信号分析实验报告封面

信号分析实验报告封面（精选5篇）

篇1：信号分析实验报告封面

Ｈ ａ ａr r ｂ ｂi in n

Ｉ Ｉn ns st ti iｔ ｔ ｕ ｕt te e

o of f

T Te ec ch h ｎ ｎo o ｌ ｌo og gy y

实 验 报 告 告

课程名称:

随机信号分析

院

系：

电子与信息工程学院

班

级：

姓

名:

学

号：

指导教师:

实验时间:

实验一、各种分布随机数得产生

（一)实验原理 1、、均匀分布随机数得产生原理 产生伪随机数得一种实用方法就是同余法,它利用同余运算递推产生伪随机数序列．最简单得方法就是加同余法

为了保证产生得伪随机数能在[0,１]内均匀分布,需要Ｍ为正整数，此外常数 c 与初值 y0 亦为正整数。加同余法虽然简单,但产生得伪随机数效果不好。另一种同余法为乘同余法,它需要两次乘法才能产生一个［0，１]上均匀分布得随机数

ﻩ ﻩﻩ

式中,ａ为正整数。用加法与乘法完成递推运算得称为混合同余法,即

ﻩﻩ

ﻩ用混合同余法产生得伪随机数具有较好得特性,一些程序库中都有成熟得程序供选择。

常用得计算语言如 Basic、Ｃ与 Matlab 都有产生均匀分布随机数得函数可

以调用，只就是用各种编程语言对应得函数产生得均匀分布随机数得范围不同，有得函数可能还需要提供种子或初始化。

Matlaｂ提供得函数ｒａnd()可以产生一个在[0,1］区间分布得随机数，rand（2,4）则可以产生一个在［０,1]区间分布得随机数矩阵,矩阵为２行４列。Matlab 提供得另一个产生随机数得函数就是 ranｄom(’unif’,a,b，N，M),unif 表示均匀分布,a与b就是均匀分布区间得上下界,N与M分别就是矩阵得行与列。

2、、随机变量得仿真 根据随机变量函数变换得原理,如果能将两个分布之间得函数关系用显式表达,那么就可以利用一种分布得随机变量通过变换得到另一种分布得随机变量。

若Ｘ就是分布函数为 F(x)得随机变量,且分布函数 F(x)为严格单调升函数,令Ｙ=F(X）,则 Y 必为在[0，1]上均匀分布得随机变量．反之,若 Y 就是在[0,1]上均匀分布得随机变量,那么 即就是分布函数为 FX(x）得随机变量。式中 F X1()为F X() 得反函数.这样,欲求某个分布得随机变量,先产生在[0,１］区间上得均匀分布随机数,再经上式变换，便可求得所需分布得随机数。

３、高斯分布随机数得仿真 广泛应用得有两种产生高斯随机数得方法，一种就是变换法,一种就是近似法.如果Ｘ1,X2 就是两个互相独立得均匀分布随机数,那么下式给出得 Y１,Y2

便就是数学期望为 m,方差为得高斯分布随机数，且互相独立，这就就是变换法。

另外一种产生高斯随机数得方法就是近似法.在学习中心极限定理时，曾提到 n 个在[0,1］区间上均匀分布得互相独立随机变量 Xi（i＝１，2…，ｎ）,当ｎ足够大时,其与得分布接近高斯分布.当然,只要 n 不就是无穷大，这个高斯分布就是近似得。由于近似法避免了开方与三角函数运算，计算量大大降低。当精度要求不太高时，近似法还就是具有很大应用价值得.4、、各种分布随机数得仿真 有了高斯随机变量得仿真方法，就可以构成与高斯变量有关得其她分布随机变量,如瑞利分布、指数分布与分布随机变量。

(二）

实验目得 在很多系统仿真得过程中,需要产生不同分布得随机变量。利用计算机可以很方便地产生不同分布得随机变量，各种分布得随机变量得基础就是均匀分布得随机变量.有了均匀分布得随机变量，就可以用函数变换等方法得到其她分布得随机变量。

(三)实验结果

附:源程序 suｂplot（2,2，1);

x=random（’ｕniｆ’，2，5，1，１024）； ploｔ(x)； tｉtｌｅ(’均匀分布随机数’)subpｌｏt(２，2，2);G1=ｒandｏm(’Nｏrmaｌ＇,0,1,1，20００0)； ploｔ（G１)； ｔitle（’高斯分布随机数’)ｓｕbplot(2，2,３）;G2=raｎdom(“Nｏrmal’,0,1,1,20０00);R=sqrt（G1、＊G1＋G2、＊G２）;plｏt（Ｒ);title(’瑞利分布随机数’)suｂplot(2，２,4);G3=raｎdｏm(”Nｏrｍal’,0,１,1,2000０);G４=ｒandom(“Nｏrｍａl’，０,1,1,2０0０0）； Ｘ=G１、＊Ｇ1+G２、*G2+G３、*G3+Ｇ4、*G4； pｌoｔ（Ｘ);ｔｉtle（”x^2 分布随机数＇）

实验 二、随机变量检验（一)实验 原理 1、均值得计算 在实际计算时,如果平稳随机序列满足各态历经性，则统计均值可用时间均值代替。这样，在计算统计均值时,并不需要大量样本函数得集合，只需对一个样本函数求时间平均即可。甚至有时也不需要计算 N   时得极限,况且也不可能。通常得做法就是取一个有限得、计算系统能够承受得 N 求时间均值与时间方差。根据强调计算速度或精度得不同,可选择不同得算法。

设随机数序列｛}，一种计算均值得方法就是直接计算下式中,xn 为随机数序列中得第 n 个随机数。

另一种方法就是利用递推算法，第ｎ次迭代得均值也亦即前 n 个随机数得均值为迭代结束后,便得到随机数序列得均值 m m N 

递推算法得优点就是可以实时计算均值,这种方法常用在实时获取数据得场合。

当数据量较大时,为防止计算误差得积累,也可采用式中,m1 就是取一小部分随机数计算得均值.２、方差得计算 计算方差也分为直接法与递推法。仿照均值得做法

方差得递推算法需要同时递推均值与方差 m mnx mn n n n    1 11()

迭代结束后，得到随机数序列得方差为

其它矩函数也可用类似得方法得到.３、统计随机数得概率密度直方图 假定被统计得序列得最大值与最小值分别为 a 与 b。将区间等分 M(M 应与被统计得序列得个数 N 相适应，否则统计效果不好。)份后得区间为,，…，,… ,。用，表示序列得值落在区间里得个数,统计序列得值在各个区间得个数，则就粗略地反映了随机序列得概率密度得情况.用图形方式显示出来就就是随机数得概率密度直方图.（二）

实验目得 随机数产生之后,必须对它得统计特性做严格得检验。一般来讲,统计特性得检验包括参数检验、均匀性检验与独立性检验等.事实上,我们如果在二阶矩范围内讨论随机信号,那么参数检验只对产生得随机数一、二阶矩进行检验。我们可以把产生得随机数序列作为一个随机变量,也可以瞧成随机过程中得一个样本函数。不论就是随机变量还就是随机过程得样本函数，都会遇到求其数字特征得情况，有时需要计算随机变量得概率密度直方图等.（三）

实验结果

附：源程序 subplｏt(2,2，1）;x=raｎdom(“ｕnｉf”,２，５,1,１０2４）;ｈisｔ（x,2:0、２：5);ｔitle（’均匀分布随机数直方图’);s1=0 foｒ ｎ１＝1:１024

s１=x(n1)＋s１;end Mｅan1=s1/102４； t1=0 for n1＝１:10２4

ｔ1＝(x（n1）—Mean1)＾2＋t1;end Ｖaｒiance１＝ｔ1/１024;sｕbplot(2,2，2)； G1＝raｎdｏm(’Noｒｍal“,0，1,１，２0０00)； hist(G1，—4:0、2:4）； ｔitｌe(”高斯分布随机数直方图’）;ｓ2=０ foｒ n２=1：2０00０

ｓ2=Ｇ1（ｎ2）+s2； eｎｄ Mｅan2＝s2/20000； t2=0 fｏr n2＝1：20０00

t2=(G1(n2）-Mean２)^2+t2;enｄ Vaｒｉaｎｃe2=t2/20000； subｐｌot(２，2,3);G2=rａndom(’Nｏｒmal’,0，1，1,２0000）； R＝sqｒt（G１、*G1＋G2、*G２);hｉst（R,0:０、２:5）;tｉtｌｅ(“瑞利分布随机数直方图’)； s3=０ for n3=1：20000

ｓ3=R(ｎ3）+ｓ3;ｅnd Meａn３=s3/２00０0;t３＝0 ｆor n3=1：2０000

ｔ3=(R（n３)—Ｍｅan3）^2+t3;end Ｖarianｃｅ3=t3/２00００;subｐlot(2,２，4);G3=ｒandom（’Normaｌ”，0,1，1,200０0）;G４=raｎdom（“Ｎormal”,０,1,１，２0000）;X=Ｇ1、*G1＋G2、＊Ｇ2+G3、＊G3＋Ｇ4、＊G4； hist(X，0：０、5：30）;tiｔle(“x^2 分布随机数直方图’)ｓ4=0 for ｎ4=1:200０0

ｓ４=X(ｎ４）+s４;ｅnd Mean4=s4/2000０;t4＝0 for n４＝1:２00０0

t4=(X(ｎ4)-Meaｎ４)^2＋t4； end 实验 三、中心极限定理得验证(一）

实验 原理 如果 n 个独立随机变量得分布就是相同得,并且具有有限得数学期望与方差，当 n 无穷大时，它们之与得分布趋近于高斯分布。这就就是中心极限定理中

得一个定理。

我们以均匀分布为例，来解释这个定理。若 n 个随机变量 Xi（ｉ=1，2，…,n)都为[0,1］区间上得均匀分布得随机变量,且互相独立，当 n 足够大时，其与得分布接近高斯分布。

(二）

实验目得 利用计算机产生均匀分布得随机数。对相互独立得均匀分布得随机变量做与,可以很直观瞧到均匀分布得随机变量得与,随着做与次数得增加分布情况得变化，通过实验对中心极限定理得进行验证。

((三）

实验结果

分析:随ｎ取值得增大，均匀分布随机序列求与得图形越发接近于高斯分布。

附：源程序 X0=random(＇uniｆ”,0,1，１,１0２4);X1=randｏm(’unｉｆ’,0,1，1，１024)；

Ｘ2=ｒandoｍ（＇ｕniｆ“,0,1,1，１024);X3=rａndom(＇unif＇，0,１,１,1024);

Ｘ4=ｒaｎｄｏｍ(”uｎif＇，0，１，1，１０24);

X5=raｎdom(’ｕnif’，0，1,１,１024）；

Ｘ６=ｒaｎdom（’ｕnif“,0,1，1,1024）;X7=raｎｄom（’ｕｎiｆ’,0,1，１,1024);

X８=raｎdom(＇unif”，0，1，1,１０24);

X9=ｒaｎdom(’ｕnｉf’,0,１,１,1０２４）； Ｇ=rａｎｄom(“ｎｏｒmal”,０，1，1，1024）;

Ｙ1=X０+X1+X2＋X3＋Ｘ4；

Y2=Ｘ0+X1＋X2+Ｘ3+X４+Ｘ5+X6+X7+Ｘ8+X9;

suｂploｔ(2,2,1);ｈｉsｔ(X０,０:0、２：2)；

titlｅ(“均匀分布随机数直方图’）

sｕbplot(2，２,2）;hist（Y１,0：0、２：6);

ｔitlｅ(’五个均匀分布之与随机数直方图”)sｕｂplot(2,２,3）;ｈｉｓｔ(Y2，0：0、2：8);

title（’十个均匀分布之与随机数直方图“)subpｌoｔ(2，２，4);ｈiｓt（G,－4：0、2:4）;title(”高斯分布随机数直方图“）

实验 四、中心极限定理得验证(一）

实验 原理 在实际应用中，我们可以把产生得随机数序列瞧成随机过程中得一个样本函数。如果平稳随机序列满足各态历经性,则统计自相关序列可用时间自相关序列

代替。当数据得样本数有限时,也只能用有限个数据来估计时间自相关序列,统计自相关序列得估值。若各态历经序列Ｘ(n）得一个样本有 N 个数据,由于实序列自相关序列就是对称得，自相关函数得估值为

(二)实验目得 在随机信号理论中,自相关函数就是非常重要得概念。在实际系统仿真中也会经常计算自相关函数．通过本试验学生可以亲自动手计算自相关函数,加深对概念得理解，并增强实际动手能力．（三))实验结果

分析：分别生成均值为 0 与１，方差为 1 得高斯随机数,由图形可以明显瞧出两者自相关函数得差异。

附:源程序 N=２56;xn=ranｄom(’nｏｒm＇，０,１,1，N);Rx=ｘcoｒr（ｘn,＇biａsed”);ｍ=-N+1：N－1;ｓubplｏｔ(2,1，１）;ｐlot(m,Rx);tｉtle(“均值为０，方差为１得高斯分布得自相关函数＇）； axis（［—N N—1 —0、５ 1、５］)； N=256;xn＝randｏｍ（’noｒm’,1,1，1，Ｎ);Ｘk=ｆft(xn,2*N)； Rx＝ifｆｔ（(aｂs（Xk)、＾2)／N）； m=-N:Ｎ—１;suｂｐlot(２，1，2)； plot（m，fｆtsｈift（Rx));ｔitｌe（’均值为 1,方差为 1 得高斯分布得自相关函数’);ａxｉs（[-N N—1-0、5 １、5]);实验五、功率谱密度(一)实验 原理 一般把平稳随机序列得功率谱定义为自相关序列得傅里叶变换。如果自相关序列就是周期序列, X(ｎ）得功率谱与自相关序列得关系为

ﻩ 与实平稳过程一样,实平稳序列得功率谱也就是非负偶函数,即

可以证明，功率谱还可表示为

当 X(ｎ）为各态历经序列时,可去掉上式中得统计均值计算,将随机序列 X(n)用它得一个样本序列 x（ｎ)代替。在实际应用中，由于一个样本序列得可用数据个数 N 有限,功率谱密度也只能就是估计

式中，X(x（n)得傅里叶变换．这就是比较简单得一种估计方法,这种功率谱密度得估计方法称为周期图方法。如果直接利用数据样本做离散傅里叶变换,可得到 X(FＦT 算法实现,所以得到了广泛得应用。

(二）实验目得 在随机信号理论中，功率谱密度与自相关函数一样都就是非常重要得概念.在实际系统仿真中也会经常计算。通过本试验学生可以亲自动手,加深对概念得理解，并增强实际动手能力。

(三）实验结果

附:源程序 N＝２5６;ｘ1＝random(”normal’,0,1，1,N);Sx1＝abs（ｆft(ｘ1）、＾2）／N;subplot(2,１,1);plｏｔ（１0*loｇ10（Sx1));ｔｉtle(“均值为０,方差为 1 得高斯分布得功率谱密度＇)； xlａｂel(’ｆ/Ｈz’)ylabel(”Sｘ１/dB’）

x２=rａndom(’ｎormａl“，１,1,1,N）； Ｓｘ2=abs（fｆt（x2)、＾２)/N;ｓuｂplot（2，1,2);plot（１０*log1０(Sx2));title（”均值为 1，方差为 1 得高斯分布得功率谱密度’）;xlabel(’ｆ/Hz＇）

ｙlabｅｌ（“Ｓx2/dB＇)实验 六、随机信号经过 线性系统前后信号仿真

（一))实验原理

需要先仿真一个指定系统,再根据需要仿真输入得随机信号，然后使这个随机信号通过指定得系统．通过对实际系统建模，计算机可以对很多系统进行仿真。在信号处理中,一般将线性系统分解为一个全通放大器(或衰减器)与一个特定频率响应得滤波器。由于全通放大器可以用一个常数代替,因此线性系统得仿真往往只需设计一个数字滤波器。滤波器设计可采用 MＡTLAB 提供得函数，也可

利用相应得方法自行设计。MＡＴLAＢ提供了多个设计滤波器得函数,可以很方便地设计低通、带通、高通、多带通、带阻滤波器。

((二）实验 目得

系统仿真就是信号仿真处理得一个重要部分，通过该实验要求学生掌握系统仿真得基本概念,并学会系统得仿真方法。

((三))实验 结果

1、低通滤波器

2、带通滤波器

3、高通滤波器 4、多带通滤波器

5、带阻滤波器

附：源程序 １、X（n)

N＝2000；fｓ=４00;Nn=ｒandom（”normａl＇,0,1,1，N)； t=（0：Ｎ—１)/fs;fi=ｒaｎｄｏm(’unｉf’,0,１,１,２)＊2＊pｉ;xn＝sin(2*ｐi*５０*ｔ+ｆｉ(1))+Nn;Ｒx=ｘcorｒ(xn，“biaｓed’)； ｍ=—N+1:N－1;Sx=abs（ｆft（xn）、^2）/Ｎ； f=(—N／2:N/2-１）＊fs/N;sｕbｐlｏt（211),ｐｌot(m，Rｘ)； xlabｅl(’m’）

ｙｌabel（”Rx(m）’)titlｅ（’xn 得自相关函数“);subploｔ(212）,plｏt（f,ffｔshift（10＊lｏg10（Sx(1:N）)）);xlabeｌ（’f/Hz”)ｙlabｅl(“Sx/dB”)tｉtle(’xn 得功率谱密度’）;2、低通滤波器 ｈ=ｆir1（１00,0、４);H=ｆft(h,2＊N);HW=aｂs(Ｈ)、＾２;Rx=xcoｒr（xn，’ｂｉasｅｄ＇);Sx=abs（ｆfｔｓhift（fft(xn，2*N））、＾2)/（2＊Ｎ)； Ｓy＝Sx、*ＨＷ;Ｒy＝fftｓｈift（ifft（Sｙ)）;

f=（-Ｎ：N—1)＊ｆs/(2＊N)； m=(—N:Ｎ－1);subｐｌot(311);pｌot（(-N:Ｎ—1)/N，fｆtshiｆt(aｂs(HW(1:2＊N))）);tiｔlｅ(＇低通滤波器“）;ｓubplｏt(31２)，ｐｌoｔ（ｍ,Ry);xlabｅl(”m“)ylａbeｌ（”Ry（ｍ)＇)title(’xn 经低通滤波器得自相关函数’)； ｓubｐloｔ(31３),plot（ｆ，ffｔshift(10*log10(Ｓy（１:2*N)）))； ａxis(［—200 20０ —20 20]);xlabeｌ(“f/Hz’)ｙlabｅl(＇Sｙ/ｄＢ”)titｌe(＇xn 经低通滤波器得功率谱密度“)； 3、带通滤波器 ｈ=fｉr1(10０，［０、１ ０、5]);H=ｆft(h，2*Ｎ);ＨW＝abs(H)、^2； Ｒx=ｘcorｒ(xn，”biａsed“）； Sｘ=aｂs（fｆtshiｆt(fｆt(ｘn,2*N））、＾2)／（2*N）； Sy=Ｓx、*ＨW； Rｙ=fｆtsｈift(ｉfft（Sｙ)）； f=(-Ｎ:N-1）*fs/(2＊Ｎ);m=（-N:N—1）;subｐlot(311);ｐlot((—N:N-1）/N,fftｓｈift（abs（HW（1:2＊Ｎ)))）； ｔitle(’带通滤波器”）； ｓubｐlｏｔ（312)，ploｔ（ｍ,Ry);xlabeｌ(’m“)yｌabel(’Ｒy(m)’)title(”xn 经带通通滤波器得自相关函数“)； ｓubpｌoｔ(31３)，plｏt(f,fftshift(10＊lｏg10（Sy(１：2＊N))））； ａxiｓ（［—２０0 20０ －２0 20]);xｌabｅl（’f/Hz”)yｌabｅl(“Ｓｙ/dＢ’)tｉtle（’xn 经带通滤波器得功率谱密度’）;4、高通滤波器 h=ｆｉr1（１0０,0、6,’high’）； Ｈ=fft(h,2＊N）； ＨW=abｓ（H)、^２;Ｒx=xcｏｒr(xｎ,”bｉａｓed“）;Ｓx=abs(fftｓｈift（fｆt(xn,2＊N))、^２)/（2*N)； Sｙ=Ｓx、*HW;Ｒy=ffｔshiｆt(iｆfｔ（Sｙ));f=(-Ｎ:N-1）*ｆs/（2*N);m=(—Ｎ:N—1）；

sｕｂｐlｏt(31１)；plot(（-N：Ｎ—1）/N,ｆftshiｆt(aｂs(HＷ（1:２*N)）));tiｔｌe(＇高通滤波器”）;subpｌot(312），ploｔ(m,Rｙ);xlabｅl(“ｍ’)ylaｂeｌ(’Rｙ(m)”)tiｔlｅ(＇xn 经高通通滤波器得自相关函数’);subplｏt（3１3）,ｐｌot(ｆ,fftshｉft(10*ｌog10(Sy（1:2＊Ｎ)）））;axis（［－２０0 2０0 —2０ 2０]）； xlａbeｌ（“ｆ/Ｈz’)ｙｌａbｅl（”Sy/ｄB“)tｉtle(＇xn 经高通滤波器得功率谱密度＇);5、多带通滤波器 h=fｉr１(100,[０、１,0、3，0、5,0、7］)； H＝ｆfｔ(h，2*N)； HW＝ａｂｓ（Ｈ)、^2； Ｒx=xcorr（xn,＇bｉasｅd’);Sx=abs（fｆtshift(fft(xn,2*N））、^2)/（２＊Ｎ）； Sy＝Ｓx、*HW;Ｒy=ffｔshiｆt（iｆft(Sy));f＝（—Ｎ:N—1)＊fｓ/(2*N);m＝（—N：Ｎ-1);sｕbｐloｔ(３１1）;ploｔ(（—N:N—１）/Ｎ,fftｓｈift（ａbs(HW（1:２＊N）)))； tiｔle(’多带通滤波器’)； ｓｕbplot(312),pｌｏt(m,Ry）； ｘlabel（＇m’)ｙｌabｅl（”Ry(m）“）

ｔitle（”xn 经多带通通滤波器得自相关函数“);subpｌot（31３),plot(ｆ,fｆｔshｉｆt（1０＊ｌog10(Sｙ（1：2＊Ｎ)）));axis（［－2０0 2０0 —20 20]);xlaｂeｌ（’ｆ／Hz”）

ｙlabｅl(“Sy/dB’）

ｔitle(’xn 经多带通滤波器得功率谱密度”）； 6、带阻滤波器 h=fiｒ１(100,[０、1,0、4],’sｔoｐ’);H=fft（h，2＊N);HＷ=abｓ(H)、^2;Rx=ｘｃｏrr（xｎ,’ｂiaseｄ“）;Ｓx＝ａbｓ（ffｔshift(fft（ｘｎ，２*N）)、＾2)／(2*N);Sy=Sx、＊ＨW； Ｒy＝fftshift（ｉfft(Sy））;f=(—N:N-1）*ｆｓ/（2*N);m=(-N：N—1)； ｓｕｂｐlot(311）；pｌoｔ(（—N：N-1）/Ｎ,fftshift(ａｂs（ＨＷ(1:２*Ｎ))));

ｔｉtｌｅ(”带阻滤波器“）； ｓubpｌot（31２),ｐlot（m，Ｒy)； xlａbeｌ(’m’）

ｙlａbel（”Ｒy(m)’)ｔitle（’ｘn 经带阻滤波器得自相关函数＇)； sｕbplｏｔ(3１3)，ｐlot(f,fftshift（10＊log10(Sy（１:2*N)）））;aｘis([－200 20０-20 20］);xlaｂｅl（＇f／Ｈz“)ylabｅl（”Sy/ｄB“)titlｅ（”xn 经带阻滤波器得功率谱密度"）;

篇2：信号分析实验报告封面

学号：

姓名：

2009年12月21日

实验一：平稳随机过程的数字特征

1、实验目的“正文、小四宋体1.5倍行距”

2、实验任务

3、实验流程

4、实验结果

5、实验代码

“代码、五号宋体1倍行距”

1、实验目的“正文、小四宋体1.5倍行距”

2、实验任务

3、实验流程

4、实验结果

5、实验代码

“代码、五号宋体1倍行距”

1、实验目的“正文、小四宋体1.5倍行距”

2、实验任务

3、实验流程

4、实验结果

5、实验代码

“代码、五号宋体1倍行距”

1、实验目的“正文、小四宋体1.5倍行距”

2、实验任务

3、实验流程

4、实验结果

5、实验代码

篇3：基于实验报告自动批阅的系统分析

[关键字] 实验报告自动批阅,系统分析

一、引言

实验报告网上自动批阅的目标是能让计算机像人一样对实验报告进行批阅,对实验目的、设备、原理、步骤、结果以及心得体会进行对错的判断并打分。实现实验报告自动批阅可利用人工智能等相关技术,在运用这些技术前,需了解实验报告的特征,并在此基础上提出整个实验报告自动批阅的工作流程,即实现方案。

二、实验报告提交格式设定

通常实验报告内容包括:实验名称、实验目的、实验设备、实验原理、实验步骤、实验结果、心得体会等;同时,应有学生基本信息等相关内容。针对实验报告网上评阅的特征,设定报告格式,使批阅过程更简单,化整为零,最后汇总得分。设定报告格式如下:

1、学生填写:学生学号、姓名,实验课程,实验名称,实验目的,实验设备,实验原理,实验步骤,实验结果,心得体会。

2、对实验目的、实验设备、实验原理、实验步骤、实验结果、心得体会要求学生按照知识点来填写,每个知识点以“句号”结束。

3、学生填写完每一部分的内容,以文本方式提交保存。

三、自动批阅工作流程

实验报告格式统一后,只需从数据库中提取出学生的实验报告;再根据实验名称从标准答案模板中提取该实验的标准答案模板;然后分别从学生报告和答案模板中提取实验目的、实验设备、实验原理、实验步骤、实验结果、心得体会六个部分的内容,对它们进行相应的处理,得到每个部分的成绩,最后把所有的成绩相加。批阅流程如下:

1、每个实验都有既定的名称,假设每个实验名称不同。此时,利用实验名称作为关键字,用人工智能中信息检索、关键字匹配方法对所有实验报告进行检索,把所有该实验的实验报告提取并分类。该实验记为A,该实验A的所有学生实验报告组成一个集,记为A(S1,S2,S3,S4……)其中Si代表第i份学生实验报告。

2、对分类出的实验A报告集中的每份实验报告(Si)进行逐步批阅,即按照实验目的、实验设备、实验原理、实验步骤、实验结果、心得体会进行单独批阅。分别把学生实验报告中的六部分记为Si1、Si2、Si3、Si4、Si5、Si6,简记为Sij;把标准答案模板中的上述六部分记为Wa1、Wa2、Wa3、Wa4、Wa5、Wa6,简记为Waj。

3、怎样进行这六部的批阅:以“实验目的”为例。首先,从当前批阅的实验报告中提取出“实验目的”部分的内容,再对“实验目的”部分的全部内容按照“句号”进行文本块划分,把划分得到的文本块记为Si1t(其中t的大小为该“实验目的”部分的内容中句号的个数)。因为规定学生在填写这部分内容时是按照知识点来作答的,且每一知识点都用“句号”来表示结束,所以按照“句号”来进行文本块的划分,实际上就是按照知识点来划分整个部分的内容。

4、对标准答案模板的“实验目的”部分内容全部提取,系统中答案的存储分每一部分单独存储,而每一部分中又以知识点加权值的形式存储,且每一个知识点为一条记录。在这里应提取出“实验目的”部分的全部知识点,并把它记录下来以供后面的批阅使用,记为Wa1t。

5、把3中得到的所有报告“实验目的”文本块Si1t进行文本预处理、句法分析、语法分析、语义分析以及信息抽取,得到报告信息抽取模块。记为pi1t(其中i、t与si1t中的i、t分别相同)。

6、对于4中得到的答案模板“实验目的”部分的所有知识点Wa1t,只需要进行知识点与权值的切分,把切分出来的知识点部分记为qa1t,相应知识点的权值记为ka1t。

7、对于6中得到的“实验目的”部分的每个知识点信息抽取模块qa1t与5中得到的所有学生报告实验目的部分的信息抽取模块pi1t进行模块间相似度的计算,把得到的相似度值中最大的一个乘上该知识点的权值,便得到了该知识点的得分,最后把所有知识点的得分用同样的方法得出后相加,得到“实验目的”部分的总分。

8、重复第3到第7,得出其余五部分的成绩,最后把这六部分的成绩相加就得到该份报告总成绩。

9、对同一实验的其他学生实验报告重复2到8进行批阅;对其他实验的实验报告的批改重复1到8就可完成批阅。

四、举例分析自动批阅工作流程

1、在学生上交的实验报告中,按当前批阅实验的实验名称进行搜索,把得到的实验报告进行单独管理。以“负反馈放大器实验”为例,把“负反馈放大器实验”记为A,并把搜索到的N份实验报告组成一个集,记为A(S1,S2,S3,S4……Sn)。同时把标准答案模板中“负反馈放大器实验”的标准答案模板记为Wa。

2、提取一份实验报告Si,对它的实验目的、实验设备等六部分分别进行批阅。以“实验目的”(记为Si1)为例来说明。首先提取“实验目的”的全部内容,按照“句号”进行文本块划分,把得到的文本块记为Si1t。例如学生报告中“实验目的”内容:

(1) 了解多级阻容耦合放大器组成的一般方法。

(2) 了解负反馈对放大器性能指标的改善。

划分文本块后得到的内容:

文本块一: (1) 了解多级阻容耦合放大器组成的一般方法

文本块二:(2) 了解负反馈对放大器性能指标的改善。

其中把“文本块一”记为Si11,把“文本块二”记为Si12。

3、提取负反馈放大器答案模板中实验目的(Wa1)部分的全部知识点,并把各个知识点记为Wa1t。得到如下结果:

知识点一:多级阻容偶合 放大器 组成 方法|2#

知识点二:负反馈 对 放大器 性能 改善 |3#

其中把“知识点一”记为Wa11,把“知识点二”记为Wa12。

4、对2中得到的所有实验目的部分的文本块Si1t进行文本预处理、句法分析、语法分析、语义分析以及信息抽取,生成报告信息抽取模块。记为pi1t(其中i、t与si1t中的i、t分别相同)。以2中得到的结果为例,说明如下:

文本块一:1、了解多级阻容耦合放大器组成的一般方法。

文本块二:2、了解负反馈对放大器性能指标的改善。

信息抽取模块:

信息抽取模块一:多级阻容偶合 放大器 组成 方法

信息抽取模块二:负反馈 对 放大器 性能 改善

其中把“信息抽取模块一”记为pi11,把“信息抽取模块二”记为pi12。

5、对于3中得到的答案模板中实验目的部分的所有知识点进行知识点与权值的切分,因为在计算机中存储的答案模板中的每一部分的内容都是知识点的信息抽取模块和该知识点的权值,所以切分出来的知识点就是信息抽取模块。把切分出来的知识点部分记为qa1t,相应知识点的权值记为ka1t。实验目的全部知识点:

知识点一:多级阻容偶合 放大器 组成 方法 2。

知识点二:负反馈 对 放大器 性能 改善 3。

进行知识点与权值的切分后的结果:

信息抽取模块: 权值:

知识点一信息抽取模块:多级阻容偶合 放大器 组成 方法 2

知识点二信息抽取模块:负反馈 对 放大器 性能 改善 3

其中把“知识点一信息抽取模块”记为qa11,把“知识点二信息抽取模块”记为qa12;对于权值“2、3”相应的记为ka11、ka12。

6、把5中得到的第一个答案信息抽取模块qa11与4中得到的两个报告信息抽取模块pi11、pi12分别进行模块间相似度的计算,并取最大的相似度值。由于qa11和pi11这两个模块是完全一样的,相似度值为1(设定相似度的最大值为1),所以此时相似度值为1;然后取与qa11相对应的权值(ka11)2,与得到的相似度值相乘,得到了报告对qa11这个知识点回答的成绩,即为2分。分别计算出答案信息抽取模块剩余的相似度值,并得到成绩,两个知识点的成绩相加得到学生实验报告中实验目的部分的成绩,本例得到实验目的部分的成绩为5分。

7、上面是对一份报告中实验目的部分的批阅,对于同一份报告中的其余部分以及不同报告、不同实验的报告都按照这样的方法进行批阅。最后把同一份报告中六个部分的成绩相加便得到了这份报告的总成绩。

参考文献:

[1] 刘其云、李中言,信息抽取的功能和实现方法,情报杂志,2005,5:67-68

篇4：实验报告封面格式

院：专 业 班：姓

名：学

号：指导教师：实验报告

有机化学实验

生物与化学工程学院

化工专升本131

戴世城

3130422044 俞远志

2013 年 月

日

目录

一溴丁烷的制备

篇5：实验报告封面

实验课程：

学生姓名：

学 号：

专业班级：

验 报 告

目 录

实验

一、建筑cad操作系统

实验

二、autocad的基本绘制命令、编辑命令与操作

实验

三、实验

四、实验

五、实验

六、实验

七、实验

八、绘制二维建筑总平面渲染图 绘制建筑总平面图和建筑局部大样图 autocad的三维建模 三维渲染软件（3dmax）的应用与操作 图像处理软件（photoshop）的应用与操作 绘制三维渲染图（建筑外观）

实验一 基本设置与文件管理 实验二 二维图形的绘制

（一）实验三

实验四

实验五

实验六

实验七

实验八

实验九

实验十

实验十一

实验十二

实验十三

二维图形的绘制

（二）二维图形的编辑

（一）二维图形的编辑

（二）辅助绘图和显示控制 对象特性及其应用 块及块的属性和图案填充 图形文字标注 图形尺寸标注 绘图高级技巧及查询功能、三维图形绘制初步 土木工程图形的绘制

（一）土木工程图形的绘制

（二）篇二：实验报告的统一要求与封面格式-11 实验报告要求

2011-10-30

一、实验报告内容与要求

1、按照自己所做实验的次序，撰写实验报告。

（1）实验内容；

（2）总体方案和设计流程；

（3）程序清单，每个程序必须有详细的注释（按照软件工程要求）。

实验报告最后页：总结你做本门课程实验的心得体会，提出对本课程实验内容的改革建议、对实验室管理的想法等。

2、所交实验报告必须为打印稿（统一用a4打印纸，报告提交地点：四号楼429室，空调左边第二章桌子）；同时将实验程序以文件夹名“姓名（学号）”（下设三个子文件夹（实验

一、实验

二、实验三））保存，并压缩后与实验报告电子版一起发送到邮箱wolnyzhang@nuaa.edu.cn，缺任何一份将不予评定成绩。

3、实验报告必须有统一的封面格式（见样本）。

4、上交截止日期为2011年11月6日。

二、实验报告的封面格式

见下页格式。

南京航空航天大学 研究生实验报告

课程名称： fpga实现智能信息处理硬件

学生姓名： 学 号： 专业方向： 2011年11月06日

实验报告要求说明：纸张统一为a4，参考字体是宋体。字号安排如下：

黑-初（标题）

黑-小初（标题）

二号（名称、专题）

小二号（姓名、学号、学科）

一号（日期）

正文：

实验一（四号，粗）

1、实验内容（小四号，粗）

求函数的值。要求：对于sinx与cosx的计算分别并行进行，且结果保留6位有效数据。提示：handle-c中无法处理浮点运算，要进行浮点运算，需将浮 10点数通过放大、缩小的形式变成整数再运算，可近似认为2=1000。y?sinx?cosx x2x4x6x3x5x7cosx?1???sinx?x???2!4!6!3!5!7!

2、总体方案和设计流程

3、程序清单

实验二

1、实验内容

将实验一用微处理器的形式实现。

2、总体方案和设计流程

3、程序清单

实验三

1、实验内容

实现求一个二元函数f(x1,x2)?x1?x2（x1,x2?0~15）的最大值。1）编码方法：以4位二进制代码对函数f的两个自变量的取值进行编码。0～15分别为：0000～1111。依次将两个自变量的代码连接在一起，生成一个8为的二进制代码，即是我们需要的算法的代码。2）初始染色体种群的生成：种群中的染色体数取8，采用随机的方式生成8条初始染色体。对每一条染色体的每一位代码均采用随机取0、1的方式。3）适应度值的计算：将每一条染色体所代表的两个自变量的值代入函数式，计算函数值，作为适应度值。4）选择运算：将当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中，一般要求适应度较高的个体将有更多的机会遗传到下一代群体中。采用与适应度值成正比的概率来确定每一条染色体遗传中被选中的概率。具体方法是：计算所有个体适应度值的和，分别计算出每一条染色体适应度值与适应度值和的比（0～1之间）。以此值作为遗传的选择概22 率。以随机数形式取0～1之间的数，确定选中的染色体个体。5）交叉运算：以某一概率相互交换两个个体之间的部分染色体，采用单点交叉方法，任意组合选择进行交叉操作的染色体对（4对），在每一对中，运用随机数选择1～8之间的数，确定对染色体的哪一位进行交叉。6）变异运算：对个体的某一个或一些基因座上的基因值按某一较小的概率进行改变。规定变异概率为1/8即对每一位代码进行概率判定，以1/8概率进行变异。变异即将原来的二进制代码的0和1互换。0变异为1，1变异为0。

以上述过程周而复始进行循环，直到找到函数的最大值为止。本例中我们要求当出现最值450时就停止计算。

randm[1024]={122,5,105,36,56,78,94,108,90,94,42,78,61,124,30,119,85,60,64, 2,10,88,47,62,54,61, 9,116,46,78,60,44, 8,27, 2,82,44,79,15,123,76,40,58, 6,62,54,37,127,82,24,24,21,94,85，9,21,78,103,97,114,108,44,75,41,75,108,20,25,47,71,106,22,106,115,98,67,68,54,123，7,22,24,116,18,37,122,79,21,37,58,26,93,66,93,47,22,54,73,73,110,76,31,50,32, 2,86,40,43,53,81,127,110,81,105,43, 4,75,67,119,105,107,107,55,95,92,56,63,30,86,87,104,65,92,17,57, 3,73,29,34,89,44,104,70,127, 7,78,59,73,120,79,87,47,74,56,11,40,59,119,123,46,90,69,59,90,101,49,90,97,119,58,47,59,43, 8,64,12,121,57,109,118,106,70,68,87,57,50,58,84,46,56,54,44,11,27,94,64,57,82,27,45,76,53,50,70,72,48,51,57,58,23,91,89,27,107,20,15,115,80,34,79,21,39,47,10,52,55,80,49,80,86, 5, 1,89,76,15,107,53,39,109,120,39,102,100,17,89,59,38,51, 6,115,107,37,109,72,117,24,122,87,27,93,111，6,53,73,97,58,50,97,41,53,25,67,59,78,61,120,89,84,90,101,122,64,122,48,114,87,113,73,81,71,34,83,107,123,104,19,92,71,111, 7,39,22,102,47,15,21,126,48,96,86,111,39, 2,48,45,69,125, 8,74,58,112,71,54,95,26,98,14,76, 9,104,19,35,77,58,92,30,51,76,55,35,57,57,104,26, 1,89,32, 6, 6,114,83,25,72,81,80,79,60,125, 6,18,48,112,53, 3,35,124,80,92,103,69,122, 2,28,73,26,110,94,39,40,33,85,94,65,11, 8,82,85,90,16,25,109,17,112, 2,111,111,48,99,121,11,32,93,67,67,77,76, 2, 2,49,30, 1, 1,63,117,35,45,36,119,15,35,64,114,98,87,103,18,54,24,77,52,24,34,91,99,25,115,25,124,12,116,105,96,90,32,61,63,91,29,48, 2,105,38,127, 5,30,55,102,126,112,116,52,100,58,105,96,83,85,101,78,31,114,118,103,66,76,59,126,22，6,77,84,99,62,93,84,94,124,97,29,25,121,74,21,34,121,27,40,127,51,111,53,105,49,116,86,104,113,40,24,37,77,82,48,46,73,51,41,42, 1,119,119,96, 4,117,114,77,126,68,37,126,65,75,65,75,44,40,49,46,16,13,84,64,23,111,101,22,17,72,69,76,34,93, 3, 2, 8,23,121,64,80,20,67,33,98,84,79,69,21,102,47,30,81,106,54,31,107,82,103,100,40, 0,21,122,127,89,119,22,117,85,125,25, 2,85,62,30,126,27,25,14,114, 8,69,14,86,82,82,107, 2,103,53,115,28,99,80,76,34,80,104,123,29,86,103,72,60,38,89,83,79,17,20 ,127,88,116,25,87,99,89,58,26,86,56, 7,21,40,41,27,87,20,14,85,49,59,116,74,120,90,29, 4,17,30,64,112,16,72,17,57,11,36,85,44,78,85,37,29, 1,37, 2,98,124, 3,62,105, 8,87,72,38,40,124,51,51,86,40,92，3,34,78,25,61,121,15,110,39,122,17,83,123,100,83,111,15,23,57,126,99,22,14,92,29,31,11,98,39,97, 3, 9, 0, 2,118,94,36,37,122,123,119,98,85,119,85,66,109,101,40,72,111,71,12,17,87,50,124,17,87,113,25,23,66,112,83,127,62,51, 9, 7,65,91,12,10,35,92, 4,27,107,99,65,122,43,16,77,12,100, 2, 9,54,32,94,13,43,14,81,30,121,21,50, 3,30,37, 2,27,120,69,20,113, 0,101,61,107,117,28,20,25,105,29, 5,18,35,52,61,69,57,67,33,17,23,108,34,126,66,10,67,47,52,72, 1,67,101, 5,79,10,113,91, 2,59,109,115, 2, 7,79,58,22,25, 1,34, 1,24,125,105,90,44,121,114,121,85,25,17,116,74,28,101,127,82,80,75,60,43,111,19,79,101,28,118,95,91, 2,91,70,72,65,117,56,33,49,88,79,14, 2,103,70,112,112,109,31,10,29,60,73,40,65, 2,18,98,82,120,45,61,103,105,25,110,19,20,22,91,114,58,121,32,42,92,63,86,34,49,84,17,76,115,66,97,101,104,18,90,124,37,86,96,35,114,68,42,41,78,116,36,118,83,121,20, 8,105,124,84,62,95,105,44,82,113,39,44,85, 8,46,92,120,123,62,20,12,53,86,12,66,58,28,111,93,50, 9,32,123,45,27,95,21,83,82,120, 0,107,43,60,35,81, 6, 7,12,69,52,58,105,110,111,109, 3,60,93,101,109,84,93, 0,122,17}

2、总体方案和设计流程

3、程序清单

实验总结篇三：实验报告书封面

实验报告

名 称：

姓 名：

学 号：

年级专业： 10会计学教改班 2012年1 月 1 日

成 绩：

评 语：

指导教师：

（签名）

实验一：股票β系数的估计与应用