长积注册过商标吗？还有哪些分类可以注册？
长积商标总申请量3件其中已成功注册0件，有1件正在申请中，无效注册0件，0件在售中。经八戒知识产权统计，长积还可以注册以下商标分类：第1类（化学制剂、肥料）第2类（颜料油漆、染料、防腐制品）第3类（日化用品、洗护、香料）第4类（能源、燃料、油脂）第5类（药品、卫生用品、营养品）第6类（金属制品、金属建材、金属材料）第7类（机械设备、马达、传动）第8类（手动器具（小型）、餐具、冷兵器）第9类（科学仪器、电子产品、安防设备）第10类（医疗器械、医疗用品、成人用品）第11类（照明洁具、冷热设备、消毒净化）第12类（运输工具、运载工具零部件）第13类（军火、烟火、个人防护喷雾）第14类（珠宝、贵金属、钟表）第15类（乐器、乐器辅助用品及配件）第16类（纸品、办公用品、文具教具）第17类（橡胶制品、绝缘隔热隔音材料）第18类（箱包、皮革皮具、伞具）第19类（非金属建筑材料）第20类（家具、家具部件、软垫）第21类（厨房器具、家用器皿、洗护用具）第22类（绳缆、遮蓬、袋子）第23类（纱、线、丝）第24类（纺织品、床上用品、毛巾）第25类（服装、鞋帽、袜子手套）第26类（饰品、假发、纽扣拉链）第27类（地毯、席垫、墙纸）第28类（玩具、体育健身器材、钓具）第29类（熟食、肉蛋奶、食用油）第30类（面点、调味品、饮品）第32类（啤酒、不含酒精的饮料）第33类（酒、含酒精饮料）第34类（烟草、烟具）第37类（建筑、室内装修、维修维护）第38类（电信、通讯服务）第39类（运输仓储、能源分配、旅行服务）第40类（材料加工、印刷、污物处理）第41类（教育培训、文体活动、娱乐服务）第42类（研发质控、IT服务、建筑咨询）第43类（餐饮住宿、养老托儿、动物食宿）第44类（医疗、美容、园艺）第45类（安保法律、婚礼家政、社会服务）
st开头的单词有哪些
英语单词中不乏st的身影，它是诸多单词的词根，这些词根形式多样，st、sta、stan、stin、sist等等，不一而足，但这里简化起见，大多仅提及st而止。向左转|向右转1、 具体的“站、立”stand v.站立assist v.协助。as=to，sist词根“站立”，字面义“站在一边”，从而起到协助的作用，想一下手术时站在医生身边协助的助手。consist v.组成，con前缀“共同”，sist词根“站立”，如所有同学站在一起才能组成一个班级。constituent n.成分，stit词根“站立”，指站在一起组成某整体的东西，即“成分”。contrast v.对比，对照。Contra前缀“相对”，如counter（柜台）就是面对面站着的地方；st“站立”，相对而立，从而形成“对比”。distance n.距离。Dis前缀“分开”，如disrupt；st“站立”；ance名词后缀。分开而立，从而形成“距离”。obstacle n.障碍。Ob前缀“相对，相逆”，sta“站立”，cle名词后缀。前进路上对着你站着的东西，不让你通过，就是你的“障碍”。resist v.抵抗。Re前缀“相反，往回”，sist“站立”，当逆流向你扑面而来，你却对着它站立岿然不动，这就在“抵抗”逆流。 stab v.刺，戳。将木棒戳在地上能让它“站立”。stick v.插入，刺入。stadium n.体育场stage n.舞台stair n.楼梯。联想：stair=st（站）+air（空气），站在楼梯上就像站在空中，站在空气中一样。stake n.桩；刑柱。“立”于地上之物。stalk n.茎，干；叶柄，花梗。支撑植物竖“立”起来之物。stem n.(花草的)茎。station n.车站。“站”着等车的地方。这一说法可能不严谨，见下文。steep a.陡峭的。悬崖直“立”即为陡峭。step n.台阶。站着的地方。substitute n.代替者，替代物。Sub前缀“下”，stit词根“站”，ute后缀。形象一点的话，球赛中站在场下的队员是等着替补上场的“代替者”。stone n.石头。想一下巨石阵里都是“立”着的石头。谐音：石头。estate n.（上有大片建筑物的）土地，住宅区。房屋“站立”的地方。以上都是一些人或物具体的“站立”，将其抽象化可以表示机构、规章、观念的成立、树立等。2、 抽象的“树立、建立、成立”establish v.建立。其中e是为了发音方便而加，stab=stable稳固，-ish动词后缀“使…”，字面义即“使稳固”。Stable见下文。institution n.机构。“成立”机构。state n.国，州。“建立”国家。顺便提及，中亚的那些斯坦国，如与中国相交甚好的巴基斯坦（Pakistan），它们名字中的stan（“斯坦”，即指国家）的最关键成分就是st。statue n.雕塑。“树立”一座雕塑。或理解为雕塑都是“站着”的。standard v.标准。“建立”一套标准。statue n.法令。“设立”一套法令。constituent n.宪法，章程；组成，设立。“设立”宪法。superstition n.迷信。Super前缀“上方”，stit“立”，ion名词后缀。“上方”这一前缀，给人一种悬在半空，虚浮的、不脚踏实地的感觉，所以可以理解为：“树立”的一种“虚浮”的信仰，即迷信。instance n.例子。个人理解：使某种说法“成立”之物。你想让“我是一个好学生”这个说法站得住脚，就得拿出你刻苦学习的种种例子。prestige n.威信。Pre前缀“向前”，向前“树立”一种威信。个人解释，与词源有出入。“站在”某地，再抽象化一些，其实反映你“身处”某地，它就不仅仅是你“站在XX”了，而是你“处于XX”。就像中文的“坐落在…”，不是真的“坐”在那儿，而是方位“处”在那儿。3、 表方位、处境“处于…”exist v.存在。Ex前缀“外”，词根相当于sist，“处于…”。实实在在地“处于”外在的环境中，即“存在”。stage n.阶段。“处于”某一时间段内。联想：stage=st（处于）+age(年代)，处于某一年代，即“阶段”。status n.地位。“处于”社会某一阶层。substance n.实质。Sub前缀“下方”，“位于”事物下方的，而非浮于表面的东西。“站着”是一种静止不动的状态，你是否还能忆起当年军训时站军姿的难熬。“站”不是跑，站是静止，跑是运动。所以“站立”可引申为“静止”。4、 表“静止、不动”stable a.稳定的。“静止”就是一种稳定状态。stable=st(站立)+able（可以…的），即“可以站得住的”，就是稳定的了。steady a.稳定的。rest v.休息。仅个人理解：re前缀“往回”，st“静止，不动”，字面义“回去驻扎不动”，一种回归静养的意味。estate n.不动产。stall v.使熄火，使停止转动。stare v.凝视。目光“静止不动”，停留在一个地方，就是“凝视”了。谐音：死呆，目光死呆呆的。stun v.使吃惊。static a.静止的。stationary a.静止的。still a.静止的stop v.停止 n.车站。“车站”就是车“停”放的地方。也许上文提及的station“车站”也是这个逻辑吧。stay v.逗留。停止在一个地方“不动”。store v.贮藏，存放。商品在市场上本应是交换、流动的，一旦在市场上“静止”下来，一定是被贮藏在仓库里伺机卖出了。stock n.库存 v.囤积stack v.堆积sticky a.粘的。粘在一处“不动”。“静止、不动”是方位、地点的“不变”，归根结底有“不变的”之根义。5、 表“不变的”、“不知变通的”steel n.钢。钢很坚硬，很难折弯，不易变形，即形状“不变”。staple n.主要产品；主食。企业的主要产品不会经常变化；一地的主食也已成为习惯，“南米北面”可不是一朝一夕能够更易的。stern a.严厉的，严峻的；坚定的，不动摇的。法令“严厉”执行，就是指没有“变通”的余地，不能因为判罚的对象不同而有所变化。态度“不变”即坚定。stiff a.严厉的；僵硬的，坚硬的；呆板的。遇事不知变通即为“呆板”。stubborn a.顽固的。遇事不知变通，坚持己见，即为“顽固”。stupid a.愚蠢的，迟钝的。遇事不知变通，以不变的思维应万变，即为“愚蠢”，如：刻舟求剑。sturdy a.坚定的。态度不变即“坚定”。
高积皇注册过商标吗？还有哪些分类可以注册？
高积皇商标总申请量1件其中已成功注册0件，有0件正在申请中，无效注册1件，0件在售中。经八戒知识产权统计，高积皇还可以注册以下商标分类：第1类（化学制剂、肥料）第2类（颜料油漆、染料、防腐制品）第3类（日化用品、洗护、香料）第4类（能源、燃料、油脂）第5类（药品、卫生用品、营养品）第6类（金属制品、金属建材、金属材料）第7类（机械设备、马达、传动）第8类（手动器具（小型）、餐具、冷兵器）第9类（科学仪器、电子产品、安防设备）第10类（医疗器械、医疗用品、成人用品）第11类（照明洁具、冷热设备、消毒净化）第12类（运输工具、运载工具零部件）第13类（军火、烟火、个人防护喷雾）第14类（珠宝、贵金属、钟表）第15类（乐器、乐器辅助用品及配件）第16类（纸品、办公用品、文具教具）第17类（橡胶制品、绝缘隔热隔音材料）第18类（箱包、皮革皮具、伞具）第19类（非金属建筑材料）第20类（家具、家具部件、软垫）第21类（厨房器具、家用器皿、洗护用具）第22类（绳缆、遮蓬、袋子）第23类（纱、线、丝）第24类（纺织品、床上用品、毛巾）第26类（饰品、假发、纽扣拉链）第27类（地毯、席垫、墙纸）第28类（玩具、体育健身器材、钓具）第29类（熟食、肉蛋奶、食用油）第30类（面点、调味品、饮品）第31类（生鲜、动植物、饲料种子）第32类（啤酒、不含酒精的饮料）第33类（酒、含酒精饮料）第34类（烟草、烟具）第35类（广告、商业管理、市场营销）第36类（金融事务、不动产管理、典当担保）第37类（建筑、室内装修、维修维护）第38类（电信、通讯服务）第39类（运输仓储、能源分配、旅行服务）第40类（材料加工、印刷、污物处理）第41类（教育培训、文体活动、娱乐服务）第42类（研发质控、IT服务、建筑咨询）第43类（餐饮住宿、养老托儿、动物食宿）第44类（医疗、美容、园艺）第45类（安保法律、婚礼家政、社会服务）
J开头的单词有哪些？
J字母开头的英文单词有很多，举例如下：1、 jail n、监狱 vi、监禁。2、 jam n、果酱。3、 jam vt、使塞满；使堵塞。4、 January n、一月。5、 Japan n、日本，日本国。6、 Japanese a、日本的 n、日本人。7、 jar n、罐子，坛子，广口瓶。8、 jaw n、颌。9、 jazz n、爵士音乐，爵士舞曲。10、 jealous a、妒忌的；猜疑的。11、 jet n、喷气式飞机；喷嘴。12、 jewel n、宝石；宝石饰物。13、 jewish a、犹太人的。14、 job n、职业；工作；零活。15、 join vt、参加；连接。16、 joint n、接头，接缝；关节。17、 joke n、笑话 vi、说笑话。18、 jolly a、快活的；令人高兴的。19、 journal n、日报，杂志；日志。20、 journalist n、记者，新闻工作者。
J字母开头的英文单词？
J字母开头的英文单词有很多，举例如下：1、 jail n、监狱 vi、监禁。2、 jam n、果酱。3、 jam vt、使塞满；使堵塞。4、 January n、一月。5、 Japan n、日本，日本国。6、 Japanese a、日本的 n、日本人。7、 jar n、罐子，坛子，广口瓶。8、 jaw n、颌。9、 jazz n、爵士音乐，爵士舞曲。10、 jealous a、妒忌的；猜疑的。11、 jet n、喷气式飞机；喷嘴。12、 jewel n、宝石；宝石饰物。13、 jewish a、犹太人的。14、 job n、职业；工作；零活。15、 join vt、参加；连接。16、 joint n、接头，接缝；关节。17、 joke n、笑话 vi、说笑话。18、 jolly a、快活的；令人高兴的。19、 journal n、日报，杂志；日志。20、 journalist n、记者，新闻工作者。
中文名字怎么换成英文名字的？
如果把名字翻译成英文，按照我国的规定，就是中文名字的汉语拼音，而且顺序不变，姓在前，名在后。如姚明的英文名字就是Yao Ming。
如果另取一个英文名字，可以有音译取法和意译取法。音译就是取一个和中文名字发音接近的英文名字。如果你交张碧德，英文名字就可以叫 Peter Zhang。意译就是把你喜欢的一些事物的英文词取为名字。如你喜欢阳光，英文名字就可以叫Sunny。一般以音译取法为多。
沃尔特·C·得尼斯的形象
英国皇家国教骑士团Hellsing的原王牌，最强的人类死神沃尔特，因特古拉家的管家。为了和阿卡多决斗，不惜赌上自己的人生，强行将自己变年轻。其实对于因特古拉忠心耿耿。讨厌没有骨气的繁荣，认为衰老是一种乐趣。平时穿着为白色的衬衣，蓝色夹克外加一条领带和白手手套，面容衰老，带着一副眼镜，后面的头发扎起。恢复年轻之后换为一套与死神相配的黑色衣服，手上带有金属手链。
支持向量机的基本原理
支持向量机的主要思想是：建立一个最优决策超平面，使得该平面两侧距离该平面最近的两类样本之间的距离最大化，从而对分类问题提供良好的泛化能力。对于一个多维的样本集，系统随机产生一个超平面并不断移动，对样本进行分类，直到训练样本中属于不同类别的样本点正好位于该超平面的两侧，满足该条件的超平面可能有很多个，SVM正式在保证分类精度的同时，寻找到这样一个超平面，使得超平面两侧的空白区域最大化。支持向量机中的支持向量是指训练样本集中的某些训练点，这些点最靠近分类决策面，是最难分类的数据点。SVM中最优分类标准就是这些点距离分类超平面的距离达到最大值；“机”是机器学习领域对一些算法的统称，常把算法看做一个机器，或者学习函数。SVM是一种有监督的学习方法，主要针对小样本数据进行学习、分类和预测，类似的根据样本进行学习的方法还有决策树归纳算法等。支持向量机的应用实例支持向量机是一种监督模式识别和机器学习方法，采用最大分类间隔准则实现有限训练样本情况下推广能力的优化。通过核函数间接实现非线性分类或函数回归，支持向量机通常简写作SVM。支持向量机使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。支持向量机可以通过核方法进行非线性分类，是常见的核学习方法之一。支持向量机在人像识别、文本分类等模式识别问题中有得到应用。
支持向量机
本文主要参考了李航的《统计学习方法》。是本人学习支持向量机的学习笔记。 首先对支持向量机做简单介绍，然后分别介绍以下三个模型： （1）线性可分支持向量机： 又称为硬间隔支持向量机，通过硬间隔最大化来学习一个线性分类器。适合 数据线性可分 情况； （2）线性支持向量机： 又称为软间隔支持向量机，通过软间隔最大化来学习一个线性分类器。适合 数据近似线性可分 情况； （3）非线性支持向量机： 通过核技巧和软间隔最大化来学一个非线性分类器。适合 数据非线性可分 情况 本文将对三个模型的介绍，从原始问题导出对偶问题。得到对偶问题以后，通过SMO算法对模型参数进行求解。最后，如果有机会再介绍以下支持向量机模型参数是如何利用SMO算法学习和训练的。 两堆数据怎么样才是线性可分就不再赘述，否则请出门左拐百度“线性可分”。支持向量机学习的目的是找到一个将两类数据分离的超平面，这个超平面可以描述为： 但实际上，我们通过给定的线性可分数据集能够拟合出来的模型为： 其中带了星号的 和 是超平面模型的参数，表示是从数据集中学习得到的经验值或者说是估计值。与理论上的模型差别就在于这两个参数。如果数据足够多，那么经验值与理论值就近似相等了。 为什么要引入间隔呢？为什么还有除了函数间隔之外还有个几何间隔？ 什么是间隔，间隔就是样本点与分离超平面之间的距离。支持向量机学习的目标就是将间隔最大化。 支持向量机在学习过程中最终目的是找到一个能将数据分离的超平面。但将数据分离完成后还不够完美，还需要使得这个分离超平面具有足够的正确性和确信度。 假设我们得到了一个超平面 ，如果有一个点 ，则我们可以采用 来表示分类的正确性和确信度。 的正负取值描述正确性； 的取值描述确信度。 我们用变量 来表示第i个样本与超平面之间的函数间隔描述式： 在定义和寻找超平面的时候就是在训练集 中寻找最小的函数间隔，即: 先不废话，直接给出几何间隔的描述式，然后再解释要引入几何间隔。免得看一堆字看的懵逼。 可以看到函数间隔和集合间隔相比，参数 和 的分母上多了个 ，为什么要这样做呢？因为我们需要对参数 和 进行约束。如果不进行约束，求出来的超平面 与不加约束是相同的（毕竟 和 前面的系数可以约掉），但 和 的实际可能会大个好几倍，会导致超平面的确信度 变得十分不可靠。因此，我们对函数间隔加以约束，引入几何间隔的概念。 在定义和寻找超平面的时候就是在训练集 中寻找最小的几何间隔，即: 函数间隔和几何间隔的关系： 支持向量机学习的目的是找到一个几何间隔最大的、能正确划分数据集 的分离超平面。有目标，有约束，那么就可以表示为一个有约束的最优化问题,用几何间隔描述： 用函数间隔描述： 为了方便转换为最优化问题，我们将约束项 保留的同时，对 积分得到 ，使得最大化 问题等价转换为最小化 ；令 ; 利用两个数学技巧得到最终的最优化问题： 线性可分支持向量机最优化问题 我们求出最优解 后，可以得到分离超平面： 对新样本进行决策分类函数为： 决策分类函数的意思就是将新样本的特征值 带入式子 中，根据得出正负取值来进行分类。 其中， 函数： 原始问题：线性可分支持向量机最优化问题 为了导出它的对偶问题，我们构造一个拉格朗日函数： 根据拉格朗日对偶性，原始问题的对偶问题是极大极小问题 先求极小化问题，再求极大化问题。 (1)求极小化问题 ： 将 对 和 求偏导并令其等于0 将上面两个式子得出的结果代回到 ： 于是就求得： (2)求极大化问题 ： 我们把上一步的结果带入第二步中，再加上约束条件可以得到： 再把负号去掉，使得最大化问题等价转化为最小化问题 这样就得到了对偶问题的最优化问题，然后采用如SMO这种参数估计方法来对参数进行求解。 原始问题的解 假设我们求出了对偶最优化问题的解 ，则存在一个下标j使得 ，我们就可以根据关系推导出原始最优化问题的解 ( 这是一个定理，证明请参考李航的《统计学习方法》 ): 正如本文开篇所说的，线性支持向量机用来解决近似线性可分的数据分类问题。我们在线性可分支持向量机的基础对数据集 中的每一个样本都引入一个松弛变量 ，并对目标函数引入一个惩罚项，改变原来的目标函数和约束条件，使得线性支持向量机的 原始问题 为： 根据原始问题构造拉格朗日函数： 根据拉格朗日对偶性，原始问题的对偶问题是极大极小问题 (1)求极小化问题 将 对 求偏导并令其等于0: 将上面的结果代回拉格朗日函数得到： (2)求极大化问题 通过上一步我们求解得到了极小化问题的表达式，接下来我们求解极大化问题： 实际上，通过约束条件中的非零关系，可以进一步将约束条件简化为 .我们可以得到最终的 线性支持向量机的对偶最优化问题： 原始问题的解 原始问题的解与前面的线性可分支持向量机一样，假设我们求出了对偶最优化问题的解 ，则存在一个下标j使得 ，我们就可以根据关系推导出原始最优化问题的解 ( 这也是一个定理，证明请参考李航的《统计学习方法》 ): 对新样本进行决策分类函数的对偶形式为： 决策分类函数的意思就是将新样本的特征值 带入式子 中，根据得出正负取值来进行分类。 其中， 函数： 非线性支持向量机中用一个核函数来替代输入实例向量之间的内积，从而实现了把线性不可分的低维数据映射成线性可分的高维数据，然后再用超平面对高维空间内的数据进行分类。 其实，可以看到上面的最优化问题和分类决策函数中只涉及到了输入实例# 的内积，因此我们可以通过核函数代替输入实例之间的内积。从而达到用核函数把数据映射到高维空间的目的。 我们用核函数 来代替实例之间的内积 后可以写出 非线性支持向量机的对偶最优化问题 和 分类决策函数： 最优化问题： 分类决策函数： 当核函数 是正定核函数时，最优化问题是凸二次规划问题，解存在。 为了搞清楚这个问题，首先要想想提出核函数的动机什么？提出核函数的目的是为了把低维数据映射成高维数据啊，然后好用一个分类超平面对这些数据分类。但是映射完成后的高维空间是什么样的我们并不清楚，好像目前只能保证哪些函数可以作为核函数使用，而不能为每种输入数据分布巧妙地设计出一个个核函数。而实际应用中也是在尝试使用各种各样的核函数，如高斯核函数、多项式核函数、线性核函数、sigmoid核函数、拉普拉斯核函数、字符串核函数等。 既然不能对每次的输入数据设计出合适的核函数，我们总能讨论一下什么样的函数才有资格成为核函数，因此我们退而求其次，有空去了解一下为什么核函数 必须要是正定核函数？虽然在实际应用中我们直接就采用几种常见的核函数进行尝试。 参考： https://blog.csdn.net/jiangjieqazwsx/article/details/51418681
