口袋妖怪心金魂银怎么传怪兽？

按[SELECT]生效
52246054 28038800
1224714A 00004801
0224714C E0021C39
12246FAC 000020XX
02247150 00000YYY
D2000000 00000000
其中YYY是宠物编码，XX是等级。
001——妙娃种子
002——妙娃草
003——妙娃花
004——小火龙
005——火恐龙
006——喷火龙
007——杰尼龟
008——卡咪龟
009——水箭龟
00A——绿毛虫
00B——铁甲蛹
00C——巴大蝴
00D——独角虫
00E——铁壳蛹
00F——大针蜂
010——波波
011——比比鸟
012——比雕
013——小拉达
014——拉达
015——鬼雀
016——大嘴雀
017——阿柏蛇
018——阿柏怪
019——皮卡丘
01A——雷丘
01B——穿山鼠
01C——穿山王
01D——尼多兰♀
01E——尼多丽娜
01F——尼多后
020——尼多郎♂
021——尼多力诺
022——尼多王
023——皮皮
024——皮可斯
025——六尾
026——九尾
027——胖丁
028——胖可丁
029——超音蝠
02A——大嘴蝠
02B——走路草
02C——臭臭花
02D——霸王花
02E——蘑菇虫
02F——巨菇虫
030——毛球
031——末入蛾
032——地鼠
033——三地鼠
034——喵喵
035——猫老大
036——可达鸭
037——哥达鸭
038——猴怪
039——火爆猴
03A——卡蒂狗
03B——风速狗
03C——蚊香蝌蚪
03D——蚊香蛙
03E——大力蛙
03F——凯西
040——勇吉拉
041——胡地
042——腕力
043——豪力
044——怪力
045——喇叭花
046——口呆花
047——大食花
048——玛瑙水母
049——毒刺水母
04A——小拳石
04B——隆隆石
04C——隆隆岩
04D——小火马
04E——烈焰马
04F——呆呆兽
050——呆河马
051——小磁怪
052——三磁怪
053——大葱鸭
054——嘟嘟
055——嘟嘟利
056——小海狮
057——白海狮
058——臭泥
059——臭臭泥
05A——大舌贝
05B——铁甲贝
05C——鬼斯
05D——鬼斯通
05E——耿鬼
05F——大岩蛇
060——食梦兽
061——催眠兽
062——大钳蟹
063——巨钳蟹
064——雷电球
065——雷霆球
066——蛋蛋
067——椰蛋树
068——卡拉卡拉
069——嘎拉嘎拉
06A——沙瓦郎
06B——艾比郎
06C——大舌头
06D——瓦斯d
06E——双d瓦斯
06F——铁甲犀牛
070——铁甲暴龙
071——吉利蛋
072——蔓藤怪
073——袋龙
074——墨海马
075——海刺龙
076——角金鱼
077——金鱼王
078——海星
079——宝石海星
07A——魔偶
07B——飞天螳螂
07C——迷唇姐
07D——电击兽
07E——鸭嘴火龙
07F——钳刀甲虫
080——肯泰罗
081——鲤鱼王
082——暴鲤龙
083——乘龙
084——百变怪
085——伊布
086——水伊布
087——雷伊布
088——火伊布
089——3D龙
08A——菊石兽
08B——多刺菊石兽
08C——万年虫
08D——镰刀虫
08E——化石翼龙
08F——卡比兽
090——急冻鸟
091——闪电鸟
092——火焰鸟
093——迷你龙
094——哈克龙
095——快龙
096——超梦
097——梦幻
098——菊草叶
099——月桂叶
09A——大菊花
09B——火球鼠
09C——岩浆鼠
09D——暴焰兽
09E——小锯鳄
09F——蓝鳄
0A0——大力鳄
0A1——尾立
0A2——大尾立
0A3——咕咕
0A4——猫头夜鹰
0A5——金龟虫
0A6——昆虫战士
0A7——独角蛛
0A8——大角蛛
0A9——叉字蝠
0AA——电灯鱼
0AB——大电灯鱼
0AC——皮丘
0AD——小皮皮
0AE——小胖丁
0AF——刺头蛋
0B0——刺头鸟
0B1——天然雀
0B2——天然鸟
0B3——电绵羊
0B4——电气羊
0B5——电气龙
0B6——美丽花
0B7——水鼠
0B8——大水鼠
0B9——胡说树
0BA——大水蛙
0BB——毽子草
0BC——毽子花
0BD——毽子棉
0BE——强尾猴
0BF——向日种子
0C0——向日葵花
0C1——花羽蜓
0C2——乌波
0C3——沼王
0C4——光依布
0C5——暗依布
0C6——暗乌鸦
0C7——呆呆兽王
0C8——梦妖
0C9——未知图腾
0CA——果然翁
0CB——麒麟奇
0CC——松果兽
0CD——核果兽
0CE——土龙
0CF——蝎子蝠
0D0——大钢蛇
0D1——布鲁
0D2——布鲁皇
0D3——河豚
0D4——钢甲螳螂
0D5——壶壶龟
0D6——独角仙
0D7——狃拉
0D8——姬熊
0D9——圈圈熊
0DA——小蜗牛
0DB——熔岩蜗牛
0DC——小猪怪
0DD——长毛猪
0DE——太阳珊瑚
0DF——怪蛙鱼
0E0——章鱼
0E1——企鹅
0E2——飞鱼怪
0E3——钢鸟
0E4——暗犬
0E5——地狱犬
0E6——海马龙
0E7——短脚象
0E8——轮子象
0E9——3D龙2
0EA——惊角鹿
0EB——图图犬
0EC——巴尔郎
0ED——卡波郎
0EE——迷唇娃
0EF——小电击兽
0F0——小鸭嘴火龙
0F1——奶牛
0F2——幸福蛋
0F3——雷公
0F4——炎帝
0F5——水君
0F6——幼甲兽
0F7——蛹甲兽
0F8——巨大甲兽
0F9——路基亚
0FA——凤凰
0FB——雪拉比
0FC——木守宫
0FD——森林蜥蜴
0FE——针叶王
0FF——火雏鸡
100——力壮鸡
101——火焰鸡
102——水跃鱼
103——沼跃鱼
104——巨沼怪
105——皮皮犬
106——黑毛犬
107——针鼠
108——大飞鼠
109——红毛虫
10A——小白蛹
10B——黄蝶
10C——小粉蛹
10D——毒蛾
127——顶叶兽
128——顶叶童
110——乐天河童
111——橡实果
112——长鼻叶
113——铁扇天狗
114——麻燕
115——大麻燕
116——海鸥
117——大嘴鹈鹕
118——超能罗莉
119——朝能少女
11A——超能女皇
11B——水蛛蛛
11C——雨翅蛾
11D——蘑蘑菇
11E——蘑菇袋鼠
11F——树懒
120——过动猿
121——懒人王
122——钻地虫
123——风速蝉
124——鬼蝉
125——音波兔
126——噪音怪
127——噪音王
128——拳击兔
129——相扑熊
12A——露莉莉
12B——朝比鼻
12C——向尾猫
12D——优雅猫
12E——勾魂眼
12F——钢嘴娃
130——钢甲虫
131——钢甲犀牛
132——钢甲暴龙
133——冥思兽
134——愈加王
135——电气狗
136——雷电犬
137——正电兔
138——负电兔
139——荧光虫
13A——夜光虫
13B——双色玫瑰
13C——毒布丁
13D——毒布丁王
13E——利牙鱼
13F——鲨鱼王
140——皮皮鲸
141——巨鲸
142——喷火驼
143——双峰喷火驼
144——煤炭龟
145——d簧猪
146——飞天猪
147——圈圈兔
148——大头怪
149——沙蜻蜓龙
14A——蜻蜓龙
14B——仙人球
14C——恶魔仙人掌
14D——云雀
14E——大云雀
14F——斩猫
150——饭尾蛇
151——月亮石
152——太阳石
153——泥鳅
154——龙鳅
155——奇亚蟹
156——大利蟹
157——天平偶
158——三土偶
159——化石花
15A——化石巨花
15B——化石蝎
15C——化石巨蝎
15D——苯笨鱼
15E——美丽龙
15F——天气小子
160——变色龙
161——怨影娃娃
162——诅咒鬼
163——夜骷髅
164——夜巨人
165——香蕉飞龙
166——风玲玲
167——灾兽
168——小果然翁
169——雪童子
16A——冰鬼护
16B——海象球
16C——大海象
16D——海象王
16E——珍珠贝
16F——猎班鳗
170——樱花鳗
171——化石鱼
172——爱心鱼
173——宝贝龙
174——甲壳龙
175——血翼飞龙
176——铁哑铃
177——金属怪
178——钢螃蟹
179——岩神柱
17A——冰神柱
17B——钢神柱
17C——拉提亚斯
17D——拉提奥斯
17E——海皇牙
17F——古拉顿
180——天空龙
181——七愿星
182——迪傲西斯
183——嫩苗龟
184——丛林龟
185——巨树龟
186——小火猴
187——猛火猴
188——豪火猴
189——圆企鹅
18A——猫头企鹅
18B——钢帝企鹅
18C——胖胖翁
18D——卷毛翁
18E——椋鹰
18F——龅牙狸
190——大海狸
191——礼士蟋蟀
192——乐师虫
193——小电狮
194——光电狮
195——雷电狮
196——玫瑰苞
197——双色玫瑰
198——头盖龙
199——暴槌龙
19A——盾甲龙
19B——钢盾龙
19C——蓑叶虫
19D——蓑衣虫
19E——蓑叶蛾
19F——三合一蜂巢
1A0——女皇蜂
1A1——电栗鼠
1A2——叉尾浮鼬
1A3——浮鼬王
1A4——樱花种子
1A5——樱花兽
1A6——无壳海牛
1A7——海牛兽
1A8——双尾猴
1A9——小气球鬼
1AA——幽灵气球
1AB——卷毛兔
1AC——女郎兔
1AD——梦魔
1AE——绅士鸦
1AF——卷尾猫
1B0——卷尾猫
1B1——铃铛怪
1B2——毒臭鼬
1B3——臭鼬王
1B4——古铜镜
1B5——古钟图腾
1B6——胡说盆栽
1B7——模仿魔偶
1B8——粉兜蛋
1B9——音符鹦鹉
1BA ——鬼盆栽
1BB ——地龙宝宝
1BC ——镰刀龙
1BD—— 地龙
1BE——刚比兽
1BF——里奥鲁
1C0——路卡里奥
1C1——土河马
1C2——砂暴河马
1C3——毒尾蝎
1C4——毒龙蝎
1C5——蟾蜍斗士
1C6——毒斗蛙
1C7——捕蝇草
1C8——蝶尾鱼
1C9——蝴蝶鱼
1CA——小蝠鱼
1CB——冰雪树人
1CC——冰雪猿人
1CD——玛狃拉
1CE—— 飞碟磁怪
1CF—— 长舌怪
1D0——重甲暴龙
1D1——古蔓藤怪
1D2——狂电兽
1D3——鸭嘴暴龙
1D4—— 光翼兽
1D5——古蜻蜓
1D6——草精灵
1D7——冰精灵
1D8——镰刀天蝎
1D9——猛犸
1DA——3D龙Z
1DB——超能斗士
1DC——朝北巨鼻
1DD——夜游神
1DE——雪女
1DF——电鬼
1E0——黄圣菇
1E1——红圣菇
1E2——蓝圣菇
1E3——迪亚鲁卡
1E4——帕鲁基亚
1E5——火钢兽
1E6——圣拄神
1E7——冥龙王
1E8——美梦神
1E9——菲奥奈
1EA——玛娜菲
1EB——噩梦神
1EC——草刺猬
1ED——创世神
1EE——（神秘蛋）
1EF——（神秘蛋（坏））
XX部分 等级对应代码 以下等级是5的倍数
lv 5=05
lv 10=0A
lv 15=0F
lv 20=14
lv 25=19
lv 30=1E
lv 35=23
lv 40=28
lv 45=2D
lv 50=32
lv 55=37
lv 60=3C
lv 65=41
lv 70=46
lv 75=4B
lv 80=50
lv 85=55
lv 90=5A
lv 95=5F
lv 100=64

刘冠麟非常帅！被说像吉吉国王是因为剧中人物造型的原因。刘冠麟非常适合走喜剧路线这条路，因为刘冠麟非常有气质。相信喜欢他的朋友们都对他有所了解，《赘婿》的爆红跟刘冠麟有很大的联系。

《赘婿》为什么这么火？

原因有两个：首先是因为赘婿是改编小说而来。有粉丝基础；其次它的改编力度很大，而且相比原著更加轻松，能够吸引很多非原著粉丝来观看，最重要的还是郭麒麟的搞笑和宋轶的颜值呀！



一、由著名小说改编，受众广。抛开各种偏见来看《赘婿》，会发现这部剧的质量真心不错。由于男主郭麒麟自带相声光环，剧情设定成搞笑幽默自然更有利于他的发挥。从已经放出的这八集来看，郭麒麟的表现还是可圈可点的。无论是神情还是台词功底，郭麒麟都展现出了自己应有的水准。比起郭麒麟和《庆余年》的那些老面孔，最让人眼前一亮的还是剧中的“男德学院”。不得不说，导演是真的敢拍，连这种“惊世骇俗”的东西都敢放到剧中。难怪大家都喜欢看！



二、内容比原著轻松搞笑，无厘头的人物形象很好看！假如《赘婿》的男主角不是郭麒麟，选择一个特别帅的，但那完全有可能演不出如今宁毅这贱贱的感觉。再加上剧中掺杂了超多的现代元素，如果不是郭麒麟这样的喜剧演员，怎么可能把剧情驾驭得那么自然。诚然，郭麒麟在颜值上确实不如一线小鲜肉，但从演技上讲，应该是挑不出毛病吧，跑开原著小说讲，小本觉得郭麒麟塑造的这个宁毅同样深入人心，他凭这个角色也是圈了不少粉。编剧做了非常大的改动，可以说与原著小说相比，电视剧版的《赘婿》做了太大的改动，可以说除了人物的名称，其他相同的剧情变得非常非常少。由小说改编的电视剧，并非一定得一成不变的，只要编剧修改的剧本好，观众其实都能接受！

三、角色原因，不得不说，宋轶真是太好看了吧！

人工神经网络(ANN)是近年来发展起来的十分热门的交叉学科，它涉及生物、电子、计算机、数学和物理等学科，有着广泛的应用领域。人工神经网络是一种自适应的高度非线性动力系统，在网络计算的基础上，经过多次重复组合，能够完成多维空间的映射任务，通过内部连接的自组织结构，具有对数据的高度自适应能力，由计算机直接从实例中学习获取知识，探求解决问题的方法，自动建立起复杂系统的控制规律及其认知模型。

BP网络是在1985年由PDP小组提出的反向传播算法的基础上发展起来的，是一种多层次反馈型网络(图1146)，它在输入和输出之间采用多层映射方式，网络按层排列，只有相邻层的节点直接相互连接，传递之间的信息。在正向传播中，输入信息从输入层经隐含层逐层处理，并传向输出层，每层神经元的状态只影响下一层神经元的状态。如果输出层不能得到期望的输出结果，则转入反向传播，将误差信号沿原来的连同通路返回，通过修改各层神经元的权值，使得误差最小。

BP网络的学习算法步骤(图1147)，详述如下:

图1146 BP神经网络示意图

1)设置初始参数ω和θ(ω为初始权重，θ为临界值，均随机设为较小的数)。

2)将已知的样本加到网络上，利用下式可算出它们的输出值yj，其值为

变环境条件下的水资源保护与可持续利用研究

图1147 BP算法流程图

式中:xi为该节点的输入;ωij为从i到j的连接权;θj为临界值;yj为实际算出的输出数据。

3)将已知输出数据与上面算出的输出数据之差(dj-yj)调整权系数ω，调整量为

ΔWij=ηδjxj (1117)

式中:η为比例系数;xj为在隐节点为网络输入，在输出点则为下层(隐)节点的输出(j=1，2，…，n);δj为是一个与输出偏差相关的值，对于输出节点来说有

δj=ηj(1-yj)(dj-yj) (1118)

对于隐节点来说，由于它的输出无法进行比较，所以经过反向逐层计算有

变环境条件下的水资源保护与可持续利用研究

其中K值要把上层(输出层)节点取遍。误差δj是从输出层反向逐层计算的。各神经元的权值调整后为

ωij(t)=ωij(t-1)+Vωij (1120)

式中:t为学习次数。

这个算法是一个迭代过程，每一轮将各ω值调整一遍，这样一直迭代下去，直到输出误差小于某一允许值为止，一个好的网络就训练成功了。BP算法从本质上讲是把一组样本的输入、输出问题变为一个非线性优化问题，它使用了优化技术中最普遍的一种梯度下降算法，用迭代运算求解权值。

11331 BP神经网络在地下水流场预测中的应用

预测是在积累了一定数量的历史数据的基础上，结合事物的发展规律和内在机理，分析得出事物未来的趋势和状态的过程。预测方法的选取应服从于预测的目的以及资料、信息的条件。

预测模型能以在现有资料、信息基础，准确反映研究区的自然背景条件、地下水开采与地下水流场过程之间的复杂联系，并能识别和适应不同影响因素随时间发生的改变。BP神经网络作为一个非线性系统，可用于逼近非线性映射关系，也可用于逼近一个极为复杂的函数关系，是解释和模拟地下水流场等高度复杂的非线性动力学系统问题的一种较好的方法。

(1)训练样本的确定

本文选择了现有资料最全的抽水井点处第四系地下水系统第Ⅱ含水组和第Ⅲ含水组地下水的年均水位和区域地下水开采量作为模型的输入变量，将前一年的开采量和年均水位作为输入，故模型的输入变量为3个。以收集到的研究区内每个地下水位抽水井点的年末地下水位作为模型的输出变量，通过选择适合的隐含层数和隐层神经单元数构建BP模型，对研究区第四系对地下水系统2010年、2011年、2012年、2015年和2020年地下水流场的趋势进行预测。

抽水井位置如图1148所示，可以看出4个抽水井点在研究区内分布均匀，且相对集中;通过对这4个抽水井点的地下水水位进行预测，并分析了预测误差，反映出研究区第四系对地下水系统2010年、2011年、2012年、2015年和2020年地下水流场的变化趋势。

图1148 研究区神经网络模型中抽水井分布示意图

(2)样本数据的预处理

由于BP网络的输入层物理量及数值相差甚远(不属于一个数量级)，为了加快网络收敛的速度，在训练之前须将各输入物理量进行预处理。数据的预处理方法主要有标准化法、重新定标法、变换法和比例放缩法等等。本文所选用的是一种最常用的比例压缩法，公式为[72，73]

变环境条件下的水资源保护与可持续利用研究

式中:X为原始数据;Xmax、Xmin为原始数据的最大值和最小值;T为变换后的数据，也称之为目标数据;Tmax、Tmin为目标数据的最大值和最小值。

由于Sigmoid函数在值域[0，01]和[09，10]区域内曲线变化极为平坦，因此合适的数据处理是将各输入物理量归至[01，09]之间。本文用(式1121)将每个样本输入层的3个物理量进行归一化处理

变环境条件下的水资源保护与可持续利用研究

处理后的数据见表1113。

表1113 BP神经网络模型数据归一化表

(3)网络结构的确定

BP神经网络的建立，其重点在于网络结构的设计，只要隐层中有足够多的神经元，多层前向网络可以用来逼近几乎任何一个函数。一般地，网络结构(隐层数和隐层神经元数)和参数(权值和偏置值)共同决定着神经网络所能实现的函数的复杂程度的上限。结构简单的网络所能实现的函数类型是非常有限的，参数过多的网络可能会对数据拟合过度。本文将输入层的神经元个数定为3个，输出层的神经元个数为1个。但是对于隐含层数及隐含层所含神经元个数的选择，目前为止还没有明确的方法可以计算出实际需要多少层或多少神经元就可以满足预测精度的要求，在选择时通常是采用试算的方法。

为了保证模型的预测精度和范化能力，根据收集到的资料的连续性，本次研究利用1991～2009年19组地下水位历史观测数据和对应的当年及前一年的开采量组织训练，选择三层BP网络作为模型结构，隐层神经元的个数设置为4。网络结构如图1149所示，参数见表1114。

图1149 神经网络模型结构图

表1114 BP神经网络模型参数一览表

(4)网络的训练与预测

采用图1149的网络结构对数据进行训练，各井的训练和效果如图1150和图1151。

从图1151可以看出，训练后的BP网络能很好地逼近给定的目标函数。说明该模型的泛化能力较好，模拟的结果比较可靠。

图1150 各井训练过程图

(a)FN013点训练过程图;(b)FN021点训练过程图;(c)FN012点训练过程图;(d)FN202点训练过程图

图1151 研究区各抽水井年均地下水位神经网络模型拟合图

图1151 研究区各抽水井年均地下水位神经网络模型拟合图(续)

11332 BP神经网络与 Modflow的预测结果对比

根据训练好的BP神经网络模型，对研究区内4个抽水井2010年、2011年、2012年、2015年和2020年的第四系地下水系统地下水位进行预测(图1152)。从图1152中可以看出，随着关停国丰和贝钢水源地的井以后，开采量减小，各点的地下水水位逐渐上升，变化趋势也基本一致。预测到2020年，各点的年均地下水位比2009年上升了368～1522m。

图1152 研究区各抽水井年均地下水位预测图

以2009年各抽水井的实测地下水水位为起点，预测2010年、2011年、2012年、2015年和2020年的地下水水位，并得到相应的第四系地下水系统地下水流场图，与Modflow数值模型的预测结果相对比(图1153～图1161)。从图中可以看出这两种方法在各抽水井地下水位的预测结果基本一致。在局部点处(FN013)相差较大，这主要是由于该点临近城区处，地下水位变化过程受到人们生活、生产用水较大的影响，使得BP网络模型的预测效果出现偏差。BP网络与 Modflow数值模型预测结果的相对误差见表1115。从表中可以看出，各抽水井的相对误差在0707%～3346%之间，平均为2057%。说明本次建立的BP神经网络模型基本可以达到Modflow数值模型的预测效果。

图1153 研究区各抽水井地下水位BP神经网络与数值模拟预测对比图

图1154 研究区2011年第四系第Ⅱ含水组地下水流场数值模拟与神经网络预测对比

图1155 研究区2012年第四系第Ⅱ含水组地下水流场数值模拟与神经网络预测对比

图1156 研究区2015年第四系第Ⅱ含水组地下水流场数值模拟与神经网络预测对比

图1157 研究区2020年第四系第Ⅱ含水组地下水流场数值模拟与神经网络预测对比

图1158 研究区2011年第四系第Ⅲ含水组地下水流场数值模拟与神经网络预测对比

图1159 研究区2012年第四系第Ⅲ含水组地下水流场数值模拟与神经网络预测对比

图1160 研究区2015年第四系第Ⅲ含水组地下水流场数值模拟与神经网络预测对比

图1161 研究区2020年第四系第Ⅲ含水组地下水流场数值模拟与神经网络预测对比

表1115 BP神经网络与 Modflow数值模型预测结果相对误差表

---