Abstract Self-Organizing Maps for Spatial and Temporal AR Models

Proc.6th SCIA,Scandinavian Conference on Image Analysis.

Helsinki,Finland,1989.Pages120-127.

Self-Organizing Maps for Spatial and Temporal AR Models

Lampinen J.and Oja E.

Lappeenranta University of Technology,Department of Information Technology

PO Box20,SF-53850Lappeenranta,Finland

Abstract

A method is given for unsupervised segmentation and classi?cation of1D and2D signals. The method is based on a self-organizing map of”neural”units,like Kohonen’s feature map,where every unit represents an AR model with its reference vector.The map will self-organize during an unsupervised learning phase.Several training segments of the signals are presented to the map,and each unit will learn to model di?erent parts of the signals.The results indicate that the self-organizing AR map can learn to distinguish textures from images with unsupervised learning,which makes it suitable for segmentation of an image into di?erent texture classes.

1.Introduction

In problems like speech recognition and scene analysis,it is essential to be able to segment the1D waveform or2D image into meaningful regions.Often this is achieved through supervised classi?cation methods.However,in some cases there is little or no a priori knowledge about the number of di?erent classes or the characteristics of the classes,and unsupervised segmentation methods are needed.The present paper gives such a method which is based on modelling the signals locally as autoregressive stochastic processes and clustering the parameter vectors by a neural network technique.

The main purpose of this study was to investigate the unsupervised segmentation of an image into texture classes.Autoregressive models have been used for texture classi?-cation and synthesis[2].Recently,the use of random?eld model for the unsupervised segmentation problem was demonstrated[3].In the present study no a priori knowledge about the number of classes or the class models is used.Instead,an arti?cial learning neural network is used with a predetermined number of”neural”units,each of which automatically learns to detect one typical texture model appearing in the input?eld. The network is the self-organizing topological map introduced by Kohonen[4].

This is a network of simple neural units arranged to a regular2-dimensional lattice.In a learning algorithm,each unit becomes sensitive to a small part of the input space. Neighboring units tend to detect similar inputs which introduces a speci?c topological order of the inputs on the lattice.The topological map has been earlier applied to some problems in Pattern Recognition and Image Processing,e.g.to speech recognition[5] and to vector quantization of images[6].

Work on this paper was supported by Tekes Grant4196/1988under the Finsoft project.

In Section2,the learning algorithm is given,and in Section3,results are given for two segmentation problems:?rst,the feasibility of the method was tested on arti?-cial1D autoregressive processes,then an image consisting of four natural textures was segmented.

2.Self-Organizing AR models

For simplicity,consider?rst the case in which the neural units learn to represent au-toregressive(AR)models for a1D input signal.Let x(k),k=0,1,...be a discrete time sequence(time series)obeying an AR model

x(n+1)=w0x(n)+w1x(n?1)+...+w M?1x(n?(M?1))+e(n)(1)

The order of the AR model is M,the AR weights are the numbers w0to w M?1,and e(n)is the error term.Denote the vector of weights by W,and the time history of the current input sample x(n+1)by X(n).Thus X(n)consists of samples x(n), x(n?1),...,x(n?(M?1)).Both W and X are column vectors of length M.If the x(n)are samples from a noiseless AR process,the next sample can be predicted with no error from the M previous samples:

x(n+1)=X(n)T W(2)

It is well-known that a second order AR model estimates correctly a sinusoidal sequence with one frequency.In general,an AR model of order M can correctly estimate a signal with M/2frequencies,since in the z-plane an AR model has always symmetric poles with respect to the real axis.

The optimal weights for an AR model can be estimated from observations by writing down the estimation errors

e(n)=x(n+1)?X(n)T W(3)

and computing the weights minimizing the errors in the least mean square sense(Yule-Walker equations).For our purposes,a more suitable algorithm is the adaptive least mean square method,alms,which is just one form of the well known Widrow-Ho?rule(see,e.g.,[7]).After every input sample,the new weight vector W is

W =W+γe(n)X(n),(4)

whereγis a scalar adaptation constant and e(n)is the estimation error from Eq.(3). The self-organizing map of AR models is a2D lattice of units,indexed in the following by i,with weight vectors W i each signifying an AR process.According to Kohonen[4], the general procedure for self-organization in the lattice is:

1)For each input sample,?nd the best matching unit

2)Modify that unit,and the units in its topological neighborhood,to further improve

the match to the present input.

At a given step of the self-organizing algorithm,the inputs to the network,shared by all the units,are the samples in vector X(n).Each unit tries to predict x(n+1)from

Eq.(2)by using its own weight vector.Since the units are tuned to di?erent AR models, some of the errors(3)will be smaller than the others.The apparent winner(the best matching unit)for each input vector X(n)is the unit with the smallest estimation error. However,real world signals are noisy and error-free estimation with an AR model is not possible.The estimation error is noisy as well.For optimum weights,the time average of the estimation error is minimum,but at any given moment there is a large probability of a wrong unit giving the smallest error due to noise.Therefore,to measure the matching goodness of a unit i,an exponential average over the recent estimation errors has to be computed:

v i=βe i(n)+(1?β)v i,(5) whereβis a smoothing factor.Now the best matching unit is the one with the smallest v i.The value ofβdetermines how long the same unit tends to keep active,and it depends of the size of segments desired.

Once the best-matching unit has been found,that unit and its neighbors are updated according to the alms algorithm(4).To de?ne the neighborhood in the2D lattice,the distance r of two units in the lattice must be de?ned.Neighborhoods determined by both the Euclidean and the Chebyshev metrics have been tried and they give similar results.When the neighboring units are updated,the scalar adaptation constantγof Eq.(4)is multiplied by a factor depending on r to yield

g(r)=γ(1?

r

NE+1

),(6)

where r is the distance from the best matching unit to the unit to be updated and parameter NE determines the size of the neighborhood.The size is slowly decreasing in time,e.g.,if t denotes the iteration step,then

NE(t)=NE(0)(1?

t

t max

),(7)

where t max is a predetermined number of training steps.The coe?cientγin(6)is also slowly decreasing according to a similar law as NE.The summary of the algorithm is thus:

0)Initialize all coe?cient vectors W i of the units to small random values.

1)Input a sample vector X(n)and the true value x(n+1).Compute the average

error v i for every unit from Eqs.(5)and(3).Find the best matching unit with the smallest error.

2)Update the best matching unit and its neighborhood according to

W i=W i+g(r)e(n)X(n)

and go to step1).

If the signal is two dimensional,the only di?erence is the construction of the”history”vector X(n).If the image is scanned rowwise,the actual causal history is a set of all the pixels to the left and up from the current pixel,and there are several ways to select the spatial history.The optimal history would the the set of pixels that have the largest

correlation with the sample to be predicted,but it is of course data dependent.The lower the order of the AR model is,the faster the alms method will converge.On the other hand,the dominant frequencies of real world textures vary within a large range, and in the test images used in this study were often rather low,which suggests a long spatial history.This is of course totally dependent on the relative spatial pixel resolution of the texture image.The best compromise was found to be a half-cross shaped history, with half of the samples to the left of the predicted pixel on the same image row and another half upwards on the same column.

Since the image is not actually a time series,there is no reason to use a causal AR model.Instead,the history could be symmetric around the predicted sample,and this would be essential if the texture segments in the image are small.Then the causal half-cross shaped history will inevitably give erroneous results at upper left corners of rectangular segments,since the whole history is from di?erent textures than the pixel to be predicted.However,the convergence of the alms gets slower when the order of the AR model decreases,and in our test image the texture segments were rather large compared to the size of the history.In the following2D examples we used a non-symmetric half-cross shaped history.

3.Results

3.1.Self-organization of1D models with arti?cial data

The concept of self-organization of AR models was?rst explored with simple arti?cial data.A digital128point long signal was constructed,which consisted of4consequent 32point long segments.Each segment was a sinusoidal signal with frequencies0.5, 0.9,1.6and2.2,respectively.In the?rst experiment the map consisted of four second order AR predictors in a linear lattice.With a neighborhood of NE=1the map was organized after less than5iterations over the input signals,which means that there is one unit detecting each of the input frequencies,and the frequencies appear in the lattice in either ascending or descending order.The poles of the AR models were all initially near the zero,but moved quickly to correct frequencies.Due to the neighborhood e?ect the AR models had?rst rather wide passband,but as the neighborhood shrinks,the poles move nearer to the unit circle and the?nal convergence is the same as if the alms had been applied to each signal separately.

Adding noise to the signals made the convergence slightly slower,when compared to separate alms for each signal,since the noise makes random errors to the prediction and wrong units get updated.With20%white uncorrelated uniform noise added,the number of iterations required to the same convergence(poles at the same distance from the unit circle and correct frequencies)was increased by a factor of2.Even with100% of added noise,with signal to noise ratio1.0,the map was able to converge although very slowly.

To investigate the capabilities of self-organization in this context we set up a more di?cult test:the frequencies of the consequent segments in the input signal were0.5,

1.10,1.12and1.8with additive4%uniform noise.The lattice had8×1units of order

2.The neighborhood was initially5and decreased to zero after1000iterations over each of the input signals(total number of points iterated was thus128000).Table1.

shows the state of the map(frequency and distance from zero of the associated pole). Each point in the128point training signal was matched to some unit,and Table1.also shows the distribution of these matches.

Unit01234567 Frequency 1.789 2.212 3.142 1.157 1.121 1.1000.8910.492 Pole dist0.9990.912 1.0490.907 1.005 1.0000.9380.987 Matches341203129031 Table1.State of a2nd order8×1map and distribution of the test samples.

There are four units detecting each of the input frequencies,and some intermediate units that predict no samples at all.Within every test signal there are1or2samples that have been matched by a wrong unit,because on signal boundaries it is impossible to predict correct values with history belonging to another signal,and the discontinuities on the boundaries make false matches to the high frequency units0,1and2.The important point from Table1is that the map is able to separate the close frequencies 1.10and1.12.At the beginning of the iteration both signals match to the same unit, which will have a pole between the two frequencies well inside the unit circle,but since the neighbors of the unit are updated also,there will be several units detecting almost the same process.When the neighborhood is decreased,the response will split to two units.

Tests with higher order1D arti?cial AR processes resulted in the same typical behavior: the self-organizing map can?nd out all the AR processes in the input signal,but if the orders of the processes vary much,then the same unit may adapt to more than one lower order process.This can be controlled by the size of the neighborhood and the averaging parameterβin Eq.(5).

The tests with the arti?cial data indicate that self-organization is a useful concept with AR models,and the self-organizing AR map can separate rather similar processes without any prior knowlegde of the number of processes or the segment boundaries. 3.2.Self-Organization of AR models for2D Textures

The main purpose of the study was to investigate whether the self-organizing AR maps can be used for automatic segmentation of an image into di?erent textures.The test image was constructed from four texture samples,three Brodatz textures[1],numbers 16,49and77,and an image of handwritten lines on a paper.The images were recorded by a poor quality video camera and a32×32sample was extracted from each of the four images.The samples had rather large natural noise and degradation.The composed 64×64test image is shown in Fig.1.

The original Kohonen self-organizing map[4]requires that the input samples are in random order.In this case,however,the samples come from a continuous process,thus the order of the samples is an essential part of the information.Scanning the image row by row is not very good since the textures have irregularities and noise which require rather small averaging factor for the prediction error(β～0.15···0.30in Eq.(5)), and this will shift the response to texture boundaries in the direction of scanning.To

eliminate these problems we scanned the image in random direction one row or column at a time.The history of a sample was naturally kept the same independent of the scanning direction,and it was the half-cross:half of the samples to the left of the predicted pixel and another half upwards.In fact,if the scanning occurs from right to left,the model is now anticausal.

The size of the map was found to have a rather small e?ect on the result as long as there are enough units,since the response will eventually localize to just a few units anyway. An example of the result with a6×6map with order of AR predictors8is shown in Fig. 2.Each pixel of Fig. 1.is replaced by a gray scale color representing the best matching unit for that pixel.The mapping of units to colors is shown if Fig.3,which is an image of the map with the units replaced by their colors.The neighborhood was 2at the beginning and decreased to0after100iterations over the test image.

Fig.1.The test image Fig.2.Response of a6×6Fig.3.The colors

2nd order map to the test image of the units

The result is rather noisy,due to the noisy original image,but clearly the di?erent textures have responses at di?erent units on the map,and the response of each texture is localized to a continuous area on the map.In the optimal case the responses of di?erent textures would not overlap on the map,so that each unit would match only to pixels from one texture.These four textures,however,are not exact AR processes, and there are inevitable prediction errors that make the response to spread over an area of units.Note that,since training is totally unsupervised,the map in fact?nds a set of”microtextures”of order8determined by the spatial geometry of the history vector. The microtextures correspond to parts of the four large textures.

Most of the actual errors are solitary pixels or short lines inside a homogenous area, thus they cannot represent any real texture segment,since a texture,by de?nition,is a pattern of several pixels.We used a heuristic approach to discourage the units getting tuned to solitary pixels by favoring those units,that also match the neighbors of the current pixel in the image.The averaged estimation error in eq.(5)was scaled by a factor that describes how homogenous the texture is:

v i=βe i(n)+(1?β)v i

C+Nc

,(6)

where the constant C determines the weight of the neighborhood pressure and Nc is the number of pixels in the8-neighborhood of the current pixel,for which the unit i has been selected as the best matching unit.With C=8,for example,if one unit matches best

all the surrounding pixels,then the same unit will match the center pixel even with twice as large an estimation error than any other unit.This neighborhood pressure makes possible to use maps with a smaller number of units,because the response does not spread on very many units.In Fig.4.the map of the previous example was iterated with C=8for50iterations,and the e?ect is noticeable.As the units adapt better to the processes present in the image,the neighborhood pressure can be increased by decreasing C.Reducing C to1during50iterations gave rather good results,as can be seen from Fig.5.

Fig.4.Segmented test image with Fig.5.Final result after

neighborhood pressure C=850iterations and C=1

The segmentation result in Fig. 5.is not the same as a human would achieve.For example,the upper left texture is divided into two segments,which looks like an artefact at?rst glance,but actually there is a small change in the spacing between the lines.

If di?erent areas in a texture have di?erent AR models,there will be di?erent units matching the areas.The similarity of the areas is re?ected on the map as the close distance between the respective matching units,and this can be used to give the same label to all the units corresponding to similar AR https://www.doczj.com/doc/5811711494.html,ly,if several nearly identical AR units match to parts of the same texture,and they are near each others on the map,then in a2D array of matching scores of the units there will be a local maximum.The number of such local maxima is the number of clearly di?erent textures in the image,and all the units belonging to the same local maximum detect the same texture.If variations inside the textures are much smaller than those between the di?erent textures,then it is possible to automatically label all the units around each local maximum by the same label,giving rather good results.

However,if the map is small or there are similar textures,the local maxima will be rather near to each other,and it is di?cult to automatically cluster the units between two maxima.An easier approach is then to pick up just the best unit from each maximum and make a new(not topological)map,that has exactly one unit for each texture.This reduction can be done as soon as there are stable local maxima in the matching frequencies,and a substantial number of all the pixels are concentrated at these maxima.

The matching scores of the6×6map after training(the case of Fig.4.)are presented in Table2.There are four clear local maxima,presented by boldface,suggesting that there are four textures in the image.After?ne tuning the new map of those units with

neighborhood NE=0for5iterations,the resulting segmentation is presented in Fig. 6.

5134295582

00438150213

274265229137

68215114787

21026973618

42221479321

Table2.The matching scores Fig.6.Segmentation result

of the AR map by reduced4×1map

4.Conclusions

A novel method has been presented,based on a self-organizing map of AR models, that is capable of dividing a1D or2D signal into temporal or spatial segments,each of which can be modeled as a di?erent AR process.The method is totally unsupervised and automatic and requires no interaction by the user nor any a priori knowledge of the signal.

We have demonstrated the use of the method for segmentation of an image into di?erent textures.Other possible applications,that are not investigated here,are recognition of speech and other similar nonstationary time series,like seismic signals and biomedical signals,and identi?cation of dynamic systems that change between several di?erent processes in unknown intervals.

5.References

1.Brodatz,P.,”Textures:A Photographic Album for Artists and Designers”,Reinhold,

New York,1968.

2.R.L.Kashyap,R.Chellappa,and A.Khotanzad,”Texture classi?cation using features

derived from random?eld models”,Pattern Rec.Letters1,1982,pp.43-50.

3.R.L.Kashyap and K.B.Eom,”Texture boundary detection based on the long correla-

tion model”,IEEE Trans.PAMI11,no.1,1989,pp.58-67.

4.T.Kohonen,”Self-Organization and Associative Memory”,Springer-Verlag,Berlin,

Heidlberg,1984.

5.T.Kohonen,”The”neural”phonetic typewriter”,Computer21,no.3,1988,pp.

11-22.

6.N.M.Nasrabadi and Y.Feng,”Vector quantization of images based upon the Kohonen

self-organizing feature maps”,Proc.IEEE Int.Conf.on Neural Networks,San Diego, USA,July24-27,1988,pp.101-108.

7.B.Widrow,P.E.Mantey,J.L.Gri?ths,and B.B.Goode,”Adaptive antenna systems”,

Proc.IEEE55,no.12,1967,pp.2143-2159.

模拟电子技术基础知识点总结

模拟电子技术复习资料总结 第一章半导体二极管 一.半导体的基础知识 1.半导体---导电能力介于导体和绝缘体之间的物质(如硅Si、锗Ge)。 2.特性---光敏、热敏和掺杂特性。 3.本征半导体----纯净的具有单晶体结构的半导体。 4.两种载流子----带有正、负电荷的可移动的空穴和电子统称为载流子。 5.杂质半导体----在本征半导体中掺入微量杂质形成的半导体。体现的是半导体的掺杂特性。*P型半导体:在本征半导体中掺入微量的三价元素（多子是空穴，少子是电子）。 *N型半导体: 在本征半导体中掺入微量的五价元素（多子是电子，少子是空穴）。 6.杂质半导体的特性 *载流子的浓度---多子浓度决定于杂质浓度，少子浓度与温度有关。 *体电阻---通常把杂质半导体自身的电阻称为体电阻。 *转型---通过改变掺杂浓度，一种杂质半导体可以改型为另外一种杂质半导体。 7. PN结 * PN结的接触电位差---硅材料约为0.6~0.8V，锗材料约为0.2~0.3V。 * PN结的单向导电性---正偏导通，反偏截止。 8. PN结的伏安特性 二. 半导体二极管 *单向导电性------正向导通，反向截止。 *二极管伏安特性----同ＰＮ结。 *正向导通压降------硅管0.6~0.7V，锗管0.2~0.3V。 *死区电压------硅管0.5V，锗管0.1V。 3.分析方法------将二极管断开，分析二极管两端电位的高低: 若V阳>V阴( 正偏)，二极管导通(短路); 若V阳

2) 等效电路法 直流等效电路法 *总的解题手段----将二极管断开，分析二极管两端电位的高低: 若V阳>V阴( 正偏)，二极管导通(短路); 若V阳

公文写作规范格式

商务公文写作目录 一、商务公文的基本知识 二、应把握的事项与原则 三、常用商务公文写作要点 四、常见错误与问题

一、商务公文的基本知识 1、商务公文的概念与意义 商务公文是商业事务中的公务文书，是企业在生产经营管理活动中产生的，按照严格的、既定的生效程序和规范的格式而制定的具有传递信息和记录作用的载体。规范严谨的商务文书，不仅是贯彻企业执行力的重要保障，而且已经成为现代企业管理的基础中不可或缺的内容。商务公文的水平也是反映企业形象的一个窗口，商务公文的写作能力常成为评价员工职业素质的重要尺度之一。 2、商务公文分类：（1）根据形成和作用的商务活动领域，可分为通用公文和专用公文两类（2）根据内容涉及秘密的程度，可分为对外公开、限国内公开、内部使用、秘密、机密、绝密六类（3）根据行文方向，可分为上行文、下行文、平行文三类（4）根据内容的性质，可分为规范性、指导性、公布性、陈述呈请性、商洽性、证明性公文（5）根据处理时限的要求，可分为平件、急件、特急件三类（6）根据来源，在一个部门内部可分为收文、发文两类。 3、常用商务公文： （1）公务信息：包括通知、通报、通告、会议纪要、会议记录等 （2）上下沟通：包括请示、报告、公函、批复、意见等 （3）建规立矩：包括企业各类管理规章制度、决定、命令、任命等； （4）包容大事小情：包括简报、调查报告、计划、总结、述职报告等； （5）对外宣传：礼仪类应用文、领导演讲稿、邀请函等； （6）财经类：经济合同、委托授权书等； （7）其他：电子邮件、便条、单据类（借条、欠条、领条、收条）等。 考虑到在座的主要岗位，本次讲座涉及请示、报告、函、计划、总结、规章制度的写作，重点谈述职报告的写作。 4、商务公文的特点： （1）制作者是商务组织。（2）具有特定效力，用于处理商务。 （3）具有规范的结构和格式，而不像私人文件靠“约定俗成”的格式。商务公文区别于其它文章的主要特点是具有法定效力与规范格式的文件。 5、商务公文的四个构成要素： （1）意图：主观上要达到的目标 (2）结构：有效划分层次和段落，巧设过渡和照应 (3）材料：组织材料要注意多、细、精、严 (4) 正确使用专业术语、熟语、流行语等词语，适当运用模糊语言、模态词语与古词语。 6、基本文体与结构 商务文体区别于其他文体的特殊属性主要有直接应用性、全面真实性、结构格式的规范性。其特征表现为：被强制性规定采用白话文形式，兼用议论、说明、叙述三种基本表达方法。商务公文的基本组成部分有：标题、正文、作者、日期、印章或签署、主题词。其它组成部分有文头、发文字号、签发人、保密等级、紧急程度、主送机关、附件及其标记、抄送机关、注释、印发说明等。印章或签署均为证实公文作者合法性、真实性及公文效力的标志。 7、稿本 （1）草稿。常有“讨论稿”“征求意见稿”“送审稿”“草稿”“初稿”“二稿”“三稿”等标记。（2）定稿。是制作公文正本的标准依据。有法定的生效标志（签发等）。（3）正本。格式正规并有印章或签署等表明真实性、权威性、有效性。（4）试行本。在试验期间具有正式公文的法定效力。（5）暂行本。在规定

关于会议纪要的规范格式和写作要求

关于会议纪要的规范格式和写作要求 一、会议纪要的概念 会议纪要是一种记载和传达会议基本情况或主要精神、议定事项等内容的规定性公文。是在会议记录的基础上，对会议的主要内容及议定的事项，经过摘要整理的、需要贯彻执行或公布于报刊的具有纪实性和指导性的文件。 会议纪要根据适用范围、内容和作用，分为三种类型： 1、办公会议纪要(也指日常行政工作类会议纪要)，主要用于单位开会讨论研究问题，商定决议事项，安排布置工作，为开展工作提供指导和依据。如，xx学校工作会议纪要、部长办公会议纪要、市委常委会议纪要。 2、专项会议纪要(也指协商交流性会议纪要)，主要用于各类交流会、研讨会、座谈会等会议纪要，目的是听取情况、传递信息、研讨问题、启发工作等。如，xx县脱贫致富工作座谈会议纪要。 3、代表会议纪要(也指程序类会议纪要)。它侧重于记录会议议程和通过的决议，以及今后工作的建议。如《××省第一次盲人聋哑人代表会议纪要》、《xx市第x次代表大会会议纪要》。 另外，还有工作汇报、交流会，部门之间的联席会等方面的纪要，但基本上都系日常工作类的会议纪要。 二、会议纪要的格式 会议纪要通常由标题、正文、结尾三部分构成。

1、标题有三种方式：一是会议名称加纪要，如《全国农村工作会议纪要》;二是召开会议的机关加内容加纪要，也可简化为机关加纪要，如《省经贸委关于企业扭亏会议纪要》、《xx组织部部长办公会议纪要》;三是正副标题相结合，如《维护财政制度加强经济管理——在xx部门xx座谈会上的发言纪要》。 会议纪要应在标题的下方标注成文日期，位置居中，并用括号括起。作为文件下发的会议纪要应在版头部分标注文号，行文单位和成文日期在文末落款(加盖印章)。 2、会议纪要正文一般由两部分组成。 (1)开头，主要指会议概况，包括会议时间、地点、名称、主持人，与会人员，基本议程。 (2)主体，主要指会议的精神和议定事项。常务会、办公会、日常工作例会的纪要，一般包括会议内容、议定事项，有的还可概述议定事项的意义。工作会议、专业会议和座谈会的纪要，往往还要写出经验、做法、今后工作的意见、措施和要求。 (3)结尾，主要是对会议的总结、发言评价和主持人的要求或发出的号召、提出的要求等。一般会议纪要不需要写结束语，主体部分写完就结束。 三、会议纪要的写法 根据会议性质、规模、议题等不同，正文部分大致可以有以下几种写法： 1、集中概述法(综合式)。这种写法是把会议的基本情况，讨

电子技术基础知识

电子技术基础知识 一、电流 1、电路一般就是有哪几部分组成的？ 答:电路一般由电源、开关、导线、负载四部分组成。 2、电流,就是指电荷的定向移动。 3、电流的大小称为电流强度(简称电流,符号为I),就是指单位时间内通过导线某一截面的电荷量,每秒通过1库仑的电量称为1「安培」(A)。 4、电流的方向,就是正电荷定向移动的方向。 5、电流的三大效应:热效应磁效应化学效应 6、换算方法: 1A=1000mA 1mA=1000μA 1μA=1000nA 1nA=1000pA 1KA=1000A 7、电流产生的条件: ①必须具有能够自由移动的电荷(金属中只有负电荷移动,电解液中为正负离子同时移动)。 ②导体两端存在电压差(要使闭合回路中得到持续电流,必须要有电源)。 ③电路必须为通路。 8、电流表与电压表在电路中如何连接？为什么？ 答:电流表在电路中应与被测电路串联相接,因为电流表内阻小,串在电路中对电路影响不大;电压表在电路中应与被测电路并联相接,因为电压表内阻大,并联相接分流作用对电路影响较小、 二、电阻 1、电阻表示导体对电流阻碍作用的大小。

2、电阻在电路中通常起分压、分流的作用 3、换算方法:1MΩ=1000KΩ;1KΩ=1000Ω 4、导体的电阻的大小导体的长度、横截面积、材料与温度有关。 5、电阻元件就是对电流呈现阻碍作用的耗能元件,例如灯泡、电热炉等电器。电阻定律:R=ρL/S ρ——制成电阻的材料电阻率,国际单位制为欧姆·米(Ω·m) ; L——绕制成电阻的导线长度,国际单位制为米(m); S——绕制成电阻的导线横截面积,国际单位制为平方米(㎡) ; R ——电阻值,国际单位制为欧姆(Ω)。 6、使用万用表,应先关掉电路板路的电源以免烧坏万用表,若有其她电阻并在被测电阻上,应先断开其她电阻后再测,测时两手不应接触表棒或被测电阻的裸露导电部分,以免引起误差。 7、使用万用表,应先关掉电路板路的电源以免烧坏万用表,若有其她电阻并在被测电阻上,应先断开其她电阻后再测,测时两手不应接触表棒或被测电阻的裸露导电部分,以免引起误差。 8、什么叫电动势？它与电压有什么不同？在电路中,电压与电动势的方向就是如何规定的？ 答:电动势就是衡量电源力做功的量,它就是在电源内部把单位正电荷从电源的负极移动到电源的正极;而电压则就是在电源外部将单位正电荷从电源的正极移动到电源的负极。在电路中,电压的方向就是在外电路从电源的正极指向电源的负极;而电动势的方向则就是从在电源内部从电源的负极指向电源的正极。 三、欧姆定律 1、定律:在同一电路中,导体中的电流跟导体两端的电压成正比,跟导体的电阻

titlesec宏包使用手册

titlesec&titletoc中文文档 张海军编译 makeday1984@https://www.doczj.com/doc/5811711494.html, 2009年10月 目录 1简介,1 2titlesec基本功能,2 2.1.格式,2.—2.2.间隔, 3.—2.3.工具,3. 3titlesec用法进阶,3 3.1.标题格式,3.—3.2.标题间距, 4.—3.3.与间隔相关的工具, 5.—3.4.标题 填充,5.—3.5.页面类型,6.—3.6.断行,6. 4titletoc部分,6 4.1.titletoc快速上手,6. 1简介 The titlesec and titletoc宏包是用来改变L A T E X中默认标题和目录样式的，可以提供当前L A T E X中没有的功能。Piet van Oostrum写的fancyhdr宏包、Rowland McDonnell的sectsty宏包以及Peter Wilson的tocloft宏包用法更容易些；如果希望用法简单的朋友，可以考虑使用它们。 要想正确使用titlesec宏包，首先要明白L A T E X中标题的构成，一个完整的标题是由标签+间隔+标题内容构成的。比如： 1.这是一个标题，此标题中 1.就是这个标题的标签，这是一个标签是此标题的内容，它们之间的间距就是间隔了。 1

2titlesec基本功能 改变标题样式最容易的方法就是用几向个命令和一系列选项。如果你感觉用这种方法已经能满足你的需求，就不要读除本节之外的其它章节了1。 2.1格式 格式里用三组选项来控制字体的簇、大小以及对齐方法。没有必要设置每一个选项，因为有些选项已经有默认值了。 rm s f t t md b f up i t s l s c 用来控制字体的族和形状2，默认是bf,详情见表1。 项目意义备注（相当于） rm roman字体\textrm{...} sf sans serif字体\textsf{...} tt typewriter字体\texttt{...} md mdseries(中等粗体)\textmd{...} bf bfseries(粗体)\textbf{...} up直立字体\textup{...} it italic字体\textit{...} sl slanted字体\textsl{...} sc小号大写字母\textsc{...} 表1:字体族、形状选项 bf和md属于控制字体形状，其余均是切换字体族的。 b i g medium s m a l l t i n y（大、中、小、很小） 用来标题字体的大小，默认是big。 1这句话是宏包作者说的，不过我感觉大多情况下，是不能满足需要的，特别是中文排版，英文 可能会好些！ 2L A T E X中的字体有5种属性：编码、族、形状、系列和尺寸。 2

毕业论文写作要求与格式规范

毕业论文写作要求与格式规范 关于《毕业论文写作要求与格式规范》，是我们特意为大家整理的，希望对大家有所帮助。 (一)文体 毕业论文文体类型一般分为：试验论文、专题论文、调查报告、文献综述、个案评述、计算设计等。学生根据自己的实际情况，可以选择适合的文体写作。 (二)文风 符合科研论文写作的基本要求：科学性、创造性、逻辑性、

实用性、可读性、规范性等。写作态度要严肃认真，论证主题应有一定理论或应用价值;立论应科学正确，论据应充实可靠，结构层次应清晰合理，推理论证应逻辑严密。行文应简练，文笔应通顺，文字应朴实，撰写应规范，要求使用科研论文特有的科学语言。 (三)论文结构与排列顺序 毕业论文，一般由封面、独创性声明及版权授权书、摘要、目录、正文、后记、参考文献、附录等部分组成并按前后顺序排列。 1.封面：毕业论文(设计)封面具体要求如下： (1)论文题目应能概括论文的主要内容，切题、简洁，不超过30字，可分两行排列;

(2)层次：大学本科、大学专科 (3)专业名称：机电一体化技术、计算机应用技术、计算机网络技术、数控技术、模具设计与制造、电子信息、电脑艺术设计、会计电算化、商务英语、市场营销、电子商务、生物技术应用、设施农业技术、园林工程技术、中草药栽培技术和畜牧兽医等专业，应按照标准表述填写; (4)日期：毕业论文(设计)完成时间。 2.独创性声明和关于论文使用授权的说明：需要学生本人签字。 3.摘要：论文摘要的字数一般为300字左右。摘要是对论文的内容不加注释和评论的简短陈述，是文章内容的高度概括。主要内容包括：该项研究工作的内容、目的及其重要性;所使用的实验方法;总结研究成果，突出作者的新见解;研究结论及其意义。摘要中不列举例证，不描述研究过程，不做自我评价。

公文格式规范与常见公文写作

公文格式规范与常见公文写作 一、公文概述与公文格式规范 党政机关公文种类的区分、用途的确定及格式规范等，由中共中央办公厅、国务院办公厅于2012年4月16日印发，2012年7月1日施行的《党政机关公文处理工作条例》规定。之前相关条例、办法停止执行。 （一）公文的含义 公文，即公务文书的简称，属应用文。 广义的公文，指党政机关、社会团体、企事业单位，为处理公务按照一定程序而形成的体式完整的文字材料。 狭义的公文，是指在机关、单位之间，以规范体式运行的文字材料，俗称“红头文件”。 ?（二）公文的行文方向和原则 ?、上行文下级机关向上级机关行文。有“请示”、“报告”、和“意见”。 ?、平行文同级机关或不相隶属机关之间行文。主要有“函”、“议案”和“意见”。 ?、下行文上级机关向下级机关行文。主要有“决议”、“决定”、“命令”、“公报”、“公告”、“通告”、“意见”、“通知”、“通报”、“批复”和“会议纪要”等。 ?其中，“意见”、“会议纪要”可上行文、平行文、下行文。?“通报”可下行文和平行文。 ?原则： ?、根据本机关隶属关系和职权范围确定行文关系 ?、一般不得越级行文 ?、同级机关可以联合行文 ?、受双重领导的机关应分清主送机关和抄送机关 ?、党政机关的部门一般不得向下级党政机关行文 ?(三) 公文的种类及用途 ?、决议。适用于会议讨论通过的重大决策事项。 ?、决定。适用于对重要事项作出决策和部署、奖惩有关单位和人员、变更或撤销下级机关不适当的决定事项。

?、命令（令）。适用于公布行政法规和规章、宣布施行重大强制性措施、批准授予和晋升衔级、嘉奖有关单位和人员。 ?、公报。适用于公布重要决定或者重大事项。 ?、公告。适用于向国内外宣布重要事项或者法定事项。 ?、通告。适用于在一定范围内公布应当遵守或者周知的事项。?、意见。适用于对重要问题提出见解和处理办法。 ?、通知。适用于发布、传达要求下级机关执行和有关单位周知或者执行的事项，批转、转发公文。 ?、通报。适用于表彰先进、批评错误、传达重要精神和告知重要情况。 ?、报告。适用于向上级机关汇报工作、反映情况，回复上级机关的询问。 ?、请示。适用于向上级机关请求指示、批准。 ?、批复。适用于答复下级机关请示事项。 ?、议案。适用于各级人民政府按照法律程序向同级人民代表大会或者人民代表大会常务委员会提请审议事项。 ?、函。适用于不相隶属机关之间商洽工作、询问和答复问题、请求批准和答复审批事项。 ?、纪要。适用于记载会议主要情况和议定事项。?（四）、公文的格式规范 ?、眉首的规范 ?（）、份号 ?也称编号，置于公文首页左上角第行，顶格标注。“秘密”以上等级的党政机关公文，应当标注份号。 ?（）、密级和保密期限 ?分“绝密”、“机密”、“秘密”三个等级。标注在份号下方。?（）、紧急程度 ?分为“特急”和“加急”。由公文签发人根据实际需要确定使用与否。标注在密级下方。 ?（）、发文机关标志（或称版头） ?由发文机关全称或规范化简称加“文件”二字组成。套红醒目，位于公文首页正中居上位置（按《党政机关公文格式》标准排

模拟电子技术基础_知识点总结

第一章半导体二极管 1.本征半导体 ?单质半导体材料是具有4价共价键晶体结构的硅Si和锗Ge。 ?导电能力介于导体和绝缘体之间。 ?特性：光敏、热敏和掺杂特性。 ?本征半导体：纯净的、具有完整晶体结构的半导体。在一定的温度下，本征半导体内的最重要的物理现象是本征激发（又称热激发），产生两种带电性质相反的载流子（空穴和自由电子对），温度越高，本征激发越强。 ◆空穴是半导体中的一种等效+q的载流子。空穴导电的本质是价电子依次填补本征晶体中空位， 使局部显示+q电荷的空位宏观定向运动。 ◆在一定的温度下，自由电子和空穴在热运动中相遇，使一对自由电子和空穴消失的现象称为 复合。当热激发和复合相等时，称为载流子处于动态平衡状态。 2．杂质半导体 ?在本征半导体中掺入微量杂质形成的半导体。体现的是半导体的掺杂特性。 ◆P型半导体：在本征半导体中掺入微量的3价元素（多子是空穴，少子是电子）。 ◆N型半导体：在本征半导体中掺入微量的5价元素（多子是电子，少子是空穴）。 ?杂质半导体的特性 ◆载流子的浓度：多子浓度决定于杂质浓度，几乎与温度无关；少子浓度是温度的敏感函数。 ◆体电阻：通常把杂质半导体自身的电阻称为体电阻。 ◆在半导体中，存在因电场作用产生的载流子漂移电流（与金属导电一致），还才能在因载流子 浓度差而产生的扩散电流。 3.PN结 ?在具有完整晶格的P型和N型半导体的物理界面附近，形成一个特殊的薄层（PN结）。 ?PN结中存在由N区指向P区的内建电场，阻止结外两区的多子的扩散，有利于少子的漂移。 ?PN结具有单向导电性：正偏导通，反偏截止，是构成半导体器件的核心元件。 ◆正偏PN结（P+，N-）：具有随电压指数增大的电流，硅材料约为0.6-0.8V，锗材料约为0.2-0.3V。 ◆反偏PN结（P-，N+）：在击穿前，只有很小的反向饱和电流Is。 ◆PN结的伏安（曲线）方程： 4.半导体二极管 ?普通的二极管内芯片就是一个PN结，P区引出正电极，N区引出负电极。

ctex 宏包说明 ctex

ctex宏包说明 https://www.doczj.com/doc/5811711494.html,? 版本号：v1.02c修改日期：2011/03/11 摘要 ctex宏包提供了一个统一的中文L A T E X文档框架，底层支持CCT、CJK和xeCJK 三种中文L A T E X系统。ctex宏包提供了编写中文L A T E X文档常用的一些宏定义和命令。 ctex宏包需要CCT系统或者CJK宏包或者xeCJK宏包的支持。主要文件包括ctexart.cls、ctexrep.cls、ctexbook.cls和ctex.sty、ctexcap.sty。 ctex宏包由https://www.doczj.com/doc/5811711494.html,制作并负责维护。 目录 1简介2 2使用帮助3 2.1使用CJK或xeCJK (3) 2.2使用CCT (3) 2.3选项 (4) 2.3.1只能用于文档类的选项 (4) 2.3.2只能用于文档类和ctexcap.sty的选项 (4) 2.3.3中文编码选项 (4) 2.3.4中文字库选项 (5) 2.3.5CCT引擎选项 (5) 2.3.6排版风格选项 (5) 2.3.7宏包兼容选项 (6) 2.3.8缺省选项 (6) 2.4基本命令 (6) 2.4.1字体设置 (6) 2.4.2字号、字距、字宽和缩进 (7) ?https://www.doczj.com/doc/5811711494.html, 1

1简介2 2.4.3中文数字转换 (7) 2.5高级设置 (8) 2.5.1章节标题设置 (9) 2.5.2部分修改标题格式 (12) 2.5.3附录标题设置 (12) 2.5.4其他标题设置 (13) 2.5.5其他设置 (13) 2.6配置文件 (14) 3版本更新15 4开发人员17 1简介 这个宏包的部分原始代码来自于由王磊编写cjkbook.cls文档类，还有一小部分原始代码来自于吴凌云编写的GB.cap文件。原来的这些工作都是零零碎碎编写的，没有认真、系统的设计，也没有用户文档，非常不利于维护和改进。2003年，吴凌云用doc和docstrip工具重新编写了整个文档，并增加了许多新的功能。2007年，oseen和王越在ctex宏包基础上增加了对UTF-8编码的支持，开发出了ctexutf8宏包。2009年5月，我们在Google Code建立了ctex-kit项目1，对ctex宏包及相关宏包和脚本进行了整合，并加入了对XeT E X的支持。该项目由https://www.doczj.com/doc/5811711494.html,社区的开发者共同维护，新版本号为v0.9。在开发新版本时，考虑到合作开发和调试的方便，我们不再使用doc和docstrip工具，改为直接编写宏包文件。 最初Knuth设计开发T E X的时候没有考虑到支持多国语言，特别是多字节的中日韩语言。这使得T E X以至后来的L A T E X对中文的支持一直不是很好。即使在CJK解决了中文字符处理的问题以后，中文用户使用L A T E X仍然要面对许多困难。最常见的就是中文化的标题。由于中文习惯和西方语言的不同，使得很难直接使用原有的标题结构来表示中文标题。因此需要对标准L A T E X宏包做较大的修改。此外，还有诸如中文字号的对应关系等等。ctex宏包正是尝试着解决这些问题。中间很多地方用到了在https://www.doczj.com/doc/5811711494.html,论坛上的讨论结果，在此对参与讨论的朋友们表示感谢。 ctex宏包由五个主要文件构成：ctexart.cls、ctexrep.cls、ctexbook.cls和ctex.sty、ctexcap.sty。ctex.sty主要是提供整合的中文环境，可以配合大多数文档类使用。而ctexcap.sty则是在ctex.sty的基础上对L A T E X的三个标准文档类的格式进行修改以符合中文习惯，该宏包只能配合这三个标准文档类使用。ctexart.cls、ctexrep.cls、ctexbook.cls则是ctex.sty、ctexcap.sty分别和三个标准文档类结合产生的新文档类，除了包含ctex.sty、ctexcap.sty的所有功能，还加入了一些修改文档类缺省设置的内容（如使用五号字体为缺省字体）。 1https://www.doczj.com/doc/5811711494.html,/p/ctex-kit/

文档书写格式规范要求

学生会文档书写格式规范要求 目前各部门在日常文书编撰中大多按照个人习惯进行排版，文档中字体、文字大小、行间距、段落编号、页边距、落款等参数设置不规范，严重影响到文书的标准性和美观性，以下是文书标准格式要求及日常文档书写注意事项，请各部门在今后工作中严格实行： 一、文件要求 1.文字类采用Word格式排版 2.统计表、一览表等表格统一用Excel格式排版 3.打印材料用纸一般采用国际标准A4型（210mm×297mm），左侧装订。版面方向以纵向为主，横向为辅，可根据实际需要确定 4.各部门的职责、制度、申请、请示等应一事一报，禁止一份行文内同时表述两件工作。 5.各类材料标题应规范书写，明确文件主要内容。 二、文件格式 （一）标题 1.文件标题：标题应由发文机关、发文事由、公文种类三部分组成，黑体小二号字,不加粗，居中，段后空1行。 （二）正文格式 1. 正文字体：四号宋体，在文档中插入表格，单元格内字体用宋体，字号可根据内容自行设定。 2.页边距：上下边距为2.54厘米；左右边距为 3.18厘米。

3.页眉、页脚：页眉为1.5厘米；页脚为1.75厘米； 4.行间距：1.5倍行距。 5.每段前的空格请不要使用空格，应该设置首先缩进2字符 6.年月日表示：全部采用阿拉伯数字表示。 7.文字从左至右横写。 （三）层次序号 (1)一级标题：一、二、三、 (2)二级标题：（一）（二）（三） (3)三级标题：1. 2. 3. (4)四级标题：（1）（2）（3） 注：三个级别的标题所用分隔符号不同，一级标题用顿号“、”例如：一、二、等。二级标题用括号不加顿号，例如：（三）（四）等。三级标题用字符圆点“.”例如：5. 6.等。 （四）、关于落款： 1.对外行文必须落款“湖南环境生物专业技术学院学生会”“校学生会”各部门不得随意使用。 2.各部门文件落款需注明组织名称及部门“湖南环境生物专业技术学院学生会XX部”“校学生会XX部” 3.所有行文落款不得出现“环境生物学院”“湘环学院”“学生会”等表述不全的简称。 4.落款填写至文档末尾右对齐，与前一段间隔2行 5.时间落款：文档中落款时间应以“2016年5月12日”阿拉伯数字

政府公文写作格式规范

政府公文写作格式 一、眉首部分 （一）发文机关标识 平行文和下行文的文件头，发文机关标识上边缘至上页边为62mm，发文机关下边缘至红色反线为28mm。 上行文中，发文机关标识上边缘至版心上边缘为80mm，即与上页边距离为117mm，发文机关下边缘至红色反线为30mm。 发文机关标识使用字体为方正小标宋_GBK，字号不大于22mm×15mm。 （二）份数序号 用阿拉伯数字顶格标识在版心左上角第一行，不能少于2位数。标识为“编号000001” （三）秘密等级和保密期限 用3号黑体字顶格标识在版心右上角第一行，两字中间空一字。如需要加保密期限的，密级与期限间用“★”隔开，密级中则不空字。 （四）紧急程度 用3号黑体字顶格标识在版心右上角第一行，两字中间空一字。如同时标识密级，则标识在右上角第二行。 （五）发文字号 标识在发文机关标识下两行，用3号方正仿宋_GBK字体剧

中排布。年份、序号用阿拉伯数字标识，年份用全称，用六角括号“〔〕”括入。序号不用虚位，不用“第”。发文字号距离红色反线4mm。 （六）签发人 上行文需要标识签发人，平行排列于发文字号右侧，发文字号居左空一字，签发人居右空一字。“签发人”用3号方正仿宋_GBK，后标全角冒号，冒号后用3号方正楷体_GBK标识签发人姓名。多个签发人的，主办单位签发人置于第一行，其他从第二行起排在主办单位签发人下，下移红色反线，最后一个签发人与发文字号在同一行。 二、主体部分 （一）标题 由“发文机关+事由+文种”组成，标识在红色反线下空两行，用2号方正小标宋_GBK，可一行或多行居中排布。 （二）主送机关 在标题下空一行，用3号方正仿宋_GBK字体顶格标识。回行是顶格，最后一个主送机关后面用全角冒号。 （三）正文 主送机关后一行开始，每段段首空两字，回行顶格。公文中的数字、年份用阿拉伯数字，不能回行，阿拉伯数字：用3号Times New Roman。正文用3号方正仿宋_GBK，小标题按照如下排版要求进行排版：

数字电子技术基础第五版期末知识点总结 新

数字电子技术基础第五版期末知识点总结 数电课程各章重点 第一、二章 逻辑代数基础知识要点 各种进制间的转换，逻辑函数的化简。 一、二进制、十进制、十六进制数之间的转换；二进制数的原码、反码和补码 .8421码 二、逻辑代数的三种基本运算以及5种复合运算的图形符号、表达式和真值表：与、或、非 三、逻辑代数的基本公式和常用公式、基本规则 逻辑代数的基本公式 逻辑代数常用公式： 吸收律：A AB A =+ 消去律：B A B A A +=+ A B A AB =+ 多余项定律：C A AB BC C A AB +=++ 反演定律：B A AB += B A B A ?=+ B A AB B A B A +=+ 基本规则：反演规则和对偶规则，例1-5 四、逻辑函数的三种表示方法及其互相转换 逻辑函数的三种表示方法为：真值表、函数式、逻辑图 会从这三种中任一种推出其它二种，详见例1-7 五、逻辑函数的最小项表示法：最小项的性质；例1-8 六、逻辑函数的化简：要求按步骤解答 1、 利用公式法对逻辑函数进行化简 2、 利用卡诺图对逻辑函数化简 3、 具有约束条件的逻辑函数化简 例1.1 利用公式法化简 BD C D A B A C B A ABCD F ++++=)( 解：BD C D A B A C B A ABCD F ++++=)( BD C D A B A B A ++++= )(C B A C C B A +=+

BD C D A B +++= )(B B A B A =+ C D A D B +++= )(D B BD B +=+ C D B ++= )(D D A D =+ 例1.2 利用卡诺图化简逻辑函数 ∑= )107653()(、、、、m ABCD Y 约束条件为∑8)4210(、、、、 m 解：函数Y 的卡诺图如下： 00 01 11 10000111 10AB CD 11 1× 11×××× D B A Y += 第三章 门电路知识要点 各种门的符号，逻辑功能。 一、三极管开、关状态 1、饱和、截止条件：截止：T be V V <， 饱和：βCS BS B I I i = > 2、反相器饱和、截止判断 二、基本门电路及其逻辑符号 与门、或非门、非门、与非门、OC 门、三态门、异或； 传输门、OC/OD 门及三态门的应用 三、门电路的外特性 1、输入端电阻特性：对TTL 门电路而言，输入端通过电阻接地或低电平时，由于输入电流流过该电阻，会在电阻上产生压降，当电阻大于开门电阻时，相当于逻辑高电平。 习题2-7 5、输出低电平负载电流I OL 6、扇出系数N O 一个门电路驱动同类门的最大数目 第四章 组合逻辑电路知识要点

tabularx宏包中改变弹性列的宽度

tabularx宏包中改变弹性列的宽度\hsize 分类：latex 2012-03-07 21:54 12人阅读评论(0) 收藏编辑删除 \documentclass{article} \usepackage{amsmath} \usepackage{amssymb} \usepackage{latexsym} \usepackage{CJK} \usepackage{tabularx} \usepackage{array} \newcommand{\PreserveBackslash}[1]{\let \temp =\\#1 \let \\ = \temp} \newcolumntype{C}[1]{>{\PreserveBackslash\centering}p{#1}} \newcolumntype{R}[1]{>{\PreserveBackslash\raggedleft}p{#1}} \newcolumntype{L}[1]{>{\PreserveBackslash\raggedright}p{#1}} \begin{document} \begin{CJK*}{GBK}{song} \CJKtilde \begin{tabularx}{10.5cm}{|p{3cm} |>{\setlength{\hsize}{.5\hsize}\centering}X |>{\setlength{\hsize}{1.5\hsize}}X|} %\hsize是自动计算的列宽度，上面{.5\hsize}与{1.5\hsize}中的\hsize前的数字加起来必须等于表格的弹性列数量。对于本例，弹性列有2列，所以“.5+1.5=2”正确。 %共3列，总列宽为10.5cm。第1列列宽为3cm，第3列的列宽是第2列列宽的3倍，其宽度自动计算。第2列文字左右居中对齐。注意：\multicolum命令不能跨越X列。 \hline 聪明的鱼儿在咬钩前常常排祠再三& 这是因为它们要荆断食物是否安全&知果它们认为有危险\\ \hline 它们枕不会吃& 如果它们判定没有危险& 它们就食吞钩\\ \hline 一眼识破诱饵的危险，却又不由自主地去吞钩的& 那才正是人的心理而不是鱼的心理& 是人的愚合而不是鱼的恳奋\\

2-1论文写作要求与格式规范(2009年修订)

广州中医药大学研究生学位论文基本要求与写作规范 为了进一步提高学位工作水平和学位论文质量，保证我校学位论文在结构和格式上的规范与统一，特做如下规定： 一、学位论文基本要求 （一）科学学位硕士论文要求 1.论文的基本科学论点、结论，应在中医药学术上和中医药科学技术上具有一定的理论意义和实践价值。 2.论文所涉及的内容，应反映出作者具有坚实的基础理论和系统的专门知识。 3.实验设计和方法比较先进，并能掌握本研究课题的研究方法和技能。 4.对所研究的课题有新的见解。 5.在导师指导下研究生独立完成。 6.论文字数一般不少于3万字，中、英文摘要1000字左右。 （二）临床专业学位硕士论文要求 临床医学硕士专业学位申请者在临床科研能力训练中学会文献检索、收集资料、数据处理等科学研究的基本方法,培养临床思维能力与分析能力,完成学位论文。 1.学位论文包括病例分析报告及文献综述。 2.学位论文应紧密结合中医临床或中西结合临床实际，以总结临床实践经验为主。 3.学位论文应表明申请人已经掌握临床科学研究的基本方法。 4.论文字数一般不少于15000字，中、英文摘要1000字左右。 （三）科学学位博士论文要求 1.研究的课题应在中医药学术上具有较大的理论意义和实践价值。 2.论文所涉及的内容应反映作者具有坚实宽广的理论基础和系统深入的专门知识，并表明作者具有独立从事科学研究工作的能力。 3.实验设计和方法在国内同类研究中属先进水平，并能独立掌握本研究课题的研究方法和技能。

4.对本研究课题有创造性见解，并取得显著的科研成果。 5.学位论文必须是作者本人独立完成，与他人合作的只能提出本人完成的部分。 6.论文字数不少于5万字，中、英摘要3000字；详细中文摘要(单行本)1万字左右。 （四）临床专业学位博士论文要求 1.要求论文课题紧密结合中医临床或中西结合临床实际，研究结果对临床工作具有一定的应用价值。 2.论文表明研究生具有运用所学知识解决临床实际问题和从事临床科学研究的能力。 3.论文字数一般不少于3万字，中、英文摘要2000字；详细中文摘要(单行本)5000字左右。 二、学位论文的格式要求 （一）学位论文的组成 博士、硕士学位论文一般应由以下几部分组成，依次为：1.论文封面；2. 原创性声明及关于学位论文使用授权的声明；3.中文摘要；4.英文摘要；5.目录； 6.引言； 7.论文正文； 8.结语； 9.参考文献；10.附录；11.致谢。 1.论文封面：采用研究生处统一设计的封面。论文题目应以恰当、简明、引人注目的词语概括论文中最主要的内容。避免使用不常见的缩略词、缩写字，题名一般不超过30个汉字。论文封面“指导教师”栏只写入学当年招生简章注明、经正式遴选的指导教师1人，协助导师名字不得出现在论文封面。 2．原创性声明及关于学位论文使用授权的声明（后附）。 3.中文摘要：要说明研究工作目的、方法、成果和结论。并写出论文关键词3～5个。 4.英文摘要：应有题目、专业名称、研究生姓名和指导教师姓名，内容与中文提要一致，语句要通顺，语法正确。并列出与中文对应的论文关键词3～5个。 5.目录：将论文各组成部分(1～3级)标题依次列出，标题应简明扼要，逐项标明页码，目录各级标题对齐排。 6.引言：在论文正文之前，简要说明研究工作的目的、范围、相关领域前人所做的工作和研究空白，本研究理论基础、研究方法、预期结果和意义。应言简

大数据课程基本概念及技术

大数据是当前很热的一个词。这几年来，云计算、继而大数据，成了整个社会的热点，不管什么，都要带上“大数据”三个字才显得时髦。大数据究竟是什么东西?有哪些相关技术?对普通人的生活会有怎样的影响?我们来一步步弄清这些问题。 一、基本概念 在讲什么是大数据之前，我们首先需要厘清几个基本概念。 1.数据 关于数据的定义，大概没有一个权威版本。为方便，此处使用一个简单的工作定义:数据是可以获取和存储的信息。 直观而言，表达某种客观事实的数值是最容易被人们识别的数据(因为那是“数”)。但实际上，人类的一切语言文字、图形图画、音像记录，所有感官可以察觉的事物，只要能被记下来，能够查询到，就都是数据(data)。

不过数值是所有数据中最容易被处理的一种，许多和数据相关的概念，例如下面的数据可视化和数据分析，最早是立足于数值数据的。 传统意义上的数据一词，尤其是相对于今天的“大数据”的“小数据”,主要指的就是数值数据，甚至在很多情况下专指统计数值数据。这些数值数据用来描述某种客观事物的属性。 2.数据可视化 对应英语的data visulization(或可译为数据展示)，指通过图表将若干数字以直观的方式呈现给读者。比如非常常见的饼图、柱状图、走势图、热点图、K线等等，目前以二维展示为主，不过越来越多的三维图像和动态图也被用来展示数据。 3.数据分析 这一概念狭义上，指统计分析，即通过统计学手段，从数据中精炼对现实的描述。例如:针对以关系型数据库中以table形式存储的数据，按照某些指定的列进行分组，然后计算不同组的均值、方差、分布等。再以可视化的方式讲这些计算结果呈现出来。目前很多文章中提及的数据分析，其实是包括数据可视化的。

公文写作毕业论文写作要求和格式规范

（公文写作）毕业论文写作要求和格式规范

中国农业大学继续教育学院 毕业论文写作要求和格式规范 壹、写作要求 （壹）文体 毕业论文文体类型壹般分为：试验论文、专题论文、调查方案、文献综述、个案评述、计算设计等。学生根据自己的实际情况，能够选择适合的文体写作。 （二）文风 符合科研论文写作的基本要求：科学性、创造性、逻辑性、实用性、可读性、规范性等。写作态度要严肃认真，论证主题应有壹定理论或应用价值；立论应科学正确，论据应充实可靠，结构层次应清晰合理，推理论证应逻辑严密。行文应简练，文笔应通顺，文字应朴实，撰写应规范，要求使用科研论文特有的科学语言。 （三）论文结构和排列顺序 毕业论文，壹般由封面、独创性声明及版权授权书、摘要、目录、正文、后记、参考文献、附录等部分组成且按前后顺序排列。 1．封面：毕业论文（设计）封面（见文件5）具体要求如下： （1）论文题目应能概括论文的主要内容，切题、简洁，不超过30字，可分俩行排列； （2）层次：高起本，专升本，高起专； （3）专业名称：现开设园林、农林经济管理、会计学、工商管理等专业，应按照标准表述填写； （4）密级：涉密论文注明相应保密年限； （5）日期：毕业论文完成时间。 2．独创性声明和关于论文使用授权的说明：（略）。

3．摘要：论文摘要的字数壹般为300字左右。摘要是对论文的内容不加注释和评论的简短陈述，是文章内容的高度概括。主要内容包括：该项研究工作的内容、目的及其重要性；所使用的实验方法；总结研究成果，突出作者的新见解；研究结论及其意义。摘要中不列举例证，不描述研究过程，不做自我评价。 论文摘要后另起壹行注明本文的关键词，关键词是供检索用的主题词条，应采用能够覆盖论文内容的通用专业术语，符合学科分类，壹般为3～5个，按照词条的外延层次从大到小排列。 4．目录（目录示例见附件3）：独立成页，包括论文中的壹级、二级标题、后记、参考文献、和附录以及各项所于的页码。 5．正文：包括前言、论文主体和结论 前言：为正文第壹部分内容，简单介绍本项研究的背景和国内外研究成果、研究现状，明确研究目的、意义以及要解决的问题。 论文主体：是全文的核心部分，于正文中应将调查、研究中所得的材料和数据加工整理和分析研究，提出论点，突出创新。内容可根据学科特点和研究内容的性质而不同。壹般包括：理论分析、计算方法、实验装置和测试方法、对实验结果或调研结果的分析和讨论，本研究方法和已有研究方法的比较等方面。内容要求论点正确，推理严谨，数据可靠，文字精炼，条理分明，重点突出。 结论：为正文最后壹部分，是对主要成果的归纳和总结，要突出创新点，且以简练的文字对所做的主要工作进行评价。 6．后记：对整个毕业论文工作进行简单的回顾总结，对给予毕业论文工作提供帮助的组织或个人表示感谢。内容应尽量简单明了，壹般为200字左右。 7．参考文献：是论文不可或缺的组成部分。它既可反映毕业论文工作中取材广博程度，又可反映文稿的科学依据和作者尊重他人研究成果的严肃态度，仍能够向读者提供有关

配合前面的ntheorem宏包产生各种定理结构

%=== 配合前面的ntheorem宏包产生各种定理结构,重定义一些正文相关标题===% \theoremstyle{plain} \theoremheaderfont{\normalfont\rmfamily\CJKfamily{hei}} \theorembodyfont{\normalfont\rm\CJKfamily{song}} \theoremindent0em \theoremseparator{\hspace{1em}} \theoremnumbering{arabic} %\theoremsymbol{} %定理结束时自动添加的标志 \newtheorem{definition}{\hspace{2em}定义}[chapter] %\newtheorem{definition}{\hei 定义}[section] %!!!注意当section为中国数字时，[sction]不可用！ \newtheorem{proposition}{\hspace{2em}命题}[chapter] \newtheorem{property}{\hspace{2em}性质}[chapter] \newtheorem{lemma}{\hspace{2em}引理}[chapter] %\newtheorem{lemma}[definition]{引理} \newtheorem{theorem}{\hspace{2em}定理}[chapter] \newtheorem{axiom}{\hspace{2em}公理}[chapter] \newtheorem{corollary}{\hspace{2em}推论}[chapter] \newtheorem{exercise}{\hspace{2em}习题}[chapter] \theoremsymbol{$\blacksquare$} \newtheorem{example}{\hspace{2em}例}[chapter] \theoremstyle{nonumberplain} \theoremheaderfont{\CJKfamily{hei}\rmfamily} \theorembodyfont{\normalfont \rm \CJKfamily{song}} \theoremindent0em \theoremseparator{\hspace{1em}} \theoremsymbol{$\blacksquare$} \newtheorem{proof}{\hspace{2em}证明} \usepackage{amsmath}%数学 \usepackage[amsmath,thmmarks,hyperref]{ntheorem} \theoremstyle{break} \newtheorem{example}{Example}[section]