公差测量实训总结{优选5篇}

本文共计7798个文字，预计阅读时间需要32分钟。

公差测量实训总结范文第1篇

【关键词】数据挖掘 支持向量机 选股

一、引言

支持向量机，英文为SupportVectorMachine，简称SV机（一般简称SVM），由Vapnik（Vapnik，1999）等人提出，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。基于SVM在分类上的优势，本文使用这一方法来对股票进行选取，并观察效果的好坏。

二、基于SVM的选股模型

本文选取了2007年1月1日起自2012年11月31日建筑业的财务数据和交易数据作为我们的研究对象，并通过向后选择选取了解释变量如下表所示：

其中return00、Return-1、Return-2都是按月度回报率进行算术平均后的回报率。Performance00是对return00进行排序后的得分情况。需要注意的是，模型中引入了一个新的解释变量：return01。该解释变量表示的是股票在下一个月的回报率。从字面上看，这一变量似乎是一个预期值，并非可以通过观测得到。实际上在模型中引入这一变量是因为考虑到财务报表的公布往往具有很强的滞后性，我们可以直接得到。所以，在模型中引入这一变量不单是为了使模型的估计更加贴近实际情况，同时另一方面也是为了增加模型的实用性。

每个因变量都是计算相应时期的平均回报率后对收益率进行排序打分得到的二分类变量。之所以选择四个因变量，是因为考虑到公司的经营状况，财务状况对公司收益率往往具有缓慢且长期的影响，如果模型仅仅只是预测公司下一季度的回报率则显得太过草率。因此，本文考虑将因变量的时间窗口拉长为一年，从而增加模型预测的稳健性。

在后续的估计结果评价中，本文以“选股正确率”，即模型的预测值为1且真实值也为1的概率这一指标作为评价对模型估计效果好坏的唯一标准。

（一）模型的估计结果

在分析时，本文选择高斯函数作为核函数，其参数σ选择自动，相应的惩罚因子C=30。因为模型的预测能力达到了一年，而目前所能获得的最新测试数据为11年4季度，因此选择2008年1季度至2011年3季度的数据作为训练样本。

一季度模型的训练样本误差为0.022036，核函数参数σ=0.041，模型的整体误差为0.15219。通过误差矩阵进行简单计算可以得到模型总体的正确率为85%，我们所关注的选股正确率（预测值为1且真实值也为1的正确率）为65%>50%，模型整体估计效果较好。

两季度模型估计结果。两季度模型的训练样本误差为0.063952，核函数参数σ=0.041，模型的整体误差为0.2。通过误差矩阵进行简单计算可以得到模型总体的正确率为80%，我们所关注的选股正确率为56.7%>50%，模型整体估计效果较好。

三季度模型估计结果。三季度模型的训练样本误差为0.072，核函数参数σ=0.041，模型的整体误差为0.21195。通过误差矩阵进行简单计算可以得到模型总体的正确率为79%，我们所关注的选股正确率为45.5%

四季度模型估计结果。四季度模型的训练样本误差为0.073293，核函数参数σ=0.041，模型的整体误差为0.2254791。通过误差矩阵进行简单计算可以得到模型总体的正确率为77%，我们所关注的选股正确率为36.4%

从上文四个模型的回归结果可以看出，随着预测区间的增加，模型的预测精度逐渐下降，当预测区间达到一年时，模型的正确率为77%

（二）模型的测试结果

从预测结果可以发现：首先，模型在未来一季度的预测正确率最高为84%，随后一直维持在76%至77%之间，可见预测期间的增长并没有对模型总体的预测精度产生较大影响，这与我们模型估计的结果是相似的。另一方面，选股正确率则出现较为明显的下降趋势，未来一季度的选股正确率达到了77%，这可能是与模型引入预测期下一月份的收益率为解释变量有关，但是随后的选股正确率快速下降，当预测期达到未来一年时，模型的选股正确率只有28.75%，还不到30%，此时的模型已经几乎失去了我们所关注预测功能。

（三）模型的预测结果

本文在实际预测时为了确保正确率，仅选用一季度及半年度模型进行预测，使用的预测数据为12年3季度的财务数据及交易数据。

公差测量实训总结范文第2篇

现通过对时用水量变化规律的研究，提出以神经网络法预测城市短期用水量。

1城市供水管网用水量变化规律

在我国城市供水系统中，用水量一般包括居民生活用水、工矿企业生产用水和公共事业用水等。同一城市在一天内的不同时段，用水量会发生显著变化。

虽然城市用水量的变化受气候、生活习惯、生产和生活条件等诸多因素的影响，变化情况也较为复杂，但通过分析不难发现：城市用水量曲线呈现三个周期性的变化，即：一天(24h)为一个周期、一星期(7d)为一个周期、一年(365d)为一个周期，并受增长因素(人口增长，生产发展)的影响。若将预测时段取为1h，则季节因素和增长因素的影响就显得十分缓慢，因此管网时用水量的变化具有两个重要特征：随机性和周期性。

2人工神经网络模型

采用目前应用最广泛的多层前馈神经网络模型(BP模型)来预测用水量。BP网络由输入层、输出层及隐含层组成，隐含层可有一个或多个，每层由若干个神经元组成。最基本的三层BP神经网络的结构如图1所示。隐含单元与输入单元之间、输出单元与隐含单元之间通过相应的传递强度逐个相互联结，用来模拟神经细胞之间的相互联结［1～4］。

BP神经网络采用误差反馈学习算法，其学习过程由正向传播(网络正算)和反向传播(误差反馈)两部分组成。在正向传播过程中，输入信息经隐含单元逐层处理并传向输出层，如果输出层不能得到期望的输出，则转入反向传播过程，将实际值与网络输出之间的误差沿原来的联结通路返回，通过修改各层神经元的联系权值而使误差减小，然后再转入正向传播过程，反复迭代，直到误差小于给定的值为止。

假设BP网络每层有N个处理单元，训练集包括M个样本模式对(Xk，Yk)。对第p个训练样本p，单元j的输入总和记为netpj,输出记为Opj，则：

如果任意设置网络初始权值，那么对每个输入模式p，网络输出与期望输出一般总有误差，定义网络误差EP：

式中?dPj——对第p个输入模式输出单元j的期望输出

可改变网络的各个权重Wij以使EP尽可能减小，从而使实际输出值尽量逼近期望输出值，这实际上是求误差函数的极小值问题，可采用梯度最速下降法以使权值沿误差函数的负梯度方向改变。

BP算法权值修正公式可以表示为：

式中?δpj——训练误差?

t——学习次数?

η——学习因子?

f′——激发函数的导数?

η取值越大则每次权值的改变越剧烈，这可能导致学习过程发生振荡，因此为了使学习因子的取值足够大而又不致产生振荡，通常在权值修正公式中加入一个势态项［5］，得：

式中α——常数，势态因子

α决定上一次学习的权值变化对本次权值新的影响程度。

3时用水量预测

3.1方法

利用BP神经网络预测时用水量分为三大步骤：第一步为训练样本的准备和归一化，第二步为神经网络的训练，第三步是利用训练后的神经网络对用水量进行预测［6］。?

由于用水量的数值较大，应对其进行一定的预处理，一般可采用初值化、极值化或等比变换。通过这些变换可有效地缩短神经网络训练时间，从而加快网络收敛速度。?

3.2实例

采用华北某市2000年24h用水量的实测数据进行预测。在应用神经网络预测模型预测时用水量时，建立了时用水量数据库，共收集了240个样本，每个样本包括24h的时用水量资料。?

通过选取不同的输入样本数及不同的隐层单元个数来比较其训练与预测结果的最大相对误差、均方差、程序运行时间以决定网络的结构。经过比较，最后决定采用一个隐层、12个隐层单元、24个输出单元的BP网进行训练,训练过程中均采用24h的时用水量作为输入与输出节点(即Opi与Opj)。?

由于时用水量变化具有趋势性、周期性及随机扰动性的特点，故预测样本的变化规律将直接影响预测结果的变化趋势，所以在预测时应根据预测对象的情况，选择适当的样本进行预测。

①预测次日24h的时用水量(或某一时刻的用水量)?

a.如果这一天处于工作日则选取上一工作日的用水量作为输入样本进行训练，然后预测次日的时用水量。预测结果见图2，与实际用水量的相对误差为-0.02%～0.01%。

b.如果预测日为周末(即周六或周日)则选取前一周(包括上周周末)的实测数据进行训练以使预测更加准确，预测结果见图3。与实际用水量的相对误差为-2%～1%。

②预测一个月的时用水量?

可以选取上个月的数据进行训练，也可以选取去年或连续几年同月的时用水量进行预测，不过训练样本数越大、训练时间越长则预测精度越高。预测结果见图4，与实际用水量的相对误差在±1%以内。

3.3预测效果比较

为了考察神经网络模型对城市时用水量的预测效果，同时采用时间序列三角函数分析法、灰色系统理论预测法、小波分析法对上述实例进行了预测，结果表明：时间序列三角函数分析法的预测误差一般为±5%～±7%；灰色系统理论预测法的预测误差大一些，为±5%～±50%；小波分析法误差范围为0%～±25%；而神经网络的最大误差不超过±1%。

可见，神经网络方法对城市时用水量的预测效果明显好于其他方法。

4结语

人工神经网络是一门新兴的交叉学科，利用BP网络进行预测能拟合任意的非线性函数并且具有准确、简单等特点，实际应用结果表明，用它来预测时用水量是可行的。

参考文献：

［1］HaganMT,MenhajMB.TrainingfeedforwardnetworkswithMarquartalgorithm［J］.IEEETransonNeuralNetworks,1994,5(6):989-993.

［2］KanadChakraborty,ChilukuriKMohan.Forecastingthebehaviorofmultivariatetimeseriesusingneuralnetworks［J］.NeuralNetworks,1992，(5)：961-970.

［3］SietsmaJ，DowRJF.Backpropagationnetworksthatgeneralize［J］.NeuralNetworks,1999，(12)：65-69.

［4］邵良彬，高树林.基于人工神经网络的投资预测［J］.系统工程理论与实践，1997，17(2)：67-71.

公差测量实训总结范文第3篇

关键词：实践动手能力；公差配合与技术测量；机械专业

源于实际生产实践的总结与提炼，与实际生产息息相关的“公差配合与技术测量”，作为机械专业最重要的专业基础课之一，主要包括培养学生成为机械技术人员必备的专业性基础知识和技能。由于该课程概念多、名词术语多、公式多，课程教学过程中经常会出现“学生不好学，老师不好教”的现象。结合高职院校机械专业学生将来的就业方向与本学科特性，不难看出，提升“公差配合与技术测量”的教学效果需要以不断提升学生的实践动手能力为导向。

1.“公差配合与技术测量”课程教学现状

结合当前“公差配合与技术测量”课程的教学实际来看，该课程主要存在教学内容设置不科学、实践技能物质条件受限和教学引导不足等的问题。而现有高职院校所采用的“公差配合与技术测量”教材在微观内容的设计与编排上还远未跳出学科体系的束缚，使得教学过程与教学目标不协调。实践能力条件方面，一是任课教师难以彻底脱离重理论轻实践的误区，在教学过程中不注意对学生实践能力的引导和培养。二是受场地和实训设备等物质条件的限制，学生实践技能得不到充分锻炼和提高。

2.实践动手能力驱动下“公差配合与技术测量”教学方法改进对策

（1）科学安排教学内容，合理设置教学过程，尊重学生主体地位。针对当前“公差配合与技术测量”课堂教学内容设置不科学及缺乏对学生实践能力引导的教学现状，任课教师需结合教材科学安排教学内容，在课前做足功课，结合当前生产实际合理设置教学过程，同时在教学的过程中做到尊重学生主体地位。教师应根据“实用为主、够用为度”的教学原则，精选授课内容，适当缩减课堂理论教学的时间，增加技能学习等实践性教学环节的教学时间，提高学生的动手能力。课堂授课过程中，任课教师应当做到重点突出，利用多媒体、视频等教学手段讲解一些实际的例题，主要讲解思路和方法。这样既帮助学生理解理论，也引导学生积极思考，开拓思路，发挥主观能动性，培养学习兴趣。实训内容要紧跟本学科的发展方向，采用模块化实训，培养学生的实际读图能力、测量技术实际操作能力、对具体问题的分析和解决能力。

（2）提供多层次多方式的实践机会，着力培养和提高学生的实践能力。学以致用永远是学科教学的出发点与归宿。根据新课程改革所倡导的教学理念，“公差配合与技术测量” 课程着力培养和提高学生的实践能力应当尽可能地为学生提供多层次多方式的实践机会。一方面，改善当前教学实践器材及其他硬件不足的现状，加大对该课程教学物质基础的投入力度，改良和引进教学设备，不断巩固和提高硬件水平。另一方面，积极促成校企合作，与有一定规模的企业建立长期合作关系，建立校外定点实习基地，让学生分阶段进入企业参观，甚至是完成一部分实习，以培养和提高学生动手实践能力。

（3）任课教师应做到常学习，与时俱进，不断更新知识结构，提高专业水平。师者，所以传道受业解惑也。因此，任课教师应做到常学习，不断更新知识结构，提高专业水平。“公差配合与技术测量”源于生产实践，而随着科技的不断进步，经济水平的不断提高，该学科的教学也应当要跟上时代的步伐。在实践教学过程中，任课教师应当不断加强理论学习和提高自身的动手操作能力，进行下企业、技术服务等理论和实践相结合的活动，这对于教师业务水平的提高也是一大促进。

总之，“公差配合与技术测量”源于生产实际，提高其教学质量必然也得以实践动手能力为导向。任课教师应当及时转变观念，在教学过程中注意引导学生多实践多思考，不断提高自身的动手实践能力，坚持“实用、够用”的教学原则，充分调动学生的主观能动性，采用灵活的教学形式，把理论知识和实践操作有机地结合起来，为学生就业铺平道路。

参考文献：

[1]张小燕.《公差配合与技术测量》课程的教学与改革探讨[J].武汉工程职业技术学院学报，2005，17（03）：82.

[2]文翠芳.浅谈中职《公差配合与技术测量》教学方法[J].装备制造技术，2014（09）.

公差测量实训总结范文第4篇

网络传递函数及算法的确定

BP神经网络神经元采用的传递函数通常取Sigmoid可微的单调递增函数,它可以实现输入到输出间的任意非线性映射,这个特性使得它在函数逼近等领域有着广泛的应用。因此,隐层神经元采取传递函数是正切Tansig函数,这样,整个网络的输出可以限制在一个较小的范围内;而输出层采取的是线性Purelin函数,可使整个网络输出取任意值。常用的BP神经网络算法是梯度下降法,但这种方法的线性收敛速度较慢。

然而,Levenberg-Marquardt优化方法(Trainlm函数)是高斯-牛顿法的改进形式,既有它的局部特性,也有梯度法的全局特性,故训练函数采取的是优化算法Trainlm函数。这个函数适合作函数拟合,收敛快、误差小,缺点是占用存储空间大且性能随网络规模增大而变差。

网络学习参数的确定

学习率决定着权值改变幅度值,为减小迭代次数,学习率在不导致系统误差振荡的情况下尽可能取较大值。通过多次修正,本模型中学习率大小取0.8。而动量系数在一定程度上抑制系统误差振荡,且避免系统误差突升突降情况的发生。动量系数采用先大后小的变参数学习策略较为理想,本模型学习率取0.9。

训练目标为0.0001。在神经网络的训练过程中,可能会出现训练不足或“过度训练”的情况。所谓过度训练,即出现训练中训练误差继续减小,但是验证误差逐渐增大。此时可以通过“提前终止”的方法来寻求最佳训练次数,以此来提高它的泛化能力。

网络的训练

通过文献查阅及实验测定的方式获取黏度样本为1774个。用于BP神经网络训练样本的温度及成分范围如表1所示。由表1可看出,样本的温度、成分及二元碱度范围较广,这有利于提高本预测模型的泛化能力。应用上述模型对1774个黏度样本进行初始化并训练,训练误差变化曲线如图1所示。由图1可看出,黏度训练误差收敛需要518步。神经网络均方误差函数为本模型模拟下的均方误差为mse=3.3775×10-4。由此看出,该模型收敛性良好。

黏度测定与模型预测分析

1黏度测定

通过RTW-10型熔体物性综合测定仪测定国内某3个厂的4种高炉渣,实验用渣的主要化学成分如表2所示,测定黏度与温度的关系如图2所示。由图2可看出,高炉渣黏度随温度的降低而升高,黏度曲线符合碱性渣的特性要求。

2模型预测分析

以图2中4条曲线较均匀地取93个实验数据点作为验证集,用于在神经网络训练的同时监控网络的训练过程。通过对高炉渣作仿真预测,得到高炉渣黏度的预测值。预测误差范围如表3所示,高炉渣黏度预测值与测量值的数据对比如图3所示。由表3和图3可看出,采用BP神经网络模型对4种高炉渣黏度预测的最大相对误差分别为9.87%、13.92%、5.20%和9.54%,它们的平均相对误差分别为2.75%、2.83%、1.31%和3.02%,总平均误差为2.36%,误差均控制在一个很好的水平以内。因此,BP神经网络模型对黏度的预报值有着较高的准确性。

结论

公差测量实训总结范文第5篇

关键词：雷达； 教学模式； 探究式学习

“探究式学习”是以岗位任职需求为导向，以培养学员的创造性思维能力为目标，带着问题搞研究，带着研究进课堂，在师生之间实现经验共享、多向交流的过程[1]。雷达装备训练的主要内容之一就是利用航海雷达测量舰船周围目标与本船之间的相对方位与距离，以引导舰船航行，避免碰撞、搁浅事故的发生。

一、雷达训练准备

在学员熟练掌握JRC公司的JMA5312型船用导航雷达的操作要领后，指导学员执行加高压操作，使雷达测量指定海域的固定目标。

1.训练设备简介

参加训练的设备有：JRC公司的JMA5312型船用导航雷达、天津通信广播集团有限公司的MS1408型AIS海事自动识别系统。

JMA5312型雷达相关的基本指标如表1所示：

表 1 雷达相关的技术指标

MS1408型AIS海事自动识别系统自带电子海图并拥有GPS定位功能。

2.训练场简介

训练场设在山东半岛北岸芝罘湾内的烟台港附近。芝罘湾港区的码头设施主要分布在芝罘湾的北、西、南侧，芝罘湾北侧建有中油码头、渔业公司油码头、东口码头、莱佛士船业有限公司码头及干船坞、北海救助局与烟台打捞局码头；芝罘湾西侧建有烟台海事局工作船码头、中交烟台环保疏浚有限公司码头、三期工程新建汽车轮渡码头、火车轮渡码头、集装箱码头；芝罘湾南及西南侧为水产码头、渔业公司码头、烟台港务集团码头、邮政码头、粮油码头。港的东部有头孤岛、二孤岛、三孤岛、夹岛、崆峒岛、豆卵岛、马岛、柴岛和担子岛围绕。港湾内还有防波堤、灯塔、灯桩和灯浮等各种助航设备，如图1所示。

图 1 烟台港海区卫星图

在近海岸边架设雷达站，利用烟台港周围丰富的大小船只、港口、岛屿、助航设备等雷达目标进行雷达装备训练。

二、雷达装备训练实践

1.雷达站坐标确认

在近海岸边架设好雷达站后，利用AIS系统测量雷达站自身的地理坐标，而后测量防浪堤灯桩、烟台港1号灯浮、崆峒岛灯塔的坐标及相对于雷达站的距离。由于灯塔、灯桩、灯浮的地理坐标可以从海图上查到，通过简单的平面几何关系，就可以计算山雷达站的地理坐标以及与三个目标之间的距离。此计算结果与AIS系统测量结果相一致。

2.雷达对1号灯浮测距

1号灯浮为绿色钢制浮标，呈柱形、锥形顶。

安排学员轮流上雷达操作，各自测量l号灯浮的距离。l号灯浮的实际距离及8名学员各自的测量值如表2所示：

表 2 学员测量1号灯浮的结果

当公布了测试结果时，每个学员都挺兴奋，有种初战告捷的喜庆。教员及时表扬了大家的成绩，并布置了思考题，就是对一步的任务对灯塔测量，大家能不能保持这个成绩？并分析原因。

3.雷达对崆峒岛灯塔测距

崆峒岛灯塔为白色混凝土塔，呈圆柱形。塔高19米，灯高78.3米。

安排学员带着自己的思考问题轮流上雷达操作，各自测量出崆峒岛灯塔的距离。崆峒岛灯塔的实际距离及8名学员各自的测量值如表3所示：

表 3 学员测量崆峒岛灯塔的结果

当公布了测试结果时，每个学员都没了刚才的兴奋劲，因为这次实测值偏差较大。有的学员提出重新测量一次，而教员没有同意，让人家不要急于重新操作，而是坐下来，静心思考刚才的问题：为什么这次偏差较大？

三、“探究式学习”应用

让大家带着思考的问题进行对灯塔的测量，按说这种有准备的仗应该打胜，为什么结果却事与愿违？

“探究式学习”模式要求营造特定的问题情景，发挥教员的主导作用和学员的主体地位，激发学生的学习兴趣和求知欲望。这次课中教员先安排学员测量灯浮而后测量灯塔，这是有准备的，测量的结果是符合教员如期的。教员又充分抓住大家情绪上的变化，发挥主导作用，引导学员积极思考，走上课堂的主体地位。

学员首先回顾了雷达产生误差的原因。有系统误差和随机误差。随机误差包括设备误差和外界误差。外界误差包括电波速度、大气折射和测读方法等原因[2]。分析两次测量的过程，产生较大误差的原因只能是测读方法了。该雷达为电子判读、数字显示，哪么测读误差又来自哪里呢？

教员又安排大家各自测试小山子灯桩。这次不同的是在测量之前，教员就告诉大家了小山子灯桩的距离为3.7nm。8名学员的测试结果如表4所示：

表 4 学员测量小山子灯桩的结果

这次测量的结果与真值几乎完全一致，并非是大家弄虚作假，而是大家受到了心理的暗示。再次证明了即使是同一个目标，同一个人测量两次的结果也并不一定是一样的。大家又热烈讨论一番，终于悟出了回波在屏幕上的大小与形状不同才是导致测量结果产生偏差的原因。

还有么有其他原因没有分析到？经进一步启发诱导，大家又找出了三次目标探测，其距离是不一样的，所用雷达量程也不一样，脉冲重复频率及宽度也不一样，这些不一样，都或多或少地影响了测距的判读。

屏幕上光点直径的大小是影响测距精度的原因，这在原理课中已经讲过了，为什么大家转了一个大圈才真正找到了原因？这是留给大家的作业。

四、总结

本课成功运用了“探究式学习”教学模式为主线，通过营造特定的问题情景，激发学生的学习兴趣和求知欲望，使学员走上课堂主体地位，收到了良好的教学效果。

通过批改作业发现，每个学员都有自己的心得，比较集中的看法是理论课的学习知识一定要在实践中检验，克服“死记硬背”、“眼高手低”、“思维呆板”学到的死知识，充分发挥课堂上的主体地位，带着问题搞研究，带着研究进课堂，活跃思维、灵活应用，才能牢固掌握知识，才能适应岗位的需要。

参考文献

[1] 康健、芮国胜、于仕财.在任职教育中开展“探究式学习”教学模式的思考[J].海军院校教育，2009.6

[2] 于仕财、马强、康健等.雷达原理[M].烟台：海军航空工程学院出版社，2010.5