mf演算法

1. 科學生男生女法誰知道請說一下

媽咪育男定律四：把握排卵期，在排卵日行房，生男孩的概率最高 我們知道，生男孩所需的Y染色體在女性的酸性生殖道內不易生存，而排卵日當天，女性的生殖道酸性是排卵期內最弱的時候。也就是說，這個時候，女性的生理懷孕非常適合精子，尤其是精子中的Y染色體生存。 雖然這個時候X染色體的存活率也非常高，但由於Y染色體精子的數量原本就多於X染色體兩倍，而且在弱酸或者鹼性環境下，Y染色體的游動速度是X染色體的兩倍，因此，Y染色體此時擁有更有利的環境爭取到卵子。 所以在排卵日這天行房，非常容易生男孩。但是不是說，在排卵日這天行房，就一定能生出男孩了呢？答案是否定的，但可以確定的是，在排卵日這天行房，最容易生出男孩。 有外國學者做過這方面的研究，跟蹤調查1000名即將要孩子的女性，其中，在排卵日當天行房生出的男孩達到80%的概率，所以說，在排卵日這天行房，生男孩的幾率還是非常的高的。這也是目前最安全、最科學的生男孩方法。

2. 暗黑2 boss被攻擊反噬彈死MF值怎麼算

還是那麼算，石魔身上沒有裝備，而且石魔是你的技能效果，所以算起來就是你的技能殺了BOSS，還是按照平時的演算法來計算

3. 模糊數學演算法軟體

matlab裡面沒有模糊軟體包嗎？ http://www.mathworks.com/procts/fuzzylogic/
用 Matlab 中的 Fuzzy 工具箱做一個簡單的模糊控制，流程如下：1、創建一個 FIS (Fuzzy Inference System ) 對象，a = newfis(fisName,fisType,andMethod,orMethod,impMethod, aggMethod,defuzzMethod)一般只用提供第一個參數即可，後面均用默認值。2、增加模糊語言變數a = addvar(a,'varType','varName',varBounds)模糊變數有兩類：input 和 output。在每增加模糊變數，都會按順序分配一個 index，後面要通過該 index 來使用該變數。3、增加模糊語言名稱，即模糊集合。a = addmf(a,'varType',varIndex,'mfName','mfType',mfParams)每個模糊語言名稱從屬於一個模糊語言。Fuzzy 工具箱中沒有找到離散模糊集合的隸屬度表示方法，暫且用插值後的連續函數代替。參數 mfType 即隸屬度函數(Membership Functions)，它可以是 Gaussmf、trimf、trapmf等，也可以是自定義的函數。每一個語言名稱也會有一個 index，按加入的先後順序得到，從 1 開始。4、增加控制規則，即模糊推理的規則。a = addrule(a,ruleList)
其中 ruleList 是一個矩陣，每一行為一條規則，他們之間是 ALSO 的關系。假定該 FIS 有 N 個輸入和 M 個輸出，則每行有 N+M+2 個元素，前 N 個數分別表示 N 個輸入變數的某一個語言名稱的 index，沒有的話用 0 表示，後面的 M 個數也類似，最後兩個分別表示該條規則的權重和個條件的關系，1 表示 AND，2 表示 OR。例如，當「輸入1」 為「名稱1」 和 「輸入2」 為「名稱3」 時，輸出為 「 輸出1」 的「狀態2」，則寫為：[1 3 2 1 1]5、給定輸入，得到輸出，即進行模糊推理。output = evalfis(input,fismat)其中 fismat 為前面建立的那個 FIS 對象。一個完整的例子如下：clear all;
a = newfis('myfis');a = addvar(a,'input','E',[0 7]);
a = addmf(a,'input',1,'small','trimf',[0 1 4.333]);
a = addmf(a,'input',1,'big','trimf',[1.6667 6 7]);a = addvar(a,'output','U',[0 7]);
a = addmf(a,'output',1,'small','trimf',[0 1 4.333]);
a = addmf(a,'output',1,'big','trimf',[1.6667 6 7]);rulelist = [1 1 1 1;
2 2 1 1];
a = addrule(a,rulelist);u = evalfis(4,a)其結果為：u = 4.221

4. 高中數學：如圖，這個演算法所依據的公式是什麼怎麼證明謝謝！

FF'=2,MF=4,PF=PP'=x

MP=2PP',4+x=2x,x=2

不要去追求這個公式！關鍵是拋物線上的點到焦點的距離等於到准線的距離

cosα=-1/2,α是直線MF的傾斜角，分子2是焦參數

按照解答者意思的公式：PM=焦參數/[1+cos(直線MF的傾斜角)]

但是這個公式錯了！否則當M在第三象限時不成立

正確的公式是：PM=PM=焦參數/[1-cos(銳角MFO)]

最後一個結論，還沒有見過，可以簡述為：

過焦點F的直線與拋物線 y^2=2px 交於 P、Q 兩點，則 1/PF+1/QF=1/OF

5. MANIFEST.MF是什麼又干什麼用的

可以通過記事本或者Editplus等文本編輯器打開，就可以分析裡面的內容了。
MANIFEST.MF：這個 manifest 文件定義了與擴展和包相關的數據。單詞「manifest」的意思是「顯示」。
其分類：
一般屬性
1. Manifest-Version
用來定義manifest文件的版本，例如：Manifest-Version: 1.0
2. Created-By
聲明該文件的生成者，一般該屬性是由jar命令行工具生成的，例如：Created-By: Apache Ant 1.5.1
3. Signature-Version
定義jar文件的簽名版本
4. Class-Path
應用程序或者類裝載器使用該值來構建內部的類搜索路徑
應用程序相關屬性
1. Main-Class
定義jar文件的入口類，該類必須是一個可執行的類，一旦定義了該屬性即可通過 java -jar x.jar來運行該jar文件。
小程序(Applet)相關屬性
1. Extendsion-List
該屬性指定了小程序需要的擴展信息列表，列表中的每個名字對應以下的屬性
2. <extension>-Extension-Name
3. <extension>-Specification-Version
4. <extension>-Implementation-Version
5. <extension>-Implementation-Vendor-Id
5. <extension>-Implementation-URL
擴展標識屬性
1. Extension-Name
該屬性定義了jar文件的標識，例如Extension-Name: Struts Framework
包擴展屬性
1. Implementation-Title 定義了擴展實現的標題
2. Implementation-Version 定義擴展實現的版本
3. Implementation-Vendor 定義擴展實現的組織
4. Implementation-Vendor-Id 定義擴展實現的組織的標識
5. Implementation-URL : 定義該擴展包的下載地址(URL)
6. Specification-Title 定義擴展規范的標題
7. Specification-Version 定義擴展規范的版本
8. Specification-Vendor 聲明了維護該規范的組織
9. Sealed 定義jar文件是否封存，值可以是true或者false
簽名相關屬性
簽名方面的屬性我們可以來參照JavaMail所提供的mail.jar中的一段
Name: javax/mail/Address.class
Digest-Algorithms: SHA MD5
SHA-Digest: AjR7RqnN//cdYGouxbd06mSVfI4=
MD5-Digest: ZnTIQ2aQAtSNIOWXI1pQpw==
這段內容定義類簽名的類名、計算摘要的演算法名以及對應的摘要內容(使用BASE64方法進行編碼)
自定義屬性
除了前面提到的一些屬性外，你也可以在MANIFEST.MF中增加自己的屬性以及響應的值，例如J2ME程序jar包中就可能包含著如下信息
MicroEdition-Configuration: CLDC-1.0
MIDlet-Name: J2ME_MOBBER Midlet Suite
MIDlet-Info-URL: http://www.javayou.com/
MIDlet-Icon: /icon.png
MIDlet-Vendor: Midlet Suite Vendor
MIDlet-1: mobber,/icon.png,mobber
MIDlet-Version: 1.0.0
MicroEdition-Profile: MIDP-1.0
MIDlet-Description: Communicator
如何運用：JDK給我們提供了用於處理這些信息的API，我們可以通過給JarFile傳遞一個jar文件的路徑，然後調用JarFile的getManifest方法來獲取Manifest信息。

6. 正定矩陣因子分解法（PMF）

3.2.4.1 方法建立

就全國范圍而言，我國地下水質量總體較好，根據國家《地下水質量標准》（GB/T 14848—93），我國63%的地區地下水可直接飲用，17%經適當處理後可供飲用，12%不宜飲用，剩餘8%為天然的鹹水和鹽水，由此可見，不宜飲用的地下水和天然鹹水、鹽水佔到了20%，對於這些地下水型水源地飲用水指標並不一定受到污染而存在超標現象，其水質可能受到地下水形成演化影響更為明顯，因此，考慮選擇反映地下水形成、演化的地下水水化學類型常規指標，進行影響因素解析。地下水水質指標在取樣與分析過程中，由於取樣和樣品處理、試劑和水純度、儀器量度和儀器潔凈、採用的分析方法、測定過程以及數據處理等過程均會產生測量誤差（系統誤差，隨機誤差，過失誤差）。從取樣到分析結果計算誤差都絕對存在，雖然在各個過程中進行質量控制，但無法完全消除不確定性的影響，為確保分析結果的可靠性，採用PMF法對地下水水質指標考慮一定的不確定性誤差，使分析數據能夠准確地反映實際情況。

PMF（Positive Matrix Factorization）與主成分分析（PCA）、因子分析（FA）都是利用矩陣分解來解決實際問題的分析方法，在這些方法中，原始的大矩陣被近似分解為低秩的V＝WH形式。但PMF與PCA和FA不同，PCA、FA方法中因子W和H中的元素可為正或負，即使輸入的初始矩陣元素全是正的，傳統的秩削減演算法也不能保證原始數據的非負性。在數學上，從計算的觀點看，分解結果中存在負值是正確的，但負值元素在實際問題中往往是沒有意義的。PMF是在矩陣中所有元素均為非負數約束條件之下的矩陣分解方法，在求解過程中對因子載荷和因子得分均做非負約束，避免矩陣分解的結果中出現負值，使得因子載荷和因子得分具有可解釋性和明確的物理意義。PMF使用最小二乘方法進行迭代運算，能夠同時確定污染源譜和貢獻，不需要轉換就可以直接與原始數據矩陣作比較，分解矩陣中元素非負，使得分析的結果明確而易於解釋，可以利用不確定性對數據質量進行優化，是美國國家環保局（EPA）推薦的源解析工具。

3.2.4.2 技術原理

PMF：模型是一種基於因子分析的方法，具有不需要測量源指紋譜、分解矩陣中元素非負、可以利用數據標准偏差來進行優化等優點。目前PMF模型此方法成功用於大氣氣溶膠、土壤和沉積物中持久性有毒物質的源解析，已有成熟的應用模型 PMF1.1，PMF2.0，PMF3.0等。PMF模型基本方程為：

X_nm＝G_npF_pm+E （3.7）

式中：n——取樣點數；

m——各取樣點測試的成分數量；

p——污染源個數；

X_nm——取樣點各成分含量；

G_np——主要源的貢獻率；

F_pm——源指紋圖譜。

基本計算過程如下：

1）樣品數據無量綱化，無量綱化後的樣品數據矩陣用D表示。

2）協方差矩陣求解，為計算特徵值和特徵向量，可先求得樣品數據的協方差矩陣，用D′為D的轉置，演算法為：

Z＝DD′ （3.8）

3）特徵值及特徵向量求解，用雅各布方法可求得協方差矩陣Z的特徵值矩陣E和特徵向量矩陣Q，Q′表示Q的轉置。這時，協方差矩陣可表示為：

Z＝QEQ′ （3.9）

4）主要污染源數求解，為使高維變數空間降維後能盡可能保留原來指標信息，利用累計方差貢獻率提取顯著性因子，判斷條件為：

地下水型飲用水水源地保護與管理：以吳忠市金積水源地為例

式中：n——顯著性因子個數；

m——污染物個數；

λ——特徵值。

5）因子載荷矩陣求解，提取顯著性因子後，利用求解得到的特徵值矩陣E和特徵向量矩陣Q進一步求得因子載荷矩陣S和因子得分矩陣C，這時，因子載荷矩陣可表示為：

S＝QE^1/2 （3.11）

因子得分矩陣可表示為：

C＝（S′S）^-1S′D （3.12）

6）非負約束旋轉，由步驟5求得的因子載荷矩陣S和因子得分矩陣C分別對應主要污染源指紋圖譜和主要污染源貢獻，為解決其值可能為負的現象，需要做非負約束的旋轉。

7）首先利用轉換矩陣T₁對步驟5求得的因子載荷矩陣S和因子得分矩陣C按下式進行旋轉：

地下水型飲用水水源地保護與管理：以吳忠市金積水源地為例

C₁＝T₁C （3.14）

式中：S₁——旋轉後的因子載荷矩陣；

C₁——旋轉後的因子得分矩陣；

T₁——轉換矩陣，且T₁＝（C^∗C′）（C^∗C′）^-1（其中：C^∗為把C中的負值替換為零後的因子得分矩陣）。

8）利用步驟7中旋轉得到的因子載荷矩陣S₁構建轉換矩陣T₂對步驟5中旋轉得到的因子載荷矩陣S₁和因子得分矩陣C₁繼續旋轉：

S₂＝S₁T₂ （3.15）

地下水型飲用水水源地保護與管理：以吳忠市金積水源地為例

式中：S₂——二次旋轉後的因子載荷矩陣；

C₂——二次旋轉後的因子得分矩陣；

T₂——二次轉換矩陣，且T₂＝（S′₁+S₁）^-1（S′₁+

）（其中：

為S₁中的負值換為零後的因子載荷矩陣）。

9）：重復步驟7、8，直到因子載荷中負值的平方和小於某一設定的誤差精度e而終止，最終得到符合要求的因子載荷矩陣S，即主要污染源指紋圖譜。

3.2.4.3 方法流程

針對受體采樣數據直接進行矩陣分解，得到各污染源組分及其貢獻率的統計方法（圖3.5）。

圖3.5 方法流程圖

（1）缺失值處理

正定矩陣因子分析是基於多元統計的分析方法，對數據有效性具有一定的要求，因此在進行分析之前首先對數據進行預處理。根據已有數據的特徵結合實際情況主要有以下5種處理方法。

1）采樣數據量充足的情況下直接丟棄含缺失數據的記錄。

2）存在部分缺失值情況下用全局變數或屬性的平均值來代替所有缺失數據。把全局變數或是平均值看作屬性的一個新值。

3）先根據歐式距離或相關分析來確定距離具有缺失數據樣本最近的K個樣本，將這K個值加權平均來估計該樣本的缺失數據。

4）採用預測模型來預測每一個缺失數據。用已有數據作為訓練樣本來建立預測模型，如神經網路模型預測缺失數據。該方法最大限度地利用已知的相關數據，是比較流行的缺失數據處理技術。

5）對低於數據檢測限的數據可用數據檢測限值或1/2檢測限以及更小比例檢測限值代替。

（2）不確定性處理

計算數據不確定性。

地下水型飲用水水源地保護與管理：以吳忠市金積水源地為例

式中：s——誤差百分數；

c——指標濃度值；

l——因子數據檢出限。

（3）數據合理性分析

本研究所用數據在放入模型前以信噪比S/N（Signal to Noise）作為標准進行篩選，信噪比S/N為：

地下水型飲用水水源地保護與管理：以吳忠市金積水源地為例

式中：x_ij——第i采樣點第j個樣品的濃度；

s_ij——第i采樣點第j個樣品的標准偏差。

信噪比小，說明樣品的雜訊大，信噪比越大則表示樣品檢出的可能性越大，越適合模型。

（4）數據輸入及因子分析

與其他因子分析方法一樣，PMF不能直接確定因子數目。確定因子數目的一般方法是嘗試多次運行軟體，根據分析結果和誤差，Q值以及改變因子數目時Q值的相對變化等來確定合理的因子數目。

3.2.4.4 適用范圍

PMF對污染源和貢獻施加了非負限制，並考慮了原始數據的不確定性，對數據偏差進行了校正，使結果更具有科學的解釋。PMF使用最小二乘方法，得到的污染源不需要轉換就可以直接與原始數據矩陣作比較，PMF方法能夠同時確定污染源和貢獻，而不需要事先知道源成分譜。適用於水文地質條件簡單，觀測數據量較大，污染源和污染種類相對較少的地區，運用簡便，可應用分析軟體進行計算。

3.2.4.5 NMF 源解析

NMF在實現上較PMF演算法簡單易行，非負矩陣分解根據目的的不同大致可以分為兩種：一是在保證數據某些性質的基礎上，將高維空間的樣本點映射到某個低維空間上，除去一些不重要的細節，獲得原數據的本質信息；二是在從復雜混亂的系統中得到混合前的獨立信息的種類和強度。因此，基於非負矩陣分解過程應用領域的不同，分解過程所受的約束和需要保留的性質都不相同。本書嘗試性地將NMF演算法應用於水質影響因素的分離計算中（表3.2）。

表3.2 RMF矩陣分解權值表

依照非負矩陣分解理論的數學模型，尋找到一個分解過程V≈WH，使WH和V無限逼近，即盡可能縮小二者的誤差。在確保逼近的效果，定義一個相應的衡量標准，這個衡量標准就叫作目標函數。目標函數一般採用歐氏距離和散度偏差來表示。在迭代過程中，採用不同的方法對矩陣W和H進行初始化，得到的結果也會不同，演算法的性能主要取決於如何對矩陣W和H進行初始化。傳統的非負矩陣演算法在對矩陣W和H賦初值時採用隨機方法，這樣做雖然簡單並且容易實現，但實驗的可重復性以及演算法的收斂速度是無法用隨機初始化的方法來控制的，所以這種方法並不理想。許多學者提出改進W和H的初始化方法，並發展出專用性比較強的形式眾多的矩陣分解演算法，主要有以下幾種：局部非負矩陣分解（Local Non-negative Matrix Factorization，LNMF）、加權非負矩陣分解（Weighted Non-negative Matrix Factorization，WNMF）、Fisher非負矩陣分解（Fisher Non-negative Matrix Factorization，FNMF）、稀疏非負矩陣分解（Sparse Non-negative Matrix Factorization，SNMF）、受限非負矩陣分解（Constrained Non-negative Matrix Factorization，CNMF）、非平滑非負矩陣分解（Non-smooth Non-negative Matrix Factorization，NSNMF）、稀疏受限非負矩陣分解（Nonnegative Matrix Factorization with Sparseness Constraints，NMF-SC）等理論方法，這些方法針對某一具體應用領域對NMF演算法進行了改進。

本書嘗試應用MATLAB工具箱中NNMF程序與改進的稀疏非負矩陣分解（SNMF）對研究區11項指標（同PMF數據）進行分解，得到各元素在綜合成分中的得分H，初始W₀，H₀採用隨機法取初值。r為分解的基向量個數，合適的r取值主要根據試演算法確定，改變r值觀察誤差值變化情況，本書利用SMNF演算法計算時，r分別取2，3，4，採用均方誤差對迭代結果效果進行評價，結果顯示當r取2，4時誤差值為0.034，取3時誤差值為0.016，因此r＝3是較合理的基向量個數。採用NNMF演算法進行計算時，利用MATLAB工具箱提供的兩種計演算法分別進行計算，乘性法則（Multiplicative Update Algorithm）計算結果誤差項比最小二乘法（Alternating Least-squares Algorithm）計算誤差值小且穩定，但總體NNMF計算誤差較大，改變初始W₀，H₀取值和增加迭代次數誤差均未明顯減小，調整r取值，隨著r值的增大誤差逐漸減小。

對比SNMF和NNMF演算法所得權值結果，兩種方法所得權值趨勢一致，但得分值有所不同，由於SNMF演算法對矩陣進行了稀疏性約束，計算結果中較小的權值更趨近於0，兩次結果中在三個基向量上總體權值較大的元素項為T-Hard、

、Mg²⁺、Ca²⁺、

，從盲源分離的角度來看該幾種元素對地下水具有較大的影響，但從地下水水質影響因素來看，該方法對數據的分析偏重於突出局部數據的特徵，在各因素相關性較大但含量不高的情況下，容易忽略了關鍵的影響因素。從權值得分來看，SNMF法解析的第一個基向量上的元素包括EC、T-Hard、NH₄—N、

、

、TDS；第二基向量主要有Na⁺、Mg²⁺、Cl^-；第三個基向量

、Ca²⁺，從結果可以看出該方法進行矩陣分解並未得到可合理解釋的源項結果，方法有待進一步研究及驗證。

7. mf值的演算法

只有你現在用的這套起作用
備用武器的所有效果都不起作用
當然，也包括MF

8. 什麼是模糊預測演算法啊

模糊預測控制演算法

Fuzzy Prediction Control Algorithm

翟春艷 李書臣

摘 要：模糊預測控制(FPC)是近年來發展起來的新型控制演算法,是模糊控制與預測控制相結合的產物.文章在預測控制的模型預測、滾動優化、反饋校正機理下,對模糊預測控制模型及其優化控制演算法作了歸納,並對模糊預測控制今後的發展進行了展望.

模糊表的一部分，就是個數組，多少個輸入就做個幾維數組就可以了(3514字)liyu2005[28次]2004-3-20 18:16:07
unsigned char outputs[MF_TOT], // 模糊輸出mu值
fuzzy_out; // 模糊控制值
unsigned char input[INPUT_TOT] ={ // 模糊輸入
0, 0
};
unsigned char code input_memf[INPUT_TOT][MF_TOT][256]={
// 輸入功能函數
{
{ // velocity: VSLOW
0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF,
0xFF,
0xFF, 0xFF,
0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF,
0xFF,
0xFF, 0xF6,
0xED, 0xE4, 0xDB, 0xD2, 0xC9, 0xC0, 0xB7, 0xAE, 0xA5, 0x9C, 0x93, 0x8A, 0x81,
0x78,
173
0x6F, 0x66,
0x5D, 0x54, 0x4B, 0x42, 0x39, 0x30, 0x27, 0x1E, 0x15, 0x0C, 0x03, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00
}

http://www.newcyber3d.com/cds/ch_cd05/intro_cga.htm

9. 如何計算股市總投入資金量

有兩種演算法：

1、MF指標，MF=漲跌*成交量。該指標叫資金流量（Money Flow）。
2、大額成交量：該演算法首先還原大單，然後分出內外盤，資金=大額外盤-大額內盤。

10. 那麼應該劃分為幾個短些的數據報片各數據報片得數據欄位長度，片偏移欄位和MF標志各為何數值

首先ip數據報首部20還剩1460，最大為500，再加上除最後一分片外，其它分片長度必須為8的整數倍，所以分為3片長度分別為496，496，468，偏移量分別為0/8，4968，496•2/8。MF分別為1，1，0。

例如：

3片；

第一片：數據欄位長度1480、片偏移是0，MF是1；

第二片：數據欄位長度1480、片偏移是185，MF是1；

第三片：數據欄位長度1020、片偏移是370和MF是0。

(10)mf演算法擴展閱讀：

首部長度：佔4位，可表示的最大十進制數值是15。請注意，這個欄位所表示數的單位是32位字（1個32位字長是4位元組），因此，當IP的首部長度為1111時，首部長度就達到60位元組。當IP分組的首部長度不是4位元組的整數倍時，必須利用最後的填充欄位加以填充。

因此數據部分永遠在4位元組的整數倍開始，這樣在實現IP協議時較為方便。首部長度限制為60位元組的缺點是有時可能不夠用。但這樣做是希望用戶盡量減少開銷。最常用的首部長度就是20位元組（即首部長度為0101），這時不使用任何選項。