当前位置：文档库 › A Multi-Relational Rule Discovery System

A Multi-Relational Rule Discovery System

A Multi-Relational Rule Discovery System
Mahmut Uluda?1, Mehmet R. Tolun2, Thure Etzold1
1
LION Bioscience Ltd., Compass House, 80-82, Newmarket Road, Cambridge, CB5 8DZ, United Kingdom {mahmut.uludag, thure.etzold}@https://www.wendangku.net/doc/1b6211704.html, 2 Atilim University, Dept. of Computer Engineering, 06836 Incek, Ankara, Turkey tolun@https://www.wendangku.net/doc/1b6211704.html,.tr https://www.wendangku.net/doc/1b6211704.html,.tr/rila/
Abstract. This paper describes a rule discovery system that has been developed as part of an ongoing research project. The system allows discovery of multirelational rules using data from relational databases. The basic assumption of the system is that objects to be analyzed are stored in a set of tables. Multirelational rules discovered would either be used in predicting an unknown object attribute value, or they can be used to see the hidden relationship between the objects’ attribute values. The rule discovery system, developed, was designed to use data available from any possible ‘connected’ schema where tables concerned are connected by foreign keys. In order to have a reasonable performance, the ‘hypotheses search’ algorithm was implemented to allow construction of new hypotheses by refining previously constructed hypotheses, thereby avoiding the work of re-computing.
1 Introduction
Most of the current data mining algorithms are designed to use data from a single table. They require each object to be described by a fixed set of attributes. Compared to a single table of data, a relational database containing multiple tables makes it possible to represent more complex and structured data. In addition, today, a significant amount of scientific data is stored in relational databases. For these reasons, it is important to have discovery algorithms running for relational data in its natural form without requiring the data to be viewed in a single table. A relational data model consisting of multiple tables may represent several object classes, i.e. within a schema while one set of tables represents a class of object, a different set of tables may represent another class. Before starting discovery processes, users should analyze the schema and select the list of tables that represents the kind of objects they are interested in. One of the selected tables will be central for the objects and each row in the table should correspond to a single object in the database. In the previous multi-relational data mining publications, this central table is named as ‘target table’ in [1] and [2], ‘primary table’ in [3], ‘master relation’ in [4], and ‘hub table’ in [5].

Composition Genei d Phenotype Class Motif Function Compl ex
IF Composition.Cla ss = ‘ATPase s’ AND Co mpo sition.Co mplex = ‘ In tra cellular transpor t’ THEN Gene.Localiza tion = extra cellular.. Gene Geneid Essential Chromosom e Localization
Fig. 1. An example multi-relational rule that refers to the composition table in its conditions and refers to the gene table in its right hand side
For a multi-relational rule, attribute names in its conditions are annotated using the name of the relational table to which the attribute is related. Figure 1 shows an example of such a multi-relational rule. The concepts suggested in the multi-relational data-mining framework described in [1]; selection graphs, target table and target attribute, all helped during the initial stages of the process of building the present multi-relational rule discovery system.
2 Architecture
The architecture of the rule discovery system developed can be depicted as shown in Figure 2. The discovery system uses the JDBC API to communicate with the database management systems (DBMS). When a data mining session is started the system sends meta-data queries to the DBMS connected. After the user selects a set of tables, the target table and the target attribute, the data mining process starts, during which the system sends a number of SQL queries to the DBMS. SQL queries sent to the database management system are generally for building valid hypotheses about the data. In order to reduce the complexity of communication between the rule discovery system and the DBMS, the information about covered objects and the discretized columns are both stored in temporary tables in the DBMS rather than in the internal data structures in the rule discovery system side. It was also decided to use these temporary tables for performance reasons. The temporary table ‘covered’ has two columns named ‘id’ and ‘mark’. Each time the rule discovery system starts processing a new class, inserting a new row for each object belonging to the current class reinitializes this table. The ‘id’ field is given the value of the primary key and the ‘mark’ field is set to zero. When a new rule is generated, the ‘mark’ fields of the rows that refer to the objects covered by the new rule are changed to one.

SQL, meta data queries
Discovery system Result sets Rules
JDB C dri ver
Hypotheses
DBMS
Fig. 2. The basic architecture of the system
The rule discovery system discretizes the numeric attribute values during the preprocessing stage of a data mining session, and initializes the table ‘disc’ by inserting one row per discretization interval. The following columns represent an interval. ? table_name: name of the table the numeric attribute is from ? column_name: name of the column the numeric attribute is associated with ? interval_name: name of the interval between two successive cut points ? min_val: minimum value of the interval ? max_val: maximum value of the interval There is a concurrency problem with using the temporary tables if more than one user wants to use the rule discovery system simultaneously on the same data. Therefore we want to improve the solution taking into account the concurrency issues.
3 The Algorithm
The multi-relational rule discovery algorithm of the system that has been developed was adapted from ILA (Inductive Learning Algorithm) [6]. ILA is a ‘covering’ type learning algorithm that takes each class in turn and seeks a way of covering all instances, at the same time excluding instances which are not in the class. There is also an improved version of the ILA algorithm named ILA-2 that uses a penalty factor that helps to produce better results for noisy data [7]. In this paper, the adapted version of the ILA-2 algorithm is named Relational-ILA. ILA requires a particular feature of the object under consideration to be used as a dependent attribute for classification. In Relational-ILA, however, the dependent attribute corresponds to the target attribute of the target table. It is assumed that the target table is connected to other tables through foreign key relations. Relational-ILA is composed of initial hypotheses generation, hypotheses evaluation, hypotheses refinement and rule selection steps. The relationship between these steps is summarized in Figure 3 for processing examples of a single class. The database schema is treated as a graph where nodes represent relations (tables) and edges represent foreign keys. The schema graph is searched in a breadth-first search manner starting from the target table. While searching the schema graph, the algorithm keeps track of the path followed; no table is processed for the second time.

Fig. 3. The simplified Relational-ILA algorithm for processing examples of a single class
Initial hypotheses are composed of only one condition. During the building of the initial hypotheses set, the following template is used to generate SQL queries for finding hypotheses together with their frequency values, each time a table in the schema graph is visited. Select attr, count(distinct targetTable.pk) from table, covered, table_list where join_list and targetTable.targetAttr = currentClass and covered.id = targetTable.pk and covered.mark=0 group by attr In the template, ? attr is the column name for which hypotheses are being searched ? targetTable is the table that has one row for each object being analyzed ? pk is the name of the primary key column in the target table ? table refers to the current table where the hypotheses are being searched ? table_list is the list of the tables that are used to connect the current table to the target table

? join_list is the list of join conditions that are used to connect the current table to the target table ? targetAttr is the class column ? currentClass is the current class for the hypotheses that are being searched The template is applied for each column except the foreign and primary key columns and the class column, i.e. the target attribute. If the current table is the target table then the algorithm uses a simplified version of the template. The algorithm also needs to know about the frequency of the hypotheses in classes other than the current class. The following template is used to generate the necessary SQL queries. Select attr, count(distinct targetTable.pk) from table_list, targetTable where join_list and targetTable.targetAttr <> currentClass group by attr Similarly, for the target table, the algorithm uses a simplified version of the template. When the above templates are to be used for a numeric attribute, the ‘select’ clauses in the templates are changed such that the attribute column ‘attr’ is replaced by the following three column names; interval_name, min_val and max_val. Accordingly, the ‘group by’ clauses of the queries have a similar replacement. Also the ‘from’ clauses are extended by the table ‘disc’ and the join conditions are extended using the following two conditions. disc.attribute_name = ‘attr’ and attr > disc.min_val and attr < disc.max_val After the initial hypotheses are generated they are sorted based on the output of the ILA hypothesis evaluation function, which shows how a hypothesis satisfies the conditions for being a valid rule. If any of the hypotheses can be used for generating a new rule then the one with the maximum score is converted to a new rule and the objects covered by the new rule are marked in the temporary table ‘covered’. After the rule selection processes if some rules were selected but there are still objects not yet covered, then the initial hypotheses are rebuilt using only the objects that are not covered by the rules already generated. If no new rule can be generated then the hypotheses refinement step is started. Refinement of a multi-relational hypothesis means extending the description of the hypothesis. It results in a new selection of objects that is a subset of the selection associated with the original hypothesis. Similar to the initial hypotheses build case, to extend a hypothesis, the schema graph is searched, starting from the target table, by following the foreign key relations between tables. When a table in the schema graph is reached the following template is used to generate SQL queries for refining the hypothesis.

Select attr, count(distinct targetTable.pk) from covered, table_list, hypothesis.table_list() where targetAttr = currentClass and join_list and hypothesis.join_list() covered.id = targetTable.pk and covered.mark=0 group by attr; Here the hypothesis is the hypothesis object being refined. The object has two methods to help SQL construction processes. The table_list method returns the list of the tables to which the features in the hypothesis refer, plus the tables that connect each feature to the target table. The join_list method returns the list of join conditions for the features in the hypothesis plus the list of join conditions to connect each feature to the target attribute. In order to know the frequency of the extended hypotheses in the classes other than the current class the following SQL template is used. Select attr, count(distinct targetTable.pk) from targetTable, table_list, hypothesis.table_list() where targetAttr <> currentClass and join_list and hypothesis.join_list() group by attr;
4 Experiments
A set of experiments was conducted using the genes dataset of KDD Cup 2001 [8]. There are two tables in the original genes dataset. One table (interaction) specifies which genes interact with which other genes. The other table (gene) specifies a variety of properties of individual genes. The gene table has information about 862 different genes. There could be more than one row for each gene. The attribute gene_id identifies a gene uniquely. Tests have been conducted to generate rules for the localization attribute. Because the discovery system requires the target table to have a primary key, the schema has been normalized as shown in Figure 4.

Interaction Geneid1 Geneid2
Gene Geneid Essential
Composition Geneid Complex Class Phenotype Motif Function 4346 rows
Type Expression 910 rows
Chromosome Localization 862 rows
Fig. 4. Schema of the KDD Cup 2001 genes data after normalization
The dataset has one numeric attribute and several attributes with missing values. The numeric attribute, ‘expr’, in the interaction table was divided into 20 bins using the class-blind binning method. Missing attribute values were ignored. In the experiments, the ILA-2 penalty factor was selected as 1, and the maximum hypothesis size limited to 4. The results of the experiments are presented in Table 1 and Table 2. In both of the two tables, the first column shows the selected minimum support pruning parameter. In Table 1, the second column shows the amount of time the learning process required on a 1.8 MHz Atlahon processor machine. The third column shows the percentage of the training objects covered and the last column shows the number of rules generated.
Table 1. The results of the training process
Minimum support pruning percentage 0% 2% 5%
time (sec.) 1536 883 354
% covered 74.71 58.93 44.78
# of rules 218 87 37
In Table 2, the second column shows the percentage of the test objects covered by the rules and the third column shows the accuracy of the rules on the objects covered. The last column shows the accuracy of the rules if a default rule is used for objects not covered by any rule. The default rule was selected as the majority class value.
Table 2. The results on the test data
Minimum support pruning percentage 0% 2% 5%
% covered 64.57 55.90 46.50
% accuracy 79.67 84.50 87.00
%accuracy using a default rule 62.20 61.94 60.60

The results in the last column of Table 2 indicate that the discovered rules have about 10% less prediction accuracy then the cup the winner’s test set accuracy which was 72% [8]. The poor performance is because of the present system’s inability to read the relational information between genes defined by the interaction table.
5 Conclusions and Future Work
A multi relational rule discovery system, Relational-ILA, has been implemented which extracts rules from relational database management systems where the tables concerned are directly or indirectly connected to each other using foreign key relations. The system requires a primary key in the target table to identify individual objects. One of the important issues we would like to address during the next stage of this study is to make the hypotheses search algorithm more aware of the path followed to reach a table and to allow tables to be visited for a second time if they previously were reached via a different route. It will then be possible to mine schemas having related objects that are recursively defined. For example, the present system discovers rules that can help to understand properties of individual genes but the next version will discover rules that can help to understand the relations between genes.
References
1. Knobbe, A.J., Blockeel, H., Siebes, A., Van der Wallen, D.M.G.: Multi-Relational Data Mining, In Proceedings of Benelearn’99, (1999) 2. Leiva, H., and Honavar, V.: Experiments with MRDTL—A Multi-Relational Decision Tree Learning Algorithm. In Dzeroski, S., Raedt, L.D., and Wrobel, S. (editors): Proceedings of the Workshop on Multi-Relational Data Mining (MRDM-2002), University of Alberta, Edmonton, Canada, (2002) 97-112 3. Crestana-Jensen, V. and Soparkar, N.: Frequent Item-set Counting across Multiple Tables. PAKDD 2000, (2000) 49-61 4. Wrobel, S.: An Algorithm for Multi-Relational Discovery of Subgroups, Proceedings of PKDD’97, Springer-Verlag, Berlin, New York, (1997) 5. SRS-Relational White Paper, Working with relational databases using SRS, LION Bioscience Ltd. https://www.wendangku.net/doc/1b6211704.html,/solutions/products/srs 6. Tolun, M.R. and Abu-Soud, S.M.: ILA: An Inductive Learning Algorithm for Rule Extraction, Expert Systems with Applications, 14(3), (1998) 361-370 7. Tolun, M.R., Sever, H., Uluda?, M. and Abu-Soud, S.M.: ILA-2: An Inductive Learning Algorithm for Knowledge Discovery, Cybernetics and Systems: An International Journal, Vol. 30, (1999) 609-628 8. Cheng, J., Krogel, M., Sese, J., Hatsiz, C., Morishita, S., Hayashi, H. and Page, D.: KDD Cup 2001 Report, ACM Special Interest Group on Knowledge Discovery and Data Mining (SIGKDD) Explorations, Vol. 3, issue 2, (2002)

中国电视纪录片发展现状研究

中国电视纪录片发展现状研究本文的目的在于研究中国电视纪录片发展现状。新中国成立以来电视纪录片的的发展经历了四个阶段新闻纪录、专题纪录、创新纪录、媒介融合。从研究历史出发通过对当下纪录片生态环境、市场化问题、话语权三大问题的现状分析归纳出体制内外纪录片发展中共同面临的问题。世纪在新的传播环境和传播语境下中国当下的电视纪录片依托传播学的理念从自身改造突破问题寻找出路。关键词电视纪录片市场化问题话语权传播过程引言引言研究缘起在年第届奥斯卡金像奖提名名单中华人女导演杨紫烨凭借执导的环保题材纪录短片《仇岗卫士》成功入围最佳纪录短片提名。杨紫烨接受采访时说“现在是中国纪录片最好的时代。与“最好时代”不相称的是纪录片现状的尴尬局面翻阅电视报几乎找不到它的身影即使找到了也被安排在午夜等非黄金时段相亲节目选秀节目竟猜节目……充斥于荧屏成为了老百姓茶余饭后的谈资。与二十世纪九十年代的辉煌相比电视纪录片节目渐渐冷清甚至已淡出人们的视线。纪录片遇到了怎样的困境把电视台的资源拱手让于其他节目电视纪录片在中国为何会有此境遇它的出路又在哪里这就是笔者写作的缘起也是重点研究的问题。纪录得益于电影。年月日法国卢米埃尔兄弟开创了电影的先河,工厂大门》、火车到站》、《婴儿进餐》等影片的公开收费放映使得电影真正走入了人类世界展示出独有的光影魅力。这些影片就像一幅幅活动的相片带有很大程度的纪实性质。而就在年电影很快登陆中国。上海、北京、香港、

台湾陆续出现电影但放映的都是外国人的影片。直到年北京丰泰照相馆的老板任庆泰以著名京剧艺术家谭鑫培作为拍摄对象拍下了他表演定军山》的几个片断观众反响热烈。这预示了中国纪录片的萌芽。而国际上公认的第一部纪录电影是罗伯特?弗拉哈迪在年拍摄的北方的纳努克》这也是他的第一部电影。直到今天这部电影仍然充满着无穷的魔力被热爱纪录片的专家学者作为研究欣赏图本。原因就在于他开创了纪录片的拍摄手法。纪录片依托电影发展壮大在电影和电视界闯下了一番天地被全世界人民所认同。从年电视发明以后人们就可以足不出户了解世界新闻、博览社会百态。影视合流成了趋势。电视纪录片应电视技术的成熟、媒体力量的聚合诞生了。美国国家地理频道、探索频道依托纪录片而崛起、发展英国的日本的在世界上在纪录片的专属领域中享有美誉。中国的电视杨紫烨现在是中国纪录片最好时代新浪网? 引言纪录片发从年起步至今已走过了五十三年的历史现状又是如何呢研究的目的和意义选择中国电视纪录片的现状作为论文的研究对象其目的和意义在于第一新千年已进入第十一个年头科学技术日新月异中国电视纪录片自身在承载内容和外在形式上都表现出个性化、丰富化的特点通过回顾半个世纪的电视纪录史分析出每个时期电视纪录片的共性站在历史的肩头才能更好的审视现在展望未来。第二电视生态环境与纪录片发展息息相关在市场经济时代纪录片面临着哪些问题又该如何把握自己的话语权这些问题的探讨是纪录片现状生存必须面对的课题。第三电视纪录片是一个复杂动态的

Discovery纽约时代广场探索博物馆EB-5项目

Discovery纽约时代广场探索博物馆EB-5项目项目概况探索频道（Discovery Channel）于1985年在美国创立，探索频道目前覆盖全球超过160个国家、4亿5千万个家庭，探索公司同时也是美国的上市公司，是美国最大的主流媒体之一。 Discovery博物馆（mDiscovery Times Square）成立于2009年，是探索频道（Discovery）的官方合作伙伴，为纽约市的前五大的博物馆。地处于时代广场核心的44街与第七第八大道中间，过去成功展出：泰坦尼克号、哈利波特、法老王和兵马俑等世界知名展览，已接待超过数百万人次的游客。继成功推出纽约时代广场第一期娱乐项目“百老汇4D剧院”项目（进展顺利，投资者均取得I-526移民申请通过）后，曼哈顿区域中心（MRC）又重磅推出位于纽约时代广场的第二期娱乐项目Discovery博物馆——探索纽约项目，该项目与第一期4D剧院项目仅隔一街距离。

项目特点独一无二的地理优势纽约时代广场在2013年迎接了5340万次游客，游客总消费超过了400亿美金，旅游消费预计将会在未来4年每年以8.5%的速度增长。良好的发展前景——纽约市的旅游统计表

足够的就业机会创造依照Michael Evans所做出的就业人数计算（即RIMS Ⅱ计算方式，该计算方法为美国移民局比较推荐的就业机会计算方式），该项目预计产生593个新的就业机会。远远超过EB-5所需的240个就业机会空间高达60%。银行专户还款 Discovery博物馆参观门票预计价格为22美元，娱乐产业一直以来都是现金流十分可观的产业，依照与其他时代广场相似项目比较并且保守评估推算，每年项目净利润预计高达一千万美元以上，项目承诺在营运方面将保留60%的现金存放至还款账户中，专款专户作为未来贷款五年还款准备。资金结构

教你DIY中文增强版Geexbox

教你DIY中文增强版Geexbox Geexbox是一款可以从光盘上直接启动的Linux多媒体操作系统【当然也可以从硬盘和USB闪存上启动】，它是基于Linux和MPlayer进行开发应用的，它可以让你不用进windows 就可以欣赏大片。它几乎支持大部分主流媒体格式，包括AVI、RM、RMVB、MPEG-4、MP3及外挂中文字幕，可以让旧电脑变成强悍的媒体中心。可惜官方提供的只有英文的ISO 镜像，因此网上也出现了不少网友定制的中文版。他们是怎么做的呢？其实很简单。利用官方提供的GeeXboX ISO Generator，你也可以轻松DIY属于自己的Geexbox中文增强版。还犹豫什么呢？下面就和笔者一起来体会DIY的乐趣。一、GeeXboX ISO Generator初上手 “工欲善其事，必先利其器”，首先，请你到Geexbox的官方网站（https://www.wendangku.net/doc/1b6211704.html,/en/downloads.html）下载最新的GeeXboX ISO Generator。然后将下载到的geexbox-generator-1.0.i386.tar.gz用Winrar解压到硬盘中（本文以“D：\geexbox”为例进行说明）。进入解压目录，双击generator.exe运行软件(这个镜像生成器还包括在Linux和Macosx下使用的程序)。进入程序界面，你可以看到八个标签页，它们分别是：界面设置(Interface)、音频设置（Audio)、视频设置(Video)、遥控设置（Remote control）、网络设置（Network）、服务设置（Services）、液晶显示设置（Lcd display）、套件设置（Packages）。接下来，请你单击“Packages“，进入套件设置项。这里列出的都是一些非常有用却没有包含在压缩包中的解码器（Codecs）、固件（Filmwares）、字体（Fonts）和主题（Themes）。建议你选中所有的解码器、固件、主题以及字体——“Chinese Simplified-GB2312”，然后点击”DownlOad”按钮下载。好啦，沏杯热茶慢慢等，Generator自己会通过网络把相应的文件下载到本地硬盘中。（如图1）心急的朋友如果受不了牛速，你也可以直接进入官方ftp下载所需资源： ⑴.解码器：https://www.wendangku.net/doc/1b6211704.html,/codecs/ 将下得的压缩包解压至 D：\geexbox\iso\GEEXBOX\codec\即可。 ⑵.固件：https://www.wendangku.net/doc/1b6211704.html,/firmwares/ 将下得的压缩包解压至 D：\geexbox\iso\GEEXBOX\firmwares\即可。 ⑶.字体：https://www.wendangku.net/doc/1b6211704.html,/fonts/ 将下得的压缩包解压至 D：\geexbox\i18n\fonts\即可。

体验营销之远交近攻

体验营销之远交近攻原文和出处【古兵法原文】形禁势格，利以近取，害以远隔。上火下泽。【原文今译】在受到地理条件的限制时，攻取靠近的敌人就有利，越过近敌去攻取远敌就有害。火向上烧，水往下流，是我方与邻近者乖离的情形。【出处原文】 “王不如远交而近攻，得寸则王之寸；得尺亦王之尺也。” 【出处今译】大王不如交好距离远的国家进攻邻近的国家，这样，得了一寸土地就是大王的一寸土地，得了一尺土地就是大王的一尺土地。【案例】雀巢公司联合第三世界国家摆脱危机雀巢公司是全球规模最大的跨国食品公司，至今已兴盛发展了120多年。它所生产的食品，尤其是速溶咖啡，时下人见人爱，风靡全球，是其拳头产品之一。然而，就是这样一个饮誉世界的雀巢帝国，在70年代却险些信誉扫地，“一命呜呼”。本世纪70年代末80年代初，世界上出现了一种舆论，说雀巢食品的竞销，导致了发展中国家母乳哺育率下降，从而导致了婴儿死亡率的上升。由于当时雀巢的决策者拒绝考虑舆论，继续我行我素，加上竞争对手的煽风点火，到了80年代，竟形成了一场世界性的抵制雀巢奶粉、巧克力及其他食品的运动。雀巢产品几乎在欧美市场上无立足之地，给雀巢公司带来了严重的危机。在残酷的事实面前，雀巢公司的决策者不得不重金礼聘世界著名的公共关系专家帕根来商量对策，帮助雀巢公司渡过这一难关。帕根受此重托后，立即着手调查分析。结果，他发现，造成这场抵制雀巢食品运动的根源，就是在于雀巢公司以大企业、老品牌自居，拒绝接受公众的意见。另外，由于雀巢公司

的推销活动，对公众是保密的。这使得雀巢公司与公众之间的信息交流不通。所有这一切，都犯了公共关系的大忌，也就难怪误解、谣传遍起。帕根根据调查分析的结果，制定出了一个详细周密的公共关系计划，呈报给雀巢公司。帕根的这一计划，把行动的重点放在了抵制最强烈的美国，虚心听取社会各界对雀巢公司的批评意见，开展大规模的游说活动，组织有权威的听证委员会，审查雀巢公司的销售行为等，使舆论逐渐改变了态度。在“近攻”取得初步胜利的基础上，帕根建议接任雀巢公司总经理之职的毛奇，开辟发展中国家的市场，把它作为雀巢产品的最佳市场。在开拓市场过程中，雀巢公司吸取了以往的教训，不是把第三世界的发展中国家单纯看作雀巢产品的市场，而是从建立互利的伙伴关系着手。雀巢公司每年用60亿瑞士法郎，从发展中国家购买原料，每年拨出8000万瑞士法郎，来帮助这些国家提高农产品的质量。同时，还聘请100多名专家，在第三世界国家举办各种职业培训班。比如，在印度的旁遮普邦，雀巢公司进入莫加区建立了一个奶品工厂。由于那里的家庭所饲养的产奶水牛，不仅营养不良，而且很多都染有疾病。大多数农民只能生产仅够自己所需的牛奶，根本没有任何剩余牛奶可供出售。于是，雀巢公司设立了一个免费的兽医服务处，以批发价格向农民供应药品，并提供低息贷款支持开掘新水井，增加用水的供应。这样一来，使更多的草料长起来了，牛犊的存活率也从40％提高到75％。在这一计划开始时，那里只有4460户牛奶直接供应者，在计划实施之后，牛奶供应者超过了3．5万户，每年向雀巢公司售奶可达11．7万吨。牲畜疾病已基本绝迹。这个奶品工厂发展所创造的繁荣，已协助带来电力、电讯、农机，交通事业的发展。使昔日的贫瘠之一，今已欣欣向荣。如此一系列的活动，使雀巢公司在发展中国家里树立起了良好的形象，因而销路大增。又取得了“远交”的胜利。到1984年，雀巢公司的年营业额高达311亿瑞士法郎，雄居世界食品工业之首。 2、“情感式营销”诠释“梦想”文化一、传播策略：“非奥运营销”战略强调“参与”精神雪花啤酒近日对外公布了其在奥运期间的品牌推广战略—“非奥运营销”战略，并宣

纪录片制作机构

探索频道（Discovery Channel）是由探索传播公司（Discovery Communications, Inc./DCI；NASDAQ：DISCA，旗下拥有197多家全球性电视网，包括Discovery探索频道、动物星球频道、Discovery科学频道和Discovery高清视界频道等）于1985年创立的，总部位于美国马里兰州蒙哥马利县银泉市。探索频道主要播放流行科学、科技、历史、考古及自然纪录片。探索频道自1985年在美国启播后、现今已成为世界上发展最迅速的有线电视网络之一、覆盖面遍及全国百分之九十九的有线电视订户、在全球145个国家和地区有超过14400万个家庭订户。探索频道是全球最大的纪录片制作及买家、它吸引全球最优秀的纪录片制作人、所以探索频道的节目均被认为是世界上最优秀的纪实娱乐节目。也是世界上发行最广的电视品牌，目前到达全球160多个国家和地区的30600多万家庭，以35种不同语言播出节目。探索频道在世界主要国家地区均有落地，但探索频道会因应不同地区设立不同版本，加上字幕或配音。美国版本主要播放写实电视节目，如著名的流言终结者系列。亚洲探索频道除着重播放写实节目之外，也播放文化节目，如介绍中国、日本文化的一系列节目。亚洲探索频道于1994年成立，总部在新加坡，为美国Discovery传播公司（DCI）的全资附属机构，提供二十四小时精彩的纪实娱乐节目。据2005年泛亚媒体调查（PAX）的结果显示，探索频道在富裕成人中连续9年被公认为亚洲地区收视人口最多的有线及卫星电视频道。在新加坡举办的2004年“亚洲电视大奖”评选中，探索频道还荣膺“年度最佳有线及卫星电视频道”。中国国际电视总公司（中央电视台全额投资的大型国有独资公司，成立于1984年，是中国内地规模最大、赢利能力最强的传媒公司）境外卫星代理部接收探索频道信号，通过亚太6号卫星（东经134度）发射KU波段信号。该服务一般只提供给三星级或以上的涉外宾馆酒店，外国人居住区，领事馆及大使馆。中国大陆各省市的地方电视台会转播或播放探索频道制作的节目。同时，还与浙江华数集团成立合资公司，向由杭州电视台开办的四个面向全国播出的高清付费电视频道（求索纪录、求索生活、求索科学、求索动物）提供绝大多数的节目内容。

SuperScan 使用教程

扫描工具SuperScan使用教程（如何使用SuperScan） SuperScan 是由Foundstone开发的一款免费的，但功能十分强大的工具，与许多同类工具比较，它既是一款黑客工具，又是一款网络安全工具。一名黑客可以利用它的拒绝服务攻击（DoS，denial of service）来收集远程网络主机信息。而做为安全工具，SuperScan能够帮助你发现你网络中的弱点。下面我将为你介绍从哪里得到这款软件并告诉你如何使用它。如何获得SuperScan SuperScan4.0是免费的，并且你可以在如下地址下载： https://www.wendangku.net/doc/1b6211704.html,:81/up/soft3_2010/SuperScan.rar 因为SuperScan有可能引起网络包溢出，所以Foundstone站点声明某些杀毒软件可能识别SuperScan是一款拒绝服务攻击（Dos）的代理。 SuperScan4.0只能在Windows XP或者Windows 2000上运行。对一些老版本的操作系统，你必须下载SuperScan3.0版。 SuperScan的使用给SuperScan解压后，双击SuperScan4.exe，开始使用。打开主界面，默认为扫描（Scan）菜单，允许你输入一个或多个主机名或IP范围。你也可以选文件下的输入地址列表。输入主机名或IP范围后开始扫描，点Play button，SuperScan开始扫描地址，如下图A。

图A：SuperScan允许你输入要扫描的IP范围。扫描进程结束后，SuperScan将提供一个主机列表，关于每台扫描过的主机被发现的开放端口信息。SuperScan还有选择以HTML格式显示信息的功能。如图B。

《荒野求生》教学设计

《荒野求生》教学设计 1、视频导入播放《荒野求生》片段，板书。 2、作者简介贝尔·格里尔斯，世界最著名的野外生存探险专家，美国discovery探险节目《荒野求生》主持人，前英国特种兵，登山家，演讲家，畅销书作家。他是专门为超越危险和死亡而生的野外生存大师，也曾乘水上摩托环绕不列颠群岛，搭乘小船横越冰冷的北大西洋，登上冰封万年的珠穆朗玛峰，也曾从沙漠的流沙死里逃生，在夏威夷穿越鲨鱼成群出没的水域，在野外寻找蛆虫充饥而得以存活。贝尔主持的节目《荒野求生》在全球170多个国家和地区播出,他置身绝境、激发本能、破图极限的探险经历给全球数十亿观众留下了深刻的印象，显示了人类挑战极限的生存能力。因其在节目中食用的东西太过惊人,被誉为“站在食物链最顶端的男人”。他挑战过世界上最危险的环境，他是世界上最可爱的疯子，天生的冒险家。 3、介绍评价今天老师给大家推荐的就是贝爷写的“荒野求生少年生存小说系列”书籍。我们来看看贝爷自己怎么说的。危险无处不在,即使在大街上也不一定安全，而父母是无法替孩子挡住所有危险的。只想规避孩子遇到的各种危险,只会让孩子对危险猛然无知，也是剥夺了孩子的成长权利。父母应该教会孩子在面对危险时，如何选择正确的处理方式，避免伤害。这种学习让孩子更强大。“荒野求生少年生存小说系列”是野外生存大师贝尔·格里尔斯为广大少年儿童，为三个儿子创作的一套荒野求生秘籍。贝尔将自己丰富的野外生存经验与精彩的少年历险故事相结合，在野外生存绝境中，生动描述了上百种简洁而实用的求生技巧，传递了野外求生的原则“永远保持微笑，只要活着就有希望"，引领小读者在野外环境或危险环境中，镇静从容，采用多种方法进行自救。一望无际的滚烫沙漠、万年冰封的茫茫荒原、步步惊心的热带雨林……少年探险家贝克深陷绝境,没有食物、没有水、没有救援，面临着重重危机,他该如何只靠自己的双手和智慧顽强求生？

美国探索教育视频资源服务平台

1、美国探索教育视频资源服务平台平台内容及意义大众文化的流行，娱乐学习一体化的浪潮席卷全球。同时随着社会发展，多学科交叉融合，使得社会对大学生综合能力要求颇高。在某一个方面出类拔萃的复合型人才，越来越受到企业社会的青睐。综合性人才在当今社会炙手可热，因此学校在重视专业课的同时，加强对课外知识的普及符合当今教育时代的发展需求。美国探索教育视频资源服务平台坚持以“科教兴国”为总方略，以提高在校师生综合素质、开拓师生眼界为宗旨；以教育、科学、文化、历史、探险等为题材的多学科交叉融合的教育视频资源服务平台。平台始终坚持科学研究与教学理论相统一，历史知识和文化教育相结合，以求达到师生即使足不出户，亦能知大千世界之神奇、能知世界各地前沿性科学技术，能解世间万物之疑惑。此平台已经成为西安数图网络科技有限公司一个独具特色的教育资源服务平台。平台特色美国探索教育视频资源服务平台，结合高校科学教育及科普知识所需，精选整合美国探索频道（Discovery）和美国国家地理频道（National Geography）两大世界知名频道近年来的最新节目，精心制作而成。 1、美国探索频道（Discovery） 1985年开播使用客户在全球达到160多个国家，3亿零6百多万家庭。通过15颗卫星用36种语言、24小时播放来源于全球不同地方摄制的精彩高品质纪实节目 2、美国国家地理频道（National Geography）遍布全球达171个国家及地区通过48种语言收看荣获1次奥斯卡金像奖和2次金像奖提名，129座艾美奖平台分类自然科学，历史人文，科学发现，生命科学，旅游风光，体育探索，军事侦探，交通机械，工程建筑

discovery教程

第一章：前言 (1) 第二章：微机油藏描述系统集成 (3) 一、Landmark公司微机油藏描述系统发展历程 (3) 二、微机油藏描述系统各模块集成 (4) （一）工区、数据管理系统（二）GESXplorer地质分析与制图系统（三）SeisVision 2D/3D二维三维地震解释系统（四）PRIZM 测井多井解释系统（五）ZoneManager层管理与预测（六）GMAPlus正演建模三、Discovery微机油藏描述系统软件特色 (12) 第三章：微机三维地震解释系统软件应用方案研究 (13) 一、工区建立 (13) （一）工区目录建立（二）一般工区建立（三）工区管理二、数据输入 (20) （一）地质数据输入 1 井头数据输入 2 井斜数据输入 3 分层数据输入 4 试油数据输入 5 生产数据加载 6 速度数据输入（二）测井数据输入 1 ASCII格式测井数据输入 2 LAS格式测井数据输入（三）地震数据输入 1 SEG-Y三维地震数据输入 2 层位数据输入 3 断层数据输入

三、微机地质应用 (31) （一）微机地质应用工作流程工作流程 1 地质分析工作流程 2 沉积相分析工作流程（二）微机地质应用 1 井位图建立 2 等值线图(isomap)建立 3 各种剖面图(Xsection)建立 4 生产现状图制作 5 沉积相图制作四、微机三维地震解释综合应用 (48) （一）微机三维地震解释工作流程 1 合成记录及层位工作流程 2 地震解释工作流程 3 速度分析工作流程（二）微机三维地震解释综合应用 1 地震迭后处理－相干体 2 合成记录制作及层位标定 3 层位和断层建立、解释 4 三维可视化 5 速度分析与时深转换 6 构造成图 7 地震测网图建立 8 地震属性提取五、微机单井测井解释及多井评价 (104) （一）微机单井测井解释及多井评价工作流程 1 测井曲线环境校正与标准化工作流程 2 测井分析流程（二）微机单井测井解释及多井评价 1 打开测井曲线 2 测井曲线显示模板制作 3.测井曲线显示、编辑与预处理 4.交会图制作与分析 5 测井解释模型建立与解释 6 测井解释成果报告

BBC一百多部记录片

BBC一百多部记录片 BBC.生物记录片.细胞 https://www.wendangku.net/doc/1b6211704.html,/cszGSiqUkU9cr（访问密码：e215）自然风光喜马拉雅山脉 https://www.wendangku.net/doc/1b6211704.html,/cs4iYcAeiHKIn 提取码：28c1自然风光巴厘岛 https://www.wendangku.net/doc/1b6211704.html,/csizn3trNnCGv 提取码：e5edBBC纪录片《野性水域终极挑战》[MKV] https://www.wendangku.net/doc/1b6211704.html,/Qi24t6zR3TyCK （提取码：bbcb）[历史地理] 詹姆斯·卡梅隆的深海挑战. https://www.wendangku.net/doc/1b6211704.html,/lk/cJxR8pIvfSvR8 访问密码4076远方的家-边疆行全100集 https://www.wendangku.net/doc/1b6211704.html,/cszGATNBFhjjw（访问密码：52c6）美丽中国湿地行50集

https://www.wendangku.net/doc/1b6211704.html,/cszX2JZKa6UVy 访问密码2f2f李小龙：勇士的旅程》(Bruce Lee A Warriors Journey) https://www.wendangku.net/doc/1b6211704.html,/csFPTqFZr8GTz 提取码6c71CHC高清纪录片：星球奥秘之地球雪球期MKV 720P 1.4G 英语中字 https://www.wendangku.net/doc/1b6211704.html,/QGEpqiPbfGfsG （访问密码：cdb2）探索频道：狂野亚洲：四季森林 https://www.wendangku.net/doc/1b6211704.html,/cJxPJZXa8wGzA 访问密码1034BBC 纪录片《美国的未来》[MKV/4集全] https://www.wendangku.net/doc/1b6211704.html,/QivxnUNbqLEau （提取码：27fe）生命的奇迹.全5集 https://www.wendangku.net/doc/1b6211704.html,/cJXTIkq5jLBY5 访问密码7d2f《华尔街》高清收藏版[HDTV/720p/MKV/全10集] https://www.wendangku.net/doc/1b6211704.html,/cy5PrZeud43Rk 提取码8497远方的家-沿海行(高清全112集) https://www.wendangku.net/doc/1b6211704.html,/cszX4jUKD29ay 访问密码a52aBBC

雷励中国简介

雷利中国雷励中国(Raleigh China)，正式文件全称：上海杨浦区雷励青年公益发展中心，于上海杨浦区民政局正式注册的公益组织。致力于青少年发展的教育型公益机构，也是雷励国际在亚洲的第六个独立社区。通过开展环保建设、社区工作、野外探索等类型的项目，在服务当地社区及环境的同时，青年人得以增长自己的技能，提高自信心、领导力及社会责任感，加强多种文化之间的理解和交流，并加强对世界各地环境保护及社区发展的关注，开启全球化视野。雷励特质雷励在成立之出即是以慈善机构的运作模式运转，赚取利润从来就不是我们的目的，我们的目的是为青年人的发展提供探险的旅程。雷励旨在帮助人们更好地体验和感受这个我们赖以生存的世界，并在实践雷励项目的过程中，更好地了解自己，发展自己。我们将尽我们的所能，使每次旅程都成为参与者一生难以忘怀的经历。冒险精神的灵魂在于我们的行动。雷励真正的灵魂和核心即是给予青年人探索世界的机会，并且使他们在此过程中发掘自己的优势潜能，并最终成为真正意义上的，能够携手共进，为社区服务和环保事业做出杰出贡献的团队一员。这个目标持续不变，传承至今。雷励与人生参与雷励，你将拥有一段伴随一生的经历。这不仅是因为你将得到凭一己之力无法到达的地方的生活经历，同时也因为你会真正地为他人的人生改变而努力奋斗，在此过程中，你能够与来自不同地区、拥有不同文化背景的年轻人一起，去挑战你们之前从未相信自己能够做到的事情。雷励相信，其中一些人将成为你一生的挚友。雷励的意义不只是远征的过程，它还将让你体验参与团队的喜悦和感动，这里的成员和你一样都拥有同样想法：在自己的生命中做一些不平凡的，又能真正改变世界的事情。所以，参与雷励，你的人生从此会与众不同。雷励灵魂与核心价值观——Raleigh Value Discovery 认识自己，探索世界 Courage 勇于承担，敢于挑战 Integrity 诚实正直，关怀社区 Drive 热情主动，行动实践

全球最好的电视台

全球著名电视台掌门人：霍珂灵标签：文化国家电视台（TV station /television station ）指的是制作电视节目并通过电视或网络播放的媒体机构。它由国家或商业机构创办的媒体运作组织，传播视频和音频同步的资讯信息，这些资讯信息可通过有线或无线方式为公众提供付费或免费的视频节目。其播出时间固定，节目内容一部分为其自己制作，也有相当部分为外购。比较有名的电视台：CNN，BBC，TVB，CCTV等。美国有线电视新闻网(ＣＮＮ ) ＣＮＮ由特德·特纳于１９８０年创办，１９９５年被时代—华纳公司兼并。总部设在美国佐治亚州首府亚特兰大市，在美国本土以外设有２８个分部，在世界各地的雇员达４０００人。ＣＮＮ使用英语和西班牙语广播，它的资金来源于用户付费和广告收入。ＣＮＮ因独家报道１９９１年海湾战争而成为家喻户晓的有线新闻广播公司，目前已覆盖全球２１０个国家和地区。 ? 什么叫CNN? ?CNN是什么？ ?CNN什么意思啊好像最近很流行还有什么流行词啊？ ?美国的CNN公司是什么东西请消息说明一下 ?CNN 是美国的还是法国的 ?CNN歪曲报道原文英国广播公司(BBC) 这一新闻频道由英国广播公司于１９９１年成立。它在海外拥有２５０名记者和５８个分部，资金来源于用户付费和广告收入。该频道声称在全球拥有２．７亿个家庭用户。英国广播公司今年宣布，计划于２００７年新开播一个阿拉伯语的新闻频道。 ? BBC是什么？ ?BBC什么意思 ?BBC是什么啊 ?BBC是哪个国家的媒体哦? ?bbc的经典语录(games[TV]的BBC) ?求bbc所有纪录片目录半岛电视台(ＡｌＪａｚｅｅｒａ) 半岛电视台由卡塔尔政府于１９９６年成立。它在全球雇有１７０名记者，拥有２６个分部。世界各地都能收看到半岛电视台的阿拉伯语频道。半岛电视台因不断报道伊拉克和中东其他地区的一些事件而遭到美国的指责。美国总统布什甚至曾计划轰炸它的卡塔尔总部。２００６年，该电视台还将推出英语频道。 ?半岛电视台的相关资料？ ?卡塔尔半岛电视台与cctv ?为什么半岛电视台收视率全球第一？cctv1呢? ?基地组织为什么要把拉登的录音送到半岛电视台? ?半岛电视台在中东哪里？据说很有名的！ ?半岛电视台是哪国的欧洲新闻电视台(Ｅｕｒｏｎｅｗｓ) 欧洲新闻电视台建立于１９９３年，它的特点之一就是使用英语、法语、德语、意大利语、葡萄牙语、西班牙语和俄语７种语言播报新闻。该电视台所以能这样做是因为它主要使用各个通讯社提供的图像，而没有亮相屏幕的新闻主播。该电视台由１９个欧洲公共部门电视频道共同所有，总部设在法国城市里昂，雇

纪录片是否要完全真实

纪录片不一定要完全真实对于纪录片真实性的鉴定，就犹如不同的人看《哈姆雷特》，每个人都有自己的看法，而我的观点是：纪录片不一定要完全真实。我在这里提到的完全真实是指没有摆拍，没有编排。我认为纪录片中可以存在重现，摆拍。有种对纪录片的定义是：一切真实记录社会和自然事物的非虚构的电影片或电视片都是纪录片。对于非虚构的电影片或电视片就可能存在编排和摆拍。我的想法在国外和少数中国导演那里可以得到些许的认可。在国外，纪录片是很受欢迎的，甚至纪录片的频道需要付费。就拿众所周知的美国的Discovery探索频道为例，美国的Discovery探索频道于1985年开播，是世界上发行最广的电视品牌，目前到达全球160多个国家和地区的3亿零6百多万家庭，以35种不同语言播出节目。美国的Discovery探索频道的很多纪录片就是摆拍，重现的。Discovery有一档栏目叫重案夜现场，这个栏目并不是完全跟拍警方的破案过程，而是进行情景再现的，以摆拍，采访的方式进行重述。在这个节目里事件是真实的，专家的口述是真实的，而犯罪现场的以及犯罪证据，甚至犯罪过程的还原都是情景再现的，除了重案夜现场，历史零时差，与恐龙共舞特别篇等等都是情景再现的方式。情景再现即编排和摆拍。

黑格尔曾经说过：真实不是别的，而是缓慢的成熟过程。我觉得这句话，对于中国的纪录片仍然是很实用的。在我们国家，为什么人们不喜欢看纪录片？我想很大原因是因为我们国家的纪录片很多是不成熟的，但是有些导演的纪录片是很招人喜欢的，比如张以庆导演的影片《英和白》《幼儿园》《周周的世界》，冷冶夫的《伴》《油菜花开》等等，那么他们的影片是否是完全真实的呢？冷冶夫在接受采访时说，他的《油菜花开》：“基本全部是摆拍，因为它是一种实验纪录片，国外翻译过来是“真实电影”，这种纪录片除了载体好以外，它的故事也好。我在主流媒体做的都是纪实风格的纪录片，很多人看不到我的另一面，所以我今天斗胆地放了这样一部片子”。当记者问到：“那您觉得摆拍还叫纪录片吗？”冷冶夫答道：“其实国际上往往把有没有这件事作为纪录片的鉴定。写剧本拍摄，那属于虚构的故事片，如果有这么件事，不管你怎么弄，它都是属于非虚构类的。国外对纪录片的分类特别粗，你也可以看到，包括国外那些Discovery节目几乎都用了情景再现的方式。” 我个人喜欢看《油菜花开》这样的纪录片，首先它的镜头很美，假如是跟拍，想必一定没有这么美的镜头；其次选材更容易，事件的结局知道，就更容易分析这件事件，就更容易找到切入点，在接下来编排摆拍时就更容易制造氛围，从而达到教育感化等效果，如果从开始就跟拍的纪录片，不一定能准确料定时间的结局，就不容易分析事件。张以庆导演的纪录片一直以选材新颖，立意深刻著称，他肯花大

优秀自然纪录片

自然纪录片（这里面又大概分为地球、宇宙、人体三个大部分）一、BBC地球篇首先是BBC三大“镇馆之宝”（自封的）《地球脉动》：几乎算是有史以来最好的生态纪录片，用接近上帝的视角，审视这个叫做地球的星球，虽然探讨的是科学，但是有着宗教式的观影体验。《人类星球》：一部极其特别的自然纪录片，说是讲地球，其实是在从社会学的角度讲人类，但说是讲人类的纪录片，它又是以自然生态地理环境等要素为载体来讲述。视点新颖，内容丰富，把自然和人文结合得天衣无缝。《生命》：人类看完足以无地自容的片子，哪怕只是地穴里一只微不足道的小虫子，每天也在上演生存的史诗。为了吃饭，为了繁衍，为了活下去，无数精彩甚至悲壮的生物行为，在这个生生不息的地球上无限地演绎下去，地球也因此而不朽。除了我心目中难以超越的三大神作之外，仍有一些不能不看的作品。《植物之歌》：这部讲植物的算是侧重于动物的《生命》的姊妹篇，从植物的进化讲到对地球，对生态的影响，这是一次对地球的绿色，也是对生命的礼赞。《非洲》：我认为最接近三大神作的作品，拍得极其出色。非洲大地上生命的瑰丽，壮阔，惊奇，灵动，不朽，一一呈现在镜头前。此外，大量蒙太奇，慢镜头的运用，让这部纪录片的观赏性和趣味性，也达到一个难以超越的高度。（例如，那个从沙丘底部拼命往上推粪球的屎壳郎君，一次次往上推，粪球一次次滚落，好不容易推上沙丘，一阵风吹过又把它直接吹到底部。表现得非常有趣，但笑着笑着不知不觉眼泪就出来了。。。）《冰冻星球》：算是《地球脉动》和《生命》的一条支线，讲述两极大陆的世界与“居民”们。极地世界的镜头难能可贵，摄制组捕捉到了很多平常难以观测到的动物捕食、迁徙等活动，以及壮观的冰川与雪原，还有对全球变暖趋势的忧虑。《蓝色星球》：这部纪录片的人气在国内不如以上几部那么高，但是其品质足以名列BBC前茅。本片深入海洋，对水下蔚蓝的世界进行深入细致的介绍。从起源到各方各面，再到反思，每一集主题鲜明，节奏得当，配乐非常动听，本片足以成为自然纪录片的教科书。 ==========题外话的分割线===========================

discovery中文教程

4.找到实例数据文件后，单击Open.。将出现General Properties（一般属性）对话框用于输入ASCII文本文件的定义。 5.在General Properties对话框中输入以下信息: z数据格式的Name（名）称为New Wells（新井）。 z在Description（描述）框中输入以下信息: 文件包括Well ID、 Operator（作业者）、Well Name（井名）、Well Number（井号）和 Status （状态）等一般井信息。每个字段用逗号分开。文本文件井头在第一行。

z Application是一种Well数据格式。这项选择决定在把ASCII数据映射到数据库中（或LandNet的层）时你的有效目标是什么。接受这个默认值。 z正常情况下，这些ASCII文本文件带有一个.txt后缀。在Default Extension(s) for ASCII Data Files（ASCII数据文件默认扩展名中）可输入txt, .txt, or *.txt. 输入该信息后，输入数据时选择ASCII数据文件会默认地查找*.txt文件。 z DefCon2 正确判断记录分隔符的末端和记录类型。一个ASCII数据文件中记录的基本格式。但Record ID选择的默认值需要改为(none), 因为数据文件的所有记录的格式相同。 z将Number of Header Records（井头记录序号）改为1用来说明包含列标题的ASCII 文本文件的第一行。 z正确的字段分隔符为逗号字段，正确的字段限定符为none（无）。完成后的General Properties（一般属性）对话框应该像以下对话框。 6.单击OK。将出现Records Definition（记录定义）窗口。ASCII文本文件的每个字段或数据列将在这个窗口中进行定义。

Discovery Studio 讲义中文

附录：准备一个PDB文件作为同源性建模模板同源建模的基本原理是，你映射的一个未知的蛋白质序列一种已知蛋白质的结构。因此，如果你没有已知的蛋白质，或模板，你将无法建立模型。模板的共同来源是蛋白质在结构生物信息学研究的实验室数据银行（目标）。该网站RCSB是HTTP：/ /www.rcsb。org /。蛋白质数据库（PDB）可能是世界上领先的公共源三维生物分子数据（1）。截至七月2006，超过37000项可在PDB。每个月都有更多的人加入。X射线衍射仪和其它固态技术占大多数的结构。然而，超过5500的核磁共振结构还可用。这些沉积的结构包括蛋白质，肽，核酸，碳水化合物，这些分子的配合物。在发现工作室环境中工作的这些分子是一个关键的过程给你的建模工作。这个练习如何准备一个PDB文件作为一个模板同源建模项目。你将在课程中学习如何： ?加载PDB文件直接从蛋白质数据银行， ?生产和检验蛋白质报告， ?清除晶体单元电池， ?分裂分子， ?删除不需要的组件，和保存已完成的文件。 1、开始发现工作室我们必须有发现工作室开始行使。推出发现工作室客户端，如果它没有运行。如果发现工作室已经在运行，从窗口菜单，选择关闭所有命令如果提示保存任何分子或数据，请选择“不”。 2、加载PDB文件现在，我们将直接从目标通过Discovery Studio界面加载PDB文件。注意：文件|打开网址…命令只会获得文件通过网络连接一个数据库服务器。如果连接不可能返回错误。检查你的导师或系统管理员，如果一个连接是可从您的车间位置。从文件下拉菜单，选择命令打开网址。在对话框中，网址应该是指目标网站。更换与1t64 URL的最后四个字。点击打开按钮。如果一个PDB不能连接，所需的文件中的数据文件是可用的目录 1t64_original.pdb。

河南省接收卫星传送的境外电视节目许可证申领表 (2)

河南省接收卫星传送的境外电视节目许可证申领表申领单位：（盖章）报送日期：河南省广播电视局制二○二〇年三月

填表说明 1、“申领单位”填写单位全称（与工商营业执照相符），并加盖公章。“单位性质”属事业单位的，填写事业单位；属企业单位的，选择民营、国有独资、国有控股、国有参股、外商独资或中外合资填写。 2、“注册地址”以工商营业执照为准，“设站地址”填写设置境外电视节目接收设施所在详细地点。 3、“接收目的”选择教学、科研、工作需要、服务中外宾客或外籍人士公寓填写。 4、“接收方式”根据本单位实际情况，从以下两种方式中选取一种，并在“□”中打“√”：（1）限定收视人数范围，不将接收设施的终端安置到超出规定及批准接收范围的场所，不在本单位的有线电视系统中传送所接收的境外电视节目；（2）接收的同时通过本单位闭路电视系统有选择播出（仅限涉外旅游宾馆、酒店）。 5、“申请接收境外电视频道名称”由省广电局参照国家广电总局批准的当年可供国内三星级以上涉外宾馆等单位申请接收的境外卫星电视频道名单，需要接收的节目请在“□”中打“√”。 6、“申领单位意见”请法定代表人签署意见，并签字、加盖单位公章。 7、“申领单位所在地广播影视行政部门意见”由当地广播电视行政管理部门负责人签署意见，并加盖单位公章。 8、申领单位报送本表时，同时需提交以下资料：（1）申请报告及《申请接收卫星传送的境外电视节目单位承诺书》；

（2）企业法人营业执照复印件或事业单位法人证书复印件；（3）安置接收设施的机房的有关设施情况、管理人员情况及管理制度；（4）三星级以上涉外宾馆请提交星级评定证明复印件；（5）原持证单位请提交原接收的境外节目名称、收视卡卡号等基本情况。 9、申领单位提交的材料，本表应提交一式三份，其余材料各一份。 10、彭博财经电视亚太频道2015年起不再发展新用户。

STM32F0-DISCOVERY用户手册

1/30 文档ID 022910第1版2012年3 月 STM32F0DISCOVERY STM32F0探索套件 UM1525 前言 STM32F0DISCOVERY 是意法半导体STM32F0系列微控制器的探索套件，用于帮助你探索STM32F0 Cortex-M0微控制器的功能，轻松开发应用设计。STM32F0探索套件基于1颗STM32F051R8T6微控制器，组件包括ST-LINK/V2嵌入式调试工具、LED 指示灯、按键和1个原型板。图1： STM32F0 探索套件用户手册

2/30UM1525 文档ID 022910第1版目录目录 1. 约定....................................................................................................................................52. 快速入门 (6) 2.1 开始使用........................................................................................................ 62.2 系统要求..........................................................................................................62.3 支持STM32F0探索套件的开发工具链 .......................................................62.4 订货代码. (6) 3. 特性....................................................................................................................................74. 硬件与原理图.. (8) 4.1 STM32F051R8T6 微控制器 ..........................................................................114.2 嵌入式ST-LINK/V2编程器/调试器 . (13) 4.2.1 使用ST-LINK/V2向板载STM32F0烧录和调试代码 ............................14 4.2.2 使用ST-LINK/V2向外部STM32应用板烧录和调试代码. (15) 4.3电源和电源选择............................................ 164.4 LED 指示灯 ...................................................................................................164.5 按键................................................................................................................164.6 JP2（Idd ）﹍﹍﹍﹍﹍﹍﹍﹍﹍﹍﹍﹍﹍﹍﹍﹍﹍﹍﹍﹍﹍﹍﹍ 16 4.7 OSC 时钟 -----------------------------------------------------------------------------174.7.1 OSC 时钟电源 .............................................................................................174.7.2 OSC 32kHz 时钟电源 17 4.8 焊桥.................................................................................................................184.9 扩展连接器.. (19) 5. 尺寸图..............................................................................................................................266. 原理图..............................................................................................................................277. 修改历史记录 (30)