Gilbert无线网络模型

‘壹’ 为什么paul gilbert的现场总是戴着一个耳机

耳机是连接到乐器，经过处理器过滤掉杂音，主要是帮助乐器手判断自己的旋律是否正确。歌手佩戴的耳机有两个功能，一个就是帮助歌手跟进节奏和提醒歌词，一个就是控台导演可以通过无线临场指挥歌手台位，互动，时间的把控及突发指令等。

‘贰’ 谁能详细介绍下无线视频传输技术，越详细越好

随着移动通信业务的增加，无线通信已获得非常广泛的应用。无线网络除了提供语音服务之外，还提供多媒体、高速数据和视频图像业务。无线通信环境（无线信道、移动终端等）以及移动多媒体应用业务的特点对视频图像的视频图像编码与传输技术已成为当今信息科学与技术的前沿课题。

1 无线视频传输技术面临的挑战

数字视频信号具有如下特点：

·数据量大

例如，移动可视电话一般采用QCIF分辨率的图像，它有176X144=25344像开绿灯。如果每个像素由24位来表示，一帧图像的数据量依达594kbit。考虑到实时视频图像传输要求的帧频（电视信号每秒25帧），数据传输速率将达到14.5Mbps！

·实时性要求高

人眼对视频信号的基本要求是，延迟小，实时性好。而普通的数据通信对实时性的要求依比较低，因此相对普通数据通信而言，视频通信要求更好的实时性。

无线环境则具有如下特点：

·无线信道资源有限

由于无线信道环境恶劣，有效的带宽资源十分有限。实现大数据量的视频信号的传输，尤其在面向大众的无线可视应用中，无线信道的资源尤其紧张。

·无线网络是一个时变的网络

无线信道的物理特点决定了无线网络是一个时变的网络。

·无线视频的Qos保障

在移动通信中，用户的移动造成无线视频的Qos保障十分复杂。

由此可以看出，视频信号对传输的需要和无线环境的特点存在尖锐的矛盾，因此无线视频传输面临着巨大的挑战。一般来说，无线视频传输系统的研究设计目标如表1所示。

表1 无线视频传输系统的主要性能指标和设计目标

性能指标 设计目标
视频压缩比
视频传输实时性
视频恢复质量
视频传输鲁棒性
支持Qos的视频业务 用尽量少的比特描述视频图像
更短的传输时延，更快的编码速度
获得用户更满意的视频恢复质量
更好适应传输信道的误比特干扰
提供和用户支持费用相当的服务

事实上，表1中许多性能指标是相互制约的。例如，视频图像压缩比的提高会增加编码算法的复杂度，因此会影响算法的实时实现，并且可能降低视频的恢复质量。

2 视频压缩编码技术

视频信息的数据量十分惊人，要在带宽有限的无线网络上传送，必须经过压缩编码。目前国际上存在两大标准化组织——ITU-T和MPEG——专门研究视频编码方法，负责制公平统一的标准，方便各种视频产品间的互通性。这些协议集中了学术界最优秀的成果。

除各种基于国际标准的编码技术外，还有许多新技术的发展十分引人注目。

2.1 基于协议的视频压缩编码技术

国际电信联盟（ITU-T）已经制定的视频编码标准包括H.261（1990年）、H.263（1995年）、H.263+（1998年），2000年11月份将通过H.263++的最终文本。H.26X系列标准是专门用于低比特率视频通信的视频编码标准，具有较高的压缩比，因此特别适合于无线视频传输的需要。它们采用的基本技术包括：DCT变换、运动补偿、量化、熵编码等。H.263+和H.263++中更增加考虑了较为恶劣的无线环境，设计了多种增强码流鲁棒性的方法，定义了分线编码的语法规则。

MPEG制定的视频编码标准有MPEG-1（1990年）、MPEG-2（1994年）、MPEG-4（完善中）。其中MPEG-1、MPEG-2基本已经定稿，使用的基本技术和H.26X相同。MPEG-1、MPEG-2的特点在于针对的应用主要是数字存储媒体，码率高，它们并不适于无线视频传输。人们熟知的VCD、DVD是MPEG-1、MPEG-2的典型应用。随后，MPEG组织注意到了低比特率应用潜在的巨大市场，开始和ITU-T进行竞争。在MPEG-4的制定中，不仅考虑了高比特率应用，还特别包含了适于无线传输的低比特率应用。MPEG-4标准的最大特点是基于视频对象的编码方法。

无线通信终端是多种多样的，其所处的网络结构、规模也是互异的。视频码流的精细可分级性（Fine Granularity Scalability）适应了传输环境的多样性。

编码协议并不提供完全齐备的解决方案。一般来说，协议内容主要包括码流的语法结构、技术路线、解码方法等，而并未严格规定其中一些关键算法，如运动估计算法、码率控制算法等。运动估计算法在第3部分有较为详细的介绍。码率控制方案在第4部分有较为详细的介绍。

2.2 其他视频压缩编码技术

除上述基于协议的视频标准之外，还有一些优秀的算法由于商业的原因，暂时没有被国际标准完全接纳。典型的例子是DCT变换和小波变换之争。虽然利用小波变换可以取得更好的图像恢复质量，但是因为DCT变换使用较早，有很多商业产品的支持，因此小波变换很难在一夜之间取代DCT变换现有的地位。其他编码方法如，分形编码、基于模型的编码方法、感兴趣区优先编码方法等也都取得了一定的成果，具有更强的压缩能力。但是算法实现过于复杂，达到完全实用尚有一段距离。

在基于小波的低比特率图像压缩算法的研究中，根据小波图像系数的空间分布特性，以及小波多分辨率的视频特点，人们引入矢量量化以充分利用小波图像系数的相关性。根据传统的运动补偿难以与小波变换相结合这一情况，人们还提出了将空间二维帧内小波变换与时间轴一维小波变换相结合的三维小波变换方法。

人类的视觉是一种积极的感受行为，不仅与生理因素有关，还取决于心理因素。人们观察与理解图像时常常会不自觉地对某引起区域产生兴趣。整幅图像的视觉质量往往取决于感兴趣区（ROI：Region of Interest）的图像质量。在保障ROI区部分图像质量的前提下，其他部分可以进行更高的压缩。这样在大大压缩数据量的同时，仍有满意的图像恢复质量。这就是感兴趣区优先编码策略。

3 视频编码实时性研究

由于视频数据的特殊性，视频传输系统对实时性要求很高。这里重点介绍基于视频编码协议算法的实时性问题。小波编码等算法虽然有许多优点，但是算法复杂度太高，目前难于达到实时性要求。下面介绍基于协议编码算法中的几个重要环节，它们对提高视频编码系统实时性有重要作用。

3.1 运动估计

预测编码可以有效去除时间域上的冗余信息，运动估计则是预测编码的重要环节。运动估计是要在参考帧中找到一个和当前帧图像块最相似的图像块，即最佳匹配块。估计结果用运动向量来表示。研究运动估计算法就是要研究匹配块搜索算法。

研究分析表示，原始运动估计算法在编码器运行中消耗了编码器70%左右的执行时间。因此，为了提高编码器执行速度必须首先提高运动估计算法的效率。

穷尽搜索法是最原始的运动估计算法，它能得到全局最优结果，但是由于运算量大，不宜在实现应用中使用。快速运动估计算法通过减小搜索空间，加快了搜索过程。虽然快速运动估计算法得到的运动向量没有穷尽搜索法的结果那样精确，但是由于它可以显着减少运算时间，精度也能满足很多应用的需要，因而它们的应用十分广泛。典型的快速搜索算法有：共轭方向搜索法（CDS）、二维对数法（TDL）、三步搜索法（TSS）、交叉搜索法（CSA）等。

3.2 算法结构的并行化

并行化处理的体系结构十分有利于提高系统处理能力，加之视频编码算法有很强的并行处理潜力，因此，人们研究了编码算法的并行运算能力，进一步保障了编码算法的实时实现。

例如，如果有两个并行处理器，依可以同时进行两个图像块的运行估计或者DCT变换，这样依把运动估计和DCT变换环节的运算时间缩短了一倍。

3.3 高速DSP芯片和专用DSP设计

微电子技术的发展，也使近年来DSP芯片有了很大的进步。每秒几十或上百BOPS次的运算速度（1个BOPS为每秒10亿次）DSP芯片已经出现，这为系统实时处理提高了硬件保证。

通用高速DSP芯片在视频编码算法的研究开发中扮演了重要角色。许多DSP生产厂商甚至提供实现某种编码协议的专用芯片。

4 码率控制研究

编码策略是编码器中重要环节。码率控制技术是视频通信应用中的关键技术之一，它负责编码器各个环节与传输信道和解码器之间的协调，在编码器中具有重要地位。因为码率控制策略需要由具体应用场合决定，所以象H.263+、MPEG-4等视频编码协议，都没有规定具体码率控制方法。

由于视频码流结构具有分层的特点，因而码率控制方案的研究一般分成了两个层交人，图像层码率控制、宏块层码率控制。图像层码率控制的主要任务是，根据系统对编码器输出码率的期望、系统传输延迟的限制、传送缓冲区的满溢程度等同，在一帧图像编码前，确定该帧图像的输出期望比特数。宏块层码率控制的主要任务是，根据图像层码率控制确定的该帧图像的输出期望比特数，给图像各部分选择合适的量化步长。宏块层码率控制的主要依据是率失真（Rate-Distortion）模型。

TMN8码率控制方案，是迄今为止一套优秀的码率控制方案。它被H.263+的TMN8模型的MPEG-4（Version 1）的VM8模型所采纳。该方案的精化部分在于宏块层码率控制部分，它采用了一种十分有效的率失真模型，是宏块层码率控制的误差很小；在图像层码率控制方面，该方案的前提较为简单，主要考虑了编码时延、缓冲区满溢程度等因素，并且要求编码器的工作帧频恒定。

在很多情况下，视频编码的帧频不可能保持恒定，或者不“应该”恒定。考虑到视频编码器工作点的变化，以及现有率失真模型可能存在的误差，人们将现代控制理论引入到图码率控制中，设计了更稳定的码率控制方案。

由于宏块层码率控制环节直接决定图像各宏块使用的量化步长，因此利用宏块层友率控制方法，可以轻易实现图像感兴趣区优先编码策略。使用感兴趣区优先编码策略时，虽然对整幅图像而言仍属低码率编码范畴，但对于感兴趣区域而言却存在局部高码率编码。现有低码率控制算法，包括TMN8方案，都没有考虑到这一现象。它们将整幅图像所有部分都作为低码率编码对象，并以此建立码率控制模型。因此这些码率控制方案直接与感兴趣区优先编码策略相结合时，会导致不应有的码率控制误差。为此，人们又提出了一套用不动声色低码率应用的码率控制框架，它适应了感兴趣区优先编码策略的需要。

5 鲁棒性研究

无线信道干扰因素多，误码率高，因此无线视频的鲁棒传输研究对于无线视频传输的实用化十分重要。

5.1 鲁棒的压缩编码

视频压缩编码的最后一个环节是熵编码。熵编码的特点决定了视频码流对误比特高度敏感。于是，人们设计了多种技术用于在视频编码环节进行差错复原，提高码流鲁棒性。MPEG-4中定义的主要差错控制技术有：重同步（Resynchronization）、数据分割（Data Partition）、可逆变长编码（RVLC）。H.263+中用于差错复原的技术主要包括前向纠错编码（FEC）、条带模式（Slice Mode）、独立分段解码（Independent Segment Decoding）和参考图像选择（Reference Picture Selection）等。H.263++则又增加了数据分割的条带模式，并对参考图像选择模式进行了修改。

此外，在信源解码端，人们又设计了数据恢复（Data Recovery）和差错掩盖（Error Concealment）等技术，以便尽量减少码流中错误比特的负面影响。

5.2 鲁棒的复用环节

多媒体通信中，复用是紧随编码环节的一个环节。以ITU定义的H.324标准为例，该标准由若干协议组成，包括音频编码协议G.723、视频编码协议H.26X、控制协议H.245和复用协议H.223。H.223是一个面向连接的复用器，负责把多媒体终端的多个数据源（音频、视频、数据等）复合为一个码流。Villasenor等已经注意到复用器出现的差错对视频可能产生的影响，但没有特点深入的研究成果。

5.3 鲁棒的信道编码环节

信道编码也称差错控制编码。与信源编码的目的不同，信源编码是尽量压缩数据，用尽量少的比特描述原始视频图像；信道编码是利用附加比特来保障原始比特能正确无误地到达目的地。信道传输中的纠错方法包括：前向误码纠错（FEC）、自动重发（ARQ）和混合纠错（HEC）。

Shannon从理论上给出了信道传输能力的上限。信道编码方法的研究设计目标有二，一是尽量利用信道容量，二是抗干扰性能更强。

Turbo码是近年来纪错编码领域的活跃分支，由法国学者C.Berrou等人在1993年看出的，其模拟性能纪错能力。但是Turbo码的译码算法十分复杂，关于Turbo码译码的实时实现是当前研究热点之一。

5.4 信源信道组合编码

不同的信道编码策略对信元的保护能力也不同。根据信元的重要程度，合理地予以差错控制编码，将有效地提高传输系统的效率。这是不平等的保护策略（Unequal Error Protection）。信元的重要程度，可以有多种划分方法，如按照信元对解码所起作用，或者按照信元对人眼感知所起作用，等等。

还有许多学者研究了信道模型在信源信道组合编码中的应用。三种典型无线信道模型是二进制对称噪声通道（Binary Symmetric Channels）、加性白高斯噪声通道（Additie White Gaussian Channels）、G-E突发噪声通道（Gilbert-Elliott Bursty Channels）。Chang Wen Chen等在研究这些信道模型的基础上，研究了新的率失真模型，该模型不仅描述了量化引入的误差，而且将信道噪声考虑在内。在一定的信道传输速率要求下，利用这样的率失真模型，不仅可以在子信源之间合理分配比特，而且可以更好地平衡信源编码精度与信道编码保护两者对码率的需要。

6 无线视频传输系统的优化与管理

在前面几部分的研究中，主要目标是解决无线视频传输的基础问题：视频数据的压缩问题、编码的实时实现、视频码流的鲁棒传输。事实上，除了上述问题，还有许多与无线视频传输密切相关的领域，它们对无线视频传输的实现、推广有着举足轻重的影响。

6.1 通信协议的研究

中国公众多媒体通信网是一个基于IP协议的通信网，它的通信协议是基于TCP/IP的。当然，IP协议和TCP协议仅是核心协议。为保证实时视频通信业务能很好地运行，需要使用实时传送协议（RTP）和实时传送控制协议（RTCP）。为了给实时业务或其它特定业务的传送留有足够宽的通道，还必须使用资源预留协议（RSVP）。上述五个通信协议是IP网的主要通信协议。

Ipv6作Internet Protocol的新版本，将继承和取代传统IP（Ipv4）。从Ipv4到Ipv6的改变将为下一代因特网奠定更坚实的基础，如,Ipv6力求使网络管理变得更加简单，考虑到不同用户对服务质量的不同需要，其中若干技术十分有利于实时多媒体业务的实理。

6.2 接入控制（Admissior Control）

类似有线网络，无线网络要决定是否允许新连接接入；此外无线网络还要决定是否允许切换连接，并要在二者之间谋求最优解决方案。

Naghshineh在1996年提出虚拟连接树的新概念，设计了基于虚拟连接树的高速移动ATM网络体系，并研究了在该体系结构下的接入控制方案。简单说，作者用一个虚拟树来描述位于一定距离内小区的移动用户。一旦移动用户的呼叫被允许，他依可以在虚拟树内的所有小区间自由切换，而无须重新请求。

在高速无线多媒体网络中，Oliveira等则提出了基于带宽预留的接入控制方案，即在建立呼叫小区附近入的小区中，进行带宽预留，以保障服务质量。当用户进入一个新的小区，被预留的带宽将被利用。

6.3 资源预留（Resource Reservation）

对于视频、话音等实时业务，为保证可接受的服务质量，应该保留一定的连接带宽。此外，与新呼叫相比，切换呼叫应有更高的优先权。

6.4 Qos业务模型（Qos Service Model）

无线多媒体Qos支持的基本目标是，在带宽有限情况下，提供和用户支付费用相当的服务质量。建立合适的业务模型是首先要解决的问题。所谓业务模型，就是要根据各种具体应用的特点，将其划分成不同类型。例如，在支持Qos和ATM中定义了几种业务模型：恒定比特率（CBR）业务、实时可变比特率（rt-VBR）业务、非实时可变比特率（nrt-VBR）业务、可用比特率（ABR）业务和不定比特率（UBR）业务。恒定比特率业务对带宽的要求最为严格，其他类型对带宽的要求依次放松。

现有的大理多媒体业务是在基于IP的网络上开展的，而rc设计IP协议的初衷是传输数据的，是一种“尽力而为”的网络，并不支持Qos。为此，其上的实时业务模型被分为两类：有保障业务（Guaranteed Service）和无保障业务（Predictive Service）。

总之，在无线多媒体环境下，建立起合理的业务模型对保障Qos至关重要。在这一领域，人们始终在做出努力。如，较早时候，Oliverira等只用实时业务与非实时业务加以区分；1999年，Talukder等提出三类业务模型；2000年，Lei Huang等不仅考虑带宽和延迟需要，还考虑了移动用户的运动特性，提出多达七类业务模型。

6.5 图像质量评价准则

恰当的图像质量评价方法是无线多媒体通信的基本需要。由于无线环境带宽有限，不可能为所有用户都提供相同质量的服务，所以只能提供和用户支付费用相当的服务质量。因此必须有一套能准确反映用户接受服务的客观质量标准。

除了些特殊场合，纯粹额观评价（如基于均方误差的评价方法）已经被普遍认为不是真正“客观”的图像质量评价，越来越多的人认为，人眼视觉系统（HVS）的特性应该考虑在内。

Westen等人在1995年提出了基于多通道的HVS模型，用来评价图像的感受质量。宋坚信等人最近又提出一种压缩视频感觉质量的计算方法，其核心思想是，利用视觉掩蔽特性， 分析与压缩视频质量有关的视觉特性及视频图像内容特性，提出视觉掩蔽计算结构及用模糊学方法进行视觉阈值提升的计算方法。

总之，面向恶劣无线环境的数字视频传输技术尚未成熟；面向大众应用的无线视频传输技术元未成熟。因此，现在加强在该领域的研究力度，是增强我国科技实力的一次机遇，对于我国在未来通信领域占据一席之地将起重要作用。

‘叁’ 世界着名的物理学家有哪些

1、牛顿

艾萨克·牛顿是英格兰物理学家、数学家、天文学家、自然哲学家。主要贡献是他在1687年发表的论文《自然哲学的数学原理》里的万有引力和三大运动定律。

拓展资料（物理学研究领域）：

1、凝聚态物理：

研究物质宏观性质，这些物相内包含极大数目的组元，且组员间相互作用极强。最熟悉的凝聚态相是固体和液体，它们由原子间的键和电磁力所形成。更多的凝聚态相包括超流和波色-爱因斯坦凝聚态（在十分低温时，某些原子系统内发现）；某些材料中导电电子呈现的超导相；原子点阵中出现的铁磁和反铁磁相。凝聚态物理一直是最大的的研究领域。历史上，它由固体物理生长出来。1967年由菲立普·安德森最早提出，采用此名。

2、原子、分子和光学物理：

研究原子尺寸或几个原子结构范围内，物质-物质和光-物质的相互作用。这三个领域是密切相关的。因为它们使用类似的方法和有关的能量标度。它们都包括经典和量子的处理方法；从微观的角度处理问题。原子物理处理原子的壳层，集中在原子和离子的量子控制；冷却和诱捕；低温碰撞动力学；准确测量基本常数；电子在结构动力学方面的集体效应。原子物理受核的影晌。但如核分裂，核合成等核内部现象则属高能物理。 分子物理集中在多原子结构以及它们，内外部和物质及光的相互作用，这里的光学物理只研究光的基本特性及光与物质在微观领域的相互作用。

3、高能/粒子物理：

粒子物理研究物质和能量的基本组元及它们间的相互作用；也可称为高能物理。因为许多基本粒子在自然界不存在，只在粒子加速器中与其它粒子高能碰撞下才出现。据基本粒子的相互作用标准模型描述，有12种已知物质的基本粒子模型（夸克和轻粒子）。它们通过强，弱和电磁基本力相互作用。标准模型还预言一种希格斯-波色粒子存在。现正寻找中。

4、天体物理：

天体物理和天文学是物理的理论和方法用到研究星体的结构和演变，太阳系的起源，以及宇宙的相关问题。因为天体物理的范围宽。它用了物理的许多原理。包括力学，电磁学，统计力学，热力学和量子力学。1931年卡尔发现了天体发出的无线电讯号。开始了无线电天文学。天文学的前沿已被空间探索所扩展。地球大气的干扰使观察空间需用红外，超紫外，伽玛射线和x-射线。物理宇宙论研究在宇宙的大范围内宇宙的形成和演变。爱因斯坦的相对论在现代宇宙理论中起了中心的作用。20世纪早期哈勃从图中发现了宇宙在膨胀，促进了宇宙的稳定状态论和大爆炸之间的讨论。1964年宇宙微波背景的发现，证明了大爆炸理论可能是正确的。大爆炸模型建立在二个理论框架上：爱因斯坦的广义相对论和宇宙论原理。宇宙论已建立了ACDM宇宙演变模型；它包括宇宙的膨胀，黑能量和黑物质。 从费米伽玛-射线望运镜的新数据和现有宇宙模型的改进，可期待出现许多可能性和发现。尤其是今后数年内，围绕黑物质方面可能有许多发现。

‘肆’ 吉尔伯特在哪个领域做出了突出贡献

“同性相吸，异性相斥”被人们引申并广为使用，其原型就是吉尔伯特关于磁的研究结论，即“同名极相吸，异名极相斥”。

吉尔伯特是英国物理学家，近代磁学和电学的先驱者。他是第一个用实验方法探索电磁性质，并从理论上加以概括的早期科学家。

吉尔伯特对磁力现象的兴趣源于他渴望理解控制行星运动的力。当时，哥白尼提出不久的太阳系模型还不能解释什么力在太阳和行星之间发挥作用。吉尔伯特认为或许是磁力的作用，为了检验自己的想法，他对电和磁现象进行了彻底的分析。

吉尔伯特是第一个使用“电流”、“电吸引”、“带电体”这类术语的人。他令人信服地证明了带电荷的带电体产生的引力或斥力不同于天然磁石或某些磁性磁石。1600年6月22日他出版了《磁铁》，此书带来的巨大影响为他树立了物理学家的声誉。他描述了对磁体和电吸引现象的研究，在汇集已知的关于电和磁知识的同时，又提出了一些卓越的新理论。他研究了热对于磁性物体的作用，发明了验电器，区分了静电荷与磁，并且第一次解释地球磁性。吉尔伯特的伟大贡献在于他进行了磁铁和指南针实验，提出地球本身就是一大块球形磁铁。

地球具有磁性的思想使吉尔伯特推测，地球的磁性引力使物体保持在地球上。虽然他是错误的，但他的理论为“地心引力”理论开辟了道路。吉尔伯特的地球模型在今天仍是对地球磁性的标准描述，但他借助于磁力解释行星绕太阳运动的尝试是不正确的。后来牛顿的万有引力思想卓有成效地解决了这个问题。

《磁铁》是英国出版的第一部伟大的物理学着作。吉尔伯特从实验和理论相结合上对电磁学的研究，标志着近代电磁学的萌芽。

‘伍’ 吉尔伯特·牛顿·路易斯的简介

美国物理化学家路易斯，1875年10月25日生于马萨诸塞州的一个律师家庭。他智力早慧，13岁入内布拉斯加大学预备学校，毕业后入该大学，两年后又转入哈佛大学。1896年在哈佛得学士学位，1898年得硕士学位，1899年获博士学位。1900年在德国哥丁根大学进修，回国后在哈佛任教。1904-1905年任菲律宾计量局局长。1905年到麻省理工学院任教，1911年升任教授。1912年起担任加利福尼亚大学的化学学院院长兼化学系主任。曾获得戴维奖章，瑞典阿累尼乌斯奖章，美国的吉布斯奖章和里查兹奖章。还是苏联科学院的外藉院士。1946年3月23日逝世。
路易斯具有很强的开辟化学研究新领域的能力，他研究过许多化学基础理论。1901年和1907年，他先后提出“逸度”和“活度”概念；1916年提出共价键的电子理论：1923年又对价键和共用电子对成键理论作了进一步阐述。1921年将离子强度的概念引入热力学，发现了稀溶液中盐的活度系数由离子强度决定的经验定律。1923年与兰德尔合着《化学物质的热力学和自由能》，该书深入探讨了化学平衡，对自由能、活度等概念作出了新的解释。同年，提出新的广义酸碱概念，认为酸是在化学反应中接受电子对的物质，碱是给予电子对的物质。这一理论是化学反应理论的一个重大突破，在有机反应和催化反应中得到了广泛应用 。此外，还研究过重氢及其化合物，荧光、磷光等。主要着作有：《价键及原子和分子的结构》、《科学 的剖析》等。
路易斯喜欢采用非正统的研究方法，他具有很强的分析能力和直觉，能设想出简单而又形象的模型和概念 。有时，他未充分查阅资料文献就开展研究工作，他认为，若彻底掌握了文献资料，就有可能就手前人的许多偏见，从而窒息了自己的独创精神。他培养了许多化学家。他不但是一个科学家，而且是一个学派的卓越导师和领袖。

‘陆’ 信息工程在生物工程中的应用，具体点，300字左右…

生物信息学（Bioinformatics）
是在生命科学的研究中，以计算机为工具对生物信息进行储存、检索和分析的科学。它是当今生命科学和自然科学的重大前沿领域之一，同时也将是21世纪自然科学的核心领域之一。其研究重点主要体现在基因组学(Genomics)和蛋白学(Proteomics)两方面，具体说就是从核酸和蛋白质序列出发，分析序列中表达的结构功能的生物信息。
生物信息学是一门利用计算机技术研究生物系统之规律的学科。
目前的生物信息学基本上只是分子生物学与信息技术（尤其是因特网技术）的结合体。生物信息学的研究材料和结果就是各种各样的生物学数据，其研究工具是计算机，研究方法包括对生物学数据的搜索（收集和筛选）、处理（编辑、整理、管理和显示）及利用（计算、模拟）。
1990年代以来，伴随着各种基因组测序计划的展开和分子结构测定技术的突破和Internet的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。对生物信息学工作者提出了严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？
生物信息学的另一个挑战是从蛋白质的氨基酸序列预测蛋白质结构。这个难题已困扰理论生物学家达半个多世纪，如今找到问题答案要求正变得日益迫切。诺贝尔奖获得者W. Gilbert在1991年曾经指出：“传统生物学解决问题的方式是实验的。现在，基于全部基因都将知晓，并以电子可操作的方式驻留在数据库中，新的生物学研究模式的出发点应是理论的。一个科学家将从理论推测出发，然后再回到实验中去，追踪或验证这些理论假设”。
生物信息学的主要研究方向： 基因组学 - 蛋白质组学 - 系统生物学 - 比较基因组学
姑且不去引用生物信息学冗长的定义，以通俗的语言阐述其核心应用即是：随着包括人类基因组计划在内的生物基因组测序工程的里程碑式的进展，由此产生的包括生物体生老病死的生物数据以前所未有的速度递增，目前已达到每14个月翻一番的速度。同时随着互联网的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。然而这些仅仅是原始生物信息的获取，是生物信息学产业发展的初组阶段，这一阶段的生物信息学企业大都以出售生物数据库为生。以人类基因组测序而闻名的塞莱拉公司即是这一阶段的成功代表。
原始的生物信息资源挖掘出来后，生命科学工作者面临着严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？生物信息学产业的高级阶段体现于此，人类从此进入了以生物信息学为中心的后基因组时代。结合生物信息学的新药创新工程即是这一阶段的典型应用。
[编辑本段]发展简介
生物信息学是建立在分子生物学的基础上的,因此,要了解生物信息学,就必须先对分子生物学的发展有一个简单的了解.研究生物细胞的生物大分子的结构与功能很早就已经开始,1866年孟德尔从实验上提出了假设:基因是以生物成分存在,1871年Miescher从死的白细胞核中分离出脱氧核糖核酸(DNA),在Avery和McCarty于1944年证明了DNA是生命器官的遗传物质以前,人们仍然认为染色体蛋白质携带基因,而DNA是一个次要的角色.1944年Chargaff发现了着名的Chargaff规律,即DNA中鸟嘌呤的量与胞嘧定的量总是相等,腺嘌呤与胸腺嘧啶的量相等.与此同时,Wilkins与Franklin用X射线衍射技术测定了DNA纤维的结构.1953年James Watson 和FrancisCrick在Nature杂志上推测出DNA的三维结构(双螺旋).DNA以磷酸糖链形成发双股螺旋,脱氧核糖上的碱基按Chargaff规律构成双股磷酸糖链之间的碱基对.这个模型表明DNA具有自身互补的结构,根据碱基对原则,DNA中贮存的遗传信息可以精确地进行复制.他们的理论奠定了分子生物学的基础.DNA双螺旋模型已经预示出了DNA复制的规则,Kornberg于1956年从大肠杆菌(E.coli)中分离出DNA聚合酶I(DNA polymerase I),能使4种dNTP连接成DNA.DNA的复制需要一个DNA作为模板.Meselson与Stahl(1958)用实验方法证明了DNA复制是一种半保留复制.Crick于1954年提出了遗传信息传递的规律,DNA是合成RNA的模板,RNA又是合成蛋白质的模板,称之为中心法则(Central dogma),这一中心法则对以后分子生物学和生物信息学的发展都起到了极其重要的指导作用.经过Nirenberg和Matthai(1963)的努力研究,编码20氨基酸的遗传密码得到了破译.限制性内切酶的发现和重组DNA的克隆(clone)奠定了基因工程的技术基础.正是由于分子生物学的研究对生命科学的发展有巨大的推动作用,生物信息学的出现也就成了一种必然.2001年2月,人类基因组工程测序的完成,使生物信息学走向了一个高潮.由于DNA自动测序技术的快速发展,DNA数据库中的核酸序列公共数据量以每天106bp速度增长,生物信息迅速地膨胀成数据的海洋.毫无疑问,我们正从一个积累数据向解释数据的时代转变,数据量的巨大积累往往蕴含着潜在突破性发现的可能,"生物信息学"正是从这一前提产生的交叉学科.粗略地说,该领域的核心内容是研究如何通过对DNA序列的统计计算分析,更加深入地理解DNA序列,结构,演化及其与生物功能之间的关系,其研究课题涉及到分子生物学,分子演化及结构生物学,统计学及计算机科学等许多领域.生物信息学是内涵非常丰富的学科,其核心是基因组信息学,包括基因组信息的获取,处理,存储,分配和解释.基因组信息学的关键是"读懂"基因组的核苷酸顺序,即全部基因在染色体上的确切位置以及各DNA片段的功能;同时在发现了新基因信息之后进行蛋白质空间结构模拟和预测,然后依据特定蛋白质的功能进行药物设计.了解基因表达的调控机理也是生物信息学的重要内容,根据生物分子在基因调控中的作用,描述人类疾病的诊断,治疗内在规律.它的研究目标是揭示"基因组信息结构的复杂性及遗传语言的根本规律",解释生命的遗传语言.生物信息学已成为整个生命科学发展的重要组成部分,成为生命科学研究的前沿.
[编辑本段]主要研究方向
生物信息学在短短十几年间,已经形成了多个研究方向,以下简要介绍一些主要的研究重点.
1,序列比对(Sequence Alignment)
序列比对的基本问题是比较两个或两个以上符号序列的相似性或不相似性.从生物学的初衷来看,这一问题包含了以下几个意义:从相互重叠的序列片断中重构DNA的完整序列.在各种试验条件下从探测数据(probe data)中决定物理和基因图存贮,遍历和比较数据库中的DNA序列比较两个或多个序列的相似性在数据库中搜索相关序列和子序列寻找核苷酸(nucleotides)的连续产生模式找出蛋白质和DNA序列中的信息成分序列比对考虑了DNA序列的生物学特性,如序列局部发生的插入,删除(前两种简称为indel)和替代,序列的目标函数获得序列之间突变集最小距离加权和或最大相似性和,对齐的方法包括全局对齐,局部对齐,代沟惩罚等.两个序列比对常采用动态规划算法,这种算法在序列长度较小时适用,然而对于海量基因序列(如人的DNA序列高达109bp),这一方法就不太适用,甚至采用算法复杂性为线性的也难以奏效.因此,启发式方法的引入势在必然,着名的BALST和FASTA算法及相应的改进方法均是从此前提出发的.
2, 蛋白质结构比对和预测
基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性.蛋白质的结构与功能是密切相关的,一般认为,具有相似功能的蛋白质结构一般相似.蛋白质是由氨基酸组成的长链,长度从50到1000~3000AA(Amino Acids),蛋白质具有多种功能,如酶,物质的存贮和运输,信号传递,抗体等等.氨基酸的序列内在的决定了蛋白质的3维结构.一般认为,蛋白质有四级不同的结构.研究蛋白质结构和预测的理由是:医药上可以理解生物的功能,寻找dockingdrugs的目标,农业上获得更好的农作物的基因工程,工业上有利用酶的合成.直接对蛋白质结构进行比对的原因是由于蛋白质的3维结构比其一级结构在进化中更稳定的保留,同时也包含了较AA序列更多的信息.蛋白质3维结构研究的前提假设是内在的氨基酸序列与3维结构一一对应(不一定全真),物理上可用最小能量来解释.从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构.同源建模(homology modeling)和指认(Threading)方法属于这一范畴.同源建模用于寻找具有高度相似性的蛋白质结构(超过30%氨基酸相同),后者则用于比较进化族中不同的蛋白质结构.然而,蛋白结构预测研究现状还远远不能满足实际需要.
3, 基因识别,非编码区分析研究.
基因识别的基本问题是给定基因组序列后,正确识别基因的范围和在基因组序列中的精确位置.非编码区由内含子组成(introns),一般在形成蛋白质后被丢弃,但从实验中,如果去除非编码区,又不能完成基因的复制.显然,DNA序列作为一种遗传语言,既包含在编码区,又隐含在非编码序列中.分析非编码区DNA序列目前没有一般性的指导方法.在人类基因组中,并非所有的序列均被编码,即是某种蛋白质的模板,已完成编码部分仅占人类基因总序列的3~5%,显然,手工的搜索如此大的基因序列是难以想象的.侦测密码区的方法包括测量密码区密码子(codon)的频率,一阶和二阶马尔可夫链,ORF(Open Reading Frames),启动子(promoter)识别,HMM(Hidden Markov Model)和GENSCAN,Splice Alignment等等.
4, 分子进化和比较基因组学
分子进化是利用不同物种中同一基因序列的异同来研究生物的进化,构建进化树.既可以用DNA序列也可以用其编码的氨基酸序列来做,甚至于可通过相关蛋白质的结构比对来研究分子进化,其前提假定是相似种族在基因上具有相似性.通过比较可以在基因组层面上发现哪些是不同种族中共同的,哪些是不同的.早期研究方法常采用外在的因素,如大小,肤色,肢体的数量等等作为进化的依据.近年来较多模式生物基因组测序任务的完成,人们可从整个基因组的角度来研究分子进化.在匹配不同种族的基因时,一般须处理三种情况:Orthologous: 不同种族,相同功能的基因；Paralogous: 相同种族,不同功能的基因；Xenologs: 有机体间采用其他方式传递的基因,如被病毒注入的基因.这一领域常采用的方法是构造进化树,通过基于特征(即DNA序列或蛋白质中的氨基酸的碱基的特定位置)和基于距离(对齐的分数)的方法和一些传统的聚类方法(如UPGMA)来实现.
5, 序列重叠群(Contigs)装配
根据现行的测序技术,每次反应只能测出500 或更多一些碱基对的序列,如人类基因的测量就采用了短枪(shortgun)方法,这就要求把大量的较短的序列全体构成了重叠群(Contigs).逐步把它们拼接起来形成序列更长的重叠群,直至得到完整序列的过程称为重叠群装配.从算法层次来看,序列的重叠群是一个NP-完全问题.
6, 遗传密码的起源
通常对遗传密码的研究认为,密码子与氨基酸之间的关系是生物进化历史上一次偶然的事件而造成的,并被固定在现代生物的共同祖先里,一直延续至今.不同于这种"冻结"理论,有人曾分别提出过选择优化,化学和历史等三种学说来解释遗传密码.随着各种生物基因组测序任务的完成,为研究遗传密码的起源和检验上述理论的真伪提供了新的素材.
7, 基于结构的药物设计
人类基因工程的目的之一是要了解人体内约10万种蛋白质的结构,功能,相互作用以及与各种人类疾病之间的关系,寻求各种治疗和预防方法,包括药物治疗.基于生物大分子结构及小分子结构的药物设计是生物信息学中的极为重要的研究领域.为了抑制某些酶或蛋白质的活性,在已知其蛋白质3级结构的基础上,可以利用分子对齐算法,在计算机上设计抑制剂分子,作为候选药物.这一领域目的是发现新的基因药物,有着巨大的经济效益.
8.生物系统的建模和仿真
随着大规模实验技术的发展和数据累积，从全局和系统水平研究和分析生物学系统，揭示其发展规律已经成为后基因组时代的另外一个研究 热点-系统生物学。目前来看，其研究内容包括生物系统的模拟（Curr Opin Rheumatol，2007，463-70），系统稳定性分析（Nonlinear Dynamics Psychol Life Sci，2007，413-33），系统鲁棒性分析（Ernst Schering Res Found Workshop， 2007，69-88）等方面。以SBML（Bioinformatics，2007，1297-8）为代表的建模语言在迅速发展之中，以布尔网络 （PLoS Comput Biol，2007，e163）、微分方程（Mol Biol Cell，2004，3841-62）、随机过程（Neural Comput，2007，3262-92）、离散动态事件系统等（Bioinformatics，2007，336-43）方法在系统分析中已经得到应 用。很多模型的建立借鉴了电路和其它物理系统建模的方法，很多研究试图从信息流、熵和能量流等宏观分析思想来解决系统的复杂性问题（Anal Quant Cytol Histol，2007，296-308）。当然，建立生物系统的理论模型还需要很长时间的努力，现在实验观测数据虽然在海量增加，但是生物系统的模型辨 识所需要的数据远远超过了目前数据的产出能力。例如，对于时间序列的芯片数据，采样点的数量还不足以使用传统的时间序列建模方法，巨大的实验代价是目前系 统建模主要困难。系统描述和建模方法也需要开创性的发展。
9.生物信息学技术方法的研究
生物信息学不仅仅是生物学知识的简单整理和、数学、物理学、信息科学等学科知识的简单应用。海量数据和复杂的背景导致机器学习、统 计数据分析和系统描述等方法需要在生物信息学所面临的背景之中迅速发展。巨大的计算量、复杂的噪声模式、海量的时变数据给传统的统计分析带来了巨大的困难， 需要像非参数统计（BMC Bioinformatics，2007，339）、聚类分析（Qual Life Res，2007，1655-63）等更加灵活的数据分析技术。高维数据的分析需要偏最小二乘（partial least squares，PLS）等特征空间的压缩技术。在计算机算法的开发中，需要充分考虑算法的时间和空间复杂度，使用并行计算、网格计算等技术来拓展算法的 可实现性。
10, 生物图像
没有血缘关系的人，为什么长得那么像呢？
外貌是像点组成的，像点愈重合两人长得愈像，那两个没有血缘关系的人像点为什么重合？
有什么生物学基础？基因是不是相似？我不知道，希望专家解答。
11, 其他
如基因表达谱分析,代谢网络分析;基因芯片设计和蛋白质组学数据分析等,逐渐成为生物信息学中新兴的重要研究领域;在学科方面,由生物信息学衍生的学科包括结构基因组学,功能基因组学,比较基因组学,蛋白质学,药物基因组学,中药基因组学,肿瘤基因组学,分子流行病学和环境基因组学.从现在的发展不难看出,基因工程已经进入了后基因组时代.我们也有应对与生物信息学密切相关的如机器学习,和数学中可能存在的误导有一个清楚的认识.
[编辑本段]生物信息学与机器学习
生物信息的大规模给数据挖掘提出了新课题和挑战,需要新的思想的加入.常规的计算机算法仍可以应用于生物数据分析中,但越来越不适用于序列分析问题.究其原因,是由于生物系统本质上的模型复杂性及缺乏在分子层上建立的完备的生命组织理论.西蒙曾给出学习的定义:学习是系统的变化,这种变化可使系统做相同工作时更有效。机器学习的目的是期望能从数据中自动地获得相应的理论,通过采用如推理,模型拟合及从样本中学习,尤其适用于缺乏一般性的理论,"噪声"模式,及大规模数据集.因此,机器学习形成了与常规方法互补的可行的方法.机器学习使得利用计算机从海量的生物信息中提取有用知识,发现知识成为可能.机器学习方法在大样本,多向量的数据分析工作中发挥着日益重要的作用,而目前大量的基因数据库处理需要计算机能自动识别,标注,以避免即耗时又花费巨大的人工处理方法.早期的科学方法—观测和假设----面对高数据的体积,快速的数据获取率和客观分析的要求---已经不能仅依赖于人的感知来处理了.因而,生物信息学与机器学习相结合也就成了必然.机器学习中最基本的理论框架是建立在概率基础上的,从某种意义来说,是统计模型拟合的延续,其目的均为提取有用信息.机器学习与模式识别和统计推理密切相关.学习方法包括数据聚类,神经网络分类器和非线性回归等等.隐马尔可夫模型也广泛用于预测DNA的基因结构.目前研究重心包括:1)观测和探索有趣的现象.目前ML研究的焦点是如何可视化和探索高维向量数据.一般的方法是将其约简至低维空间,如常规的主成分分析(PCA),核主成分分析(KPCA),独立成分分析(Independent component analysis),局部线性嵌套(LocallyLinear embedding).2)生成假设和形式化模型来解释现象[6].大多数聚类方法可看成是拟合向量数据至某种简单分布的混合.在生物信息学中聚类方法已经用于microarray数据分析中,癌症类型分类及其他方向中.机器学习也用于从基因数据库中获得相应的现象解释.机器学习加速了生物信息学的进展,也带了相应的问题.机器学习方法大多假定数据符合某种相对固定的模型,而一般数据结构通常是可变的,在生物信息学中尤其如此,因此,有必要建立一套不依赖于假定数据结构的一般性方法来寻找数据集的内在结构.其次,机器学习方法中常采用"黑箱"操作,如神经网络和隐马尔可夫模型,对于获得特定解的内在机理仍不清楚.
[编辑本段]生物信息学的数学问题
生物信息学中数学占了很大的比重.统计学,包括多元统计学,是生物信息学的数学基础之一;概率论与随机过程理论,如近年来兴起的隐马尔科夫链模型(HMM),在生物信息学中有重要应用;其他如用于序列比对的运筹学;蛋白质空间结构预测和分子对接研究中采用的最优化理论;研究DNA超螺旋结构的拓扑学;研究遗传密码和DNA序列的对称性方面的群论等等.总之,各种数学理论或多或少在生物学研究中起到了相应的作用.但并非所有的数学方法在引入生物信息学中都能普遍成立的,以下以统计学和度量空间为例来说明.
1, 统计学的悖论
数学的发展是伴随悖论而发展的.对于进化树研究和聚类研究中最显着的悖论莫过于均值了，就说明了要采用常规的均值方法不能将这两类分开,也表明均值并不能带来更多的数据的几何性质.那么,如果数据呈现类似的特有分布时,常有的进化树算法和聚类算法(如K-均值)往往会得错误的结论.统计上存在的陷阱往往是由于
对数据的结构缺乏一般性认识而产生的.
2, 度量空间的假设
在生物信息学中,进化树的确立,基因的聚类等都需要引入度量的概念.举例来说,距离上相近或具有相似性的基因等具有相同的功能,在进化树中满足分值最小的具有相同的父系,这一度量空间的前提假设是度量在全局意义下成立.那么,是否这种前提假设具有普适性呢，我们不妨给出一般的描述:假定两个向量为A,B,其中,,则在假定且满足维数间线性无关的前提下,两个向量的度量可定义为:(1)依据上式可以得到满足正交不变运动群的欧氏度量空间,这也是大多数生物信息学中常采用的一般性描述,即假定了变量间线性无关.然而,这种假设一般不能正确描述度量的性质,尤其在高维数据集时,不考虑数据变量间的非线性相关性显然存在问题,由此,我们可以认为,一个正确的度量公式可由下式给出:(2)上式中采用了爱因斯坦和式约定,描述了变量间的度量关系.后者在满足(3)时等价于(1),因而是更一般的描述,然而问题在于如何准确描述变量间的非线性相关性,我们正在研究这个问题.
[编辑本段]统计学习理论在生物信息学中应用的困难
生物信息学中面对的数据量和数据库都是规模很大的,而相对的目标函数却一般难以给出明确的定义.生物信息学面临的这种困难,可以描述成问题规模的巨大以及问题定义的病态性之间的矛盾,一般从数学上来看,引入某个正则项来改善性能是必然的[7].以下对基于这一思想产生的统计学习理论,Kolmogorov复杂性[98]和BIC(Bayesian Information Criterion)[109]及其存在的问题给出简要介绍.支持向量机(SVM)是近来较热门的一种方法,其研究背景是Vapnik的统计学习理论,是通过最大化两个数据集的最大间隔来实现分类,对于非线性问题则采用核函数将数据集映射至高维空间而又无需显式描述数据集在高维空间的性质,这一方法较之神经方法的好处在于将神经网络隐层的参数选择简化为对核函数的选择,因此,受到广泛的注意.在生物信息学中也开始受到重视,然而,核函数的选择问题本身是一个相当困难的问题,从这个层次来看,最优核函数的选择可能只是一种理想,SVM也有可能象神经网络一样只是机器学习研究进程中又一个大气泡.Kolmogorov复杂性思想与统计学习理论思想分别从不同的角度描述了学习的性质,前者从编码的角度,后者基于有限样本来获得一致收敛性.Kolmogorov复杂性是不可计算的,因此由此衍生了MDL原则(最小描述长度),其最初只适用于离散数据,最近已经推广至连续数据集中,试图从编码角度获得对模型参数的最小描述.其缺陷在于建模的复杂性过高,导致在大数据集中难以运用.BIC准则从模型复杂性角度来考虑,BIC准则对模型复杂度较高的给予大的惩罚,反之,惩罚则小,隐式地体现了奥卡姆剃刀("Occam Razor")原理,近年也广泛应用于生物信息学中.BIC准则的主要局限是对参数模型的假定和先验的选择的敏感性,在数据量较大时处理较慢.因此,在这一方面仍然有许多探索的空间.

‘柒’ 吉尔伯特的伟大贡献是什么

吉尔伯特的伟大贡献在于他进行了磁铁和指南针实验，提出地球本身就是一大块球形磁铁。

地球具有磁性的思想使吉尔伯特推测，地球的磁性引力使物体保持在地球上。虽然他是错误的，但他的理论为“地心引力”理论开辟了道路。吉尔伯特的地球模型在今天仍是对地球磁性的标准描述，但他借助于磁力解释行星绕太阳运动的尝试是不正确的。后来牛顿的万有引力思想卓有成效地解决了这个问题。

‘捌’ cs1.6的阵营文件

cstrike\models\player\leet 警察1模型文件
cstrike\models\player\gsg9 警察2模型文件
cstrike\models\player\sas 警察3模型文件
cstrike\models\player\gign 警察4模型文件
cstrike\models\player\terror 土匪1模型文件
cstrike\models\player\urban 土匪2模型文件
cstrike\models\player\arctic 土匪3模型文件
cstrike\models\player\guerilla 土匪4模型文件