简介：许多朋友问有关如何减少物联网的问题。本文的首席执行官注释将为您提供一个详细的答案，以供所有人参考。我希望这对每个人都会有所帮助！让我们一起看看！
降低通常用作预处理步骤。其中，独立的组件分析，因子分析和主要组件分析更为流行。主要组件分析（PCA）是最广泛的。
主要组件分析将通过线性组合将多个原始变量合并为几个主要组件，以使每个主要组件成为原始变量的线性组合。此转换的目的一方面可以大大降低尺寸原始数据，与此同时，在此过程中还可以找到原始数据属性之间的关系。
主要组件分析的主要步骤如下：
1）通常，必须先执行每个变量的标准化。标准化的目的是根据该比例减少数据，以使其属于较小的间隔范围，以便可以与标准化处理相同分析和分析不同的变量。
2）选择计算和相关数组的特征根和相应的特征向量。
3）根据方差的贡献率值选择计算方的贡献率。
4）根据主组件负载的大小命名选择的主要组件。
5）根据主组件负载计算每个主组件的分数。
促进和扩展主组件是一个因素分析。因素分析将尝试根据综合原始变量信息来构建许多公共因素；单个指标之间的连接被归类为同一类别中的因素，每种类型的变量都是一个因素。因素是它们实际上不可用，只能解释。
主要组件分析是因子分析的特殊情况。两者之间的差异和连接主要在以下方面表现出来：
把主组件的主要组件分析将以每个原始变量的线性组合表示主组件，并且因子分析将原始变量显示为每个因子的线性组合。这是最直观和最简单的记忆。
主要组件分析的重点是解释原始变量之间的总差异，而因素分析的重点是解释原始变量之间的协作差异。
中在对主组件的分析中，几个原始变量中有几个主要组件。在因素分析中，可以根据业务情况的需求人为地指定因素的数量，并且指定的因素数量不同。差异。
中在对主组件的分析中，给定零件或相关矩阵的特征值是唯一的，但是主组件也是唯一的，但是在因子分析中，因子不是唯一的，并且可以通过旋转来获得不同的因素。
主要组件分析和因子分析主要用于数据处理实践中的数据处理，降低和变量。同时，作为统计数据中的基本和重要分析工具和分析方法，它们在某些特殊分析中。它还具有广泛的应用。
借助正交转换，将与其组件相关的原始随机变量相关变量被转换为与其重量无关的新随机变量。主要作用是减少高维数据的尺寸。PCA替代品。K特性的原始n特征。新功能是旧功能的线性组合。这些线性组合最大化样本方差，并尝试使新的K特征相互关联。
PCA可以从数据中识别其主要特征，这是通过沿最大数据方向旋转坐标轴来实现的。方差选择的最大方向是第一个坐标轴，随后的坐标轴与正面正交坐标轴。可以使用一系列正交坐标轴获得协作差异矩阵的特征值分析。
优点：降低数据的复杂性，确定最重要的功能。
缺点：不一定需要，可能会失去有用的信息。
PCA的主要算法如下：
组织数据表格以促进模型使用；
计算样品的每个特征的平均值；
每个样本数据减去此功能的平均值（调节处理）；
寻求关联差异矩阵；
找到协调差矩阵的特征值和特征向量；
重新安排特征值和特征向量（特征值从大到小）；
找到特征值的累积贡献率；
根据特定比例，根据累积的贡献率选择特征矢量集的子集；
转换原始数据（第三步之后）。
其中，协调矩阵的分解可以由对称矩阵的特征向量实现，并且也可以通过分解矩阵的SVD实现。在Scikit-Learn中，SVD还用于实现PCA算法。在这里，是带有SVD的原始算法和Scikit-Learn模块实现的PCA类。
SCATAC分析伪影Archr初始探索引入（1）
SCATAC分析Artifact Archr初始-rchr for double（2）
scatac分析伪影artr的初始探索 - 矩阵的创造（3）
SCATAC分析伪影Archr初始探索 - 使用Archr维度（4）
scatac分析伪影Artr初始探索 - 用于聚类的ARCHR（5）
SCATAC分析Artifact Archr初始探索单细胞嵌入（6）
SCATAC分析伪影Archr初始检测
SCATAC分析Artifact Archr初始sCRNA-SEQ确定细胞类型（8）
SCATAC分析Artifact Archr初步检测
Scatac分析伪影Artr aCRR初始探索 - 使用Archr-pak-alling（10）
SCATAC分析Artifact Archr初始探索 - 使用ARCHR识别标记峰（11）
scatac分析伪影Archr初始探索 - 使用ARCHR执行主题和功能（12）
SCATAC分析伪影Artrifation Archr初始使用Archr富铬瓦（13）
scatac分析伪影Artr aCRR初始探索 - 使用足迹的Archr（14）
SCATAC分析Artifact Archr初始探索 - 使用ARCHR用于综合分析（15）
scatac分析伪影Artr初始探索 - 使用ARCHR用于轨迹分析（16）
由于稀疏性，使用scatac-seq降低尺寸是具有挑战性的数据。在SCATAC-SEQ中，您可以在一个等效基因（两个等效基因或一个等效基因）上访问特定点。数据，大多数访问区域都无法转移，这导致许多遗传座椅具有0访问相等基因的遗传座椅。此外，当我们看到三个TN5插入单个单元的单个峰区域中的三个TN5插入片段时，数据的稀疏性就会使美国不受控制地确定单元中的位点实际上只有一个单元格，而另一个单元格在同一站点上插入了三倍。过渡非常小，大多数双值矩阵仍然是0。两种推论是非常不同的。因此，有1个InforMATION，0不是。对于我们的SCATAC-SEQ数据而言，少量信息稀少。
如果要实现标准维度缩小（例如主要组件分析）并在此稀疏插入计数矩阵上绘制前两个主要组件，则它将无法获得所需的结果，因为稀疏性会导致所有0个社区具有更高的社区与类似的间隔相似性。输入位置。要解决此问题，我们使用分层维度。首先，我们使用潜在的语义索引（LSI），这是自然语言处理中的一种方法。它最初旨在评估基于单词数量的文档的相似性。为自然语言处理创建了解决方案，因为数据是稀疏和嘈杂的（许多不同的单词和许多低频单词）。Cusanovich介绍了LSI。等。Scatac-Seq。（2015年的科学）。对于Scatac-Seq，不同的样本是文档，不同的区域/峰是单词。首先，我们通过每个单元的深度计算频率项。抗文本文件的频率，这些值的值是标准化的，并且反文本文件的频率通过加权功能的特征加权以识别更多“特定”，而不是通常可访问的可访问功能。最终单词频率anti文档频率（TF-IDF）矩阵反映了单词（即面积/峰）与文档（即样本）的重要性。并通过低维空间在较低的尺寸空间中表达。LSI使您能够将稀疏插入计数矩阵的尺寸从数以千计的数十个或百分百减少到数十个或一百个。（UMAP）或T分布式随机邻居嵌入（T-SNE）以可视化数据。在ACRR中，这些视觉方法称为嵌入式。
ARCHR实施了几种不同的LSI实现。我们已经在许多不同的测试数据集上进行了基准测试。默认的ARCHR实现与Timacy Stuart在Signac中引入的方法有关。该方法使用的术语频率已对常数（10,000）进行了深入调节，然后使用反文本文件的频率进行归一化，然后使用结果matrixnumber转换（aka log（tf -idf））。
降低LSI大小的关键输入之一是起始矩阵。因此，SCATAC-SEQ中的两个主要策略是（1）使用峰面积或（2）整个基因组块。本身具有挑战性，因为在减小尺寸之前我们没有特定峰的簇或簇。此外，聚类之前的聚类单元上的峰会将覆盖特定于单元格的峰。此外，当新样本添加到新样本中时实验，任何组合的峰集都会改变，这会降低策略的稳定性。第二个策略是使用整个基因组切片，可以通过使用一致和无偏见的特征（整个基因组切片）来缓解这些问题。所有区域中所有细胞的基因组块矩阵都可能变得太大。出于这个原因，大多数实现都与大于或等于5 kb的小块一起使用。因为大多数访问区域只能彼此配对，这很大程度上很大减少t他解决了该方法。
由于箭头文件的设计，ARCHR可以使用500 bp切片的完整基因组范围快速执行LSI。此解决方案，在调用峰值之前允许识别群集。数百万个特征，并根据块矩阵包含在设备中。尽管ARCHR可以通过与块相关的矩阵读取大量数据，但我们还实施了“估算LSI”方法，该方法在该方法上执行初始维度所有单元的子集。此估计的LSI方法具有两个主要用途 - （i）来加快尺寸降低；（ii）减少缩小初始维度中使用的单元数量，这将减少数据的粒度。颗粒性的浮雕可用于您的优势来减少数据中的批处理效应。，因此应在密切的手动监督下使用估计的LSI方法。
在SCRNA-SEQ中，识别变量基因是计算尺寸降低的常见方法（例如PCA）。这是因为这些高度可变的基因在生物学中更重要，并且可以减少实验噪声。因此，您无法识别可变峰以减少尺寸。我们不能确定最大峰值，而是试图将最易于访问的特征用作LSI的输入。为了解决这个问题，我们介绍了````satpathy *''，Granja *et al。，Nature Biotechnology 2019和Granja *，Klemm *和McGinnis *et al。，Nature Biotechnology 2019。最可访问的块，并表明没有较低的分辨率群集不会混淆批处理混乱。例如，当检测到周围血液单核细胞细胞时，这将识别与主要细胞类型相对应的簇（T细胞，B细胞和单核细胞）。然后。然后在所有元素中计算所有这些簇的平均可访问性。然后，Archr识别这些簇中最集中的变化的峰，并将这些功能再次使用到LSI中。在第二次迭代中。，最变化的峰与实现Scrna-Seq LSI的实现的更改基因更相似。用户可以设置应执行的LSI迭代次数。
在本教程中，我们将创建一个名为“ iterativelsi”的简化对象。
如果您在较低到达中看到轻微的批处理效果，另一种选择是添加更多的LSI迭代，并从下部初始群集分辨率开始，如下所示。此外，可变功能的数量可以减少更可变功能的注意力。
为了简化的目的，我们将对象命名为“ iteratvelsi2”，但我们不会在下游使用它。
对于非常大的SCATAC-SEQ数据集，ARCHR可以估计减少了具有LSI投影的LSI尺寸。此过程与迭代LSI工作流相似，但LSI过程是不同的。首先，随机选择的“ Landmark”子集的子集的子集单位用于降低LSI的尺寸。第二，由边界标准确定的反图案文件的频率用于执行其余单元的TF-IDF Ingenity。三分之二，将这些归一化单元投射到由由SVD子空间中定义的SVD子空间边界基于单元的一小部分导致LSI转换的一小部分，该部分被用作其余单元投影的边界。此估计的LSI程序对ARCHR有效，因为ARCHR从将新单元投射到边界时的每个样本。此优化导致最少的内存使用，并进一步提高了超长数据集的可伸缩性。重要的是，必需的边界集大小取决于不同的数据集。
可以将SampleCellSfinals和ProjectCellSpre设置为additeratvelsi（））通过函数访问ARCHR中的估计LSI。SampleScellSfinal指定标准元素集的大小，并且ProjectCtCellSpre告诉ARCHR使用此secection元件集合用于剩余单元格的投影。
有时，迭代LSI方法不足以求解强大的批处理处理差异。因此，ARCHR实现了常用的批处理校正工具和谐，该工具最初是为SCRNA-SEQ设计的。我们提供了一个直接通过Archr的尺寸降低对象的包装设备到harmonymonyatrix（）函数。其他参数可以通过附加参数（...）直接传递到该函数。addharmony（）以获取更多细节。用户应了解其特定应用程序的校正校正预防措施。
数据减少的目的：减少数据，直观的好处是尺寸降低，这对于计算和可视化非常方便。更深入的意义是，提取有效信息是全面的，并且放弃了无用的信息。
方法还原方法__属性选择：过滤方法；包装方法；嵌入方法；
|
|_非线性映射方法：
|__ -core方法：KPCA，KFDA，等等。
|__两个维度：
|__流学习：ISOMAP，LLE，LPP等。
|__其他方法：神经网络和群集
PCA（主组件分析）是主要组件分析，这是图像处理中经常使用的维度缩小方法。它不仅是为了降低高维数据的维度，而且更重要的是，在尺寸减少噪声，降低噪声，降低噪声之后发现数据中的模型。PCA用更少的特性代替原始n个功能。新功能是旧功能的线性组合。这些线性组合最大化样品方差，并尝试使新的M特征相互关联。
PCA方法通过消除数据的相关性来找到一个空间，使每个类别的数据可以在空间中分离。在这些点x和y中，没有表现出杰出的识别。但是，这两个类的投影在Z轴上很大程度上区分，显示出良好的识别。PCA就是这样的工具，可以产生非常好的尺寸降低效果。
优点：1）最小错误。2）提取主要信息
缺点：1）计算协作差异矩阵，大计算量
也就是说，每个维度的数据减去维度的平均值。这里的“维度”是指特征（或属性），并且转换后每个维度的平均值。如图3所示，特征集中化的结果如图4所示。
样品X和样品Y的协调方差：
协作差异是X和Y呈正相关的积极解释。当Co -Party差异为负时，X和Y为负相关关系。COV（X，X）是X的方差。当样本为N维数据时，它们的协调差实际上是协作差异矩阵（对称平方（对称平方）矩阵），方形矩阵的侧面长度为n（n -1）/2。
如果AX =λX，则称为A的特征值，而X是相应的特征向量。实际上，它可以像这样理解：矩阵A在其特征向量X上起作用，仅更改X的长度。变焦比是相应的特征值λ。当a是反应矩阵时，a与p^（-1）AP相似，并且相似的矩阵具有相同的特征值。尤其是当a是对称矩阵时，奇数A奇数的值等于A的特征值。
一个奇怪的值可以找到A.A ? q = q d d，d的所有特征值和Q矩阵，是由特征值和特征向量的定义组成的对角线矩阵的定义。Q的列向量是A的特征向量。
将特征值从大到小的顺序排序，选择其最大的k，然后使用相应的k特征向量作为列向量形成特征向量矩阵。这里只有两个特征值。我们选择最大的一个，这是1.284，相应的特征向量为（-0.677，0.735）T.。
假设样品的数量为m，特性为n，平均值之后的样品矩阵为dataadjust（m * n），协调的差分矩阵为n * n，并且由所选k特征向量组成的矩阵为特征。（n * k k k k k k k k k k k k k k k k k k k k k kto。
这是fineraldata（10*1）= dataAdjust（10*2矩阵）×特征向量（---0.677，0.735）T。k尺寸上的编程。
关联：
PCA了解第一级：最大的差异投影
就像PCA的名称一样，您必须找到主组件的方向，那么此主组件的方向如何来自？
实际上，我希望您找到一个垂直的新坐标系，然后投影，这里有两个问题。第一个问题：该坐标系的标准或目标是什么？第二个问题，为什么它是垂直的，如果是垂直的，则不是垂直的？
如果您能理解第一个问题，那么您就会知道为什么PCA的主要组成部分是功能值和功能向量。如果您可以理解第二个问题，那么您知道PCA和ICA之间有什么区别。
对于第一个问题：实际上，解决差异的最小或最大程度。根据这个目标，您是最有价值的。您可以解决它。主组件的方向正是s的特征向量和特征值！这是惊人的吗？
我现在回答了，希望您了解PCA解决的特征值和特征向量。我也理解解决方案的结果为什么是特征值和特征向量！
这只是PCA的最初意图！我们也经常在图像处理中看到PCA，希望以最早的主要组件重建图像：
这是怎么做的？
PCA了解第二级：最小重建错误
是什么是重建，然后找到一个新的基础坐标，然后减少一个或多维的自由。然后重建整个数据。就像您找到一个新的观点可以看到这个问题，但希望自由是很小或几个维度。
然后，目标是最大程度地减少错误，我们还可以根据最小重建误差得出相似的目标。
尽管在第二层中，它也可以直观地将其视为功能向量的维度，与最小特征值相对应。但是您可以意识到第一级之间的区别吗？一个是找到主要成分，另一个是因此，在此级别上，将PCA视为降低工具是最好的观点。
PCA了解第三级：高斯优先权错误
在二楼的基础上，如果引入了最低两种多义方法和高斯优先级的最大估计。它已经达到了第三级的理解。
因此，最小重建误差，我们知道要从最小辅助方法求解最小辅助方法，我们可以获得高斯的优先级误差。
鉴于对高斯的优先级错误的理解，我们对PCA的理解已进入概率分布的水平。它基于对这种概率分布水平的理解，它可以达到Hinton的理解领域。
PCA了解第四级（Hinton Realm）：线性流对齐
如果我们了解高斯对数据的认识，但是如果将数据概率值视为空间，则可以直接达到新的空间认知。
这是“深度学习”书。煎饼空间，并在煎饼空间中找到线性流行，这是PCA要做的。我们看到，目标函数的形式形式与最小重建误差完全相同，但并非所有级别的认知。
奇异价值分解（SVD）是一种提取信息的方法。例如，在餐厅的观点上有数据记录，应处理和分析餐厅的观点，其背后的因素可能是餐厅类别，烹饪成分类别等等，然后使用这些因素来估计人们对尚未参观的餐馆的看法。结果，提取此信息的方法称为奇怪的价值分解方法。
奇怪的价值分解可以是简单的数据，消除噪声和冗余数据。实际上，这也是一种降低维度，将数据映射到低维空间的方法。从数学的角度来看，它是矩阵分解方法，是一种矩阵分解方法，也就是说，大型基质分解为一种易于处理的形式。这种形式可以是两个或多个矩阵的乘积，就像我们代数中的因子分解，分解，代数的分解以及代数的分解一样。该因子分解对于我们在数学中计算的方便。
假设我们的矩阵A是M×N的矩阵，然后我们将矩阵A的SVD定义为
假设a是n * m的矩阵，然后获得的u是n * n的平方矩阵（内部的向量是正交的，u中的向量称为左qiqi vector），σ是n * m矩阵的矩阵（除了对角线元素为0，对角线上的元素称为奇怪值），v'（v的转换）是n * n的矩阵，矢量也是东正教。在V The Vector中称为正确的奇怪向量），它反映了图片中几个乘法的矩阵的大小，以获取下面的图片
那么奇怪的值和特征值如何对应？首先，我们将获得一个矩阵a transition * a，我们将获得一个方形矩阵。我们可以通过此正方形形成获得特征值：
这里的V是上面的正确手动向量。此外，我们可以得到它
σ是上面提到的奇怪值，u是上面提到的左奇怪向量。奇怪的值σ与特征值相似，并且也从矩阵σ中的大到小，并且还原σ为特别快。在许多情况下，前10％甚至1％的奇怪价值计算所有奇怪的值。超过99％的总和。换句话说，我们还可以使用上一个r的奇怪值来近似描述矩阵。这是一些奇怪的价值分解的定义：
R比M和N小，因此矩阵的乘法看起来如下：
右侧的三个矩阵乘数的结果将是一个接近A的矩阵。在这里，接近R的近距离，乘法的结果越接近A。存储的观点，矩阵区域越小，存储量越小）远小于原始矩阵A。如果我们要压缩空间来表示原始矩阵A，我们将其存放，我们将三个矩阵存放在下面这里：u，σ和v很好。在这里，我们使用一个简单的示例来解释矩阵如何被奇怪的值分解。我们的矩阵A定义为：
关联：
非线性尺寸减小，计算每行和其他行之间的距离（默认距离）转换为概率。
PCA是线性维度和尺寸。它无法解释复杂多项式之间的关系。T-SNE基于t分布的随机场中的嵌入式字段，以找到数据的结构特征。原始空间的相似性由高斯组合概率表达，并且嵌入式空间的相似性由“学生t表示”分配”。
加载包
步骤1：计算每行和其他行之间的距离（默认为欧洲风格的距离）以将其转换为概率向量；
步骤2：重复每行的操作以获取概率矩阵；
步骤3：关于学生沿两个新轴分布的随机数据；
步骤4：逐渐迭代。通过散布的最小KL，两个维空间的新概率矩阵尽可能接近原始的高维空间。
与正态分布相比，t分布的使用可以更好地分散可能的数据簇，并且更易于识别。基于成就的准确性，与PCA和其他线性维度相比，更好的结果是因为该算法定义了数据的局部和全局结构之间的软边界。
缺点：它不能保留全局结构，计算量很大，无法预测新数据，新数据不能像PCA一样投影，并且簇之间的距离也不重要。
DIMS：尺寸后参数设置的尺寸，默认值为2
困惑：控制距离分为概率的分布：本地结构5-30-50全局结构，值的值小于（nrow（data）-1）/ 3，数据集越大，越大，越大参数值；参数值越大；
theta：权衡速度和准确性，值越大，精度越低。准确的0-0.5-1是最快的，默认值为0.5;
ETA：学习率，精确度越少，迭代次数越少，默认值为200；
max_iter：最大迭代数，默认值为1000。
真正的假钞票数据，将钞票数据集分配给bn.tsne之后
可视化
查看每个功能的尺寸渲染：
假设数据分布在流上，并且使用流体科学和投影技术缩小尺寸的目的是使用流量测量行之间的距离。
第一步是计算高维空间中的点之间的距离，将它们投射到低维空间，并计算低维空间中的点之间的距离；
第二步是使用随机梯度最小化这些距离之间的差异。
与T-SNE相比，计算量很小，可预测的新数据，某些算法和保留双重结构
n_neighbors：控制模糊搜索区域的半径：更少的邻居到更多的域；
min_dist：低维时允许的最小距离：更集中到更多的分散；
公制：选择测量方法：Oushi，曼哈顿距离等之间的距离；
N_epochs：优化了步骤的迭代次数。
数据框包含4个变量和50个观测值。
谋杀：每10万人的逮捕和逮捕数量
袭击：每10万人袭击的逮捕次数
UrbanPop：城市人口的百分比
强奸：每10万人强奸一次被捕的人数
根据UMAP1的大小，设置数据群集并设置不同的颜色：
设置n_components = 3，然后运行UMAP，然后将结果的结果传递给GGPAIRS（）。
as.data.frame（）%%
setNames（c（“ umap1”，“ umap2”）%%
ggally :: ggpairs（） +
theme_bw（）
这是一个自组织（竞争性的）神经网络，它使用两个维度代表一个数据集，以使类似的行更接近。不同的类别。
与K均值相比，SOM不需要提前提供群集编号。
SOM和LLE的优点：非线性算法，可以将新数据映射到SOM，训练成本很高，并且可以重复使用LLE算法。
SOM和LLE的缺点：
1.输入图层网络：输入层网络节点与数据集数量，相同的列号相同，但是需要返回数据集。
2.输出层网络：通常，输出层网络是根据数据集的维度构建的。
（例如：两个维度的情况，希望分为4个类别，输出层可以设计为4*2的矩阵）
3.将重量随机分配给每个节点
根据输入层的数据集的维度和输出层的估计数，定义了权重节点的尺寸。
（例如：数据集为二维，权重设置为2，分为4个类别，并选择了权重的数量。4。重量值通常在0-1之间给予随机值）））））
4.随机选择一排，并计算网格中每个节点重量的距离（通常相似，通常是欧洲距离），将这行放入距线最小距离（BMU，最佳匹配单元）本质的节点
5.更新BMU（基本思想是：接近获奖节点的较近，更新越大；距离获奖者节点越少，更新幅度越小）和附近的节点的重量（取决于相邻的人功能）。
6.重复步骤3-5，指定迭代。
LLE是一种广泛使用的图形图像减小方法。它属于多种学习（多种学习）。几个样本是线性的。（LLE非常适合处理滚动或变形数据，但不能在流中关闭，而不是稀疏的数据集，而不是统一的数据集等。此限制它的应用。）
1.计算行的间距，并设置Super -RE -Number K.。
2.选择其最近的K线至一条线，表明其线性组合，线性组合系数正在称重。
3.重复每一行的操作，以便数据将这种线性组合关系保持在2或3个维度。
优点：您可以学习局部线性低维流，计算复杂性相对较小，并且很容易实现。
缺点：该算法对近期邻里数量的选择很敏感。最近的邻居对最终降低结果产生了重大影响。
除了尺寸外，K（接近邻居编号）是唯一需要确定的超级RE -RE -NUMBER。可以通过函数来计算k：calc_k（）
①m代表尺寸，通常为2或3
②kmin，kmax确定k值域
③并行，您是否运行多核操作？
CPU指定CPU内核的使用
设置名称
检查缺失的值
3D图形显示
让3D图像可以用鼠标旋转
找出最小的k值
使用最佳k值来减少尺寸：
“破坏性创新”是哈佛商学院粘土教授克莱顿·克里斯滕森（Clayton Christensen）的概念在《创新困境》一书中解释的。近年来，使用破坏性创新理论的理论已被使用，解释了行业竞争模式的变化，即“为什么好的公司失败”在竞争统治时期的商业现象，也就是说，为什么是“为什么好的”公司失败。“毁灭性创新通常来自该行业的新入口。他们还可能为较低的用户提供具有较低性能（因此也更便宜）的产品和服务的现有市场，或者选择切入不同价值属性，小规模和小规模的价值属性，它们很小。主流竞争对手忽略了Non -user的需求，可以开放新的市场空间，并由于成本效益的优势或用户价值需求的转移而最终获胜，取代了业内领先企业的市场地位。
图1破坏性创新方式
与我们一般理解的一般创新概念不同，破坏性的创新不是朝着“持续改进”和“高质量和高品质”的方向发展，并为客户提供更高的产品和服务选择。维持擅长的创新也是公司通常在公司中所说的“护城河”。
相反，破坏性创新是该条目发起的“降低攻击” [1]，包括两种模式：低端市场条目（删除冗余高性能）和“非使用者”市场进入（满足用户满足用户的需求，），无论哪种模型，它都指向边缘市场，在统治时期难以防御的赋权能力，过程结构或经济合理性。塞姆比亚系统在智能手机中的symbian系统的消亡，供应连锁管理基准企业Lifeng（HK.00494）的跨国贸易绩效以及社交媒体和移动支付对媒体电信银行的影响继续下降。这改变了许多行业的竞争性生态和模式，并解释了为什么诺基亚和Lifeng之类的“好公司”是破坏性旅馆的逻辑起点鼓掌理论。
与持续的创新不同，破坏性创新针对行业的长期发展所形成的价值网络（价值
网络）.Cristanzon [2]在其分析中，价值网络是企业确定客户需求，解决问题并努力获得最大利润的环境。价值网络反映了产品和服务的供应链系统，并通过经济经济各种绩效属性的价值（影子价格），它将企业驱动到现有客户价值网络的最佳成本结构和较高的毛利润幅度，以便执行某个行业的“良好企业”，也就是说最好的竞争对手，具有最佳的投资回报。
破坏性创新与行业技术之间存在自然的联系和互动。但是，技术只有将技术应用于产品和服务方案，重建而不是改善行业的价值网络时才能带来破坏性的创新。利润，满足高端用户需求的战略路径依赖性，或者在主流用户市场中的经济和专用资产投资，通常不愿或无法更改现有的价值网络，因此对于低端市场或新的市场来说更容易小规模的市场将受到维度的攻击 - 直到新用户和新技术的需求已更改现有的价值网络，现有的价值网络已更改以拉动现有的价值网络并将其拉动。已被该数字的市场位置所取代。
大多数扩展行业，例如电池，消费者电子商务，体外诊断试剂（IVD）等，通常被称为“跑道”，因为行业的价值网络是融合，竞争是两个客户的关键性能指标与两个客户在一起。——绩效领导者在其他行业中获胜，随着技术积累和持续创新的积累，该人数的人数满足了现有客户的需求，从而获得了稳固的市场地位，这是入口很难攻击该地点的领导者。这种行业所面临的战略状况通常是跑道和竞争规则的conversion依。传统的贸易和零售业（供应链服务行业）应属于后者。
供应链服务行业是连接产品制造和用户的中级行业。它的最初形式是贸易，零售和物流。随着供应链管理的管理在物流，商业流，资本流和信息流集成的方向上，供应链的开发继续加深开发。供应链服务行业逐渐扩展到VMI，B2B，第三- 参与物流，供应链融资，品牌营销，ODM/OEM，新零售和其他专业领域。跨境整合和敏捷灵活性已经出现。供应链服务行业也已成为各种价值主张。供应链的参与者投资于不同的价值，例如客户，渠道，物流网络，设计，品牌，数据和金融服务。链服务升值带来的经济利润。
图2供应链服务行业的现有价值网络
香港Lifeng（Feng's）集团成立于1906年。凭借其独特的全球供应链管理，它成为了1990年代全球最大的出口交易者。市场价值高达2.25亿港元。管理的基准企业案例已被行业和学术界广泛研究。
LIFENG模型的演变经历了五个阶段：1）贸易中间模型。与语言的优点，外国银行垄断中国贸易模式的地方，利润的利润来源是购买和购买的委托2）采购代理模型。在亚洲地区的供应商熟悉，贸易政策和对各个国家配额的理解。3）价值 - 添加代理模型。客户对LIFENG提供初步产品概念，然后自定义一个通过LIFENG为客户完成生产计划，并保留及时交付的质量和数量。4）虚拟制造商模型。Lifeng从代理商转变为供应商，与客户签订合同，并从事产品设计和产品设计和具有高价值的产品和外包生产链接的开发。5）供应链管理模型。Lifeng扩展到工业链的两端，并通过数字工具开放EACH节点是整个工业链的计划者和经理。
从供应链服务行业的战略观察家的角度来看，“ Century -old Lifeng”的经理可以促进可持续创新，并做出“合理且适当的”战略选择，专注于全球供应链上的高质量客户，而且，不断丰富的设计，采购，物流和虚拟制造服务是典型的“三个创新和四个现代化”，在价值网络中具有“良好的企业”。
但是，自2013年以来，Lifeng的运营性能一直在下降。营业额已从2013年的207亿美元下降到2017年的135亿美元。Lifeng（HK.00494）还剥夺了品牌管理，医疗保健产品，家具，美容产品和其他企业，市场价值接近90％。从意义上讲，Lifeng也陷入了“创新者的困境”。然后，领导主要企业的供应链服务行业的技术变革和业务模型将来自什么？
图3 LIFENG（HK.00494）股票价格趋势
从供应链服务行业的现有价值网络中可以看出，分销商处于供应链的中间。传统贸易中间人主要依靠供应链链接的信息不对称来获利，并获得了品牌和零售终端的增长，“链所有者”的崛起，中间层的分销商将选择专业重点或扩展供应链以维持利润率和市场地位。
消费品供应链具有多种品种，快速响应和领先成本的价值主张，LIFENG在服装和玩具类别中为Syls和Wal -Mart等大型客户提供了服务。设计，采购和供应链管理等服务以承担虚拟生产商的作用。基于LIFENG的客户需求和供应商网络，该策略在转变贸易贸易供应链管理的过程中具有可行性和资源匹配。
但是，在全球和金融危机，互联网电子商务，消费趋势和工业转移等因素下，全球消费者供应链的变化已经发生：应用于商业模型改革的破坏性技术来自Internet.b2b2bB2C E -Commerce直接连接消费者，制造商和供应商并没有前所未有地联系起来。供应链服务行业的价值网络也是OTT（顶部）Lifeng引以为傲的供应链资源的end赋和能力。
当然，近年来，Lifeng还采取了采取行动来收购海外市场分销商，进入品牌管理和授权业务，并建立一个数字平台，以应对更改。服务提供商可能会在连续的情况下做得很好创新（例如专业精神，特征，品牌和国际化），但就新一代消费者的需求和互联网，敏捷的灵活供应链而言，Lifeng没有变化。快速变化。
上述破坏性创新的主要技术应用来自Internet+消费者场景，意识到新价值索赔取决于互联网对人的连接影响：降低产品和服务的搜索成本，并提供更新的消费经验以吸收新的新消费经验用户失败并不是由于客户策略或管理决策的错误，而是不愿意或无法对组织和价值的技术变化做出反应的人是“组织理性选择的失败”。值得注意的是，随着互联网技术之后的下一波破坏性技术，大数据和人工智能技术可能会进一步扩大“ DE局部化”的趋势，从而为供应链服务行业带来更深入的破坏性创新。无人零售，智能制造和智能供应链。领导互联网和IN的公司Ternet还将面临下一个破坏性创新挑战的浪潮，而动态和需求改变的组织和流程正成为未来公司的核心能力。
就像克里斯坦顿在《创新难题》一书中发现的那样：1）连续技术和破坏性技术之间存在重大战略差异。2）持续技术进步可能会超过市场的实际需求； 3）客户和成熟企业的财务结构更倾向于持久而不是破碎的创新。因此，在处理破坏性创新的影响时，企业需要建立独立的独立创新组织中的业务部门，并区分资源分配，组织目标和价值观。领导技术和市场。组织协调与协作的战略逻辑，在很大程度上不适合推动破坏性创新的新兴业务部门。
腾讯战略投资部不断投资于已投资于破坏性创新的公司（Huya，Yingke，Pinduoduo ...），以维持腾讯部门的响应能力。处理破坏性创新实际上是在系统中培养“外星人”和“ cat鱼”。核心能力和战略方向与母亲的身体甚至反对派都大不相同。在变化的感觉中，所有文物都会失败，而降低尺寸的攻击来自那些低端，小的市场差距。
从传统贸易的战略转型过程到供应链管理，Huihong和Lifeng在供应链价值网络和价值主张中具有更大的相似性。作为进口和出口贸易行业的进出口贸易行业的基准企业，Lifeng仍然拥有许多值得惠隆（Huihong）的经验模型和业务管理经验，例如面向客户的小型产品部门，有效的供应商网络管理以及微笑的微笑。在技术和商业模式的急剧变化中，人们的数量不必热衷于行业的破坏性创新，以及从组织结构和流程的各个方面，削减 - 边缘技术应用和创新技能保留一个良好的响应措施工作，然后积极推动破坏性创新和业务改变。
[1]从Liu Cixin的科幻小说“三个机构”中，攻击减少了，降低了攻击目标的空间维度，因此目标无法在销毁目标的低维空间中生存。它可以在公司中理解竞争策略是降低产品属性的策略，并使用低成本或差异化的优势来攻击对手。
[2] Clayton Cristanon：“创新困境”，CITIC出版社，2014年1月，第二版。
[3] Ping研究所一项证券综合研究：“供应链研究报告1：LIFENG模型”，2018年5月
[4]张沙哈瓦：“百年中国资助的贸易采购公司的兴起和损失的历史”
中国Unicom卡APN设置4G最快网络
您好，Unicom Unicom的Unicom卡的慢速设置的步骤是：1。在手机中找到设置；2.打开手机的网络设置；3.选择相关设置的流量卡插入的卡插槽；4.找到对访问点名称的访问：apn;5.创建一个新的访问点（APN）名称随便时APN：unim2m.njm2mapn默认选择1;6. MCC和MNC默认情况下可以离开空白。谢谢。
3GNET和3GWAP是我们公司3G网络的两个不同APN（访问名称访问点的名称）。无论通过3GNET或3GWAP，您都可以登录Internet（www）和移动网络（即WAP网络）。两者之间的区别不是差异，3GWAP是手机上使用的网站。3gnet是一个互连网络。3gnet可以提高更好的网络质量。只要手机支持或下载相关的移动软件，您就可以自由访问Internet。此外，某些方向流在使用之前仅限于3GNET访问点。建议注意相关的业务规则。
如何匹配Unicom Lianlian卡4G卡的APN？例如APN类型，MNC等。
通常，IoT卡访问点选择CMWAP。不同物联网卡的特定IP设置不同。对于特定情况，请咨询公司管理员或客户服务经理。
谁知道如何在Unicom物联网卡中设置APN
Android设备可以在“设置” - “网络”菜单中配置访问点参数。在原始CTNET访问点的配置数据中更改用户名为M2M或*.M2M。其他参数不需要修改；如果创建新的APN，请参阅CTNET的相关数据配置。特定步骤：
在手机菜单中找到设置，然后单击输入。
在设置中查找网络或更多网络选项，单击输入。
在网络选项中查找APN访问点，然后单击输入。
单击输入的访问点名称，并检查是否选择其中的APN。如果不是，请将其设置为CTLTE。
结论：以上是首席CTO注释的物联网相关内容的摘要。希望它对您有所帮助！如果您解决了问题，请与更多关心此问题的朋友分享?