OFFICE高级应用讲座.docx

《OFFICE高级应用讲座.docx》由会员分享，可在线阅读，更多相关《OFFICE高级应用讲座.docx（10页珍藏版）》请在三一办公上搜索。

1、第一部分WORD排版技巧1.1表格排版技巧1 .表格增加行与列及行列大小调整(1) 将光标移动到表格外的回车符处，敲回车 即可加行，加列可以通过拆分单元格或用 画笔实现；(2 )行高可以通过表格属性设置；(3 )列宽可以通过双击表列线完成，用ALT加鼠标可以微调表格线；(4)使用调整表格的自动调整功能，可以使表格按内 容或按窗口自动调 整大小。应用案例1：通讯录学号姓名性 别通讯地址及邮编E-mail宿舍 号电话2 .三线表设置选中表格，可通过工具栏对 表格线进行设置。3 .斜线表头斜线可通过绘图工具栏中的 线画出来，而斜线表头中的文字 可以用无边框无颜 色的文本 框实现。4 .标题行重复选中

2、要表头，在表格菜单中 用“标题行重复”实现；5 .表格并排如果需要将两个表格并排排列时，可用无边框无颜色的文本框实现，将表格画在文本框 中，再通过移动文本框实现。6 .表格与文本的互换1.2图文混排技巧1.图片的裁剪与压缩2 .图说排版可通过无边框无颜色的文本3.图层应用应用案例：框实现图片可图主还可以放在一个 表格中;物理设计装载数据性能测试现实 世界应用程 序设计重组运亍、维护4 .文本框的应用(1 )斜线表头(2) 多行文字两端对齐西电视陕联合摄制内蒙古自治区电视台上 海 卫 视凤凰卫视中文台1.3长文档排版技巧1. 样式定义用于定义各级标题，一般定 义三级标题足够。2 .分页与分节分页

3、：只是将文档内容从分 页符处强型分成两 页，两页的排版版 式完全相同分页：将文档内容强型分成两页 后，前后内容变成两节，各 节可以分别以为同 的版式进 行排版处理，如使用不同的页眉、页码、纸张大小等。当然也可以相同。3.目录与页码4 .页眉排版5 .背景图片排版将某张图片在页眉页脚编辑 模式下插入后，该图片就会以前 景的形式重复出现 在各页文 档中。第二部分EXCEL应用技巧2.1数据录入与编辑1.数据录入与填充(1) EXCEL中的数据类型EXCEL中数据最常用的类型有三种：文本型：可由任意字符组成，默认左对齐数值型：由0-9、小数点、e、正负号等组成，默认 右对齐，前导0自动删除日期型：表

4、示日期的数据， 有各种表现形式，习惯上处理成文本 型(2) 如果输入纯数字文本型数据第一种方法：选中该列，将该列在单元格格式中设置成文本型第二种方法：在输入的数据前加一个英文状态的单撇号即可2 .数据录入过程中的数据有效性校 验方法利用数据菜单中的有效性可以对输入区域设置数据有效性校验。3.粘贴与选择性粘贴4 .条件格式5 .窗口冻结与解冻2.2 EXCEL的公式与函数应用1.单元格的相对、绝对、混和当使用的公式中有单元格名 称时，我们称之为 单元格引用，分为 以下三种情况：(1) 相对引用：公式中直接使用单元格 名称，如F3单元格中的公式为“ =sum(B3:E3) ”； 当公式复制到F4单

5、元格时，公式会自动变为“ =sum(B4:E4) ”，如果公式复制到G5单元格时， 公式会自动变为“ =sum(C5:F5) ”。公式变化特点：公式中的单元格名称引用随目标单元格行 列变化而发生相应变化，这种引用最常见。(2) 绝对引用：公式中引用单元格名称 时，在单元格名称行 号、列标前都加上“ $”符 号，这种公式被复制或移动到其它单元格时，公式不会发生变化。如F3单元格中的公式为“=sum($B$3:$E$3) ”；当公式复制到任何地方时，公式均保持不变。这种方式常用于多个单 元格对某一个单元格值的引用。(3) 混合引用：公式中引用单元格名称 时，只在行号或列号 前加“ $ “，这样在复

6、制公 式时，加” $”的部分不发生变化，而没加的那部分发生变化，如F3单元格中的公式为“=a$1*$b1 ”；当公式复制到F4单元格时，公式会自动 变为“=a$1*$b2 ”，如果公式复制到 G5单元格时，公式会自动变 为“ =b$1*$b3 ”(4) 三维引用：三维引用是指同一个工作薄中，一个表中的运算需要引用另一个表中 的单元格，这时需要在被引用单元格名称前加上工作表名。例如：在sheet1中引用sheet2中 的单元格D10，则方法为：sheet2!d10工作表名与单元格名称之间 用“ ! ”隔开。Z=X*Y10152025303540455055600. 010. 11. 010100

7、2 .常用函数应用(1 )取整(int)(7)计数(c ount)(2)四舍五入(round)(8)取左字符串(left)(3)条件(if)(9)取右字符串(right)( 4 )选择(c hoose)(10)取中字符串(mid)(5)求和(sum)(11) * 统计频率(frequency)(6)求均值(average)2.3 EXCEL数据查询与管理1.数据筛选2 .数据透视（求和、求均值、计数 等）应用案例：计算湖北省各点肥料流失系数（1）计算各次样品中养分流失量（利用公式计算）（2）计算各小区监测周期内总养分 流失总量（数据透 视求和）（3）计算各处理监测周期内的养分 平均流失总量（数

8、 据透视求平均）（4）单位换算，将流失量由公斤/小区换算成公斤/亩（5 ）计算各次施肥中N、P含量（6）汇总和处理监测周期内施肥总 量。（7）计算流失系数流失系数（八非空白处理养分流失总量-空白处理养分流失总量%） 一x 100 %监测周期内的施肥总量2.4 EXCEL图表设计（各种柱形图、散点图、折线图、饼图、双坐标轴图） 1.柱形图（比较）2 .折线图（变化趋势）3.饼图（组成比例）4 .双坐标轴图（同一个坐标系下两 种变化趋势比较）5 .散点图（回归方程）2.5 EXCEL报表设计1. 纸张大小设置（根据内容决定纸 张大小及方向）文 件/页面设置2. 加表格线（格式/单元格），也可以在格

9、式工具栏上找到相应的工具按钮，也可以在格 式工具栏上找到相应的工具按钮后完成选定单元格或区域的边框设置3. 在“格式/行/行高”菜单中设置表格行高4. 打印预览，查看初步排版效 果，并在其中单击“页边距”按钮对各行 宽度及上下左右 边距进行调整5. 单击“设置.”，用表标题做页眉，使每一页都有表标题6. 用页码做页脚，第几页及总页码由按钮生成7. 回到编辑画面，文件一一页面设置工作表一一打印标题一一设置表头，使每一页都有表头。2.6邮件合并邮件合并可以生成版式 相同的多页文档和 在同一页中设计多 个版式相同的标签。2.7 EXCEL 编程1.对象(1)单元格Cells(x,y):x,y分别表示

10、单元格所在的行和列。例 如第3行5列单元格表示为：cells(3,5) 或Cells( “单元格名称”):单元格名称由列编号与行序号组 成的，如al表示第1列第1行。 (2 )行Rows( “n1:n2 ”):n1,n2分别表示起始行和终 止行号，例如第3行表示为：rows( “3:3 ”) (3 )列Columns (“m1:m2 ”):m1,m2分别表示起始列编 号和终止列编号，如第3列到第5列表示为: Columns( “C:E”)(4)任意区域Range( “区域左上角单元格名称：区域右下角单元名称”)(5 )工作表Sheets( “工作表标题”):例如有一个工作表标题为“ sheet

11、2 ”，那我们要对它进行操作时， 可以使用sheets( “sheet2 ”)来标识它。2.附录1水库调洪演算BP网络模型的建立与研究i淤1淤2淤1淤31. 西北农林科技大学水建学院 2.西北农林科技大学信息工程学院陕西杨凌712100 ；3.浙江省围海工程公司浙江宁波 315051摘 要 分析了影响水库调洪演算的因素，建立了基于人工神经网络下的水库调洪演算BP网络模 型，进行了洪水过程模拟和 预测；对影响网络 收敛速度的因素做了探索研究，阐述了 BP网络参数选择原 则和选取范围.关键词水库调洪演算；人工神经网络模型；参数选取水库调洪演算在水库设计中有着举足轻重的地位。通常借助于水库调洪演算辅

12、助曲线图 解计算，该方法操作复杂，曲线更新繁琐，计算精度也受人为因素的影响。本文以时段水库 水量平衡原理和动力平衡原理为依据，使用人工神经网络的理论和技术，建立了基于BP网 络的水库调洪演算人工神经网络模型，进行了洪水过程模拟和预测L并对影响网络收敛速度 的因素做了探索，阐述了 BP网络参数选择原则和选 取范围。1. BP网络模型简介BP网络模型是实现复杂非线性映射的新方法。如果网络的输入层神经元个数为n，输出 层节点数为m，则该网络实现的是Rn到Rm的映射，即有：Rn 一 Rm 1 0bp算法主要包括两个过程：一是由学习样本、网络权值w和阈值e，按照输入层一隐 层一输出层的顺序，逐层计算节点

13、的输出；二是由期望输出与计算输出构造出误差函数ECWk）, 采用梯度下降法调整网络权值，即次Wk+1 = Wk+ K通过不断学习，当误差函数E （W ）小于任意小的值8时，网络收敛o2 .水库调洪演算的BP网络模型建立2.1 BP网络的输入与输出水库调洪演算是在水库水量平衡和动力平衡原理（即圣维南方程组的连续方程和动力方 程）的支配下进行的2。水库水量平衡方程可用下式描 述：Qi 十 Q2 A t 一 qr A t = V - V （1）式中，Q1和Q2为时段At始、末的入库流量（m3/s ），q1和q2为时段 t始、末的出库流量（m3/s ）， 匕和V2为时段，始、未的水库蓄水量（m3 ），

14、 t为计算时段（s ）o动力平衡用水库的蓄泄关系描述：1 收稿日期:2001-1作者简介:淤（1965-），副教授q=f （H（2）式中，q是下泄流量（m3/s ）； H为堰上水头（m）。在水库调蓄洪水期间，视水 库为静水面，则有H=f（V），其中V为水库库容（m3）。结合（2） 式，则有：q=f （V）（3）由（1）和（3）可得：q 2 =f （q 1, Q）或 q 2 = f （q1, Q1，Q2）水库调洪演算的实质就是确定时段末的下泄流量q2q2是时段初的下泄流量q1和时段平 均入库流量Q的函数，或是时段初的下泄流量 qi和时段始、末入库流量 Q1、Q2的函数。它 们分别对应于网络的输出

15、和输入，输入与输出之间存在着非线性映射关系。2.2BP网络模型的建立经比较，输入层神经元分别为 Q1、Q2和q1 3个，隐层节点数为7，输出层节点数为1， 构成BP网络（简称3-7-1模型）。表1为某水库12 h洪水演算数据2，将其中的前9个洪水 过程数据作为学习样本，后3个（内插数据）作 为预报样本。取学习 率为1.85，冲量因子为 1.3。经网络不断学习和对学习效果比较，得出网络最优权值和阈值，如矩阵W1、W2、W3、 W4所示。W1为输入层对隐层的权 值、W2为隐层对输出层的权值、 W3为隐层阈值、W4为 输出层阈值，BP模型拟合和预测结果如表2。0.3260.5852.4530.840

16、13.0300.3082.655w1 =2.344-1.8724.4832.4403.8144.5765.2640.1842.3122.9461.7061.8781.2441.170w 2 =:1.468-3.5797.797-3.4778.7574.714 5.401w 3 =-0.7270.282-2.5761.2500.7220.3480.200W4= -6.6664表1 某水库12h洪水过程基本数据Table 1 Some reservoir of 12h floodwater process basic data序 号 No.Qi（m3/s）Q2（m3/s）qi（m3/s）实测值Re

17、al results （m3/s）序号No.Qi（m3/s）Q2（m3/s）qi（m3/s）实测值Real results （m3/s）11014010207321513010021407102010581510100753710279105235910107565427913123522510440190165242513165225175111909524220066532175130129545200150表2 BP模型拟合和预测结果Table 2 Imitation and prediction results of floodWater process BP neural netwo

18、rk样本序号No.实测值Real results （m3/s）计算值Calculation results （m3/s）误差Error（%）序号No实测值Real results （m3/s）计算值Calculation results （m3/h）误差Error（%）12020.94-1.88710098.6 01.452105105.20-0.0287576.60-2.103235235.000.0096564.360.984225225.19-0.4010242234.803.30575174.72-0.4611200202.10-1.656130130.720.5612150153.7

19、0-2.453网络参数对网络收敛速度的影响在保证网络学习质量的前提 下，提高BP网络的收敛速度，一直是人们 研究的问题3。 对于三层BP网络，影响收 敛速度主要因素有：输入层神经元数、隐层节点数、输 出层节点 数、学习率、冲量因子。对此，本文分析研究如下：3.1输入层神经元个数一般认为，输入层神经元数为 影响因子数4 ，但由于研究问题的出发点不同，可得到同一问题，影响因子数不同。计算结果表明当网 络其他参数不变时，输入层神经元数 目多时，更有利于提高网络的收敛速 度。水库调洪演算 中的输入层神经元 个数可为时段初出 库流量和 时段平均入库流量两个因子，也 可为时段初、末入库流 量和时段初出库流

20、 量3个。当为2个 因子时，网络学习次数为321万次，当为3个时，网络学习次数为260万次，学习次数减少 20%。3.2隐层节点数隐层节点数个数的确定也是 人工神经网络理论 界一直研究的问题3。图2表示了不同隐 层节点数对网络学习速度的 影响，可以看出隐 层节点数增多，网 络学习次数减少，收敛速度 加快；但隐层节点数过大， 反而会影响学习速 度，考虑学习次数 和每次学习时间，本模型以 隐层节点数7为宜。这样也验证kolmogorov定理5。300 -250 -由260200 - 150 - 100 -50 曝层接点数（个）0 1111371115图2隐层节点数对网络学习 速度的影响3.3学习率

21、和冲量因子BP网络中引入学习率和冲量因子的目的是提高网络的学习速度，加快网络收敛1。试 验结果表明：学习率和冲量 因子取值不同，对 网络的影响程度不 同。当学习率和冲 量因子增 大时，网络更易于收敛，训练误差也更快 满足要求；但当学习因子过大（如学习率为2.8时）， 观察学习过程，训练误差会 出现反复和跳跃；当 学习率较小时（小于0.3），训练误差平稳下 降，但网络训练次数大大增多。图3、图4分别表示了“ 3-7-1 ”模型在网络其它因子不变时， 学习率和冲量因子对网络学 习速度的影响。o o o o4 3o o o o o2 1,图3学习率对网络学习速度的影响结语图4冲量因子对网络学习速度的

22、人工神经网络由于具有 很强的自学习性、自组织性和自适应能力，因而，在水库调洪演 算过程中具有许多优点：对于任意水库的洪水资料，只需采用三层BP网络对实测数据学习， 就会产生出满足误差要求 的BP网络，方便地进 行洪水预报，因此 具有广阔的应用前 景；BP 网络学习过程中的大量参数是学习所得，不受人为因素影响，预报结果准确、精度高。通过对影响网络收敛速 度的因素的试验研 究，得到了网络参 数选择的原则和范 围，避免 人们使用时参数选取的盲目 性。但这类问题无 论从理论上还是在 实践中，尚需进一步研究。参考文献1 焦李成.神经网络的 应用与实现M.西安：西安电子科 技大学出版社，1995 .2 叶

23、守泽.水文水利计算M.武汉：武汉电力出版社，1992 . 271-272，275-276 .3 丁晶.水文水资源人工神经 网络模型的研究神 经网络的应用与实 现】J.水资源研究，1996 （17）：22-244 陈志军.灌溉发展需求预测人工神经网络模型的建立与应用J .水利学报.1998 . 2: 1-3 .5 Nielsen R H . Kolmogorows Mapping Neural Network Exist ence Theorem . San Diego : Proc . IEEE First Internat ional Conference on Neural Networks . 1987， 3 : 11-14