OFFICE高级应用讲座.docx
《OFFICE高级应用讲座.docx》由会员分享,可在线阅读,更多相关《OFFICE高级应用讲座.docx(14页珍藏版)》请在冰豆网上搜索。
OFFICE高级应用讲座
第一部分WORD排版技巧
1.1表格排版技巧
1.表格增加行与列及行列大小调整
(1)将光标移动到表格外的回车符处,敲回车即可加行,加列可以通过拆分单元格或用画笔实现;
(2)行高可以通过表格属性设置;
(3)列宽可以通过双击表列线完成,用ALT加鼠标可以微调表格线;
(4)使用调整表格的自动调整功能,可以使表格按内容或按窗口自动调整大小。
应用案例1:
通讯录
学号
姓名
性别
通讯地址及邮编
E-mail
宿舍号
电话
应用案例2:
象棋棋盘
2.三线表设置
选中表格,可通过工具栏对表格线进行设置。
3.斜线表头
斜线可通过绘图工具栏中的线画出来,而斜线表头中的文字可以用无边框无颜色的文本框实现。
4.标题行重复
选中要表头,在表格菜单中用“标题行重复”实现;
5.表格并排
如果需要将两个表格并排排列时,可用无边框无颜色的文本框实现,将表格画在文本框中,再通过移动文本框实现。
6.表格与文本的互换
1.2图文混排技巧
1.图片的裁剪与压缩
2.图说排版
可通过无边框无颜色的文本框实现,图片可图主还可以放在一个表格中;
3.图层应用
应用案例:
4.文本框的应用
(1)斜线表头
(2)多行文字两端对齐
1.3长文档排版技巧
1.样式定义
用于定义各级标题,一般定义三级标题足够。
2.分页与分节
分页:
只是将文档内容从分页符处强型分成两页,两页的排版版式完全相同
分页:
将文档内容强型分成两页后,前后内容变成两节,各节可以分别以为同的版式进行排版处理,如使用不同的页眉、页码、纸张大小等。
当然也可以相同。
3.目录与页码
4.页眉排版
5.背景图片排版
将某张图片在页眉页脚编辑模式下插入后,该图片就会以前景的形式重复出现在各页文档中。
第二部分EXCEL应用技巧
2.1数据录入与编辑
1.数据录入与填充
(1)EXCEL中的数据类型
EXCEL中数据最常用的类型有三种:
文本型:
可由任意字符组成,默认左对齐
数值型:
由0-9、小数点、e、正负号等组成,默认右对齐,前导0自动删除
日期型:
表示日期的数据,有各种表现形式,习惯上处理成文本型
(2)如果输入纯数字文本型数据
第一种方法:
选中该列,将该列在单元格格式中设置成文本型
第二种方法:
在输入的数据前加一个英文状态的单撇号即可
2.数据录入过程中的数据有效性校验方法
利用数据菜单中的有效性可以对输入区域设置数据有效性校验。
3.粘贴与选择性粘贴
4.条件格式
5.窗口冻结与解冻
2.2EXCEL的公式与函数应用
1.单元格的相对、绝对、混和
当使用的公式中有单元格名称时,我们称之为单元格引用,分为以下三种情况:
(1)相对引用:
公式中直接使用单元格名称,如F3单元格中的公式为“=sum(B3:
E3)”;当公式复制到F4单元格时,公式会自动变为“=sum(B4:
E4)”,如果公式复制到G5单元格时,公式会自动变为“=sum(C5:
F5)”。
公式变化特点:
公式中的单元格名称引用随目标单元格行列变化而发生相应变化,这种引用最常见。
(2)绝对引用:
公式中引用单元格名称时,在单元格名称行号、列标前都加上“$”符号,这种公式被复制或移动到其它单元格时,公式不会发生变化。
如F3单元格中的公式为“=sum($B$3:
$E$3)”;当公式复制到任何地方时,公式均保持不变。
这种方式常用于多个单元格对某一个单元格值的引用。
(3)混合引用:
公式中引用单元格名称时,只在行号或列号前加“$“,这样在复制公式时,加”$”的部分不发生变化,而没加的那部分发生变化,如F3单元格中的公式为“=a$1*$b1”;当公式复制到F4单元格时,公式会自动变为“=a$1*$b2”,如果公式复制到G5单元格时,公式会自动变为“=b$1*$b3”
(4)三维引用:
三维引用是指同一个工作薄中,一个表中的运算需要引用另一个表中的单元格,这时需要在被引用单元格名称前加上工作表名。
例如:
在sheet1中引用sheet2中的单元格D10,则方法为:
sheet2!
d10
工作表名与单元格名称之间用“!
”隔开。
Z=X*Y
xy
10
15
20
25
30
35
40
45
50
55
60
0.01
0.1
1.0
10
100
2.常用函数应用
(1)取整(int)
(2)四舍五入(round)
(3)条件(if)
(4)选择(choose)
(5)求和(sum)
(6)求均值(average)
(7)计数(count)
(8)取左字符串(left)
(9)取右字符串(right)
(10)取中字符串(mid)
(11)*统计频率(frequency)
2.3EXCEL数据查询与管理
1.数据筛选
2.数据透视(求和、求均值、计数等)
应用案例:
计算湖北省各点肥料流失系数
(1)计算各次样品中养分流失量(利用公式计算)
(2)计算各小区监测周期内总养分流失总量(数据透视求和)
(3)计算各处理监测周期内的养分平均流失总量(数据透视求平均)
(4)单位换算,将流失量由公斤/小区换算成公斤/亩
(5)计算各次施肥中N、P含量
(6)汇总和处理监测周期内施肥总量。
(7)计算流失系数
2.4EXCEL图表设计
(各种柱形图、散点图、折线图、饼图、双坐标轴图)
1.柱形图(比较)
2.折线图(变化趋势)
3.饼图(组成比例)
4.双坐标轴图(同一个坐标系下两种变化趋势比较)
5.散点图(回归方程)
2.5EXCEL报表设计
1.纸张大小设置(根据内容决定纸张大小及方向)文件/页面设置…
2.加表格线(格式/单元格…),也可以在格式工具栏上找到相应的工具按钮,也可以在格式工具栏上找到相应的工具按钮后完成选定单元格或区域的边框设置
3.在“格式/行/行高”菜单中设置表格行高
4.打印预览,查看初步排版效果,并在其中单击“页边距”按钮对各行宽度及上下左右边距进行调整
5.单击“设置...”,用表标题做页眉,使每一页都有表标题
6.用页码做页脚,第几页及总页码由按钮生成
7.回到编辑画面,文件——页面设置——工作表——打印标题——设置表头,使每一页都有表头。
2.6邮件合并
邮件合并可以生成版式相同的多页文档和在同一页中设计多个版式相同的标签。
2.7EXCEL编程
1.对象
(1)单元格
Cells(x,y):
x,y分别表示单元格所在的行和列。
例如第3行5列单元格表示为:
cells(3,5)
或
Cells(“单元格名称”):
单元格名称由列编号与行序号组成的,如a1表示第1列第1行。
(2)行
Rows(“n1:
n2”):
n1,n2分别表示起始行和终止行号,例如第3行表示为:
rows(“3:
3”)
(3)列
Columns(“m1:
m2”):
m1,m2分别表示起始列编号和终止列编号,如第3列到第5列表示为:
Columns(“C:
E”)
(4)任意区域
Range(“区域左上角单元格名称:
区域右下角单元名称”)
(5)工作表
Sheets(“工作表标题”):
例如有一个工作表标题为“sheet2”,那我们要对它进行操作时,可以使用sheets(“sheet2”)来标识它。
2.
附录1
水库调洪演算BP网络模型的建立与研究1
※※※1 ※※※2 ※※※1 ※※※3
1.西北农林科技大学水建学院2.西北农林科技大学信息工程学院陕西杨凌712100;
3.浙江省围海工程公司浙江宁波315051
[摘要]分析了影响水库调洪演算的因素,建立了基于人工神经网络下的水库调洪演算BP网络模型,进行了洪水过程模拟和预测;对影响网络收敛速度的因素做了探索研究,阐述了BP网络参数选择原则和选取范围.
[关键词]水库调洪演算;人工神经网络模型;参数选取
水库调洪演算在水库设计中有着举足轻重的地位。
通常借助于水库调洪演算辅助曲线图解计算,该方法操作复杂,曲线更新繁琐,计算精度也受人为因素的影响。
本文以时段水库水量平衡原理和动力平衡原理为依据,使用人工神经网络的理论和技术,建立了基于BP网络的水库调洪演算人工神经网络模型,进行了洪水过程模拟和预测.并对影响网络收敛速度的因素做了探索,阐述了BP网络参数选择原则和选取范围。
1.BP网络模型简介
BP网络模型是实现复杂非线性映射的新方法。
如果网络的输入层神经元个数为n,输出层节点数为m,则该网络实现的是Rn到Rm的映射,即有:
Rn→Rm[1]。
BP算法主要包括两个过程:
一是由学习样本、网络权值W和阈值θ,按照输入层→隐层→输出层的顺序,逐层计算节点的输出;二是由期望输出与计算输出构造出误差函数E(Wk),采用梯度下降法调整网络权值,即
Wk+1=Wk+η
通过不断学习,当误差函数E(Wk+1)小于任意小的值ε时,网络收敛。
2.水库调洪演算的BP网络模型建立
2.1BP网络的输入与输出
水库调洪演算是在水库水量平衡和动力平衡原理(即圣维南方程组的连续方程和动力方程)的支配下进行的[2]。
水库水量平衡方程可用下式描述:
式中,Q1和Q2为时段△t始、末的入库流量(m3/s),q1和q2为时段△t始、末的出库流量(m3/s),V1和V2为时段△t始、未的水库蓄水量(m3),△t为计算时段(s)。
动力平衡用水库的蓄泄关系描述:
q=f(H)
(2)
式中,q是下泄流量(m3/s);H为堰上水头(m)。
在水库调蓄洪水期间,视水库为静水面,则有H=f(V),其中V为水库库容(m3)。
结合
(2)式,则有:
q=f(V)(3)
由
(1)和(3)可得:
q2=f(q1,Q)或q2=f(q1,Q1,Q2)
水库调洪演算的实质就是确定时段末的下泄流量q2。
q2是时段初的下泄流量q1和时段平均入库流量Q的函数,或是时段初的下泄流量q1和时段始、末入库流量Q1、Q2的函数。
它们分别对应于网络的输出和输入,输入与输出之间存在着非线性映射关系。
2.2BP网络模型的建立
经比较,输入层神经元分别为Q1、Q2和q13个,隐层节点数为7,输出层节点数为1,构成BP网络(简称3-7-1模型)。
表1为某水库12h洪水演算数据[2],将其中的前9个洪水过程数据作为学习样本,后3个(内插数据)作为预报样本。
取学习率为1.85,冲量因子为1.3。
经网络不断学习和对学习效果比较,得出网络最优权值和阈值,如矩阵W1、W2、W3、W4所示。
W1为输入层对隐层的权值、W2为隐层对输出层的权值、W3为隐层阈值、W4为输出层阈值,BP模型拟合和预测结果如表2。
W4=-6.6664
表1某水库12h洪水过程基本数据
Table1Somereservoirof12hfloodwaterprocessbasicdata
序号
No.
Q1
(m3/s)
Q2
(m3/s)
q1
(m3/s)
实测值
Realresults
(m3/s)
序号
No.
Q1
(m3/s)
Q2
(m3/s)
q1
(m3/s)
实测值
Realresults
(m3/s)
1
10
140
10
20
7
32
15
130
100
2
140
710
20
105
8
15
10
100
75
3
710
279
105
235
9
10
10
75
65
4
279
131
235
225
10
440
190
165
242
5
131
65
225
175
11
190
95
242
200
6
65
32
175
130
12
95
45
200
150
表2BP模型拟合和预测结果
Table2ImitationandpredictionresultsoffloodWaterprocessBPneuralnetwork
样本序号
No.
实测值
Realresults
(m3/s)
计算值
Calculationresults
(m3/s)
误差
Error
(%)
序号
No
实测值
Realresults
(m3/s)
计算值
Calculationresults
(m3/h)
误差
Error
(%)
1
20
20.94
-1.88
7
100
98.60
1.45
2
105
105.20
-0.02
8
75
76.60
-2.10
3
235
235.00
0.00
9
65
64.36
0.98
4
225
225.19
-0.40
10
242
234.80
3.30
5
75
174.72
-0.46
11
200
202.10
-1.65
6
130
130.72
0.56
12
150
153.70
-2.45
3网络参数对网络收敛速度的影响
在保证网络学习质量的前提下,提高BP网络的收敛速度,一直是人们研究的问题[3]。
对于三层BP网络,影响收敛速度主要因素有:
输入层神经元数、隐层节点数、输出层节点数、学习率、冲量因子。
对此,本文分析研究如下:
3.1输入层神经元个数
一般认为,输入层神经元数为影响因子数[4],但由于研究问题的出发点不同,可得到同一问题,影响因子数不同。
计算结果表明当网络其他参数不变时,输入层神经元数目多时,更有利于提高网络的收敛速度。
水库调洪演算中的输入层神经元个数可为时段初出库流量和时段平均入库流量两个因子,也可为时段初、末入库流量和时段初出库流量3个。
当为2个因子时,网络学习次数为321万次,当为3个时,网络学习次数为260万次,学习次数减少20%。
3.2隐层节点数
隐层节点数个数的确定也是人工神经网络理论界一直研究的问题[3]。
图2表示了不同隐层节点数对网络学习速度的影响,可以看出隐层节点数增多,网络学习次数减少,收敛速度加快;但隐层节点数过大,反而会影响学习速度,考虑学习次数和每次学习时间,本模型以隐层节点数7为宜。
这样也验证kolmogorov定理[5]。
3.3学习率和冲量因子
BP网络中引入学习率和冲量因子的目的是提高网络的学习速度,加快网络收敛[1]。
试验结果表明:
学习率和冲量因子取值不同,对网络的影响程度不同。
当学习率和冲量因子增大时,网络更易于收敛,训练误差也更快满足要求;但当学习因子过大(如学习率为2.8时),观察学习过程,训练误差会出现反复和跳跃;当学习率较小时(小于0.3),训练误差平稳下降,但网络训练次数大大增多。
图3、图4分别表示了“3-7-1”模型在网络其它因子不变时,学习率和冲量因子对网络学习速度的影响。
4结语
人工神经网络由于具有很强的自学习性、自组织性和自适应能力,因而,在水库调洪演算过程中具有许多优点:
对于任意水库的洪水资料,只需采用三层BP网络对实测数据学习,就会产生出满足误差要求的BP网络,方便地进行洪水预报,因此具有广阔的应用前景;BP网络学习过程中的大量参数是学习所得,不受人为因素影响,预报结果准确、精度高。
通过对影响网络收敛速度的因素的试验研究,得到了网络参数选择的原则和范围,避免人们使用时参数选取的盲目性。
但这类问题无论从理论上还是在实践中,尚需进一步研究。
[参考文献]
[1]焦李成.神经网络的应用与实现[M].西安:
西安电子科技大学出版社,1995.
[2]叶守泽.水文水利计算[M].武汉:
武汉电力出版社,1992.271-272,275-276.
[3]丁晶.水文水资源人工神经网络模型的研究神经网络的应用与实现[J].水资源研究,1996(l7):
22-24
[4]陈志军.灌溉发展需求预测人工神经网络模型的建立与应用[J].水利学报.1998.2:
1-3.
[5]NielsenRH.Kolmogorow’sMappingNeuralNetworkExistenceTheorem.SanDiego:
Proc.IEEEFirstInternationalConferenceonNeuralNetworks.1987,3:
11-14