潘仁美的原型是北宋一代开国名将


来源:  东北新闻网(辽宁)


北宋功臣潘美

历史上并没有潘仁美,其原型是潘美。明朝有本叫《杨家府演义》的书,在歌颂杨业一门忠烈的同时,把潘仁美写成了一个大奸大佞。随着杨家将的故事在民间的广泛流传,潘仁美的形象也被破坏怠尽,怎么看都如那天下的乌鸦一般,横竖都成了黑的了。潘仁美其实是北宋一名有着赫赫战功的开国名将,把他写成大奸大佞,实在有点冤枉。

据《宋史·潘美传》记载:“潘美,字仲询,大名人。父璘,以军校戍常山。美少倜傥,隶府中典 谒。尝语其里人王密曰:‘汉代将终,凶臣肆虐,四海有改卜之兆。大丈夫不以此时立功名、取富贵,碌碌与万物共尽,可羞也。’会周世宗为开封府尹,美以中涓 事世宗。及即位,补供奉官。高平之战,美以功迁西上阁门副使。出监陕州军,改引进使。世宗将用师陇、蜀,命护永兴屯兵,经度西事。”

潘仁美当时乃河北大名人,军校出身,周世宗时,已经是一位颇有才干的年轻将领,周世宗征西北时,命他为永兴军(今陕西省西安市) 护军。宋太祖赵匡胤未即位时,也对他格外信任。登基时命潘美召集后周宰辅,晓以大义,使这些人对新朝俯首称臣,甚至连改朝换代的圣旨,也是由潘美晓谕天下 的。当时陕西军阀袁彦心怀异志,赵匡胤担心袁彦作乱,命潘美前往西北监其军,胆勇过人的潘美单骑入长安,迫使袁彦入朝,赵匡胤对潘美此举倍加赞赏。979 年,潘美北伐契丹,节节胜利,被封代国公。潘美南征北战,为宋王朝立下了赫赫战功,可与史称“良将第一”的曹彬相提并论。

这么大一个忠臣,究竟又是因为什么样的原因或误会,而使他成为一个大奸臣的呢?此冤案与辽宋之战有关。

那是在宋太宗雍熙三年的时候,辽军以十余万兵力大举入侵北宋,宋兵分东西两路迎击敌人。曹彬 统帅东路,潘美统帅西路,杨业(即小说中的杨继业)为副帅,与辽兵接战于朔州。当时的辽兵军力雄厚,只能智取,不可强攻。但随军王侁、刘文裕邀功心切,主 张强取。据《宋史·王侁传》记载,王侁字秘权,开封浚仪人,其父王朴,曾任后周枢密使,因上筹边之策而名噪一时。王侁虽系名门之后,本人也有战功,但其为 人“性刚愎”,“以语激杨业,业因力战,陷于阵,侁坐除名,配隶金州”。王侁当时确实逼副帅杨业进军,杨业无奈服从,但与王侁、潘美约定,王侁、潘美负责 安置伏兵于陈家谷口接应他。

王侁等确实在陈家谷口设置了伏兵,但等到中午也没见到杨业的人影后便撤了,以为杨业趁胜追击辽兵去了,孰不知当时杨业统领的军队已伤亡大半,到陈家谷口无人接应后,只有被俘一条路。

被俘后的杨业叹息着说:“朝廷待我甚厚,本当讨敌安边,以报国家,不料被奸臣所逼,致使王师 败绩,我还有什么脸面活着!”于是绝食三日而亡。由此可知,陈家谷口逼杨业进军,后又将接应部队撤走的人是王侁而非潘美。据史料,当时对王侁的撤兵,潘美 是有阻止的,只是阻止得不够坚决,所以潘美不是没错,但只是错在他因为他误信了王侁之言,对错误的方法阻止不够坚决而已,并非如小说家笔下那般坏透了顶, 不仅在陈家谷口算计杨业,还如通俗小说或电视剧里描写的那样按兵不动,射杀杨七郎等。

杨业死后,宋太宗赵光义在事后处理参战人员时,仅将潘美贬官三级,而监军王侁则“除名,隶金 州”,刘文裕“除名,隶登州”。旌表杨业“尽力死敌,立节迈伦,诚坚金石,气激风云,求之古人,何以如此!”(《宋史·杨业传》)。戎马一生的潘美,虽未 受到太重的惩罚,但晚年这一失足,足以让他心中怏怏,一年多以后,潘美便病死于太原,终年六十七岁。

此后,潘美的形象被慢慢丑化,《杨家府演义》等小说不仅把潘美写成了奸臣,还让潘美死于忠臣开封府尹寇准的刀下,有点玩笑开大了。《宋史太宗纪》载,潘美于淳化二年(991)六月死于太原,而寇准任开封尹,则在咸平五年(1002),北宋《开封府题名记》碑(现藏开封市博物馆)可为证。

 
【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值