大水面钓大鱼注意要坚持（共2篇）
篇1：大水面钓大鱼注意要坚持
大水面钓大鱼注意要坚持“六大”(转贴)
一、竿：用大鱼竿
在湖泊、水库等水流相对稳定的大水面，海竿以3米以上的中硬调为宜，既可以投远，还可以在遇到大鱼时发挥竿长而结实的优势，能雕旋应对自如。手竿用6.3米以上的长竿或超长竿，或者在竿柄处备一二十米渔线，在大鱼问钩时放出用于遛鱼，或者备一把小海竿，在手竿处于困境时拿出来接到手竿上挥之而战。
二、线：用粗渔线
钓大鱼必须使用粗线，挂钩时也唯有粗线才能摆脱困境。线之“大”有四层含义：
1、主线要粗。线径一般不能小于0.4毫米，否则，遇到大鱼或小树、小草之类的东西就会束手无策。
2、脑线也要粗。脑线的线径不能低于0.3毫米，必要时可与主线一样粗，但绑钩时要选择不同的方法，以弥补因脑线过粗造成硬度增大而干扰鱼吞钩不畅之不足。选择抗拉力强的柔软、弹性大的线做脑线最好。
3、主线要长。主线不能少于100米长。线短了，既难以钓到大鱼，也难以将中钩之大鱼游刃有余地遛疲。
4、预留线要长。垂钓时，除要充分发挥懈力的作用外，还应注意不要把所有的渔线都放尽。为防止大鱼在中钩后猛然逃窜大量要线，渔线轮上至少要预留20米线作为缓冲，也给钓都留下一定的跨步上前的操竿时间。
三、钩：使用大钩
钓大鱼必用大钩，大钩能抗拉、抗断，但要大得适度。一是钩口要大，钩尖必须十分锋利便于快速刺中鱼体；二是钩条要粗，细钩如刀，在遛鱼的过程中很容易将鱼嘴拉豁，钩条粗就能避免这种情况的发生或者少发生。三是钓组要长。在水底比较干净的钓点，串钩钓组要有4—6枚以上的钩，或者再加挂爆炸钩钓组、豆饼钩钓组等，以适应水广鱼稀的情况。钩的大与否，要跟据垂钓之水域鱼类的总体情况与钓者所确定的主攻对象鱼的情况而定，不要千篇一律。
四、饵：使用大饵
这里所指的“大饵”是：
1、钓饵要大。大水面聚鱼时间长，尽量使用耐风浪与耐水解的钓饵。如果钓饵小了，再使用面饵时，不等鱼到就被水化解没了；如果是小的工米粒、彩球等固体鱼饵，鱼还不易发现。野生鱼儿非常敏感，饵小，就得频频投饵、换饵，难免造成鱼受惊逃散，再聚更难。达到钓饵大的要求有两方法：一个是作为钓饵的面饵的饵团或玉米粒、彩球要大；二是在一个钩上挂两个不易水解的固体钓饵，即挂一大一小两个玉米粒，或者是在钩柄处挂一粒玉米粒、在钩尖处挂一粒彩球，彩球的浮力还可以解决钩饵沉入淤泥之中而被埋没的问题。钓饵的大小要与渔钩的大小相一致。
2、诱饵要多。要伺机勤撒、适量多撒，使鱼能长时间逗留于窝中。如方便的话，在垂钓之前的几天里就定点、定时、定料地打下重窝。
3、诱鱼区要大。钓点与诱鱼的地方，或布置于鱼的觅食地带，或控制鱼的回游路线，或安排在鱼的休息区域，或兼顾鱼的嬉戏地区。从垂钓的效果上看，觅食地带为上，回游路线次之，休息区域较差，嬉戏地区最差。要宏观布控，微观施钓。
4、诱饵的诱效要长。除勤撒、多撒诱饵外，要多使用耐水解的诱饵，如豆饼块、干玉米粒、大型颗粒、大的熟薯块、团紧的糯米饭团、大草捆等等，钓肉食性鱼类，还要投放一些牛羊等动物骨头。
五、轮：配备较大的渔线轮
到底配备多大的渔线轮好，要根据竿的长度和垂钓水域的鱼情、水情进行选择。中小型湖湟水库使用储线量大的中型渔线轮，大型的湖泊水库使用中大型的渔线轮。
六、坠：使用大铅坠
在风大、浪大、水流湍急的情况下，只有铅坠大而重才能将钓组稳定在诱鱼区域之内。更重要的一点是，海竿的铜坠与手竿的铅坠最大的不同之处在于，手竿的铅坠主要是起平衡钓组作用，又能起到明显的重力阻碍作用。
1、鱼在中钩后的第一重力阻力来自于与钓组近在咫尺的铅坠。它可以阻碍鱼在中钩后实施为逃窜而改变方向的移动行为，坠大、坠重就可以帮助鱼钩快速地刺入、刺深、刺透鱼的口腔，把握上鱼机会。
2、鱼在逃窜过程中，由于有来自于重坠的一种向下的力的牵制，不管鱼钩最初是扎在上唇还是扎在下唇，钩尖会自然地向下扎去。如果钩是扎在鱼的上唇，那么，钩尖在重坠的作用下必然将钩扎深或扎透；即使鱼钩没有扎深、扎牢于鱼的上唇，也会在鱼的运动中向下刺入鱼的下唇，依然可以扎在鱼体比较厚实的部位上，而不是扎在鱼口左右两侧易拉豁的薄嘴唇上。
3、在人还未持竿将力量作用于鱼之前，重坠在鱼逃窜时还能起到一定向下的牵拉鱼头的作用，虽不能做到压住鱼头，但却会使鱼的运动受到不小的限制，从而给鱼又增加了一种阻力。考虑到要减去水的浮力和钓线的单向不平衡拉力的影响，实施底钓时，海竿的铅坠应该在100～200克重之间。淤泥多，坠要轻些；沙土多，坠要重些；五米以上的超长海竿所用的铅坠可再重一点。单独使用串钩钓组的，坠要重些；使用爆炸钩糟食钓组、通心坠的，或串钩前面加挂豆饼钩、糟食诱饵盒的，坠应略轻一些，便于投掷
篇2：大数据要注意的一些问题
随着社会、经济、互联网和健康等各方面出现的数据越来越多, 还在十年前人们热衷于数据挖掘, 除了技术内容外常提到的是海量数据 (seadata) 。那么海量数据有多大?当时提到的大多是TB (1024GB) 和PB (1024TB) 。最近这几年, 国外又吹起大数据 (Big data) 之风。什么是大数据?大数据到底有多大?单就“互联网上一天”的数据告诉我们, 截止到2012年, 数据量已经从TB级别跃升到PB、EB (1024PB) 乃至ZB (1024EB) 级别。随着计算机硬件成本、计算机内存成本的降低和超级集群计算机的产生, 使得处理大规模的复杂数据成为可能, 这样就产生以结构化 (股票交易数据) 、半结构化 (网络日志) 和非结构化 (文本数据、音频数据、视频数据) 为主的大数据。其中非结构化数据占互联网数据总量的80%。
国际数据公司 (IDC) 的研究报告称, 全球2011年被创建和被复制的数据总量为1.8ZB, 并预测到2020年, 全球将拥有35ZB的数据量。有人将大数据定义为由数量巨大、结构复杂、类型众多数据构成的数据集合, 是基于云计算的数据处理与应用模式, 通过数据的整合共享、交叉复用形成的智力资源和知识服务能力。大数据技术的意义在于对这些数据中发掘出真正的价值[1,2]。
大数据也可概括为“四V”:数量大 (Volume) , 数据量级已从TB发展至ZB, 可称海量、巨量乃至超量;多样性 (Variable) , 数据类型繁多, 除了结构较好的数字型数据外, 多为网页、图片、视频、图像与位置信息等半结构化和非结构化数据信息;速度快 (Velocity) , 录像中数据流往往为高速实时数据流, 而且往往需要快速、持续的实时处理;价值高 (Value) , 以视频安全监控为例, 连续不断的监控流中, 有重大价值者可能仅为一两秒的数据流, 360度全方位视频监控的“死角”处, 可能会挖掘出最有价值的图像信息[1]。
2012年美国政府拨款2亿美元启动“大数据研究和发展倡议”计划。计划最为重视的是数据工程而非数据科学, 主要考虑大数据分析算法和系统的效率。对我国而言, 大数据工程的技术挑战也应当得到重视, 但是数据内在规律, 即数据科学研究却重视不够。几百年来, 科学研究一直在做“从薄到厚”的事情, 把“小数据”变成“大数据”。李国杰院士认为现在要做的则是“从厚到薄”, 要把“大数据”变成“小数据”。“许多数据是重复的或者没有价值的, 未来, 我们的任务不是获取越来越多的数据, 而是数据的去冗分类、去粗取精[2]。牛津大学教授罗里·柯林斯认为, “要从海量数据中得出有用结论, 专业的数据分析是关键。采集到足够信息后, 需要由相关领域的专业人士与信息技术专家一起对数据进行有针对性的归纳和分析, 而这种跨学科、跨领域合作能否顺利实现, 也是大数据实际应用中的一个问题[3]。在Teredata大中华区孔宇华看来, 现如今的“大”数据与过去有一样的地方, 也有不一样的地方。“一样的是, 大数据并没有清晰的界定, 它的范围会随着技术进步不断变化:历史上的某些大数据今天已经不再是大数据了”, “不一样的是数据来源更多了, 如传感器、社交网络等, 数据种类 (非结构化数据) 也更多了;但一样的是, 几乎没有方法可以直接分析非结构化的数据, 都是得通过特定的提炼处理方法, 将数据转换为结构化数据来分析。我们现在要做的是将大数据大众化、普世化、易用化, 让它发挥更大的价值。”[4]
二、数据是否越多越好
1. 全数据也有问题
作者曾与一个国内统计学家交流, 他认为搞全国性人口普查, 是一个企图拿到全数据的过程, 但是实际上由于我国国土辽阔, 人员众多且人口流动很大, 再加庞大的调查队伍良莠不齐, 实际能拿到的全数据, 不一定比数量少、素质高的调查队进行抽样调查后的结果更好。
2. 冗余数据的问题
当大量的数据收集上来后, 我们往往发现有很多数据是重复的, 或者是没有用的, 或者是没法用的。
3. 冗余知识的问题
我们经常发现用有些数据挖掘或机器学习从大量数据中获得的知识有很多是没有什么用处, 甚至是互相矛盾的。现在我们经常上网就某个问题去查询, 有些查到的知识让你啼笑皆非, 有的是夸大其事的虚假广告, 甚至有的就是造谣。因此就出现领域驱动的数据挖掘 (domain driven data mining) , 冀望在专家帮助下, 或者使用进一步的规则知识去找到有用的知识、可以操作的知识等[5]。还有所谓智能的数据挖掘, 石勇教授认为如果把通过数据挖掘提取“粗糙知识”的过程称为“一次挖掘”过程, 那么将粗糙知识与被量化后主观知识, 包括具体的经验、常识、本能、情境知识和用户偏好, 相结合而产生“智能知识”的过程就叫做“二次挖掘”。从“一次挖掘”到“二次挖掘”类似事物“量”到“质”的飞跃[6]。
4. 数据的处理问题还要考虑到处理时间、数据可获得性和经费的问题
数据太多就需占据大量存储空间和计算时间。人们有时研究一些新的算法就是为了多节省一些存储空间和加快一些计算速度。另外关于数据可获得性问题更值得我们注意, 有不少数据是要用很多钱去买的, 更有一些涉密数据花钱也买不到, 因此近年来研究人员更注意应用开源的数据。另外人们也注意到, 在某些算法, 如多主体仿真中利用计算机去自动产生大量有用的数据。
三、要注意大数据中的系统性与复杂性
1. 有了大数据可以不建数学模型?
数据界有些学者认为有了大数据可以不用数学模型而直接解决问题, 首先我们应该看到大数据加合适的数学模型如虎添翼, 其次从系统科学角度看, 我们更要注意大数据后面隐藏着系统性的问题, 否则把一个大问题用还原论的思想去分解成很多子问题, 由于丢失了整体性和系统性而使问题不能真正得到全面的解决。因此作者同意北京大学佘振苏教授的意见, 我们需要数学模型, 更要用系统模型:系统模型≠数学模型。
2. 钱学森开放复杂巨系统——会产生大数据, 更产生系统复杂性
钱学森按系统所含元素和子系统个数分成小系统、大系统和巨系统, 巨系统自然会产生大数据, 但按他的观点更要注意里面的复杂性, 光是巨, 如果关系简单, 也只能讲是简单巨系统, 难解决的是复杂巨系统, 如果系统是开放的, 与外界不断沟通, 也即不断地动态地在获得新数据, 而且有些数据因为系统前面人们的行为会影响后面的新数据的产生。例如人们在股票市场中的行为, 在网上社会舆情的变化和在政府管理采用任何决策, 都会产生上有决策下有对策, 而使后面得到的数据走了形。按照郭雷院士意见:核心是复杂性[7]。
四、D-I-K-W (Data-Information-Knowledge-Wisdom)
DIKW是数据data, 信息information, 知识knowledge, 智慧wisdom4个词的词头。提出DIKW这4个词, 说明人们不能停留在数据上说事。人们可从不同角度去理解它们, 下面我们将从信息科学、知识科学和系统科学几个角度去看它们的内涵[8]。
1. 信息科学与D-I-K-W
从信息科学角度去看:数据是最基本的层次;信息则增加了上下文;知识是怎样去用它们;智慧则是什么时候去用它们。
Zeleny[9]与Ackoff[10]最早从信息科学角度去描述它们, 使信息科学界从D-I-K进入到D-I-K-W (见图1) 。
Ackoff的DIKW体系中把I理解成描述是什么 (what) , 而K则是告诉你怎么去做 (how to) , 在K与W之间又加了一个U (Understanding) , 起着理解和解释为什么的 (why) , 而W则是当作回答什么是最好。他把IKU看成把事做好 (也可看成做事要有效efficiency) , 而W则是要做对的事 (也可看成做事要有效果effectiveness) , 更详细的过程可参见图2[11]。
2. 知识科学与DIKWM
Nonaka将知识分成隐知识 (Tacit knowledge) 与显知识 (Explicit knowledge) 。为了从隐知识转化为显知识他提出了SECI model。他对知识的第二个重要观点是形成组织知识 (Organizational knowledge) , 他认为日本一些企业并不比西方更聪明, 但他们强调组织性, 即依靠群体和组织知识。前些年他将知识又推上一步, 即智慧W, 他认为智慧有两种:理论的智慧叫Sophia和实践的智慧Phronesis (Practical wisdom) , 2011年他来北京讲学时专门介绍了如何去实现Phronesis, 他进一步对知识使用的价值提出看法, 即要求要明确知识应用的目的, 或者说做人不单要聪明, 还要讲道德 (Morality) , 而且他把讲道德放在最高层次, 由此他将DIKW变成DIKWM[12]。
3. 系统科学看大数据
前面已提到钱学森的开放复杂巨系统的概念, 他进一步提出了从定性到定量的综合集成方法论, 这个方法论要求人们将数据、信息、知识、专家经验和智慧综合起来解决问题。
从智慧层次他强调了个人智慧 (逻辑思维+直觉思维) 、机器智慧 (人-机结合以人为主) 、群体智慧、古今智慧 (特别是东方智慧) 和网上智慧, 进一步他又提出大成智慧[7,13]。他将思维科学、智能系统和系统科学结合起来, 这不单对当今处理大数据问题有指导意义, 而且对当今另一个热门词汇-智慧城市也是很有用的。
五、大数据要注意的一些问题
1. 要注意厚变薄、大变小。
2.要注意有针对性地归纳和分析, 需要由相关领域的专业人士与信息技术专家一起对数据进行有针对性的归纳和分析, 而这种跨学科、跨领域合作能否顺利实现, 也是大数据实际应用中的一个问题。
3. 要注意系统观点的思考和应用。
4. 要注意思维科学的作用。
5. 要注意发挥人的智慧。
6. 要注意非结构问题、要注意隐知识的挖掘。
六、大数据与管理
(其中OR为运筹学、MS为管理科学, SE为系统工程、SS为系统科学, IT为信息技术, KS为知识科学, BS为行为科学)
管理早已经从科学管理到定量管理科学时代, 而现在是进入到系统管理和智慧管理的时代 (见图3) 。
石勇教授认为在大数据环境下, 管理决策面临着两个“异构性”问题:“数据异构性”和“决策异构性”。传统的管理决定模式取决于对业务知识的学习和日益积累的实践经验, 而管理决策又是以数据分析为基础的。大数据已经改变了传统的管理决策结构的模式。研究大数据对管理决策结构的影响会成为一个公开的科研问题。除此之外, 决策结构的变化要求人们去探讨如何为支持更高层次的决策而去做“二次挖掘”。无论大数据带来了哪种数据异构性, 大数据中的“粗糙知识”仍可被看作“一次挖掘”的范畴。通过寻找“二次挖掘”产生的“智能知识”来作为数据异构性和决策异构性之间的桥梁是十分必要的。探索大数据环境下决策结构是如何被改变的, 相当于研究如何将决策者的主观知识参与到决策的过程中[6]。
大数据是一种单纯的技术形态, 还是人类社会全面进步的里程碑?要解答这些问题, 必须从大数据历史发展过程来理解大数据。全球的数据总量正呈指数级增长, 过去三年间产生的数据量超过以往总和。海量数据正在流动, 时空障碍将被打破, 个人将在大数据时代获得更大的解放。大数据之“大”, 不仅仅在于其规模容量之大, 更多的意义在于, 人类可以处理、分析并使用的数据在大量增加, 通过这些数据的处理、整合和分析, 人类可以发现新知识、创造新价值, 带来大发展, 逐渐走向大众创新的大社会时代[14]。总之, 我们希望从更大、更系统的角度去观察和利用大数据。
摘要：大数据越来越引起人们的重视, 但人们对它褒贬不一。本文从信息科学、知识科学和系统科学几个角度对大数据进行了分析, 并提出研究大数据一些要注意的问题。