隙宽：总体而言，裂隙隙宽与导水系数之间存在相关关系。比如说，对平行板单裂隙而言，导水系数和裂隙隙宽之间满足立方定律（Snow D.T.，1968），而对于实际中的粗糙裂隙，Witherspoon et al.（1980）与Neuzil C.E.（1981）建议修正立方定律，在修正立方定律中含有一个用于表征裂隙粗糙度的裂隙表面特征的因子。但在实践中，Uchida et al.（1995）通过对花岗岩天然裂隙进行室内的渗透实验发现这个因子在裂隙中是变化的，要定量确定这个变化因子非常困难。基于此，本文引用经验公式来确定裂隙网络的隙宽分布（JNC，2000c），即高放废物深地质处置中的溶质运移研究式中：2b为平面单裂隙的隙宽，m；T为裂隙导水系数，m2/s；c为经验公式的常系数，一般取c＝2。因此，根据式（4.61）算得隙宽最大值为5.89×10－4m。另外，地下水流速可根据导水系数、隙宽及地下水水力坡度按达西定律确定，即高放废物深地质处置中的溶质运移研究式中：u为地下水流速，[M·T－1]；K 为裂隙的渗透系数，[LT－1]。（3）描述核素迁移的参数弥散度：Gelhar等（1992）通过大量的资料整理指出纵向弥散度与预估迁移距离的相关关系，即在αL～x关系图上，资料点都分布在αL＝x与αL＝0.01x两条直线之间，基本上的点都在αL＝x、αL＝0.1x、αL＝0.01x三条直线上。而Neuman（1995）根据野外和室内实验结果得到纵向弥散度αL与预估迁移距离x（x在0.01m到3500m）时间的相互关系满足：αL＝0.017x1.5 （4.63）式中：αL为纵向弥散度[L]；x为迁移距离，[L]。因此，在模拟过程中，根据每种核素迁移的距离的不同，得到不同的纵向弥散度来计算弥散系数，即有了地下水流速后，再据式（4.63）得到其纵向弥散度，裂隙的纵向弥散系数按式（4.64）（刘兆昌，1991）得出：DL＝Dm＋αLu （4.64）式中：DL为裂隙的纵向弥散系数。有效孔隙度和干密度：根据目前对低渗透花岗岩孔隙度和干密度的调查，其孔隙度大小主要分布在1%～3%；而干密度则主要分布在2.6×103～2.7×103kg/m3。因此，在本次模拟中，取其孔隙度为θ＝2%，ρ＝2.64×103kg/m3（JNC，2000c）。有效扩散系数：总体来说，岩石的有效扩散系数主要与孔隙大小、孔隙的连通性以及迂曲度有关；此外，它还与温度、表面扩散、孔隙水的化学特性等因素有关。根据JNC（2000c）对有效孔扩散系数与孔隙度相关关系的分析，取有效扩散系数9.46×10－5m2/y。允许核素扩散到岩石中去的裂隙壁占裂隙壁总面积的比例：通常情况下，由于沟槽流的存在，认为仅有部分裂隙表面积对基质域扩散起作用，这种现象即用允许核素扩散到岩石中去的裂隙壁占裂隙壁总面积的比例F来表示。Pyrak-Nolte等（1987）实验表明：F的大小与岩石所受到的垂直应力有关、与裂隙的成因、方位等都有关系。因此，根据Pyrak－Nolte等（1987）所取得的实验结果，在目前的研究中一般取F＝50%。具体参数如表4.2。表4.2 裂隙介质的物理参数4.3.3.2 模拟结果及分析根据表4.1和表4.2中的参数，结合图4.2所示模型，本书模拟了1×104y、1×105y和1×106y时，三种核素在裂隙域中相对浓度随迁移距离的变化，模拟结果见表 4.3、表4.4及表4.5，其趋势见图4.4（a）、（b）、（c）及（d）。对比表4.3、表4.4 及表4.5 中数据，对这三种核素而言，在同一迁移距离处，随着模拟时间的减小，相对浓度是减小的。从表中数据直观分析来看，这种减小的幅度与这几种长半衰期核素的迟滞系数相关，迟滞系数越大，减小得越快，因而其迁移的距离也最短。这说明，在同一迁移介质中，相同的水力坡度条件下，基质对核素本身的阻滞作用对核素的迁移有至关重要的影响。图4.4 单裂隙域中核素相对浓度与距离的关系图Fig.4.4 Relationship of relative concentration and the distance in single fracture表4.3 Th-229在不同模拟时间相对浓度值表4.4 Cs-135在不同水力坡度下相对浓度值表4.5 Se-79在不同水力坡度下相对浓度值图4.5 裂隙域中核素相对浓度与时间的关系图Fig.4.5 Relationship of relative concentration and the simulation time图4.4 可以看出，在模拟时间相同的条件下，三种核素的相对浓度都是随着迁移距离的增加而不断减小的。对比图4.4（a）、（b）和（c）可知，Se-79（Rj＝1321 最小）的迁移最快，且迁移距离最大，达到了 2000m，Th-229（Rj＝132001 最大）的迁移距离最小，仅 100m左右，而Cs-135（Rj＝6601）的迁移距离居中，为 500m。图4.5则给出了三种核素在各自的最大迁移距离的0.1、0.4及0.7倍处，相对浓度随时间的变化规律。从图可以看出，在同一迁移距离处，各核素的相对浓度随着时间的增加而增加；在迁移距离的0.1倍处，各核素都在大约4×106y内达到最终浓度值的至少90%，相对浓度趋向于稳定。图4.6 基质域中核素相对浓度与距离的关系图Fig.4.6 Relationship of relative concentration and the distance in matrix由于核素向基质域迁移的过程十分缓慢，因而对这方面的实验研究是非常困难，但这个过程对于阻滞核素向生物圈的迁移非常重要，因此，本文就核素向基质域中的扩散进行了模拟研究。本文模拟了在t＝1×106y时，在各自最大迁移距离的0.025、0.08 和0.125倍处，基质域中各核素的相对浓度随扩散深度的变化，结果如图4.6（a）、（b）和（c）所示。从图可以看出，当迁移距离不变时，各种核素的相对浓度都随着扩散深度的增大而减小；比较图4.6 各图可知，Se-79在基质域中的扩散深度最大，最深可达到1米，而Th-229在基质域中的扩散深度仅为0.06m，这主要是由于基质域对各核素的阻滞作用不同而造成的，阻滞作用越强，在基质域与裂隙域中的迁移距离就越小，反之，就越大。综合分析以上的模拟结果可以看出：①在其它条件相同的情况下，Th-229、Cs-135 及Se-79这三种核素在裂隙中的迁移距离与其迟滞系数（分配系数）成负相关，即迟滞系数（分配系数）越大，其迁移距离越小；②放射性核素在沿着裂隙迁移的过程中会不断向两侧的基质域中扩散，迟滞系数越大，扩散深度越小。发生在基质中的这种迟滞作用对阻滞放射性核素沿着裂隙的迁移有着非常重要的意义，这对放废物地质处置的安全处置是极为有利的。

大概是模型类型不匹配

导入：用hlmv拆开后缀为.mdl的模型，会得到后缀为.smd的文件，先用milkshake 3d（ms3d）导入.smd文件，再用ms3d导出.3ds文件，最后用3dmax编辑.3ds文件就可以了。导出：用3dmax编辑好后导出后缀为.3ds文件，然后用ms3d导入.3ds文件，再用ms3d导出.smd文件，最后用hlmv合并模型就可以了。（记住：如果有贴图，一定要把贴图改为bmp的格式）你还是用3dmax7吧，，网上只有3dmax7的SMD插件SMD导出插件：http://www.chaosincarnate.net/cannonfodder/files/smdlexp203-max6or7.rarSMD导入插件：http://www.chaosincarnate.net/cannonfodder/files/smdimp_max6.v013a.rar

B 试题分析：图中a、b导线与铜盘的连接处相当于一根导体，铜盘转动时，该导体切割磁感线，产生感应电流，由于导体的长度不变，磁场强度不变，转动的速度不变，故产生的电流大小不变，方向也不变，故A、C、D均不正确；由右手定则可知，电流方向是由a指向b的，故电流是从b导线流进灯泡，再从a流向旋转的铜盘的，B是正确的。

A、C，把铜盘看做若干条由中心指向边缘的铜棒组合而成，当铜盘转动时，每根金属棒都在切割磁感线，相当于电源，由右手定则知，中心为电源正极，盘边缘为负极，若干个相同的电源并联对外供电，电流方向由b经灯泡再从a流向铜盘，方向不变，故A错误，C正确．B、回路中感应电动势为E=BL.v=12BωL2，所以电流I=ER=BωL22R，故B错误．D、当铜盘不动，磁场按正弦规律变化时，铜盘中形成涡流，但没有电流通过灯泡，故D错误．故选C

（1）图甲所示实验中发电机的原理是电磁感应现象；发现灯泡发光，则此过程中机械能转化为电能；（2）观察到灯泡越来越亮，突然一个灯泡损坏，而另一个灯泡仍能发光，由此可见，甲图中的两灯是并联的；（3）图乙中电流表的指针左右摆动，这表明该发电机发出的电是交流电；快速摆动手柄，才能明显的观察到小量程电流表的指针左右摆动．故答案为：（1）电磁感应现象；机械；电；（2）并；（3）快速；左右晃动．

一、stp是营销战略的一种，这里S指Segmenting market，即市场细分；T指Targeting market，即选择目标市场；P为Positioning，亦即定位 二、4PS是营销策略，产生于20世纪60年代美国，内容包括product(产品)price(价格)place(渠道)promotion（促销）三、服务产品的特点是：不可感知性、不可分离性、不可贮存性、品质差异、缺乏所有权四、7P+Prestige,服务营销策略，在原有的4P中加入people(人员)process(过程)physical evidence(有形展示)prestige(声望)五、品牌花模型：- -！汗，没找到，就这样

您好，有限元中模型的变形实际上是所有划分网格即一个个小型单元变形数据汇总的结果，导出的也只能是一个个小型单元的数据，而不是一个整体模型，因为UG三维造型和有限元模型在原理上的差异，个人认为无法实现您的想法，谢谢。

用matlab进行有限元分析的步骤：（1） 单元划分（选择何种单元，分成多少个单元，标号） ；（2） 构造单元刚度矩阵；（3） 组装系统刚度矩阵（集成整体刚度矩阵） ；（4） 引入边界条件（消除冗余方程）；（5） 解方程；（6） 后处理（扩展计算）。

第0节、引例 本文以Fisher的Iris数据集作为神经网络程序的测试数据集。Iris数据集可以在http://en.wikipedia.org/wiki/Iris_flower_data_set 找到。这里简要介绍一下Iris数据集：有一批Iris花，已知这批Iris花可分为3个品种，现需要对其进行分类。不同品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度会有差异。我们现有一批已知品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度的数据。　　一种解决方法是用已有的数据训练一个神经网络用作分类器。　　如果你只想用C#或Matlab快速实现神经网络来解决你手头上的问题，或者已经了解神经网络基本原理，请直接跳到第二节——神经网络实现。第一节、神经网络基本原理 1. 人工神经元( Artificial Neuron )模型 人工神经元是神经网络的基本元素，其原理可以用下图表示：图1. 人工神经元模型 图中x1~xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值，θ表示一个阈值 ( threshold )，或称为偏置( bias )。则神经元i的输出与输入的关系表示为：　　图中 yi表示神经元i的输出，函数f称为激活函数 ( Activation Function )或转移函数 ( Transfer Function ) ，net称为净激活(net activation)。若将阈值看成是神经元i的一个输入x0的权重wi0，则上面的式子可以简化为：　　若用X表示输入向量，用W表示权重向量，即：X = [ x0 , x1 , x2 , ....... , xn ] 　　则神经元的输出可以表示为向量相乘的形式：若神经元的净激活net为正，称该神经元处于激活状态或兴奋状态(fire)，若净激活net为负，则称神经元处于抑制状态。 图1中的这种“阈值加权和”的神经元模型称为M-P模型 ( McCulloch-Pitts Model )，也称为神经网络的一个处理单元( PE, Processing Element )。2. 常用激活函数 激活函数的选择是构建神经网络过程中的重要环节，下面简要介绍常用的激活函数。(1) 线性函数 ( Liner Function ) (2) 斜面函数 ( Ramp Function ) (3) 阈值函数 ( Threshold Function )以上3个激活函数都属于线性函数，下面介绍两个常用的非线性激活函数。(4) S形函数 ( Sigmoid Function )　　该函数的导函数：(5) 双极S形函数 　　该函数的导函数：　　S形函数与双极S形函数的图像如下：图3. S形函数与双极S形函数图像　　双极S形函数与S形函数主要区别在于函数的值域，双极S形函数值域是(-1,1)，而S形函数值域是(0,1)。　　由于S形函数与双极S形函数都是可导的(导函数是连续函数)，因此适合用在BP神经网络中。（BP算法要求激活函数可导）具体http://blog.csdn.net/gongxq0124/article/details/7681000/

一、Hopfield模型概述1982年，美国加州工学院J.Hopfield发表一篇对人工神经网络研究颇有影响的论文。他提出了一种具有相互连接的反馈型人工神经网络模型——Hopfield人工神经网络。Hopfield人工神经网络是一种反馈网络(Recurrent Network)，又称自联想记忆网络。其目的是为了设计一个网络，存储一组平衡点，使得当给网络一组初始值时，网络通过自行运行而最终收敛到所存储的某个平衡点上。Hopfield网络是单层对称全反馈网络，根据其激活函数的选取不同，可分为离散型Hopfield网络(Discrete Hopfield Neural Network，简称 DHNN)和连续型 Hopfield 网络(Continue Hopfield Neural Network，简称CHNN)。离散型Hopfield网络的激活函数为二值型阶跃函数，主要用于联想记忆、模式分类、模式识别。这个软件为离散型Hopfield网络的设计、应用。二、Hopfield模型原理离散型Hopfield网络的设计目的是使任意输入矢量经过网络循环最终收敛到网络所记忆的某个样本上。正交化的权值设计这一方法的基本思想和出发点是为了满足下面4个要求：1)保证系统在异步工作时的稳定性，即它的权值是对称的，满足wij=wji，i，j=1，2…，N；2)保证所有要求记忆的稳定平衡点都能收敛到自己；3)使伪稳定点的数目尽可能地少；4)使稳定点的吸引力尽可能地大。正交化权值的计算公式推导如下：1)已知有P个需要存储的稳定平衡点x1，x2…，xP-1，xP，xp∈RN，计算N×(P-1)阶矩阵A∈RN×(P-1)：A=(x1-xPx2-xP…xP-1-xP)T。2)对A做奇异值分解A=USVT，U=(u1u2…uN)，V=(υ1υ2…υP-1)，中国矿产资源评价新技术与评价新模型Σ=diαg(λ1，λ2，…，λK)，O为零矩阵。K维空间为N维空间的子空间，它由K个独立的基组成：K=rαnk(A)，设{u1u2…uK}为A的正交基，而{uK+1uK+2…uN}为N维空间的补充正交基。下面利用U矩阵来设计权值。3)构造中国矿产资源评价新技术与评价新模型总的连接权矩阵为：Wt=Wp-T·Wm，其中，T为大于-1的参数，缺省值为10。Wp和Wm均满足对称条件，即(wp)ij=(wp)ji，(wm)ij=(wm)ji，因而Wt中分量也满足对称条件。这就保证了系统在异步时能够收敛并且不会出现极限环。4)网络的偏差构造为bt=xP-Wt·xP。下面推导记忆样本能够收敛到自己的有效性。(1)对于输入样本中的任意目标矢量xp，p=1，2，…，P，因为(xp-xP)是A中的一个矢量，它属于A的秩所定义的K个基空间的矢量，所以必存在系数α1，α2，…，αK，使xp-xP=α1u1+α2u2+…+αKuK，即xp=α1u1+α2u2+…+αKuK+xP，对于U中任意一个ui，有中国矿产资源评价新技术与评价新模型由正交性质可知，上式中当i=j， ；当i≠j， ；对于输入模式xi，其网络输出为yi=sgn(Wtxi+bt)=sgn(Wpxi-T·Wmxi+xP-WpxP+T·WmxP)=sgn[Wp(xi-xP)-T·Wm(xi-xP)+xP]=sgn[(Wp-T·Wm)(xi-xP)+xP]=sgn[Wt(xi-xP)+xP]=sgn[(xi-xP)+xP]=xi。(2)对于输入模式xP，其网络输出为yP=sgn(WtxP+bt)=sgn(WtxP+xP-WtxP)=sgn(xP)=xP。(3)如果输入一个不是记忆样本的x，网络输出为y=sgn(Wtx+bt)=sgn[(Wp-T·Wm)(x-xP)+xP]=sgn[Wt(x-xP)+xP]。因为x不是已学习过的记忆样本，x-xP不是A中的矢量，则必然有Wt(x-xP)≠x-xP，并且再设计过程中可以通过调节Wt=Wp-T·Wm中的参数T的大小来控制(x-xP)与xP的符号，以保证输入矢量x与记忆样本之间存在足够的大小余额，从而使sgn(Wtx+bt)≠x，使x不能收敛到自身。用输入模式给出一组目标平衡点，函数HopfieldDesign( )可以设计出 Hopfield 网络的权值和偏差，保证网络对给定的目标矢量能收敛到稳定的平衡点。设计好网络后，可以应用函数HopfieldSimu( )，对输入矢量进行分类，这些输入矢量将趋近目标平衡点，最终找到他们的目标矢量，作为对输入矢量进行分类。三、总体算法1.Hopfield网络权值W[N][N]、偏差b[N]设计总体算法应用正交化权值设计方法，设计Hopfield网络；根据给定的目标矢量设计产生权值W[N][N]，偏差b[N]；使Hopfield网络的稳定输出矢量与给定的目标矢量一致。1)输入P个输入模式X=(x[1]，x[2]，…，x[P-1]，x[P])输入参数，包括T、h；2)由X[N][P]构造A[N][P-1]=(x[1]-x[P]，x[2]-x[P]，…，x[P-1]-x[P])；3)对A[N][P-1]作奇异值分解A=USVT；4)求A[N][P-1]的秩rank；5)由U=(u[1]，u[2]，…，u[K])构造Wp[N][N]；6)由U=(u[K+1]，…，u[N])构造Wm[N][N]；7)构造Wt[N][N]=Wp[N][N]-T*Wm[N][N]；8)构造bt[N]=X[N][P]-Wt[N][N]*X[N][P]；9)构造W[N][N](9～13)，构造W1[N][N]=h*Wt[N][N]；10)求W1[N][N]的特征值矩阵Val[N][N](对角线元素为特征值，其余为0)，特征向量矩阵Vec[N][N]；11)求Eval[N][N]=diag{exp[diag(Val)]}[N][N]；12)求Vec[N][N]的逆Invec[N][N]；13)构造W[N][N]=Vec[N][N]*Eval[N][N]*Invec[N][N]；14)构造b[N]，(14～15)，C1=exp(h)-1，C2=-(exp(-T*h)-1)/T；15)构造中国矿产资源评价新技术与评价新模型Uˊ——U的转置；16)输出W[N][N]，b[N]；17)结束。2.Hopfield网络预测应用总体算法Hopfield网络由一层N个斜坡函数神经元组成。应用正交化权值设计方法，设计Hopfield网络。根据给定的目标矢量设计产生权值W[N][N]，偏差b[N]。初始输出为X[N][P]，计算X[N][P]=f(W[N][N]*X[N][P]+b[N])，进行T次迭代，返回最终输出X[N][P]，可以看作初始输出的分类。3.斜坡函数中国矿产资源评价新技术与评价新模型输出范围[-1，1]。四、数据流图Hopfield网数据流图见附图3。五、调用函数说明1.一般实矩阵奇异值分解(1)功能用豪斯荷尔德(Householder)变换及变形QR算法对一般实矩阵进行奇异值分解。(2)方法说明设A为m×n的实矩阵，则存在一个m×m的列正交矩阵U和n×n的列正交矩阵V，使中国矿产资源评价新技术与评价新模型成立。其中Σ=diag(σ0，σ1，…σp)pu2a7dmin(m，n)-1，且σ0≥σ1≥…≥σp＞0，上式称为实矩阵A的奇异值分解式，σi(i=0，1，…，p)称为A的奇异值。奇异值分解分两大步：第一步：用豪斯荷尔德变换将A约化为双对角线矩阵。即中国矿产资源评价新技术与评价新模型其中中国矿产资源评价新技术与评价新模型 中的每一个变换Uj(j=0，1，…，k-1)将A中的第j列主对角线以下的元素变为0，而 中的每一个变换Vj(j=0，1，…，l-1)将A中的第j行主对角线紧邻的右次对角线元素右边的元素变为0。]]<![CDATA[对于每一个变换Vj具有如下形式：中国矿产资源评价新技术与评价新模型其中ρ为一个比例因子，以避免计算过程中的溢出现象与误差的累积，Vj是一个列向量。即Vj=(υ0，υ1，…，υn-1)，则中国矿产资源评价新技术与评价新模型其中中国矿产资源评价新技术与评价新模型第二步：用变形的QR算法进行迭代，计算所有的奇异值。即：用一系列的平面旋转变换对双对角线矩阵B逐步变换成对角矩阵。在每一次的迭代中，用变换中国矿产资源评价新技术与评价新模型其中变换 将B中第j列主对角线下的一个非0元素变为0，同时在第j行的次对角线元素的右边出现一个非0元素；而变换Vj，j+1将第j-1行的次对角线元素右边的一个0元素变为0，同时在第j列的主对角线元素的下方出现一个非0元素。由此可知，经过一次迭代(j=0，1，…，p-1)后，B′仍为双对角线矩阵。但随着迭代的进行。最后收敛为对角矩阵，其对角线上的元素为奇异值。在每次迭代时，经过初始化变换V01后，将在第0列的主对角线下方出现一个非0元素。在变换V01中，选择位移植u的计算公式如下：中国矿产资源评价新技术与评价新模型最后还需要对奇异值按非递增次序进行排列。在上述变换过程中，若对于某个次对角线元素ej满足｜ej｜u2a7dε(｜sj+1｜+｜sj｜)则可以认为ej为0。若对角线元素sj满足｜sj｜u2a7dε(｜ej-1｜+｜ej｜)则可以认为sj为0(即为0奇异值)。其中ε为给定的精度要求。(3)调用说明int bmuav(double*a，int m，int n，double*u，double*v，double eps，int ka)，本函数返回一个整型标志值，若返回的标志值小于0，则表示出现了迭代60次还未求得某个奇异值的情况。此时，矩阵的分解式为UAVT；若返回的标志值大于0，则表示正常返回。形参说明：a——指向双精度实型数组的指针，体积为m×n。存放m×n的实矩阵A；返回时，其对角线给出奇异值(以非递增次序排列)，其余元素为0；m——整型变量，实矩阵A的行数；n——整型变量，实矩阵A的列数；u——指向双精度实型数组的指针，体积为m×m。返回时存放左奇异向量U；υ——指向双精度实型数组的指针，体积为n×n。返回时存放右奇异向量VT；esp——双精度实型变量，给定的精度要求；ka——整型变量，其值为max(m，n)+1。2.求实对称矩阵特征值和特征向量的雅可比过关法(1)功能用雅可比(Jacobi)方法求实对称矩阵的全部特征值与相应的特征向量。(2)方法说明雅可比方法的基本思想如下。设n阶矩阵A为对称矩阵。在n阶对称矩阵A的非对角线元素中选取一个绝对值最大的元素，设为apq。利用平面旋转变换矩阵R0(p，q，θ)对A进行正交相似变换：A1=R0(p，q，θ)TA，其中R0(p，q，θ)的元素为rpp=cosθ，rqq=cosθ，rpq=sinθ，rqp=sinθ，rij=0，i，j≠p，q。如果按下式确定角度θ，中国矿产资源评价新技术与评价新模型则对称矩阵A经上述变换后，其非对角线元素的平方和将减少 ，对角线元素的平方和增加 ，而矩阵中所有元素的平方和保持不变。由此可知，对称矩阵A每次经过一次变换，其非对角线元素的平方和“向零接近一步”。因此，只要反复进行上述变换，就可以逐步将矩阵A变为对角矩阵。对角矩阵中对角线上的元素λ0，λ1，…，λn-1即为特征值，而每一步中的平面旋转矩阵的乘积的第i列(i=0，1，…，n-1)即为与λi相应的特征向量。综上所述，用雅可比方法求n阶对称矩阵A的特征值及相应特征向量的步骤如下：1)令S=In(In为单位矩阵)；2)在A中选取非对角线元素中绝对值最大者，设为apq；3)若｜apq｜＜ε，则迭代过程结束。此时对角线元素aii(i=0，1，…，n-1)即为特征值λi，矩阵S的第i列为与λi相应的特征向量。否则，继续下一步；4)计算平面旋转矩阵的元素及其变换后的矩阵A1的元素。其计算公式如下中国矿产资源评价新技术与评价新模型5)S=S·R(p，q，θ)，转(2)。在选取非对角线上的绝对值最大的元素时用如下方法：首先计算实对称矩阵A的非对角线元素的平方和的平方根中国矿产资源评价新技术与评价新模型然后设置关口υ1=υ0/n，在非对角线元素中按行扫描选取第一个绝对值大于或等于υ1的元素αpq进行平面旋转变换，直到所有非对角线元素的绝对值均小于υ1为止。再设关口υ2=υ1/n，重复这个过程。以此类推，这个过程一直作用到对于某个υk＜ε为止。(3)调用说明void cjcbj(double*a，int n，double*v，double eps)。形参说明：a——指向双精度实型数组的指针，体积为n×n，存放n阶实对称矩阵A；返回时，其对角线存放n个特征值；n——整型变量，实矩阵A的阶数；υ——指向双精度实型数组的指针，体积为n×n，返回特征向量，其中第i列为与λi(即返回的αii，i=0，1，……，n-1)对应的特征向量；esp——双精度实型变量。给定的精度要求。3.矩阵求逆(1)功能用全选主元高斯-约当(Gauss-Jordan)消去法求n阶实矩阵A的逆矩阵。(2)方法说明高斯-约当法(全选主元)求逆的步骤如下：首先，对于k从0到n-1做如下几步：1)从第k行、第k列开始的右下角子阵中选取绝对值最大的元素，并记住此元素所在的行号和列号，再通过行交换和列交换将它交换到主元素位置上，这一步称为全选主元；2) ；3) ，i，j=0，1，…，n-1(i，j≠k)；4)αij- ，i，j=0，1，…，n-1(i，j≠k)；5)- ，i，j=0，1，…，n-1(i≠k)；最后，根据在全选主元过程中所记录的行、列交换的信息进行恢复，恢复原则如下：在全选主元过程中，先交换的行、列后进行恢复；原来的行(列)交换用列(行)交换来恢复。图8-4 东昆仑—柴北缘地区基于HOPFIELD模型的铜矿分类结果图(3)调用说明int brinv(double*a，int n)。本函数返回一个整型标志位。若返回的标志位为0，则表示矩阵A奇异，还输出信息“err**not inv”；若返回的标志位不为0，则表示正常返回。形参说明：a——指向双精度实型数组的指针，体积为n×n。存放原矩阵A；返回时，存放其逆矩阵A-1；n——整型变量，矩阵的阶数。六、实例实例：柴北缘—东昆仑地区铜矿分类预测。选取8种因素，分别是重砂异常存在标志、水化异常存在标志、化探异常峰值、地质图熵值、Ms存在标志、Gs存在标志、Shdadlie到区的距离、构造线线密度。构置原始变量，并根据原始数据构造预测模型。HOPFIELD模型参数设置：训练模式维数8，预测样本个数774，参数个数8，迭代次数330。结果分44类(图8-4，表8-5)。表8-5 原始数据表及分类结果（部分）续表

1.看着你给出的几个表达式，估计是二阶系统求传递函数之类的题型。2.求导是理所当然的，对于变量均关于时间 t 求导，电阻、电容和电感系数等常数不变。3.如果你觉得数学方法不好理解，可以试一试”等效电阻法“。将电容的阻抗表示为Cs，将电感的阻抗表示为1/(Ls)，化简电路图（主要是化简电阻），运用电压电流的关系，得到输入与输出（或者与其它变量）的关系式，再关于零初始条件下的反拉氏变换即可得到答案。一般的关于电阻、电容和电感的系统求传递函数，这是最简单的一种方法，容易理解，而且方便，有相当一些课本上就是这么求解的。4.希望帮到你了。

机器学习模型设计五要素数据可能没什么用，但是数据中包含的信息有用，能够减少不确定性，数据中信息量决定了算法能达到的上限。数据环节是整个模型搭建过程中工作量最大的地方，从埋点，日志上报，清洗，存储到特征工程，用户画像，物品画像，都是些搬砖的工作也被认为最没有含金量同时也是最重要的地方。这块跟要解决的问题，所选的模型有很大关系，需要具体问题具体分析，以个性化为例讲讲特征工程中的信息损失：我们搭模型的目的是预测未来 -“以往鉴来，未卜先知 ”，进一步要预测每个人的未来，实时预测每个人的未来。要想做好这件事情，对过去、对用户、对物品越了解越好，首先需要采集用户的行为（什么人在什么时间什么地点以什么方式对什么东西做了什么事情做到什么程度 ），然后进行归因找到影响用户点击的因素，构建用户兴趣图谱，最后在此基础上去做预测。这个过程中，每个环节都会有信息损失，有些是因为采集不到，比如用户当时所处的环境，心情等等；有些是采集得到但是暂时没有办法用起来，比如电商领域用户直接感知到是一张图片，点或不点很大程度上取决于这张图片，深度学习火之前这部分信息很难利用起来；还有些是采集得到，也用的起来，但是因为加工手段造成的损失，比如时间窗口取多久，特征离散成几段等等。起步阶段，先搞“量”再搞“率”应该是出效果最快的方式。#2 f(x)f(x)的设计主要围绕参数量和结构两个方向做创新，这两个参数决定了算法的学习能力，从数据里面挖掘信息的能力（信息利用率），类比到人身上就是“天赋”、“潜质”类的东西，衡量这个模型有多“聪明”。相应地，上面的{x,y}就是你经历了多少事情，经历越多+越聪明就能悟出越多的道理。模型复杂度-VC维参数量表示模型复杂度，一般用VC维衡量。VC维越大，模型就越复杂，学习能力就越强。在数据量比较小的时候，高 VC 维的模型比低 VC 维的模型效果要差，但这只是故事的一部分；有了更多数据以后，就会发现低 VC 维模型效果再也涨不上去了，但高的 VC 维模型还在不断上升。这时候高VC维模型可以对低VC维模型说：你考90分是因为你的实力在那里，我考100分是因为卷面只有100分。当然VC维并不是越高越好，要和问题复杂度匹配：-- 如果模型设计的比实际简单，模型表达能力不够，产生 high bias；-- 如果模型设计的比实际复杂，模型容易over-fit，产生 high variance；而且模型越复杂，需要的样本量越大，DL动辄上亿样本模型结构模型结构要解决的是把参数以哪种方式结合起来，可以搞成“平面的”，“立体的”，甚至还可以加上“时间轴”。不同的模型结构有自身独特的性质，能够捕捉到数据中不同的模式，我们看看三种典型的：LR：只能学到线性信息，靠人工特征工程来提高非线性拟合能力MLR：与lr相比表达能力更强，lr不管什么用户什么物品全部共用一套参数，mlr可以做到每个分片拥有自己的参数：-- 男生跟女生行为模式不一样，那就训练两个模型，男生一个女生一个，不共享参数-- 服装行业跟3C行业规律不一样，那就训练两个模型，服装 一个3C一个，不共享参数沿着这条路走到尽头可以给每个人训练一个模型，这才是真正的“个性化”！FM：自动做特征交叉，挖掘非线性信息DL：能够以任意精度逼近任意连续函数，意思就是“都在里面了，需要啥你自己找吧”，不想花心思做假设推公式的时候就找它。#3 objective目标函数，做事之前先定一个小目标，它决定了接下来我们往哪个方向走。总的来说，既要好又要简单；已有很多标准方法可以选，可创新的空间不大，不过自己搞一个损失函数听起来也不错，坐等大牛。损失函数：rmse/logloss/hinge/...惩罚项：L1/L2/L21/dropout/weight decay/...P（model|data） = P(data|model) * P(model)/P(data) —> log(d|m) + log(m)#4 optimization目标有了，模型设计的足够聪明了，不学习或者学习方法不对，又是一个“伤仲永”式的悲剧。 这里要解决的问题是如何更快更好的学习。抛开贝叶斯派的方法，大致分为两类：达尔文式启发式算法，仿达尔文进化论，通过适应度函数进行“物竞天择，适者生存”式优化，比较有代表性的：遗传算法GA，粒子群算法PSO，蚁群算法AA；适合解决复杂，指数规模，高维度，大空间等特征问题，如物流路经问题；问题是比较收敛慢，工业界很少用。拉马克式拉马克进化论，获得性遗传，直接修改基因(w)；比较有代表性的分两类：-- sgd variants（sgd/Nesterov/Adagrad/RMSprop/Adam/...）-- newton variants（newton/lbfgs/...）#5 evaluation怎么才算一个好的模型并没有统一标准，一个模型部署上线或多或少的都会牵扯到多方利益。以个性化场景为例，就牵扯到用户，供应商/内容生产方以及产品运营三者的博弈。总的来说，一个“三好模型”要满足以下三个层面：算法层面：准确率，覆盖率，auc，logloss...公司层面：revenue，ctr，cvr...用户层面：用户体验，满意度，惊喜度...#0 模型调优思路拆解之后，模型调优的思路也很清晰了：想长胖，首先要有东西吃；其次要能吃，啥都能吃不挑食；最后消化要好用一条公式来概括：模型效果 ∝ 数据信息量 x 算法信息利用率一方面，扩充“信息量”，用户画像和物品画像要做好，把图片/文本这类不好量化处理的数据利用起来；另一方面，改进f(x)提高“信息利用率”，挖到之前挖不到的规律；不过在大数据的初级阶段，效果主要来自于第一方面吧。

作用力与反作用力的原理

有一款软件可以实现你的功能，modefrontier，集合了多种软件接口，我就正在使用，不过hypermesh和这个软件没有接口，我也没有尝试过，但是我现在在使用这个软件进行一个优化，和你说的内容类似，我是先在proe中参数化建模，导入ansys求解计算的，可以知道详谈

NO.1--- TinkerCADTinkerCAD是3D软件公司Autodesk的一款免费建模工具，非常适合初学者使用。本质上说，这是一款基于浏览器的在线应用程序，能让用户轻松创建三维模型，并可以实现在线保存和共享。 NO.2 ---3DSlash3DSlash这款同名建模软件是去年才发布的，旨在将3D建模概念在所有年龄层的用户中推广，包括孩子。这款软件能够适用的浏览器包括Windows，Mac，Linux和树莓派。现在3DSlash V2.0也发布了。NO.3 ---123D Design123D Design是Autodesk的另一款免费建模APP，比TinkerCAD的功能性更强一些，但是仍然简单易用，还能编辑已有的3D模型。目前这款3D建模APP可以免费下载。 NO.4---SketchupTrimble这款3D建模软件比较适合中级3D设计师，是比较高级的3D建模软件。它以一个简单的界面集成了大量功能插件和工具，用户可以轻松绘制线条和几何形状。初学者同样可以学着使用这款技术含量相对较高的3D建模软件，因为该软件的网站上提供了免费的视频教程。NO.5--- SculptrisPixologic的这款软件比较适合初学者到中级3D设计师之间的过渡期间使用。本质上说，这是一款数字雕刻工具，非常适合具有有机形状和纹理的物体的3D建模。NO.6---MeshmixerMeshmixer由Autodesk开发，同样适合初学者到中级3D设计师之间的过渡期间使用。这款3D建模软件允许用户预览、提炼和修改已有的3D模型，以纠正和改良不足之处，同时也可以创建新的3D模型。NO.7---BlenderBlender是一款开源的3D建模软件，也可以说是一款3D数字雕刻工具，适用于专业级3D设计师。这款软件极大地提高了设计自由度，适用于制作复杂且逼真的视频游戏、动画电影等。NO.8--- FreeCADFreeCAD是一款开源的参数化3D建模工具，适用于中级向高级3D设计师过渡期间使用。参数化建模工具是工程师和设计师的理想选择，通过复杂的计算机算法来快速、高效地编辑3D模型。NO.9---OpenSCADOpenSCAD是一款非可视化3D建模工具，是程序员的理想选择。它通过“读写”编程语言中的脚本文件来生成3D模型，本质上说，OpenSCAD也是一款参数化建模工具，能够通过参数设置精确控制3D模型的属性。

ANSYS中默认能检测到的参数是DS开头的，所以说在UG里面将你要导入ANSYS的参数（可以是草图也可以是特征）前缀加DS就可以了，还有一点就是记得将你的特征名改为英文的。

参数化建模是一种计算机辅助设计方法，是参数化设计的重要过程。在参数化建模环境里，零件是由特征组成的。特征可以由正空间或负空间构成。正空间特征是指真实存在的块(例如，突出的凸台)，负空间特征是指切除或减去的部分。参数化设计过程是指从功能分析到创建参数化模型的整个过程。参数化建模是参数化设计的重要过程。建模时的关键问题就是如何创建一个满足设计要求的参数化模型，所以在进行参数化建模时需要考虑多方面的因素。

空间杜宾模型（SDM）是空间滞后模型和空间误差项模型的组合扩展形式，可通过对空间滞后模型和空间误差模型增加相应的约束条件设立。空间杜宾模型（SDM）是一个通过加入空间滞后变量而增强的SAR模型（空间滞后模型）。简单地说，SDM分成三个部分：与相邻地区y的空间自相关：W为空间权重矩阵，显示y与相邻地区的其它y有关系。自变量相关：y与自变量X有关，也就是最简单的线性回归模型。与相邻地区x的空间自相关：y与相邻地区的其它x有关系。举个例子：你知道你考不好，你妈会揍你。你考不好就是x，妈揍你是y。现在假设你妈有一个很要好的邻居，喜欢揍她的孩子。你妈看到邻居的教育方法让孩子考的很好，因此也想用揍你的方式帮你提升成绩。你妈邻居就是空间自相关的y。现在你妈邻居的孩子没考好，你妈觉得连邻居的孩子都考不好，自己的孩子怎么可能会考好，于是在你回家报告成绩之前，先拿起鸡毛掸子等你回家。

楼主学习计算机网络原理吧，你问的比较专业，这是一个庞大的体系

TOP-5正确率： 训练好了一个网络，你要用这个网络去进行图片分类任务，假设要分类的数目有50类，那么当我们进行测试时，输入一张图片，网络会依次输出这50个类别的概率，当所有图片测试完成后，那么：TOP-5正确率就是说，在测试图片的50个分类概率中，取前面5个最大的分类概率，正确的标签（分类）有没有在里面，就是它是不是这前5个中的一个，如果是，就是分类成功. 那么模型的TOP-5正确率=（所有测试图片中正确标签包含在前五个分类概率中的个数）除以（总的测试图片数） TOP-5错误率=（所有测试图片中正确标签不在前五个概率中的个数）除以（总的测试图片数） 同理，TOP-1错误率就是正确标记的样本数不是最佳概率的样本数除以总的样本数

一、地球物理、地球化学勘查1.地球物理勘查地球物理学是用物理学的理论和方法，研究地球的状态、性质、结构、物理现象和物理过程的一门学科。地球物理勘查是地球物理学的一个分支，简称为物探，是应用物理学的原理、方法和仪器，探寻地下地质结构和矿产资源的一种地质勘查方法技术。其主要优点如下。——不仅可以了解地表或近地表的地质现象，还可获得深部地质信息。所以，物探所反映的地质现象的深度大，范围宽（从几十公分到几百公里）。——可以获得多种地学参量和丰富的地学信息。它是深部地质调查的基本方法，也是现代矿产资源勘查不可缺少的手段。近年来，在工程勘察与检测，地下水资源调查与勘测，环境调查与检测，以及某些非地学领域方面的应用已越来越广泛，作用也越来越重要。——物探的科技含量高，比较容易吸收和引进现代科学技术的最新技术成果，是一种经济而快捷的地质勘查方法技术。物探方法尚存在以下缺欠。——物探异常的数学解释及地质解释结果均存在着多解性。——作为一种固体矿产勘查方法，目前除用磁法找磁铁矿或含磁铁矿物较多的矿体，用放射性测量找铀矿或与铀矿伴生的矿体，以及用电法、重力法寻找相对（埋深）规模较大的块状硫化物矿体外，一般不能以矿体作为直接探测目标。2.地球化学勘查地球化学是研究地球各部分化学元素及其同位素的分布、存在形式、共生组合、集中与分散、迁移与循环等规律的一门学科。地球化学勘查是地球化学的一个分支，“是对自然界各种物质中化学元素及其他地球化学特征的变化规律进行系统的调查研究的全过程。”简称为化探。其主要的优点如下。——可以了解和探测地质体的微观标志，并具有突出的直接性或直观性。——可用于寻找和发现难识别的（如贵金属、稀散元素、低含量的金属矿等）、隐伏的勘查对象。——具有快速、轻便及勘查成本较低的特点。化探作为一种固体矿产勘查方法，尚存在着以下缺欠。——受分析技术检出限与精确度的局限。——目前的方法技术，对解决或确定探测对象的空间几何参数的功能较差。二、物探化探异常1.异常的含义广义而论，地质勘查所指的异常主要有两类，一类是人们直接观察和分析得到的异常地质现象和产物，亦可称为地质异常，如构造的变形、接触热变质带、围岩蚀变、近矿矿物晕等等；另一类是通过仪器观测或分析测试得到的相对正常值的偏差，物探异常与化探异常即属于后一类。物探、化探异常即地球物理、地球化学异常，是相对地球物理、地球化学正常场或区域场的偏差。一般而言，矿产的存在往往会产生不同性质、不同规模的物探异常与化探异常，但物探、化探异常并不一定都是矿所引起的。构建地球物理-地球化学找矿模型，必须分析和研究矿及与矿有关的各类异常。2.物探化探异常分类（1）按异常性质划分。物探异常：根据异常的物理性质可分为重力异常、磁力异常、电（电磁）异常、放射性异常、地震波组（频率、振幅、相位）异常等。化探异常：按采样介质可分为岩石异常、土壤异常、水系沉积物异常、水化学异常等；按化学元素又可分为各单元素异常、元素组合异常、元素不同相态的异常等；根据其形成又可分为原生异常（同生异常）、次生异常（后生异常）等。（2）按引起异常的地质因素划分。矿异常：即与矿有关的异常。按成矿作用的范围，又可分为矿带异常、矿田异常、矿床异常、矿体异常等；根据异常相对矿体的部位，又可分为矿上或前缘异常、近矿异常、矿下或尾部异常、侧向异常等。构造异常：如断层、褶皱、断裂带、岩体接触带异常等。岩体异常：即各种岩浆侵入、喷溢形成的岩体所引起的异常。岩性异常：如某一时代的地层，某种岩相或建造引起的与岩性有关的异常。深部异常：主要是由地壳深部构造及其岩石结构差异引起的异常。（3）按异常范围划分。按异常范围的尺度划分异常，如地球化学省、区域物探异常、区域地球化学异常，以及不同级次的局部异常等。（4）按相对于正常场或区域场偏差值的高低划分。如正异常，负异常；强异常，弱异常、低缓异常等。（5）按异常的意义划分。异常有意义与无意义是相对的。一方面决定于地质勘查的目标任务；另一方面又往往受人们对异常认识阶段或认识水平的局限。一般可如下分。有意义异常：除矿致异常外，在进行间接找矿时，某些与控矿因素有关，或与成矿活动有关的某种地质现象引起的异常，亦可作为有意义的异常。无意义异常：包括某些地形、地貌或表生地质作用引起的假异常；以及某些非地质因素如人文活动、天气变化等造成的干扰异常。此外，某些地质因素引起的干扰异常，如与成矿活动无关的某种岩性异常、构造异常、非金属矿化异常等亦属此类。三、找矿标志与矿化信息1.探测目的物与目标物、直接找矿与间接找矿原地质矿产部部颁《固体矿产普查物探化探工作要求》（DZ59-88）中有解释如下。（1）目标物是相对目的物而言。在矿产普查工作中，普查的最终对象是矿体（矿床），目的物就是矿体（矿床）；而目标物则是物探化探方法可以探测的某些地质体（包括矿体）。（2）以直接探测矿体、矿床、矿田信息为目标的工作称为直接找矿；以探测矿体、矿床、矿田有紧密或直接联系的地质体的信息为目标的工作称为间接找矿。在直接找矿时，目标物即目的物；在间接找矿时，目标物是与目的物有某些联系的地质体。2.找矿标志标志即某种特征。找矿标志即矿化作用所显示或所反映的特殊地质现象，或关于探测目标物或目的物的地质、地球物理、地球化学的辨识特征。它是找矿的重要线索，也是勘查者研究和探索的重要对象。常用的几种分类列于表1.2.1。表1.2.1 找矿标志分类表与综合信息找矿模型有关的主要标志如下。（1）地质标志：包括矿体存在的标志，矿化存在的标志，成矿地质条件及成矿地质环境的标志等。（2）地球物理标志：指实测地球物理场及物性参数、变换后的地球物理场及其他参量在空间的特征分布。目前，地球物理标志一般不能直接作为矿化标志，大多是作为某些地质标志的标志。（3）地球化学标志：包括成矿元素及其伴生元素，和与成矿有关的地质条件、地质环境的某些指示元素或化合物的空间分布晕。3.矿化信息信息作为一个科学概念，是1948年香农首先在通讯领域中提出的。随着近代科学技术的发展，信息概念已广泛渗入并应用于各个领域，其定义有所不一样。根据矿床地质特点，认为在找矿模型中采用：“信息是物质和能量在空间、时间上分布的不均匀程度”的定义较为适宜。矿化信息可理解为：成矿地质作用在空间上（地质成矿背景、成矿环境所形成的或所引起的地质场、地球化学场、地球物理场等）、在时间上（主要地质事件，如成矿期、成矿阶段等）不均匀分布的反映。即矿化信息是反映矿化或与矿化作用有关的地质标志，以及蕴涵于地球物理、地球化学场或物探、化探异常中与矿化作用有关的标志。四、模式与模型模型与模式两个词的含义有些接近，因此在使用时常常混乱，有人将它们作为等义词对待，其实两者是有区别的。在英文中也有两个相近的词汇，即“Model”和“Pattern”，它们的解释中有部分是同义的，却又不尽相同。根据十多种对模型、模式的解释或定义，我们认为《软科学知识辞典》的解释较为适宜。1.模型“是对客观实物及其运动规律的描述、模仿、映象或抽象”。作为模型，必须满足下列三个条件：（1）与原形之间具有相似的关系，称之为相似性或类比性；（2）在具体研究过程中能代表原形，称为代表性；（3）对它做形容能得到关于原形的信息，并可依其进行预测，即具有外推性。模型分类方式很多，图1.2.1为全面考虑了模型的内容、形式和作用而归纳的一种分类方式所概括的模型分类。其中概念模型是根据经验、知识和直觉形成的；思维模型不容易交流；描述模型具有高度的概念化。图1.2.1 模型分类框图2.模式“是对现实事件的内在机制以及事件之间关系的直观和简洁的描述。它是理论的一种简化形式，能够向人们表明事物结构或过程的主要组成部分，以及这些部分之间的相互关系。…”3.采用的定义根据上述对模型与模式的解释或定义，可简括模型主要是对事物形式的简化、抽象；模式主要是对事物内在的简化、抽象。由于对事物形式描述会涉及其某些内在因素，而对事物内在描述时，又往往会采用某种形式表达。所以，模型与模式这两个概念内涵上有区别，而外延有部分重叠，这也是两者容易混同的缘故。五、成矿模式与找矿模型1.成矿模式目前，成矿模式尚无统一的定义，但矿床地质学家对其内容与含义的解释却是大同小异的。据《中国矿床成矿模式》（陈毓川、朱裕生等，1993）的解释：“成矿模式是对形成矿床的成矿作用从四维空间进行的高度概括，以不同的形式和深度，不同的内容给予表达，并随矿床学理论研究的发展而逐步深化。”有色金属勘查系统的专家认为：“成矿模式是对一组相似矿床的成矿过程和成矿机制的理解，是控矿因素在各个环节所起作用的高度概括的一种综合表达形式。”由于地质作用的复杂和找矿实践的局限，决定了成矿模式有以下特点：（1）是成矿过程、成矿机制、成矿规律的高度概括，即具有概括性；（2）仅代表某一特定地质环境，特定地质成矿条件的研究成果，即具有地区的局限；（3）受工作程度的制约，并随研究的深入而不断完善，即属阶段性成果，具有一定的不确定性。2.找矿模型找矿模型是在成矿模式基础上，突出了矿化信息，明确了探测的目标及其形成的或引起的各类标志；一个完善的找矿模型还应包括一套相应的勘查方法组合与流程。所以，找矿模型是成矿模式的延伸，找矿实践的升华；它既包含成矿模式的基本内容，又具有较强的实用性。简言之，找矿模型是找矿标志、矿化信息及勘查方法的集成或归纳。与成矿模式比较，找矿模型具有更强的地区局限性，其应用效果一方面取决于选定的模型要素是否典型，是否具有可类比性；另一方面还取决于所类比地区地质成矿环境与成矿条件的类似程度。

1、首先在帝国全面战争游戏中，打开PackFileManager找到模型文件。2、其次选择打开rigidmodel文件进入，完成任务后进行导入。3、最后就打开完成了。

79款车型拓展资料：《丁丁历险记》旧译《天天历险记》，又名《亭亭历险记》，为比利时漫画家乔治·勒米（Georges Remi）（笔名：埃尔热）所创作的漫画作品 ，该漫画故事以探险发现为主，辅以科学幻想的内容，同时倡导反战、和平和人道主义思想，在全世界都非常著名。《丁丁历险记》自1929年1月10日起在比利时报纸上开始双周连载，拥有多种翻译版本和衍生作品。世界经典连环画《丁丁历险记》在诞生整整90周年之际，中国少年儿童新闻出版总社推出《丁丁历险记》中文精装版新书，包括《蓝莲花》《奥托卡王的权杖》《独角兽号的秘密》《奔向月球》等22册畅销经典读本。该作品问世以来，备受全世界人们的喜爱，先后被翻译成70多种文字，全球销量超过3亿册，遍及世界各大洲。

自己在网上查 主成分分析

随着技术的发展，机械产品的技术含量越来越高，机械产品也越来越复制，各种机械绘图越来越难画。不过CAD软件的应用还是足够绘制现代化的机械。CAD技术与计算机技术结合，能够解决机械设计中的复杂几何模型问题，可以用CAD软件绘制三维实体模型，为了更好的理解，下面内容就来用CAD软件演示创建和编辑三维机械模型的方法。更多CAD软件的使用教程就在哦，这里有CAD从基础到进阶的教程课程，非常适合想自学CAD的小伙伴。CAD软件创作和编辑机械模型的教程：1.选择【直线】，绘制中心线，竖线82.5，绘制横线36，选择【偏移】，选择线偏移96，选择【直线】，绘制直线，具体2.选择【修剪】，将多余部分修剪，选择【偏移】，选择线偏移25，选择【修剪】，将多余部分修剪，选择【直线】，绘制26、3直线，选择【修剪】，将多余部分修剪，具体3.选择【延伸】，选择边进行延伸，选择【偏移】，选择线偏移23.5，选择【偏移】，选择线偏移18，选择【偏移】，选择线偏移2，选择【修剪】，将多余部分修剪，具体4.选择【倒角】，选择边进行倒角，选择【直线】，绘制直线，选择【修剪】，将多余部分修剪，选择【镜像】，选择对象，选择中心线，选择【修剪】，将多余部分修剪，具体5.选择【偏移】，选择线偏移70，选择【偏移】，选择线上下偏移6，选择【偏移】，选择线偏移5.1，选择【修剪】，将多余部分修剪，选择线，修改宽度，具体6.选择【偏移】，选择线偏移57.5，选择【偏移】，选择线偏移16，选择【修剪】，将多余部分修剪，选择【偏移】，选择线偏移30，选择【偏移】，选择线偏移32，选择【修剪】，将多余部分修剪，具体7.选择【偏移】，选择线偏移14，选择【偏移】，选择线偏移4，选择【偏移】，选择线偏移45，选择【偏移】，选择线偏移8，选择【修剪】，将多余部分修剪，选择【线型】选择【加载】，选择【CENTER2】,选择【确定】，选择线修改线型，具体8.选择【倒角】，输入2，选择不修剪，选择边线倒角，选择【直线】绘制直线，选择【修剪】，将多余部分修剪，选择【倒角】，输入2，选择边线倒角，具体9.选择【填充】，选择【ANSI31】进行填充，选择【直线】，绘制中心线，修改【线型】，选择【圆】，绘制82.5圆，选择【偏移】，选择圆偏移4，选择【圆】，绘制70的圆，具体10.选择【圆】，绘制6、5.1的圆，选择【直线】，绘制中心线，选择【修剪】，将多余部分修剪，选择【旋转】，旋转15，选择【环形阵列】，选择对象选择中心，输入6个，具体11.选择【圆】，绘制115的圆，选择【偏移】，选择圆偏移2，选择【偏移】，选择圆偏移2，选择【圆】，绘制30的圆，选择【偏移】，选择线偏移4，选择【圆】，绘制14的圆，选择【偏移】，选择线偏移15.65，具体12.选择线，转换线型，选择【修剪】，将多余部分修剪，选择【圆】，绘制90的圆，选择【圆】，绘制两个8的圆，具体13.选择【标注】标注尺寸，对尺寸进行修改，具体以上就是CAD软件创建和编辑机械模型的操作演示过程了，机械制图都不太简单哦，好好学习吧。

文心大模型ai作画的secret_key怎么获取牛在使用API方式管理文件是通过AccessKey和SecretKey来认证的，这里只说下如何获取这两个KEY。在网山申请。可以进入网址，点击申请公测按钮申请体验“AI创作”功能，通常会在当日内完成申请。国内搜索巨头百度依托飞桨、文心大模型推出了自己的AI作画工具--文心·一格。文心一格是基于文心大模型的文生图系统实现的产品化创新。2022年8月19日，中国图象图形大会CCIG2022在成都召开，正式发布AI艺术和创意辅助平台文心一格，这是百度依托飞桨、文心大模型的技术创新推出的AI作画首款产品。文心一格是百度旗下一款免费的在线AI绘画生成器工具。提供基于文心大模型的在线人工智能画画工具，可以快速帮助用户创作精美的绘画艺术作品。模型效果优：所需标注数据少，在各场景上的效果处于业界领先水平。生成能力强：拥有丰富的AI内容生成（AIGC）能力。Domainadaptation：通过在目标领域中使用相似的数据对预训练模型进行微调，以获得更好的性能。Knowledgedistillation：使用已经训练好的模型作为教师模型。文心·一格如何申请测试资格文心·一格申请的信息介绍怎么写：亲就介绍您的个信息还有作品风格就可以了。文心·一格面向的用户人群非常广泛。目前，个人用户可以进入文心一言官网参与排队试用。企业用户可以进入百度智能云官网，申请预约文心一言API接口调用服务测试。此外，百度智能云即将面向企业客户开放文心一言API接口调用服务。不确定。申请文心一格需要的时间因个人情况而异，一般来说，需要准备好相关材料，填写申请表格，提交申请，等待审核和审批等环节。具体时间取决于申请人的资料准备情况、申请人数和审批机构的工作效率等因素。文心·一格怎么进去1、在百度直接输入“文心·一格”，就会出现文心·一格的官方网站登录入口，点击进入即可。文心一格是百度旗下一款免费的在线AI绘画生成器工具。提供基于文心大模型的在线人工智能画画工具，可以快速帮助用户创作精美的绘画艺术作品。2、首先在手机上进入“文心一格”首页。其次点击空白处进入精选广场，查看“文心一格”创作的推荐图片。最后可以根据用户输入的关键字创作出即可。3、首先打开文心一格软件平台，进入平台主界面中。其次点击平台中的加入创作者的按钮。最后按照加入要求进行操作即可。4、可以。文心一格，是基于文心大模型能力的AI艺术和创意辅助平台，该软件是可以在手机上用的，也可以在电脑中使用，用户输入一段文本描述，并选择方向、风格和尺寸，点击立即生成，AI就会根据对文本的理解自动进行画作的创作。5、可以。文心一格是基于文心大模型的文生图系统实现的产品化创新。首先检查网络连接打开百度。其次选中搜索栏并输入文心一格官网搜索并点击。最后在官网中找到免费下载，保存下载的路径点击确定即可。

1、下载模型，访问飞桨官网并找到想要使用的训练后文本模型，下载模型文件并确保保存了相关的权重文件和模型配置。2、确保已正确安装了飞桨框架，可以按照飞桨官网上的指南安装所需的版本。3、使用飞桨提供的模型加载功能将训练后的文本模型加载到代码中，需要加载权重文件和模型配置。

以达到降低模型存储空间的目标。在移动端部署的模型体积上，飞桨可以缩减到非常小的体积，这样做的好处是以达到降低模型存储空间的目标。飞桨（PaddlePaddle）以百度多年的深度学习技术研究和业务应用为基础，集深度学习核心训练和推理框架、基础模型库、端到端开发套件、丰富的工具组件于一体。

正确答案：A 解析：无 查看更多答案>>麻烦采纳，谢谢!

首先我们需要安装ogretools工具，不然导出的时候会报错。 $sudo apt-get install ogre-1.9-tools 然后获得“blender2ogre”插件包，在里面找到“io_ogre”文件夹。 把“io_ogre”文件夹直接放在blender安装目录下的“addons”文件夹中。打开blender菜单中选择“文件”--“用户设置”。 搜索“ogre”勾选这个插件，然后“保存用户设置”。 现在我们就可以选择要导出的模型，然后然后菜单中“文件”--“导出”--“Ogre3D(scene and mesh)”。 选择位置以及填写名称，然后“Export Ogre”。 然后我们的模型就被导出为mesh文件了。

你的渗入深度设置的不合理，或者说单元之间有相互渗透；建议调整参数，或者换个软件。

可以，这叫移植。给你个教程出自bfmil.cn有什么问题去那请教。那么我们移植的时候，文件准备工作可以分为：一、将相关的objects文件解压出来，放在一起即可；二、打开武器的tweak文件，比如原版的中国88式狙击枪ObjectTemplate.createComponentWeaponHudObjectTemplate.weaponHud.weaponIconIngameWeaponsIconsHudCHSNI_Type88.tga这些就是图标文件ObjectTemplate.weaponHud.altWeaponIconIngameWeaponsIconsHudCHSNI_Type88_mini.tga可以从meun_client.zip里找到ObjectTemplate.weaponHud.selectIconIngameWeaponsIconsHudSelectionCHSNI_Type88.tga要说明的一点是，这里的路径是省略的，完整的路径应该是Menu_client.zipHUDTexture+tweak里提到的路径。完成以上两步对于比较简单的枪械，移植工作就基本已经完成了。但各别组模在制做时，很多贴图都是公用的，这就需要我们使用窗口模式进入游戏，根据报错来补充文件。对于贴图路径的修改需要专用的工具，我会在附件中发出来。缺少特效也是我们在移植过程中会遇到的问题，对于枪械无非是e_shelle_muzz两类特效，这个好找，也好移，关键是要大家细心地看tweak文件，所有调用的东西都在里面，按图索骥罢了。对于载具的移植，要麻烦的多了，主要是涉及的文件会更多，尤其是在移植HUD的时候，载具的主体部分和上面讲到的枪的移植是一样的，我就不啰嗦了，这里主要讲下HUD的移植。HUD都在menu_server.zip/hud/hudsetup/vehicles/中，文件很多。有很多的载具是共用HUD的，这样，我们就不能仅凭着名字载具型号来确定对应文件。这时，我们应该先仔细看看载具的tweak，记下使用到的guiIndex编号，然后一个一个打开menu_server.zip/hud/hudsetup/vehicles/中的HudElementsXXX.con里面会有编号信息，找到对应的，移出来即可。工作还没有结束，这只是开了个头，接下来是找齐HUD用到的图标文件，这些图标文件的路径和名称在con文件里都有，大家可以在menu_client.zip里找到。文件准备工作结束了，还要做一些修改，bf2里只识别两种格式的图片文件，*.tga,*.dds移来的*.tga文件几乎都无法在bf2中顺利识别，我们就只能通过修改后缀名的方法变通一下。但只修改后缀名会出现一个问题，由于dds文件广泛的运用于贴图，所以强行改名后会使图标在游戏里垂直翻转，也就是图标倒了，这怎么办呢？必须要用Photoshop等专业工具进行修改，其原理就是以tga格式打开，提前进行垂直翻转，保存修改后，强行更改后缀名，这样在游戏里再翻一次就正过来了。一般的图标文件都包含alpha通道，所以我们在操作时一定要把alpha通道一并翻转才行。注：部分载具加入原版或其它组模时会出现100%加载，但进入游戏就跳出，而且不报错，这个大部分都是因为载具所含objects.ai中载具类型定义的问题。如AIX2的AI加入了新类型bomber，原版中是没有的，所以我们要修改成原版中有的，如aiTemplatePlugIn.createUnitAIX_F117aUnitaiTemplatePlugIn.equipmentTypeNameBomber把bomber改成plane这样才能在原版中使用。移植的话题就讲到这里了，多细心多思考就是移植的关键所在。祝大家游戏愉快。

黑桃J / Spade J杰森·斯坦森 Jason Statham，初版为皮衣+贝雷帽，可找到的相似造型为《敢死队2》（The Expendables 2）中杰森的类似造型；后来的黑桃J回忆篇为电影《十三》中的大衣+红领带+毡帽造型；2014会场异色版则也是皮衣+贝雷帽。黑桃2 / Spade 2维尼·琼斯 Vinnie Jones，本来是一名足球运动员的维尼，参演盖·里奇导演的《两根大烟枪》和《偷拐抢骗》这两部黑色喜剧电影之后，一步踏入了好莱坞。黑桃3 / Spade 3曼联，韦恩·鲁尼 Wayne Rooney黑桃4 / Spade 4《杀手没有假期》的男主角：柯林·法瑞尔 Colin Farrell方块2 / Diamond 2《敢死队2》中的二号反派：斯科特·阿金斯 Scott Adkins方块3 / Diamond 3造型源自2010年上映的B级动作片《弯刀（Machete）》中，由丹尼·特乔（Danny Trejo）扮演的主角“弯刀”「番外篇」撒克逊 / Saxon骨灰级硬汉老戏骨：艾德·哈里斯 Ed Harris，在2005年电影《暴力史》（A History of Violence）中饰演一个复仇黑帮老大。黑桃5 / Spade 5裘德·洛 Jude Law黑桃6 / Spade 6黑帮王国系列第一款女性角色，来自电影《多米诺》（Domino）里面的凯拉·奈特莉 Keira Knightley黑桃7 / Spade 7 Harry克里夫·欧文 Clive Owen，电影《赶尽杀绝》（Shoot ‘Em Up）黑桃 J黑桃 Jdamtoys-gangster-character-002《敢死队2》杰森《敢死队2》杰森黑桃J 回忆篇黑桃J 回忆篇黑桃J 2014会场限定黑桃J 2014会场限定电影《十三》杰森·斯坦森电影《十三》杰森·斯坦森黑桃 2黑桃 2damtoys-gangster-character-008《两杆大烟枪》维尼·琼斯《两杆大烟枪》维尼·琼斯damtoys-gangster-character-010黑桃 3黑桃 3damtoys-gangster-character-012鲁尼鲁尼黑桃 4黑桃 4damtoys-gangster-character-015柯林·法瑞尔柯林·法瑞尔Colin Farrell方块2方块2damtoys-gangster-character-019《敢死队2》斯科特·阿金斯《敢死队2》斯科特·阿金斯方块3方块3damtoys-gangster-character-022《弯刀（Machete）》丹尼·特乔《弯刀（Machete）》丹尼·特乔damtoys-gangster-character-024「番外篇」撒克逊「番外篇」撒克逊damtoys-gangster-character-026艾德·哈里斯 Ed Harris艾德·哈里斯 Ed Harris黑桃5黑桃5damtoys-gangster-character-029裘德洛裘德洛黑桃6黑桃6damtoys-gangster-character-032《多米诺》凯拉·奈特莉《多米诺》凯拉·奈特莉damtoys-gangster-character-034黑桃7黑桃7damtoys-gangster-character

1.Null Hypothesis: F-Statistic Probability 结论△LNREER does not Granger Cause △LNEX 6.06305 0.00366 拒绝△LNEX does not Granger Cause △LNREER 0.57844 0.56332 接受这个没错。2.LNREERt=#+#LNREERt-1+#LNREERt-2 (没有加入LNEX，因为△LNEX does not Granger Cause △LNREER，也就是说LNEX是LNREER的外生变量)这个错了，要加入LNEX滞后项。这意味着无论granger的检验结果如何，都是要把所有变量都包含进去作为内生变量构建VAR模型。3.那granger检验对于VAR 又能有什么意义呢？granger检验确认先后变化关系，其实granger检验的回归方程与VAR 模型的回归方程是一样的。4.正如你所说，VAR（向量自回归）方程的优势是事先无需对进入方程的变量进行内生或外生的划分，所以不明白你说这话是什么意思：“用eviews计算，输入内生变量和外生变量时怎么输？？？？？？？？？”我的理解是不用区分。5.如果你想要VAR方程，可以选中两变量，右键openvar，选择滞后阶数，可得方程。不知道能不能帮到你，第一次回答问题啊哈哈

模型的灯组接到电脑主板上的步骤：1、主板跳线接法，也就是主板电源和指示灯的连接1电源开关连接线。连接电源开关连接线时，先从机箱面板连线上找到标有“powersw”的两针插头，分别是白棕两种颜色，然后插在主板上标有“pwrsw”或是“RWR”字样的插针上就可以了。2、复位开关连接线。用来热启动计算机用的。连接时，先找到标有“RESETSW”的两针插头，分别是白蓝两种颜色，然后插在主板上标有“Resetsw”或是“RSR”字样的插针上就可以了。3、电源指示灯连接线。先找到标有“PowerLED”的三针插头，中间一根线空两缺，两端分别是白绿两种颜色，然后将它插在主板上标有“PWRLED”或是“PLED”字样的插针上。提醒：电源开关连接线和复位开关连接线两处在插入时可以不用注意插接的正反问题，怎么插都可以。但由于电源指示灯边接线是采用发光二级管来显示作息的，所以连接是有方向性的。有些主板上会标示“PLED+”和“PLED-”字样，我们只要将绿色的一端对应连接在PLED+插针上，白线连接在PLED-插针上。4、硬盘指示灯连接线。先找到标有“H。D。D。LED”的两头插头，连线分别是白红两种颜色，将它插在主板上标有“HDDLED”或“IEDLED”字样的插针上。插时要注意方向性。一般主板会标有“HDDLED+”、“HDDLED-”，将红色一端对应连接在HDDLED+插针上，白色插在标有“HDDLED-”插针上。5、扬声器连接线。先找到“SPEAKER”的四针插头，中间两根线空缺，两端分别是红黑两种颜色，将它插在主板上标有“PEAKER”或是“SPK”字样的插针上。红色插正极，黑色插负极。

infation 是流固交界面的定义 因为流体靠近固体边界的时候他的流动出现了分层的情况 所以要设置in...

就是没有LCD的库文件。这是使用的“IGNAL GENERATOR”信号发生器，在动态连接库SIGGEN.DLL里的描述问题引起的，你可以对应Proteus的版本对照SIGGEN.DLL 出版时间，会发现SIGGEN.DLL是好好几年前的库了，所以对应的三维图形描述找不到了。通俗地说是装了高版本的软件，用了低版本的描述库（不是元件库）），解决方法是找到新版本的动态库或者换用同种类的元器件。正常安装

市中心地区 四庙四柱 第一柱 翼风模型 南京西路上在成都北路和黄陂北路中间那段的马路南侧。 国营店历史悠久进口货国产货都有工具全可以说是上海模型 第一店，只是少有科幻模型。 沿着南京西路向西过成都北路还是在南京西路南侧还有一家 店，店名不清店小但货还是有点的军模遥控为主。就在电视 台边。 第二柱 手工坊 长乐路上在富民路襄阳北路中间那段的马路北侧。 在上海有一定名气国产进口都有工具改造件也有，有时还有较稀罕 的科幻模型。店很整洁建议大家有空去看看。 第三柱 益智林 南昌路上在襄阳路和陕西南路中间那段的马路南侧。 也是老店了店分两层科幻模型军模车模都有，二层是进口货和工具。 东西无论是数量还是品种都挺多的！这里只是它的分店总店我不清。 它的边上还有一家卖人偶的店。 第四柱 眩动乐百城 南京西路上在乌鲁木齐北路和华山路中间那段的马路北侧。 绝对是最新崛起的科幻模型集散地。一楼是反斗城国内最大的 BANDAI代理商，但货贵！二楼是科幻模型电玩店的聚集地， 店多货多。二楼“新基地”可能是上海科幻模型零售最低价了。 三楼有日本手办代理处。 第一庙 城隍庙 上海最大的玩具模型集散地历史悠久。 从河南南路福佑路口沿福佑路向东，第一个丁字路口向南拐走一段路 在马路西侧有一家“诚信模型”军模工具为主有些科幻模型还有不少 旧的东西，店有些没落了，价格还行。从这店出来可以看见对面商场 二楼的“玩具天地”里面玩具模型都卖象个超市有科幻模型和军模还 有现在难得一见的MATCHBOX的货！我们回到丁字路口再向北一点看见 “模型天地”它在一家商场东侧的底楼。店里几乎都是科幻模型了， 还有一些工具。再向东北方走一点能看见北边是绿地和人民路南边是 一排商铺。沿商铺向东可以看见两家门对门的模型店，西边是 “高域模型”店里一半军模一半科幻模型还有手办，模型改造件和工 具。东西多值得一看。东边是“西西里”也是一半军模一半科幻模型， 军模货全，就是工具少了点也值得一看噢。 还有就是分布在周围商场中的小模型玩具店一般模型以科幻模型为主。 第二庙 文庙 上海历史悠久的动漫文化基地。 从中华路文庙路口沿文庙路向东，在马路南侧有两家连着的模型店。 货从店里一直排到店外的人行道上，以科幻模型为主什么国产进口 的都有！呵那气势，看了有种压迫感！我汗^_^!再往东走点在文庙的 西侧就是文庙路北边有一家“BANDAI扭蛋专卖”那里的蛋多啊哈哈。 沿文庙路再向东文庙的东侧可以看见“一字模型”科幻模型和手办 价格公道老板不错，边上有家卖手办人偶的店。 文庙附近有学校学生放学时文庙路可就热闹了，特别是有书市时 更是人山人海！ 第三庙 静安寺 上海新动漫文化基地。 以静安寺西侧的“眩动乐百城”为旗帜，久光还时不时的办高达和奥 特曼展，吸引了一定量的动漫FANS的注意力。 静安寺北边在胶州路上北京西路与新闸路中间那段的马路东侧，假肢 厂对面有一家老店。科幻模型军模都有，老模型多，值得一看。 边上好象还有家动漫周遍店。 沿胶州路北上到新闸路，沿新闸路向西到万航渡路乌鲁木齐北路路口 有家模型电玩店，到底是在乌鲁木齐北路的东侧还是西侧我就记不清 了。抱歉~~科幻模型为主东西较多。 第四庙 玉佛寺 好象人气不太旺。 陕西北路上海防路安远路之间近安远路的马路东侧有一家店。 一半军模一半科幻模型，也该是家老店了。老模型多，值得一看。 其他的店 永嘉路上襄阳南路嘉善路中间那段在马路的北侧有一家店科幻模型军模。 岳阳路上近岳阳路东平路口马路的西侧，“眩动正品店”少量科幻模型。 普陀区 西宫三连星 小山店 曹杨路武宁路沪西工人文化宫中边上是轻轨曹杨路站。 小山在西宫中设东西两店，分别把住文化宫的东西两门。 广揽西宫过客，实为地利啊！科幻模型，手办和扭蛋为主。 国际科幻模型贩量酷 呵好长的名啊~~~从西宫西门出去，到曹杨路再一直向北走过 中山北路在曹杨路的东边看到一个新的小区。曹杨路710弄 30号402室是它的地址，经营的当然是科幻模型了。老板不错， 招待顾客的习惯用语是“你自己先随便看看啊…”（笑） 有稀有的科幻模型，零售批发都作。小区的保安挺多的，我 看的怕怕的…呵呵。 玩虫社 沿曹杨路再向北去一点到兰溪路曹杨路口，再沿兰溪路向西。 在花溪路梅岭路中间的兰溪路北侧有一家电玩模型店好象是叫 “玩虫社”科幻模型挺多的，好象还有军模。 总的来说“西宫三连星”的模型售价都是市场价按7算的还不时有特价商品。 长宁区 长宁的一字大蛇 从西向东排 甘溪路上福泉路凇虹路中间那段马路的北侧边上有个小学。 有一家店“高达模型”是新开的，科幻模型和扭蛋。 天山西路上平塘路剑河路之间的那段马路的南侧。 “模型基地”是老店了一半军模一半科幻模型还有扭蛋和工具，货挺多的。 茅台路上安龙路水城路中间那段马路的南侧边上有个小学。 “模玩两可”好象是这个名，电玩模型店卖科幻模型。 玉屏南路上遵义路和中山西路中间那段马路的南侧。 新开了家人偶模型店，卖科幻模型，动漫人偶手办，动漫周边。 长宁路上中山公园边地铁2号线站，“玫瑰坊”地下 有“眩动正品店”少量科幻模型。 延安西路上江苏路镇宁路中间那段马路的北侧。 一家新开的店，军模，遥控模型，科幻模型都有！店大整洁，常有老外光临。 改造件，工具，手办也不缺。还有个手办模型工作室！有许多手办模型成品 展示和出售，可以说是上海模型店的新星。 最值得一提的是店里还展示了上海难得一见的《五星物语》的MH和FATIMA的 手办模型的完成品！！五星FANS可一定要去朝圣啊！！！写到这里忍不住要 叫一声：“永野大神啊！~~~” 长宁的模型店的分布在地图上看是自西向东呈长蛇型。 徐汇区 中山南二路龙华西路口该是在龙华西路上马路的南侧有家遥控模型店。 都是遥控模型。 据说在再向南的植物园一带和梅陇一带还有2家模型店，好象“益智林” 的总店也在这一带，但具体的我就不清楚了。 虹口区 虹口足球场有家田宫专卖店，新开货多有工具店整洁，值得一看。 再向东的杨浦区还应该有几家模型店，但具体的我就不清楚了。 浦东新区 博山东路上近崮山路在路的北侧 有一家模型店，这店可牛了竟和小吃店开在一起！我汗啊！^_^! 科幻模型为主。再向东北方去些在万德路上还有一家店（这是听BAIDU贴吧 模型吧的人说的）。 科技馆背后有些店铺是经营动漫周边的，该有一些科幻模型吧。 再有就是在浦东南区灵岩路德州路有模型店

当时百货店里卖的模型就那么几种，质量比较好的有福建和万代合资的品牌福万，主要有48比例的二战坦克装甲车辆，还有更小的舰船模型，成人手掌一样的长度。还有上海环球生产的matchbox合金模型车和76比例的拼装模型，包括二战的地面武器和空中兵器，还有现代的战车和飞机。再就是国产翻模国外模型的品牌，有西西利，正德福，春牛，质量差一个档次。

好像没倒闭吧个人建议matchbox感觉他很专业 只不过是数量比较少了

其实么,LZ看一下这个:上海市市区模型店一览 下文应该有许多疏漏之处，还望大家帮忙补充指正，谢谢。 市中心地区 四庙四柱 第一柱 翼风模型 南京西路上在成都北路和黄陂北路中间那段的马路南侧。 国营店历史悠久进口货国产货都有工具全可以说是上海模型 第一店，只是少有科幻模型。 沿着南京西路向西过成都北路还是在南京西路南侧还有一家 店，店名不清店小但货还是有点的军模遥控为主。就在电视 台边。 第二柱 手工坊 长乐路上在富民路襄阳北路中间那段的马路北侧。 在上海有一定名气国产进口都有工具改造件也有，有时还有较稀罕 的科幻模型。店很整洁建议大家有空去看看。 第三柱 益智林 南昌路上在襄阳路和陕西南路中间那段的马路南侧。 也是老店了店分两层科幻模型军模车模都有，二层是进口货和工具。 东西无论是数量还是品种都挺多的！这里只是它的分店总店我不清。 它的边上还有一家卖人偶的店。 第四柱 眩动乐百城 南京西路上在乌鲁木齐北路和华山路中间那段的马路北侧。 绝对是最新崛起的科幻模型集散地。一楼是反斗城国内最大的 BANDAI代理商，但货贵！二楼是科幻模型电玩店的聚集地， 店多货多。二楼“新基地”可能是上海科幻模型零售最低价了。 三楼有日本手办代理处。 第一庙 城隍庙 上海最大的玩具模型集散地历史悠久。 从河南南路福佑路口沿福佑路向东，第一个丁字路口向南拐走一段路 在马路西侧有一家“诚信模型”军模工具为主有些科幻模型还有不少 旧的东西，店有些没落了，价格还行。从这店出来可以看见对面商场 二楼的“玩具天地”里面玩具模型都卖象个超市有科幻模型和军模还 有现在难得一见的MATCHBOX的货！我们回到丁字路口再向北一点看见 “模型天地”它在一家商场东侧的底楼。店里几乎都是科幻模型了， 还有一些工具。再向东北方走一点能看见北边是绿地和人民路南边是 一排商铺。沿商铺向东可以看见两家门对门的模型店，西边是 “高域模型”店里一半军模一半科幻模型还有手办，模型改造件和工 具。东西多值得一看。东边是“西西里”也是一半军模一半科幻模型， 军模货全，就是工具少了点也值得一看噢。 还有就是分布在周围商场中的小模型玩具店一般模型以科幻模型为主。 第二庙 文庙 上海历史悠久的动漫文化基地。 从中华路文庙路口沿文庙路向东，在马路南侧有两家连着的模型店。 货从店里一直排到店外的人行道上，以科幻模型为主什么国产进口 的都有！呵那气势，看了有种压迫感！我汗^_^!再往东走点在文庙的 西侧就是文庙路北边有一家“BANDAI扭蛋专卖”那里的蛋多啊哈哈。 沿文庙路再向东文庙的东侧可以看见“一字模型”科幻模型和手办 价格公道老板不错，边上有家卖手办人偶的店。 文庙附近有学校学生放学时文庙路可就热闹了，特别是有书市时 更是人山人海！ 第三庙 静安寺 上海新动漫文化基地。 以静安寺西侧的“眩动乐百城”为旗帜，久光还时不时的办高达和奥 特曼展，吸引了一定量的动漫FANS的注意力。 静安寺北边在胶州路上北京西路与新闸路中间那段的马路东侧，假肢 厂对面有一家老店。科幻模型军模都有，老模型多，值得一看。 边上好象还有家动漫周遍店。 沿胶州路北上到新闸路，沿新闸路向西到万航渡路乌鲁木齐北路路口 有家模型电玩店，到底是在乌鲁木齐北路的东侧还是西侧我就记不清 了。抱歉~~科幻模型为主东西较多。 第四庙 玉佛寺 不清楚

步骤如下：①创建Configuration实例，该实例负责管理FreeMarker的模板加载路径，负责生成模板实例。②使用Configuration实例来生成Template实例，同时需要指定使用的模板文件。③填充数据模型，数据模型就是一个Map对象。④调用Template实例的process方法完成合并。根据上面步骤，下面提供一个使用FreeMarker创建输出的Java程序，该程序代码如下：public class HelloFreeMarker{ //负责管理FreeMarker模板文件的Configuration实例 private Configuration cfg; //负责初始化Configuration实例的方法 public void init() throws Exception { //初始化FreeMarker配置 //创建一个Configuration实例 cfg = new Configuration(); //设置FreeMarker的模板文件位置 cfg.setDirectoryForTemplateLoading(new File("templates")); } //处理合并的方法 public void process() throws Exception { //创建数据模型 Map root = new HashMap(); root.put("name", "FreeMarker!"); root.put("msg", "您已经完成了第一个FreeMarker的实例!"); //使用Configuration实例来加载指定模板 Template t = cfg.getTemplate("test.flt"); //处理合并 t.process(root, new OutputStreamWriter(System.out)); } public static void main(String[] args) throws Exception { HelloFreeMarker hf = new HelloFreeMarker(); hf.init(); hf.process(); }}上面代码创建了一个Map实例root，这个root将作为模板文件的数据模型，在该数据模型中存储了两个key-value对，其中第一个是name，第二个是msg，这两个key都有对应的value，这两个value将会填充到模板中对应的插值处。虽然FreeMarker可以在Java中使用，但大部分时候FreeMarker都用于生成HTML页面。下面介绍在Web应用中使用FreeMarker，用Servlet来合并模板和数据模型，下面是Servlet应用中的代码：public class HelloServlet extends HttpServlet{ //负责管理FreeMarker模板文件的Configuration实例 private Configuration cfg; //负责初始化Configuration实例的方法 public void init() throws Exception { //初始化FreeMarker配置 //创建一个Configuration实例 cfg = new Configuration(); //设置FreeMarker的模板文件位置 cfg.setServletContextForTemplateLoading(getServletContext(), "WEB-INF/templates"); } //生成用户响应 public void service(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException { //创建数据模型 Map root = new HashMap(); root.put("message", "Hello FreeMarker!"); //使用Configuration实例来加载指定模板，即：取得模板文件 Template t = cfg.getTemplate("test.flt"); //开始准备生成输出 //使用模板文件的charset作为本页面的charset //使用text/html，MIME-type response.setContentType("text/html; charset=" + t.getEncoding()); Writer out = response.getWriter(); //合并数据模型和模板，并将结果输出到out中 try { t.process(root, out); } catch(TemplateException e) { throw new ServletException("处理Template模板中出现的错误", e); } }}

一、模型计算范围及剖分选用有限差分法建立地下水数值模型。模拟分析软件选用PMWIN（processing Modflow）和GMS（Groudwater Model System）求解地下水运动的定解问题，PMWIN是美国地质调查局开发的用于模拟和预报地下水系统的应用软件，它是一个以Modflow为核心的可以用来处理三维模型的软件（Wen-Hsing Chiang，2005）。PMWIN具有较好的数据导入界面，GMS具有较好的数据后处理可视化显示，结合两者优点进行模拟。模型计算范围，北起黄士台源，南至泾、渭河，西界起自19276km线，东界至19351km线，扣除其内不建模的部分，模型总有效面积为1513km2。以1km的均匀步长对模型进行剖分，其剖分网格实际上就是高斯-克吕格投影地图中的“公里网”。泾惠渠灌区地下水模型剖分图见图8-2。时间剖分以自然月为时间步长。图8-2 泾惠渠灌区地下水数值模型剖分及资源分布图 Fig.8-2 Groundwater numerical model split and resource distribution in Jinghui Canal Irrigation District二、模型边界条件与地下水补、排要素的处理1.侧向补给处理模型的计算区为第四系松散沉积物潜水含水层。为简化模型，北部黄士台源洪流入渗放在模型北部边界上，其数量取多年平均值，忽略其随时间的变化。2.降水入渗补给根据灌区水文地质图，结合不同地形地貌单元降水入渗补给系数的取值。综合考虑包气带的降水量、士质类型、下垫面条件及地下水位埋深等因素进行了分区（Yukun Hu et al.，2010），确定出模拟区降水入渗补给系数分区图（图8-3），通过灌区1953～2000年降水资料及1988～2000年地下水93个长观井水位资料统计分析，确定降雨入渗补给系数（Yonxhui Yanx et al.，2006）。然后将所有面状、线状的源汇项数据分别换算成强度形式，然后通过叠加计算，再次换算成单个网格上强度，再以recharxe模块导入模型。图8-3 泾惠渠灌区降水入渗补给系数分区 Fig.8-3 partition map of precipitation infiltration supply coefficient in Jinghui Canal Irrigation District3.田间灌溉渗漏补给及渠系渗漏补给田间灌溉渗漏补给及渠系渗漏补给是模拟区地下水两种主要补给源。灌区渠道分布基本覆盖整个模拟区，以面状补给来处理田间灌溉的渗漏补给及渠系渗漏补给。根据灌区士地利用统计资料和拥有的长系列灌溉用水量资料，结合不同灌溉定额和补给系数计算农田灌溉各时段的渗漏补给量，再将灌溉渗漏补给量平均分配到计算的单元格中。4.井灌地下水开采排泄根据对灌区地下水资源计算与评价结果，全灌区近年平均开采地下水资源量为1.2629×108m3/a。灌区井网以灌溉渠系的斗、分渠为骨架，井排走向与潜水流向垂直或斜交，井距200～300m，浅型井占95%，中深井占2.4%，大口井占1.4%。开采量、开采动态等根据灌区灌溉年报中年度地下水取水情况统计表获得。灌区地下水开采量按照井流模块（Well）输入模型中。5.蒸发排泄MODFLOW中的EVT蒸发子程序包为线性蒸发模型，浅埋区地下水蒸发与埋深呈非线性关系，同时蒸发因素在地下水均衡分析中所占比重较大，利用线性模型计算蒸发量误差较大，本书采用阿里维扬诺夫非线性公式代替了EVT蒸发模块线性公式来计算蒸发量，用Visual Basic6.0在EVT模块中改写了源代码。阿里维扬诺夫非线性公式为灌区农业节水对地下水空间分布影响及模拟式中：RETMii，j为地下水面蒸发强度（m），取决于当地气象条件；RETii，j为潜水蒸发强度（m），随月份变化，用单位面积单位时间内水量体积表示；hi，j，k为单元水头，或地下水位（m）；hs，j，k为蒸发界面高程（m）；dii，j地下水极限蒸发埋深（m），与岩性特征有关；m为无量纲指数，该地区近似取2。调整后的RET与调整前相比，精度有较大提高，同时用稳定流拟合效果较好时计算的地下水等水位线，与实测地下水埋深线进行叠加作为虚拟蒸发界面高程，利用虚拟蒸发界面高程代替实际的蒸发界面高程，然后将虚拟蒸发界面高程导入EVT模块中，反复调试拟合，再使得虚拟蒸发界面高程与计算等水位线的差值，与实测地下水埋深基本一致，这样避免了地下水流场拟合误差引起的实际蒸发量和模拟蒸发量在区域分布上的不一致，水资源模拟仿真度有所提高。6.工业、生活地下水开采排泄灌区附近周边乡镇截至目前仍没有实现自来水管网供水，乡镇企业和生活用水主要还是开采地下水，由于这些地下水井没有详细的统计资料，尤其是农村生活用水，基本上是每户都有一眼小型的抽水井，很难统计单井开采量，因此用农村人畜用水量定额的方法对其开采量进行估算，再按照面状负补给加入到模型中。三、模型识别与检验1.水文地质参数分区水文地质参数分区依据灌区水文地质勘察、抽水试验资料，再结合模拟区的地形地貌、地质图、水文地质图等进行参数分区，水文地质参数（T、μ）采用分片常数法，其分区范围与形状，应符合地质条件与第四系沉积特征（图8-6，图8-7）。抽水试验所在参数分区，其参数值直接采用抽水试验求得的参数值。并以该分区参数作为基准参照参数，用推断类比法并参考其他单孔抽水试验数据，来估计其他分区的参数初值，待模型校正阶段进行确认。2.模型识别与检验模型识别与检验是地下水数值模拟及模型建立过程的一个关键环节。通常在模型识别与检验过程中，对水文地质概念模型重新认识，分析研究区水文地质条件，进一步对水文地质模型正确与否进行判断。模型识别与检验流程见图8-4。图8-4 模型识别与检验流程图 Fig.8-4 Flow chart of model calibration and verification模型识别与检验的优劣，同样也取决于建模过程中水文地质条件分析、模型概化等各个环节质量的优劣，识别与检验工作并不是一个调参的“数字”过程。模型检验与识别依据地下水模拟流场与地下水实际流场基本一致；模拟地下水的动态过程与实测的动态过程宏观相似；从水均衡的角度看，模拟的地下水均衡变化与实际要素基本相符；识别的水文地质参数基本符合实际水文地质条件。本次共搜集了灌区石桥、泾阳、杨府、三渠、三原、西张、陂西、高陵、彭李、张卜、栎阳、新市、楼底、阎良共14个灌溉管理站93个地下水长观孔水位资料，每月定期观测6次，分别为1日、6日、11日、16日、21日、26日，记录观测地下水位动态，地下水位观测孔的分布基本覆盖整个灌区（图8-5）。图8-5 泾惠渠灌区地下水长观孔分布图 Fig.8-5 Groundwater long-term observation hole distribution in Jinghui Canal Irrigation District选取1996年1月至1998年12月的月平均水位观测数据用于模型的参数识别，1999年1月至2000年12月的月平均水位观测数据用于模型检验。根据现状多年平均渠系渗漏补给量、田间灌溉渗漏补给量及地下水等水位线等信息，调整各分区导水系数T的数值进行拟合匹配（图8-6）。这一原则的实质是将灌区地下水循环看作“天然大型达西试验”，来调整导水系数T数值及分布，将产生不同形态流场，即等水位线分布，当模拟流场与实际流场宏观相似，即初步完成了对T的校正过程，同时也计算出了地下水蒸发量。校正给水度时，暂时固定T数值，调整各分区的给水度μ（图8-7）。给水度的大小影响地下水动态年变幅，通过调整使地下水动态年变幅与实际观测值接近。通过调整参数分区及分区参数值使两者之间的差值尽量最小，并据此来判断所用水文地质参数及分区是否合理。经反复调试参数，获得了较为满意的水文地质参数。部分观测孔的实测水位与计算水位拟合曲线如图8-8所示，拟合误差的绝对值大多数满足规范要求，可见各观测孔的水位拟合效果是较好的。在模型调试过程中，充分利用水文地质勘探资料中所获得的各种信息及计算者对水文地质条件的判断。反复调试，直至流场及观测孔动态年变幅与实际观测值接近为止。使识别后的模型参数、地下水流场及地下水资源量之间达到较合理的匹配。图8-6 泾惠渠灌区含水层导水系数T分区及补给排泄计算断面 Fig.8-6 partition map of aquifer hydraulic conductivity coefficient and recharge disrecharge sections in Jinghui Canal Irrigation District图8-7 泾惠渠灌区含水层给水度μ分区图 Fig.8-7 partition map of aquifer specifie yield in Jinghui Canal Irrigation District根据上述方法，利用1996年1月至1998年12月期间的地下水长观孔水位观测数据进行水文地质参数识别，用1999～2000年的地下水长观孔水位观测资料进行模型检验。模型计算求得的灌区典型观测孔水位变幅与实测水位变幅的拟合曲线如图8-9所示，灌区典型观测孔水位与实测水位拟合如图8-10所示。由图8-9可以看出，根据93个长观孔水位资料，剔除资料欠完善的部分观测孔，选择44个观测孔对其水位过程线进行拟合，统计绝对误差见表8-1。图8-8 泾惠渠灌区地下水等水位线拟合图 Fig.8-8 Fitting chart of groundwater contour in Jinghui Canal Irrigation District表8-1 拟合误差分布 Table8-1 Error analysis of groundwater level simulation由图8-10及实际模拟过程可以看出，地下水位计算值和实测值相关系数（R2）在0.8～0.98之间变化，说明模型输入补给排泄要素及水位地质参数在该模拟区具有一定的代表性。模型拟合情况大致可以分为两类：一类是拟合情况比较好的，模型计算水位和实际观测水位相差较小，能够比较好地反映出该格点的水位动态趋势；另一类是模型计算水位值与实测水位值始终有一定的差异，但变化趋势基本保持一致。经分析，产生误差的，主要源于各源汇项的统计误差、地质资料的精度问题导致地层模拟误差等。还有一点需要说明的是，模型算法采用迭代求解，通过迭代法得到的解仅是差分方程的近似解，精度也受很多因素的影响。综上由模型计算流场和水位变化过程线拟合情况看，模拟计算结果比较真实地反映了灌区地下水流场特征，可以用其进行数值分析计算。图8-9 泾惠渠灌区典型观测孔水位变幅拟合图 Fig.8-9 Fitting of typical observation hole water level amplitude in Jinghui Canal Irrigation District图8-10 泾惠渠灌区典型观测孔水位拟合图 Fig.8-10 Fitting of typical observation hole water level in Jinghui Canal Irrigation District

Cheng, Y., Wang, D., Zhou, P., & Zhang, T. (2017). A survey of model compression and acceleration for deep neural networks. arXiv preprint arXiv:1710.09282. 目前的DNN太庞大，使得计算需要的时间和空间都很大。为了优化这个问题，科学家们提出了压缩模型的各种方法。 牛逼的那些DNN到底有多大？ 2012的CNN（已经算参数少的了），6千万个参数，5卷积层+3全连接。在NVIDIA K40的机器上要训练2-3天 (Krizhevsky et al. , NIPS , 2012) 。人脸识别网络，几亿个参数 (Taigman et al., CVPR , 2014; Lu et al., CoRR , 2016)。纯靠全连接的网络甚至有几十亿个参数 (Dean et al., NIPS , 2012) 。 在移动设备上的使用局限 移动设备的内存，CPU，续航能力都有限，经不起那么大的网络折腾。比如ResNet-50有50个卷积层，仅处理一个图片就需要95M和38亿次的浮点数乘法。经过优化之后可以减少75%的参数，节省50%的计算时间。 *卷：卷积层；全：全连接层 *新：从头训练的模型（train from scratch）；预：预训练模型（pre-trained model） 这些方法各有各的优势，有些可以结合着使用效果更佳，接下来我们就分别对这些方法进行描述。 包括用K-means 聚类减少参数数量[6,7]，把参数压缩到8-bit[8], 16-bit[9]，用霍夫曼编码（Huffman coding）来压缩码表[10]。用二阶偏导来衡量网络参数的重要性[11]。最极端情况干脆二值化参数，也就是参数只有可能是0或1，形成二值网络[12-14]。 缺点 二值网络在简化大型网络的时候损失较大 最早的剪枝算法是偏差权重衰减（Biased Weight Decay） [18]. The Optimal Brain Damage [19] and the Optimal Brain Surgeon [20] methods 根据the Hessian of the loss function来削减链接的数量。 这几种方法需要从头训练模型。 近来开始流行对预训练的模型进行剪枝[21,22]，用哈希码表来储存参数，实现参数共享[23]。也已经有工作把上述的压缩，剪枝，参数贡献融合在一个统一的流程中[24]。 也有一些新兴的工作，将稀疏约束（sparsity constraints）加入到CNN的训练中[25-28]。大大减少了卷积核的数量，甚至是层数。 缺点 剪枝有很多需要手动调整的地方，对于某些应用场景来说太复杂了。 由于全连接层的参数过多，而且f(x,M) = σ(Mx)，这里的σ(·)不是一个线性变化（因为引入了层间的非线性变换，如Relu），是对于每个元素特异的变换。 也就是说本来这个矩阵中每个值之间完全没有关系，我就得把每个值都单独存下来， 计算量也是O(mn)。现在我创建一种关系来约束部分的参数，那我只需要存这个关系就好了，不用存那么多值了。 缺点 人为地进行约束会降低模型地准确率，而且对特定任务找到合适的约束关系本身就很难，现在还没有一种靠谱的理论来定位这个约束关系。 这个方法的核心是对卷积核进行低秩分解，分解之后重要的信息被保留下来，计算的速度也提高了。 对于预训练的模型，可以一层一层的分解卷积核，分解完一层之后这层的参数就固定了，但是因为会有损失，下一层要先继续调参，再分解。 也有人提出基于低秩因子分解从头训练的做法[40]。Canonical Polyadic (CP)[39]，Batch Normalization (BN)[40]这两种方法都可以做分解，效果都很好，但是前者存在有时候找不到一个最优的秩（best rank-K）的情况。具体是什么数学方法没有看。 全连接层是二维的矩阵，同样也可以用这种方法进行降维。 缺点 分解本身需要的计算量很大；只能逐层分解，不能进行全局的优化；为了达到跟原模型相近的效果，需要重新训练的量较大（因为每一层分解之后都要重新调参）。 （这句话也没有引用，但是感觉说的挺有道理在这里存个档。） 这个方法的核心思想其实跟结构矩阵挺像的，只不过这个方法是针对卷积层做的处理。 由于卷积层中有大量的卷积核，如果对他们进行随机的初始化，会发现最后训练出来也有很多的冗余。比如，有一些卷积核，是另一些卷积核的-1倍。这样我们还不如在一开始定义一些卷积核的约束规则，比如直接定义有一些核是另一些的-1倍[45]。（文献中的方程4） 反正定不定义训练出来都是类似的特征，为什么要定义这个约束呢？当然是首先节省了储存卷积核的空间，同时也节省了训练所需要的计算量。 虽然理论上不知道为什么，但是实际训练显示，如果卷积核之间有些关联的话效果甚至会更好。 缺点 这个方法对比较宽的浅层网络（e.g. VGG）效果较好，但是对窄而深的网络（e.g. GoogleNet，Residual Net）效果不好。另外，这种约束定义之后有时候会造成训练结果的不稳定。 要把一个复杂模型进行压缩，有人想到可以通过迁移的方法来把核心信息提取出来，但是之前这个方法只限于在浅层模型上操作[50]。 知识蒸馏这个概念是后来提出来的，它把复杂模型比作老师，目标的压缩模型，即简单模型比作学生，把老师的知识迁移到学生身上，并让学生在处理问题上的表现尽可能去逼近老师，就是知识蒸馏的核心算法。 数学方法的主要步骤就是，把学生网络和老师网络的输出结果看成两个分布，我要让这两个分布尽可能的接近。那么我首先要把输出结果（例如代表A类的输出神经元的值为0.8，B类的0.2，C类的0.2）转化为标准化的分布，并且我想尽可能突出最大值。这里就用到softmax函数，把输出结果映射到（0，1）上的分布，并且让值的和为1。 接下来我要基于当前两个分布的差异，来定义一个损失函数，我的目标就是让这个损失尽可能的小。这里常用的损失函数就是交叉熵损失函数（CrossEntropy Loss）。 一般我们用KL散度的值表示俩概率分布之间的差异，而交叉熵是等于KL散度加上一个常量（信息熵），其公式相比KL散度更容易计算，因此在机器学习中常常使用交叉熵损失函数而不是KL散度。 现有的KD算法中，FitNets[53] 提出如何将宽而浅的模型，压缩成窄而深的模型。这些算法在各大数据集（e.g. MNIST, CIFAR-10, CIFAR-100, SVHN, AFLW) 都得到了有效的验证，学生网络有的时候甚至比老师网络的效果更好。 之后的工作[54-57]进一步优化了这个算法的计算速度，或是寻找一下更宽松的训练条件（e.g. Attention Transfer (AT) [57]），又能达到相近的效果。 缺点 这个方法只能用在用softmax+crossentrophy loss训练的网络上，所以也有一些局限。另一方面，这个方法有时候约束条件太严格了，不一定训练得出来。 基于注意的算法是最近比较新的趋势，它的核心思想是，在训练时，选择性地关注那些和任务相关的网络结构，而不是整个网络，通过这种方式来大幅节省计算量。 Dynamic capacity network (DCN) [59] 的设计包括了两个网络，一个小型网络和一个大型网络，训练数据先经过小网络，确定一下主要激活的是哪些区域，然后再喂给大网络，这时只需计算那些重要区域的权重就可以了。 Sparsely-gated mixture-of-experts Layer (MoE) [60] 的思想也是只计算那些重要的梯度，这个MoE模块是由很多个专家网络构成的，并且另外有一个负责做选择的网络，通过训练它可以对不同的输入数据，选择不同的专家网络的组合来学习。 针对残差网络的压缩，也有几项研究提出随机深度（stochastic depth）的算法[63-65]，相当于对于每个输入数据（batch），随机（或者根据某种规则）抽掉几层网络进行训练。（感觉跟dropout差不多） 还有一些研究对池化层（pooling）进行优化，但是仅仅是提高计算速度，没有压缩空间。 压缩工作要基于一些基准的模型进行改进，或者跟他们的效果进行比较，现有的一些基准模型大概如表格所列。 评估一个压缩工作的效果主要是两方面，空间的压缩程度和计算速度的提升程度。这两方面分别由 压缩率（compression rate） 和 加速率（speedup rate） 。 压缩率是用基准模型的参数量a，除以压缩后模型的参数量a*得到的。（也有用右边这种的） 加速率则是用基准模型需要的训练时间s，除以压缩后模型的训练时间s*得到的。 对于小模型来说，这两个评估指标通常是高度相关的。但是不同的模型这两个指标的关系也会有差异。比如图像处理的CNN，它主要是刚开始几层的大量卷积操作，浮点数计算比较耗时间。但有些DNN（几百层的）很瘦的，主要是全连接层的参数占据了大多数的空间和时间。 总的来说并没有一个统一的准则，而是根据具体的应用场景来的。作者提供了一些参考建议。 目前对于深度网络的压缩算法还处于一个比较初级的阶段，面临很多的困难和挑战。

参考资料： YOLO之外的另一选择，手机端97FPS的Anchor-Free目标检测模型NanoDet现已开源~ 1、什么是 Nanodet Nanodet 是一个速度超快和轻量级的移动端 Anchor-free 目标检测模型，是基于 FCOS 模型进行轻量化改进而来的2、Nanodet 跟其他模型的性能对比华为 P30 上用 NCNN 移植跑 benchmark，一张图片仅需 10.23 毫秒，比 YoloV4-Tiny 快 3 倍，参数量小 6 倍，COCO mAP(05:0.95) 能够达到 20.6。而且模型权重文件仅有 1.8m 由此可见，Nanodet 能够在有较低参数量和较小的模型权重文件情况下，能够拥有跟 YoloV4-Tiny 一样的 mAP3、Nanodet 的网络结构图backbone 是 ShuffNetV2 1.0x，去掉最后一层的卷积层，并且抽取 8/16/32倍下采样率的特征输入到 PAN 中做多尺度的特征融合4、Nanodet 相对于 FCOS 的改进① 检测头 FCOS：共享检测头权重 Nanodet：不共享检测头，因为在移动端是使用 CPU 来进行计算的，共享检测头权重并不会对推理过程加速；共享检测头会使得其检测能力进一步下降 ② 归一化方式 FCOS：使用 Group Normalization Nanodet：使用 Batch Normalization 来取代 Group Normalization，因为后者虽然比前者有很多优点，但却有一个缺点：Batch Normalization 可以在推理时将其参数融入到卷积核中，节省这一步计算可以节省时间 ③ 检测头大小 FCOS：检测头大小为 4 个 256 通道数的卷积核组为一个分支，因此边框回归和分类两个分支，则总共需要 8 个 256 通道数的卷积 Nanodet：将 4 个卷积核组减少为 2 个卷积核组。在通道数上将 256 维降低为 96 维。将边框回归和分类共享检测头，然后再切割成两份，分别去预测边框回归和分类。 ④ FPN 层 FCOS：没有该模块 Nanodet：基于 FPN 改进为 PAN，原版的 FPN 在对高层特征图使用线性插值后，再使用 3*3 卷积。但是 Nanodet 去掉了 FPN 中线性插值后再使用的 3*3 卷积，只保留从骨干网络特征提取后的 1*1 卷积来进行特征通道维度的对齐。同时 FPN 只是在多层特征融合端使用了自上而下的特征融合，而 PAN 则不仅使用了自上而下的特征融合，而且还使用了自底向上的特征融合，使用的方法也是线性插值。5、Nanodet 的算法步骤6、Nanodet 的损失函数7、Nanodet 的优点 ① 速度快 ② 模型参数权重文件小8、Nanodet 的缺点 ① mAP 不高

不一样吧……似乎后者包括的范围更大一些……

1.数学模型描述含水系统地下水渗流的数学模型为：华北煤田排水供水环保结合优化管理式中：H为含水层水位（m）；H0为含水层初始水位（m）；T为含水层的导水系数（m2/d）；μ为潜水含水层给水度；承压含水层为贮水系数；q为二类边界的单宽流量（m3/d·m）；ω为降雨入渗补给强度（m/d）；Q为水井开采量、突水点突水量（m3/d）；n为边界外法线；G为计算区域；Γ2为第二类边界。2.计算区域剖分与时间步长选用三角形网格有限差分法求解数学模型。将模拟计算区域剖分成358个单元，共210个节点，其中内节点150个，边界节点60个。剖分时使各种参数分区界线及地下水动态观测孔和开采井全部落在节点上；对枣沟和观孟前水源地及六斜坡突水点等开采较大的地区加密网格剖分，见图6-8。考虑到大多数水文要素数据均按月统计，所以选取的计算时间单位为月，将所有的源、汇项及边界的数据均逐月整理成月平均值。3.数值模拟模型含水层第i节点均衡域的渗流差分方程为：华北煤田排水供水环保结合优化管理式中：fβ为属于第i均衡域的第β三角形单元的小四边形面积；Δβ是以i节点为公共顶点的第β三角形单元的面积；华北煤田排水供水环保结合优化管理图6-8 研究区网格剖分图以下为几何量：华北煤田排水供水环保结合优化管理式中：下标i、j、m为三角形单元以逆时针排序的三个节点编号，k为时阶。按同样形式写出剖分网格上所有节点均衡域的差分方程，则构成一个庞大的代数方程组。这就是计算区含水层渗流系统的数值模拟模型。该数值模型的矩阵形式为：华北煤田排水供水环保结合优化管理式中：［A］为导水矩阵；［D］为贮水矩阵；Ht为已知水头向量；Ht+1为待求水头向量；F为已知常数向量。该模型系统采用迭代法求解［150～151］。其计算框图见图6-9。图6-9 水资源模拟系统结构图

(1)数学模型根据上述非均质、水平方向各向同性、垂直方向存在变异的空间三维结构、非稳定热流体系统,可用如下微分方程的定解问题来描述:图5-16 Ng组三维实体模型建模演示图沉积盆地型地热田勘查开发与利用式中:Ω为渗流区域;h为热流体的水位标高(m);Kx,Ky,Kz分别为热流体储积层中x,y,z方向的渗透系数(m/d);Kn为边界面法向方向热流体储积层渗透系数(m/d);Kz→为边界内侧热流体储积层垂向渗透系数(m/d);S为储水率(1/m);σ为通用水头边界的阻力系数,σ=L/K1,L为模型边界到通用水头边界的水平距离(m),K1为模型边界到通用水头边界之间热流体储积层平均渗透系数(m/d);ε为源汇项(1/d);h0为初始水位分布(m),h0=h0(x,y,z);hb为通用水头边界上的水位分布(m); 为边界面的法线方向; 为热储层顶、底边界面的法线方向;Γ1为通用水头边界;Γ2为渗流区域的侧向隔水边界;Γ3为渗流区域顶、底边界;(2)数值模型绝大部分数学模型是无法用解析法求解的。数值化就是将数学模型转化为可解的数值模型。常用数值化有限单元法和有限差分法。本次工作根据热储层地热地质概念模型特征、实际资料丰富程度以及精度要求,应用有限差分法对馆陶组热储进行评价。模型软件选用模拟地下水流动和污染物运移等特性的计算机程序——Modflow (The modular finite-difference groundwater flow model)。该系统是三维地下水流和溶质运移模拟评价软件。(3)计算区单元剖分在进行热流体动态模拟前,首先必须对模拟区进行单元剖分,剖分时除了遵循一般的剖分原则外,还应充分考虑如下实际情况:①计算区的边界、岩性分区边界、行政分区边界等;②观测孔尽量放在剖分单元的结点上;③集中开采区域,由于水力坡度较大,流场变化趋势较大,所以剖分时适当加密。因此在平面上采用不等距矩形剖分法,在开采井集中区域适当加密剖分间距。沿边界将外部和缺失区域定义为非活动单元格。剖分为60行、55列,其中有1580个非活动单元。最大剖分单元约1.8×1.8km2正方形单元,最小剖分单元为0.28×0.38km2长方形单元。而在垂向上热储层按NgⅠ、中间弱透水层NgⅡ和NgⅢ进行剖分。则Ng有(60×55-1580)×3三层一共是5160个剖分单元,具体情况见图5-17和图5-18。(4)边界条件Ng热储层可以概化出3种类型的边界条件:即①自然流量边界;②零流量隔水边界;③沿沧东断裂形成的内部补给边界(图5-19)。现对不同类型边界条件的处理方法分述如下:A.自然流量水头边界自然流量边界是利用MODFLOW软件中的变水头边界程序包(GHB)中的通用水头边界来处理。使用这个边界条件的目的是避免不必要的向外扩展模型区域,以满足要素影响模型中的水头。因此,变水头边界条件通常被指定在模型域的外面。从外部源进入或者流出计算单元的热流体量与该计算单元水头和外部源水头之差成正比。在通用水头边界单元上,从单元外部的热流体进入或流出计算单元的热流体量与该计算单元水头h和通用水头边界热流体水头hb之差成正比。据此,可确立计算单元热流体量与计算单元水头间的线性关系,即:图5-17 Ng平面单元剖分图图5-18 Ng3D单元剖分图图5-19 Ng计算边界条件图沉积盆地型地热田勘查开发与利用式中:Qb为从通用水头边界进入计算单元的流量(m3/d);Cb为通用水头边界与计算单元间的水力传导系数(m2/d);(L×W)为边界与网格单元的截面积(m2);K为从模型网格中分离源/汇的含水层物质的平均渗透系数(m/d);D为边界源/汇到模型网格间的距离(m);hb为通用水头边界上的热流体水头(m);h为计算单元热流体水头(m)。当Cb很大时,GHB子程序包的作用与定水头边界相同。因此通用水头边界上的水位和水力传导系数Cb决定了边界的流入流出量Qb的大小。B.零流量隔水边界除了新近系馆陶组西侧边界和部分缺失区域定为零流量隔水边界,各热储层顶底板也定为隔水边界。毫无疑问,对于隔水边界,其计算单元与外部域的流入流出量Qf值为零。C.沿沧东断裂形成的内部补给边界由沧东断裂特性,沿沧东断裂形成了连通上下各热储层地热流体的一个通道。滨海塘沽区、大港区对Ng热流体的过量开采可导致该层热流体压力水头的过量下降,从而激发其下部各热储层对该层的补给,因此,沿沧东断裂一带应考虑其他含水层的垂向补给。本次工作通过数值模型软件 MODFLOW提供的河流子程序包来模拟沧东断裂对计算区热流体的补给量。其计算公式如下:沉积盆地型地热田勘查开发与利用式中:Qfau为从断裂进入计算单元的流量(m3/d),进入取正值,流出取负值;Cfau为断裂带外部源与断裂带计算单元间的水力传导系数(m2/d);L、W为通过计算单元网格的断层长度和宽度(m);K为断裂破碎带间计算单元与下层热储层间平均渗透系数(m/d);M为断裂破碎带间计算单元与下层热储层间厚度(m);hfau为断裂破碎带间计算单元下层热储层热流体水头(m);h为断裂破碎带间计算单元水头(m)。沧东断裂带下层基岩热流体储积层水头一般都高于Ng热流体水头,断裂带的渗流补给量一般是正值。即下层基岩热流体通过断裂带顶托补给上层Ng热储层。但由于受原始资料限制,所求的流入流出量Qfau精度较粗,不能准确给出。只能在流场模拟中,根据流场模拟结果来进行校准。(5)模拟期的选择和时间离散数值模拟自2002年1月始,至2006年10月结束,共5年10个月时间作为该层模型识别整个模拟时间长度。根据地热流体的实际开采利用特点,将一个开采周期年分为两个应力期(时段):即取暖期(11月10日至次年3月25日,共135天)和非取暖期(3月26日至11月9日,共230天),每个应力期又分成基本以15天为单位的时间步长。(6)补给、径流、排泄条件对于地热流体,由于埋藏较深,相应补排项比较单一:补给来源主要包括侧向径流补给、随着热储层热流体压力变化引起的热储层岩石骨架释水、部分同组层间越流补给量以及人工回灌量。新近系馆陶组过量开采可能通过沧东断裂激发部分基岩补给量;排泄方式主要为下游单元的侧向径流排泄、人工开采以及越流补给同组其他超采层。对于侧向径流以及内部补给边界的处理前文已有介绍,在此不再赘述。以下主要分析其他补排项的处理。A.弹性释水引起岩石骨架释水的主要原因是热储层热流体压力变化,而岩石骨架释水量的大小,不但受压力变化的影响,热储层弹性释水系数的大小也是一个至关重要的参数。其值由以下公式计算而得Qi=L×W×S*×Δh 5-25式中:Qi为单元弹性释水量(m3);L为单元长度(m);W为单元宽度(m);S*为单元所在地热流体富集段弹性释水系数(无量纲);Δh为单元热流体压力水头变化量(m)B.同组层间越流补给、排泄量由于采用三维水流模型,层间越流量由MODFLOW模型软件根据所赋相关参数自动进行处理。C.泥岩释水泥岩释水是指土体中无所不在的结合水和毛细水由于土体压缩而释放的水量,泥岩释水可引起地面沉降。很明显,由于地热开采引起的地面沉降有限,泥岩释水量也不会太大,但也不应对其忽视。据1998年12月《天津市塘沽区地热流体回灌研究》(李明朗,1998)指出,热流体开采量中黏性土释水量约占总释水量(弹性释水量+粘土释水)的1/5;而总释水量高时约占到热流体开采量40%左右。但随着资源开采的延续,黏性土层释水后压密度增加,其释水量应呈逐步衰减之势。而随着热储层压力下降,总释水量也会逐步减少。D.人工开采、回灌量的处理对于人工开采、回灌量,在模型中都是以开采井的形式给入,开采量为正值而回灌量为负值。(7)水文地质参数水文地质参数主要是指渗透系数K和弹性释水系数S*,前者K体现了热储层流体的渗透能力;而后者S*则体现了热储层储水(释水)能力。水文地质参数选用是依据三维模型的计算需要,主要采取分区赋值的方法。根据Ng热储层的埋藏分布和控热构造分布特征,利用所收集的降压试验资料进行综合统计分析,按所求水文地质参数进行初始分区(见图5-20)。有条件的区域项目前期补充地热井降压试验工作,空白区域根据邻区资料结合地层构造变化特征给出估计值。

6.2.2.1 地下水系统的模拟模型潜水含水层的模拟模型：含有协变量的地下水动态规划管理模型研究式中：D——地下水系统的模拟渗流区域；h——地下水位（m）；M——含水层厚度（m）；K——渗透系数（m/d）；T——导水系数（m2/d）；t——时间（d）；μ——给水度；μ*——承压含水层贮水系数；Γ1，Γ2——一类及二类边界；n→——边界的外法线方向；h1（x，y，t）——第一类边界的地下水位（m）；h0（x，y）——初始地下水位（m）；q（x，y，t）——第二类边界的单宽流量（m2/d）；P——地下水开采量（m3/d）；ε——天然条件的源汇项（m3/d），如降水入渗补给、蒸发排泄等；Q——与地下水位有关的源汇项流量（m3/d），即协变量。6.2.2.2 模拟软件选取本次工作采用Visual MODFLOW软件对水流进行模拟，该软件具有处理含有协变量的地下水模拟模型的功能。6.2.2.2.1 河水与地下水的交换量Visual MODFLOW河流程序包输入文件要求河流边界条件的每个网格单元具有以下资料：（1）河流水位：地表水体的自由水面标高，这个标高可以随时间变化。（2）河床底板：地表水体的渗流层（夹层）的层底板标高。（3）水力传导系数：一个表示由渗流层（河床）引起的地表水体和地下水间水流阻力的数值参数。水力传导系数（C）可以通过单元的长度（L）、单元中河流的宽度（W）、河床厚度（M）以及河床物质的渗透系数（K），利用下面公式计算得出：含有协变量的地下水动态规划管理模型研究6.2.2.2.2 排水沟的排泄量Visual MODFLOW支持MODFLOW包括的标准排水沟边界程序包。排水量正比于含水层的水头与某一固定水头或高程之差。如果含水层水头低于排水沟的固定水头，排水沟程序包假设排水就没有效果。排水沟程序包要求包含这个边界条件的每个单元具备下列输入资料：（1）水头标高：排水沟标高或者排水沟内的自由水面的排水沟水头。假设排水沟并没有充满水，这样排水沟管内的水头接近等于排水沟管的中间标高。（2）水力传导系数：排水沟水力传导系数是一个综合系数，描述了排水沟和地下水系统之间的水头损失。计算排水沟的水力传导系数没有通用的公式，大多数情况下，计算排水沟水力传导系数所需的详细资料对于地下水模型来说无法得到。这些细节包括排水沟周围水头分布的详尽资料、排水沟附近含水层的渗透系数、填充材料的分配、排水管的数目和尺寸大小、堵塞物质的总量和堵塞物质的渗透系数。通常利用水流率测量值和水头差来计算排水沟传导系数。排水沟水力传导系数在模型校正时通常会做调整。6.2.2.2.3 蒸发量蒸发蒸腾程序包模拟植物蒸腾、直接蒸发以及由地下水饱水状态移走水而引起的地表面渗漏作用。蒸发蒸腾程序包需要以下信息：（1）蒸发蒸腾速度：当水面高程与网格单元高程一致时的蒸发蒸腾速度。（2）极限深度：网格单元顶板以下的深度，在此深度蒸发蒸腾速度可以忽略不计。蒸发蒸腾程序包方法基于以下假设：（1）当水面位于或者高于地表面（第一层顶板）时，水面蒸发蒸腾损失以用户定义的最大量进行。（2）当水面高程低于极限深度时，或者位于第一层以下时，水面蒸发蒸腾可以忽略不计。（3）两个极限之间，水面蒸发蒸腾随水位高程呈线性变化。6.2.2.2.4 泉流量Visual MODFLOW中没有单独计算泉流量程序包，泉流量在识别、检验和预报阶段均采用排水沟计算模块计算。应用排水沟程序包计算泉流量时要求输入下列资料：（1）水头标高：输入泉出露点地表高程。（2）水力传导系数：输入经识别、检验后与排水沟水力传导系数等效的泉流量的比例系数。在本次研究过程中，对松原地区地下水系统中的互馈协变关系问题作了一些合理的概化，重点考虑了泉流量、蒸发量、地下水与河水的交换量这三个协变量，并采用Visual MODFLOW软件相应的程序包计算。6.2.2.3 研究区网格剖分对松原地区水文地质图扫描，并应用ArcGIS软件矢量化，作为计算区的剖分底图。计算模拟区应用Visual MODFLOW软件共剖分出80行、100列，4071×3个矩形单元体（图6.6）。图6.6 研究区网格剖分图6.2.2.4 模型的校正建立一个描述实际地下水系统的数值模拟模型，实际上就是找一个描述它的偏微分方程并确定其定解条件。一个正确可靠的数学模拟模型应当是实际地下水系统的复制品。也就是说，当施加天然或人为影响时，模拟模型的反应与实际地下水系统的反应应当非常接近，但在实际工作中很难直接达到这一点。首先，选用的方程的类型不一定合适。其次，代入方程中的各种参数，不论从现场还是在实验室都难以准确的获得，边界条件也往往缺乏可靠的资料。此外，在建立水文地质概念模型的过程中，对地下水系统的实际条件又做了许多的简化和假设。所以上述这些因素都可以导致初步建立的模拟模型与实际问题有很大的差距。因此，我们必须根据抽水试验和已有的地下水系统长期动态观测资料对初步建立的模型进行校正。模型的校正包括两个过程，即识别和检验，通常运用已有的不同时段的两套地下水数据，一套用于识别，另一套用于检验。然后，把数值模拟模型计算出的结果与已有的实际数据进行对比，看两者是否一致。若不一致，就要对模型继续校正，直到满意为止。6.2.2.4.1 模型的识别（1）模型识别时段的选择：本次模拟的识别时段选取1999年12月1日到2000年2月29日，共计91d。本次模拟选取枯水期，因为期间源汇项少，地下水位比较稳定，较容易反映含水层的水文地质特性。（2）参数分区与初值的确定：根据区域水文地质情况和抽水试验成果，潜水含水层水文地质参数分为9个区，弱透水层水文地质参数分为4个区，承压含水层水文地质参数分为8个区。参数分区见图6.7～图6.9。图6.7 潜水含水层参数分区图图6.8 弱透水层参数分区图图6.9 承压含水层参数分区图（3）源汇项的计算：模型的识别时段正处于冬季，所以模拟区内无大气降水入渗补给、灌溉回渗补给、农业开采和蒸发排泄等，排泄方式主要有开采排泄和泉的排泄，源汇项的计算较简单。（4）模型识别时段拟合结果：从水位拟合图（图6.10～图6.11）可以看出，潜水观测井水位误差的平均绝对值为0.295m，拟合误差小于0.5m的观测井占总观测井的88.73%；承压水观测井水位误差的平均绝对值为0.302m，拟合误差小于0.5m的观测井占总观测井的86.48%，可见模型识别取得了较好的结果。表6.3—表6.5为潜水含水层、弱透水层和承压含水层水文地质参数识别结果。图6.10 潜水含水层识别时段水位拟合图图6.11 承压含水层识别时段水位拟合图表6.3 潜水含水层水文地质参数识别结果表表6.4 弱透水层水文地质参数识别结果表表6.5 承压含水层水文地质参数识别结果表6.2.2.4.2 模型的检验为了进一步验证所建立的数值模拟模型和确定的水文地质参数的真实性，再次利用已有的地下水位动态观测资料对模型进行检验。（1）检验时段的选择：选择2005年6月1日至2005年8月31日，共计92d作为模型的检验阶段。潜水含水层和承压水含水层分别选取有长期观测资料的观测井进行模型的拟合检验。（2）源汇项的计算：模型的检验时段正处夏季丰水期，源汇项比较复杂。主要补给来源有大气降水入渗补给、灌溉入渗补给以及侧向径流补给等。主要排泄方式有人工开采排泄、潜水蒸发排泄以及泉的排泄。（3）模型的检验时段拟合结果：从模型的检验时段拟合结果可以看出（图6.12，图6.13），潜水含水层水位拟合误差小于0.5m的观测井占总观测井的89.53%；承压含水层水位拟合误差小于0.5m的观测井占总观测井的85.28%。模型的检验结果表明，建立的地下水数值模拟模型和确定的水文地质参数是真实可靠的。6.2.2.5 模型的预报经过识别和检验的模型，就相当于实际地下水系统的复制品，就可以以模型的行为代表实际地下水系统的行为了。对于各种自然因素、人为因素的影响（比如各种规划开采方案），都可以通过数学模拟模型的运转来预报其后果，这也是建立模拟模型的主要目的之所在。6.2.2.5.1 预测期、初始条件的确定以及边界条件的处理本次预测期限为4年，即2008～2012年。根据已有的地下水位动态观测资料，选择地下水位预报的初始时刻为2008年9月1日。图6.12 潜水含水层检验时段水位拟合图图6.13 承压含水层检验时段水位拟合图由于开采水源地距离计算模拟区边界较远，并且考虑到开采时对边界的影响较小，因此本次采用初始时刻的边界条件进行计算。6.2.2.5.2 源汇项的预报（1）降水量和水面蒸发量的预报：本次应用蒙特卡罗（Monte-Carlo）方法对研究区内的降水量和水面蒸发量进行随机模拟和预报，这是一种应用随机数来进行模拟试验的方法。该方法把降水量和蒸发量作为一个随机变量来处理，根据过去的资料提取研究区降水量和蒸发量所具有的统计规律性，这些统计规律性代表了该地区降水量和蒸发量的本质特征。（2）灌溉入渗补给量的预报：灌溉入渗补给量根据研究区内的农业用水额度来进行预报。（3）开采量的预报：由于经济发展和人口增长等原因，松原地区用水量在逐年增加。2002年地下水开采量为4.1653×108m3 ，2008年地下水开采量为5.2201×108m3 ，平均年增长率定为3.83%。按该增长率对2012年开采量进行预测，即6.067×108m3。6.2.2.5.3 预报结果及分析根据地下水开采量平均年增长率3.83%对开采量进行预测，即计算模拟区2012年地下水开采量为6.067×108m3。从预报结果的水位等值线图（图6.14和图6.15）可以看出，潜水水位和承压水位都有一定程度的下降，部分地区水位下降明显。因此，对水位持续下降地段，应采取科学管理和一定的控制措施。此外，由于地下水开采量的增加以及当地混合开采地下水，致使潜水层和承压水层直接产生了水力联系，承压含水层的承压性质正在减弱，向潜水转化。图6.14 2012年9月1日潜水等水位线图针对上述情况，在地下水开发利用中应采取一定的对策：①要科学地布井，有计划地进行浅、中、深层分层开采地下水；②开展地下水长期监测，以便掌握区域水情的变化趋势，发现问题及时解决；③加强水资源管理工作，合理开发利用地下水资源，确定开采量的大小和开采的时段长度，控制超量开采局面。图6.15 2012年9月1日承压水等水位线图

直接就放在cstrike里，电脑问你要不要覆盖，你就点是

1.onnx（Open Neural Network Exchange）是一种针对机器学习所设计的开放式的文件格式，用于存储训练好的模型。 用于在各种深度学习训练和推理框架转换的一个中间表示格式。 它定义了一组和环境，平台均无关的标准格式，来增强各种AI模型的可交互性，开放性较强。 2.在对推理速度要求不高的情况下，使用opencv自带的dnn模块可快速部署应用和解决方案， 且能做到轻量化部署，减少对第三方平台的依赖。 它包含两个预处理函数（blobFromImage、blobFromImages），为通过预训练深度学习模型进行分类，做好准备。 这两个函数执行减均值、缩放和通道交换（可选），但是并不是所有的深度学习架构执行减均值和缩放， 在预处理你的图像之前，一定要读你所使用网络的相关文献。 cv2.dnn.blobFromImage函数返回的blob是我们输入图像进行随意从中心裁剪，减均值、缩放和通道交换的结果。 cv2.dnn.blobFromImages和cv2.dnn.blobFromImage不同在于，前者接受多张图像，后者接受一张图像。 多张图像使用cv2.dnn.blobFromImages有更少的函数调用开销，能够更快批处理图像或帧。

本文记录基于mxnet训练得到的resnet50模型在转为onnx格式部署时发生的两个错误及解决办法 os: ubuntu 16.04 Mxnet : 1.6.0 onnx: 1.6.0 cuda: 10.2 cudnn: 8.0 resnet50中使用的batchnorm层在转换至onnx时报错不支持属性spatial mxnet源码mxnet/contrib/onnx/mx2onnx/_op_translation.py 359行 注释掉spatial参数 通过netron.app 查看网络结构, 看到第一个batchnorm层(bn_data)的参数bn_data_gamma异常: 在onnx模型中手动修改bn_data层的gamma参数为1.0

模型方法包括基于矿物和岩石的散射和吸收光谱性质模拟反射光谱的各种模型方法。因为成像光谱测量数据可以提供连续的光谱抽样信息以产生细微的光谱特征（Goetz，1989），故这种模型方法可以是确定性的而不是统计性的方法。高斯改进型模型（MGM）是最近几年为分析反射光谱而发展起来的一种分析技术（Cloutis，1996）。这种分析技术与其他曲线拟合模型相比，算法上有扎实的理论基础，因而能提供更有效更可靠的分析结果（Sunshine等，1990）。Sunshine等（1990）在他们的报道中首先评价传统的吸收波段高斯模型（GM），指出用高斯模型描述因Fe2+等电子跃迁吸收的辉石矿物光谱并不适合；然后他们用幂定律描述能量和平均键长（average bond length）的关系来改进高斯模型（MGM），发现MGM能成功地描述由单个分布说明的几种辉石混合物吸收特征并能正确地将其分解成一系列MGM曲线。下面简述GM和MGM模型及其性质，并用Sunshine等（1990）的实验结果进一步说明MGM的特点。一个随机变量的高斯分布可以用它的中心（均值，μ）、宽度（标准差，σ）和强度（幅度，s）表示：中亚地区高光谱遥感地物蚀变信息识别与提取为了将中心极限定理应用到光谱分析中，要求引起吸收波段的各种电子跃迁和振荡过程必须是随机变量，且需要有统计意义的事件发生频度。假定吸收光谱中的能量（由电子跃迁、振荡等引起）是随机分布的，则一个吸收波段可以用式（4-12）的高斯分布模拟，这里随机变量，即为能量。但是对于电子跃迁引起的吸收波段的随机变量并不是吸收能量而是平均键长（Sunshine等，1990）。由此可以理解平均键长是高斯分布的。因为平均键长能确定吸收能量，故平均键长的高斯分布可以映射成吸收能量的一种分布。电子跃迁吸收的结晶场论的描述，建议吸收能量（e）与平均键长（r）存在幂定律关系，利用这种幂定律关系（4-13）：e∝ rn （4-13）平均键长的高斯分布能被映射成吸收能量的一种“改进”的高斯分布m（x）：中亚地区高光谱遥感地物蚀变信息识别与提取改变（xn-μn）指数相当于改变分布的对称性，即曲线左、右翼相对斜率的改变。方程（4-14）中指数n的理想值能靠经验指定。根据拟合效果和残差值，Sunshine等（1990，1993）发现对于各种辉石的混合光谱，模拟各种成分的吸收波段取n=-1较理想。利用MGM模型，对具体一条离散的光谱曲线采用非线性的最小二乘法迭代拟合。最初由研究者提供估计参数值，然后按照一定的标准迭代调整模型参数（中心位置、标准差、幅度以及连续统的斜率和截距），直至前后两次迭代所得的误差改变量达到可以忽略的量级（或预先给定最小允许误差）。一个良好的模型拟合取决于残差之大小，残差定义为模型值和实际值之差的均方根（RMS）。通常一种矿物的光谱曲线有多个吸收波段，尤其是复合矿物成分的光谱更是如此。因此需要对每个吸收特征拟合分解各自的高斯曲线，直至所有高斯模拟曲线叠加之和与实际值相比产生的误差达到允许接受的程度。所以利用MGM对实际测试矿物的光谱曲线可分解出许多相应各个吸收波段的高斯分布曲线。分析单个高斯分布曲线并对照已知矿物成分光谱（从光谱数据库）就可知道测试光谱的种类及在混合光谱中所占的光谱成分的比例。读者如需要进一步了解MGM对实际光谱的拟合和分解成高斯分布曲线的过程，可参阅Sunshine等（1990）一文的附录。Sunshine等（1990）利用MGM拟合分解两种辉石：一种来自美国夏威夷火山弹（用Cpx表示）；另一种来自美国北卡罗来纳州Webster地区（用Opx表示）。Opx和Cpx两种辉石矿物成分含量不同，因此它们的吸收波段特征也很不相同。Sunshine等（1990）用Opx和Cpx不同的比例混合，测其混合物的光谱，再用MGM模型模拟和分解该混合光谱吸收波段高斯分布曲线，并与用GM拟合和分解相同混合光谱的结果相比说明MGM能取得较好的效果。

在了解高斯混合模型之前，我们先来看看什么是高斯分布，高斯分布大家应该都比较熟悉了，就是我们平时所说的正态分布，也叫高斯分布。正态分布是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。 正态分布的特点 集中性：正态曲线的高峰位于正中央，即均数所在的位置。 对称性：正态曲线以均数为中心，左右对称，曲线两端永远不与横轴相交。 均匀变动性：正态曲线由均数所在处开始，分别向左右两侧逐渐均匀下降。 若随机变量 服从一个数学期望为 、方差为 的正态分布，记为 。其中期望值 决定了其位置，标准差 决定了分布的幅度。当 = 0， = 1时，正态分布是标准正态分布。 正态分布有极其广泛的实际背景， 生产与科学实验中很多随机变量的概率分布都可以近似地用正态分布来描述 。例如，在生产条件不变的情况下，产品的强力、抗压强度、口径、长度等指标；同一种生物体的身长、体重等指标；同一种种子的重量；测量同一物体的误差；弹着点沿某一方向的偏差；某个地区的年降水量；以及理想气体分子的速度分量，等等。一般来说，如果一个量是由许多微小的独立随机因素影响的结果，那么就可以认为这个量具有正态分布（见中心极限定理）。从理论上看，正态分布具有很多良好的性质 ，许多概率分布可以用它来近似；还有一些常用的概率分布是由它直接导出的，例如对数正态分布、t分布、F分布等。 高斯模型有单高斯模型（SGM）和混合高斯模型（GMM）两种。 概率密度函数服从上面的正态分布的模型叫做单高斯模型，具体形式如下： 当样本数据 是一维数据（Univariate）时，高斯模型的概率密度函数为： 其中： 为数据的均值， 为数据的标准差。 当样本数据 是多维数据（Univariate）时，高斯模型的概率密度函数为： 其中： 为数据的均值， 为协方差，d为数据维度。 高斯混合模型（GMM）是单高斯概率密度函数的延伸，就是用多个高斯概率密度函数（正态分布曲线）精确地量化变量分布，是将变量分布分解为若干基于高斯概率密度函数（正态分布曲线）分布的统计模型。 用通俗一点的语言解释就是， 个单高斯模型混合在一起，生成的模型，就是高斯混合模型。这 个子模型是混合模型的隐变量（Hidden variable）。一般来说，一个混合模型可以使用任何概率分布，这里使用高斯混合模型是因为高斯分布具备很好的数学性质以及良好的计算性能。 GMM是工业界使用最多的一种聚类算法。它本身是一种概率式的聚类方法，假定所有的样本数据X由K个混合多元高斯分布组合成的混合分布生成。 高斯混合模型的概率密度函数可以表示为： 其中： 是观察数据属于第 个子模型的概率， ； 是第 个的单高斯子模型的概率密度函数， 或 ，具体函数见上方单高斯模型的概率密度函数。 参数估计有多种方法，有矩估计、极大似然法、一致最小方差无偏估计、最小风险估计、同变估计、最小二乘法、贝叶斯估计、极大验后法、最小风险法和极小化极大熵法等。最基本的方法是最小二乘法和极大似然法。 极大似然估计的思想是 ：随机试验有多个可能的结果，但在一次试验中，有且只有一个结果会出现，如果在某次试验中，结果w出现了，则认为该结果发生的概率最大。 1）写出似然函数： 假设单个样本的概率函数为 ,对每个样本的概率函数连乘，就可以得到样本的似然函数 2）对似然函数取对数： 目的是为了让乘积变成加法，方便后续运算 3）求导数，令导数为0，得到似然方程： 和 在同一点取到最大值，所以可以通过对 求导，令导数为零，实现同个目的 4）解似然方程，得到的参数即为所求 对于单高斯模型，可以使用极大似然估计（MLE）来求解出参数的值。 单高斯模型的对数似然函数为： 上式分别对 和 求偏导数，然后令其等于0，可以得到对应的参数估计值： 如果依然按照上面的极大似然估计方法求参数 GMM的对数似然函数为： 对上式求各个参数的偏导数，然后令其等于0，并且还需要附件一个条件： 。 我们会发现，直接求导无法计算出参数。所以我们需要用其它方式去解决参数估计问题，一般情况下我们使用的是迭代的方法，用期望最大算法（Expectation Maximization，EM）进行估计。 EM算法的具体原理以及示例见我的另外一篇文章。

请问您这个问题解决了吗？？？

1. 引言从这一节开始，我们就进入本系列的第三部分??css呈现。本部分将描述css在页面的几种布局和呈现的特性。包括两类：文字、块。第一类??文字。这部分相对比较简单一些，例如设置字号、字体、颜色、背景色、是否加粗等。重点的地方在于设置字体、设置行高、文字相关的距离都用相对值，这些东西在《css知多少（4）??解读浏览器默认样式》那一节已经说过了。另外还有一个重点，就是web端最流行的字体库fontAwesome，关于它我之前有一篇文章专门讲过，请参见《请用fontAwesome代替网页icon小图标》，这里就不再重复去讲了。第二类??块。这部分的知识点非常多，重要的有：盒子模型，float，position，display。本文章讲盒子模型，后面的文章会依次介绍其他的内容。 2. 什么是“盒子”说道“盒子”我还记得好几年之前，我还在上大学的时候，被人问道过“盒子模型”，我当时都不知道什么意思。回到宿舍急忙上网去查，原来就是我早就知道的margin，padding和border，但是我竟然不知道“盒子”这个词。??所以，不要只满足于网上查来的代码段、小技巧，要全面的了解一些知识体系。当然，后来我又知道，盒子模型不仅仅是margin，padding和border，还有其他的知识。在此插一句题外话，也是我这几天思考的一点东西。我在思考：web前端的这么知识应该是怎样的一个知识体系架构？之前我以为可以以W3C为纲要，把W3C的东西学会了就够了。后来发现我错了，W3C还不全面。真正全面的覆盖了web前端知识体系的东西是??浏览器内核??这并不是说让你去详细了解浏览器内核、做出一个浏览器。浏览器是web前端代码运行的一个平台，浏览器内核里有哪些模块，我们就需要去学习哪些东西。详细的先不说，以后有机会再分享。这里照顾一下初学者。初学css的朋友，一开始学css基础知识的时候一定学过padding，border和margin，即内边距、边框、外边距。他们三者就构成了一个“盒子”。就像我们收到的快递，本来买了一个小小的iphone，收到的确实那么大一个盒子。因为iphone白色的包装盒和iphone机器之间有间隔层（内边距），iphone白色盒子有厚度，虽然很薄（边框），盒子和快递箱子之间还有一层泡沫板（外边距）。这就是一个典型的盒子。如上图，真正的内容就是这些文字，文字外围有10px的内边距，5px的border，10px的外边距。看到盒子了吧？ 3. 盒子的宽度 3.1. 设置了固定宽度的情况下遇到这种问题，我建议在查询各种资料之前，不如先自己动手做一个实验：如上图，得到网页效果之后，我们可以用截图工具来量一下文字内容的宽度。发现，文字内容的宽度刚好是300px，就是我们设置的宽度。因此，在盒子模型中，我们设置的宽度都是内容宽度，不是整个盒子的宽度。而整个盒子的宽度是：（内容宽度 + border宽度 + padding宽度 + margin宽度）之和。这样我们改四个中的其中一个，都会导致盒子宽度的改变。这对我们来说不友好。没关系，这个东西不友好早就有人发现了，而且已经解决，下文再说。 3.2. 充满父容器的情况下默认情况下，div的display:block，宽度会充满整个父容器。如下图：但是别忘记，这个div是个盒子模型，它的整个宽度包括（内容宽度 + border宽度 + padding宽度 + margin宽度），整个的宽度充满父容器。问题就在这里。如果父容器宽度不变，我们手动增大margin、border或padding其中一项的宽度值，都会导致内容宽度的减少。极端情况下，如果内容的宽度压缩到不能再压缩了（例如一个字的宽度），那么浏览器会强迫增加父容器的宽度。这可不是我们想要看到的。 3.3. 包裹内容的情况下这种情况下比较简单，内容的宽度按照内容计算，盒子的宽度将在内容宽度的基础上再增加（padding宽度 + border宽度 + margin宽度）之和。 4. 再看盒子的宽度前面提到，为盒子模型设置宽度，结果只是设置了内容的宽度，这个不合理。如何解决这一问题？答案就是：box-sizing:border-box如上图，div设置了box-sizing:border-box之后，300px的宽度是内容 + border + 边框的宽度（不包括margin），这样就比较符合我们的实际要求了。建议大家在为系统写css时候，第一个样式是：大名鼎鼎的bootstrap也把box-sizing:border-box加入到它的 * 选择器中，我们为什么不这样做呢？ 5. 纵向margin的重叠这里提到margin，不得不提一下margin的这一特性??纵向重叠。如下图，的纵向margin是16px，那么两个之间纵向的距离是多少？按常理来说应该是 16 + 16 = 32px，但是答案仍然是 16px。因为纵向的margin是会重叠的，大的会把小的“吃掉”（可以自己去实验）。 6. 用div画“三角”“三角”在日常的网页中是很常见的，例如百度首页：以及我的开源项目wangEditor（http://www.cnblogs.com/wangfupeng1988/p/4198428.html）中的页面效果：你当然可以使用背景图片、fontAwesome来实现这一效果，但是你也可以用div来实现这一效果，很简单，而且可以封装通用： 7. 总结这一节我们用不小的篇幅讲解了盒子模型的相关知识，比较适合初学者，但是更加适合那些没有系统学习过css的有经验的开发人员，还是那句话：建议大家系统的学习知识体系。下面我们将继续这一部分，再说一说float。-------------------------------------------------------------------------------------------------------------欢迎关注我的教程：《从设计到模式》《深入理解javascript原型和闭包系列》《微软petshop4.0源码解读视频》《json2.js源码解读视频》也欢迎关注我的开源项目??wangEditor，简洁易用的web富文本编辑器-------------------------------------------------------------------------------------------------------------

请问您解决问题了吗 求帮助！联系QQ840291721@qq.com 可有偿

如图，当从管里吸气时，塑料瓶内气压减小，在外部压强的作用下，水被压入瓶内，使“潜水艇模型”重力增大，大于浮力时下沉； 向管里吹气时，塑料瓶内气压增大，大于外部压强，水被压出瓶内，重力减小，小于浮力时，模型上浮． 故答案为：下沉；上浮．

3. 法人客户评级模型 （1）Altman的Z计分模型和ZETA模型 Altman（1968）认为，影响借款人违约概率的因素主要有五个：流动性（Liquidity）、盈利性（Profitability）、杠杆比率（Leverage）、偿债能力（Solvency）和活跃性（Activity）。Altman选择了下面列举的五个财务指标来综合反映上述五大因素，最终得出的Z计分函数 X1＝（流动资产－流动负债）/总资产 X2＝留存收益/总资产 X3＝息税前利润/总资产 X4＝股票市场价值/债务账面价值 X5＝销售额/总资产 作为违约风险的指标，Z值越高，违约概率越低。此外，Altman还提出了判断企业破产的临界值：若Z低于1.81，在企业存在很大的破产风险，应被归入高违约风险等级。 1977年，Altman与Hardeman、Narayanan又提出了第二代Z计分模型——ZETA信用风险分析模型，主要用于公共或私有的非金融类公司，其适应范围更广，对违约概率的计算更精确。 ZETA模型将模型考察指标由五个增加到七个，分别为： X1：资产收益率指标，等于息税前利润/总资产。 X2：收益稳定性指标，指企业资产收益率在5～10年变动趋势的标准差。 X3：偿债能力指标，等于息税前利润/总利息支出。 X4：盈利积累能力指标，等于留存收益/总资产。 X5：流动性指标，即流动比率，等于流动资产/流动负债。 X6：资本化程度指标，等于普通股/总资本。该比率越大，说明企业资本实力越强，违约概率越小。 X7：规模指标，用企业总资产的对数表示。 （2）RiskCalc模型 RiskCalc模型是在传统信用评分技术基础上发展起来的一种适用于非上市公司的违约概率模型，其核心是通过严格的步骤从客户信息中选择出最能预测违约的一组变量，经过适当变换后运用Logit/Probit回归技术预测客户的违约概率。 ①收集大量的公司数据； ②对数据进行样本选择和异常值处理； ③逐一分析变换各风险因素的单调性、违约预测能力及彼此间的相关性，初步选择出违约预测能力强、彼此相关性不高的20～30个风险因素； ④运用Logit/Probit回归技术从初步因素中选择出9～11个的风险因素，并确保回归系数具有明确的经济含义，各变量间不存在多重共线性； ⑤在建模外样本、时段外样本中验证基于建模样本所构建模型的违约区分能力，确保模型的横向适用性和纵向前瞻性； ⑥对模型输出结果进行校正，得到最终各客户的违约概率。 （3）Credit Monitor模型 Credit Monitor模型是在Merton模型基础上发展起来的一种适用于上市公司的违约概率模型，其核心在于把企业与银行的借贷关系视为期权买卖关系，借贷关系中的信用风险信息因此隐含在这种期权交易之中，从而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，即预期违约频率（Expected Default Frequency，EDF）。 【单选】在法人客户评级模型中，（ ）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。 A．Altman Z计分模型 B．RiskCalc模型 C．Credit Monitor模型 D．死亡率模型 答案：C （4）KPMG风险中性定价模型 风险中性定价理论的核心思想是假设金融市场中的每个参与者都是风险中立者，不管是高风险资产、低风险资产或无风险资产，只要资产的期望收益是相等的，市场参与者对其的态度就是一致的，这样的市场环境被称为风险中性范式。KPMG公司将风险中性定价理论运用到贷款或债券的违约概率计算中，由于债券市场可以提供与不同信用等级相对应的风险溢价，根据期望收益相等的风险中性定价原则，每一笔贷款或债券的违约概率就可以相应计算出来。 【单选】某一年期零息债券的年收益率为16.7％，假设债务人违约后，回收率为零，若一年期的无风险年收益率为5％，则根据KPMG风险中性定价模型得到上述债券在一年内的违约概率为（ ） A．0.05 B．0.10 C．0.15 D．0.20 答案：B（5）死亡率模型 死亡率模型是根据贷款或债券的历史违约数据，计算在未来一定持有期内不同信用等级的贷款或债券的违约概率，即死亡率，通常分为边际死亡率（Marginal Mortality Rate，MMR）和累计死亡率（Cumulated Mortality Rate，CMR）。 【单选】根据死亡率模型，假设某3年期辛迪加贷款，从第1年至第3年每年的边际死亡率依次为0.17％、0.60％、0.60％，则3年的累计死亡率为（ ）。 A．0.17％ B．0.77％ C．1.36％ D．2.32％ 答案：C

利用as ad模型一季度。国内的宏观经济形势产生的具体原因，并尝试提出宏观经济的详细内容。

A plane model.

的模型_有道翻译翻译结果：The modelmodel英 ["mu0252dl]美 ["mɑdl]n. 模型；典型；模范；模特儿；样式adj. 模范的；作模型用的vt. 模拟；塑造；模仿vi. 做模型；做模特儿n. (Model)人名；(德、俄、英)莫德尔Model 模型,模特儿,型号business model 商业模式,

有logistic回归模型就可以算auc值吗 所谓Logistic模型，或者说Logistic回归模型，就是人们想为两分类的应变数作一个回归方程出来，可概率的取值在0~1之间，回归方程的应变数取值可是在实数集中，直接做会出现0~1范围之外的不可能结果，因此就有人耍小聪明，将率做了一个Logit变换，这样取值区间就变成了整个实数集，作出来的结果就不会有问题了，从而该方法就被叫做了Logistic回归。 随着模型的发展，Logistic家族也变得人丁兴旺起来，除了最早的两分类Logistic外，还有配对Logistic模型，多分类Logistic模型、随机效应的Logistic模型等。由于SPSS的能力所限，对话方块只能完成其中的两分类和多分类模型，下面我们就介绍一下最重要和最基本的两分类模型。 怎样使用logistic回归模型 logistic回归模型，主要是用来对多因素影响的事件进行概率预测，它是普通多元线性回归模型的进一步扩充套件，logistic模型是非线性模型。比如说我们曾经做过的土地利用评价，就分别用多元线性回归模型和Logistic模型进行试验。影响耕地的因素假设有高程、土壤型别、当地人口数量和GDP总量，把上述四种因素作为自变数，某块地是否为耕地的概率为P，即应变数。然后根据已经有的样本资料，求出logistic模型的系数，一般用最大似然法结合牛顿—拉斐逊法解系数，求出F(P)=G(高程，土壤，人口，GDP）的一个回归函式，即Logistic模型，然后把全地区的资料代入上式，求出每个地方是否为耕地的概率，用来对土地利用的评价提供科学的依据。希望我的答案能让你满意，我以前就是做这方面研究的。 如何利用logistic回归模型来预测 二元logit回归 1.开启资料，依次点选： *** yse--regression--binarylogistic，开启二分回归对话方块。 2.将因变数和自变数放入格子的列表里，上面的是因变数，下面的是自变数（单变数拉入一个，多因素拉入多个）。 3.设定回归方法，这里选择最简单的方法：enter，它指的是将所有的变数一次纳入到方程。其他方法都是逐步进入的方法。 4.等级资料，连续资料不需要设定虚拟变数。多分类变数需要设定虚拟变数。 虚拟变数ABCD四类，以a为参考，那么解释就是b相对于a有无影响，c相对于a有无影响，d相对于a有无影响。 5.选项里面至少选择95%CI。 点选ok。 统计专业研究生工作室原创，请勿复杂贴上 proportional odds ordered logistic regression model怎么翻译？是什么logistic回归模型 proportional odds ordered logistic regression model(比例优势命令逻辑回归模型) logistic回归模型，主要是用来对多因素影响的事件进行概率预测，它是普通多元线性回归模型的进一步扩充套件，logistic模型是非线性模型。比如说我们曾经做过的土地利用评价，就分别用多元线性回归模型和Logistic模型进行试验。影响耕地的因素假设有高程、土壤型别、当地人口数量和GDP总量，把上述四种因素作为自变数，某块地是否为耕地的概率为P，即应变数。然后根据已经有的样本资料，求出logistic模型的系数，一般用最大似然法结合牛顿—拉斐逊法解系数，求出F(P)=G(高程，土壤，人口，GDP）的一个回归函式，即Logistic模型，然后把全地区的资料代入上式，求出每个地方是否为耕地的概率，用来对土地利用的评价提供科学的依据。 比例优势有序逻辑回归模型 怎么用R构建分层logistic回归模型 自己看过一些资料后，确定r中不能像Sas一样在logistic回归程式中增加一个选项来实现分层logistic回归。可能的做法是将资料集按照分层变数拆分成几个亚资料集，然后再采用普通logistic回归来分析。这样来看的话，R相对Sas还是有一些局限的，细微的功能上不如Sas

一些用于查看的快捷键:隐藏和显示面板空格摄像机旋转alt+鼠标左键摄像机前进后退alt+鼠标右键摄像机移动alt+鼠标中键背景旋转shift+鼠标左键背景自动转动shift+鼠标右键阳光控制shift+鼠标中键1调节你的controls/video设置1,.在安装目录的base文件夹里的interface文件夹下toolUsercfg里提供选项来设置分辨率及其他参数，toolControlscfg允许你改变控制参数。对于设置窗口是否最大化(usabilityissues)和设置分辨率与显示器分辨率匹配，为开始栏节8猴使用对于设置窗口是否最大化(usabilityissues)和设置分辨率与显示器分辨率匹配，为开始栏节省一点空间。这些文件的重要性是显而易见的。照明和阴影Marmoset狨猴软件的主照明系统是建立在HDR立方贴图的基础上，是影像的基础照明。意思就是说你把照明调节到那被包含着的预设的立方贴图随着释放。你可以从base文件/sky文件/folder文件下装载不同的照明环境。你也可以编辑一些参数在这里，做属于自己的场景。阴影也一样是依赖于HDR立方贴图，强度不被改变。可是你能扭动阴影的距离，会给小一些的物件带来不错的阴影。阴影是好品质的标准阴影贴图的原料

本次实验将加载两个数据，一个是已经标注好的用户评论数据，另外一个是用户评价主题句，通过标注过的用户评论数据进行基于集成模型的情感极性模型训练，然后利用模型对主题句进行情感极性推理，最后通过数据聚合可视化得出主题情感极性。 使用 Pandas 加载在线数据表格，并查看数据维度和前 5 行数据。 数据属性如下表所示 加载我们之前通过主题词典提取出来的主题句。 数据属性如下表所示 用户评论分词 jieba 分词器预热，第一次使用需要加载字典和缓存，通过结果看出返回的是分词的列表。 批量对用户评价进行分词，需要一些时间，并打印第一行情感极性训练集的分词结果。 批量对用户评价主题句进行分词，并打印第一句用户主题句分词结果。 依据统计学模型假设，假设用户评论中的词语之间相互独立，用户评价中的每一个词语都是一个特征，我们直接使用 TF-IDF 对用户评价提取特征，并对提取特征后的用户评价输入分类模型进行分类，将类别输出为积极的概率作为用户极性映射即可。 用户评论向量化 TF-IDF 是一种用于信息检索与数据挖掘的常用加权技术，当某个词在文章中的TF-IDF越大，那么一般而言这个词在这篇文章的重要性会越高，比较适合对用户评论中的关键词进行量化。 数据集合划分 按照训练集 8 成和测试集 2 成的比例对数据集进行划分，并检查划分之后的数据集数量。 我们在系列实验的开始使用朴素贝叶斯模型来训练情感分析模型，下面我们新增逻辑回归模型作为对比模型。逻辑回归（Logistic Regression）是一种用于解决二分类问题的机器学习方法，在线性回归的基础上，套用了一个 sigmod 函数，这个函数将线性结果映射到一个概率区间，并且通常以 0.5 分界线，这就使得数据的分类结果都趋向于在 0 和 1 两端，将用户评论进行向量化之后也可以用此方式预测用户情感。本实验直接对标注过的用户情感数据进行训练，并验证单一模型和集成模型在情感分析性能上的差异。 模型加载 通过传入原始的标签和预测的标签可以直接将分类器性能进行度量，利用常用的分类模型评价指标对训练好的模型进行模型评价，accuracy_score 评价被正确预测的样本占总样本的比例，Precision 是衡量模型精确率的指标，它是指模型识别出的文档数与识别的文档总数的比率，衡量的是模型的查准率。Recall 召回率也称为敏感度，它是指模型识别出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率，表示正样本在被正确划分样本中所占的比例，f1_score 值是精确率与召回率的调和平均数，是一个综合性的指数。 我们分别对不同模型使用相同的数据集进行训练和测试，以此来比较单模型之间的差异，并打印模型运行时间供大家参考，批量处理不同的模型需要一些时间进行计算，清耐心等待。 通过求得的指标进行模型评价，我们发现使用相同的数据进行模型训练，朴素贝叶斯模型和逻辑回归模型性能基本持平，相差很微弱，逻辑回归稍稍占一些优势。 Stacking 堆栈模型训练 集成学习是地结合来自两个或多个基本机器学习算法的优势，学习如何最好地结合来自多个性能良好的机器学习模型的预测结果，并作出比集成中的任何一个模型更好的预测。主要分为 Bagging， Boosting 和 Stacking，Stacking 堆栈模型是集成机器学习模型的一种，具体是将训练好的所有基模型对整个训练集进行预测，然后将每个模型输出的预测结果合并为新的特征，并加以训练。主要能降低模型的过拟合风险，提高模型的准确度。 开始对两个模型进行集成训练，训练的时间要比单一模型时间久一些，清耐心等待。 评测结果收集。 结果分析 将结果存入 Dataframe 进行结果分析，lr 表示逻辑回归，nb 表示朴素贝叶斯，model_stacking 将两个单模型集成后的模型。从结果来看集成模型准确度和 f1 值都是最高的，结合两个模型的优势，整体预测性能更好，鲁棒性更好。 样例测试 通过测试样例发现，分类器对正常的积极和消极判断比较好。但是当我们改变语义信息，情感模型则不能进行识别，模型鲁棒性较差。作为早期的文本分类模型，我们使用 TFIDF 的特征提取方式并不能很好的解决语义问题，自然语言是带有语序和语义的关联，其词语之间的关联关系影响整句话的情感极性，后续我们继续试验深度情感分析模型研究解决此类问题。 加载民宿主题数据。 模型预测 将情感分析模型推理的结果写入 DataFrame 中进行聚合。 单主题聚合分析 挑选一个主题进行主题情感分析。 对民宿“设施”进行描述统计，此次我们使用主题词典的出来的用户关于民宿“设施”主体的讨论条数为 4628 条，平均用户情感极性为 0.40 表示为整体呈现不满意的情况，有超过一半的关于“设施”的民宿评论中表现用户不满意的情况，重庆民宿需要在“设施”进行改善，以此提高用户满意度。 单主题情感极性可视化 我们开始进行“设置”主题下的用户主题情感进行可视化，首先加载画图模块。 对“设施”主题下的用户情感极性进行可视化，我们利用集成模型对主题句进行情感极性预测，如下所示。

弟弟盯着货架上的飞机模型，就像蜜蜂飞到了花丛里，久久不愿离开！

优化一下模型，用插件清理一下

Lumion6.0中文破解版 3D效果图渲染 园林建筑景观 适用于Windows系统 https://k.weidian.com/0zuaT5Cl

3D模型如何导入lumion？可以参考以下步骤。材料/工具电脑lumion方法1/3选择要导出到Lumion的模型并点击文件->导出->导出所选；请点击输入图片描述2/3选择 .FBX 文件格式；请点击输入图片描述3/3和Autodesk Media & Entertainment预设即可。请点击输入图片描述

先载入白模型，调好角度再放材质

在Lumion的“物体”的层级下选择物体，右上方会有一个详细面板，点击面板中的“重新导入模型”即可。

软件问题。lumion模型离得很远想要移动1、可以在LUMION模型导入后，点击移动模式。2、然后查看左下角工具栏，中间的导入按钮是否变成红色。3、变成红色就是锁定了，找找看，点击解除就可以移动了。

1、首先打开需要导入的lumion中的rhino文件，选择需要到模型。2、然后点击打开左上角文件中的“导出选取的物件”。3、然后在弹出来的窗口中点击打开“保存类型”，选择“.dae”格式，回车确定。4、然后打开lumion，点击右上角，读取场景及模型。5、选取文件，找到刚才保存的文件的放置位置。6、确定后，等文件读取，文件已经读取成功了，点击√ 确定就完成了。

步骤一、清算3d模型的路子信息，将模型和贴图放在同一个文件夹里才会让3Dmax模型导入lumion软件的时分不丢失材质。步骤两点击左上角的3dmax图标，下拉框中，将光标移动至“导出”处。Lumion支持fbx花腔文件的导入，所以咱们需要将3Dmax模型和材质打包导出成fbx导入lumion软件中。步骤三、打开lumion导入适才另存的模型，因为咱们已经是将3dmax的贴图材质和模型文件一并保存了。这个时分导入lumion的3Dmax模型就不会丢失材质了!在新版本的Lumion中测试，3Dmax的文件可以直接导入到lumion里面做动画渲染用，不用Vray材质的话，基本都能识别出来

1、开启我们需要导入Lumion的模型文件，在草图大师的上方菜单窗口中，点击文件。2、在文件菜单中，选择导出，然后点击导出三维模型，即可对模型进行导出，选择导出DAE格式的文件，可以和Lumion更好的兼容。3、导出DAE格式的模型后，我们就可以进入到Lumion软件中，在软件的放置菜单中，点击导入、导入新模型。4、系统会弹出文件浏览窗口，在文件窗口中，找到我们需要的DAE文件，即可双击或者点击打开进行模型导入。5、导入模型后，我们需要对模型进行命名，Lumion会自动保存近期使用过的模型，并且模型名称不能够相同。6、完成模型的导入和命名后，我们即可放置模型到合适的位置，点击位置进行放置，即可放置模型到指定位置。7、完成模型的放置后，我们就将草图大师的模型成功放置到了Lumion中，我们可以使用Lumion的各种功能，对模型进行处理和渲染。

因为被覆盖了，解决方法如下：1、首先在电脑中打开lumion软件，在lumion场景中，找到并点击物体图标，如下图所示。2、然后在打开的物体界面里，找到并点击导入按钮，如下图所示。3、点击导入按钮后，会看到会出现导入的子菜单页面，这时点击选择物体，如下图所示。4、最后在打开的选择物体界面中，就是之前导入的模型，如下图所示就完成了。

一方面是机子本身，硬件不行，带动加入特效的大场景动画，会卡顿，导致渲染出来会一闪一闪，另一方面：就是双面材质，在建模过程中，同一个物体，要是被赋予了不同材质，在lumion中有重复材质时，会有闪烁，而且很明显！我原来SU建模的过程中，特别注意这一点，后来用Revit 建模在导出dae文件，这类问题倒是没出现过。lumion制作加渲染还是推荐赞奇云工作站，一站式高流畅的制作，助力高效办公。赞奇超高清设计师云工作站可以满足云上办公、海量机型、海量软件、异地协同等多功能服务，可应用于多行业比如工业设计、建筑设计、游戏设计、影视动画等多场景适用。满足三维设计师所需：真色彩、稳定低时延、网络自适应、高清低码等，让你高效无忧办公。

RRR指的是双重差分模型中的“残差平方均值”，它用于衡量双重差分运算的拟合效果。它反映出在两个数据之间的拟合结果，以及这两个数据之间的差异。