学文网数据线篇1
以华为p40Pro为例，原装数据线和普通数据线的主要区别在于原装数据线有***授权，普通数据线没有***授权；原装数据线支持快充，一些普通数据线可能不具有快充功能；原装数据线有质量保证，普通数据线可能是三无产品。
手机使用技巧：1、华为p40Pro具有飞行模式，可以在手机的控制中心快速开启，如果手机无法联网，可以开启飞行模式一段时间，之后关闭飞行模式再联网。
2、华为p40Pro具有游戏加速功能，打开手机，选择主页的设置***标，打开应用设置页面，选择应用助手，在游戏时呼出侧边栏，点击游戏加速即可使用该功能。
3、华为p40Pro可以管理应用权限，打开手机，选择主页的设置***标，点击应用选项，可以为每个APP设置权限。
（来源：文章屋网 ）
数据线篇2
1、将数据线***电脑连接起来，在手机中打开USB调试中的传输文件即可在电脑上查看到手机的文件盘。打开手机的文件盘之后即可查看到手机的文件夹，在这里可以查找到手机的文件，照片视频资料都在这里。
2、选择需要传输的文件复制粘贴在即可完成电脑和手机间的传输，非常的简单办法，这也是我们常用的方式之一。
3、如果以上办法不适合的话还可以通过360手机助手进行连接，在360安全卫士里找到手机助手，进行添加。添加完成后打开即可连接手机，可以通过数据线和扫码进行连接。
4、安装完成即可查看手机文件了，一样简单方便。
（来源：文章屋网 ）
数据线篇3
云计算、虚拟化、流媒体、物联网……今天，几乎所有IT技术的演进都离不开对高速网络传输的需求。在这种需求的推动下，网络服务能力在数据中心规划及建设过程中逐渐成为越来越重要的考量指标。可以看到，在数据中心建设标准的变化中，对布线系统的要求已经出现了巨大变化。
看清三大趋势
数据中心的发展总要受制于物理空间的限制，想要提高网络服务能力只有两个途径：或者提高传输速率，或者增加空间的使用效率。对于数据中心的设计与建设，业内一直遵循着TIA-942《数据中心电信基础设施标准》。不容忽视的是，今年刚颁布的最新一版TIA-942-A标准却对数据中心的基础设施部分做出了较大更新。在新版标准中，线缆选型标准已变为6类及6类以上双绞线和OM3及OM3以上多模光缆，同时LC和MPO光纤连接硬件规范也被纳入新标准。
透过标准的变化不难发现，当前数据中心的传输速率底线已变成千兆。事实上，TIA-942-A标准体现的只是业内的主流应用。作为信息通信的基础设施, 随着40G/100G时代的临近，目前数据中心对万兆铜缆的需求也在逐年增加。业内专家告诉记者，在国内外的一些标准中，如ANSI/TIA942、EN50173-5、ISO/IEC24764、GB50174-2008，已经对采用满足万兆网络带宽需要的6类与万兆铜缆布线系统做出了相关规定，估计在不久的将来，万兆铜缆的应用占有比例就会快速增长。此外，在“光进铜退”因素的影响下，光纤的使用量也会有所上升。不仅如此，由于单位机房面积变大且功能区增加，导致主干子系统线缆的传输距离变大，也会让数据中心对光纤产生更多的需求。
在新标准中，连接硬件的规范无疑显示了当前数据中心高密度的设计理念。专家指出，在以太网标准IEEE802.3ba获批后，带宽提速将带动云计算、流媒体、物联网应用的快速发展，数据中心通过高密度部署降低成本的诉求还会更为突出。从布线产品的发展来看，美国康普公司技术总监吴健认为高密度将形成两大发展趋势：线缆的密度提高和配线管理的密度提高。目前，光缆提高密度的能力很强，因为光纤本身就很细，且光纤接头的发展也呈现多样性，如LC的发展、MPO的大量使用。从配线密度来看，主流布线系统目前已经可以实现1U48口铜缆或1U 144芯光纤的密度了。未来，高密度带来的管理问题也会成为布线系统急需解决的问题。
新标准除了对布线产品的选型做出新规定外，还对基础设施布线的管理标准进行了更新，提出了要满足数据中心所有管理需求的目标，特别是明确了之前标准中，标签管理并不涉及的数据中心设计和安装的一些特殊需求。新颁布的TIA-606-B电信设施管理标准对管理需求作出了四个等级的划分，不仅增加了对机柜、机架、配线箱、配线架、面板、端口和线缆的管理，还对智能配线架的使用也作出了规定，使数据中心的标签管理更加规范化了。过去，数据中心基础设施的线缆管理，普遍采用手动拖拽、检测仪检测和标签管理等手段。很明显，运维人员用手动的操作来实现线缆管理既不可靠也没效率。同时，利用检测仪来检测，设备和检测人员的费用也是一项支出，而且检测仪的效率较低，使用范围也局限于铜缆布线系统。为了解决这些问题，近两年来智能布线管理系统的呼声似乎很高。但业内的一些系统集成商却曾对记者表示，智能布线管理系统宣传过火，在实际应用中其性价比却并不高，成本高、稳定性差等问题一直困扰着用户，所以当前大多用户还是呼吁采用综合管理手段。鉴于标签管理具有标识和记录等功能，这种方式对于实现数据中心的高效管理依旧是高可用的。
在吴健看来，数据中心未来发展的需求主要包括三个方面：一是传输性能和可靠性，二是高密度的发展，三是模块化灵活部署。这三大需求都对应着IT设备的发展趋势。但是，目前一些国内用户依旧对布线规划重视不足，缺乏长期的IT规划眼光，这种状况无疑会制约数据中心未来的发展。
预端接与高密度光纤
数据中心高密度的实现，与预端接系统、MPO（多光纤连接器）是紧密相关的，后者是前者很好的实现方式。据吴健介绍，国外市场中预端接光纤和MPO连接器的使用在高密度环境非常受欢迎。但是，由于预端接系统是由工厂端接、测试的符合标准的模块式连接解决方案，用户往往会因为“担心设计无法细化出精确的长度”而放弃这种方案，所以在国内其应用局面一直没有完全打开。
拥有十年布线工程施工经验的王先生告诉记者，从市场发展的整体需求来看，预端接系统必将受到越来越多的关注，特别是随着大型云计算数据中心建设的兴起。因为这类方案可以大幅缩短高密度数据中心的部署时间，在未来的运营和管理中其成本及稳定性优势也非常明显，能够很好地满足下一代数据中心的建设、发展需求。国外采用预端接方案的数据中心很多，初期用户也存在疑虑，但在专业布线厂商解决了服务的问题后，这类方案就会被数据中心广泛接受。
数据线篇4
碳酸盐岩成因类型多样、岩石类型复杂。邓哈姆（1962）［1］将灰岩大致分为泥支撑灰岩（泥状灰岩，粒泥灰岩）、颗粒支撑灰岩（泥粒灰岩，粒状灰岩）、粘结岩、结晶灰岩。相比于碎屑岩的测井电性响应，碳酸盐岩的测井电性响应特征不明显，其岩性电性关系一直是测井学研究的难点。数据挖掘（DataMin－ing）是从海量数据中获取正确、新颖、有潜在价值、最终可理解模式的过程，可对样本数据进行分类和回归的数学计算［2］。岩性识别中很多工作都可归结为分类和回归问题，因此可采用数据挖掘方法对岩性识别进行研究。数据挖掘技术已被视为应对石油勘探开发未来挑战的10项关键技术之一［3－4］，国外已经成功应用于油藏实时动态监测［5］、石油工程作业“最佳实践”识别［6］、油藏描述［7］等方面。本文引入数据挖掘的方法，以国外某油田碳酸盐岩储层为例，阐述该方法在碳酸盐岩岩性识别中的应用。1常规岩性识别方法在国外某油田碳酸盐岩储层中，取心井5口（共计长528m）、测井资料丰富井128口。研究层段经历了复杂的构造和成岩作用，形成孔隙度、渗透率好、非均质性强储层。但该区沉积相带的发育规律不清，制约了下一步油气预测和勘探。碳酸盐岩岩性识别是沉积相研究的基础，如何利用测井曲线开展岩性识别是研究区勘探开发面临的瓶颈问题。岩性识别的思路是通过岩心刻度测井得出岩性识别模型，对所有未取心井段进行岩性识别后，深入开展沉积相研究。依据研究层段取心井的岩心观察和镜下鉴定结果，主要识别出3种碳酸盐岩岩性类型：泥支撑灰岩（包括泥状灰岩和粒泥灰岩）、颗粒支撑灰岩（泥粒灰岩，粒状灰岩）、白云岩。取心井测井曲线类型齐全，包括自然伽马（GR）、自然电位（SP）、声波时差（AC）、深电阻率（Rd）、浅电阻率（Rs）、密度（RHOB）等，不同岩性的测井值特征不同（见表1），如白云岩的Rs平均值为305．276Ω•m、Rd平均值为1276．991Ω•m，与灰岩类的Rs和Rd值差异较明显，说明岩性对测井值具有影响，但由于测井值受到多种因素的影响，不同岩性的测井值响应整体不明显（如RHOB、GR、AC值等）。目前岩性识别中常用的方法是提取各曲线在岩心取心段相应的特征值作交会***，从交会***中提取岩性识别模型。对5口井528m取心段采用声波时差曲线AC和地层深电阻率曲线Rd取对数后作交会***（见***1）。3类岩性具有一定的分布区间，但多数据点分布散乱，且在AC值160～180μs／m和Rd值200～1000Ω•m范围内，3类岩性难以区分。测井曲线受到多种因素的影响，曲线不完全反映岩性性质，因此交会***只能是起一个定性、半定量的作用，2条曲线或者多条曲线数据并不能很好地反映储层岩性的类别，导致整体识别率偏低。同样，在二维交会***岩性识别模型的基础上采用三维***，引入声波时差曲线AC、地层深电阻率曲线Rd和密度曲线RHOB用以识别岩性，效果依旧难以得到改善（见***2）。究其缘由，该区碳酸盐岩埋藏较深，岩性受到沉积、构造及成岩作用影响很大，
2数据挖掘方法识别岩性
2．1数据挖掘数据挖掘对海量数据的分类和回归计算有很好的效果［2－4］。研究区取心井（共计长528m）识别出的岩性数据点相对有限（234个点）（见表1）。表征某一点岩性特征的测井值有多种（见表2），使得应用测井值识别岩性的数据变得较为庞大，研究应用数据挖掘方法处理庞大测井数据后隐藏的岩性信息，取得了较好的效果。根据石油地质领域及数据挖掘领域研究和应用情况，主要采用决策树［8－10］、神经网络［11］、支持向量机［12］、贝叶斯网络［13－14］这4种方法，研究发现，决策树C5．0算法具有较好的识别准确率和可操作性。（1）决策树。决策树技术是数据挖掘中用于分类和预测的主要技术。决策树算法是以实例为基础的归纳学习算法，主要从1组无规则、无次序事例中推理出决策树表现形式的分类规则。其以树型结构表示分类、决策集合，寻找数据库中具有最大信息量的字段，建立决策树的1个结点，再根据字段的不同取值建立树的分枝，整棵树就对应着1组表达式规则。其方法与判别分析、聚类分析、非参数统计以及非线性估计的功能一样，但其设置形式灵活、应用方便。常用决策树算法有CLS算法、ID3算法、C5．0算法、CART算法、SLIQ算法、SPRINT算法、PUBLIC算法等。（2）人工神经网络。人工神经网络从结构上模拟人脑神经元方法，是一种通过训练来学习的非线性预测模型，可完成分类、聚类、特征挖掘等多种数据挖掘任务。在数据挖掘中主要采用前向神经网络提取分类规则，重点是解决2个问题：知识表达和知识获取，前者是使神经网络中抽象的权值代表一定的知识，后者是给定一个已经训练好的神经网络，从中提取显示的知识。神经网络具有丰富的假设空间，对训练数据中噪声很敏感，因此网络结构、结点数目和训练参数的设置非常重要。（3）支持向量机（SVM）。支持向量机对解决小样本、非线性及高维模式识别问题有优势。它是从线性分类面发展而来，利用核函数把数据转变成高维向量空间，寻找这类空间中的关系，解决了非线性问题。其在数据挖掘领域引入了许多核函数，包括kLinear、kGaussian、超正切函数、多项式函数和形函数，为复杂的分类问题带来高度准确的结果。（4）贝叶斯网络（BN）。贝叶斯网络模型是一个带有概率注释的有向无环***，能表示大量集合的联合概率分布，利用贝叶斯方法的学习和统计推断功能，实现预测、分类、聚类、因果分析等数据挖掘任务。素贝叶斯分类器是最简单的一种贝叶斯网络，它假定属性之间相互***，可用于处理大量数据分类问题。根据实际数据，选取5条常规测井曲线作为参数：声波时差曲线AC，密度曲线RHOB，地层深、浅电阻率曲线Rd和Rs及自然伽马曲线GR。对以上4种数据挖掘方法进行建模识别结果见表3。从表3中可以看出，以上4种方法中决策树C5．0算法识别正确率最高，达到了79．91％。考虑到决策树生成的规则具有较高的可操作性，最终选择了决策树C5．0算法作为研究区碳酸盐岩岩性的识别方法。决策树C5．0算法采用基于最大信息增益率（IGR，InformationGainRatio）的方法来选择参数。信息增益率等于信息增益［Gain（S，A）］对分割信息量的（SI，SplitInformation）的比值。设样本集S是n个数据样本的集合，按离散属性（参数）A的c个不同取值划分为SB1B，SB2B，…，SBcB共c个子集，c＝1，2，…，c，每个类cBiB中含有的样本数目为nBiB。则用A对S进行划分信息增益率为
2．2决策树加构造参数岩性识别在以上4种方法识别正确率中，决策树具有较高的整体识别正确率最高，但不同岩性类别的识别准确率不尽相同，各类之间的识别正确率存在较大差异（见表4）。在白云岩的71个数据点中，可以正确识别出70个点，正确率达到98．59％。但颗粒支撑灰岩的正确识别率只有60％，实用性较低，因此须采用其他方法提高此类岩性的识别正确率。依据各测井曲线对岩性响应的不同，构造了Rd／Rs和Rd／AC这2个参数，放大岩性对测井曲线的影响。其原理为当地层中存在裂缝和溶洞时，钻井泥浆侵入后，浅电阻率会迅速降低，而深电阻率影响很小，此时Rd／Rs的值会比在没有裂缝或者溶洞的地层中变大；Rd／AC亦是如此变化，当碳酸盐岩地层中有裂缝和溶洞的时候，声波值会忽然变大，甚至会出现周波跳跃，而深电阻率值变化很小，此时Rd／AC的值会比在有裂缝和溶洞的地层中变小。应用该方法，颗粒支撑灰岩识别准确率从60％提高到84．71％，而泥支撑灰岩识别正确率也提高达到85．90％，大幅度提高了岩性识别的准确率（见表5）。
2．3岩性解释应用应用该方法对研究区未取心的井进行岩性识别和沉积相研究。对5口取心井的沉积层序分析得出，研究层段可划分出层Ⅰ和层Ⅱ等2套碳酸盐岩开阔台地相地层，分别对应1个三级层序的海侵体系域（TST）和高位体系域（HST），TST内发育2期水体变深的沉积旋回，HST内发育2期水体变浅的沉积旋回（见***3），利用GR、AC、Rd、Rs、RHOB等5类测井曲线，按照决策树加构造参数（Rd／Rs和Rd／AC）方法建立岩性识别模型，对井1至井4进行了岩性和沉积相划分（见***3）：识别出以颗粒灰岩为主的滩相沉积和以泥晶灰岩为主的滩间相沉积，层Ⅰ（TST）和层Ⅱ（HST）分别发育2期滩体，对应4期沉积旋回，比较而言，HST内2期滩体的厚度、连续性都较好，反映了相对海平面的下降和水体的变浅，与岩心井观察的沉积层序发育规律相似，这也佐证了决策树加构造参数方法建立碳酸盐岩岩性识别模型的有效性。
数据线篇5
碳酸盐岩成因类型多样、岩石类型复杂。邓哈姆(1962)[1]将灰岩大致分为泥支撑灰岩(泥状灰岩,粒泥灰岩)、颗粒支撑灰岩(泥粒灰岩,粒状灰岩)、粘结岩、结晶灰岩。相比于碎屑岩的测井电性响应,碳酸盐岩的测井电性响应特征不明显,其岩性电性关系一直是测井学研究的难点。数据挖掘(DataMin-ing)是从海量数据中获取正确、新颖、有潜在价值、最终可理解模式的过程,可对样本数据进行分类和回归的数学计算[2]。岩性识别中很多工作都可归结为分类和回归问题,因此可采用数据挖掘方法对岩性识别进行研究。数据挖掘技术已被视为应对石油勘探开发未来挑战的10项关键技术之一[3-4],国外已经成功应用于油藏实时动态监测[5]、石油工程作业“最佳实践”识别[6]、油藏描述[7]等方面。本文引入数据挖掘的方法,以国外某油田碳酸盐岩储层为例,阐述该方法在碳酸盐岩岩性识别中的应用。1常规岩性识别方法在国外某油田碳酸盐岩储层中,取心井5口(共计长528m)、测井资料丰富井128口。研究层段经历了复杂的构造和成岩作用,形成孔隙度、渗透率好、非均质性强储层。但该区沉积相带的发育规律不清,制约了下一步油气预测和勘探。碳酸盐岩岩性识别是沉积相研究的基础,如何利用测井曲线开展岩性识别是研究区勘探开发面临的瓶颈问题。岩性识别的思路是通过岩心刻度测井得出岩性识别模型,对所有未取心井段进行岩性识别后,深入开展沉积相研究。依据研究层段取心井的岩心观察和镜下鉴定结果,主要识别出3种碳酸盐岩岩性类型:泥支撑灰岩(包括泥状灰岩和粒泥灰岩)、颗粒支撑灰岩(泥粒灰岩,粒状灰岩)、白云岩。取心井测井曲线类型齐全,包括自然伽马(GR)、自然电位(SP)、声波时差(AC)、深电阻率(Rd)、浅电阻率(Rs)、密度(RHOB)等,不同岩性的测井值特征不同(见表1),如白云岩的Rs平均值为305.276Ω?m、Rd平均值为1276.991Ω?m,与灰岩类的Rs和Rd值差异较明显,说明岩性对测井值具有影响,但由于测井值受到多种因素的影响,不同岩性的测井值响应整体不明显(如RHOB、GR、AC值等)。目前岩性识别中常用的方法是提取各曲线在岩心取心段相应的特征值作交会***,从交会***中提取岩性识别模型。对5口井528m取心段采用声波时差曲线AC和地层深电阻率曲线Rd取对数后作交会***(见***1)。3类岩性具有一定的分布区间,但多数据点分布散乱,且在AC值160~180μs/m和Rd值200~1000Ω?m范围内,3类岩性难以区分。测井曲线受到多种因素的影响,曲线不完全反映岩性性质,因此交会***只能是起一个定性、半定量的作用,2条曲线或者多条曲线数据并不能很好地反映储层岩性的类别,导致整体识别率偏低。同样,在二维交会***岩性识别模型的基础上采用三维***,引入声波时差曲线AC、地层深电阻率曲线Rd和密度曲线RHOB用以识别岩性,效果依旧难以得到改善(见***2)。究其缘由,该区碳酸盐岩埋藏较深,岩性受到沉积、构造及成岩作用影响很大,
2数据挖掘方法识别岩性
2.1数据挖掘数据挖掘对海量数据的分类和回归计算有很好的效果[2-4]。研究区取心井(共计长528m)识别出的岩性数据点相对有限(234个点)(见表1)。表征某一点岩性特征的测井值有多种(见表2),使得应用测井值识别岩性的数据变得较为庞大,研究应用数据挖掘方法处理庞大测井数据后隐藏的岩性信息,取得了较好的效果。根据石油地质领域及数据挖掘领域研究和应用情况,主要采用决策树[8-10]、神经网络[11]、支持向量机[12]、贝叶斯网络[13-14]这4种方法,研究发现,决策树C5.0算法具有较好的识别准确率和可操作性。(1)决策树。决策树技术是数据挖掘中用于分类和预测的主要技术。决策树算法是以实例为基础的归纳学习算法,主要从1组无规则、无次序事例中推理出决策树表现形式的分类规则。其以树型结构表示分类、决策集合,寻找数据库中具有最大信息量的字段,建立决策树的1个结点,再根据字段的不同取值建立树的分枝,整棵树就对应着1组表达式规则。其方法与判别分析、聚类分析、非参数统计以及非线性估计的功能一样,但其设置形式灵活、应用方便。常用决策树算法有CLS算法、ID3算法、C5.0算法、CART算法、SLIQ算法、SPRINT算法、PUBLIC算法等。(2)人工神经网络。人工神经网络从结构上模拟人脑神经元方法,是一种通过训练来学习的非线性预测模型,可完成分类、聚类、特征挖掘等多种数据挖掘任务。在数据挖掘中主要采用前向神经网络提取分类规则,重点是解决2个问题:知识表达和知识获取,前者是使神经网络中抽象的权值代表一定的知识,后者是给定一个已经训练好的神经网络,从中提取显示的知识。神经网络具有丰富的假设空间,对训练数据中噪声很敏感,因此网络结构、结点数目和训练参数的设置非常重要。(3)支持向量机(SVM)。支持向量机对解决小样本、非线性及高维模式识别问题有优势。它是从线性分类面发展而来,利用核函数把数据转变成高维向量空间,寻找这类空间中的关系,解决了非线性问题。其在数据挖掘领域引入了许多核函数,包括kLinear、kGaussian、超正切函数、多项式函数和形函数,为复杂的分类问题带来高度准确的结果。(4)贝叶斯网络(BN)。贝叶斯网络模型是一个带有概率注释的有向无环***,能表示大量集合的联合概率分布,利用贝叶斯方法的学习和统计推断功能,实现预测、分类、聚类、因果分析等数据挖掘任务。素贝叶斯分类器是最简单的一种贝叶斯网络,它假定属性之间相互***,可用于处理大量数据分类问题。根据实际数据,选取5条常规测井曲线作为参数:声波时差曲线AC,密度曲线RHOB,地层深、浅电阻率曲线Rd和Rs及自然伽马曲线GR。对以上4种数据挖掘方法进行建模识别结果见表3。从表3中可以看出,以上4种方法中决策树C5.0算法识别正确率最高,达到了79.91%。考虑到决策树生成的规则具有较高的可操作性,最终选择了决策树C5.0算法作为研究区碳酸盐岩岩性的识别方法。决策树C5.0算法采用基于最大信息增益率(IGR,InformationGainRatio)的方法来选择参数。信息增益率等于信息增益[Gain(S,A)]对分割信息量的(SI,SplitInformation)的比值。设样本集S是n个数据样本的集合,按离散属性(参数)A的c个不同取值划分为SB1B,SB2B,…,SBcB共c个子集,c=1,2,…,c,每个类cBiB中含有的样本数目为nBiB。则用A对S进行划分信息增益率为
2.2决策树加构造参数岩性识别在以上4种方法识别正确率中,决策树具有较高的整体识别正确率最高,但不同岩性类别的识别准确率不尽相同,各类之间的识别正确率存在较大差异(见表4)。在白云岩的71个数据点中,可以正确识别出70个点,正确率达到98.59%。但颗粒支撑灰岩的正确识别率只有60%,实用性较低,因此须采用其他方法提高此类岩性的识别正确率。依据各测井曲线对岩性响应的不同,构造了Rd/Rs和Rd/AC这2个参数,放大岩性对测井曲线的影响。其原理为当地层中存在裂缝和溶洞时,钻井泥浆侵入后,浅电阻率会迅速降低,而深电阻率影响很小,此时Rd/Rs的值会比在没有裂缝或者溶洞的地层中变大;Rd/AC亦是如此变化,当碳酸盐岩地层中有裂缝和溶洞的时候,声波值会忽然变大,甚至会出现周波跳跃,而深电阻率值变化很小,此时Rd/AC的值会比在有裂缝和溶洞的地层中变小。应用该方法,颗粒支撑灰岩识别准确率从60%提高到84.71%,而泥支撑灰岩识别正确率也提高达到85.90%,大幅度提高了岩性识别的准确率(见表5)。
2.3岩性解释应用应用该方法对研究区未取心的井进行岩性识别和沉积相研究。对5口取心井的沉积层序分析得出,研究层段可划分出层Ⅰ和层Ⅱ等2套碳酸盐岩开阔台地相地层,分别对应1个三级层序的海侵体系域(TST)和高位体系域(HST),TST内发育2期水体变深的沉积旋回,HST内发育2期水体变浅的沉积旋回(见***3),利用GR、AC、Rd、Rs、RHOB等5类测井曲线,按照决策树加构造参数(Rd/Rs和Rd/AC)方法建立岩性识别模型,对井1至井4进行了岩性和沉积相划分(见***3):识别出以颗粒灰岩为主的滩相沉积和以泥晶灰岩为主的滩间相沉积,层Ⅰ(TST)和层Ⅱ(HST)分别发育2期滩体,对应4期沉积旋回,比较而言,HST内2期滩体的厚度、连续性都较好,反映了相对海平面的下降和水体的变浅,与岩心井观察的沉积层序发育规律相似,这也佐证了决策树加构造参数方法建立碳酸盐岩岩性识别模型的有效性。
数据线篇6
步骤：
1、首先将两条USB插头线数据线剪断，保留带USB插头的部分。
2、用火机微烧一下，分别把两段线将内部的4条线露出一部分来。
3、然后将两条线对接，要求要相同颜色对接，焊接也可。
4、最后用胶带分别扎紧。为预防短路，要分开捆绑。
数据线篇7
据了解，国美电器目前在全国拥有直营门店1200多家，已经有成熟的WMS系统。而国美***由于电子商务运营的特殊性，仓储管理需求与国美电器的实体店并不完全相同，因此需要较为***的WMS系统。
涉及7个环节
针对以上需求，国美***在整个仓储物流流程中进行了大胆的设计，采用完全基于二维码的WMS系统。将二维码贯穿到产品入库、上架、下架、分拣、包装、分堆、出库7个基本环节，确保仓储管理与物流配送各环节的准确高效。
当产品从供应商那里运送到国美仓库，入库时工作人员会贴上包含产品信息的二维码并使用霍尼韦尔Dolphin 6100移动数据终端扫描二维码，即可在终端上获知该批产品应当存放的库位，并按指示入库并上架产品。上架时，工作人员扫描货架上的库位条码（二维）及产品条码，再在终端上进行确认，表示该批产品已成功上架到预设位置。消费者在网上的订单通过ERP系统及WMS系统处理后，国美***仓库能够及时接收到订单信息，并生成附有二维码的下架拣货单据。国美工作人员以上的所有操作步骤及数据都能够在使用霍尼韦尔移动终端与条码扫描器后，实时更新到国美***的WMS以及ERP系统中。
产品下架后会运至分拣区，分拣员在这里使用移动终端扫描单据上的二维条码及产品条码，即可对刚刚下架的产品进行分拣操作，以送去不同的包装区。
在包装台，工作人员对每一件产品进行包装，然后使用霍尼韦尔Xenon 1900二维扫描器进行扫描，将产品信息录入WMS系统，此后按照不同的承运商进行分堆等待出库。
产品即将出库时，工作人员再次用移动终端扫描已分堆好的产品、拖车条码，以及出货单据上的条码进行核对，确认无误后即可出货。
通过无线局域网络，工作人员以上的所有操作步骤及数据都能够在使用霍尼韦尔移动终端与条码扫描器后，实时更新到国美***的WMS以及ERP系统中。
实施效果
基于二维码的系统，在国美***的仓储物流中体现出非常大的优势，因此整个仓储物流流程快速顺畅，效率极高。并且工作人员的每一次动作都是对上一环节的复查确认，从消费者下单到产品出库流程错误率极低，并且有以下的特点：
简化工作流程，减少耗材使用。在国美***的实际运作中，遇到货物调拨的情况需要进行拆箱再包装作业时，由于二维码可包含丰富信息，因此只需在外包装上贴一个二维条码标签，国美就可获得包装内的所有产品信息，而无需再拆箱处理。同时，这也极大地减少了条码标签的使用，降低耗材成本。
降低信息系统压力。在仓储作业环节中会有大量的查询工作，需要实时与系统交互信息，对整个服务器及系统带来很大压力。通过使用二维码，部分商品信息可保存在条码中，移动终端和扫描器可以直接读取，不仅为服务器和系统减轻了压力，也保障了信息系统的高效运行。
实现了高效率单品管理。高价值数码产品的销售，涉及到售后保修问题；产品质量缺陷/物流损伤造成的退换货问题等，使用二维码技术，可一次扫描录入商品各类属性信息，大大简化操作动作。
员工绩效有据可依。在仓库的工作人员绩效采用计件方式统计，无需人工统计，系统对于员工绩效统计变得快速又准确。
未来工作流程优化。由于物流技术处于不断变化之中，未来的仓储流程可能发生变化。先进的二维条码应用为国美未来的工作流程优化预留了较大的调整空间。
系统设备的选型
由于电商行业对于信息系统极为依赖，因此，国美***对于自动识别设备运转的持续性和稳定性要求非常高。设备采购之初，国美***曾经测试多个厂商多款产品的全方位性能，霍尼韦尔以其稳定的产品性能在同类型产品中脱颖而出，最终被国美选定。
数据线篇8
1、连接carlife是需要使用数据线的，而且最好使用原装数据线。
2、carlife可让汽车车主将我们自己的安卓手机与车机连接，这样子可以接打电话，发送短信，用语音助手调节车机，还可以导航。
3、carlife是一种车载互关联统，这样的系统的出来方便了汽车车主用车，而且提高了汽车车主的用车体验。
（来源：文章屋网 ）
数据线篇9
***直播三年投资增长率近300%
国内***直播主要分为游戏直播、秀场直播和移动直播三大类。其中，游戏直播兴起时间最早，主要针对网络游戏用户；秀场直播主要是主播在室内固定场景下通过电脑对自己的生活进行直播；移动直播则指的是主播通过手机等移动终端直播，今年以来这一形态发展越来越迅速，市场占有率也越来越高。
兴起于2013年的国内***直播，投资估算额已由当年的1.7亿元增至2015年的23.7亿元，增长率近300%。一些传统媒体也借直播平台为自己的节目进行营销，如湖南卫视近期与多个直播平台合作直播了《全员加速中》、《透鲜滴星期天》等节目的录制，在电视行业中被广泛推崇为有别于传统宣传方式的营销创新。今年5月，制片人方励的下跪直播为已经濒临下线的文艺片《百鸟朝凤》带来五六千万的票房，更是显示了***直播的巨大影响力。
数据造假变得批量化和规模化
与此同时，随着***直播的快速发展，数据造假开始成为突出的问题。2015年，某主播在“斗鱼”平台直播游戏“英雄联盟”时，聊天室显示观看人数竟然超过了13亿。这意味着几乎全国人民都在观看此直播，直播平台数据造假从此成为行业公开的秘密。如果说数据造假以前只是个案，如今这样的操作正在变得批量化和规模化。在淘宝网上有很多以“涨粉”、“包热门”为关键词的卖家。某家淘宝店铺里对某直播平台的涨粉价格明码标价，1元可以换取2万粉丝，10元可以换取5500人气(即进直播间观看的人数)，持续点亮飘心10分钟。目前该店铺的成交量已经高达2万多单。
一些直播平台的热门主播则由专门团队或者经纪公司帮忙运作，由团队或经纪公司大批量向直播平台充值，再将充值换得的虚拟货币用于自己旗下的主播账号，随后主播的收入则由经纪公司与直播平台五五分成。在这个过程中，经纪公司并没有经济损失，却捧红了自己旗下的主播；主播还可以通过参与线下商业活动为经纪公司赚更多钱，直播平台也得到了大量优质数据。“由此可知，直播行业刷流水数据造假并不是一方所为，直播平台、主播经纪公司、主播均参与其中，心照不宣地默契打造了一条直播行业造假产业链。”一位从业者说。
虚高数字其实瞄准的是真金白银
数据造假的背后，是经济利益的驱动。据了解，目前直播行业的盈利主要依靠用户向平台购买虚拟礼品为主播打赏，再由平台与主播进行分成的模式。一般来说，平台与主播的分成比例为7：3。各平台推出的打赏礼品价格高低不等，以时下市场占有率最高的移动直播平台“映客”为例，该平台最贵的礼品是价值人民币1314元的“游艇”，最便宜的则有价值1元的啤酒、樱花、西瓜等。主播或主播经纪公司通过数据造假，制造某主播***人气旺的假象，从而让普通用户因主播的高流量而产生好奇心，进入聊天室后又出于从众心态进行打赏，进而获取经济利益。
数据线篇10
关键词：大数据；O2O电商；数据挖掘；挖掘流程
一、引言
21世纪，电子商务进入了数据爆炸的时代。从电子商务公司的企业内部管理与运营数据，到社交网络产生的海量信息数据等，电子商务产生的数据量呈爆发式发展。用户数据的暴增与数据的社会化在很大程度上模糊了企业数据的边界，这些由用户创造的海量数据远远超越了目前人力所能处理的范畴。IDC研究表明，数字领域存在着1.8万亿GB的数据，企业数据正在以55%的速度逐年增长。“大数据”已成为重要的时代特征。电子商务企业正在经历规模化、多样化、高速化的数据挑战，其数据容量通常以数百TB或者数百PB来计量。庞大的数据量使得数据过载、数据冗余、数据捕获成本快速增长、数据价值不易获得成为电子商务面临的新问题。
O2O电子商务模式，即Online-to-Offline，是一个连接线上用户和线下商家的多边平台商业模式。O2O商业模式将实体经济与线上资源融合一起，使网络成为实体经济延伸到虚拟世界的渠道――线下商业可以到线上挖掘和吸引客源，而消费者可以***上筛选商品和服务并完成支付，再到实体店完成余下消费。电子商务中用户数据呈每年约60%的增长，企业平均捕获其中25%-30%，但数据的利用一般不足其5%，O2O电商用户数据作为O2O模式下的核心资源的数据价值远未被挖掘。基于此，本文对O2O电商用户数据特征进行了分析，并在此基础上构建基于大数据技术的数据挖掘框架，提出了其数据挖掘流程，以期对O2O电商用户数据挖掘的深度应用做进一步的探讨。
二、 O2O电商用户数据特征分析
相比传统的电子商务数据，O2O用户数据并不仅仅局限于平台数据，即用户在O2O的交易数据，还包括了社交网络、用户移动终端的地理位置等数据。也就是说，O2O电子商务用户数据为在O2O电商日常经营中产生和积累的与用户相关的交易、互动、观测数据。O2O用户数据具有大数据的特征：
1.体量大（Volume）：不少的O2O电商企业每日所产生的用户数据已经达到TB级。在融入了社交网络和移动互联网的O2O电子商务中，O2O用户数据已不仅仅是用户交易数据，它拥有更加广泛的数据源，其数据规模会从TB级跃升到PB甚至是EB级。未来企业会将更多的TB级数据应用于商务智能和商务分析。
2.类型多（Variable）：O2O用户数据类型复杂。它并不仅限于O2O用户基本资料、用户消费记录、电商企业内部业务等海量的结构化和半结构化数据，还包括用户评论等反馈数据、用户O2O平台行为记录、移动终端数据和社交媒体等非结构数据。
3.速率快（Velocity）：O2O模式对用户数据实时处理有着极高的要求：用户数据伴随用户行为产生，这些数据往往是高速实时数据流，例如用户***下商家的消费情况、用户的地理位置和移动方向等，而且O2O业务周期短，这需要实时的分析用户数据并根据分析结果对用户进行个性化服务，通过传统的数据库查询方式得到的“当前结果”很可能已经没有价值。
4.价值高（Value）：O2O用户数据有着巨大的商业价值。用户是O2O业务的核心，对用户进行预测分析与深度复杂分析，对O2O电商企业无疑有着重大的价值，但庞大而繁杂的不相关用户数据，这也决定了其价值密度低的特性。
三、大数据环境下O2O电商用户数据挖掘框架
由于O2O电商用户数据的4V大数据特征，电商企业并不能运用传统数据分析技术对其进行很好的利用。如何从大数据量、类型复杂的O2O电商用户数据中及时洞察其中价值，将成为O2O电商企业竞争的利器。大数据挖掘成为O2O电商用户数据转化为具有价值知识的重要手段，是通过分析海量数据，从数据海洋中寻找其规律的技术。针对O2O电商用户数据特点，数据挖掘为O2O电商提供更有用的知识，更精确的信息及更及时的响应。基于此，我们提出了一种O2O电商用户数据挖掘框架，如***1所示。
O2O电商用户数据挖掘框架包括数据来源层、数据收集层、数据组织层、数据存储层、数据分析层、数据应用层。其中数据收集、数据组织、数据存储层属于数据挖掘中数据预处理过程（数据准备、数据转化、数据抽取），数据分析层为数据挖掘模型应用。数据应用层采用面向对象方式的数据应用，包括面向O2O平台应用、面向O2O用户应用和面向O2O商家的应用。
四、O2O电商用户数据挖掘流程
O2O电商用户数据挖掘着重解决这样一个问题：在大数据中，分析各用户群体的特点，进而分析用户个人特点，获得有价值的知识，从而获取商业价值。如***2所示，数据挖掘过流程包括：数据收集、数据准备、数据转化、数据抽取、数据抽取、数据挖掘、挖掘应用。
1.数据收集：O2O用户数据源包括O2O平台中的用户数据、社交网络中的用户数据、移动设备中的用户数据等。用户数据以“流”的形式创造，由于三个数据源之间有交互，且其数据内容往往交叉，所以按照交易、互动及观测数据进行分类，然后通过Needlebase等工具在用户消费的过程或其他行为中收集。
2.数据预处理：数据预处理包括了数据准备、数据转化及数据抽取。由于原始数据中有噪声数据、冗余数据及缺失值等，数据准备过程中对数据进行解析、清洗、重构，并填补缺失值以提高待挖掘数据的质量。然后对通过数据准备的非结构化、半结构化的数据处理成机器语言或索引，如自然语言――用户评论、日志资料等――转换成加权逻辑或是模糊逻辑，并且不同的词语映射到标准的值。将结构化数据进行数据过滤，提炼出有意义数据，剔除无效数据以提高分析效率。最后进行数据抽取，即检测数据的相关性和关联性：关联的数据表现出更多的特定用户活动特征，关联的数据本身也可以用于个性化服务，例如从用户购买数据和时间数据的关联性中，可能会发现购买特定商品的频率；数据融合是将相关联的数据连接在一起，形成一个新的商业应用。
3.数据挖掘及应用：在数据挖掘过程中，根据不同的应用需求选择不同的挖掘模型，对数据进行深度挖掘。其中主要模型有：关联规则分析、分类分析、聚类分析等。在当前数据挖掘中，也有一些使用的用户模型，这些的用户模型将人以性别、种族、年龄和兴趣等分类。得到数据挖掘结果后，对其进行解释应用，一般的挖掘应用包括排名与个性化推荐、异常检测、Web挖掘与搜索、大数据的可视化计算与分析等。
数据挖掘通过预测未来趋势及行为，做出前摄的、基于知识的决策。利用数据挖掘进行数据分析常用的方法主要有分类、聚类、关联规则等，它们分别从不同的角度对数据进行挖掘。O2O电商用户数据挖掘的方法主要有关联规则分析、分类与聚类分析、社会网络分析、变化与偏差分析。
五、结束语
电子商务正经历从用户数为王时代到销量为王时代再到现在的数据为王时代。电子商务企业已经意识到，最准确的商务决策来自于事实，即数据支持。这也就意味着，他们需要在内部交易系统的历史信息之外，采用基于数据分析的决策模型和技术支持。通过对O2O电商用户数据深度分析，挖掘出用户的行为特征、消费习惯和兴趣焦点，让O2O电商各方参与者获得具有极大价值的知识。大数据技术的应用必将成为O2O电子商务深入发展的重中之重，也将为其带来巨大的商业价值。
参考文献：
1.John Gantz ，David Reinsel.Extracting Value from Chaos[EB/OL].http：// /digital universe，2012-11-16.
2.刘***，吕俊.大数据时代及数据挖掘的应用[N].国家电网报，2012-05-15.