增量式模型（通用10篇）
增量式模型 篇1
0 引言
绿色建筑的推行、认证已经实施多年, 在设计和材料选用上使用环保节能的材料, 从而达到保护环境、节能减排的效果, 是推行绿色建筑的目的和意义, 但这也会增加项目的建设成本。房地产项目如何控制成本, 增加利润, 是项目成功的关键。绿色建筑的增量成本也是绿色建筑发展进程中的瓶颈, 建筑成本增加后能不能产生收益, 影响着建设方的投资决策。文章针对绿色建筑增量成本及投资回报的关系进行理论分析, 并从投资人角度对其进行经济评价, 建立决策模型, 为建设项目绿色建筑投资决策提供理论上的指导。
1 绿色建筑项目增量成本分析
1.1 增量成本类型的划分
绿色建筑项目的生命周期, 包括绿色建筑建设、拆除、建筑物回收的各个方面。因此, 为了达到相应的绿色建筑标准, 相对于基准建筑方案, 增加费用应该作为绿色建筑项目的增量成本计算。绿色建筑项目的增量成本包括:绿色建筑设计和咨询费用、绿色建筑建造和绿色建材增加的成本、绿色建筑拆除和运营维护成本。
绿色建筑的成本, 按成本承担的主体不同, 可分为建设单位成本、购买方成本、社会承担成本。在这些成本中, 设计和施工阶段的成本增加由建设方承担;建设方和消费者承担维护阶段增加的成本;回收阶段成本由消费者和社会承担。
1.2 建设方投资的成本增量
可将建设方的投资成本用C表示, 设计成本为Cd、建设成本蓝筱晟绿色建筑增量成本投资决策模型为Cp、认证成本为Cr, 运行维护的成本为Cy, 则作为决策模型的成本增量输入项为:
即每个决策模型有4个成本输入项C=i, i=1, 2, 3, 4。
2 绿色建筑的投资效益分析
绿色建筑虽然在设计和建造阶段的成本较高, 但是仍能带来效益。绿色建筑的效益可分为直接效益和间接效益, 直接效益主要包括:资源的有效使用, 如:能够节材、节约能耗、减少水、电资源的消耗等。间接效益指的是由绿色建筑带来的不仅仅属于投资者的效益, 这些效益对社会和环境有利, 由社会成员所共享。
绿色建筑会给投资主体带来增量效益, 投资方获得的增量效益也可以通过经济价值来比较衡量。绿色建筑的投资主体增量效益包括以下几类:
1) 财政激励效益 (Rg) , 建设方可能得到政府在支持绿色建筑运营方面的财政激励 (如税收减免、财政补贴等) ;
2) 销售效益 (Rs) , 是增量收益最重要的组成, 即建设方通过建设绿色建筑获得的产品增值, 销售价格提高带来的经济收益;
3) 无形收益 (Rp) , 主要是指企业通过绿色建筑, 增加品牌价值, 提高其在市场上的信誉。这些收益, 虽然不是直接的, 但在某种程度上, 促进了企业的经济效益;
4) 建设方在持有和运营绿色建筑时期, 通过绿色建筑节能减排的优势, 产生的运营成本降低, 带来了收益 (Rl) 。
绿色建筑带来的效益在目前的研究中较难用经济价值准确的反映, 在以上的增量效益中, 受到投资人关注的是财政激励效益和销售价格提升而带来的经济效益, 这对投资者带来的效益是明显的。目前, 对绿色建筑产出的生产力提升及企业品牌价值的经济效益研究则还较为缺乏。
增量效益的识别计算方法:
可将建设方的绿色建筑整体的效益设为投资收益函数, 用R (x) 表示。则作为决策模型的效益增量输出项, 投资收益函数为R (x) =Rg+Rp+Rs+Rl。
即每个决策模型有4个效益增量输出即x=i, i=1, 2, 3, 4。
3 增量成本效益投资回报决策模型
3.1 建模的假设及分析框架
对绿色建筑的增量成本效益, 可以使用数学模型进行评价, 分析绿色建筑投资的回报情况。
从投资人的角度看, 增量投资成本效益分析实际上是一个投资效益问题, 即通过最低成本投入实现效益的最大化。为了便于开展数学分析, 将影响增量投资的成本和效益的因素统一定义为函数形式, 并假设投资成本函数为C (x) , 投资收益函数为R (x) 。根据设计目标, 企业在决策阶段, 需要对不同的建设方案进行比选, 初定了n个备选方案, 每个方案由于各成本因素投入的不同, 产生的投资收益也不同, 投资回报也会有相应的变化。而成本因素和收益输出, 由于影响因素复杂, 投入和产出不为线性关系, 因而决策过程抽象。在建模中, 假设每个成本和收益因素在函数中都有一定的权重, 选取权系数v和u, 形成“成本收益”决策模型框架。
则投资回报得益函数期望值为:
根据分析, 确定模型的基本要素:其中, b为效益增量;g为建筑环境;t为传统建筑环境;P为绿色建筑元素价格;Q为元素数量;C为元素成本。
绿色建筑的增量成本产生的经济效益, 可以通过经济价值度量评估。对于绿色建筑而言, 增加价值对比可以通过传统建筑和绿色建筑对比来衡量, 用下式表示:
上式表示在g和t两种状态下, 由于数量、成本和价格变化所产生的增量效益变化。上式也可变为比值形式, 如下所示:
上述收益函数:E (bi) =pg/pt, 其中, pg为绿色建筑的建造收益;pt为传统建筑的建造收益, 根据V=B/C的价值比值做标准化处理:标准参照建筑的值都以百分数的形式表达。VP>1, 表明绿色建筑值得建造, 反之则不值得建造。
3.2 模型求解
决策模型的效率评价指数h为:
选取权系数u和v, 满足1, i=1, 2, 3, …, n。
如果对决策单元的效率评估, 则以v, u为变量, 以效率指数作为目标, 就形成目标函数模型:
各成本及效益参数变量可列为组合。即为:s*= (a*1, …, a*i, …, a*n) , 其中, i=1, 2, …, n。写为向量的形式即为:gi= (G1, G2, G3, …, Gi) ;ti= (t1, t2, t3, …, ti) , ui= (u1, u2, u3, …, ui) ;vi= (v1, v2, v3, …, vi) 。
引入松弛变量m1及剩余变量m2, 将不等式约束转化为等式约束, 即为:
将之前预先设定的方案代入以上对偶规划求解, 求得λ的值, 即为评价单元的效率评价指数。可将以上模型规划转化成对偶规划, 将可预计评估绿色建筑项目的输入输出数据代入规划进行求解。
4 增量成本投资决策模型的诊释
1) 决策模型和对偶规划均存在可行解, 即存在最优值。假设绿色建筑决策单元可能存在最大值, 通过分析模型的最大值与成本收益的关系, 可以确定模型中的各项数据在投资回报中的权重关系, 也可以确定哪些成本增量仍需改进。
2) h值越大越好。h=1时, 表示增量成本和效益相同。h>1时, 表示效益高于增量成本。反之, h<1时, 成本高于效益。
3) 通过模型分析投资回报与成本的关系, 可以得出提高绿色建筑项目效益的方案, 如果预期收益降低, 最优策略成本也要相应的降低, 根据以上公式可知, 随着增量成本的降低, 项目取得收益的概率将增大。
4) 通过对模型的求解, 我们也可以分析出绿色建筑的规模数量对收益产生的影响, 如果规模数量增大, 预期收益的绝对数值也会增大。
5 结语
建立基于增量成本的绿色建筑投资成本估算模型, 分析绿色建筑项目的投资效益, 设计、管理好绿色建筑项目的成本, 将为今后绿色建筑项目的建设、开发起到重要的推动作用。
摘要：分析了绿色建筑增量成本及投资回报的关系, 从投资人角度对其进行了经济评价, 并建立了投资决策模型, 计算研究了绿色建筑项目的投资效益, 有利于推动绿色建筑项目的建设发展。
关键词：绿色建筑,增量成本,决策模型,投资效益
参考文献
[1]GB/T 50378—2006, 绿色建筑评价标准[S].
[2]王虹光.基于实证的绿色建筑投资决策影响因素研究[D].北京:清华大学, 2013.
增量式模型 篇2
1增量式光电编码器的工作原理
增量式光电编码器是根据输出脉冲源和脉冲计数来确定码盘的转动方向和相对角位移量的。它是由光栅盘和光电检测装置组成,一般输出A,B,Z三路脉冲信号。光电编码器每旋转一圈z信号端输出仅一个脉冲,故z信号主要用于同步或调零,一般不需做额外处理,而A、B信号包含了被测对象的旋转方向、旋转速率等信息。
转动方向的判断:当码盘正传时,A道脉冲波形比B道超前90度,而反转时,A道脉冲波形比B道滞后90度,A道整形波的下沿触发单稳态产生正脉冲与B道整形波相“与”,所以码盘正转时只有正向脉冲输出,反转时,只有逆向脉冲输出,通过正向还是逆向就可以判断电机的转动方向。
转速大小的判断:光电码盘与电动机同轴,电动机旋转时,光栅盘与电动机同速旋转,经发光二极管等电子元件组成的检测装置检测输出脉冲信号,脉冲信号个数与被测角位移变化量成线性关系,所以通过计算每秒光电编码器输出脉冲的个数就能计算出当前电动机的转速。
2设想原因
电子系统采用CMOS电路越来越多,电子系统的印刷电路板尺寸越来越小,电容藕合的问题日趋严重,且电子系统所用半导体器件的低压化(目前已降至3.3V甚至更低),因此电子系统中电路保护已成为设计与制造的头等大事。在各种原因造成的过电压和过电流中,雷电占了相当大的一部分,受雷电破坏的电子系统常常不是直接受到雷击,而是通过电缆线间接受到影响的。云层放电和云层间放电比雷击高20倍,它们电放时产生的电场是垂直幅射到地面上,范围很宽,这时地面如同电容器的极板,电磁脉冲通过电容藕合到地下电缆,再传到电子系统的输入或输出端。本队编码器就曾经受到过雷电影响,导致电路烧毁,编码器1通道A丢失,这也是影响我有此设想的一个原因。
3设计要求
对于电路保护一般可以采取接地,介质隔离,屏蔽,在关键部位采用电路保护用元器件等。大多昂贵的电路都采用电路保护用元器件,已构成多级电路,提高安全性能,本设想也采用此方法,这里选用瞬变电压抑制二极管(TVS)。在规定的反向应用条件下,当承受过电流和过电压时,其工作阻抗降至很低的导通值,允许大电流通过,以保护电路,防止元器件损坏。
4设计方案
电气连接图如下:
图1原编码器电路图
图2防过电流的编码器电路图
5总结
增量式模型 篇3
低频振荡是互联电网安全稳定运行的重要威胁之一,深入分析其激发原因、振荡特征对有效抑制低频振荡、保证电网安全至关重要[1,2]。长期以来,传统的方法是通过建立消去代数方程约束的电力系统线性化状态空间,计算其特征根及特征相量分析低频振荡问题[3,4,5,6]。目前,振荡功率增量分布计算是分析低频振荡问题的新的技术手段[7,8],该类方法从功率交换角度进行研究,有助于对低频振荡问题的认识和理解。但目前的方法均是建立在采用收缩到发电机内节点的网络模型的基础上,不仅难以分析负荷的动态特性对振荡功率分布的影响,而且输电线路和负荷的功率振荡增量计算较为复杂。
本文在保留原网络结构模型的基础上[9],计及负荷和励磁系统的动态特性,以及网络的功率约束方程,建立了保留网络信息的线性化状态方程和状态矩阵,同时在推导过程中,回避了繁琐的d-q变换。利用结构保留模型下的线性化状态矩阵得到的特征值和特征向量,建立了可方便求解网络中各元件振荡功率增量的算法,不仅避免了传统方法复杂的计算过程,并分析了负荷动态特性的影响。
1 基于结构保留模型的电力系统线性化状态空间
若一多机系统中有m台发电机,n0个节点,l0条支路,负荷节点为n0-m个,如图1(a)。在原网络中引入代表虚构的发电机内电势节点,通过发电机暂态电抗与原网络相连,形成结构保留的增广网络。在增广网络中,系统节点总数为n=m+n0,支路总数为。式中,为发电机内电势节点,为发电机出口节点,为负荷节点,如图1(b)。
在增广网络中,若以节点n的电压相角δn为参考角,各节点电压相角为
若T为关联矩阵,则存在如下关系,α=Tδ
1.1 发电机模型
发电机采用计及凸极效应的三阶模型[1]时,其数学模型可以表示为
式中:
其中,V(i+m)为i+m节点电压。
1.2 发电机励磁系统模型
励磁系统采用三阶模型,电压调节器输出电压ΔUA、励磁系统输出电压ΔEf及励磁反馈电压ΔUF为状态量,线性微分方程如式(3)所示。
式中,ΔUk为发电机出口电压变化量。
1.3 负荷模型
负荷采用常数加上节点瞬时频率偏差成正比的负荷模型[10],其表达式为
其中:Dpi、Dqi分别为负荷有功功率和无功功率的频率效应系数。
1.4 结构保留模型下的线性化状态空间的推导
假设扰动过程中母线电压恒定,网络潮流方程可写为
其中,。
根据网络母线有功潮流平衡方程式有
式中:
将f和T写为
发电机节点和负荷节点有功潮流平衡方程式写为
令
定义如下函数
发电机暂态电势及励磁状态量可以表示为
发电机出口电压的函数形式可以写为
则
将发电机、励磁系统以及网络状态量线性化得
将上式分块后可以表示为
式(12)中:Δxg为发电机及其励磁调节器的状态量;Δxl为母线状态量;状态矩阵中的Agg为发电机及其励磁调节器的状态矩阵,与传统方法得到的状态矩阵性质相似;Agl、Alg、All为发电机状态量与网络状态量之间、及网络状态量自身之间的关系矩阵。
与建立于收缩到发电机内节点的网络模型的线性化状态矩阵相比,式(12)中的线性化状态矩阵的维数和稀疏程度将增加。但目前对矩阵的维数和稀疏程度没有严格限制的求取大型稀疏矩阵特征值问题的算法已成功地应用于电力系统中[11,12],而这些算法同样可用来解决本文提出的结构保留模型线性化状态矩阵特征值的求取问题。
2 网络结构保留下的振荡功率增量的计算方法
2.1 发电机的振荡功率增量
结构保留模型中发电机电磁功率可以表示为
对式(13)线性化后可得
将利用1.4节中的状态矩阵计算得到各模式下的ΔEq'、Δα代入式(14)即可得到各个模式下发电机的振荡功率增量。
2.2 线路振荡功率增量的计算
输电网络中任意支路可以用图2表示。
线路有功功率可以表示为
式中,Gi j和Bij分别为导纳阵中第i行第j列元素的实部和虚部。
假设在小扰动下母线电压恒定不变,则线路始端振荡功率增量如式(16)所示。
2.3 负荷振荡功率增量计算
在本文采用的结构保留模型中,有功负荷可以表示为
线性化后可得
第k个机电振荡模式(特征值为kλ)下负荷振荡功率增量可以用如下形式表示
3 计算与分析
算例系统采用文献[7]中的四机两区域系统,如图3所示。
3.1 特征值计算结果分析
首先对本文方法与传统方法计算得出的振荡模式进行比较,在相同潮流方式下的两种方法计算得出的机电回路相关比大于1的振荡模式均列于表1,图4为应用本文方法得到的不同模式下的相量示意图。传统方法的计算采用电力系统综合分析程序(PSASP)小干扰稳定模块进行计算。
由表1中结果可见,两种方法均得到三个机电振荡模式,本文算法得到的三种模式的振荡频率与传统方法得到的振荡频率接近,但计及了负荷的频率特性阻尼比有较大的变化,由此说明考虑频率特性的负荷模型对系统阻尼比的影响较大,而对振荡频率的影响较小。
从图4给出的不同模式下的相量示意图可见,模式一、模式二为本地振荡模式,而模式三为区域振荡模式。
3.2 功率振荡增量分布研究
利用本文提出的振荡功率增量计算方法计算得到三个机电振荡模式下的振荡功率增量分布如图5所示。由于扰动大小未知,因此计算结果以振荡功率增量最大值为基准值,且均已百分数形式给出。
对于模式一,线路1、3为最为严重的功率振荡线路且形成割集,表明#1发电机与#2、#3发电机形成振荡。对于模式二,线路3、2为最为严重的振荡线路且形成割集,表明#3发电机与#1、#2发电机形成振荡。对于模式三,线路7(联络线)为最为严重的功率振荡线路且形成割集,即4#发电机与#1、#2、#3发电机形成振荡。均与图4中的模态相量图结果一致。因此线路功率振荡的计算具备分析对应于不同模态下的关键割集的识别的潜力。
表2给出对应不同振荡模式下的振荡功率增量的分布变化情况。
在本地模式中,除区域一的发电机和线路的振荡功率增量明显增大外,区域二的发电机和线路,以及区域间联络线的振荡功率增量均很小,主要表现为振荡区域内部发电机经输电线路进行功率振荡。
与本地模式相比,在区域振荡模式中,区域间联络线振荡功率增量明显加剧,区域一的发电机和线路的振荡功率增量减小,区域二的发电机和线路的振荡功率增量增大,系统中所有负荷的振荡功率增量均有所增大,也表明负荷参与区域间低频振荡的程度较强。
4 结论
本文提出了计及网络结构的电力系统振荡功率增量的新算法,推导出了考虑发电机及其调节器的结构保留模型线性化状态空间表达式,同时考虑了负荷的动态特性(频率特性)。通过对算例的计算和分析得到如下结论:
(1)本文算法计算得到的各机电模式下的振荡功率增量分布能够清晰地刻画出不同机电模式在网络中的反映。
(2)负荷动态特性对区域间模式的阻尼及振荡功率增量的分布影响较大,而对本地模式影响较小,因此在低频振荡研究中负荷的动态特性不容忽视。
摘要：基于电力系统结构保留模型,构建了计及详细发电机模型、励磁系统模型和负荷频率特性模型的电力系统状态方程,并利用计算线性化状态矩阵得到的特征值和特征向量,建立了求解低频振荡中的功率振荡增量在网络中的分布的计算方法。计算所用模型均在极坐标下建立,回避了传统方法中繁琐的坐标变换。该方法不仅可以计算低频振荡过程中发电机、支路和负荷处振荡功率增量的分布情况,而且可以分析负荷动态特性对功率振荡的影响。对四机算例系统进行仿真与分析,算例结果表明所提算法在准确地计算各机电振荡模式的振荡功率增量分布情况的同时能够分析负荷频率特性对振荡功率增量分布的影响。
关键词：电力系统,低频振荡,机电模式,结构保留模型,振荡功率,动态负荷模型
参考文献
[1]倪以信,陈寿孙,张宝霖.动态电力系统理论与分析[M].北京:清华大学出版社,2002.NI Yi-xin,CHEN Shou-sun,ZHANG Bao-lin.The theory and analysis on dynamic power system[M].Beijing:Tsinghua University Press,2002.
[2]李强,袁越,周海强.浅谈电力系统低频振荡的产生机理、分析方法及抑制措施[J].继电器,2005,33(9):78-84.LI Qiang,YUAN Yue,ZHOU Hai-qiang.A brief review on the causes,analysis methods and restraining measures of low frequency oscillation in power system[J].Relay,2005,33(9):78-84.
[3]徐贤,万秋兰.低频振荡模式选择法的再改进[J].电力系统自动化,2003,27(17):23-25.XU Xian,WAN Qiu-lan.Remodified SMA method for power system low-frequency oscillation analysis[J].Automation of Electric Power Systems,2003,27(17):23-25.
[4]郭权利.电力系统低频振荡[J].电力系统保护与控制,2008,36(22):114-119.GUO Quan-li.Low frequency oscillation in power system[J].Power System Protection and Control,2008,36(22):114-119.
[5]余保东,孙建波,汤胜祥,等.湖北电网低频振荡计算分析[J].电力系统自动化,2001,25(15):39-42.YU Bao-dong,SUN Jian-bo,TANG Sheng-xiang,et al.Analysis of low frequency osicillation in Hubei electric power system[J].Automation of Electric Power Systems,2001,25(15):39-42.
[6]陆超,陆秋瑜.电力系统低频振荡模式的自动分类研究[J].电力系统保护与控制,2010,38(4):34-38.LU Chao,LU Qiu-yu.Research on power system low frequency oscillation modes classification[J].Power System Protection and Control,2010,38(4):34-38.
[7]Zhou E Z.Power oscillation flow study of electric power systems[J].Electrical Power&Energy Systems,1995,17(2):143-150.
[8]王青,闵勇,张毅威.低频振荡的功率振荡增量分布计算方法[J].电力系统自动化,2008,32(6):1-4.WANG Qing,MIN Yong,ZHANG Yi-wei.A new algotithm of oscilltory active power increment distribution in low frequency oscillation study[J].Automation of Electric Power Systems,2008,32(6):1-4.
[9]Bergen A R,Hill D J.A structure preserving model for power system stability analysis[J].IEEE Trans on PAS,1981,100(1):25-35.
[10]IEEE Task Force on Load Representation for Dynamic Performance.Load representation for dynamic analysis[J].IEEE Trans on Power Systems,1993,8(2):472-481.
[11]Mori N,Kanno J,Tsuzulti S.A sparsity-oriented technique for power systems MAV signal stability analysis with a precondition conjugateresidual method[J].IEEE Transactions on Power Systems,1993,8(3):1150-1158.
万科社区增量实战 篇4
以区域购物中心、生活中心、社区商业三个产品形态，包围和服务旗下362个社区、40万住户、约300万的社区人口，社区商业为主要突破口，盘活社区的用户和数据资源，结合金融、生活等多样化服务，由积累客户到客户管理。
1709.48亿元，这是万科在2013年的销售数字，再一次刷新了行业纪录，2014年这个数字目标是2000亿元。增量从哪里来？
2013年1月，万科组建商用地产管理部，万科副总裁毛大庆成为主要负责人。差不多一年时间，圣诞节的时候，第一个项目北京金隅万科广场开门营业。其实，过去三年间，万科曾先后在北京、深圳、上海、佛山等地成立了商用物业管理有限公司，算是在社区方面早有摸索。
今年，万科将有一批社区商业和区域购物中心陆续开业，商业地产模式陡然加速，在某种程度上或将成为万科最大的增量来源。
从试验到实战
现在有个共识，中国房地产市场已经进入“下半场”，告别暴利时代，趋于平缓运行。有研究数据显示，2018年前后，中国房地产市场将很有可能从增量市场转为存量市场，销售面积将出现历史性拐点，步入平缓和下滑期。而且，未来5年内，绝不排除房地产深度调整的可能性。当游戏规则发生了变化，房地产企业都必须重新检视自己存在的方式和策略时，万科自然对未来趋势也心知肚明。
拿北京市2013年卖的地来看，三分之二都是非住宅，而北京万科买的11块地中，9块都不是纯住宅用地。用毛大庆的话说，“王石也知道必须因时而动，与时俱进。‘城市综合配套服务商’也是王石提出来的。”进一步讲，“万科不仅要做商业，商用地产更是万科转型成为服务型企业的一个很重要的通道或者抓手。”
按照万科的最终设想，产品形态被划分为定位于区域型购物中心的万科广场、集中型社区商业的生活中心，以及定位于社区商业街的邻里家。其中，万科广场是大型区域购物中心，体量为10万平方米级，比如金隅万科生活广场，试营业当天客流量就有6万人；生活中心面积略小，约两三万平方米，也已经有项目在运行；邻里家则为社区商业，比如北京新五街、杭州新街坊。
2013年开业的中粮万科城在毛大庆眼中是一个标志性项目，虽然围绕社区，但体量上更接近一个大型区域购物中心，有7000户居民，约2万人口入住。
就像我们嘲笑买椟还珠一样，对于房地产企业来说，最有价值的资产也不再是房子，而是居住在房子里的人。围绕他们的需求做文章，才有更广阔的前景。区域性购物中心，如能更加细致地分析客户构成和需求，针对性地提供独特的服务，甚至能像社交网站一样找到用户的痛点，辅以极佳的用户体验，就能把用户牢牢固定在你的地盘上。难度在于，这方面缺乏可以参照的范本，做大还是做小、业态如何选择、中端还是高端……这不仅要和先有的商业地产模式做区分，更要经过一轮又一轮的调整，逐渐磨合。
万科做商业地产，总裁郁亮在持续强调、副总裁毛大庆也在持续强调的是，主要以社区商业为主，因为这种模式低投入、稳回报、低风险，规模效应更加明显。尽管单个项目的收益率不一定很高，但是通过规模效应的放大后，收益依然相当可观。更重要的是，社区商业能让万科这艘大船迅速调头。
社区模式升级再造
2013年10月29日，万科宣布出资超过30亿港元认购徽商银行8.83986亿股，一旦徽商银行上市成功，万科就是最大股东。万科在公告中强调此次认购是定位集团的社区金融服务，开辟新的业务领域。深化社区服务的初衷显露无疑，对于万科这种典型的房地产公司来说，控股一家区域的城商行，不管是从整体的战略布局上，还是短期利益提升上看，都是强势加分项。
郁亮也在内部邮件中称，投资徽商银行是在打造万科的社区生态服务系统。说白了，长期来看，住宅开发仍是万科的主营业务，不会改变。万科做商业既是为了更好地做住宅业务，以社区商业为主，同时也为了寻找新的增长点。
万科目前管理着362个社区、40万住户、约300万的社区人口，未来5年将可能增加到500～600个社区，100万住户，约800万的人口规模。这种体量转化到社区金融上，真够吓人，未来可以怎么做？
可行的思路是盘活社区的用户和数据资源，结合金融等多样化的服务，为社区住户带来更多快捷、便利的顾问式服务。这也符合万科转型的需要，做配套，做增值，由积累客户到客户管理。
眼下万科做的社区商业路径同样如此，即从社区住户开始，藉由社区商业服务，建立一个强大的社区网络，通过一个个强应用，把社区里人的信息汇集起来，建立数据库，计算商业价值。
2012年6月，“第五食堂”成为万科旗下首家社区食堂，先是入住深圳坂田万科城，之后逐步辐射。从东莞金域蓝湾和北京长阳半岛，到厦门金色悦城、上海尚源、深圳四季花城等项目，“第五食堂”成为万科社区商业的标准配置，是可以复制的品牌了。
继“第五食堂”之后，2013年3月，北京万科位于房山长阳镇首个社区菜市场“幸福街市”开业，就近提供各类农产品和食品，解决了片区7000户居民的“菜篮子”问题。
更远的构想，万科对每个社区的配置是“五菜一汤”，即银行、幸福街市、第五食堂，以及将要增设的洗衣店、社区医院、超市等配套设施，形成闭环。最理想的状况，住户可以在小区外方圆一公里之内，完成所有必需服务。
毛大庆给出的方案是“新建成的社区达到10万平方米，都将计划配备1000～1500平方米的生活配套。按照不同的社区定位，‘五菜一汤’的规模配比及品牌档次分为基础型、升级型、精品型等。”例如一个社区项目，开始时是第五食堂和幸福街市，成熟后，则可以考虑以引进品牌快餐/大型中餐和便利店（含生鲜）作为替代方案。
确定了社区商业的基本构架后，万科也尝试更为专业的运营方式，比如“五菜一汤”是从香港领汇基金学来的，现在则把它直接请进来。2013年底，万科和香港领汇基金签订战略性合作意向书，拟定在2014年和2015年共同寻找中国零售业的投资机会。
领汇基金能给万科带来什么？
一是，管理经验上；领汇拥有约102万平方米零售设施，是香港最大零售设施业主，在零售物业的管理运营方面可谓经验丰富。
二是，产品经验上；领汇将社区商业资产注入上市，开创了成功的社区商业盈利模式，对服务基层消费者、迎合居民需求，也有独到心得。
三是，资金渠道上；背靠政府和雄厚的物业资产，使领汇基金更容易获得银行贷款。资料显示，2008年金融危机中，领汇获得了13家银行30亿港元的银团贷款。
未来，在社区商业可持续发展的问题上，万科可以借鉴领汇的成功经验，甚至可以引进领汇作为管理方，通过统一规划、集中管理树立品牌形象，提升社区品质。不难想象，万科把所有资源聚拢起来后，未来的想象空间会有多大。
甚至都不需要想象：客户住的房子、看病的医院、吃饭的食堂、买菜的菜市场、购物的超市、刷的银行卡，叠加一下是什么？完美的消费者。万科几乎拥有用户的任何信息、了解他的各种需求，甚至把控着他的时间节奏，也就是说，万科可以看人下菜了。
当占领市中心、新中心，开发各类商业综合体、购物中心，已经近于疯狂，一个商业中心甚至被切割成十多个小商业区，人流被极大分散，集群效应不再。此时逆势而为，占领人口基数更加庞大、更具消费能力的实体社区，打开一个与消费者深入接触的入口，进而抓住社区顾客，形成深度互动。对于像万科这样的以住宅为主的房地产公司来说，已经成为极具充满诱惑力和挑战力的事。
过去的社区商业，大多以临街商铺群、零售商店、便利店为主，仅仅满足社区周边居民“茶米油盐酱醋糖”的基础生活需求，即便是多达数十个小区构成的大社区，也很难看到统一经营和管理的品牌化社区商业服务。更何况近十年，电商的持续发烧，更是拉扯着大家直接跳向了虚拟社区，甚至有些能直接达成的交易与实现的体验，也被我们强行扯到了互联网上才能完成。
这样看来，实体社区几乎没有被真正重视过，但这也许恰是万科可以把增量做好的机会。
增量式编码器的速度检测接口设计 篇5
关键词：编码器,脉冲,速度检测
1 概述
光栅式测量是根据波动光学中光的干涉和衍射的特性[5], 利用光通过相叠的两片光栅片时形成莫尔条纹的原理设计的。光源为砷化稼红外发光二极管, 接收光电元件为光电池、光电二极管或者PIN光电管。主光栅和指示光栅在平行光照射下, 形成莫尔条纹, 它决定测量的精度。光电转换输出的信号是对两片光栅相对运动位移的放大后的莫尔条纹亮暗变化的真实反映。
转速是电动机中的一个重要物理量, 目前国内外常用的测量转速的方法有离心式转速表测速法、微电机测速法、光电码盘测速法以及霍尔元件测速法。离心式转速表和微电机测速都有现成的测速仪表, 容易得到。但转速表或测速机都要与电机同轴连接, 增加了电机机组安装难度, 另一方面有些电机功率很小, 转速表或测速机消耗的功率占了电机大部分, 所以对有些电机的测速, 这2种方法不适用。霍尔元件和光电码盘的测速方法基本类似, 都是在转轴上安装一个很轻巧的传感器, 将电机的转动信号通过霍尔元件或光电码盘转换为电脉冲, 从而通过计算电脉冲的个数来测速。
增量式编码器, 结构简单、成本低、精度高、分辨能力强, 易于与数字器件接口, 是作为速度及位置检测元件的优先选择。因此, 如何充分利用增量式编码器的检测精度, 保证在较宽运行范围内都能获取可靠的速度信息, 使得速度控制的能够有效进行, 是一个亟待解决的实际问题, 能够合理解决该问题的速度接口必将具有广阔的应用前景。
2 增量式编码器的测速方法
光电式测速系统具有低惯性、低噪声、高分辨率和高精度的优点, 因此它常常用于高精度电机转速的测量系统中。数字式转速测量方法中常用的主要有以下三种:M法、T法和M/T法, 本论文采用M法进行测试。
M法即在规定的时间间隔Tg内, 测量所产生的脉冲数来获得被测速度值, 这种方法称为M法测速。
设光电脉冲编码器每转一圈发出的脉冲数为P, 且在规定的时间Tg (s) 内, 测得脉冲数为m1, 如图1所示。
M法测速的技术指标:
由上式得, 在M法中测速分辨率与转速无关, 只与光电增量式编码器的P值和检测时间Tg有关。欲提高M法测速分辨率, 就需要改用较大P值的光电编码器或增加检测时间。
(2) M法的测量精度:此方法虽然检测时间一定, 但检测的起始时间具有随机性, 因此测量过程在极端情况下会产生±1个光电脉冲的检测误差, 则相对误差为1/m。当被测转速较高或由电机转动一圈发出的光电脉冲信号的个数较大时, 才有较高的测量精度。即随着转速增加, m1即增大, 相对误差会减小, 说明M法适用于高速测量场合。
式中:Tg为规定的检测时间。
在保持一定分辨率的情况下, 缩短检测时间的唯一办法是改用P值大的光电增量式编码器。
3 接口硬件设计
从硬件的总体结构可以看出, 整个硬件平台的核心是AVR系列Atmage16单片机, 速度检测及液晶实时显示, 这就需要Atmage16单片机通过辅助电路的配合, 才能实现硬件平台所需的各方面功能。硬件平台电路板上除了Atmage16单片机之外, 还需要有辅助Atmage16单片机实现功能的各种外围器件, 同时还要对电路板的各部分进行合理的供电, Atmage16单片机的最小系统、液晶显示电路、光耦电路、触发器等电路都要在电路板上出现。
硬件电路组成如图4所示。
编码器A, B两路信号, 通过光耦接入单片机, 通过捕获引脚, 捕获脉冲, 通过M法测出其转速, 用D触发器实现转向的判断, 并通过液晶屏显示, 完成设计要求。
参考影响硬件可靠性的因素, 为提升本系统硬件的可靠性, 本系统主要从硬件的电路原理图设计和PCB布线两方面来考虑, 采取如下措施:
(1) PCB布线宽度和安全距离不能太窄, 板子两面的走线尽量垂直, 走线不能有直角转弯, 电源线、地线以及电机控制线要粗, 保证电源线、地线不少于1mm宽度, 过孔孔径不能太小。本系统PCB信号线为10mil, 安全距离为10mil, 电源和地线线宽为50mil, 过孔外径50mil, 内径28mil;
(2) 电源采用大电容和小电容结合滤波, 芯片每个电源引脚加小电容滤波, 且电容尽量靠近芯片电源引脚;
(3) 晶振的时钟输出脚要尽可能的靠近处理器;
(4) 系统铺铜且铺铜接地。
根据原理图和电路设计可靠性原则, 本设计采用Protel 99 se电路设计软件设计原理图和PCB图, 设计了一个单层板, 所得电路PCB如图3所示, 电路板如图4所示。
4 系统测试
将设计好的增量式编码器的速度检测接口电路与电机连接好。如图5所示。
测试仪器有:泰克2024数字存储示波器, 直流稳压电源。
通过控制电机在不同转速下转动, 液晶屏实时显示转速, 与实际转速比较, 如表2所示。
通过数据比较得知, 用M法测编码器转速时, 在低速时, 误差比较大;在高速时, 误差比较小。
同时, 编码器在电机的驱动下转动, 可能因为外界的干扰, 而产生毛刺, 影响单片机捕获脉冲, 从而引起误差。
5 结论
本论文结合所设计的硬件, 设计了增量式编码器的速度检测电路软件, 分模块的逐个对硬件平台的各部分进行相应的调试, 最后对编码器的转速进行了测试, 测试结果达到设计要求。
参考文献
[1]何礼高.dsPIC30F电机与电源系列数字信号控制器原理与应用[M].北京:北京航空航天大学出版社, 2007:1-6.
[2]王帅.高精度多对极磁电式编码器研究[D].哈尔滨:哈尔滨工业大学, 2010.
[3]吕德刚.集成霍尔磁编码器的研究[D].哈尔滨:哈尔滨工业大学, 2009.
[4]张强, 吴红星, 谢宗武.基于单片机的电动机控制技术[M].北京:中国电力出版社, 2008:6-15.
[5]兰子穆.光学编码器电气特性在线检测技术研究[D].天津:天津大学.
[6]杨松涛, 和丽清, 安成斌.DSP在高精度数字式电机测速中的应用[J].红外与激光工程, 2006, 10 (35) .
[7]邓韶斌.基于AVR单片机的智能移动机器人控制系统研究与实现[D].南京:南京航空航天大学, 2009.
[8]马潮.AVR单片机嵌入式系统原理与应用实践[M].北京:北京航空航天大学出版社, 2007:2-55, 134.
增量式模型 篇6
关键词：FIUT,数据挖掘,频繁项集,次频繁项集,Pre-FIUT算法
0 引 言
频繁项集挖掘是关联规则最基本也是最重要的问题,近些年来一直是数据挖掘领域的研究热点。频繁项集挖掘算法大致可分为两类:一类是基于Agrawal提出的一种产生候选项集的Apriori算法[1]。另一类是基于Han等提出的无候选项集FP-Growth算法[2]。无论是类Apriori还是类 FP-Growth算法都属于批量式数据挖掘。传统的批量式算法无法更新、维护和管理已挖掘出来的关联规则,从而限制这些算法的应用。针对数据库频繁更新,一些增量式算法在近些年来被深入研究。目前可用的增量式算法有FUP[3] 、FUFP-tree[4]及Pre-FUFP[5]等。
当候选项集在新增事务集是频繁的,而在原始数据库中是非频繁时,FUP算法需要扫描原数据库。为了有效处理这部分候选项集,相关论文[10]提出次频繁项集的概念,当新增事务集较原数据库规模小时可以避免扫描原数据库。把FUP思想应用到FP-tree的动态更新上就产生了快速更新频繁模式树(FUFP)算法,Pre-FUFP算法是在FUFP算法基础上结合了Pre-large思想,在一定程度上避免了扫描原始数据库。频繁项目集增量更新算法(FIUP)[11]是处理最小支持度和事务数据库同时发生变化时的增量式频繁项集挖掘算法。
Pre-FUFP算法在挖掘频繁项集时需递归遍历FUFP-tree结构,时间效率较低。本文提出基于FIUT增量式算法Pre-FUIT,将次频繁项集概念(Pre-large思想)与用频繁超度量树(FIU-tree)结构获得频繁项集方法相结合进行增量式频繁项集挖掘,实验表明Pre-FUIT算法是有效可行的。
1 相关工作
1.1 增量式算法
增量式数据挖掘是针对交易数据库频繁更新而被提出的,FUP算法在Apriori算法的基础上使用DHP[8]算法减少更新后数据库的大小,当候选项集在新增事务集是频繁的而在原始数据库中是非频繁项目时,FUP算法需做必要的数据库扫描。为了有效处理这部分候选项集,有学者提出次频繁项目集的概念,把一部分在事务数据集更新后极有可能成为频繁项目的事务称为次频繁项目。FUFP算法是基于FP-Growth的,把FUP思想应用到FP-tree的动态更新上,有效地处理事务数据库更新后频繁项集的挖掘工作。
Pre-FUFP算法在FUFP算法基础上引入次频繁项的概念调整了FUFP-tree结构,增加了次频繁项头表及次频繁项结点。使用由两个用户自定义阈值确定的次频繁项集,当新增事务到来时,次频繁项集成为由非频繁项集到频繁项集的过渡。当数据库更新后Pre-FUFP保持和维护FUFP-tree结构。Pre-FUFP算法把事务集分成三个部分:频繁项集,次频繁项集和小项目集,分别对每一个部分处理,该算法在一定程度上避免了扫描原数据库。
但无论FUFP算法还是Pre-FUFP算法都是基于FP-Growth算法的,所以它们都受限于FP-Growth算法的瓶颈,递归地产生大量的条件FP-tree,这将耗费大量时间,为此,通过引入FIUT[6]算法采用直接检查叶子结点的支持计数进行频繁项集挖掘能减少这一过程消耗的时间。
1.2 次频繁项集的思想
次频繁项集概念的提出,减少了为维护和管理已挖掘出来的关联规则而再次扫描原数据库的需要。一个次频繁项集不是真正的频繁项集,而是在将来很有可能成为频繁项集。基于次频繁项目挖掘的算法引入了两个支持度阈值:支持阈值下限Sl和支持阈值上限Su,两个支持度阈值将数据项分为9种类型,如图1所示。
Case1、Case5、Case6、Case8和Case9不会造成频繁模式的变化;Case2、Case3和Case4的支持度已知,比较容易处理;通常新增事务集比原数据库规模小的得多,Case7在大部分情况下不会对最终的频繁模式造成影响。当新增事务集的规模小于安全值f时,Case7就不能成为频繁模式。f[10]的计算公式如下:
其中,Su 和Sl分别表示阈值上限和阈值下限;d表示原数据大小;f表示安全值。
2 Pre-FUIT算法
2.1 标记法D:原数据库;
T:新增事务集;
U:更新后完整的数据库(D∪T);
d:原数据库事务数;
t:新增交易事务数;
Sl:次频繁项目的支持阈值上限;
Su:次频繁项目的支持阈值上限,这里Su>Sl;
I :数据项;
SD(I):在数据库D中I出现的个数;
ST (I):在数据库T中I出现的个数;
SU(I):在数据库U中I出现的个数;
Delete_Items:更新数据库T要删除的数据项集;
Rescan_Items:需要重新扫描数据库判断是否频繁的数据项集。
2.2 Pre-FIU-tree结构描述
次频繁超度量树由次k项集(k-Pitemsets)构造而成。数据库进行扫描时,利用次频繁项目的低支持阈值上限Sl得到一个次频繁1项集,接下来进行数据库第二次扫描,剪枝掉每个事务集中的小项目,将其按字典顺序排列后添加到相应的次k项集中。然后依次用次k项集建成独立的,相对的k-PFIU-tree(M≤k≤1)。
2.3 Pre-FIUT算法的实现
输入:事务数据库D(d条记录)及其所有频繁项集L;次k-项集;新事务数据集T(t条记录);一个低支持阈值Sl和一个高支持阈值Su。
输出:数据库更新后的频繁模式。
步骤1 计算根据式(1)计算安全值f。
步骤2 扫描新的交易记录,获得所有数据项及其支持数。
步骤3 根据阈值下限Sl把新增事务集划分为两个部分,确定他们在原始数库中属于非小数据项还是小数据项。
步骤4 对于在原数据库中属于非小数据项的做如下步骤操作(Case1～Case6):
1) 计算SU(I)= SD(I)+ST(I)。
2) 如果SU(I)/(d+t)<Sl,则将I放入到Delete_Items中。
步骤5 对在Delete_Items中的事务I做如下操作:
1) 从次k项集中删除所有的I,更新次k项集。
2) 从新增事务集中删除所有的I。
步骤6 如果t<f,则从新增事务集中删除所有的小数据项I,执行步骤8。
否则,对于每个在原始数据库中属于小数据项,但在新交易中是非小数据项的(Case7、Case8)将其放入到Rescan_Items中。
步骤7 对在Rescan_Items中的事务I做如下几步操作:
1) 重新扫描原数据库来确定所有事务I的SD(I)。
2) 计算SU(I)= SD(I)+ST(I)。
3) 如果SU(I)/(d+t)<Sl,则从新增交易中删除I。
否则,再次扫描原数据更新原数据库的次k项集。
步骤8 更新次k项集,将新增的次k项集合并到原数据库的次k项集中。对在新增事务集和原始数据库中都属于小项目的I直接在更新后的新增事务集中删除,得到新增事务的次k-项集。
步骤9 利用次k-项集(M≤k≤2,M表示次k项集中最大的项目个数)建立相对的、独立的k项次频繁超度量树(k-PFIU-tree)用Su作为最低支持阈值,挖掘k-PFIU-tree,释放k-PFIU-tree。得到频繁项集。(具体步骤参见FIUT算法)
2.4 示 例
原数据库和新增事务集如表1所示,表中共有10个交易和9个项目.标记从a到i,设定阈值下限Sl =30%,阈值上限Su=50%。对于原数据库,项目a,b,c,f和g是频繁项目而次频繁项目是c,d,e。
步骤1 对新事务的安全值f计算如下:
步骤2 扫描新增事务集得到其所有数据项及其支持计数。结果如表2所示。
步骤3 把新增事务集划分为两个部分:非小数据项{a}{b}{c}{d}{e}{f}{g}{h}和小数据项{i}。
步骤4 对每个在原数据库中属于非小数据项的{a}{b}{c}{d}{e}{f}{g}{h},做如下步骤操作:
SU(I)= SD(I)+ST(I),有SU(I)/(d+t)<0.3的项,将{c}{e}放入到Delete_Items中。
步骤5 对在Delete_Items中的事务{c}{e}做如下操作:
1) 将原数库的次 k-项目集中删除含有{c}{e}事务项中的{c}{e}项,更新次k-项目集。
2) 从新增事务集中删除所有的{c}{e}。
步骤6 由于f>3(这里f=4),3是新增事务的个数,所以可以直接舍弃新增事务集中在原数据库中属于小数据项i,执行步骤8。
步骤7 将新增次k项集合并到原数据库次k项集得到表3所示的次k-项目集(2≤k≤4)。
步骤8 利用次4-itemsets建立相对独立的的4-FIU-tree(如图2所示),用50%作为最低支持阈值,挖掘4- PFIU -tree,查看叶子结点不存在频繁项集。释放内存中构建的4-PFIU-tree;将次4-itemsets分解成次3-itemsets得到(abd:2,abf:2,adf:2,bdf:2,abf:1,abg:1,afg:1,bfg:1,bdf:2,bdg:2,bfg:2,dfg:2)联合原有的次3-itemsets得到如图3所示的3-PFIU-tree结构,检查叶子结点,不存在频繁项集。释放内存中构建的3-PFIU-tree。将次4-itemsets分解成次2-itemsets得到(ab:2,ad:2,af:2,bd:2,bf:2,df:2,ab:1,af:1,ag:1,bf:1,bg:1,fg:1,bd:2,bf:2,bg:2,df:2,dg:2,fg:2),将次3-itemsets分解成次2-itemsets得到(ab:1,ag:1,bg:1,ab:3,af:3,bf:3,ab:2,ad:2,bd:2,ad:1,ag:1,dg:1)联合原有的次2-itemsets得到如图4所示的2-PFIU-tree结构,检查叶子结点,存在频繁项集。释放内存中构建的2-PFIU-tree。最后得到频繁项集{ab:10,bf:7,a:11,b:11,f:7}。
2.5 实验结果与分析
本文用Matlab实现了FIUT、Pre-FUFP以及Pre-FIUT算法。实验在相同环境下进行。实验环境为:Windows XP系统,2.66GHz奔腾4处理器,512MB内存。使用文献[5]中BMS-POS数据库进行测试。BMS-POS数据库具有515,597个事务,每个事务平均项数为6.5。BMS-POS数据库前500,000个事务被提取出来做为原数据库,接下来在BMS-POS数据库中提取3000个事务为新增事务集。阈值的上限设为7%～15%,每次递增2%,阈值下限设为1%～3%,每次递增1%。实验是对非增量算法FIUT、增量算法Pre-FUFP和增量算法Pre-FIUT 3种算法执行时间的对比。结果如图 5所示。
图5表明BMS-POS在较低支持度下各算法效率的变化情况,支持度从7%到15%,随着支持度的升高,满足最小支持度的频繁项集长度和个数快速减少,各算法消耗的时间也随之减少,其中FIUT算法执行时间变化最大,花费时间最多,Pre-FIUT较Pre-FUFP所花费的时间少。
通过实验和理论分析,本文算法引入Pre-large 思想结合FIUT算法,在获取频繁项集时,不再使用FP-Growth递归地挖掘FP-tree,在一定程度上提高了算法的效率,图5显示Pre-FIUT算法的时间优越性。然而我们也发现随着测试集的增大和支持度的降低,这几个算法时间花费明显增大。
3 结 语
针对Pre-FUFP算法的不足提出Pre-FIUT算法,在处理次频繁项集上引入次频繁超度量树结构,Pre-FIUT算法不需要递归构建条件FP-tree挖掘频繁项集,对k-FIU-Tree叶子结点进行扫描就能得到所有的k-项频繁项集及其支持度,提高了算法效率。同时结合次频繁项概念,减少维护和管理已挖掘出来的关联规则而再次扫描原始数据库的需要。大部分情况下Pre-FIUT算法仅需扫描数据库中新增事务集的部分,但是当有项目从非频繁项转变成频繁项时,仍然需要重新扫描整个数据库,下一步工作将要对这方面进行改进。
参考文献
[1]Agrawal R,Srikant R.Fast algorithm for mining association rules[C]//The International Conference on Very Large Data Bases,1994:487-499.
[2]Han J W,Pei J,Yin Y W,et al.Mining frequent patterns without candi-date generation:a frequent-pattern tree approach[J].DataMining andKnowledge Discovery,2004,8(1):53-87.
[3]Cheung D W,Han J,Ng V T,et al.Maintenance of discovered associa-tion rules in large databases:An incremental updating approach[C]//The Twelfth IEEE International Conference on Data Engineering,1996:106-114.
[4]Hong T P,Lin C W,Wu Y L.Incrementally fast updated frequent pat-tern trees[J].Expert Systems with Applications,2008,34(4):2424-2435.
[5]Wei ong,Yang Bingru,Xu Zhangyan.Using the Structure of PrelargeTrees to Incrementally Mine Frequent Itemsets[J].New GenerationComputing,2010:5-20.
[6]Tsay Yuhjiuan,Hsu Tainjung,Yu Jingrung.FIUT:A new method formining frequent itemsets[J].Information Sciences,2009:1724-1737.
[7]Han J,Kamber M.Data Mining Concepts and Techniques,MorganKaufmann,San Francisco,2006.
[8]Park J S,Chen M S,Yu P S.Using a hash-based method with transac-tion trimming for mining association rules[J].IEEE Transactions onKnowledge and Data Engineering,1997,9(5):812-825.
[9]Liu G,Lu H,Yu J X.CFP-tree:a compact disk-based structure for sto-ring and querying frequent itemsets[J].Information Sciences,2007,32:295-319.
[10]Hong T P,Wang C Y,Tao Y H.A new incremental data mining algo-rithm using pre-large itemsets[J].Intelligent Data Analysis,2001,5(2):111-129.
[11]朱玉全,孙志挥,季小俊.基于频繁式树的关联规则增量式更新算法[J].软件学报,2003,26(1):91-96.
增量式模型 篇7
关键词：信息抽取,频繁项目集,增量式FPGrowth,关联规则
0 引言
Web信息抽取(Web Information Extraction,Web IE)[1]是将Web作为信息源的一类信息抽取,研究如何将分散在Internet上的半结构化的Web页面中的隐含的信息点提取出来,并以更为结构化、语义更为清晰的形式表示,为数据挖掘提供了海量、可用的数据源,可以根据数据的特点进行各种数据挖掘研究[2]。其中关联规则的挖掘(Associate Rule Mining)可以找到数据中隐藏的关联关系,是关联知识发现中常用的方法,如Agrawal等提出的Apriori算法[3]是可以挖掘关联规则的算法,但在产生关联规则时需要生成大量的候选项目集。为了避免生成候选项目集,Han等提出了基于FP_tree生成频繁项目集的FP_Growth算法[4]。FP_Growth采取模式增长的递归策略,其挖掘过程是一种分而治之的过程,但算法效率的瓶颈主要集中在依次逐个扫描排序后的频繁项来构造FP_tree上,当数据库很大时,构造基于内存的FP_tree是不现实的。
而且Web数据的发布具有增量性和海量性的特点,持续的数据发布会在短时间产生大量的数据;同时,为了发现用户感兴趣的规则,需要不断调整最小支持度和最小可信度这两个阈值,直到发现自己感兴趣、可理解的规则。面对这个动态的交互过程,要求关联规则的挖掘算法能够适应Web信息的特点,具有增量式挖掘的能力。已有研究者从不同方面给出了频繁项目集的更新方法,如FUP算法[5]解决了数据库内容增加时的频繁项目集的更新问题,IUA算法解决了最小支持度发生变化时的频繁项目集连续更新问题。本文主要针对Web信息抽取中,大量增量数据到达时如何及时更新FP_tree,通过对FP_Growth算法进行改进,实现关联规则的提取。
1 问题描述
设I={i1,i2,…,im}是m个不同项目的集合,给定事务数据库D,其中所包含的事务数记为|D|。对于项目集X⊆I,在D中的支持数是指D中包含X的事务数,记为X.count;在D中的支持度是指D中包含X事务的百分比,记为X.sup。的支持数X.count与支持度X.sup的关系是:X.count=X.sup×|D|[6]。
定义1如果项目集X⊆I的支持度X.sup或支持数X.count不小于用户给定的最小支持度阈值s或最小支持数阈值ξ,即X.sup≥s或X.count≥ξ,则称X为D中的频繁项目集,否则为非频繁项目集。
动态数据环境下,由于新增数据集ΔD的到来,频繁项目集X⊆I若在ΔD也是频繁项目,则在D∪ΔD中一定是频繁项目;若在ΔD中是非频繁的,则在D∪ΔD中不一定是频繁项目或非频繁项目;同样,D中的非频繁项目若在ΔD也是非频繁的,则在D∪ΔD一定是非频繁的;若在ΔD是频繁项目,则在D∪ΔD中不一定是频繁项目或非频繁项目。为了有效更新FP_tree,用边际增长率和潜在频繁的概念来衡量动态数据环境下交易项目的变化趋势。
定义2若项目X的增长率为:
rX=X.countΔD/X.countΔD,数据库D的增长率为:
rD=|D|/|ΔD|,则一个项目的边际增长率为:
定义3对于给定的边际增长率阈值σ,如果满足Xmar_sup≥σ,一个项目X被认为是潜在频繁的。
因此,如果一个项目X在当前数据库D中是频繁的且满足Xmar_sup>1则它在D∪ΔD中一定是频繁的。FP_tree中表Header的更新不仅依赖于最小支持度阈值也取决于边际最小频率,表Header的项目包含频繁项目和潜在频繁项目。
这样,基于Web信息抽取的增量式FP_Growth挖掘算法问题描述如下:设基于FP_Growth算法以数据集D构造的频繁模式树为FP_tree,在时间间隔Δt内新增数据集ΔD,对于给定的最小支持度s和最小边际频率σ,如何不需重新扫描整个D∪ΔD即可更新FP_tree,从而提高算法的执行效率。
2 增量式FP_Growth挖掘算法
已知事务数据库D和最小支持度s,由FP_Growth算法经以下过程:
1)扫描D得到各项目频度,根据最小支持度,得频繁项集;
2)再扫描D,对每一交易中的所有频繁项目按Header表的次序插入到FP_tree中;
至此,可以得出一棵FP_tree:FT。
本文研究算法的核心是怎样在FT基础上基于新增数据集ΔD生成一棵新FP_tree:FT’,其效果等同于基于D∪ΔD生成的FP_tree。
3 算法性能分析与应用
在关联规则挖掘算法中,FP_Growth算法采用分治策略,首先两次扫描数据库将其压缩到一个FP_tree中,然后再对其进行挖掘产生频繁模式和规则,该方法因为避免了类Apriori算法多趟扫描数据库的缺陷而具有较高的效率,但其不能直接用于动态数据环境下,因为不能简单的用增量数据直接更新FP_tree,所以只能用FP_Growth算法再次扫描更新后的数据库产生新的FP_tree。而本文提出的增量式FP_Growth算法只要扫描新增数据库即可及时更新FP_tree,对于处理不断更新的庞大的Web信息抽取问题是非常合适的。
为了进一步验证增量式FP_Growth算法的优越性,本文用在内存512 MB,处理器Pentium 422.4 GHz,操作系统Windows XP的机器上采用vc++6.0与SQL Server数据库实现了FP-Growth算法和增量式FP-Growth算法。以zoll二手IT交易平台(http://flea.zol.com.cn)提供的二手IT产品交易情况进行Web信息抽取及实例分析,Wrapper[7]每天定时收集从Web页面中抽取消费者对各二手产品的类别、不同型号、厂家、不同价格的交易信息(约增加500条),存入本地数据库,再通过增量式FP-Growth算法及时更新FP-tree并提取频繁模式,生成关联规则以发现消费者对二手IT产品的购买偏好。抽取感兴趣的属性集A={lb(类别),pb(品牌),xh(型号),jg(价格),deal(交易量)}。价格和交易量进行离散化:
价格(百元):1以下,1-5,5-10,10-20,20-30,30-40,40-50,50以上
交易量(次数):50以下,50-100,100-500,500-1000,1000以上
得到算法执行时间如表1所示;得到的主要IT产品(如手机类)购买偏好(min_supp=0.1)如表2所示。
从表1中可以看出增量式FP_Growth由于只对增量数据库中生成频繁模式树,因此增加的算法执行时间很少,随着数据库的急速增大,算法效率上的优越性便体现出来。表2中可以看出手机类IT产品中对Nokia的品牌认可度最高,其次是Sony Ericsion和Dopod。
4 结束语
关联挖掘的核心是挖掘频繁项目集,FP_Growth算法能有效地挖掘频繁项目集,但在动态数据环境的Web信息抽取问题中,事务数据库频繁的动态更新使其很难实现频繁模式树的及时更新。为此,本文提出了一种增量式FP_Growth挖掘算法,即每次仅扫描新增数据库即可及时更新FP_tree。实验和应用表明,该算法能有效减少生成PT_Tree的时间,提高了挖掘效率。同时,该算法的思想也可以为增量式挖掘一般化的关联规则[8]提供借鉴。
参考文献
[1]Li Jianbo,Li Xiaohua,etc.Study of Semi-Structured Information Extraction Process Based-on XML[J],Journal of Information,2006(8):49-51.
[2]Kushmerick N.Wrapper Induction for Information Extracti0n.Ph.D Dissertation.Department of Computer Science.University of Washington.USA,1997.
[3]Agrawal R,Srikant R,Fast Algorithms for Mining Association Rules[C]//Proc.Of the 20th Int’l Conf.on Very Large Data Bases.Santiago,Chile:Morgan Kaufman,1994.
[4]Han Jiawei.Mining Frequent Patters Without Candidate Generation[C]//Proc.Of the 2000 ACM SIGMOD Conference on Management of Data.Dallas.TX,USA:[s.n.],2000.
[5]Cheung D W.Maintenance of Discovered Association Rules in Large Databases:An Incremental Updating Technique[C]//Proc.Of the 12th International Conference on Data Engineering.New Orleans Louisiana,USA:[s.n.],1996.
[6]赵岩,姚勇,刘志镜.基于FP_tree的频繁项目集增量式更新算法[J].计算机工程,2009.6(34):63-65.
[7]张友华,熊范纶,等.基于Web的增量式数据挖掘研究与应用[J].模式识别与人工智能,2004.4(17):491-496.
增量式模型 篇8
增量式旋转编码器是一种集光、机、电于一体的高精度角位置测量传感器,具有分辨率高、响应速度快、力矩小、 耗能低、性能可靠、使用寿命长等诸多优点,广泛应用于以机械位置或角度为控制对象的计算机闭环(半闭环)系统位置伺服控制系统中。增量式旋转编码器输出脉冲供后续电路计数,确定转过的角度以及判别转动的方向,可以实现多圈无限累积测量计数,电路设计时需要考虑抗抖动技术。所讨论的就是增量式旋转编码器的接口电路模块设计。
1 接口电路模块硬件设计
旋转编码器输出的脉冲信号不能直接送到计数器进行计数,应先进行相应电路调理设计。
1.1 去抖动电路
由于电动机的旋转或机械设备的振动,会使编码器输出脉冲抖动。为消除这一影响,本设计采取的措施是在每路脉冲输入端接上施密特触发反相器,以抑制低频抖动干扰。
1.2 四倍频细分电路
分析图中增量编码器的输出信号,在图中任取一个脉冲方波周期T,并取t1～t4四个时刻,分析图1(a)中t1～t4时刻的电平状态,并列于表1,若用信号Y抽象A,B的逻辑关系,通过分析表1可知,在一个周期T中,A,B两路信号各变化了两次,信号Y出现了四次变化,由表1可以求出Y与A,B为异或逻辑关系。用Y代替A,B作为记数脉冲,当输出一个脉冲A或脉冲B,将有四个脉冲Y输出,也即Y实现了对A,B信号的四倍频。由于A,B相差固定的90°且不随转速变化,因此具有自恒定四倍频锁相功能。
1.3 转向鉴相电路
A,B信号相差固定90°,当电动机正转时,A相超前B相90°,电动机反转时B相超前A相90°,如图2示。必须将这一信号检测出来,控制计数器,当电动机正转时加法计数,电动机反转时减法计数,如此便能实时跟踪电动机位置。用D触发器便能实现这一功能。如图3示,图中异或门实现A,B信号四倍频,D触发器实现方向鉴别。
2 接口电路模块软件设计
可逆计数器在CPLD中实现:表1中Y脉冲(图4中CLK)输入可逆计数器,当图中DER为高电平时计数器做增计数,当DER为低电平时做减计数,VHDL程序如下描述:
CONT:Process(CLK,RESET,DERECTION)
begin
if RESET=′0′ then
CONT16<=(others=>′0′);
elsif clk′event and clk=′1′ then
if DIRECTION=′1′ then
CONT16<=CONT16+1;
elsif DIRECTION=′0′ then
CONT16<=CONT16-1;
end if;
CONT:Process (CLK,RESET,DERECTION)
begin
if RESET=′0′ then
CONT16<=(others=>′0′);
elsif clk′event and clk=′1′ then
if DERECTION=′1′ then
CONT14<=CONT14+1;
elsif DERECTION=′0′ then
CONT14<=CONT14-1;
end if;
end if;
end Process CONT ;
LD:Process(CS2,WR)
begin
if WR′event and WR=′0′ then
if CS1=′0′ then
DAT8<=CONT14(7 DOWNTO 0);
elsif CS1=′1′ then
DAT8<=CONT14(15 DOWNTO 8);
end if;
end if;
end Process LD
上述VHDL程序中,进程CONT描述14位可逆计数器,随DIRECTION信号电平不同作加法或减法计数。14位计数器正好能满足1000线的编码器的A,B脉冲计数。进程LD描述的是与8位微处理器接口电路,将计数值的高6位和低8位分两次从总线DAT8总线送出。为保证外接CPU与CPLD的数据传输同步,由WR信号的下降沿控制数据输出。在CPU不操作该部分电路时释放总线,应使DAT8总线呈高阻态,故调用一个74LS244三态总线驱动库元件,接在DAT8后面,这样当不操作这部分电路时DAT8总线与CPU隔离。时序仿真如图4。顶层连接如图5。
3 应用[2]
3.1 基本计数
设旋转编码器每旋转一周,其计数脉冲个数为Np,则每一个脉冲代表的角度:
undefined脉冲 (1)
若计数脉冲为N,则电动机旋转角度为:
θ=p×N,度 (2)
在将旋转运动转变成直线运动时,设电动机辊子半径为r(m),则其编码器的位移分辨率:
undefined脉冲 (3)
若计数脉冲个数为N,则编码器测量的位移量:
s=ps×N,m (4)
3.2 修正计数
在实际中,通常要计算通电后的绝对角度和绝对位移。设Z计数器计数值为A,编码器分辨率为1000线,则修正后的角位移和线位置分别为:
pθ=(A×4000+N)×p,度 (5)
sl=(A×4000+N),m (6)
4 结语
本接口电路模块设计已借助8位单片机接口调试通过,同时对此设计稍加修改也可与16位的DSP或32位的ARM处理器连接工作,实用简便。
参考文献
[1]钞靖,王小椿,姜虹.基于FPGA的光电编码器四倍频电路设计[J].仪表技术,2007(6).17-18.
政策利好 增量可期 篇9
▲ 非标融资需求持续缩减，债券和低风险权益资产仍是未来理财产品配置的重点。
▲ 基本养老金和住房公积金入市，政策利好为债券市场带来机遇。
2015年银行、理财与保险资产配置总体情况
（一）银行：利润顺周期收缩，资产逆周期扩张，但风险偏好已降
2015年，我国16家上市银行净利润加速下滑，前三个季度净利润增速分别为5.4%、3.4%和1.8%。其中，五大行（中、农、工、建、交）前三季度累计净利润接近零增长，股份制银行净利润增速分化加大（2%～10%），城商行相对较高（15%～27%）。但上市银行总资产仍逆势扩张，前三季度五大行、股份制银行和城商行总资产同比分别增长10.1%、18.5%和25%，较2014年同期分别上升0.6、4.2和5.1个百分点。比较来看，五大行总资产扩张相对缓慢，股份制银行和城商行总资产增速明显加快（见图1）。
从上市银行总资产配置结构来看，与2015年初相比，2015年三季度末上市银行贷款占比下降，其中城商行甚至下滑3个百分点至36%，而节约资本且流动性和周转率更快的债券投资、表内非标和同业拆借则上升2～5个百分点（见图2），银行风险偏好整体下移。
一是信贷扩张意愿不足。16家上市银行贷款增速从2015年年初的11.7%降至三季度末的10.4%，其中五大行、股份制银行和城商行分别降至9.4%、13.1%和16.2%，广义贷存比整体下降。
二是第三季度表内非标投资剧烈收缩，环比下滑近3万亿元。本文在此以买入返售与应收款项之和来衡量银行表内非标投资。从单个季度来看，2015年第三季度，16家上市银行表内非标总资产新增量下滑9149亿元，较第二季度新增量大幅锐减2.95万亿元。从公布的单一信托数据来看（一般对应银行委托外部投资），新增规模从二季度的1.13万亿元降至三季度的3608亿元，与这一趋势相符。银行表内非标收缩的主要原因：（1）表外融资需求下降6万～8万亿元。三季度新增社会融资表外信贷（委托贷款+信托+未贴现汇票）仅1.24万亿元，而2013年、2014年同期则分别高达6.8万亿元和10.75万亿元。（2）股市衍生资产缩水2万亿元。股市大幅下跌、IPO暂停，使得近2万亿元与股票相关的场外配资、股权质押、定向增发产品、伞形信托、结构化产品遭遇清盘。（3）3.2万亿元的地方政府债务置换，使得与地方政府相关的平台融资、信托、非标资产等被置换。（4）经风险调整后，非标收益大幅下滑，吸引力相对降低。
三是标准化债券投资大幅增加，配置压力上升。2015年前三季度，16家上市银行债券投资（交易+可供出售+持有到期）累计2.95万亿元，较2014年同期多增1.75万亿元，累计同比增长21.2%。其中，五大行债券投资同比增长18.5%，股份制银行同比增长30.1%，城商行冲高增长44.2%。
四是现金和存放央行类资产数量下降。2015年，在多次降准后，大型银行、股份制银行和城商行的资本充足率分别从年初的19.5%、17.5%和15%降至年末的16%、14%和11%左右。在资金环境宽裕的条件下，低收益现金和存放央行类资产数量下降。
（二）银行理财：“资产荒”来袭，理财竞争仍停在“负债荒”时代
2015年，在宏观经济增速放缓的环境下，资金相比资产更加过剩，但银行对资产负债结构的调整相对滞后，尽管资产端总量在顺周期收缩，但负债端的竞争仍在逆周期扩张，尤其是在理财的竞争上，仍追求规模和市场份额的扩张，对零售端客户理财利率的定位仍维持在高位。
截至2015年末，银行理财余额已超过23.7万亿元，比2015年初增长8.3万亿元，占GDP的比重达到34%，占居民储蓄存款的比重超过40%，在体量上已相当于保险和信托资管的总和。2015年下半年以来，尽管部分大行开始主动收缩理财规模，但中小银行仍逆势加速扩张。
银行理财资产配置以债券及货币工具、银行存款、非标债权投资为主。从整体来看，债券及货币市场工具占比约为51%，规模为12.1万亿元；银行存款占比约为22.4%，规模约为5.3万亿元；非标资产投资占比15.7%，规模在3.7万亿元。此外，还包括权益投资、公募基金、衍生品和另类投资等，占比约为3.1%，规模在0.7万亿元左右。具体来看，银行理财的债券投资占资产的30%左右，其中以信用债投资为主，占债券投资的86%，总规模在6万亿元；利率债占比约为14%，总规模在1万亿元左右。从信用评级偏好来看，高信用评级占主体，AAA级占比53.49%，AA+级占比26.43%，AA级占比16.23%，AA-级及以下的低评级信用债约占3.8%。
银行理财非标资产结构中，各类收益权占比最大，接近30%，信托贷款占比16.63%，委托贷款占比9%，交易所委托债权占比7.72%。前述四项总和已超过63%。
（三）保险机构资产配置：结构多元化，股权投资空间大
截至2015年末，保险机构总资产为12.3万亿元，同比增长23%，比2015年初新增2.2万亿元，约占GDP的18%，可投资资金总额11.17万亿元，投资规模不断攀升。2015年，受益于上半年股市大幅上涨，保险综合投资收益率进一步劲升至7%～9%，创历史峰值（见图3）。
保险资产的可投资范围包括五大类，分别为流动性资产、固定收益资产、权益类资产、不动产和其他金融资产，涵盖了包括基础设施债权、不动产、非上市股权、理财、股指、衍生品、创业板等各类资产，成为跨行业、跨资产、跨平台的全牌照投资者。
在资产配置结构上，保险投资以风险和收益稳健的固定收益资产为主，占比约为40%～43%，平均收益率为3.5%～5%；银行存款是第二大配置资产，占比约为30%，平均收益率在3%左右；股票和基金投资占比10%～15%，投资收益受市场波动影响较大；长期股权投资及贷款占比5%～10%，投资收益约在6%～8%。此外，还包括买入返售资产、投资性房地产、保险资管产品等，占比为1%～2%左右。
nlc202309032355
2015年以来，保险资管的负债端资金成本进一步上行。2013年8月，监管政策方面取消了传统寿险保单 2.5%的利率上限，实行市场化竞争，保险资金成本逐步上升。截至2015年10月，平安、人寿的万能险利率已分别上升至4.5%和5.05%。在经济增速放缓和货币政策稳中偏宽松的背景下，投资端压力加大。
2015年以来，保险投资的风险偏好持续提升，存款和债券投资占比显著下滑，股票和基金投资大幅增加，另类投资（一般包括债权类投资、基础设施投资、股权类投资）更是迅猛上升。其中，存款和债券投资总量从2015年初的6.08万亿元上升至6.13万亿元，但占比从65%下降至57%；以风险资产为主的股票和基金投资，存量从1万亿元左右上升至1.48万亿元，占比从10%上升至15%；而以另类投资为主的其他投资继续大幅攀升，总量从2.2万亿元上升至2.98万亿元，占比从23%跃升至28%（见图4）。
（编者注：请将图4中的横轴“2014”改为“2014年末；“2015Q2”改为“2015年2季度末”）
自2015年三季度以来，保险机构以举牌方式增加权益风险资产配置，相继有安邦、前海、国华、富德生命、华夏、君康、阳光和百年等近10家险资参与举牌近30家上市公司。险资举牌的上市公司，一般以金融、地产和消费等主板蓝筹标的为主，一方面股息和净资产收益率（ROE）相对较高，另一方面通过举牌可以实施重大影响，从而采用权益法核算投资收益，不受二级市场股价波动的影响，是保险公司未来进行股权投资的一条重要道路。
银行、理财和保险新增资金与资产配置预测
（一）银行自营：资产、负债与风险再平衡，投资委外化增加
1.信用风险重定价，利率债安全价值凸显
2016年，银行资产端信用风险重定价压力突出，不良率持续上升。预计银行风险资产仍将继续收缩、风险偏好将持续下降。在这种情况下，债券资产尤其是利率债和优质信用债的安全性、流动性价值凸显。而从2015年四季度开始，一些缺乏资产配置能力的城商行和股份制银行已经开始主动、大幅地增持债券。
2.银行自营盘仍面临较大的被动配置压力
截至2015年10月末，银行全年配置盘累计增持债券近5万亿元，主要受到多次降准降息释放大量流动性、地方政府债务置换使得银行被动配置压力上升，以及经济和信用周期下行情况下银行风险偏好降低等因素的影响。预计2016年银行自营盘仍将配置较多的地方债资产。
3.融资表外化和投资委外化趋势延续
可以预见的是，在未来相当长的一段时间里，市场整体将缺乏高收益资产，只能通过寻找“价值洼地”来提高投资组合收益率。现有大型商业银行资产管理的规模过于庞大，因此将部分投资资金外包以获取主动资产管理的超额收益很可能是大势所趋。
4.资产转为顺周期收缩，投资组合前沿将扩展
预计银行总资产规模将从2015年的逆周期大幅扩张，转变为2016年的顺周期收缩。投资领域将从债券、信贷等类固定收益市场，逐步进入股票、股权、期货等资本市场，扩展投资组合的前沿。
（二）理财产品：债券和低风险类权益资产仍是配置重点
预计2016年银行理财规模将从2015年的约23万亿元上升到28万亿元，净增量为4万～5万亿元，增速有所放缓，部分大行甚至开始收缩保本理财等高成本负债。从收益率水平看，理财预期收益率将从目前的4.5%左右下降100bp至3.5%附近。
银行理财资产端平均久期为9个月左右，意味着平均每三个季度资产将全部重定价一次。其中，债券、货币市场工具、银行存款等资产的配置期限在一年以内，非标资产的期限一般在一年至一年半左右，委外资金投资期限一般也在一年左右，资产错配和杠杆水平并不高。随着年初非标、协议存款和委外权益资产陆续到期，商业银行资产将面临很大的再配置和重定价后收益率下行的压力。
2015年类固定收益资产的总供给在股市大幅下跌前为4.2万亿元，在股市下跌后只有2.8万亿元，且对于增发、配股、分级AB、股权质押等结构化产品，均面临股市下跌引发的流动性风险和本金亏损风险，其总的体量和风险调整的收益回报均难以满足理财资金大规模配置的需求。
（三）保险：2016年协议存款到期高峰，债券、股权投资上升
预计2016年保险资管规模将保持逆势扩张势头，同比增速维持在20%左右，年末将达到12.5万亿元，新增资金量近2.5万亿元，投资收益率将维持在目前6%～7%的较高水平。
1.协议存款面临到期高峰
在保险资产配置中，协议存款期限一般为5年，信托产品约为2年，债券平均久期为5年左右。2016年将面临大量协议存款（2011年配置）和非标信托产品（2013年非标扩张）到期的情况。
2.资产配置转换需求增加
2011年资金利率高企，保险5年期协议存款利率在5.5%左右，在当时的保险资产配置中占比35%左右，如果按5年到期来估算，2016—2017年协议存款到期量将在1.4万亿元左右，年新增到期量估计在3000亿～5000亿元。但目前最新的5年期协议存款利率在3.6%～4%左右，收益率下降明显，目前协议存款占比已压缩至25%上下，预计2016年将有4000亿元左右的协议存款到期，面临资产转换的配置压力（见图5）。
3.新增非标资产配置下降，增量资金重回金融资产
保险对非标的配置从2013年末才开始，由于非标（以信托产品为主）期限为2年左右，即将迎来到期高峰，但是对于不少大中型保险公司而言，非标投资面临无合适资产可配的困境。预计2016年保险新增的2.5万亿元资金中将有更大比重转移到债券、股票、基金、股权、不动产等资产上。
政策利好为债券市场带来机遇
nlc202309032355
（一）基本养老金入市，万亿元资金进场可期
养老保险资金是资本市场上最为重要的长期机构投资者，中国养老保险资金体系分为三大支柱，分别为基本养老基金、全国社保基金和企业年金。截至2014年末，这三类基金规模分别为3.56万亿元、1.53万亿元和7689亿元，总规模合计约为5.86万亿元。
以往我国的基本养老基金按规定进入财政专户，由各省级社保机构分散管理，投资范围仅限于国债和银行存款。根据社科院发布的《中国养老金发展报告》，在2001—2010年间，我国养老保险基金年均投资收益率低于2%，低于年均通胀值2.14%，资产面临贬值风险。
2015年8月，国务院发布《基本养老保险基金投资管理办法》，基本养老保险金投资范围大幅扩展，为债市带来长期新增资金和资产需求。养老金风险偏好和风险资产配置的提升是一个相对长期、缓慢的过程。就短期而言，将首先扩张对金融债、企业债、中票、地方政府债等中高等级债券的需求，以基本养老金3.6万亿元的规模预测，即使其中30%的资金用于投资债券，就将带来1万亿元以上的新增资金入场。此外，对股票、基建和股权等大类资产的投资也将逐步试水增长。（二）住房公积金入市，可投资利率债和高等级信用债
以往我国住房公积金仅能投资国债和委托存款，会面临贬值和收益率下滑的风险。截至2014年末，国债余额为48.86亿元。2014年公积金收入主要来源结构为委托存款利息405亿元，占比27%；委托贷款利息1082亿元，占比72.3%；国债利息和其他收入分别为6.08亿元和3.77亿元，合计占比0.65%。
2015年11月20日，国务院法制办就《住房公积金管理条例（修订送审稿）》征求意见。为促进资金保值增值，规定在保证公积金提取和贷款的前提下，可以将住房公积金用于购买国债、大额存单、地方政府债、政策性金融债、住房贷款支持证券（MBS）等高信用等级产品，这为住房公积金扩大投资范围带来了契机。
根据住建部披露，截至2015年7月末，中国住房公积金缴存职工1.1亿人，余额为3.97万亿元左右。根据新政策，扩大住房公积金进入债券市场规模，将为市场提供更多流动性，提高国债、地方政府债、政策性银行债、MBS和高等级信用债的市场需求，提高交易活跃度，预计每年可为市场带来超过5000亿元的新增资金，同时促进利率水平维持低位。
作者单位：国泰君安证券研究所
责任编辑：印颖 罗邦敏
增量式模型 篇10
显微维氏硬度计主要用于测量工件的维氏硬度参数,广泛应用于科研、生产的各个方面,在机械制造、冶金、造船、五金、化工、材料等领域应用普遍。
测量试样维氏硬度的原理[1]是采用正四棱锥体金刚石压头,在试验力作用下压入试样表面,保持规定时间后,卸除试验力,测量试样表面压痕对角线长度,再通过公式计算出试样的维氏硬度。维氏硬度值计算公式如下:
式中:HV——维氏硬度符号;
F——试验力,N;
d——压痕两对角线d1、d2的算术平均值,mm。
维氏硬度计适用于细小、纤薄的材料样品,以及氮化、渗碳、喷涂表面处理的试件和各种镀层的表面维氏硬度测试。
根据试样维氏硬度的测量原理,参数0.1891是常数,试验力F在选定后,亦是常数,那么唯一影响硬度值就只有变量d,故对角线测量的精确与否将影响试样的硬度值。
1 传统维氏硬度数据采集方式与缺点
传统维氏硬度数据的采集是采用测微目镜与人工读数相结合的方式。这种方式获取数据的精确性取决于测微目镜的物理结构、制作工艺和人体肉眼的观察力。
(1)测微目镜[2]结构的示意图如图1所示。测微目镜的主尺是刻在玻璃板上的九条刻线(8个格),刻线间距是1mm,它被固定装在架上。在主尺前方有一可移动的叉丝及双线读数标记,如图2所示,它随着鼓轮的转动而左右移动。
测微目镜的主尺是刻在玻璃板上的九条刻线,且间距是固定的,那么不同厂家、不同设备生产和不一样的生产工艺将影响到刻线的粗细、间距的宽窄,从而产生测量误差。
(2)读数原理
鼓轮每转一圈叉丝移动主尺的一格。鼓轮上刻有100等分的刻度,利用鼓轮刻度可读出格,再估计一位,可得格的读数,故测量数据只能精确到1μm,所以对于硬度值较高的材料,测量精度不能达到理想的要求。
通过测微目镜的结构原理与读数原理[3]可知,由于试验者操作的不确定性、刻度盘和鼓轮制造工艺的差异性,使不同操作者移动刻线的距离产生差异,从而直接产生测量的绝对误差。同时,由于人眼的个体差异、观测环境中光线亮度[4]、空气湿度等自然环境的影响,将使刻线读数直接产生较大的相对误差,同时,测微目镜的放大倍数为400倍,在高度放大倍数下,相对误差将被进一步放大。
根据维氏硬度测理原理(公式1),刻线微小的变化将被平方,进一步放大误差,从而使硬度值产生更大的偏差。
2 增量式旋转编码器数据采集原理
增量式旋转编码器是直接利用光电转换原理输出三组方波脉冲A、B和Z相,如图3所示;A、B两组脉冲相位差90°可方便地判断出旋转方向,而Z相为每转一个脉冲,用于基准点定位。
编码器的轴每转动一周即输出一定数量的脉冲,通过计数脉冲和机械调试的配合可以用来测量移动的距离。
在测微目镜壳体原来安装端盖的左侧安装一个其内孔与测微目镜同轴的支架,在支架外壁有一个装有用于夹持旋转编码器轴头的锁紧螺钉的螺孔。它可以通过旋转编码器与MCU相联以实现数据自动采集,而且原来作为测量元件的测微鼓轮仅仅起了推动可动读数分划板使位移传感器去执行测量指令这样一种驱动机构的作用,因而其测量精度与测微鼓轮的制造误差无关。在此维氏硬度计中选用了型号为OME-300-2CA的旋转编码器。
3 数据采集的算法[5]
通过测微尺设置,调节测微头的焦距和位置等物理参数,确定旋转编码器输出一个脉冲为0.01μm。相对于传统采集方法而言,精度上升了一个数量级,从而大大提高了测量精度。
因在实际测量过程中,需要来回调节旋转编码器以精确测量对角线的长度,涉及数据的增减。固定安装位置,采取正交方式采集脉冲数量,即正转统计A相脉冲数量,反转统计B相脉冲数量。如,NUM1记录A相脉冲数量,NUM2记录B相脉冲数量,在转动旋转编码器测量对角线时,正转NUM1递增,NUM2递减;反转NUM1递减,NUM2递增。
归零位的选择是通过外置清零按钮,当需要重新计数时,即可用清零按钮将NUM1和NUM2软件归零。
实例数据采集代码如下。
说明:定义了两个int类型的全局变量,D1D2_d计数A相脉冲,D1D2_d2计数B相脉冲。
4 结论
以9.8N力测量材料硬度为例,传统测量方法测得对角线长度分别为197.2μm和176.3μm,由公式一计算出结果,再乘以参数16(此参数为测微目镜放大倍率参数),得到材料硬度值为852.8HV;用旋转编码器测得对角线长度分别为200.56μm,197.78μm,由公式一计算出结果,再乘以参数16,得到材料硬度值为822.3HV。比较上述两个硬度值的差为30.5HV,由此可见,传统方法测量对角线所带来的误差是相当大的,在实际工作中,这样大的误差将给生产带来不便。
参考文献
[1]林巨才.现代硬度测量技术及应用[M].北京:中国计量出版社,2012.
[2]彭亚民.连续变倍显微镜的目镜设计[D].南京:南京理工大学,2007.
[3]徐连奎,陈怡.测微目镜-TV测读系统在测量金属线胀系数中的应用[J].沈阳航空工业学院学报,2006,23(4):92-93.
[4]孙学珠,付维乔.高精度CCD尺寸自动检测系统的光学系统设计[J].光学技术,1995(05):9-12.