前言：我們精心挑選了數(shù)篇優(yōu)質(zhì)現(xiàn)在的經(jīng)營模式文章，供您閱讀參考。期待這些文章能為您帶來啟發(fā)，助您在寫作的道路上更上一層樓。

第1篇

【關鍵詞】模糊語言 模糊限制語 《警察與贊美詩》

一、引言

《警察與贊美詩》是美國現(xiàn)代短篇小說之父歐?亨利的代表作品之一。幽默風趣、辛辣諷刺是這篇小說的藝術特色，而語言是這一切的基礎。本文以語言的模糊性為視角，對該小說的語言進行了分析。模糊性是自然語言的固有屬性，藝術作品的創(chuàng)造常常借助模糊語言，即使是《警察與贊美詩》這樣短篇的小說也是如此。模糊限制語作為模糊語言家族的一員，更是在小說中發(fā)揮重要功能。

二、模糊限制語簡介及其概述

最早對模糊限制語定義的是George Lakoff（1972）。他稱其為“將事物弄的模糊不清的詞語”。對于它的分類，迄今引用最廣的是E.F.Prince （1982）的分類。徐海洋（2008）在前人研究基礎上，豐富了Prince的分類，提出了新型模糊限制語――缺失型模糊限制語。但學術界最常引用的還是Prince的分類法。

1.E.F.Prince對于模糊限制語的分類。模糊限制語可分為變動型模糊限制語和緩和型模糊限制語。變動型模糊限制語分為程度變動語和范圍變動語。前者揭示語義上有程度差別，如：a little，more or less.后者給話題限定某種范圍。如：about，over。緩和型模糊限制語分為直接緩和語和間接緩和語。前者表現(xiàn)說話者對話題的直接猜測和猶疑。如：I think，probably。后者引用第三者的看法，間接表達說話人對某事的態(tài)度。如：it was said that……

2.模糊語言和情態(tài)的重疊。韓禮德將情態(tài)描述為“正負兩極之間的中間級別”（Halliday，1994）。Fowler（1979： 168）認為，表達情態(tài)的語言手段有情態(tài)助動詞、情態(tài)副詞和評價性形容詞及副詞，還有表達了解、預知和評價的動詞，如： seem，guess.上述詞語都是模糊語言，大部分是模糊限制語。

3.模糊限制語還有“否定詞+程度副詞+形容詞”的形式，如not too big.

三、模糊限制語在《警察與贊美詩》中的應用及其功能

1.變動型模糊限制語。變動型模糊限制語是文學作品中常用的一種模糊語，在《警察與贊美詩》中也多有涉及。例：

The young woman moved away a few steps.

年輕女人移開了幾步。

本句用了程度變動語“a few”，說明年輕女人只移開了一小段距離，在蘇比把小流氓所干的卑鄙的勾當表演得惟妙惟肖之后，這個女人并不拒蘇比于千里之外，這為下文中她的真正品性的顯露作了鋪墊。

2.表達情態(tài)的語言手段作為模糊限制語。

（1）情態(tài)動詞。例如：Don't you figure out that I might have had something to do with it？

你不以為這事可能與我有關嗎？

砸碎窗玻璃后，蘇比等著警察去抓他。但警察竟問他肇事者去哪里了，完全不懷疑他，這讓蘇比哭笑不得。該句中使用了“might”表達了蘇比對警察思維邏輯的不理解，不能相信。

（2）另一種表達情態(tài)的語言手段，即表達了解 、預知和評價的動詞，如： seem，guess。例如：

Three months of assured board and bed…… seemed to Soapy the essence of things desirable.

整整三個月，有飯吃，有床睡……對蘇比而言，這似乎就是日思夜想的最大愿望。

“有飯吃，有床睡”是一個人對生活非常低的需求，但對蘇比而言，卻似乎是最大愿望。作者將“seem”這一模糊限制語用于旁白敘述中，傳達了對蘇比愿望所持的遲疑或保留態(tài)度，表達了對蘇比這樣的窮人最大愿望是簡單卻又難以實現(xiàn)，反映了資本主義社會窮人的悲慘境遇。

3.“否定詞+程度副詞+形容詞”的形式

例：The hibernatorial ambitions of Soapy were not of the highest.蘇比越冬的抱負并不算最高。

在該句中，作者使用了“not of the highest”這樣的模糊語言，而沒有用直接“the lowest”，一方面在表達上更加委婉含蓄，另一方面則暗示了社會中還有比蘇比的境遇更加悲慘的人。

四、結語

本文從模糊語言學的角度對《警察與贊美詩》中的語言進行分析，主要探討模糊限制語在該短篇小說中的應用。分析表明，無論是變動型模糊限制語，表示情態(tài)的模糊限制語還是特定形式如“否定詞+程度副詞+形容詞”的模糊限制語，在《警察與贊美詩》中都有很好的應用并對小說內(nèi)容的充實及上下文銜接起到了直接或間接的作用。

參考文獻：

[1]Fowler， Roger.Literature as Social Discourse[M].Batsford Academic and Education Ltd： London，1979.

[2]Halliday， M.A.K.An Introduction to Functional Grammar（2nd edition）[M].London： Edward Arnold，1994.

[3]Lakoff G.Hedges： A Study in Meaning Criteria and the Logic of Fuzzy Concepts[J].Journal of Philosophical Logic，1972（02）：458-508.

第2篇

1 引言

在目前諸多的顯示器件中，液晶顯示器以其具有工作電壓低、功耗低、顯示信息量大、壽命長、不產(chǎn)生電磁輻射污染、可以顯示復雜的文字及圖形等優(yōu)點，而在各種儀器儀表、電子設備、移動通訊及家用電器中得到了廣泛的應用。本文介紹MGLS240128T圖形液晶顯示模塊就是香港精電公司生產(chǎn)的、內(nèi)藏T6963C控制器的液晶顯示模塊。

2　模塊工作原理

2．1 基本功能

MGLS240128T圖形液晶顯示模塊由控制器T6963C、列驅(qū)動器T6A39、行驅(qū)動器T6A40以及與外部設備的接口等幾部分組成，它既能顯示字符（包括中文和西文字符），又能顯示圖形，還能夠?qū)⒆址c圖形混合顯示。其主要參數(shù)如下：

點陣數(shù)：240×128；

點尺寸：0．4×0．4mm；

視屏尺寸：114×64mm；

漢字字體：8×8，8×6；

背光：LED或EL；

電源：＋5V；

工作溫度范圍：－20～ ＋70℃。

2．2 引腳功能

MGLS240128T圖形液晶顯示模塊的引腳說明如表1所示。該模塊對液晶顯示的控制和驅(qū)動都由模塊內(nèi)部的芯片及電路來完成，因此它與外部的連接只有數(shù)據(jù)線和控制線。主控CPU通過這些數(shù)據(jù)線和控制線來設置所需要的顯示方式，其它功能均由模塊自動完成。

表1 MGLS240128T模塊的引腳功能

管  腳  號管  腳  名  稱功  能  描  述

1FG框架地2GND電源地3VCC電源電壓4NC未用5WR寫控制信號，低電平有效6RD讀控制信號，低電平有效7CS片選信號，低電平有效8C/D通道選通信號，C/D1為表示指令，C/D為0表示數(shù)據(jù)通道9RST復位信號，低電平有效10～17DB0～7數(shù)據(jù)總線，三態(tài)18FS字體選擇，F(xiàn)S為0選擇8×8字體，F(xiàn)S為1選擇8×6字體2．3 指令系統(tǒng)

MGLS240128T圖形液晶顯示模塊本身內(nèi)藏控制器T6963C，它最大的特點是具有獨特的硬件初始設置功能，由于顯示驅(qū)動所需的參數(shù)（如占空比系數(shù)、驅(qū)動傳輸?shù)淖止?jié)數(shù)／行以及字符的字體選擇等）均由引腳電平來設置，因此T6963C的初始化在上電時就已基本設置完成。除此之外，它還具有很強的軟件控制能力，也就是由主控CPU通過接口寫入液晶模塊的指令來實現(xiàn)模塊控制。軟件控制主要集中于顯示功能的設置上。該模塊的常用指令如表2所列。

表2 MGLS240128T模塊的常用指令設置

指令名稱控制狀態(tài)指  令  代  碼CDRDWRD7D6D5D4D3D2D1D0讀狀態(tài)字111S7S6S5S4S3S2N1S0地址指令設置11000100N2N1N0顯示區(qū)域設置110010000N1N0顯示方式設置1101000CGN2N1N0顯示狀態(tài)設置1101001N3N2N1N0光標自動讀寫設置11011000N2N1N0數(shù)據(jù)自動讀寫設置110101100N1N0數(shù)據(jù)一次讀寫設置11011000N2N1N0屏讀（一字節(jié)）設置11011100000屏讀（一行）設置11011101000位操作1101111N3N2N1N0數(shù)據(jù)寫操作010數(shù)    據(jù)數(shù)據(jù)讀操作001數(shù)    據(jù)3　液晶模塊的應用

3．1 與單片機的接口連接

MGLS240128T液晶顯示模塊與計算機的接口時序采用Inter8080時序。下面以8031單片機為例說明其接口方法。它與單片機的接口方法分為直接訪問方式和間接控制方式。

直接訪問方式是把液晶模塊作為存儲器接在CPU的數(shù)據(jù)線、地址線和控制線上，同時把它的數(shù)據(jù)總線接在8031的P0口上，片選以及寄存器選擇信號線由P2口提供，讀寫操作由單片機的讀寫操作信號控制。這種方式是以訪問存儲器的方式訪問液晶顯示模塊，具體連接如圖1（a）所示。

間接控制方式則不使用單片機的數(shù)據(jù)系統(tǒng)，而是利用它的I／O口來實現(xiàn)與顯示模塊的聯(lián)系。即將液晶顯示模塊的數(shù)據(jù)線與單片機的P1口連接作為數(shù)據(jù)總線，另外三根時序控制信號線通常利用8031的P3口中未被使用的I／O口來控制。這種訪問方式不占用CPU的存儲器空間，它的接口電路與時序無關，其時序完全靠軟件編程實現(xiàn)。接口方式如圖1（b）所示。

3．2 軟件設計

單片機與液晶顯示模塊接口程序中的文字顯示已經(jīng)為人們所熟悉，因此這里不再贅述，本文只介紹圖形顯示方法。圖形或曲線的顯示程序的關鍵在于顯示點地址的計算，下面給出采用C51語言編制的圖形顯示的主要相關程序。

／／發(fā)送數(shù)據(jù)

void w_data(unsigned char d)

{CS＝0;

check();

CD＝0;P2＝d;WRITE＝0;WRITE＝1;

CS＝1;

}

／／發(fā)送命令

void w_command(unsigned char d)

{CS＝0;

check();?

CD＝1;P2＝d;WRITE＝0;WRITE＝1;

CS＝1;

}

／／查狀態(tài)

void check(void)

{unsigned char M;

do{P2＝0xff;

CD＝1;READ＝0;

M＝P2;

READ＝1;

}

while((M＆0x03)＜0x03);

}

／／畫點

void draw(x,y)

{unsigned int m;

unsigned char n,t;

n＝0x12;

t＝0x34;

m＝(y＆0x7f)＊0x20;

n＝x／8;

t＝m－(m／0x100)＊0x100＋n;

w＿data(t);?

t＝m／0x100＋0x08;

w_data(t);?

w_command(0x24);

if(y＞＝0x80) n＝0xf8;

else n＝0xf0;

t＝x％8;

t＝(～t)＆0x07;

t＝n｜t;

w_command(t);?

}

／／畫一條正弦曲線

void main(void)

{

init();

clear();

for(x＝0;x＜180;x＋＋)

{

y＝psin[x];

y＝y(tǒng)｜0x80;

draw(x,y);??

}

while(1){}

}??

第3篇

關鍵詞：模糊神經(jīng)網(wǎng)絡;企業(yè)水環(huán)境;評價

收稿日期：20120410

基金項目：國家自然科學基金資助項目(編號:41101080);山東省自然科學基金資助項目(編號:ZR2011DQ009);山東省研究生教育創(chuàng)新計劃

項目(編號:SDYC11147)資助

作者簡介：朱敏（1974—），女,湖南常德人,工程師,主要從事企業(yè)水環(huán)境研究工作。

通訊作者：李銳（1963—），男,湖南新化人,教授,博導,主要從事環(huán)境經(jīng)濟學方面的教學與研究工作。中圖分類號：X73文獻標識碼：A文章編號：16749944(2012)05015003

1引言

隨著經(jīng)濟的發(fā)展和污染負荷的增加,人們認識到濃度控制已不能從根本上解決污染問題。而我國對水環(huán)境的研究,也主要集中在對水源地的分析和控制中。隨著工業(yè)企業(yè)對水環(huán)境的重視,開始逐步嘗試用處理過的中水進行循環(huán)使用,但是對多指標的水質(zhì)評價缺乏定性的判斷。而在對水環(huán)境的評價方法中,由于參與的評價因子眾多,并且與水質(zhì)等級之間存在的是非常復雜的非線性關系,所以至今都沒有形成統(tǒng)一的方法。常規(guī)的地下水水質(zhì)評價方法有綜合指數(shù)法、模糊綜合評價法、灰色聚類法等［1］,這些方法都還存在著一些不足。近年來,隨著神經(jīng)網(wǎng)絡的發(fā)展,國內(nèi)外很多從事地下水研究的學者將神經(jīng)網(wǎng)絡引入水質(zhì)評價中,取得了較好的評價效果,表明研究神經(jīng)網(wǎng)絡處理水質(zhì)評價具有非?，F(xiàn)實的意義。

模糊理論和神經(jīng)網(wǎng)絡技術是近幾年來人工智能研究較為活躍的兩個領域［2］。模糊神經(jīng)網(wǎng)絡(Fuzzy Neural Network,FNN)是在神經(jīng)網(wǎng)絡(Neural Network,NN)和模糊系統(tǒng)(Fuzzy System,FS)的基礎上發(fā)展起來的,二者的融合彌補了神經(jīng)網(wǎng)絡在模糊數(shù)據(jù)處理方面的不足和模糊邏輯在學習方面的缺陷,是一個集語言計算、邏輯推理、分布式處理和非線性動力學過程為一身的系統(tǒng)［3,4］。本文使用這種方法來評價某企業(yè)水環(huán)境質(zhì)量,通過MATLAB R2011b 編程實現(xiàn),其工具箱函數(shù)提供了歸一化函數(shù)mapminmax等,該仿真結果表明,系統(tǒng)具有較好的客觀性和預測性。

2模糊神經(jīng)網(wǎng)絡原理

模糊神經(jīng)網(wǎng)絡是一種集模糊邏輯推理的強大結構性知識表達能力與神經(jīng)網(wǎng)絡的強大自學習能力于一體的新技術,它是模糊邏輯推理與神經(jīng)網(wǎng)絡有機結合的產(chǎn)物［6,7］。

2.1模糊數(shù)學方法

模糊集概念是模糊數(shù)學的特征函數(shù)處于中介狀態(tài),并用隸屬函數(shù)表示模糊集。模糊數(shù)學是用來描述、研究和處理事物所具有的模糊特征的數(shù)學?！澳：笔侵杆难芯繉ο?而“數(shù)學”是指它的研究方法。

模糊數(shù)學中最基本的概念是隸屬度和模糊隸屬度函數(shù)。其中,隸屬度是指元素u屬于模糊子集f的隸屬程度,用μf(u)表示,它是一個在［0,1］之間的數(shù),越接近于0,表示μf(u)屬于模糊子集u的程度越小;越靠近1,表示u屬于模糊子集f的程度越大。

在模糊數(shù)學中,運用隸屬度來描述客觀事物中很多模糊的界限,而隸屬度可用隸屬函數(shù)來表示。比如水質(zhì)評價中“污染程度”就是一個模糊概念,因此,作為評價污染程度的分類標準也應具有模糊的特征,用一般的評價方法進行分類別,不盡合理,而用模糊概念進行推理就比較符合客觀實際［5］。

2.2TakagiSugeno(T-S)模糊模型

TS模糊模型一般用于多個輸入和單個輸出的情況。該模型是一種自適應能力很強的模糊系統(tǒng),該系統(tǒng)不僅能自動更新,而且能不斷修正模糊子集的隸屬函數(shù)。TS模糊系統(tǒng)用如下的“if-then”規(guī)則形式來定義,在規(guī)則為 的情況下,模糊推理如下:

Ri:Ifx1isAi1,x2isAi2，…,xkisAik,then yi=pi1x1+…+pikxk

其中Aij為模糊系統(tǒng)的模糊集,pij(j=1,2,…,k)為模糊系統(tǒng)參數(shù);yi為根據(jù)模糊規(guī)則得到的輸出,輸入部分(即if部分)是模糊的,輸出部分(即then部分)是確定的,該模糊推理表示輸出為輸入的線性組合。假設對于輸入量x=［x1,x2,…,xk］,首先根據(jù)模糊規(guī)則計算各輸入變量xj的隸屬度。

μAij=exp(-(xj-cij)2/bij)j=1,2,…,k;i=1,2,…,n(1)

式中,cij,bij分別為隸屬度函數(shù)的中心和寬度;k為輸入?yún)?shù)數(shù);n為模糊子集數(shù)。

將各隸屬度進行模糊計算,采用模糊算子為連乘算算子。

wi=μA1j(x1)×μA2j(x2)×…×μAkj(xk),i=1,2,…,n(2)

根據(jù)模糊計算結果計算模糊模型的輸出值yi。

yi=∑ni=1wi(pi0+pi1x1+…+pikxk)/∑ni=1wi。(3)

2.3TakagiSugeno模糊神經(jīng)網(wǎng)絡模型

TS模糊神經(jīng)網(wǎng)絡分為輸入層、模糊化層、模糊規(guī)則計算層和輸出層等4層。輸入層與輸入向量xi連接,節(jié)點數(shù)與輸入向量的維數(shù)相同。模糊化層采用隸屬函數(shù)(1)對輸入值進行模糊化得到模糊隸屬度值μ。模糊規(guī)則計算層采用模糊連乘公式(2)計算得到w,輸出層采用公式(3)計算得到模糊神經(jīng)網(wǎng)絡的輸出。模糊神經(jīng)網(wǎng)絡的學習算法如下。

2.3.1誤差計算

e=12(yd-yc)2,(4)

式中,yd是網(wǎng)絡期望輸出;yc是網(wǎng)絡實際輸出;e為期望輸出和實際輸出的誤差。

2.3.2系數(shù)修正

pij(k)=pij(k-1)-αepij,(5)

epij=(yd-yc)wi/∑mi=1wi×xj。(6)

式中,pij為神經(jīng)網(wǎng)絡系數(shù),α為網(wǎng)絡學習率;xj為網(wǎng)絡輸出參數(shù);wi為輸入?yún)?shù)隸屬度連乘積。

2.3.3參數(shù)修正

cij(k)=cij(k-1)-βecij,(7)

bij(k)-bij(k-1)-βecij。(8)

式中,cjj,bij分別為隸屬度函數(shù)的中心和寬度。

3企業(yè)水環(huán)境評價應用

企業(yè)的水環(huán)境進行評價時,要采用一定的流程和算法。具體見圖1,分為模糊神經(jīng)網(wǎng)絡的構建、模糊神經(jīng)網(wǎng)絡訓練和模糊神經(jīng)網(wǎng)絡預測。

圖1模糊神經(jīng)網(wǎng)絡企業(yè)水環(huán)境評價算法流程

3.1網(wǎng)絡初始化

根據(jù)訓練輸入、輸出數(shù)據(jù)維數(shù)確定網(wǎng)絡結構,初始化神經(jīng)網(wǎng)絡隸屬度函數(shù)參數(shù)和系數(shù),歸一化訓練數(shù)據(jù)。在訓練數(shù)據(jù)歸一化時,使用mapminmax函數(shù)來實現(xiàn)。

3.2模糊神經(jīng)網(wǎng)絡訓練

模糊神經(jīng)網(wǎng)絡訓練用訓練數(shù)據(jù)訓練模糊神經(jīng)網(wǎng)絡,由于水質(zhì)評價真實數(shù)據(jù)比較難確定,印象,采用了等隔均勻分布方式內(nèi)插水質(zhì)指標標準數(shù)據(jù)生成樣本的方式來生成訓練樣本,采用的水質(zhì)指標標準數(shù)據(jù)來自表1,網(wǎng)絡反復訓練100次。

根據(jù)GB3838-2002《地表水環(huán)境質(zhì)量標準》,Ⅰ類主要適用于源頭水、國家自然保護區(qū);Ⅱ類主要適用于集中式生活引用水地表水源地一級保護區(qū)、珍稀水生生物棲息地、魚蝦類產(chǎn)卵場、仔稚幼魚的索餌場等;Ⅲ類主要適用于集中式生活引用水地表水源地二級保護區(qū)、魚蝦類越冬場、泅游通道、水產(chǎn)養(yǎng)殖區(qū)等漁業(yè)水域及游泳區(qū);Ⅳ類主要適用于一般工業(yè)用水區(qū)及人體非直接接觸的娛樂用水區(qū);Ⅴ類主要適用于農(nóng)業(yè)用水區(qū)及一般景觀要求水域。

表1地表水環(huán)境標準

序號項目Ⅰ類Ⅱ類Ⅲ類Ⅳ類Ⅴ類1化學需氧量(COD)≤15152030502懸浮物 ≤3氨氮 ≤0.50.51.01.52.04總磷 ≤0.020.10.20.30.55pH ≤6~9

因為在企業(yè)的水質(zhì)評價主要指標中,pH值和懸浮物沒有具體的定量指標,無法做出正確的判斷。因此,確定了化學需氧量(COD)、氨氮和總磷3個評價指標。

3.3模糊神經(jīng)網(wǎng)絡企業(yè)水環(huán)境評價

用訓練好的模糊神經(jīng)網(wǎng)絡評價企業(yè)水環(huán)境,根據(jù)網(wǎng)絡預測值評價水質(zhì)等級。當預測值小于1.5時,水質(zhì)等級為Ⅰ類;當預測值在1.5~2.5時,水質(zhì)等級為Ⅱ類;當預測值在2.5~3.5時,水質(zhì)等級為Ⅲ類;當預測值在3.5~4.5時,水質(zhì)等級為Ⅳ類;預測值大于4.5時,水質(zhì)等級為Ⅴ類。

3.4結果分析

調(diào)用了企業(yè)2010~2011年每月的污水處理數(shù)據(jù),其各評價因子的數(shù)據(jù)折線圖見圖2。

圖2企業(yè)水環(huán)境數(shù)據(jù)

采用MATLAB R2011b進行仿真,輸入節(jié)點數(shù)為3,隱含節(jié)點數(shù)為7,輸出節(jié)點數(shù)為1。仿真結果如圖3。圖3為模糊神經(jīng)網(wǎng)絡模型訓練數(shù)據(jù)預測仿真結果。該圖中顯示了實際輸出、預測輸出和誤差。結果顯示,該誤差范圍小于0.01。圖4為模糊神經(jīng)網(wǎng)絡模型測試數(shù)據(jù)預測仿真結果。該圖中顯示了實際輸出、預測輸出和誤差。結果顯示,該誤差范圍小于0.01。圖5為模糊神經(jīng)網(wǎng)絡企業(yè)水環(huán)境評價結果。

圖3模糊神經(jīng)網(wǎng)絡模型訓練數(shù)據(jù)預測仿真結果

圖4模糊神經(jīng)網(wǎng)絡測試數(shù)據(jù)預測仿真結果

從企業(yè)水環(huán)境評價結果可以看出,目前,企業(yè)的水環(huán)境有了一定的改善,基本上維持在2~3級左右,說明了模糊神經(jīng)網(wǎng)絡評價的有效性。并且,水質(zhì)等級的判定可以幫助企業(yè)在循環(huán)經(jīng)濟和景觀建設中打下良好的基礎。

圖5模糊神經(jīng)網(wǎng)絡企業(yè)水環(huán)境評價

2012年5月綠色科技第5期4結語

從實際的應用結果可以看出,基于MATLAB編程實現(xiàn)的模糊神經(jīng)網(wǎng)絡方法應用與水質(zhì)評價取得了良好的評價結果,積極探索了除地下水水質(zhì)評價外的其它的環(huán)境質(zhì)量評價中,為模糊神經(jīng)網(wǎng)絡提供了一個新的應用空間。

參考文獻：

［1］ 謝宏斌.環(huán)境質(zhì)量評價與預測方法的現(xiàn)狀［J］.廣西水利水電,2001(4):30~33.

［2］ Leontalitis I J.Billings S A.Input-output parametric models for nonlinear systems,part l:deterministic nonlinear systems［J］.Int J Contr,2006,4l(2):303.

［3］ 謝維信,錢法濤.模糊神經(jīng)網(wǎng)絡研究［J］.深圳大學學報,1999,16(1):22~27.

［4］ 王立新.模糊系統(tǒng)與模糊控制教程［M］.北京:清華大學出版社,2003.

［5］ 王鴻杰,尤賓,山官宗光.模糊數(shù)學分析方法在水環(huán)境評價中的應用［J］.水文,2005(25):30~32.