bam演算法

1. 逆向工程實訓室的供應商

北京智啟維恩科技開發有限公司（Enlighten Win）總部位於中關村科技園區，是一家致力於三維掃描相關產品研發、生產、推廣和服務的高新技術企業。智啟公司已通過雙軟認證、ISO9001:2008國際質量管理體系認證、是北京市科委認定的高新技術企業及中關村高新技術企業。智啟公司承擔了多項國家、省部級重大科研項目，並獲得了多項國家發明專利及軟體著作權。依託深厚的技術實力及不斷創新的精神，成功研發出具有自主知識產權的第二代光學外差技術，與傳統的第一代格雷碼加相移技術相比，擁有測量精度高、受環境影響小、掃描時間短、測量效率高等優勢特點，配合公司獨有的全局誤差控制演算法（BAM），經過國家科學委員會嚴格的測試鑒定，已達到同類設備的國際先進水平。 智啟公司已為國內數家大型企業、高等科研院所提供了先進的產品與優質的服務，其中包括哈爾濱飛機工業集團有限責任公司、哈爾濱東安發動機（集團）有限公司、沈陽發動機研究所、華中科技大學、上海交通大學、哈爾濱工業大學、哈爾濱工程大學等單位，得到客戶的一致認可與好評。智啟公司本著「科技引領成長，智慧開啟成功」的企業理念，在三維掃描領域中探索，用不斷創新的智慧成果服務客戶，幫助各行業客戶提升競爭力並創造新的價值，為中國三維掃描產業的應用與發展做出傑出貢獻。

2. 大家看看 這個是什麼加密演算法得到的啊

??? 加密演算法?
加密演算法得到的結果是亂碼! 而並非又字母又數字又符號的!
鑒定結果 此文本未被加密!

3. 三年級數學基本功輪船平移多少格

那還是要看是什麼類型的題目，以及還要看怎樣才會有好的演算法，或者是看實際情況。

4. 設計一個用有理數指數冪逼近無理數5的根號2額演算法，比估計5的根號2的近似值，畫出算你發程序框圖

第一步，給定精確度
d
，令
1
i

.

第二步，取出
2
的到小數點後第
i
位的不足近似值，賦給
a

；取出
2
的到小數點
後第
i
位的過剩近似值，賦給
b
.
第三步，計算
5
5
b
a
m


.
第四步，若
m
d


，則得到
2
5
的近似值為
5
a
；否則，將
i
的值增加
1
，仍用
i
表示
.

5. 其他定量分析方法

7.5.1 多因子工程地質分析法

7.5.1.1 原理

多因子工程地質分析法是由許惠德於1989年提出的。該法主要考慮井田建造、層組、岩組特徵，以及岩性變異特徵、岩體質量優劣分段、構造變異特徵、河谷卸壓影響及水文地質條件等工程地質因素。以岩組劃分為基礎，融合其他工程地質因素，採用對比分類法，將煤層頂板劃分成4種穩定區域。

7.5.1.2 方法

(1)地質因素分析

1)建造:為一定的大地構造單元內，成岩作用在時間上的分異特徵的術語。

2)層組:指不同岩性的岩層作有規律的組合，其劃分是在建造基礎上進行的。據煤系地層沉積特徵，可劃分出單層結構和多層結構兩大類(表7.19)。

3)岩組:為岩體與岩石在一般特徵上類似工程地質特徵上相近的組合，其劃分是在層組基礎上進行的(表7.19)。

4)岩性變異特徵:對煤層頂底板岩體可進行室內物理力學性質指標測定、室內微觀分析(包括薄片鑒定、差熱分析、X-射線衍射分析和電子顯微鏡分析)等。如對山西譜庄礦3號煤層頂板分析後得出如下結論:①泥岩、粉砂岩不具膨脹性，粉砂岩中石英有被粘土礦物交代現象，具泥質結構和顯微定向構造，基底式膠結，膠結物為泥質，與泥岩有相似的物理力學性質，強度較低;②在同一岩組中，岩石的強度有由井田北部向中偏南降低的趨勢;③井田中部岩體破碎程度較高;④隨深度增加，各類岩石的完整程度增高。

5)岩體質量優劣分級:以岩石質量指標(RQD)作為岩體質量優劣的半定性評價。如潘庄礦(圖7.11)首采區的中上部岩體質量極壞，據此可提出整個塊段岩體質量評價。

6)構造變異特徵:根據地層傾角、構造發育、頂板岩性組成等，評價一個地區的構造應力狀況。如山西某井田內地層傾角平緩(5°～15°)，褶皺呈舒緩波狀，無較大的斷層存在，地震烈度不高(6度)，3號煤層的頂板大多為松軟岩石。因此，井田內不易積聚大量應變能，構造應力較低。

表7.19 潘庄一號井田工程地質岩組劃分

7) 河谷卸壓: 河谷卸壓會影響采場和巷道頂、幫內的應力分布; 而應力的增加、岩體的膨脹、鬆弛、裂隙的產生均會加劇頂板和圍岩的不穩定性。如潘庄礦 3 號煤層首采區上方為一構造剝蝕的低山區，河谷兩側為侵蝕堆積地形。河谷切割較深，卸壓現象較為嚴重。因此，根據 3 號煤層上覆岩層的厚度 ( 圖7.11) 和性質、頂板岩層的強度，預測了相對嚴重卸壓區段。

8) 水文地質條件: 主要根據地質、水文地質觀測、試驗資料，利用一定計算方法評價地質條件。如山西某礦通過分析計算煤層頂板岩體冒落帶和破裂帶的最大高度值，認為雖然冒落帶與上覆含水層連接，采場充水似乎不可避免，但由於含水層水量較小易於疏干，因此不會造成突水威脅。

( 2) 工程地質穩定性分區

通過對各種地質因素的分析和對比，利用一定的計算和統計方法，應用綜合編圖手段，最終作出工程地質穩定性分區圖，可劃分出穩定區、中等穩定區、不穩定區和極不穩定區等 4 類，如果採用數學地質、數理統計、定量評價等手段，可以給上述 4 類區段賦予評價指數 ( 參數) 。圖7.12 為潘庄礦首采區工程地質穩定性分區。

圖7.11 層理岩組圖

圖7.12 山西潘庄采區工程地質分區

7.5.2 頂板穩定性沉積模式研究法

7.5.2.1 原理

該方法屬成因頂板穩定性研究范疇，從沉積環境分析入手，分析頂板沉積模式，最終探明頂板穩定類型。

7.5.2.2 方法步驟

( 1) 頂板岩性分類

首先要對某煤層頂板 ( 研究對象) 進行岩性分類，分類的資料基礎主要是勘探鑽孔資料。如 J.Truman 等利用鑽孔資料，將 1 號煤層以上 10 英尺 ( 1 英尺 =0.3048m) 的岩性劃分成 16 種類型，並用 3 位數碼表示各種岩石 ( 圖7.13) 。

( 2) 編制岩性分布圖

編制煤層之上不同高程的岩性分布圖。從圖中可以清楚地了解煤層之上岩性在橫向和縱向上的分布及其變化。圖7.14 為美國懷俄明州某礦 l 號煤層之上 10 英尺岩性分布圖。

( 3) 工程應用

J.Truman 等通過研究美國懷俄明州某礦 1 號煤層頂板類型，認為在地下開采過程中，河道沉積物 ( 圖7.13 中的層序類型 l，4，9，10，11，12，13) 頂板一般堅固穩定，如果河道砂岩沒有切入煤層頂部 ( 圖7.13 中層序類型⑨，⑩，瑏瑡，瑏瑢，瑏A) ，則插入的頁岩可能有擦痕面。這些擦痕面是由於砂岩與頁岩之問的緻密程度不同而造成的，它們可能是引起頂板穩定性差異的重要因素，層序類型瑏A ( 流狀沉積) 發生在河曲的切割側。當發生滑動時，它們可使層理扭曲，大大降低了岩石強度，並常造成嚴重冒頂。一般來說，河道與河道之間的過渡帶是不穩定的。另外還要注意煤層頂面到河道砂岩底面之間的距離，以確保使用合適的頂板錨桿，從而使錨點放在砂岩的底部。天然堤沉積 ( 圖7.13 中層序類型⑥常含有植物根，這些植物根破壞了層理，降低了岩石的強度，必須加以錨固或強制冒落。

決口扇 ( 圖7.13 中層序類型②，③) 往往是煤層發育的台坪，從而產生一個軟弱帶。決口扇與煤層之間的間距以及決口扇的厚度應予以注意，以確保錨桿有足夠的長度，使錨點在砂岩中或是薄煤層之上。

圖7.13 1 號煤層以上 10 英尺內的典型岩石層序( 據 J.Truman 等，1985)

①均質砂岩 10 英尺; ②1 號煤層直接頂板的決口扇砂岩厚度; ③1 號煤層以上 2～ 3 英尺的決口扇砂岩厚度; ④324 至 124 為向上變細層序 ( 1 號煤層以上的距離) ; ⑤均質砂質頁岩 ( 324) ; ⑥均質砂岩與頁岩互層 ( 124) ; ⑦向上變粗層序; ⑧均質頁岩 ( 124) ; ⑨河道砂岩，厚度 ＜ 10 英尺; ⑩河道砂岩底部，大於10 英尺，1 號煤層以上 0～ 4 英尺; 瑏瑡河道砂岩底部， ＞ 10 英尺，1 號煤層以上 4～ 6 英尺; 瑏瑢河道砂岩 ＞10 英尺，1 號煤層以上 6～ 10 英尺; 瑏A1 號煤層以上 10 英尺間隔內的流動構造; 瑏A1 號煤層以上 0～ 4 英尺的薄煤層; 瑏瑥1 號煤層以上 4～6 英尺的薄煤層; 瑏瑦1 號煤層以上 6～10 英尺的薄煤層015—炭質砂岩; 020—煤層; 124—粘土; 324—砂質泥岩; 544—砂岩

圖7.14 1號煤層以上10英尺內的岩石類型層序$ （據J.Truman等，1985）$

海灣沉積物 ( 圖7.13 中層序類型⑤，⑦，⑧) 一般是堅固穩定的。

穩定性最差的是 ( 圖7.13 中層序類型（16）) 1 號煤層之上的薄煤層及其下伏層是被植物根穿透的頁岩，為頂板弱帶，最易發生離層，造成頂板不穩定。

7.5.3 單項分析、綜合評判法

7.5.3.1 原理和方法

如前所述，影響煤層硬板穩定性的地質因素很多，多則十幾項，少則四、五項。對某一煤田或井田來說，所有因素中總是有主有次，因此需要逐一甄別，即單項分析，以篩選出幾個主要因素，經過綜合評判，然後與已采區實際揭露和頂板冒落情況進行對比，給予恰當的科學評分。最後在綜合圖上據評分結果劃出各種不同的區域。

7.5.3.2 步驟

以山東新汶某礦第 2 煤層硬板為例，簡述工作步驟。

( 1) 單項地質因素分析

1) 岩性: 第 2 煤層頂板岩性主要有砂岩、粉砂岩、頁岩。評判給分如表7.20 所示。

表7.20 各單向因素評分

注: 括弧中數字為評分。

2) 岩層厚度: 岩層厚度是評判的主要參數，因此需據不同岩性、不同厚度分別評分。對砂岩、粉砂岩、頁岩等岩層厚度評判的評分結果見表7.20。

3) 傾角變異系數: 在煤層構造圖上採用 「滑動窗口法」 計算出傾角變異系數，然後分指標段給予評分 ( 表7.20) 。

4) 小斷層發育密度: 同樣採用 「滑動窗口法」 計算出小斷層發育密度，未采區應先進行小斷層發育規律及密度的預測，然後給予評分 ( 表7.21) 。

表7.21 綜合評判評分結果

5) 第 2 煤距上部第 1 煤的距離: 第 2 煤層上部有的地方發育了一薄煤層 ( 即第 1 煤層) 。由於薄煤層是個軟弱層，所以開采後最易發生離層而冒落。而且，這種冒落的影響因素中最關鍵的是第 2 煤層距第 1 煤層的距離。據該礦歷次實際冒落情況分析，給予表7.20 所示評判記分。

( 2) 綜合評判—穩定性區劃

據各次評判記分結果編圖，經綜合分析進行頂板穩定性區劃，經與已采區的實際冒落情況對比基本吻合，最後成果見表7.21 和圖7.15。

圖7.15 第 2 煤層頂板穩定性分區

7.5.4 人工神經網路法

7.5.4.1 人工神經網路簡介

隨著計算機技術的普及和發展，利用計算機進行頂板預測的研究大量出現，如利用模糊數學法 ( 丁述禮，1994; 王生全，1997; 劉衡秋，2002) 、層次分析法 ( 劉海燕，2004) 、模糊聚類法 ( 塗敏，1995) 、分形幾何法 ( 徐林生，1996; 張玉三，1995) 等方法來預測和評價頂板穩定性，並在相應方面和區域取得了明顯的成效。本節將用人工神經網路法建立頂板穩定性預測模型，預測龍固井田頂板穩定性，進一步做出頂板穩定性綜合分區圖。

( 1) 人工神經網路的起源

人工神經網路 ( Artificial Neural Network，簡稱 ANN) 研究的先鋒，美國心理學家Warren S.McCulloch 和數學 家 Walter H.Pitts 曾於 1943 年提 出 一種叫做 「似腦 機 器」( mindlike machine) 的思想，這種機器可由基於生物神經元特性的互聯模型來製造，這就是神經學網路的概念。他們構造了一個表示大腦基本組成部分的神經元模型，對邏輯操作系統表現出通用性。隨著大腦和計算機研究的進展，研究目標已從 「似腦機器」變為「學習機器」，為此一直關心神經系統適應律的心理學家 D.O.Hebb 於 1949 年提出了學習模型。1957 年 Rosenblatt 首次提出感知器，並設計了一個引人注目的結構。到 60 年代初期，關於學習系統的專用設計指南有 Widrow 等提出的 Adaline ( adaptive linear element，即自適應線性元) 以及 Steinbuch 等提出的學習矩陣。由於感知器的概念簡單，因而在開始介紹時對它寄予很大希望。然而，不久之後 Minsky 和 Papert 從數學上證明了感知器不能實現復雜的邏輯功能。到了 70 年代，Grossberg 和 Kohonen 對神經網路研究做出了重要貢獻。以生物學和心理學證據為基礎，Grossberg 提出了幾種具有新穎特性的非線性動態系統結構。該系統的網路動力學由一階微分方程建模，而網路結構為模式聚集演算法的自組織神經實現。基於神經元組織自己來調整各種各樣的模式的思想，Kohonen 發展了他在自組織映像方面的研究工作。Werbos 在 70 年代開發了一種反向傳播演算法。Hopfield 在神經元交互作用的基礎上引入一種遞歸型神經網路，這種網路就是有名的 Hopfield 網路。在 80年代中葉，作為一種前饋神經網路的學習演算法，Parker 和 Rumelhart 等重新發現了反回傳播演算法。如今，神經網路的應用越來越廣泛了。

( 2) 人工神經網路的特點及應用

人工神經網路是由許多神經元互連在一起組成的復雜網路系統。它是在現代神經學研究成果基礎上提出的，能模擬人的若干基本功能，具有並行分布的信息處理結構，通過 「學習」或 「訓練」的方式完成某一特定的工作。其最顯著的特點是具有自學習能力，並在數據含有噪音、缺項或缺乏認知時能獲得令人滿意的結論，特別是它可以從積累的工作實例中學習知識，盡可能多地把各種定性、定量的影響因素作為變數加以輸入，建立各影響因素與結論之間的高非線性映像，採用自適應模式識別方法完成此工作。它對處理內部規律不甚了解、不能用一組規則或方程進行描述的較復雜問題或開放的系統顯得較為優勢。

按照神經元的連接方式，人工神經網路可分為兩種: 沒有反饋的前向網路和相互結合型網路。前向網路是多層映像網路，每一層中神經元只接受來自前一層神經元的信號，因此信息的傳播是單方向的。BP 網路是這類網路最典型的例子。在相互結合型的網路中，任意神經元之間都可能有連接，因此，輸入信號要在網路中往返傳播，從某一初態開始，經過若干變化，漸漸趨於某一穩定狀態或進入周期震盪等其他狀態，這方面的網路有Hopfield 網路、SOM 網路等。網路的學習能力體現在網路參數的調整上。參數調整方法為有教師學習和無教師學習兩種基本方式。有教師學習方式是網路根據教師給出的正確輸入模式，校正網路的參數，使其輸出接近於正確模式。這類方式常採用梯度下降的學習方法，如 BP 演算法。而無教師學習是網路在沒有教師直接指點下通過競爭等方式自動調整網路參數的學習方法，如自適應共振網路。神經網路就是由許多神經元互連在一起組成的神經結構。把神經元之間相互作用的關系進行數學模型化就可以得到神經網路模型。目前已有幾十種不同的神經網路模型。代表的網路模型有感知器、反向傳播 BP 網路、GMDH 網路、RBF 網路、雙向聯想記憶 ( BAM) 、Hopfield 網路、Boltsmann 機、自適應共振網路( ART) 、自組織特徵映像 ( SOM) 網路等。運用這些網路模型可實現函數近似 ( 數字逼近映像) 、數據聚類、模式識別、優化計算等功能，因此，人工神經網路廣泛用於人工智慧、自動控制、機器人、統計學、工程學等領域的信息處理中。

( 3) 人工神經網路的結構

A.神經元及其特性

圖7.16 神經元模型

人工神經網路的基本處理單元在神經網路中的作用與神經生理學中神經元的作用相似，因此，人工神經網路的基本處理單元往往被稱為神經元。人工神經網路結構中的神經元模型模擬一個生物神經元，如圖7.16所示。該神經元單元由多個輸入x_i(i=1，2，…，n)和一個輸出y_j組成。中間狀態由輸入信號的加權和與修正值表示，而輸出為:

煤層頂板穩定性評價、預測理論與方法

式中:θ_j為神經元單元的偏置(閾值);w_ji為連接權系數(對於激發狀態，w_ji取正值，對於抑制狀態，w_ji取負值);n為輸入信號數目;y_j為神經元輸出;t為時間;f()為輸出變換函數，有時叫做激發或激勵函數，往往採用0和1二值函數或S形函數，見圖7.17，這3種函數都是連續和非線性的。一種二值函數如圖7.17(a)所示，可由下式表示:

煤層頂板穩定性評價、預測理論與方法

一種常規的S形函數如圖7.17(b)所示，可由下式表示:

煤層頂板穩定性評價、預測理論與方法

常用雙曲正切函數(如圖7.17(c))來取代常規S形函數，因為S形函數的輸出均為正值，而雙曲正切函數的輸出值可為正或負。雙曲正切函數如下式所示:

圖7.17 神經元中的某些變換(激發)函數

B.神經網路的基本類型

1)人工神經網路的基本特性:人工神經網路由神經元模型構成，這種由許多神經元組成的信息處理網路具有並行分布結構。每個神經元具有單一輸出，並且能夠與其他神經元連接;存在許多(多重)輸出連接方法，每種連接方法對應一個連接權系數。嚴格地說，人工神經網路是一種具有下列特性的有向圖:①對於每個節點存在一個狀態變數x_i;②從節點i至節點j，存在一個連接權系數w_ji;③對於每個節點，存在一個閾值j;④對於每個節點，定義一個變換函數f_j(x_i，w_ji，j)，ij;對於最一般的情況，此函數取

煤層頂板穩定性評價、預測理論與方法

2)人工神經網路的主要學習演算法:神經網路主要通過兩種學習演算法進行訓練，即指導式(有師)學習演算法和非指導式(無師)學習演算法。此外，還存在第三種學習演算法，即強化學習演算法，可把它看做是有師學習的一種特例。

·有師學習:有師學習演算法能夠根據期望和實際的網路輸出(對應於給定輸入)間的差來調整神經元間連接的強度或權。因此，有師學習需要有個老師或導師來提供期望或目標輸出信號。

·無師學習:無師學習演算法不需要知道期望輸出。在訓練過程中，只要向神經網路提供輸入模式，神經網路就能夠自動地適應連接權，以便按相似特徵把輸入模式分組聚集。無師學習演算法的例子包括Kohonen演算法和Carpenter-Grossberg自適應共振理論(ART)等。

·強化學習:如前所述，強化學習是有師學習的特例。它不需要老師給出目標輸出。強化學習演算法採用一個「評論員」來評價與給定輸入相對應的神經網路輸出的優度(質量因數)。強化學習演算法的一個例子是遺傳演算法(GAs)。

7.5.4.2 多層前饋神經網路(BP)模型

BP模型是目前研究最多、應用最廣泛的ANN模型。它是由Rumelhart等組成的PDP小組於1985年提出的一種神經元模型，其結構如圖7.18所示。理論已經證明一個3層的BP網路模型能夠實現任意的連續映像。

圖7.18 反向傳播(BP)神經網路結構

( 1) BP 網路模型特點

BP ( Back Propagation) 網路模型是把一組樣本的輸入輸出變成一個非線性優化問題，使用了最優化中最普遍的梯度下降演算法，用迭代運算求解權，加入隱節點使得優化問題的可調參數增加，從而可以逼近精確解。

BP 網路由輸入層、輸出層及隱含層組成，隱含層可有一個或多個，每層由多個神經元組成。其特點是: 各層神經元僅與相鄰層神經元之間有連接; 各層內神經元之間無任何連接; 各層神經元之間無反饋連接。輸入信號先向前傳播到隱結點，經過變換函數之後，把隱結點的輸出信息傳播到輸出結點，經過處理後再給出輸出結果。結點的變換函數通常選取 Sigmoid 型函數。一般情況下，隱含層採用 S 型對數或正切激活函數，而輸出層採用線性激活函數。

如果輸入層有 n 個神經元，輸出層有 m 個神經元，則網路是從 n 維歐氏空間到 m 維歐氏空間的映像。在確定了 BP 網路的結構後，利用輸入輸出樣本集對其進行訓練，也即通過調整 BP 網路中的連接權值、網路的規模 ( 包括 n、m 和隱層節點數) ，就可以使網路實現給定的輸入輸出映像關系，並且可以以任意精度逼近任何非線性函數。BP 網路通過對簡單的非線性函數的復合來完成映像，用這種方法經過少數的幾次復合就可以得到極為復雜的函數關系，進而可以表達復雜的物理世界現象，使得許多實際問題都可以轉為利用神經網路來解決。經過訓練的 BP 網路，對於不是樣本集中的輸入也能給出合適的輸出，這種性質稱為泛化 ( Generalization) 功能。從函數擬合的角度看，這說明 BP 網路具有插值功能。

( 2) BP 網路學習演算法

BP 神經網路採用誤差反傳學習演算法，使用梯度搜索技術，實現網路的實際輸出與期望輸出的均方差最小化。網路學習的過程是一種邊向後邊傳播邊修正權的過程。

在這種網路中，學習過程由正向傳播和反向傳播組成。在正向過程中，輸入信號從輸入層經隱層單元逐層處理，並傳向輸出層，每一層神經元的狀態隻影響下一層神經元的狀態。如果在輸出層不能得到期望的輸出，則轉向反向傳播，將輸出的誤差按原來的連接通路返回。通過修改各層神經元的權值，使得誤差信號最小。得到合適的網路連接值後，便可對新樣本進行非線性映像。

A.信息的正向傳遞

假設 BP 網路共 L 層，對於給定的 P 個樣本，網路的期望輸出為:

煤層頂板穩定性評價、預測理論與方法

當輸入第 P 個樣本時，對於網路中的第 l ( l =1，2，…，L -1) 層中第 j 個神經元的操作特性為:

煤層頂板穩定性評價、預測理論與方法

式中:W_ji———神經元i到神經元j的連接權值;

n_l-1———第l-1層的結點數;

O^(l-1)_jp———神經元j的當前輸入;

O^(l)_jp———神經元j的輸出;

f_l———非線性可微非遞減函數，一般取為S型函數，即

煤層頂板穩定性評價、預測理論與方法

而對於輸出層則有

煤層頂板穩定性評價、預測理論與方法

神經網路學習的目的是實現對每一樣本

煤層頂板穩定性評價、預測理論與方法

B.利用梯度下降法求權值變化及誤差的反向傳播

採用梯度演算法對網路權值、閾值進行修正。

第1層的權系數迭代方程為:

煤層頂板穩定性評價、預測理論與方法

式中:k———迭代次數。

令

煤層頂板穩定性評價、預測理論與方法

令

煤層頂板穩定性評價、預測理論與方法

煤層頂板穩定性評價、預測理論與方法

C.網路的訓練過程

1)網路初始化，用一組隨機數對網路賦初始權值，設置學習步長η、允許誤差ε、網路結構(即網路層數L和每層節點數n_l);

2)為網路提供一組學習樣本;

3)對每個學習樣本p循環:

a.逐層正向計算網路各節點的輸入和輸出;

b.計算第p個樣本的輸出的誤差E_p和網路的總誤差E;

c.當E小於允許誤差ε或者達到指定的迭代次數時，學習過程結束，否則，進行誤差反向傳播，

d.反向逐層計算網路各節點誤差 ，如果f_l取為S型函數，即 ，則

對於輸出層

對於隱含層

e.修正網路連接權值:

煤層頂板穩定性評價、預測理論與方法

式中:k———學習次數;

η———學習因子。η取值越大，每次權值的改變越劇烈，可能導致學習過程振盪，

因此，為了使學習因子的取值足夠大，又不致產生振盪，通常在權值修正公式中加入一個附加動量法。

表7.22 指標定量化原則

7.5.4.3 基於多層前饋神經網路(BP)模型的煤層頂板評價思路

由以上研究來看，BP人工神經網路模型是建立於已知因素的基礎上，提取有關的權值等相關參數，然後去評價煤層頂板的穩定性。因此，要想利用該方法對煤層頂板進行評價，應該通過以下幾個思路:

1)找出比較典型的能夠反映某一井田的鑽孔及能夠反映頂板穩定性的資料，通過專家打分法或其他方法對其頂板穩定性進行評價;

2)利用評價結果對不同等級的頂板穩定性進行分級定量的定義，並建立評價指標的定量化表，表7.22是對巨野煤田龍固井田進行分級的指標;

3)通過已知並評價好的鑽孔，代入到人工神經網路神經元公式進行大量的回算權值，並通過最終的分析確定出權值(W_kj)的值;

4)將權值代入神經元模型，確定某一井田頂板穩定性模式，然後將井田內其他相關鑽孔的地質資料帶入，並得出其結果，代入表7.22進行分析得出井田鑽孔周圍頂板穩定性。

6. cufflinks用了什麼演算法

第一步： 產生各自的gtf文件
cufflinks -p 30 -o ROOT RF12.merged.bam
cufflinks -p 30 -o LEAF LF12.merged.bam
發現產生的gtf文件都是單exon

第二部：將產生的gtf文件放到namelist 中
/share/bioinfo/miaochenyong/call_snp/testgroup/newGTF/using_new_versin_naturepipe/LEAF/transcripts.gtf
/share/bioinfo/miaochenyong/call_snp/testgroup/newGTF/using_new_versin_naturepipe/ROOT/transcripts.gtf

第三部執行cuffmerge
cuffmerge -g Osativa_204_gene.gtf -s ./Osativa_204.fa -p 50 new_namelist
結果：
/share/bioinfo/miaochenyong/call_snp/testgroup/newGTF/using_new_versin_naturepipe/merged_asm/merged.gtf
gene_id是merge新生成的， 但是gene_name如果在參考的gtf中有，會保留。 新的gene_name都只是單exon.

7. 音效卡問題inter corporation 82801ba/bam AC97 AUDIO controller(ICH2/ICH2-m b5 step)

這說明軟體情況是正常的.
你可以確認一下看線有沒有接好..看你的音箱是不是忘記打開電源.很可能是很細小的錯誤讓你緊張半天喲
進入到控制面板的聲音和音頻設備..屬性..里有個設備音量,弄到最低的時候也會沒有聲音.不一定就是靜音.下邊的操作也可以
點擊小喇叭..打開音量控制..選項..屬性..看別的項是不是把不該靜音的給弄靜音了.

不要告訴我是耳機壞了,或者是沒有插對啊.

就你水平高嗎？就算你要神氣也要等問題解決了吧,要是再解決不了你不會又要說樓主笨了吧,
人家原來是能用的,就是重裝系統後才不能用.AC97怎麼了,集成的支持的多了去了..如果不支持的硬體總要有個? !吧..,不支持的話文件根本不能播放吧,而不是不出聲音吧.給人家下載地址,你就知道人家沒有更優化的驅動盤嗎？
我等著看樓主給你一個紅旗的,這是一個大家討論的地方..可不是胡說八道的地方..
微軟那麼多競爭對手啊,你也是一個吧,知道那麼多.還會復制..那天當個微硬總裁吧.

過份..得罪樓主了不要見怪..如果他對了.樓主給個評價.我認輸..我學習..＾○＾

8. 德軍總部的系列簡介

著名的動作游戲系列《德軍總部》，共包括以下4代作品：

第一代：德軍總部1

• 英文名：Castle Wolfenstein；

• 中文名：德軍總部；

• 類型：動作游戲；

• 研發：Muse Software；

• 發行年：1981；

• 平台：Apple II；

• 簡介：經典游戲之一， 當初不知道風靡了世界上多少玩家. 游戲的目的是逃離德軍城堡， 途中可是有警衛的， 不過可以穿上德軍制服假扮， 掩人耳目， 非常過癮. 要成功的脫出非常困難，開鎖也是一件很痛苦的事， 好一點的開30秒， 比較久可能要枯等一分多鍾。

第二代：德軍總部2：秘密警察

• 英文名：Beyond Castle Wolfenstein；

• 中文名：德軍總部2：秘密警察；

• 類型：動作游戲；

• 研發：Muse software；

• 發行年：1984；

• 操作系統：Apple II&Atari 8-bit&Commodore64&DOS；

• 簡介：跟一代不同的是， 這代的目的是要找到希特勒的辦公室然後安裝炸彈. 圖形更加精美， 且敵人更加狡獪， 還會按警鈴. 不過這一代可以用錢買通警衛， 是一個很有趣的設計. 一開始旁邊會有數字， 代表你所拿到的通行證， 如果太少的話建議重新開始游戲， 不然游戲會進行的很辛苦。

第三代：德軍總部3d《德軍總部》

• 英文名稱：Wolfenstein 3D；

• 其他譯名：狼堡3D /暗殺希特勒；

• 研發：idsoftware；

• 代理：Apogee Software (DOS) &InterplayEntertainment (3DO)&BAM! Entertainment (GBA)&Atari Corporation (Jaguar)&MacPlay(Macintosh)&Imagineer (SNES)&Zodttd (iPhone OS)；

• 游戲類型：FPS；

• 平台：DOS&3DO&GBA&jaguar&Macintosh&SNES&iPhone OS；

• 發行日期：1992年；

• 簡介：1992年，一款名不見經傳的游戲風靡了世界各地的386電腦，這就是FPS游戲的開山鼻祖——《德軍總部3D》。這款游戲開創了一種新的游戲方式，以自己的視角探索地圖並擊殺敵人，這種方式後來被稱作FPS（第一人稱射擊游戲），當然這款游戲雖然標榜是3D游戲，其實只是以射線追蹤演算法鎖做出來的偽三維真貼圖的效果。在這種演算法下誕生的DOOM，毀滅公爵等眾多經典的游戲，而FPS游戲則以此款游戲作為原點。

第四代：德軍總部4

• 游戲名稱：Wolfenstein；

• 中文名稱：德軍總部；

• 游戲類型：第一人稱射擊（FPS）；

• 製作公司：ID Software / Raven Software；

• 發行廠商：Activision；

• 上市時間：2009年8月18日。