計算機硬件方向精選(五篇)

序言：作為思想的載體和知識的探索者，寫作是一種獨特的藝術，我們為您準備了不同風格的5篇計算機硬件方向，期待它們能激發您的靈感。

篇1

學術界對計算機的發明與發展一般認為經歷了四個階段。第一階段是在20世紀40年代，稱為電子管計算機時代，計算機發展之初，體積大、速度慢主要應用的數字計算。20世紀50年代末60年代初晶體管取代電子管，稱為第二代計算機。第三代計算機是中小規模集成電路的時代，也是計算機飛速發展和快速普及的時代，這一代計算機已經具備現代計算機的雛形，也突破了計算機數字計算時代，三代機可以處理文字、圖像等資料，也使軟件技術得以突破和發展。目前使用計算機成為第四代計算機，計算機進入了超大規模集成電路和數字電路時代，計算機實現了智能化、微型化、網絡化和多媒體化，價格更便宜，更容易攜帶，所以更加普及從國防到工業、現代農業、商業，教育，醫療衛生，娛樂、生活，計算機正在改變人們的生活，成為現代社會不可缺少的生產資料。

2當前計算機硬件的現狀

現代計算硬件的核心還是由中央處理器（CPU），內部存儲器和輸入輸出設備組成，中央處理器是計算機運算、控制的核心。它的運算速度和處理能力是計算機性能的主要體現。內部存儲器用來儲存“程序”和“數據”。中央處理器執行程序時，從內存中存取程序和數據。輸入設備是向計算機輸入數據和信息的設備，是計算機與用戶或其他設備通信的橋梁。輸出設備是人與計算機交互的一種部件，用于數據的輸出，它把各種計算結果數據或信息以數字、字符、圖像、聲音等形式表示出來。這三大核心部件是如何發展的。（1）中央處理器（CPU）。目前中央處理器按照處理信息的字節長度可以分為4位、8位、16位、32位、64位處理器，處理信息速度可以達到1000MIPS，隨著納米集成電路的發展，能夠集成的晶體管數量還會進一步增加，處理速度也會相應增加，但是納米級集成電路也不能無限集成，他也有技術極限，要想有更大的突破，還需改變目前處理器硬件邏輯，創造新一代信息處理方法。（2）內部存儲器。內部存儲器儲存計算機程序和信息的硬件，一般認為對于內部存儲器來說，希望它能具有更大信息存儲量，更高的信息交換速度和更低的能耗。（3）輸入輸出設備。使用過計算機的人都知道傳統的輸入輸出設備一般包括鍵盤、鼠標、顯示器、音頻設備、打印機和一些圖像處理設備等，這些設備也是經過不斷發展的，從機械鍵盤，機械鼠標，到光電設備，從三基色CRT顯示器到LED液晶顯示器，這一類硬件發展速度非常快，而且更加專業化、數字化和智能化，使計算機的操作者人機界面更加友好。

3未來計算機硬件的發展方向

從計算機問世至今，計算機硬件的發展一直在追求一個方向，那就是要使計算機運算速度更快、存儲能力更強，集成化程度更高，也就是讓計算機體積更小，價格更便宜，應用更加智能。但是當進入一個信息化、數字化發飛速發展的今天，對計算機的要求也不斷提高，希望計算機能能夠幫助人類做更多的事情。所以現在研究計算機發展時發現下一代計算沒有固定的發展方向了，呈現出數軸狀的發展趨勢，例如計算機體積就像兩個極端發展一個是微型化，一方是巨型化。計算機應用的過程中希望單體硬件越小越好，便于攜帶和使用。另一方各國都在研制巨型計算機用于國防、天文、氣象、經濟等領域頂級科研應用，其實這兩種方向都要求計算機硬件特別是處理器能在更小的體積上集成更多的半導體材料。同時希望計算機更加智能，又要求計算機能更加專業，智能是要讓計算機像人腦一樣，處理更多的問題，在工業上還要求計算機在精度、速度能夠滿足特定工藝具有專長。這要求計算機運算速度更快，使用更加可靠穩定，處理信息的能力要更高，更加安全。從上分析得出結論，下一代計算機是要求速度快，智能程度高，安全穩定，處理信息能力強，根據這些要求現在計算機硬件終究會有極限和瓶頸，集成程度高，散熱就是問題。納米級集成電路也有尺寸極限。這是計算機硬件發展中一定會遇到的硬件墻。那么解決這一問題的根本方法就是發展革命性信息處理技術的硬件。現在已經在攻關的下一代計算機有光計算機，量子計算機、生物計算機等。希望在這些領域盡快突破，將人類文明引領于新時代。

4結語

計算機從問世至今已經有70多年的發展史，從晶體管計算機到目前超大規模集成電路，計算機的發展經歷了幾次跨時代的革命。其中計算機硬件的革新是推動計算機革命的主要動力源泉。目前認為計算機經過了四展，現有技術主要還是建立在半導體集成技術的基礎上，也在研究和展望下一代計算機發展方向，有科學及預計下一代計算機硬件技術可能出現顛覆性創新和多方向發展，光計算機，量子計算機，超導計算機都是未來計算機發展方向。文章不能全方位闡述計算機硬件的發展，只是根據個人觀點探討硬件的發展，尋找一個研究方向和目標。

作者:李曉堅 單位:黑龍江商業職業學院

參考文獻

篇2

關鍵詞：項目管理；計算機軟件；應用方法

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2017）14-0077-02

隨著最近一段時間網絡技術的不斷流行，我們能夠清楚地看到在越來越多的項目管理中使用了計算機軟件，而從其最終獲得效果上來看，也是十分令人滿意的。雖然這種方式在我國起步的時間比較晚，但是整體發展速度卻十分的快，已經獲得了越來越多人的認可。但是我們應當明確的一點就是，項目管理軟件終究只是一種項目管理工具，如果想讓其能夠發揮更大的作用，要求操作者在使用的過程中將自己對于項目的管理理念加入到其中。因此這就需要項目的相關管理工作要對計算機軟件使用方法進行不斷的完善，從而有效的提高管理中的科學性和合理性。

1應用項目管理軟件的重要性

項目管理相關工作是從20世紀50年代左右逐漸興起的一種管理策略，在其產生的最初階段就受到了人們廣泛的使用，并且在很多比較大型的項目中都充分地發揮了作用，例如美國的阿波羅登月計劃、北極星潛艇研制計劃等等。從其最開始一直發展至今，已經逐漸地走向了成熟，并且也為現代化的項目管理工作提供了相關的改進策略。該方法在提高項目工作效率以及質量方面發揮著十分重要的作用，無論政府部門還是在很多的企事業單位中，人們在對項目進行管理時，都更加傾向于采用這種方式。

從我國目前發展的實際情況來看，經濟轉型和企業改革已經成為了一種趨勢，這也使得很多企業都感受到目前國內市場的競爭壓力逐漸增大。因此如果企業想要有效的提高經濟效益，必須要針對目前的市場環境對自身的管理模式進行不斷的調整，從而有效的迎合市場的需求。同時還要對自身的資源不斷地進行優化配置，盡可能地減少不必要的工作，不斷地提高企業自身的創新能力，從而逐漸地適應目前這種比較大的市場壓力。為了有效地做到以上幾點，對企業的管理模式進行有效地完善已經成為了他們提高自身競爭力的重要手段，而項目管理也剛好滿足了企業的這種需求。從目前國內很多企業應用項目管理軟件的實際效果上來看是十分好的，這些管理軟件不但幫助企業理順了項目內部各種繁雜的關系，還能夠讓企業各個部門之間彼此良好的進行協作從而讓他們的工作效率以及質量能夠得到進一步的提升。

2項目管理計算機軟件的應用分析

如果想讓相關的項目管理工作能夠順利的開展下去，采用先進的項目管理技術對于有效地提高項目管理質量有這十分大的幫助作用。我們目前所處的時代是一個網絡化時代，在這個時代下開展這項工作最為有效的模式就是利用先進的計算機技術以及網絡技術，將其良好的應用到其中。本節將針對目前經常使用的集中項目管理軟件進行簡單的介紹，希望能給相關人員提供一定的借鑒作用。

2.1高檔項目管理軟件

隨著軟件在項目管理工作中應用范圍越來越廣，也讓更多的軟件制造商將自身的工作重點放在了涉及項目管理軟件方面，這使得最近幾年，市場上的相關軟件數量增長速度十分快。其中比較著名的就是目前很多企業普遍使用的Primavera軟件，其制作的基礎是廣義網絡計劃技術的相關理論。其最大的優點就是運算速度十分的快，對于一個單獨的項目就可以對其進行多大10萬道工序的處理效果。而且相比于其他同類型的軟件，其還具有著十分豐富的資源，在對每道工序進行處理的過程中，其可使用的資源數也是一定的。除了上述優點，該軟件還能夠在工作的過程中對資源均衡的功能或者資源不足的問題進行自主解決。同時當相關操作人員需要自行編制節點號時，其同時也具備很多強的自主編制能力。而且當采取該軟件對項目計劃進行優化之后，也可以隨時查看優化之后的結果，這就使得人們可以利用這個功能針對不同工程的特點，制定出多個備選方案，之后對每個方案可能帶來的經濟效益進行比較，從而選擇一個最好的優化方案。

2.2低檔項目管理軟件

與高檔相關管理軟件相對的就是低檔項目管理軟件，但是這里要說明的一點就是這些軟件并不是在質量上與其它軟件存在不同，而指的是他們可能在相應的功能方面比較欠缺，并不是十分適合應用到比較大型的項目中。人們通常情況下都是將這個軟件使用在一些簡單的項目管理中。這些軟件的一般供能主要包括：人員管理、計劃安排以及風險分析等等。其中比較有代表性的就是Proiect Scheduler 7，其供能相對來說就比較簡單，但是憑借著簡潔的操作界面以及在成本和價格上十分突出的特點，在很多小型的項目管理中得到了大范圍的應用。具體來說，這種類型有著他們獨特的風格，雖然與高檔項目管理軟件在整體上存在一定的差距，但是他們可能在某一種功能上要比高檔軟件做的精細的多，而且還能比較順利地與SQL數據庫進行良好的對接，一同解決一些比較難以處理的項目。除此之外，其還憑借著靈活管理等等一系列簡單的功能深受一些小企業的青睞。

3計算機軟件工程項目管理中存在的問題

雖然計算機管理軟件在我國應用的較為廣泛，并且取得了十分良好的效果，但是其中也存在著比較多的問題。

首先就是整個管理團隊的協作可能會產生一定的問題。項目管理工作是需要企業不同部門的積極配合才能共同完成的一項任務，但是由于互聯網技術的沖擊，目前很多團隊內部都出現了分工不明確、團隊成員協作能力不強的問題出現。再加上使用軟件的過程中對于操作人員的要求比較高，這就使得經常會出現一人身兼多職的現象發生，而這種現象并不利于項目管理朝著統一化的方向發展。從筆者了解到的情況來看，很多企業內部的部門在進行工作的過程中都是各自做自己的事情，缺乏良好的溝通，直接導致了工作效率的下降，不僅影了項目管理的質量，還可能導致相應的責任制度出現一定程度上缺失。如果不能對上述問題進行及時處理的話，將會嚴重影響計算機軟件在項目管理工作中的應用。

其次就是在使用相應軟件進行項目管理中還可能產生一定的風險。雖然我國最近幾年計算機水平不斷進步，但是相應的配套設施的建設工作卻不是十分的完善，而病毒就是一種最為嚴重的一個。從之前發生的很多事件中我們都能清楚地認識到，如果不對并對進行嚴密控制的話，將會給企業造成十分嚴重的經濟損失。例如對一個比較大型的項目進行管理工作中，可能會耗費比較長的時間，但是如果存放在電腦中的相關資料被黑客盜取的話，不僅會導致公司機密文件泄漏，還有可能使得之前做的工作前功盡棄，造成了整個項目的時間浪費，最壞的可能還會導致項目延期，給企業造成嚴重的經濟損失。

4計算機軟件工程項目管理的解決對策

針對上文提到的問題，筆者提出幾點建議。首先，從培養人才方面來看，目前在使用計算機軟件對項目進行管理工作時，往往需要的都是復合型的人才，即要掌握項目管理的相關知識，又要能夠熟練地運用各種軟件。從企業的角度出發，可以從兩個方面培養屬于本公司的技術團隊。一方面可以通過招聘的方式從公司外部聘請來這方面的人才，這也是能在短期內提高項目管理工作效率最為直接的方法；另一方面可以對本企業原有的員工進行培訓，讓他們真正地掌握相關的知識。只有這樣，計算機軟件在項目管理中的作用才能真正的發揮出來。

其次就是企業要讓每個項目管理團隊中的每個員工都清楚項目管理工作不是只靠一個人就能順利完成的，需要整個團隊進行良好的配合。要在日常工作中讓員工養成積極合作的意識，從而有效地提高項目管理工作的質量和效率。

最后可以m當的和一些軟件開發商建立合作關系，根據本企業的實際特點有針對性對本企業所使用的項目管理軟件建立一個有效的病毒入侵防控措施。這樣能夠讓企業在進行項目管理的過程中有效降低風險出現的概率，有效地對企業效益起到保護作用。

篇3

圖像處理主要包括以下方面:①圖像預處理,其目的是對圖像去除噪聲,突出目標;②圖像分割和目標提取,主要目的是從圖像中獲得感興趣的區域;③特征提取,是要獲得對目標的有效特征表達和描述;④目標分類,是在提取特征的基礎上實現判別和分類。

在計算機視覺的圖像處理中,往往需要進行平滑、增強、邊緣檢測和去除噪聲等處理。在多數空域預處理算法時涉及到領域處理,典型的算法有中值濾波、均值濾波等。近年來數學形態學在數字圖像處理領域里有了廣泛的應用,它以集合運算為基礎,其基本思想是用具有一定形態的結構元素去度量圖像中的形態以解決問題,基本算法是擴張、腐蝕、開啟和閉合。

其中傅立葉變換和小波變換主要應用于紡織品分析和測試中的以下一些領域:織物圖像的濾波、無紡布中纖維取向和織物紋理方向的測定、織物表面性能評定和織物結構參數的測定等。

常用的圖像識別方法有:灰度匹配法、形態法、神經網絡法、紋理模型法四種。其中,神經網絡法的缺點是,可能因為特征值選擇的不合適或者不足,造成檢驗結果的不可靠;紋理模型法的不足在于僅僅通過隨機場模型并不能最大限度地降低圖像分析的計算復雜度和提高圖像處理的速度,因而還不能實現織物疵點的快速自動檢測。

2、計算機圖像處理技術在紡織品測試中的應用

2.1織物起毛、起球性能分析

織物起毛、起球性能是影響織物服用性能的重要因素。在測定織物的起毛、起球時，如果采用傳統的測試方法，如與標準樣照對比評級的方法，所得的結果主觀性太強,沒有定量的描述；如果采用在顯微鏡下對起毛根數進行計數的方法，則勞動強度太大，耗時過長。

而采用數字圖像處理計數的方法則實現了客觀化和定量化的測定評判，從而克服了傳統測定評判法中的主觀性強、誤差大和實驗勞動強度高等諸多缺陷。數字圖像處理計數法的步驟為：首先采集織物起毛圖像，然后對圖像進行灰度化處理，再對灰度圖像進行二值化處理，最后利用二值化圖像進行起毛計數。

在此過程中，二值化處理中的閾值是關系到二值化圖像效果，并進而影響到最終起毛計數精確性的極為關鍵的一步。

東華大學的陳霞等應用一種圖像分析系統進行織物起球等級的客觀評估，首先獲取反映織物二維輪廓數據的距離圖像，通過一組匹配濾波檢測毛球，應用分塊閾值法進行毛球分割，選取毛球個數、毛球面積和毛球體積建立等級評估方程，并采用模糊邏輯系統作為最終的等級評估模型。

結果表明，該系統能滿足實際起球的等級評估。國外的許多專家對此也有深入的研究，Konda等人提出了一種客觀評定起球性能的方法，他們對圖像進行閾值處理，然后與標準圖像進行比較，建立小球數量等級。Abril等人采用圖像分析方法測量標準織物圖像上的小球面積。

2.2懸垂性測試

織物懸垂性研究早在本世紀三十年代就已開始,目前存在的幾種懸垂性測定儀器,不能獲得懸垂性多方面特性的指標以及全面表征懸垂性的綜合性指標,并且這些客觀指標與主觀評價結果往往也很不一致。

有關文獻探索了應用微機圖像處理技術測試織物懸垂性的方法,從采集的二維圖像上提取表征織物懸垂性程度大小與懸垂性形態特征的兩方面指標,由于二維圖像中隱含著三維信息,故又可為主觀評價提供具有三維信息的目標圖景,從而實現在一次懸垂性測試中同時取得主客觀相結合的評價數據。

運用數字圖像處理技術是先由CCD攝像頭采樣,攝取織物懸垂的物理圖像,然后經過圖像采集卡A/D轉換成為數字圖像,以灰度圖像格式存儲在計算機的存儲器內。計算機對此灰度圖像進行一系列的圖像預處理,如濾波、二值化、邊緣增強等,除去噪聲、背景等無用信息,保留與懸垂有關的信息。最后,對懸垂圖像的形態結構進行分析,提取各種特征參數,計算表征織物懸垂性能的相應指標。

2.3織物圖案自動識別分析

圖像識別的一般流程，如下圖1所示，由預處理、特征提取和匹配、分類組成。在預處理中，進行像素值的規格化。在提取特征值中，例如，對于圖像，在像素值的基礎上用向量來表示特征、或者提取出角邊緣的幾何特征。

在匹配中，把那些特征與預先存儲好的參照圖案(樣板或模型)直接進行比較匹配，然后利用統計上的圖案識別方法等進行分類，輸出識別結果。

除此之外，圖像信息處理技術在紡織行業的應用還大有潛力。例如，長期以來，混紡紗的混紡比絕大多數采用化學分析法及顯微鏡橫截面觀察法等進行測試，但隨著新型纖維的不斷涌現，有的就缺少適合的化學分析方法，結果不令人滿意。

采用計算機提取特征參數自動識別纖維，測量混紡比，是實現快速準確地檢測混紡比的新途徑。圖像處理與分析的工作流程如下圖2所示（紗線混紡比測試圖像處理與分析工作流程）：

圖2圖像處理與分析的工作流程圖

其中的關鍵是提取混紡紗中不同纖維的特征量。目前對棉/麻、絲/毛、麻/滌、毛/滌混紡比測定已經較成熟。

在現有的織物仿真CAD系統基礎上，與紡織檢測技術結合起來，可以實現從對紗線實物的檢測到最終織物的模擬仿真，不僅可以評定紗線的質量，為指導生產提供依據，而且可以預測用該紗線織成的織物外觀質量以及最適合用該紗線織成的織物等等。

2.4測量機織物經緯密度

傳統織物經緯密度的測量方法是借助照布鏡或密度鏡,用人眼數出單位長度內的經緯紗的根數。這種方法雖然需要的儀器簡單,但是花費時間較長,人的眼睛疲勞以后容易漏數或多數,特別是來樣尺寸較小時,誤差較大。

利用計算機圖像處理技術進行織物密度測試的過程:通過輸入設備輸入織物的圖像,對圖像進行傅立葉變換,將織物圖像在空間中的二維灰度分布變換成對應的二維頻率域中的頻譜,進而提取圖像的頻率域信息。頻率域中頻率所代表的物理涵義是單位長度上正弦狀灰度濃淡變化的重復次數。

織物圖像反映了織物的表面形態,它在經緯向具有周期性變化的灰度分布,包含了經緯紗線排列的密度信息。織物圖像頻譜圖中點的灰度值代表了該頻率成分的相對能量,半徑和角度對應于周期性能元素的尺寸和方向。灰度最高的點稱為峰點。從頻譜圖中可以看到,在不同的方向上都有峰點存在,其中水平方向和垂直方向的峰點,就是要尋找的經紗和緯紗的頻率。

對這些頻率進行分析和計算,即可得到織物經緯紗線的密度。不過這只是單層織物的密度,如果織物是雙層的,還要根據表里經緯紗的排列比算出織物的總密度。此法的優點是測試速度快、準確度高,且不受試樣大小的限制。

較好的例子有葉煒[2]等人開發了“計算機輔助機織物密度測定”軟件,配合掃描儀、計算機進行機織物密度的測定。

2.5測定纖維長、細度

纖維的長、細度是反映紡織原料品質的兩個重要指標。測定纖維長度的傳統方法是采用梳片式長度儀進行的：將纖維按長度分組稱重,計算出纖維平均長度、均方差和離散系數以及短絨率。

其局限性:①無法得到纖維“根數”長度。對于毛紡行業的制條復梳和紡紗加工來說,僅按“重量”纖維長度制訂工藝參數是遠遠不夠的。因為各類針梳機、精梳機、粗紗和細紗機上的隔距參數,是依纖維“根數”長度分布而不是依“重量”長度分布來確定的，因此“根數”長度分布對于生產更有指導意義。

②測試結果誤差較大。測試過程中分組稱重,易使纖維流失。③對測試人員的要求高,檢驗人員不僅要經過專門的培訓、考核,而且要經常對其手法進行比對或校核,以保障評定標準的統一。

常用的纖維細度的測定方法有顯微投影儀法和氣流儀法兩種。顯微投影儀法的測試原理是將纖維段輪廓用顯微投影放大500倍

用標有刻度值的楔尺測量其寬度,逐次記錄測量結果,算出纖維平均直徑值。其缺點是操作繁瑣,結果計算復雜、精度略低。

氣流儀法是利用纖維表面積影響流動空氣動力的規律來間接測定纖維細度的。該方法的優點是:操作快速簡便,數據穩定。

缺點是:①不能測試羊毛纖維的異質毛細度。②準確度受纖維吸濕性能的影響。

應用計算機圖像處理技術測試纖維細度的過程:利用哈氏切片法,得到纖維的縱向切片,纖維樣品經過顯微鏡的光學放大,其圖像直接投影在工業攝像機的光電轉換器上,轉換成數字化的電子圖像輸入計算機,通過計算機對圖像的柔化、二值化、去除干擾等處理獲得較滿意的實時輪廓后,再對纖維的細度及長度進行測定。

圖像柔化處理就是對圖像進行低通過濾,刪除圖像中的高頻部分,減少要操作的像素點和相鄰像素間的差別。如果圖像對比度明顯,通過二值化可以將不同灰度區區分出來,然后設計閾值,把源圖像變換成僅用兩個值分別表示的目標和背景。

在經過二值化的圖像中,有很多小顆粒,這些顆粒有可能阻礙圖像的正確處理,必須去除。用膨脹和腐蝕方法對二值化圖像進行處理,通過腐蝕去掉小顆粒,再通過膨脹回復原來尺寸,然后求出圖像的輪廓,輪廓邊緣就是圖像中灰度發生急劇變化的區域邊界。

邊緣檢測算子可檢查每個像素的領域并對灰度變化率進行量化,利用已有的處理結果進行有目的的代換,跟蹤并找到纖維的兩個不同邊緣。利用3×3強鄰接像素模板檢測出纖維圖像的邊界再用長度標尺計算出纖維的長度及細度。

這種方法的優勢:①操作簡便,測試時間短,不需人工處理數據,準確度高。

②對纖維的適應性強,任何纖維均可在該儀器上進行測試,不受纖維吸濕及比重變化的影響。

3、結語

紡織品圖像分析檢測是一個跨學科的技術領域，它包括了光學、計算機圖形學、數學分析、紡織科學、精密微處理技術等多領域的知識內容。這些學科的綜合運用使得鑒別更微小紡織品結構特征和數學特征成為可能，從而發展并完善了紡織品數字圖像分析方法，并得到了越來越廣泛的應用。

參考文獻：

篇4

關鍵詞二階效應 ；偏心受壓 ； 法；層增大系數法

Abstract: The lateral to have the frame structure, should consider the effect of the second order. And second order effect of the simplified calculation method of commonly used a layer and increase coefficient method. Choose different calculation method can make the calculation method for the bearing capacity structure component changes. This paper discusses the layer and increase coefficient method two calculation method considering the second order effect of the structure of the components when eccentric loading the influence of the bearing capacity calculation method.

Key Words: Second-order effects; Eccentric loading; Method; Layer increase coefficient method

中圖分類號：O24文獻標識碼：A文章編號：

1 引言

框架結構在橫向作用時有可能會產生較大側移。該側移在豎向力的作用下會增大構件的端彎矩。如果在對結構進行設計時沒有考慮側移引起的二階效應，則會使結構內力計算結果偏小，從而導致結構配筋不足而引發結構的破壞。所以應該充分考慮有側移結構的二階效應。

2二階效應的考慮方法

常用的二階效應的考慮方法有 和層增大系數法兩種。

法是在用計算機進行結構設計之前考慮的一種簡化計算方法。這種計算方法是在計算彎矩時，將二階效應引起的彎矩增大等效為偏心距的增大。將初始偏心距乘以偏心距增大系數 來考慮二階效應對結構彎矩的影響。結構所受的二階效應大小的一個重要影響因素就是結構的等效長度 。而彎矩增大多少，是否合理的取決于 的求法是否合理，所以該種方法被稱為 法。

層增大系數法早在上個世紀60年代就已經有學者進行過研究[1][2]。因為樓板的水平剛度相對于豎向構件而言可以看做無限大，所以在不考慮樓板水平變形的情況下，可以認為樓板的豎向構件的上下端的水平位移即為層間位移。也就是沒有考慮二階效應的一階層間位移。而一階層間位移的增大系數 ，就是二階效應引起的彎矩增大幅度。

3兩種二階效應的考慮方法對偏心受壓計算的影響

兩種方法均可以來考慮二階效應對構件受力的影響，但是不同的考慮方法對結構的內力和承載力的計算和結果都會帶來差異。本文主要討論兩種方法對結構偏心受壓計算時所帶來的影響。

采用 法考慮二階效應，進行構件偏心受壓計算的方法如下。首先根據公式（1）求出初試偏心距。該初試偏心距中的軸向壓力對截面重心的偏心距是在沒有考慮二階效應作用的彎矩與軸力的比值。再根據公式（2）求出偏心彎矩增大系數，其中構件的計算長度可以在文獻[3]中查取。再根據公式（3）求得軸向壓力作用點到縱向受拉鋼筋合力點的距離。然后根據公式（4）、（5）求出采用偏心受壓柱的承載力的大小。

（1）

（2）

（3）

（4）

（5）

式中 為初試偏心距； 為軸向壓力對截面重心的偏心距； 為附加偏心距； 為考慮二階影響的偏心距增大系數； 為截面有效高度； 為構件計算長度； 為截面高度； 為偏心受壓構件曲率修正系數； 為構件長細比對截面曲率的影響系數。

對采用 法計算偏心受壓構件的公式可以看出，二階效應的考慮主要體現在求解 上，而影響 取值的很重要的因素就是 的取值問題。從文獻[3]可知，現在在確定 時并沒有考慮梁柱線剛度比的影響，所以在很多情況下會產生比較大的誤差。比如，當梁柱的線剛度比較大或者線剛度比較小時，或者在復雜框架結構中都會產生較大的誤差。而且在求解 時，沒有考慮同一層各個柱側移相等的條件，而是各個柱子分別計算的，所以在跨度不等的結構中也會產生較大的誤差。在框架剪力墻結構和框架核心筒結構中，由于結構比較復雜，在采 法考慮二階效應進行簡化計算時，可能會造成超過25%的誤差[3]。

采用層增大系數法計算偏心受壓構件的計算方法與采用 方法大體相同。首先根據公式（1）求出初試偏心距。但是與 方法不同的是在求解 時，層增大系數法所用的彎矩值是考慮了二階效應以后的彎矩值。該彎矩值可以通過公式（6）、（7）、（8）求得[4]。再根據公式（9）求出軸向壓力作用點到縱向受拉鋼筋合力點的距離。從公式（9）與公式（3）可以看出，采用層增大系數求解軸向壓力到縱向受力鋼筋合力點的距離時所采用的公式無需考慮偏心距增大系數 ，這是因為在求解軸向壓力對截面重心的偏心距時，已經考慮了二階效應的影響,所以無需再乘以偏心距增大系數。然后再根據公式（4）、（5）便可以求出偏心受壓構件的承載力。由于目前計算機輔助設計日趨普遍，利用計算機考慮二階后的端彎矩的大小比較容易求得，所以采用層增大系數法進行偏心受壓構件的承載力相對于 法而言在某些情況下更為準確。

（6）

（7）

（8）

式中， 為桿端截面偏心距調整系數；為彎矩增大系數； 為截面曲率修正系數。

5.結語

對于有側移的框架結構，考慮二階效應是非常有必要的。 法和層增大系數法都是考慮二階效應的有效的方法，并且應用也非常廣范。但是 法在有些情況下會造成較大的誤差，隨著計算機的廣泛使用，有限元輔助設計成為趨勢，層增大系數法也有了更廣闊的發展空間。

參考文獻

[1] E.Rosenblueth.Slenderness Effect in Buildings.Journal of the Structural Division[J]，ASCE，1965

[2] L.K.，Stevens.Elastic Stability of Practical Multistory Frame[J].Proceedings of the Institution of Civil Engineers，1967

[3] 徐有鄰,李明順等.混凝土結構設計規范（GB50010-2002）[M].北京：中國建筑工業出版社，2002.

篇5

關鍵詞 內容推薦；內容過濾；項目特征空間模型；用戶興趣模型

中圖分類號TP391 文獻標識碼A 文章編號 1674-6708（2014）118-0245-02

0 引言

自互聯網出現和普及以來，互聯網的用戶就開始學會了在網絡上獲取自己所需要的各種信息[1]。在互聯網發展的早期，用戶一般只能從各個門戶網站中做好的分類目錄來一級一級查找到自己所需要的信息，這在初期信息量不大的時候是可行的。隨著互聯網信息量的逐漸增多，搜索引擎的出現使得用戶在搜索信息方面得到了極大的便利，這使得用戶可以根據自己的需求去主動定制篩選信息的條件，使得信息的查找和獲取效率有了極大的提高。但是隨著互聯網的進一步發展，信息量的大幅增長，即便是搜索引擎也無法完全使得用戶在面對海量信息時還能獲得對自己真正有用的那部分信息，對信息的接收和處理能力又降低了，再次引發了所謂的信息超載問題。

于是個性化的推薦系統開始被提出、設計并實現。個性化的推薦系統就是針對不同的用戶提供不同的服務來滿足不同的需求。通過分析用戶歷史的操作記錄的方式推算其興趣點，對每個不同的用戶都會有特定的興趣模型設計，在進行推薦服務時將會結合其興趣模型來計算推送內容，也因此對于每一位用戶來說，推薦結果都系統是根據其興趣點所特別定制的，不需要的內容便不會被推薦，這極大地節約了用戶在查找篩選信息上花費的時間，并提高了用戶獲取信息的效率。

現有的主要推薦算法，主要有基于內容過濾的推薦，基于協同過濾的推薦，基于關聯規則的推薦，以及組合推薦等等。基于內容過濾的推薦是建立在項目自身屬性信息基礎上的一種推薦算法，其主要依賴的是項目自身的屬性信息，而不去考慮用戶反饋的項目評價和偏好。基于協同過濾的推薦算法則是利用最近鄰技術，利用用戶的歷史偏好信息來計算用戶之間的距離，然后利用目標用戶計算出的最近鄰居用戶來對項目評價的綜合評價值來預測目標用戶對某一特定項目的偏好程度，系統從而根據這一偏好程度來決定是否對目標用戶進行推薦。基于關聯規則的推薦算法是以項目間的關聯規則為基礎，把用戶已確定偏好的項目作為規則頭，規則體作為推薦其對象。

基于內容過濾的推薦有著很多優點，如無項目的冷啟動問題和矩陣稀疏的問題，對于偏好小眾的用戶依然可以進行推薦，在推薦時容易例舉出推薦的理由等。

1 項目特征空間模型

為了能夠明確的表明用戶對于某個項目的興趣度或者偏好度，首先需要建立該項目的特征空間模型。所謂特征即是指項目自身可以與其他不同項目作為區分標準的屬性，所以在選擇具體的項目特征時需要根據具體的應用場景進行選擇，避免選擇無用的亢余屬性作為過濾標準。多個特征可以組成項目的特征空間模型，每一個特征稱為是該特征空間模型的一個維度。

通常來說，一個項目的一個特征可以有多種選擇值，例如顏色可以有紅、黃、藍等選擇值。為了將某一特征進行量化表達，可以將可選的特征值按系統規范的標準排序，則可以獲得一個對該特征的值表示為空的向量。此時特征向量中的元素仍未賦值。

之后需要根據該具體項目所具有的特征值給向量進行賦值。對于所有排序的特征值，項目符合的值置1，不符合的值置0。例如，對于一個項目，其顏色為紅色，系統規定其特征向量中分別表示紅色、黃色和藍色，則，其特征向量的具體值應當為。將項目的多個特征向量值都求出后，由這些像兩只組成的多維向量即是該項目的特征空間模型。

2 用戶興趣模型

在獲取了項目的特征空間模型之后，則需要獲取用戶對于該類特征空間中各個特征的偏好值，即用戶興趣模型。用戶興趣模型指的是該用戶對某一類項目所共享的各種特征的具體值得偏好度，而非對某個具體項目的偏好度。用戶興趣模型的基礎數據來源包括用戶注冊時填寫的問卷回答，用戶歷史操作數據的分析結果，或者結合協同過濾算法依據其最近鄰居的偏好來對其偏好進行模擬等。

根據用戶的基礎數據資料，可以獲取對某一特征向量上各個特征值的偏好，該偏好可以用向量來表示。這里與中同一特征的索引應當相同，并且兩個向量征元素的數量應當相等。這里向量的賦值應當由用戶基礎數據資料計算，將用戶對該特征值的每次關注可以累積加1，從而最終獲得的是以絕對值表示的向量。為了便于計算，可以將絕對值表示的向量進行標準化處理，使得不同用戶在對同一項目進行偏好度計算時可以進行統一標準的比較。

在獲取項目的特征空間模型以及用戶對于該類項目的興趣模型之后，便可以結合這兩個模型進行排序計算。將向量與中的特征值元素一一對應相乘后累加，則獲得的值為該用戶對于該項目的偏好度。對于t個項目，每個用戶應當可以計算出t個w的值，對著t個w的值進行降序排序，便可以根據系統需要輸出需要的推薦結果。

3 模型影響因素

對于使用項目的特征空間模型和用戶的興趣模型進行的內容過濾算法，有兩點因素會影響最后的排序結果。一是項目特征值的坐落范圍，二是項目特征空間模型的維數。

某些項目的特征值跨度范圍可以比較大，這多出現于使用數值表示的特征值中。對于這些項目，其某些的特征向量中可能出現多個特征值為1的情況，從而導致最后計算偏好值時該特征方面獲得的分值較高，但是并不符合用戶期望的情況。避免這種情況發生的辦法是合理進行可選特征值的規劃，使可選特征值盡少分布于多個區域，從而最終計算的偏好值集中于用戶真正關心的特征項上。

而項目特征空間模型的維數則會隨著其數量的增加而對結果產生不同的影響。當選取的項目特征數量較少時，可以用于計算的數據較少，可能會導致計算出的分值都較低，差異小的現象，這樣會使計算出的結果不能很好的滿足用戶需求，在用戶需要的特征項上缺乏計算補充。而當維數增加時，隨著計算數據的增多，計算出的分值最后差異會增大，容易分離出用戶真正需要的特征項，從而提高推薦的準確性。

但是當維數增加超過一個閾值時，反而會導致結果出錯。這是因為當維數過多時，進行內容過濾的條件過于嚴格，甚至會出現所有項目都不符合用戶高期望的情況。在這種情況下，系統計算出的所有項目偏好度都是極低甚至為0分，排序出的項目也不是用戶所期望的。對于這種情況，可以使用機器學習的方法來讓系統逐步學習哪些特征項應該是被添加的，而哪些特征項的權重較低是可以省略的，以保證項目特征空間模型的維數維持在合理的閾值內。

4 結論

本文介紹了使用內容過濾推薦算法進行用戶偏好計算的方法及對結果的影響因素，在對一些特征比較明顯的項目上使用內容過濾算法來獲得對用戶的推薦結果效果是比較顯著地。同時有兩點因素會影響著計算最后的排序結果，項目特征值的坐落范圍和項目特征空間模型的維數，通過合理的規劃項目特征項的數量與特征值區間的分布可以有效避免這兩點因素的影響。

參考文獻

[1]劉勝華，董利紅.基于內容過濾的電子商務推薦算法分析[J].統計與決策，2006（17）： 146-147.

[2]王嫣然，陳梅，王翰虎，等.一種基于內容過濾的科技文獻推薦算法[J].計算機技術與發展，2011，21（2）： 66-69.

[3]岑詠華，甘利人，丁晟春.基于內容的 Web 個性化推薦技術研究[J].圖書情報工作，2003（8）： 30-34.

[4]方春暉.“內容過濾”的客觀需求及其實現[J].中國數據通信，2005，6（8）： 14-18.

[5]王翠平.基于用戶興趣度的網絡信息過濾模型研究 [D].濟南： 山東師范大學，2007.

[6]劉建國，周濤，郭強，等.個性化推薦系統評價方法綜述[J].復雜系統與復雜性科學，2009，6（3）： 1-10.