实验报告：用劈尖干涉测量细丝的直径
细丝直径的测量铁丝直径知识讲解
细丝直径的测量铁丝 直径
细丝直径的测量铁丝直径 【实验目的】 (1)通过实验加深对等厚干涉原理及干涉概念的理解 (2)学习用等厚干涉测量铁丝直径的方法 (3)学会读书显微镜的正确使用 【仪器用具】钠光灯读数显微镜劈尖装置 【实验原理】 当两片很平的玻璃叠合在一起，并在其一端垫入细丝时，两玻璃片之间就形成一空气薄层(空气劈)。在单色光束垂直照射下，经劈上、下表面反射后两束反射光是相干的，干涉条纹将是间隔相等且平行于二玻璃交线的明暗交替 的条纹 相邻两暗纹(或明纹)对应的空气厚度 2dk 2 k 2dk, — k 1 2dki dk j 则细丝直径D为 ta n N为干涉条纹总条纹 勿人k |明纹2d /2 2k 1- 暗纹
-------------------------------------------- r --------- D—— 1S-2-------------------------------------------------- L为劈尖的长度用游标卡尺测，S%相邻两暗条纹的间距，用读书显微镜测量(5次测 量) ____ 6 589.3 10 mm A为钠光波长，入二 已知入射光波长，测出N。和L ,就可计算出细丝(或薄片)的直径D。【实验内容】 (1) 将细丝(或薄片)夹在劈尖两玻璃板的一端，另一端直接接触，形成空气劈尖。然后 置于移测显微镜的载物平台上。 (2) 开启钠光灯，调节半反射镜使钠黄光充满整个视场。此时显微镜中的视场由暗变売。 调节显微镜目镜焦距及叉丝方位和劈尖放置的方位。调显微镜物镜焦距看清干涉条纹，并使显微镜同移动方向与干涉条纹相垂直。 (3) 用显微镜测读出叉丝越过条暗 条纹时的距离I,可得到单位长度的条纹数No。 再测出两块玻璃接触处到细丝处的长度L.重复测量五次，根据式 D N丄(/2)计算细丝直径D平均值和不确定度。 【数据记录】 实验测量数据 单位(mm)斥一I，rI ：11
数据挖掘实验报告
《数据挖掘》Weka实验报告 姓名＿学号＿ 指导教师 开课学期2015 至2016 学年 2 学期完成日期2015年6月12日
1.实验目的 基于https://www.wendangku.net/doc/9a10879574.html,/ml/datasets/Breast+Cancer+WiscOnsin+%28Ori- ginal%29的数据，使用数据挖掘中的分类算法，运用Weka平台的基本功能对数据集进行分类，对算法结果进行性能比较，画出性能比较图，另外针对不同数量的训练集进行对比实验，并画出性能比较图训练并测试。 2.实验环境 实验采用Weka平台，数据使用来自https://www.wendangku.net/doc/9a10879574.html,/ml/Datasets/Br- east+Cancer+WiscOnsin+%28Original%29，主要使用其中的Breast Cancer Wisc- onsin (Original) Data Set数据。Weka是怀卡托智能分析系统的缩写，该系统由新西兰怀卡托大学开发。Weka使用Java写成的，并且限制在GNU通用公共证书的条件下发布。它可以运行于几乎所有操作平台，是一款免费的，非商业化的机器学习以及数据挖掘软件。Weka提供了一个统一界面，可结合预处理以及后处理方法，将许多不同的学习算法应用于任何所给的数据集，并评估由不同的学习方案所得出的结果。 3.实验步骤 3.1数据预处理 本实验是针对威斯康辛州(原始)的乳腺癌数据集进行分类，该表含有Sample code number（样本代码)，Clump Thickness（丛厚度），Uniformity of Cell Size （均匀的细胞大小），Uniformity of Cell Shape （均匀的细胞形状），Marginal Adhesion（边际粘连），Single Epithelial Cell Size（单一的上皮细胞大小），Bare Nuclei（裸核），Bland Chromatin（平淡的染色质），Normal Nucleoli（正常的核仁），Mitoses（有丝分裂），Class（分类），其中第二项到第十项取值均为1-10，分类中2代表良性，4代表恶性。通过实验，希望能找出患乳腺癌客户各指标的分布情况。 该数据的数据属性如下： 1. Sample code number（numeric），样本代码； 2. Clump Thickness（numeric），丛厚度；
数据分析实验报告
数据分析实验报告 文稿归稿存档编号：[KKUY-KKIO69-OTM243-OLUI129-G00I-FDQS58-
第一次试验报告 习题1.3 1建立数据集，定义变量并输入数据并保存。 2数据的描述，包括求均值、方差、中位数等统计量。 分析—描述统计—频率，选择如下： 输出： 统计量 全国居民 农村居民 城镇居民 N 有效 22 22 22 缺失 均值 1116.82 747.86 2336.41 中值 727.50 530.50 1499.50 方差 1031026.918 399673.838 4536136.444 百分位数 25 304.25 239.75 596.25 50 727.50 530.50 1499.50 75 1893.50 1197.00 4136.75 3画直方图，茎叶图，QQ 图。（全国居民） 分析—描述统计—探索，选择如下： 输出： 全国居民 Stem-and-Leaf Plot Frequency Stem & Leaf 5.00 0 . 56788 数据分析实验报告 【最新资料，WORD 文档，可编辑修改】
2.00 1 . 03 1.00 1 . 7 1.00 2 . 3 3.00 2 . 689 1.00 3 . 1 Stem width: 1000 Each leaf: 1 case(s) 分析—描述统计—QQ图，选择如下： 输出： 习题1.1 4数据正态性的检验：K—S检验，W检验数据： 取显着性水平为0.05 分析—描述统计—探索，选择如下：（1）K—S检验
结果：p=0.735 大于0.05 接受原假设，即数据来自正太总体。 （2 ）W 检验 结果：在Shapiro-Wilk 检验结果972.00 w ，p=0.174大于0.05 接受原假设，即数据来自正太总体。 习题1.5 5 多维正态数据的统计量 数据：
数据挖掘实验报告(一)
数据挖掘实验报告（一） 数据预处理 姓名：李圣杰 班级：计算机1304 学号：1311610602
一、实验目的 1.学习均值平滑，中值平滑，边界值平滑的基本原理 2.掌握链表的使用方法 3.掌握文件读取的方法 二、实验设备 PC一台，dev-c++5.11 三、实验内容 数据平滑 假定用于分析的数据包含属性age。数据元组中age的值如下（按递增序）：13, 15, 16, 16, 19, 20, 20, 21, 22, 22, 25, 25, 25, 25, 30, 33, 33, 35, 35, 35, 35, 36, 40, 45, 46, 52, 70。使用你所熟悉的程序设计语言进行编程，实现如下功能（要求程序具有通用性）： (a) 使用按箱平均值平滑法对以上数据进行平滑，箱的深度为3。 (b) 使用按箱中值平滑法对以上数据进行平滑，箱的深度为3。 (c) 使用按箱边界值平滑法对以上数据进行平滑，箱的深度为3。 四、实验原理 使用c语言，对数据文件进行读取，存入带头节点的指针链表中，同时计数，均值求三个数的平均值，中值求中间的一个数的值，边界值将中间的数转换为离边界较近的边界值 五、实验步骤 代码 #include
劈尖干涉测量细铜丝直径实验报告
劈尖干涉测量细铜丝直径实验报告软件一班 110604147 王宏静一、实验名称:用劈尖干涉测量细丝的直径 二、实验目的: (1)深入了解等厚干涉。 (2)设计用劈尖干涉测量细丝直径的方 法。 (3)设计合理的测量方法和数据处理方 法，减小实验误差。 三、实验仪器: (1)读数显微镜 (2)纳光灯 (3)平玻璃两片 (4)待测细丝 四、实验原理: 将两块光学玻璃板叠在一起，在一段插入细丝，则在两玻璃间形成一空气劈 尖(如图1 )用单色光垂直照射时和牛顿环一两样，在空气薄膜上下表面反射的两束光发生干涉，其中光程差: 6_2A+A/2 …((? 产生的干涉条纹是一簇与两玻璃板交接线平行且间隔相等的平行条板。如图(2 )显然:6=2d+A/2=(2k+l)‘A/2 k=0,1,2,3,.,…………,? 6=2d+A/2=kA k=1,2,3……… ,?
(图1) 与K纹暗条纹对应的薄膜厚度:d=k*A/2 ………? 显然d=0(棱边)处空气薄膜厚度为d(棱边)处对应k=0是暗条纹，称为零级暗条纹。di=A/2处为一级暗条纹，第k级暗条纹处空气薄膜厚度 为:dk=W2……………? 得。 两相邻暗条纹对应的劈尖厚度之差为Ad=dk+1_dk=A/2_……………? 若两暗条纹之间的距离为I，则劈尖的夹角e(利用sine=M………?求 (图2) 此式表明:在入、e-定时，l为常数，即条纹是等间距的，而且当A-定时(e越大，I越小，条纹越宽，因此e不宜太大。
设金属细丝至棱边的距离为I(欲求金属细 丝的直径D，则可先测L(棱边到金属细丝直径) 和条纹间距L，由?式及sine=D/L求得: D=Lsin e =L*A ，(2+I)……( …((@ 这就是本实验利用劈尖干涉测量金属细丝的直径的公式，如果N很大，实验上往往不是测量两条相邻条纹的间距(而是测量相差N级的两条暗条纹的问题，从而测得的测量结果 D=N*A/2 如果N很大，为了简便，可先测出单位长度内的暗条纹数No和从交纹到金属丝的距离L，那么 N=NoL_ D=NoL‘A/2 五、实验内容与步骤 (1将被测薄片夹在两地平板玻璃的一端，置于读数显微镜底座台面上(调节显微镜，观察劈尖干涉条纹。 (2)由式?可知当波长人已知时，只要读出干涉条纹数K，即可得相应的D。实验时，根据被测物厚薄不同，产生的干涉条纹数值不可，若K较小(K<=100)( 可通过k值总数求D。若k较大(数起来容易出错，可先测出长度L间的干涉条纹x(从而测得单位长度内的干涉条纹数n=x/Lx然后再测出劈尖棱边到薄边的距离L，则k=n*l。薄片厚度为 D=k*A/2=n*I*A/20 A=589.3nm
数据挖掘实验报告资料
大数据理论与技术读书报告 -----K最近邻分类算法 指导老师: 陈莉 学生姓名: 李阳帆 学号: 201531467 专业: 计算机技术 日期 :2016年8月31日
摘要 数据挖掘是机器学习领域内广泛研究的知识领域，是将人工智能技术和数据库技术紧密结合，让计算机帮助人们从庞大的数据中智能地、自动地提取出有价值的知识模式，以满足人们不同应用的需要。K 近邻算法（KNN）是基于统计的分类方法，是大数据理论与分析的分类算法中比较常用的一种方法。该算法具有直观、无需先验统计知识、无师学习等特点，目前已经成为数据挖掘技术的理论和应用研究方法之一。本文主要研究了K 近邻分类算法，首先简要地介绍了数据挖掘中的各种分类算法，详细地阐述了K 近邻算法的基本原理和应用领域，最后在matlab环境里仿真实现，并对实验结果进行分析，提出了改进的方法。 关键词：K 近邻，聚类算法，权重，复杂度，准确度
1.引言 (1) 2.研究目的与意义 (1) 3.算法思想 (2) 4.算法实现 (2) 4.1 参数设置 (2) 4.2数据集 (2) 4.3实验步骤 (3) 4.4实验结果与分析 (3) 5.总结与反思 (4) 附件1 (6)
1.引言 随着数据库技术的飞速发展，人工智能领域的一个分支—— 机器学习的研究自 20 世纪 50 年代开始以来也取得了很大进展。用数据库管理系统来存储数据，用机器学习的方法来分析数据，挖掘大量数据背后的知识，这两者的结合促成了数据库中的知识发现（Knowledge Discovery in Databases，简记 KDD）的产生，也称作数据挖掘（Data Ming，简记 DM）。 数据挖掘是信息技术自然演化的结果。信息技术的发展大致可以描述为如下的过程：初期的是简单的数据收集和数据库的构造；后来发展到对数据的管理，包括：数据存储、检索以及数据库事务处理；再后来发展到对数据的分析和理解， 这时候出现了数据仓库技术和数据挖掘技术。数据挖掘是涉及数据库和人工智能等学科的一门当前相当活跃的研究领域。 数据挖掘是机器学习领域内广泛研究的知识领域，是将人工智能技术和数据库技术紧密结合，让计算机帮助人们从庞大的数据中智能地、自动地抽取出有价值的知识模式，以满足人们不同应用的需要[1]。目前，数据挖掘已经成为一个具有迫切实现需要的很有前途的热点研究课题。 2.研究目的与意义 近邻方法是在一组历史数据记录中寻找一个或者若干个与当前记录最相似的历史纪录的已知特征值来预测当前记录的未知或遗失特征值[14]。近邻方法是数据挖掘分类算法中比较常用的一种方法。K 近邻算法（简称 KNN）是基于统计的分类方法[15]。KNN 分类算法根据待识样本在特征空间中 K 个最近邻样本中的多数样本的类别来进行分类，因此具有直观、无需先验统计知识、无师学习等特点，从而成为非参数分类的一种重要方法。 大多数分类方法是基于向量空间模型的。当前在分类方法中，对任意两个向量： x= ) ,..., , ( 2 1x x x n和) ,..., , (' ' 2 ' 1 'x x x x n 存在 3 种最通用的距离度量：欧氏距离、余弦距 离[16]和内积[17]。有两种常用的分类策略：一种是计算待分类向量到所有训练集中的向量间的距离：如 K 近邻选择K个距离最小的向量然后进行综合，以决定其类别。另一种是用训练集中的向量构成类别向量，仅计算待分类向量到所有类别向量的距离，选择一个距离最小的类别向量决定类别的归属。很明显，距离计算在分类中起关键作用。由于以上 3 种距离度量不涉及向量的特征之间的关系，这使得距离的计算不精确，从而影响分类的效果。
劈尖干涉法测定金属细丝不同位置直径
劈尖干涉法测定金属细丝不同位置直径 系别：计算机科学与技术系专业班级：软件工程1801班 姓名：王睿、罗家鑫指导教师：王天会 摘要：在劈尖干涉法测定金属细丝直径的实际测量中，同一条金属细丝不同位置的直径通常不尽相等。本文将对劈尖干涉法测定金属细丝直径进行一定的理论分析，并证明金属细丝不同位置的直径存在差异并进行简单的不确定度分析。 关键词：金属细丝直径；劈尖干涉法；不同位置；多次测量 一、引言 等厚干涉又是光的干涉中的重要物理实验。而作为等厚干涉的具体应用——利用劈尖干涉法测定金属细丝直径, 是一项很好的设计性实验。理想状态下金属细丝是均匀的，但在基本测量中，我们发现金属细丝与之不符，即其不同位置之间的直径存在一定的差异。为更加直观地解释和说明这一实验现象，本文对此作出了如下的理论分析。 二、理论分析、实验系统、实验数据处理、实验结论 （一）实验原理 1．劈尖干涉原理 两块表面是严格几何平面的玻璃片，将一端互相叠合，另一端插入细丝，两板间即形成空气劈尖，空气劈尖即两玻璃片之间形成一个一段薄一段厚的楔形空气膜，两玻璃片叠合端的交线称为棱边，空气膜的夹角θ称为劈尖楔角。当平行单色光垂直照射到玻璃片时，可以在劈尖表面观察到明暗相间的干涉条纹（若入射光是复色光，则为彩色条纹，这个现象称为劈尖干涉。） 劈尖干涉条纹是由空气膜的上、下表面反射的两列光波叠加干涉而成。当波长为λ的单色光a垂直空气膜表面入射时，由于劈尖楔角θ很小，上、下表面反射的两束相干光叠加干涉而成。当波长为λ的单色光a垂直空气膜表面入射时，由于劈尖楔角θ很小，上、下表面反
第一组中l 的A 类不确定度 ()21 2A --? ?=?-n r x x U 2 101 999908.0129.02--? =- 00062.0=mm 第一组中l 的相对不确定度()()2 B 2 A x U x U U ?+?= 2200062.00005.0+= mm 00079.0=
数据分析实验报告
《数据分析》实验报告 班级：07信计0班学号：姓名：实验日期2010-3-11 实验地点：实验楼505 实验名称：样本数据的特征分析使用软件名称：MATLAB 实验目的1.熟练掌握利用Matlab软件计算均值、方差、协方差、相关系数、标准差与变异系数、偏度与峰度，中位数、分位数、三均值、四分位极差与极差； 2.熟练掌握jbtest与lillietest关于一元数据的正态性检验； 3.掌握统计作图方法； 4.掌握多元数据的数字特征与相关矩阵的处理方法； 实验内容安徽省1990-2004年万元工业GDP废气排放量、废水排放量、固体废物排放量以及用于污染治理的投入经费比重见表6.1.1，解决以下问题：表6.1.1废气、废水、固体废物排放量及污染治理的投入经费占GDP比重 年份 万元工业GDP 废气排放量 万元工业GDP 固体物排放量 万元工业GDP废 水排放量 环境污染治理投 资占GDP比重 （立方米）（千克）（吨）（%）1990 104254.40 519.48 441.65 0.18 1991 94415.00 476.97 398.19 0.26 1992 89317.41 119.45 332.14 0.23 1993 63012.42 67.93 203.91 0.20 1994 45435.04 7.86 128.20 0.17 1995 46383.42 12.45 113.39 0.22 1996 39874.19 13.24 87.12 0.15 1997 38412.85 37.97 76.98 0.21 1998 35270.79 45.36 59.68 0.11 1999 35200.76 34.93 60.82 0.15 2000 35848.97 1.82 57.35 0.19 2001 40348.43 1.17 53.06 0.11 2002 40392.96 0.16 50.96 0.12 2003 37237.13 0.05 43.94 0.15 2004 34176.27 0.06 36.90 0.13 1.计算各指标的均值、方差、标准差、变异系数以及相关系数矩阵； 2.计算各指标的偏度、峰度、三均值以及极差； 3.做出各指标数据直方图并检验该数据是否服从正态分布？若不服从正态分布，利用boxcox变换以后给出该数据的密度函数； 4.上网查找1990-2004江苏省万元工业GDP废气排放量，安徽省与江苏省是 否服从同样的分布？
数据挖掘实验报告-关联规则挖掘
数据挖掘实验报告（二）关联规则挖掘 姓名：李圣杰 班级：计算机1304 学号：1311610602
一、实验目的 1. 1.掌握关联规则挖掘的Apriori算法； 2.将Apriori算法用具体的编程语言实现。 二、实验设备 PC一台，dev-c++5.11 三、实验内容 根据下列的Apriori算法进行编程：
四、实验步骤 1.编制程序。 2.调试程序。可采用下面的数据库D作为原始数据调试程序，得到的候选1项集、2项集、3项集分别为C1、C2、C3，得到的频繁1项集、2项集、3项集分别为L1、L2、L3。
代码 #include 一、实验目的 使用数据挖掘中的分类算法，对数据集进行分类训练并测试。应用不同的分类算法，比较他们之间的不同。与此同时了解Weka平台的基本功能与使用方法。 二、实验环境 实验采用Weka 平台，数据使用Weka安装目录下data文件夹下的默认数据集iris.arff。 Weka是怀卡托智能分析系统的缩写，该系统由新西兰怀卡托大学开发。Weka使用Java 写成的，并且限制在GNU通用公共证书的条件下发布。它可以运行于几乎所有操作平台，是一款免费的，非商业化的机器学习以及数据挖掘软件。Weka提供了一个统一界面，可结合预处理以及后处理方法，将许多不同的学习算法应用于任何所给的数据集，并评估由不同的学习方案所得出的结果。 三、数据预处理 Weka平台支持ARFF格式和CSV格式的数据。由于本次使用平台自带的ARFF格式数据，所以不存在格式转换的过程。实验所用的ARFF格式数据集如图1所示 图1 ARFF格式数据集(iris.arff) 对于iris数据集，它包含了150个实例（每个分类包含50个实例），共有sepal length、sepal width、petal length、petal width和class五种属性。期中前四种属性为数值类型，class属性为分类属性，表示实例所对应的的类别。该数据集中的全部实例共可分为三类：Iris Setosa、Iris Versicolour和Iris Virginica。 实验数据集中所有的数据都是实验所需的，因此不存在属性筛选的问题。若所采用的数据集中存在大量的与实验无关的属性，则需要使用weka平台的Filter(过滤器)实现属性的筛选。 实验所需的训练集和测试集均为iris.arff。 四、实验过程及结果 应用iris数据集，分别采用LibSVM、C4.5决策树分类器和朴素贝叶斯分类器进行测试和评价，分别在训练数据上训练出分类模型，找出各个模型最优的参数值，并对三个模型进行全面评价比较，得到一个最好的分类模型以及该模型所有设置的最优参数。最后使用这些参数以及训练集和校验集数据一起构造出一个最优分类器，并利用该分类器对测试数据进行预测。 1、LibSVM分类 Weka 平台内部没有集成libSVM分类器，要使用该分类器，需要下载libsvm.jar并导入到Weka中。 用“Explorer”打开数据集“iris.arff”，并在Explorer中将功能面板切换到“Classify”。点“Choose”按钮选择“functions(weka.classifiers.functions.LibSVM)”，选择LibSVM分类算法。 在Test Options 面板中选择Cross-Validatioin folds=10，即十折交叉验证。然后点击“start”按钮： 数据分析实验报告 【最新资料，WORD文档，可编辑修改】 第一次试验报告 习题1.3 1建立数据集，定义变量并输入数据并保存。 2数据的描述，包括求均值、方差、中位数等统计量。 分析—描述统计—频率，选择如下： 输出： 方差1031026.918399673.8384536136.444百分位数25304.25239.75596.25 50727.50530.501499.50 751893.501197.004136.75 3画直方图，茎叶图，QQ图。（全国居民） 分析—描述统计—探索，选择如下： 输出： 全国居民Stem-and-Leaf Plot Frequency Stem & Leaf 9.00 0 . 122223344 5.00 0 . 56788 2.00 1 . 03 1.00 1 . 7 1.00 2 . 3 3.00 2 . 689 1.00 3 . 1 Stem width: 1000 Each leaf: 1 case(s) 分析—描述统计—QQ图，选择如下： 输出： 习题1.1 4数据正态性的检验：K—S检验，W检验数据： 取显着性水平为0.05 分析—描述统计—探索，选择如下：（1）K—S检验 单样本Kolmogorov-Smirnov 检验 身高N60正态参数a,,b均值139.00 标准差7.064 最极端差别绝对值.089 正.045 负-.089 Kolmogorov-Smirnov Z.686 渐近显着性(双侧).735 a. 检验分布为正态分布。 b. 根据数据计算得到。 结果：p=0.735 大于0.05 接受原假设，即数据来自正太总体。（2）W检验 实验报告：用劈尖干涉测量细丝的直径 090404162 通信一班 张恺 一、实验名称：用劈尖干涉测量细丝的直径 二、实验目的：（1）深入了解等厚干涉。 （2）设计用劈尖干涉测量细丝直径的方法。 （3）设计合理的测量方法和数据处理方法，减小实验误差。 三、实验仪器：（1）读数显微镜（2）纳光灯（3）平玻璃两片（4） 待测细丝 四、实验原理： 将两块光学玻璃板叠在一起，在一段插入细 丝，则在两玻璃间形成一空气劈尖（如图1）。 当用单色光垂直照射时和牛顿环一两样，在空气 薄膜上下表面反射的两束光发生干涉，其中光程 差: δ=2λ+λ/2 ……………………① 产生的干涉条纹是一簇与两玻璃板交接线 平行且间隔相等的平行条板。如图（2）。显然:δ=2d+λ/2=(2k+1)*λ/2 k=0,1,2,3,……………② δ=2d+λ/2=kλ k=1,2,3,………………③ （图1） 与K纹暗条纹对应的薄膜厚度:d=k*λ /2 ……………………④ 显然d=0（棱边）处空气薄膜厚度为d(棱边) 处对应k=0是暗条纹，称为零级暗条纹。d 1 =λ /2处为一级暗条纹，第k级暗条纹处空气薄膜 厚度为:d k =kλ/2 ……………⑤ 两相邻暗条纹对应的劈尖厚度之差为△d=d k+1 -dk=λ/2………………⑥ 若两暗条纹之间的距离为l，则劈尖的夹角θ，利用sinθ=λ/l……… ⑦求得。 （图2） 此式表明：在λ、θ一定时，l为常数，即条纹是等间距的，而且当λ一定时，θ越大，l越小，条纹越宽，因此θ不宜太大。 设金属细丝至棱边的距离为l，欲求金属细丝的直径D，则可先测L（棱边到金属细丝直径）和条纹间距L，由⑦式及sinθ=D/L求得： D=Lsinθ=L*λ/(2*l)……………………………………⑧ 这就是本实验利用劈尖干涉测量金属细丝的直径的公式，如果N很大，实验上往往不是测量两条相邻条纹的间距，而是测量相差N级的两条暗条纹 的问题，从而测得的测量结果 D=N*λ/2 如果N很大，为了简便，可先测出单位长度内的暗条纹数N 和从交纹到 金属丝的距离L，那么 N=N 0L………………………D=N L*λ/2 五、实验内容与步骤 实验一 ID3算法实现 一、实验目的 通过编程实现决策树算法，信息增益的计算、数据子集划分、决策树的构建过程。加深对相关算法的理解过程。 实验类型：验证 计划课间：4学时 二、实验内容 1、分析决策树算法的实现流程； 2、分析信息增益的计算、数据子集划分、决策树的构建过程； 3、根据算法描述编程实现算法，调试运行； 4、对所给数据集进行验算，得到分析结果。 三、实验方法 算法描述： 以代表训练样本的单个结点开始建树； 若样本都在同一个类，则该结点成为树叶，并用该类标记； 否则，算法使用信息增益作为启发信息，选择能够最好地将样本分类的属性； 对测试属性的每个已知值，创建一个分支，并据此划分样本； 算法使用同样的过程，递归形成每个划分上的样本决策树 递归划分步骤，当下列条件之一成立时停止： 给定结点的所有样本属于同一类； 没有剩余属性可以进一步划分样本，在此情况下，采用多数表决进行 四、实验步骤 1、算法实现过程中需要使用的数据结构描述： Struct {int Attrib_Col; // 当前节点对应属性 int Value; // 对应边值 Tree_Node* Left_Node; // 子树 Tree_Node* Right_Node // 同层其他节点 Boolean IsLeaf; // 是否叶子节点 int ClassNo; // 对应分类标号 }Tree_Node; 2、整体算法流程 主程序： InputData(); T=Build_ID3(Data,Record_No, Num_Attrib); OutputRule(T); 释放内存; 3、相关子函数： 3.1、 InputData() { 输入属性集大小Num_Attrib; 输入样本数Num_Record; 分配内存Data[Num_Record][Num_Attrib]; 输入样本数据Data[Num_Record][Num_Attrib]； 获取类别数C(从最后一列中得到); } 3.2、Build_ID3(Data,Record_No, Num_Attrib) { Int Class_Distribute[C]; If (Record_No==0) { return Null } N=new tree_node(); 计算Data中各类的分布情况存入Class_Distribute Temp_Num_Attrib=0; For (i=0;i 细丝直径的测量 摘要：根据等厚干涉原理，利用劈尖干涉，成功测量除了头发丝的直径。发丝的直径，我们对它的估值约为0.06mm，对于这么小的细丝的直径，我们用卡尺或千分尺测量，最小分度顶多也就0.01mm，这样一来，测量的值误差较大，利用劈尖等厚干涉法，根据两相邻干涉暗纹厚度差l/2，l的大小为0.0005893mm。显然测量的结果误差较小。 关键词：干涉劈尖细丝直径 引言：根据薄膜干涉原理，用两个很平的玻璃板间产生一个很小的角度，就构成一个楔形空气薄膜，用已知波长的单色光入射产生的干涉条纹，可以测量头发丝的直径。 1.实验原理 当两片很平的玻璃叠合在一起，并在其一端垫入细丝时，两玻璃片之间就形成一空气薄层（空气劈）。在单色光束垂直照射下，经劈上、下表面反射后两束反射光是相干的，干涉条纹将是间隔相等且平行于二玻璃交线的明暗交替的条纹。 相邻两暗纹（或明纹）对应的空气厚度 则细丝直径D为 为干涉条纹总条纹 L为劈尖的长度用游标卡尺测 S为相邻两暗条纹的间距，用读书显微镜测量（5次测量） Λ为钠光波长，λ N和L,就可计算出细丝（或薄片）的直径D。 已知入射光波长λ，测出 2.实验方法： 实验仪器：钠光灯读数显微镜劈尖装置 1、将细丝（或薄片）夹在劈尖两玻璃板的一端，另一端直接接触，形成空气劈尖。然后置于移测显微镜的载物平台上。 2、开启钠光灯，调节半反射镜使钠黄光充满整个视场。此时显微镜中的视场由暗变亮。 调节显微镜目镜焦距及叉丝方位和劈尖放置的方位。调显微镜物镜焦距看清干涉条纹，并使显微镜同移动方向与干涉条纹相垂直。 3、用显微镜测读出叉丝越过条暗条纹时的距离l,可得到单位长度的条纹数0N 。再测出两块玻璃接触处到细丝处的长度L.重复测量五次，根据式)2/(0λL N D =计算细丝直径D 平均值和不确定度。 3 实验数据处理： 实验测量数据 单位（mm ） 5 j i S S - S1 10.505 S6 11.330 0.165 S2 10.674 S7 11.509 0.167 S3 10.837 S8 11.682 0.169 S4 11.006 S9 11.842 0.167 S5 11.176 S10 12.018 0.168 实验三 一、实验原理 K-Means算法是一种 cluster analysis 的算法，其主要是来计算数据聚集的算法，主要通过不断地取离种子点最近均值的算法。 在数据挖掘中，K-Means算法是一种cluster analysis的算法，其主要是来计算数据聚集的算法，主要通过不断地取离种子点最近均值的算法。 算法原理： (1) 随机选取k个中心点； (2) 在第j次迭代中，对于每个样本点，选取最近的中心点，归为该类； (3) 更新中心点为每类的均值； (4) j<-j+1 ,重复(2)(3)迭代更新，直至误差小到某个值或者到达一定的迭代步 数，误差不变. 空间复杂度o(N) 时间复杂度o(I*K*N) 其中N为样本点个数，K为中心点个数，I为迭代次数 二、实验目的： 1、利用R实现数据标准化。 2、利用R实现K-Meams聚类过程。 3、了解K-Means聚类算法在客户价值分析实例中的应用。 三、实验内容 依据航空公司客户价值分析的LRFMC模型提取客户信息的LRFMC指标。对其进行标准差标准化并保存后，采用k-means算法完成客户的聚类，分析每类的客户特征，从而获得每类客户的价值。编写R程序，完成客户的k-means聚类，获得聚类中心与类标号，并统计每个类别的客户数 四、实验步骤 1、依据航空公司客户价值分析的LRFMC模型提取客户信息的LRFMC指标。 2、确定要探索分析的变量 3、利用R实现数据标准化。 4、采用k-means算法完成客户的聚类，分析每类的客户特征，从而获得每类客户的价值。 客户的k-means聚类，获得聚类中心与类标号，并统计每个类别的客户数 六、思考与分析 使用不同的预处理对数据进行变化，在使用k-means算法进行聚类，对比聚类的结果。 kmenas算法首先选择K个初始质心，其中K是用户指定的参数，即所期望的簇的个数。 这样做的前提是我们已经知道数据集中包含多少个簇. 1.与层次聚类结合 经常会产生较好的聚类结果的一个有趣策略是，首先采用层次凝聚算法决定结果 劈尖干涉法测细直径 ————————————————————————————————作者：————————————————————————————————日期： 细丝直径的测量 摘要：根据等厚干涉原理，利用劈尖干涉，成功测量除了头发丝的直径。发丝的直径，我们对它的估值约为0.06mm，对于这么小的细丝的直径，我们用卡尺或千分尺测量，最小分度顶多也就0.01mm，这样一来，测量的值误差较大，利用劈尖等厚干涉法，根据两相邻干涉暗纹厚度差l/2，l的大小为0.0005893mm。显然测量的结果误差较小。 关键词：干涉劈尖细丝直径 引言：根据薄膜干涉原理，用两个很平的玻璃板间产生一个很小的角度，就构成一个楔形空气薄膜，用已知波长的单色光入射产生的干涉条纹，可以测量头发丝的直径。 1.实验原理 当两片很平的玻璃叠合在一起，并在其一端垫入细丝时，两玻璃片之间就形成一空气薄层（空气劈）。在单色光束垂直照射下，经劈上、下表面反射后两束反射光是相干的，干涉条纹将是间隔相等且平行于二玻璃交线的明暗交替的条纹。 λλk d =+=?2 2明纹 ()21222λ λ+=+=?k d 暗纹 相邻两暗纹（或明纹）对应的空气厚度 λ λ k d k =+ 2 2 () 12 21+=+ +k d k λ 21λ = -+k k d d 则细丝直径D 为 2λ N D = N 为干涉条纹总条纹 S L D 2 tan λ αα==≈ 2λ?= S L D L 为劈尖的长度用游标卡尺测 S 为相邻两暗条纹的间距，用读书显微镜测量（5次测量） Λ 为钠光波长，λ = mm 103.5896-? 已知入射光波长λ，测出0N 和L ,就可计算出细丝（或薄片）的直径D 。 2.实验方法： 实验仪器：钠光灯 读数显微镜 劈尖装置 数据分析与挖掘实验报告 《数据挖掘》实验报告 目录 1.关联规则的基本概念和方法 (1) 1.1数据挖掘 (1) 1.1.1数据挖掘的概念 (1) 1.1.2数据挖掘的方法与技术 (2) 1.2关联规则 (5) 1.2.1关联规则的概念 (5) 1.2.2关联规则的实现——Apriori算法 (7) 2.用Matlab实现关联规则 (12) 2.1Matlab概述 (12) 2.2基于Matlab的Apriori算法 (13) 3.用java实现关联规则 (19) 3.1java界面描述 (19) 3.2java关键代码描述 (23) 4、实验总结 (29) 4.1实验的不足和改进 (29) 4.2实验心得 (30) 1.关联规则的基本概念和方法 1.1数据挖掘 1.1.1数据挖掘的概念 计算机技术和通信技术的迅猛发展将人类社会带入到了信息时代。在最近十几年里，数据库中存储的数据急剧增大。数据挖掘就是信息技术自然进化的结果。数据挖掘可以从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的，人们事先不知道的但又是潜在有用的信息和知识的过程。 许多人将数据挖掘视为另一个流行词汇数据中的知识发现（KDD）的同义词，而另一些人只是把数据挖掘视为知识发现过程的一个基本步骤。知识发现过程如下： ·数据清理（消除噪声和删除不一致的数据）·数据集成（多种数据源可以组合在一起）·数据转换（从数据库中提取和分析任务相关的数据） ·数据变换（从汇总或聚集操作，把数据变换和统一成适合挖掘的形式） ·数据挖掘（基本步骤，使用智能方法提取数 据模式） ·模式评估（根据某种兴趣度度量，识别代表知识的真正有趣的模式） ·知识表示（使用可视化和知识表示技术，向用户提供挖掘的知识）。 1.1.2数据挖掘的方法与技术 数据挖掘吸纳了诸如数据库和数据仓库技术、统计学、机器学习、高性能计算、模式识别、神经网络、数据可视化、信息检索、图像和信号处理以及空间数据分析技术的集成等许多应用领域的大量技术。数据挖掘主要包括以下方法。神经网络方法：神经网络由于本身良好的鲁棒性、自组织自适应性、并行处理、分布存储和高度容错等特性非常适合解决数据挖掘的问题，因此近年来越来越受到人们的关注。典型的神经网络模型主要分3大类：以感知机、bp反向传播模型、函数型网络为代表的，用于分类、预测和模式识别的前馈式神经网络模型；以hopfield 的离散模型和连续模型为代表的，分别用于联想记忆和优化计算的反馈式神经网络模型；以art 模型、koholon模型为代表的，用于聚类的自组 数据预处理 一、实验原理 预处理方法基本方法 1、数据清洗 去掉噪声和无关数据 2、数据集成 将多个数据源中的数据结合起来存放在一个一致的数据存储中 3、数据变换 把原始数据转换成为适合数据挖掘的形式 4、数据归约 主要方法包括:数据立方体聚集，维归约，数据压缩，数值归约，离散化和概念分层等二、实验目的 掌握数据预处理的基本方法。 三、实验内容 1、R语言初步认识（掌握R程序运行环境） 2、实验数据预处理。（掌握R语言中数据预处理的使用） 对给定的测试用例数据集，进行以下操作。 1）、加载程序，熟悉各按钮的功能。 2）、熟悉各函数的功能，运行程序，并对程序进行分析。 对餐饮销量数据进统计量分析，求销量数据均值、中位数、极差、标准差，变异系数和四分位数间距。 对餐饮企业菜品的盈利贡献度（即菜品盈利帕累托分析），画出帕累托图。 3）数据预处理 缺省值的处理：用均值替换、回归查补和多重查补对缺省值进行处理 对连续属性离散化：用等频、等宽等方法对数据进行离散化处理 四、实验步骤 1、R语言运行环境的安装配置和简单使用 （1）安装R语言 R语言下载安装包，然后进行默认安装，然后安装RStudio 工具（2）R语言控制台的使用 1.2.1查看帮助文档 1.2.2 安装软件包 1.2.3 进行简单的数据操作 （3）RStudio 简单使用 1.3.1 RStudio 中进行简单的数据处理 1.3.2 RStudio 中进行简单的数据处理 2、R语言中数据预处理 （1）加载程序，熟悉各按钮的功能。 （2）熟悉各函数的功能，运行程序，并对程序进行分析 2.2.1 销量中位数、极差、标准差，变异系数和四分位数间距。 , 2.2.2对餐饮企业菜品的盈利贡献度（即菜品盈利帕累托分析），画出帕累托图。大数据挖掘weka大数据分类实验报告材料
数据分析实验报告
试验报告用劈尖干涉测量细丝的直径
数据挖掘实验报告1
劈尖干涉法测细丝直径(参考模板)
数据挖掘实验报告三
劈尖干涉法测细直径
数据分析与挖掘实验报告
数据挖掘实验报告一