模型

都是用于构建航空事故原因的模型，但是彼此的侧重点不同。Shell模型是描述人为因素的概念模型，reason是航空事故调查与分析的理论模型，HFACS模型是人机失误分析。reason模型是一本书中的概念模型，是JamesReason提出的。通过国际民航组织的推荐成为航空事故调查与分析的理论模型之一。基于HFACS模型的新航006飞行事故人误分析。Shell模型是描述人为因素的概念模型，1972年由爱德华提出，后经霍金斯1987年修改。它包括软件（software）、硬件（hardware）、环境（environment）、人（liveware）四个要素。在该模型中，人与人的关系与其他关系相比，有着特殊的地位。

shel模型的中心是：生命件/人 shel模型，是在1972年由爱德华教授提出的模型。 1972年，爱德华教授首次提出了安全工作中“人”所处的特定系统界面的原理，组成这个界面的元素包括：软件(Software)、硬件(Hardware)、环境(Environment)和人(Liveware)，分别用其首字母S、H、E、L来代表，这四个元素组成的模型即是SHEL模型。

1972年，爱德华教授首次提出了安全工作中“人”所处的特定系统界面的原理，组成这个界面的元素包括：软件(Software)、硬件(Hardware)、环境(Environment)和人(Liveware)，分别用其首字母S、H、E、L来代表，这四个元素组成的模型即是SHEL模型。 由于界面间的元素不匹配而出现的差错，可以对人的误差进行分析。差错容易发生在处在中心位置的人与硬件，软件，环境及其它人之间的接点上。模型形象地描绘了现代生产的脆弱环节，对于安全工作有直接的指导作用；而且所描述的界面不仅仅存在于一线，生产组织的各个层次都有类似界面，所以模型具有普遍意义。个人因素对个人学习的影响，用SHEL模型分析，个人学习的结果受制于个人的智力、积极性、努力程度和环境的影响。其中智力为硬件，积极性为态度即软件，努力程度即人的行为，环境就是人所处的社会环境。

SHELL 模型形象地描绘了航空系统中各个组成部分之间的相互关系。人是 SHELL 模型的中枢， 形成人(liveware)与硬件(hardware)、人与软件(software)、人与环境(environment)、及人与人的关系，也称为界面。SHELL模型SHELL 模型的五个模块都是凸凹不平的，这就意味着各个模块本身都不可能是完美的，也意味 着各个界面并不可能是百分之百匹配和互相吻合。对于飞行员而言，生理因素(比如缺氧，疾病， 烟草、酒精或药物的使用等)和心理因素(比如判断决策、应激、危险态度等)都会影响到飞行员与其他界面的匹配程度。差错可能发生在各个界面上，如果不能及时发现并加以纠正，可能会 导致不安全事件甚至事故。

shel模型是在1972年由爱德华教授提出的模型。

生命件/人。经百度题库查询，shel模型的中心是生命件/人。shel模型，是在1972年由爱德华教授提出的模型。

雪弗板啊，这是最常用的，还有卡纸（厚的)，想做出材料效果还可以用墙纸，再有就是草粉（这个网上有很多卖的）水可以用有颜色的纸加透明塑料纸出效果

做纸模型首选白乳胶，但国产白乳胶含水量高且干后会有黄色胶痕，建议买好一点的进口白乳胶，干后是透明的。另外，UHU胶也是制作纸模型需要用到的，特点是粘合力强速干，适合粘贴一些受力部位。502胶，对于细小零件的粘合会很有用，其渗透性还可作为对细小零件的加固用。总之，制作纸模型尤其是高精密的军模等大型模型要根据不同情况和不同的零件选用不同的胶水。

什么牌子的什么款?

U胶也许温度高些就能固化得快些。我做模型用过一次U胶不好用。后来一直用（YDZ速粘胶）还可以。比UHU干得快，完全固化后强度也高。希望对你有些帮助。

你好 粘接塑料模型PC材质，直接用YH-818这款粘合，透明 环保，撕不下来，东莞市亿合胶水 小吴

很多啊 是工具还是材料或是设备

模型的材料一般为：建筑物墙体采用ABS(1.0mm-1.5mm)模型胶板和亚克力（PMMA）板材，按图纸用电脑仿制，激光切割，外墙打磨喷漆上色，并根据设计进行分色处理。玻璃采用仿真玻璃制作，骨架采用ABS胶板制作，经过打磨后喷漆。绿化：草粉：采用模型专用草粉。草坪采用模型专用草坪，树种：本公司会根据不同的树种分别制作 。采用ICI塑胶漆，不易褪色、光泽度好。金属漆：增强建筑细部金属质感。遮膜造漆稀释剂：油漆稀释剂、粘合剂。UHU胶：牢靠、严密。A胶：瞬间粘合时间快。万能胶：永久性强。灯源：采用冷光源（建筑内部灯光）。二极管：建筑细部灯光。道路灯等

这种的话其实用双面胶就可以，主要是为了加固插槽的，将槽孔变小点就行了，没有必要完全粘死

纸模型制作过程有裁切零件，描边，划出折痕，折叠线条，涂抹胶水，精确的组装，分析零件的组装顺序，分块制作。1、裁切零件：设计简单的纸模可以直接用剪刀裁剪零件，如无特别提示都应该沿着零件最外沿线条裁剪。剪刀只是最基础的工具，如果要更方便的裁切零件，建议使用笔刀配合切割垫，效率可以提升很多，而且裁切的精度也更高。2、描边：是一个良好的习惯，切割下的零件边缘是白色的纸边，可以用相近颜色的笔涂抹一边遮盖住白边，在组装后的效果会比不补白要提升很多。这不是必要的操作，可以问问自己懒不懒再决定要不要补白。3、划出折痕：用没有墨水的笔沿着要折叠的直线浅浅的划一道痕迹，折出来的线条更笔直平顺，会规整很多。你也可以用专用的划线笔、划线针、锥子来操作这一步。4、折叠线条：大致折一下各个折叠边，参考纸模型附带的图示，思考一下各个边是如何组合的。5、涂抹胶水：白乳胶是最常用的纸模型胶水，你也可以用木工胶、UHU胶，最常见的液体胶并不推荐，因为很容易弄湿零件。使用涂胶刷或者牙签将胶水均匀的涂抹在要粘合的部位，胶水不应该涂太多，涂多了干的慢，薄薄的一层即可。6、精确的组装：对齐要粘合的边，用手指按紧一会等待胶水固定。组合一定要精确，这直接影响到你作品的效果。7、分析零件的组装顺序：参照纸模型中附带的图示，区分制作各个零件的先后顺序。如果随意打乱顺序粘合零件，有可能妨碍到下一步的组装。比如这里手臂组装躯干上，必须要在躯干组装好之后。8、分块制作：一个人偶模型，可能分成头部、躯干、四肢等几个部分，那么一般都需按各个部分各自组装好，最后再组装到一起。坦克、车辆、船模、建筑也是相同的道理，依照图示确定各个部分的先后步骤，分块制作，最后总装。纸模型，有时也可以称作卡片模型，是一种由纸制成的模型。这是一种消闲物品，有时也是小孩的手工之一。它在日本及欧洲较为流行。

你可以试试东方白鸽去油灵，这个可以去掉油漆、胶类污渍，淘宝上有卖的，你也可以去了解下，希望能帮到你

德国(UHU)友好牌胶水型号:UHU模型胶适用范围:各类模型,纸张,毛绒,皮革,金属,石材,玻璃,木材........等等等包装:50支/小箱单价:10.00/7ml单价:15.00/22ml单价:25.00/33ml单价:39.00/125ml

美国FDA目前批准了3个检测肿瘤TMB（ tumor mutation burden）的方法：Omisc Core WES、MSK-IMPACT、FMI。如果按实验流程及操作复杂度来讲，这可能是有史以来最复杂的病理诊断方法。流程一般如下：手术取样、提取DNA、建测序文库、靶向捕获、NGS测序、数据比对、变异检测、变异注释、结果解读。复杂方法下的简单目的：数一数肿瘤特有的变异有几个，多数情况下平均每100万个位点还不超过10个变异。 TMB定义是：每Mb区域里非同义的体细胞变异个数。 有效覆盖区域L容易知道，如果覆盖度足够好，可以用bed文件区间长度代替，那么计算TMB主要的工作就是怎么计算somatic。在肿瘤基因检测中计算somatic处于最核心的位置，靶向治疗、免疫治疗等都围绕着somatic展开。 Somatic定义为个体生长过程中产生的变异。目标就是要找在测序中肿瘤组织测到而正常组织没有测到的变异。因为测序有错误，如果测序足够深，肿瘤及正常组织大多数位点都会有变异。那么通过判断正常组织有无变异将不适合。我们可以模型化为肿瘤组织与正常组织某一变异有相同的频率为种系变异germline，否则为somatic。方法是对肿瘤组织及正常组织同时外显子靶向高通量测序，对每个位点进行比较。通过测序深度、频率等参数比较判断是否somatic。业内有很多计算软件可以用来计算somatic。下表是业内使用最多的开源软件[1]，现在选取业界使用最多的VarScan2 的算法来介绍somatic及其TMB的计算原理。 表1 热门软件采用的数学模型 以下是VarScan2输出VCF格式文件位点的结果 SPV=8.8337E-2是用Fisher"s Exact Test计算的P-value值，用来判断是否somatic。那这值是怎么计算得到的，源文献没有具体说明，本人在这里给出计算过程。Fisher"s Exact Test接受2×2行列表作为计算对象，从上述结果提取数据可以得到下表。 表2. 肿瘤样本与正常样本覆盖深度2×2行列表。RD: 支持参考序列的碱基数；AD: 支持变异的碱基数。 Fisher"s Exact Test接受2×2行列表作为输入，并按如下方式计算P-value值： 1、计算行列表中每一行，每一列的总和以及观察总数。 2、给定行和列总和，如果原假设为真，则使用超几何概率函数计算条件概率，以观察行列表中的准确结果。条件概率为 其中R1和R2是行总和，C1和C2是列总和，N是行列表中观测的总数，nij是表中第i行和第j列的值。 3、查找与行和列之和一致的所有可能的非负整数矩阵。对于每个矩阵，使用P公式计算相关的条件概率。 4、根据感兴趣的替代假设，使用这些值来计算检验的p值。 (1)对于双边测试，对于观察到的行列表，将所有小于或等于Pcutoff的条件概率求和。 (2)对于左侧测试，将（1,1）象限频率小于或等于n11的所有矩阵的条件概率求和。 (3)对于右侧测试，在观察到的行列表中求和（1,1）单元频率大于或等于n11的所有矩阵的条件概率。 VarScan2 somaitc计算的是单侧测试，如果按下表排列数据是左侧测试。 表2. 肿瘤样本与正常样本覆盖深度2×2行列表。 那怎么计算P-value呢？根据P-value的定义：在原假设为真的前提下，出现该样本或比该样本更极端的结果的概率之和。上表就是所有tumor Ref depth小于等于47的概率之和。 (P根据公式1计算) P-value=0.0883，这P的意思是假设tumor Alt与normal Alt有同样的频率，但这的假设可能性为0.0883。按通常0.05或0.01阈值来cutoff的话，应该接受这一假设。肿瘤样本中测到的位点是种系变异而非somatic。 再看一个测序位点 表3.肿瘤样本与正常样本覆盖深度2×2行列表。 P-value=1.3226e-15，这P值就足够小，认为是种系变异就不合适了，可以判断为肿瘤特有的变异somatic。 按照上述方法对肿瘤样本与正常样本所有同时覆盖的位点都计算一个P-value值，当P-value值小于设定值时判定位肿瘤体细胞变异。因影响NGS测序结果的因素多，reads覆盖的概率分布并不跟理想模型一致。如果按照常见0.05值来判定somatic，结果会比预期多。可以通过更低的P-value值或其他条件过滤掉可能的假阳性位点。按本人计算经验，P-value设0.001跟mutect2设的默认参数差不多。如果somatic是10个，覆盖到的区域2M，那么TMB=10/2=5。 参考资料

1.3DMAX3DMAX是一款专业的三维建模、渲染和动画软件，广泛应用于广告、影视、建筑设计、三维动画、多媒体制作、游戏等领域，市场认可度很高，也是建模师的首选建模软件，功能很齐全，很值得学习哦。2.C4d这款软件以极高的运算速度和强大的渲染插件出名，在电影特效中运用的比较多，上手难度也不大，挺适合新手学习的。3.MayaMaya是著名的三维建模和动画软件，这款软件是Autodesk旗下的，用于创建逼真的角色和大片水准的特效非常不错。4.Anime Studio这款软件主要是制作2d动画建模， 如果你想往动画方向发展，可以学习一下这款软件，能够给动画角色进行快速建模，非常的实用。不难发现，不同的建模软件侧重点都不太一样，即使是比较全能的建模软件，里面也分为很多板块，所以学习那个软件，主要看你想往那方向发展，这样学习的效率也更好，之后也会对就业有一定的帮助。5.ZBrush：是一个数字雕刻和绘画软件，它以强大的功能和直观的工作流程彻底改变了整个三维行业。在一个简洁的界面中，ZBrush 为当代数字艺术家提供了世界上最先进的工具。以实用的思路开发出的功能组合，在激发艺术家创作力的同时，ZBrush 产生了一种用户感受，在操作时会感到非常的顺畅。ZBrush 能够雕刻高达 10 亿多边形的模型，所以说限制只取决于的艺术家自身的想象力。6.赞奇云工作站现实中很多的3d设计师们要同时使用多个3d软件进行建模和渲染，这样遇到场景过大或者渲染的时候就会出现卡顿崩溃的现象，本地电脑配置不足其实不要升级电脑也可以高效设计，推荐选择赞奇云工作站云端设计，高效渲染建模。赞奇云工作站由云工作站、软件中心、赞奇超级云盘和云渲染软件组成。用户登陆云工作站后，可以在云工作站中完成制作、审核、项目外包等一系列任务。在软件中心中，用户可以下载海量的专业性软件，这些专业性软件还有一键部署、随意切换的强大功能，极大地方便了操作者的操作。除此之外，软件中心还拥有智能化辅助设计插件，使得工作效率提升了至少三倍。

七层模型，亦称OSI（Open-System-Interconnection）。参考模型是国际标准化组织（ISO）制定的一个用于计算机或通信系统间互联的标准体系，一般称为OSI参考模型或七层模型。它是一个七层的、抽象的模型体，不仅包括一系列抽象的术语或概念，也包括具体的协议。OSI的大部分设计工作实际上只是HoneywellInformationSystem公司的一个小组完成的，小组的技术负责人是CharlieBachman。在70年代中期，这个小组主要是为了开发一些原型系统而成立的，主要关注数据库系统的设计。70年代中，为了支持数据库系统的访问，需要一个结构化的分布式通信系统体系结构。于是这个小组研究了现有的一些解决方案，其中包括IBM公司的SNA（SystemNetworkArchitecture）、ARPANET（Internet的前身）的协议、以及为标准化的数据库正在研究中的一些表示服务（presentationservices）的相关概念，在1977年提出了一个七层的体系结构模型，他们内部称之为分布式系统体系结构（DSA）。

http://www.woaishouban.com/index.shtml这里

能够实现的spke好，第一便宜，第二 编程方式和scratch非常接近，是当下流行的编程方式。第三，功能更加强大。当然乐高官方声称spike是ev3的低年龄版本。不过我不这样认为，因为spike也能参加fll，说明spike的硬件功能也同样强大。

1、IS曲线左侧区域：由于IS曲线分析的是投资和储蓄均衡（i=s）时的收入,当利率r不变时,左侧区域点的收入小于均衡点的收入（做一条水平线）,而投资i=e-dr由于r不变,所以不变,储蓄s=y-c,是关于收入y的增函数,所以s随着y增大而增大,因而左侧区域点的y较小导致s较小,从而有i>s,意味着需求大于供给,产品需求超额. IS右侧区域同理可得i<s,产品供给超额. 2、LM曲线左侧区域,由于货币供给量M短期内是稳定的,即假设不变,相同的收入水平,左侧区域点的利率更高,从而使得货币需求量降低（做一条垂线）,因为货币需求量公式为L=L1（y）+L2（r）=ky-hr,y不变,r增大,使得L降低,又因为LM曲线上各点L=M,所以左侧区域点L<m,意味着货币供给超额. LM曲线右侧区域同理可得L>M,意味着货币需求超额.</m,意味着货币供给超额. </s,产品供给超额.

等scope显示出来图像以后，在MATLAB上运行 set(0,"ShowHiddenHandles","On") set(gcf,"menubar","figure") 这时候你会发现scope的工具栏的上面多了一行，点击insert-axes，鼠标会变成十字形状，然后再图像的任意一处双击左键出现一个对话框PropertyEditor，选中style在窗口的右便会出现color，这时你就可以任意修改背景颜色了。 建议你最好保存数据在workspace里面，用plot的方法打印图形。不要直接复制示波器的波形。

7. 3. 1 FCJ 模型的构建模糊数学是 1965 年由美国自动控制专家 L. A. Zadeh 教授首先提出来的，其根本出发点在于引入了模糊集合的概念 ( 杨和雄，1993) ，即将普通的二值集合 { 0，1} 变为区间上连续分布的模糊集合 ［0，1］。这样模糊集合的特征函数，即隶属函数，其函数值———隶属度就可以在 ［0，1］ 区间连续取值，排除非此即彼的互斥性结论带来的不合乎客观实际的判定结果，代之以用某一性质或指标隶属于各渐进性状况的程度作为判定结果，即消除了截然划分地质动力强度分区所带来的不合理性，使动力因子分级呈现渐变特点。根据模糊数学的基本理论，以斜坡灾害危险性评价为最终目标的地质动力区划 FCJ( 模糊综合评判) 模型的构建如下:给定两个有限论域:内外动力地质作用与斜坡稳定性式中，U 代表所有的动力评判因子所组成的集合; V 代表所有的动力强度等级所组成的集合。评判因子论域和动力区划等级论域之间的模糊关系用矩阵 R 来表示:内外动力地质作用与斜坡稳定性式中，rij=μ(ui，vj)(0≤rij≤1)，表示就动力因子ui而言被评为vj的隶属度(隶属度是反映评价指标隶属于各种动力强度状态的程度，一般采用隶属函数来确定，隶属函数是用来定量描述评价因子对动力强度级别隶属程度大小的函数形式);矩阵R中第i行Ri=(ri1，ri2，…，rin)为第i个评判因子ui的单因子评判，它是集合V上的模糊子集。实际上，不同动力因子在斜坡灾害孕育和发生中所起的作用是有大小之分的，即必须考虑因子的权重问题。假定α1，α2，…，αm分别是动力评价因子u1，u2，…，um的权重，因此，对于评判因子的权重分配为:A=(α1，α2，…，αm)(0≤αi≤1且 ai=1，i=1，2，…，m)，则A为反映了动力因子权重的模糊集(即权向量)。由权向量与模糊矩阵进行“合成”可得到综合隶属度B，即通过模糊运算B=A·R，求出模糊子集B=(b1，b2，…，bn)(0≤bi≤1)，其中bi= airij(M(·，+))。·为模糊变换算子，为突出主因子可采取广义算子。即两数相乘，取其中小者为积，两数相加时，取其中大者为和。B基于U诸因子的综合评价结果是一组等级隶属度值，按模糊数学最大隶属度原则，取隶属度最大者所对应的等级作为评价单元动力强度区划等级。即:若bj=max(b1，b2，…，bn)(j=1，2，…，n)，则评判结果就是与第j项对应的评判等级。7.3.2 GIS简介GIS即地理信息系统(Geographical Information System)，起源于20世纪60年代(以美国为代表)，发展于70年代(以加拿大为代表)，繁荣于80～90年代，目前仍处于繁荣期。GIS是一种决策支持系统，一方面它是描述、存储、分析和输出空间信息的理论和方法的一门新兴的交叉学科，与地图学、计算机技术、测绘与遥感、地球科学等紧密相关;另一方面，它又是以地理空间数据库(Geospatial Database)为基础，采用地理模型分析方法，适时提供多种空间和动态的地理信息，为区域规划和区域决策服务的计算机系统(朱光，1996)。GIS的数据库功能包含了空间数据、拓扑关系及属性数据在内的地理数据库，其强大的空间分析功能按空间数据处理方式的不同，主要有矢量数据和栅格数据两种格式，一般的GIS软件都支持这两种模型，并可相互转化。GIS技术的一个基本要点在于它可以在二维或三维空间内将不同的地理对象进行拓扑连接，使得在GIS数据库中可以分析的不仅是对象本身的地理位置和数据属性，而且是它们之间的空间关系和连通性。同时，为了特定的空间分析目的，还可以通过缓冲区分析(Buffer)、叠加分析或与外部分析模型进行空间分析与计算，生成新的数据库和图形(张超，2000)。地质动力因子具有空间上的复杂变异性和时间上的动态变化性，研究中涉及海量的数据或信息，因而基础资料的有效处理就成为困扰地质动力区划的一道难题。GIS强大的数据管理和空间数据分析能力能够为地质动力区划研究提供新的技术手段，并进一步实现斜坡灾害危险性评价的全面计算机化。地质动力区划及灾害危险性制图原理如图7.3.1。图7.3.1 GIS应用于地质动力区划及灾害危险性评价示意图7.3.3 FCJ模型与GIS的结合单纯依靠GIS技术建立一个地区的地质资料库，不能进行进一步的分析评价，只能称作是空间数据库，并不能达到地质动力区划及灾害危险性评价的目的。而孤立的FCJ方法由于数据获取的困难和偏差，在实际应用中也会大受局限。如何将二者结合起来，快速有效地得出实用的评价预测结果，便成为我们应该研究的核心问题。大体而言，可以从以下三个方面考虑:(1)利用GIS采集数据及进行基础数据处理GIS具有强大的数据库和空间分析功能，可以利用它来采集评价所需的数据并进行管理。图形、矢量数据的数字化过程是先把各种图件经扫描仪扫描后，利用MapGIS软件将扫描后的栅格图通过矢量化转换为矢量图，然后通过编辑、修改、坐标投影变换、赋值等建立图形矢量数据库。GIS对数据的预处理包括两个方面:一是将定性数据按照一定的原则定量化;二是利用GIS的自动剖分功能形成用于评价的图元区域(阮沈勇等，2001)。(2)应用FCJ模型扩充GIS的分析评价功能由于GIS具有可二次开发开发性，可以结合所需解决问题的实际情况，应用FCJ模型扩充GIS的分析评价功能，以实现传统分析方法与GIS的整合。把GIS已经剖分的图元区域的各种信息写入中间数据库，供FCJ模型直接调用，充分利用面向对象编程语言的优势，真正实现GIS数据与FCJ分析模型的无缝连接。(3)评价结果的可视化输出GIS具有强大的可视化图形显示和输出功能，可以编写一个接口，将FCJ模型所得结果写入相应图元的属性数据库，然后利用GIS强大的成图功能，将分析结果直接成图，在GIS编辑模块中调配好颜色，加上图例和标注，形成最终结果。

保存模型的.pth文件打开啥样子1、打开包含两个以上零件的Step装配体文件。2、从左侧的模型树里,选择需要转存为零件的名称,右击鼠标,选择“插入到新零件。

1、首先打开包含两个以上零件的Step装配体文件。2、其次从左侧的模型里，选择需要转存为零件的名称，右击鼠标，选择“插入到新零件。3、最后使用pth文件永久添加，即可使用。

如上打印输出所示，pth文件通过有序字典来保持模型参数。有序字典与常规字典一样，但是在排序操作方面有一些额外的功能。常规的dict是无序的，OrderedDict能够比dict更好地处理频繁的重新排序操作。 OrderedDict有一个方法 popitem(last=True) 用于有序字典的popitem()方法返回并删除一个(键，值)对。如果last为真，则按LIFO顺序返回对;如果为假，则按FIFO顺序返回对。 OrderedDict还有一个方法 move_to_end(key,last=True) ,将现有的键移动到有序字典的两端。如果last为真，则将项目移动到右端(默认);如果last为假，则移动到开头。 如上打印所示，有序字典state_dict中每个元素都是Parameter参数，该参数是一种特殊的张量，包含data和requires_grad两个方法。其中data字段保存的是模型参数，requires_grad字段表示当前参数是否需要进行反向传播。 先建立一个字典，保存三个参数：调用torch.save(),即可保存对应的pth文件。需要注意的是若模型是由nn.Moudle类继承的模型，保存pth文件时，state_dict参数需要由 model.state_dict 指定。 当你想恢复某一阶段的训练（或者进行测试）时，那么就可以读取之前保存的网络模型参数等。

关系模型数据库领域采用的数据模型有层次模型、网状模型和关系模型，其中应用最广泛的是关系模型。 层次模型：它的特点是将数据组织成一对多关系的结构。 　　网状模型：它的特点是将数据组织成多对多关系的结构。 关系数据库模型是以二维表的形式组织数据。

　　PCOS(多囊卵巢综合症)是妇女面临的常见生殖内分泌疾病，它伴随着一系列症状，如月经失调、排卵障碍和不孕。它是由于雌激素与雄激素分泌的不平衡、卵巢功能异常以及高胰岛素血症引起的。PCOS小鼠模型是研究PCOS病理机制和药物疗效的重要工具，以下是有关PCOS小鼠模型成功率的详细内容。　　模型建立方法　　PCOS小鼠模型是通过电化学法处理小鼠，使其体内荷尔蒙水平不平衡，从而使小鼠产生与人类PCOS疾病相似的症状。具体而言，通过给小鼠注射某些药物来抑制下丘脑-垂体-卵巢(HPO)轴的正常功能，导致小鼠卵巢增生，雄激素水平增高，卵泡过度生长，从而形成类似于人类PCOS的特征。同样，在饮食因素方面也是很重要的诱导PCOS小鼠模型的方法，如将小鼠以高脂饮食方式饲养，从而影响小鼠内分泌激素的水平和代谢功能。这些方法对于在实验中产生与PCOS相似的特征非常有效。　　成功率　　PCOS小鼠模型的成功率在一定程度上取决于研究者对HPO轴障碍和卵巢增生的处理方法。实践表明，电化学法与高脂饮食是两个有效的建模方法。当正确选择药物和剂量时，可以将PCOS小鼠模型的成功率提高到75%以上。例如，常见的建模药物包括丙烯酰胺、壬酸乙酯、地高辛等。这些药物能够减少下丘脑释放促性腺激素释放激素(GnRH)和促性腺激素的分泌，从而抑制卵巢的正常功能。高脂饮食也可以成功地诱导小鼠PCOS模型，因为高脂饮食对小鼠正常的代谢产生了负面影响，使其容易出现内分泌不平衡。　　选择模型　　选择正确的PCOS小鼠模型对于PCOS疾病的研究至关重要。对于一个成功的PCOS小鼠模型，最好是选择与人类病理生理学特征相似的人类PCOS，并具有较高的可重复性和预测性。此外，小鼠还需要具有稳定的表型，例如月经周期明显异常、卵巢周围有多个包泡等。总之，建立一个贴近PCOS症状的治疗小鼠模型对预测和检测药物治疗PCOS的疗效和安全性具有重要意义。　　总结　　在研究PCOS病理机制和药物疗效的过程中，建立PCOS小鼠模型是不可避免的。PCOS小鼠模型的建立方法通常采用电化学法或高脂饮食，成功率多在75%以上。选择一个适合的PCOS小鼠模型对后续治疗和疗效预测具有重要意义。

合成步骤如下：1、首先打开nuke，然后找到人物界面。2、点击人物模型，点击地板阴影，然后点击合成就可以合成成功了。

Kaya模型是由日本学者YoichiKaya提出的，该模型将经济发展、人口和政策等因素与人类活动产生的二氧化碳联系起来，分析地区的碳排放量和该地区的能源消费结构因素、各类能源的排放强度、能源的利用效率、经济的发展因素以及人类的活动的关系。公式中，P为人口，E/GDP表示单位能源使用强度，CO2/E表示碳排放强度即碳排放系数。碳的化学公式法是使用碳的化学燃烧公式：C+O2=CO2，从化学角度来测算能源消耗产生的碳排放。碳的燃烧值约为34070kj/kg，每吨标准煤消耗释放的热量约为29302kj，因此可以计算出消耗每吨标准煤释放出的二氧化碳。注意然而国内外学者发现标准煤含有硫、氮等元素会影响碳排放的测算，因此，本文结合两种方法计算出的每吨标准煤的碳排放系数的算术平均数作为本文每吨标准煤的碳排放系数为2.499。公式中，itcarbon(i=1，2，3)表示四川省第i次产业在第t年的碳排放量，单位为万吨；tcarbon表示四川省在第t年的碳排放量；GDPt和GDPit分别表示四川省在第t年的国内生产总值和第i次产业的国内生产总值。

弹性高的模型。tup材质是软胶硅胶材质，该材质最大的特点就是弹性高，所以可以搭弹性高的模型，在3d打印机中，主要用于衣物，玩具等的制作。

增长黑客模型（AARRR）从整体来讲，我们做用户运营的目标就是增长，从而达成企业的营收。AARRR增长模型是目前为止业界最常谈到的一个模型，指的是用户的拉新（acqusition）、活跃（activation）、留存（retention）、营收（revenue）、推荐（refer）。该模型作为用户增长的基本框架，也是很多互联网企业对运营进行分工的一个重要参考。建议做运营的同学多了解一下，这方面的书籍推荐《增长黑客》、《首席增长官》等。增长黑客模型（，如有侵权，请联系作者删除）生命周期模型用户从进入产品，到彻底离开产品，即用户的生命周期。线性流程为：引入期-长大期-成熟期-休眠期-流失期。针对生命周期不同阶段的用户，通过相应的手段进行激活，从而延长用户生命周期，达成产品目的。用户生命周期长度也即产品生命周期的长度。生命周期模型（，如有侵权，请联系作者删除）用户价值模型用户价值模型，指的是根据产品的核心诉求，分解出不同的维度，根据用户在各维度的数据计算该用户的整体价值数值，并对数值进行分层（分级）。在对用户进行分层（分级）管理和精细化运营的时候，这是一个非常重要的参考模型。在建立用户体系（等级、积分等）的时候也是一个主要参考模型。漏斗转化模型漏斗转化模型在用户运营中也是一个非常常用的分析工具，指的是用户从接触产品到达成产品目标整个路径的转化效率，各环节的转化率会影响到最终的产品目的，这也是增长黑客里面的重要思维之一，在查找问题或寻求增长思路的时候非常常用。漏斗转化模型（，如有侵权，请联系作者删除）需求分析模型（Kano模型）对人性的把握，是用户运营的基本素养。人的需求的满足程度，会明显影响到运营的实际数据结果。关于需求的理论，可参考马斯洛需求层次理论（由低到高：生理需求-安全需求-社交需求-尊重需求-自我实现需求），从层次的角度来理解用户需求；另外人性的七宗罪（性欲、懒惰、傲慢、嫉妒、愤怒、贪婪、食欲）也是在做具体用户方案（如用户活动、新媒体运营等）时的重要参考维度。关于实际需求分析模型，有很多，用得最多的是KANO模型KANO模型用来分类用户需求，确定需求优先级。Kano定义了三个层次的顾客需求：基本型需求、期望型需求和兴奋型需求：基本型需求：基本型需求是用户对企业提供的产品/服务因素的基本要求，是用户认为产品/服务“必须有”的属性或功能。当其特性不充足(不满足顾客需求)时，顾客很不满意;当其特性充足(满足顾客需求)时，顾客也可能不会因而表现出满意。基本型需求与赫茨伯格双因素理论中的保健因素类似。对于基本型需求，即使超过了顾客的期望，但顾客充其量达到满意，不会对此表现出更多的好感。不过只要稍有一些疏忽，未达到用户的期望，则用户满意度将一落千丈。对于用户而言，这些需求是必须满足的，理所当然的。期望型需求：期望型需求是指用户满意度与需求的满足程度成比例关系的需求。期望型需求没有基本型需求那样苛刻，其要求提供的产品/服务比较优秀，但并不是“必须”的产品属性或服务行为。企业提供的产品/服务水平超出顾客期望越多，顾客的满意状况越好，反之亦然。兴奋型需求：兴奋型需求要求提供用户一些完全出乎意料的产品属性或服务行为，使用户产生惊喜。当其特性不充足时，并且是无关紧要的特性，则用户无所谓，当产品提供了这类需求时，用户就会对产品非常满意，从而提供用户的忠诚度。另外，对于KANO模型，还可以进行五维划分，划分维度不详说，看图即可：KANO模型（，如有侵权，请联系作者删除）FOGG行为模型FOGG模型阐述了如何让行为发生。FOGG模型认为一次转化行为的完成需要具备三个要素，缺一不可。这三个要素是：动机（motivation），成本／能力（ability），触发点（trigger）。FOGG模型（，如有侵权，请联系作者删除）FOGG模型认为即使用户的动机和能力都很高，没有一个触发点，用户也并不会完成这次行为。FOGG模型（，如有侵权，请联系作者删除）

服务效果的评价可以从两个方向来考虑：一是从客户让渡价值的角度来考虑，即从客户获得的价值和客户付出成本的差值大小来评价；二是从客户需求的角度来考虑。然而根据可行性、可衡量性、可比较性、可操作性等四条原则和项目实际要求，因为无法对客户的时间、体力、精神成本进行准确的衡量，而服务的提供也多表现为非货币成本，因此不宜从客户让渡价值的角度进行评价模型的建立。从客户需求角度提出服务有效性评价模型则具有较高的可操作性。客户角度的有效服务要满足两点：一是满足不同客户群的不同需求，二是使客户感到满意。因此具备这两点的服务就是有效的服务，不满足上述要求的服务或应取消或应改进，是无效服务或低效服务。因此，客户的有效服务需要满足不同客户群的不同需求，并同时使客户感到满意，由此可以剥离出三个维度的指标来建立有效服务的评价体系。这三个维度的指标即为：需求层次识别、客户细分、客户满意度。需求层次识别：不同的服务满足客户不同层次的需求，对于客户不同层次上的需求，客户对服务质量和内容有着不同的心里预期和要求。因此服务在客户需求层次上的划分，对于服务效果的评估来说更准确、更容易完善和改进。客户细分：将目标市场按企业需要进行细分，即可保证服务的效果评价是针对不同的目标群体的。客户满意度：要使最终的服务效果的评价指标可比较，可衡量，需要用一个可以量化的指标来进行最终的评估，而客户满意度指标可以很好的反映企业服务的实施效果。

严格的说，该模型不是一个测量顾客满意度的模型，而是对顾客需求或者说对绩效指标的分类，通常在满意度评价工作前期作为辅助研究模型，KANO模型的目的是通过对顾客的不同需求进行区分处理，帮助企业找出提高企业顾客满意度的切入点。KANO模型是一个典型的定性分析模型，一般不直接用来测量顾客的满意度，它常用于对绩效指标进行分类，帮助企业了解不同层次的顾客需求，找出顾客和企业的接触点，识别使顾客满意的至关重要的因素。

做不了的

受行为科学家赫兹伯格的双因素理论的启发，东京理工大学教授狩野纪昭(Noriaki Kano)和他的同事Fumio Takahashi于1979年10月发表了《质量的保健因素和激励因素》(Motivator and Hygiene Factor in Quality)一文，第一次将满意与不满意标准引入质量管理领域，并于1982年日本质量管理大会第12届年会上宣读了《魅力质量与必备质量》﹙Attractive Quality and Must-be Quality﹚的研究报告。该论文于1984 年1月18日正式发表在日本质量管理学会(JSQC)的杂志《质量》总第l4期上，标志着狩野模式(Kano mode1)的确立和魅力质量理论的成熟。

KANO 模型是东京理工大学教授狩野纪昭(Noriaki Kano)发明的对用户需求分类和优先排序的有用工具，以分析用户需求对用户满意的影响为基础，体现了产品性能和用户满意之间的非线性关系。根据不同类型的质量特性与顾客满意度之间的关系，狩野教授将产品服务的质量特性分为五类：1、基本（必备）型质量——Must-be Quality/ Basic Quality2、期望（意愿）型质量——One-dimensional Quality/ Performance Quality3、兴奋（魅力）型质量—Attractive Quality/ Excitement Quality4、无差异型质量——Indifferent Quality/Neutral Quality5、反向（逆向）型质量——Reverse Quality，亦可以将 "Quality" 翻译成“质量”或“品质”。扩展资料：受行为科学家赫兹伯格的双因素理论的启发，东京理工大学教授狩野纪昭和他的同事于1979年10月发表了《质量的保健因素和激励因素》一文，第一次将满意与不满意标准引入质量管理领域，并于1982年日本质量管理大会第12届年会上宣读了《魅力质量与必备质量》的研究报告。该论文于1984 年1月18日正式发表在日本质量管理学会(JSQC)的杂志《质量》总第l4期上，标志着狩野模式(Kano model)的确立和魅力质量理论的成熟。这篇论文中，狩野纪昭在首次提出满意度的二维模式，构建出KANO模型。

看到这个题目，第一分析思路是：确定目标用户（爸妈中年人群）、分析目标用户需求、根据马斯洛&狩野（Kano）需求模型等给需求排序确定优先级、根据需求寻找对应满足需求功能的APP推荐给父母。 爸爸：45岁，普通职员工，儿女都在外上学或工作，想与子女聊天又怕打电话骚扰到他们。平时爱好：听歌，晨练，关注健康和国家新闻。有旅游和理财需求。 妈妈：45岁，家庭妇女，儿女都在外上学或工作，想与子女聊天又怕打电话骚扰到他们。平时爱好：置办家务爱好烹饪，跟其他妈妈闲聊八卦，跳广场舞，关注子女在外健康和老伴健康，有旅游和理财需求。什么是用户需求：指人体某种生理或心理的不满足感 。 KANO模型将人的三个需求层次定义为：基本型需求、期望型需求和兴奋型需求。 其中： 基本型需求是指 顾客认为产品“必须有”的属性或功能。当其特性不充足（不满足 顾客 需求）时，顾客很不满意；当其特性充足（满足顾客需求）时，无所谓满意不满意，顾客充其量是满意。如： 手机可以打电话，发短信。 期望型需求 ：提供的产品或服务比较优秀期望型需求在产品中实现的越多，顾客就越满意。 比如手机的指纹识别，解决了安全 （更多更复杂的密码、证书、外挂硬件等等） 兴奋型需求 是指：提供给顾客一些完全出乎意料的产品属性或服务行为，使顾客产生惊喜。如： 手机自带的美颜 效果等等。马洛斯需求模型将需求分为5个层次：生理（衣食住行）、安全（支付、密码）、社交（友情、爱情、亲情、熟人、陌生人间的交流沟通）、尊重（点赞认可）、自我实现（炫耀、认证）。 可以发现：BAT巨头中腾讯掌握着5个层次中的社交需求（QQ和微信）、阿里掌握着安全需求（支付宝）和生理需求（淘宝天猫买买买）。百度有安全需求（百度地图）。衣食住行的有如：美团饿了么、滴滴和UBER，携程与去哪儿。安全需求的还有：360安全卫士，杀毒软件等，自我实现有美图秀秀等。七宗罪包括：淫欲、贪婪、傲慢、贪食、嫉妒、暴怒和懒惰。 了解用户需求也即是在了解人性。 现在根据KANO模型和自己的情况把自己的APP做一个分类。 爸爸：45岁，普通职员工，儿女都在外上学或工作，想与子女聊天又怕打电话骚扰到他们。平时爱好：听歌，晨练，关注健康和国家新闻。有旅游和理财需求。爸爸需求：音乐娱乐（基础需求）、 健康（安全需求）、 社交（亲情）、 自我实现（旅游）。 所以我会给爸爸推荐：酷狗音乐app、今日头条和去哪儿旅游这三个app。 妈妈：45岁，家庭妇女，儿女都在外上学或工作，想与子女聊天又怕打电话骚扰到他们。平时爱好：置办家务爱好烹饪，跟其他妈妈闲聊八卦，跳广场舞，关注子女在外健康和老伴健康，有旅游和理财记账需求。 妈妈需求：生存需求（做饭）、 安全需求（健康、检测）、 社交需求（熟人、亲情）、自我实现（跳舞、旅游）、等所以我会给妈妈推荐下厨房、春雨医生、微信这三个APP。 父母之间有需求重叠，所以他们可能有都需要的APP,但我就分开推荐了（因为记账理财类的产品我没怎么有用过觉得好的，所以父母的理财记账需求被我忽视了）。 第一次分析多有不足欢迎探讨。

可以使用SPSSAU【问卷研究】--【kano模型】进行分析。即可得到汇总结果及Better-Worse系数图。

本文重点介绍两种需求优先级排序方法论：一是波士顿矩阵分析法，属于定性分析；二是KANO模型分析法，属于定量分析。 波士顿矩阵分析法 什么是波士顿矩阵 波士顿矩阵是由波士顿咨询公司发明的一种方法，最早用于分析企业的市场增长率和市场份额，又称市场增长率-相对市场份额矩阵、产品系列结构管理法等。 波士顿矩阵起初并非用于互联网产品领域，而是用在商业领域，目的是帮助企业选择更有前景的产品市场。后来此方法普遍被用于互联网产品领域，一些早期的产品设计机构将其原本概念稍作更改，以适用于产品需求优先级的判断。 波士顿矩阵之需求分类 在互联网产品领域，波士顿矩阵基于用户价值维度和公司价值维度将需求分成了四类： 1. 明星类需求（Stars） 是指对用户有价值，同时对公司的市场份额提升也有价值的需求。明星类需求是双赢的需求，此类需求的优先级最高。 2. 问题类需求（Question Marks） 是指对用户有价值，但是对公司的商业目标没什么价值的需求。问题类需求虽然看似对公司没有直接的商业价值，但是由于对用户有价值，会提升产品的用户体验，所以此类需求有助于提高用户的忠诚度。 之所以叫“问题需求”，是因为它们最终会变化为明星需求抑或是现金牛需求甚至在某些情况下会变化成瘦狗需求，都是不确定的，可能存在一定的风险。 3. 现金牛类需求（Cash Cows） 是指对是对公司的商业战略和市场份额有价值，但对用户体验的提升没有太大价值，甚至可能对用户造成某些干扰的需求。此类需求应尽量避免对用户体验造成不良的影响，比如一些收集用户信息的需求。 4. 瘦狗类需求（Dogs） 是指对用户无价值，对公司战略也无价值的需求。此类伪需求应该尽可能排除掉。 波士顿矩阵之需求优先级排序 在接到需求时，我们可以根据以上四个象限对需求进行分类，以此来划分需求优先级。 明星类需求是要优先满足的需求，优先级最高； 瘦狗类需求是要排除的伪需求，不存在优先级； 对于问题类需求和现金牛类需求，我们需要综合考量，权衡利弊： 如果产品处于成长初期，现阶段是获取用户增长和提升用户存留度，则问题需求优先级高于现金牛需求。 如果产品处于稳定成熟期，现阶段公司的目标是提升盈利水平，则现金牛需求优先级高于问题需求。 波士顿矩阵分析法基于“价值”角度来分析需求，一个需求能否落地，最终的判断依据就是这个需求是否产生价值。但是，波士顿矩阵分析法只是单纯地基于“价值”这一维度，来划分优先级，在实际产品的设计研发过程中中，也有其限制因素。 某个需求能否优先落地，除了具备“价值”外，还与需求的实现成本、团队已有资源以及市场的现状等实际情况有一定的关系，很多时候只能当做产品决策参考的依据之一，而不是唯一。我们需要综合运用更多的产品需求分析方法来确定需求的优先级。 下面介绍另一种常用的需求优先级分析方法——KANO模型分析法。 KANO模型分析法 什么是KANO模型 KANO 模型是有关产品设计和顾客满意度评估的一个理论模型，由东京理工大学教授狩野纪昭（Noriaki Kano）提出。主要用途是了解需求实现与用户满意度之间的关系，可以作为产品需求分析与优先级排序的参考依据。 KANO模型之需求分类 Noriaki Kano 将影响用户满意度的需求划分为五个类型，包括： 1. 基本型需求 又称为必备需求，是指用户觉得应该产品应该具备的功能或服务。如果不具备，产品的可用性会大大降低，所以用户的满意度会大幅下降。但是，产品满足此需求时，用户认为这是理所当然的，所以满意度并不会提升。 2. 期望型需求 是指用户期望得到的功能或服务。用户想要得到，但又不是非要不可。如果满足此类需求，用户的满意度会提升。如果不满足此类需求，用户的满意度会下降。 3. 魅力型需求 又称兴奋型需求，是指提供给用户的完全出乎意料的产品功能或服务，使用户产生惊喜感的需求。如果满足了用户对于魅力型需求的期望，用户满意度会急剧上升。反之，即使产品没有满足用户的魅力型需求，用户的满意度也不会降低。 4. 无差异型需求 无论产品提供或不提供此类需求，用户满意度都不会有所改变。此类需求，有或没有都不会对用户的满意度产生影响。 5. 反向型需求 指会引起用户不满的产品功能或特性，用户并不希望其出现，提供后用户满意度反而会下降。此类需求要尽量避免。 用坐标图直观地表示这五种类型的需求与用户满意度之间的关系： KANO模型之需求优先级排序 一般情况下需求的排序应该是： 基本型需求 > 期望型需求 > 魅力型需求 > 无差异型需求。 但是在实际产品设计研发过程中经常不按此顺序进行，特别是对于魅力型需求，在某些情况下魅力型需求的优先往往是最高的，基于以下两点原因： 1. 魅力型需求是产品的亮点 在如今产品设计越来越趋同的情况下，魅力型需求可能成为我们产品的一个亮点，也往往会成为用户使用我们产品的一个很大的理由。 2. 魅力需求有可能成为产品的盈利点 现在互联网市场上的很多产品都以“免费 付费”的模式运营。免费的需求可以积累大量用户，而付费点往往出现在魅力需求上。 在使用KANO模型进行需求分析时，我们还应该注意一点，随着技术的不断进步和用户习惯的养成，很多需求类型也会随之而发生变化。一般情况下需求会从魅力需求，逐步变成期望需求，然后变成必备需求。 比如，音乐类软件的听歌识曲功能，该功能刚推出的时候是属于魅力型需求，但是随着时间的推移，该功能对于很多用户来说就变成了期望型需求甚至基本型需求，如果某个主流的音乐类产品没有提供该功能，则会出现用户满意度降低的情况。 结语 无论是波士顿矩阵分析法还是KANO模型分析法，在实际运用上都存在着或多或少的限制，但是，这两种方法论给我们提供了一个很好的思维模式，其中的波士顿矩阵是基于价值对需求优先级进行考量分析，而KANO模型则是基于用户的满意度来进行优先级的排序。希望在大家实际的产品设计过程中，都可以很好地运用这两种方法论来理清自己的设计思路，解决需求优先级的排序问题。

在实际操作中，企业首先要全力以赴地满足顾客的基本型需求，保证顾客提出的问题得到认真的解决，重视顾客认为企业有义务做到的事情，尽量为顾客提供方便。以实现顾客最基本的需求满足。然后，企业应尽力去满足顾客的期望型需求，这是质量的竞争性因素。提供顾客喜爱的额外服务或产品功能，使其产品和服务优于竞争对手并有所不同，引导顾客加强对本企业的良好印象，使顾客达到满意。最后争取实现顾客的兴奋型需求，为企业建立最忠实地客户群。

无论是在大公司还是在小公司，我们总会遇到事多人少的情况。想开发的需求很多，空闲的开发资源很少。需求都堆积成山了，拼命加班也完不成所有的事情。 加人？不可能的，老板肯定是不同意的。砍需求？不存在的，每个需求来源都说自己的需求很重要。 问题最后归结为一个问题： “怎么在有限的资源下，完成更多更有价值的需求？” 摆在我们面前的只有一条路可以走，那就是在合理的资源投入下，优先级越高的需求越优先满足。 下面我们就聊聊常见的几种区分需求优先级的方法论： 需求优先级的分析方法大致可以分成两大类：一类是根据分析人员的经验主观地对需求进行优先级分类，我们称之为 定性的分析方法 。一类是根据调查数据，对调查数据进行分析，得出需求的优先级分类，我们称之为 定量的分析方法 。 四象限分析法是很常见的一种定性分析需求优先级的方法。如下图： 具体怎么用，就不多做解释了。这个方法真的是全世界都知道的方法。 虽然是一种很常见，但是在实际应用中确实很难用得起来。属于典型的“知易行难”的方法论。 个人觉得四象限分析法难以应用到需求排序中在于两个方面： 总的来说，四象限分析法在指导日常事务上发挥着重要的作用，但是在需求分析上，如果使用“重要”和“紧急”这两个维度稍微有点不足。 但是，基于四象限分析法的变型方法却是很多能用于需求分析上。如下面要提到的“波士顿矩阵”就是其中的一种变型方法。 先来看一下什么是波士顿矩阵，如下图： 波士顿矩阵由用户价值维度和公司价值两个维度将需求分成了四个象限： 举一个例子，一个外语在线直播教育平台，收到了如下需求： 根据波士顿矩阵，我们来逐个分析一下以上需求： 综上分析，我们将需求划分成四个类别： 明星需求：优惠券 金牛需求：调查问卷 问题需求：视频录制，上课提醒 瘦狗需求：选课程 明星需求是需要优先满足的需求，瘦狗需求是需要剔除的需求。 对于问题需求和金牛需求则需要有个权衡。如果公司以获取用户和提升用户存留为目的，如产品在成长期需要大量的新用户时，则问题需求优先级高。如果公司以盈利为目的时，如产品在成熟期需要提升盈利时，则金牛需求优先级高。 波士顿矩阵分析方法能较好的从“价值”的角度来分析需求是比较科学的，一个需求是否要落地，最终的判断依据就是这个需求是否产生价值。 但是，波士顿矩阵单纯的从“价值”维度来区分优先级，在实际应用中，还是有点不足。一个需求是否优先落地，除了是否具备“价值”外，还跟需求的实现难度、市场条件等有一定的关系，很多时候并不能一刀切。 另外，一个需求从严格来说对用户有价值，能留住用户，从某种方面来看就是对公司有价值。对公司有价值最后也会转变成对用户有价值，比如我们收集用户信息，最后也是为了更好的服务用户。有时候我们需要花费大量的精力来区分，一个需求是直接价值还是间接价值。 特别是在产品的初期，为了获取新用户并留住用户，我们会想尽办法达成这个目标。这期间，问题需求的优先级很可能高于一切。比如，提供一个快速注册的功能。可以这么说，在产品初期，公司价值和用户价值是统一的，这时候波士顿矩阵在某种程度上来说，是不太适用的。 总的来说，波士顿矩阵比较适合产品成熟后，在分析优化型需求上。在这个阶段，用户基础功能已经得到满足，这时候商业价值才能逐步凸显，成为用户价值之外的另一个衡量标准。 KANO将需求分成了五种类型： 用一张简单的图形来表示如它们之间的关系： 我们来看一下怎么一步一步的将需求归类到每个需求类别里面。 1. 设计问卷 KANO模型是通过问卷调查的方式来确定需求类型的，通过对调查问卷的统计来分析来区分需求。先来看一下问卷的设计： 2. 收集数据 根据用户对两个问题的回答，我们可以将此名用户的答案进行归类，如下图： 当我们对大量用户进行问卷调查后，我们可以得出这个功能在大量用户下选择的占比，如下图： 从上图，我们可以看出，用户对这个功能选择的占比大概如下： 3. 清洗数据 首先排除掉Q，这个选项是不应该出现的，可能是用户错误的选择，或者对问题理解的错误导致的。 然后排除掉R，大量用户选择了R，此类用户是不应该被开发的，所以不列入需求优先级的排序范围。 3. 数据分析 通过分析A、O、M、I四个选项进行计算划分。 3.1 Better-Worse系数计算 这里我们引入Better-Worse系数，先看一下Better-Worse系数的计算公式： Better/SI=（T A +T O ）/ (T A +T O +T M +T I ) Worse/DSI=-1 *（T O +T M ）/ (T A +T O +T M +T I ) Better系数表示用户的满意度。Better系数越高，表示当具备此类需求时，用户选择“我很喜欢”的比例越大，此类需求越能提升用户的满意度。 Worse系数表示用户的不满意度。Worse系数越高，表示当不具备此类需求时，用户选择“我不喜欢”的比例越大。如果此类需求缺少，用户的满意度将大幅度下降。 上面的值代入公式计算得出： Better/SI = （30% + 12%） / （30% + 12% + 18% + 31%） = 46% Worse/DSI = -1 * （ 12% + 18% ） / （30% + 12% + 18% + 31%） = -32% 3.2 绘制Better-Worse图表 我们用这个方法，对多个需求计算Better-Worse系数，然后将其放到同一个图标上面，如下： 画Better-Worse系数图的时候，在实际操作中有两个点要注意： 正常情况下需求的排序应该是： 必备需求 > 期望需求 > 魅力需求 > 无差异需求 。 但是在实际应用过程中经常不按这个顺序进行开发，特别是对魅力需求时。我们来看一下魅力需求，有时候魅力需求的优先级还要凌驾于其他需求之上。 应用KANO模型，我们还应该认识到： KANO模型是一种定量的分析方法，在运用过程中有以下几个优势： 但是，我们也应该看到KANO模型，也存在的一些缺点： 无论是波士顿矩阵还是KANO模型，在使用上都存在着或多或少的不足。但是这两种方法论，给我们提供了一个很好的思考标准。其中波士顿矩阵是以价值来对需求进行思考，KANO模型则是基于用户满意度来进行思考。 但是，我们日常在处理需求时，总会遇到各种各样的情况出现。比如老板突然来了一个想法，比如开发资源短缺，比如团队并不具备某项需求的开发能力等等。这时候，作为产品还是需要根据具体的情况具体分析。 在文章 《需求管理之需求优先级的排序》 中，讨论了如何根据具体情况来对需求进行排序，有兴趣的可以看看。

基本品质（需求）也叫理所当然品质。如果此类需求没有得到满足或表现欠佳，客户的不满情绪会急剧增加，并且此类需求得到满足后，可以消除客户的不满，但并不能带来客户满意度的增加。产品的基本需求往往属于此类。对于这类需求，企业的做法应该是注重不要在这方面失分。期望品质（需求）也叫一元品质。此类需求得到满足或表现良好的话，客户满意度会显著增加，当此类需求得不到满足或表现不好的话，客户的不满也会显著增加。这是处于成长期的需求，客户、竞争对手和企业自身都关注的需求，也是体现竞争能力的需求。对于这类需求，企业的做法应该是注重提高这方面的质量，要力争超过竞争对手。魅力品质（需求）此类需求一经满足，即使表现并不完善，也能到来客户满意度的急剧提高，同时此类需求如果得不到满足，往往不会带来客户的不满。这类需求往往是代表顾客的潜在需求，企业的做法就是去寻找发掘这样的需求，领先对手。

SPSS可以直接导入。T P NP为名义，其他自变量你没有介绍，根据样本数据们可以定义为尺度（连续）变量。具体导入过程如下：SPSS---文件---打开---数据在出现的对话框里，在“文件类型”右边的下拉菜单里，选择Excel(*.xls,*.xlsx,*xlsm),然后选择你要打开的Excel文件，点击“打开”按钮。然后根据提示一步步进行就可以打开了。

我之前在 为什么产品思维这么值钱？ 里说过，所谓真正的产品，就是【作为商品提供给市场，被人们使用和消费，并能满足人们某种需求的任何东西】。 满足需求是产品的核心。 把我们自己当成产品，在职场上，满足公司、部门、业务的需求是核心。当你个人职业发展的需求和部门、公司的经营发展目标一致时，激励相容，是最好的结果。 既然满足需求是产品的核心，那怎么挖掘需求？怎么判断需求优先级？ 推荐高玮老师最推崇的kano模型。 1、适用场景 确认需求是否存在：当你有一个idea，但又不确定市场上是否有需求的时候，可以通过kano模型验证； 确认需求等级：当有多个需求出现的时候，可以通过kano模型判断优先级； 减少无用功：可以提前识别无差异属性，减少无用功； 打造爆款的传播要素：挖掘出魅力属性，打造爆款。 2、优势 区别于简单的问卷调研，kano模型是更有效的量化分析工具，而且适用场景更广，不仅可以判断产品需求，还可以判断人生价值。 以我最近负责的洗车业务来举例—— 必备属性：清洗干净。当优化此需求，用户满意度不会提升，当不提供此需求，用户满意度会降低。 期望属性：等待时间短。当提供此需求，用户满意度会提升，当不提供次需求，用户满意度会降低。 魅力属性：专利洗车产品，水洗的价格，打蜡级的效果。用户意向不到的，如果不提供此需求，用户满意度不会降低，但提供此需求，用户满意度会有很大提升。 反向属性：用户根本没有此需求，提供后用户满意度反而会下降。 无差异属性：无论提供或不提供此需求，用户满意度都不会有改变，用户根本不在意。 再以长视频为例—— 必备属性：播放流畅 期望属性：内容丰富 魅力属性：像披荆斩棘的哥哥这种现象级的节目 反向属性：广告。避免和商业模式无关的反向属性，但像广告这种和商业模式有关的，没办法去掉的，想办法让它更柔和，比如提示广告还有多少秒，减少用户的不耐烦。 无差异属性：很多你不用的功能 关键是需求分类和优先级的规划。我们可以分析出用户的很多需求，但什么样的需求才是需要满足、应该满足、优先满足？ 首先是必备属性；其次是期望属性；然后挖掘魅力属性；避免和商业模式无关的反向属性；让商业模式有关的反向属性更柔和；不要在无差异属性上浪费时间。 需求挖掘五步法： 1、提出需求两个问题 如果有这个功能，你的评价是？ 如何没有这个功能，你的评价是？ 很喜欢、理应如此、无所谓、勉强接受、很不喜欢？ 2、对照表格，进行分类 3、找更多用户调研，进行统计 4、BI、SI计算优劣 better——增加这个功能的体验改善，算法：SI=(A+O)/(A+O+M+I) worse——去掉这个功能的体验降低，算法：DSI=-1*(M+O)/(A+O+M+I) 5、多需求四象限 SI为纵轴，DSI为横轴。第一象限：期望属性，做了加分，不做减分；第二象限：魅力属性，做了加分，不做无影响； 第三象限：无差异属性，做不做，无影响； 第四象限：必备属性，做了无影响，不做减分。 决策：首先是第四象限必备属性，其次是第一象限期望属性，然后挖掘第二象限魅力属性，最后避免和商业模式无关的反向属性。同属性的，优先better值高的需求。 kano模型是非常有效的量化分析需求的工具，不仅可以应用到产品，也可以应用到个人决策。不做无差异的需求，不做无关紧要的事情。把资源、把时间放在更有价值的功能、事情上。

SI值为横坐标。KANO模型是由日本的卡诺博士提出的，KANO模型定义了三个层次的用户需求：基本型需求、期望型需求和兴奋型需求。将各质量特性以SI值为横坐标、DSI值为纵坐标纳入敏感性矩阵中，SI也可以称为better系数，DSI也称为worse系数。

SPSSAU可以直接导入数据，进行kano模型分析。第一步，选择【问卷研究】--【KANO模型】。第二步，将左边的数据拖到分别放入右侧分析框。第三步，点击分析即可。

Kano模型三种质量的划分，为6Sigma改进提供了方向。如果是理所当然质量，就要保证基本质量特性符合规格（标准），实现满足顾客的基本要求，项目团队应集中在怎样降低故障出现率上；如果是期望质量，项目团队关心的就不是符合不符合规格（标准）问题，而是怎样提高规格（标准）本身。不断提高质量特性，促进顾客满意度的提升；如果是魅力质量，则需要通过满足顾客潜在需求，使产品或服务达到意想不到的新质量。项目团队应关注的是如何在维持前两个质量的基础上，探究顾客需求，创造新产品和增加意想不到的新质量。

Kano模型是1984年由东京理工大学教授狩野纪昭（Noriaki Kano）博士提出的一种品质表达模型，主要用来分析产品品质和用户满意度之间的非线性关系，非常适合于在产品开发之前，用来对产品需求进行分类，以及对产品各个功能的重要性进行评估和排序。这与产品经理在分析用户需求时的工作贴合度非常之高，因此，一个原本在质量管理领域非常具有代表性的管理理论，变成了产品经理们广泛使用的方法论。 在Kano模型中，将产品品质分为五个部分：无差异品质（Indifference）、魅力品质（Attractive）、一维品质（One-dimensional）、必要品质（Must-be）、反向品质（Reverse）。Kano模型中对产品品质的分类和定义，这里不再赘述，有兴趣的朋友可自行搜索相关资料。 在实际的产品工作中，在需要分析用户需求的时候，我通常习惯于按照Kano模型把用户需求分为三个层次：基本需求、期望需求和兴奋需求（省略无差异品质和反向品质）。从上图中，我们可以清晰的看到实现不同需求对用户满意度的影响。 1.基本型需求 基本需求是指产品如果要成立，就必须具备的属性或者功能。不满足这些需求，用户对产品的满意度会大幅下降，甚至可能根本不会去使用该产品；但在基本需求被满足后，持续的优化和改善基本需求，或者增加基本需求的数量，并不能对用户满意度产生非常大的影响。比如，以我们常用的微信这款产品来说明，微信最开始的定位是手机端的IM产品，所以他的基本需求就是要能够给在手机上给朋友发消息，在实现了发消息的功能后，用户对微信的满意度已经达到一个阈值，如果微信只是继续对发消息功能进行优化和改善，而不是持续推出朋友圈，公众号等其他功能，微信也许早就泯然众人矣。当年和微信同台竞争手机IM产品的米聊，在微信推出朋友圈功能的时候，米聊还是只对发消息功能进行优化迭代，推出了涂鸦功能，结果就是微信的用户满意度不断提升，米聊的用户满意度只能是逆水行舟，不进则退。 2.期望型需求 期望型需求是产品提供的服务或者属性比较优秀，但并不是必要的产品属性，期望型需求能够持续提升用户满意度，实现的期望需求越多，用户满意度越高，但是只实现期望需求，对用户满意度的提升比较缓慢。还是拿微信举例，人们希望通过微信进行信息交流，信息是指以声音、语言、文字、图像、动画、气味等方式所表示的实际内容。信息多样化的交流是人们所期望的，所以微信后来支持了语音通话和视频通话，进一步提高了用户的满意度，同时动画、图像的交流便于人们情感的进一步交流，避免尴尬，拉近距离。 3.兴奋型需求 兴奋需求是提供给顾客一些完全出乎意料的产品属性，使顾客产生惊喜。这些需求是用户没有想到的东西，当产品提供了这类需求中的服务时，可以极大的提高用户满意度。随着微信的扩大，越来越多的朋友用起了微信，但是更多的情况还是熟人社交。人们那是没有想到陌生人之间也能加好友聊天。于是微信推出了附近的人，扩大了朋友圈的范围。 随着社会的进步，市场的改变，需求类型是会改变的，之前一些被称之为兴奋型的需求可能会变成期望需求，期望需求可能会变成基本需求，这就是说 需求是会被降级 的。同时随着市场经济的发展和人在不同时期的需求的改变，有的功能也许在那个时候人们是很乐意接受的，但是到今日，人们不满意甚至抛弃了这个功能，所以从一定意义上来说， 需求是有期限 的。以下我将具体解释一下我所说的这两点。 1.需求会被降级 我们在应用这个模型时，需要注意的是，随着时间的发展，需求会在模型中向下移动，即需求是会被降级的。比如在20年前，买一部电视机，如果提供彩屏电视机，那就是惊喜需求了。回到现在，你再让用户就买一个20年前的彩屏电视机，用户还会买单吗？显然现在彩屏电视机就是对电视机最基本的需求了。需求从惊喜需求降到了基本需求。 2.需求会过期 同样需求也是会过期的，即有一定的期限。因为满意度是由用户去评价的，起主导作用的是人的想法。而人的想法是会随着时间的推移而不断去发生变化，一旦想法发生了变化，对需求的满意必然有所改变，甚至抛弃，所以说需求是有一定期限的。比如谷歌公司于2012年4月发布的一款"拓展现实"眼镜，在刚刚推出时，很多用户争相去买，但是在2015年1月19日，谷歌停止了谷歌眼镜的"探索者"项目，试问一下，如果用户对该产品一直热衷，谷歌还会停止研发吗？ 仅仅根据Kano模型去区分需求的类型，安排平时的工作还是有所欠缺的。我习惯结合马斯洛需求层理理论去划分需求。马斯洛需求层理理论将需求分为生理，安全，情感，尊重，自我实现5个方面。马斯洛需求的具体定义我这里不在复述，感兴趣的朋友可以自行去了解。但这五种需要可以分为高低两级，其中生理上的需要、安全上的需要和感情上的需要都属于低一级的需要，这些需要通过外部条件就可以满足，一般我将它们划分基本需求和期望需求；而尊重的需要和自我实现的需要是高级需要，他们是通过内部因素才能满足的，而且一个人对尊重和自我实现的需要是无止境的，我一般划分为期望需求。但是同一时期，一个人可能有几种需要，但每一时期总有一种需要占支配地位，对行为起决定作用。所以就要求我们在安排工作时，学会合理安排需求的优先级。任何一种需要都不会因为更高层次需要的发展而消失。各层次的需要相互依赖和重叠，高层次的需要发展后，低层次的需要仍然存在，只是对行为影响的程度大大减小，也许会换一种方式去实现这种需求。作为一名产品产品经理，我们在处理需求时，要适当的运用Kano模型原理和马斯洛需求层次去安排需求的优先级，同时也要明白需求类型的2个特性，即需求会被降级和具有期限性，灵活处理需求。

Kano 模型（狩野模式）在需求分析中的应用1、kano模型起源 在很多人的观念里，会认为满意的反面就是不满意。然而赫兹伯格在他的双因素理论（激励--保健理论）中提出，满意与不满意并不是单一的连续体，而是分开的，他们不是二选一的关系。简单说就是令你满意的因素被去除，不一定会感到不满意；令你不满的因素被去除，你也不一定就嗨皮了。 东京理工大学教授狩野纪昭（Noriaki Kano）把这套理论引入到了产品质量管理中来。在1984年首度提出了Kano模型。 2、Kano模型 Kano模型定义了三个层次的主需求：基本型需求、期望型需求、魅力型需求。下面是示意图 u200c u200cu200cu200c u200c u200cu200cu200c 期望型需求（魅力属性）：用户意想不到的，如果不提供这个功能，用户对产品的满意度不会降低；当提供这个功能，用户满意度会有很大提升，一下就嗨了。 期望型需求（期望因素）：提供此功能，用户满意度会上升，不提供此功能，用户满意度会降低。 基本型需求（必备属性）：当优化这个功能时，用户满意度不会提升，觉得这个是应该的；当不提供这个功能的时候，用户就开始骂娘了。 无差异需求（无差异因素）：做不做都行，对客户影响不大。 反向需求（反向属性）：不做还好，做了客户就崩溃了，满意度反而因为新功能而下降。 3、为什么要使用Kano模型 菲利普-科特勒说过：满意与否是指一个人通过对一个产品的可感知效果与他期望的值相比较后，形成的愉悦或失望的感觉状态。 当一个产品进入成长期后采取渗透市场的战略，添加功能时必不可少的。那客户对我们的新功能是否满意，我们有10个新功能应该先做哪个，这些都不应该是PM拍脑袋想出来的。所以我们才需要这个模型帮助我们系统的梳理需求，做需求的分析和提炼。 4、Kano模型的使用方法 KANO模型根据对顾客需求的细分原理，开发的一套结构型问卷和分析方法。简单说就是正、反两面的提问模式。例如： u200c u200cu200cu200c u200c u200cu200cu200c 这里有些需要注意的点，比如为了准确的收集数据，问卷中的功能点已经要展示清楚，最好是有说明；预先找几个有代表性的用户先把这套问卷做一边，看看能否收集到想要的信息，并完善问卷；对于评价的形容词也要有说明，比如【我很喜欢】：指会让您满意、开心、非常惊喜。 5、收集数据并清洗 要对数据收集，收集后要严格的清洗以保证数据的有效性。比如清除掉啥都喜欢或啥都不喜欢的问卷。kano的二维属性分类如下： u200c u200cu200cu200c u200c u200cu200cu200c 这时候我们把收集到的信息填入这个表格中就可以了，得到的结果就是百分之多少的用户非常期望这个功能，百分之多少的用户觉得这个是必备的。 6、Better-worse系数分析（满意影响力(SI)和不满意影响力(DSI)） 得到了数据不进行分析，其实这个数据连参考的价值都很少。我们需要计算出Better-Worse系数，最终用这个结果来判断，这个功能我们到底做不做、啥时候做。 Better可以被理解为增加后的满意系数。Better的数值通常为正数，数值越大正面这个功能对用户的满意度提升影响效果越强。 Worse可以被理解为增加后的不满意系数。Worse通常是负数，值越小，越代表着用户满意度越低。 指标计算公式如下： 增加后的满意系数（better）： （魅力属性+期望属性）/(魅力属性+期望属性+必备属性+无差异因素） 消除后的不满意系数（worse）： (期望属性+必备属性）/(魅力属性+期望属性+必备属性+无差异因素）×（-1）。 用这个算法算出每项功能的得分，根据得分，找到对用户影响最大的功能，然后头也不回的去做就好了。 kano在调研中的注意事项比较多（主要是因为困了，先写这些），如果感兴趣可以私下交流。

Kano模型五种质量的划分，为六西格玛的改进提供了方向。 在实际操作中，企业首先要全力以赴地满足顾客的基本型需求，保证顾客提出的问题得到认真的解决，重视顾客认为企业有义务做到的事情，尽量为顾客提供方便。以实现顾客最基本的需求满足。 然后，企业应尽力去满足顾客的期望型需求，这是质量的竞争性因素。提供顾客喜爱的额外服务或产品功能，使其产品和服务优于竞争对手并有所不同，引导顾客加强对本企业的良好印象，使顾客达到满意。最后争取实现顾客的兴奋型需求，为企业建立最忠实地客户群。

KANO模型是由日本的卡诺博士（Noritaki Kano）提出的，KANO模型定义了三个层次的用户需求：基本型需求、期望型需求和兴奋型需求。1、基本型需求 用户认为产品“必须有”的属性或功能，也叫用户需求的 痛处 ，如果此类需求没有得到满足或表现欠佳，用户的不满情绪会急剧增加，并且此类需求得到满足后，可以消除用户的不满，但并不能带来用户满意度的增加。对于这类需求，我们的做法应该是不要在这方面失分。2、期望型需求 要求提供的产品或服务比较优秀，但并不是必需的产品属性，有些期望型需求连用户都不太清楚，但是他们非常希望得到的，也叫用户需求的 痒处 。用户通常谈论的是期望型需求，期望型需求又叫做线性需求，这类需求越多越好。此类需求若得到满足或表现良好，用户满意度会显著增加，当此类需求得不到满足或表现不好，用户的不满也会显著增加。这是处于成长期的需求，用户、竞争对手和企业自身都关注的需求，也是体现竞争能力的需求。对于这类需求，我们的做法应该是注重提高这方面的质量，要力争超过竞争对手。3、兴奋型需求 兴奋型需求指的是提供给用户一些完全出乎意料的产品属性，使用户产生惊喜，也叫用户需求的 暗处 。兴奋点和惊喜点常常是一些未被用户了解的需求，用户在看到这些功能之前并不知道自己需要它们。当其特性不充足时，并且是无关紧要的特性，则用户无所谓，当产品提供了这类需求中的服务时，用户就会对产品非常满意，从而提高用户的忠诚度。这类需求往往是代表用户的潜在需求，我们的做法就是去寻找发掘这样的需求，领先对手。启发： 1、对于必须完成的功能，在产品发布时需要完成，但并不是要求在第一次迭代时就开发完成； 2、完成尽可能多的线性需求； 3、如果时间允许，至少应该确定少量的兴奋点优先级，把它们包含进发布计划。 1. 反向需求：做得越多，用户越不喜欢。比如不断叠加与产品相关性较小的鸡肋功能；2. 无差异需求：有没有对用户都无所谓。比如发放无任何实用性的廉价小礼品； 3. 必备需求：有是应该的，没有是不可忍受的。比如食品的食用安全性； 4. 期望需求：多多益善。比如photoshop的图片编辑功能，越多越能体现用户的创造力； 5. 魅力需求：用户不知道他们需要的东西，直到你把它推到用户面前。比如iPhone里的Siri。 如何利用KANO模型来评估需求呢？其实就是将要获取到的需求记录归类到基本型需求、期望型需求和兴奋型需求中。我们可以设计一套问卷，对用户进行问卷调查。KANO建议通过对一个功能问两个问题来确定分类：一个问题是如果产品中有这个功能，用户会觉得如何；另一个问题就是如果功能不存在，用户又是觉得如何。对每个问题采用5点的度量方式进行回答： 我希望这样、我预期这样、我没有意见、我可以忍受这样、我不希望这样。 经过调查后根据下图的归类矩阵，将问题进行归类来确定需求的类型：M表示必备需求；O表示期望需求；A表示魅力需求；R表示顾客不需要这种质量特性，甚至对该质量特性有反感；I表示无差异需求，顾客对这一因素无所谓；Q表示有疑问的结果，顾客的回答一般不会出现这个结果，除非这个问题的问法不合理、或者是顾客没有很好地理解问题、或者是顾客在填写问题答案时出现错误。接下来可以应用KANO模型分析方法识别顾客需求。通过调查获得每个质量特性的数据之后，就可以计算每个质量特性在不同需求类型中出现的频率，例如：KANO模型分析是通过对各质量特性的满意影响力和不满意影响力的分析，来判断顾客对这些质量特性水平变化的敏感程度，进而确定改进那些质量特性敏感性高、更有利于提升顾客满意的关键因素。首先进行满意影响力(SI)和不满意影响力(DSI)两个方面的计算，计算公式如下： SI=（A+O）/(A+O+M+I) DSI= -1×(O+M)/(A+O+M+I) 将各质量特性以SI值为横坐标、DSI值为纵坐标纳入敏感性矩阵中。在半径圈(下图中以原点0为圆心，OP为半径的圆)以外的因素，并且离原点越远的因素，敏感性越大，可以确定FM收音机、容量和播放格式是关键要素。而在圈内的质量特性敏感性不大，可暂时不予以考虑。SI也可以称为better系数，DSI也称为worse系数。 Better，可以被解读为增加后的满意系数。better的数值通常为正，代表如果提供某种功能属性的话，用户满意度会提升；正值越大/越接近1，表示对用户满意上的影响越大,用户满意度提升的影响效果越强，上升的也就更快。 Worse，则可以被叫做消除后的不满意系数。其数值通常为负，代表如果不提供某种功能属性的话，用户的满意度会降低；值越负向/越接近-1，表示对用户不满意上的影响最大，满意度降低的影响效果越强，下降的越快。 根据better-worse系数，对系数绝对分值较高的功能/服务需求应当优先实施。另外，注意需求的分类归属会随着时间而产生变化。——部分内容整理自网络——

psm模型（pricesensitivitymeasurement）psm价格敏感度分析方法是在70年代由vanwestendrop所创建。其特点为所有价格测试过程完全基于被访者的自然反应，没有任何竞争对手甚至自身产品的任何信息。希望采纳

1、一迈等于1英里每小时,换算成公制,约等于1.6公里每小时。2、公里是不称为迈的，而且迈是一个速度单位，而公里是一个长度单位。意思就是1迈/小时，简称mph，mph是mileperhour的缩写。表示英里/小时。大家都俗称“迈”，1迈=1.609344公里/小时，换算以后就是100迈=160公里时速。迈，mile,英里，音译成迈。3、科学上用速度来表示物体运动的快慢。速度在数值上等于单位时间内通过的路程。速度的计算公式：V=S/t。速度的单位是m/s和km/h。

计算机制简介 Storm采用流式计算的模型，和shell类似让数据在一个个“管道”中进行处理。Spout负责从数据源拉取数据，相当于整个系统的生产者。Bolt负责消费数据并将tuple发送给下一个计算单元。Bolt可以接受多个spout和bolt的数据。每个spout，bolt可以设置并行度excuter相当于多进程，每个excuter可以设置多个task shuffle grouping，它随机将tuple发给任何一个task；fields grouping，相同field值的tuple发送给同一个task。数据完整性 当spout发送一个数据的时候为每一个tuple产生一个唯一的message id。当数据被完整处理的时候bolt会产生一个应答ack（成功）或fail（失败），如果数据超过（默认30s）则视为超时然后丢弃掉（可以通过操纵fail方法重新发送数据，不过这带来很高的计算成本）。同时受spout发射tuple最大数的限制bole的处理速度会影响spout的发射速度。因此如果保证数据被快速消费掉成为影响流式计算速度的关键所在。stom计算模型 一个简单的storm计算模型基本包括3部分：从数据源拉取数据，关联离线的维表，将结果写入数据库。我们假设需要统计一个购物网站商品分类目的点击人数次数，而且这个网站数据量非常大。大致步骤如下： A. FF负责产生商品点击数据 B. 关联商品类目 C.将结果写入hbase 商品id：auc_id 用户id：user_id

文本主题模型之潜在语义索引(LSI)在文本挖掘中，主题模型是比较特殊的一块，它的思想不同于我们常用的机器学习算法，因此这里我们需要专门来总结文本主题模型的算法。本文关注于潜在语义索引算法(LSI)的原理。1. 文本主题模型的问题特点在数据分析中，我们经常会进行非监督学习的聚类算法，它可以对我们的特征数据进行非监督的聚类。而主题模型也是非监督的算法，目的是得到文本按照主题的概率分布。从这个方面来说，主题模型和普通的聚类算法非常的类似。但是两者其实还是有区别的。聚类算法关注于从样本特征的相似度方面将数据聚类。比如通过数据样本之间的欧式距离，曼哈顿距离的大小聚类等。而主题模型，顾名思义，就是对文字中隐含主题的一种建模方法。比如从“人民的名义”和“达康书记”这两个词我们很容易发现对应的文本有很大的主题相关度，但是如果通过词特征来聚类的话则很难找出，因为聚类方法不能考虑到到隐含的主题这一块。那么如何找到隐含的主题呢？这个一个大问题。常用的方法一般都是基于统计学的生成方法。即假设以一定的概率选择了一个主题，然后以一定的概率选择当前主题的词。最后这些词组成了我们当前的文本。所有词的统计概率分布可以从语料库获得，具体如何以“一定的概率选择”，这就是各种具体的主题模型算法的任务了。当然还有一些不是基于统计的方法，比如我们下面讲到的LSI。2. 潜在语义索引(LSI)概述潜在语义索引(Latent Semantic Indexing,以下简称LSI)，有的文章也叫Latent Semantic Analysis（LSA）。其实是一个东西，后面我们统称LSI，它是一种简单实用的主题模型。LSI是基于奇异值分解（SVD）的方法来得到文本的主题的。而SVD及其应用我们在前面的文章也多次讲到，比如：奇异值分解(SVD)原理与在降维中的应用和矩阵分解在协同过滤推荐算法中的应用。如果大家对SVD还不熟悉，建议复习奇异值分解(SVD)原理与在降维中的应用后再读下面的内容。这里我们简要回顾下SVD：对于一个m×n的矩阵A，可以分解为下面三个矩阵：Am×n=Um×mΣm×nVn×nT有时为了降低矩阵的维度到k，SVD的分解可以近似的写为：Am×n≈Um×kΣk×kVk×nT如果把上式用到我们的主题模型，则SVD可以这样解释：我们输入的有m个文本，每个文本有n个词。而Aij则对应第i个文本的第j个词的特征值，这里最常用的是基于预处理后的标准化TF-IDF值。k是我们假设的主题数，一般要比文本数少。SVD分解后，Uil对应第i个文本和第l个主题的相关度。Vjm对应第j个词和第m个词义的相关度。Σlm对应第l个主题和第m个词义的相关度。也可以反过来解释：我们输入的有m个词，对应n个文本。而Aij则对应第i个词档的第j个文本的特征值，这里最常用的是基于预处理后的标准化TF-IDF值。k是我们假设的主题数，一般要比文本数少。SVD分解后，Uil对应第i个词和第l个词义的相关度。Vjm对应第j个文本和第m个主题的相关度。Σlm对应第l个词义和第m个主题的相关度。这样我们通过一次SVD，就可以得到文档和主题的相关度，词和词义的相关度以及词义和主题的相关度。3. LSI简单实例这里举一个简单的LSI实例，假设我们有下面这个有10个词三个文本的词频TF对应矩阵如下：这里我们没有使用预处理，也没有使用TF-IDF，在实际应用中最好使用预处理后的TF-IDF值矩阵作为输入。我们假定对应的主题数为2，则通过SVD降维后得到的三矩阵为：从矩阵Uk我们可以看到词和词义之间的相关性。而从Vk可以看到3个文本和两个主题的相关性。大家可以看到里面有负数，所以这样得到的相关度比较难解释。4. LSI用于文本相似度计算在上面我们通过LSI得到的文本主题矩阵可以用于文本相似度计算。而计算方法一般是通过余弦相似度。比如对于上面的三文档两主题的例子。我们可以计算第一个文本和第二个文本的余弦相似度如下 ：sim(d1,d2)=(?0.4945)?(?0.6458)+(0.6492)?(?0.7194)(?0.4945)2+0.64922(?0.6458)2+(?0.7194)25. LSI主题模型总结LSI是最早出现的主题模型了，它的算法原理很简单，一次奇异值分解就可以得到主题模型，同时解决词义的问题，非常漂亮。但是LSI有很多不足，导致它在当前实际的主题模型中已基本不再使用。主要的问题有：1） SVD计算非常的耗时，尤其是我们的文本处理，词和文本数都是非常大的，对于这样的高维度矩阵做奇异值分解是非常难的。2） 主题值的选取对结果的影响非常大，很难选择合适的k值。3） LSI得到的不是一个概率模型，缺乏统计基础，结果难以直观的解释。对于问题1），主题模型非负矩阵分解（NMF）可以解决矩阵分解的速度问题。对于问题2），这是老大难了，大部分主题模型的主题的个数选取一般都是凭经验的，较新的层次狄利克雷过程（HDP）可以自动选择主题个数。对于问题3），牛人们整出了pLSI(也叫pLSA)和隐含狄利克雷分布(LDA)这类基于概率分布的主题模型来替代基于矩阵分解的主题模型。回到LSI本身，对于一些规模较小的问题，如果想快速粗粒度的找出一些主题分布的关系，则LSI是比较好的一个选择，其他时候，如果你需要使用主题模型，推荐使用LDA和HDP。

材质和模型是分开的，如果要存放到一起，首先要把模型的所有的贴图都存放在一个文件夹，然后max模型存放的位置可以自定义，还有一个重要的步骤就是需要指定贴图的路径，制定完就可以了。

很遗憾，unity自带的地形不支持烘培，一般用到地形的都是基于pc端游戏吧，直接实时灯光即可

一、研究思路地下水数值模型的构建旨在建立符合实际的数值模型。然而，几十年来的实践告诉我们，由于地下水流动系统很多因素的复杂性，不确定性，使得人们很难构建出反映实际客观的地下水数值模型，这种复杂性和不确定性程度随着研究对象不同而有所不同。对于盆地大区域地下水流问题主要特点是:区域面积大、地质水文地质资料控制程度低、开采量时空分布信息少、观测孔密度不均。就山西六大盆地而言，主要特点如下。1）具有相对独立的水文地质单元结构；2）山间盆地，沉积层分布不稳定，透镜体多，难以划分连续的含水层或隔水层和弱透水层；3）地下水开采量目前只能按水文地质单元或行政区域统计的年开采总量，以及水力部门统计的工农业生产和居民生活用水量。针对山西六大盆地下水系统特征及资料情况，结合地下水数值模型研究基本理论方法，采取下述思路构建六大盆地地下水数值模型。1）以各盆地结构模型研究成果为基础，根据岩性分布结合岩性参数特征，采用网格属性参数粗化理论方法，建立数值模型网格参数模型。2）由于六大盆地含水层分布不稳定，没有稳定分布的隔水层和弱透水层，地下水流表现出三维流；因此，采用三维不稳定流模型描述六大盆地地下水流动过程。3）由于各盆地属于山间盆地，盆地边界基本上由基岩山区控制。因此，以盆地孔隙水系统为地下水流动单元建立数值模型，孔隙水系统与边山系统的关系由以上章节研究结果确定。二、数值方法及模拟软件地下水数值模拟方法很多，如有限差分法、有限单元法等。实际上，利用有限单元法和有限差分法建立的模型没有太大的差别，对于稳定流问题，在网格剖分和插值方法相同时，两者可以统一起来。张宏仁还证明了对于平面二维稳定流问题而言，两种方法是完全等价的；对于平面二维非稳定流问题，用有限元法导出来的代数方程，实质上是有严重缺陷的差分方程，在一定条件下会给出反常的计算结果，如反常的水位值。也就是说，利用有限单元法建立的非稳定的地下水流模型，在时间步长Δt较小的情况下，某些单元可能出现质量不守恒，因此会引起个别点的水头反常。使储量矩阵对角线化虽可消除反常现象，但却又使有限元法与有限差分法完全等同起来，这表明，有限差分法比有限元法更实用。相比之下，有限差分法物理意义明确，容易理解，对于矩形单元法，其主要缺点是当对某些单元网格加密时，会增加许多额外不必要的计算单元；但如果利用基于三角形网格剖分的有限差分法，就具有有限单元法相同的优点。对于大区域地下水流动问题计算，采用矩形网格有限单元法，计算简便，也能满足精度要求。因此，我们采用有限差分法建立山西六大盆地地下水数值模型。根据任务书要求，山西六大盆地数值模型采用美国地质调查局的地下水三维渗流模拟软件GMS软件进行研究，该软件模块多，功能全，几乎可以用来模拟与地下水相关的所有水流和溶质运移问题。相比其他同类软件如ModIME、MODFLOW和Visual MODFLOW，GMS软件除模块更多之外，各模块的功能也更趋完善。GMS软件具有良好的可视化模拟前后处理模块，其中模拟计算程序是采用矩形网格有限差分法，能够较好地处理地下水系统中各种常见的水文地质现象，如大气降水补给、河流湖泊水库及灌溉渠系渗漏、农田灌溉回渗、地面蒸发排泄以及人工开采等源汇项。目前使用的GMS软件对多层含水层系统混合开采井或三维流系统中开采井以及混合观测孔水位等问题的处理与陈崇希教授提出的渗流-管流模型处理方法相比还有待进一步完善。不过，根据山西六大盆地水文地质勘察和地下水开采量及地下水水位动态观测资料精度，用GMS软件进行数值模拟研究是可以满足客观实际要求的。三、基本方法与步骤1）根据山西六大盆地钻孔资料研究各盆地第四系地下水系统岩性结构、利用沉积构造资料和地下水流场信息研究各盆地孔隙水与周边基岩岩溶裂隙水水力联系，确定边界性质；利用敏感性分析方法对盆地深度超过300m的孔隙水对上部孔隙水的补给量进行估算，确定人为确定的底边界条件及相应的误差。2）根据各地地形地貌和岩层构造资料，结合地下水统测和长观孔地下水动态资料，研究各盆地第四系地下水补、径、排特征，在系统研究区域内大气降水、河流湖泊水库等地表水体及渠系渗漏和灌溉回渗等对地下水系统的补给；以及地面蒸发排泄、人工开采地下水等资料的基础上，对各盆地进行地下水资源均衡计算，核实各盆地某些边界补给量。3）根据各盆地岩性、构造及地下水系统补、径、排特征，建立各盆地第四系地下水流动系统的概念模型。4）根据各盆地的水文地质概念模型及全国地下水资源评价技术规范有关要求，利用GMS软件建立各盆地第四系地下水流动数值模型。5）对地下水数值模型进行识别校正，在此基础上，对各盆地地下水开采现状及调整方案进行模拟预测和评价。

常用的解算方法有两种。1.解析法就是用数学物理方法（分离变量法、拉普拉斯变换、傅立叶变换、汉格尔变换等）求解数学模型，得到某些变量变化规律的解析表达式，即解析解或分析解。由于这种解法求解，所必需的假设条件受到许多限制（如含水层为均质、边界呈规则几何形）使得数学模型求解困难，限制了这种方法的应用。2.数值解法主要是有限差分法及有限单元法。其基本步骤是：1）将渗流区域按条件剖分为许多单元（单元内为均质的，边界是规则的），按要求在单元上定义一个结点（点元），将渗流区域内连续的水头分布离散化为在全部结点上有多个数所组成的数组。2）在离散化的基础上，将偏微分方程联同边界条件转化为线性代数方程组。3）解线性代数方程组求出水头分布。若是非稳定流，还应根据初始的水头分布多次解方程组，以求得各时刻的水头分布。在把微分方程转换为线性代数方程组时，有限差分法是用差商代替导数；而有限单元法则是用线性的或高次插值函数来实现离散化，再用变分或其他数学方法将偏微分方程转化为线性代数方程组。随着电子计算机的发展，数值解法越来越成为求解地下水运动数学模型的重要方法。小结本章要求重点理解掌握以下基本概念和原理：渗透与渗流，渗透系数及渗透率，储水系数和储水率，稳定流与非稳定流，有压流和无压流，一维流、二维流、三维流，以及达西定律和渗流折射定律的表达式。复习思考题1.研究渗流常用什么方法，为什么？2.在地下水动力学中，为什么可以用测压水头代替总水头？3.水力坡度表示的方式有哪些？不同方式的使用条件是什么？4.达西定律为什么不能叫层流定律？5.渗透系数与渗透率有什么不同？在什么条件下可以相互替代？6.什么是含水介质的均质与非均质、各向同性与各向异性？

层次结构信任模型在这种模式中，认证机构（CA）是严格按照层次结构组织的，整个CA体系可以描绘成一个倒转的树【例】用户3把一系列证书CA<<CA1>>和CA1<<User3>>发给用户1。用户1验证证书并提取用户3的公钥的步骤如下。①用户1用CA的公钥确认CA<<CA1>>。②用户1从CA<<CA1>>中提取CA1的公钥。③用户1用CA1的公钥确认CA1<<User3>>。④用户1从CA1<<User3>>中提取用户3的公钥在这种层次信任模型中，所有的信任基础是建立在根CA基础上的，根CA的公钥为所有用户所共知。这样从验证CA1的证书到验证终端用户的证书就构成了一个证书链

所谓的PKI信任模型(trustmodel)就是一系列的规则，这些规则说明了用户怎样验证从CA收到的证书信任模型的种类：1)层次结构信任模型2)网状信任模型3)WEB信任模型4)以用户为中心的信任

径向基函数（RBF）神经网络 RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。 简单说明一下为什么RBF网络学习收敛得比较快。当网络的一个或多个可调参数（权值或阈值）对任何一个输出都有影响时，这样的网络称为全局逼近网络。由于对于每次输入，网络上的每一个权值都要调整，从而导致全局逼近网络的学习速度很慢。BP网络就是一个典型的例子。 如果对于输入空间的某个局部区域只有少数几个连接权值影响输出，则该网络称为局部逼近网络。常见的局部逼近网络有RBF网络、小脑模型（CMAC）网络、B样条网络等。

建模方法： BP 神经网络/RBF 神经网络 指标评估：ROC 曲线 --用来描述模型分辨能力，对角线以上的图形越高越好

在介绍GS模型之前，我们有必要先来了解一下混合线性模型（Mixed Linear Model，MLM）。混合线性模型是一种方差分量模型，既然是线性模型，意味着各量之间的关系是线性的，可以应用叠加原理，即几个不同的输入量同时作用于系统的响应，等于几个输入量单独作用的响应之和（公式1）。 U0001d49a= Xβ + e =U0001d483 U0001d7ce +U0001d483 1 U0001d499 1 +U0001d483 2 U0001d499 2 +u22ef+U0001d483 U0001d48c U0001d499 U0001d48c +U0001d486 （公式1） 式中U0001d49a表示响应变量的测量值向量， X 为固定效应自变量的设计矩阵， β 是与 X 对应的固定效应参数向量；U0001d483 U0001d7ce 、U0001d483 1 、u22ef、U0001d483 U0001d48c 是未知参数；U0001d499 U0001d7ce 、U0001d499 1 、u22ef、U0001d499 U0001d48c 是影响各因素的观察值；U0001d486是残差。同时需要满足条件： E(y)=Xβ，Var(y)=σ 2 I， y 服从正态分布。 既然是混合效应模型，则既含有固定效应，又含有随机效应。所谓固定效应是指所有可能出现的等级或水平是已知且能观察的，如性别、年龄、品种等。所谓随机效应是指随机从总体中抽取样本时可能出现的水平，是不确定的，如个体加性效应、母体效应等（公式2）。 y = Xβ + Zμ +U0001d486 （公式2） 式中 y 为观测值向量； β 为固定效应向量； μ 为随机效应向量，服从均值向量为0、方差协方差矩阵为G的正态分布 μ ~ N(0,G) ； X 为固定效应的关联矩阵； Z 为随机效应的关联矩阵；U0001d486为随机误差向量，其元素不必为独立同分布，即 U0001d486 ~ N(0,R) 。同时假定 Cov(G,R)=0 ，即G与R间无相关关系， y 的方差协方差矩阵变为 Var(y)=ZGZ+R 。若 Zμ 不存在，则为固定效应模型。若 Xβ 不存在，则为随机效应模型。 在传统的线性模型中，除线性关系外，响应变量还有正态性、独立性和方差齐性的假定。混合线性模型既保留了传统线性模型中的正态性假定条件，又对独立性和方差齐性不作要求，从而扩大了适用范围，目前已广泛应用于基因组选择。 很早以前C.R.Henderson就在理论上提出了最佳线性无偏预测（Best Linear Unbiased Prediction，BLUP）的统计方法，但由于计算技术滞后限制了应用。直到上世纪70年代中期，计算机技术的发展为BLUP在育种中的应用提供了可能。BLUP结合了最小二乘法的优点，在协方差矩阵已知的情况下，BLUP是分析动植物育种目标性状理想的方法，其名称含义如下： 在混合线性模型中，BLUP是对随机效应中随机因子的预测，BLUE（Best Linear Unbiased Estimation）则是对固定效应中的固定因子的估算。在同一个方程组中既能对固定效应进行估计，又能对随机遗传效应进行预测。 BLUP方法最初应用在动物育种上。传统的动物模型是基于系谱信息构建的亲缘关系矩阵（又称A矩阵）来求解混合模型方程组（Mixed Model Equations，MME）的，因此称之ABLUP。Henderson提出的MME如下所示： 式中X为固定效应矩阵，Z为随机效应矩阵，Y为观测值矩阵。其中R和G： 其中A为亲缘关系矩阵，因此可转化公式为： 进一步可转化为： 通过求解方程组，计算残差和加性方差的方差组分，即可得到固定因子效应值 (BLUE)和随机因子效应值 (BLUP)。 作为传统BLUP方法，ABLUP完全基于系谱信息来构建亲缘关系矩阵，进而求得育种值，此方法在早期动物育种中应用较多，现在已基本不单独使用。 VanRaden于2008年提出了基于G矩阵的GBLUP（Genomic Best Linear unbiased prediction）方法，G矩阵由所有SNP标记构建，公式如下： GBLUP通过构建基因组关系矩阵G代替基于系谱信息构建的亲缘关系矩阵A，进而直接估算个体育种值。 GBLUP求解过程同传统BLUP方法，仅仅在G矩阵构建不同。除了VanRaden的基因组关系构建G矩阵外，还有其他G矩阵构建方法，但应用最多的还是VanRaden提出的方法。如Yang等提出的按权重计算G矩阵： Goddard等提出的基于系谱A矩阵计算G矩阵： 目前GBLUP已经广泛应用于动植物育种中，并且因为它的高效、稳健等优点，现在仍饱受青睐。GBLUP假设所有标记对G矩阵具有相同的效应，而在实际基因组范围中只有少量标记具有主效应，大部分标记效应较小，因此GBLUP仍有很大的改进空间。 在动物育种中，由于各种各样的原因导致大量具有系谱记录和表型信息的个体没有基因型，单步法GBLUP（single-step GBLUP，ssGBLUP）就是解决育种群体中无基因型个体和有基因型个体的基因组育种值估计问题。 ssGBLUP将传统BLUP和GBLUP结合起来，即把基于系谱信息的亲缘关系矩阵A和基因组关系矩阵G进行整合，建立新的关系矩阵H，达到同时估计有基因型和无基因型个体的育种值。 H矩阵构建方法： 式中w为加权因子，即多基因遗传效应所占比例。 构建H矩阵后，其求解MME过程也是与传统BLUP一样： ssBLUP由于基因分型个体同时含有系谱记录和表型数据，相对于GBLUP往往具有更高的准确性。该方法已成为当前动物育种中最常用的动物模型之一。在植物育种中，往往缺乏较全面的系谱信息，群体中个体的基因型也容易被测定，因此没有推广开来。 如果把GBLUP中构建协变量的个体亲缘关系矩阵换成SNP标记构成的关系矩阵，构建模型，然后对个体进行预测，这就是RRBLUP（Ridge Regression Best Linear Unbiased Prediction）的思路。 为什么不直接用最小二乘法？最小二乘法将标记效应假定为 固定效应 ，分段对所有SNP进行回归，然后将每段中显著的SNP效应相加得到个体基因组育种值。该方法只考虑了少数显著SNP的效应，很容易导致多重共线性和过拟合。 RRBLUP是一种改良的最小二乘法，它能估计出所有SNP的效应值。该方法将标记效应假定为 随机效应 且服从正态分布，利用线性混合模型估算每个标记的效应值，然后将每个标记效应相加即得到个体估计育种值。 一般而言，基因型数据中标记数目远大于样本数（p>>n）。RRBLUP因为是以标记为单位进行计算的，其运行时间相比GBLUP更长，准确性相当。 GBLUP是直接法的代表，它把个体作为随机效应，参考群体和预测群体遗传信息构建的亲缘关系矩阵作为方差协方差矩阵，通过迭代法估计方差组分，进而求解混合模型获取待预测个体的估计育种值。RRBLUP是间接法的代表，它首先计算每个标记效应值，再对效应值进行累加，进而求得育种值。下图比较了两类方法的异同： 直接法估计 ，间接法估计标记效应之和 M 。当K=M"M且标记效应g服从独立正态分布（如上图所示）时，两种方法估计的育种值是一样的，即 = M 。 基于BLUP理论的基因组选择方法假定所有标记都具有相同的遗传方差，而实际上在全基因组范围内只有少数SNP有效应，且与影响性状的QTL连锁，大多数SNP是无效应的。当我们将标记效应的方差假定为某种先验分布时，模型变成了贝叶斯方法。常见的贝叶斯方法也是Meuwissen提出来的（就是提出GS的那个人），主要有BayesA、BayesB、BayesC、Bayesian Lasso等。 BayesA假设每个SNP都有效应且服从正态分布，效应方差服从尺度逆卡方分布。BayesA方法事先假定了两个与遗传相关的参数，自由度v和尺度参数S。它将Gibbs抽样引入到马尔科夫链蒙特卡洛理论（MCMC）中来计算标记效应。 BayesB假设少数SNP有效应，且效应方差服从服从逆卡方分布，大多数SNP无效应（符合全基因组实际情况）。BayesB方法的标记效应方差的先验分布使用混合分布，难以构建标记效应和方差各自的完全条件后验分布，因此BayesB使用Gibbs和MH（Metropolis-Hastings）抽样对标记效应和方差进行联合抽样。 BayesB方法在运算过程中引入一个参数π。假定标记效应方差为0的概率为π，服从逆卡方分布的概率为1-π，当π为1时，所有SNP都有效应，即和BayesA等价。当遗传变异受少数具有较大影响的QTL控制时，BayesB方法准确性较高。 BayesB中的参数π是人为设定的，会对结果带来主观影响。BayesC、BayesCπ、BayesDπ等方法对BayesB进行了优化。BayesC方法将π作为未知参数，假定其服从U(0,1)的均匀分布，并假设有效应的SNP的效应方差不同。BayesCπ方法在BayesC的基础上假设SNP效应方差相同，并用Gibbs抽样进行求解。BayesDπ方法对未知参数π和尺度参数S进行计算，假设S的先验分布和后验分布均服从(1,1)分布，可直接从后验分布中进行抽样。 下图较为形象地说明了不同方法的标记效应方差分布： Bayesian Lasso（Least absolute shrinkage and selection operator）假设标记效应方差服从指数分布的正态分布，即拉普拉斯（Laplace）分布。其与BayesA的区别在于标记效应服从的分布不同，BayesA假设标记效应服从正态分布。Laplace分布可允许极大值或极小值以更大概率出现。 从以上各类贝叶斯方法可看出，贝叶斯方法的重点和难点在于如何对超参的先验分布进行合理的假设。 Bayes模型相比于BLUP方法往往具有更多的待估参数，在提高预测准确度的同时带来了更大的计算量。MCMC需要数万次的迭代，每一次迭代需要重估所有标记效应值，该过程连续且不可并行，需消耗大量的计算时间，限制了其在时效性需求较强的动植物育种实践中的应用。 为提高运算速度和准确度，很多学者对Bayes方法中的先验假设和参数进行优化，提出了fastBayesA、BayesSSVS、fBayesB、emBayesR、EBL、BayesRS、BayesTA等。但目前最常用的Bayes类方法还是上述的几种。 各种模型的预测准确度较大程度的取决于其模型假设是否适合所预测表型的遗传构建。一般而言，调参后贝叶斯方法的准确性比BLUP类方法要略高，但运算速度和鲁棒性不如BLUP。因此，我们应根据自身需求权衡利弊进行合理选择。 除了基于BLUP和Bayes理论的参数求解方法外，基因组选择还有半参数（如RKHS，见下篇）和非参数，如机器学习（Machine Learning, ML）等方法。机器学习是人工智能的一个分支，其重点是通过将高度灵活的算法应用于观察到的个体（ 标记的数据 ）的已知属性（ 特征 ）和结果来预测未观察到的个体（ 未标记的数据 ）的结果。结果可以是连续的，分类的或二元的。在动植物育种中， 标记的数据 对应于具有基因型和表型的训练群体，而 未标记的数据 对应于测试群体，用于预测的 特征 是SNP基因型。 相比于传统统计方法，机器学习方法具有诸多优点： 支持向量机（Support Vector Machine，SVM）是典型的非参数方法，属于监督学习方法。它既可解决分类问题，又可用于回归分析。SVM基于结构风险最小化原则，兼顾了模型拟合和训练样本的复杂性，尤其是当我们对自己的群体数据不够了解时，SVM或许是基因组预测的备选方法。 SVM的基本思想是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。在支持向量回归（Support Vector Regression，SVR）中，通常使用近似误差来代替像SVM中那样的最佳分离超平面和支持向量之间的余量。假设ε为不敏感区域的线性损失函数，当测量值和预测值小于ε时，误差等于零。SVR的目标就是同时最小化经验风险和权重的平方范数。也就是说，通过最小化经验风险来估计超平面。 下图1比较了SVM中回归（图A）和分类（图B）的差别。式中ξ和ξ*为松弛变量，C为用户定义的常数，W为权重向量范数，u03d5表示特征空间映射。 当SVM用于预测分析时，高维度的大型数据集会给计算带来极大的复杂性，核函数的应用能大大简化内积，从而解决维数灾难。因此，核函数的选择（需要考虑训练样本的分布特点）是SVM预测的关键。目前最常用的核函数有：线性核函数、高斯核函数（RBF）和多项式核函数等。其中， RBF具有广泛的适应性，能够应用于训练样本（具有适当宽度参数）的任何分布。尽管有时会导致过拟合问题，但它仍是使用最广泛的核函数。 集成学习（Ensemble Learning）也是机器学习中最常见的算法之一。它通过一系列学习器进行学习，并使用某种规则把各个学习结果进行整合，从而获得比单个学习器更好的效果。通俗地说，就是一堆弱学习器组合成一个强学习器。在GS领域，随机森林（Random Forest，RF）和梯度提升机（Gradient Boosting Machine，GBM）是应用较多的两种集成学习算法。 RF是一种基于决策树的集成方法，也就是包含了多个决策树的分类器。在基因组预测中，RF同SVM一样，既可用做分类模型，也可用做回归模型。用于分类时，注意需要事先将群体中个体按表型值的高低进行划分。RF算法可分为以下几个步骤： 最后，RF会结合分类树或回归树的输出进行预测。在分类中，通过计算投票数（通常使用每个决策树一票）并分配投票数最高的类别来预测未观察到的类别。在回归中，通过对ntree输出进行求平均。 有两个影响RF模型结果的重要因素：一是每个节点随机取样的协变量数量（mtry，即SNP数目）。构建回归树时，mtry默认为p/3（p是构建树的预测数量），构建分类树时，mtry为[图片上传失败...(image-10f518-1612450396027)] ；二是决策树的数量。很多研究表明树并非越多越好，而且构树也是非常耗时的。在GS应用于植物育种中，通常将RF的ntree设置在500-1000之间。 当GBM基于决策树时，就是梯度提升决策树（Gradient Boosting Decision Tree，GBDT），和RF一样，也是包含了多个决策树。但两者又有很多不同，最大的区别在于RF是基于bagging算法，也就是说它将多个结果进行投票或简单计算均值选出最终结果。而GBDT是基于boosting算法，它通过迭代的每一步构建弱学习器来弥补原模型的不足。GBM通过设置不同的损失函数来处理各类学习任务。 虽然已经有不少研究尝试了将多种经典机器学习算法应用于基因组预测中，但提升的准确性仍然有限，而且比较耗时。在无数的机器学习算法中，没有一种方法能够普遍地提高预测性，不同的应用程序及其最优方法和参数是不同的。相比于经典的机器学习算法，深度学习（Deep Learning，DL）或许是未来应用于基因组预测更好的选择。 传统的机器学习算法如SVM，一般是浅层模型。而深度学习除了输入和输出层，还含有多个隐藏层，模型结构的深度说明了它名字的含义。DL的实质是通过构建具有很多隐藏层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。DL算法的建模过程可简单分为以下三步： 在GS领域，研究较多的DL算法，包括多层感知器（Multi-layer Perceptron，MPL）、卷积神经网络（Convolutional neural network，CNN）和循环神经网络（Recurrent Neural Networks，RNN）等。 MLP是一种前馈人工神经网络（Artificial Neural Network，ANN）模型，它将输入的多个数据集映射到单一的输出数据集上。MLP包括至少一个隐藏层，如下图2中所示，除了一个输入层和一个输出层以外，还包括了4个隐藏层，每一层都与前一层的节点相连，并赋予不同权重（w），最后通过激活函数转化，将输入映射到输出端。 CNN是一类包含卷积计算且具有深度结构的前馈神经网络，通常具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。CNN的隐藏层中包含卷积层（Convolutional layer）、池化层（Pooling layer）和全连接层（Fully-connected layer）三类，每一类都有不同的功能，比如卷积层的功能主要是对输入数据进行特征提取，池化层对卷积层特征提取后输出的特征图进行特征选择和信息过滤，而全连接层类似于ANN中的隐藏层，一般位于CNN隐藏层的最末端，并且只向全连接层传递信号。CNN结构如下图3所示。 需要注意的是，深度学习不是万能的。使用DL的前提是必须具有足够大和质量好的训练数据集，而且根据GS在动植物方面的研究表明，一些DL算法和传统的基因组预测方法相比，并没有明显的优势。不过有一致的证据表明， DL算法能更有效地捕获非线性模式。因此，DL能够根据不同来源的数据通过集成GS传统模型来进行辅助育种。总之，面对将来海量的育种数据，DL的应用将显得越来越重要。 以上是GS中常见的预测模型，不同分类方式可能会有所区别。这里再简单介绍一下上述未提及到但比较重要的方法，其中一些是上述三类方法的拓展。 再生核希尔伯特空间（Reproducing Kernel Hilbert Space，RKHS）是一种典型的半参数方法。它使用高斯核函数来拟合以下模型： RKHS模型可采用贝叶斯框架的Gibbs抽样器，或者混合线性模型来求解。 GBLUP仍然是动植物育种中广泛应用的方法，它假定所有标记都具有相同的效应。但在实际情况中，任何与目标性状无关的标记用来估计亲缘关系矩阵都会稀释QTL的作用。很多研究对其进行改进，主要有几种思路： 沿用以上的思路，sBLUP(Settlement of Kinship Under Progressively Exclusive Relationship BLUP, SUPER BLUP)方法将TABLUP进一步细化为少数基因控制的性状，这样基因型关系矩阵的构建仅仅使用了与性状关联的标记。 如果要在亲缘关系矩阵中考虑群体结构带来的影响，可根据个体遗传关系的相似性将其分组，然后将压缩后的组别当做协变量，替换掉原来的个体，而组内个体的亲缘关系都是一样的。因此在构建基因组关系矩阵时，可用组别的遗传效应值来代替个体的值，用个体对应的组来进行预测，这就是cBLUP（Compressed BLUP）。 以上思路都提到了将已验证和新发现的位点整合到模型中，这些位点从何而来？最常见来源自然是全基因组关联分析（Genome Wide Association Study, GWAS）。GS和GWAS有着天然的联系，将GWAS的显著关联位点考虑进GS中，直接的好处是能维持多世代的预测能力，间接的好处是能增加已验证突变的数量。 下图比较了GWAS辅助基因组预测的各类方法比较。a表示分子标记辅助选择方法（MAS），只利用了少数几个主效位点；b表示经典GS方法，利用了全部标记，且标记效应相同；c对标记按权重分配；d将显著关联标记视为固定效应；e将显著关联标记视为另一个随机效应（有其自身的kernel derived）；f将染色体划分为片段，每个片段构建的G矩阵分配为不同的随机效应。 GWAS辅助基因组预测的结果会比较复杂，单纯地考虑将关联信号纳入模型不一定都能提高准确性，具体表现应该和性状的遗传构建有关。 GS对遗传效应的估计有两种不同的策略。一是关注估计育种值，将加性效应从父母传递给子代。而非加性效应（如显性和上位性效应）与特定基因型相关，不能直接遗传。当估计方差组分时，非加性效应通常和随机的环境效应一起被当成噪音处理。另一种策略同时关注加性和非加性效应，通常用于杂种优势的探索。杂交优势一般认为是显性和上位性效应的结果，因此，如果非加性效应很明显，而你恰好将它们忽略了，遗传估计将会产生偏差。 杂种优势利用是植物育种，尤其是水稻、玉米等主粮作物的重要研究课题。将非加性遗传效应考虑进GS模型进行杂交种预测，也是当前基因组预测在作物育种中研究的热点之一。 当然，杂种优势效应的组成也是随性状而变化的，不同性状的基因组预测需要与鉴定杂优QTL位点结合起来。由于一般配合力GCA（加性效应的反映）和特殊配合力SCA（非加性效应的反映）可能来自不同遗传效应，所以预测杂交种F 1 应该分别考虑GCA和SCA。GCA模型可以基于GBLUP，重点在基因型亲缘关系矩阵构建。SCA模型有两种方法：一是将杂优SNP位点的Panel作为固定效应整合进GBLUP模型中；二是使用非线性模型，如贝叶斯和机器学习方法。据报道，对于加性模型的中低遗传力性状，机器学习和一般统计模型比较一致。但在非加性模型中，机器学习方法表现更优。 传统的GS模型往往只针对单个环境中的单个表型性状，忽略了实际情况中多性状间或多环境间的相互关系。一些研究通过对多个性状或多个环境同时进行建模，也能提高基因组预测的准确性。以多性状（Multi-trait，MT）模型为例，多变量模型（Multivariate model，MV）可用如下公式表示： 多性状选择一般用于性状间共有某种程度的遗传构建，即在遗传上是相关的。尤其适用于对低遗传力性状（伴随高遗传力性状相关）或者难以测量的性状。 农作物的环境条件不如动物容易控制，而且大部分性状都是数量性状，很容易受到环境影响。多环境（Multi-environment，ME）试验发挥了重要作用，基因型与环境互作（Genotype by E nvironment，G × E）效应也是当前基因组选择关注的焦点。 除了GBLUP，多变量模型也可基于贝叶斯框架的线性回归，或者基于非线性的机器学习方法。 我们知道，基因经过转录翻译以及一系列调控后才能最终体现在表型特征上，它只能在一定程度上反映表型事件发生的潜力。随着多组学技术的发展，整合多组学数据用于基因组预测也是目前GS研究的一个重要方向。 在植物育种中，除基因组外，转录组学和代谢组学是当前GS研究相对较多的两个组学。转录组将基因表达量与性状进行关联预测，代谢组则将调控表型的小分子含量与性状进行关联预测，对于某些特定的性状而言，可能会提高预测能力。最好的方法是将各个组学的数据共同整合进模型，但这样会大大增加模型的复杂度。 表型测定的准确性直接影响模型的构建。对于一些复杂性状，单凭肉眼观察记录显然已不可取，而且表型调查费时费力，成本很高。因此，高通量表型组也是GS发展的重要方向。表型的范畴非常之广，当个体性状不可简单测量时，我们也可采用多组学数据，如蛋白组、代谢组等数据来替代。 考虑到成本效益问题，多组学技术在动植物育种中仍处于研究阶段，但代表了未来的应用方向。

是しむみね出版的正版TOMY模型,我肯定!

在Maya里建好一个场景，一面三个立方体组成的墙，旁边有个甜甜圈。其中，组成墙的三个立方体是一个Group，它就是我们要导出到UE4的模型。 在Outliner里选中这墙的Group，再选择File->Game Exporter。 坑来了，请注意！！！ Game Exporter默认会选中Export All，你一不注意就会把场景里的甜甜圈一块导出去。这里一定记得考虑清楚，是不是要选择Export Selection只导出当前选中部分。然后，把模型拖动到UE4的Content Browser里导入模型。 下一个坑来了！！！ 在UE4中出现这个导入模型对话框后，如果直接按Import按钮，墙的三个组件会分开。 这是我们不想看到的情况，怎么办呢？单击下图红圈里的下拉按钮，打开更多选项。 其中有一项Combine Meshes可以把模型的几部分合到一起，勾选后单击Import按钮。 模型就作为一个整体导入进来了。 最终效果：

在Unreal Engine 4（下简称UE4）中，可以使用“UCX_”前缀的模型生成Collider。不过，在生成较为复杂的模型的Collider时，要使用“凸多面体。例如：在Maya中，制作两个模型（图1），Block_01（图2左）和UCX_Block_01（图2右）。这里把两个模型分开，只是作演示用，实际导出时要把两个模型重合摆放（图3）。 在导入UE4后，出现生成的Collider的形状和UCX_Block_01不同的问题（图4）。 经过资料查找，和分析总结（Collider自动调整成了凸多面体）得出，要把UCX_Block_01拆分两个模型（图5），它们是独立的，封闭的，凸多面体（图6、图7）。 再次将模型导入UE4中，生成的Collider就和我们制作的一样了（图8）。

这个真的不知道

0 购买发动机和设备。（花去经费的70%）　　1 备齐工具。　　2 了解模型内构（与真飞机相似，但简化好多）。　　3 备齐和了解材料（花去经费10-20%）。　　4 制图，我是用Autocad设计和输出。　　5 制作和调试。　　6 找玩过遥控模型带你试飞，因为那天你可能会兴奋的手打抖。　　怎样制作遥控飞机　　要分为几个部分:　　1:遥控器部分.2.无线电发射接收部分.3控制电路部分.4.飞机的机械部分.　　我对最后一个部分不熟,不过应该有买的吧.那个飞机的模型,你可以买一个,拿回来在它的基础上改装.　　遥控器那边, 如果你的功能不多,可以用22622272这一对编码解码芯片.至于无线电,有卖那种做好的发射接收模块的,那个东西,自己做很麻烦,有时候又起不了振，不如就买个现成的．　　把上面的东西连好后，就可以从2272输出信号了,用这个信号控制步进电机之类的,当然需要自己连个电路了.自己设计,不难.　　机械技术其实非常简单，首先是材料得选定，要求是必须轻，而且有一定得强度，现在在小模型方面应用最多得是纳米材料，看上去有点像泡沫塑料，但是强度较大。　　其次就是机械，简单得模型你需要两个马达，装在飞机机翼上，马达只需要控制转速就可以了。当两个马达都高速旋转时，带动螺旋桨使飞机升空。当转速较低或者停止时，飞机下降。当两侧马达转速不平衡时，飞机朝转速低得马达方向倾斜旋转，只要把马达得控制电路做好就ok。　　只能简单的告诉你,飞机航模有分橡筋动力,内燃机动力,微型涡轮喷气式动力,电动动力.一架飞机航模由机身,机翼,尾翼,接受器,舵机,轮子.这是最基本的.比如说,一架内燃机动力的飞机,有内燃机5.0CC,$500.有舵机用于控制机襟即升降,尾翼即方向.还有油箱,一般600毫升的混合油(汽油+酒精+煤油),油管.接受器(越高级就越复杂),机身,机翼,记住机身是机翼的70%-80%的长度.如果是初学者,我推荐你用电动的既撞不烂,又便宜,又简单.时间有限我不说太多了,我也是一个飞机航模的初学者呀!有两架飞机,今年打算搞一架航空母舰,哈哈!　　航模制作　　真羡慕啊！　　这不是钱的问题，需要不了多少钱的。　　1.一个大型的流水工作台兼木工台。　　2.一个专业点的制作台（包括钻床，小车床等）。　　3.两个工具箱，考究点的话做一个工作墙。　　4.可以的话辟出一小间油漆间。　　5.可以的话建造一个小的水池。　　6.电工制作台和相配套的工具。　　7.设计兼写字台。　　8.全方位的灯光照明。　　9.整套测试设备（万用表，测速器等）。　　10.各种小零件（这就要靠你平时的收集的）。　　一一不能说齐，靠你自己的积累了。　　航空模型的一般知识　　一、什么叫航空模型　　在国际航联制定的竞赛规则里明确规定“航空模型是一种重于空气的，有尺寸限制的，带有或不带有发动机的，不能载人的航空器，就叫航空模型。　　其技术要求是：　　最大飞行重量同燃料在内为五千克；　　最大升力面积一百五十平方分米；　　最大的翼载荷100克/平方分米；　　活塞式发动机最大工作容积10亳升。　　1、什么叫飞机模型　　一般认为不能飞行的，以某种飞机的实际尺寸按一定比例制作的模型叫飞机模型。　　2、什么叫模型飞机　　一般称能在空中飞行的模型为模型飞机，叫航空模型。　　二、模型飞机的组成　　模型飞机一般与载人的飞机一样，主要由机翼、尾翼、机身、起落架和发动机五部分组成。　　1、机翼———是模型飞机在飞行时产生升力的装置，并能保持模型飞机飞行时的横侧安定。　　2、尾翼———包括水平尾翼和垂直尾翼两部分。水平尾翼可保持模型飞机飞行时的俯仰安定，垂直尾翼保持模型飞机飞行时的方向安定。水平尾翼上的升降舵能控制模型飞机的升降，垂直尾翼上的方向舵可控制模型飞机的飞行方向。　　3、机身———将模型的各部分联结成一个整体的主干部分叫机身。同时机身内可以装载必要的控制机件，设备和燃料等。　　4、起落架———供模型飞机起飞、着陆和停放的装置。前部一个起落架，后面两面三个起落架叫前三点式；前部两面三个起落架，后面一个起落架叫后三点式。　　5、发动机———它是模型飞机产生飞行动力的装置。模型飞机常用的动 力装置有：橡筋束、活塞式发动机、喷气式发动机、电动机。　　三、航空模型技术常用术语　　1、翼展——机翼（尾翼）左右翼尖间的直线距离。（穿过机身部分也计算在内）。　　2、机身全长——模型飞机最前端到最末端的直线距离。　　3、重心——模型飞机各部分重力的合力作用点称为重心。　　4、尾心臂——由重心到水平尾翼前缘四分之一弦长处的距离。　　5、翼型——机翼或尾翼的横剖面形状。　　6、前缘——翼型的最前端。　　7、后缘——翼型的最后端。　　8、翼弦——前后缘之间的连线。　　9、展弦比——翼展与平均翼弦长度的比值。展弦比大说明机翼狭长。　　飞翼式模型滑翔机的飞行原理　　飞翼式弹射滑翔机由机翼、折叠绞链、复位钩兼弹射钩和复位橡筋组成。在机翼翼尖的后缘部分设有调整片(图一)。把两片机翼折起来合成一体，用一根橡筋用力一弹，它就直冲蓝天，不一会机翼展开，象一只大鸟一样飞翔起来，十分有趣，它飞行方便，容易调整，又十分安全。　　飞翼就是没有水平尾翼的飞机。飞翼没有尾翼，怎么会飞呢?我们知道滑翔机是由机翼产生升力，由重力向前的分力提供给滑翔机前进速度(图二)。水平尾翼掌握平衡(图三)，并使它具有良好的俯仰安定性。飞翼有机翼，也有重力，这与普通滑翔机一样，具有一定的前进速度，能产生升力，但是没有尾翼；怎样来保持平衡和安定呢?原来飞翼的重心都设在很前面，机翼产生的升力一方面用来克服重力，另一方面它产生一个低头力矩，而飞翼翼尖附近的调整片一般向上翘起，产生一个向下的力，这对重心来说是一个抬头力矩，使整架模型保持平衡(图四)。同时，调整片也起到保持飞翼俯仰安定性的作用，这样飞翼与常规飞机就一样了：它有向前的飞行速度、由机翼产生升力克服重力、由调整片来保持平衡和安全。　　飞翼式弹射滑翔机的飞行方法是：右手持弹射棒，左手拿住合拢后的机翼翼尖部分，弹射橡筋挂在右侧的弹射钩上(即右侧复位钩)，弹射方向垂直向上(图五)，只要一松开左手，合拢的飞翼模型就像火箭一样射向天空……。这里一定要注意，用右手拿弹射棒时一定要使用右边的弹射钩，你如果使用左边的弹射钩，飞翼就会弹到弹射棒上(图六)，甚至会弹到右手。　　飞翼滑翔姿态依靠调整调整片的角度，调整方法与普通的模型相仿：如果模型向下坠，也就是头重，那么可以把调整片向上扳一些，增加上翘的角度；如果模型产生波状飞行或失速，也就是头轻，那么把调整片向下扳一些，即减小调整片向上的角度，同学们可以在反复的飞行中调整，取得一个最佳的角度。　　调整时，还应注意飞翼的上反角不宜过大，因为上反角是用来保持模型的横侧安定性的，而飞翼的后掠角也可以起到上反角的作用，因此上反角不宜过大。试飞时如果滑翔机左右摇晃，就是上反角太大了，可以减小一些。　　飞翼式弹射滑翔机高速上升时，依靠迎面而来的强大空气动力，使两片机翼紧紧合在一起，当速度减小时，空气动力也减小，空气对机翼的压力小于复位橡筋的张力时，飞翼的两片机翼就自然张开，进入滑翔。如果复位橡筋的力量很大，飞翼就弹不高，适当调整复位橡筋的力量，可以使你的模型弹得更高，但是一定要保证机翼能平稳展开。　　如果你把机翼的后掠角适当地增加一些(图七)，可以使你的小飞机飞得更稳定。因为后掠角略为增大一些，可以使翼尖更向后伸展，这样有利于飞翼的安定性。　　航空模型的分类　　一、普及级航空模型的分类和分级（竞赛项目）　　一、自由飞行类（P1类）　　P1A——牵引模型滑翔机（分P1A-1、P1A-2两级）　　P1B——橡筋模型滑翔机（分P1B-1、P1B-2两级）　　P1C——活塞式发动机模型滑翔机（分P1C-1、P1C-2两级）　　P1D——室内模型飞机（分P1D-1、P1D-2两级）　　P1E——电动模型飞机　　P1F——橡筋模型直升飞机　　P1S——手掷模型滑翔机（分留空时间和直线距离）　　P1T——弹射模型滑翔机。　　二、线操纵类（P2类）　　P2B——线操纵特技模型飞机（分P2B-1、P2B-2两级）　　P2C——线操纵小组竞速模型飞机　　P2D——线操纵空战模型飞机　　P2E——线操纵电动特技模型飞机（分P2E-1、P2E-2两级）　　P2X——线操纵橡筋模型飞机　　三、无线电遥控类（P3类）　　P3A——无线电遥控特技模型飞机（分P3A-1、P3A-2两级）　　P3B——无线电遥控模型滑翔机（分P3B-1、P3B-2两级）　　P3E——无线电遥控电动模型飞机。　　二、在青少年中广泛开展的航空模型项目　　一、纸模型飞机　　二、手掷模型滑翔机（简称：手掷，编号为P1S）　　三、橡筋模型直升飞机　　四、弹射模型滑翔机（简称：弹射，编号为P1T）　　五、牵引模型滑翔机（简称：牵引，普及级编号为P1A-1和P1A-2，国际级编号为F1A）　　六、橡筋模型飞机（简称：橡筋，普及级编号为P1B-1和P1B-2，国际级为F1B　　飞机模型翼型　　常用的模型飞机翼型有对称、双凸、平凸、凹凸，s形等几种，如图所示　　对称翼型的中弧线和翼弦重合，上弧线和下弧线对称。这种翼型阻力系数比较小，但升阻比也小。一般用在线操纵或遥控特技模型飞机上　　双凸翼型的上弧线和下弧线都向外凸，但上弧线的弯度比下弧线大。这种翼型比对称翼型的升阻比大。一般用在线操纵竞速或遥控特技模型飞机上　　平凸翼型的下弧线是一条直线。这种翼型最大升阻比要比双凸翼型大。一般用在速摩不太高的初级线操纵或遥控模型飞机上　　凹凸翼型的下弧线向内凹入。这种翼型能产生较大的升力，升阻比也比较大。广泛用在竞赛留空时间的模型飞机上　　S形翼型的中弧线象横放的S形。这种翼型的力矩特性是稳定的，可以用在没有水平尾翼的模型飞机上　　机翼升力原理　　如果两手各拿一张薄纸，使它们之间的距离大约4~6厘米。然后用嘴向这两张纸中间吹气，如图所示。你会看到，这两张纸不但没有分开，反而相互靠近了，而且用最吹出的气体速度越大，两张纸就越靠近。从这个现象可以看出，当两纸中间有空气流过时，压强变小了，纸外压强比纸内大，内外的压强差就把两纸往中间压去。中间空气流动的速度越快，纸内外的压强差也就越大。　　飞机机翼地翼剖面又叫做翼型，一般翼型的前端圆钝、后端尖锐，上表面拱起、下表面较平，呈鱼侧形。前端点叫做前缘，后端点叫做后缘，两点之间的连线叫做翼弦。当气流迎面流过机翼时，流线分布情况如图2。原来是一股气流，由于机翼地插入，被分成上下两股。通过机翼后，在后缘又重合成一股。由于机翼上表面拱起，是上方的那股气流的通道变窄。根据气流的连续性原理和伯努利定理可以得知，机翼上方的压强比机翼下方的压强小，也就是说，机翼下表面受到向上的压力比机翼上表面受到向下的压力要大，这个压力差就是机翼产生的升力。　　使用要领和有关常识　　（一）小发动机的使用要领：使用小发动机要注意以下几个方面：　　1.磨合运转——凡是新发动机，必须先以较低的转速运转一个阶段，时间从半小时到一小时以至更多些，称为磨合运转（磨车）。磨合运转很重要，磨合运转不好，发动机不但寿命短、马力小、难以起动，还会带来很多故障。说磨车没有用，是白白损耗发动机等认识都是片面的。正确的磨合运转决不会缩短发动机的寿命，相反会延长寿命与改进性能。即以新汽车和摩托车等为例，出厂时汽化器上装有限制转速的堵头，或是规定车速不得超过某个限度，要行驶几百公里后才可逐步地提高车速，这也就是为了磨合各个机件。　　为什么要磨车呢？　　因为每台小发动机都是由若干零件装成的，这些零件的相互配合还没有完全协调，各个摩擦表面更免不了有高低不平或毛刺的地方。如在这时就以高速工作，活塞和气缸等零件就会产生过热甚至卡死，造成表面拉毛等损伤。磨合运转就是以较慢的速度运转，慢慢地、一点一滴地将那些互相接触的零件表面都“磨”得很光滑，能互相适应和协调配合。这好比我们刚穿上一双新鞋时会感到有点不舒服一样，如果硬要在这时候跑步的话，脚就会不适应；如果穿了几天以后再跑步，脚就会觉得“顺”多了。　　磨车必须在结实的试车台或桌子上进行，决不能装在模型飞机上或其他不够结实的板上进行，以免在运转时引起振动，使机件受损。　　磨车要用较大的螺旋桨来限制发动机的转速，一般维持在5000~6000转/分左右，然后逐步提高转速。转速过低会产生较大的振动，对零件不利。最好是稳定均匀的中等转速。磨车期间，不要使用有附加剂的油料，油门要开大些，不要将调压杆压得太紧。　　一般磨车步骤如下：　　刚磨车时，应在发动机运转1~2分钟后就迅速关断油路停车，待发动机稍稍冷却后再开车，不要连续运转很长时间。这样做，也有利于熟悉这台发动机的起动和调整。而后，先低速运转20~30分钟，如果气缸头不太烫手（手指按上1~2秒钟也能忍受），转速均匀，就可以稍稍压紧调压杆，关小一点油针，提高一点转速。继续磨车20分钟左右。再换上较小的螺旋桨，逐步提高转速。最后用放飞模型的螺旋桨，高速磨车10~20分钟。　　新发动机刚磨车时，排气口有黑色油点喷出。如将手指伸近排气口，即会喷上一层油，在阳光下可从油层中看到闪闪发光的金属粉末。一般磨车半小时左右，喷出的黑油即大大减少或消除。这时应逐步提高转速，如转速一直稳定，也无“热死”现象，磨车即告结束，可以将发动机装在模型飞机上使用。每台发动机需要磨车的时间不全相同，要根据具体情况来决定。一般约一小时左右。　　经过正确磨车的小发动机，具有良好的气密性，容易起动，转动时轻松灵活，即使连续高速运转，转速也不改变（可从声音来判断）。　　2.安装——压燃式小发动机可以用作航空、航海和陆上模型的动力装置。当用在模型飞机上时，它可以装在机头前方（拉进式），即是一般最普通的式样；也可以　　装在机尾等部位（推进式），这时必须使后桨垫和机匣前端面间的距离小于曲柄销和机匣后盖间的距离，以便螺旋桨的推力通过后桨垫传到机匣端面，不使曲柄销和后盖产生摩擦。　　小发动机可以正装（气缸头在上）、倒装（气缸头在下）和横装（气缸头朝向侧面）。最普通的是正装和横装。倒装起动较难，容易引起油多。在线操纵模型上，尤其是线操纵特技模型上，为了保护发动机，经常采用横装。横装的发动机仍能很好起动。　　图13是小发动机在模型飞机上横装时的起动方法。助手蹲在模型的右侧稍靠后，左手紧抓靠近发动机的机身部分（主要是抓住，不是使劲将模型往地面压，以免压弯起落架或使螺旋桨打地），右手轻轻扶住右翼尖；起动者右手拨桨，左手捏住调压杆，以便根据右手感到的力量大小，随时调节压缩比。熟练后也可一人起动，用左手抓模型，右手拨桨。　　小发动机一定要结实可靠地装在模型的发动机架上；每次飞行后必须检查，有松动时立即拧紧。装得不牢靠的发动机，开动后会引起剧烈振动，使模型无法飞好。　　调整装在模型上的发动机时，不能只顾地面运转情况，必须考虑飞行的条件和要求。例如，线操纵特技模型飞机有垂直上升、俯冲和倒飞等动作，发动机起动后应将模型飞机先后放在抬头、低头、平飞和倒飞等状态去调整发动机，使抬头时马力最大，低头时稍稍富油。其他状态下都能正常工作不停车。　　小发动机在实际应用中，还会产生这样那样的问题，要善于分析，找出原因，注意通过实践，总结经验。　　3.平时维护：　　（1）经常保持发动机的内外清洁，决不要让尘土、灰沙、纸木屑或其他脏物进入内部。发动机不用的时候，要用清洁的布或纸包好。每次使用或放飞后，要用清洁的废纸或布将发动机外面的脏物擦净并包好；同时用带点汽油或煤油的布将模型飞机上的油擦去，再用干布擦净。不要在尘土很大或沙土地上开车或起飞；迫不得已需在沙土地上起飞时，应先泼些水或垫些厚纸和木板，以防沙土进入发动机。做模型飞机时，往往需用发动机测量位置和尺寸，应将发动机的进、排气口包好，防止纸木屑等脏物进入。　　（2）爱护发动机。非必要时，不要连续用高转速开车，或用过份短小的螺旋桨和飞轮开车。不要将调压杆压得过紧。　　（3）尽可能不拆或少拆发动机。　　（4）要选用恰当的工具、合适的螺旋桨、成份正确和洁净的油料。　　（5）与发动机经常接触的注油用具、工具和模型飞机等要保持清洁。应准备一只干净的小盒专门盛放注油用具，不要将注油用具随地乱放，以免灰土随着注油进入发动机。灰土象研磨剂一样，会很快磨坏发动机。最好将注油用具盒、油瓶和扳手等放在专门准备的布包或小木箱内。既便利使用，又保证清洁，更可避免外出放飞时忘带某种必需的工具。　　4.注意安全——航模发动机虽然很小，但转速很高。因此，要注意安全，防止事故。　　起动后，不要站在螺旋桨的旋转面内。不能使用已经破裂或断去一段和不平衡的螺旋桨，断裂的螺旋桨决不能胶上再使用。绝对不要使用金属做的螺旋桨。　　存放油料时，不可靠近高温或有火种的地方。配制混合油和用汽油清洗发动机时，绝对不能抽烟，并防止抽烟人接近。不要在室内开发动机，尽可能避免吸入乙醚和废气。混合油瓶外面需注明有毒，以免误用。　　二）有关小发动机的常识：　　我们已经懂得了一些内燃机的工作原理，初步掌握了航模内燃机的起动和使用，大家一定希望知道更多的有关内燃机的知识。那么究竟有那些因素影响内燃机的性能呢？怎样才能更好地利用和发挥手中这台航模发动机的作用呢？下面就来介绍一些有关这方面的常识：　　1.分气定时图——小发动机的进气、转气和排气的开始和终止时间叫做分气定时。分气定时对发动机的功率、转速、耗油率和起动性能等都有着很重要的影响。要合理选择分气定时，充分利用气体流动时产生的惯性，以便尽可能地将废气驱除干净，吸进更多的新鲜混合气，提高发动机的功率。分气定时图用来表示进气、转气及排气的时间和先后次序，从图上可以看出某个过程在何时开始、何时终止，以及开放延续时间的长短。在定时图上，各个气门的开闭时间都用曲轴旋转的角度来表示。　　图14右方是曲轴式进气小发动机（如银燕1.5）的分气定时图。从图14左方曲柄销（曲轴后端装有连杆的一段圆销）的旋转运动来看，当活塞下降到排气口时，排气开始，曲柄销的位置相当于定时图上的“1”；曲柄销转到“2”时，转气口打开了，转气开始；活塞经过下止点后开始上升，曲柄销转到相当于“3”的位置时，转气终止；到“4”时，排气终止；活塞继续上升，曲柄销转到相当于“5”的位置时，曲轴上的进气孔与进气管接通，进气开始；活塞经过上止点后，转为下降，到“6”时，曲轴上的进气孔与进气管不再相通，进气终止。　　2.负荷特性曲线——发动机工作时，用来转动螺旋桨的功率叫发动机有效功率，简称发动机功率。发动机功率是衡量小发动机性能的一个重要标准。当发动机在地面以不变的最大容许进气压力进行工作（不以任何物体堵住进气管口而增加进气阻力）时，可利用改变曲轴负荷的方法（如采用大小不同的螺旋桨）来改变转速。随着转速的改变，发动机的有效功率也发生变化。有效功率与转速的变化关系叫发动机的负荷特性。用来表示发动机有效功率（马力）随着曲轴转速（每分钟转数）高低而变化的曲线叫发动机负荷特性曲线，或称外部特性曲线和功率转速曲线。根据这根曲线，可查出某一转速时发动机的功率。例如，在图15的曲线上，当这台发动机的转速为7000转/分时，它的功率是0.135匹马力左右；10000转/分左右，功率最大，这时的转速称为最大功率转速；转速再增高，功率反而下降。不同型号的发动机，其功率转速曲线也不同。　　由此看来，如要发挥某台发动机的最大功率，那就要选择适当尺寸的螺旋桨，使发动机在飞行中的转速，恰好在最大功率转速附近。飞行中，发动机的转速一般要比地面高10%左右。有些小发动机的说明书，附有功率转速曲线图，可供参考。　　3.测定转速——上面说过，如能知道发动机的转速，就可根据发动机的功率转速曲线来推求功率。即使没有功率转速曲线，也可从转速上大致地估计出功率的大小来。因为一般普及用压燃式小发动机的最大功率转速约在10000~14000转/分之间，知道转速就可大约估计该发动机的最大功率是否发挥了。　　测定转速可用测量范围在20000转/分左右的离心式或闪光式转速计来进行。也可自制一个简单实用的振动式转速计，它是根据物理学上共振原理制成的，测速时并且不会消耗发动机的功率。　　振动式转速计由十几根不同长度的钢丝做成（图16）。每根钢丝的自振频率都不同，钢丝越长，自振频率越低；长度越短，自振频率越高。小发动机工作时，每转一转，活塞上下一次，产生一次振动。当发动机产生的振动频率和某根钢丝的自振频率相同或成整数的倍数时，这根钢丝就会因共振而开始振动。使用时，将振动式转速计固定在发动机附近，或直接用底座靠在发动机的气缸头等部位上；只要观察那一根钢丝的振动幅度最大，就可根据该钢丝的刻度测得发动机的转速。其准确度依钢丝质量、直径大小及钢丝和底座的夹紧程度不同而略有出入，一般为±200转/分。最好先用标准转速表校准刻度。　　钢丝的自振频率和它的直径、自由长度及钢材的弹性有关。一般钢丝的自振频率f可按下式计算：　　其中：d 钢丝直径（单位厘米）　　L 钢丝自由长度（单位厘米）　　或其中：n 发动机转速（单位转/分）　　利用上式，可以求出不同直径的钢丝在代表某一转速而产生共振时所需要的自由长度。　　转/分　　自由长度　　毫米　　转/分　　这种转速计也可用金属片做底座（图17、18）。靠近钢丝根部的底座上写有代表转速的刻度。为了缩小体积，可少用几根钢丝。还可采用活动铅笔式的构造，以便携带。在装铅芯的位置上有一根可以伸缩的钢丝，测转速时拿转速计的一端靠上气缸头，将钢丝伸长或缩短，看钢丝在那个位置振动最剧烈，据此相应刻度便能知道发动机的转速。　　4.选用螺旋桨——练习起动航模小发动机时，需要螺旋桨。首先，拨桨起动需要螺旋桨；此外，螺旋桨具有使小发动机连续工作的飞轮作用和冷却作用。　　供练习起动和磨车用的螺旋桨，可以比放飞的螺旋桨大些和厚些。较重的螺旋桨有利于起动和运转的稳定。如用在1.5毫升的发动机上，螺旋桨直径约为240毫米，螺距约为120毫米；用在2.5毫升发动机上，螺旋桨直径约为260毫米，螺距约为130毫米。　　应选择质地细洁坚实、不易开裂、强度较好又易加工的木材做螺旋桨。较合适的有松木和椴木等。桦木也很合适，就是稍硬些，加工时费点力。桐木太软，强度又差，不能选用。　　桨叶的断面一般应呈平凸翼型状，前缘较圆，后缘较薄；桨根部要厚实些，以保证强度，根部断面呈双凸形。练习起动时，由于手指反复拨动，往往会被桨叶后缘磨痛或使后缘开裂。因此，要将练习起动用螺旋桨的后缘做得厚些、圆滑些。　　制作螺旋桨的弧面时，用木锉加工比用刀子好，只是加工后的表面毛糙些，这可用粗钢锉或砂纸多打磨几下。完工后的螺旋桨要仔细检查平衡。要求两边桨叶的长短、外形、重量和对应断面的桨叶角等都一样，特别是两边桨叶的重量要一样。不平衡的螺旋桨，在发动机起动后会引起剧烈振动，以致造成停车、松动和磨坏轴承等零件的情况。桨叶表面要涂三至五遍透布油（也可用油漆或喷漆代替），防止发动机燃料渗入木材，影响平衡。　　决不能使用金属螺旋桨，以防把手打坏。气冷式新发动机不能用飞轮开车，那会因冷却不好而使零件损坏。　　图19是螺旋桨的制作步骤，最下方是完工后的形状。图20是供参考用的桨叶样板（直径230毫米）。

洗洗睡吧，

空气动力学。准确的说是流体力学。利用飞机模型上下表面弧度不同，实现上下表面空气流速不同，由于上表面弧度更大，流速更快，摩擦阻力相对下表面更大～～这就产生了升力其实，无动力滑翔机，利用的原理跟这个一模一样。

你是想导出给那个软件用？3D,ZB?那就导出OBJ格式吧，它是兼容格式

航空模型的飞行原理有力的平衡、伯努利定律、飞行中的阻力等。1、力的平衡。飞行中的飞机要求受力平衡，才能平稳的飞行。如果受力不平衡，依牛顿第二定律就会产生加速度轴力不平衡则会在合力的方向产生加速度。飞行中的飞机受的力可分为升力、重力、阻力、推力。升力由机翼提供，推力由引擎提供，重力由地心引力产生，阻力由空气产生，我们可以把力分解为两个方向的力，称x及y方向，飞机等速直线飞行时x方向阻力与推力大小相同方向相反，故x方向合力为零，飞机速度不变，y方向升力与重力大小相同方向相反，故y方向合力亦为零，飞机不升降，所以会保持等速直线飞行。2、伯努利定律。伯努利定律是空气动力最重要的公式，简单的说流体的速度越大，静压力越小，速度越小，静压力越大，流体一般是指空气或水，在这里当然是指空气，设法使机翼上部空气流速较快，静压力则较小，机翼下部空气流速较慢，静压力较大，两边互相较力，于是机翼就被往上推去，然后飞机就飞起来。以前的理论认为两个相邻的空气质点同时由机翼的前端往后走，一个流经机翼的上缘，另一个流经机翼的下缘，两个质点应在机翼的后端相会合，经过仔细的计算后发觉如依上述理论，上缘的流速不够大，机翼应该无法产生那么大的升力，现在经风洞实验已证实，两个相邻空气的质点流经机翼上缘的质点会比流经机翼的下缘质点先到达后缘。3、飞行中的阻力。磨擦阻力：空气分子与飞机磨擦产生的阻力，这是最容易理解的阻力但不很重要，只占总阻力的一小部分，当然为减少磨擦阻力还是尽量把飞机磨光。形状阻力：物体前后压力差引起的阻力，平常汽车广告所说的风阻系数就是指形状阻力系数，飞机做得越流线形，形状阻力就越小，尖锥状的物体形状阻力不见得最小，反而是有一点钝头的物体阻力小，油轮船头水底下那部分，会看到一个大头，高级滑翔机大部分也有一个大头，除了提供载人的空间外也是为了减少形状阻力。

我选择了一个方块，将方块显示为蓝色，同时屏幕坐上显示了点击方块后的操作。整个流程我处理了两个问题：1. 如何选择模型的这一部分2. 如何维护你选择的这个部分 问题1：如何选择模型的这一部分由于WPF 3D模型中只有Viewport3D对象有MouseButtonLeftDown事件，而模型的某个部分是没有这个事件的。因此需要使用首先VisualTreeHelper.HitTest来确定具体点击的是哪个模型，同时这个模型是需要给外部用的，因此我们自定义了一个ModelVisual3DSelectedEventHandler的事件给外部调用。 1 //自定义个一个模型选中的EventHandler 2 public class Visual3DEventArgs : EventArgs3 {4 public ModelVisual3D Visual3D { get; set; }56 public Visual3DEventArgs(ModelVisual3D modelVisual3D)7 {8 this.Visual3D = modelVisual3D;9 }10 }1112 public delegate void ModelVisual3DSelectedEventHandler(object sender, Visual3DEventArgs args);13 //....14 15 //声明Viewport3D的LeftButton事件16 ViewPort.MouseLeftButtonDown += ViewPort_MouseLeftButtonDown;1718 //Viewport LeftButton的函数19 void ViewPort_MouseLeftButtonDown(object sender, System.Windows.Input.MouseButtonEventArgs args)20 {21 Point mousePos = args.GetPosition(ViewPort);22 var hitParams = new PointHitTestParameters(mousePos);23 VisualTreeHelper.HitTest(ViewPort, null, ResultCallback, hitParams);24 }2526 //根据HitTest选中之后的处理27 private HitTestResultBehavior ResultCallback(HitTestResult result)28 {29 RayHitTestResult rayResult = result as RayHitTestResult;3031 if (rayResult != null)32 {33 var visual3D = result.VisualHit as ModelVisual3D;34 if (visual3D != null)35 {36 if (OnModelSelected != null)37 {38 OnModelSelected(this, new Visual3DEventArgs(visual3D));39 }4041 return HitTestResultBehavior.Stop;42 }4344 }45 return HitTestResultBehavior.Continue;46 } 2. 问题2:如何维护你选择部分我刚刚在Visual3DEventArgs中已经获得了选择的模型了，这时候我就可以对它进行操作了。或许数据库中有个模型叫"block1",查找数据等等.... 但是很悲催的是, 虽然在xaml文件中ModelVisual3D是有x:name的，但是ModelVisual3D本书是没有 ModelVisual3D.Name这个属性的，即使获取了这个模型，也只能对其进行基本的渲染，根本没有办法进行逻辑操作（例如根据数据库通信等）。 只有通过viewport3D.FindName(string name)才能获取对象！ 解决办法是：我们自己可以维护一个模型名字表(其实就是个xml文件)： dg01 dg02 dg04 然后定义一个返回名字的函数： 1 public Section GetSelSection(ModelVisual3D visual3D)2 {3 if (_context != null && _context.Sections != null && visual3D != null)4 {5 var viewPort = _context.Model.ViewPort;67 foreach (var section in _context.Sections)8 {9 if (viewPort.FindName(section.Name) == visual3D)10 {11 return section;12 }13 }14 }15 17 return null;18 } 我就可以通过GetSelSection(args.Visual3D)获得这个section对象了。对了，这个Section就是刚才XML文件的映射类。

模型飞机一般与载人的飞机一样，主要由机翼、尾翼、机身、起落架和发动机五部分组成。 1、机翼———是模型飞机在飞行时产生升力的装置，并能保持模型飞机飞行时的横侧安定。 2、尾翼———包括水平尾翼和垂直尾翼两部分。水平尾翼可保持模型飞机飞行时的俯仰安定，垂直尾翼保持模型飞机飞行时的方向安定。水平尾翼上的升降舵能控制模型飞机的升降，垂直尾翼上的方向舵可控制模型飞机的飞行方向。 3、机身———将模型的各部分联结成一个整体的主干部分叫机身。同时机身内可以装载必要的控制机件，设备和燃料等。 4、起落架———供模型飞机起飞、着陆和停放的装置。前部一个起落架，后面两面三个起落架叫前三点式；前部两面三个起落架，后面一个起落架叫后三点式。 5、发动机———它是模型飞机产生飞行动力的装置。模型飞机常用的动 力装置有：橡筋束、活塞式发动机、喷气式发动机、电动机。 三、航空模型技术常用术语 1、翼展——机翼（尾翼）左右翼尖间的直线距离。（穿过机身部分也计算在内）。 2、机身全长——模型飞机最前端到最末端的直线距离。 3、重心——模型飞机各部分重力的合力作用点称为重心。 4、尾心臂——由重心到水平尾翼前缘四分之一弦长处的距离。 5、翼型——机翼或尾翼的横剖面形状。 6、前缘——翼型的最前端。 7、后缘——翼型的最后端。 8、翼弦——前后缘之间的连线。 9、展弦比——翼展与平均翼弦长度的比值。展弦比大说明机翼狭长。 飞翼式模型滑翔机的飞行原理 飞翼式弹射滑翔机由机翼、折叠绞链、复位钩兼弹射钩和复位橡筋组成。在机翼翼尖的后缘部分设有调整片(图一)。把两片机翼折起来合成一体，用一根橡筋用力一弹，它就直冲蓝天，不一会机翼展开，象一只大鸟一样飞翔起来，十分有趣，它飞行方便，容易调整，又十分安全。 飞翼就是没有水平尾翼的飞机。飞翼没有尾翼，怎么会飞呢?我们知道滑翔机是由机翼产生升力，由重力向前的分力提供给滑翔机前进速度(图二)。水平尾翼掌握平衡(图三)，并使它具有良好的俯仰安定性。飞翼有机翼，也有重力，这与普通滑翔机一样，具有一定的前进速度，能产生升力，但是没有尾翼；怎样来保持平衡和安定呢?原来飞翼的重心都设在很前面，机翼产生的升力一方面用来克服重力，另一方面它产生一个低头力矩，而飞翼翼尖附近的调整片一般向上翘起，产生一个向下的力，这对

本文首先介绍BERT模型要做什么，即：模型的 输入 、 输出 分别是什么，以及模型的 预训练任务 是什么；然后，分析模型的 内部结构 ，图解如何将模型的输入一步步地转化为模型输出；最后，我们在多个中/英文、不同规模的数据集上比较了BERT模型与现有方法的 文本分类效果 。 1. 模型的输入/输出 BERT模型的全称是：BidirectionalEncoder Representations from Transformer。从名字中可以看出，BERT模型的目标是利用大规模无标注语料训练、获得文本的包含丰富语义信息的Representation，即：文本的语义表示，然后将文本的语义表示在特定NLP任务中作微调，最终应用于该NLP任务。煮个栗子，BERT模型训练文本语义表示的过程就好比我们在高中阶段学习语数英、物化生等各门基础学科，夯实基础知识；而模型在特定NLP任务中的参数微调就相当于我们在大学期间基于已有基础知识、针对所选专业作进一步强化，从而获得能够应用于实际场景的专业技能。 在基于深度神经网络的NLP方法中，文本中的字/词通常都用一维向量来表示（一般称之为“词向量”）；在此基础上，神经网络会将文本中各个字或词的一维词向量作为输入，经过一系列复杂的转换后，输出一个一维词向量作为文本的语义表示。特别地，我们通常希望语义相近的字/词在特征向量空间上的距离也比较接近，如此一来，由字/词向量转换而来的文本向量也能够包含更为准确的语义信息。因此，BERT模型的主要输入是文本中各个字/词的原始词向量，该向量既可以随机初始化，也可以利用Word2Vector等算法进行预训练以作为初始值；输出是文本中各个字/词融合了全文语义信息后的向量表示，如下图所示（为方便描述且与BERT模型的当前中文版本保持一致，本文统一以 字向量 作为输入）： 从上图中可以看出，BERT模型通过查询字向量表将文本中的每个字转换为一维向量，作为模型输入；模型输出则是输入各字对应的融合全文语义信息后的向量表示。此外，模型输入除了字向量，还包含另外两个部分： 1. 文本向量：该向量的取值在模型训练过程中自动学习，用于刻画文本的全局语义信息，并与单字/词的语义信息相融合 2. 位置向量：由于出现在文本不同位置的字/词所携带的语义信息存在差异（比如：“我爱你”和“你爱我”），因此，BERT模型对不同位置的字/词分别附加一个不同的向量以作区分 最后，BERT模型将字向量、文本向量和位置向量的加和作为模型输入。特别地，在目前的BERT模型中，文章作者还将英文词汇作进一步切割，划分为更细粒度的语义单位（WordPiece），例如：将playing分割为play和##ing；此外，对于中文，目前作者尚未对输入文本进行分词，而是直接将单字作为构成文本的基本单位。 对于不同的NLP任务，模型输入会有微调，对模型输出的利用也有差异，例如： 根据具体任务的不同，在实际应用中我们可以脑洞大开，通过调整模型的输入、输出将模型适配到真实业务场景中。 2. 模型的预训练任务 BERT实际上是一个语言模型。语言模型通常采用大规模、与特定NLP任务无关的文本语料进行训练，其目标是学习语言本身应该是什么样的，这就好比我们学习语文、英语等语言课程时，都需要学习如何选择并组合我们已经掌握的词汇来生成一篇通顺的文本。回到BERT模型上，其预训练过程就是逐渐调整模型参数，使得模型输出的文本语义表示能够刻画语言的本质，便于后续针对具体NLP任务作微调。为了达到这个目的，BERT文章作者提出了两个预训练任务：Masked LM和Next Sentence Prediction。 2.1 Masked LM Masked LM的任务描述为：给定一句话，随机抹去这句话中的一个或几个词，要求根据剩余词汇预测被抹去的几个词分别是什么，如下图所示。 这不就是我们高中英语常做的 完形填空 么！所以说，BERT模型的预训练过程其实就是在模仿我们学语言的过程。具体来说，文章作者在一句话中随机选择15%的词汇用于预测。对于在原句中被抹去的词汇，80%情况下采用一个特殊符号[MASK]替换，10%情况下采用一个任意词替换，剩余10%情况下保持原词汇不变。这么做的主要原因是：在后续微调任务中语句中并不会出现[MASK]标记，而且这么做的另一个好处是：预测一个词汇时，模型并不知道输入对应位置的词汇是否为正确的词汇（10%概率），这就迫使模型更多地依赖于上下文信息去预测词汇，并且赋予了模型一定的纠错能力。 2.2 NextSentence Prediction Next Sentence Prediction的任务描述为：给定一篇文章中的两句话，判断第二句话在文本中是否紧跟在第一句话之后，如下图所示。 当年大学考英语四六级的时候，大家应该都做过 段落重排序 ，即：将一篇文章的各段打乱，让我们通过重新排序把原文还原出来，这其实需要我们对全文大意有充分、准确的理解。Next Sentence Prediction任务实际上就是段落重排序的简化版：只考虑两句话，判断是否是一篇文章中的前后句。在实际预训练过程中，文章作者从文本语料库中随机选择50%正确语句对和50%错误语句对进行训练，与Masked LM任务相结合，让模型能够更准确地刻画语句乃至篇章层面的语义信息。 BERT模型通过对Masked LM任务和Next Sentence Prediction任务进行联合训练，使模型输出的每个字/词的向量表示都能尽可能全面、准确地刻画输入文本（单句或语句对）的整体信息，为后续的微调任务提供更好的模型参数初始值。 3. 模型结构 了解了BERT模型的输入/输出和预训练过程之后，我们来看一下BERT模型的内部结构。前面提到过，BERT模型的全称是：BidirectionalEncoder Representations from Transformer ，也就是说，Transformer是组成BERT的核心模块，而Attention机制又是Transformer中最关键的部分，因此，下面我们从Attention机制开始，介绍如何利用Attention机制构建Transformer模块，在此基础上，用多层Transformer组装BERT模型。 3.1 Attention机制 **Attention: **Attention机制的中文名叫“注意力机制”，顾名思义，它的主要作用是让神经网络把“注意力”放在一部分输入上，即：区分输入的不同部分对输出的影响。这里，我们从增强字/词的语义表示这一角度来理解一下Attention机制。 我们知道，一个字/词在一篇文本中表达的意思通常与它的上下文有关。比如：光看“鹄”字，我们可能会觉得很陌生（甚至连读音是什么都不记得吧），而看到它的上下文“鸿鹄之志”后，就对它立马熟悉了起来。因此，字/词的上下文信息有助于增强其语义表示。同时，上下文中的不同字/词对增强语义表示所起的作用往往不同。比如在上面这个例子中，“鸿”字对理解“鹄”字的作用最大，而“之”字的作用则相对较小。为了有区分地利用上下文字信息增强目标字的语义表示，就可以用到Attention机制。 Attention机制主要涉及到三个概念：Query、Key和Value。在上面增强字的语义表示这个应用场景中，目标字及其上下文的字都有各自的原始Value，Attention机制将目标字作为Query、其上下文的各个字作为Key，并将Query与各个Key的相似性作为权重，把上下文各个字的Value融入目标字的原始Value中。如下图所示，Attention机制将目标字和上下文各个字的语义向量表示作为输入，首先通过线性变换获得目标字的Query向量表示、上下文各个字的Key向量表示以及目标字与上下文各个字的原始Value表示，然后计算Query向量与各个Key向量的相似度作为权重，加权融合目标字的Value向量和各个上下文字的Value向量，作为Attention的输出，即：目标字的增强语义向量表示。 Self-Attention: 对于输入文本，我们需要对其中的每个字分别增强语义向量表示，因此，我们分别将每个字作为Query，加权融合文本中所有字的语义信息，得到各个字的增强语义向量，如下图所示。在这种情况下，Query、Key和Value的向量表示均来自于同一输入文本，因此，该Attention机制也叫Self-Attention。 Multi-head Self-Attention: 为了增强Attention的多样性，文章作者进一步利用不同的Self-Attention模块获得文本中每个字在不同语义空间下的增强语义向量，并将每个字的多个增强语义向量进行线性组合，从而获得一个最终的与原始字向量长度相同的增强语义向量，如下图所示。 这里，我们再给出一个例子来帮助理解Multi-head Self-Attention（注：这个例子仅用于帮助理解，并非严格正确）。看下面这句话：“南京市长江大桥”，在不同语义场景下对这句话可以有不同的理解：“南京市/长江大桥”，或“南京市长/江大桥”。对于这句话中的“长”字，在前一种语义场景下需要和“江”字组合才能形成一个正确的语义单元；而在后一种语义场景下，它则需要和“市”字组合才能形成一个正确的语义单元。我们前面提到，Self-Attention旨在用文本中的其它字来增强目标字的语义表示。在不同的语义场景下，Attention所重点关注的字应有所不同。因此，Multi-head Self-Attention可以理解为考虑多种语义场景下目标字与文本中其它字的语义向量的不同融合方式。可以看到，Multi-head Self-Attention的输入和输出在形式上完全相同，输入为文本中各个字的原始向量表示，输出为各个字融合了全文语义信息后的增强向量表示。因此，Multi-head Self-Attention可以看作是对文本中每个字分别增强其语义向量表示的黑盒。 3.2 Transformer Encoder 在Multi-headSelf-Attention的基础上再添加一些“佐料”，就构成了大名鼎鼎的Transformer Encoder。实际上，Transformer模型还包含一个Decoder模块用于生成文本，但由于BERT模型中并未使用到Decoder模块，因此这里对其不作详述。下图展示了Transformer Encoder的内部结构，可以看到，Transformer Encoder在Multi-head Self-Attention之上又添加了三种关键操作： 可以看到，Transformer Encoder的输入和输出在形式上还是完全相同，因此，Transformer Encoder同样可以表示为将输入文本中各个字的语义向量转换为相同长度的增强语义向量的一个黑盒。 3.3 BERT model 组装好TransformerEncoder之后，再把多个Transformer Encoder一层一层地堆叠起来，BERT模型就大功告成了！ 在论文中，作者分别用12层和24层Transformer Encoder组装了两套BERT模型，两套模型的参数总数分别为110M和340M。 原文参考： https://cloud.tencent.com/developer/article/1389555

平坦地形尾流模型计算公式答案如下：平坦地形尾流模型计算公式，ru2080是风电机组叶片半径，v、r分别为ρπr2u+ρπ(r2u2212r2)v2=ρπr2v