WPS2000表格功能及应用

WPS2000大大增强了表格数据处理的功能,包括表格单元格的数据计算,自动填充数据、灌入数据库数据、数据排序和创建图表等功能,这些原先都是电子表格软件才具有的功能。WPS2000可以打开和编辑Bxce12000／97的工作表,并可把它转换成WPS的表格。因此,用户也可把WPS2000作为电子表格软件使用。下面以企业生产进度报表为例来简要介绍一下WPS2000的表格创建及计算等操作。1．创建一般表格使用“插入表格”按钮来建立表格是文档中经常采用的形式。（1）单击常用工具上的“插入表格”按钮,或在“插入”菜单中选择的“表格’才的“绘制…     

Excel工作表与Word表格的数据交换

提出了一种利用Word和Excel的对象模型及VBA编程，并通过Word文档的书签定位功能，向Word表格文档模板中导入Excel电子表格中的数据输出Word表格的方法。这种方法能有效地解决Excel电子表格中的数据输出到Word表格中的困难，为各级各类单位的Excel电子表格的数据管理带来了很大的方便。     

多视图有监督的LDA模型

本文主要关注多视图数据的分类问题.考虑到集成分类方法可组合多个弱分类器构成一个强分类器,以及主题模型能学习复杂数据的语义表示,本文试图将集成学习思想引入主题模型中,以便同时学习多视图数据的分类规则和预测性语义特征.具体地,结合概率主题模型LDA模型和集成分类方法Softmax混合模型,提出了一个多视图有监督的分类模型.基于变分EM方法,推导了该模型的参数估计算法.两个真实图像数据集上的实验结果表明了提出模型有较好的分类性能.     

结合双预训练语言模型的中文文本分类模型

针对Word2Vec等模型所表示的词向量存在语义模糊从而导致的特征稀疏问题,提出一种结合自编码和广义自回归预训练语言模型的文本分类方法。首先,分别通过BERT、XLNet对文本进行特征表示,提取一词多义、词语位置及词间联系等语义特征;再分别通过双向长短期记忆网络(BiLSTM)充分提取上下文特征,最后分别使用自注意力机制(Self＿Attention)和层归一化(Layer Normalization)实现语义增强,并将两通道文本向量进行特征融合,获取更接近原文的语义特征,提升文本分类效果。将提出的文本分类模型与多个深度学习模型在3个数据集上进行对比,实验结果表明,相较于基于传统的Word2Vec以及BERT、XLNet词向量表示的文本分类模型,改进模型获得更高的准确率和F₁值,证明了改进模型的分类有效性。     

基于注意力机制和CNN-BiLSTM模型的在线协作讨论交互文本自动分类

针对当前的在线协作讨论交互文本分类仅采用深度学习方法时,存在无法充分获取上下文语义关联以及忽略关键特征词,造成分类结果准确率下降的问题,文中提出一种结合注意力机制的深度学习网络模型—CNNBiLSTM-Attention,进一步强化文本的语义特征。利用该模型对在线协作讨论活动中产生的12000条交互文本进行分类,分类结果表明,CNN-BiLSTM-Attention的分类准确率整体上可达到82.40%,有效提升了文本分类的效果。     

保护电子表格

当电子表格文档资料(.XLS文件)存放在硬盘上时,很多人都能打开并操作,如果单元格内还设置了大量运算公式,原始数据一旦被破坏,会带来很多的麻烦,应根据不同情况对电子表格的单元格、工作表,工作薄等分级进行保护. 　　……     

面向自然场景分类的贝叶斯网络局部语义建模方法

本文提出了一种基于贝叶斯网络的局部语义建模方法.网络结构涵盖了区域邻域的方向特性和区域语义之间的邻接关系.基于这种局部语义模型,建立了场景图像的语义表述,实现自然场景分类.通过对已标注集的图像样本集的学习训练,获得贝叶斯刚络的参数.对于待分类的图像,利用该模型融合区域的特征及其邻接区域的信息,推理得到区域的语义概率;并通过网络迭代收敛得到整幅图像的区域语义标记和语义概率;最后在此基础上形成图像的全局描述,实现场景分类.该方法利用了场景内部对象之间的上下文关系,弥补了仅利用底层特征进行局部语义建模的不足.通过在六类自然场景图像数据集上的实验表明,本文所提的局部语义建模和图像描述方法是有效的.     

基于小样本学习的地面结露结霜现象检测方法

在《地面气象观测规范》中,地面结露、结霜现象的观测是一项重要的项目。针对当前该项目仍处于需要人工观测的情况,利用结露和结霜发生时的成像信息,提出一种基于特征学习的结露和结霜两类现象的检测和分类方法。首先,通过提取多尺度的结构、纹理和颜色特征以形成对图像的语义描述,再对提取的特征采用Fisher向量编码器以扩充特征空间,并学习一个线性的支撑向量机作为最终的分类模型。与当前热门的、基于深度卷积网络的方法相比,该方法能够在极小样本规模的条件下取得高于深度模型的分类正确率。在国内多个地面观测站点获取的地面结露和结霜图像所制备的数据集上的测试结果表明,所提方法的正确率达到了80%以上。     

基于特征融合的层次结构微博情感分类

情感分类是观点挖掘的热点研究之一,微博文本情感分类具有很高的应用价值.鉴于传统特征选择方法存在语义缺陷,采用神经网络语言模型,提出了基于概率模型的对词向量进行权重分配的深层特征表示方法,构建文本语义向量.将文本深层特征与浅层特征融合,构建融合语义信息的特征向量,弥补传统特征选择方法语义的缺陷.采用SVM层次结构分类模型,实现多种情感分类.实验结果表明,采用特征融合的层次结构情感分类方法,能有效提高微博情感分类的准确率.     

中文Excel 97中填充柄的妙用

在分析和比较数据时,我们很有可能会用到电子表格Excel 97这一办公室必备软件来绘制表格。在使用Excel 97时,不知您是否留意到在选定的活动单元格或区域的右下角有一黑色方块,它的名字叫填充柄,利用它可进行快速操作从而提高工作效率。如果在您的表格中看不到这个黑色方块,则可选择菜单栏的“工具/选项.../编辑”中为“单元格拖曳功能”,将其前面打上“√”,然后点击“确定”按钮退出,以后每当用鼠标指向填充柄时,鼠标指针将会由白色十字光标或箭头改变为黑色十字光标。     

基于Unet的多任务医学图像语义分割模型

深度学习网络在医学图像分割领域应用广泛,针对传统语义分割模型只在局部像素点进行考虑,在小目标的医学图像语义分割中检测精度不高。本文提出了基于Unet的双任务图像语义分割模型,对传统的Unet语义分割进行改进,编码阶段采用经过预训练的Resnet34作为框架进行特征提取,设计了SCSE模块对图像特征信息进行修正,从空间和通道两个方向获取图像的全局信息,损失函数采用“分类”和“分割”融合的多任务策略进行学习,对气胸医学图像进行语义分割。为进一步提高网络模型的泛化能力,对数据集图像进行随机水平翻转、垂直翻转等图像增强处理,实验表明该语义分割方法比传统的Unet语义分割方法在分割精度上提高5%以上。     

基于差异化融合的语义信息检索模型仿真

提出一种基于差异化融合的语义信息检索算法,并实现模型设计和仿真。构建语义本体模型,提取关联维差异化特征,进行特征融合,采用自顶向下和分治的方法构建差异化语义信息特征的融合模型,求得融合后的差异化语义信息特征信息增益,在语义信息检索本体模型特征空间中,计算语义信息特征,将不同文本分量元素进行初始化倾向性分类处理,基于集中度、分散度和频度构建特征空间,进行信息抽取,对分层差异化特征进行融合处理,实现语义信息检索算法改进。     

Word 97使用技巧

一.表格垂直对齐方式的选择 在Word 6.x及Word 95中,表格的单元格内的文字如果要垂直对齐(如垂直居中或底端对齐),则必须通过手动调节段前间距来实现。然而,随着同行表格的不同列单元格内文字的添删,这些对齐的单元格又会变得不对齐,这就需要重新作相应的调整。Word 97支持对表格进行垂直方向的对齐处理,它包括顶端对齐、垂直居中与底端对齐,具体操作方法是,先选择需要垂直对齐的     

EXCEL中BASIC程序的运行

在微软的电子表格软件EXCEL中,附有一个功能很强的编程语言Visual Basic for Applications(本文中简称为VBA)。这实际上是微软的Visual Basic的化身,微软从VisualBasic中删去了表格设计器(FormsDesigner)后,将它附属于EXCEL,并用对话表取代了表格设计器。另外,微软使VBA能够存取EXCEL的所有命令和对象(例如单元格、工作表等)。正因为如此,VBA可以控制EXCEL的所有功能,所以VBA是兼容了BASIC编程语言的命令和语法的EXCEL应用软件的超级宏语言。     

Excel 2000使用技巧

（1）快速定位单元格：通过Excel能够制作各式各样的表格，但是当表格越做越大时，寻找一个特定的单元格却变得越来越不容易了。Excel通过给常用的单元格赋予一个容易记忆的名字来帮助快速定位单元格。单元格的名称可以通过在插入菜单中的名称定义来设置（见图11）。设置好单元格的名称以后，只要在这张表格的名称列表框中输入或选中需要定让单元格的名称就能够迅速地找到该单元格，同时给单元格分配的名称能够被其他公式应用（与单元格的座标名称一样使用）。在单元格名称定义框中能够删除名称和添加名称，另外单元格的命名对于一个单元格…     

融合空间上下文的自然场景语义建模

针对自然场景图像,本文提出一种融合空间上下文的场景语义建模和分类方法.针对场景中的局部语义对象,建立了基于贝叶斯网络的语义上下文模型.通过对已标注训练样本集的学习训练,获得局部语义对象在各类场景下的上下文模型.对于待分类的图像,首先利用支持向量机实现分割区域的分类,根据学习得到的语义上下文模型,提取图像中各语义对象的空间上下文信息,形成图像的语义上下文描述,实现场景分类.针对不同场景下的局部语义对象,利用贝叶斯网络自动学习得到不同的空间关系集合用于上下文信息提取,使得场景描述和分类过程更智能和有效.通过在六类自然场景图像数据集上的实验表明,本文所提算法能够很好的利用上下文信息,并取得满意的分类结果.     

基于行列信息门的表格结构识别网络

目前基于深度学习的表格结构识别有2种主流方法：检测表格框线法和检测表格行与列法。在检测表格框线法中,表格框线所占像素数较少导致了正负样本失衡的问题。虽然检测表格行与列法避免了正负样本失衡的问题,但有的研究将行与列预测分别简化成一列与一行像素的预测,又造成了容错率大的问题。针对该问题,提出了2种信息传输模块：行信息门和列信息门。在模块内,通过特征切片和平铺来对行或列进行软预测,解决了简化行与列预测产生的大容错率问题;通过计算通道注意力进一步提取行或列信息;使用行信息门与列信息门搭建了一个语义分割模型,同时完成表格行分割与列分割。在ICDAR 2013数据集上构建表格的行与列掩模并对模型评估,验证结果表明,与基于检测表格行与列法的分割模型相比,提出的模型有更好的性能,平均查准率、查全率和F1值分别高出0.55%,2.78%和1.48%。     

一种基于深度度量学习的视频分类方法

针对视频分类中普遍面临的类内离散度和类间相似性较大而制约分类性能的问题,该文提出一种基于深度度量学习的视频分类方法。该方法设计了一种深度网络,网络包含特征学习、基于深度度量学习的相似性度量,以及分类3个部分。其中相似性度量的工作原理为:首先,计算特征间的欧式距离作为样本之间的语义距离;其次,设计一个间隔分配函数,根据语义距离动态分配语义间隔;最后,根据样本语义间隔计算误差并反向传播,使网络能够学习到样本间语义距离的差异,自动聚焦于难分样本,以充分学习难分样本的特征。该网络在训练过程中采用多任务学习的方法,同时学习相似性度量和分类任务,以达到整体最优。在UCF101和HMDB51上的实验结果表明,与已有方法相比,提出的方法能有效提高视频分类精度。     

基于自适应多尺度与轮廓梯度的遥感图像分割网络

遥感图像分割算法易受环境因素干扰，如物体遮挡、光照不均匀等。现有的深度学习遥感图像语义分割方法通常采取端到端的编解码结构，但针对相似度较高物体的结构和轮廓，仍存在分割不准确的问题。为了提高算法鲁棒性、分类准确率，提出一种基于轮廓梯度学习的深度卷积神经网络遥感图像语义分割算法。为了提高预测特征图的质量，首先基于SegNet模型，提出自适应注意力的多通道多尺度特征融合网络（D-MMA Net），其中D-MA block采用基于注意力的自适应多尺度模块，根据学习到的权重自适应地对不同尺度特征进行提取，以获得更多有效的高级语义特征。为进一步细化提取物体的边界，基于Sobel边缘检测算子原理提出可学习的轮廓提取模块。最后将轮廓信息与多尺度语义特征相结合，以增强对图像空间分辨率的鲁棒性。实验结果表明，所提算法提高分割的准确率，对于不规则物体边界，能有良好的分割效果。     

基于ADFRN与SAGCN的少样本学习方法

随着网络深度的增加,图卷积网络容易出现过拟合现象,且现有的少样本学习方法往往会忽略具有类别特点的局部细节信息对于分类的贡献。因此,文章提出了一种基于自适应细节特征增强网络与语义对齐图卷积网络的少样本学习方法,能够根据经验知识去学习生成具有可变感受野范围,并从长宽和通道维度中捕捉具有类别特点的局部细节信息的卷积核。本研究将单一学习任务中所有强化后的特征图构造成图结构数据,利用语义对齐图卷积网络对结点特征进行优化,同时引入语义对齐操作防止出现过拟合现象。