应用规则

应用规则（共12篇）

应用规则 篇1

1 概述

业务规则是描述和支持企业决策、营销策略和业务运营,影响和控制业务行为的规章条例。在渠道酬金结算中,酬金业务规则复杂、变动频繁。传统上,酬金规则融合在应用系统的代码当中,酬金规则制定、酬金规则应用开发、酬金实际结算相互分离。由于缺乏对酬金规则进行管理的方法和标准的规则语言,使得酬金结算的效率和准确性存在一定问题。

酬金结算是渠道管理中的重要环节,需要有一个灵活、高效的应用系统提供支持。通过引入规则引擎技术,将酬金规则与酬金结算处理流程分离,提供一种基于规则引擎的酬金结算体系,使得规则变化时,结算逻辑尽量不变,从而尽量减少系统的升级改造。同时,提供酬金规则的自动化编辑管理环境,方便管理灵活、易变的业务规则,使得酬金规则制定人参与到酬金结算处理的过程中。

一个完整的业务规则包括了条件和触发操作两部分内容。规则引擎包括三个部分:模式匹配器(Pattern Matcher)、议程(Agenda)和执行引擎(Execution Engine),如图1所示。模式匹配器负责将事实与规则进行匹配,从而决定哪些规则符合事实;议程负责管理模式匹配器挑选出来的与事实匹配的规则的执行顺序;执行引擎则负责执行规则和相关动作。规则引擎通过决定哪些规则满足事实或目标,并授予规则优先级,满足事实或目标的规则被加入议程。

2 方案

为了简化业务规则变更的过程,提高业务规则的可管理性,业务规则管理模块被引入到酬金结算系统中,如图2所示。业务规则管理模块用一个或者多个规则引擎替换用程序编码或者抽象伪代码形式实现的业务规则,被替换的业务逻辑存储在程序外的规则库中,规则库中的规则可以通过图形化规则管理工具实现设计、修改、审核、测试和部署。通过业务规则管理模块实现对渠道酬金管理中业务规则的全程管理。

2.1 酬金计算处理

酬金计算首先要对业务数据建模。从业务规则分析出酬金结算的计算要素,建立起与规则库相匹配的数据模型。业务规则使用接近自然语言的规则语言编辑维护,保存在规则库中。酬金结算的原始数据来自生产系统,通过数据转换形成酬金计算所需要的业务数据。在计算酬金时,准备好的业务数据输入到规则引擎,规则引擎挑选出相应匹配的业务规则执行,运算得到酬金结果数据。酬金计算处理流程如图3所示。

渠道运营业务数据庞大而且复杂,为了从中选择结算所需要的数据,必须充分理解实际业务需求。在抽取数据时,需要对数据进行预处理,设计数据中间表对数据进行抽取、清洗,例如清理异常和不相关数据,提取结算系统关心的数据,生成规则引擎所需要的数据对象。数据预处理有利于加快酬金计算处理过程。

酬金计算要素与数据抽取和业务建模密切相关,需要分析识别出业务规则中的计算要素。将业务规则需求以原子化拆解的方式,从中分离出各种计算要素。酬金业务规则通常由适用产品/业务名称、有效性校验规则、酬金标准、结算原则组成,如补/换卡业务规则是系统成功办理后次月结算2元。从业务规则中得到业务名称、成功办理、结算月份、结算金额等计算要素作为数据抽取和业务建模的基础。

2.2 XOM/BOM模型设计

执行对象模型(XOM)定义了业务规则会使用到或者作用到的应用程序类,是规则引擎执行规则过程中所使用的对象。业务对象模型(BOM)是XOM的一个映射,将XOM中的程序描述语言映射成业务描述语言,如:将agent Name属性映射成“渠道名称”,将circle属性映射成“考核周期”,方便业务人员维护规则。XOM是规则执行的物理模型,BOM是规则执行的业务模型。应用程序与规则引擎之间使用业务对象模型BOM做接口,要求传入和传出的对象属性必须是固定的。

2.3 规则设计

表达和定义业务规则有多种方法,最好的方法是将它看作业务流程中的决策点,以决策表的形式表现,特别是组合判定条件复杂的业务规则。业务规则是以“if-thenelse”类型的逻辑描述的,其中if(如果)是所满足的一组特定业务条件,then(那么)是所执行的特定操作,else(否则)是可以执行的其他某些操作。酬金规则通常有一些基础的考核条款,是所有酬金类型必须满足的稽核条件。将基础考核条款设计为公共业务规则,所有酬金计算先调用公共业务规则,再调用酬金类型对应的规则,公共业务规则不满足即可判定考核不通过。这样可以简化规则维护,加快酬金计算处理的过程。

如业务规则:按照首期酬金判定的主要使用号码成功发放第一笔酬金后,主要使用号码不得更换,否则后续酬金不予发放;每期酬金在稽核时均要求号码状态为正常使用,且上月ARPU不低于30元,否则酬金不予发放。转化为类自然语言的规则是:

2.4 规则测试(如图4所示)

在业务规则部署之前,规则开发人员需要对规则集合进行整体测试,以确保上线的规则的绝对正确。业务规则测试包含两方面的工作:调试测试和验证测试。其中,调试测试是规则集合开发过程中的测试,主要目的是测试规则的技术正确性;验证测试是规则部署之前的最后测试,主要目的是测试规则的业务正确性。另外为了评估业务规则新版本的影响,还需要进行版本对比测试,通过输入相同的业务数据,对比不同规则版本的酬金计算结果。

3 结束语

在酬金结算系统引入业务规则引擎后,系统设计的关注点在于管理灵活、易变的业务规则,酬金规则制定人参与到酬金结算处理的过程中。我们对规则引擎应用到酬金结算系统进行了探索,提出了在酬金结算系统的实现方案。在实际应用中运用和管理好业务规则,将会充分发挥业务规则引擎技术的优势,使得系统对业务的推广提供更好的支撑,对市场的需求做出更迅速的响应。

摘要：酬金结算是社会渠道管理的重要组成部分。介绍了规则引擎技术的原理,提出了规则引擎在酬金结算系统中的实现方案,给出了系统技术架构,详细讨论了酬金计算处理流程、模型设计、规则设计和测试。

关键词：酬金规则,规则引擎,酬金结算

参考文献

[1]费立君,姜元东.规则引擎在电信行业信控系统中的应用[J].黑龙江科技信息,2013年第14期

[2]丁渊.规则引擎技术分析及在电信计费系统中的应用[J].邮电设计技术,2011年第7期

[3]廖焕祥.基于电信全业务话单处理的规则引擎[J].网络安全技术与应用,2014年第11期

[4]王冬久.电信运营商社会渠道酬金支撑体系建设探索[D].北京邮电大学,2013

应用规则 篇2

常见搜索引擎名称：

Baiduspider 百度;

Scooter Vista;

ia_archiver Alexa;

Googlebot 谷歌;

FAST-WebCrawler Fast;

MSNBOT Msn

我们常见的语法中：Disallow该项定义域用来描述希望不被索引的URL路径;allow该项定义域用来描述可以被索引的URL路径，但是由于缺省值是允许索引所以该项定义域会很少使用到。例如我们如果要禁止百度指数抓取，那么我们该怎么写呢?如下：

User-agent:Baiduspider

Disallow:/

讲解：这里user-agent是针对百度蜘蛛的，而谷歌是没有蜘蛛的，谷歌的搜索引擎叫机器人，而disallow禁止了所有“/”目录下的文件，这里的斜杠是根目录(一般是wwwroot下的文件)。

我们如果禁止所有搜索引擎，唯独百度可以抓取改怎么写呢?如下：

User-agent:Baiduspider

Disallow:

User-agent: *

Disallow: /

讲解：这里网站主要针对百度说，我对你是开放的，而对其他所有的除百度意外的搜索引擎都对他们不开放我的目录，

这里的“*”是指所有，接下来的disallow禁止了所有根目录的索引。

我们如果禁止搜索引擎读取某个文件夹，如何写呢?如下：

User-agent:*

Disallow:/a/

Disallow:/abc/

Disallow:/data/

讲解：这里网站说明了针对所有的搜索引擎禁止访问我的a文件里面的任何文件，以及abc文件和data文件。这是如果你想禁止包含该文件名以及以该文件名为路径的话，将后面的斜杠去掉，如下：

User-agent:*

Disallow:/a

Disallow:/abc

Disallow:/data

讲解：这里不光禁止了该文件，同时也禁止以该文件命名的url路径对搜索引擎的索引。一般情况下很少运用到。

现在我们有很多网站不能实现静态，很多网站都做了伪静态，但是有部分的动态路径仍被搜索引擎索引了怎么办呢?我们可以添加如下规则：

User-agent:*

Disallow:/*?*

讲解：这里的“*”代表所有带有“?”的路径将会被禁止索引，有的可能变量不是“?”而是“$”，同样道理将“?”替换成“$”就能实现了。

关联规则在旅行社CRM中的应用 篇3

关键词：数据挖掘；关联规则；Apriori算法；CRM；旅行社；旅游产品

中图分类号：TP311 文献标识码：A文章编号：1009-3044(2007)12-21508-03

Application of Association Rules in CRM of Travel Agency

XU Hui-min

(College of Information Management of Chengdu University Of Technology,Chengdu 610059,China)

Abstract:For travel agents, CRM strategies may enhance their core competitiveness, to win their competition and the purpose of the rapid growth, How to use data mining technology from CRM data to identify the more valuable knowledge and rules, No doubt people are very concerned about one of the topics. This paper introduces Association Rules’ concepts and roles in Data Mining, and analyzes the key algorithm of Apriori, Combining characteristics of spending on tourism products by tourists in CRM of the travel agency, then expounds that CRM data mining based on Apriori algorithm has important significance for the travel agents to enhance their advantages under the new competitive environment.

Key words:Data Mining;Association Rules;Apriori algorithm;CRM;travel agency;tourism products

1 引言

面临残酷的市场竞争，所有的企业都在不遗余力地争取尽可能多的客户，与客户保持长期稳定地关系。客户关系管理（Customer Relationship Management 以下简称CRM）作为一种旨在改善企业与客户之间关系的新型管理理念应运而生，它的核心是“了解客户，倾听客户”，它的目标可以概括为“吸引潜在客户进入，提高现有客户满意度和忠诚度，降低客户流失”，总之一切的最终目的——提高收益与竞争力。作为旅游业三大支柱之一的旅行社要想从市场中胜出，实施CRM的重要性不言而喻。然而日积月累，CRM数据库中的数据日益增长，人们希望能够提供更高层次的数据分析功能，自动和智能地将待处理的数据转化为有用的信息和知识。数据挖掘正好为我们提供了解决上述问题的有效方法，它通过对客户需求进行深入地分析，发现数据之间的潜在联系，为我们提供自动决策支持。本文将就数据挖掘技术之一的关联规则在旅行社客户关系管理中的应用作一简浅讨论。

2 關联规则

随着数据库技术的飞速发展及人们获取数据手段的多样化，收集和存储在数据库的数据规模越来越大，人们对从这些数据寻找有价值的信息越来越有兴趣。关联规则作为数据挖掘的重要的研究方法之一，就是用于发现隐藏在这些大型数据集中有价值的数据间的相互联系的规则。它最早是由Agrawal等人于1993年提出的，最初是用来发现人们的购物篮中不同商品之间的联系，以期分析顾客的购买习惯。例如，我们对一个便民食品店Pos机及其后台数据库的联网分析发现，很多顾客在购买酱油、醋的同时，还同时购买料酒。除购物篮数据外，关联规则已广泛应用于其它领域，如生物信息学、医疗诊断、网页挖掘和科学数据分析等领域中。

2.1 基本概念

2.2 解决方法

一般地，给定一个数据集D，关联规则挖掘的任务，就是要通过用户指定最小支持度和最小置信度来寻找强规则的过程。因此，该任务又可以划分为以下两个子任务。

（1）寻找所有频集

通过用户给定的最小支持度，寻找所有频集。事实上，这些频集可能具有包含关系，一般地，我们只关心那些不被其它频集所包含的所谓最大频集的集合。寻找所有频集是形成关联规则的基础。

（2）生成关联规则

通过用户指定的最小置信度，在每个最大频集中，寻找置信度不小于最小置信度的关联规则。

2.3 Apriori算法与寻找频集

Apriori算法是挖掘产生布尔关联规则所需频集的基本算法，也是一个很有影响力的关联规则算法。该算法是根据有关频集特性的先验知识（prior knowledge）而命名的，它利用了一个层次顺序搜索的循环方法来完成频集的挖掘工作，即利用k-项集来产生(k+1)-集。具体做法：首先找出频1-项集，记为F1；然后利用F1来挖掘F2，即频2-项集；不断如此循环下去直到无法发现更多的频k-项集为止。每挖掘一层就需要扫描整个数据集一遍。为提高按层次搜索并产生相应频集的处理效率，Apriori算法利用了一个重要性质，即上述定理1所述，该性质可有效缩小频集的搜索空间。下面给出Apriori算法描述：

3 旅行社CRM简介

由于目前我国绝大多数旅行社提供的产品是预售游客进行旅游活动所需的各项综合性的服务或服务组合，而且是以包价形式出现的组合性旅游产品，其存在和发展总是离不开对客源市场和其他相关旅游企业的支持，由此决定了旅行社经营活动的重点是要积极主动的和客源市场和相关企业建立长期可靠的相互协作和信任关系，从而客户资源成为了旅行社生存发展的重要因素。而CRM将游客视为一种宝贵的资源，并纳入到旅行社的经营发展中来，旅行社的工作人员就可以对游客的兴趣、爱好、购买习惯的进行追踪服务，重视与游客的及时双向的沟通，围绕游客开展旅游产品的开发、推广，通过为游客提供全程服务提高顾客满意度和忠诚度，从而实现对游客服务的时间和空间的拓展和服务的增值，为旅行社带来盈利。

旅行社CRM采用B/S结构，多层软件架构确保了系统的扩展性和适用性：客户关系管理系统支持Microsoft SQL Server、Oracle等多种后台数据库系统；客户关系管理系统支持多种类型的客户端，如Web Browser、Wap Browser等；客户关系管理系统独立的应用层使得企业业务逻辑的更新和扩展更为方便和容易。同时，基于这种多层结构，应用智能负载均衡与集群等技术实现系统服务能力的扩展。模块设计如图1。

图1

4 关联规则在旅行社CRM中的应用

4.1 规则挖掘在这里将对游客消费项目（即旅行产品）的特征进行分析，判断出游客的行为方式和消费习惯，进而将游客分类，分析不同类型的游客的价值，确定旅行社的目标市场，制定出详细的计划。在旅行产品的众特征中，依据旅行社的自身经营特色，这里只抽取其最常见/重要的五种来刻画，并标记每种为——I1：体验性；I2：休闲化；I3：生活化；I4：娱乐化；I5：生态化。

采取VC编写程序进行实现，其中所用的数据如游客是否为重要客户是已经采集/分析过的，在此不累述。原始数据见表1，共取9条记录，假设最小支持度為2，最小置信度为60%。

在获得的候选3-项集C3时，首先假设C3=F2?茌F2，即为{{I1，I2，I3}，{I1，I2，I5}，{I1，I3，I5}，{I2，I3，I4}， {I2，I3，I5}，{I2，I4，I5}}。根据<定理1>所述的Apriori算法的“一个频集的所有子集也是频集”性质，可以确定后四个项集不可能是频集，因此将它们从 中除去，从而也就节约了扫描数据库D以统计项集支持度的时间。

虽然C4=F3?茌F3为{{I1，I2，I3，I5}}，但由于其子集{I2，I3，I5} 是非频集，因此C4=?覫。Apriori算法因不能发现新的项集而结束。

此时我们再以频集{I1，I2，I5}为例，给出关联规则的生成过程。可知其非空子集为：{I1，I2}，{I1，I5}，{I2，I5}，{I1}，{I2}，{I5}，根据关联规则生成算法，有以下关联规则及其信任度：

因为最小置信度为60%，所以第（2）、（3）、（6）项将做为最后的规则被输出。

4.2 结果分析

从以上结果可以看出，该类型游客的消费项目的特征常是体验性、休闲化同时是生活化或者生态化的，在了解该类型游客的需求特点后，旅行社可对推出针对性强求的一对一的服务，为其设计相符的、个性化的旅游服务，才能让其深刻体会到旅行社让渡的顾客价值，最终实现旅行社的价值。

5 结论

关联规则中的Apriori算法能揭示大量数据间的关联关系，其在旅行社CRM中的应用的有效性和实用性就是一有力的证明。旅行社利用数据挖掘技术与CRM的有机结合，通过客户关系价值分类、有针对性的市场营销、高质量的游程管理和及时的游客跟踪服务，能够提供给游客更加个性化、人情化和标准化的旅游产品，从而提高游客对旅行社的满意度和忠诚度，相信未来旅行社的经营必将克服目前低赢利、低质量的问题，逐步进入低成本——高质量——高盈利的良性循环。

参考文献：

[1]R Agrawa,l T Imielinsk,i A Swam.i Mining association rules between sets of items in large database[M]. In: Proc 1993 ACM-SIGMOD IntConfManage-ment ofData (SIGMOD’93),Washington,DC, 1993

[2]Pan-Ning.Tan Michael Steinbach Vipin Kumar.Introduction to Data Mining[M].Posts & Telecom Press, 2006

[3]朱明.数据挖掘[M].安徽:中国科学技术大学出版社, 2002.

[4]毛国君 段立娟 王实 石云.数据挖掘原理与算法[M].北京:清华大学出版社,2005.

[5]杰姆G巴诺斯.客户关系管理成功奥秘[M]. 北京:机械工业出版社,2002.

[6]曹洪珍.旅行社如何在竞争中取胜[J].东北财经大学学报,2001,11.

[7]秦宇.对旅游产品优化问题的思考[J].旅游学刊,2003,5.

挖掘空间关联规则算法的应用研究 篇4

1 GIS数据库中SDMKD可以使用的方法

笔者认为，在现阶段，至少有以下方法适用于GIS数据库中的SDMKD。

1.1 归纳与演绎的方法

这是从数据库中获取知识的最基本的方法，即从多个已存在的事实中归纳出规则。在GIS中，无论是属性数据还是空间拓扑关系，若进行抽象和概括时，均可用到此方法。

1.2 空间分析的方法

空间分析是指分析对象的位置和对象的属性。空间分析的主要目的是从空间关系中开发数据，以得到空间的内部关系并加以理解。GIS数据库中的空间数据提供了空间分析所需要的位置，非空间数据提供了对象的属性数据，因此GIS数据库提供了空间分析所需要的各种数据，利用GIS数据库中的数据可以进行空间分析。

1.3 统计的方法

统计的方法一直是SDMKD中最主要的方法。如在遥感影像分析中，对影像进行监督分类和非监督分类，都是利用统计的方法得出影像模式后，再按此模式对影像分类。实际上，遥感影像的计算机自动分类也可算是较简单的数据挖掘过程，只是其数据为一些以栅格方式存储的影像数据，而不是像关系数据库中的数据那样以关系元组的方式存储。

1.4 Rough集方法

Rough集理论(Rough Sets Theory)是波兰华沙大学Z.Pawlak教授在1982年提出的一种智能数据决策分析工具，被广泛研究并应用于不精确、不确定、不完全的信息的分类分析和知识获取。Rough集理论可用于GIS数据库属性表的一致性分析、属性的重要性、属性依赖、属性表简化、最小决策和分类算法生成等。Rouxh集方法与其它知识发现方法相结合，可以在GIS数据库中数据不确定情况下获取多种知识。

2 基于空间关联规则挖掘算法的数据挖掘软件的体系结构

数据挖掘软件的体示结构如图1所示，各部件的功能如下:

(1)数据库管理模块：主要贮存、管理和提取GIS空间数据库中的数据;

(2)方法库管理模块：主要存放、管理和提取挖掘方法库中的各种算法构件;

(3)知识库管理模块：主要贮存、管理和提取基础知识库中的知识，如概念树;

(4)工作空间：为空间数据挖掘进程运行提供场所;

(5)衍生知识库;临时存放数据挖掘结果。

3 空间关联规则算法

空间关联规则是空间数据库中普遍存在的一种重要的知识类型，将事务数据库中常用的关联规则挖掘算法与空间数据访问方法以及表达背景知识的概念树相结合，可有效地挖掘高频发生和获得多数案例支持的多层强空间关联规则，其算法描述如下。

输入:空间数据库、挖掘查询和一组阀值。

(1)数据库由3部分组成： (1) 包含一组空间对象的空间数据库，SDB; (2) 一个描述空间对象的非空间属性的关系数据库，RDB; (3) 一组概念树集合。

(2)查询由以下几部分组成: (1) 被描述对象的参照集S; (2) 用于描述S中对象的与任务相关的空间对象C1，…，C2的集合; (3) 与任务相关的空间关系的集合。

(3)概念树的每一层描述中有两个阀值:最小支持度(minsup[L])和最小可信度(minconf[L])。

输出:与对象集和关系集相关的强多层空间关联规则。

方法:挖掘空间关联规则过程如下:

第一步通过执行空间查询，将所有与任务相关的对象收集到数据库Task_relevant_DB中;

第二步计算所有对象的最小边界矩形(MBR)的交，抽取MBRS间距离落在预设阀值之内的对象，并将描述对象间空间关系的渭词存贮在数据库Coarse_predicate_DB中;

第三步为Coarse_predicate_DB中的谓词计算支持度，并过滤掉支持度低于最小支持度阀值的对象，从而形成数据库Fre quent_coarse_DB;

第四步在Frequent_coarse_DB上执行精确空间计算形成数据库Fine_predicate_DB;

第五步采用常规关联规则挖掘算法在Fine_predicate_DB上抽取强空间关联规则。

上述算法的第二步到第五步的最坏时间复杂度为O (n*logn+m+Cf*m+Cnon-spatial)，其中n为数据库中的空间对象数目，m为参与精确空间计算的空间对象数目，Cf为每个空间对象执行精确空间计算的成本，Cnon-spatial是从Fine_predicate_DB中抽取的关联规则的成本。

4 应用

基于SDMKD的数据挖掘软件从湖北农产品市场信息系统中挖掘油菜籽价格与铁路、国道和河流位置之间的关联规则。湖北农产品与市场信息系统由交易(包括品种名、价格、地理位置等，共210条记录)、铁路(包括铁路名、地理位置等)、国道(包括国道名、地理位置等)和河流(包括河流名、地理位置等)等表格组成。

利用该软件的空间规则挖掘方法，并设定不同空间对象间符合接近关系的距离阀值为25公里，最小值支持度阀值为0.3，最小可信度阀值为0.85，则可在概念树顶层发现如下所示的关联规则。

is_a (X，交易市场)^high(价格)→g_close_to (X，铁路)^g_close (X，国道)(25.5%，100%)

此规则意味着：油菜籽价格高的交易市场100%接近铁路和国道，它覆盖数据库中的28.5%的纪录。

调整最小支持度阀值为0.15，在概念树第二层可发现如下的关联规则:

is_a (X，交易市场)^g_close_to (X，京广线)→high(价格) (18%, 100%)

此规则意味着：接近京广线的交易市场100%油菜籽价格高，它覆盖数据库中的18%的纪录。上述规则对预测和指导农产品交易具有重要的实用价值。

5 结束语

从GIS数据库中挖掘空间关联规则是数据挖掘也是空间数据挖掘研究的一个特例，存在于计算机世界到现实世界的反馈过程中，需要充分理解GIS的有关知识，并涉及到地理空间认知的相关理论和内容。研究空间数据的处理方法，特别是从数据库技术角度探讨空间数据挖掘对空间数据的处理方法具有非常重要的理论和现实意义。

参考文献

[1]李德仁, 王树良, 史文中.论空间数据挖掘和知识发现[J].武汉大学学报 (信息科学版) , 2001 (6) .

[2]马荣华, 黄杏元, 朱传耿.用ESDA技术从GIS数据库中发现知识[J].遥感学报, 2002 (3) .

[3]马荣华, 马晓冬, 蒲英霞.从GIS数据库中挖掘空间关联规则研究[J].遥感学报, 2005 (6) .

应用规则 篇5

引言

规则引擎原理

流程应用

基于saas的模式

意义

1、引言

目前，B2B电子商务平台发展了大量的中小企业用户，提供具有共性的信息管理服务，但是这些服务对于特定用户来说，无法根据该用户的业务流程来构造与其自身业务相匹配的管理过程；同时，平台亦无法应对会员企业将来发展带来的管理过程的不断变化。

在这种情况下，为中小企业用户提供个性化的服务，对企业的意义是非常重大的。尽管现在有些软件开发商为企业提供量身定制的功能需要，但这种方式开发成本很高，而且基本上是按照当时或者用户可以预见的方式进行开发，不可避免的出现一些弊端：

（1）需要安装专门的管理系统软件，维护困难；

（2）功能的灵活性较小，只能符合某些行业的特点，不符合B2B电子商务平台上广大行业的需求；

（3）功能的配置操作复杂，不利于中小企业用户的使用；（4）功能维护和修改的成本高。

为了解决上述弊端，基于SaaS的业务规则引擎的方法被提了出来，这种方法充分利用了SaaS（软件即服务）的特点，不需要在中小企业的计算机上安装任何软件，把系统的日常维护工作都交给软件服务运营商；而且使用成本低廉，符合中小企业的信息化成本要求。同时通过企业业务流程与规则引擎的结合应用，把商业规则与应用开发代码，让中小企业的工作人员能在运行时可以动态地管理和修改商业规则，保证了软件系统的柔性和自适应性，使电子商务平台为中小企业用户提供个性化的服务打下了良好的基础。

2、业务流程与规则引擎

2.1 业务流程与流程引擎

业务流程属于工作流的范畴。工作流指全部或者部分由计算机自动处理的业务过程。而工作流管理系统是这样的一个系统：详细定义、管理并执行“工作流”，系统通过运行一些软件来执行工作流，这些软件的执行顺序由工作流逻辑的计算机表示形式（流程定义）来驱动。

工作流系统与业务系统的关系如下图所示：

业务系统流程应用支撑层支撑审批流程支撑业务过程支撑业务整合工作流引擎

国际标准化组织WFMC（工作流管理联盟）发布了一个通用的工作流系统实现模型，这个模型可以适用于市场上的大多数产品，因此为开发协同工作的工作流系统奠定了基础。

把工作流系统中的主要功能组件，以及这些组件间的接口看成抽象的模型。考虑到会有许多其他的具体实现不同于这个抽象模型，因此，特定的接口在不同的平台中会采用不同的技术，有不同的实现方式。而且并不是所有的开发商都会暴漏功能组件间的每一个接口，具体的规范会定义接口之间的相互操作功能，不同的厂商必须支持这些开放接口才能实现不同工作流之间的协作。

通用的工作流系统实现参考模型如下所示：

不同的厂商必须支持5类开放接口才能实现不同工作流之间的协作。

a)过程定义工具（Process Definition Tool）

过程定义是用来创建一个计算机可以处理的形式的过程描述。可能要以形式过程定义语言、对象关系模型、简单的系统、脚本、或者在参与者间进行信息传递的路径集为基础。工作流定义工具，可能作为工作流产品的一部分、也可能作为业务过程分析产品的一部分来提供给用户，作为业务过程分析产品一部分，会有其他的组件来负责处理业务过程的分析或者模型，这时，必须要有兼容的转换格式，与运行时期的工作流软件进行过程定义的相互转换。

b)过程定义（Process Definition）

过程定义包含，工作流执行软件运行过程所需的过程所有详细信息。包括过程的开始和结束条件、组成活动、在活动间进行导航的规则、需执行的用户任务、可能会被调用的应用程序、所有工作流相关数据的定义等。

过程定义可能会涉及到一个组织/角色模型，模型包含组织结构和组织中的角色等信息。从而使过程定义在，与具体活动或信息对象相关的组织实体和角色功能方面，十分详细。工作流执行服务器负责把工作流运行环境中的参与者与相应的组织实体或角色联系起来。c)工作流执行服务器（Workflow Enactment Service）

工作流执行服务器软件负责：解释过程定义、控制过程实例、安排活动的执行顺序、向用户工作表中添加工作项目、调用应用工具。这需要一个或者多个协同工作的工作流机来完成这些职责，工作流机管理各种过程的一个单独实例。工作流执行服务器维护内部控制数据，这些数据或者集中于一个工作流机中，或者分布在一个工作机集合中；这些工作流控制数据包括与各种过程、或者正执行的活动实例相关的内部状态信息，也包括工作流机用来合作或者从失败中进行恢复的检查点、恢复/重新启动信息。

过程定义与（运行时期）工作流相关数据协作，一同用来控制过程中活动的导航、提供活动的进入与退出条件、不同活动的并行执行、顺序执行选项、用户任务、与每个活动相关的IT应用程序等。如果过程定义包括组织模型/角色实体类型，那么完成以上任务，需要访问组织/角色模型数据。

工作流机也包括调用一些形式的应用工具的能力，来激活必要的应用程序执行相关活动。这种调用机制间有很大的不同，在一些简单的系统中，也许只提供对单一的固定工具调用（例如，文本编辑器），然而在工作流系统中可能提供调用本地与远程的大范围内工具的方法。

d)工作流相关数据和应用数据（Workflow Relevant Data and Application Data）

过程导航判断或工作流机中的其他控制操作，都以工作流应用程序产生或者更新的数据为基础，这些数据可以被工作流机和条件工作流相关数据（也成为情况数据）所访问；这是工作流机唯一可访问的应用程序数据。尽管，工作流机负责在应用程序间传递工作流应用程序数据，但工作流应用程序数据直接由被调用过程操作。不同的应用程序由工作流过程内的不同活动调用。

e)任务表（Worklists）

过程执行中需要用户交互的地方，工作流机把任务添加到任务表中，以便任务表处理器对其处理，任务表处理器管理与工作流参与者的交互。这个过程对工作流参与者可能是不可见的，任务表在工作流软件中维护，把用户需要执行的下一个任务提供给他。在其他系统中，任务表可能对用户是可见，用户自己从任务表中选择执行任务，任务表也用来指示任务的完成。

f)任务表处理器用户接口（Worklist Handler & User Interface）

任务表处理器是一个软件组件，管理工作流参与者与工作流执行服务器间的交互。任务表处理器负责请求用户关心的进展中的任务，并负责通过任务表与工作流执行服务器进行交互。在一些系统中，只是使用一个桌面应用程序来提供一个简单的任务进入，等待用户注意。在其他一些系统中，任务表的处理可能更成熟，控制任务在一些用户间进行分配，并考虑到转载平衡、任务重分配等。另外的一些任务表处理功能，工作流机典型支持与客户端应用程序大范围的交互，包括工作流参与者的签到和退出、请求过程实例的开始、任务排队等候特殊的参与者等。在工作流参考模型中，更广泛的使用“客户端应用程序”这个词，而不是“任务表处理器”，从而反映其潜在的广大使用范围，其包含任务表处理功能的同时也包含过程控制功能。

在上图中，用户接口是一个单独的软件组件，负责提示和处理用户对话框，并控制本地用户的本地接口。在某些系统中，用户接口可能会与任务表处理器组合到一起，构成一个简单的功能实体。我们希望一些客户端应用程序能够和几个不同的工作流服务器进行交互，从而把服务器中的任务整理成统一的格式，通过公共用户接口提供给用户。

可能会调用本地应用程序，来支持用户完成特殊的任务，这由任务表处理器来负责，或者由用户负责，在用户接口使用简易通用工具来安装适当的支持程序。在任务表处理器/用户接口中调用应用程序与工作流执行软件直接调用应用程序，有明显的不同。

g)管理操作（Supervisory Operations）

工作流系统中有许多的管理功能；这些管理功能以工作站点或者用户的管理权限为基础。这些管理功能使得管理者可以修改任务分配规则、确定过程中组织角色的参与者、跟踪遗漏的最终期限报警或根据其他事件、跟踪某一过程实例的运行历史、查询任务吞吐量或其他统计信息等。使用分布式工作流机的地方，可能需要特殊的命令来在不同的工作流机间传递控制操作或者（局部）响应，从而提供一个单一的管理接口。

h)外部和内部接口（Exposed and Embeded Interfaces）

上述的体系结构适用于大多数工作流产品，但是并不是所有的产品在每个不同的系统功能组件间，都提供外部接口；一些产品把几个功能组件作为一个逻辑实体来实现了，并把接口包含在了软件组件的内部，导致无法被第三方产品使用。WFMC规范定义了每个接口在实现多工作流系统协同工作中的作用，因此，可以鉴别单独的产品是否符合协同工作标准。

2.2 规则引擎

规则引擎是一种根据规则中包含的指定过滤条件，判断其能否匹配运行时刻的实时条件来执行规则中所规定的动作的引擎。与规则引擎相关的有四个基本概念，为更好地理解规则引擎的工作原理，下面将对这些概念进行逐一介绍。

1)信息元（Information Unit）

信息元是规则引擎的基本建筑块，它是一个包含了特定事件的所有信息的对象。这些信息包括：消息、产生事件的应用程序标识、事件产生事件、信息元类型、相关规则集、通用方法、通用属性以及一些系统相关信息等等。

2)信息服务（Information Services）

信息服务产生信息元对象。每个信息服务产生它自己类型相对应的信息元对象。即特定信息服务根据信息元所产生每个信息元对象有相同的格式，但可以有不同的 属性和规则集。需要注意的是，在一台机器上可以运行许多不同的信息服务，还可以运行同一信息服务的不同实例。但无论如何，每个信息服务只产生它自己类型相 对应的信息元。

3)规则集（Rule Set）

顾名思义，规则集就是许多规则的集合。每条规则包含一个条件过滤 器和多个动作。一个条件过滤器可以包含多个过滤条件。条件过滤器是多个布尔表达式的组合，其组合结果仍然是一个布尔类型的。在程序运行时，动作将会在条件 过滤器值为真的情况下执行。除了一般的执行动作，还有三类比较特别的动作，它们分别是：放弃动作（Discard Action）、包含动作（Include Action）和使信息元对象内容持久化的动作。前两种动作类型的区别将在2.3规则引擎工作机制小节介绍。

4)队列管理器（Queue Manager）

队列管理器用来管理来自不同信息服务的信息元对象的队列。

下面将研究规则引擎的这些相关构件是如何协同工作的。

如图2所示，处理过程分为四个阶段进行：信息服务接受事件并将其转化为信息元，然后这些信息元被传给队列管理器，最后规则引擎接收这些信息元并应用它们自身携带的规则加以执行，直到队列管理器中不再有信息元。

图2 处理过程协作图

3、规则引擎的工作机制

下面专门研究规则引擎的内部处理过程。如图3所示，规则引擎从队列管理器中依次接收信息元，然后依规则的定 义顺序检查信息元所带规则集中的规则。如图所示，规则引擎检查第一个规则并对其条件过滤器求值，如果值为假，所有与此规则相关的动作皆被忽略并继续执行下 一条规则。如果第二条规则的过滤器值为真，所有与此规则相关的动作皆依定义顺序执行，执行完毕继续下一条规则。该信息元中的所有规则执行完毕后，信息元将 被销毁，然后从队列管理器接收下一个信息元。在这个过程中并未考虑两个特殊动作：放弃动作（Discard Action）和包含动作（Include Action）。放弃动作如果被执行，将会跳过其所在信息元中接下来的所有规则，并销毁所在信息元，规则引擎继续接收队列管理器中的下一个信息元。包含动 作其实就是动作中包含其它现存规则集的动作。包含动作如果被执行，规则引擎将暂停并进入被包含的规则集，执行完毕后，规则引擎还会返回原来暂停的地方继续 执行。这一过程将递归进行。

图3 规则引擎工作机制

Java规则引擎的工作机制与上述规则引擎机制十分类似，只不过对上述概念进行了重新包装组合。Java规则引擎对提交给引擎的Java数据对象进行检 索，根据这些对象的当前属性值和它们之间的关系，从加载到引擎的规则集中发现符合条件的规则，创建这些规则的执行实例。这些实例将在引擎接到执行指令时、依照某种优先序依次执行。一般来讲，Java规则引擎内部由下面几个部分构成：工作内存（Working Memory）即工作区，用于存放被引擎引用的数据对象集合；规则执行队列，用于存放被激活的规则执行实例;静态规则区，用于存放所有被加载的业务规则，这些规则将按照某种数据结构组织，当工作区中的数据发生改变后，引擎需要迅速根据工作区中的对象现状，调整规则执行队列中的规则执行实例。Java规则引 擎的结构示意图如图4所示。

图4 Java规则引擎工作机制

当引擎执行时，会根据规则执行队列中的优先顺序逐条执行规则执行实例，由于规则的执行部分可能会改变工作区的数据对象，从而会使队列中 的某些规则执行实例因为条件改变而失效，必须从队列中撤销，也可能会激活原来不满足条件的规则，生成新的规则执行实例进入队列。于是就产生了一种“动态” 的规则执行链，形成规则的推理机制。这种规则的“链式”反应完全是由工作区中的数据驱动的。

任何一个规则引擎都需要很好地解决规则 的推理机制和规则条件匹配的效率问题。规则条件匹配的效率决定了引擎的性能，引擎需要迅速测试工作区中的数据对象，从加载的规则集中发现符合条件的规则，生成规则执行实例。1982年美国卡耐基·梅隆大学的Charles L.Forgy发明了一种叫Rete算法，很好地解决了这方面的问题。目前世界顶尖的商用业务规则引擎产品基本上都使用Rete算法。

3、业务流程与规则引擎的融合

作为企业IT基础设施的关键部分，业务流程管理越来越重要了。在BPM产品套件平台上，可以建模、部署、执行和监视企业的业务流程，业务流程可以包含业务规则。例如，在银行的账户验证过程中，评估客户资格或确定价格的业务策略很复杂，而且在快速发展的市场中常常会变动。把这些策略硬编码在过程中是不合适的，因为很难在运行时管理和维护业务规则。通过把业务规则和业务流程分隔开，单独地执行和管理它们，可以提高整个业务流程的敏捷性和扩展性。ILOG的JRules在融入到IBM的WebSphere套件体系后，在架构层面和技术层面充分体现了这种业务流程与业务规则分离的思想，如下图所示：

ILOG JRules是先进的业务规则管理系统（Business Rule Management System，BRMS），提供编写、部署和管理业务规则等业务功能，支持高效地修改策略和快速部署策略。

ILOG JRules提供一种建模、实现和部署业务规则的系统化方法。它支持以有秩序的高效的方式进行协作。它包含的工具针对不同用户的技能和知识优化过，因此策略经理、业务分析师和开发人员都可以获得所需的支持，可以尽可能发挥BRMS的价值。

4、重要意义

企业管理者对企业级IT系统的开发有着如下的要求：

1.为提高效率，管理流程必须自动化，即使现代商业规则异常复杂；

2.市场要求业务规则经常变化，IT系统必须依据业务规则的变化快速、低成本的更新；

3.为了快速、低成本的更新，业务人员应能直接管理IT系统中的规则，不需要程序-而项目开发人员则碰到了以下问题： 4 5 程序=算法+数据结构，有些复杂的商业规则很难推导出算法和抽象出数据模型； 软件工程要求从需求->设计->编码，然而业务规则常常在需求阶段可能还没有明确，在设计和编码后还在变化，业务规则往往嵌在系统各处代码中； 6 对程序员来说，系统已经维护、更新困难，更不可能让业务人员来管理。

基于规则的专家系统的出现给开发人员以解决问题的契机。规则引擎由基于规则的专家系统中的推理引擎发展而来。

应用规则 篇6

关键词：HTML；CSS；样式；规则

中图分类号：G237 文献标识码：A 文章编号：1671-864X（2016）03-0274-01

CSS名为层叠样式表，在页面设计中广泛运用，目前最新的版本已经到了CSS3，它的主要作用是用来修饰和美化HTML网页标签；它也是Web前端工程师必备的一项基本技能。页面设计时，一般是通过HTML中各种标签进行页面基本的布局构建，通过CSS样式对页面布局的内容进行静态的美化。CSS不同于计算机程序设计语言，它几乎不存在逻辑的编码规范，只需要记住各种样式属性名称及其作用，通过利用HTML标签支持的这些属性的设置实现页面的美化与布局效果。

一、CSS样式在页面中的编写方式

1.以HTML标签的ID属性值作为样式名。

以HTML标签的ID属性值作为样式名称，这种样式只能修饰HTML标签的ID属性值与样式名称一致的标签。在样式名称命名时，除了要与指定的HTML标签的ID属性值相同之外，还必须在样式名称前加上符号“#”。例如：

#myDiv{

color：red；background-color：white；

}

样式myDiv只能修饰指定页面中的HTML标签的ID属性值为myDiv的标签，将其前景色设置为红色，背景颜色设置为白色。通常由于HTML的ID属性值是唯一的，所以一般应用于单个标签。

2.以HTML中class 属性值作为样式名。

在HTML标签中，一般都含有属性class，该属性是用来引用样式进行标签的修饰。在style节点中，定义的样式名称前含有“.”圆点的样式都可以在标签class属性值进行设置。例如：

.myDiv{

color：red；background-color：white；

}

在HTML标签中，凡是其class属性值设置为myDiv的，其前景色都设置为红色，背景颜色设置为白色；这里所影响的标签可能就会涉及多个，与ID名称作为样式名作用范围就不一样。

3.以HTML标签名称作为样式名称。

在样式编写中，还可以用标签本身的标签名称作为样式名称，例如：a，div，p等标签用作样式名称，这样编写的样式会自动应用在对应的标签a，div，p上面。如：

a，div，p{

color：red；background-color：white；

}

在上面的案例中，页面中所有的a，div，p标签都会将前景色设置为红色，背景颜色设置为白色。

4.在HTML的标签style属性值直接编写样式。

HTML标签中，一般都含有属性style，该属性是用来专门美化装饰当前标签，不会对其他标签的修饰起作用。在style中按照样式编写规范编写样式即可。如：

案例

案例中，style属性值内容是将当前a标签的文字颜色设置为蓝色，字体大小设置为14像素，只对当前a标签起作用。

样式可以独立成样式文件进行统一管理，在需要的页面进行样式文件引入；样式也可以独立写在需要页面的head标签中的style节点中，当然还可以直接写在HTML标签属性style中。

二、CSS样式在页面中的应用规则

样式按照不同的规范进行编写后，有的样式会自动应用在当前页面中，如以HTML标签名称为样式名称的和以“#”加ID属性值作为样式名称的；而有的样式则需要开发人员进行调用设置，如：以“.”加样式名称的，必须要在需要使用标签的class属性中进行设置，属性值必须是样式名称。

样式在编写有以id属性、标签名、class属性值作为样式名称的，也有直接写在标签style属性中的属性值的，如果当以上四种样式同时修饰一个标签时，样式的运用规则是采用就近原则，style中的样式先使用，如果取消style的样式，这是id属性值作为样式名称的样式使用，如果id属性取消，则应用class样式，最后起作用的是HTML标签作为样式名称，例如：

在上面的HTML编码中，body标签中的div背景颜色是蓝色；如果删除该标签的style属性，则标签div的背景颜色使用“.myDiv”样式，此时背景颜色为黄色；如果div的class属性删除，此时标签则使用样式名称与标签名一致的div样式，背景色为绿色。

样式已经成为页面不可分割的组成部分，如何使样式为我们服务，这里不仅要懂得样式的编写方式及应用规则，还需要有很好地审美标准及设计理念。

参考文献：

百度百科CSS样式[OL].http：//baike.baidu.com

作者简介：

稀疏矩阵规则网格方法的一类应用 篇7

随着现代化通讯技术的发展,对复杂目标的电磁散射和辐射特性研究变得越来越重要、迫切。特别是对于大尺寸目标,为了保证计算结果的精确性,人们不得不采用更精细的网格来剖分。稀疏矩阵/规则网格方法[1]将阻抗矩阵分解为强相互作用矩阵和弱相互作用矩阵,并将弱相互作用矩阵元素通过格林函数在正交网格点泰勒级数展开实现,最终得到弱相互作用阻抗矩阵为Toeplitz矩阵,进而可引入快速傅利叶变换加速计算弱相互作用阻抗矩阵与电流向量的乘积。不仅能够模拟复杂边界结构,而且可以利用快速傅利叶变换加速迭代求解,因而很适合分析微波集成电路、粗糙面散射以及随机分布的多目标散射问题。此方法的应用可以极大地提高计算效率,所需的内存也大为减少。当将广义积型双共轭梯度方法应用于三维稀疏矩阵/规则网格方法分析随机分布的介质球的散射问题,数值结果表明广义积型双共轭梯度方法可以提高收敛速度,取得较好的改善效果。

1 稀疏矩阵规则网格方法的基本原理

1.1 体积分方程的建立及离散

当平面波射到介电常数为ε(r),电导率为σ(r)的散射体上时,散射体上的感应电流激发射场,为了计算散射场,这里引入了等效电流密度:

(2.1)

2.1式中,第一项表示传导电流,第二项表示极化电流。ε0为自由空间中的介电常数,为介质体内的总场强。

介质体中任意点的散射场ES可以用等效电流密度Jea(r)和自由空间的并矢格林函数表示为:

式中,μ0为自由空间中的磁导率,PV表示主值积分。

介质体内的总场为入射及散射场之和E(r)=Ei(r)+Es(2.5),将式2.1代入2.5式中,可得介质目标的体积分方程:

因为为自由空间的并矢格林函数,则可以把表示为2.7式,令x1=x,x2=y,x3=z则有2.8:

式2.7中的矩阵是对称的。式2.6中每个标题元素可以表示为:

其中p=1,2,3。运用矩量法将2.6转化为矩阵方程。将介质体分成n个体积单元,假定每个单元内的E(r)和t(r)都是常量。这里将m个体积单元用Vm表示,用rm表示Vm内选取的代表的点。在每个rm点,必须满足2.9式,代入后可得:

(2.10)。定义为式2.10可改写成:

,而p=1,2,3(2.11)。令[Gxpxq]为N×N阶的矩阵,其中的元素定义为。[Exp]和为N维向量,定义为:

。因此式2.6可以转化为:

简化可得[G][E]=-[Ei](2.15)。[G]是3N×3N阶的矩阵,[E]和[Ei]为3N维向量。由式2.15可以决定在N个选定的点的电场。

1.2稀疏矩阵规则网格方法

在稀疏矩阵规则网格方法中,根据介质单元间相互作用的强弱,将式2.14中阻抗矩阵分解为强相互作用矩阵[GS]和相互作用的矩阵[GW]之和,即[G]=[GS]+[GW](2.16)。其中[GS]是稀疏矩阵,[GW]是稠密矩阵。弱相互作用矩阵的计算占用了大部分的CPU时间和内存。我们对弱相互作用矩阵的计算使用快速算法。为此,将格林函数在规则网格点上进行泰勒级数展开,则弱相互作用矩阵[GW]可以进一步写成。式中K为泰勒级数的展开项数[2]。则式2.15相应的零阶和高阶解的迭代公式,。

假定介质单元rm=(xm,ym,zm)与rn=(xn,yn,zn)为弱作用的两个单元,其阻抗元素G(rm,rn)的计算路径可以是从rm点到点rn的直接路径,也可首先从点rm到其对应规则网格点rm0=(xm0,ym0,zm0),再从点rm0到与点rn对应规则网格点rn0=(xn0,yn0,zn0),最后从rn0到rn,如图1是二维情况,三维类似。间接计算可以通过格林函数关于规则网格点的泰勒级数展开实现。

式中xdm=(xm-xm0),xdn=(xn0-xn),xmn=(xm0-xn0),对应的ydm、ydk、ymn、zdm、zdn、zmn有类似的表示。弱作用矩阵与待求向量的乘积可以写成。式中[Tsi]相当于将基元素中心点移到与其最近的规则网格点上,可看成是式2.20中的;[Gi]为Toeplitz矩阵,该矩阵元素反映了规则网格点间的相互作用;矩阵[Tii]相当于将规则网格点移回互检测中心点,可看作式2.20中的。Toeplitz矩阵的行之间满足循环平移关系,所以进行矩阵矢量乘时可通过快速傅立叶变换实现,因此稀疏矩阵规则网格算法能够将内存需求从O(N2)降至O(N),计算复杂度从O(N2)降至O(NlogN)。

综上所述,稀疏矩阵规则网格算法的具体实现步骤可以表述如下:

第一步:对目标结构进行离散,将各个离散单元映射到规则网格上,对二维问题,规则网格为矩形网格,三维问题则为长方形网格,同时通过式2.20得到表示映射关系转移矩阵[Tsi]。

第二步:定义用来区别近场作用和远场作用的距离rmax。当r

第三步:当r>rmax,对弱相互作用矩阵元素[GW]利用式2.20计算得到。由于矩阵[GW]是一个稀疏矩阵,它可以采用稀疏矩阵存储格式存储在一个向量中,并求出它们的傅立叶变换。

第四步:矩阵向量各可以写为形式[G][E]=[GS][E]+[GW][E](2.22)。利用格林函数的Toeplitz特性,使用快速傅立叶变换(FFT)进行矩阵向量积的计算[3]。(2.23)

2广义积型双共轭梯度方法

考虑求解矩阵方程式2.15,将其改写成如下等价的线性系统Ax=b (3.1)其中A∈Rn×n,x,b∈Rn。

通常采用Krylov子空间迭代解法求解此系统,例如共轭梯度方法(CG)、广义最小余量法(GMRES)等等都属于Krylov子空间迭代解法[4]。Krylov子空间迭代方法是一种近似解法,最终得到线性系统的近似解xi∈x0+Ki(A,r0)(3.2)式中Ki(A,r0)≡span (r0,A r0,…At-1r0}表示i维Krylov子空间,x0是初始值,r0是初始值(r0≡b-Zx0)。

当A是对称线性系统时,共轭梯度方法是最常用而且有效的Krylov子空间迭代解法。但是,对非对称线性系统,选择何种迭代解法有效却没有定论。虽然,重启的GMRES (m)方法是最常用的求解非对称线性系统的迭代解法,但是重启参数m的选取对收敛性影响很大,而且该方法需要额外的内存空间保存前面迭代的Krylov子空间的信息。为了克服重启的GMRES方法这些缺点,广义积型双共轭梯度方法就体现了充分的优势。其算法描述如下:

1.选取Krylov子空间的初始值x0,初始余量r0=b-Ax0,是任意矢量,()≠0;

2.设置,初始变量t-1=w-1=0,β-1=0;

可以看出GPBi-CG算法每迭代一步需要做两次矩阵矢量乘,所以GPBi-CG算法每迭代一步的运算量要比GMRES算法大。但是相比于GMRES算法,GPBi-CG算法不需要保存前面迭代的Krylov子空间的信息,所以内存消耗少。下面将GPBi-CG算法和GMRES方法结合以验证GPBi-CG算法的收敛效果。

3 数值结果及讨论

从前面的理论分析可以知道影响稀疏矩阵规则网格算法精度和效率的因素主要有,格林函数泰勒展开阶数γ,规则网格数Ng以及强弱相互作用的临界距离γ,因此下面将详细分析这些因素对稀疏矩阵规则网格方法性能的影响。

首先分析格林函数泰勒展开阶数γ对稀疏矩阵规则网格方法性能的影响。以随机分布的介质球为例,并分别取γ为0阶、1阶和2阶时的稀疏矩阵规则网格方法的散射场结果,此时,Ng=8,γ=1.4d。可以得到,随着γ的增大,稀疏矩阵规则网格方法精度越高,每步迭代的计算时间也在增加。

为了进一步提高收敛效率,GPBi-CG算法被用于稀疏矩阵规则网格方法中,为了验证该方法的有效性,下面分别比较了GMRES (m)、Bi-CG和CG等迭代方法的收敛性。以随机分布的介质球为例,γ=2,Ng=8,γ=1.4d。计算时间分别为GPBi-CG为53.8s,GMRES (20)为54.5s,Bi-CG为117s,CG为165.1s。下表列出了不同的迭代算法算法运用于稀疏矩阵规则网格方法中分析不同数目介质球的散射时的计算时间和迭代步数。所有介质球的体积占立方体空间的比例为10%～40%。从表中可知道,虽然GPBi-CG方法和GMRES (20)方法计算时间差不多,但是GPBi-CG方法需要更少的迭代步数就可以收敛。

其次将分析规则网格数Ng对稀疏矩阵规则网格方法性能的影响。同样以随机分布的介质球为例,Ng分别取4、8和16的稀疏矩阵规则网格方法的散射远场结果。此时,γ=2,γ=1.4d。随着Ng的增大,通过稀疏矩阵规则网格方法得到的远场值越精确、每步迭代的计算时间也在不断增加。同时可知,随着介质数目Ncubc的增加,稀疏矩阵规则网格方法每步迭代的计算时间趋于稳定值。

当γ=2,γ=1.4d,Ng=16时,计算时间和迭代步数分别为GPBi-CG为364,4s18步,GMRES (20)为329.2s30步,Bi-CG为724.8s37步,CG为1128.2s58步。下表中列出了Ng=16时各种迭代算法运用于稀疏矩阵规则网格方法中分析不同数目介质球的散射时的计算时间和迭代步数。从表中可以看出,相比于其它方法,GPBi-CG算法所需的迭代步数最少,计算时间大大节省。

最后分析强弱相互作用临界距离对稀疏矩阵规则网格方法性能的影响。同样以随机分布的介质球为例,γ分别取为0.8d、1.4d、1.8d和2.1d时的稀疏矩阵规则网格方法的散射远场结果。此时,γ=2,Ng=8。可以得到,随着γ的增大,由于更多的矩阵元素被当作强作用元素而被精确计算,所以通过稀疏矩阵规则网格方法得到的远场值越精确,每步迭代的计算时间也在不断增加。

当γ=2,γ=1.8d,Ng=8时,计算时间和迭代步数为GPBi-CG为65.0s15步,GMRES (20)为70.1s25步,Bi-CG为128.0s28步,CG为185.3s40步。下表中列出了γ=1.8d时各种迭代算法运用于稀疏矩阵规则网格方法中分析不同数目介质球的散射时的计算时间和迭代步数。从表中可以看出,相比于其它方法,GPBi-CG算法无论在计算时间还是迭代步数上都具有一定的优势。

数值表明,选取不同的强弱相互作用的临界距离、正交网格数以及格林函数泰勒展开阶数,GPBiCG方法都可以极大地提高收敛速度,取得很好的改善效果。

4 结论

文中通过对稀疏矩阵规则网格方法的原理分析,并将该方法用于分析三维随机分布的介质球的电磁散射特性。从对远区散射场的分析来看,稀疏矩阵规则网格方法的计算结果与满阵矩量法的计算结果非常一致,由此说明稀疏矩阵规则网格方法是分析随机分布多目标电磁散射问题的一种非常有效的数值方法。并将广义积型双共轭梯度方法(GPBiCG)应用于三维稀疏矩阵规则网格方法分析随机分布的介质球的散射问题,数值表明取得了很好的改善效果。

摘要：文章对稀疏矩阵规则网格方法的原理进行了分析，并将该方法应用于三维随机分布的介质球的电磁散射特性。在远区散射场中，稀疏矩阵规则网格方法的计算结果与满阵矩量法的计算结果非常一致，表明稀疏矩阵规则网格方法是分析随机分布多目标电磁散射问题的一种非常有效的数值方法。还将广义积型双共轭梯度方法(GPBi-CG)应用于三维稀疏矩阵规则网格方法分析随机分布的介质球的散射问题，数值表明取得了很好的改善效果。

关键词：稀疏矩阵,电磁散射,数值分析

参考文献

[1]C.H.Chan,L.Tsang.A sparse-matrix/canonial grid method for seattering by many seatterers[J].Microwave Opt.Technol. 1995,8(2):114-118.

[2]弓晓东．复杂目标电磁散射精确建模的高阶快速多极子方法[D]．成都：电子科技大学．2003．

[3]王朝甫．电磁问题中的多重网格方法[D]．南京：南京理工大学．1995．

关联规则在图书管理中的应用 篇8

一、关联规则数据挖掘模式

全面到来的信息时代促使着社会的发展日益提速, 各个学科之间的关联也日益紧密, 快速的知识更新促使越来越多的人走进图书馆汲取更全面、更专业的知识。医院图书馆是医生与患者联系生命科学世界的桥梁, 因此, 服务的质量十分重要。它不仅要保障人们借阅与查询文献的基本权利, 更要为大家提供一个方便、快捷的学习场所。从当前情况来看, 越来越多的医院图书馆纷纷采用了数据库技术进行图书馆的管理。其研究和发展的目标是为了方便图书馆对图书的编目、采购和流通加以高效快速的管理。在图书的频繁流通中, 会产生大量的数据信息, 而读者的借阅信息是最为重要的数据之一。因此, 图书馆数据库的关联规则数据挖掘的目标就是要从大量的借阅信息中, 挖掘出学科之间、读者与书籍之间的关联程度与联系, 从而促进图书馆服务水平的提高。

1. 分类模式。

在数据挖掘中, 通过对已知类别的个体进行归纳, 找出各类的特征属性, 即分类模式。在有些情况下, 先由领域专家对个体进行分类, 再通过分类模型提取分类模式。读者分类研究包括读者的分类、读者的属性和特征分析、读者满意度分析、学科交叉分析及学科发展方向预测等内容。高校图书馆可以对读者群体按照年龄、学历、职业、地域等因素进行分类, 把读者进行群体细分。通过这种手段, 可以更清楚地了解用户, 了解他们的特点, 分析不同群体的借阅量, 从而有针对性地提供不同的服务, 以提高图书馆的服务质量。

2. 聚类模式。

聚类模式是把数据划分到不同的组中, 使得组之间的差别尽可能大, 组内的差别尽可能小。与分类模型不同的是, 聚类模型从未知开始, 既不知道具体的分类标准, 又不知道会有些什么类, 只是按照给定的聚类参数 (如距离等) 进行分解、合并。得到的结果由领域专家进行甄别, 如果不满足目标, 需要改动聚类参数, 重新聚类;一旦达到目标, 分类规则也就通过聚类参数得到。

3. 时间序列模式。

时间序列模式是根据数据随时间变化的趋势预测将来的值, 所采用的方法一般是在连续的时间流中截取一个时间窗口, 把窗口内的数据作为一个数据单元, 然后让这个时间窗口在时间流上滑动, 以获得建立模型所需要的集合。时间序列的数据库内某个字段的值是时变的, 例如股票价格每天的涨跌、浏览网页的次序等。运用时间序列挖掘方法, 可以从流通数据库中挖掘出流通量的周期性规律, 分析读者借出图书流通的高峰期和低谷期, 借此可以科学安排流通部门的全年和每天的工作, 在人力资源、图书资源有限的情况下, 为读者提供更多更优质的服务, 为流通部门日常工作的安排提供科学的参考数据。

二、关联规则在图书管理中的应用

1. 图书借阅数据库中的关联规则。

在书籍借阅数据库中, 书籍之间也存在着某种关联, 举例来说, A读者在借《中药学》的同时又会再借《针灸学》一书, 这表明A读者对这这两类书籍都有兴趣, 通过这一例子, 可以判定这两种不同类别的书籍之间存在一定的关联关系, 而笔者在使用类同的方法去挖掘不同类别图书资料之间的关联规则时, 必须要有一定程度的支持度, 然而在图书借阅记录数据库中却并不需要, 这是因为图书馆中和每一类书只有少量的数十本, 并且借阅时间也较长, 那么就自然不可能有很高的支持度。

2. 关联规则在图书管理服务中的应用。

尝试发现和摸清读者借阅图书的潜在的规律是关联性挖掘的最终目的, 举例来说, 读者借阅《肠道病毒71型手足口病》一书时, 通常都会同时再借阅《手足口病防治手册》等书籍, 这是普通人很容易联想到的必然联系, 但是在实际的图书馆借阅过程中, 仍然有图书管理人员所尚未了解的规律, 而运用关联规则就能更好地发现某些不容易发现或者被大家忽略的潜在规律。书籍间的关联性可以协助管理人员更真实地了解读者的兴趣方向, 与此同时还可以在个性化服务上现实地应用。书籍间具有一定程度的关联性, 不单单要探索借阅频率高图书间的关联性, 也务必要对书籍进行分类的关联规则挖掘, 寻找同类书籍之间的关联性。从医院的医生角度来说, 医生的借阅方向通常都与其专业内容相关, 所以说, 探索和发现图书间的类型关联关系, 极有可能比不进行分类的关联性更为有意义, 并且更具价值。因此, 笔者认为, 在应用和研究的过程中, 图书的关联性挖掘要从两方面入手, 首先是不进行分类的挖掘, 其次是要根据中国图书分类法, 对书籍进行分门别类的挖掘。

三、结论

应用规则 篇9

1 资料与方法

1.1 一般资料

1.2.1 收集材料

收集来该院就诊尿液标本1 037份。尿液留取标准依据《临床检验操作规程》第3版[3]，所采集标本均在2h内完成全部检测。选择2012年7月份门诊和住院尿液常规标本205份，以验证所建立复检规则的临床有效性。

1.2.2 仪器与试剂

日本Sysmex公司UF-50尿有形成分分析仪及其配套试剂，校准物和质控物，广州高尔宝公司GBT-500型尿液干化学分析仪及其配套试剂，校准物和质控物，显微镜检测采用olympus光学显微镜。

2 方法

2.1 自动化尿液常规分析

每日随机抽取5～10份新鲜中段尿液标本，每份标本于留取2 h内分别用干化学分析仪GBT-500型(简称干化学)及尿有形成分分析仪UF-50(简称尿流式)进行检测，UF-50分析指标包括RBC、WBC、CAST，尿干化学指标包括RBC、WBC、PRO。

2.2 尿沉渣显微镜检查

镜检结果以《临床检验操作规程》中制定的RBC>3个/HP, WBC>5个/HP, CAST>1个/LP作为阳性判断标准，全部标本的显微镜检查均由2名主管检师完成，每份标本按照统一镜检内容的要求进行双盲检测。

2.3 不同检测方法复检方案的建立

(1) 方案1：单纯采用干化学方法进行检测，RBC、WBC和PRO任何一项参数出现阳性者就需要进行复检的方案; (2) 方案2：单纯采用尿有形成分分析仪进行检测，RBC、WBC和CAST任何一项参数出现阳性者就需要进行复检方案; (3) 方案3：联合使用干化学和尿流式两个检测系统时，WBC结果不相符合，而RBC、PRO中任何一项参数在任何一台仪器上出现阳性者需要进行复检的方案; (4) 方案4：联合使用干化学和尿流式两个检测系统时，检出RBC、WBC、PRO (对应尿流式的CAST) 结果不相符合时需要进行复检的方案。

2.4 不同复检方案的评估

以尿沉渣显微镜检查中RBC、WBC和CAST的结果作为参考标准，对检测数据进行分析，针对不同的复检方案，根据国内外通用的复检规则评估指标，评估复检规则筛选的真阳性率、假阳性率、真阴性率、假阴性率 (即漏检率) 和复检率，进面选择最优化的复检方案。

3 结果

3.1 尿沉渣显微镜镜检结果

将尿沉渣出现RBC、WBC、CAST的数量和 (或) 形态异常的标本为阳性标本，而镜检未见异常都称为阴性标本，用于建立复检规则1037份标本中，阳性标本占28.83% (299/1037) ，阴性标本占71.17% (738/1037) 。

3.2 不同复检方案的评估结果

4个方案的复检分析结果见表1。综合考虑漏诊率和复检率，首选方案4，并进一步分析假阴性病例。

3.3 方案4假阴性病例的分析

方案4共有2例漏诊病例，2例都是膀胱结石患者单独RBC假阴性病例。镜检RBC 3～5个/HP，没有肾功能受到严重损伤或处于疾病活动期的病例。

3.4 自动化尿常规分析复检规则的建立

以上结果提示，方案4是理想的复检方案，暂定为自动化尿常规分析的复检规则。

3.5 复检规则的临床验证结果

为验证所建立的自动化尿常规分析复检规则的临床有效性，选取205份尿液标本进行复检规则的验证，结果显示假阴性率 (漏诊率) 为0，复检率为33.17% (68/205) 、假阳性率为7.32% (15205) 、真阳性率为32.68% (67/205) 、真阴性率为60.00% (123/205) 。

4 讨论

该研究显示，与单一使用干化学 (方案1) 或尿流式 (方案2) 相比，联合使用干化学和尿流式 (方案3和方案4) 进行尿常规分析可以显著降低漏诊率，当联合检测的RBC、WBC或PRO (对应尿流式的CAST) 结果不相符合时 (方案4) 进行尿沉渣显微镜复检，更具有复检工作的可操作性，其复检率 (36.45%) 低于方案3 (37.32) 。经临床进一步验证，该方案具有临床有效性，漏诊率为0，复检率为33.17%。

由于该院是妇幼保健机构，异常的标本不多，复检率为36.45%。意味着每天大约有40份的尿常规标本需要人工显微镜复检，1名形态学镜检人员可以完成这样的工作量，提示该复检规则是有临床可操作性。

由于不同医院的标本来源和分布是不同的，所采用的自动化尿常规分析的方法和仪器也不尽相同，所以每个实验室有必要建立和使用个性化的尿常规复检规则，并不断地进行临床验证和调整，将尿沉渣镜检和自动化分析仪有机结合起来，才能提高尿常规检测结果的准确性和工作效率。

摘要：目的 探讨结合尿液干化学分析 (简称干化学) 和有形成分分析 (简称尿流式) , 制定自动化尿常规分析的复检规则。方法 所有标本通过GBT-500型干化学分析仪, SysmexUF-50尿流式分析仪检测后由选定的2名主管检验师采用双盲法做显微镜镜检计数。分别计算复检规则的真阳性率、假阳性率、真阴性率、假阴性率 (漏检率) 及复检率。结果 4种方案的假阴性率 (漏诊率) 分别为6.46% (67/1037) 、3.66% (38/1037) 、0.48% (5/1037) 、0.19% (2/1037) , 复检率分别为28.18% (292/1037) 、33.56% (348/1037) 、37.32% (387/1037) 、36.45% (378/1037) 。采用205份临床标本对所建立的复检规则 (方案4) 进行验证, 其漏诊率为0, 复检率为33.17% (68/205) 。结论 方案4的漏诊率最低, 复检率也较低, 且无严重肾功能等异常者漏诊, 是理想的复检方案。

关键词：尿分析,化学, 分析,显微镜检查,自动分析

参考文献

[1]丛玉隆, 马骏龙.几种检测尿细胞方法的价值与互补关系[J].中华检验医学杂志, 2003 (25) :263-264.

[2]李艳丽.UF-1000i尿沉渣分析仪与显微镜联合检测尿液有形成分结果比较[J].检验医学与临床, 2010 (7) :750.

[3]叶应, 王毓三, 申子瑜.全国临床检验操作规程[J].3版.南京:东南大学出版社, 2006:274-276.

安全港规则应用的国际经验与借鉴 篇10

安全港规则也称为固定比率法, 即在税收上对债权性融资额和权益性融资额的比例进行限制, 如果公司债权性融资额对权益性融资额的比率在税法规定的固定比率之内, 则债务的利息支出允许在税前扣除;如果公司债权性融资额对权益性融资额的比率超过税法规定的固定比率, 则超过固定比率部分的债务利息支出不允许在税前扣除, 并将超过固定比率部分的债务利息视同股息征收所得税。

一、安全港规则应用的国际经验

1. 以固定比率作为判断是否存在资本弱化现象的标准。

实行安全港规则的国家基本上采用债务对股本的固定比率作为判断是否存在资本弱化的标准, 但由于各国立法背景的不同, 所规定的固定比率有高有低。美国、法国、德国规定的比率为1.5∶1。美国同时还采用收入剥离法限制利息扣除, 当公司的净利息费用超过了当年的利息扣除限额 (扣除限额=公司当年调整后应税所得的50%+上一年结转后的余额) , 或公司在纳税年末的债务/股权比率超过了1.5∶1, 则利息支出不予税前扣除。澳大利亚对金融机构以外的外方控制居民公司适用比率为2∶1, 对金融机构适用比率为6∶1。比利时规定, 独立董事、股东和非居民公司董事提供的贷款适用债务/股权比率为1∶1;适用低利息税率的债权人的比率为7∶1。土耳其虽然在税法上没有关于债务/股权比率的具体规定, 但规定债务/股权比率“不得过度超过市场情况下类似债务人的此项比率”, 在实际操作中税务机关倾向采用的比率为1.1∶1, 法院通常默许的比率为1∶1。葡萄牙规定的比率为2∶1。日本、加拿大规定的比率为3∶1。意大利、丹麦规定的比率为4∶1。

上述大多数国家都规定将不能税前扣除的利息视同股息分配并征收25%的预提所得税。

2. 约束对象为关联公司。

只有在关联公司之间进行资本弱化的安排, 才能够实现其公司集团整体利益最大化的目标。大部分国家规定了直接或间接控制的最低水平来界定借贷款公司是否存在关联关系, 如美国、法国、韩国、新西兰规定为50%, 西班牙为25%, 南非为20%, 智利规定直接或间接持有借款公司股本或利润10%或以上的贷款公司为关联公司, 澳大利亚则规定拥有居民公司15%以上股权或有权直接或间接地获得15%以上股息或资本分配的非居民公司属于外国关联控制方。

此外, 许多国家对关联控制方的身份也做了明确规定。如澳大利亚等大多数国家税法规定关联控制方仅指外方的非居民公司, 居民公司从关联居民处借款不受防止资本弱化税制的约束, 而美国、英国、德国等税法规定无论是居民还是非居民关联方, 都必须受资本弱化税制的约束。

3. 谨慎界定债务范围。

各国对债务范围的划分较为谨慎, 依据贷款类型和时间而有所不同。澳大利亚规定, 外国债务不仅是指公司所欠的、需向或可能向外国控制方或该公司外国控制方的非居民关联方支付利息的债务, 而且还包括由外国控制方担保而向外国第三者的贷款。美国税务当局依据融资发行的所有材料审查, 将关联公司或非居民股东以贷款名义提供的长期投资、对无关联第三方提供的有追索权的贷款、混合融资工具等均认定为借贷资本计入债务范围。墨西哥规定, 债务包括墨西哥境内外关联方的债务和由该关联方担保的贷款, 以及所有独立方的债务, 但以下几种情况不受防范资本弱化规定的限制:购买不动产的抵押贷款 (不包括关联方的抵押融资) ;金融部门按照法律规定交易发生的债务;与税务机关签订预约定价协议 (APA) 的纳税人, 其关联方贷款利息证实相当于独立方利息的。

4. 规定超过比率债务利息的处理方式。

实行安全港规则的国家, 对待超过法定安全港固定比率债务支付的利息有以下两种处理方法:一种是将超过固定比率债务所支付的利息不作为费用扣除。采用这一方法的国家有加拿大、澳大利亚、日本和美国, 法国采用类似方法。这种方法具有一定的局限性:一是可能导致国际双重征税, 因为贷款利息在收入来源国被征税, 而在利息获得者的居住国还要被征税, 利息获得者在居住国纳税时, 其在收入来源国负担的利息所得税得不到抵免。二是超额利息不被扣除, 会减少公司利润, 从而导致对股东分配的减少, 而提供贷款资本金的股东只是一部分, 由部分股东造成的结果却由全体股东承担, 有失公平。另一种是将超额利息视为利润分配或股息。对超过固定比率的利息, 不仅不能将其作为费用扣除, 而且明确将其重新归类为公司分配利润或股息, 按股息的税率征收公司所得税和预提税。采用这一方法, 贷款提供者获得的这部分“股息”在收入来源国承担的所得税和较低的预提税 (如果有双边税收协定) , 可在其向居住国纳税时获得抵免。这一方法被德国、韩国和西班牙等国所采用。

5. 就特定行业或经营领域制定了特别的规则。

实践中, 许多国家还就特定行业或经营领域制定了特别的规则。一种是规定某些行业免于适用资本弱化税制, 如德国规定银行只要对其非居民股东提供的贷款资本金按固定利息率支付利息, 就不适用资本弱化的规定。另一种是对某些行业规定了较高的固定比率, 如澳大利亚对某些金融机构放宽固定比率, 从3∶1放宽到6∶1;德国对持股公司的固定比率放宽到9∶1 (因为德国对持股公司的子公司不给予固定比率) 。此外, 一些国家不普遍推行资本弱化规定, 而只在某些行业实行, 如挪威的资本弱化规定只适用于在大陆架从事石油、天然气开采作业的公司, 瑞士只在不动产投资公司采用资本弱化规定。

二、对我国建立资本弱化税制的借鉴

我国新颁布的《企业所得税法》规定:企业从其关联方接受的债权性投资与权益性投资的比例超过规定标准而发生的利息支出, 不得在计算应纳税所得额时扣除。这是我国首次在法律上对防范资本弱化做出的规定。西方国家安全港规则的应用经验, 对建立我国规范的资本弱化税收制度具有一定的借鉴意义。

1. 确定合适的固定比率, 并调整关联方最低控制水平。

目前实行资本弱化税制的国家中, 美国、法国和德国的固定比率为1.5∶1;澳大利亚和葡萄牙为2∶1;加拿大、日本、南非和韩国为3∶1;对于金融企业, 大多数国家规定的最高债务资本比率一般在13∶1至20∶1之间。固定比率越低, 说明资本弱化规则越严格。严格的资本弱化规则虽然有利于抑制税前的利息扣除从而增加税收收入, 但同时也可能带来一些副作用, 如抑制国际资本的自由流动, 影响跨国公司对本国企业的投资积极性等。在制定资本弱化规则时, 应结合OECD国家的经验并考虑我国宏观经济环境, 在相当长的一段时期内我国仍需要大量引进外资继续促进我国经济发展, 因此我国设定的固定比率应较发达国家略高, 对一般行业的比率可确定为2∶1至4∶1之间, 对银行、保险等金融企业, 可根据实际情况适当放宽比率约束, 可确定为20∶1。

我国也应要求居民公司和贷款提供者之间存在关联关系或其他特殊关系。值得注意的是, 不存在特定股本控制关系的第三方是不适用资本弱化规则的。另外, 为体现公平原则, 可借鉴美国的做法, 对居民和非居民关联方采用同样的标准, 即如果我国的一个居民公司50%的股本由另外一个居民或非居民公司直接或间接控制, 则后者是前者的控制方, 前者向后者支付的超额利息不能在税前扣除。

2. 明确固定比率的计算对象。

根据实际情况, 我国的固定比率应以单个股东为对象来计算。公司的债权性投资对权益性投资比率超出安全港范围一般是由于特定股东出于避税目的多贷款少投资的结果, 将一方责任产生的超额利息不予扣除的后果强加给所有的股东来分摊承担是违背“责任自负”原则的。在我国外商投资企业中, 常常是外方利用在企业中的控制地位或中方合作者的其他弱点, 实施资本弱化来避税, 中方股东显然不应当来承担利息不予扣除的风险。如果多方股东都存在这种债务替代股本的行为时, 以单个股东为计算对象显然也是适用的, 完全涵盖了以公司整体为计算对象的情形。

3. 明确债权性投资和权益性投资的范围。

债权性投资应该界定为企业直接或间接从其所有关联方获得的、需要按照合同或协议的约定支付利息或需要以其他方式予以补偿的长短期融资。具体包括关联方通过无关联第三方提供的债权性投资, 无关联第三方提供的由关联方担保或抵押且负有连带责任的债权性投资, 背靠背贷款或委托贷款, 具有贷款和股本投资双重特征的混合贷款, 其他间接从关联方获得的具有负债实质的债权性投资、鉴于投资存在周期性和不稳定性, 债权性投资的计算时间, 应采用加权平均法计算年内债务资本的均值为宜。权益性投资应界定所有投资人对企业净资产的所有权, 其金额为企业资产减去负债后的余额。一般应包括企业投资人对企业投入资本以及形成的资本公积金、盈余公积金和未分配利润等。权益性投资的计价方式可采用国际通行的历史成本法, 计算时间应与债权性投资的计算时间保持一致。

4. 明确超额利息的计算和处理。

防范资本弱化的目的是避免居民公司的特定股东通过以贷款方式替代股本出资方式, 虚增居民公司利息从而规避收入来源国的税收管辖, 因此应针对不同的特定股东贷款来计算其超额利息。对于企业支付的超额利息应视为利润分配或股息处理, 因为若对超额利息采用不予扣除的方法, 则超额利息在收入来源国和股东居住国均要被征税, 且其在收入来源国负担的税额得不到抵免, 可能导致国际双重征税。如果将超额利息视为利润分配或股息, 这样贷款提供者获得的这部分股息, 在收入来源国承担的所得税和预提税, 一般是可以在股东居住国得到抵免的, 因此按照股息的税率征收公司所得税和预提税是比较合理的。

参考文献

[1].俞光远.企业所得税法反避税规定.地方财政研究, 2007;9

[2].应小陆.安全港模式:我国资本弱化税制建立的现实选择.当代财经, 2006;7

应用规则 篇11

关键词：建筑结构设计；不规则；研究；应用

中图分类号： TU318 文献标识码： A 文章编号： 1673-1069（2016）17-94-2

0 引言

在进行建筑的建造过程中往往会由于相关环境以及地质条件的限制而导致建筑体呈现出不规则的形状，一些不对称的建筑结构也比较常见。

比如说著名的中央电视台大楼就是一个典型的不规则建造体，尽管如此，但是它却真实的体现设计者独具一格的设计理念。

同时，不规则建筑在受力上能够影响建筑设计工作的开展，会造成建筑结构在水平方向上的偏心侧力，会产生一定强度的变形力以及扭转力，造成建筑结构抗侧力的降低，增加建筑的建造成本。

所以说在进行具体的实践时还是应该注意尽最大可能的保持建筑结构的对称，因为这样是提高建筑抗侧力的重要基础条件，有效的提高建筑物的安全系数和使用寿命[1]。

1 不规则建筑的发展现状

随着科学技术的进步以及在建筑领域设计理念的更新，近些年来，我国的建筑行业也有了巨大的发展。我国的城市化进程很大程度上促进了建筑行业的快速发展，各种不同的建筑设计新理念也广泛的应用在城市建筑中。现在城市建筑已经一改往日的单调与规则，开始追求符合新时代审美的建筑设计风格，其中不规则建筑以及非对称建筑都得到了极大的发展。

现在，许多大城市中的一些建筑因其独特的建筑风格赢得人们的普遍关注，比如说比较出名的“东方之门”等。当然在这些建筑的背后是建筑师和相关的设计人员们辛勤努力的结果。但是，虽然不规则结构设计能够很大程度上提高建筑的美感，但是，这也会在很大程度上提高建筑设计的难度，如何设计独具一格而又能够保证建筑安全的不规则建筑已经成为了建筑行业未来发展的重要研究课题。

2 建筑结构中的不规则类型分类

对于建筑结构来讲，一般能够分为以下的两类，包括平面不规则结构和竖向不规则结构。平面不规则结构类型主要包括以下的几类：平面凹凸的不规则性、扭转的不规则性以及个别楼板的不连续等几类；竖向的不规则主要包括楼层承载力的突变、侧向刚度的不规则性以及竖向抗侧力的结构构件不连续等。本文主要是选择两种设计工作中比较常用的不规则结构进行分析介绍。

2.1 对平面不规则结构类型的判断

首先，对于扭转结构来讲对其不规则的判断根据主要是在每一楼层的最大限度弹性水平唯一尺寸必须是超过紧邻楼层两个端点之间弹性水平位移的1.2倍，也可以对最大层间位移进行考察，必须保证超过层间平均位移值的1.2倍。其次，对于凹凸结构的不规则形判定指标为凹进去一侧的数量是否超过其投影尺寸的总长度的30%。再次是对于楼板局部结构的不连续性的判定标准主要是根据相关楼层平面刚度以及楼板尺寸所发生的急剧变化程度。

2.2 对于竖向不规则结构类型的判断

首先，应该对建筑结构侧向刚度的不规则形进行判断，对于此种类型建筑进行判定的标准为楼层之间的侧向刚度低于相邻上一楼层侧向刚度的70%，如果该楼层的刚度值小于以上三个楼层侧向刚度平均值的80%也可以做出这种判定。同时，楼层个别区域水平收缩的长度应该超过与之相邻楼层的25%。其次，对于楼层之间承载力的突变标准为楼层之间的受剪力强度低于与紧邻上一楼层剪力强度的80%。再次是对于建筑结构竖向抗侧力结构不连续的判定指标为在竖直方向上抗侧力构件能否通过水平力的转变而不断向下部楼层传递。最后对于楼层之间质量的突变标准为楼层质量应该超过相邻下一层质量的1.5倍[2]。

3 对于不规则建筑结构设计的主要方法

在实际的建筑结构施工过程中，根据有关人员的研究以及实验可以发现，那些抗震能力不强的建筑结构主要是一些结构不规则的建筑物，还包括一些建筑物质量与刚度发生偏离的建筑，根据相关的研究还可以看出，对建筑结构产生稳定性最大影响的是扭转效应以及扭转结构。

所说在具体进行建筑结构的设计与施工工作时应该尽量的对结构的扭转效应进行限制，建筑工程中最普遍用来限制建筑结构扭转效应的办法主要包括以下的几类：

第一，如果建筑结构的某一部分比较弱就很有可能会导致建筑结构之间的错位，所以说，提高建筑结构的扭转刚度可以从这一方面入手；

第二，要想提高建筑结构的抗扭转效应应该尽可能的降低建筑结构在平面上的不规则性，这样进行设计能够在一定范围内对可能产生的过大偏心力进行限制，提高建筑物的扭转效应力度。在进行建筑结构的设计时如果两种效应扭转周期逐渐接近，由于震动耦连的作用，建筑物的扭转效应会在一定程度上增大，所以对于建筑结构而言，降低扭转效应是保证建筑稳定性的重要方面，主要包括以下几个方面：

对于建筑结构平面不规则性的设计应该是在一定计算分析的基础上做出，根据相关的计算确定建筑结构的刚心以及质心，并且同时还应该注意根据相关的数据以及相关的工作经验来对建筑结构的刚度分布进行分析，然后适当的对距离质心比较远的抗侧力构件进行调整。

在进行建筑设计时应该注意降低建筑体的偏心距，根据有关的数据可以得知，建筑体结构的扭转效应与其相对偏心距之间存在一定的关系。可以通过降低楼层之间的位移比来改变建筑结构的扭转效应，所以在进行设计时应该对建筑物的平面位置进行适当的调整，这样能够有效的减少建筑结构质心与刚心之间的距离，使两者尽可能的重合。

对周边抗扭构件的抗剪切力进行提高，如果想要保证建筑结构在强烈震动下的安全，如果仅仅对建筑物的结构作出调整还是不够的。根据有关技术人员的研究可以发现，处于非弹性时期的建筑结构，如果受到双向水平震动的作用很有可能造成建筑结构的偏心现象[3]。

对于建筑结构抗扭刚度比以及抗侧刚度进行调整，根据有关的研究成果可以发现，对于建筑结构来讲，其扭转效应与结构周期之间比值的平方是具有线形关系，所以说在进行建筑结构的设计时应该注意合理的降低建筑结构施工周期。比如说在进行剪力墙的施工时，应该在保证建筑工程稳定、安全的前提下适当的增加周边相关剪力墙的厚度，尤其是对于那些距离刚心最远的剪力墙。

合理的设置防震缝，在进行工程施工时可能会遇到一些平面形状比较复杂的建筑工程，由于在进行这一类建筑结构的设计时会受到相关地形条件的限制，所设计的平面结构往往是不规则的，通过合理的设置防震缝不仅能够有效的将相关的建筑结构分割成一些比较简单的单元，同时还能有效的提高建筑结构的稳定性。

4 结语

不规则建筑结构在现代城市建筑中越来越普遍，不规则结构对于建筑工程质量建设也具有越来越重要的地位。但是现阶段的不规则建筑结构应用中依然是存在一定的问题。所以，相关的研究人员应该加强对于不规则结构的研究，在满足现代人多样化需求的同时尽量的降低不规则结构的负面影响。

参 考 文 献

[1] 龚俊.建筑结构设计不规则性问题的分析[J].建材与装饰，2015（45）：123-124.

[2] 陈孝超.不规则建筑结构设计中结构设计问题[J].城市建筑，2015（29）：59.

应用规则 篇12

近年来,数据挖掘引起了信息产业界的极大关注,其主要原因是存在大量的数据,可以广泛使用,并且迫切需要将这些数据转换成有用的信息和知识。获取的信息和知识可以广泛用于各种应用,包括商务管理、生产控制、市场分析、工程设计和科学探索等。

数据挖掘是信息技术自然演化的结果。从20世纪60年代,数据库和信息技术已经系统地从原始的文件处理演化到复杂的、功能强大的数据库系统。自70年代以来,数据库系统的研究和开发已经从层次和网状数据库系统发展到开发关系数据库系统、数据建模工具、索引和数据组织技术。自80年代中期以来,数据库技术的特点是广泛采用关系技术,以及研究和开发新的、功能强大的数据库系统。80年代后期,又出现了一种数据库结构——数据仓库。数据仓库技术包括数据清理、数据集成和联机分析处理(OLAP)。从90年代到现在,又出现了基于WEB的数据库系统。

数据挖掘的目标是从大量数据中,发现隐藏于其后的规律或数据间的关系,从而服务于决策。数据挖掘有以下四类主要任务:数据总结、分类、关联分析、聚类。

目前,国内外有许多研究机构、公司和学术组织在从事数据挖掘工具的研究和开发。这些数据挖掘工具采用的主要方法包括决策树、相关规则、神经元网络、遗传算法,以及可视化、OLAP联机分析处理等。在我们的开发项目软件质量平台中除了联机分析处理之外,还采用了相关规则算法。

2 关联规则挖掘算法Apriori算法在软件质量平台中的应用

在对软件质量进行度量时,根据软件的类型和度量角度的不同,要考虑的因素有多有少。例如有些因素在大多数的项目中都是重要的,另一些则是次要的,不可避免地要对这些特定的质量因素进行取舍。度量者必须确定哪些因素比其它属性更为重要,并定义出优先级。

在进行比较、判断、评价、决策时,主要困难在于:这些因素的重要性、影响力或者优先程度往往难以量化,人的主观选择会起着相当重要的作用,而且人们凭自己的经验和知识进行判断,当因素较多时给出的结果往往是不全面和不准确的。如果只是定性的结果,不可避免地存在大量不确定因素或主观因素,则常常不容易被别人所接受。这就给用一般的数学方法解决问题带来本质上的困难。因此,在这里我们利用关联规则挖掘的原理,将其运用到软件开发过程中,依据大量的客观数据来支持关联规律,提高规律的可信度。

由前面的定义可知Apriori算法首先要确定的就是事务和项。软件质量平台采用周期循环开发策略,因此我们把每个周期作为一个事务,根据规模、配置申请、风险问题、错误缺陷、小组士气、任务进度六种属性来确定事物的项。如表1:

软件质量平台的关联规则挖掘机制是从上述六种属性中,由用户选定要查看哪几种属性之间的关联性,筛选出要查看的属性i(i=1,或者2….,或者6),再由用户确定每个属性项的范围、最小支持度和最小置信度阈值以及关联规则中必须包含的属性。系统根据用户设定的项的范围,将项目数据库中的每个周期的记录离散成[0,1]集合作为Apriori算法的输入,根据用户指定的最小支持度和最小置信度阈值,挖掘出用户指定项之间的关联度。如图1所示。

从规模属性的角度,规模分为大、中、小三个等级,每个等级的划分按照代码行由用户来确定其最大上限;从配置改变属性的角度,依据每个周期的规模,按照每千行提出的配置申请数来划分配置改变属性的两个项。从风险问题属性的角度,软件质量平台为每一个风险划分了高、中、低三种优先级,因此在关联规则挖掘中我们采用权重的方法来划分风险的大、中、小,由用户指定三种优先级所占的权重,同时依据规模,指定每千行综合风险数来划分项。从引入缺陷属性角度,指定本周期每千行引入的缺陷数来划分项。从小组士气属性角度,软件质量平台提出了1-5尺度,因此在关联规则挖掘中,我们同样依据此尺度划分小组士气的高、中、低,5表示最大,1表示最小。同时用户指定最小支持度和最小置信度阈值以及关联规则中需包含的属性如图3。依据用户指定的各个属性的值,系统将项目数据库中的记录根据用户指定的属性,确定本周期相应属性的项,并将其离散化为[0,1]集合,其中每个属性的项只能有一个为1,其余为0,也就是每个属性只能同时存在一种项的情况,如表2,最终组成一个关于选定属性的项的[0,1]串集合。如图2所示。

用户确定这些信息后,关联规则系统最终得出所选择属性之间的关联规律如图4。当然关联规则所挖掘出来的规律并不是全部都是有用的规律,因此,用户可以根据需要选择自己想要得关联规律。

3 小结

数据库中的数据一般都存在着关联,也就是说,两个或多个变量的取值之间存在某种规律。这种关联由简单关联和时序关联两种。简单关联,例如:购买面包的顾客有90%的购买了牛奶。时序关联,例如:若AT&T股票连续上涨两天且DEC股票不下跌,则第三天IBM股票上涨的可能性为75%,它在简单关联中增加了时间属性。

关联分析的目的是找出数据库中隐藏的关联网,描述一组数据项目的密切度或关系。有时并不知道数据库中数据的关联是否存在精确的关联函数,即使知道也是不确定的,因此,关联分析生成的规则带有置信度,置信度级别度量了关联规则的强度。本论文就是利用关联规则算法查找软件质量平台中的关联规则。

参考文献

[1]程莉莉,刘宗田.基于UML模型的全功能点自动化度量.[J]计算机科学,2004,31(5),93-95

[2]International Function Point Users Group编著,方德英译.IT度量――专家实践.[C]北京:清华大学出版社,2003年12月

[3]刘宗田等.软件质量评价与保障.[M]上海大学出版社,2003.6

[4]软件工程实践者的研究方法[M].Roger S.Pressman著,梅宏译.北京:机械工业出版社,2002年9月