计算机网络加权因子

❶ 如何通过人工神经网络实现图像识别

人工神经网络（Artificial Neural Networks）（简称ANN）系统从20 世纪40 年代末诞生至今仅短短半个多世纪，但由于他具有信息的分布存储、并行处理以及自学习能力等优点，已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。尤其是基于误差反向传播（Error Back Propagation）算法的多层前馈网络（Multiple-Layer Feedforward Network）(简称BP 网络)，可以以任意精度逼近任意的连续函数，所以广泛应用于非线性建模、函数逼近、模式分类等方面。

目标识别是模式识别领域的一项传统的课题，这是因为目标识别不是一个孤立的问题，而是模式识别领域中大多数课题都会遇到的基本问题，并且在不同的课题中，由于具体的条件不同，解决的方法也不尽相同，因而目标识别的研究仍具有理论和实践意义。这里讨论的是将要识别的目标物体用成像头(红外或可见光等)摄入后形成的图像信号序列送入计算机，用神经网络识别图像的问题。

一、BP 神经网络

BP 网络是采用Widrow-Hoff 学习算法和非线性可微转移函数的多层网络。一个典型的BP 网络采用的是梯度下降算法，也就是Widrow-Hoff 算法所规定的。backpropagation 就是指的为非线性多层网络计算梯度的方法。一个典型的BP 网络结构如图所示。

六、总结

从上述的试验中已经可以看出，采用神经网络识别是切实可行的，给出的例子只是简单的数字识别实验，要想在网络模式下识别复杂的目标图像则需要降低网络规模，增加识别能力，原理是一样的。

❷ 融合带重叠像素是指什么

融合带重叠像素是指低重叠度图像经过配准后，对相邻图像进行融合拼接。才能形成全景图。
在进行融合时，如果图像重叠度小而且亮度差异大，采用常用的融合法，仍然存在一些拼接缝的不足，采用亮度扩散法可以解决这种不足。
具体方法：通过加权因子使亮度值从重叠区向图像中间逐渐变小，也就是由亮到暗平缓过渡。通过这种方法处理后，较暗的重叠区域附近呈现出由亮逐渐变暗，平滑过渡的宽度较大。这种方法对于低重叠度的相邻两图在亮度上存在较大的差异时，起到很好的拼接缝效果。

❸ 请将下面一段英文翻译成中文，在线等。

一个政治知识标度从测试respondents’knowledge的可变物被创造了。 包括的可变物
the标度are‘‘Can您告诉我哪里被找出的科索沃？”，总统或副总统的候选人的‘‘Which是一位前美国参议员的儿子？”， ‘‘The诺贝尔和平奖由以下国家的一个政治领导今年赢取？”， ‘‘Who为美国参议院跑在纽约反对希拉里・克林顿？”，总统候选人的and‘‘Which支持学校证书？”The应答者被指示回答问题和未被给予反应选择。 问题询问纽约州参议院竞选是例外和，假设五个反应选择。 为了提出研究问题3，一定数量不同的额外被执行在CATI和在互联网数据集。 勘测数据和美国人口调查信息的那些人口指标(www.census.gov)是可利用的使用了当衡量要素。 CATI调查的调整对地方县参量的比赛估计的包括性别、年龄、种族和教育程度; 人口调查2000图使用了作为目标为所有，除了教育，不是可利用的在2000年(1990年使用了图)。对于匹配互联网调查对美国全国参量，可利用的衡量要素是性别、年龄、种族、家庭大小、婚姻状况、教育程度和家庭收入。 应当指出的是，我们没有执行权重，以符合计算机辅助电话谈话全国人口普查数据的参数估计。这些不同的比重很小的计算机辅助电话谈话到当地县权，主要的区别是一个种族的转变，与县包含较少的亚洲居民和更多非洲裔居民高于全国在逃。在计算机辅助电话谈话对国家调整导致预测回归结果几乎相同的计算机辅助电话谈话到县调整，所以不前的分析报道。在每次调整的参数被处决，逐步多元回归再次运行，预测政治知识和各种不同的政治态度，从人口和媒体的行为。结果选定的多元回归分析，分别载列于表6-8 。

❹ 深度神经网络dnn怎么调节参数

深度神经网络（DNN）目前是许多现代AI应用的基础。
自从DNN在语音识别和图像识别任务中展现出突破性的成果，使用DNN的应用数量呈爆炸式增加。这些DNN方法被大量应用在无人驾驶汽车，癌症检测，游戏AI等方面。
在许多领域中，DNN目前的准确性已经超过人类。与早期的专家手动提取特征或制定规则不同，DNN的优越性能来自于在大量数据上使用统计学习方法，从原始数据中提取高级特征的能力，从而对输入空间进行有效的表示。

然而，DNN超高的准确性是以超高的计算复杂度为代价的。
通常意义下的计算引擎，尤其是GPU，是DNN的基础。因此，能够在不牺牲准确性和增加硬件成本的前提下，提高深度神经网络的能量效率和吞吐量的方法，对于DNN在AI系统中更广泛的应用是至关重要的。研究人员目前已经更多的将关注点放在针对DNN计算开发专用的加速方法。
鉴于篇幅，本文主要针对论文中的如下几部分详细介绍：
DNN的背景，历史和应用
DNN的组成部分，以及常见的DNN模型
简介如何使用硬件加速DNN运算
DNN的背景
人工智能与深度神经网络

深度神经网络，也被称为深度学习，是人工智能领域的重要分支，根据麦卡锡（人工智能之父）的定义，人工智能是创造像人一样的智能机械的科学工程。深度学习与人工智能的关系如图1所示：

图1：深度神经网络与人工智能的关系
人工智能领域内，一个大的子领域是机器学习，由Arthur Samuel在1959年定义为：让计算机拥有不需要明确编程即可学习的能力。
这意味着创建一个程序，这个程序可以被训练去学习如何去做一些智能的行为，然后这个程序就可以自己完成任务。而传统的人工启发式方法，需要对每个新问题重新设计程序。
高效的机器学习算法的优点是显而易见的。一个机器学习算法，只需通过训练，就可以解决某一领域中每一个新问题，而不是对每个新问题特定地进行编程。
在机器学习领域，有一个部分被称作brain-inspired computation。因为人类大脑是目前学习和解决问题最好的“机器”，很自然的，人们会从中寻找机器学习的方法。
尽管科学家们仍在探索大脑工作的细节，但是有一点被公认的是：神经元是大脑的主要计算单元。
人类大脑平均有860亿个神经元。神经元相互连接，通过树突接受其他神经元的信号，对这些信号进行计算之后，通过轴突将信号传递给下一个神经元。一个神经元的轴突分支出来并连接到许多其他神经元的树突上，轴突分支和树突之间的连接被称为突触。据估计，人类大脑平均有1014-1015个突触。
突触的一个关键特性是它可以缩放通过它的信号大小。这个比例因子可以被称为权重（weight），普遍认为，大脑学习的方式是通过改变突触的权重实现的。因此，不同的权重导致对输入产生不同的响应。注意，学习过程是学习刺激导致的权重调整，而大脑组织（可以被认为是程序）并不改变。
大脑的这个特征对机器学习算法有很好的启示。
神经网络与深度神经网络

神经元的计算是输入值的加权和这个概念启发了神经网络的研究。这些加权和对应于突触的缩放值以及神经元所接收的值的组合。此外，神经元并不仅仅是输入信号的加权和，如果是这样的话，级联的神经元的计算将是一种简单的线性代数运算。
相反的是，神经元组合输入的操作似乎是一种非线性函数，只有输入达到某个阈值的时候，神经元才会生成输出。因此，通过类比，我们可以知道神经网络在输入值的加权和的基础上应用了非线性函数。
图2（a）展示了计算神经网络的示意图，图的最左边是接受数值的“输入层”。这些值被传播到中间层神经元，通常也叫做网络的“隐藏层”。通过一个或更多隐藏层的加权和最终被传播到“输出层”，将神经网络的最终结果输出给用户。

图2：神经网络示意图

在神经网络领域，一个子领域被称为深度学习。最初的神经网络通常只有几层的网络。而深度网络通常有更多的层数，今天的网络一般在五层以上，甚至达到一千多层。
目前在视觉应用中使用深度神经网络的解释是：将图像所有像素输入到网络的第一层之后，该层的加权和可以被解释为表示图像不同的低阶特征。随着层数的加深，这些特征被组合，从而代表更高阶的图像特征。
例如，线可以被组合成形状，再进一步，可以被组合成一系列形状的集合。最后，再训练好这些信息之后，针对各个图像类别，网络给出由这些高阶特征组成各个对象的概率，即分类结果。
推理（Inference）与训练（Training）
既然DNN是机器学习算法中的一员，那么它的基本编程思想仍然是学习。DNN的学习即确定网络的权重值。通常，学习过程被称为训练网络（training）。一旦训练完成，程序可以使用由训练确定的权值进行计算，这个使用网络完成任务的操作被被称为推断（inference）。
接下来，如图3所示，我们用图像分类作为例子来展示如何训练一个深度神经网络。当我们使用一个DNN的时候，我们输入一幅图片，DNN输出一个得分向量，每一个分数对应一个物体分类；得到最高分数的分类意味着这幅图片最有可能属于这个分类。
训练DNN的首要目标就是确定如何设置权重，使得正确分类的得分最高（图片所对应的正确分类在训练数据集中标出），而使其他不正确分类的得分尽可能低。理想的正确分类得分与目前的权重所计算出的得分之间的差距被称为损失函数（loss）。
因此训练DNN的目标即找到一组权重，使得对一个较大规模数据集的loss最小。

图3：图像分类

权重（weight）的优化过程类似爬山的过程，这种方法被称为梯度下降（gradient decent）。损失函数对每个权值的梯度，即损失函数对每个权值求偏导数，被用来更新权值（例：第t到t+1次迭代：，其中α被称为学习率（Learning rate）。梯度值表明权值应该如何变化以减小loss。这个减小loss值的过程是重复迭代进行的。
梯度可以通过反向传播（Back-Propagation）过程很高效地进行计算，loss的影响反向通过网络来计算loss是如何被每个权重影响的。
训练权重有很多种方法。前面提到的是最常见的方法，被称为监督学习，其中所有的训练样本是有标签的。
无监督学习是另一种方法，其中所有训练样本都没有标签，最终目标是在数据中查找结构或聚类。半监督学习结合了两种方法，只有训练数据的一小部分被标记（例如，使用未标记的数据来定义集群边界，并使用少量的标记数据来标记集群）。
最后，强化学习可以用来训练一个DNN作为一个策略网络，对策略网络给出一个输入，它可以做出一个决定，使得下一步的行动得到相应的奖励;训练这个网络的过程是使网络能够做出使奖励（即奖励函数）最大化的决策，并且训练过程必须平衡尝试新行为（Exploration）和使用已知能给予高回报的行为（Exploitation）两种方法。

用于确定权重的另一种常用方法是fine-tune，使用预先训练好的模型的权重用作初始化，然后针对新的数据集（例如，传递学习）或新的约束（例如，降低的精度）调整权重。与从随机初始化开始相比，能够更快的训练，并且有时会有更好的准确性。

❺ 计算机控制系统的基本结构,并说明信号的存在形式

第7章 控制网络技术及现场总线

1、什么是现场总线
现场总线是应用在生产现场与微机化测量控制设备之间实现双向串行多节点通信的系统也称为开放式、全数字化、多点通信的底层控制网络。
2、请列举4类现场总线设备。
基金会现场总线、LonWorks、Profibus、CAN、HART、RS-485

3．请给出现场总线的技术特点。
现场通信网络 数字通信网络 开放互连网络 现场设备互连网络 结构与功能高度分散的系统 互操作性与互换性网络

4．请给出5个现场总线的优点。
全数字性、精度高、抗干扰性强、内嵌控制功能、高速通信、多变量测量、多变量传送、系统综合成本低、真正的可互操作性、真正的分散控制、组态操作一致、具有强大的故障诊断功能、采用预测维护技术。

5.什么是组态软件

28
计 算 机 控 制 技 术
组态软件，又称组态监控软件系统软件。译自英文SCADA,即 Supervisory Control and Data
Acquisition（数据采集与监视控制）。它是指一些数据采集与过程控制的专用软件。它们处在自动控制系统监控层一级的软件平台和开发环境，使用灵活的组态方式，为用户提供快速构建工业自动控制系统监控功能的、通用层次的软件工具

第九章 计算机控制系统设计与实现

1、系统设计原则？
安全可靠、操作维护方便、实时性强、通用性好、经济效益高。

2、系统设计步骤？
（1）工程项目与控制任务的确定阶段；（2）工程项目的设计阶段；（3）离线仿真和调试阶段；（4）在线调试和运行阶段。

3、系统总体方案设计：
（1）硬件总体方案设计；（2）软件总体方案设计；（3）系统总体方案。

4、硬件的工程设计与实现 ：（1）选择系统的总线和主机机型；（2）选择输入输出通道模板；（3）选择变送器和执行机构。

5、软件的工程设计与实现 ：（1）数据类型和数据结构规划；（2）资源分配；（3）实时控制软件设计。

6系统的调试与运行 ：1、离线仿真和调试：(1)硬件调试(2)软件调试(3)系统仿真2、在线调试和运行。

7.干扰的作用途径是什么？
无论是内部干扰还是外部干扰，都是从以下几个途径作用于系统的。
(1) 传导耦合

29
计 算 机 控 制 技 术
(2) 静电耦合 (3) 电磁耦合 (4) 公共阻抗耦合
8.什么是共模干扰和串模干扰？如何抑制？
共模干扰是在电路输入端相对公共接地点同时出现的干扰，也称为共态干扰、对地干扰、纵向干扰、同向干扰等。共模干扰主要是由电源的地、放大器的地以及信号源的地之间的传输线上电压降造成得。消除共模干扰的方法有以下几种:变压器隔离；光电隔离；浮地屏蔽；采用具有高共模抑制比的的仪表放大器作为输入放大器。
串模干扰就是指串联叠加在工作信号上的干扰，也称之为正态干扰、常态干扰、横向干扰等。消除串模干扰的方法有以下几种：在输入回路中接入模拟滤波器；使用双积分式A/D转换器；采用双绞线作为信号线；电流传送，

9.数字滤波与模拟滤波相比有什么特点？
数字滤波克服了模拟滤波器的不足，它与模拟滤波器相比，有以下几个优点：
(1)数字滤波是用程序实现的，不需要增加硬设备，所以可靠性高，稳定性好； (2)数字滤波可以对频率很低(如0.01Hz)的信号实现滤波，克服了模拟滤波器的缺陷； (3)数字滤波器可根据信号的不同，采用不同的滤波方法或滤波参数，具有灵活、方便、功能强的特点。

10.常用的数字滤波方法有几种？它们各自有什么特点？ 常用的数字滤波方法有7种。
（1）程序判断滤波法：是根据生产经验，确定出相邻两次采样信号之间可能出现得最大偏差。 （2）中值滤波法：它对于去掉偶然因素引起的波动或采样器不稳定而造成的误差所引起的脉动干扰比较有效。
（3）算术平均值滤波法：它适用于一般的具有随机干扰信号的滤波。它特别适合于信号本身在某一数值范围附近作上下波动的情况。 （4）加权平均值滤波：可以提高滤波效果
（5）滑动平均值滤波法：采样时间短，可以提高检测速度 （6）惯性滤波法：适用于慢速随机变量的滤波

30
计 算 机 控 制 技 术
（7）复合数字滤波：比单纯的平均值滤波的效果要好

11.算术平均值滤波、加权平均值滤波以及滑动平均滤波三者的区别是什么？
算术平均值法适用于对压力、流量等周期脉动信号的平滑，这种信号的特点是往往在某一数值范围附近作上、下波动，有一个平均值。这种算法对信号的平滑程度取决于平均次数N，当N较大时平滑度高，但灵敏度低；当N较小时，平滑度低，但灵敏度高，应该视具体情况选取N值。对于一般流量，通常取N=12；若为压力，则取N=4。
在算术平均滤波中，N次采样值在结果中所占的比重是均等的，即每次采样值具有相同的加权因子1/N。但有时为了提高滤波效果，往往对不同时刻的采样值赋以不同的加权因子。这种方法称为加权平均滤波法，也称滑动平均或加权递推平均。其算法为
其中
加权因子选取可视具体情况决定，一般采样值愈靠后，赋予的比重越大，这样可增加新的采样值在平均值中的比例，系统对正常变化的灵敏性也可提高，当然对干扰的灵敏性也稍大了些。滑动平均值滤波法，依次存放N次采样值，每采进一个新数据，就将最早采集的那个数据丢掉，然后求包含新值在内的N个数据的算术平均值或加权平均值。
12.计算机控制系统的常用接地方法是什么？ （1）一点接地和多点接地 （2）模拟地和数字地的连接 （3）主机外壳接地 （4）多机系统的接地

❻ 计算机图形学发展前景怎么样，现在研究领域一般都分哪些

计算机图形学是随着计算机及其外围设备而产生和发展起来的，作为计算机科学与技术学科的一个独立分支已经历了近40年的发展历程。一方面,作为一个学科,计算机图形学在图形基础算法、图形软件与图形硬件三方面取得了长足的进步,成为当代几乎所有科学和工程技术领域用来加强信息理解和传递的技术和工具。另一方面,计算机图形学的硬件和软件本身已发展成为一个巨大的产业。
1.计算机图形学活跃理论及技术
(1)分形理论及应用
分形理论是当今世界十分活跃的新理论。作为前沿学科的分形理论认为，大自然是分形构成的。大千世界，对称、均衡的对象和状态是少数和暂时的，而不对称、不均衡的对象和状态才是多数和长期的，分形几何是描述大自然的几何学。作为人类探索复杂事物的新的认知方法，分形对于一切涉及组织结构和形态发生的领域，均有实际应用意义，并在石油勘探、地震预测、城市建设、癌症研究、经济分析等方面取得了不少突破性的进展。分形的概念是美籍数学家曼德布罗特(B.B.Mandelbrot)率先提出的。1967年他在美国《科学》杂志上发表了题为《英国的海岸线有多长？》的着名论文。
??海岸线作为曲线，其特征是极不规则、极不光滑的，呈现极其蜿蜒复杂的变化。它无法用常规的、传统的几何方法描述。我们不能从形状和结构上区分这部分海岸与那部分海岸有什么本质的不同，这种几乎同样程度的不规则性和复杂性，说明海岸线在形貌上是自相似的，也就是部局形态和整体形态的相似。在没有建筑物或其他东西作为参照物时，在空中拍摄的100公里长的海岸线与放大了的10公里长海岸线的两张照片，看上去十分相似。
??曾有人提出了这样一个显然是荒谬的命题：“英国的海岸线的长度是无穷大。”其论证思路是这样的：海岸线是破碎曲折的，我们测量时总是以一定的尺度去量得某个近似值，例如，每隔100米立一个标杆，这样，我们测得的是一个近似值，是沿着一条折线计算而得出的近似值，这条折线中的每一段是一条长为100米的直线线段。如果改为每10米立一个标杆，那么实际量出的是另一条折线的长度，它的每一个片段长10米。显然，后一次量出的长度将大于前一次量出的长度。如果我们不断缩小尺度，所量出的长度将会越来越大。这样一来，海岸线的长度不就成为无穷大了吗?
??为什么会出现这样的结论呢？曼德布罗特提出了一个重要的概念：分数维，又称分维。一般来说，维数都是整数，直线线段是一维的图形，正方形是二维的图形。在数学上，把欧氏空间的几何对象连续地拉伸、压缩、扭曲，维数也不变，这就是拓扑维数。然而，这种维数观并不能解决海岸线的长度问题。曼德布罗特是这样描述一个绳球的维数的：从很远的距离观察这个绳球，可看作一点(零维)；从较近的距离观察，它充满了一个球形空间(三维)；再近一些，就看到了绳子(一维)；再向微观深入，绳子又变成了三维的柱，三维的柱又可分解成一维的纤维。那么，介于这些观察点之间的中间状态又如何呢？显然，并没有绳球从三维对象变成一维对象的确切界限。英国的海岸线为什么测不准？因为欧氏一维测度与海岸线的维数不一致。根据曼德布罗特的计算，英国海岸线的维数为1.26。有了分维的概念，海岸线的长度就可以确定了。
??1975年，曼德布罗特发现：具有自相似性的形态广泛存在于自然界中，如连绵的山川、飘浮的云朵、岩石的断裂口、布朗粒子运动的轨迹、树冠、花菜、大脑皮层……曼德布罗特把这些部分与整体以某种方式相似的形体称为分形(Fractal)，这个单词由拉丁语Frangere衍生而成，该词本身具有“破碎”、“不规则”等含义。
??曼德布罗特的研究中最精彩的部分是1980年他发现的并以他的名字命名的集合，他发现整个宇宙以一种出人意料的方式构成自相似的结构。Mandelbrot集合图形的边界处，具有无限复杂和精细的结构。在此基础上，形成了研究分形性质及其应用的科学，称为分形理论(Fractal theory)或分形几何学(Fractal geometry)。
分形的特点和理论贡献
??数学上的分形有以下几个特点：
??(1)具有无限精细的结构；
??(2)比例自相似性；
??(3)一般它的分数维大于它的拓扑维数；
??(4)可以由非常简单的方法定义，并由递归、迭代产生等。
??(1)(2)两项说明分形在结构上的内在规律性。自相似性是分形的灵魂，它使得分形的任何一个片段都包含了整个分形的信息。第(3)项说明了分形的复杂性，第(4)项则说明了分形的生成机制。
??我们把传统几何的代表欧氏几何与以分形为研究对象的分形几何做一比较，可以得到这样的结论：欧氏几何是建立在公理之上的逻辑体系，其研究的是在旋转、平移、对称变换下各种不变的量，如角度、长度、面积、体积，其适用范围主要是人造的物体；而分形由递归、迭代生成，主要适用于自然界中形态复杂的物体，分形几何不再以分离的眼光看待分形中的点、线、面，而是把它们看成一个整体。
??我们可以从分形图案的特点去理解分形几何。分形图案有一系列有趣的特点，如自相似性、对某些变换的不变性、内部结构的无限性等。此外，分形图案往往和一定的几何变换相联系，在一些变化下，图案保持不变，从任意的初始状态出发，经过若干次的几何变换，图形将固定在这个特定的分形图案上，而不再发生变化。自相似原则和迭代生成原则是分形理论的重要原则。

??分形理论发展了维数的概念。在发现分数维以前，人们习惯于将点定义为零维，直线为一维，平面为二维，空间为三维，爱因斯坦在相对论中引入时间维，就形成四维时空。对某一问题给予多方面的考虑，可建立高维空间，但都是整数维。
??分形是20世纪涌现出的新的科学思想和对世界认识的新视角。从理论上讲，它是数学思想的新发展，是人类对于维数、点集等概念的理解的深化与推广。同时它又与现实的物理世界紧密相连，成为研究混沌(Chaos)现象的重要工具。众所周知，对混沌现象的研究正是现代理论物理学的前沿和热点之一。
??由于分形的研究，人们对于随机性和确定性的辩证关系有了进一步的理解。同样对于过程和状态的联系，对于宏观和微观的联系，对于层次之间的转化，对于无限性的丰富多采，也都产生了有益的影响。
??分形理论还是非线性科学的前沿和重要分支，作为一种方法论和认识论，其启示是多方面的：一是分形整体与局部形态的相似，启发人们通过认识局部来认识整体，从有限中认识无限；二是分形揭示了介于整体与部分、有序与无序、复杂与简单之间的新形态和秩序；三是分形从特定层面揭示了世界普遍联系和统一的图景。
分形学的应用领域
??除了理论上的意义之外，在实际应用中，分形也显示了巨大的潜力，它已经在许多领域中得到有效的应用，其应用范围之广、效益之明显远远超过了十几年前的任何预测。目前大量分形方法的应用案例层出不穷。这些案例涉及的领域包括：生命过程进化，生态系统，数字编码和解码，数论，动力系统，理论物理(如流体力学和湍流) 等方面，此外，还有人利用分形学做城市规则和地震预报。
??分形技术在数据压缩中的应用是一个非常典型的例子。美国数学会会刊在1996年6月的刊物上发表了巴斯利的文章《利用分形进行图形压缩》，他把分形用于光盘制作的图形压缩中。一般来说，我们总是把一个图形作为像素的集合来加以存储和处理。一张最普通的图片也常常涉及几十万乃至上百万像素，从而占据大量的存储空间，传输速度也大大受到限制。巴斯利运用了分形中的一个重要思想：分形图案是与某种变换相联系的，我们可以把任何一个图形看作是某种变换反复迭代的产物。因此，存储一个图形，只需存储有关这些变换过程的信息，而无需存储图形的全部像素信息。只要找到这个变换过程，图形就可以准确地再现出来，而不必去存储大量的像素信息。使用这种方法，在实际的应用中，已经达到了压缩存储空间至原来1/8的效果。
??近年来，由分形理论发展起来的分形艺术(Fractal Art，FA)，在表现形式和分形几何的理解等方面亦取得了突破性的进展。分形艺术是二维可视艺术，在许多方面类似于摄影。分形图像作品一般是通过计算机屏幕和打印机来展现的。分形艺术中的另一个重要部分便是分形音乐，分形音乐是由一个算法的多重迭代产生的。自相似是分形几何的本质，有人利用这一原理来建构一些带有自相似小段的合成音乐，主题在带有小调的三番五次的反复循环中重复，在节奏方面可以加上一些随机变化。我们常见的计算机屏幕保护程序，许多也是通过分形计算而得来的。
进入1990年代以来，人们开始越来越多地利用这一理论研究经济领域的一些问题，主要集中在对金融市场（如股票市场、外汇市场等）的研究。操纵者可以通过在若干时间点上的操纵使股价在微观尺度上发生所希望的变化；从时间的宏观尺度上来看，要使股价发生所希望的变化，就要求操纵者具有相当的经济实力。从分形的角度来看，股票价格具有分形特征。一方面，股价具有复杂的微观结构；另一方面，它具有对时间的标度不变性，即在不同的观测尺度下具有相似的结构，其结构是复杂和简单、不规则和有序的统一。对股价操纵者来说，要在单个时间点上影响股价并不难，即使是在大的时间尺度上影响股价也是有可能的，但是要想通过人为的操纵，在影响股价的同时，保持股价在时间的微观和宏观尺度上的一致性，在技术上就会显得非常困难。

(2) 曲面造型技术。它是计算机图形学和计算机辅助几何设计(Computer Aided Geometric Design)的一项重要内容，主要研究在计算机图象系统的环境下对曲面的表示、设计、显示和分析。它肇源于飞机、船舶的外形放样工艺，由Coons、Bezier等大师于六十年代奠定理论基础。经三十多年发展，现在它已经形成了以Bezier和B样条方法为代表的参数化特征设计和隐式代数曲面表示这两类方法为主体，以插值(Interpolation) 、拟合(Fitting) 、逼近(Approximation)这三种手段为骨架的几何理论体系。随着计算机图形显示对于真实性、实时性和交互性要求的日益增强，随着几何设计对象向着多样性、特殊性和拓扑结构复杂性靠拢的趋势的日益明显，随着图形工业和制造工业迈向一体化、集成化和网络化步伐的日益加快，随着激光测距扫描等三维数据采样技术和硬件设备的日益完善，曲面造型在近几年来得到了长足的发展。这主要表现在研究领域的急剧扩展和表示方法的开拓创新。
一.从研究领域来看，曲面造型技术已从传统的研究曲面表示、曲面求交和曲面拼接，扩充到曲面变形、曲面重建、曲面简化、曲面转换和曲面位差。
曲面变形(Deformation or Shape Blending): 传统的非均匀有理B样条(NURBS)曲面模型，仅允许调整控制顶点或权因子来局部改变曲面形状，至多利用层次细化模型在曲面特定点进行直接操作；一些简单的基于参数曲线的曲面设计方法，如扫掠法(Sweeping)，蒙皮法(Skinning)，旋转法和拉伸法，也仅允许调整生成曲线来改变曲面形状。计算机动画业和实体造型业迫切需要发展与曲面表示方式无关的变形方法或形状调配方法，于是产生了自由变形（FFD）法，基于弹性变形或热弹性力学等物理模型(原理)的变形法，基于求解约束的变形法，基于几何约束的变形法等曲面变形技术和基于多面体对应关系或基于图象形态学中Minkowski和操作的曲面形状调配技术。最近，笔者及其学生刘利刚首创活动局部球面坐标插值的新思想，给出了空间点集内在变量的完整数学描述，从几何内在解的角度，设计了三维多面体和自由曲面形状调配的一整套快速有效的算法，画面流畅，交互实时，对三维曲面变形的技术难题实现了突破。

曲面重建(Reconstruction)：在精致的轿车车身设计或人脸-类雕塑曲面的动画制作中，常用油泥制模，再作三维型值点采样。在医学图象可视化中，也常用CT切片来得到人体脏器表面的三维数据点。从曲面上的部分采样信息来恢复原始曲面的几何模型，称为曲面重建。采样工具为：激光测距扫描器，医学成象仪，接触探测数字转换器，雷达或地震勘探仪器等。根据重建曲面的形式，它可分为函数型曲面重建和离散型曲面重建这两类。
曲面简化(Simplification)：与曲面重建一样，这一研究领域目前也是国际热点之一。其基本思想在于从三维重建后的离散曲面或造型软件的输出结果（主要是三角网格）中去除冗余信息而又保证模型的准确度，以利于图形显示的实时性、数据存储的经济性和数据传输的快速性。对于多分辨率曲面模型而言，这一技术还有利于建立曲面的层次逼近模型，进行曲面的分层显示，分层传输和分层编辑。具体的曲面简化方法有：网格顶点剔除法，网格边界删除法，网格优化法，最大平面逼近多边形法以及参数化重新采样法。
曲面转换(Conversion)：同一张曲面可以表为不同的数学形式，这一思想不仅具有理论意义，而且具有工业应用的现实意义。例如，NURBS这种参数有理多项式曲面虽然包括了参数多项式曲面的一切优点，但也存在着微分运算繁琐费时、积分运算无法控制误差的局限性。而在曲面拼接及物性计算中，这两种运算是不可避免的。这就提出了把一张NURBS曲面转化成近似的多项式曲面的问题。同样的要求更体现在NURBS曲面设计系统与多项式曲面设计系统之间的数据传递和无纸化生产的工艺过程中。再如，在两张参数曲面的求交运算中，如果把其中一张曲面的NURBS形式转化为隐式，就容易得到方程的数值解。近几年来，国际图形界对曲面转换的研究主要集中在以下几方面：NURBS曲面用多项式曲面来逼近的算法及收敛性；Bezier曲线曲面的隐式化及其反问题；CONSURF飞机设计系统的Ball曲线向高维的各种推广形式的比较及互化；有理Bezier曲线曲面的降阶逼近算法及误差估计；NURBS曲面在三角域上与矩形域上的互相快速转化等。
曲面位差(Offset)：也称为曲面等距性，它在计算机图形及加工中有广泛应用，因而成为这几年的热门课题之一。例如，数控机床的刀具路径设计就要研究曲线的等距性。但从数学表达式容易看出，一般而言，一条平面参数曲线的等距曲线不再是有理曲线，这就越出了通用的NURBS系统的使用范围，造成了软件设计的复杂性和数值计算的不稳定。
二．从表示方法来看，以网格细分(Subdivision)为特征的离散造型与传统的连续造型相比，大有后来居上的创新之势。而且，这种曲面造型方法在生动逼真的特征动画和雕塑曲面的设计加工中如鱼得水，得到了高度的运用。
在1998年荣获奥斯卡大奖的电影作品中，有一个短片赫然在列，这就是美国着名的Pixar动画电影制片厂选送的作品"Geri's Game"。动画片描述了一个名叫Geri的老头，在公园里自己与自己下国际象棋，千方百计想取胜的诙谐故事。画面中人物和景色的造型细致生动，与故事情节浑然一体，使观众得到真正的美学享受。而这部动画片制作中的设计者，就是以上论文的作者，着名的计算机图形学家T.DeRose。DeRose在SIGGRAPH'98大会上报告的论文讲到了选用C-C细分曲面作为Geri老头特征造型模型的背景。他指出，NURBS尽管早已被国际标准组织ISO作为定义工业产品数据交换的STEP标准，在工业造型和动画制作中得到了广泛的应用，但仍然存在着局限性。单一的NURBS曲面，如其他参数曲面一样，限于表示在拓扑上等价于一张纸，一个圆柱面或一个圆环面的曲面，不能表示任意拓扑结构的曲面。为了表达特征动画中更复杂的形状，如人的头，人的手或人的服饰，我们面临着一场技术挑战。当然，我们可以用最普通的复杂光滑曲面的造型方法，例如对NURBS的修剪(Trimming)来对付。确实，目前已经存在一些商用系统，诸如Alias-Wavefront和SoftImage等可以做到这一点，但是它们至少会遭遇到以下的困难：第一，修剪是昂贵的，而且有数值误差；第二，要在曲面的接缝处保持光滑，即使是近似的平滑也是困难的，因为模型是活动的。而细分曲面有潜力克服以上两个困难，它们无须修剪，没有缝，活动模型的平滑度被自动地保证。DeRose成功地应用了C-C的细分曲面造型法，同时发明了构造光滑的变半径的轮廓线及合成物的实际技术，提出了在服饰模型中碰撞检测的有效新算法，构造了关于细分曲面的光滑因子场方法。凭借这些数学和软件基础，他形象逼真地表现了Geri老头的头壳，手指和衣服，包括茄克衫，裤子，领带和鞋子。这些都是传统的NURBS连续曲面造型所不易做到的。那么，C-C细分曲面是怎样构造的呢？它与传统的Doo-Sabin细分曲面异曲同工，都是从一个称之为控制网格(网格多半可用激光从手工模型上输入)的多面体开始，递归地计算新网格上的每个顶点，这些顶点都是原网格上某几个顶点的加权平均。如果多面体的一个面有n条边，细分一次后，这个面就会变成n个四边形。随着细分的不断进行，控制网格就被逐渐磨光，其极限状态就是一张自由曲面。它是无缝的，因而是平滑的，即使模型是活动的。这种方法显着地压缩了设计和建立一个原始模型的时间。更重要的，允许原始模型局部地精制化。这就是它优于连续曲面造型方法之处. C-C细分是基于四边形的，而Loop曲面(1987年)，蝶形曲面(1990年)是基于三角形的。它们都一样受到当今图形工作者的重用。
(3)计算机辅助设计与制造（CAD/CAM）。 这是一个最广泛，最活跃的应用领域。计算机辅助设计（Computer Aided Design，CAD）是利用计算机强有力的计算功能和高效率的图形处理能力，辅助知识劳动者进行工程和产品的设计与分析，以达到理想的目的或取得创新成果的一种技术。它是综合了计算机科学与工程设计方法的最新发展而形成的一门新兴学科。计算机辅助设计技术的发展是与计算机软件、硬件技术的发展和完善，与工程设计方法的革新紧密相关的。采用计算机辅助设计已是现代工程设计的迫切需要。CAD技术目前已广泛应用于国民经济的各个方面，其主要的应用领域有以下几个方面。
1．制造业中的应用
CAD技术已在制造业中广泛应用，其中以机床、汽车、飞机、船舶、航天器等制造业应用最为广泛、深入。众所周知，一个产品的设计过程要经过概念设计、详细设计、结构分析和优化、仿真模拟等几个主要阶段。

同时，现代设计技术将并行工程的概念引入到整个设计过程中，在设计阶段就对产品整个生命周期进行综合考虑。当前先进的CAD应用系统已经将设计、绘图、分析、仿真、加工等一系列功能集成于一个系统内。现在较常用的软件有UG II、I-DEAS、CATIA、PRO/E、Euclid等CAD应用系统，这些系统主要运行在图形工作站平台上。在PC平台上运行的CAD应用软件主要有Cimatron、Solidwork、MDT、SolidEdge等。由于各种因素，目前在二维CAD系统中Autodesk公司的AutoCAD占据了相当的市场。
2．工程设计中的应用
CAD技术在工程领域中的应用有以下几个方面：
（1）建筑设计，包括方案设计、三维造型、建筑渲染图设计、平面布景、建筑构造设计、小区规划、日照分析、室内装潢等各类CAD应用软件。
（2）结构设计，包括有限元分析、结构平面设计、框/排架结构计算和分析、高层结构分析、地基及基础设计、钢结构设计与加工等。
（3）设备设计，包括水、电、暖各种设备及管道设计。
（4）城市规划、城市交通设计，如城市道路、高架、轻轨、地铁等市政工程设计。
（5）市政管线设计，如自来水、污水排放、煤气、电力、暖气、通信（包括电话、有线电视、数据通信等）各类市政管道线路设计。
（6）交通工程设计，如公路、桥梁、铁路、航空、机场、港口、码头等。
（7）水利工程设计，如大坝、水渠、河海工程等。
（8）其他工程设计和管理，如房地产开发及物业管理、工程概预算、施工过程控制与管理、旅游景点设计与布置、智能大厦设计等。
3．电气和电子电路方面的应用
CAD技术最早曾用于电路原理图和布线图的设计工作。目前，CAD技术已扩展到印刷电路板的设计（布线及元器件布局），并在集成电路、大规模集成电路和超大规模集成电路的设计制造中大显身手，并由此大大推动了微电子技术和计算及技术的发展。
4．仿真模拟和动画制作
应用CAD技术可以真实地模拟机械零件的加工处理过程、飞机起降、船舶进出港口、物体受力破坏分析、飞行训练环境、作战方针系统、事故现场重现等现象。在文化娱乐界已大量利用计算机造型仿真出逼真的现实世界中没有的原始动物、外星人以及各种场景等，并将动画和实际背景以及演员的表演天衣无缝地合在一起，在电影制作技术上大放异彩，拍制出一个个激动人心的巨片。
5．其他应用
CAD技术除了在上述领域中的应用外，在轻工、纺织、家电、服装、制鞋、医疗和医药乃至体育方面都会用到CAD技术
CAD标准化体系进一步完善；系统智能化成为又一个技术热点；集成化成为CAD技术发展的一大趋势；科学计算可视化、虚拟设计、虚拟制造技术是20世纪90年代CAD技术发展的新趋向。
经过了一阶段计算机图形学的学习，对于图形学中基本图形的生成算法有了一定的了解。深度研究图形学，需要高深的数学知识，且每一个细化的方向需要的知识也不一样。图形学是计算机科学与技术学科的活跃前沿学科，被广泛的应用到生物学、物理学、化学、天文学、地球物理学、材料科学等领域。我深深感到这门学科涉及的领域之广是惊人的，可以说博大精深。

❼ 评价原理与方法

（一）主要影响因子

由于地下水系统是一个开放系统，所以其脆弱性与其埋藏条件、补给源等有着密切的关系，包括包气带岩性、地形地貌、含水层水文地质条件等，还与人类活动也有一定的关系（图4-6）。因此，地下水脆弱性评价需要考虑的因素较复杂，应结合具体问题遴选主要影响因子。

地下水脆弱性评价因子，包括两部分：一是固有脆弱性评价因子；二是特殊脆弱性评价因子。固有脆弱性评价因子主要有土壤性质、包气带特征、含水层特征、补给量、地形、含水层的下伏地层以及与地表水或海水的水力联系状况。在地下水特殊脆弱性评价时，除考虑了以上因子外，还需要考虑与人类活动有关的影响因子和影响污染物发生降解的地质条件和污染物特性。

1）土壤（soil media）是地球最表层风化地带，它对地下水的补给有很重要的影响作用。一般情况下，土壤的颗粒愈小，地下水入渗补给量愈小，入渗水流所携带进入地下水中的污染物愈少。另一方面，土壤中含有大量的微生物，是污染物进行物理-化学分解的重要条件。

图4-6 地下水脆弱性评价有关因子

2）包气带（vadose zone）位于土壤层之下、地下水位以上非饱水区，通常将土壤层纳入其中。包气带的厚度决定污染物下移进入地下水含水层的所需时间。包气带厚度愈大，地下水脆弱性愈弱，地下水愈不容易遭污染。包气带的岩性以及其渗透性，也是重要影响因素。粘土地层组成的包气带，有利于地下水免遭受污染。

3）净补给（net recharge）是指来自研究区含水层以外的水分对地下水净补给量，它增加储存资源（水量）。这部分水量在补给地下水的同时，还携带一定数量的污染物进入含水层中。补给量愈大，进入含水层中的污染物几率或数量愈大，地下水脆弱性愈强，愈容易遭污染。

4）含水层特征（aquifer media）是指含水层岩性、厚度、有效孔隙度、水力传导系数和储存能力等，这些因素都影响污染物在含水层中迁移、聚集和稀释状况。

5）地形（topography）主要是指陆地表面的坡度和植被覆盖率。陆地表面的坡度控制污染物随着雨水产汇流而迁移状况。当地形坡度较缓，降雨就不容易形成径流，污染物进入地下水中潜在性较大；反之，地形坡度较大，则降雨易形成快速径流，不利于污染物进入地下水中。植被覆盖率通过延缓降雨地面产流的时间，增大入渗速率而影响污染物进入地下水中情势。

6）含水层导水系数是决定污染物在含水层的传播速度，传导系数愈大，污染物传播速度愈快，地下水的脆弱性愈强。

（二）评价方法

地下水脆弱性评价方法很多，一般包括4个步骤：①建立评价指标体系；②确定指标体系中各因子的权重；③应用数学方法计算；④评价分级与编绘地下水脆弱性分布图。

地下水脆弱性评价方法的选取，应根据研究区的自然地理状况、相关数据情况及研究目的来确定。比较常用的评价方法，有：过程数学模拟法、统计方法、模糊数学法和叠置指数法（表4-13）。

表4-13 地下水脆弱性评价方法对比

注：引自姜桂华，2002。

1.过程数学模拟法

过程数学模拟法是在水流和污染质运移模型基础上，建立一个脆弱性评价数学表达式，然后将各评价因子量化处理之后应用该式进行求解，由此可得出一个有关地下水脆弱性的综合指数。

该方法最大的优点是它可以描述影响地下水脆弱性的物理、化学和生物等过程，但只有在充分认识污染质在地下水环境中迁移过程，并有足够的水文地质资料和长序列污染质迁移监测数据，才能取得比较好的结果。尽管描述污染质运移的二维、三维等模拟模型很多，但在区域地下水脆弱性评价中，多数采用包气带的一维过程模型。例如 Britt等（1996）从包气带的衰减能力、污染质的对流-弥散以及污染质代谢物的毒理性等角度，应用衰减因素指数模型、污染质渗漏潜势指数评价模型和分级指数模型开展了相关研究。这3种方法，需要输入的数据较少，便于广泛应用；缺陷是不能模拟污染质迁移、转化详细过程。

2.统计方法

统计方法是通过对已有的地下水污染监测数据进行数理统计分析，确定地下水脆弱性评价的主要因子，然后采用分析方程进行计算，再根据计算结果进行脆弱性分析（Mi⁃chael，1999）。Tesoruero等（1997）和Sophocleous等（1998）分别采用逻辑回归分析和线性回归分析方法，评价了

污染地下水和海水入侵地下水的脆弱性，取得较好评价结果。

应用统计方法进行地下水脆弱性评价，需要有足够的相关监测资料。在地下水脆弱性评价中，这种方法不如叠置指数法和过程数学模拟法应用广泛（姜桂华，2002）。

3.模糊数学法

模糊数学法是在确定评价因子、各因子的分级标准和因子赋权的基础上，采用单因子模糊评判和模糊综合评判进行地下水脆弱性评价的。这种方法在我国地下水脆弱性评价中应用较多（陈守煜，2002；周金龙，2004）。

4.叠置指数法

叠置指数法是通过选取评价参数的分指数进行叠加，然后形成一个反映地下水脆弱程度的综合指数，再根据综合指数进行评价。该方法又分为“水文地质背景参数法”和“参数系统法”。前者是通过条件类似地区的已知脆弱性标准，进行比较分析来确定研究区地下水脆弱性。这种方法需要建立多组地下水脆弱性评价的标准模式，且多为定性或半定量性评价，一般适用于地质、水文地质条件比较复杂的大区域。后者是将选择的评价参数，构建成为参数系统，每个参数都有一定的取值范围，这个范围又分为几个区间，每一个区间给出相应的评分值或脆弱度（即参数等级评分标准），然后将各参数的实际资料与该标准进行比较评分，进而获得评分值或脆弱度。该方法又分为“矩阵系统法”、标定系统法和计点系统法。

叠置指数法所需数据比较容易获得，算法简单，易于掌握，是国外最常用的一种方法（孙才志，2000）。它的缺陷是评价指标分级和评分没有统一的标准，具有很大的主观性。

（三）评价因子权重确定

确定各影响因子对目标影响的权重，是地下水脆弱性评价的基础工作，对评价结果具有显着的影响。确定权重方法主要有主观赋权法和客观赋权法两类。主观赋权法是指由专家根据经验主观判断确定评价因子权重，评价结果具有一定的主观性，这类方法有层次分析法、最小平方法、专家调查法、环比评分法和TACTIC法。客观赋权法是指根据原始数据之间关系来确定评价因子的权重，它具有较强的数学理论依据，这类方法有主成分分析法、熵值法、神经网络法和灰色关联度法等。目前比较普遍的做法是通过多种方法确定权重，然后相互验证确定权重的合理性。

1.层次分析法

层次分析法（AHP）是一种定量与定性相结合的多目标决策分析方法，它是将决策者的经验判断给予量化，在目标结构复杂且缺乏必要数据情况下更为实用。该方法是在建立有序递阶的指标系统基础上，通过指标之间两两比较对系统中各因子给予优劣评判，进而确定各因子权重系数。具体步骤：①建立层次结构，构造判断矩阵，明确上一层次因子与其所属层次因子之间的权重关系；②所有因子权值层次排序及求解权向量；③检验和修正各判断矩阵的一致性。

与其他方法相比，AHP方法的最大优点是通过一致性检验保持逻辑上的一致性，当出现3个以上的指标相互比较时，不会出现内部相互矛盾、不协调一致问题。

2.BP神经网络法

人工神经网络法（ANN）是指在计算机上采用一定算法模拟人脑智能的技术，它是由大量具有非线性响应运算功能的神经元构成，形成一种并行分布式的信息处理系统，各神经元之间权值可以不断调整，使系统具有自学习能力（尚丽，2002）。

BP（Back Progagation）网络算法又称为反向传输算法，是一种多层学习算法。BP网络算法模型为：

设n维m个学习样本X=（x₁₁，x₁₂，…，x_mn），已知与其对应的教师d=（d₁，d₂，…，d_m），同时存在一个连接权W=（w₁，w₂，…，w_n），通过输入样本、连接权和作用函数，产生一个输出项Y=（y₁，y₂，…，y_m），于是有

区域地下水功能可持续性评价理论与方法研究

f（x）=1/（1+e^x） （4-64）

式中：net_ji为节点i在学习第j个样本时的输出项；Y_j为第j个样本的输出项；m为学习样本；n为样本节点；f（x）为输出作用函数。

每个输入样本，网络输出（y_m）与期望输出（d_m）之间误差为

E=E_j=（d_m-y_m） （4-65）

则，总误差为

权重修正为

W_（j，i）=W_{（j，i-1）}+ΔW_{（j，i-1）}（4-67）

ΔW_{（j，i-1）}=ηy_j（d_j-y_j）（4-68）

当E小于某一数值时，权重修正的网络学习结束。

假设有m个n维变量，则求取权重的计算模型为

区域地下水功能可持续性评价理论与方法研究

权向量为

区域地下水功能可持续性评价理论与方法研究

该模型为数据输入层、中间隐含层（权重层）和输出层3层。在输入向量、权向量和作用函数后，会产生m个1维输出向量：

d^T（m）=（d₁，d₂，…，d_m）

同时，根据实际资料，得到m个1维实际结果向量：

Y^T（m）=（y₁，y₂，…，y_m）

于是，有

W（m+1）=W（m）+ΔW（m）

ΔW（m）=η［d_m-f（y_m）］f（y_m）sgn［dm-f（y_m）］

已知样本变量X（n）和实际结果向量Y（m），则可以求得连接权W（n）。

3.灰色关联度法

灰色关联度法是一种比较常用的方法，具体算法如下。

设有m个子因素（X₁，X₂，…，X_m），它们都与母因素（X₀）有一定关联。每个评价指标都有N个统计值，构成母序列和子序列：

母序列｛X₀（i）｝，i=1，2，…，N

子序列｛X_k（i）｝，i=1，2，…，M

为了进行比较，将母序列和子序列进行标准化处理，使所有的值在0～1之间。

区域地下水功能可持续性评价理论与方法研究

式中：

为标准化后的值；max（X_k）为第k条子序列中的最大值；min（X_k）为第k条子序列中的最小值。

经标准化后的数列，无量纲，则第k条子线在某一点t与母线在该点的距离：

Δ_0k（t）=｜X₀（t）-X_k（t）｜ （4-70）

可用Δ_0K（t）值衡量它们在t处的关联性。Δ_0k（t）愈小，子线与母线在t处的关联性愈好。母、子序列在t=1到t=N的关联性，用关联系数表示，有

区域地下水功能可持续性评价理论与方法研究

式中：ξ_0k（i）为第k条子线与母线X₀在i点关联系数，其值满足0≤ξ_0k≤1，ξ_0k愈接近1，它们的关联性越好；Δ_min，Δ_max为m条子线在区间［1，N］母线的距离Δ_0k（i）的最大值与最小值；ζ为分辨系数，一般取0.5。

于是，有第k条子线与母线在［1，N］间的关联度为

区域地下水功能可持续性评价理论与方法研究

采用下式使关联度之和为“1”，对关联度进行标准化。标准化后的关联度，可作为每个评价指标的权重。

区域地下水功能可持续性评价理论与方法研究

（四）脆弱性评价方法

1.DRASTIC模型

DRASTIC法是一种评价地下水污染潜势的分级标准化系统方法，也是地下水脆弱性评价中参数系统法的一个经典方法，被较广泛应用。该方法由美国水井协会（NWWA）和美国环境保护局（USPEA）于1987年合作研发，它综合了40多位水文地质学专家的经验，适用于大尺度区域性地下水脆弱性评价。DRASTIC模型取7个参数的开头字母组成DRASTIC模型名称，D为地下水位埋深（Depth to Water）、R为净补给（Net Recharge）、A为含水层介质（Aquifer Media）、T为地形（Topography）、S为土壤介质（Soil Media）、I为非饱和带影响（Impact of Vadose Unsaturated Zone）和C为含水层水力传导（Hydraulic Conctivity of the Aquifer）。DRASTIC法已被美国40个县和许多国家采用，包括不同水文地质条件地区，例如喀斯特地区多含水层系统。

DRASTIC方法有4个主要假定：①污染物存在于地表；②污染物通过降雨渗入地下；③污染物随水迁移；④研究区面积不小于100英亩（约0.4km²）。

DRASTIC评价模型为

D_rD_w+R_rR_w+A_rA_w+S_rS_w+T_rT_w+I_rI_w+C_rC_w=DRASTIC（4-74）

式中：D，R，A，S，T，I和C分别为地下水位埋深、净补给、含水层介质、土壤介质、地形、非饱和带影响和含水层水力传导系数；r和w分别为评价指标等级和权重；DRAS⁃TIC为综合指数，该值代表地下水脆弱性的不同程度。DRASTIC值愈小，地下水脆弱性愈低；DRASTIC值愈大，地下水脆弱性愈高。

2.评价指标及特征值

DRASTIC模型的各评价因子含义及其对地下水脆弱性影响情况如下。

1）地下水位埋深（Depth to Water）：地下水位埋深是指从地面至地下水位的距离。地下水位埋深愈浅，地下水愈容易遭污染，地下水脆弱性愈高；反之，地下水愈不容易遭污染，地下水脆弱性愈低。地下水位埋深分级及特征值，如式4-75所示

区域地下水功能可持续性评价理论与方法研究

式中：f（h）为地下水位埋深评分；h为地下水位埋深（m）。

2）净补给（Net Recharge）：是指每年在单位面积到达地下水位的总补给水量。地下水入渗补给量愈小，随之进入地下水中污染物愈少，则地下水脆弱性愈低；反之，地下水入渗补给量愈大，随之进入地下水中污染物愈多，则地下水脆弱性愈高。

降雨入渗影响评分表达式，如下式4-76（Jeffrey D.，2001）：

R_N=（Recharge×0.265722）^1/2+1 （4-76）

式中：R_N为降雨入渗影响评分；Recharge为单位面积的地下水净补给量（m³/km²·a）。

3）地形（Topography）：是指地表面的倾斜度。地形坡度愈小，愈不利于降雨在地面形成径流，而污染物愈容易通过入渗进入地下水中，脆弱性愈高；反之，地形坡度愈大，愈利于降雨在地面形成径流，而污染物愈不容易通过入渗进入地下水中，脆弱性愈低。

地形坡度影响评分表达式，如式4-77：

区域地下水功能可持续性评价理论与方法研究

式中：R_T为地形坡度影响评分；a为地形坡度。

4）包气带影响（Impact of the Vadose Zone）：包气带评分值与含水层岩性评分相似。当含水层上覆为渗透性较弱的粘土时，则评分较低；当含水层上覆为渗透性较弱的砂性土时，则评分较高。

5）含水层岩性（Aquifer Media）：岩土颗粒愈大，或裂隙较多，则脆弱性评分愈高。

6）含水层水力传导系数：它影响污染物在含水层的迁移速度。传导系数愈大，污染物迁移速度愈大，则脆弱性评分愈高。

7）土壤类型（Soil Media）：土壤颗粒愈小，或含有大量微生物，则脆弱性评分愈低。

3.权重体系

在建立DRASTIC评价模型时，根据评价不同目的，赋予每个评价因子一个分级特征值（1～10之间），并建立两套相关的权值系列（1～5），其中显着性最高的权值为5，最低为1。

❽ 网吧的身份证系统是怎么样的呢 哪位大哥解释下，越清楚越好

智能的身份常例验证 18位身份证号码： （1）1~6位为地区代码，其中1、2位数为各省级政府的代码（广西为45），3、4位数为地、市级政府的代码（南宁市为01），5、6位数为县、区级政府代码（西乡塘区为04）。 （2）7~10位为出生年份(4位)，如1977 （3）11~12位为出生月份，如10 （4）13~14位为出生日期，如10 （5）第15~17位为顺序号，为县、区级政府所辖派出所的分配码，每个派出所分配码位10个连续号码，例如“150—159”，其中单数为男性分配码，双数为女性分配码，如遇同年同月同日有两人以上时顺延第二、第三、第四、第五个分配码。 （4）18位为效验位（识别码），通过复杂公式算出，普遍采用计算机自动生成。 其校验的计算方式： 1. 对前17位数字本体码加权求和（该公式网络上一般都很难找到） 公式为：S = Sum(Ai * Wi), i = 0, ... , 16 其中Ai表示第i位置上的身份证号码数字值，Wi表示第i位置上的加权因子，其各位对应的值依次为： 7 9 10 5 8 4 2 1 6 3 7 9 10 5 8 4 2 2. 以11对计算结果取模 Y = mod(S, 11) 3. 根据模的值得到对应的校验码 对应关系为： Y值： 0 1 2 3 4 5 6 7 8 9 10 校验码： 1 0 X 9 8 7 6 5 4 3 2 15位的身份证号码： （1）1~6位为地区代码 （2）7~8位为出生年份(2位)，9~10位为出生月份，11~12位为出生日期 （3）第13~15位为顺序号，并能够判断性别，奇数为男，偶数为女。 身份证号以X结尾 无任何含义 因此可以根据身份证号直接确定该身份证是否有效

❾ C语言非数值算法

#include<stdio.h>
void
put(char,int,int);
void
main()
{
int
i,j,k,n;
printf
("Input
a
number:
");
/*输入要求输出的行数
*/
scanf
("%d",&n);
for(i=0;i<n;i++)
{/*循环输出N行
*/
if(i>(n-1)/2)
k=n-i-1;
else
k=i;
put('*',(5-2*k-1)/2,k+2);
printf("\n");
}
}
void
put(char
ch,int
sta,int
end)
{
int
i
,j;
for(i=1;i<=sta;++i)
putchar('
');
for(j=sta;j<=end;++j)
putchar(ch);
}
借tg_scorpio
-
魔法师
四级
的代码用一下。