科学网 › 标签 › 混合

标签: 混合

相关帖子	版块	作者	回复/查看	最后发表

没有相关内容

相关日志

我们并不落后！“光电混合集成电路”随想: 热度 5 zlyang 2016-3-21 13:51; The farther back you can look, the farther forward you are likely to see. ― Winston Churchill 丘吉尔：你能看见多久的过去，就能看见多远的未来。我们并不落后！“ 光电混合集成电路 ”随想看到美国电气电子工程师学会院士（Fellow, IEEE）闵应骅老师的精选博文《光电混合集成电路（160321）》，突发一阵莫名其妙的随想。遥想当年，真傻一阵莫名其妙，仿照门捷列夫的元素周期表，改进了蔡少棠（Leon O. Chua）教授的“电路元件关系图”，在世界上首次完善了“互容”的概念。只知道有用的人，强迫我说“互容”有什么用。被逼无奈的我只好随口说：可惜，这个胡言乱语是个落伍的想法。据说有人试过了，散热难题解决不了。德国的战略家、预言家俾斯麦，通过对发生在19世纪下半叶的中国与日本向西方学习的运动却认为：“中国和日本的竞争，日本必胜，中国必败。因为日本到欧洲来的人，讨论各种学术，讲究政治原理，谋回国做根本的改造；而中国人到欧洲来的，只问某厂的舰炮造得如何，价值如何，买了回去就算了。” 急功近利，临渊羡鱼。从不去退而结网。不劳而获？能量守恒？ “ 科学文化的历史积淀不够，科学价值观存在一定偏差，科学原创自信心尚显不足，正在成为制约中国科学走向卓越的深层次因素。”于是，从某种角度看就成为必然。相关链接：闵应骅，2016-03-21 ，光电混合集成电路（160321）精选 http://blog.sciencenet.cn/blog-290937-963826.html Neil Savage, Linking Chips With Light, Posted 23 Dec 2015. Researchers integrated 70 million transistors and 850 optical components into a silicon processor using standard chipmaking tricks http://spectrum.ieee.org/semiconductors/optoelectronics/linking-chips-with-light 太监真傻，1995，关于“互容”概念的意义 http://www.cnki.com.cn/Article/CJFDTotal-DQDZ199504010.htm http://www.cqvip.com/QK/98031X/199504/2000725.html 中国科学院，2014-05-26，中国科学院学部主席团发布《追求卓越科学》宣言 http://www.cas.cn/xw/zyxw/yw/201405/t20140525_4126367.shtml 科学文化的历史积淀不够，科学价值观存在一定偏差，科学原创自信心尚显不足，正在成为制约中国科学走向卓越的深层次因素。新华网，2014-05-26，中科院学部主席团发布《追求卓越科学》宣言 http://news.xinhuanet.com/politics/2014-05/26/c_1110867000.htm 新华网，2007-01-18，日本必胜中国必败从俾斯麦预言看我军建设 http://news.xinhuanet.com/mil/2007-01/18/content_5622644.htm 感谢您的指教！感谢您指正以上任何错误！; 4224 次阅读|16 个评论

[转载]C++读取字符串和数值混排的的结构化文本: depengchen 2014-12-30 20:36; 在有限元中，用triangular、tetgen或者GID生成了有限元网格剖分结果网格文件中，其内容为字符串和数值混派，这个小程序值得参考。。。 #include iostream #include fstream #include cstdlib using namespace std; int main(int argc,char* argv ; int inum; float fnum ; infile.open(graphtext.txt,ios_base::in); if(infile.good()) { while(!infile.eof()) { infilename; infileinum; for(int i=0; i3; i++) infilefnum ; //红色的两句，如果没有，则最后一条记录输出2次，可能与EOF的读取原理相关 if(infile.peek()==EOF) break; coutname inum fnum endl; } } else coutFile can't be opened!endl; infile.close(); } /////////graphtext.txt的内容如下/////////////////////// /* zhangshan 11 10.0 2.5 5.55 lijiangzhun 12 22.2 12.5 6.33 zhuchengxu 13 55.2 54.5 9.98 */ ~ ~; 个人分类: 程序设计|1749 次阅读|0 个评论

[转载]中英混合三字经: 热度 1 xusuowen 2013-5-19 11:23; 朋友转载的中英混合三字经，非常有意思，作者一定费了不少心思...... 我家dad，脾气bad，让我sad。有只cat，非常fat，专吃rat。放下plate，赶到gate，已经late。清晨wake，来到lake，钓上snake。撇下net，鱼没g et，衣服wet。为捉pest，从不rest，本领best。一只pig，非常big，把洞dig。没给tip，把我lip，装上 zip。一只kite，颜色white，被狗bite。学会ride，妈妈pride。清晨jog，带上dog，踩到frog。轻轻hop，跳上top，唱起pop。把眼close，用我nose，去闻rose。喝着coke，听着joke，把腰broke。举着gun，瞄准sun，不停run。小小bug，把我hug。找个excuse，借车use，遭到refuse。假装mute，真是cute。开着car，向着star，路途far。想变smart，必须start ，学习art。一个driver，掉进river，生命over。一个robber，专抢 rubber。穿上shirt，脱下skirt，扔进dirt。这只bird，总跑third。个子short，喜欢sport，跑到airport。拿着fork，吃着pork。一个nurse，丢了purse。买只turtle，颜色purple。一只goat，穿件coat，上了boat。一片oat，卡在throat。燃烧oil，直到boil，倒进soil。是否join，抛起coin。带上hook，来到brook，水面look。手拿book，一边look，开始cook。炎热noon，跳上spoon，飞到moon。一个fool，掉进pool，真是cool。西瓜round，长在ground，被我found。一只mouse，穿件blouse，走进house。天在snow，风在blow，树在grow。秋风follow，树叶yellow，落到pillow。不知cow，近况how，去问now。一座town，不停down，快要drown。一只bee，躲进tree，没人see。悬崖deep，开着jeep，莫要sleep。抱着Barbie，吃着cookie，看着movie。被我niece，摔成piece。丢了glue，没有clue，脸气blue。手拿tissue，排好queue。一颗pea，掉进sea，泡壶tea。身体weak，爬上peak，无力speak。吞进lead，摸摸head，已经dead。吃着bread，报纸spread，开始read。不停train，没有pain，哪有gain。把手raise，老师praise。小狗paw，那根straw，把画draw。坐在lawn，学习law。被窝cozy，床上lazy，真是crazy。抱着puppy，心里happy。如果shy，不敢try，机会fly。不停cry，眼泪dry。很多day，没发pay，无话say。天空gray，无心play ，回家stay。顽皮monkey，捡起key，扔向donkey。为了honey，节省money。有个boy，玩着toy，心中joy。跳进soy，尽情enjoy。一只hare，居然dare，对我stare。困难share，互相care，赶走scare。天气fair，凉爽air，吹拂hair。崭新chair，滚下stair，需要repair。昨天fire，今天hire，后天retire。扑灭fire，真是tire。离我near，含着tear，叫我dear。一头bear，裙子wear，采摘pear。一只deer，举起beer，大喊cheers。这个engineer，事事pioneer。洗完face，系好lace，参加race。吃着rice，加点ice ，口喊nice。听听music，变变magic，迟迟garlic。看完comic，野外picnic。动作quick，把只cock，藏进sock。脱下jacket，忘记 ticket，还在pocket。同学each，手拿peach，来到beach。观众watch，激烈match，球来catch。天气sunny，身无penny，感觉funny。最快runner，成了wIinner，享受dinner。拿起ink，不加think，仰头drink。敌人tank，装上bank，老天thank。一首song，歌词long，总唱wrong。山路along，跑步long，身体strong。像个king，插上wing，不停swing。美好spring，歌儿 sing，鲜花bring。一头fox，躲避ox，藏进box。忘背text，绝无next。身体ill，买来 pill，堆成hill。一根needle，掉进noodle。饭后hurry，书包carry，迟到sorry。我家parrot，爱吃carrot。做个dream，掉进stream ，大声scream。穿着dress，下着chess 一辆truck，满载duck，一路luck。碰到trouble，努力 double。小小age，读读page，种种orange。打开fridge，端出 porridge，扔下bridge。喝酒enough，大声laugh，不停lough。他很tough从不laugh。心中wish，钓到fish，做成dish。飞机crash，烧成ash，损失cash。一个youth，张开mouth，吹到south。洗完bath，学习math。我的mother，生个brother，想要another。寒冷weather，身披leather，头戴feather。高高sky ，不知why，掉下spy。站在peak，对天speak。到了night，打开light，保护sight。方法right，坚持fight，前途bright。一只chick，动作quick，把我kick 。吃饭quiet，注意diet。猫吃mice，味道nice，想吃twice。这对twin，总是win.; 1127 次阅读|1 个评论

线性混合模型的思考: zyysdjn 2013-5-8 20:20; 线性混合模型的对数似然函数的最大值一定是负的吗？是否会因为数据的不同而变成正的呢？; 1689 次阅读|0 个评论

还能活吗——姜农把剧毒农药神农丹与化肥混合播撒，姜也有毒！: 热度 3 sincos 2013-5-6 08:01; 遍地是毒，无解了吗？本来觉得姜这个东西不会放农药、化肥的，看了这个新闻真是心都凉透了：山东种植“毒姜”或致地下水污染（全文） 2013-05-06 02:32:59　来源: 新京报 (北京)　有 11595 人参与分享到核心提示：山东潍坊有姜农滥用神农丹遭曝光，当地农民对神农丹的危害性都心知肚明，他们自己根本不吃。专家称，滥用神农丹会造成生姜中农药残留超标，还会对地下水造成污染。潍坊市峡山区王家庄，田地里随处可见剧毒农药神农丹包装袋农民正在播撒神农丹农民将神农丹和化肥混合撒在地里当地农民多年使用神农丹农民成箱使用神农丹。山东潍坊有姜农滥用神农丹，种的姜自己根本不吃；当地将收缴违规销售的神农丹据专家介绍，山东潍坊有些姜农使用的神农丹，主要成分是一种叫涕灭威的剧毒农药，50毫克就可致一个50公斤重的人死亡，所以不能直接用于蔬菜瓜果。涕灭威还有一个特点，就是能够被植物全身吸收。潍坊当地有姜农介绍，之所以使用神农丹，是因为虫害厉害，不使用生姜会减产“一半”以上。日前，记者在山东潍坊地区采访时发现，有人明目张胆滥用剧毒农药种植生姜。姜农把神农丹化肥混合播撒不久前,记者来到了山东省潍坊市峡山区王家庄街道下辖的农村。正值种植生姜的时节，在西波浪泉村附近的生姜田里，记者看到农户正拿着一个蓝色袋子，往地里撒着一种东西。记者找到农户丢弃的包装袋，发现这是一种叫神农丹的农药。这种神农丹每包1公斤，正面印有“严禁用于蔬菜、瓜果”的大字，背面有骷髅标志和红色“剧毒”字样。种姜时,农户直接把神农丹和化肥一起撒在已经发芽的种姜边上。在3天的时间里记者走访了峡山区王家庄街道管辖的10多个村庄，发现这里违规使用神农丹的情况比较普遍。田间地头随处可以看到丢弃的神农丹包装袋,姜农们都是成箱成箱地使用神农丹。不仅违规使用还高频率大剂量按照农业部规定，神农丹只能用在棉花、烟草、月季、花生、甘薯上。神农丹使用说明书中还特别规定：用于甘薯，仅限河北、山东、河南春天发生严重线虫病时使用；用于花生,仅限于春播。这两种作物生长期较长，实验证明能保证安全。即使如此,在用药量、用药次数、用药方法上也有严格的限制。但这里的农民每亩要用神农丹8公斤至20公斤，是规定用药量的3-6倍。另外，按规定，即使在批准的作物上，在其生长周期里也最多准许使用一次，但这里的姜农要用两次。神农丹使用说明还标明，在甘薯地里使用时，安全间隔期是150天。安全间隔期是指从最后一次施药到作物中农药残留量降到最大允许残留量所需的时间。而这里的农民不仅在四月份播种时超量使用神农丹，到八月份立秋的时候，还要超量使用一次，这时距离十月收获新姜，只有60天左右的间隔期，远远少于参照甘薯的150天安全间隔期。 “找几斤合格姜就能检测通过” 当地农民对神农丹的危害性都心知肚明，使用过这种剧毒农药的姜，他们自己根本不吃。这些生姜地里的神农丹到底是哪里来的呢？根据知情人提供的线索，在附近的赵戈镇上，记者找到了一家名为赵戈果树医院的农资店，按照店门口留下的销售手机号码，拨通了电话，说要五箱神农丹，对方说有货。中国北方最大的姜蒜批发市场设在潍坊安丘市大黑埠村，峡山区紧挨着安丘市，生产的生姜最后都汇集到这里交易。看到记者要农药残留检测报告，一位自称做加工出口姜生意的老板告诉记者，这并不难。因为检测都是自己送样品，只要找几斤合格的姜去检验，就可以拿到农药残留合格的检测报告。内销姜一年抽查不了几次据了解，潍坊当地出产的生姜分出口姜和内销姜两种。因为外商对农药残留检测非常严格，所以出口基地的姜都不使用高毒农药。同属于潍坊市管辖的安丘市生姜种植面积有15万亩左右,其中大多数供出口。和峡山区不同的是,安丘市对高毒农药管理非常严格,每个镇和街道,每个社区,每个村都设有农药监管员和信息员,对农药的经营和使用实现无缝隙监管。与出口姜的严格管理不同，潍坊其他地区生产的内销姜对农药残留实行的是抽查制度，一年抽查不了几次，无论是做内销姜生意的姜贩还是农户，对这种抽查都不太担心。危害致人中毒造成地下水污染中国农业大学理学院院长周志强教授在接受央视采访时表示，滥用神农丹会造成生姜中农药残留超标，还会对地下水造成污染。农民种姜时使用神农丹,通过不断浇水灌溉,会使得大量的农药成分溶解到地下水中。 2010年有媒体报道，使用过神农丹的黄瓜，曾致安徽13人急性中毒。昨晚，国际食品包装协会秘书长董金狮告诉新京报记者，消费者买到生姜后，如果担心有神农丹残留，可以拿碱水或专门洗果蔬的溶剂浸泡半个小时，以降低毒性。新京报记者廖爱玲北京情况新发地生姜多来自潍坊目前尚未检出生姜农药残留超标昨日，记者走访了北京最大的农产品批发市场新发地，询问生姜来源情况。新发地市场表示，这个时候市场大部分生姜的进货来源是山东潍坊。市场每天都会对蔬菜进行农药残留的抽检。一经发现问题，新发地市场会给产地发函，停止进货。到目前为止，还没有检测出生姜农药残留超标。新发地市场表示，将加强对生姜的检测力度。新京报记者刘春瑞进展神农丹门店经理被拘发现种植农户使用“神农丹”，将翻耕 4日，山东潍坊市有农户使用剧毒农药“神农丹”进行大姜种植经媒体报道后，山东省连夜派出工作组到潍坊进行现场督导查处。潍坊相关部门也着手对全市“神农丹”农药的销售和使用情况展开彻底调查，对违法违规销售的“神农丹”农药进行集中收缴。据介绍，潍坊市将对查获的使用“神农丹”种植的大姜、大葱等农作物统一清除、销毁。同时，对各类农药经营户展开拉网式检查，对违法违规销售剧毒农药的经营户坚决依法依规处理，并由各级农业部门牵头，组织专门力量，帮助农民用科学方法解决生姜等农产品生产过程中的病虫害问题。另外，潍坊市要求辖区内各县市区围绕本地农产品质量安全，立即组织力量展开进一步排查，全力堵塞漏洞提升监管水平。记者昨晚从潍坊市委宣传部获悉，该市峡山区警方对媒体报道的销售剧毒农药“神农丹”的门店进行了查封，门店经理被依法刑拘。目前，峡山区组织的由公安、农业、安监、食安办、环保、街道等参与的5支排查队伍，正在全区农药经营户及大姜种植区进行拉网式细密排查。据悉，为彻底消除“神农丹”危害，峡山区排查队伍对各大姜种植区取样送检，一经发现使用“神农丹”，种植农户大姜将全面翻耕，相关工作部门同时启动对土壤的降解、排毒工作。据新华社本文来源：新京报责任编辑：NN084 原文地址：http://news.163.com/13/0506/02/8U5K14IV00014AED_all.html#p1; 4601 次阅读|3 个评论

超额黏度(excess viscosity): wangshu 2013-1-29 22:13; 超额黏度(excess viscosity)是指混合溶剂的粘度减去各组分独立时的粘度与其摩尔比的乘积的和。 nE=n-x1n1-x2n2 ^ Crabtree, A. M.; O'Brien, J. F. et al . (1991). "Excess viscosities of binary mixtures of chloroform and alcohols". Journal of Chemical Engineering Data 36 (2): 140-142. doi : 10.1021/je00002a003 ^ Rodríguez, S.; Lafuente, C.; Carrión, J. A.; et al . (1996). "Excess volumes and excess viscosities of binary mixtures of some cyclic ethers + bromocyclohexane at 298.15 and 313.15 K". International Journal of Thermophysics 17 (6): 1281-1288. doi : 10.1007/bf01438670; 个人分类: 化学|3945 次阅读|0 个评论

算法学习（七）：高斯混合模型GMM: 热度 2 yxzfscg 2012-12-18 16:51; 1 ：问题介绍有 N 个数据$\overrightarrow{X}$ ={x 1 ,x 2 ,…,x n }, 每个数据时 D 维的，根据 K 个高斯分布（每个被称作 Component ）将数据聚成 K 个类。由中心极限定理知大量的独立随机变量之和具有近似于正态的分布，所以我们认为每个 x i 独立同正态分布，又$\vec X$是 D 维的，则多元高斯模型： 2 ：引入隐藏随机变量$\overrightarrow {Z}$ 思想：我们要从 GMM 的分布中随机地取一个点的话，实际上可以分为两步：首先随机地在这个 Component 之中选一个，每个 Component 被选中的概率实际上就是它的系数，选中了 Component 之后，再单独地考虑从这个 Component 的分布中选取一个点就可以了──这里已经回到了普通的 Gaussian 分布，转化为了已知的问题。实际上就是$\overrightarrow {Z}$一个K维的二元随机变量，表示每一个点属于哪一个Component的。（ 1 ）：$\overrightarrow{Z}$是一个 K 维的二元随机变量满足 1-of- K representation $\overrightarrow{Z}$ 中只有一个 z k 为 1 ，其余均为 0 ，例如 K=6 ， z 3 =1, 于是 $\overrightarrow{Z}$ 表示为( 0,0,1,0,0,0) T $z_k\in \left\{ 0,1\right\}$并且$\begin{matrix} \sum_{k} z_k=1 \end{matrix}$ 并令$p(z_k=1)=\pi_k$，$\pi_k$满足：$0\leq \pi_k \leq 1$ 并且 $\sum_{k=1}^{K} \pi_k $ = 1 那么 p(Z) 为： $p(\overrightarrow{Z}) = \prod_{k=1}{K}\pi_k^{z_k}$ （ 2 ）我们认定在给定 z k 下 X 的条件概率为高斯分布，则有 $p(\overrightarrow{X}|z_k=1)=\mathcal{N}(x|\mu_k, \Sigma_k)$那么得到 x 和 z 的联合分布，在通过边缘分布得到 $p(\vec X)=\sum_{\vec Z} p(\vec Z)p(\vec X | \vec Z)$ =$\sum_{k=1}^{K}\pi_k \mathcal{N}(x|\mu_k, \Sigma_k)$ 这样我们就可以用$\vec X$,$\vec Z$的联合分布来代替$p(\vec X)$ （ 3 ）估计数据X由每个 Component 生成的概率（并不是每个 Component 被选中的概率）：即Z在给定X下的条件概率，利用贝叶斯公式得到 3 ：参数估计因为我们不知道参数，所以就是进行参数估计，一般采取数理统计中的极大似然函数去估计参数通常取对数的似然估计函数 4 ：应用 EM 由于上式对数函数里面又有加和，我们没法直接用求导解方程的办法直接求得最大值。所以利用 EM 思想来做（ 1 ）：初始化$\mu_k$,$\Sigma_k$等参数（ 2 ）： E 步利用现有参数得到（ 3 ）： M 步重新估计参数 (4): 评估 log 似然函数是否收敛，否则转到第二步 E 步的思想就是，如果是第一步，则先选一个初始参数值，否则利用当前的参数值，计算出数据由每个 Component 生成的概率 M 步的思想就是估计每个 Component 的参数：现在我们假设上一步中得到的就是正确的“数据由 Component 生成的概率”，亦可以当做该 Component 在生成这个数据上所做的贡献，或者说，我们可以看作这个值其中有这部分是由 Component 所生成的。集中考虑所有的数据点，现在实际上可以看作 Component 生成了这些点。由于每个 Component 都是一个标准的 Gaussian 分布，可以很容易分布求出最大似然所对应的参数值; 9365 次阅读|4 个评论

[转载]zz高斯混合模型——EM算法的经典应用: 热度 1 bestluyf 2012-12-3 10:08; 这周主要学习了高斯混合模型以及EM算法的经典应用。Gaussian Mixture Model (GMM)即可以用于聚类，也可以用于估计概率密度函数。假设我们有一个训练集$x^{(1)},\ldots,x^{(m)}$, 这训练集是无监督的，所以没有分类标签。我们假设假设数据服从 Mixture Gaussian Distribution ，即把数据看作是从许多个 Gaussian Distribution 中生成出来的。具体就是建立联合分布 $ p(x^{(i)},z^{(i)})=p(x^{(i)}|z^{(i)})p(z^{(i)}) $。这里 $ z^{(i)} \sim Multinomial(\phi)$,其中$\phi_{j}\geq0,\sum^{k}_{j=1}\phi_{j}=1$,$\phi_{j}$即$p(z^{(i)}=j)$, 而$x^{(i)}|z^{(i)}=j \sim N(\mu_j,\Sigma_j)$。混合高斯模型的主要分为两个步骤，是首先随机地在这$\{1,\ldots,K\}$个高斯分布中之中选一个(用$z^{(i)}$表示)，再根据选取分布中生成数据$x^{(i)}$。要注意的是，因为这些数据都是未标注的，这里我们并不知道$z^{(i)}$的值，所以$z^{(i)}$也被称作隐藏变量。高斯混合模型的参数有$\phi,\mu,\Sigma$。为了估计这些参数，我们写出它们的似然函数: \ 这个似然函数在log之中又存在加和，所以通过普通的求导方法是不能得出最大似然的。之前提到$z^{(i)}$是用来表示数据$x^{(i)}$是来自$k$个高斯分布中的哪一个的，假设我们已经知道了$z^{(i)}$是多少（比如说$z^{(i)}=k$)，那么求解决这个极大似然问题就简单多了。因为$z^{(i)}=k$，对于任意的$j$,只有$\phi_{k}=p(z^{(i)}=k)=1$,其余全部都是0，因此在1到$K$的加和中，只有一个值是存在的，其余全为0。所以似然函数可以化简成下面这样： \ 对此似然函数求极大值，得到参数值如下： \ 但是，事实上我们并不知道这些$z^{(i)}$的值是多少。如果我们有了这些值，所有的问题都迎刃而解了。下文采用的EM的算法主要分为两步。在E步里，我们猜出所有的$z^{(i)}$的值，然后在M步中根据猜出的值，更新模型中的参数，反复迭代。 Expectation 这里为了理解期望值的定义，我们定义$w$为一个$K$维的向量，如果第$z^{(i)}=j$,即第$j$个高斯分布被选中了，那么我们将其第$j$个元素置为1，其余的全为0。我们根据已有的信息$x$，估计后验概率$p(w|x)$的期望值。因为$w_j$的值只有1和0两种取值，所以 \ =p(w_j=1|x)*1+p(w_j=0|x)*0 \\ =p(w_j=1|x) \\ \end{split} \] 具体地，对于所有的$i,j$，我们设 \ Maximization 我们假设$w^{i}_j$是已知的,求得参数 \ 相互迭代直到似然函数的值收敛。在E步中,我们使用了后验概率$p(w|x)$，可以通过贝叶斯公式来计算： \ 更具体地，有 \ 式子中的$p(x^{(i)}|z^{(i)}=j;\mu,\Sigma)$是用一个拥有平均值$\mu_j$和协方差$\Sigma_j$的高斯分布在$x^{(i)}$上的概率密度算出的;$p(z^{(i)}=j;\phi)$是由$\phi_j$算出的。计算得到的$w^{i}_j$代表了对$z^{(i)}$的软猜测。 PS:软猜测是指猜测的结果是$ $之间的概率值，而硬猜测为单值（0或1）。本文原引用地址： http://blog.sciencenet.cn/blog-798640-636282.html; 3181 次阅读|1 个评论

混合型经济: benlion 2012-10-28 08:38; 中国当今社会，国有、民营和外企 3 种经济形态共存，并相互之间存在混合；因而，可以称之混合型经济形态。前天的一次企业沙龙活动：一家投资公司，介绍了其资金组成， 90% 为地方政府机构出资，少部分私营资本；一家外企中介公司，介绍了美国财富杂志对其评价，以及如何与中国科研院所合作发掘中国的创新技术拿到美国去转化，可见，中国不仅有地理、矿物和人力、人才资源，而且，技术资源和创新力资源，也为西方发达国家看好。但是，民营企业如何发展？民族企业的技术如何创新？民营企业，要么与外企合作，要么与政府企业合作，比如，中国孵化器，不少私营与政府企业，或与外资企业合作建立创业孵化器、科技园和产业园等。中国经济资源，不仅是土地和材料、能源及中间或半成品，也包括人力和人才资源，人力资源在制造产业，人才资源在研究与管理领域。全球公司的发展，世界经济的一体化，中国经济走过了乡镇企业和国有企业改制，也走过了房地产和资源经济，开始走向投资型企业、设计型房产和高科技型创新。; 个人分类: 2012|2122 次阅读|0 个评论

COL故事：利用相移吸收二元性原理实现混合样品的定量CT成像: slowlight 2012-9-17 11:32; 中科院上海应用物理研究所肖体乔研究员课题组采用相移吸收二元性算法实现了具有较大密度分布范围混合样品的定量显微 CT 成像，该研究成果发表在 ChineseOpticsLetters2012 年第 12 期（ doi: 10.3788/COL201210.121101 ）上。 X 射线穿过物体后，强度衰减的同时，其相位也会发生改变。 X 射线相衬成像就是利用这一原理，通过记录 X 射线穿过物体相位的改变，来反映物体内部电子密度的分布。同轴相衬成像由于光路简单、不需要额外的光学元件，在生物医学、材料科学等领域的研究中具有重要应用。由于直接的同轴相衬成像只能获得样品内部结构的定性信息，其定量信息重构是目前 X 射线成像领域的研究热点。现有的定量显微 CT 方法都是基于弱吸收近似实现的，而实际应用中绝大部分样品的吸收是不可忽略的，发展一种同时考虑吸收和相移的定量相衬显微 CT 成像方法十分重要。高能 X 射线对低 Z 材料具有相移吸收二元性的定量关系，即 X 射线穿过样品后所产生的振幅衰减和相移变化均与投影方向的电子密度积分存在确定关系。对每个投影角度下的投影数据进行电子密度恢复算法处理，然后采用滤波反投影算法进行 CT 重建，就可以获得样品内部的电子密度三维分布，从而实现定量成像。研究人员利用上海同步辐射光源成像线站的高能 X 射线及标准测试样品，首次实现了该类相衬显微 CT 成像。与直接相衬 CT （ PPCT ）相比，基于相移吸收二元性算法的 PPCT(PAD-basedPPCT) 不但实现了混合样品材料种类分辨，而且可以获得 Al ， Al 2 O 3 ， PMMA ， PTFE 四种标准材料混合样品内聚合物材料（ PMMA ， PTFE ）的定量密度分辨（见附图）。此外，该方法还具有很强的噪声抑制能力。同等成像条件下，其信噪比较普通位相恢复算法高 10-15 倍，可大幅减少实验过程中样品所受的辐照剂量。因此，新发展的成像方法在脑组织、血管、肿瘤等生物软组织原位活体（有骨骼、皮肤等强吸收介质存在时）三维成像中具有十分重要的应用前景，且具备临床诊断的潜力。说明：混合样品在60 keV下的CT重构结果的直方图分析，(a)采用PPCT，无法区分各材料的密度分布，(b)采用PAD-based PPCT，有效实现了各材料的密度分辨。; 个人分类: 科研动态|5115 次阅读|0 个评论

[转载]混合粒子群算法: hailuo0112 2012-9-11 15:05; 混合粒子群算法将全局粒子群算法与局部粒子群算法结合，其速度更新采用公式其中G（k+1）是全局版本的速度更新公式，而L（k+1）是局部版本的速度更新公式，混合粒子群算法采用H（k+1）的公式。位置更新公式因为是局部版本与全局版本相结合，所以，粒子群的初始化函数应该与局部版本的相同，这里就不列出了，参看粒子群算法(7）中的 LocalInitSwarm函数。关键还是混合粒子群算法的单步更新函数，函数名为HybridStepPso 代码如下： view plain copy function =HybridStepPso(ParSwarm,OptSwarm,AdaptFunc,ParticleScope,MaxW,MinW,LoopCount,CurCount) %功能描述：混合粒子群算法。将全局版本与局部版本相混合。基本的粒子群算法的单步更新位置,速度的算法 % % =LocalStepPsoByCircle(ParSwarm,OptSwarm,AdaptFunc,ParticleScope,MaxW,MinW,LoopCount,CurCount) % %算法思想：全局版本的速度更新公式：vq(k+1)=w*v(k)+c1*r1*(pg-w)+c2*r2*(pq-w) %pg为个体历史最优，pq为全局最优 %局部版本的速度更新公式：vl(k+1)=w*v(k)+c1*r1*(pg-w)+c2*r2*(pl-w)pl为邻域最优 %现在速度更新公式vh=n*vq+(1-n)*vl;n属于0到1的一个数 %输入参数：ParSwarm:粒子群矩阵，包含粒子的位置，速度与当前的目标函数值 %输入参数：OptSwarm：包含粒子群个体最优解与全局最优解的矩阵 %输入参数：ParticleScope:一个粒子在运算中各维的范围； %输入参数：AdaptFunc：适应度函数 %输入参数：LoopCount：迭代的总次数 %输入参数：CurCount：当前迭代的次数 % %返回值：含意同输入的同名参数 % %用法： =LocalStepPsoByCircle(ParSwarm,OptSwarm,AdaptFunc,ParticleScope,MaxW,MinW,LoopCount,CurCount) % %异常：首先保证该文件在Matlab的搜索路径中，然后查看相关的提示信息。 % %编制人：XXX %编制时间：2010.5.6 %参考文献：XXX %参考文献：XXX % %修改记录 %---------------------------------------------------------------- %2010.5.6 %修改人：XXX %添加2*unifrnd(0,1).*SubTract1(row,:)中的unifrnd(0,1)随机数，使性能大为提高 %修改混合因子，从小到大，开始从CurCount/LoopCount开始 %修改C1=2.05,C2=2.05 %修改速度的范围时区间每维范围的0.5(一半) %参照基于MATLAB的粒子群优化算法程序设计 % %总体评价：使用这个版本的调节系数，效果比较好 % %容错控制 if nargin~=8 error( '输入的参数个数错误。' ) end if nargout~=2 error( '输出的个数太少，不能保证循环迭代。' ) end %开始单步更新的操作 %********************************************* %*****更改下面的代码，可以更改惯性因子的变化***** %--------------------------------------------------------------------- %线形递减策略 w=MaxW-CurCount*((MaxW-MinW)/LoopCount); %--------------------------------------------------------------------- %w固定不变策略 %w=0.7; %--------------------------------------------------------------------- %参考文献：陈贵敏，贾建援，韩琪，粒子群优化算法的惯性权值递减策略研究，西安交通大学学报，2006，1 %w非线形递减，以凹函数递减 %w=(MaxW-MinW)*(CurCount/LoopCount)^2+(MinW-MaxW)*(2*CurCount/LoopCount)+MaxW; %--------------------------------------------------------------------- %w非线形递减，以凹函数递减 %w=MinW*(MaxW/MinW)^(1/(1+10*CurCount/LoopCount)); %*****更改上面的代码，可以更改惯性因子的变化***** %********************************************* %更改下面代码可以改变混合因子的取值 %----------------------------------------------- Hybrid=CurCount/LoopCount; %----------------------------------------------- %得到粒子群群体大小以及一个粒子维数的信息 =size(ParSwarm); %得到粒子的维数 ParCol=(ParCol-1)/2; GlobleSubTract1=OptSwarm(1:ParRow,:)-ParSwarm(:,1:ParCol);%粒子自身历史最优解位置减去粒子当前位置 LocalSubTract1=OptSwarm(1:ParRow,:)-ParSwarm(:,1:ParCol);%粒子自身历史最优解位置减去粒子当前位置 LocalSubTract2=OptSwarm(ParRow+1:end-1,:)-ParSwarm(:,1:ParCol);%粒子邻域最优解位置减去粒子当前位置 %********************************************* %*****更改下面的代码，可以更改c1,c2的变化***** c1=2.05; c2=2.05; %--------------------------------------------------------------------- %con=1; %c1=4-exp(-con*abs(mean(ParSwarm(:,2*ParCol+1))-AdaptFunc(OptSwarm(ParRow+1,:)))); %c2=4-c1; %---------------------------------------------------------------------- %*****更改上面的代码，可以更改c1,c2的变化***** %********************************************* for row=1:ParRow GlobleSubTract2=OptSwarm(ParRow*2+1,:)-ParSwarm(row,1:ParCol);%全局最优的位置减去每个粒子当前的位置 LocalTempV=w.*ParSwarm(row,ParCol+1:2*ParCol)+c1*unifrnd(0,1).*LocalSubTract1(row,:)+c2*unifrnd(0,1).*LocalSubTract2(row,:); GlobleTempV=w.*ParSwarm(row,ParCol+1:2*ParCol)+c1*unifrnd(0,1).*GlobleSubTract1(row,:)+c2*unifrnd(0,1).*GlobleSubTract2; TempV=Hybrid.*GlobleTempV+(1-Hybrid).*LocalTempV; %限制速度的代码 for h=1:ParCol if TempV(:,h)ParticleScope(h,2)/2.0 TempV(:,h)=ParticleScope(h,2)/2.0; end if TempV(:,h)-ParticleScope(h,2)/2.0 TempV(:,h)=(-ParticleScope(h,2)+1e-10)/2.0; %加1e-10防止适应度函数被零除 end end %更新速度 ParSwarm(row,ParCol+1:2*ParCol)=TempV; %********************************************* %*****更改下面的代码，可以更改约束因子的变化***** %--------------------------------------------------------------------- %a=1; %--------------------------------------------------------------------- a=0.729; %*****更改上面的代码，可以更改约束因子的变化***** %********************************************* %限制位置的范围 TempPos=ParSwarm(row,1:ParCol)+a*TempV; for h=1:ParCol if TempPos(:,h)ParticleScope(h,2) TempPos(:,h)=ParticleScope(h,2); end if TempPos(:,h)=ParticleScope(h,1) TempPos(:,h)=ParticleScope(h,1)+1e-10; end end %更新位置 ParSwarm(row,1:ParCol)=TempPos; %计算每个粒子的新的适应度值 ParSwarm(row,2*ParCol+1)=AdaptFunc(ParSwarm(row,1:ParCol)); if ParSwarm(row,2*ParCol+1)AdaptFunc(OptSwarm(row,1:ParCol)) OptSwarm(row,1:ParCol)=ParSwarm(row,1:ParCol); end end % for 循环结束 %确定邻域的范围 linyurange=fix(ParRow/2); %确定当前迭代的邻域范围 jiange=ceil(LoopCount/linyurange); linyu=ceil(CurCount/jiange); for row=1:ParRow if row-linyu0row+linyu=ParRow tempM= ; =max(tempM(:,2*ParCol+1)); if maxValueAdaptFunc(OptSwarm(ParRow+row,:)) OptSwarm(ParRow+row,:)=tempM(linyurow,1:ParCol); end else if row-linyu=0 %该行上面的部分突出了边界，下面绝对不会突破边界 if row==1 tempM= ; =max(tempM(:,2*ParCol+1)); if maxValueAdaptFunc(OptSwarm(ParRow+row,:)) OptSwarm(ParRow+row,:)=tempM(linyurow,1:ParCol); end else tempM= ; =max(tempM(:,2*ParCol+1)); if maxValueAdaptFunc(OptSwarm(ParRow+row,:)) OptSwarm(ParRow+row,:)=tempM(linyurow,1:ParCol); end end else %该行下面的部分突出了边界，上面绝对不会突破边界 if row==ParRow tempM= ; =max(tempM(:,2*ParCol+1)); if maxValueAdaptFunc(OptSwarm(ParRow+row,:)) OptSwarm(ParRow+row,:)=tempM(linyurow,1:ParCol); end else tempM= ; =max(tempM(:,2*ParCol+1)); if maxValueAdaptFunc(OptSwarm(ParRow+row,:)) OptSwarm(ParRow+row,:)=tempM(linyurow,1:ParCol); end end end end end% for %寻找适应度函数值最大的解在矩阵中的位置(行数)，进行全局最优的改变 =max(ParSwarm(:,2*ParCol+1)); if AdaptFunc(ParSwarm(row,1:ParCol))AdaptFunc(OptSwarm(ParRow*2+1,:)) OptSwarm(ParRow*2+1,:)=ParSwarm(row,1:ParCol); end 注意代码的91行到96行，这几行就是混合粒子群速度更新公式，其他部分基本与前面的实现一样。最后还是一个把这两个函数组装在一起的函数，同样采用LocalPsoProcessByCircle函数，详细见粒子群算法(7）的内容，最后还是给出一个应用实例。 view plain copy Scope= ; //粒子每维的限制范围 qun=20; //粒子群的规模 lizi=10; //每个粒子的维数 =LocalPsoProcessByCircle(qun,lizi,Scope,@localinitswarm,@Hybridsteppso,@Rastrigin,0,0,1000,0); 注意：在这个 LocalPsoProcessByCircle 函数中，使用 HybridStepPso作为单步更新的函数，其余基本与局部粒子群算法相同。经过本人的实际测试，运行条件相同，最好的是局部版本的PSO，混合的PSO并不像有些文献上说的那么好，也许是我实现的不对，如果有那个大侠实现的效果更好，可以给我联系，我们可以共享代码。同时也希望那些砖家、叫兽们共享你们的效果非常好的代码。本人已经实现了一个PSO的工具箱，不过效果不好，本人水平低劣，又需要的可以联系我。不知道CSDN能不能做链接下载，如果可以，请告诉我，我做个链接，大家可以随便下载，共同交流。; 个人分类: 粒子群|4833 次阅读|0 个评论

mirror - 混合动力车的话题: liwei999 2010-3-22 16:29; 混合动力车的话题。 (195244) Posted by: mirror Date: December 08, 2008 05:58PM 看镜子的道理比较简单。但是在这里有一条人们常忘记，看镜子看到的是自己的形象，并不是镜子本身。因此，不是要打击各位科普，因为没有必要刻意这样做，因为喜欢龙的多数是叶公。引用: 但是混合动力汽车，就不是谁都能发明的了。老美到现在还造不好。就像俗话说的，魔鬼都在细节中。这句话这么一听，基本就是不着调。原因也简单，因为镜某知道这里面的细节。有时候问题出在细节上，有时却是来自结构。美国的车子问题来自结构。也不能怪吴嫂不知道其中的道理，很长时间学术界也整不明白：为什么美国车不如日本车？哈佛和东京大学联手十年，才搞明白这里面是怎么回事。吴嫂再能耐，其智力也无法与这样的研究组织比。读没读过这个资料就是个分水岭了。通常的车老美到现在也还造不好有产业结构上的原因。甚至可以说是因为航空工业的发达的代价。日、德两国由于战败，不允许发展航空工业，因此国家的力量都集中在地面上了。这里也包括高速铁路的技术。众所周知，大项目里出技术。一个小车的动能回收谁也不会去想。但是一列高速火车的动能回收就有人要想了。这个技术美国人开始就没有积累，也就没有一个支撑这种技术的系统。这是一个原因。决策错误也是一个原因。以为一步就可以跨入电力汽车的模式。只考虑了排放问题，没有考虑整体的能源消耗。因为美国人的消费模式里没有省能源这根筋，这样做决策是当然的。丰田和本田不是这样想的。他们想到了动能回收这个事情。这个技术与燃料电池是(独L)的，所以要有混合动力的这个台阶。不知道而充知道，还是要露马脚的。但是人们有自觉，往往知道不知道而充知道的感觉。而不知道自己不知道是一种没有感觉的状态，如同精神病那样。因此很多人感觉不到。这就是为什么要照照镜子理由了。就是论事儿，就事儿论是，就事儿论事儿。; 个人分类: 镜子大全|3279 次阅读|0 个评论

更多...

帐号		自动登录	找回密码
密码			注册

关闭 安全验证

标签: 混合

相关帖子

相关日志

关闭安全验证