单片机原理(按键识别 )实验报告
实验报告
课程名称单片机原理
实验名称独立按键识别
专业计算机科学与技术（软工）
图1 按键识别1、2
图2 按键识别3
图3按一下暂停
图4归零
图5时钟调整
电路图
自动控制原理实验报告
《自动控制原理》 实验报告 姓名： 学号： 专业： 班级： 时段： 成绩： 工学院自动化系
实验一 典型环节的MATLAB 仿真 一、实验目的 1．熟悉MATLAB 桌面和命令窗口，初步了解SIMULINK 功能模块的使用方法。 2．通过观察典型环节在单位阶跃信号作用下的动态特性，加深对各典型环节响应曲线的理解。 3．定性了解各参数变化对典型环节动态特性的影响。 二、实验原理 1．比例环节的传递函数为 K R K R R R Z Z s G 200,1002)(211 212==-=-=- = 其对应的模拟电路及SIMULINK 图形如图1-3所示。 三、实验内容 按下列各典型环节的传递函数，建立相应的SIMULINK 仿真模型，观察并记录其单位阶跃响应波形。 ① 比例环节1)(1=s G 和2)(1=s G ； ② 惯性环节11)(1+= s s G 和1 5.01 )(2+=s s G ③ 积分环节s s G 1)(1= ④ 微分环节s s G =)(1 ⑤ 比例+微分环节（PD ）2)(1+=s s G 和1)(2+=s s G ⑥ 比例+积分环节（PI ）s s G 11)(1+=和s s G 211)(2+= 四、实验结果及分析 图1-3 比例环节的模拟电路及SIMULINK 图形
① 仿真模型及波形图1)(1=s G 和2)(1=s G ② 仿真模型及波形图11)(1+= s s G 和1 5.01)(2+=s s G 11)(1+= s s G 1 5.01 )(2+=s s G ③ 积分环节s s G 1)(1= ④ 微分环节
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/138530901.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/138530901.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；
模式识别第二次上机实验报告
北京科技大学计算机与通信工程学院 模式分类第二次上机实验报告 姓名：XXXXXX 学号：00000000 班级：电信11 时间：2014-04-16
一、实验目的 1．掌握支持向量机（SVM）的原理、核函数类型选择以及核参数选择原则等； 二、实验内容 2.准备好数据，首先要把数据转换成Libsvm软件包要求的数据格式为： label index1:value1 index2:value2 ... 其中对于分类来说label为类标识，指定数据的种类；对于回归来说label为目标值。（我主要要用到回归） Index是从1开始的自然数，value是每一维的特征值。 该过程可以自己使用excel或者编写程序来完成，也可以使用网络上的FormatDataLibsvm.xls来完成。FormatDataLibsvm.xls使用说明： 先将数据按照下列格式存放（注意label放最后面）： value1 value2 label value1 value2 label 然后将以上数据粘贴到FormatDataLibsvm.xls中的最左上角单元格，接着工具->宏执行行FormatDataToLibsvm宏。就可以得到libsvm要求的数据格式。将该数据存放到文本文件中进行下一步的处理。 3.对数据进行归一化。 该过程要用到libsvm软件包中的svm-scale.exe Svm-scale用法： 用法：svmscale [-l lower] [-u upper] [-y y_lower y_upper] [-s save_filename] [-r restore_filename] filename （缺省值：lower = -1，upper = 1，没有对y进行缩放）其中，-l：数据下限标记；lower：缩放后数据下限；-u：数据上限标记；upper：缩放后数据上限；-y：是否对目标值同时进行缩放；y_lower为下限值，y_upper为上限值；（回归需要对目标进行缩放，因此该参数可以设定为–y -1 1 ）-s save_filename：表示将缩放的规则保存为文件save_filename；-r restore_filename：表示将缩放规则文件restore_filename载入后按此缩放；filename：待缩放的数据文件（要求满足前面所述的格式）。缩放规则文件可以用文本浏览器打开，看到其格式为： y lower upper min max x lower upper index1 min1 max1 index2 min2 max2 其中的lower 与upper 与使用时所设置的lower 与upper 含义相同；index 表示特征序号；min 转换前该特征的最小值；max 转换前该特征的最大值。数据集的缩放结果在此情况下通过DOS窗口输出，当然也可以通过DOS的文件重定向符号“>”将结果另存为指定的文件。该文件中的参数可用于最后面对目标值的反归一化。反归一化的公式为： （Value-lower）*（max-min）/(upper - lower)+lower 其中value为归一化后的值，其他参数与前面介绍的相同。 建议将训练数据集与测试数据集放在同一个文本文件中一起归一化，然后再将归一化结果分成训练集和测试集。 4.训练数据，生成模型。 用法：svmtrain [options] training_set_file [model_file] 其中，options（操作参数）：可用的选项即表示的涵义如下所示-s svm类型：设置SVM 类型，默
自动控制原理实验报告
实验报告 课程名称：自动控制原理 实验项目：典型环节的时域相应 实验地点：自动控制实验室 实验日期：2017 年 3 月22 日 指导教师：乔学工 实验一典型环节的时域特性 一、实验目的 1.熟悉并掌握TDN-ACC+设备的使用方法及各典型环节模拟电路的构成方法。
2.熟悉各种典型环节的理想阶跃相应曲线和实际阶跃响应曲线。对比差异，分析原因。 3.了解参数变化对典型环节动态特性的影响。 二、实验设备 PC 机一台，TD-ACC+(或TD-ACS)实验系统一套。 三、实验原理及内容 下面列出各典型环节的方框图、传递函数、模拟电路图、阶跃响应，实验前应熟悉了解。 1．比例环节 (P) (1)方框图 (2)传递函数： K S Ui S Uo =) () ( (3)阶跃响应：) 0()(≥=t K t U O 其中 01/R R K = (4)模拟电路图： (5) 理想与实际阶跃响应对照曲线： ① 取R0 = 200K ；R1 = 100K 。 ② 取R0 = 200K ；R1 = 200K 。
2．积分环节 (I) (1)方框图 (2)传递函数： TS S Ui S Uo 1 )()(= (3)阶跃响应： ) 0(1)(≥= t t T t Uo 其中 C R T 0= (4)模拟电路图 (5) 理想与实际阶跃响应曲线对照： ① 取R0 = 200K ；C = 1uF 。 ② 取R0 = 200K ；C = 2uF 。
1 Uo 0t Ui(t) Uo(t) 理想阶跃响应曲线 0.4s 1 Uo 0t Ui(t) Uo(t) 实测阶跃响应曲线 0.4s 10V 无穷 3．比例积分环节 (PI) (1)方框图： (2)传递函数： (3)阶跃响应： (4)模拟电路图： (5)理想与实际阶跃响应曲线对照： ①取 R0 = R1 = 200K；C = 1uF。 理想阶跃响应曲线实测阶跃响应曲线 ②取 R0=R1=200K；C=2uF。 K 1 + U i(S)+ U o(S) + Uo 10V U o(t) 2 U i(t ) 0 0 .2s t Uo 无穷 U o(t) 2 U i(t ) 0 0 .2s t
自动化控制实验报告(DOC 43页)
自动化控制实验报告(DOC 43页)
本科生实验报告 实验课程自动控制原理 学院名称 专业名称电气工程及其自动化 学生姓名 学生学号2013 指导教师 实验地点6C901 实验成绩 二〇一五年四月——二〇一五年五月
线性系统的时域分析 实验一（3.1.1）典型环节的模拟研究 一. 实验目的 1． 了解和掌握各典型环节模拟电路的构成方法、传递函数表达式及输出时域函数表达式 2． 观察和分析各典型环节的阶跃响应曲线，了解各项电路参数对典型环节动态特性的影响 二．典型环节的结构图及传递函数 方 框 图 传递函数 比例 （P ） K (S) U (S) U (S)G i O == 积分 （I ） TS 1 (S)U (S)U (S)G i O == 比例积分 （PI ） )TS 1 1(K (S)U (S)U (S)G i O +== 比例微分 （PD ） )TS 1(K (S) U (S) U (S)G i O +== 惯性 TS 1K (S)U (S)U (S)G i O += =
环节 （T） 比例 积分 微分 （PI D） S T K S T K K (S) U (S) U (S) G d p i p p i O + + = = 三．实验内容及步骤 观察和分析各典型环节的阶跃响应曲线，了解各项电路参数对典型环节动态特性的影响.。 改变被测环节的各项电路参数，画出模拟电路图，阶跃响应曲线，观测结果，填入实验报告 运行LABACT程序，选择自动控制菜单下的线性系统的时域分析下的典型环节的模拟研究中的相应实验项目，就会弹出虚拟示波器的界面，点击开始即可使用本实验机配套的虚拟示波器（B3）单元的CH1测孔测量波形。具体用法参见用户手册中的示波器部分。1)．观察比例环节的阶跃响应曲线 典型比例环节模拟电路如图3-1-1所示。 图3-1-1 典型比例环节模拟电路 传递函数： 1 (S) (S) (S) R R K K U U G i O= = = ；单位阶跃响应：
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
模式识别实验报告
模式识别实验报告
————————————————————————————————作者：————————————————————————————————日期：
实验报告 实验课程名称：模式识别 姓名：王宇班级： 20110813 学号： 2011081325 实验名称规范程度原理叙述实验过程实验结果实验成绩 图像的贝叶斯分类 K均值聚类算法 神经网络模式识别 平均成绩 折合成绩 注：1、每个实验中各项成绩按照5分制评定，实验成绩为各项总和 2、平均成绩取各项实验平均成绩 3、折合成绩按照教学大纲要求的百分比进行折合 2014年 6月
实验一、 图像的贝叶斯分类 一、实验目的 将模式识别方法与图像处理技术相结合，掌握利用最小错分概率贝叶斯分类器进行图像分类的基本方法，通过实验加深对基本概念的理解。 二、实验仪器设备及软件 HP D538、MATLAB 三、实验原理 概念： 阈值化分割算法是计算机视觉中的常用算法，对灰度图象的阈值分割就是先确定一个处于图像灰度取值范围内的灰度阈值，然后将图像中每个像素的灰度值与这个阈值相比较。并根据比较的结果将对应的像素划分为两类，灰度值大于阈值的像素划分为一类，小于阈值的划分为另一类，等于阈值的可任意划分到两类中的任何一类。 最常用的模型可描述如下：假设图像由具有单峰灰度分布的目标和背景组成，处于目标和背景内部相邻像素间的灰度值是高度相关的，但处于目标和背景交界处两边的像素灰度值有较大差别，此时，图像的灰度直方图基本上可看作是由分别对应于目标和背景的两个单峰直方图混合构成。而且这两个分布应大小接近，且均值足够远，方差足够小，这种情况下直方图呈现较明显的双峰。类似地，如果图像中包含多个单峰灰度目标，则直方图可能呈现较明显的多峰。 上述图像模型只是理想情况，有时图像中目标和背景的灰度值有部分交错。这时如用全局阈值进行分割必然会产生一定的误差。分割误差包括将目标分为背景和将背景分为目标两大类。实际应用中应尽量减小错误分割的概率，常用的一种方法为选取最优阈值。这里所谓的最优阈值，就是指能使误分割概率最小的分割阈值。图像的直方图可以看成是对灰度值概率分布密度函数的一种近似。如一幅图像中只包含目标和背景两类灰度区域，那么直方图所代表的灰度值概率密度函数可以表示为目标和背景两类灰度值概率密度函数的加权和。如果概率密度函数形式已知，就有可能计算出使目标和背景两类误分割概率最小的最优阈值。 假设目标与背景两类像素值均服从正态分布且混有加性高斯噪声，上述分类问题可以使用模式识别中的最小错分概率贝叶斯分类器来解决。以1p 与2p 分别表示目标与背景的灰度分布概率密度函数，1P 与2P 分别表示两类的先验概率，则图像的混合概率密度函数可用下式表示为
自动控制原理MATLAB仿真实验报告
实验一 MATLAB 及仿真实验（控制系统的时域分析） 一、实验目的 学习利用MATLAB 进行控制系统时域分析，包括典型响应、判断系统稳定性和分析系统的动态特性； 二、预习要点 1、 系统的典型响应有哪些？ 2、 如何判断系统稳定性？ 3、 系统的动态性能指标有哪些？ 三、实验方法 （一） 四种典型响应 1、 阶跃响应： 阶跃响应常用格式： 1、)(sys step ；其中sys 可以为连续系统，也可为离散系统。 2、),(Tn sys step ；表示时间范围0---Tn 。 3、),(T sys step ；表示时间范围向量T 指定。 4、),(T sys step Y =；可详细了解某段时间的输入、输出情况。 2、 脉冲响应： 脉冲函数在数学上的精确定义：0 ,0)(1)(0 ?==?∞ t x f dx x f 其拉氏变换为：) ()()()(1)(s G s f s G s Y s f === 所以脉冲响应即为传函的反拉氏变换。 脉冲响应函数常用格式： ① )(sys impulse ； ② ); ,();,(T sys impulse Tn sys impulse ③ ),(T sys impulse Y = （二） 分析系统稳定性 有以下三种方法： 1、 利用pzmap 绘制连续系统的零极点图； 2、 利用tf2zp 求出系统零极点； 3、 利用roots 求分母多项式的根来确定系统的极点 （三） 系统的动态特性分析 Matlab 提供了求取连续系统的单位阶跃响应函数step 、单位脉冲响应函数impulse 、零输入响应函数initial 以及任意输入下的仿真函数lsim.
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。
北航自动控制原理实验报告(完整版)
自动控制原理实验报告 一、实验名称：一、二阶系统的电子模拟及时域响应的动态测试 二、实验目的 1、了解一、二阶系统阶跃响应及其性能指标与系统参数之间的关系 2、学习在电子模拟机上建立典型环节系统模型的方法 3、学习阶跃响应的测试方法 三、实验内容 1、建立一阶系统的电子模型，观测并记录在不同时间常数T时的响应曲线，测定过渡过程时间T s 2、建立二阶系统电子模型，观测并记录不同阻尼比的响应曲线，并测定超调量及过渡过程时间T s 四、实验原理及实验数据 一阶系统 系统传递函数： 由电路图可得，取则K=1，T分别取：0.25, 0.5, 1 T 0.25 0.50 1.00 R2 0.25MΩ0.5M Ω1MΩ C 1μ1μ1μ T S 实测0.7930 1.5160 3.1050 T S 理论0.7473 1.4962 2.9927 阶跃响应曲线图1.1 图1.2 图1.3 误差计算与分析 （1）当T=0.25时，误差==6.12%； （2）当T=0.5时，误差==1.32%； （3）当T=1时，误差==3.58% 误差分析：由于T决定响应参数，而,在实验中R、C的取值上可能存在一定误差，另外，导线的连接上也存在一些误差以及干扰，使实验结果与理论值之间存在一定误差。但是本实验误差在较小范围内，响应曲线也反映了预期要求，所以本实验基本得到了预期结果。 实验结果说明 由本实验结果可看出，一阶系统阶跃响应是单调上升的指数曲线，特征有T确定，T越小，过度过程进行得越快，系统的快速性越好。 二阶系统 图1.1 图1.2 图1.3
系统传递函数： 令 二阶系统模拟线路 0.25 0.50 1.00 R4 210.5 C2 111 实测45.8% 16.9% 0.6% 理论44.5% 16.3% 0% T S实测13.9860 5.4895 4.8480 T S理论14.0065 5.3066 4.8243 阶跃响应曲线图2.1 图2.2 图2.3 注：T s理论根据matlab命令[os,ts,tr]=stepspecs(time,output,output(end),5)得出，否则误差较大。 误差计算及分析 1）当ξ=0.25时，超调量的相对误差= 调节时间的相对误差= 2）当ξ=0.5时，超调量的相对误差==3.7% 调节时间的相对误差==3.4% 4）当ξ=1时，超调量的绝对误差= 调节时间的相对误差==3.46% 误差分析：由于本试验中，用的参量比较多，有R1,R2,R3,R4;C1,C2;在它们的取值的实际调节中不免出现一些误差，误差再累加，导致最终结果出现了比较大的误差，另外，此实验用的导线要多一点，干扰和导线的传到误差也给实验结果造成了一定误差。但是在观察响应曲线方面，这些误差并不影响，这些曲线仍旧体现了它们本身应具有的特点，通过比较它们完全能够了解阶跃响应及其性能指标与系统参数之间的关系，不影响预期的效果。 实验结果说明 由本实验可以看出，当ωn一定时，超调量随着ξ的增加而减小，直到ξ达到某个值时没有了超调；而调节时间随ξ的增大，先减小，直到ξ达到某个值后又增大了。 经理论计算可知，当ξ=0.707时，调节时间最短，而此时的超调量也小于5%，此时的ξ为最佳阻尼比。此实验的ξ分布在0.707两侧，体现了超调量和调节时间随ξ的变化而变化的过程，达到了预期的效果。 图2.2 图2.1 图2.3
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 自动控制原理实验报告 学院： 班级： 姓名： 学号： 西安交通大学实验报告 课程自动控制原理实验日期2014 年12月22 日专业班号交报告日期 2014 年 12月27日姓名学号 实验五直流电机转速控制系统设计 一、实验设备 1.硬件平台——NI ELVIS 2.软件工具——LabVIEW 二、实验任务 1.使用NI ELVIS可变电源提供的电源能力，驱动直流马达旋转，并通过改变电压改变 其运行速度； 2.通过光电开关测量马达转速； 3.通过编程将可变电源所控制的马达和转速计整合在一起，基于计算机实现一个转速自 动控制系统。 三、实验步骤 任务一：通过可变电源控制马达旋转 任务二：通过光电开关测量马达转速 任务三：通过程序自动调整电源电压，从而逼近设定转速 编程思路：PID控制器输入SP为期望转速输出，PV为实际测量得到的电机转速，MV为PID输出控制电压。其中SP由前面板输入；PV通过光电开关测量马达转速得到；将PID 的输出控制电压接到“可变电源控制马达旋转”模块的电压输入控制端，控制可变电源产生所需的直流电机控制电压。通过不断地检测马达转速与期望值对比产生偏差，通过PID控制器产生控制信号，达到直流电机转速的负反馈控制。 PID参数：比例增益：0.0023 积分时间：0.010 微分时间：0.006 采样率和待读取采样：采样率：500kS/s 待读取采样：500 启动死区：电机刚上电时，速度为0，脉冲周期测量为0，脉冲频率测量为无限大。通过设定转速的“虚拟下限”解决。本实验电机转速最大为600r/min。故可将其上限值设为600r/min，超过上限时，转速的虚拟下限设为200r/min。 改进：利用LabVIEW中的移位寄存器对转速测量值取滑动平均。 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： 信息与通信工程学院 模式识别实验报告 班级： 姓名： 学号： 日期：2011年12月 实验一、Bayes 分类器设计 一、实验目的： 1.对模式识别有一个初步的理解 2.能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识 3.理解二类分类器的设计原理 二、实验条件： matlab 软件 三、实验原理： 最小风险贝叶斯决策可按下列步骤进行： 1)在已知 ) (i P ω， ) (i X P ω，i=1,…，c 及给出待识别的X 的情况下，根据贝叶斯公式计 算出后验概率： ∑== c j i i i i i P X P P X P X P 1 ) ()() ()()(ωωωωω j=1,…，x 2)利用计算出的后验概率及决策表，按下面的公式计算出采取i a ,i=1,…，a 的条件风险 ∑== c j j j i i X P a X a R 1 )(),()(ωω λ,i=1,2,…,a 3)对(2)中得到的a 个条件风险值) (X a R i ,i=1,…，a 进行比较，找出使其条件风险最小的 决策k a ，即()() 1,min k i i a R a x R a x == 则 k a 就是最小风险贝叶斯决策。 四、实验内容 假定某个局部区域细胞识别中正常（1ω）和非正常（2ω）两类先验概率分别为 正常状态：P （1ω）=； 异常状态：P （2ω）=。 现有一系列待观察的细胞，其观察值为x ： 已知先验概率是的曲线如下图： )|(1ωx p )|(2ωx p 类条件概率分布正态分布分别为（-2，）（2,4）试对观察的结果 进行分类。 五、实验步骤： 1.用matlab 完成分类器的设计，说明文字程序相应语句，子程序有调用过程。 2.根据例子画出后验概率的分布曲线以及分类的结果示意图。 3.最小风险贝叶斯决策，决策表如下： 结果,并比较两个结果。 六、实验代码 1.最小错误率贝叶斯决策 x=[ ] pw1=; pw2=; e1=-2; a1=; e2=2;a2=2; m=numel(x); %得到待测细胞个数 pw1_x=zeros(1,m); %存放对w1的后验概率矩阵 pw2_x=zeros(1,m); %存放对w2的后验概率矩阵 -150-100 -50 50 实验一 典型环节的模拟研究及阶跃响应分析 1、比例环节 可知比例环节的传递函数为一个常数： 当Kp 分别为0.5，1，2时，输入幅值为1.84的正向阶跃信号，理论上依次输出幅值为0.92，1.84，3.68的反向阶跃信号。实验中，输出信号依次为幅值为0.94，1.88，3.70的反向阶跃信号， 相对误差分别为1.8%,2.2%,0.2%. 在误差允许范围内可认为实际输出满足理论值。 2、 积分环节 积分环节传递函数为： （1）T=0.1(0.033)时，C=1μf (0.33μf )，利用MATLAB ，模拟阶跃信号输入下的输出信号如图： T=0.1 T=0.033 与实验测得波形比较可知，实际与理论值较为吻合，理论上T=0.033时的波形斜率近似为T=0.1时的三倍，实际上为8/2.6=3.08，在误差允许范围内可认为满足理论条件。 3、 惯性环节 i f i o R R U U -=TS 1 CS R 1Z Z U U i i f i 0-=-=-=15 20 惯性环节传递函数为： K = R f /R 1,T = R f C, （1） 保持K = R f /R 1 = 1不变，观测T = 0.1秒，0.01秒（既R 1 = 100K,C = 1μf ， 0.1μf ）时的输出波形。利用matlab 仿真得到理论波形如下： T=0.1时 t s （5%）理论值为300ms,实际测得t s =400ms 相对误差为：（400-300）/300=33.3%,读数误差较大。 K 理论值为1，实验值2.12/2.28， 相对误差为（2.28-2.12）/2.28=7%与理论值 较为接近。 T=0.01时 t s （5%）理论值为30ms,实际测得t s =40ms 相对误差为：（40-30）/30=33.3% 由于ts 较小，所以读数时误差较大。 K 理论值为1，实验值2.12/2.28， 相对误差为（2.28-2.12）/2.28=7%与理论值较为接近 （2） 保持T = R f C = 0.1s 不变，分别观测K = 1，2时的输出波形。 K=1时波形即为（1）中T0.1时波形 K=2时，利用matlab 仿真得到如下结果： t s （5%）理论值为300ms,实际测得t s =400ms 相对误差为：（400-300）/300=33.3% 读数误差较大 K 理论值为2，实验值4.30/2.28， 1 TS K )s (R )s (C +-= 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 实验1 控制系统典型环节的模拟实验（一） 实验目的： 1．掌握控制系统中各典型环节的电路模拟及其参数的测定方法。 2．测量典型环节的阶跃响应曲线，了解参数变化对环节输出性能的影响。 实验原理： 控制系统模拟实验采用复合网络法来模拟各种典型环节，即利用运算放大器不同的输入网络和反馈网络模拟各种典型环节，然后按照给定系统的结构图将这些模拟环节连接起来，便得到了相应的模拟系统。再将输入信号加到模拟系统的输入端，并利用计算机等测量仪器，测量系统的输出，便可得到系统的动态响应曲线及性能指标。 实验内容及步骤 实验内容： 观测比例、惯性和积分环节的阶跃响应曲线。 实验步骤： 分别按比例，惯性和积分实验电路原理图连线，完成相关参数设置，运行。 ①按各典型环节的模拟电路图将线接好(先接比例)。(PID先不接) ②将模拟电路输入端(U i)与阶跃信号的输出端Y相连接；模拟电路的输出端(Uo)接至示波器。 ③按下按钮(或松开按钮)SP时，用示波器观测输出端的实际响应曲线Uo(t)，且将结果记下。改变比例参数，重新观测结果。 ④同理得积分和惯性环节的实际响应曲线，它们的理想曲线和实际响应曲线。 实验数据 实验二控制系统典型环节的模拟实验（二） 实验目的 1．掌握控制系统中各典型环节的电路模拟及其参数的测定方法。 2．测量典型环节的阶跃响应曲线，了解参数变化对环节输出性能的影响。 实验仪器 1．自动控制系统实验箱一台 2．计算机一台 实验原理 控制系统模拟实验采用复合网络法来模拟各种典型环节，即利用运算放大器不同的输入网络和反馈网络模拟各种典型环节，然后按照给定系统的结构图将这些模拟环节连接起来，便得到了相应的模拟系统。再将输入信号加到模拟系统的输入端，并利用计算机等测量仪器，测量系统的输出，便可得到系统的动态响应曲线及性能指标。 实验内容及步骤 内容： 观测PI，PD和PID环节的阶跃响应曲线。 步骤： 分别按PI，PD和PID实验电路原理图连线，完成相关参数设置，运行 ①按各典型环节的模拟电路图将线接好。 ②将模拟电路输入端(U i)与方波信号的输出端Y相连接；模拟电路的输出端(Uo)接至示波器。 ③用示波器观测输出端的实际响应曲线Uo(t)，且将结果记下。改变参数，重新观测结果。 实验数据 实验结论及分析西安交大自动控制原理实验报告
大数据挖掘weka大数据分类实验报告材料
模式识别实验报告(一二)
自动控制原理实验报告73809
数据挖掘实验报告1
自动控制原理实验报告 (1)