現在的經營模式范文

前言：我們精心挑選了數篇優質現在的經營模式文章，供您閱讀參考。期待這些文章能為您帶來啟發，助您在寫作的道路上更上一層樓。

第1篇

【關鍵詞】模糊語言 模糊限制語 《警察與贊美詩》

一、引言

《警察與贊美詩》是美國現代短篇小說之父歐?亨利的代表作品之一。幽默風趣、辛辣諷刺是這篇小說的藝術特色，而語言是這一切的基礎。本文以語言的模糊性為視角，對該小說的語言進行了分析。模糊性是自然語言的固有屬性，藝術作品的創造常常借助模糊語言，即使是《警察與贊美詩》這樣短篇的小說也是如此。模糊限制語作為模糊語言家族的一員，更是在小說中發揮重要功能。

二、模糊限制語簡介及其概述

最早對模糊限制語定義的是George Lakoff（1972）。他稱其為“將事物弄的模糊不清的詞語”。對于它的分類，迄今引用最廣的是E.F.Prince （1982）的分類。徐海洋（2008）在前人研究基礎上，豐富了Prince的分類，提出了新型模糊限制語――缺失型模糊限制語。但學術界最常引用的還是Prince的分類法。

1.E.F.Prince對于模糊限制語的分類。模糊限制語可分為變動型模糊限制語和緩和型模糊限制語。變動型模糊限制語分為程度變動語和范圍變動語。前者揭示語義上有程度差別，如：a little，more or less.后者給話題限定某種范圍。如：about，over。緩和型模糊限制語分為直接緩和語和間接緩和語。前者表現說話者對話題的直接猜測和猶疑。如：I think，probably。后者引用第三者的看法，間接表達說話人對某事的態度。如：it was said that……

2.模糊語言和情態的重疊。韓禮德將情態描述為“正負兩極之間的中間級別”（Halliday，1994）。Fowler（1979： 168）認為，表達情態的語言手段有情態助動詞、情態副詞和評價性形容詞及副詞，還有表達了解、預知和評價的動詞，如： seem，guess.上述詞語都是模糊語言，大部分是模糊限制語。

3.模糊限制語還有“否定詞+程度副詞+形容詞”的形式，如not too big.

三、模糊限制語在《警察與贊美詩》中的應用及其功能

1.變動型模糊限制語。變動型模糊限制語是文學作品中常用的一種模糊語，在《警察與贊美詩》中也多有涉及。例：

The young woman moved away a few steps.

年輕女人移開了幾步。

本句用了程度變動語“a few”，說明年輕女人只移開了一小段距離，在蘇比把小流氓所干的卑鄙的勾當表演得惟妙惟肖之后，這個女人并不拒蘇比于千里之外，這為下文中她的真正品性的顯露作了鋪墊。

2.表達情態的語言手段作為模糊限制語。

（1）情態動詞。例如：Don't you figure out that I might have had something to do with it？

你不以為這事可能與我有關嗎？

砸碎窗玻璃后，蘇比等著警察去抓他。但警察竟問他肇事者去哪里了，完全不懷疑他，這讓蘇比哭笑不得。該句中使用了“might”表達了蘇比對警察思維邏輯的不理解，不能相信。

（2）另一種表達情態的語言手段，即表達了解 、預知和評價的動詞，如： seem，guess。例如：

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

整整三個月，有飯吃，有床睡……對蘇比而言，這似乎就是日思夜想的最大愿望。

“有飯吃，有床睡”是一個人對生活非常低的需求，但對蘇比而言，卻似乎是最大愿望。作者將“seem”這一模糊限制語用于旁白敘述中，傳達了對蘇比愿望所持的遲疑或保留態度，表達了對蘇比這樣的窮人最大愿望是簡單卻又難以實現，反映了資本主義社會窮人的悲慘境遇。

3.“否定詞+程度副詞+形容詞”的形式

例：The hibernatorial ambitions of Soapy were not of the highest.蘇比越冬的抱負并不算最高。

在該句中，作者使用了“not of the highest”這樣的模糊語言，而沒有用直接“the lowest”，一方面在表達上更加委婉含蓄，另一方面則暗示了社會中還有比蘇比的境遇更加悲慘的人。

四、結語

本文從模糊語言學的角度對《警察與贊美詩》中的語言進行分析，主要探討模糊限制語在該短篇小說中的應用。分析表明，無論是變動型模糊限制語，表示情態的模糊限制語還是特定形式如“否定詞+程度副詞+形容詞”的模糊限制語，在《警察與贊美詩》中都有很好的應用并對小說內容的充實及上下文銜接起到了直接或間接的作用。

參考文獻：

[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

在目前諸多的顯示器件中，液晶顯示器以其具有工作電壓低、功耗低、顯示信息量大、壽命長、不產生電磁輻射污染、可以顯示復雜的文字及圖形等優點，而在各種儀器儀表、電子設備、移動通訊及家用電器中得到了廣泛的應用。本文介紹MGLS240128T圖形液晶顯示模塊就是香港精電公司生產的、內藏T6963C控制器的液晶顯示模塊。

2　模塊工作原理

2．1 基本功能

MGLS240128T圖形液晶顯示模塊由控制器T6963C、列驅動器T6A39、行驅動器T6A40以及與外部設備的接口等幾部分組成，它既能顯示字符（包括中文和西文字符），又能顯示圖形，還能夠將字符與圖形混合顯示。其主要參數如下：

點陣數：240×128；

點尺寸：0．4×0．4mm；

視屏尺寸：114×64mm；

漢字字體：8×8，8×6；

背光：LED或EL；

電源：＋5V；

工作溫度范圍：－20～ ＋70℃。

2．2 引腳功能

MGLS240128T圖形液晶顯示模塊的引腳說明如表1所示。該模塊對液晶顯示的控制和驅動都由模塊內部的芯片及電路來完成，因此它與外部的連接只有數據線和控制線。主控CPU通過這些數據線和控制線來設置所需要的顯示方式，其它功能均由模塊自動完成。

表1 MGLS240128T模塊的引腳功能

管  腳  號管  腳  名  稱功  能  描  述

1FG框架地2GND電源地3VCC電源電壓4NC未用5WR寫控制信號，低電平有效6RD讀控制信號，低電平有效7CS片選信號，低電平有效8C/D通道選通信號，C/D1為表示指令，C/D為0表示數據通道9RST復位信號，低電平有效10～17DB0～7數據總線，三態18FS字體選擇，FS為0選擇8×8字體，FS為1選擇8×6字體2．3 指令系統

MGLS240128T圖形液晶顯示模塊本身內藏控制器T6963C，它最大的特點是具有獨特的硬件初始設置功能，由于顯示驅動所需的參數（如占空比系數、驅動傳輸的字節數／行以及字符的字體選擇等）均由引腳電平來設置，因此T6963C的初始化在上電時就已基本設置完成。除此之外，它還具有很強的軟件控制能力，也就是由主控CPU通過接口寫入液晶模塊的指令來實現模塊控制。軟件控制主要集中于顯示功能的設置上。該模塊的常用指令如表2所列。

表2 MGLS240128T模塊的常用指令設置

指令名稱控制狀態指  令  代  碼CDRDWRD7D6D5D4D3D2D1D0讀狀態字111S7S6S5S4S3S2N1S0地址指令設置11000100N2N1N0顯示區域設置110010000N1N0顯示方式設置1101000CGN2N1N0顯示狀態設置1101001N3N2N1N0光標自動讀寫設置11011000N2N1N0數據自動讀寫設置110101100N1N0數據一次讀寫設置11011000N2N1N0屏讀（一字節）設置11011100000屏讀（一行）設置11011101000位操作1101111N3N2N1N0數據寫操作010數    據數據讀操作001數    據3　液晶模塊的應用

3．1 與單片機的接口連接

MGLS240128T液晶顯示模塊與計算機的接口時序采用Inter8080時序。下面以8031單片機為例說明其接口方法。它與單片機的接口方法分為直接訪問方式和間接控制方式。

直接訪問方式是把液晶模塊作為存儲器接在CPU的數據線、地址線和控制線上，同時把它的數據總線接在8031的P0口上，片選以及寄存器選擇信號線由P2口提供，讀寫操作由單片機的讀寫操作信號控制。這種方式是以訪問存儲器的方式訪問液晶顯示模塊，具體連接如圖1（a）所示。

間接控制方式則不使用單片機的數據系統，而是利用它的I／O口來實現與顯示模塊的聯系。即將液晶顯示模塊的數據線與單片機的P1口連接作為數據總線，另外三根時序控制信號線通常利用8031的P3口中未被使用的I／O口來控制。這種訪問方式不占用CPU的存儲器空間，它的接口電路與時序無關，其時序完全靠軟件編程實現。接口方式如圖1（b）所示。

3．2 軟件設計

單片機與液晶顯示模塊接口程序中的文字顯示已經為人們所熟悉，因此這里不再贅述，本文只介紹圖形顯示方法。圖形或曲線的顯示程序的關鍵在于顯示點地址的計算，下面給出采用C51語言編制的圖形顯示的主要相關程序。

／／發送數據

void w_data(unsigned char d)

{CS＝0;

check();

CD＝0;P2＝d;WRITE＝0;WRITE＝1;

CS＝1;

}

／／發送命令

void w_command(unsigned char d)

{CS＝0;

check();?

CD＝1;P2＝d;WRITE＝0;WRITE＝1;

CS＝1;

}

／／查狀態

void check(void)

{unsigned char M;

do{P2＝0xff;

CD＝1;READ＝0;

M＝P2;

READ＝1;

}

while((M＆0x03)＜0x03);

}

／／畫點

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);?

}

／／畫一條正弦曲線

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

關鍵詞：模糊神經網絡;企業水環境;評價

收稿日期：20120410

基金項目：國家自然科學基金資助項目(編號:41101080);山東省自然科學基金資助項目(編號:ZR2011DQ009);山東省研究生教育創新計劃

項目(編號:SDYC11147)資助

作者簡介：朱敏（1974—），女,湖南常德人,工程師,主要從事企業水環境研究工作。

通訊作者：李銳（1963—），男,湖南新化人,教授,博導,主要從事環境經濟學方面的教學與研究工作。中圖分類號：X73文獻標識碼：A文章編號：16749944(2012)05015003

1引言

隨著經濟的發展和污染負荷的增加,人們認識到濃度控制已不能從根本上解決污染問題。而我國對水環境的研究,也主要集中在對水源地的分析和控制中。隨著工業企業對水環境的重視,開始逐步嘗試用處理過的中水進行循環使用,但是對多指標的水質評價缺乏定性的判斷。而在對水環境的評價方法中,由于參與的評價因子眾多,并且與水質等級之間存在的是非常復雜的非線性關系,所以至今都沒有形成統一的方法。常規的地下水水質評價方法有綜合指數法、模糊綜合評價法、灰色聚類法等［1］,這些方法都還存在著一些不足。近年來,隨著神經網絡的發展,國內外很多從事地下水研究的學者將神經網絡引入水質評價中,取得了較好的評價效果,表明研究神經網絡處理水質評價具有非?，F實的意義。

模糊理論和神經網絡技術是近幾年來人工智能研究較為活躍的兩個領域［2］。模糊神經網絡(Fuzzy Neural Network,FNN)是在神經網絡(Neural Network,NN)和模糊系統(Fuzzy System,FS)的基礎上發展起來的,二者的融合彌補了神經網絡在模糊數據處理方面的不足和模糊邏輯在學習方面的缺陷,是一個集語言計算、邏輯推理、分布式處理和非線性動力學過程為一身的系統［3,4］。本文使用這種方法來評價某企業水環境質量,通過MATLAB R2011b 編程實現,其工具箱函數提供了歸一化函數mapminmax等,該仿真結果表明,系統具有較好的客觀性和預測性。

2模糊神經網絡原理

模糊神經網絡是一種集模糊邏輯推理的強大結構性知識表達能力與神經網絡的強大自學習能力于一體的新技術,它是模糊邏輯推理與神經網絡有機結合的產物［6,7］。

2.1模糊數學方法

模糊集概念是模糊數學的特征函數處于中介狀態,并用隸屬函數表示模糊集。模糊數學是用來描述、研究和處理事物所具有的模糊特征的數學?！澳：笔侵杆难芯繉ο?而“數學”是指它的研究方法。

模糊數學中最基本的概念是隸屬度和模糊隸屬度函數。其中,隸屬度是指元素u屬于模糊子集f的隸屬程度,用μf(u)表示,它是一個在［0,1］之間的數,越接近于0,表示μf(u)屬于模糊子集u的程度越小;越靠近1,表示u屬于模糊子集f的程度越大。

在模糊數學中,運用隸屬度來描述客觀事物中很多模糊的界限,而隸屬度可用隸屬函數來表示。比如水質評價中“污染程度”就是一個模糊概念,因此,作為評價污染程度的分類標準也應具有模糊的特征,用一般的評價方法進行分類別,不盡合理,而用模糊概念進行推理就比較符合客觀實際［5］。

2.2TakagiSugeno(T-S)模糊模型

TS模糊模型一般用于多個輸入和單個輸出的情況。該模型是一種自適應能力很強的模糊系統,該系統不僅能自動更新,而且能不斷修正模糊子集的隸屬函數。TS模糊系統用如下的“if-then”規則形式來定義,在規則為 的情況下,模糊推理如下:

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

其中Aij為模糊系統的模糊集,pij(j=1,2,…,k)為模糊系統參數;yi為根據模糊規則得到的輸出,輸入部分(即if部分)是模糊的,輸出部分(即then部分)是確定的,該模糊推理表示輸出為輸入的線性組合。假設對于輸入量x=［x1,x2,…,xk］,首先根據模糊規則計算各輸入變量xj的隸屬度。

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

式中,cij,bij分別為隸屬度函數的中心和寬度;k為輸入參數數;n為模糊子集數。

將各隸屬度進行模糊計算,采用模糊算子為連乘算算子。

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

根據模糊計算結果計算模糊模型的輸出值yi。

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

2.3TakagiSugeno模糊神經網絡模型

TS模糊神經網絡分為輸入層、模糊化層、模糊規則計算層和輸出層等4層。輸入層與輸入向量xi連接,節點數與輸入向量的維數相同。模糊化層采用隸屬函數(1)對輸入值進行模糊化得到模糊隸屬度值μ。模糊規則計算層采用模糊連乘公式(2)計算得到w,輸出層采用公式(3)計算得到模糊神經網絡的輸出。模糊神經網絡的學習算法如下。

2.3.1誤差計算

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

式中,yd是網絡期望輸出;yc是網絡實際輸出;e為期望輸出和實際輸出的誤差。

2.3.2系數修正

pij(k)=pij(k-1)-αepij,(5)

epij=(yd-yc)wi/∑mi=1wi×xj。(6)

式中,pij為神經網絡系數,α為網絡學習率;xj為網絡輸出參數;wi為輸入參數隸屬度連乘積。

2.3.3參數修正

cij(k)=cij(k-1)-βecij,(7)

bij(k)-bij(k-1)-βecij。(8)

式中,cjj,bij分別為隸屬度函數的中心和寬度。

3企業水環境評價應用

企業的水環境進行評價時,要采用一定的流程和算法。具體見圖1,分為模糊神經網絡的構建、模糊神經網絡訓練和模糊神經網絡預測。

圖1模糊神經網絡企業水環境評價算法流程

3.1網絡初始化

根據訓練輸入、輸出數據維數確定網絡結構,初始化神經網絡隸屬度函數參數和系數,歸一化訓練數據。在訓練數據歸一化時,使用mapminmax函數來實現。

3.2模糊神經網絡訓練

模糊神經網絡訓練用訓練數據訓練模糊神經網絡,由于水質評價真實數據比較難確定,印象,采用了等隔均勻分布方式內插水質指標標準數據生成樣本的方式來生成訓練樣本,采用的水質指標標準數據來自表1,網絡反復訓練100次。

根據GB3838-2002《地表水環境質量標準》,Ⅰ類主要適用于源頭水、國家自然保護區;Ⅱ類主要適用于集中式生活引用水地表水源地一級保護區、珍稀水生生物棲息地、魚蝦類產卵場、仔稚幼魚的索餌場等;Ⅲ類主要適用于集中式生活引用水地表水源地二級保護區、魚蝦類越冬場、泅游通道、水產養殖區等漁業水域及游泳區;Ⅳ類主要適用于一般工業用水區及人體非直接接觸的娛樂用水區;Ⅴ類主要適用于農業用水區及一般景觀要求水域。

表1地表水環境標準

序號項目Ⅰ類Ⅱ類Ⅲ類Ⅳ類Ⅴ類1化學需氧量(COD)≤15152030502懸浮物 ≤3氨氮 ≤0.50.51.01.52.04總磷 ≤0.020.10.20.30.55pH ≤6~9

因為在企業的水質評價主要指標中,pH值和懸浮物沒有具體的定量指標,無法做出正確的判斷。因此,確定了化學需氧量(COD)、氨氮和總磷3個評價指標。

3.3模糊神經網絡企業水環境評價

用訓練好的模糊神經網絡評價企業水環境,根據網絡預測值評價水質等級。當預測值小于1.5時,水質等級為Ⅰ類;當預測值在1.5~2.5時,水質等級為Ⅱ類;當預測值在2.5~3.5時,水質等級為Ⅲ類;當預測值在3.5~4.5時,水質等級為Ⅳ類;預測值大于4.5時,水質等級為Ⅴ類。

3.4結果分析

調用了企業2010~2011年每月的污水處理數據,其各評價因子的數據折線圖見圖2。

圖2企業水環境數據

采用MATLAB R2011b進行仿真,輸入節點數為3,隱含節點數為7,輸出節點數為1。仿真結果如圖3。圖3為模糊神經網絡模型訓練數據預測仿真結果。該圖中顯示了實際輸出、預測輸出和誤差。結果顯示,該誤差范圍小于0.01。圖4為模糊神經網絡模型測試數據預測仿真結果。該圖中顯示了實際輸出、預測輸出和誤差。結果顯示,該誤差范圍小于0.01。圖5為模糊神經網絡企業水環境評價結果。

圖3模糊神經網絡模型訓練數據預測仿真結果

圖4模糊神經網絡測試數據預測仿真結果

從企業水環境評價結果可以看出,目前,企業的水環境有了一定的改善,基本上維持在2~3級左右,說明了模糊神經網絡評價的有效性。并且,水質等級的判定可以幫助企業在循環經濟和景觀建設中打下良好的基礎。

圖5模糊神經網絡企業水環境評價

2012年5月綠色科技第5期4結語

從實際的應用結果可以看出,基于MATLAB編程實現的模糊神經網絡方法應用與水質評價取得了良好的評價結果,積極探索了除地下水水質評價外的其它的環境質量評價中,為模糊神經網絡提供了一個新的應用空間。

參考文獻：

［1］ 謝宏斌.環境質量評價與預測方法的現狀［J］.廣西水利水電,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］ 謝維信,錢法濤.模糊神經網絡研究［J］.深圳大學學報,1999,16(1):22~27.

［4］ 王立新.模糊系統與模糊控制教程［M］.北京:清華大學出版社,2003.

［5］ 王鴻杰,尤賓,山官宗光.模糊數學分析方法在水環境評價中的應用［J］.水文,2005(25):30~32.