众文网1.资产运用效率分析论文
资产运用效率，是指资产利用的有效性和充分性。
有效性是指使用的后果，是一种产出的概念；充分性是指使用的进行，是一种投入概念。 资产的运用效率评价的财务比率是资产周转率，其一般公式为： 资产周转率=周转额/资产 [编辑本段]资产周转率的种类 资产周转率可以分为总资产周转率，分类资产周转率（流动资产周转率和固定资产周转率）和单项资产周转率（应收账款周转率和存货周转率等）三类。
不同报表使用人衡量与分析资产运用效率的目的各不相同： 1、股东通过资产运用效率分析，有助于判断企业财务安全性及资产的收益能力，以进行相应的投资决策。 2、债权人通过资产运用效率分析，有助于判明其债权的物质保障程度或其安全性，从而进行相应的信用决策。
3、管理者通过资产运用效率的分析，可以发现闲置资产和利用不充分的资产，从而处理闲置资产以节约资金，或提高资产利用效率以改善经营业绩。 [编辑本段]资产运用效率的衡量指标 （一）总资产周转率 总资产周转率是指企业一定时期的主营业务收入与资产总额的比率，它说明企业的总资产在一定时期内（通常为一年）周转的次数。
其计算公式如下： 总资产周转率=主营业务收入/总资产平均余额 其中：总资产平均余额=（期初总资产+期末总资产）/2 总资产周转率也可用周转天数表示，其计算公式为： 总资产周转天数=计算期天数/总资产周转率 总资产周转率的高低，取决于主营业务收入和资产两个因素。增加收入或减少资产，都可以提高总资产周转率。
（二）分类资产周转率 1、流动资产周转率 流动资产周转率是指企业一定时期的主营业务收入与流动资产平均余额的比率，即企业流动资产在一定时期内（通常为一年）周转的次数。流动资产周转率是反映企业流动资产运用效率的指标。
其计算公式如下： 流动资产周转率=主营业务收入/流动资产平均余额 其中：流动资产平均余额=（期初流动资产+期末流动资产）/2 流动资产周转天数=计算期天数/流动资产周转率 流动资产周转率指标不仅反映流动资产运用效率，同时也影响着企业的盈利水平。企业流动资产周转率越快，周转次数越多，表明企业以相同的流动资产占用实现的主营业务收入越多，说明企业流动资产的运用效率越好，进而使企业的偿债能力和盈利能力均得以增强。
反之，则表明企业利用流动资产进行经营活动的能力差，效率较低。 2、固定资产周转率 固定资产周转率是指企业一定时期的主营业务收入与固定资产平均净值的比率。
它是反映企业固定资产周转状况，衡量固定资产运用效率的指标。其计算公式为： 固定资产周转率=主营业务收入/固定资产平均余额 其中：固定资产平均余额=（期初固定资产余额+期末固定资产余额）/2 固定资产周转天数=360/固定资产周转率 固定资产周转率越高，表明企业固定资产利用越充分，说明企业固定资产投资得当，固定资产结构分布合理，能够较充分地发挥固定资产的使用效率，企业的经营活动越有效；反之，则表明固定资产使用效率不高，提供的生产经营成果不多，企业固定资产的营运能力较差。
3、长期投资周转率 长期投资的数额与主营业务收入之间的关系不一定很明显，因此很少计算长期投资的周转率。 长期投资周转率=主营业务收入/长期投资平均余额 长期投资周转天数=360/长期投资周转率 （三）单项资产周转率 单项资产的周转率，是指根据资产负债表左方项目分别计算的资产周转率。
其中最重要和最常用的是应收账款周转率和存货周转率。 1、应收账款周转率 应收账款周转率是指企业一定时期的主营业务收入与应收账款平均余额的比值，它意味着企业的应收账款在一定时期内（通常为一年）周转的次数。
应收账款周转率是反映企业的应收账款运用效率的指标。其计算公式如下： 应收账款周转率（次数）=主营业务收入/应收账款平均余额 其中：应收账款平均余额=（期初应收账款+期末应收账款）/2 应收账款周转天数=计算期天数/应收账款周转率（次数） 或=（应收账款平均余额*计算期天数）/主营业务收入 一定期间内，企业的应收账款周转率越高，周转次数越多，表明企业应收账款回收速度越快，企业应收账款的管理效率越高，资产流动性越强，短期偿债能力越强。
同时，较高的应收账款周转率可有效地减少收款费用和坏账损失，从而相对增加企业流动资产的收益能力。 对应收账款周转率的进一步分析，还需要注意以下问题： （1）影响应收账款周转率下降的原因主要是企业的信用政策、客户故意拖延和客户财务困难。
（2）应收账款是时点指标，易于受季节性、偶然性和人为因素的影响。为了使该指标尽可能接近实际值，计算平均数时应采用尽可能详细的资料。
（3）过快的应收账款周转率可能是由紧缩的信用政策引起的，其结果可能会危及企业的销售增长，损害企业的市场占有率。 2、存货周转率 存货周转率有两种计算方式。
一是以成本为基础的存货周转率，主要用于流动性分析。二是以收入为基础的存货周转率，主要用于盈利性分析。
计算公式分别如下： 成本基础的存货周转率=主营业务成本/存货平均净额 收入基础的存货周转率=主营业务收入/。
2.图像边缘检测算法的研究与实现 的开题报告
摘 要 针对基于PC实现的图像边缘检测普遍存在的执行速度慢、不能满足实时应用需求等缺点，本文借助于TI公司的TMS320DM642图像处理芯片作为数字图像处理硬件平台，DSP/BIOS为实时操作系统，利用CCS开发环境来构建应用程序；并通过摄像头提取视频序列，实现对边缘检测Sobel算子改进[1]。
关键词 DM642;Sobel算子；程序优化；图像边缘检测 1 引言 边缘是图像中重要的特征之一，是计算机视觉、模式识别等研究领域的重要基础。图像的大部分主要信息都存在于图像的边缘中，主要表现为图像局部特征的不连续性，是图像中灰度变化比较强烈的地方，也即通常所说的信号发生奇异变化的地方。
经典的边缘检测算法是利用边缘处的一阶导数取极值、二阶导数在阶梯状边缘处呈零交叉或在屋顶状边缘处取极值的微分算法。图像边缘检测一直是图像处理中的热点和难点。
近年来，随着数学和人工智能技术的发展，各种类型的边缘检测算法不断涌现，如神经网络、遗传算法、数学形态学等理论运用到图像的边缘检测中。但由于边缘检测存在着检测精度、边缘定位精度和抗噪声等方面的矛盾及对于不同的算法边缘检测结果的精度却没有统一的衡量标准，所以至今都还不能取得令人满意的效果。
另外随着网络和多媒体技术的发展，图像库逐渐变得非常庞大；而又由于实时图像的目标和背景间的变化都不尽相同，如何实现实时图像边缘的精确定位和提取成为人们必须面对的问题。随着DSP芯片处理技术的发展，尤其是在图像处理方面的提高如TMS320C6000系列，为实现高效的、实时的边缘检测提供了可能性[5]。
在经典的边缘检测算法中，Sobel边缘检测算法因其计算量小、实现简单、处理速度快，并且所得的边缘光滑、连续等优点而得到广泛的应用。本文针对Sobel算法的性能，并借助于TMS320DM642处理芯片[3]，对该边缘检测算法进行了改进和对程序的优化，满足实时性需求。
2 Sobel边缘检测算法的改进 经典的Sobel图像边缘检测算法，是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个是检测垂直边缘，一个是检测水平边缘。算法的基本原理：由于图像边缘附近的亮度变化较大，所以可以把那些在邻域内，灰度变化超过某个适当阈值TH的像素点当作边缘点。
Sobel算法的优点是计算简单，速度快。但由于只采用了两个方向模板，只能检测水平方向和垂直方向的边缘，因此，这种算法对于纹理较复杂的图像，其边缘检测效果欠佳；同时，经典Sobel算法认为，凡灰度新值大于或等于阈值的像素点都是边缘点。
这种判定依据是欠合理的，会造成边缘点的误判，因为多噪声点的灰度新值也很大。2.1 图像加权中值滤波 由于图像中的边缘和噪声在频域中均表现为高频成分，所以在边缘检测之前有必要先对图像进行一次滤波处理，减少噪声对边缘检测的影响。
中值滤波是一种非线性信号的处理方法[2]，在图像处理中，常用来保护边缘信息；保证滤波的效果。加权中值滤波，首先对每个窗口进行排序，取适当的比例，进行曲线拟合，拟合后的曲线斜率表征了此窗口的图像特征，再根据图像各部分特性适当的选择权重进行加权。
2.2 增加方向模板 除了水平和垂直两方向外，图像的边缘还有其它的方向，如135o和45o等，为了增加算子在某一像素点检测边缘的精度，可将方向模板由2个增加为8个即再在经典的方向模板的基础上增加6个方向模板，如图1所示。2.3 边缘的定位及噪声的去除 通常物体的边缘是连续而光滑的，且边缘具有方向和幅度两个特征，而噪声是随机的。
沿任一边缘点走向总能找到另一个边缘点，且这两个边缘点之间的灰度差和方向差相近。而噪声却不同，在一般情况下，沿任一噪声点很难找到与其灰度值和方差相似的噪声点[4]。
基于这一思想，可以将噪声点和边缘点区分开来。对于一幅数字图像f(x,y)，利用上述的8个方向模板Sobel算子对图像中的每个像素计算，取得其中的最大值作为该点的新值，而该最大值对应的模板所表示的方向为该像素点的方向。
若|f(x,y)-f(x+i,y+j)|>TH2，对于任意i=0,1,-1;j=0,1,-1均成立，则可判断点（x,y）为噪声点。图2给出了图像边缘检测系统改进算法的软件流程图。
图1 边缘检测8个方向模板图2 系统结构图3 基于TMS320DM642的图像处理的设计及算法优化3.1 TMS320DM642功能模块及图像处理系统的硬件结构 DSP以高速数字信号处理为目标进行芯片设计，采用改进的哈佛结构（程序总线和数据总线分开）、内部具有硬件乘法器、应用流水线技术、具有良好的并行性和专门用于数字信号处理的指令及超长指令字结构（VLIW）等特点；能完成运算量大的实时数字图像处理工作。 TMS320DM642是TI公式最近推出的功能比较强大的TMS320C6x系列之一，是目前定点DSP领域里性能较高的一款[6]。
其主频是600MHz,8个并行运算单元、专用硬件逻辑、片内存储器和片内外设电路等硬件，处理能力可达4800MIPS。DM642基于C64x内核，并在其基础上增加了很多外围设备和接口，因而在实际工程中的应用更为广泛和简便。
本系统使用50 MHz晶体震荡器作为DSP的外部时钟输入，经过内部锁相。
3.圆周率计算方法论文
圆周率即圆的周长与其直径之间的比率。关于它的计算问题，历来是中外数学家极感兴趣、孜孜以求的问题。德国的一位数学家曾经说过：“历史上一个国家所算得的圆周率的准确程度，可以作为衡量这个国家当时数学发展的一个标志。”我国古代在圆周率的计算方面长期领先于世界水平，这应当归功于魏晋时期数学家刘徽所创立的新方法——“割圆术”。
所谓“割圆术”，是用圆内接正多边形的周长去无限逼近圆周并以此求取圆周率的方法。这个方法，是刘徽在批判总结了数学史上各种旧的计算方法之后，经过深思熟虑才创造出来的一种崭新的方法。
中国古代从先秦时期开始，一直是取“周三径一”（即 ）的数值来进行有关圆的计算。但用这个数值进行计算的结果，往往误差很大。正如刘徽所说，用“周三径一”计算出来的圆周长，实际上不是圆的周长而是圆内接正六边形的周长（参见图1-5-1），其数值要比实际的圆周长小得多。东汉的张衡不满足于这个结果，他从研究圆与它的外切正方形的关系着手（参见图1-5-2）得到圆周率。这个数值比“周三径一”要好些，但刘徽认为其计算出来的圆周长必然要大于实际的圆周长，也不精确。刘徽以极限思想为指导，提出用“割圆术”来求圆周率，既大胆创新，又严密论证，从而为圆周率的计算指出了一条科学的道路。
图1-5-1 割圆术
图1-5-2 圆外切正方形
在刘徽看来，既然用“周三径一”计算出来的圆周长实际上是圆内接正六边形的周长，与圆周长相差很多；那么我们可以在圆内接正六边形把圆周等分为六条弧的基础上，再继续等分，把每段弧再分割为二，做出一个圆内接正十二边形，这个正十二边形的周长不就要比正六边形的周长更接近圆周了吗？如果把圆周再继续分割，做成一个圆内接正二十四边形，那么这个正二十四边形的周长必然又比正十二边形的周长更接近圆周。（参见图1-5-3）。这就表明，越是把圆周分割得细，误差就越少，其内接正多边形的周长就越是接近圆周。如此不断地分割下去，一直到圆周无法再分割为止，也就是到了圆内接正多边形的边数无限多的时候，它的周长就与圆周“合体”而完全一致了。
图1-5-3圆周分割
按照这样的思路，刘徽把圆内接正多边形的面积一直算到了正3072边形，并由此而求得了圆周率 为3.14和 3.1416这两个近似数值。这个结果是当时世界上圆周率计算的最精确的数据。刘徽对自己创造的这个“割圆术”新方法非常自信，把它推广到有关圆形计算的各个方面，从而使汉代以来的数学发展大大向前推进了一步。
以后到了南北朝时期，祖冲之在刘徽的这一基础上继续努力，终于求得了圆周率为：
精确到了小数点以后的第七位。在西方，这个成绩是由法国数学家韦达于1593年取得的，
比祖冲之要晚了一千一百多年。祖冲之还求得了圆周率的两个分数值，一个是“约率
” ，另一个是“密率”.，其中 这个值，在西方是由德国的奥托和荷兰的安东尼兹在16世纪末才得到的，都比祖冲之晚了一千一百年。刘徽所创立的“割圆术”新方法对中国古代数学发展的重大贡献，历史是永远不会忘记的。
4.des算法安全性分析
DES算法全称为Data Encryption Standard，即数据加密算法，它是IBM公司于1975年研究成功并公开发表的。
DES算法的入口参数有三个：Key、Data、Mode。其中Key为8个字节共64位，是DES算法的工作密钥；Data也为8个字节64位，是要被加密或被解密的数据；Mode为DES的工作方式，有两种：加密或解密。
DES算法把64位的明文输入块变为64位的密文输出块，它所使用的密钥也是64位，其算法主要分为两步： 1初始置换 其功能是把输入的64位数据块按位重新组合，并把输出分为L0、R0两部分，每部分各长3 2位，其置换规则为将输入的第58位换到第一位，第50位换到第2位……依此类推，最后一位是原来的第7位。L0、R0则是换位输出后的两部分，L0是输出的左32位，R0是右32位，例：设置换前的输入值为D1D2D3……D64，则经过初始置换后的结果为：L0=D58D50……D8;R0=D57D49……D7。
2逆置换 经过16次迭代运算后，得到L16、R16，将此作为输入，进行逆置换，逆置换正好是初始置换的逆运算，由此即得到密文输出。 RSA算法简介 这种算法1978年就出现了，它是第一个既能用于数据加密也能用于数字签名的算法。
它易于理解和操作，也很流行。算法的名字以发明者的名字命名：Ron Rivest, AdiShamir 和Leonard Adleman。
但RSA的安全性一直未能得到理论上的证明。 RSA的安全性依赖于大数分解。
公钥和私钥都是两个大素数（ 大于 100个十进制位）的函数。据猜测，从一个密钥和密文推断出明文的难度等同于分解两个大素数的积。
密钥对的产生。选择两个大素数，p 和q 。
计算： n = p * q 然后随机选择加密密钥e，要求 e 和 （ p - 1 ） * ( q - 1 ) 互质。最后，利用Euclid 算法计算解密密钥d， 满足 e * d = 1 ( mod ( p - 1 ) * ( q - 1 ) ） 其中n和d也要互质。
数e和n是公钥，d是私钥。两个素数p和q不再需要，应该丢弃，不要让任何人知道。
加密信息 m（二进制表示）时，首先把m分成等长数据块 m1 ,m2,。, mi ，块长s，其中 2^s <= n, s 尽可能的大。
对应的密文是： ci = mi^e ( mod n ) ( a ) 解密时作如下计算： mi = ci^d ( mod n ) ( b ) RSA 可用于数字签名，方案是用 （ a ） 式签名， （ b ）式验证。具体操作时考虑到安全性和 m信息量较大等因素，一般是先作 HASH 运算。
RSA 的安全性。 RSA的安全性依赖于大数分解，但是否等同于大数分解一直未能得到理论上的证明，因为没有证明破解RSA就一定需要作大数分解。
假设存在一种无须分解大数的算法，那它肯定可以修改成为大数分解算法。目前， RSA的一些变种算法已被证明等价于大数分解。
不管怎样，分解n是最显然的攻击方法。现在，人们已能分解140多个十进制位的大素数。
因此，模数n必须选大一些，因具体适用情况而定。 RSA的速度。
由于进行的都是大数计算，使得RSA最快的情况也比DES慢上100倍，无论是软件还是硬件实现。速度一直是RSA的缺陷。
一般来说只用于少量数据加密。 RSA的选择密文攻击。
RSA在选择密文攻击面前很脆弱。一般攻击者是将某一信息作一下伪装（Blind），让拥有私钥的实体签署。
然后，经过计算就可得到它所想要的信息。实际上，攻击利用的都是同一个弱点，即存在这样一个事实：乘幂保留了输入的乘法结构： （ XM ）^d = X^d *M^d mod n 前面已经提到，这个固有的问题来自于公钥密码系统的最有用的特征--每个人都能使用公钥。
但从算法上无法解决这一问题，主要措施有两条：一条是采用好的公钥协议，保证工作过程中实体不对其他实体任意产生的信息解密，不对自己一无所知的信息签名；另一条是决不对陌生人送来的随机文档签名，签名时首先使用One-Way Hash Function对文档作HASH处理，或同时使用不同的签名算法。在中提到了几种不同类型的攻击方法。
5.蚁群算法、遗传算法、蜂群算法、粒子群算法和差分进化算法,这五种
粒子群算法（PSO）和遗传算法（GA）都是优化算法，都力图在自然特性的基础上模拟个体种群的适应性，它们都采用一定的变换规则通过搜索空间求解。
PSO和GA的相同点：
(1)都属于仿生算法。PSO主要模拟鸟类觅食、人类认知等社会行为而提出；GA主要借用生物进化中“适者生存”的规律。
(2)都属于全局优化方法。两种算法都是在解空间随机产生初始种群，因而算法在全局的解空间进行搜索，且将搜索重点集中在性能高的部分。
(3)都属于随机搜索算法。都是通过随机优化方法更新种群和搜索最优点。PSO中认知项和社会项前都加有随机数；而GA的遗传操作均属随机操作。
(4)都隐含并行性。搜索过程是从问题解的一个集合开始的，而不是从单个个体开始，具有隐含并行搜索特性，从而减小了陷入局部极小的可能性。并且由于这种并行性，易在并行计算机上实现，以提高算法性能和效率。
(5)根据个体的适配信息进行搜索，因此不受函数约束条件的限制，如连续性、可导性等。
(6)对高维复杂问题，往往会遇到早熟收敛和收敛性能差的缺点，都无法保证收敛到最优点。
PSO和GA不同点
(1)PSO有记忆，好的解的知识所有粒子都保存，而GA没有记忆，以前的知识随着种群的改变被破坏。
(2)在GA算法中，染色体之间相互共享信息，所以整个种群的移动是比较均匀地向最优区域移动。PSO中的粒子仅仅通过当前搜索到最优点进行共享信息，所以很大程度上这是一种单项信息共享机制，整个搜索更新过程是跟随当前最优解的过程。在大多数情况下，所有粒子可能比遗传算法中的进化个体以更快速度收敛于最优解。
(3)GA的编码技术和遗传操作比较简单，而PSO相对于GA，不需要编码，没有交叉和变异操作，粒子只是通过内部速度进行更新，因此原理更简单、参数更少、实现更容易。
(4)在收敛性方面，GA己经有了较成熟的收敛性分析方法，并且可对收敛速度进行估计；而PSO这方面的研究还比较薄弱。尽管已经有简化确定性版本的收敛性分析，但将确定性向随机性的转化尚需进一步研究。
(5)在应用方面，PSO算法主要应用于连续问题，包括神经网络训练和函数优化等，而GA除了连续问题之外，还可应用于离散问题，比如TSP问题、货郎担问题、工作车间调度等。
6.应用改进遗传算法优化电网购入电量的论文
可以参考一下这篇文献：
粒子群算法和遗传算法是差不多的哦，改动一下就可以了
改进粒子群优化算法用于电网优化购入电量
作 者：
张涛 蔡金锭 ZHANG Tao CAI Jinding
作者单位：
福州大学电气工程及自动化学院，福州，350002
刊 名：
高电压技术 ISTIC EI PKU
英文刊名：
HIGH VOLTAGE ENGINEERING
年，卷（期）：
2006 32(11)
为实现从多个发电厂商购入电量总成本最小的目标函数，建立了应用改进粒子群优化算法综合考虑供求约束和发电厂发送能力约束的电网优化购入电量模型，它还同时考虑了竞争原则下电厂发送能力可取0的情况是一个含有非连续变量的优化问题.在按价格最低原则预先确定购买电量的厂商，再用改进粒子群优化算法解决非连续变量问题从而提供了一种解决电网优化购入电量问题的新思路，节约了购电成本.
7.采用FFT算法分析音频信号的仿真设计
1.几个要用到的函数：
⑴ [x,fs,bits]=wavread('filename')这是一个matlab中读取wav文件的数据的函数。其中的x表示一长串的数据，一般是两列（立体声）；fs是该wav文件在采集时用的采样频率；bits是指在进行A/D转化时用的量化位长（一般是8bits或16bits）。
⑵ [d]=fft(w,l)这是matlab中fft函数的一种输入输出形式。w是一列波形数据；l是指示用多少点的fft，我们应该选择2的乘方的数（如16,128,1024等），因为这样就可以使用优化的蝶形算法；d是频域的输出。由于fft(dft)的对称性，又输入的是实数，fft的结果的复数序列是共轭反对称的，所以它们的模的大小对称，一般来说只用取一半的数据就可以了。
⑶ sound(w,fs,bits)和前面的wavread一样的参数表示，它将数列的数据通过声卡转化为声音。
你自己做
转载请注明出处众文网 » eco算法毕业论文(资产运用效率分析论文)