实验三决策树算法实验实验报告材料
实验三决策树算法实验
一、实验目的：熟悉和掌握决策树的分类原理、实质和过程；掌握典型的学习算法和实现技术。
二、实验原理: 决策树学习和分类.
三、实验条件：
四、实验内容：
1 根据现实生活中的原型自己创建一个简单的决策树。
2 要求用这个决策树能解决实际分类决策问题。
五、实验步骤：
1、验证性实验：
（1）算法伪代码
算法Decision_Tree(data,AttributeName) 输入由离散值属性描述的训练样本集data; 候选属性集合AttributeName。
输出一棵决策树。（1）创建节点N；
（2） If samples 都在同一类C中then （3）返回N作为叶节点，以类C标记；（4） If attribute_list为空then
（5）返回N作为叶节点，以samples 中最普遍的类标记；//多数表决（6）选择attribute_list 中具有最高信息增益的属性test_attribute; （7）以test_attribute 标记节点N；
（8） For each test_attribute 的已知值v //划分 samples ；
（9）由节点N分出一个对应test_attribute=v的分支；
（10令Sv为 samples中 test_attribute=v 的样本集合；//一个划分块（11）If Sv为空 then
（12）加上一个叶节点，以samples中最普遍的类标记；
（13）Else 加入一个由Decision_Tree(Sv,attribute_list-test_attribute)返回节点值。
（2）实验数据预处理
Age:30岁以下标记为“1”；30岁以上50岁以下标记为“2”；50岁以上标记为“3”。Sex：FEMAL----“1”；MALE----“2”
Region：INNER CITY----“1”；TOWN----“2”；RURAL----“3”；SUBURBAN----“4”Income：5000~2万----“1”；2万~4万----“2”；4万以上----“3”Married Children Car
文案大全
Mortgage
Pep：以上五个条件，若为“是”标记为“1”，若为“否”标记为“2”。Age sex region income married children car mortgage pep
1 2 1 1 2 1 1 2 2
1 2 1 1 2 2 2 2 1
2 1 4 1 2 1 2 2 1
2 1 1 1 1 2 2 2 2
1 2 1 1 1 2 2 2 2
1 2 1 1 2 1 2 1 1
2 1 2 1 1 2 1 1 2
2 1 1 1 2 1 1 2 1
2 1
3 1 2 2 1 2 1
2 1 2 2 2 1 2 2 2
2 2 1 2 2 2 2 1 1
2 1 2 2 1 1 2 1 1
2 2 1 2 1 2 2 1 2
1 1 1
2 1 2 2 2 1
3 2 1 2 1 1 1 2 2
1 1 1
2 1 1 1 2 1
1 1 3
2 2 2 1 2 1
3 1 2 2 1 2 2 2 1
3 2 3 3 1 1 1 2 1
3 2 2 3 1 2 1 1 2
3 1 3 3 1 1 2 2 1
3 2 1 3 1 2 1 2 2
3 2 1 3 1 1 1 1 1
文案大全
3 1 1 3 1 2 1 1 2
3 1 3 3 1 2 2 2 2
3 2
4 3 1 2 2 1 1
3 1 3 3 2 2 1 1 2
（3）Matlab语句：
[Tree RulesMatrix]= DecisionTree(DataSet, AttributName)；
六、实验结果：
文案大全
文案大全
文案大全
实验程序：
function [Tree RulesMatrix]=DecisionTree(DataSet,AttributName)
%输入为训练集，为离散后的数字，如记录1：1 1 3 2 1；
%前面为属性列，最后一列为类标
if nargin<1
error('请输入数据集');
else
if isstr(DataSet)
[DataSet AttributValue]=readdata2(DataSet);
else
AttributValue=[];
end
end
if nargin<2
AttributName=[];
end
Attributs=[1:size(DataSet,2)-1];
Tree=CreatTree(DataSet,Attributs);
disp([char(13) 'The Decision Tree:']);
showTree(Tree,0,0,1,AttributValue,AttributName);
Rules=getRule(Tree);
RulesMatrix=zeros(size(Rules,1),size(DataSet,2));
for i=1:size(Rules,1)
rule=cell2struct(Rules(i,1),{'str'});
rule=str2num([rule.str([1:(find(rule.str=='C')-1)]) rule.str((find(rule.str=='C')+1):length(rule.str))]); for j=1:(length(rule)-1)/2
文案大全
RulesMatrix(i,rule((j-1)*2+1))=rule(j*2);
end
RulesMatrix(i,size(DataSet,2))=rule(length(rule));
end
end
function Tree=CreatTree(DataSet,Attributs) %决策树程序输入为：数据集，属性名列表 %disp(Attributs);
[S ValRecords]=ComputEntropy(DataSet,0);
if(S==0) %当样例全为一类时退出，返回叶子节点类标
for i=1:length(ValRecords)
if(length(ValRecords(i).matrix)==size(DataSet,1))
break;
end
end
Tree.Attribut=i;
Tree.Child=[];
return;
end
if(length(Attributs)==0) %当条件属性个数为0时返回占多数的类标
mostlabelnum=0;
mostlabel=0;
for i=1:length(ValRecords)
if(length(ValRecords(i).matrix)>mostlabelnum)
mostlabelnum=length(ValRecords(i).matrix);
mostlabel=i;
end
文案大全
end
Tree.Attribut=mostlabel;
Tree.Child=[];
return;
end
for i=1:length(Attributs)
[Sa(i) ValRecord]=ComputEntropy(DataSet,i);
Gains(i)=S-Sa(i);
AtrributMatric(i).val=ValRecord;
end
[maxval maxindex]=max(Gains);
Tree.Attribut=Attributs(maxindex);
Attributs2=[Attributs(1:maxindex-1) Attributs(maxindex+1:length(Attributs))];
for j=1:length(AtrributMatric(maxindex).val)
DataSet2=[DataSet(AtrributMatric(maxindex).val(j).matrix',1:maxindex-1) DataSet(AtrributMatric(maxindex).val(j).matrix',maxindex+1:size(DataSet,2))]; if(size(DataSet2,1)==0)
mostlabelnum=0;
mostlabel=0;
for i=1:length(ValRecords)
if(length(ValRecords(i).matrix)>mostlabelnum)
mostlabelnum=length(ValRecords(i).matrix);
mostlabel=i;
end
end
Tree.Child(j).root.Attribut=mostlabel;
文案大全
Tree.Child(j).root.Child=[];
else
Tree.Child(j).root=CreatTree(DataSet2,Attributs2);
end
end
end
function [Entropy RecordVal]=ComputEntropy(DataSet,attribut) %计算信息熵
if(attribut==0)
clnum=0;
for i=1:size(DataSet,1)
if(DataSet(i,size(DataSet,2))>clnum) %防止下标越界
classnum(DataSet(i,size(DataSet,2)))=0;
clnum=DataSet(i,size(DataSet,2));
RecordVal(DataSet(i,size(DataSet,2))).matrix=[];
end
classnum(DataSet(i,size(DataSet,2)))=classnum(DataSet(i,size(DataSet,2)))+1;
RecordVal(DataSet(i,size(DataSet,2))).matrix=[RecordVal(DataSet(i,size(DataSet,2))).matrix i]; end
Entropy=0;
for j=1:length(classnum)
P=classnum(j)/size(DataSet,1);
if(P~=0)
Entropy=Entropy+(-P)*log2(P);
end
end
文案大全
else
valnum=0;
for i=1:size(DataSet,1)
if(DataSet(i,attribut)>valnum) %防止参数下标越界
clnum(DataSet(i,attribut))=0;
valnum=DataSet(i,attribut);
Valueexamnum(DataSet(i,attribut))=0;
RecordVal(DataSet(i,attribut)).matrix=[]; %将编号保留下来，以方便后面按值分割数据集 end
if(DataSet(i,size(DataSet,2))>clnum(DataSet(i,attribut))) %防止下标越界
Value(DataSet(i,attribut)).classnum(DataSet(i,size(DataSet,2)))=0;
clnum(DataSet(i,attribut))=DataSet(i,size(DataSet,2));
end
Value(DataSet(i,attribut)).classnum(DataSet(i,size(DataSet,2)))=
Value(DataSet(i,attribut)).classnum(DataSet(i,size(DataSet,2)))+1;
Valueexamnum(DataSet(i,attribut))= Valueexamnum(DataSet(i,attribut))+1;
RecordVal(DataSet(i,attribut)).matrix=[RecordVal(DataSet(i,attribut)).matrix i];
end
Entropy=0;
for j=1:valnum
Entropys=0;
for k=1:length(Value(j).classnum)
P=Value(j).classnum(k)/Valueexamnum(j);
if(P~=0)
Entropys=Entropys+(-P)*log2(P);
end
文案大全
end
Entropy=Entropy+(Valueexamnum(j)/size(DataSet,1))*Entropys; end
end
end
function showTree(Tree,level,value,branch,AttributValue,AttributName)
blank=[];
for i=1:level-1
if(branch(i)==1)
blank=[blank ' |'];
else
blank=[blank ' '];
end
end
blank=[blank ' '];
if(level==0)
blank=[' (The Root):'];
else
if isempty(AttributValue)
blank=[blank '|_____' int2str(value) '______'];
else
blank=[blank '|_____' value '______'];
end
end
if(length(Tree.Child)~=0) %非叶子节点
if isempty(AttributName)
文案大全
disp([blank 'Attribut ' int2str(Tree.Attribut)]);
else
disp([blank 'Attribut ' AttributName{Tree.Attribut}]);
end
if isempty(AttributValue)
for j=1:length(Tree.Child)-1
showTree(Tree.Child(j).root,level+1,j,[branch 1],AttributValue,AttributName);
end
showTree(Tree.Child(length(Tree.Child)).root,level+1,length(Tree.Child),[branch(1:length(branch)-1) 0 1],AttributValue,AttributName);
else
for j=1:length(Tree.Child)-1
showTree(Tree.Child(j).root,level+1,AttributValue{Tree.Attribut}{j},[branch 1],AttributValue,AttributName);
end
showTree(Tree.Child(length(Tree.Child)).root,level+1,AttributValue{Tree.Attribut}{length(Tree.Child)},[branch(1:length(branch)-1) 0 1],AttributValue,AttributName);
end
else
if isempty(AttributValue)
disp([blank 'leaf ' int2str(Tree.Attribut)]);
else
disp([blank 'leaf ' AttributValue{length(AttributValue)}{Tree.Attribut}]);
end
end
end
文案大全
function Rules=getRule(Tree)
if(length(Tree.Child)~=0)
Rules={};
for i=1:length(Tree.Child)
content=getRule(Tree.Child(i).root);
%disp(content);
%disp([num2str(Tree.Attribut) ',' num2str(i) ',']);
for j=1:size(content,1)
rule=cell2struct(content(j,1),{'str'});
content(j,1)={[num2str(Tree.Attribut) ',' num2str(i) ',' rule.str]}; end
Rules=[Rules;content];
end
else
Rules={['C' num2str(Tree.Attribut)]};
end
end
文案大全
材料分析方法实验报告
篇一：材料分析方法实验报告 篇二：材料分析方法课程设计报告 材料分析测试方法 课程设计（论文） 题目：磁控溅射c/w多层膜成分及微观分析 学院材料科学与工程 专业材料化学 班级材化082 学生王维娜 学号 3080101296 指导教师陈迪春 起止时间 2010.12.27-2011.1.1 年 材料分析测试方法课程设计任务书 课程设计内容要求： 掌握高分辨透射电子显微镜样品制备方法，学习并了解真空镀膜 技术-磁控溅射技术，多层膜制备过程，以及其微观结构分析，成分 分析所用仪器和原理。 学生（签名） 月日 材料分析测试方法课程设计评语 指导教师（签名） 年日 目录 材料分析测试方法 ............................................................................. .. (1) 1.1 磁控溅射 ............................................................................. (5) 1.2 x射线衍射仪 ............................................................................. . (5) 1.3 透射电子显微镜 ............................................................................. (6) 1.4 x射线光电子能谱仪（xps） ........................................................................ (7) 第二章实验方法 ............................................................................. .. (9) 2.1 tem样品的制备方法 .............................................................................
材料现代分析方法练习题及答案
8. 什么是弱束暗场像？与中心暗场像有何不同？试用Ewald图解说明。 答：弱束暗场像是通过入射束倾斜，使偏离布拉格条件较远的一个衍射束通过物镜光阑，透射束和其他衍射束都被挡掉，利用透过物镜光阑的强度较弱的衍射束成像。 与中心暗场像不同的是，中心暗场像是在双光束的条件下用的成像条件成像，即除直射束外只有一个强的衍射束，而弱束暗场像是在双光阑条件下的g/3g的成像条件成像，采用很大的偏离参量s。中心暗场像的成像衍射束严格满足布拉格条件，衍射强度较强，而弱束暗场像利用偏离布拉格条件较远的衍射束成像，衍射束强度很弱。采用弱束暗场像，完整区域的衍射束强度极弱，而在缺陷附近的极小区域内发生较强的反射，形成高分辨率的缺陷图像。图：PPT透射电子显微技术1页 10. 透射电子显微成像中，层错、反相畴界、畴界、孪晶界、晶界等衍衬像有何异同？用什么办法及根据什么特征才能将它们区分开来？ 答：由于层错区域衍射波振幅一般与无层错区域衍射波振幅不同，则层错区和与相邻区域形成了不同的衬度，相应地出现均匀的亮线和暗线，由于层错两侧的区域晶体结构和位相相同，故所有亮线和暗线的衬度分别相同。层错衍衬像表现为平行于层错面迹线的明暗相间的等间距条纹。 孪晶界和晶界两侧的晶体由于位向不同，或者还由于点阵类型不同，一边的晶体处于双光束条件时，另一边的衍射条件不可能是完全相同的，也可能是处于无强衍射的情况，就相当于出现等厚条纹，所以他们的衍衬像都是间距不等的明暗相间的条纹，不同的是孪晶界是一条直线，而晶界不是直线。 反相畴界的衍衬像是曲折的带状条纹将晶粒分隔成许多形状不规则的小区域。 层错条纹平行线直线间距相等 反相畴界非平行线非直线间距不等 孪晶界条纹平行线直线间距不等 晶界条纹平行线非直线间距不等 11.什么是透射电子显微像中的质厚衬度、衍射衬度和相位衬度。形成衍射衬度像和相位衬度像时，物镜在聚焦方面有何不同？为什么？ 答：质厚衬度：入射电子透过非晶样品时，由于样品不同微区间存在原子序数或厚度的差异，导致透过不同区域落在像平面上的电子数不同，对应各个区域的图像的明暗不同，形成的衬度。 衍射衬度：由于样品中的不同晶体或同一晶体中不同部位的位向差异导致产生衍射程度不同而形成各区域图像亮度的差异，形成的衬度。 相位衬度：电子束透过样品，试样中原子核和核外电子产生的库伦场导致电子波的相位发生变化，样品中不同微区对相位变化作用不同，把相应的相位的变化情况转变为相衬度，称为相位衬度。 物镜聚焦方面的不同：透射电子束和至少一个衍射束同时通过物镜光阑成像时，透射束和衍射束相互干涉形成反应晶体点阵周期的条纹成像或点阵像或结构物象，这种相位衬度图像的形成是透射束和衍射束相干的结果，而衍射衬度成像只用透射束或者衍射束成像。
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.sodocs.net/doc/8816082545.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.sodocs.net/doc/8816082545.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；
算法设计与分析实验报告贪心算法
算法设计与分析实验报告 贪心算法 班级：2013156 学号：201315614 姓名：张春阳哈夫曼编码 代码 #include printf("\n"); for(i=0;i 实验一：显微镜的操作与金相组织观察 一、实验目的： 1. 了解掌握普通光学金相显微镜基本原理。 2. 掌握普通光学金相显微镜基本操作。 3. 分辨已制备好的标准试祥组织。 二、实验设备及材料： 1. 台式金相显微镜； 2. 已制备好的标准试祥。 三、实验内容： 1. 掌握金相显微镜的使用方法。 2. 观察标准试样的组织，调整粗调及微调手轮，掌握显微镜的聚焦方法 3. 分别调整视场光栏和孔径光栏，观察其对显微镜分辨率的影响规律。 4. 调整物镜与目镜的匹配，理解有效放大倍数。 5. 分别用100X及400X观察标准试祥组织，并描绘示意图。 四、实验报告要求： 1. 实验目的 2. 实验设备及材料 3. 实验内容 4. 讨论 (1)简述金相显微镜的放大原理。 (2)简述影响显微镜成像质量的因素有哪些。 (3)如何提高显微镜的分辨率。 (4)画出观察组织的示意图。示意图按统一规格画，并用箭头标明各组织 材料： 放大倍数: 实验二：金相试样制备技术 一、实验目的： 1. 了解试样的制备原理，熟悉制备过程。 2. 初步掌握显微试样的制备方法。 二、实验设备及材料： 砂轮机、抛光机、加工好的碳钢试样、砂纸、抛光膏、无水乙醇、浓硝酸。 三、实验内容 1. 每人制备一块碳钢的金相显微试样，按照下面步骤：砂轮机粗磨 T 砂纸从粗到细磨 制f 机械抛光f 化学腐蚀。 2. 观察金相制备试样，分析所制备试样存在的缺陷。 四、实验报告要求： 1. 实验目的 2. 实验设备及材料 3. 实验内容 4. 讨论 （1） 简述金相试样的制备原理和过程。 （2） 分析试样制备过程中出现缺陷的原因， 结合自己试样中的缺陷讨论如何制备出高质 量的显微试样 编号: 组织: 基于决策树算法的医疗数据挖掘 一、实验目的 利用商业智能分析项目中的数据分析功能，对乳腺癌数据集breast-cancer基于决策树算法进行挖掘，产生相关规则，从而预测女性乳腺癌复发的高发人群。并通过本次实验掌握决策树算法关联规则挖掘的知识及软件操作，以及提高数据分析能力。 二、实验步骤 1、在SQL server 2005中建立breast-cancer数据库，导入breast-cancer数据集； 2、对该数据集进行数据预处理，包括列名的中文翻译、以及node-caps缺失值的填充，即将‘null’填充成‘？’； 3、新建数据分析服务项目，导入数据源、新建数据源视图、新建挖掘结构，其中，将breast-cancer表中的‘序号’作为标识，‘是否复发’作为分类； 4、部署； 5、查看决策树、依赖关系网络等，并根据结果进行分析、预测。 三、实验结果分析 1、如以下三张图片所示，通过调整依赖网络图的依赖强度，可得出，在众多因素中，‘受侵淋巴结数’、‘肿瘤大小’、‘恶心肿瘤程度’这三个因素对于是否复发的影响是较大的，并且影响强度依次递减。 2、从‘全部’节点的挖掘图例可以看到，在breast-cancer数据集中，复发占了29.91%，不复发占了68.32%，说明乳腺肿瘤的复发还是占了相当一部分比例的，因此此挖掘是具备前提意义的。 3、由下两张图可知，‘受侵淋巴数’这一因素对于是否复发是决定程度是最高的。在‘受侵淋巴结数不等于0-2’（即大于0-2）节点中，复发占了50.19%的比例，不复发占了44.44%的比例，而在‘受侵淋巴结数=0-2’的节点中，复发只占了21.71%的比例，不复发占了77.98%的比例。由此可见，当受侵淋巴节点数大于‘0-2’时，复发的几率比较高。 《数据结构与算法设计》 实验报告 ——实验一 学院： 班级： 学号： 姓名： 一、实验目的 1.通过实验实践、巩固线性表的相关操作； 2.熟悉VC环境，加强编程、调试的练习； 3.用C语言编写函数，实现循环链表的建立、插入、删除、取数据等基本操作； 4.理论知识与实际问题相结合，利用上述基本操作实现约瑟夫环。 二、实验内容 1、采用单向环表实现约瑟夫环。 请按以下要求编程实现： ①从键盘输入整数m，通过create函数生成一个具有m个结点的单向环表。环表中的 结点编号依次为1，2，……，m。 ②从键盘输入整数s（1<=s<=m）和n，从环表的第s个结点开始计数为1，当计数到 第n个结点时，输出该第n结点对应的编号，将该结点从环表中消除，从输出结点 的下一个结点开始重新计数到n，这样，不断进行计数，不断进行输出，直到输出 了这个环表的全部结点为止。 三、程序设计 1、概要设计 为实现上述程序功能，应用单向环表寄存编号，为此需要建立一个抽象数据类型：单向环表。 （1）、单向环表的抽象数据类型定义为： ADT Joseph{ 数据对象：D={ai|ai∈ElemSet,i=1,2,3……,n,n≥0} 数据关系：R1={ 材料专业实验报告 题目：扫描电镜(SEM)物相分析实验学院：先进材料与纳米科技学院专业：材料物理与化学 姓名： 学号：1514122986 2016年6月30日 扫描电镜(SEM)物相分析实验 一．实验目的 1.了解扫描电镜的基本结构与原理 2.掌握扫描电镜样品的准备与制备方法 3.掌握扫描电镜的基本操作并上机操作拍摄二次电子像 4.了解扫描电镜图片的分析与描述方法 二．实验原理 1.扫描电镜的工作原理 扫描电镜（SEM）是用聚焦电子束在试样表面逐点扫描成像。试样为块状或粉末颗粒，成像信号可以是二次电子、背散射电子或吸收电子。其中二次电子是最主要的成像信号。由电子枪发射的电子，以其交叉斑作为电子源，经二级聚光镜及物镜的缩小形成具有一定能量、一定束流强度和束斑直径的微细电子束，在扫描线圈驱动下，于试样表面按一定时间、空间顺序作栅网式扫描。聚焦电子束与试样相互作用，产生二次电子发射以及背散射电子等物理信号，二次电子发射量随试样表面形貌而变化。二次电子信号被探测器收集转换成电讯号，经视频放大后输入到显像管栅极，调制与入射电子束同步扫描的显像管亮度，得到反映试样表面形貌的二次电子像。 本次实验中主要通过观察背散射电子像及二次电子像对样品进行分析表征。 1）背散射电子 背散射电子是指被固体样品原子反射回来的一部分入射电子，其中包括弹性背反射电子和非弹性背反射电子。弹性背反射电子是指被样品中原子和反弹回来的，散射角大于90度的那些入射电子，其能量基本上没有变化（能量为数千到数万电子伏）。非弹性背反射电子是入射电子和核外电子撞击后产生非弹性散射，不仅能量变化，而且方向也发生变化。非弹性背反射电子的能量范围很宽，从数十电子伏到数千电子伏。背反射电子的产生范围在100nm-1mm深度。背反射电子产额和二次电子产额与原子序数的关系背反射电子束成像分辨率一般为50-200nm（与电子束斑直径相当）。背反射电子的产额随原子序数的增加而增加，所以，利用背反射电子作为成像信号不仅能分析形貌特征，也可以用来显示原子序数衬 西南科技大学 材料科学与工程学院 教师教案 教师姓名：张宝述 课程名称：材料现代分析测试方法 课程代码：11319074 授课对象：本科专业：材料物理 授课总学时：64 其中理论：64 实验：16（单独开课） 教材：左演声等. 材料现代分析方法. 北京工业大 学出版社，2000 材料学院教学科研办公室制 2、简述X射线与固体相互作用产生的主要信息及据此建立的主要分析方法。 章节名称第三章粒子（束）与材料的相互作用 教学 时数 2 教学目的及要求1．理解概念：（电子的）最大穿入深度、连续X射线、特征X射线、溅射；掌握概念：散射角（2 ）、电子吸收、二次电子、俄歇电子、背散射电子、吸收电流（电子）、透射电子、二次离子。 2．了解物质对电子散射的基元、种类及其特征。 3．掌握电子与物质相互作用产生的主要信号及据此建立的主要分析方法。 4．掌握二次电子的产额与入射角的关系。 5．掌握入射电子产生的各种信息的深度和广度范围。 6．了解离子束与材料的相互作用及据此建立的主要分析方法。 重点难点重点：电子的散射，电子与固体作用产生的信号。难点：电子与固体的相互作用，离子散射，溅射。 教学内容提要 第一节电子束与材料的相互作用 一、散射 二、电子与固体作用产生的信号 三、电子激发产生的其它现象第二节离子束与材料的相互作用 一、散射 二、二次离子 作业一、教材习题 3-1电子与固体作用产生多种粒子信号（教材图3-3），哪些对应入射电子？哪些是由电子激发产生的？ 图3-3入射电子束与固体作用产生的发射现象 3-2电子“吸收”与光子吸收有何不同？ 3-3入射X射线比同样能量的入射电子在固体中穿入深度大得多，而俄歇电子与X光电子的逸出深度相当，这是为什么？ 3-8配合表面分析方法用离子溅射实行纵深剖析是确定样品表面层成分和化学状态的重要方法。试分析纵深剖析应注意哪些问题。 二、补充习题 1、简述电子与固体作用产生的信号及据此建立的主要分析方法。 章节第四章材料现代分析测试方法概述教学 4 实验三决策树算法实验 一、实验目的：熟悉和掌握决策树的分类原理、实质和过程；掌握典型的学习算法和实现技术。 二、实验原理: 决策树学习和分类. 三、实验条件： 四、实验内容： 1 根据现实生活中的原型自己创建一个简单的决策树。 2 要求用这个决策树能解决实际分类决策问题。 五、实验步骤： 1、验证性实验： （1）算法伪代码 算法Decision_Tree(data,AttributeName) 输入由离散值属性描述的训练样本集data; 候选属性集合AttributeName。 输出一棵决策树。（1）创建节点N； 资料. （2）If samples 都在同一类C中then （3）返回N作为叶节点，以类C标记；（4）If attribute_list为空then （5）返回N作为叶节点，以samples 中最普遍的类标记；//多数表决（6）选择attribute_list 中具有最高信息增益的属性test_attribute; （7）以test_attribute 标记节点N； （8）For each test_attribute 的已知值v //划分samples ； （9）由节点N分出一个对应test_attribute=v的分支； （10令Sv为samples中test_attribute=v 的样本集合；//一个划分块（11）If Sv为空then （12）加上一个叶节点，以samples中最普遍的类标记； （13）Else 加入一个由Decision_Tree(Sv,attribute_list-test_attribute)返回节点值。 （2）实验数据预处理 Age:30岁以下标记为“1”；30岁以上50岁以下标记为“2”；50岁以上标记为“3”。 Sex：FEMAL----“1”；MALE----“2” Region：INNER CITY----“1”；TOWN----“2”； RURAL----“3”； SUBURBAN----“4” Income：5000~2万----“1”；2万~4万----“2”；4万以上----“3” Married Children Car Mortgage 资料. 算法设计与分析实验报告 学院：信息学院 专业：物联网1101 姓名：黄振亮 学号：20113379 2013年11月 目录 作业1 0-1背包问题的动态规划算法 (7) 1.1算法应用背景 (3) 1.2算法原理 (3) 1.3算法描述 (4) 1.4程序实现及程序截图 (4) 1.4.1程序源码 (4) 1.4.2程序截图 (5) 1.5学习或程序调试心得 (6) 作业2 0-1背包问题的回溯算法 (7) 2.1算法应用背景 (3) 2.2算法原理 (3) 2.3算法描述 (4) 2.4程序实现及程序截图 (4) 2.4.1程序源码 (4) 2.4.2程序截图 (5) 2.5学习或程序调试心得 (6) 作业3循环赛日程表的分治算法 (7) 3.1算法应用背景 (3) 3.2算法原理 (3) 3.3算法描述 (4) 3.4程序实现及程序截图 (4) 3.4.1程序源码 (4) 3.4.2程序截图 (5) 3.5学习或程序调试心得 (6) 作业4活动安排的贪心算法 (7) 4.1算法应用背景 (3) 4.2算法原理 (3) 4.3算法描述 (4) 4.4程序实现及程序截图 (4) 4.4.1程序源码 (4) 4.4.2程序截图 (5) 4.5学习或程序调试心得 (6) 作业1 0-1背包问题的动态规划算法 1.1算法应用背景 从计算复杂性来看,背包问题是一个NP难解问题。半个世纪以来,该问题一直是算法与复杂性研究的热点之一。另外,背包问题在信息加密、预算控制、项目选择、材料切割、货物装载、网络信息安全等应用中具有重要的价值。如果能够解决这个问题那么则具有很高的经济价值和决策价值，在上述领域可以获得最大的价值。本文从动态规划角度给出一种解决背包问题的算法。 1.2算法原理 1.2.1、问题描述： 给定n种物品和一背包。物品i的重量是wi，其价值为vi，背包的容量为C。问:应如何选择装入背包的物品，使得装入背包中物品的总价值最大? 形式化描述：给定c >0, wi >0, vi >0 , 1≤i≤n.要求找一n元向量(x1,x2,…,xn,), xi ∈{0,1}, ?∑ wi xi≤c,且∑ vi xi达最大.即一个特殊的整数规划问题。 1.2.2、最优性原理： 设(y1,y2,…,yn)是 (3.4.1)的一个最优解.则(y2,…,yn)是下面相应子问题的一个最优解: 证明:使用反证法。若不然,设(z2,z3,…,zn)是上述子问题的一个最优解,而(y2,y3,…,yn)不是它的最优解。显然有 ∑vizi > ∑viyi (i=2,…,n) 且 w1y1+ ∑wizi<= c 因此 v1y1+ ∑vizi (i=2,…,n) > ∑ viyi, (i=1,…,n) 说明(y1,z2, z3,…,zn)是(3.4.1)0-1背包问题的一个更优解,导出(y1,y2,…,yn)不是背包问题的最优解,矛盾。 1.2.3、递推关系： 预测分析表方法 一、实验目的 理解预测分析表方法的实现原理。 二、实验内容： 编写一通用的预测法分析程序，要求有一定的错误处理能力，出错后能够使程序继续运行下去，直到分析过程结束。可通过不同的文法（通过数据表现）进行测试。 三、实验步骤 1．算法数据构造： 构造终结符数组：char Vt[10][5]={“id”,”+”……}； 构造非终结符数组：char Vn[10]={ }; 构造follow集数组：char *follow[10][10]={ } (可将follow集与预测分析表合并存放) 数据构造示例（使用的预测分析表构造方法1）： /*data1.h简单算术表达式数据*/ char VN[10][5]={"E","E'","T","T'","F"}; //非终结符表 int length_vn=5; //非终结符的个数 char VT[15][5]={"id","+","*","(",")","#"}; //终结符表 int length_vt=6; //终结符的个数 char Fa[15][10]={"TE'","+TE'","","FT'","*FT'","","(E)","id"}; //产生式表:0:E->TE' 1:E'->+TE' 2:E'->空 // 3:T->FT' 4:T'->*FT' 5:T'->空 6:F->(E) 7:F->id int analysis_table[10][11]={0,-1,-1,0,-2,-2,0,0,0,0,0, -1,1,-1,-1,2,2,0,0,0,0,0, 3,-2,-1,3,-2,-2,0,0,0,0,0, -1,5, 4,-1,5, 5,0,0,0,0,0, 7,-2,-2,6,-2,-2,0,0,0,0,0}; //预测分析表,-1表示出错，-2表示该行终结符的follow集合，用于错误处理，正数表示产生式在数组Fa 中的编号，0表示多余的列。 （1）预测分析表的构造方法1 给文法的正规式编号：存放在字符数组中，从0开始编号，正规式的编号即为该正规式在数组中对应的下标。如上述Fa数组表示存储产生式。 构造正规式数组：char P[10][10]={“E->TE’”,”E’->+TE’”,……..}; (正规式可只存储右半部分，如E->TE’可存储为TE’，正规式中的符号可替换，如可将E’改为M ) 构造预测分析表：int analyze_table[10][10]={ } //数组元素值存放正规式的编号，-1表示出错 （2）预测分析表的构造方法2 可使用三维数组 Char analyze_table[10][10][10]={ } 材料现代分析方法北京工业大学 篇一：13103105-材料现代分析方法 《材料现代分析方法》课程教学大纲 一、课程基本信息 课程编号：13103105 课程类别：专业核心课程 适应专业：材料物理 总学时：54学时 总学分:3 课程简介： 本课程介绍材料微观形貌、结构及成分的分析与表面分析技术主要方法及基本技术，简单介绍光谱分析方法。包括晶体X射线衍射、电子显微分析、X射线光电子谱仪、原子光谱、分子光谱等分析方法及基本技术。 授课教材：《材料分析测试方法》，黄新民解挺编，国防工业出版社，20XX年。 参考书目： [1]《现代物理测试技术》，梁志德、王福编，冶金工业出版社，20XX 年。 [2]《X射线衍射分析原理与应用》，刘粤惠、刘平安编，化学工业出 版社，20XX年。 [3]《X射线衍射技术及设备》，丘利、胡玉和编，冶金工业出版社，20XX年。 [4]《材料现代分析方法》，左演声、陈文哲、梁伟编，北京工业大学出版社，20XX年。 [5]《材料分析测试技术》，周玉、武高辉编，哈尔滨工业大学出版社，2000年。 [6]《材料结构表征及应用》，吴刚编，化学工业出版社，20XX年。 [7]《材料结构分析基础》，余鲲编，科学出版社，20XX年。 二、课程教育目标 通过学习，了解X射线衍射仪及电子显微镜的结构，掌握X-射线衍射及电子显微镜的基本原理和操作方法，了解试样制备的基本要求及方法，了解材料成分的分析与表面分析技术的主要方法及基本技术，了解光谱分析方法，能够利用上述相关仪器进行材料的物相组成、显微结构、表面分析研究。学会运用以上技术的基本方法，对材料进行测试、计算和分析，得到有关微观组织结构、形貌及成分等方面的信息。 三、教学内容与要求 第一章X射线的物理基础 教学重点：X射线的产生及其与物质作用原理 教学难点：X射线的吸收和衰减、激发限 教学时数：2学时 实验四决策树 一、实验目的 1.了解典型决策树算法 2.熟悉决策树算法的思路与步骤 3.掌握运用Matlab对数据集做决策树分析的方法 二、实验内容 1.运用Matlab对数据集做决策树分析 三、实验步骤 1.写出对决策树算法的理解 决策树方法是数据挖掘的重要方法之一，它是利用树形结构的特性来对数据进行分类的一种方法。决策树学习从一组无规则、无次序的事例中推理出有用的分类规则，是一种实例为基础的归纳学习算法。决策树首先利用训练数据集合生成一个测试函数，根据不同的权值建立树的分支，即叶子结点，在每个叶子节点下又建立层次结点和分支，如此重利生成决策树，然后对决策树进行剪树处理，最后把决策树转换成规则。决策树的最大优点是直观，以树状图的形式表现预测结果，而且这个结果可以进行解释。决策树主要用于聚类和分类方面的应用。 决策树是一树状结构，它的每一个叶子节点对应着一个分类，非叶子节点对应着在某个属性上的划分，根据样本在该属性上的不同取值将其划分成若干个子集。构造决策树的核心问题是在每一步如何选择适当的属性对样本进行拆分。对一个分类问题，从已知类标记的训练样本中学习并构造出决策树是一个自上而下分而治之的过程。 2.启动Matlab，运用Matlab对数据集进行决策树分析，写出算法名称、数据集名称、关键代码，记录实验过程，实验结果，并分析实验结果 (1)算法名称: ID3算法 ID3算法是最经典的决策树分类算法。ID3算法基于信息熵来选择最佳的测试属性，它选择当前样本集中具有最大信息增益值的属性作为测试属性；样本集的划分则依据测试属性的取值进行，测试属性有多少个不同的取值就将样本集划分为多少个子样本集，同时决策树上相应于该样本集的节点长出新的叶子节点。ID3算法根据信息论的理论，采用划分后样本集的不确定性作为衡量划分好坏的标准，用信息增益值度量不确定性：信息增益值越大，不确定性越小。因此，ID3算法在每个非叶节点选择信息增益最大的属性作为测试属性，这样可以得到当前情况下最纯的划分，从而得到较小的决策树。 ID3算法的具体流程如下： 1）对当前样本集合，计算所有属性的信息增益； 2）选择信息增益最大的属性作为测试属性，把测试属性取值相同的样本划为同一个子样本集； 3）若子样本集的类别属性只含有单个属性，则分支为叶子节点，判断其属性值并标上相应的符号，然后返回调用处；否则对子样本集递归调用本算法。 (2)数据集名称：鸢尾花卉Iris数据集 选择了部分数据集来区分Iris Setosa（山鸢尾）及Iris Versicolour（杂色鸢尾）两个种类。 银行家算法设计实验报告 银行家算法设计实验报告 一．题目分析 1.银行家算法： 我们可以把操作系统看做是银行家，操作系统管理的资源相当于银行家管理的资金，进程向操作系统请求资源相当于客户向银行家贷款。操作系统按银行家制定的规则为进程分配资源，当进程首次申请资源时，要测试该进程尚需求的资源量，若是系统现存的资源可以满足它尚需求的资源量，则按当前的申请量来分配资源，否则就推迟分配。 当进程在执行中继续申请资源时，先测试该进程申请的资源量是否超过了它尚需的资源量。若超过则拒绝分配，若没有超过则再测试系统尚存的资源是否满足该进程尚需的资源量，若满足即可按当前的申请量来分配，若不满足亦推迟分配。 2.基本要求： （1）可以输入某系统的资源以及T0时刻进程对资源的占用及需求情况的表项，以及T0时刻系统的可利用资源数。 （2）对T0时刻的进行安全性检测，即检测在T0时刻该状态是否安全。 （3）进程申请资源，用银行家算法对其进行检测，分为以下三种情况： A. 所申请的资源大于其所需资源，提示分配不合理不予分配并返回 B. 所申请的资源未大于其所需资源， 但大于系统此时的可利用资源，提 示分配不合理不予分配并返回。 C. 所申请的资源未大于其所需资源， 亦未大于系统此时的可利用资源，预 分配并进行安全性检查： a. 预分配后系统是安全的，将该进 程所申请的资源予以实际分配并 打印后返回。 b. 与分配后系统进入不安全状态，提示系统不安全并返回。 （4）对输入进行检查，即若输入不符合条件，应当报错并返回重新输入。 3.目的： 根据设计题目的要求，充分地分析和理解题 目，叙述系统的要求，明确程序要求实现的功能以及限制条件。 明白自己需要用代码实现的功能，清楚编写每部分代码的目的，做到有的放矢，有条理不遗漏的用代码实现银行家算法。 力学与材料学院 材料现代分析方法实验报告二 XRD图谱分析 专业年级：1 姓名：1 指导老师：1 学号：1 2016年12月 中国南京 目录 实验名称：XRD图谱分析…………………………………………… 一、实验目的…………………………………………………… 二、实验要求…………………………………………………… 三、操作过程…………………………………………………… 四、结果分析与讨论……………………………………………… 实验名称：XRD图谱分析 一、实验目的 了解XRD基本原理及其应用，不同物相晶体结构XRD图谱的区别，熟练掌握如何来分析利用X射线测试得到的XRD图谱。 二、实验要求 1、熟练掌握如何来利用软件打开、分析XRD图谱，以及输出分析结果。 2、明确不同物质的XRD图谱，掌握XRD图谱包含的晶体结构的关系，通过自己分析、数据查找和鉴别的全过程，了解如何利用软件正确分析和确定不同物相的XRD图谱，并输出分析结果。 3、实验报告的编写，要求报告能准确的反映实验目的、方法、过程及结论。 三、操作过程 1、启动Jade 6.0，并打开实验数据。 2、点击图标使图谱平滑后，再连续两次点击图标扣除背景影响。 3、右击工具栏中的图标，全选左侧的项目，取消选择右侧中的Use Chemistry Filter，最后在下方选择S/M Focus on Major Phases（如图一），并点击OK。 图一 4、得到物相分析，根据FOM值（越小，匹配性越高）可推断出该物相为以ZnO为主，可能含有CaF2、Al2O3、Mg(OH)2混合组成的物质（如图二），双击第一种物质可以得到主晶相的PDF卡片（如图三），点击图三版面中的Lines可以观察到不同角度处的衍射强度（如图四）。 图二 决策树算法 一、决策树算法简介： 决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。决策树方法的基本思想是：利用训练集数据自动地构造决策树，然后根据这个决策树对任意实例进行判定。其中决策树（Decision Tree）是一种简单但是广泛使用的分类器。通过训练数据构建决策树，可以高效的对未知的数据进行分类。决策数有两大优点：1）决策树模型可以读性好，具有描述性，有助于人工分析；2）效率高，决策树只需要一次构建，反复使用，每一次预测的最大计算次数不超过决策树的深度。 决策树算法构造决策树来发现数据中蕴涵的分类规则．如何构造精度高、规模小的决策树是决策树算法的核心内容。决策树构造可以分两步进行。第一步，决策树的生成：由训练样本集生成决策树的过程。一般情况下，训练样本数据集是根据实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。第二步，决策树的剪技：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程，主要是用新的样本数扼集（称为测试数据集）中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除、决策树方法最早产生于上世纪60年代，到70年代末。由J Ross Quinlan 提出了ID3算法，此算法的目的在于减少树的深度。但是忽略了叶子数目的研究。C4.5算法在ID3算法的基础上进行了改进，对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大改进，既适合于分类问题，又适合于回归问题。 本节将就ID3算法展开分析和实现。 ID3算法： ID3算法最早是由罗斯昆（J. Ross Quinlan）于1975年在悉尼大学提出的一种分类预测算法，算法的核心是“信息熵”。ID3算法通过计算每个属性的信息增益，认为信息增益高的是好属性，每次划分选取信息增益最高的属性为划分标准，重复这个过程，直至生成一个能完美分类训练样例的决策树。 在ID3算法中，决策节点属性的选择运用了信息论中的熵概念作为启发式函数。 实验报告 （2009/2010学年第一学期） 课程名称算法分析与设计A 实验名称动态规划法 实验时间2009 年11 月20 日指导单位计算机学院软件工程系 指导教师张怡婷 学生姓名丁力琪班级学号B07030907 学院(系) 计算机学院专业软件工程 实验报告 实验名称动态规划法指导教师张怡婷实验类型验证实验学时2×2实验时间2009-11-20一、实验目的和任务 目的：加深对动态规划法的算法原理及实现过程的理解，学习用动态规划法解决实际应用中的最长公共子序列问题。 任务：用动态规划法实现求两序列的最长公共子序列，其比较结果可用于基因比较、文章比较等多个领域。 要求：掌握动态规划法的思想，及动态规划法在实际中的应用；分析最长公共子序列的问题特征，选择算法策略并设计具体算法，编程实现两输入序列的比较，并输出它们的最长公共子序列。 二、实验环境(实验设备) 硬件：计算机 软件：Visual C++ 三、实验原理及内容（包括操作过程、结果分析等） 1、最长公共子序列（LCS）问题是：给定两个字符序列X={x1,x2,……,x m}和Y={y1,y2,……,y n}，要求找出X和Y的一个最长公共子序列。 例如：X={a,b,c,b,d,a,b},Y={b,d,c,a,b,a}。它们的最长公共子序列LSC={b,c,d,a}。 通过“穷举法”列出所有X的所有子序列，检查其是否为Y的子序列并记录最长公共子序列并记录最长公共子序列的长度这种方法，求解时间为指数级别的，因此不可取。 2、分析LCS问题特征可知，如果Z={z1,z2,……，z k}为它们的最长公共子序列，则它们一定具有以下性质： （1）若x m=y n，则z k=x m=y n，且Z k-1是X m-1和Y n-1的最长公共子序列； （2）若x m≠y n且x m≠z k，则Z是X m-1和Y的最长公共子序列； （3）若x m≠y n且z k≠y n，则Z是X和Y的最长公共子序列。 这样就将求X和Y的最长公共子序列问题，分解为求解较小规模的问题： 若x m=y m，则进一步分解为求解两个（前缀）子字符序列X m-1和Y n-1的最长公共子序列问题； 如果x m≠y n，则原问题转化为求解两个子问题，即找出X m-1和Y的最长公共子序列与找出X 和Y n-1的最长公共子序列，取两者中较长者作为X和Y的最长公共子序列。 由此可见，两个序列的最长公共子序列包含了这两个序列的前缀的最长公共子序列，具有最优子结构性质。 3、令c[i][j]保存字符序列X i={x1,x2,……,x i}和Y j={y1,y2,……,y j}的最长公共子序列的长度，由上述分析可得如下递推式： 0 i=0或j=0 c[i][j]= c[i-1][j-1]+1 i,j>0且x i=y j max{c[i][j-1],c[i-1][j]} i,j>0且x i≠y j 由此可见，最长公共子序列的求解具有重叠子问题性质，如果采用递归算法实现，会得到一个指数时间算法，因此需要采用动态规划法自底向上求解，并保存子问题的解，这样可以避免重复计算子问题，在多项式时间内完成计算。 4、为了能由最优解值进一步得到最优解（即最长公共子序列），还需要一个二维数组s[][]，数组中的元素s[i][j]记录c[i][j]的值是由三个子问题c[i-1][j-1]+1,c[i][j-1]和c[i-1][j]中的哪一个计算得到，从而可以得到最优解的当前解分量（即最长公共子序列中的当前字符），最终构造出最长公共子序列自身。 材料分析与表征方法实验报告 热重分析实验报告 一、实验目的 1.了解热重分析法的基本原理和差热分析仪的基本构造。 2.掌握热重分析仪的使用方法。 二、实验原理 热重分析指温度在程序控制时，测量物质质量与温度之间的关系的技术。热重分析所用的仪器是热天平，它的基本原理是，样品重量变化所引起的天平位移量转化成电磁量，这个微小的电量经过放大器放大后，送入记录仪记录；而电量的大小正比于样品的重量变化量。当被测物质在加热过程中有升华、汽化、分解出气体或失去结晶水时，被测的物质质量就会发生变化。 三、实验原料 一水草酸钙CaC2O4·H2O 四、实验仪器 美国TA公司TGA55 升温与降温速率（K/min）0.1-100℃/min 天平灵敏度（μg）0.1μg 温度范围（°C）室温-1000℃ 五、操作条件 第一组：10℃／min空气条件下和20℃／min空气条件下，对TG和DTG 曲线进行对比。 第二组：10℃／min空气条件下和10℃／min氮气条件下，对DSC进行对比。 第三组：10℃／min氮气条件下，得到TG、DTG、DSC曲线。 六、结果与讨论 含有一个结晶水的草酸钙(242CaC.OHO)在100℃以前没有失重现象,其热重曲线呈水平状,为TG曲线的第一个平台。DTG曲线在0刻度。 在100℃和200℃之间失重并出现第二个平台。DTG曲线先升后降，在108.4℃达到最大值，即失重速率的最大值。DSC曲线先降后升，在188.4℃达到最小值，即热功率的最小值。这一步的失重量占试样总质量的12.47%，相当于每mo CaC2O4·H2O失掉1mol H2O,其热分解反应为： CaC2O4·H2O CaC2O4 + H2O 在400℃和500℃之间失重并开始呈现第三个平台,DTG曲线先升后降，在 材料现代分析方法试题9（参考答案） 一、基本概念题（共10题，每题5分） 1．为什么特征X射线的产生存在一个临界激发电压？X射线管的工作电压与其靶材的临界激发电压有什么关系？为什么？ 答：要使内层电子受激发，必须给予施加大于或等于其结合能的能量，才能使其脱离 轨道，从而产生特征X射线，而要施加的最低能量，就存在一个临界激发电压。X射线 管的工作电压一般是其靶材的临界激发电压的3-5倍，这时特征X射线对连续X射线比 例最大，背底较低。 2．布拉格方程2dsinθ=λ中的d、θ、λ分别表示什么？布拉格方程式有何用途？答：d HKL表示HKL晶面的面网间距，θ角表示掠过角或布拉格角，即入射X射线或衍射线与面网间的夹角，λ表示入射X射线的波长。该公式有二个方面用途： （1）已知晶体的d值。通过测量θ，求特征X射线的λ，并通过λ判断产生特征X射线的元素。这主要应用于X射线荧光光谱仪和电子探针中。（2）已知入射X射线的波 长，通过测量θ，求晶面间距。并通过晶面间距，测定晶体结构或进行物相分析。3．多重性因子的物理意义是什么？某立方晶系晶体，其{100}的多重性因子是多少？如该晶体转变为四方晶系，这个晶面族的多重性因子会发生什么变化？ 答：多重性因子的物理意义是等同晶面个数对衍射强度的影响因数叫作多重性因子。某立方晶系晶体，其{100}的多重性因子是6？如该晶体转变为四方晶系多重性因子是4；这个晶面族的多重性因子会随对称性不同而改变。 4．什么是丝织构，它的极图有何特点？ 答：丝织构是一种晶粒取向轴对称分布的织构，存在于拉、轧或挤压成形的丝、棒材 及各种表面镀层中。其特点是多晶体中各种晶粒的某晶向[uvw]与丝轴或镀层表面法线 平行。 丝织构的极图呈轴对称分布 5．电磁透镜的像差是怎样产生的? 如何来消除和减少像差? 答：电磁透镜的像差包括球差、像散和色差。 球差即球面像差，是磁透镜中心区和边沿区对电子的折射能力不同引起的，其中离材料现代分析方法实验指导书
实验报告：乳腺肿瘤数据集基于决策树算法的数据挖掘
北京理工大学《数据结构与算法设计》实验报告实验一
材料分析(SEM)实验报告
(完整word版)教案-材料现代分析测试方法
实验三决策树算法实验实验报告
算法设计与实验报告讲解
编译原理实验报告材料(预测分析报告表方法)
材料现代分析方法北京工业大学
(完整版)生物数据挖掘-决策树实验报告
银行家算法设计实验报告
材料现代分析方法实验报告
机器学习实验报告
南京邮电大学算法设计实验报告——动态规划法
材料分析与表征方法实验报告
材料现代分析方法试题9(参考答案)