选择性分支（精选3篇）
选择性分支 篇1
1、前言
随着电力工业现代化建设事业的迅速发展,电网改造已全方位启动。地下主线电缆在一定的距离需要实现多回路分支配电时,采用电缆分支箱作为配电的重要配套设备是既经济又方便安全的一种办法。
2、10kV电缆分支箱的选型
(1)热缩材料为主材的空气绝缘型,该产品为早期产品,已属淘汰之列。
(2)橡塑外套为主材作为防护型的电缆分支箱。在长期运行中易发生内界面分离及外露端头龟裂,使绝缘和密封受损,因此该产品的发展受到限制。
(3)三元乙丙橡胶(EPDM)为主材的电缆接头密封型电缆分支箱。其材质偏硬,而EPDM为可燃性材料,易发生爬电或起弧容易燃烧,同时,防潮防水及抗老化的性能也较弱,达不到长期运行免维护的要求。EPDM为有毒物质,对环保也存在不利因素。
(4)带电可拔插式电缆接头型电缆分支箱。我国的供电系统为三相变压器供电,在拔插时不可能做到同时带电拔插,这样拔插将会造成中性点严重偏移,短时间内形成两相供电,严重造成大面积停电事故,对供电及设备带来不必要的经济损失。
(5)硅橡胶为主材电缆接头防洪型电缆分支箱。其材质柔软,具有高弹性、高密度、全绝缘,材料密封性能良好、达到防潮、防水、抗老化、抗阻燃、耐电晕和长期运行免维护等优点。因为硅橡胶与电缆采取过盈配合,径向收缩均匀度高,不会因热胀冷缩使内界面分离而产生内爬电击穿,同时对电缆本体有径向的持久压力,使内界面结合紧密可靠。同时硅橡胶本质是无毒材料,对环保也有利。
(6)带SF6负荷开关分断的电缆分支箱。由于该产品可实现环网柜的功能,而且价格又低于环网柜,在户外起到代替开关站的重要作用,有便于维护试验和检修分支线路,减少停电经济损失的特点,特别是在线路走廊和建配电房较困难的情况下,更显现其优越性。
3、带电可触摸与带电不可触摸的区别和选用
带电可触摸电缆接头与带电不可触摸电缆接头的主要区别,是在于前者的硅橡胶电缆接头内部有半导体屏蔽层,外有导电屏蔽层、通过金融抱箍连接接地,确保电缆接头表面电位与接地相同;而后者同样为硅橡胶电缆接头,通过实测结果两者对地电压均为零值,但在实际运行中、后者表面可能产生感应静电。如果使用在变电所内部的多回路并列运行中,需要检测其中一回路、而相邻回路带电运行时,使用可触摸电缆接头对安全是有利的。但是使用在电缆分支箱中,根本不存在此类问题,因为设计是免维护产品,分支箱内并无任何二次线路需要维护与检修,而且分支箱外壳为IP33防护等级,箱体已可靠接地,在带电运行中不允许打开分支箱外壳,不存在带电触摸分支箱内部电缆接头的任何可能。即使在不可抗外力的侵害下(如被汽车等外物强烈相碰撞),使用可触摸与不可触摸的电缆接头,其两者结果都是相同的。从运行中的可靠性角度分析、可触摸电缆接头由于表面覆盖导电层并经金属抱箍接地,因此无任何外绝缘爬距存在。而不可触摸电缆接头的外层为强绝缘的硅橡胶,尚有许多外绝缘爬距存在。显然,在相同的情况下,不可触摸电缆接头的运行可靠性高于可触摸电缆接头。从经济上的角度考虑,不可触摸硅橡胶电缆接头的价格也低于可触摸型的电缆接头。因此,以采用不可触摸硅橡胶电缆接头较为理想。
4、10kV电缆分支箱的安装使用条件和注意事项
目前我国生产10kV户外电缆分支箱的品种繁多,因此,10kV电缆分支箱的安装施工就变得十分重要。在电缆分支箱与电缆接头安装连接过程的操作方法是否正确、电缆头安装工艺是否熟悉、电缆分支箱内部组件与电缆接头部件组合的先后次序,是否按照厂家配套提供安装规范说明书进行操作等等,都将直接影响电缆分支箱的使用寿命和正常运行。
5、10kV电缆分支箱运行前注意事项
(1)电缆分支箱在运行前,必须检查各分支电缆的接地线是否与箱体的接地端子连接紧固。同时,箱体外壳必须与地网直接连接或有明显的接地点。
(2)电缆分支箱安装完工后,必须按照有关规定的试验标准和条件,对电缆和组件一起进行试验。
6、结束语
以上SMC复合材料电缆分支箱箱体的优点克服了原金属材料焊接成型箱体的容易腐蚀,绝缘性差、使用寿命短的缺陷。该配电箱最大的特点:是外壳全绝缘、永不生锈、美观且能根据周边外景制作出不同颜色、风格的外型箱体,有利于电气工业安全、环保而且美化了周边环境。
选择性分支 篇2
内部承包协议书
甲方：xxxxxx有限公司
乙方：xxxxxx有限公司分公司
甲、乙双方本着互利互惠、优势互补、共同发展，联合经营，特签订协议如下：
一、联合经营方式、范围：
1、甲方以信息咨询、市场开拓、筹资、技术支持、人才培训等智能型和乙方实行联合经营。
2、甲、乙双方联合经营期间，原隶属关系、企业性质、资产归属不变（包括联合经营期间的资产增值），统一管理、独立经营、授权经营、分级管理、内部独立核算，自负盈亏原则。
3、甲、乙双方在经营其间必须依法自主经营、照章纳税，不得随意抽调资金、设备、不得损害所有者利益。
4、甲方有权监督乙方分管经营的全部过程，但不干预乙方所分管的内部行政和财务管理，也不承担由于乙方经营不善所造成的经济损失和法律责任。
5、甲、乙双方互不承担联合经营前和经营期间的一切债权、债务。
6、甲、乙双方约定经营承包期限如乙方经营形式好，可续订。
二、联合经营组织形式和内容；
1、联合经营后，xxxxxx有限公司 负责人由担任。
2、，xxxxxx有限公司签订任何工程承包合同和其他合同
或协议，均以，xxxxxx有限公司名义出面签订或由，xxxxxx有限公司董事会授权，xxxxxx有限公司分公司签订，所签订的重大工程项目合同（无特殊情况）要在三日内上报，xxxxxx有限公司备案。
3、，xxxxxx有限公司要维护联合体的利益对联合体负责，做到重大经营活动、决策、任命等必须进行严格的考核、论证和审查。
4、，xxxxxx有限公司应该加强基础工作，建立严格各项规章制度、责任制度、做到有章可循、违章必纠，做到依法经营管理和质量安全等方面的工作。
（1），xxxxxx有限公司分公司要按照全国统一的财务制度的要求，及时编制资产负债表、损益表和现金流量表及其它内容的财务报表，真实的反映经营状况，切实加强各级核算、堵塞各种漏洞，确保经营效益。
（2）坚持质量第一的原则，严格执行国家的各项行业的标准，建立健全质量保证体系，争创造优质工程。
（3）坚持安全生产，落实安全措施，做到预防为主，确保全员全过程的安全生产。
（4）加强企业的审计和监督工作，坚决制止和严肃查处一切违法违纪的行为，确保企业信誉。
三、甲方权利、义务；
（1）甲方中标的工程调拨给乙方施工时，乙方必须执行甲方与建设方签定的合同条款的一切内容。
2、甲方负责向乙方提供甲方合法有效的营业执照等证件、文件、资料、证明等，协助完成乙方在进行工商局注册登记，所用工商
局注册的费用由乙方负责。
（3）甲方如发现乙方违背国家政策、法律、法规以及总公司的各项规章制度及在施工中延期工程工期、发生重大安全事故、和经营不善，造成重大经济损失、亏损，甲方有权终止联营协议并追究乙方造成的经济损失和法律责任。
（4）甲方负责工程的统一管理和监督交纳有关工程的国家各项税收和总公司的管理费。
（5）甲方对施工过程中的技术、质量、安全、进度及各类管理台帐 有权进行监督、指导，必要时派员直接参与管理，实行有效的监督制约。
四、乙方权利、义务；
（1）乙方要严格遵守国家法律法规和地方的有关政策、法规，遵守和海南中航天建筑工程有限公司的规章制度，维护甲方信誉。
（2）乙方在承包的业务施工过程中，实行内部独立核算、自负盈亏，乙方施工的工程项目按照，xxxxxx有限公司的有关文件规定进行交纳。乙方的一切对外经济来往和债权、债务均由乙方自行负责。
（3）乙方在分管的工程施工全过程中所造成的质量事故、和延误工期的事故，甲方负责协助处理，其造成的经济损失和由此相关的法律责任均由乙方负责。出现的工程责任事故及人身事故（伤亡事故）均由，xxxxxx有限公司作为用人单位自行承担经济责任和法律责任。
（4）乙方负责收集整理好工程的各项技术资料，包括工程变更资料，及时上报总公司备案。
（5）乙方必须按季度向总公司报送财务报表及各类工程报表。
（6）乙方在与甲方承包期间，招投标与议标工程上交甲方管理费1%，乙方每年向甲方上交行政管理费万元，乙方的工商注册在当地完成后同时交纳第一年经营管理费。
（7）甲方授权乙方为省内唯一经营承包方，全面代理和负责甲方在本省内的各项业务。
五、违约责任；
本合同书自甲乙双方签字盖章之日起即有法律效力，本合同发生争议或纠纷时，甲乙双方当事人可以通过协商解决，协商不成，任何一方均可向人民法院提起诉讼。
本合同约定以合同签订地法院为合同纠纷管辖法院。
六、本协议未尽事宜，双方可以协商一致另行补充，补充协议与本协议有同等法律效力。
本协议一式四份，甲乙双方各持两份。
甲方：，xxxxxx有限公司
法定代表人：
乙方：
法定代表人：
本协议签订于，xxxxxx
选择性分支 篇3
分支界定算法[1,3,4]是一种行之有效的特征选择方法,由于合理地组织搜索过程,使其有可能避免计算某些特征组合,同时又能保证选择的特征子集是全局最优的。但是如果原始特征集的维数与要选择出来的特征子集的维数接近或者高很多,其效率就不够理想。基于此,本文对分支界定算法做了一定的改进,经过实验验证,与改进前相比其效率有明显的提高。
1 分支界定算法的基本原理
分支界定算法针对的特征选择问题是这样定义的[1]:在原来的D 个特征的集合中选择一个d 个特征的子集,d
其中X代表一个特征子集,J(X)是所采取的评价函数。单调性保证了分支界定算法能在保证全局最优的前提下大大减少搜索的复杂度。分支界定算法的搜索空间是一棵树,称为搜索树[2](Search Tree)。他是在算法运行过程中自上而下(top-bottom)按照深度优先(depth-first)的次序动态生成的。以D=5,d=2为例,其中D 为总的特征维数,d 为预期选定的特征子集的维数。搜索树的拓扑结构如图1所示。分支界定算法的搜索树总共有Cundefined个节点,其中有Cundefined个度数为1的节点,有Cundefined个叶子节点数。
该算法中用到的一些符号说明如下:总的特征维数为D;预期选定的特征子集Xg的维数为d 。X 为当前要展开以扩展搜索树的节点;Num_features是X 中的特征数目;X→q为节点X 在搜索树中的子节点个数(在动态生成搜索树中很重要);XD为所有特征组成的集合;X*是当前最优节点;bound是当前最优节点X*的评价函数值;J(X)为评价函数;该算法的具体步骤如下[3,5]:
(1) 令X=XD,X→q=d+1,即让X 指向根节点,并设置根节点的子节点数为d+1;bound=0;
(2) 展开节点X: 即调用函数ExpandNode(X);
(3) 输出全局最优节点X*。
其中第(2)步中函数ExpandNode(X)是一个递归过程,他具体的实现步骤如下:
① 如果X 是终止节点,转到第⑤步。否则,如果J(X)≥bound,继续执行,如果J(X)
② 令n=Num_features(X),在X 中依次去掉一个特征,产生子节点,共n 个,记为X1,X2,…,Xn;
③ 计算这n 个子节点的的评价函数值J(Xi),i=1,2,…,n。按升序排列:J(Xj1)≤J(Xj2)≤…≤J(Xjn) ;
④ 令p=X→q;取上式中的前p 个节点,作为搜索树中X 的后继节点。对于这p个节点中的每个节点Xji(i=
p-1,p-2,…,1),令Xji→q=p-i+1。依次执行ExpandNode(Xji)(i=p-1,p-2,…,1)执行完p 个节点的后续展开后,转到第⑥步;
⑤ 若X优于当前最优节点(即J(X)>bound),令bound=J(X),X*=X;
⑥ 结束。
在d<
2 最小决策树
上面的搜索树中每个节点的最右一个节点后面连接了一长串度数为1的节点。在这一串节点中,其实只有叶子节点的评价值是真正需要计算的。因此,如果将每个节点的最右节点用叶子节点代替,可以简化树的拓扑结构。同时不会破坏搜索全局最优的特性。简化后称为“最小决策树”[2,3](Minimum Solution Tree)。图2所示为最小决策树示意图。
根据上面的算法描述,在展开一个节点时,将评价值小的后继节点放在树的左边,评价值大的后继节点放在树的右边。由于搜索过程是从右边往左边进行的,所以这种排序可以带来2个好处:bound值快速增大,使一个节点处发生剪枝的概率增大(该节点评价值小于bound值的概率增大);剪枝更多地发生在树的左边,因为左边的节点评价值小,发生剪枝的概率大,而树的左边的节点有更多的子节点数,因此可以删除掉更多的节点。最小决策树正是去掉了这些节点,所以在原始的分支界定算法的基础上大大提高了搜索效率。
3 局部预测分支界定算法及其改进
局部预测分支界定算法[3,5,6](Branch&Bound Algorithm with Partial Prediction,BBPP)是用预测节点的评价值来代替真实的评价值。对于每一个特征xi,保存一个特征对评价值的贡献Axi。Axi在运行过程中不断地更新,用来预测节点的评价值。可以把Axi理解为从子集中去掉xi所带来的评价值下降的平均值。其计算公式是:
undefined
其中Sxi是一个计数器,记录Axi被更新的次数。局部预测分支界定算法在满足一定条件的情况下预测节点的评价值,预测公式是:
undefined
其中γ是一个预先给定的数,用来调整预测的精确程度。只有在确实需要知道节点的真实评价值的时候,才计算其真实值,由于预测比计算真实值快得多,所以节省了时间。
通过上面对局部预测分支界定算法的研究,作者对该算法做的改进为:在最小决策树中,最右一个节点可以直接变为叶子节点,所以可以直接计算这个叶子节点的评价值,这样在每一次展开一个节点的时候就能节省一次可能的评价值运算;在局部预测分支界定算法中,一个节点的子节点是按照预测值进行排序的,在计算了子节点的真实评价后,将子节点按照真实评价值重新排序。
改进之后的算法与改进之前相比的优点为:每展开一个节点,改进后的算法比改进前少了一次评价值的运算。因此节省的次数就是最小决策树的中间节点的个数;在展开一个节点时,改进前是按照预测值对子节点进行排序的,一般来说和真实排序不一致。改进后在计算子节点的真实评价值后,按真实值进行排序,并依次放入最小决策树。这样可以减少评价次数和搜索时间。
改进前后的算法的实现步骤不变,不同的是递归函数ExpandNode(X)的实现,具体实现步骤如下:
(1) 如果X是终止节点,转到第(5)步。否则,如果J(X)≥bound,继续执行下面的步骤,如果J(X)
(2) 令n=Num_features(X),在X中依次去掉一个特征,产生子节点,共有n 个,记为X1,X2,…,Xn;
(3) 根据预测公式Jρ(X-{fi})=J(X)-γ·Afi预测这n 个子节点的评价函数值J(X),i=1,2,…,n。将这n个评价值按升序排列:
undefined
(4) 令p=X→q;取上式中的前p 个节点,作为搜索树中X的后继节点。将最右节点Xjp直接变成终止节点Xi,然后计算其评价值J(Xi),如果J(Xi)≥bound,令bound=J(Xi),X*=X。计算其余p-1个子节点的真实评价值J(Xji) (i=p-1,p-2,…,1),并根据式(1)和式(2)更新特征对评价值的贡献Axi以及Sxi,然后将他们按照升序排序为:J(Xk1)≤J(Xk2)≤…≤J(Xk(p-1))。对于这p-1个节点中的每个节点Xki(i=p-l,p-2,…,1),令Xki→q=p-i+1。依次执行ExpandNode(Xji) (i=p-1,p-2,…,1)执行完p-1个节点的后续展开后,转到(6);
(5) 如果X优于当前最优节点(即J(X)>bound,则令bound=J(X),X*=X;
(6) 结束。
4 实验结果及结论
在本实验中,所用的特征集是从某型低分辨雷达获取的实验数据,共提取了27个特征,组成特征集。这里对改进前后消耗的时间(这里消耗的时间是在Core(TM)2,CPU主频1.86 GHz,内存2 GB的电脑上的运行时间)做比较。具体实验情况如下:对1架、2架和4架目标,分别选1 000组数据,其中500组用于分类器学习,500组用于目标识别。用局部预测分支界定算法在原始的27维特征中,改进的局部预测分支界定算法选择9个特征。对于不同的组合顺序,改进之前需要13~20 min,改进之后只需要11~17 min。从理论的角度分析,改进之后的局部预测分支界定算法与改进前相比,减少了一次评价值的计算。因此节省的次数就是最小决策树的中间节点的个数,则减少的运算次数就是最小决策树的总节点数减去叶子节点数Cundefined-Cundefined-Cundefined,其中Cundefined-Cundefined是最小决策树的总节点数;Cundefined是叶子节点数。所以改进后的局部预测分支界定算法可以使评价值的运算量减少undefined。这里分析的是没有剪枝的最小决策树的情况,实际运算中由于进行了剪枝,运算次数会有所不同,但是改进之后的局部预测分支界定算法的运算次数一定小于改进之前的运算次数。
参考文献
[1]边肇祺,张学工.模式识别[M].北京:清华大学出版社,2001.
[2]Yu B,Yuan B.A More Efficient Branch and Bound Algo-rithm for Feature Seclection[J].Patern Recognition,1993,26:883-889.
[3]王振晓.分类器设计中特征选择问题的研究[D].上海:上海交通大学,2003.
[4]虞华.基于雷达回波的特征选择与分类识别方法研究[D].长沙:国防科技大学,2003.
[5]李国正.特征选择若干新方法的研究[D].上海:上海交通大学,2004.