A Binary Correlation Matrix Memory k-NN Classifier with Hardware Implementation
Ping Zhou, Jim Austin and John Kennedy
Computer Science, University of York, York YO10 5DD, UK
[Zhoup|austin]@https://www.doczj.com/doc/b013769049.html,
Abstract
This paper describes a generic and fast classifier that uses a binary CMM
(Correlation Matrix Memory) neural network for storing and matching a large
amount of patterns efficiently, and a k-NN rule for classification. To meet
CMM input requirements, a robust encoding method is proposed to convert
numerical inputs into binary ones with the maximally achievable uniformity.
To reduce the execution bottleneck, a hardware implementation of the CMM
is described, which shows the network with on-board training and testing
operates at over 200 times the speed of a current mid-range workstation, and
is scaleable to very large problems. The CMM classifier has been tested on
several benchmarks and, comparing with a simple k-NN classifier, it gave less
than 1% lower accuracy and over 4 and 12 times speed-ups in software and
hardware respectively.
1 Introduction
Desirable characteristics of Correlation Matrix Memory (CMM) neural networks include simple and quick training, and highly flexible and fast search ability [1]. Whereas most neural networks need a long iterative training times, a CMM is trained using an one-shot storage mechanism and simple binary operations. The CMM has been used as a match engine in a number of successful applications, e.g. symbolic reasoning in the AURA (Advanced Uncertain Reasoning Architecture) approach [2], chemical structure match [4] and post code matching. This work investigates its use for pattern classification tasks. It is known that the k-NN rule [5] is applicable to a wide range of classification problems. However, this method is too slow to use for many applications with large amounts of data. To speed up, previous researchers have considered reducing training data [6] and improving computational efficiency via complex pre-processing of training data [7]. In contrast to these, a CMM is a simple, general and powerful approach which can be used to store a large number of training patterns efficiently, and to retrieve both exact and near matches quickly for a test pattern. Therefore, the combination of CMM and k-NN techniques may result in a generic and fast classifier.
For most classification problems, patterns are in the form of multi-dimensional real numbers, and appropriate quantisation and encoding are needed to convert them into binary inputs to a CMM. A robust quantisation and encoding method is developed to meet requirements for CMM input codes, such as uniformity, orthogonality and
British Machine Vision Conference 215
sparseness [3], and to overcome the common problem of identical data points in many applications, e.g. background of images or normal features in a diagnostic problem.
The execution of the CMM was quickly identified as the bottle neck in the processing by an analysis of the AURA [2] method. To reduce this bottleneck, the CMM has been implemented in dedicated hardware, that is the PRESENCE architecture. The primary aim is to improve the execution speed over conventional workstations in a cost effective way. This work was also motivated by the needs of many research projects applying the CMM to commercial problems mentioned above.The next section discusses the CMM for pattern classification and the robust uniform (RU) encoding method, followed by descriptions of the PRESENCE architecture (the hardware implementation of the CMM). Experimental results are presented in Section 4, and concluding remarks in the last section.
2 CMM for Pattern Classification
Figure 1 shows the architecture of the CMM classifier. The RU encoder (as detailed in
2.2) quantises numerical inputs and generates binary codes; the CMM engine stores training patterns and matches stored patterns close to a test pattern to supply to a conventional k -NN module for classification. Both the CMM and k -NN modules are needed as the CMM is fast but produces spurious errors as a side effect [3]. These are removed through the application of the k -NN rule. More specifically, the speed of the classifier benefits from the use of the CMM for fast training and matching to pre-select a sub-set patterns from a large amount of training data; the accuracy gains from the application of the k -NN rule to the sub-set in the original space to reduce information loss and noise in the encoding and match processes.
Figure 1: Architecture of the CMM classifier
2.1 Pattern Match and Classification with CMM
In the CMM there is a binary matrix M and, prior to any learning, all of its elements are set to ‘0’. In a training process a unique binary vector (or separator as often called) s i is generated to label an unseen input binary vector p i ; the CMM learns through the association of the two vectors by performing the following logical ORing operation,
M s p V i i T i (1)
In a recall process, for a given test input vector p k
, the CMM performs,Patterns pre-
selected by CMM
k -NN
tt `CMM pattern store and match engine RU encoder Training/test data CMM MBI
k -NN
module
classification
British Machine Vision Conference
216v Mp s p p k k T i i T i k T V (2)
followed by thresholding v k and recovering individual separators using a MBI (Middle Bit Index) method [2]. For speed, it is appropriate to use a fixed thresholding method and the threshold is set to the level equal to the number of ‘1’ bits in the input pattern to allow exact match, or a low level to match a proportion of the input pattern as detailed below.
To understand the recall properties of the CMM, consider the case where a known pattern p k is represented, then Equation 2 can be written as,
v =s p p s p p s s p p k k T k k T i k i T i k T p k T i k i T i k T n V V (3)
where n =p k k
T p p is a scalar , i.e. the number of ‘1’ bits in p k . When two different patterns are orthogonal to each other, the inner product p p 0i k
T for i k and the second term in the above disappears. Hence a perfect recall of s k can be obtained by thresholding v k at the level n p . In practice ‘partially orthogonal’ codes may be used to increase the storage capacity of the CMM. In such a situation v k contains both the correct recall (the first term) and incorrect ones (the second term) as the results of
p p 0i k T for i k . It is possible to remove the noise via appropriately thresholding v k
(as p p i k
T p n for i k ) and post-processing (e.g. applying the k -NN rule). Sparse codes are usually used, i.e. only a few bits in separators and input vectors being set to ‘1’, as this maximises the number of codes and minimises the computation time [3].These requirements for input codes are often met by an encoder as detailed below.
The CMM exhibits an interesting ‘partial match’ property when the data
dimensionality
d is larger than on
e and input vector p i consists o
f d concatenated components. We have p p i k T 0 for i k in Equation 3 if the two different patterns p i
and p k have some common components. Therefore, v k also contains separators for partially matched patterns, and these separators can be obtained at lower threshold levels. This partial or near match property is useful for pattern classification as it allows the retrieval of stored patterns which are close to the test pattern in Hamming distance.From those training patterns matched by the CMM engine, a test pattern is classified using the k -NN rule. Distances are computed in the original input space to minimise the information loss due to quantisation and noise in the above match process. As the number of matches returned by the CMM is much smaller than the number of training data, the distance computation and comparison are dramatically reduced compared with the simple k -NN method. Therefore, since the CMM stage is very fast, the CMM based k -NN classifier can be faster.
2.2 Robust Uniform Encoding
In addition to the above sparseness and orthogonality, another primary requirement for CMM input codes is that they should be distributed as uniformly as possible in order to avoid some parts of the CMM being used heavily while others are rarely used. Figure 2shows three stages of the encoding process, that is quantising d -dimensional real numbers, x i , generating sparse and orthogonal binary vectors, c i , and concatenating
British Machine Vision Conference 217
them to form a CMM input vector.
The code uniformity is met at the quantisation stage. For a given set of N training samples in some dimension (or axis), it is required to divide the axis into N b small intervals, called bins, such that they contain uniform numbers of data points. As the data often have a non-uniform distribution, the sizes of these bins should be different. It is also quite common for real world problems that many data points are identical. For instance, there are 11%-99.9% identical data in benchmarks used in this work. Our robust quantisation (RQ) method described below is designed to cope with the above problems and to achieve a maximal uniformity.
Figure 2: Quantisation, code generation and concatenation
In our method data points are first sorted in ascending order, N i identical points are then identified, and the number of non-identical data points in each bin is estimated as N N N N p i b . Bin boundaries or partitions are determined as follows. The right boundary of a bin is initially set to the next N p -th data point in the ordered data sequence; the number of identical points on both sides of the boundary is identified;these are either included in the current or next bin. If the number of non-identical data points in the last bin is N l and N N N l p b , N p may be increased by N N N l p b and the above partition process may be repeated to increase the uniformity. Boundaries of bins obtained become parameters of the encoder in Figure 2.
Sizes of bins (or the number of bins) determine the match ‘neighbourhood’ since samples falling in the same bin have the same quantised value. In an extreme case when N b 1, the CMM matches all training samples for any test data and our complete system becomes a standard k -NN classifier. In general it is appropriate to chose N b such that each bin contains a number of samples, which is larger than k nearest neighbours for the optimal classification.
3 The PRESENCE Architecture
3.1 Architecture design
Some of important design decisions for implementing the CMM were: the system should use cheap memory, and should not attempt to embed both the weight storage and the training and testing in hardware (VLSI). This arises because the applications commonly use CMMs with over 100Mb of weight memory, which would be difficult and expensive to implement in custom silicon. The system must be hosted on industry standard buses to allow widespread application, thus VME and PCI were chosen.
The PRESENCE architecture implements the control logic and accumulators necessary to implement the core of the CMM. As shown in Figure 3a the CMM takes a y 1c 1x 1
x 2 x d
y 2
y d c c c d 12 c 2c d
British Machine Vision Conference
218set of binary inputs within the input pattern. Each input selects rows from the CMM that will be added into the accumulators (note that the input x the weights operation is implicit in this process). The accumulated data is then thresholded using L -max [8] or fixed global thresholding. Finally, the data is then returned to the host for further processing. The outline of the PRESENCE architecture is shown in Figure 3b. The architecture consists of a bus interface, a buffer memory which allows interleaving of memory transfer and operation of the PRESENCE system, a SATCON and SATSUM combination that accumulates and thresholds the weights. The data bus connects to a pair of memory spaces, each of which contains a control block, an input block and an output block. Thus the PRESENCE card is a memory mapped device, that uses interrupts to confirm the completion of each operation. To maintain an efficient use of input memory the bits that are set to one in the input, p , are passed to the processor card as ‘index values’ one for each bit set. For efficiency, two memory input/output areas are provided so that one can be acted on from the external bus while the other is used by the card. The control memory input block feeds to the control unit, which is a FPGA device programmed to carry out all necessary operations. The input data (index values) are fed to the weights on the card and the area of memory that is read is then passed to a block of accumulators. In our current implementation the data width of each FPGA device is 32 bits, which allows us to add a 32 bit row from the weights memory in one cycle per device.
Figure 3: (a) correlation matrix memory, and (b) overall architecture of PRESENCE
Currently we have 16Mb of 20ns static memory implemented on the VME card, and 128 Mb of dynamic (60ns) memory on the PCI card. The accumulators are implemented along with the thresholding logic on another FPGA device (SATSUM).
To enable the SATSUM processors to operate faster, a 5 stage pipeline architecture was used. The stages of which are; index value count: latch address into buffer memory:add index to memory offset: latch result of index calculation: access the weights memory with the address. The use of this pipeline reduces the data accumulation time from 175ns to 50ns. All PRESENCE operations are supported by a C++ library that is used in all AURA applications.
The design of the SATCON allows many SATSUM devices to be used in parallel in a SIMD configuration. The VME implementation uses 4 devices per board giving a 128bit wide data path. In addition the PCI version allows daisy chaining of cards allowing a 4 card set for a 512 bit wide data path.
Separator output s Threshold
Sum v
Input (sparse codes)
p weights ( )Superimposed Control Input data (index values) separators information in buffer memory
Thresholds Accumulators Control (SATCON)Weight memory
SATSUM Data bus
Memory interface
British Machine Vision Conference 219
The complete VME card assembly is shown in Figure 4. The SATCON and SATSUM devices are mounted on a daughter board for simple upgrading and alteration.
The weights memory, buffer memory and VME interface are held on the mother board.
Figure 4: The VME based PRESENCE card (a) motherboard, and (b) daughterboard
3.2 Performance
By an analysis of the state machines used in the SATCON device the time complexity of the approach can be calculated. Equation 4 is used to calculate the processing time, T , in seconds to recall the data with N index values, a separator size of S , R 32 bit SATSUM devices, and the clock period of C .
T C s R N R 231321382()/(4)
A comparison with a Silicon Graphics 133MHz R4600SC Indy is given in Table 1.This shows the speed up of the matrix operation (Equation 2) for our VME implementation (128 bits wide). The timings are for a fixed threshold. The values for processing rate are given in millions of binary weight additions per-second (MW/s). In this implementation the system cycle time needed to sum a row of weights into the counters (i.e. time to accumulate one line) is 50ns for the VME version and 100ns for the PCI version. In the PCI form, we will use 4 closely coupled cards, which result in a speed-up of 432.Platform
Processing Rate Relative Speed Workstation
11.8 MW/s 11 Card VME implementation
2557MW/s 216Four card PCI system (estimate)17,114MW/s 432
Table 1: Relative speed-up of the PRESENCE architecture.
The build cost of the VME card was half the cost of the baseline SGI indy machine given above, when using 4Mb of 20ns static RAM. In the PCI version the cost is greatly (a)(b)
British Machine Vision Conference
220reduced through the use of dynamic RAM devices allowing a 128Mb memory to be used for the same cost, allowing only a 2x slower system with 32x as much memory per card (note that 4 cards used in table 1 hold 512Mb of memory).
The training and recognition speed of the system are approximately equal. This is particularly useful in on-line applications, where the system must learn to solve the problem incrementally as it is presented. In particular, the use of the system for high speed reasoning allows the rules in the system to be altered without the long training times of other systems. Furthermore our use of the system for a k -NN classifier also allows high speed operation compared with a conventional implementation of the classifier, while still allowing very fast training times.
To appreciate the utility of our implementation consider its use as a pattern recognition system for a small mobile robot that must follow a pre-planned route. The aim is for the robot to follow the route using the images it captures on a previous guided tour of the route. To do this we use the N tuple pre-processing method [9]. This method takes an image frame and performs simple feature analysis on the image which is passed to the CMM as a vector containing a fixed number of bits set to one, each bit represents a feature that it has found in the image. Consider a camera, taking images at 25 frames per second, at a resolution of 5122. If the image is sampled at 10% with an N tuple size of 4, then 6553 features (‘tuples’ in N tuple terminology) will be sampled and passed to the CMM in a vector of size 104856 bits. If a separator is used per image frame, and each separator is unique and has 2 bits set, then a separator of size 10240 will allow 20480 separators to be stored using a memory of size 128Mb (the PCI memory size). At 25 frames per second, this allows the robot to store images for 13 minutes. Recognition of the frames can be also be performed at frame rate. Using the 4 card PCI implementation, almost an hour of frame rate video can be stored and recognised. For guidance, the robot stores the direction along with each video image of the scene ahead as it is hand guided through the environment. In recognition, the recogniser finds the image that best matches the current view and recalls the guidance information. This shows the potential use of the technology in a novel application which is difficult to achieve in a cost effective way by any other method.
4 Results on Benchmarks
Performance of the robust quantisation method and the CMM classifier have been evaluated on four benchmarks consisting of large sets of real world problems from the Statlog project [10], including a satellite image database, letter image recognition database, shuttle data set and image Segmentation data set.
050
100
150
200250300350
40005101520253035n u m b e r o f d a t a p o i n t s bins 0510********
354005101520253035
n u m b e r o f d a t a p o i n t s bins Figure 5: Distributions of the image segment data for (a) equal bins, (b) RQ bins
British Machine Vision Conference 221
To visualise the result of quantisation, Figure 5a shows the distribution of numbers of data points of the 8th feature of the image segment data for equal-size bins. The distribution represents the inherent characteristics of the data. Figure 5b shows our robust quantisation (RQ) has resulted in the uniform distribution desired.
We compared the CMM classifier with the simple k -NN method, multi-layer perceptron (MLP) and radial basis function (RBF) networks [11]. The performance of interest are classification rate (c-rate) on test data sets and relative speed (r-speed). In the evaluation we used the CMM software libraries developed in the project AURA at the University of York. It is appropriate to set 1-3 ‘1’ bits in input vectors and separators. Experiments were conducted to study influences of a CMM’s size on c-rate and r-speed measured against the k -NN method (as shown in Figure 6), where the r-speed of the CMM classifier includes the encoding, training and test time. The effects of the number of bins N b on the performance were also studied (Figure 7).
0.830.84
0.85
0.86
0.870.880.890.9
0.91051015202530c l a s s i f i c a t i o n r a t e CMM size (kbits) 012345
67051015202530r e l a t i v e s p e e d CMM size (kbits)Figure 6: Effects of the CMM size on (a) c-rate and (b) r-speed on the satellite image data 0.830.84
0.85
0.86
0.870.880.890.9
0.91
4681012141618202224c l a s s i f i c a t i o n r a t e number of bins 012345
674681012141618202224r e l a t i v e s p e e d number of bins Figure 7: Effects of the number of bins on (a) c-rate and (b) r-speed
Choices of the CMM size and the number of bins N b may be application dependent,for instance, in favour of the speed or accuracy. In the experiment it was required that the r-speed is not 4 times less and c-rate is not 1% lower than that of the k -NN method.Table 2 contains the speeds of the four methods relative to the recall speed of the CMM on the four benchmarks. It is interesting to note that the recall speeds of MLP and RBF networks were 1~25x faster than that of the CMM classifier, but their training speeds were several hundreds times slower. The k -NN method needed no training and had the recall speeds 0.043~0.176 times that of the CMM classifier. The overall speed (including training and recall time) of the CMM classifier is over 4 times that of the k -NN method. When using the PRESENCE, i.e. the dedicated CMM hardware, the speed of the CMM was further increased over 3 times.
The classification rates by the four methods are given in Table 3, which shows the CMM classifier performed less than 1% less accurate than the k -NN method.
British Machine Vision Conference
222The 'two-spirals' benchmark in Figure 8a is interesting as this highly non-linear problem is extremely hard for back-propagation networks and relatively easy for an RBF or Cascade-Correlation net [12]. We found that this task was extremely easy for the CMM. Figure 8c shows that a CMM correctly discriminated all data points, including training and unseen ones.-8-6
-4
-2
2
4
6
8
-8-6-4-202468spiral-1spiral-2 -8-6-4-2
246-8-6-4-202468 -8-6-4-20246-8-6-4-202468Figure 8: (a) Two spirals, (b) classification by a RBF net and (c) classification by the CMM 5 Conclusions
In this paper we have presented a classifier, which uses a binary CMM for storing and matching a large amount of patterns efficiently, and the k -NN rule for classification.The RU encoder converts numerical inputs into binary ones with the maximally achievable uniformity to meet requirements of the CMM. Experimental results on the four benchmarks show that the CMM classifier, compared with the simple k -NN method, gave slightly lower classification accuracy, less than 1%, and over 4 times speed-ups in software and 12 times speed-ups in hardware. Therefore our method has resulted in a generic and fast classifier. Compared with MLP and RBF networks, the CMM needs a very short training time. When new training data arrive in an incremental way, MLP and RBF nets needs to be retrained, but with the CMM, the new samples can be simply added to the memory.
This paper has also described a hardware implementation of a FPGA based chip set and a processor card that will support the execution of binary correlation matrix
satellite image image segment shuttle Letter method
training test training test training test Trainin g test MLPN
0.027 5.00.004 2.00.17925.250.03114.09RBFN
0.013 3.570.001 1.00.07820.200.0409.69simple k -NN
00.17600.11100.04300.146CMM 2.78121 1.851 3.601Table 2 Relative training and test speeds of four methods on four benchmarks
Satellite image
image segment shuttle Letter MLPN 0.914
0.9500.9980.923RBFN 0.914
0.9390.9970.941simple k -NN 0.906
0.9560.9990.954CMM
0.9010.9480.9990.945Table 3 Classification rates of four methods on four benchmarks
British Machine Vision Conference223 memories. It has shown the viability of using a simple binary neural network to achieve high processing rates. The approach allows both recognition and training to be achieved at speeds well above two orders of magnitude faster than conventional workstations at a much lower cost than the workstation. The system is scaleable to very large problems with very large weight arrays. Our current research is aimed at showing that the system is scaleable, evaluating methods for the acceleration of the pre- and post processing tasks and considering greater integration of the elements of the processor through VLSI. For more details of the AURA project and the hardware described in this paper see our web page (https://www.doczj.com/doc/b013769049.html,/arch/nn/aura.html).
6 Acknowledgements
We acknowledge the support of British Aerospace and the Engineering and Physical Sciences Research Council (grant no. GR/K 41090 and GR/L 74651) for this research. Our thanks are given to Rick Pack, Anthony Moulds, Zyg Ulanowski, Richard Jennison for the construction and testing of the cards and Ken Lees for discussions and help in preparation of this paper.
References
[1]Willshaw DJ, Buneman OP, Longuet-Higgins HC, 1969, Non-Holographic Associative
Memory, Nature, Vol. 222, p960-962.
[2]Austin J. AURA, A distributed associative memory for high speed symbolic reasoning. In:
Ron Sun (ed), Connectionist Symbolic Integration. Kluwer, 1996.
[3]Turner M and Austin J. Matching performance of binary correlation matrix memories.
Neural Networks 1997; 10:1637-1648.
[4]Turner M and Austin J. A neural network technique for chemical graph matching. 5th
International Conference on Artificial Neural Networks, Ed. Niranjan M, University of Cambridge, UK, 7-9 July, 1997, Publisher IEE, 187-192.
[5]Fukunaga K. Introduction to Statistical Pattern Recognition (charpter 7). 2nd ed., Boston,
London: Academic Press, 1990.
[6]Dasarathy BV. Minimal consistent set (MCS) identification for optimal nearest neighbor
decision system design. IEEE Trans. Systems Man Cyb., 1994; 24:511-517.
[7]Grother PJ, Candela GT, Blue JL. Fast implementations of nearest neighbor classifiers.
Pattern Recognition, 1997; 30:459-465.
[8]Austin J, Stonham TJ. An associative memory for use in image recognition and occlusion
analysis. Image and Vision Computing, 1987; 5:251-261.
[9]Mitchell R, 1997, A Visually Guided Robot System, University of York 4th year Project.
[10]Michie D, Spiegelhalter DJ, Taylor CC. Machine learning, neural and statistical
classification (Chapter 9). New York, Ellis Horwood, 1994.
[11]Zhou P and Austin J. Learning criteria for training neural network classifiers, Accepted by
Neural Computing and Applications Forum, 1998.
[12]Fahlman SE, Lebiere C. The cascade-correlation learning architecture. In: Advances in
Neural Information Processing Systems, NIPS 1990; 524-532.
简述张洁作品中女性意识的研究 摘要：张洁是一位在中国当代文学史上占有重要位置的女作家，随着90年代中期以来女性文学研究地位的不断提升，其作品中的女性意识受到越来越多的批评者的关注，本文列举并简要分析了研究张洁作品中女性意识的经典性论著，在此基础上进一步提出了未来研究的可能路径。 关键词：张洁作品女性意识研究两性声音 自1978年凭借《森林里来的孩子》初登文坛，张洁的作品就引起了文坛的广泛关注与争议，仅1978到1987十年间国内对张洁的评论文章就达到了160多篇。这一时期的批评关注点是其作品风格、主题等方面。随着90年代中后期，西方女性主义理论的不断输入，更多研究者尝试着以这种新的理论来解读女性作家的创作。此时，作为新时期女作家旗手的张洁再次受到了研究界的关注，她的创作也在更大程度上被纳入到了中国当代女性主义文学的范畴，考察其作品中女性意识及其发展变化成为了近十年张洁研究的焦点。 一、张洁作品中女性意识研究现状评述 张洁创作中的女性意识在其作品中的显现程度不尽相同，在《沉重的翅膀》、《谁生活得更美好》、《条件尚未成熟》这类作品中，女性意识呈现隐匿状态，因此女性批评的研究者们更倾向于选取张洁作品中女性意识相对凸显的作品进行研究。著名批评家荒林认为张洁前期代表作品《爱，是不能忘记的》、《方舟》和《祖母绿》三篇小说“呈现了作家对女性问题思想的连续深入和统一性，表现了作家对女性新的价值确立的强大热情”。如果说《爱，是不能忘记的》所喧寓的，是一个关于理想爱情与理想男性的神话，那么《方舟》则称得上是一篇预示着理想破灭的“愤世之作”。80年代中期，张洁作品风格转型之巨，不禁让人哗然，此时的张洁以老辣、尖酸的形象极尽讽刺，理想的爱情神话破灭了，理想的男性偶像倒塌了，对此王绯认为，“张洁的审丑意识有着很强烈的性别色彩，在男/女二项对立中，她故意让他们原形毕露，让他们丑态百出。”度过这段偏激、锋利的创作时期，张洁的以其特有的女性姿态书写了两部现实主义作品《红蘑菇》和《她吸的是薄荷味儿的烟》，这两部作品既不同于早期的纯情之作，又有别于她前一阶段的狂怒与怨愤，蕴涵深刻的女性觉悟。有论者曾这样评价到，“此间，张洁的女性书写是在更高一级的层面上对妇女自身和男性弱处的现代审视。”在经历了由“审美”到“审丑”的转变后，张洁的创作逐渐进入了文学”老年期”，此时张洁的心态渐趋平和。随着长篇记事小说《世界上最疼我的那个人去了》的发表，张洁自身的女性意识也得到了升华，小说着眼于探索祖孙三代女性绵绵不绝的血缘之爱。批评家徐坤将这篇作品归入了“母亲谱系的梳理与母女关系重新书写”的范畴。 二、张洁研究中两性批评者的不同声音 以女性意识为切入点来研究张洁作品最早可以追溯到1991年董瑾发表的评
身体仓库管理系统 1、模块说明：每个模块一般可分为六组：基本资料、日常作业、凭证打印、清单与报表、 批次处理、查询作业 1.1 基本资料：产品类别设定、编码原则设定、产品编码、仓别设定、单据性质设定 1.1.1 产品类别设定：此为后续报表数据收集索引和分类之依据 1.1.2 编码原则设定：据此不同公司可采取不同的分段和方式进行自动编码，包 括产品编码、供应商编码、客户资料编码、人员编码等， 都要依此进行自定义。 Eg: A 一般产品编码通用原则为：大分类(3码)+中分类(3码)+小分类(3码)+ 流水码(4码)，共计13码左右即可。 Eg: B 编码不必赋予太多特殊意义，亦造成编码上的混乱，以简单明了，易 识别为原则。 1.1.3 产品编码：包括基本项目、采购、生管、仓库、业务、品管、生产、财务 会计、其它，其可根据不同部门使用状况来分类定义，同 时便于基础资料的收集与输入，及日后使用之管理和维护。 1.1.4 仓别设定：此为各仓别属性设定之基础 1.1.5 单据性质设定：此为各“日常作业”之单据性质设定基础。 Eg：A库存异动单对库存的影响可分为：增加、减少 调拨单对库存的影响为：平调 成本开帐/调整单对成本的影响可分为：增加、减少 Eg：B可依不的部门或个人进行单据别的区别使用和管理。 Eg：C单据的编码方式：单别+单据号，或可采用自由编码的方式进行等 Eg：D单据表尾的备注与签核流程等。 Eg：E单据电脑审核流程。 1.2 日常作业：库存异动建立作业、调拨建立作业、成本开帐/调整建立作业、盘点资 料建立作业、批号管理建立作业、借入/出建立作业、借入/出还回作 业 1.2.1 库存异动建立作业：此单据适用于非生产性物料的异动(或增或减)，及库存 盘盈亏之调整用，如没有上线制令管理系统亦可通过 此作业进行库存异动作业。 1.2.2 调拨单建立作业：此单据适用于各仓之间的物料调拨之用，不对库存变化 产生影响。 1.2.3 成本开帐/调整建立作业：此单据适用于系统开帐之各仓库存成本资料的输 入，亦是日常“成本重计作业”所产生之单据。 1.2.4 盘点资料建立作业：此单据适用于盘点时库存数量之输入 1.2.5 批号管理建立作业：此单据适用于物料在产品生产过程中的使用和追溯的 管理，及先进先出原理 1.2.6 借入/出建立作业：此单据适用于所有借入/出作业记录之凭证 1.2.7 借入/出还回建立作业：此单据适用所有借入/出还回作业记录之凭证，如无 法归还之作业，则通过进货或销货来做关联性作 业。 1.3 凭证打印：库存异动单凭证、调拨单凭证、成本开帐/调整单凭证、盘点清单凭证、 批号管理凭证、借入/出凭证、借入/出还回凭证
岗位技能要求矩阵填写指导意见一、目的技能要求矩阵的核心是明晰团队能力现状与需求的差距，用以确定未来的发展方向，是一项 非常重要的基础性工作，为课件、培训、技能评估、晋升做好准备工作。: 二、编制 1、技能水平评分标准 0——不作要求； 1——学习知晓：参加过培训，测试合格；但需要在别人的帮助与指导下进行工作。 2——独立应用：接受培训，进行实际工作半年以上，能力评估达标，能够独立上岗。年能力评估达标，并没有发生因能力缺失而造成——熟练应用：达到独立应用的水平，连续23 3次以上成功应急操作的经验。事故发生，或具有年以上该技能的实践经验，具备一定的培训与辅导——指导他人：达到熟练应用的水平，有54 技巧。、责任目标2主要从宏观、微观角度阐述员工对责任目标的知晓、应用、理解与执行。 公司总经理及总经理办公会议成员作为政策的制定者和推行者，应具备指导他人如何有序开展工作的能力标准；专业部门的部门负责人作为政策实施的组织者、策划者、监管者，也应具备指导他人的能力；其他部门部长、车间主任应具备熟练应用能力，领会并组织团队进行执行公司的政策、方针、目标、计划等；各级管理人员应在职责权限范围内，领会公司政策和发展方向，独立运用到本职工作中；基层岗位，包含班组长、主操、副操等，需要知晓公司宏观的责任目标方面内容。 根据技能因素与岗位需求的紧密程度需要特别指出。 （1）方针、政策与目标 主要包括公司的经营方针、经营目标、安全\环保\质量等政策与目标，主要是指宏观方面。 公司总经理及总公司办公会议成员需要达到指导他人的能力标准； 部门部长、车间主任——熟练应用； 管理人员——独立应用； 基层岗位（班长、主操、副操）——学习知晓。 （2）目标与指标 主要指公司级年度/月度计划、目标，如质量目标、环境目标等。 部门部长、车间主任——熟练应用； 管理人员、班长——独立应用； 主操、基层岗位（副操）——学习知晓。 （3）激励机制 主要指激励制度、薪资考核制度、福利政策、奖惩制度等。 部门部长、车间主任——熟练应用； 管理人员——独立应用； 基层岗位——学习知晓。 （4）安全文化 主要包括安全文化的宣导、推行、监督等。
姓名：张永梅 学号：1004224126 系别：生命科学学院<生物技术> 任课教师：胡瑞香 大 众 文 化 与 女 性 文 学 论 文
浅谈女性意识 女性的主体意识即女性作为主体在客观世界中的地位、作用和价值的自觉意识。女性的自我意识，即女性的自身认识，是女性对自身存在的特殊性的探秘，它观察到的不再是男性眼中的女性，而是女性眼中的自己。它既是女性对男性经验的一种积极有效的否定，也是女性的一种自我反思和自我批判。女性的平等意识，即女性对现实生活中从属地位和一切歧视现象与行为的意识敏感性，以及对女性应该享受和男性同等的权利与地位的确切认知。 ——《女性意识》 女性意识随着女性地位的提高也随之增强，对于女性作家作品中女性意识的分析更具有说服力。 张爱玲的小说对读者来说想必已不陌生了，很多人都或多或少的读过她的一些作品，我想，看过她作品的人可能都会不约而同地发现一个问题：张爱玲爱写女人，尤其爱写30、40年代上海的女人，而且写得与众不同，栩栩如生，深入骨髓。如她所塑造的许多特殊女性形象一样，张爱玲的女性意识也是别具一格，独放异彩！ 娇蕊，是张爱玲小说《白玫瑰与红玫瑰》里的人物，她，原来是一个开放热情，充满欲望的女人，把生活的所有都寄托在了男人身上。她，以自己的美貌和妩媚身姿吸引了众多男人的视线，让他们都围绕着她在转，她天真地以为这样就展现了自己的魅力和价值，女人们就是有了独立的地位，可不久她就发现自己错了，振宝，这个自私、无情、虚伪、满脑子假仁义道德、不负责任的男人打碎了她原有的观念，让她清楚的认识到女人的世界不是只有男人的身影。振宝的爱深深地伤害了她，可这个坚强充满活力的女人并没有陷在振宝编制的罗网里一蹶不振，而是重新思考自己的问题，改变原有的幼稚想法，重新寻得希望，组建了一个幸福的家庭，有了一个可爱的儿子。 可以说，和曹七巧相比，娇蕊是张爱玲塑造的另一个典型的女性人物。张爱玲通过对她生活、爱情观转变过程的描写，向读者传达出对女性命运的深沉思索：爱情不是生命的全部，女人不能把所有的希
仓库管理系统 ——使用手册
目录 第1章系统概述 (1) 1.1引言 (1) 1.2系统特点....................................................... 错误！未定义书签。第2章系统安装 ............................................ 错误！未定义书签。 2.1系统环境要求............................................... 错误！未定义书签。 2.2单机版的安装............................................... 错误！未定义书签。 2.3网络版的安装............................................... 错误！未定义书签。 2.3.1 程序包文件介绍....................................................... 错误！未定义书签。 2.3.2 数据库的安装与配置............................................... 错误！未定义书签。 2.3.3 客户端的安装与配置............................................... 错误！未定义书签。 2.4系统注册....................................................... 错误！未定义书签。第3章基本操作 (2) 3.1系统启动 (2) 3.2重新登录 (2) 3.3修改密码 (2) 3.4记录排序 (3) 3.5快速查找功能 (3) 3.7窗口分隔 (3) 3.8数据列表属性设置 (3) 3.9数据筛选 (4) 3.10数据导入 (4) 3.11报表设计 (5)
《伤逝》、《方舟》、《私人生活》之女性形象分析 中文系汉语言文学专业 09050124 王丽菲指导教师：雷振华 摘要：女性寻求自身解放、追求平等自由的斗争从未间断，无论是“五四”时期女性意识的觉醒还是新时期对女性自身价值、命运、感觉方式等精神层面的探讨，都不断演绎和阐释了真正的女性追求与价值。本文以《伤逝》、《方舟》、《私人生活》为题材，论述了20世纪以来女性意识觉醒与回归的进程。 关键字：女性意识；独立；觉醒
目录 引言 (1) 1.女性意识的初步觉醒 (1) 1.1追求恋爱自由、个性解放 (2) 1.2变不了“家庭主妇的角色” (3) 2.女性意识的复苏和深化 (5) 2.1肯定女性的自身价值 (5) 2.2自我救赎的“诺亚方舟” (6) 3.女性性别意识的膨胀 (8) 3.1逃离男权世界 (8) 3.2虚拟私人化的空间 (9) 结语 (11)
引言 虽然女性对爱有天生的渴望，但几千年的父权制使女性始终处于被统治的地位，自然也失去了追求爱情的权利。事实上“由于女性意识、女性自我与当时主导意识形态相冲突，因此几十年来始终受到强大压抑和斥责，广大女性除了做与男人同样的人以外，不能有任何女性意识、特质或特定的流露，这种讳莫如深把女性降到‘空洞能指’的最低水平，其背后深处深藏着那种千百年来顽固不化的传统文化精神——对女性的鄙视和忽略”。［1］而女性主动对爱情、婚姻的追求更是被主流文学作品所避讳。中国新文学中女性意识的觉醒与确定，发轫于“五四”时期。“五四”文学以人的解放为内核，形成了以争取女性独立地位为标志的女性意识传统，并在创作上表现出明显的性别特征和写作姿态。在以后的发展中，随着民族矛盾和阶级矛盾的上升，文学创作中的女性意识被消解在战争的硝烟之中。50年代以后，特别是“文革”时期，女性意识以及写作中的性别特征被阶级性所抹杀。“文革”以后，人性、人道主义在文学创作中恢复、发展与深化的一个重要标志，就是女性意识的再次觉醒与回归，女性从无差别、男性化的社会中脱颖而出，重新获得了自己独立的地位。 女性寻求自身解放、追求平等自由的斗争从未间断，无论是“五四”时期女性意识的觉醒还是新时期对女性自身价值、命运、感觉方式等精神层面的探讨，都不断演绎和阐释了真正的女性追求与价值。本文以《伤逝》、《方舟》、《私人生活》为题材，论述了20世纪以来女性意识的觉醒与回归的进程。 1.女性意识的初步觉醒 “五四”时期，在西方文学思潮的影响下，中国爆发了声势浩大的“五四”新文学运动，这次文学革命的重要实绩之一，就是“人”的发现，尤其是“女人”的发现。中国男性知识分子们在受到“自由、平等、独立”等民主思想和自由主义思潮影响下，在探讨人的自由及价值个体重要性的同时，也注意到了中国女性更悲惨的社会地位。他们纷纷著书立说，为中国女性“人”的意识的觉醒举起了第一面旗帜。如：郭沫若的《三个叛逆女性》，胡适的《易卜生主义》，鲁迅的《我之节烈观》和《伤逝》等等。妇女问题受到前所未有的重视。在这样的氛围下，一批女性创作者在“人”的发现的浪潮中认识了自我，发现了女性，以高昂的主体意识开始了对女性命运和社会问题的思考和探索，发出了大时代中女性的心声，打开了“女人无史”之后的“有史”的开端，知识女性结
智能仓库管理系统 需求规格说明书 拟制：仇璐佳日期：2010年3月17日星期三审核：日期： 批准：日期： 文档编号：DATA-RATE-SRS-01 创建日期：2010-03-17 最后修改日期：2020-04-24 版本号：1.0.0 电子版文件名：智能仓库管理系统-需求规格说明书-
文档修改记录
基于web智能仓库管理系统详细需求说明书（Requirements Specification） 1．引言 1．1 编写目的 本系统由三大模块构成，分别是：系统设置，单据填开，库存查询。 其中： 系统设置包括：管理员的增加，修改，删除，以及权限管理；仓库内货物的基本资料的增加，修改，删除；工人，客户等的基本资料的增加，修改，删除。 单据填开模块包括：出库单，入库单，派工单，等单据的填开及作废操作。 库存查询系统包括：库存情况的查询，各项明细的查询，工人工资的查询，正在加工产品查询等。 报表导出模块包括：按月，按季度，按年的报表导出功能。 1．2 背景说明 (1)项目名称：基于web智能仓库管理系统 (2)项目任务开发者：东南大学成贤学院06级计算机（一）班仇璐佳，软件基本运行环境为Windows环境，使用MyEclipse7.1作为开发工具，使用struts2作为系统基本框架，Spring作为依赖注入工具，hibernate对MySql所搭建的数据库的封装，前台页面采用ext的js框架，动态能力强，界面友好。 (3)本系统可以满足一般企业在生产中对仓库管理的基本需求，高效，准确的完成仓库的进出库，统计，生产，制造等流程。 1．3 术语定义 静态数据－－系统固化在内的描述系统实现功能的一部分数据。
你将格外的不幸，因为你是女人。 ——浅谈张洁《方舟》《方舟》是张洁最富个人特色的作品，小说描写三个中学时代的同窗好友，经过漫长坎坷的人生道路之后，为了摆脱现实的痛苦，又各自离开丈夫相聚在一个住宅的单元里，以求得暂时的庇护。她们如同乘住在一叶“方舟”上，经受着生活海洋里风浪的打击和颠簸，同时通过现实主义表现了现代知识女性人生道路和精神追求上的焦灼、孤独和悲凉。 小说塑造了荆华、梁倩、柳泉三个个性刚硬、独立自强的知识女性形象，她们都是六十年代的大学生，同时三个独身女人在事业和个人生活上都非常不幸。她们都真诚地爱过，但最后无一不感到彻底的幻灭。她们不能接受没有爱情的婚姻，于是同丈夫分居或离婚，这种举动使她们受尽了世人的嘲弄、冷眼和侮辱。这三个人各有特点，但却殊途同归。 荆华是一位思想与学识都很突出的理论工作者，让很多男子汉也佩服的女性，能够写出真正揭示马克思主义真理的论文，却被“凡是派”视为异端，最后还是过着清贫而孤独的生活；梁倩是电影学院的高材生，是极有抱负的才华出众的导演，吃苦耐劳，为了导演一部片子，四处奔波，但仍免不了周围人们的讥讽、嘲弄，最后还是被审查部门枪毙了；柳泉是大学英语系的优等生，是一位热爱工作、精明能干的翻译，为找一份工作，历尽劫难，在男女纠葛中伤痕累累。 正如文章题记所写：“你将格外地不幸，因为你是女人”。张洁在《方舟》中所极力展示的是这三位知识女性在人生道路的追求上无助悲凉的困境。小说的三位主人公曹荆华、柳泉、梁倩分别是三位不同背景的知识女性。荆华与柳泉曾先后离开，荆华是不愿成为生孩子的机器，而柳泉则是不愿成为别人的工具，于是两人冒着身败名裂的危险，成了独身女人。经过一段严峻的生活磨难后，终于靠当年同宿舍住过的老同学梁倩的帮忙，两人搞到了一套房子。然而一个坎子还没有过完，另一个坎子已经等在那里。离异的女子要无端地受到多少“文雅的侵略者”的来犯，白复山的纠缠，居委会贾主任的“关怀”，魏经理的无耻，以及形形色色陌生的，却又自以为有权干预你的种种一一关于婚姻，关于爱情、工作的设想，生活方式甚至走路的姿态，说话的表情以及许许多多不值一提的个人私事。 所谓“寡妇门前是非多”，在一般人的眼里，离过婚的女人，都是些不正经的女人。“谁丢了什么东西，谁倒了什么霉，谁心理不痛快，谁想满足一下自己高人一等的欲望，全可以发泄到她们头上来”。从来没有人怜悯她们，有的只是恶意的猜忌。女主人公所面临的
1引言 (2) 1.1编写目的 (2) 1.2背景 (2) 1.3定义 (3) 1.4参考资料 (3) 2任务概述 (3) 2.1目标 (3) 2.2用户的特点 (9) 2.3假定和约束 (9) 3需求规定 (9) 3.1对功能的规定 (9) 3.2对性能的规定 (9) 3.2.1精度 (9) 3.2.2时间特性要求 (9) 3.2.3灵活性 (9) 3.3输人输出要求 (9) 3.4数据管理能力要求 (10) 3.5故障处理要求 (10) 3.6其他专门要求 (10) 4运行环境规定 (11) 4.1设备 (11) 4.2支持软件 (11) 4.3接口 (11) 4.4控制 (11)
软件需求说明书 1引言 1.1编写目的 企业的物资供应管理往往是很复杂的，烦琐的。由于所掌握的物资种类众多，订货，管理，发放的渠道各有差异，各个企业之间的管理体制不尽相同，各类统计计划报表繁多，因此物资管理必须实现计算机化，而且必须根据企业的具体情况制定相应的方案。 根据当前的企业管理体制，一般物资供应管理系统，总是根据所掌握的物资类别，相应分成几个科室来进行物资的计划，订货，核销托收，验收入库，根据企业各个部门的需要来发放物资设备，并随时按期进行库存盘点，作台帐，根据企业领导和自身管理的需要按月，季度，年来进行统计分析，产生相应报表。为了加强关键物资，设备的管理，要定期掌握其储备，消耗情况，根据计划定额和实际消耗定额的比较，进行定额的管理，使得资金使用合理，物资设备的储备最佳。 所以一个完整的企业物资供应管理系统应该包括计划管理，合同托收管理，仓库管理，定额管理，统计管理，财务管理等模块。其中仓库管理是整个物资供应管理系统的核心。 开发本系统的目的在于代替手工管理、统计报表等工作，具体要求包括： 数据录入：录入商品信息、供货商信息、名片、入库信息、出库信息、退货信息等信息； 数据修改：修改商品信息、供货商信息、名片、帐号等信息； 统计数据：统计仓库里面的商品的数量，种类，并计算库存总价值； 数据查询：输入查询条件，就会得到查询结果； 数据备份：定期对数据库做备份，以免在数据库遇到意外破坏的时候能够恢复数据库，从而减少破坏造成的损失。
山东师范大学学报(人文社会科学版) JOURNA L OF SH ANDONG NOR M A L UNIVERSITY (Humanities and S ocial S ciences ) 2005年第50卷第2期(总第199期) 2005 V ol.50 N o.2(G eneral N o.199) 张洁小说的女性意识浅谈 3 张 莹1,马 芸2 (1.四川师范大学文学院,四川成都,610066;2.四川大学文学院,四川成都,610061) 摘要: 20世纪80年代中期以来,张洁彻底告别了热情高歌的理想主义文本,始终坚持一方面用中性眼光观照社会生活,超越女性意识感情,创造一种不分性别的文学作品;另一方面又不断地寻找“女性自我”,用笔记录下女性“成长”的历程。本文分析了张洁真爱理想的演变过程、女性自我的寻找历程,试图梳理出张洁女性意识的变化成长。 关键词: 真爱理想;解构;女性自我;定位 中图分类号: I206.7 文献标识码:A 文章编号:1001-5973(2005)02-0071-04 3收稿日期:2004-04-19 作者简介:张莹(1965— ),女,四川成都人,四川师范大学文学院副教授;马芸(1981— ),女,四川峨嵋人,四川大学文学院硕士研究生。 沃林格提出决定艺术活动的“艺术意志”来源于人的应世观物所形成的世界态度,即人面对世界形成的心理态度。沃林格把这种态度界定为“世界感”。所以,个体“世界感”的差异决定了在“艺术活动”中的差异。而女性作为普遍意义的人和纯然的女性在“世界感”上必定是双性的。虽然文学自来不缺关于女性的话题,但长久以来都只限定在男性的视野中。只有在女性作为自觉的书写者,从女性立场出发创作关于女性生活和心理的作品,才形成了真正的女性文学。张洁作为一名女作家,一方面在用中性眼光观照社会生活,超越女性意识、感情,创造一种不分性别的文学作品;另一方面则更是在纯然女性眼光下,观照女性自我世界,创作女性心灵外化的女性文学。像大多数女作家一样,张洁同样将男女情感作为自己女性文学创作的基点,关注着女性的生存状况和心理世界。从第一篇涉及到两性关系的小说《爱,是不能忘记的》开始,张洁始终没有放弃探讨“爱”以及“爱”中的男女两性,尤其是女性。 一 虽然女性对爱有天生的渴望,但几千年的父权制使女性始终处于被统治的地位,自然也失去了追求爱情的权利。事实上,“由于女性意识、女性自我与当时主导意识形态相冲突,因此几十年来始终受到强大压抑和斥责,广大女性除了做与男人同样的人以外,不能有任何女性意识、特质或特定的流露,这种讳莫如深把女性降到‘空洞能指’的最低水平, 其背后深处深藏着那种千百年来顽固不化的传统文化精神 ———对女性的鄙视和忽略”[1](P56) 。而女性主动对爱情、婚姻 的追求更是被主流文学作品所避讳。作为一名女性,张洁必定在生活中感受到了历史、社会对于女性的压制,她开始试图用笔探索女性心理、思考女性问题,延续自“五四”后断裂了的对女性的思考。 张洁的女性文学创作是从女性最初“寻找男性”、“寻找爱”开始的,长久以来压抑在女性心中对于理想爱情的呼唤在张洁的笔下终于喷薄而出。既然女性已经获得了经济上的独立,已不在物质上依靠男性,那么,对于爱情她们更希望精神上的契合,追求心灵价值的美好。这种对精神生活的追求相应地造就了一种“理想男性”的形象。就像《爱,是不能忘记的》中的钟雨和《波希米亚花瓶》中的梧桐,她们一个爱着与自己相处不足24小时,连手也不曾握过的“老干部”,一个爱着不能过年轻夫妇那种生活的简,都在享受精神上的爱。她们从旧式的婚姻中解脱出来,被“老干部”和简强大的“精神力量”所吸引,爱的是“成熟而坚定的政治头脑”、“在动荡中的革命年代里出生入死的经历,他活跃的思想,工作上的魄力,文学艺术上的修养”……这是80年代新女性心目中的男性标准。她们开始自主地摆脱对有金钱、有地位的男性的依附关系,在婚恋问题上有了崭新的价值观念,这是女性在追求自我历程中的一个进步。张洁大胆突破了传统观念的束缚,敢于“冒天下之大不韪”为自己也为女性喊出了“爱”的心声。
二、仓库信息管理系统分析与设计 （一）《仓库信息管理系统》的需求建模 1、需求分析 仓库信息管理系统要能完成以下功能： 仓库存放的货物品种繁多，堆存方式以及处理方式也非常复杂，随着业务量的增加，仓库管理者需要处理的信息量会大幅上升，因此往往很难及时准确的掌握整个仓库的运作状态。针对这一情况，为了减轻仓库管理员和操作员的工作负担，此系统在满足仓库的基本管理功能基础上发挥信息系统的智能化。 根据要求可将系统分为四个模块 （1）用户登录模块 普通操作员和管理人员登录此系统，执行仓库管理的一些操作，但是普通操作员和管理人员所能执行的功能不一样。 （2）仓库管理模块 管理员工作需要登陆系统，才能够进行操作，系统中的各项数据都不允许外人随便查看和更改，所以设置登陆模块是必须的。可以执行仓库进货，退货，领料，退料；商品调拨，仓库盘点等功能。（3）业务查询模块 在用户登录系统后，可以执行库存查询，销售查询，仓库历史记录查询。 （4）系统设置模块 显示当前仓库系统中的信息,在系统中可以执行供应商设置，仓库设置。 2、功能模块分析 （1）登录模块 ①普通操作员：显示当天仓库中的所有库存的信息。 ②管理员：修改仓库中的库存信息。 ③用户注销：在用户执行完仓库功能时，注销。 ④用户退出。 （2）管理模块 ①仓库库存的进货与退货； ②仓库中的库存需要领料和退料功能； ③仓库也可以完成不同地区的商品在此仓库的商品调拨任务； ④用户人员也可以在当天之后对仓库中的库存进行盘点。 （3）查询模块 ①显示当前仓库商品信息，并执行库存查询； ②显示仓库信息，对商品的销售量进行查询； ③此系统还可以对仓库历史记录进行查询。 （4）设置模块 ①供应商设置 ②仓库设置 3、工作内容及要求 ①进一步细化需求分析的内容，识别出系统的参与者，并完成用例图； ②将用例图中的每个用例都写成相应的事件流文档； ③进一步使用活动图来描述每个用例，为后续的系统设计做好准备；
张洁作品中的女性意识 摘要张洁笔下的主要女性是当时社会中的“另类”，而又是“普遍类”，在此，我将从这几个方面解析在张洁小说作品中的女性意识：她们强烈 的事业心，要求独立和解放，争做强者。以及易被忽视的“女性自身 价值”。 关键词张洁的小说女性意识 “男人的雌化和女人的雄化，将是一个不可避免的、世界性的问题”，张洁，她是这样的定义着当时的社会趋向，预言着后来的世界，女人必将强大起来。她作品中的女人们很多都不愿意雄化，却不得不被迫雄化。 在张洁的作品中体现出来的女性意识主要有女性的反抗精神，强烈的事业心，要求独立、解放。 首先，我们可以很明显的看到，张洁的作品中的女性，都是离了婚或是不愿意结婚的女性，而且离了婚的她们也不愿意再婚。她们在一起承受着各种的磨难，追求着自己的事业，无论她们的事业之路有多么的艰辛。如《方舟》中的荆华、柳泉、梁倩，三个离婚后的女人自小学毕业分开后，再次聚到一块儿。她们有着同样地痛苦婚姻，她们同样地离了婚，她们同样的在工作上有着重重困难，但又同样的不懈地为事业奋斗。 在小说《方舟》中，我们可以看到两位热忠于事业的女性：柳泉、梁倩。 柳泉，在工作上一丝不苟，能够把所有的工作都安排的井井有条，在短时间内精准的记住那些外宾的住房，她可以轻松自若地翻译。她是那么的用心的将自己的工作做好，在工作中，她会自然地流露出那种自信，在工作之后的酒宴上，她表现出了那种“知识妇女，在意识到自己的聪明才智时才有的微笑”，可以使“每一个正直的男人肃然起敬的微笑”。这充分的透露着她在强烈的事业心的驱使下，工作上得到肯定后的满足与自信。 梁倩，在电影的拍摄上，精益求精，最求高的艺术造诣，竭尽能力的要想做出高的成就，摆脱父亲的名望的荫庇，她要通过自己独立的奋斗，让世人都看见她的成就，认可她的工作，她的付出，她的工作成绩，她要实现她的信仰：电影
1引言 (3) 1.1编写目的 (3) 1.2背景 (3) 1.3定义 (3) 1.4参考资料 (3) 2程序系统的结构 (4) 3用户登录界面程序设计说明 (5) 3.1程序描述 (5) 3.2功能 (5) 3.3性能 (5) 3.4输人项 (6) 3.5输出项 (6) 3.6算法 (6) 3.7流程逻辑 (6) 3.8接口 (7) 3.9存储分配 (7) 4仓库管理模块（02）设计说明 (7) 4.1程序描述 (7) 4.2功能 (8) 4.3性能 (8) 4.4输人项 (8) 4.5输出项 (8) 4.6算法 (8) 4.7流程逻辑 (9) 4.8接口 (10) 5仓库查询模块（03）设计说明 (11) 5.1程序描述 (11) 5.2功能 (11) 5.3性能 (11) 5.4输人项 (11) 5.5输出项 (11) 5.6算法 (12) 5.7流程逻辑 (12) 6系统设置模块（04）设计说明 (13) 6.1程序描述 (13) 6.2功能 (13) 6.3性能 (13) 6.4输人项 (13) 6.5输出项 (13) 6.6算法 (14)
6.7流程逻辑 (14) 6.8接口 (14) 6.9测试计划 (14)
详细设计说明书 1引言 1.1编写目的 本文档为仓库管理系统详细设计文档(Design Document)，对作品进行系统性介绍，对使用的技术机制进行分析，对各个模块进行功能描述，并给出主要数据流程和系统结构 本文档的预期读者是本系统的需求用户、团队开发人员、相关领域科研人员 1.2背景 项目名称：仓库管理系统--详细设计说明书 项目任务开发者：大连交通大学软件学院R数学072班张同骥06，软件基本运行环境为Windows环境 1.3定义 Mysql：数据库管理软件 DBMS：数据库管理系统 Windows 2003/XP：运行环境 JSP ：软件开发语言 Myeclipse ：开发工具 1.4参考资料 《软件工程应用实践教程》清华大学出版社 《系统分析与设计》清华大学出版社 《数据库系统概论》高等教育出版社 《Windows网络编程》清华大学出版社 《VC技术》清华大学出版社
岗位技能要求矩阵填写指导意见 一、目的 技能要求矩阵的核心是明晰团队能力现状与需求的差距，用以确定未来的发展方向，是一项 非常重要的基础性工作，为课件、培训、技能评估、晋升做好准备工作。 二、编制： 1、技能水平评分标准 0 ――不作要求； 1――学习知晓：参加过培训，测试合格；但需要在别人的帮助与指导下进行工作。 2――独立应用：接受培训，进行实际工作半年以上，能力评估达标，能够独立上岗。 3――熟练应用：达到独立应用的水平，连续2年能力评估达标，并没有发生因能力缺失而造成 事故发生，或具有3次以上成功应急操作的经验。 4――指导他人：达到熟练应用的水平，有5年以上该技能的实践经验，具备一定的培训与辅导 技巧。 2、责任目标 主要从宏观、微观角度阐述员工对责任目标的知晓、应用、理解与执行。 公司总经理及总经理办公会议成员作为政策的制定者和推行者，应具备指导他人如何有序开展工 作的能力标准；专业部门的部门负责人作为政策实施的组织者、策划者、监管者，也应具备指导他人 的能力；其他部门部长、车间主任应具备熟练应用能力，领会并组织团队进行执行公司的政策、方针、目标、计划等；各级管理人员应在职责权限范围内，领会公司政策和发展方向，独立运用到本职工作中；基层岗位，包含班组长、主操、副操等，需要知晓公司宏观的责任目标方面内容。 根据技能因素与岗位需求的紧密程度需要特别指出。 （1）方针、政策与目标 主要包括公司的经营方针、经营目标、安全环保质量等政策与目标，主要是指宏观方面。 公司总经理及总公司办公会议成员需要达到指导他人的能力标准； 部门部长、车间主任一一熟练应用； 管理人员一一独立应用； 基层岗位（班长、主操、副操）一一学习知晓。 （2）目标与指标 主要指公司级年度/月度计划、目标，如质量目标、环境目标等。 部门部长、车间主任一一熟练应用； 管理人员、班长一一独立应用； 主操、基层岗位（副操）——学习知晓。 （3）激励机制 主要指激励制度、薪资考核制度、福利政策、奖惩制度等。 部门部长、车间主任一一熟练应用； 管理人员——独立应用；
毕业论文文献综述 题目：论张洁的女性意识——以《无字》为中心 专业班级：汉语言 一、前言部分（说明写作的目的，介绍有关概念，扼要说明有关主题争论焦点） 张洁，1960年毕业于中国人民大学，国家一级作家。20世纪70年代末期，她的首篇作品《从森林里来的孩子》在文坛初露锋芒，获得当年的全国优秀短篇小说奖。长篇小说《沉重的翅膀》荣获第二届茅盾文学奖，她是当代文坛上唯一一位两度荣获茅盾文学奖的作家。在国外她也颇有名气，作品被译成十多种语言在许多国家广为流传。1998年已经沉寂了许久的张洁陆续出版了三卷本长篇小说《无字》，并获第二届老舍文学奖和第六届茅盾文学奖。 张洁是“新时期”最重要的女作家之一。从上个世纪八十年代《从森林里来的孩子》、《爱，是不能忘记的》、《沉重的翅膀》、《方舟》、《世界上最疼我的那个人去了》到这个世纪的《无字》和《知在》，张洁一直在用生命书写着时代的音韵。她把写作触角深入到女性生存与社会境况领域内，以强烈的女性意识，传达了作家的女性体验。本文作者将利用所学的文艺理论知识和文学评论方法，从作品体现的女性意识切入，对小说的思想内涵进行总结概括和整体性的探讨，进而达到对张洁的文学成就有比较深入的了解和把握，同时对其做出相应的文学史评价。《无字》这本书中通过描写三代女性的生命史，表现出在社会变迁的大环境之中三位女性命运的沉浮。全书以吴为的成长为主线，剥离出三代女性生命的悲欢离合。女性意识从无到有，不断的枝叶繁茂。我将以女性意识与社会环境的关系来阐述张洁作品中的女性意识，诠释知识女性生存的尴尬与无助。 张洁的作品是女性文学的代表。她的作品大多描述知识分子女性的生活和情感，贯穿了强烈的女性意识。女性文学是文学作品以人的解放为内核，以争取女性独立地位为标志，并在创作上表现出明显的性别特征和写作姿态。刘思谦认为：“女性文学是诞生于一定历史条件下的，以‘五四’新文化运动为开端的具有现代人文精神内涵的以女性为言说主体、经验主体、思维主体、审美主体的文学。”
（仓库管理）仓库管理系统软件设计说明书改后
仓库管理系统 软件设计说明书
目录 1. 介绍 (1) 1.1 目的 (1) 1.2 范围 (1) 1.3 定义、缩写词 (1) 1.4 内容概览 (1) 2. 体系结构表示方法 (1) 3. 系统要达到的目标和限制 (2) 4. 用例视图 (2) 4.1 系统用例图 (2) 4.2 产品类别 (3) 4.3 检索产品 (4) 4.4 产品详细 (5) 4.5 管理员注册 (6) 4.6 查看订单 (7) 4.7 下订单 (8) 4.8 管理员登录系统 (9) 4.9 管理员退出系统 (10) 4.10 日常管理 (11) 4.11 商品信息管理 (12) 4.12 供应信息管理 (12) 4.13 名片信息管理 (13) 4.14 配送状态处理 (14) 5. 逻辑视图 (16) 5.1 总览 (16) 5.2 主要Package的介绍 (17) 6. 过程视图 (19) 6.1 管理员盘点 (19) 6.2 产品管理 (20) 6.3 订单处理数据 (22) 6.4 仓库物流管理 (23)
6.5 管理员查询 (24) 7. 部署视图 (24) 8. 流程逻辑 (25) 9. 规模和性能 (26) 10. 质量 (26)
软件设计说明书 1. 介绍 1.1 目的 本文档为仓库管理系统详细设计文档(Design Document)，对作品进行系统性介绍，对使用的技术机制进行分析，对各个模块进行功能描述，并给出主要数据流程和系统结构 本文档的预期读者是本系统的需求用户、团队开发人员、相关领域科研人员 1.2 范围 对作品进行系统性介绍，对使用的技术机制进行分析，对各个模块进行功能描述，并给出主要数据流程和系统结构 1.3 定义、缩写词 Mysql：数据库管理软件 DBMS：数据库管理系统 Windows 2003/XP：运行环境 JSP ：软件开发语言 Myeclipse ：开发工具 1.4 内容概览 ?仓库管理系统 管理员将各项产品进行编排设备号，位置号，从而有效划分区域管理 ?设置系统 设置各项分类的标签，便于其他人进行查询及复查 ?仓库查询系统 进入系统后客户或者管理员有效快捷查询产品各项目录 ?用户登录系统 用户如果要进行查询操作，需要输入正确的用户名和密码，如果输入错误，则停留在登录页； 2. 体系结构表示方法 这篇文档使用一系列视图反映系统架构的某个方面； 用例视图：概括了架构上最为重要的用例和它们的非功能性需求； 逻辑视图：展示了描述系统关键方面的重要用例实现场景(使用交互图)； 部署视图：展示构建在处理节点上的物理部署以及节点之间的网络配置(使用部署图)；
论《方舟》的女性意识与悲剧色彩 [内容摘要] 张洁是新时期女性主义文学的先导，中篇小说《方舟》是张洁最富个人特色的作品。《方舟》中张洁从理想走向现实，探寻知识女性现实的生存状态与精神追求上的痛苦、绝望与奋争。《方舟》的三个主要人物都是知识女性，她们曾是中学同学，带着不同的人生理想与追求，走进不同的大学，从事不同的职业。曹荆华研究马列主义哲学，柳泉在一家进出口公司做翻译，梁倩则是一位导演，她们都有过婚姻，经过漫长坎坷的人生道路之后，都是人到中年时告别了婚姻。她们的命运都是不幸的，正如作品的“题记”所说：“你将格外地不幸，因为你是女人”。 [关键词]方舟；女性意识；觉醒；悲剧色彩 张洁，当代女作家。原籍辽宁，生于北京，读小学和中学时爱好音乐和文艺。1960年毕业于中国人民大学计划统计系，到第一机械工业部工作。1978年发表第一篇小说《从森林里来的孩子》，获同年全国优秀短篇小说奖。翌年加入中国作协。1982年加入国际笔会中国中心，并随中国作家代表团赴美国参加第一次中美作家会议。任北京市作协副主席。著有作品集《张洁小说剧本选》，小说散文集《爱是不能忘记的》、《方舟》，小说集《祖母绿》，长篇小说《沉重的翅膀》（获全国第2届茅盾文学奖，曾被译成德、英，法，瑞典等多种文字出版）。《只有一个太阳》，散文集《在那绿革地上》以及《张洁集》等。张洁获意大利1989年度“玛拉帕尔帝”国际文学奖。她的《谁生活得更美好》、《条件尚未成熟》分获1979年、1983年全国优秀短篇小说奖；《祖母绿》获全国第3届优秀中篇小说奖，短篇小说《有一个青年》改编拍摄成电视剧播映，张洁以“人”和“爱”为主题的创作，常引起文坛的论争。她不断拓展艺术表现的路子，作品以浓烈的感情笔触探索人的心灵世界，细腻深挚，优雅醇美。 一、女性意识觉醒 女性意识,就是指女性对自身作为人,尤其是女人的价值的体验和醒悟.对于男权社会,其表现为拒绝接受男性社会对女性的传统定义,以及对男性权力的质疑和颠覆；同时,又表现为关注女性的生存状况,审视女性心理情感和表达女性生命体验。在人类诸关系中，两性关系是最基本，最原始的。基于生存，发展这一生物进化的基本规律，它也理
《管理信息系统》报告书 2013-2014 学年第 1 学期 仓库管理系统 专业： 信息管理与信息系统 班级： 2班 姓名： XXXXX 学号： 20113444 电话： XXXXXXXXXX 指导教师：王老师 信息科学与工程学院 2013.12.13
1引言 1.1背景 随着社会经济的发展和工业生产的加速，仓库的进出更为频繁，仓库信息更为重要。传统仓库管理完全由人来完成，以手工记录为主，当企业的物流业务成长到一定规模之后，随着订单数量的增加，客户需求不断个性化，执行效率就成为物流发展的瓶颈，单纯依靠人力资源的增加已不能提升出入库执行的速度，反而带来成本的大幅度上升与差错频频。计算机信息管理技术的迅速发展恰恰解决了这个问题，它使计算机技术与现代的管理技术相互配合，来更加准确、高速地完成工业企业日常的仓库管理工作。使企业能够以最少的人员来完成更多的工作。 随着我国市场经济的进一步开展，强大的信息保障，有力的电子化管理，使各大企业在国内经济市场的大潮中把现代高科技的信息技术发挥的淋漓尽致。越来越多有远见的企业家，不惜重金从国外购买高新技术，高的投资、合理的管理往往换来巨大的利润。经营的物质技术手段由简单落后转变成 高科技与人工手段并存，进而更多地将高科技应用到零售商业。国内实施WMS的条件日益成熟。主 要是物流业在过去的两年里随着国家经济的发展，而日新月异，现代一体化物流的管理思想日益为企业所接受，对仓库有了新定位和认识，从而对管理系统也提出了新的要求。所以从仓库管理的周期来考虑，一个能够高效管理的仓库系统就是一个优秀的仓库系统。 1.2开发目的及意义 对于中小型企业，仓库管理工作主要是进货商品的入库管理和销售商品的出库管理及库存商品的保管管理。现有的管理工作主要依靠手工完成，工作量大，且效率不高。为了能更好地利用现代信息技术的成果，提高管理工作的效率和水平，以适应企业发展的需要，决定开发库存管理系统。 商品流通的仓储及配送中心的出入库，库存、配送等管理，能够使管理工作节省人力。减少差错、提高工作效率，并保障。商品流转的顺利进行应用计算机系统与手持终端的结合可以方便、准确地完成商品流转的相关管理。
张洁小说中的女性意识及其价值 张洁是20世纪80年代最具女性意识、最富才情的女作家。她以自己观察社会的独特视角,以女性作家特有的对人物内心世界的细腻 描绘,尤其以对妇女解放问题的思索而给新时期女性文学增添了一道 靓丽的风景。张洁的作品一方面表现了对政治、经济体制改革等社会问题的关注;另一方面,身为女性这一实事驱使她一次又一次将笔触 游进女性世界,抒写女性故事,探寻她们精神世界的建构。张洁几乎勾勒了当代女性独立、解放的完整的精神历程。张洁的文本实践作为她对女性命运的一种形象表述,主要是通过对传统女性神话的拆解以及 男权中心历史所形成的文化偏见的颠覆,来张扬其女性意识。张 洁的女性意识主要表现在“女性观”和“婚姻爱情观”两方面。张洁在《方舟》中提出:“女人是独立的”女性观,并提出“要争得妇女的解放,决不仅仅是政治地位和经济地位的平等,它是靠妇女自强不息, 靠对自身存在价值的认识和实现”。与传统的女性观和现实的女性观 加以比较,张洁的女性观在当代不能不说是进步的,因而也引起了世 人的关注。张洁是一位理想的的爱情主义者。她满怀爱情理想, 构想一种美好的两性情感关系,给新时期女性文学树立了一座里程碑。张洁以独具一格的勇气,女性的率真敏感给刚刚苏醒的文坛带来一股 清新的风——《爱,是不能忘记的》,可以算作新时期女性文坛中最早的探索婚姻爱情观的文学作品。随后张洁又发表了《方舟》、《祖母绿》等作品。在这一系列作品中,张洁苦苦追寻理想的爱情婚姻,追寻着女性自我价值的实现和人的精神的全面发展。张洁为新时期女性文学树
立起一面理想主义的大旗。总之,张洁的小说中的女性意识,充分体现了新的发展时期的时代特点。它