系统强制结帖通知,请大家相互转告

balloonman2002 2005-08-30 12:58:22
系统强制结帖通知

CSDN社区将于2005年9月10号开始进行强制结帖,强制结帖对象是发帖时间在2004.7.1--2005.6.30之间的未结帖子。
说明:
1、强制结帖的首要目的是减小数据库容量,提高服务器的性能、速度
2、强制结帖可能会历时几天,这期间社区的访问速度可能会较慢(具体现象可能是操作超时等),请大家谅解
3、每个未结帖子被强制结帖后,扣除发贴人信誉分1分,帖子的分数回归系统,并不平均分给回复人
4、0分帖被强制结帖后,不扣信誉分
5、请大家在9月10号前及时结帖,以免造成不必要的损失;由于不及时结帖造成的损失,csdn不作补偿,比如信誉分减少等。
6、强制结帖完成后,同时这些帖子会导入历史数据库,只可察看,不可再回复,稍后会在search.csdn.net提供查询。

查看自己是否有未结帖的方法:
请打开页面左边的导航条,点击“我的社区”-》“我的问题”,已结帖的标题前应该是绿色的小勾;如果不是请点右边的“管理”,发帖时间在2004.7.1--2005.6.30之间的请结帖。

还不会结帖的网友请看http://www.csdn.net/help/over.asp
...全文
288 6 打赏 收藏 转发到动态 举报
写回复
用AI写文章
6 条回复
切换为时间正序
请发表友善的回复…
发表回复
WorldMobile 2005-09-12
  • 打赏
  • 举报
回复
CSDN发来的信息

这次信誉分被扣是由于被强制揭帖所致。CSDN已经在2周前发了公告要求用户自行揭帖。强制揭帖所扣信誉分不会被记录到信誉分变化记录中。
这次强制揭帖是对2004年7月到2005年6月之间的未结非0分帖子进行了强制揭帖。每一个被强制揭帖的帖子,帖主扣除总信誉分1分,及对应帖子所在大版信誉分1分。


由于我们工作的失误,强制揭帖中出现了一个逻辑错误:
2004年7月到2005年6月之间的被删除的非0分帖子也会被强制揭帖,贴主也会被扣除信誉分。这造成一些用户信誉分被多扣,我们深表歉意。
CSDN 正在使用备份数据库恢复这部分被多扣除的信誉分,预计会比较费时。这部分被额外多扣除的信誉分CSDN将近期给与恢复。
其他按照CSDN强制揭帖制度被扣除的信誉分将不给与恢复。

我们工作的失误请大家原谅。若今后出现散播虚假消息,攻击他人的行为,干扰社区秩序者,将给予严惩。
WorldMobile 2005-09-12
  • 打赏
  • 举报
回复
本次强制结帖导致误删除的信誉分已经全部恢复!!

这次信誉分被扣是由于被强制揭帖所致。CSDN已经在2周前发了公告要求用户自行揭帖。强制揭帖所扣信誉分不会被记录到信誉分变化记录中。
这次强制揭帖是对2004年7月到2005年6月之间的未结非0分帖子进行了强制揭帖。每一个被强制揭帖的帖子,帖主扣除总信誉分1分,及对应帖子所在大版信誉分1分。

由于我们工作的失误,强制揭帖中出现了一个逻辑错误:
2004年7月到2005年6月之间的被删除的非0分帖子也会被强制揭帖,贴主也会被扣除信誉分。这造成一些用户信誉分被多扣,我们深表歉意。

现在已经全部恢复了。

而其他按照CSDN强制揭帖制度被扣除的信誉分将不给与恢复。

我们工作的失误请大家原谅。若今后出现散播虚假消息,攻击他人的行为,干扰社区秩序者,将给予严惩。
wscft 2005-09-12
  • 打赏
  • 举报
回复
怪不得, 我曾经删除了两个帖子被扣了5分, 这有扣了2分!
等待管理员带来的好消息吧!
青锋-SS 2005-09-12
  • 打赏
  • 举报
回复
有点冤,莫名其妙就少了好几分.
hygougou 2005-09-12
  • 打赏
  • 举报
回复
哦,原来如此,我曾被删除过一个帖子,谢谢版主
8193102 2005-08-30
  • 打赏
  • 举报
回复
是应该强制结贴了,现在感觉好多人都不结贴。
内容概要:本文围绕“阶梯碳下考虑P2G-CCS与供需灵活响应的IES优化调度”展开,基于Matlab平台构建综合能源系统(IES)在阶梯式碳交易机制下的优化调度模型。研究深度融合电制气(P2G)与碳捕集、利用与封存(CCS)技术,结合需求侧灵活响应机制,旨在提升系统的低碳运行能力与经济性。通过建立多能流耦合的优化模型,协调电力、天然气、热力等多种能源形式的协同调度,有效降低系统碳排放强度,并借助YALIMIP工具包调用求解器进行高效求解。文档提供了完整的代码实现、模型构建流程与结果分析方法,涵盖从问题建模到仿真实现的全过程,具备较强的可复现性与科研参考价值。; 适合人群:具备电力系统、能源系统或优化建模相关背景的研究生、高校教师及工程技术人员,尤其适合从事综合能源系统、碳减排策略、P2G与CCS技术集成研究的专业人员,需熟练掌握Matlab编程与基本的数学规划知识。; 使用场景及目标:①用于研究阶梯式碳交易政策下综合能源系统的低碳经济调度策略;②支撑P2G-CCS技术与需求响应机制在IES中的仿真集成与性能评估;③作为撰写高水平学术论文(如EI/SCI收录)的技术基础与复现资源,推动碳中和背景下能源系统优化方向的创新研究。; 阅读建议:建议结合百度网盘提供的完整代码与资料包,按照模块逐步调试程序,重点理解目标函数的设计逻辑、碳交易成本的建模方式、约束条件的数学表达及求解器的配置方法,同时关注多能耦合设备的建模细节,配合公众号“荔枝科研社”获取持续的技术支持与案例拓展。
内容概要:本文系统研究了基于卷积神经网络(CNN)与支持向量机(SVM)融合的CNN-SVM混合模型在数据分类预测中的应用,尤其聚焦于工业故障识别领域。通过Matlab平台实现,该方法首先利用CNN强大的多层次特征提取能力对原始输入数据进行深度特征学习,自动捕获关键局部模式与空间结构信息,随后将提取的高层特征作为输入传递至SVM分类器,借助SVM在高维空间中小样本条件下卓越的分类性能与泛化能力完成最终判别任务。文中详尽阐述了模型的整体架构设计、网络参数配置、训练优化流程及特征迁移机制,充分结合了深度学习在特征表达上的优势与传统机器学习在分类决策上的稳健性。实验部分通过实际故障数据集验证了该混合模型相较于单一CNN或SVM模型在分类准确率、鲁棒性和抗过拟合能力方面的显著提升,证明了其在复杂故障诊断任务中的有效性与先进性; 适合人群:具备一定机器学习与深度学习理论基础,熟悉Matlab编程环境,从事故障诊断、模式识别、智能制造、电力系统监控或工业数据分析等相关领域的研究生、科研人员及工程技术开发者; 使用场景及目标:① 应用于旋转机械、电力设备、航空航天等领域的多类别故障识别与状态监测;② 掌握深度特征提取与传统分类器融合的技术路径,提升小样本、高噪声环境下数据分类的精度与可靠性;③ 为撰写高水平学术论文、开展科研项目或工程实践提供可复现的算法框架与完整代码支持; 阅读建议:读者应深入理解CNN与SVM的协同工作机制,重点分析特征提取层与分类层之间的接口设计,建议动手运行并调试所提供的Matlab代码,尝试在不同数据集上进行迁移实验与参数调优,以全面掌握该混合模型的应用技巧与优化策略。

401

社区成员

发帖
与我相关
我的任务
社区描述
PowerBuilder 非技术版
社区管理员
  • 非技术版社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧