现在的经营模式范文

前言：我们精心挑选了数篇优质现在的经营模式文章，供您阅读参考。期待这些文章能为您带来启发，助您在写作的道路上更上一层楼。

第1篇

【关键词】模糊语言 模糊限制语 《警察与赞美诗》

一、引言

《警察与赞美诗》是美国现代短篇小说之父欧・亨利的代表作品之一。幽默风趣、辛辣讽刺是这篇小说的艺术特色，而语言是这一切的基础。本文以语言的模糊性为视角，对该小说的语言进行了分析。模糊性是自然语言的固有属性，艺术作品的创造常常借助模糊语言，即使是《警察与赞美诗》这样短篇的小说也是如此。模糊限制语作为模糊语言家族的一员，更是在小说中发挥重要功能。

二、模糊限制语简介及其概述

最早对模糊限制语定义的是George Lakoff（1972）。他称其为“将事物弄的模糊不清的词语”。对于它的分类，迄今引用最广的是E.F.Prince （1982）的分类。徐海洋（2008）在前人研究基础上，丰富了Prince的分类，提出了新型模糊限制语――缺失型模糊限制语。但学术界最常引用的还是Prince的分类法。

1.E.F.Prince对于模糊限制语的分类。模糊限制语可分为变动型模糊限制语和缓和型模糊限制语。变动型模糊限制语分为程度变动语和范围变动语。前者揭示语义上有程度差别，如：a little，more or less.后者给话题限定某种范围。如：about，over。缓和型模糊限制语分为直接缓和语和间接缓和语。前者表现说话者对话题的直接猜测和犹疑。如：I think，probably。后者引用第三者的看法，间接表达说话人对某事的态度。如：it was said that……

2.模糊语言和情态的重叠。韩礼德将情态描述为“正负两极之间的中间级别”（Halliday，1994）。Fowler（1979： 168）认为，表达情态的语言手段有情态助动词、情态副词和评价性形容词及副词，还有表达了解、预知和评价的动词，如： seem，guess.上述词语都是模糊语言，大部分是模糊限制语。

3.模糊限制语还有“否定词+程度副词+形容词”的形式，如not too big.

三、模糊限制语在《警察与赞美诗》中的应用及其功能

1.变动型模糊限制语。变动型模糊限制语是文学作品中常用的一种模糊语，在《警察与赞美诗》中也多有涉及。例：

The young woman moved away a few steps.

年轻女人移开了几步。

本句用了程度变动语“a few”，说明年轻女人只移开了一小段距离，在苏比把小流氓所干的卑鄙的勾当表演得惟妙惟肖之后，这个女人并不拒苏比于千里之外，这为下文中她的真正品性的显露作了铺垫。

2.表达情态的语言手段作为模糊限制语。

（1）情态动词。例如：Don't you figure out that I might have had something to do with it？

你不以为这事可能与我有关吗？

砸碎窗玻璃后，苏比等着警察去抓他。但警察竟问他肇事者去哪里了，完全不怀疑他，这让苏比哭笑不得。该句中使用了“might”表达了苏比对警察思维逻辑的不理解，不能相信。

（2）另一种表达情态的语言手段，即表达了解 、预知和评价的动词，如： seem，guess。例如：

Three months of assured board and bed…… seemed to Soapy the essence of things desirable.

整整三个月，有饭吃，有床睡……对苏比而言，这似乎就是日思夜想的最大愿望。

“有饭吃，有床睡”是一个人对生活非常低的需求，但对苏比而言，却似乎是最大愿望。作者将“seem”这一模糊限制语用于旁白叙述中，传达了对苏比愿望所持的迟疑或保留态度，表达了对苏比这样的穷人最大愿望是简单却又难以实现，反映了资本主义社会穷人的悲惨境遇。

3.“否定词+程度副词+形容词”的形式

例：The hibernatorial ambitions of Soapy were not of the highest.苏比越冬的抱负并不算最高。

在该句中，作者使用了“not of the highest”这样的模糊语言，而没有用直接“the lowest”，一方面在表达上更加委婉含蓄，另一方面则暗示了社会中还有比苏比的境遇更加悲惨的人。

四、结语

本文从模糊语言学的角度对《警察与赞美诗》中的语言进行分析，主要探讨模糊限制语在该短篇小说中的应用。分析表明，无论是变动型模糊限制语，表示情态的模糊限制语还是特定形式如“否定词+程度副词+形容词”的模糊限制语，在《警察与赞美诗》中都有很好的应用并对小说内容的充实及上下文衔接起到了直接或间接的作用。

参考文献：

[1]Fowler， Roger.Literature as Social Discourse[M].Batsford Academic and Education Ltd： London，1979.

[2]Halliday， M.A.K.An Introduction to Functional Grammar（2nd edition）[M].London： Edward Arnold，1994.

[3]Lakoff G.Hedges： A Study in Meaning Criteria and the Logic of Fuzzy Concepts[J].Journal of Philosophical Logic，1972（02）：458-508.

第2篇

1 引言

在目前诸多的显示器件中，液晶显示器以其具有工作电压低、功耗低、显示信息量大、寿命长、不产生电磁辐射污染、可以显示复杂的文字及图形等优点，而在各种仪器仪表、电子设备、移动通讯及家用电器中得到了广泛的应用。本文介绍MGLS240128T图形液晶显示模块就是香港精电公司生产的、内藏T6963C控制器的液晶显示模块。

2　模块工作原理

2．1 基本功能

MGLS240128T图形液晶显示模块由控制器T6963C、列驱动器T6A39、行驱动器T6A40以及与外部设备的接口等几部分组成，它既能显示字符（包括中文和西文字符），又能显示图形，还能够将字符与图形混合显示。其主要参数如下：

点阵数：240×128；

点尺寸：0．4×0．4mm；

视屏尺寸：114×64mm；

汉字字体：8×8，8×6；

背光：LED或EL；

电源：＋5V；

工作温度范围：－20～ ＋70℃。

2．2 引脚功能

MGLS240128T图形液晶显示模块的引脚说明如表1所示。该模块对液晶显示的控制和驱动都由模块内部的芯片及电路来完成，因此它与外部的连接只有数据线和控制线。主控CPU通过这些数据线和控制线来设置所需要的显示方式，其它功能均由模块自动完成。

表1 MGLS240128T模块的引脚功能

管  脚  号管  脚  名  称功  能  描  述

1FG框架地2GND电源地3VCC电源电压4NC未用5WR写控制信号，低电平有效6RD读控制信号，低电平有效7CS片选信号，低电平有效8C/D通道选通信号，C/D1为表示指令，C/D为0表示数据通道9RST复位信号，低电平有效10～17DB0～7数据总线，三态18FS字体选择，FS为0选择8×8字体，FS为1选择8×6字体2．3 指令系统

MGLS240128T图形液晶显示模块本身内藏控制器T6963C，它最大的特点是具有独特的硬件初始设置功能，由于显示驱动所需的参数（如占空比系数、驱动传输的字节数／行以及字符的字体选择等）均由引脚电平来设置，因此T6963C的初始化在上电时就已基本设置完成。除此之外，它还具有很强的软件控制能力，也就是由主控CPU通过接口写入液晶模块的指令来实现模块控制。软件控制主要集中于显示功能的设置上。该模块的常用指令如表2所列。

表2 MGLS240128T模块的常用指令设置

指令名称控制状态指  令  代  码CDRDWRD7D6D5D4D3D2D1D0读状态字111S7S6S5S4S3S2N1S0地址指令设置11000100N2N1N0显示区域设置110010000N1N0显示方式设置1101000CGN2N1N0显示状态设置1101001N3N2N1N0光标自动读写设置11011000N2N1N0数据自动读写设置110101100N1N0数据一次读写设置11011000N2N1N0屏读（一字节）设置11011100000屏读（一行）设置11011101000位操作1101111N3N2N1N0数据写操作010数    据数据读操作001数    据3　液晶模块的应用

3．1 与单片机的接口连接

MGLS240128T液晶显示模块与计算机的接口时序采用Inter8080时序。下面以8031单片机为例说明其接口方法。它与单片机的接口方法分为直接访问方式和间接控制方式。

直接访问方式是把液晶模块作为存储器接在CPU的数据线、地址线和控制线上，同时把它的数据总线接在8031的P0口上，片选以及寄存器选择信号线由P2口提供，读写操作由单片机的读写操作信号控制。这种方式是以访问存储器的方式访问液晶显示模块，具体连接如图1（a）所示。

间接控制方式则不使用单片机的数据系统，而是利用它的I／O口来实现与显示模块的联系。即将液晶显示模块的数据线与单片机的P1口连接作为数据总线，另外三根时序控制信号线通常利用8031的P3口中未被使用的I／O口来控制。这种访问方式不占用CPU的存储器空间，它的接口电路与时序无关，其时序完全靠软件编程实现。接口方式如图1（b）所示。

3．2 软件设计

单片机与液晶显示模块接口程序中的文字显示已经为人们所熟悉，因此这里不再赘述，本文只介绍图形显示方法。图形或曲线的显示程序的关键在于显示点地址的计算，下面给出采用C51语言编制的图形显示的主要相关程序。

／／发送数据

void w_data(unsigned char d)

{CS＝0;

check();

CD＝0;P2＝d;WRITE＝0;WRITE＝1;

CS＝1;

}

／／发送命令

void w_command(unsigned char d)

{CS＝0;

check();?

CD＝1;P2＝d;WRITE＝0;WRITE＝1;

CS＝1;

}

／／查状态

void check(void)

{unsigned char M;

do{P2＝0xff;

CD＝1;READ＝0;

M＝P2;

READ＝1;

}

while((M＆0x03)＜0x03);

}

／／画点

void draw(x,y)

{unsigned int m;

unsigned char n,t;

n＝0x12;

t＝0x34;

m＝(y＆0x7f)＊0x20;

n＝x／8;

t＝m－(m／0x100)＊0x100＋n;

w＿data(t);?

t＝m／0x100＋0x08;

w_data(t);?

w_command(0x24);

if(y＞＝0x80) n＝0xf8;

else n＝0xf0;

t＝x％8;

t＝(～t)＆0x07;

t＝n｜t;

w_command(t);?

}

／／画一条正弦曲线

void main(void)

{

init();

clear();

for(x＝0;x＜180;x＋＋)

{

y＝psin[x];

y＝y｜0x80;

draw(x,y);??

}

while(1){}

}??

第3篇

关键词：模糊神经网络;企业水环境;评价

收稿日期：20120410

基金项目：国家自然科学基金资助项目(编号:41101080);山东省自然科学基金资助项目(编号:ZR2011DQ009);山东省研究生教育创新计划

项目(编号:SDYC11147)资助

作者简介：朱敏（1974—），女,湖南常德人,工程师,主要从事企业水环境研究工作。

通讯作者：李锐（1963—），男,湖南新化人,教授,博导,主要从事环境经济学方面的教学与研究工作。中图分类号：X73文献标识码：A文章编号：16749944(2012)05015003

1引言

随着经济的发展和污染负荷的增加,人们认识到浓度控制已不能从根本上解决污染问题。而我国对水环境的研究,也主要集中在对水源地的分析和控制中。随着工业企业对水环境的重视,开始逐步尝试用处理过的中水进行循环使用,但是对多指标的水质评价缺乏定性的判断。而在对水环境的评价方法中,由于参与的评价因子众多,并且与水质等级之间存在的是非常复杂的非线性关系,所以至今都没有形成统一的方法。常规的地下水水质评价方法有综合指数法、模糊综合评价法、灰色聚类法等［1］,这些方法都还存在着一些不足。近年来,随着神经网络的发展,国内外很多从事地下水研究的学者将神经网络引入水质评价中,取得了较好的评价效果,表明研究神经网络处理水质评价具有非常现实的意义。

模糊理论和神经网络技术是近几年来人工智能研究较为活跃的两个领域［2］。模糊神经网络(Fuzzy Neural Network,FNN)是在神经网络(Neural Network,NN)和模糊系统(Fuzzy System,FS)的基础上发展起来的,二者的融合弥补了神经网络在模糊数据处理方面的不足和模糊逻辑在学习方面的缺陷,是一个集语言计算、逻辑推理、分布式处理和非线性动力学过程为一身的系统［3,4］。本文使用这种方法来评价某企业水环境质量,通过MATLAB R2011b 编程实现,其工具箱函数提供了归一化函数mapminmax等,该仿真结果表明,系统具有较好的客观性和预测性。

2模糊神经网络原理

模糊神经网络是一种集模糊逻辑推理的强大结构性知识表达能力与神经网络的强大自学习能力于一体的新技术,它是模糊逻辑推理与神经网络有机结合的产物［6,7］。

2.1模糊数学方法

模糊集概念是模糊数学的特征函数处于中介状态,并用隶属函数表示模糊集。模糊数学是用来描述、研究和处理事物所具有的模糊特征的数学。“模糊”是指它的研究对象,而“数学”是指它的研究方法。

模糊数学中最基本的概念是隶属度和模糊隶属度函数。其中,隶属度是指元素u属于模糊子集f的隶属程度,用μf(u)表示,它是一个在［0,1］之间的数,越接近于0,表示μf(u)属于模糊子集u的程度越小;越靠近1,表示u属于模糊子集f的程度越大。

在模糊数学中,运用隶属度来描述客观事物中很多模糊的界限,而隶属度可用隶属函数来表示。比如水质评价中“污染程度”就是一个模糊概念,因此,作为评价污染程度的分类标准也应具有模糊的特征,用一般的评价方法进行分类别,不尽合理,而用模糊概念进行推理就比较符合客观实际［5］。

2.2TakagiSugeno(T-S)模糊模型

TS模糊模型一般用于多个输入和单个输出的情况。该模型是一种自适应能力很强的模糊系统,该系统不仅能自动更新,而且能不断修正模糊子集的隶属函数。TS模糊系统用如下的“if-then”规则形式来定义,在规则为 的情况下,模糊推理如下:

Ri:Ifx1isAi1,x2isAi2，…,xkisAik,then yi=pi1x1+…+pikxk

其中Aij为模糊系统的模糊集,pij(j=1,2,…,k)为模糊系统参数;yi为根据模糊规则得到的输出,输入部分(即if部分)是模糊的,输出部分(即then部分)是确定的,该模糊推理表示输出为输入的线性组合。假设对于输入量x=［x1,x2,…,xk］,首先根据模糊规则计算各输入变量xj的隶属度。

μAij=exp(-(xj-cij)2/bij)j=1,2,…,k;i=1,2,…,n(1)

式中,cij,bij分别为隶属度函数的中心和宽度;k为输入参数数;n为模糊子集数。

将各隶属度进行模糊计算,采用模糊算子为连乘算算子。

wi=μA1j(x1)×μA2j(x2)×…×μAkj(xk),i=1,2,…,n(2)

根据模糊计算结果计算模糊模型的输出值yi。

yi=∑ni=1wi(pi0+pi1x1+…+pikxk)/∑ni=1wi。(3)

2.3TakagiSugeno模糊神经网络模型

TS模糊神经网络分为输入层、模糊化层、模糊规则计算层和输出层等4层。输入层与输入向量xi连接,节点数与输入向量的维数相同。模糊化层采用隶属函数(1)对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用模糊连乘公式(2)计算得到w,输出层采用公式(3)计算得到模糊神经网络的输出。模糊神经网络的学习算法如下。

2.3.1误差计算

e=12(yd-yc)2,(4)

式中,yd是网络期望输出;yc是网络实际输出;e为期望输出和实际输出的误差。

2.3.2系数修正

pij(k)=pij(k-1)-αepij,(5)

epij=(yd-yc)wi/∑mi=1wi×xj。(6)

式中,pij为神经网络系数,α为网络学习率;xj为网络输出参数;wi为输入参数隶属度连乘积。

2.3.3参数修正

cij(k)=cij(k-1)-βecij,(7)

bij(k)-bij(k-1)-βecij。(8)

式中,cjj,bij分别为隶属度函数的中心和宽度。

3企业水环境评价应用

企业的水环境进行评价时,要采用一定的流程和算法。具体见图1,分为模糊神经网络的构建、模糊神经网络训练和模糊神经网络预测。

图1模糊神经网络企业水环境评价算法流程

3.1网络初始化

根据训练输入、输出数据维数确定网络结构,初始化神经网络隶属度函数参数和系数,归一化训练数据。在训练数据归一化时,使用mapminmax函数来实现。

3.2模糊神经网络训练

模糊神经网络训练用训练数据训练模糊神经网络,由于水质评价真实数据比较难确定,印象,采用了等隔均匀分布方式内插水质指标标准数据生成样本的方式来生成训练样本,采用的水质指标标准数据来自表1,网络反复训练100次。

根据GB3838-2002《地表水环境质量标准》,Ⅰ类主要适用于源头水、国家自然保护区;Ⅱ类主要适用于集中式生活引用水地表水源地一级保护区、珍稀水生生物栖息地、鱼虾类产卵场、仔稚幼鱼的索饵场等;Ⅲ类主要适用于集中式生活引用水地表水源地二级保护区、鱼虾类越冬场、泅游通道、水产养殖区等渔业水域及游泳区;Ⅳ类主要适用于一般工业用水区及人体非直接接触的娱乐用水区;Ⅴ类主要适用于农业用水区及一般景观要求水域。

表1地表水环境标准

序号项目Ⅰ类Ⅱ类Ⅲ类Ⅳ类Ⅴ类1化学需氧量(COD)≤15152030502悬浮物 ≤3氨氮 ≤0.50.51.01.52.04总磷 ≤0.020.10.20.30.55pH ≤6~9

因为在企业的水质评价主要指标中,pH值和悬浮物没有具体的定量指标,无法做出正确的判断。因此,确定了化学需氧量(COD)、氨氮和总磷3个评价指标。

3.3模糊神经网络企业水环境评价

用训练好的模糊神经网络评价企业水环境,根据网络预测值评价水质等级。当预测值小于1.5时,水质等级为Ⅰ类;当预测值在1.5~2.5时,水质等级为Ⅱ类;当预测值在2.5~3.5时,水质等级为Ⅲ类;当预测值在3.5~4.5时,水质等级为Ⅳ类;预测值大于4.5时,水质等级为Ⅴ类。

3.4结果分析

调用了企业2010~2011年每月的污水处理数据,其各评价因子的数据折线图见图2。

图2企业水环境数据

采用MATLAB R2011b进行仿真,输入节点数为3,隐含节点数为7,输出节点数为1。仿真结果如图3。图3为模糊神经网络模型训练数据预测仿真结果。该图中显示了实际输出、预测输出和误差。结果显示,该误差范围小于0.01。图4为模糊神经网络模型测试数据预测仿真结果。该图中显示了实际输出、预测输出和误差。结果显示,该误差范围小于0.01。图5为模糊神经网络企业水环境评价结果。

图3模糊神经网络模型训练数据预测仿真结果

图4模糊神经网络测试数据预测仿真结果

从企业水环境评价结果可以看出,目前,企业的水环境有了一定的改善,基本上维持在2~3级左右,说明了模糊神经网络评价的有效性。并且,水质等级的判定可以帮助企业在循环经济和景观建设中打下良好的基础。

图5模糊神经网络企业水环境评价

2012年5月绿色科技第5期4结语

从实际的应用结果可以看出,基于MATLAB编程实现的模糊神经网络方法应用与水质评价取得了良好的评价结果,积极探索了除地下水水质评价外的其它的环境质量评价中,为模糊神经网络提供了一个新的应用空间。

参考文献：

［1］ 谢宏斌.环境质量评价与预测方法的现状［J］.广西水利水电,2001(4):30~33.

［2］ Leontalitis I J.Billings S A.Input-output parametric models for nonlinear systems,part l:deterministic nonlinear systems［J］.Int J Contr,2006,4l(2):303.

［3］ 谢维信,钱法涛.模糊神经网络研究［J］.深圳大学学报,1999,16(1):22~27.

［4］ 王立新.模糊系统与模糊控制教程［M］.北京:清华大学出版社,2003.

［5］ 王鸿杰,尤宾,山官宗光.模糊数学分析方法在水环境评价中的应用［J］.水文,2005(25):30~32.