Search This Blog

Friday, April 12, 2013

ctags

【前言】
    ctags是vim的一个非常有用的插件，可以大大提高程序编码(C、C++)的效率，比如快速调整到函数、变量定义处等等常用
功能，更详细的功能，自行百度。

【目的】
    在RHEL 5上面安装配置vim插件ctags

【前提条件】
    vim已经安装

【安装ctags】
    1、首先确定自己是否已经安装了ctag：

[root@ericsson:~]#which ctags/usr/bin/ctags
    如果结果如上，证明已经安装了该插件，则跳过下面步骤。
    如果找不到，极有可能ctags还没安装，安装步骤如下：
    1、下载ctags：http://ctags.sourceforge.net
    2、上传到linux,解压,假设目录为:/tmp/ctags
    3、确保/tmp/ctags/configure文件有执行权限，执行该文件：/tmp/ctags/configure
    4、执行命令:make;make install
    如果顺利，上面4个步骤可以成功安装ctags

【配置ctags】
    假设你要编译的源代码目录位置为:/worksapce/weather
    执行下面操作,生成tags标签文件：
复制代码

[root@ericsson:/workspace/weather]#pwd/workspace/weather
[root@ericsson:/workspace/weather]#ls
dispacth.cpp  dispacth.h  main.cpp
[root@ericsson:/workspace/weather]#ctags -R *
[root@ericsson:/workspace/weather]#ls 
dispacth.cpp  dispacth.h  main.cpp  tags
复制代码
   
    vim的配置文件有下面三个：
        system vimrc file: "/etc/vimrc"
        user vimrc file: "$HOME/.vimrc"
        user exrc file: "$HOME/.exrc"
    我本机配置vim是针对全局的，所以修改/etc/vimrc文件，在文件最后添加下面内容：

set tags=/workspace/weather/tags


   
       如果有多个tags文件则用逗号隔开（tags文件名可以相同），设置完tags变量之后，使用如下：


[root@ericsson:/workspace/weather]#ls
a.out  dispacth.cpp  dispacth.h  main.cpp  tags
[root@ericsson:/workspace/weather]#vi -t ttcs
    ttcs是函数名，被定义在main.cpp,如果ctags安装配置正确，则会自动跳到该函数定义处，如果有多个函数，则会出现一个列表。如果
出现：“E257: cstag: tag not found ”，建议重新到代码目录，运行:ctags -R *
at

How to use cscope and ctags

(suppose cscope, ctags and vim are all installed
check:
which cscope)

First, generate database files:

1.
find . -name "*.h" -o -name "*.c"  > cscope.files
cscope -bkq -i cscope.files
2.
ctags -R *

Second, modify ~/.vimrc

add:

set tags=tags;                              (maybe need to explicity point out the path)
set autochdir

Third,

in vim, run:
 : cscope add cscope.out
at

Wednesday, February 22, 2012

Vector quantization

 http://en.wikipedia.org/wiki/Vector_quantization

Vector quantization

From Wikipedia, the free encyclopedia
Wiki letter w.svg
 Please expand this article.
More information might be found in a section of the talk page. (February 2009)
Vector quantization is a classical quantization technique from signal processing which allows the modeling of probability density functions by the distribution of prototype vectors. It was originally used for data compression. It works by dividing a large set of points (vectors) into groups having approximately the same number of points closest to them. Each group is represented by its centroid point, as in k-means and some other clustering algorithms.
The density matching property of vector quantization is powerful, especially for identifying the density of large and high-dimensioned data. Since data points are represented by the index of their closest centroid, commonly occurring data have low error, and rare data high error. This is why VQ is suitable for lossy data compression. It can also be used for lossy data correction and density estimation.
Vector quantization is based on the competitive learning paradigm, so it is closely related to the self-organizing map model.

Contents

 [hide] 

[edit] Training

A simple training algorithm for vector quantization is:
  1. Pick a sample point at random
  2. Move the nearest quantization vector centroid towards this sample point, by a small fraction of the distance
  3. Repeat
A more sophisticated algorithm reduces the bias in the density matching estimation, and ensures that all points are used, by including an extra sensitivity parameter:
  1. Increase each centroid's sensitivity by a small amount
  2. Pick a sample point at random
  3. Find the quantization vector centroid with the smallest <distance-sensitivity>
    1. Move the chosen centroid toward the sample point by a small fraction of the distance
    2. Set the chosen centroid's sensitivity to zero
  4. Repeat
It is desirable to use a cooling schedule to produce convergence: see Simulated annealing.
The algorithm can be iteratively updated with 'live' data, rather than by picking random points from a data set, but this will introduce some bias if the data is temporally correlated over many samples.

[edit] Applications

Vector quantization is used for lossy data compression, lossy data correction and density estimation.
Lossy data correction, or prediction, is used to recover data missing from some dimensions. It is done by finding the nearest group with the data dimensions available, then predicting the result based on the values for the missing dimensions, assuming that they will have the same value as the group's centroid.
For density estimation, the area/volume that is closer to a particular centroid than to any other is inversely proportional to the density (due to the density matching property of the algorithm).

[edit] Use in data compression

Vector quantization, also called "block quantization" or "pattern matching quantization" is often used in lossy data compression. It works by encoding values from a multidimensional vector space into a finite set of values from a discrete subspace of lower dimension. A lower-space vector requires less storage space, so the data is compressed. Due to the density matching property of vector quantization, the compressed data have errors that are inversely proportional to their density.
The transformation is usually done by projection or by using a codebook. In some cases, a codebook can be also used to entropy code the discrete value in the same step, by generating a prefix coded variable-length encoded value as its output.
The set of discrete amplitude levels is quantized jointly rather than each sample being quantized separately. Consider a K-dimensional vector [x1,x2,...,xk] of amplitude levels. It is compressed by choosing the nearest matching vector from a set of N-dimensional vectors [y1,y2,...,yn].
All possible combinations of the N-dimensional vector [y1,y2,...,yn] form the vector space to which all the quantized vectors belong.
Block Diagram: A simple vector quantizer is shown below

Only the index of the codeword in the codebook is sent instead of the quantized values. This conserves space and achieves more compression.
Twin vector quantization (VQF) is part of the MPEG-4 standard dealing with time domain weighted interleaved vector quantization.

[edit] Video codecs based on vector quantization

This list is incomplete; you can help by expanding it.
and old versions of its spiritual successors:
All of which are superseded by the MPEG family.

[edit] Audio codecs based on vector quantization

This list is incomplete; you can help by expanding it.

[edit] See also


Part of this article was originally based on material from the Free On-line Dictionary of Computing and is used with permission under the GFDL.

[edit] References

  1. ^ "Vorbis I Specification". Xiph.org. 2007-03-09. Retrieved 2007-03-09.

[edit] External links

View page ratings
Rate this page
What's this?
Trustworthy
Objective
Complete
Well-written
at

Delaunay三角剖分算法

http://baike.baidu.com/view/1691145.htm

Delaunay三角剖分算法

目录
1. 三角剖分与Delaunay剖分的定义
1.1.三角剖分定义
1.2. Delaunay三角剖分的定义
1.3.Delaunay三角剖分的准则
1.4.Delaunay三角剖分的特性
1.5.局部最优化处理
2.Delaunay剖分的算法
2.1.Lawson算法
展开
  

编辑本段1. 三角剖分与Delaunay剖分的定义

如何把一个散点集合剖分成不均匀的三角形网格，这就是散点集的三角剖分问题，散点集的三角剖分，对数值分析以及图形学来说，都是极为重要的一项预处理技术。该问题图示如下：

编辑本段1.1.三角剖分定义

【定义】三角剖分：假设V是二维实数域上的有限点集，边e是由点集中的点作为端点构成的封闭线段, E为e的集合。那么该点集V的一个三角剖分T=(V,E)是一个平面图G，该平面图满足条件： 　　1.除了端点，平面图中的边不包含点集中的任何点。 　　2.没有相交边。 　　3.平面图中所有的面都是三角面，且所有三角面的合集是散点集V的凸包。

编辑本段1.2. Delaunay三角剖分的定义

在实际中运用的最多的三角剖分是Delaunay三角剖分，它是一种特殊的三角剖分。先从Delaunay边说起： 　　
【定义】Delaunay边：假设E中的一条边e（两个端点为a,b），e若满足下列条件，则称之为Delaunay边：存在一个圆经过a,b两点，圆内(注意是圆内，圆上最多三点共圆)不含点集V中任何其他的点，这一特性又称空圆特性。 　
【定义】Delaunay三角剖分：如果点集V的一个三角剖分T只包含Delaunay边，那么该三角剖分称为Delaunay三角剖分。

编辑本段1.3.Delaunay三角剖分的准则

要满足Delaunay三角剖分的定义，必须符合两个重要的准则： 　　1、空圆特性：Delaunay三角网是唯一的（任意四点不能共圆），在Delaunay三角形网中任一三角形的外接圆范围内不会有其它点存在。如下图所示：
  
2、最大化最小角特性：在散点集可能形成的三角剖分中，Delaunay三角剖分所形成的三角形的最小角最大。从这个意义上讲，Delaunay 三角网是“最接近于规则化的“的三角网。具体的说是指在两个相邻的三角形构成凸四边形的对角线，在相互交换后，六个内角的最小角不再增大。如下图所示：
  

编辑本段1.4.Delaunay三角剖分的特性

以下是Delaunay剖分所具备的优异特性： 　　1.最接近：以最近临的三点形成三角形，且各线段(三角形的边)皆不相交。 　　2.唯一性：不论从区域何处开始构建，最终都将得到一致的结果。 　　3.最优性：任意两个相邻三角形形成的凸四边形的对角线如果可以互换的话，那么两个三角形六个内角中最小的角度不会变大。 　　4.最规则：如果将三角网中的每个三角形的最小角进行升序排列，则Delaunay三角网的排列得到的数值最大。 　　5.区域性：新增、删除、移动某一个顶点时只会影响临近的三角形。 　　6.具有凸多边形的外壳：三角网最外层的边界形成一个凸多边形的外壳。

编辑本段1.5.局部最优化处理

理论上为了构造Delaunay三角网，Lawson提出的局部优化过程LOP(Local Optimization Procedure)，一般三角网经过LOP处理，即可确保成为Delaunay三角网，其基本做法如下所示： 　　1.将两个具有共同边的三角形合成一个多边形。 　　2.以最大空圆准则作检查，看其第四个顶点是否在三角形的外接圆之内。 　　3.如果在，修正对角线即将对角线对调，即完成局部优化过程的处理。 　　LOP处理过程如下图所示：
  

编辑本段2.Delaunay剖分的算法

Delaunay剖分是一种三角剖分的标准，实现它有多种算法。

编辑本段2.1.Lawson算法

逐点插入的Lawson算法是Lawson在1977年提出的，该算法思路简单，易于编程实现。基本原理为：首先建立一个大的三角形或多边形，把所有数 据点包围起来，向其中插入一点，该点与包含它的三角形三个顶点相连，形成三个新的三角形，然后逐个对它们进行空外接圆检测，同时用Lawson设计的局部 优化过程LOP进行优化，即通过交换对角线的方法来保证所形成的三角网为Delaunay三角网。 　　上述基于散点的构网算法理论严密、唯一性好，网格满足空圆特性，较为理想。由其逐点插入的构网 过程可知，遇到非Delaunay边时，通过删除调整，可以构造形成新的Delaunay边。在完成构网后，增加新点时，无需对所有的点进行重新构网，只 需对新点的影响三角形范围进行局部联网，且局部联网的方法简单易行。同样，点的删除、移动也可快速动态地进行。但在实际应用当中，这种构网算法当点集较大 时构网速度也较慢，如果点集范围是非凸区域或者存在内环，则会产生非法三角形。 　　如下图所示：当离散点集构成圆环时，Lawson算法产生的非法三角形
  
离散点集合
  
正确的三角剖分
  
Lawson算法产生的三角剖分

编辑本段2.2.Bowyer-Watson算法

Lawson算法（Lawson???）的基本步骤是： 　　1、构造一个超级三角形，包含所有散点，放入三角形链表。 　　2、将点集中的散点依次插入，在三角形链表中找出其外接圆包含插入点的三角形（称为该点的影响三角形），删除影响三角形的公共边，将插入点同影响三角形的全部顶点连接起来，从而完成一个点在Delaunay三角形链表中的插入。 　　3、根据优化准则对局部新形成的三角形进行优化。将形成的三角形放入Delaunay三角形链表。 　　4、循环执行上述第2步，直到所有散点插入完毕。 　　这一算法的关键的第2步图示如下：
  
at

Monday, February 20, 2012

Hierarchical clustering

http://en.wikipedia.org/wiki/Hierarchical_clustering

Hierarchical clustering

From Wikipedia, the free encyclopedia
In statistics, hierarchical clustering is a method of cluster analysis which seeks to build a hierarchy of clusters. Strategies for hierarchical clustering generally fall into two types:
  • Agglomerative: This is a "bottom up" approach: each observation starts in its own cluster, and pairs of clusters are merged as one moves up the hierarchy.
  • Divisive: This is a "top down" approach: all observations start in one cluster, and splits are performed recursively as one moves down the hierarchy.
In general, the merges and splits are determined in a greedy manner. The results of hierarchical clustering are usually presented in a dendrogram.
In the general case, the complexity of agglomerative clustering is \mathcal{O}(n^3), which makes them too slow for large data sets. Divisive clustering with an exhaustive search is \mathcal{O}(2^n), which is even worse. However, for some special cases, optimal efficient agglomerative methods (of complexity \mathcal{O}(n^2)) are known: SLINK[1] for single-linkage and CLINK[2] for complete-linkage clustering.

Contents

 [hide] 

[edit] Cluster dissimilarity

In order to decide which clusters should be combined (for agglomerative), or where a cluster should be split (for divisive), a measure of dissimilarity between sets of observations is required. In most methods of hierarchical clustering, this is achieved by use of an appropriate metric (a measure of distance between pairs of observations), and a linkage criterion which specifies the dissimilarity of sets as a function of the pairwise distances of observations in the sets.

[edit] Metric

Further information: metric (mathematics)
The choice of an appropriate metric will influence the shape of the clusters, as some elements may be close to one another according to one distance and farther away according to another. For example, in a 2-dimensional space, the distance between the point (1,0) and the origin (0,0) is always 1 according to the usual norms, but the distance between the point (1,1) and the origin (0,0) can be 2, \scriptstyle\sqrt{2} or 1 under Manhattan distance, Euclidean distance or maximum distance respectively.
Some commonly used metrics for hierarchical clustering are:[3]
Names Formula
Euclidean distance \|a-b \|_2 = \sqrt{\sum_i (a_i-b_i)^2}
squared Euclidean distance \|a-b \|_2^2 = \sum_i (a_i-b_i)^2
Manhattan distance \|a-b \|_1 = \sum_i |a_i-b_i|
maximum distance \|a-b \|_\infty = \max_i |a_i-b_i|
Mahalanobis distance \sqrt{(a-b)^{\top}S^{-1}(a-b)} where S is the covariance matrix
cosine similarity \frac{a \cdot b}{\|a\| \|b\|}
For text or other non-numeric data, metrics such as the Hamming distance or Levenshtein distance are often used.
A review of cluster analysis in health psychology research found that the most common distance measure in published studies in that research area is the Euclidean distance or the squared Euclidean distance.[citation needed]

[edit] Linkage criteria

The linkage criteria determines the distance between sets of observations as a function of the pairwise distances between observations.
Some commonly used linkage criteria between two sets of observations A and B are:[4][5]
Names Formula
Maximum or complete linkage clustering \max \, \{\, d(a,b) : a \in A,\, b \in B \,\}.
Minimum or single-linkage clustering \min \, \{\, d(a,b) : a \in A,\, b \in B \,\}.
Mean or average linkage clustering, or UPGMA \frac{1}{|A| |B|} \sum_{a \in A }\sum_{ b \in B} d(a,b).
Minimum energy clustering \frac {2}{nm}\sum_{i,j=1}^{n,m} \|a_i- b_j\|_2 - \frac {1}{n^2}\sum_{i,j=1}^{n} \|a_i-a_j\|_2 - \frac{1}{m^2}\sum_{i,j=1}^{m} \|b_i-b_j\|_2
where d is the chosen metric. Other linkage criteria include:
  • The sum of all intra-cluster variance.
  • The increase in variance for the cluster being merged ( Ward's criterion).[6]
  • The probability that candidate clusters spawn from the same distribution function (V-linkage).

[edit] Discussion

Hierarchical clustering has the distinct advantage that any valid measure of distance can be used. In fact, the observations themselves are not required: all that is used is a matrix of distances.

[edit] Example for Agglomerative Clustering

For example, suppose this data is to be clustered, and the Euclidean distance is the distance metric.
Cutting the tree at a given height will give a partitioning clustering at a selected precision. In this example, cutting after the second row will yield clusters {a} {b c} {d e} {f}. Cutting after the third row will yield clusters {a} {b c} {d e f}, which is a coarser clustering, with a smaller number of larger clusters.
Raw data
The hierarchical clustering dendrogram would be as such:
Traditional representation
This method builds the hierarchy from the individual elements by progressively merging clusters. In our example, we have six elements {a} {b} {c} {d} {e} and {f}. The first step is to determine which elements to merge in a cluster. Usually, we want to take the two closest elements, according to the chosen distance.
Optionally, one can also construct a distance matrix at this stage, where the number in the i-th row j-th column is the distance between the i-th and j-th elements. Then, as clustering progresses, rows and columns are merged as the clusters are merged and the distances updated. This is a common way to implement this type of clustering, and has the benefit of caching distances between clusters. A simple agglomerative clustering algorithm is described in the single-linkage clustering page; it can easily be adapted to different types of linkage (see below).
Suppose we have merged the two closest elements b and c, we now have the following clusters {a}, {b, c}, {d}, {e} and {f}, and want to merge them further. To do that, we need to take the distance between {a} and {b c}, and therefore define the distance between two clusters. Usually the distance between two clusters \mathcal{A} and \mathcal{B} is one of the following:
\max \{\, d(x,y) : x \in \mathcal{A},\, y \in \mathcal{B}\,\}.
\min \{\, d(x,y) : x \in \mathcal{A},\, y \in \mathcal{B} \,\}.
  • The mean distance between elements of each cluster (also called average linkage clustering, used e.g. in UPGMA):
{1 \over {|\mathcal{A}|\cdot|\mathcal{B}|}}\sum_{x \in \mathcal{A}}\sum_{ y \in \mathcal{B}} d(x,y).
  • The sum of all intra-cluster variance.
  • The increase in variance for the cluster being merged ( Ward's method[6])
  • The probability that candidate clusters spawn from the same distribution function (V-linkage).
Each agglomeration occurs at a greater distance between clusters than the previous agglomeration, and one can decide to stop clustering either when the clusters are too far apart to be merged (distance criterion) or when there is a sufficiently small number of clusters (number criterion).

[edit] Software

[edit] Free

[edit] Commercial

[edit] See also

[edit] Notes

  1. ^ R. Sibson (1973). "SLINK: an optimally efficient algorithm for the single-link cluster method". The Computer Journal (British Computer Society) 16 (1): 30–34.
  2. ^ D. Defays (1977). "An efficient algorithm for a complete link method". The Computer Journal (British Computer Society) 20 (4): 364–366.
  3. ^ "The DISTANCE Procedure: Proximity Measures". SAS/STAT 9.2 Users Guide. SAS Institute. Retrieved 2009-04-26.
  4. ^ "The CLUSTER Procedure: Clustering Methods". SAS/STAT 9.2 Users Guide. SAS Institute. Retrieved 2009-04-26.
  5. ^ Székely, G. J. and Rizzo, M. L. (2005) Hierarchical clustering via Joint Between-Within Distances: Extending Ward's Minimum Variance Method, Journal of Classification 22, 151-183.
  6. ^ a b Ward, Joe H. (1963). "Hierarchical Grouping to Optimize an Objective Function". Journal of the American Statistical Association 58 (301): 236–244. doi:10.2307/2282967. JSTOR 2282967. MR0148188.
  7. ^ Fernández, Alberto; Gómez, Sergio (2008). "Solving Non-uniqueness in Agglomerative Hierarchical Clustering Using Multidendrograms". Journal of Classification 25: 43–65. doi:10.1007/s00357-008-9004-x.

[edit] References and further reading

View page ratings
Rate this page
What's this?
Trustworthy
Objective
Complete
Well-writte
at

Friday, November 11, 2011

强化学习（Reinforcement learning)

在强化学习（Reinforcement learning)中，学习主体自身通过训练，误差和反馈，学习在环境中完成目标的最佳策略。我们并没有直接告诉主体要做什么或采取那个动作，而是主体通过看那个动作得到了最多的奖励来自己发现。
强化学习由四部分组成：策略 奖励函数 值映射 和一个环境模型。
设计强化学习算法是要考虑三方面问题。
       一，如何表示状态空间和动作空间。
       二，如何选择建立信号以及如何通过学习来修正不同状态－动作对的值。
       三,  如何根据这些值来选择适合的动作。
       用强化学习方法研究未知环境下的机器人导航，由于环境的复杂性和不确定性，这些问题变得更复杂。
所谓强化学习是指从环境状态到动作映射的学习，以使动作从环境中获得的累积奖赏值最大．该方法不同于监督学习技术那样通过正例、反例来告知采 取何种行为，而是通过试错(trial and error)来发现最优行为策略。常用的强化学习算法包括TD(Temporal Difference)算法、Q学习算法、Sarsa算法等
标准的强化学习，智能体作为学习系统，获取外部环境的当前状态信息s，对环境采取试探行为u，并获取环境反馈的对此动作的评价r和新的环境状 态。如果智能体的某动作u导致环境正的奖赏(立即报酬)，那么智能体以后产生这个动作的趋势便会加强；反之，智能体产生这个动作的趋势将减弱。在学习系统 的控制行为与环境反馈的状态及评价的反复的交互作用中，以学习的方式不断修改从状态到动作的映射策略，以达到优化系统性能目的。
据此可得出强化学习的目标是：学习从环境状态到行为的映射，使得智能体选择的行为能够获得环境最大的奖赏，使得外部环境对学习系统在某种意义下的评价 (或整个系统的运行性能)最佳。

http://en.wikipedia.org/wiki/Reinforcement_learning
at

Sunday, October 30, 2011

矩形相交算法

假定矩形是用一对点表达的(minx,miny)(maxx, maxy)
那么两个矩形rect1{(minx1,miny1)(maxx1, maxy1)}, rect2{(minx2,miny2)(maxx2, maxy2)}

相交的结果一定是个矩形，构成这个相交矩形rect{(minx,miny)(maxx, maxy)}的点对坐标是：
minx = max(minx1, minx2)
miny = max(miny1, miny2)
maxx = min(maxx1, maxx2)
maxy = min(maxy1, maxy2)

如果两个矩形不相交，那么计算得到的点对坐标必然满足
minx > maxx
或者
miny > maxy

判定是否相交，以及相交矩形是什么都可以用这个方法一体计算完成
at

Tuesday, September 27, 2011

Scalable Link Interface

http://en.wikipedia.org/wiki/Scalable_Link_Interface
at

Monday, September 19, 2011

查看GPU状态 NVML

at

Friday, September 9, 2011

host thread context

http://forums.nvidia.com/index.php?showtopic=72089
http://forums.nvidia.com/index.php?showtopic=200169
at

Wednesday, September 7, 2011

cuda context

http://forums.nvidia.com/index.php?showtopic=43545
at

Thursday, August 11, 2011

-o 表示产生目标文件。
-c 表示只编译代码但不进行链接，加改参数生成的目标文件是不能执行的（我们常用的链接库就是这样得来的）。

通常在只有一个源文件的情况下不需要加-c。但实际上大多数情况下C程序远不止1个源文件，当main函数需要调用不在同一源文件下的函数时就需要链接到包含该函数的目标文件。
举个例子：
/*main.c*/
#include<stdio.h>
int main(){
      test();
}

/*test.c*/
#include<stdio.h>
extern void test(){
}
gcc -c test.c -o test
   gcc test main.c -o main 
-c只编译不链接，生成object文件
如果不加-c只使用-o选项，gcc会调用ld来链接生成可执行的二进制文件
与-c类似的选项有-E只预处理，-s生成汇编文件 
 
    if main function is in the same .c file:
gcc -c test.c -o test
   gcc test -o test 
 
gcc -c traverse.c
生成.o文件 
gcc -o traverse  traverse.o(注意.o在后面)
生成可执行文件
at

如何写好外刊论文

如何写好外刊论文

化学世界,论文相关 | 评论(0) | 3,752 views | 十二 22nd, 2008
有人归纳了外刊论文撰写的五个基本要求，即5C：正确(correctness)、清楚(clarity)、简洁(concision)、完整(completion)和一致性(consistency) 。只有满足这5点，才算是一篇合格的外刊文章。
1. Introduction：
Introduction是外刊文章最难写的部分之一(另外就是Discussion)。中文文章的缺陷就在于Introduction没有内涵，过于简 单，没有真正体现论文的研究起初和创新要素。外刊论文对于Introduction的要求是非常高的，一个好的Introduction相当于文章成功了 一半。所以大家应该在Introduction的撰写上下功夫。要写好Introduction，最重要的是要保持鲜明的层次感和极强的逻辑性，这两点是 紧密结的，即在符合逻辑性的基础上建立层层递进的关系。
A. 阐述自己研究领域的基本内容。要尽量简洁明了，不罗嗦；须知看文章者都是该领域的专家，所以一些显而易见的知识要用概括性的而不是叙述性的语言来描述。
B. 文献总结回顾。是Introduction的 重头戏之一，要特别着重笔墨来描写。一方面要把该领域内过去和现在的状况全面概括总结出来，不能有丝毫的遗漏，特别是最新的进展和过去经典文献的引用(这 是两个最容易出问题的地方，要极力避免；一旦审稿人指出这两个毛病，很可能意味着表明你做的不够深入或全面，负面作用非常明显)。另一方面，文献引用和数 据提供一定要准确，切记避免片面摘录部分结果而不反映文献的总体结果；引用的数据也要正确，特别是间接引用的数据(即不是从原文献中查到，而是从别人文献 中发现的另一篇文献的数据)；数据出错会导致文章的印象特差！此外，引用文献时注意防止造成抄袭的印象，即不要原文抄录，要用自己的话进行总结描述。如果 审稿人正好是文献的引用者的话，原文照抄的结果一定会很糟糕。
C. 分析过去研究的局限性并阐明自己研究的创新点。这是整个Introduction的高潮，因而要慎之又慎。阐述局限性时，需要客观公正评价别人的工作，不 要把抬高自己研究的价值建立在贬低别人的工作之上(这是中文文章易犯的毛病)，外刊论文写作万万不可如此，一定要遵循实事求是的原则来分析。在阐述自己的 创新点时，要紧紧围绕过去研究的缺陷性来描述，完整而清晰地描述自己的解决思路。需要注意文章的摊子不要铺的太大，要抓住一点进行深入的阐述。只要能够很 好的解决一个问题，就是篇好文章；创新性描述的越多越大，越容易被审稿人抓住把柄。中文文章的特点是创新性要多要大，而英文文章的特点恰恰相反，深入系统 的解决一到两个问题就算相当不错。
D. 总结性描述论文的研究内容，可以分为一二三四等几个方面来描述，为Introduction做最后的收尾工作。 至此，Introduction的写作算是大功告成。但是写完之后，还是要慎之又慎的仔细修改，琢磨每一个句子是否表达得恰当准确，这对 Introduction的修改完善至关重要。
2. Methods：
Methods部分描述论文实验过程，这一过程的写作相对较为简单，但是需注意的问题不少，重要的在于完整和科学。完整就是实验当中的每一个环节都要注意 到，不要顾此失彼，遗漏一些重要内容。Methods部分可按实验对象、实验设备、实验材料、实验记录、实验分析方法等来组织行文。只要能在以下4个方面 做到完整和科学的描述，相信写好Methods不是主要问题。
A. 实验对象一般是人、动物或一些组织等，它们的基本信息要描述明确；此外要注意国外刊物大多对牵扯到人或动物的实验都有一些特定要求，有些是不允许在人或动 物身上进行的实验操作，这需要认真阅读投稿刊物中关于实验的详细规定；如果违反这一规定，可能会不接受评审或发表。
B. 实验设备，要对仪器型号、生产厂家、实验过程中的用途等作详细说明；实验设备之间的连接要科学正确，不要给人混乱或操作错误的感觉。设备使用时一些必要的 步骤不可或缺，尤其是可能对实验结果造成特定影响的操作更要详细说明。这样做的好处是为了在Discussion中能够进行对应的分析。比如，一些设备在 使用前要校正(calibration)，有的要求每阶段实验之后都要重新校正，以保证结果的正确性；一定要详细说明你的操作步骤或校正过程，便于评审人 分析你的结果。
C. 实验材料，不同学科有不同要求。总体上来说要注意说明材料选择的必要性，也就是对为什么要选择这种材料，最好有一定的说明。如果这点描述不清，可能会导致整个实验过程不成立。
D. 实验过程，就是清楚描述实验的整个操作流程，一般要附以实验流程图进行说明。流程图的画法很多，有文字式的，有文字和示意图结合的，不同实验有不同做法。 一般来说，可能后者多一些(实验性学科尤其如此)，因为这样能使评审人对实验过程一目了然。如果示意图画得漂亮，还可以增加一些印象分。描述时要有鲜明的 层次感，对每个步骤之间的顺序和关联要描述清楚，不要造成实验过程混乱不堪的印象，因为评审人最终判断你的实验是否合理，是从这个过程描述得来的。
3. Results：
有人把Results和Discussion放在一起写，但是大多数论文都是分开的。这两种做法取决于文章的类型。如果你的结果在分析的同时进行讨论更加 合适，并不适合单独拿出来分析(或者是那样做很困难，导致Discussion成为鸡肋时)，合在一起是合适的；反之就应该分开写。
A. Results的要求是翔实准确。准确是结果必须是真实的，不能伪造和篡改。翔实是提供最全面的分析结果，把一切从实验中得到的结果都提供给读者，不要故 意隐瞒或遗漏某些重要结果。从某种意义上来说，结果不够翔实并不导致论文直接被拒，但结果的真实性被怀疑文章就肯定被拒。
B. 结果提供一般是表和图。不同杂志对图表要求不完全一致，应根据杂志要求分别对待。表格能清晰展示论文获得的第一手结果，便于后人在研究时进行引用和对比。 图示能将数据的变化趋势灵活的表现出来，更直接和富于感染力。图表结合，能取长补短，使结果展现更丰富。目前，大家越来越喜欢提供各种各样的图，但杂志却 要尽量限制图的个数；因为会增加排版的困难，版面费和出版社的支出也就会增加。因此，建议大家在提供图时，尽量用最少的图提供最多的信息，最多不超过8 个。图片太多显得罗索和累赘，主编不会欣赏；必要时可用表格替代一些图。图片格式要求每个杂志不同，用tif格式较多，不推荐用bmp(jpg更不能 用)。有人说用矢量图清楚些，其实和tif没什么区别，只要足够清晰就行。黑白图片可免费，彩色图片绝对要收费，而且价格不菲。
C. Results和Discussion分开写时，Results部分尽量不要涉及对结果的评论，最多是总结陈述结果就可以了。否则造成这两部分的内容重 叠，显得累赘，从而对Discussion不利。结果的描述也要注意层次安排，要按照条理性要求分别描述，显得逻辑性较强。不要乱七八糟，降低论文的可读 性。
D. Results中大多要提供统计结果。方差分析的结果形式要根据刊物的格式给出，有的要求对分析值、自由度和概率都要详细的给出，有的只要分析值和概率就 可以了。概率可以用p=0.02或者p<0.03等形式给出，自由度的表达也有特殊要求。这些细节问题虽然关系不大，但是注意格式统一，不要乱七八 糟各自为战。统计分析结果过多时，可用表格给出，具体可参照SPSS软件分析之后的结果。如果论文结果部分通篇都是统计分析的数据，会显得凌乱不堪，表格 可以避免这种情况。
4. Discussion：
Introduction和Discussion是最难写的两部分。Discussion之所以难写，是因为这里面最能够显示一个作者研究问题的深度和广 度。深度就是论文对于提出问题的研究到了一个什么样的程度，广度指是否能够从多个角度来分析解释实验结果。要写好Discussion，大概可以分为下面 两个步骤：
A. 选择要深入讨论的问题。Results中有的结果是重要的，有的则可一笔带过。选择合适的结果在Discussion部 分进行深入讨论，是写好该部分首先要面临的问题。一般来说，可根据如下原则来判断：如果你的结果体现了实验的独特性，是其他研究中没有得到的，那这个结果 就是要重点讨论的问题；有些结果和前人的研究一致，并没有显著性差异，就应该一笔带过而无需深入讨论。Discussion的一个重要作用就是要突出自己 研究的创新性，并体现出显著区别于他人的特点，区别大和小是另外一个问题，重要的是要有区别、区别就是创新。
B. 对选中的问题按一定层次从多个角度进行讨论，说理要有根据、问题要讲清楚、讲透彻。选择的问题有时不只一个(多数情况是2个以上)，因此要按一定层次描述 清楚。一般来说，把最重要的放在中间，次之的放开头和末尾。放在中间能将评审人的情绪带至高潮，前面是铺垫，后面是总结。这样的顺序似乎更合适。问题无论 大小，是否重要，都要从多个角度展开深入讨论：(1)首先要有类似结果的对比，说明自己结论的独特性；(2)其次要系统阐述为什么会有这样的结果，方法有 多种(从实验设计角度，从理论原理角度，从分析方法角度，或借鉴别人分析方法等等)。重要的是将这个问题深入阐述清楚，不能让人有意犹未尽之感(要做到这 点的确很困难，因为评审人总会提出新的问题，我们只可能尽量做到这一点罢了)。
C. Discussion部分还要注意保持和Results的一致性！就是结果和讨论要一一对应。千万不要出现按讨论的内容可以推出与实验相反的结论这种情 形，那证明你的讨论思路是彻底的失败或你的实验压根儿就是失败的。所以Discussion的文字描述和语言表达的精确性尤为重要。由于中英文表达的不 同，在投稿之前要尽量避免出现表达上的误解，如果论文因此被拒是很冤枉的。

5. Acknowledge & References：
Acknowledge主要分为两个：第一是表明研究的基金来源，中国一般都是Nature Science Foundation of China(NSFC，国家自然科学基金)，美国大多是National Institute of Health(NIH， 美国国家卫生研究院)。写基金时一般要标注清楚基金号码(Grant Number)，只有这样才算是该项基金的研究成果，也可以算做实验室的研究成果。须知没有任何一项研究成果是在没有资金资助的情况下完成的，所以这一点 非常必要。第二是对参与人员(没有列在作者中的研究人员)和单位表示感谢，如果通过一审和最终接受发表，还要添上对editor和anonymous reviewers的感谢，这是基本礼貌。
References重要在于格式。不同杂志对参考文献格式要求不一样，具体下来有所区别的可以分为：作者的写法，有的是简写在前，有的简写在后， 有的简写有点，有的简写没有点；文章的名字，有的要加上引号，有的没有引号；期刊的写法，有的要简写，有的要全称，有的要斜体，有的则不需要；年和期卷号 的顺序，有的是年在前，有的是年在后；期刊论文、书、学位论文、会议论文，四种引用的格式各不相同；文献的排列顺序，有的是按照字母的顺序，有的则是按照 在论文中出现的顺序用阿拉伯数字排序。基本上就是这些问题，看来很是琐碎，但是如果你的参考文献排列的乱七八糟，那就会使得评审人对你论文的印象很差，认 为你没有认知组织和撰写论文，造成一定的负面影响。所以，事情虽小，影响却大，还是要认真组织为好。
此外，论文在撰写时要自始至终都用英语写，千万不要先写中文再译成英文。这样写出来的文章肯定是中不中，英不英，而且极大浪费精力。宁可一开始写得 语法差一些，慢慢修改都比这种写法好。如果有同专业英语比较好的人帮助的话，这样写还会更省事。写作时行文时态要注意，中文没有时态问题，英文有，而且要 求还相当严格。一般来说，大多数情况下是过去时态，在Introduction文献回顾，Methods整个部分，Results结果总 结，Discussion中的大部分，都用过去时态陈述。其他情况下可以用一般时态来描述。时态之间的界限是比较严格的，最好是仔细的通读国外的论文，好 好分析一下，或者让有经验的人帮你把把关，这样比较好一些。
二、Writing Skills in English for Research Paper
写paper 注意九个环节：Preparation, Structure, Title, Abstracts, Introduction, Conclusion, Body of Paper, Recision, Acknowledgement。Preparation就是收集资料，找出灵感和方向，主要依靠的是journal in library。Structure是重点，paper的structure应该是两个triangle组成的：上面一个倒三角，下面一个正三角，意思就 是选题要宽(wide)，研究方向要窄，然后最后的conclusion又发散开来。在paper的body前后都必须有declarative statement，用最少的字句表达出自己的观点，吸引读者。
Title必须清晰简短(clear，short)，表达出自己唯一的topic以提升读者的兴趣(promote the interest of reader)，然而title中切记不能出现abbreviation和自己的result。
Abstracts 是paper的一个缩写(miniature of whole paper)，一定要简明扼要(less than 200 words,one paragraph)，按照paper的顺序介绍主要研究对象(subject)、实验设计(design)、实验步骤(procedures)以及最后 结果(results)，这种介绍必须让非专业的人员 (non-specialist) 能够看懂。
Introduction 同样要保证简短，顺序是一般背景介绍、别人工作成果、自己的研究目的及工作简介，其中介绍别人工作时只需介绍和自己最相关的方面(very relevant)，而对自己的工作介绍不用说明细节，因为这个要放到body中去。不要忘记在介绍自己工作之前要有一个declarative statement。
Body部分可以分为methods、result和discussion三个部分：①Methods，详尽的介绍自己的实验方案以便于他人能够重 复自己的实验过程，对于通用的实验方案可以简略，重点要放到自己的独创方案上面(own procedures)，按照实验的先后顺序介绍，为了文章的阅读方便，不要使用过多层次的subheadings，比如 subsubsubsection等等。②Result，使用text、table、figure等手段表达出来，其中table不要使用过多，而 figure必须保证图线清楚、注解明确，必要的时候还要对于自己的result中的一些结论进行解释说明。③Discussion，这个部分是为了以后 的study，在其中提出自己的problem或者是hypothesis，和别人的成果进行比较，暗示自己的主要收获，为后面的conclusion做 准备。
Conclusion中不要包含body以外的information，保持brief、neat和concise，一定要舍得结束自己的 paper；如果自己的paper只是project的一部分，稍做说明。Revison是在写完之后回头看看是否有逻辑上的错误，是否考虑到了读者兴 趣，自己的declarative statement是否令人满意，Brevity is the soul of literary construction。Acknowledgement，不要忘记，这个反应了一个人的个人品质。
at

Wednesday, August 10, 2011

cudaError_t cudaHostAlloc ( void **  ptr,


size_t  size,


unsigned int  flags 

)


Allocates count bytes of host memory that is page-locked and accessible to the device. The driver tracks the virtual memory ranges allocated with this function and automatically accelerates calls to functions such as cudaMemcpy(). Since the memory can be accessed directly by the device, it can be read or written with much higher bandwidth than pageable memory obtained with functions such as malloc(). Allocating excessive amounts of pinned memory may degrade system performance, since it reduces the amount of memory available to the system for paging. As a result, this function is best used sparingly to allocate staging areas for data exchange between host and device.
The flags parameter enables different options to be specified that affect the allocation, as follows.
  • cudaHostAllocDefault: This flag's value is defined to be 0 and causes cudaHostAlloc() to emulate cudaMallocHost().
  • cudaHostAllocPortable: The memory returned by this call will be considered as pinned memory by all CUDA contexts, not just the one that performed the allocation.
  • cudaHostAllocMapped: Maps the allocation into the CUDA address space. The device pointer to the memory may be obtained by calling cudaHostGetDevicePointer().
  • cudaHostAllocWriteCombined: Allocates the memory as write-combined (WC). WC memory can be transferred across the PCI Express bus more quickly on some system configurations, but cannot be read efficiently by most CPUs. WC memory is a good option for buffers that will be written by the CPU and read by the device via mapped pinned memory or host->device transfers.
All of these flags are orthogonal to one another: a developer may allocate memory that is portable, mapped and/or write-combined with no restrictions.
cudaSetDeviceFlags() must have been called with the cudaDeviceMapHost flag in order for the cudaHostAllocMapped flag to have any effect.
The cudaHostAllocMapped flag may be specified on CUDA contexts for devices that do not support mapped pinned memory. The failure is deferred to cudaHostGetDevicePointer() because the memory may be mapped into other CUDA contexts via the cudaHostAllocPortable flag.
Memory allocated by this function must be freed with cudaFreeHost().

Parameters:

ptr - Device pointer to allocated memory

size - Requested allocation size in bytes

flags - Requested properties of allocated memory
Returns:
cudaSuccess, cudaErrorMemoryAllocation
Note:
Note that this function may also return error codes from previous, asynchronous launches.
See also:
cudaSetDeviceFlags, cudaMallocHost, cudaFreeHost
at

Friday, July 15, 2011

旧房

二手房选房有讲究 买房前弄清八大问题

问题1：这房是什么朝向?

选购二手房，良好的朝向，可以保证有大量阳光通过窗户直射入室，改善住宅室内环境，如光、温度、卫生状况，对居住者的身心健康十分有利。

通常认为，住宅朝向以正南最佳，东西次之，朝北最次。当然，考虑朝向，除了上述因素外还应考虑开窗时所面对环境，即窗景。窗景应当趋利避害，趋优避劣。同层南北不同朝向的价格平均相差10%-15%，甚至20%以上，价格和朝向平衡后选择为佳。

问题2：采光与通风好吗?

采光面指用于采光的面积与房间面积的比例，比例越高，采光效果越好。采光窗户直接向外开设;间接采光指采光窗户朝向封闭式走廊、直接采光厅、厨房等开设。间接采光效果不如直接采光。

选购住宅时，其主要房间应有良好直接采光。一套住宅最好占据住宅楼的两个朝向，如板式住宅的南与北、东与西，塔式住宅的东与南、南与西等。如果只占据一个朝向时，通风效果就要差一些，这时可以考虑利用门窗、通风井、天井及机械装置通风。

问题3：功能区域和面积是如何分配的?

住宅应充分考虑住户的家庭结构和生活规律，使家庭使用功能细化。理想住宅中，起居空间由过厅、客厅、起居室、健身房、琴房、书房、工作室、卫生间、卧室、储藏室、阳台等组成，按各自功能可汇总为“污、洁、动、静”四大空间。

对于广大工薪阶层来说，以下的房子可能最适合您。

最 佳房型组合：三房一厅两卫双阳台，两房一大厅双卫双阳台或一房一厅一卫一阳台。这些房型是适合三代人口可分可合、自由分隔房型、建筑面积分别在 70-130平方米，主卧室15-25平方米含书房，次卧室10-12平方米，卫生间4-6平方米，阳台4-8平方米，工作阳台3-5平方米，洗衣房4万 平方米。其中，客厅是房型设计中的重心，客厅宽度不小于4米的大开间，能够体现房型设计中的“客厅效应”。大厅的功能主要是家庭起居、会客，最好其朝向为 南向或景观向。

问题4：这房有质量保证吗?

房屋质量问题主要起因于设计、施工中留下隐患，主要体现在结构、材料、功能设置、施工管理、质量监督等几个方面，由于专业性较强，一般购房者很难检验。

住宅性能的高低主要取决于建材质量的好坏，以及承重结构的连接形式、施工质量和地基的状态。购房者

必须认真审阅商品住宅楼的《住宅质量保证书》、《质检合格证书》、《住宅使用说明书》等相关证件来考察住宅楼的质量。

问题5：小区的环境与配套如何?

由于人们在冰冷“混凝土”盒子里被禁锢了许多年，现在随着居住质量的不断改善，居住环境的好坏成了一个不容忽视的问题，而且小区配套设施是否完善也是这个小区成熟与否的标志。

作为一名购房者应该认真考察一下自己将来生活的环境，不仅要求有较高绿地覆盖率和景观建设，而且还要真正能为己所用。另外还要考察所购买的楼房之间的间距、容积率、建筑密度和四周污染情况(如尽量远离工厂、马路、大商场)。

问题6：今后哪家物业公司管理?

物业服务的好坏是房屋是否升值一个重要因素。

好 的物业管理会给自己将来生活带来便利，而差的物业管理不仅会影响到自己的日常生活，还可能引发大量的纠纷。看房不可不问物业管理，要积极向有关人员打听负 责小区服务的物业管理公司，最好能查看他们的有关资质、实力的文件，亦可去他们现服务的其他小区打听有关他们的服务行为。

问题7：这房在几楼?

选择层次要考虑以下几个因素：遮挡及采光情况;生活便利程度;环境要求;家庭人口年龄构成及健康状况;住宅楼的总层数。

层次越高，遮挡越少，采光越好，且能避开低层次楼内外嘈杂环境及交通噪音和粉尘污染，特别适合于在家生活时间较短的中青年人居住;层次低，上下楼比较方便，适宜老年人居住，可增加其户外活动的机会。

说到不利一面，住宅楼的底层由于受遮挡可能性最大，且有污水外溢、地面潮湿的可能，人来人往安全性差。在购房者选择层次时往往不被看好;住宅楼顶层建筑质量问题发生频率高，如渗漏，并且存在隔热不好，供水不足，上下楼最为不便等缺陷。许多人买房最忌买底层和顶层。

问题8：电梯、楼梯是怎么设计的?

时下许多塔楼和小高层楼房中，电梯的质量已越来越不容忽视。有关电梯故障和事故时有发生，不仅给人们的生活带来不便，而且还威胁到人们的安全。

看房时要仔细查看该楼盘所用电梯品牌资质，是否有国家颁发的合格证书等。同时还要查看步行楼梯的安全情况，楼梯宽度是否符合标准，楼道是否畅通，发生危险情况时，是否有利于逃生等等
 
at

工薪阶层必读房经

工薪阶层必读房经

许多人并不富有，许多人长年累月就为了一套房子，许多人以富人居之，但并没有房子。观念使然。从普通收入阶层以及一般老百姓看，穷人越来越认为，一套属于自己的房子，置之终身之负亦不为憾。 穷人的房经，一是为自己打气，穷其一身，概而居之；穷人的房经，不为现买现卖，只为他乡事、他乡人、本地一员足矣。但高达十几倍的房价收入比，是为之却步，还是再向佛山行？
配偶经。
无论你单身一人还是两厢情愿，必须保证一方具备稳定的收入。这是保证一方奋不顾身、勇往直前的本钱。
无论多少，这个稳定的收入点是你谋得终身之愿的“星星之火”。
和谐经。
争吵不利于你得到你自己的房子。许多家庭为了买房经常拿争吵说事。争吵除了在感情的纸上面涂涂划划，还影响到购房决策，急功近利以致成为房奴的下品。只有和谐有利于双方共同谋划出买房储备。
借钱经。
有许多房户动用一切手段，说尽一切好话，做尽一切承诺，就为了在不当的时间居高拿下一套属于自己的房子。这是不可取的。我所指的借钱经，是不借则已的一种 借法，当你完成了购房布局后，如果徘徊在售楼部附近的时候，可以使出浑身解数借钱。正因为平时没多开口，情急之中往往能生智，智可换钱。
吃苦经。
为了火红的将来，你必须放弃温馨的现在，租房亦如此。这个吃苦是很讲究的，包括了素菜上桌、粗布上身、破絮上床、杀灭小孩的攀比与比富心理、教育小孩正当 的财富观与贫穷观等。换言之，除了让孩子形成正常的心理，保持良好的学习环境，其他则是可观瞻不可占有，可远望不可驻足。
选房经。
当你统一了家国，构建了和谐家境，了却了小孩求学心愿，余下的就是如何让自己的心得体会于现实的房子之上。
二手房是首选，一来房东肯定比开发商好对付，二来二手房龄较长者有个有利的位置，三来二手房有急于脱手的可以就利图个便宜，四来可将装修成本缩小并延后至小孩长大点以后或有闲钱之时。
缺陷房是首选。所谓缺陷房就是明眼人一看就有不足的房子，但千万别当厅室分布不合理但数量众多当好房。说穿了就是计划年代的房子最适合穷人居住。大体是没 有完整的客厅与餐厅，但通过二人世界的巧妙演绎，可以化劣为优，还可将作业间与办公间与双厅合而为一，成就大方的多功能的温馨之家。而且缺陷房往往布置于 一些前期的住区，可以使用上一些被社会遗弃的设备，如罐装煤气等。
人挤区是首选。人多是好事，配套不用担心，一般消费成本比中心商务区低很多，而且有些大型住区的教育设施针对普通老百姓开设，各项成本都较之普遍为低。
验证与咨询必不可少。你穷其一身圆梦之居，所以来不得半点虚假，验看各种证件，咨询出许多非完整产权房，熟悉各环节的收费，这种节约一个子儿是一个子儿才是穷当家的真本事。
如果确认你是穷人，还送上一经，不要自卑，也不要让自己的情绪向小孩传染，有比没有好，有得住比没工作要强，有个窝好教育与提升自己及家人的一些潜力。
相信自己，一切都会有的。
at

Thursday, July 14, 2011

FFT DIT

http://cnx.org/content/m12016/latest/
at

Friday, July 8, 2011

待办2011-07-08

买排骨
买裤子
买饭盒
买鸡精
整理箱子 收拾储物间
洗床单被套

一月内：买剪刀
三月内：买电池  充电器
at

Tuesday, May 24, 2011

听说看了这20部电影相当于读完清华大学经济管理学院

听说看了这20部电影相当于读完清华大学经济管理学院

查看日志列表 发表于
听说看了这20部电影相当于读完清华大学经济管理学院 在复杂的商业社会，你想创业，不懂经济、不懂商业、不懂人情世故、不懂法律边沿， 你只有勇气、只有梦想、只有天真，那么也就只有一场空。这20部电影都是商学院学生在学习商科时被要求必须看的影片，其中包括哈佛商学院一直首推的《华尔 街》，还有沃顿商学院排第一位的《颠倒乾坤》，斯坦福要求商科学生必看的《锅炉房》。看完之后，你会对商业运行的本质和规则有更深入的了解，对你的职场生 涯亦会有不小的帮助。
1.《华尔街》（Wall Street）（1987）

内部交易是违法的，不违法怎么能够发财，关键看如何违法的同时可以掩盖。不看这个影片怎么能够随便进入股市？

2.《拜金一族》（Glengarry Glenn Ross）（1992）

当房地产进入萧条的时候，美国房屋中介的销售顾问都在忙什么？看他们如何利用数据库，如何门到门地将房地产销售出去，如何在萧条期包装房地产，如何瞄准新婚家庭的住房需求。

3.《颠倒乾坤》（Trading Places）（1983）

经济是交易行为的代名词。只要有交易，就需要学会评估交易是否合算，就需要透视交易对方内心的秘密。交易中学到的核心法则，在世界上任何国家只要有交易的地方都适用。

4.《锅炉房》（Boiler Room）（2000）

难以想象的是违法交易几乎与证券市场形影不离。一个19岁的年轻人如此近距离地目睹财富的操纵过程，让谁富有，那不过是一个随机的选择。

5.《硅谷传奇》（Pirates of Silicon Valley）（1999）


比 尔&#8226;盖茨与斯蒂夫&#8226;乔布斯几乎在所有方面的看法、观点都是对立的，他们只有在一个事情上是共同的，那就是尽一切 可能封杀这个影片。硅谷的高科技公司是如何孵化的？不到25岁的年轻人利用了什么样的市场规则，又是如何让市场规则、让客户、让竞争对手形成一个共同体 的？层出不穷的阴谋笼罩在硅谷的上空。

6.《可口可乐小子》（The Coca—Cola Kid）（1985）


这是一个男孩用可乐创造一项事业的故事。作为一个碳酸饮料的营销从业员，他不得不回答一个问题，在边远的澳大利亚小镇，为什么没有一瓶可口可乐？营销是生意不可或缺的部分，尤其是在创业中不可缺少。

7.《发达之路》（The Secret of My Success）（1987）

主要讲述了美国堪萨斯的男孩在纽约飘荡的历程。如果纽约可以代表近100年人类商业活动的中心，那么，任何21世纪的年轻人，都不得不面对大城市的浮华、喧嚣和躁动。

8.《优势合作》（In Good Company）（2004）

大公司都是通过收购长大的，你会收购吗？知道收购后销售主管是怎么想的吗？知道销售人员背后议论什么吗？联想收购IBM失败的核心因素就是根本没有看懂这个影片。当公司与公司之间发生买卖的时候，作为公司一员的你，位置在哪里？

9.《巴塞罗那》（Barcelona）（1994）

美国人的销售方式真的可以通行全球吗？一个美国销售员在西班牙的销售经历让我们学到销售的价值观，销售对客户文化的处理方式，销售对客户关系的把握。

10.《甜心先生》（Jerry Maguire）（1996）

做生意要拿出诚意来。show me the money，让我看到钱才是真的，任何生意都如此。生意中没有牢靠的友谊，这是你在创业前必须要牢记的教训。

11.《上班一条虫》（Office Space）（1999）

办公室政治课实战教材。在市场经济环境中当公司遇到危机时，裁员的本质动机，员工对公司的作用的核心意义都是必须要学习的商业社会的基本规则。

12.《解构企业》（The Corporation）（2003）

18 世纪美国法律正式通过了一个企业可以是一个个人的组织行为后，仅仅两个多世纪，美国的这个公司法居然影响了全球，你可以在中国的公司法中也看到类似的描 述。这个冠之以法人的称号横行全球，世界每一个角度都受到影响。个人的贪婪、个人的欲望没有止境地膨胀，本片从最深刻的本质揭示了资本主义商业规则，并无 情地揭示了其存在的弊病。

13.《惊爆内幕》（The Insider）（1999）

商业社会的本质是货币自由交换，只要你情我愿，似乎交换什么都可以。交易中的商业价值，交易中的定价原理，商业信誉在交易中的作用都是这个影片中活生生地展示出来的，商科学生必须要理解金钱统治人类社会的必然结果，以及这种结果具备的不可逆的特性。

14.《影子大亨》（The Hudsucker Proxy）（1994）


一部票房不怎么样、但懂商业的人却说好的影片。一个公司的老板自杀了，但其公司还蒸蒸日上，董事会的实权人物开始行动，行动的目的当然是私欲横流。公司治理、企业董事会操作实战等都是这部影片中不可多得的实战教案。

15.《反垄断》（Antitrust）（2001）

一个斯坦福的电脑天才毕业后被科技大亨录用后负责发展全球通信系统，之后他发现原来自己是被用作侦察商业对手以达到垄断市场的目的。此片向微软的垄断幽了一默，讲述了一个有鲜明时代和全球意义的反对金钱和高科技垄断的故事。

16.《魔鬼营业员》（Rogue Trader）（1998）

1995 年，巴林银行，这家全球最古老的银行之一破产了，曾经是英国贵族最为信赖的金融机构，拥有200多年优异的经营历史，却没能逃过破产的结局。令人震惊的 是，这样一个惨痛的结局，却出自于一个普通的证券交易员尼克&#8226;李森之手。这部出自真实案例的电影是大家学习银行业务，尤其是投资业务 最好的教案。

17.《抢钱世界》（Other People's Money）（1991）

这也是一部基于美国真实故事改编的影片，从中可以了解商业法、企业兼并、商业诉讼规范、商业流程、兼并重组流程等。美国商业自由市场中到处充满了利己行为与利他行为的冲突和矛盾，也恰好是从这些冲突和矛盾中可以学到不同的动机，以及各种让人眼花缭乱的手段。

18.《败露》（Disclosure）（1994）

一 位踌躇满志的公司高管在一天中，不仅失去了原应属于自己的晋升机会，而且迎来了自己10年前的同居女友担任顶头上司。已有妻儿的他拒绝了女上司与他重温旧 梦的要求，于是，女上司耍出种种手腕在公司中排挤他，甚至诬称他对自己性骚扰。忍无可忍的他诉诸法律，在一位精明女律师的帮助下，与公司及那位霸道的女上 司展开了较量……片中体现的办公室政治、公司群体人际关系行为准则等都是难得的职场教材。

19.《男人百分百》（What Women Want）（2000）


一个小小的意外，让主角具备了能够阅读女性头脑的能力，这是一部用巧妙的方式揭示女性所思所想的影片。商业心理学、女性行为学、广告学等都是这部影片中可学习的亮点。

20.《门口的野蛮人》（Barbarians At The Gate）（1993）

1988 年，KKR公司收购雷诺-纳贝斯克公司是华尔街震惊全球的重大金融事件。专业人士事后分析，这桩交易是在合法基础上的骗局。因为KKR公司用的杠杆收购手 法不仅不需要现金，也不需要看见现金，甚至也没有人知道钱从哪里来，整个过程根本就是个圈套。而KKR那些高层，以及交易过程中的那些华尔街人士，由于表 现出了前所未有的贪婪和狡猾的技巧，也被冠以“野蛮人”的称号



















at
Subscribe to: Posts (Atom)