GM-1927-17---GP5---Severity-IpB-train解析只是分享
贝叶斯优化的bpnn模型python代码-概述说明以及解释
贝叶斯优化的bpnn模型python代码-概述说明以及解释1.引言1.1 概述在这个部分，你可以描述贝叶斯优化和BP神经网络模型的基本概念和背景。
可以简要介绍贝叶斯优化是一种基于概率和贝叶斯理论的优化方法，用于在给定的限制条件下寻找最优解。
同时也可以介绍BP神经网络是一种常用的人工神经网络模型，用于解决分类和回归等问题。
你可以讨论贝叶斯优化和BP神经网络在不同领域的应用，以及它们之间结合起来的潜在优势。
可以指出这种结合可以帮助优化神经网络的超参数，提高训练效率和准确性。
最后，可以强调本文旨在探讨如何使用贝叶斯优化优化BP神经网络的参数，以提高其性能和应用范围。
1.2文章结构1.2 文章结构本文主要分为引言、正文和结论三部分。
具体结构安排如下：引言部分将会首先概述贝叶斯优化和BP神经网络，并介绍本文的研究目的。
正文部分主要分为三个小节。
首先是贝叶斯优化简介，介绍这一优化方法的原理和应用场景；接着是BP神经网络模型概述，解释BP神经网络的基本原理和结构；最后是结合贝叶斯优化和BP神经网络的优势，探讨将两者结合应用的好处和可行性。
结论部分将总结贝叶斯优化在BP神经网络中的应用情况，展望未来研究方向，并对整个文章进行总结概括。
1.3 目的:本文旨在探讨贝叶斯优化在BP神经网络中的应用，并分析结合两者的优势。
通过对贝叶斯优化和BP神经网络的简介，以及它们各自的优势进行论述，旨在为读者提供一个全面的了解和认识。
同时，本文也将总结贝叶斯优化在BP神经网络中的实际应用和未来研究方向，为相关领域的研究者和从业者提供参考和启发。
通过本文的阐述，希望能够为贝叶斯优化和BP神经网络的进一步研究和应用提供一定的指导和帮助。
2.正文2.1 贝叶斯优化简介:贝叶斯优化是一种通过在可能的目标函数空间中建立高斯过程来优化目标函数的方法。
其主要思想是在探索和利用之间进行权衡，通过不断地试验目标函数来找到最优解。
贝叶斯优化通常用于处理黑箱函数，即目标函数的具体形式未知，只能通过输入输出的对应关系进行观测。
先进的PID控制
北京化工大学本科毕业论文题目：基于遗传算法整定的PID控制院系：专业：电气工程及其自动化班级：________ ____ _ _ _____ 学生姓名：____________ ________ _____ 执导老师：___________ ______________ ______论文提交日期：年月日论文答辩日期：年月日摘要PID控制器是在工业过程控制中常见的一种控制器，因此，PID参数整定与优化一直是自动控制领域研究的重要问题。
遗传算法是一种具有极高鲁棒性的全局优化方法，在自控领域得到广泛的应用。
针对传统PID 参数整定的困难性，本文提出了把遗传算法运用于PID参数整定中。
本文首先对PID控制的原理和PID参数整定的方法做了简要的介绍。
其次介绍了遗传算法的原理、特点和应用。
再次，本文结合实例阐述了基于遗传算法的PID参数优化方法，采用误差绝对值时间积分性能指标作为参数选择的最小目标函数,利用遗传算法的全局搜索能力,使得在无须先验知识的情况下实现对全局最优解的寻优,以降低PID参数整定的难度,达到总体上提高系统的控制精度和鲁棒性的目的。
最后，本文针对遗传算法收敛速度慢、易早熟等缺点，将传统的赌盘选择法与最优保存策略结合起来，并采用改进的自适应交叉算子和自适应变异算子对PID参数进行迭代寻优整定。
采用MATLAB对上述算法进行仿真验证，仿真结果表明了遗传算法对PID参数整定的有效性。
关键词：PID；参数控制；遗传算法；MATLABAbstractPID controller is a kind of controller that is usual in industrial process control. Therefore, tuning and optimization of PID parameters are important researchable problems in the automatic control field, where Genetic algorithm is widely used because of the highly robust global optimization ability of it. Aiming at the difficulty of traditional tuning of PID parameter, this paper puts forward a method that genetic algorithm is applied to the tuning of PID parameters.Firstly, the principle of PID control and the methods of tuning of PID parameters are introduced briefly. Secondly, this paper introduces the principle, characteristics and application of genetic algorithm. Thirdly, this article expounds on the methods of tuning of PID parameters based on genetic algorithm with an example. In this paper, the performance index of time integral of absolute error serves as the minimum objective function in the tuning of PID parameters, and the global search ability of genetic algorithm is used, so the global optimal solution is obtained without prior knowledge, and the difficulty of tuning of PID parameter is reduced, so the goal is achieved which is improving the control accuracy and robustness of the system overall. Finally, aiming at the weakness of genetic algorithm, such as the slow convergence of prematurity and precocious, the traditional gambling site selection method and elitist model are united in this paper, and the paper alsoadopted adaptive crossover operator and adaptive mutation operator to optimize PID parameters iteratively.Use MATLAB to simulate these algorithms, and the simulation results show that PID controller tuning based on genetic algorithm is effective.Keywords: Genetic algorithm; PID control; optimum; MATLAB目录第一章引言 (1)1.1 课题研究的背景及意义 (1)1.2 PID控制的发展与现状 (1)1.3 本文研究的内容 (2)第二章PID控制 (4)2.1 PID控制原理 (4)2.2 常规PID参数整定方法 (6)2.2.1 Ziegler-Nichols整定方法 (6)2.2.2 改进的Ziegler-Nichols整定方法 (8)2.2.3 ISTE最优设定方法的经验公式 (9)2.2.4 Haalman法的计算公式 (10)2.2.5 KT整定法 (11)第三章基于遗传算法整定的PID控制 (13)3.1 遗传算法基本原理 (13)3.1.1 遗传算法概要 (13)3.1.2 遗传算法的应用步骤 (14)3.2 遗传算法的实现 (15)3.2.1 编码方法 (15)3.2.2 适应度函数 (16)3.2.3 选择算子 (17)3.2.4 交叉算子 (17)3.2.5 变异算子 (18)3.2.6 遗传算法控制参数选取 (19)3.3 遗传算法的仿真验证 (20)3.2.6遗传算法中关键参数的确定 (23)3.3 遗传算法的主要步骤 (23)3.3.1 准备工作 (23)3.3.2 基本遗传算法的步骤 (24)3.4遗传算法PID参数整定的编程实现 (24)3.4.1初始群体 (24)3.4.2 编码 (25)3.4.3 基本操作算子 (26)3.4.4 目标函数 (29)3.4.5 画图 (29)第四章PID整定方法的仿真应用 (31)4.1 一阶对象 (31)4.2 二阶对象 (32)4.3 三阶对象 (34)第五章结论 (37)参考文献 (38)致谢 (40)第一章引言1.1 课题研究的背景及意义PID(p一proportion，I一Integral，D一Differentia)控制是比例、积分、微分控制的简称PID[l]。
马尔可夫链
P (x n 1 k | x 0 i )P (x n j | x n 1 k ) rij (n 1)Pkj
k 1 k 1 m
m
n 步转移概率矩阵： rij (n ) 看成一个二维矩阵第 i 行第 j 列的元素。 讨论 n 时： 例 1 中，每一个 rij (n ) 都收敛于一个极限值，不依赖于初始状态 i。
Wj Wk pkj
k 1 m
1 Wk
k 1
m
3、另外有
Wj 0 ，对于所有的非常返状态 j Wj 0 ，对于所有的常返状态 j
1 Wm ] [0 0 1] ，可用 MATLAB 解决。 pm1 pmm 1 1
P(x 0 i0 , x1 i1, , x n in ) P(x 0 i0 )Pi i Pi i Pi
01 12 n 1 n
i
图形上，一个状态序列能表示为在转移概率图中的一个转移弧线序列。在给定初始状态下， 该路径的概率等于每个弧线上转移概率的乘积。 n 步转移概率 定义： rij (n ) P (x n i | x 0 i ) 计算在当前状态条件下，未来某个时期状态的概率分布。 当前状态 i，n 个时间段后的状态将是 j 的计算公式：C-K 方程
1 0 0 0 0.3 0.4 0.3 0 0 0.3 0.4 0.3 0 0 1 0
转移概率图
例 3：一个教授抽取测试卷子。卷子的难度分成 3 种：困难、中等和容易。如果本次抽到的 困难的卷子，则下次分别有 0.5 的概率抽中中等和容易的卷子。如果本次抽到的是中等的卷 子，则下次仍旧 0.5 的概率为中等难度，另外有 0.25 的概率抽中困难或容易的卷子。如果本 次抽到的是容易的卷子， 则下次仍旧 0.5 的概率为容易难度， 另外有 0.25 的概率抽中困难或 中等的卷子。 转移概率矩阵
隐马尔可夫链解码问题使用的经典算法
隐马尔可夫链解码问题使用的经典算法1. 引言隐马尔可夫模型（Hidden Markov Model, HMM）是一种用于描述时序数据的统计模型，广泛应用于语音识别、自然语言处理、生物信息学等领域。
在HMM中，我们经常面临的一个重要问题是解码问题，即根据观测序列推断隐藏状态序列的问题。
为了解决这一问题，经典算法中有几种常用的方法，本文将对其中的经典算法进行深入探讨。
2. 维特比算法（Viterbi Algorithm）维特比算法是解决HMM解码问题的经典算法之一。
它基于动态规划的思想，通过递归地计算最优路径来推断隐藏状态序列。
在该算法中，我们需要利用马尔可夫假设和观测状态的概率分布，使用动态规划的方法找到最有可能的隐藏状态序列。
维特比算法的时间复杂度为O(N^2T)，其中N为隐藏状态的个数，T为观测序列的长度。
3. 前向后向算法（Forward-Backward Algorithm）前向后向算法是另一种常用的HMM解码算法。
该算法利用前向概率和后向概率来计算在每个时刻t处于状态i的概率，从而得到最优的隐藏状态序列。
与维特比算法相比，前向后向算法更侧重于计算整条观测序列的似然度，而不是单个最优路径。
该算法的时间复杂度为O(NT^2)，其中N为隐藏状态的个数，T为观测序列的长度。
4. Baum-Welch算法除了维特比算法和前向后向算法，Baum-Welch算法也是解决HMM解码问题的一种重要算法。
该算法是一种无监督学习算法，用于估计HMM的参数，包括隐藏状态转移概率和观测状态概率。
通过不断迭代E步和M步，Baum-Welch算法可以得到最优的HMM参数估计。
这些参数可以用于后续的解码问题，从而得到最优的隐藏状态序列。
5. 总结与展望在本文中，我们对解决HMM解码问题的经典算法进行了深入探讨。
维特比算法、前向后向算法和Baum-Welch算法都是解决HMM解码问题的重要工具，它们在不同应用领域都有着广泛的应用。
ddpg模型结构
ddpg模型结构摘要：1.简介2.DDPG 模型的基本结构3.DDPG 模型的优势4.DDPG 模型的应用领域5.总结正文：1.简介DDPG（Deep Deterministic Policy Gradient）模型是一种深度确定性策略梯度算法，它是一种强化学习方法。
DDPG 模型在许多领域都取得了显著的成果，尤其是在连续动作空间的控制问题上。
该模型的核心思想是使用神经网络来近似最优策略，以解决马尔科夫决策过程（MDP）问题。
2.DDPG 模型的基本结构DDPG 模型主要由两部分组成：actor（策略）神经网络和critic（价值）神经网络。
（1）Actor 神经网络：负责生成动作。
它是一个单层神经网络，输入是当前状态的表示，输出是动作的向量。
（2）Critic 神经网络：负责评估状态的价值。
它是一个双层神经网络，第一层是状态的表示，第二层是价值的估计。
3.DDPG 模型的优势DDPG 模型具有以下优势：（1）适用于连续动作空间：DDPG 模型使用actor-critic 架构，actor 网络输出连续动作空间，可以处理连续动作的问题。
（2）能够处理非线性问题：DDPG 模型使用深度神经网络来近似策略和价值函数，可以处理非线性问题。
（3）适应性强：DDPG 模型能够适应不同的任务和环境，只需要对网络进行适当的调整。
4.DDPG 模型的应用领域DDPG 模型在许多领域都有广泛的应用，如机器人控制、自动驾驶、游戏AI 等。
这些领域都面临着连续动作空间和非线性问题的挑战，而DDPG 模型正好可以解决这些问题。
5.总结DDPG 模型是一种强大的强化学习方法，它具有适用于连续动作空间、处理非线性问题和适应性强等优点。
python gradientboostingregressor参数
python gradientboostingregressor参数GradientBoostingRegressor是sklearn库中的一个回归模型，它的参数解释如下：1. learning_rate：学习率，默认为0.1，表示每一步的步长，权重缩减系数。
2. n_estimators：基学习器的数量，默认为100，即弱学习器的数量，即提升集成中基学习器的数量。
3. loss：代价函数，默认为ls，指定负梯度的损失函数。
ls表示最小二乘回归，lad表示绝对损失回归，huber表示平滑的平均绝对误差，quantile表示分位数回归。
4. criterion：分裂节点时的评价准则，默认为friedman_mse，表示划分质量的评价准则。
5. max_depth：树的最大深度，默认为3，调整深度可以有效调节模型的拟合程度。
6. min_samples_split：节点分裂所需的最小样本数，默认为2，满足该条件的节点才会被分裂。
7. min_samples_leaf：叶节点所需的最小样本数，默认为1，如果叶节点数过多，可以考虑增大该参数。
8. max_features：分裂节点时考虑的最大特征数，默认为None，表示考虑所有特征；可以为sqrt，表示考虑特征数的平方根，log2，表示考虑特征数的对数等。
9. subsample：每棵树随机采样的比例，默认为1，即全部采样。
如果小于1，则可以减小模型的方差。
10. random_state：随机种子，默认为None，表示使用相同的随机数种子，可以获得相同的结果。
11. alpha：L2正则化参数，默认为0，惩罚项的系数，越大，模型越简单，防止过拟合。
12. validation_fraction：用于早期停止训练的验证集占比，默认为0.1，如果代价函数在一定的迭代次数内不再减小，则停止训练。
13. n_iter_no_change：用于早期停止训练的连续迭代次数，默认为None，即不使用该方法。
3.隐马尔可夫链的解法以及变分推断的概念
隐马尔可夫链(Hidden Markov Model, HMM)是一种统计模型，被广泛应用于语音识别、自然语言处理、生物信息学等领域。
在实际应用中，通过解码隐马尔可夫链，可以获得隐藏状态序列，从而推断观测序列的概率分布。
但由于隐马尔可夫链模型的复杂性，传统解法在计算上存在一定的困难。
1. 隐马尔可夫链的常规解法在传统的解法中，针对隐马尔可夫链的解法通常采用经典的Baum-Welch算法和Viterbi算法。
Baum-Welch算法主要用于参数估计，通过迭代的方法对模型的参数进行优化，以使模型能够更好地拟合观测数据。
而Viterbi算法则用于解码，通过动态规划的思想，寻找最可能的隐藏状态序列。
这两种算法在一定程度上能够解决隐马尔可夫链的推断问题，但在实际应用中存在着一些限制。
2. 变分推断的概念变分推断(Variational Inference)是一种近似推断方法，用于解决复杂概率模型中的推断问题。
与传统的精确推断方法相比，变分推断允许以一种近似的方式来推断潜在变量的后验分布。
通过引入一个可调的变分分布，将原始模型的推断问题转化为最小化两个分布之间的差异。
变分推断在处理隐马尔可夫链等复杂模型时具有一定的优势。
3. 变分推断在隐马尔可夫链中的应用近年来，越来越多的研究者开始将变分推断引入到隐马尔可夫链的推断问题中。
通过构建一个合适的变分分布，能够有效地近似隐马尔可夫链的后验分布，从而实现对隐藏状态序列的推断。
在实际应用中，变分推断能够更好地应对隐马尔可夫链模型的复杂性，提高推断的准确性和效率。
4. 变分推断的优势相对于传统的解法，变分推断在处理隐马尔可夫链的推断问题时具有以下优势：- 算法更加灵活和高效。
变分推断允许引入合适的变分分布，从而能够更好地适应不同的模型结构和参数设置，提高了模型的灵活性和推断的效率。
- 结果更加准确和稳定。
通过最小化变分推断分布和真实后验分布之间的差异，能够得到更加准确和稳定的推断结果，提高模型的推断能力。
计算机组成原理(十二条指令)
计算机学院计算机科学与技术专业《计算机组成原理课程设计》报告（2008/2009学年第一学期）学生姓名：闫全胜学生班级：计算机062202H学生学号： 200620030227指导教师：康葆荣2009年1月3日目录1 关于此次课程设计 (2)1.1 设计的目的： (2)1.2 设计内容及要求： (2)2 分析阶段 (3)2.1指令译码电路分析 (3)2.2 寄存器译码电路分析 (4)2.3 微指令格式分析 (5)2.4 时序分析 (6)3 初步设计阶段 (7)3.1 数据格式 (7)3.2指令描述 (7)3.3 存储器分区 (9)3.4 控制台微程序流程： (10)3.5 运行微程序 (11)4 详细设计阶段 (12)4.1控制台流程分解 (12)4.2 运行微程序子流程 (15)4.3 微程序总流程图 (24)5 实现阶段 (25)5.1 所用模型机数据通路的介绍 (25)5.2 微程序代码设计与编写 (26)微程序二进制代码表 (26)5.3 机器指令的输入及运行 (28)心得体会 (30)参考资料 (31)1 关于此次课程设计1.1 设计的目的：本课程设计是计算机科学与技术专业重要的实践性教学环节之一，是在学生学习完《计算机组成原理》课程后进行的一次全面的综合设计。
目的是通过一个完整的8位指令系统结构（ISA）的设计和实现，加深对计算机组成原理课程内容的理解，建立起整机系统的概念，掌握计算机设计的基本方法，培养学生科学的工作作风和分析、解决实际问题的工作能力。
1.2 设计内容及要求：基于TDN-CM++计算机组成原理实验教学系统，设计和实现一个8位指令系统结构（ISA），通过调试和运行，使设计的计算机系统能够完成指定的功能。
设计过程中要求考虑到以下各方面的问题：1、指令系统风格（寄存器-寄存器，寄存器-存储器，存储器-存储器）；2、数据类型（无符号数，有符号数，整型，浮点型）；3、存储器划分（指令，数据）；4、寻址方式（立即数寻址，寄存器寻址，直接寻址等）；5、指令格式（单字节，双字节，多字节）；6、指令功能类别（算术／逻辑运算，存储器访问，寄存器操作，程序流控制，输入／输出）；7、依据CPI值对指令系统进行性能分析。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
– 供应商目标=500*50%+1000*25%+15000*25%=3875
质量等级对Bidlist的影响
新bidlist计算方式和老bidlist计算方式的区别
S-Ipb模拟实例
• 当前计算方式：
– 少量的不良品数比上交付数（PPM低于CT目标时不扣分） – 登陆的PRR数不用来计算 – 1个项目管理PRR扣分5分 bidlist分数为95分 bidlist仍为绿色 （Bidlist大于等于80分为绿色小于80分为红色）
多重等级D的不符 合，总共 返工时间 少于20分 钟 或者 贴错标签 （不需要 返工或关 线）
等级BCDE重复发 生
G1没有被等级D和 等级E包 括的非致 命不符合
G2致命不符合
等级G1重复发生
等级G2重复发生
没有影响到装配/ 动力系统 /部件工 厂 缺陷没有 进入生产 过程 缺陷不会 被排到生 产线
增强型供应商测量严重程度—Ipb (incident per billion)
• 目的： – 当处理由于供应商制造不良时应用来自PSA最新的方 法 • 更好的按照对GM和最终客户真实的影响对bidlist进 行排序 – PRR反应在测量和动力系统的影响 – 动态的PRR数目代替静态的PPM数目 • 减少PRR的数目（600+ 到 36） • 简化进入GQTS方式
– 不同的bidlist输入都来自直接的材料/CCA/或者售后
增强型供应商测量严重程度—Ipb (incident per billion)
• 事件/PRR
供应商引起的一个动力系统或者装配问题
基于对车辆和动力系统的影响，这个事件将被 分为8个不同等级编辑到PRR中
增强型供应商测量严重程度—Ipb (incident per billion)
增强型供应商测量严重程度—Ipb (incident per billion)
• 改进
– Bidlist 将被事件创建数量影响而不是仅仅被PPM影响 – PRR将反映以下三个方面的影响严重程度
• 产品 • GM装配工厂 • 最终客户
– 所有PRR 将包含一个基于发布严重程度的加权因子去决定对 bidlist的影响
S-Ipb模拟实例
• 如果供应商重复收到供应商关系PRR将有什么影响？
– 重复的供应商关系影响=供应商关系影响*2
例子：VTYC被开了2个项目管理PRR 其中一个PRR被开了2次 Bidlist 扣分=5分+（5*2）分=15分
供应商质量过程和测量程序（GP5）
工厂中断 （根据条 大批量影响 款和定义）
12.5
20
13.5
21
15
22
20
25
25
30
30
35
Ipb和PPM计算公式对比
PPM
Ipb
线上积累，供应商开启或者供应商警报 的PRR不被计算到IpB中
严重度Ipb计算示例——单独PRR
严重度Ipb计算示例——多个PRR
严重度Ipb计算——CT目标
• CT目标=CT S-Ipb业绩指标的平均值(去除最好和最坏的)
严重度Ipb计算——CT目标
• 每个月自动建立基于6个月的交付情况CT目标 • 例子：
– 供应商在6个月内在三个CT组的交付数据
• CT1 100000(50%) • CT2 50000(25%) • CT3 50000(25%)
– 每个CT目标值
GM1927-17供应商质量过程和测量程序（GP5）
• PRR 供应商的要求 – 每当怀疑有不合格品或者不合格品已经被发运的时候 必须通知所有受影响的客户工厂 – 当客户工厂探测到不良品后，供应商仍然需要通知其 他所有受影响到的客户工厂。这些工厂 将会将此问题 上传到GQTS里。作为一个供应商应该在在客户工厂还 没有被影响的时候开启PRR，否则他们将提升一个对 bidlist的影响质量PRR – 如果供应商没有警告其他受影响的客户工厂 这些工厂 或许会同时发布一个质量PRR和一个客户满意度PRR 这些都将影响bid list
严重度矩阵——权重基本原理
这个表将被运用到Ipb的运算中
等级A 等级B 等级C
等级D
等级E 等级F 等级G 等级H
等级定义
线上积累
供应商发现 客户 没有发现
客户警报 PSA/GM 要求供方 提供支持
一个单独的不符 合/没有 鉴定失效 /没有停 线部件还 ห้องสมุดไป่ตู้有被安 装或者安 装了还没 有超过10 分钟
• 新系统计算方式：
– 供应商经常影响GM工厂：在过去6个月中被开了7个RPR（包括2个开启的） – 很高的S-Ipb分数比上CT目标值 扣分30分 – 1个项目管理PRR 扣分5分 bidlist分数为65分 bidlist为红色 （Bidlist大于等于80分为绿色小于80分为红色）
S-Ipb模拟实例
0
0
零件分选和重工 （缺陷产 品没有被 安装到车 上或者动 力系统上）
车辆/动力系统/ 部件暂停 可能在生 产线返工
0 0
0
0
0
0
0.25
1
0.5
2
1
3
2
4
3
5
4
6
影响计划达成 ≤40辆车 /动力系 统生产每 天 造成次要 线别或工 作站停线
3
4 5 7 10 12
停线
3
5 6 7.5 15 20 22
• 当前计算方式：
– PPM为301而CT目标为30（PPM超过3次大于CT目标值扣分25分） – 数据基于过去12个月 – 1个客户满意度PRR;扣分0分 Bidlist为75分 Bidlist为红色 （Bidlist大于等于80分为绿色小于80分为红色）
• 新系统计算方式：
– 过去6个月质量PRR为0个 – S-Ipb分数为0 所以bidlist扣分为0 – 一个客户满意度PRR 扣分为1 Bidlist扣分1分 Bidlist为绿色 （Bidlist大于等于80分为绿色小于80分为红色）
GM-1927-17---GP5--Severity-IpB-train解析
GM1927-17供应商质量过程和测量程序（GP5）
• PRR 零件处理 – 在初步接触后24小时内要有初步相应 – 如果供应商在2个工作日内响应，零件将被报废并扣除 供应商相应费用。
• 供应商相应（GQTS） – 初步响应或者围堵措施在1天内完成 – 最终相应时间为15天