作答辩用PPT技巧和示范ppt课件.ppt

《作答辩用PPT技巧和示范ppt课件.ppt》由会员分享，可在线阅读，更多相关《作答辩用PPT技巧和示范ppt课件.ppt（36页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、作答辩用PPT技巧和示范ppt课件 Still waters run deep.流静水深流静水深,人静心深人静心深 Where there is life, there is hope。有生命必有希望。有生命必有希望w 会议报告或答辩时间一般会议报告或答辩时间一般10-3010-30分钟，把自己分钟，把自己的工作在的工作在- 30- 30分钟内讲出来，是对分钟内讲出来，是对综合综合能力、表达能力能力、表达能力的挑战。的挑战。w 这种能力在学生的一生中非常重要。（求职，这种能力在学生的一生中非常重要。（求职，面试，申请项目，总结等等）。面试，申请项目，总结等等）。w 作好作好PowerPoint

2、PowerPoint幻灯片是答辩好的幻灯片是答辩好的重要环节重要环节。一般有下列要点一般有下列要点：注意事项和技巧注意事项w 每页每页行字行字或或一幅图。只列出要点，关键技术。一幅图。只列出要点，关键技术。w 突出自己的工作，不要在背景，前人工作上花过多时间突出自己的工作，不要在背景，前人工作上花过多时间。w 本科学生毕业论文篇幅可以大致分配如下本科学生毕业论文篇幅可以大致分配如下：w 提纲：页，提纲：页，w 背景：背景：页，页，w 提出问题，分析问题：页，提出问题，分析问题：页，w 解决问题，解决问题，页，页，w 小结：小结：页，主要成果，工作，程序量，效益等等。页，主要成果，工作，程序量，

3、效益等等。报告的重点主要思想、算法，特殊技术创新点等等计算机系学生： 怎样讲算法w算法算法1SARM算法w输入：输入：算法参数配置，训练集Dataset，相似属性集SimilartySet；w输出：输出：神经网络权重矩阵集合和节点阈值集合；wBeginw1 InitMatrixes (MWeights, MThresholds);w2 LoadSimilarityMatrix(MWeights, SimilartySet);w3 i=0;w4 While(i Max_Genaration)Dow5 For j := 0 To Train_Len - 1 Do w6 SetTrainningDa

4、ta(j); /Load j-th record of datasetw7 ForwardPropagation(MWeights, MThresholds);/前向传播w8 BackwardPropagation(MWeights, MThresholds);/后向传播w9EndFor;w10i=i+1;w11 result Evaluation (Dataset, MWeights, MThresholds); w12Ifresult Precision ThenReturnMWeights,MThresholds;w13 EndForw14ReturnMWeights,MThreshol

5、ds;wEnd. 这一行的思想是 XXXX怎样讲算法w算法算法1SARM算法w输入：输入：算法参数配置，训练集Dataset，相似属性集SimilartySet；w输出：输出：神经网络权重矩阵集合和节点阈值集合；wBeginw1 InitMatrixes (MWeights, MThresholds);w2 LoadSimilarityMatrix(MWeights, SimilartySet);w3 i=0;w4 While(i Max_Genaration)Dow5 For j := 0 To Train_Len - 1 Do w6 SetTrainningData(j); /Load j

6、-th record of datasetw7 ForwardPropagation(MWeights, MThresholds);/前向传播w8 BackwardPropagation(MWeights, MThresholds);/后向传播w9EndFor;w10i=i+1;w11 result Evaluation (Dataset, MWeights, MThresholds); w12Ifresult Precision ThenReturnMWeights,MThresholds;w13 EndForw14ReturnMWeights,MThresholds;wEnd. 这一行的思

7、想是XXX怎样讲算法w算法算法1SARM算法w输入：输入：算法参数配置，训练集Dataset，相似属性集SimilartySet；w输出：输出：神经网络权重矩阵集合和节点阈值集合；wBeginw1 InitMatrixes (MWeights, MThresholds);w2 LoadSimilarityMatrix(MWeights, SimilartySet);w3 i=0;w4 While(i Max_Genaration)Dow5 For j := 0 To Train_Len - 1 Do w6 SetTrainningData(j); /Load j-th record of da

8、tasetw7 ForwardPropagation(MWeights, MThresholds);/前向传播w8 BackwardPropagation(MWeights, MThresholds);/后向传播w9EndFor;w10i=i+1;w11 result Evaluation (Dataset, MWeights, MThresholds); w12Ifresult Precision ThenReturnMWeights,MThresholds;w13 EndForw14ReturnMWeights,MThresholds;wEnd. 这一行的思想是XXX注意事项w 演讲者演讲

9、者 大约一分钟讲页。听众一分钟可以大约一分钟讲页。听众一分钟可以看完看完页。页。不能完全照着念不能完全照着念。要用口语化。要用口语化的语言的语言, ,讲演式的语言讲演式的语言。w 充分利用图形，可以在较短时间内传递较多信充分利用图形，可以在较短时间内传递较多信 息。息。5 5 分钟的报告，准备分钟的报告，准备3030页页 即可即可。注意事项n 底色尽量用底色尽量用浅色浅色( (米黄、象牙白、浅灰，米黄、象牙白、浅灰，等），等），( (方便色盲、方便色盲、色弱和老年观众色弱和老年观众, , 同时可用的文字颜色和图表颜色比较丰富）同时可用的文字颜色和图表颜色比较丰富）加上加上页码页码，再打开母板，

10、把，再打开母板，把改为改为 ”/x”/x” ” ， x x是总页是总页数，使得讲演者和听众都能数，使得讲演者和听众都能 知道知道 已讲百分比，便于调整速已讲百分比，便于调整速度度。n 背景或边饰宜背景或边饰宜 简约，简约， 可以用校徽，本单位标志物等可以用校徽，本单位标志物等n 报告时，用报告时，用 “ “幻灯片放映幻灯片放映排练计时排练计时”模式，当排练计时模式，当排练计时窗口出现后，拖成为顶部时间状态条，窗口出现后，拖成为顶部时间状态条，( (可隐去排练二字）可隐去排练二字）便于准确知道已经使用时间，和提问已经用的时间便于准确知道已经使用时间，和提问已经用的时间。示范PPT取自某同学答辩P

11、PT 隐性基因遗传编程算法一种改进的遗传编程算法学生：Wei D指导教师：Tang C. 在一位同学的答辩PPT,基础上，配色上作了小的修改 共24页，答辩实用时间 10分钟报告时，用幻灯片放映排练计时底色用浅色， 字体的颜色丰富提纲w 背景w 隐性基因遗传编程算法w 符号回归实验w 太阳黑子预测w 总结先插入页码，再在母版中加上 /n ,n为总页码，便于控制语速如新闻广播，先简介大概内容达尔文自然选择法则与计算机科学的结合w 达尔文自然选择法则达尔文用“自然选择、适者生存”来概括生物进化过程w 生物进化过程本质上是优化过程w 模拟生物进化过程的进化算法两种经典的进化算法w 遗传算法（Gene

12、tic Algorithm，GA）w 遗传编程（Genetic Programming，GP）GA与GP的本质：全局性概率搜索算法个体（染色体）：搜索对象。适应度：表示了个体产生的效益，是个体优秀程度的度量。达尔文自然选择法则体现为：根据适应度进行选择，决定个体是否参加复制、交叉等遗传操作。GA概述用定长的线性串（染色体）对问题的解进行编码，通过复制、交叉和变异等遗传操作改变染色体的结构。例: 在0,31的整数上求f(x) = x2的最大值。采用整数的二进制编码，x = 10111表示了16+4+2+1 = 23。 11001,10101 在基因位置2交叉得到11101与10001 ；1011

13、1在基因位置5进行变异得到10110。GA概述w GP对GA的发展GAGP定长线性串非定长层次结构例：f(x) = x*sin(x)+3对应的染色体：+*x假动画技巧 演示生长过程GA概述w GP对GA的发展GAGP定长线性串非定长层次结构例：f(x) = x*sin(x)+3对应的染色体：+3*x假动画技巧 演示生长过程GA概述w GP对GA的发展GAGP定长线性串非定长层次结构例：f(x) = x*sin(x)+3对应的染色体：+3*xsin假动画技巧 演示生长过程GA概述w GP对GA的发展GAGP定长线性串非定长层次结构例：f(x) = x*sin(x)+3对应的染色体：+3*xsin

14、x假动画技巧 演示生长过程GP概述w GP的遗传算子要受一定的语义限制 Crossover+y*3xT1-xlogzT2+ylogzT2-x*3xT1GP的应用现状w 应用领域GP已经在机器人路径规划、响应agent、预测和分类、图像和信号处理、数据挖掘、信息检索、进化硬件、电子电路设计等领域取得了重要成果w 应用中遇到的困难硬件性能要求高，运行时间长。效率已经成为GP应用的瓶颈！隐性基因遗传编程算法（Recessive Gene Genetic Programming, RGGP）w 背景提高GP性能已经成为国内外学者研究的热点w RGGP的目标保持与GP在应用中的兼容性，提高GP的性能RG

15、GP算法思想w 生物隐性基因的启发w GP的染色体树也有“隐性基因”下图子树T1的性质被掩盖了， “只见森林，不见树木”+y*3xT1RGGP对GP的改进nGP缺点分析没有利用子染色体的相对独立性；搜索空间小；存在对进化过程的人为干预；结果通常非常复杂w RGGP发掘“隐性基因”改进GPRGGP染色体树的所有子树作为有效的搜索对象，扩大搜索范围；并用最优子染色体树取代原染色体树实现结构优化。RGGP的实现方法w适应度计算得到每一棵子染色体树所代表程序的返回值后，代入适应度函数求出子染色体树的适应度。w用最优子染色体取代原染色体若染色体没有子染色体，则自身就是最优子染色体；否则，先求出直接子染色

16、体的最优子染色体，然后，比较本染色体和所有这些最优子染色体的适应度，取适应度最大的染色体作为本染色体的最优子染色体。RGGP性能分析w RGGP的搜索范围可以达到GP的 倍，而评价算法的时间复杂度与GP相同w RGGP能自动进行结构优化)1/()1(maxaaD符号回归实验w 符号回归实验简介符号回归：给定一组自变量值和一组函数值，称为训练数据，找出拟合训练数据的公式。w 实验目的测试RGGP和GP性能，进行对比分析符号回归实验w 实验内容用函数产生了27组数据作为训练数据，分别用GP和RGGP算法实现符号回归程序，对比运行时间和运行结果。 )exp(sin(cos3sin2)(xxxxxxf

17、符号回归实验符号回归实验w 实验结果分别独立运行20次GP和RGGP程序，运行结果如下表：时间（单位：秒） 最大适应度平均适应度GP1520.7213008111983169 0.633890035181388 RGGP1130.7920728490243022 0.6522082657212109 符号回归实验：cos(x+3.0)*x+sin(sin(cos(x+3.0)*(x+3.0)+3*sin(x)*x+sin(sin(sin(sin(x+3.0)*(x+6.0)+sin(cos(x+3.0)*x .0*x*sin(x)-4.00*cos(cos(cos(cos(sin(sin(2.

18、0)*x*cos(x) ，可化简为：2.0*x*sin(x)-2.997965074*x*cos(x) w 实验结论由以上实验数据可以看到，RGGP归纳出的公式比GP归纳出的公式有更大的最大适应度和平均适应度；而且总运行时间比GP减少了25%。本实验较好的说明了RGGP在搜索范围、染色体结构优化、运行时间方面的优点。GP归纳出的公式RGGP归纳出的公式太阳黑子预测w 概述太阳黑子时间序列建模预测是国际统计界的一个著名例子，该混沌序列是检验各种建模方法的试金石。太阳黑子预测是指：用第年，第 年，第 年的太阳黑子数据预测第 年的太阳黑子数据，即，发现下列公式：由于太阳黑子活动周期为11年，因此取

19、。1tx2txLtxtxTtLxxxfxLtttt1,2112L太阳黑子预测w 用RGGP实现太阳黑子预测本程序用1700 1979 年的太阳黑子数据作为训练样本，发现太阳黑子规律公式；然后用该公式预测1980 1985 年的太阳黑子数据。 太阳黑子预测可以被抽象成符号回归问题（公式发现），因此，其实现方法与前面提到的符号回归程序实现基本相同，只是，结合太阳黑子预测问题的特点，在实践过程中，精心选择了适当的运行参数和适应度函数。太阳黑子预测经过607秒的运算，RGGP归纳出了太阳黑子的规律公式。根据公式得出了RGGP预测太阳黑子数据与实测数据的对比图：太阳黑子预测w 与其他预测方法的对比模型均

20、方差平均绝对误差最大绝对误差TAR23.37.317.7叠合（带趋势） 17.16.112.9叠合（无趋势） 21.26.715.5ARMA44.916.129.4AR45.916.331.2GP38.214.526.0RGGP22.27.813.2太阳黑子预测从误差对比数据可以看出，RGGP的预测值与GP的预测值相比明显更加接近实测值；而且，从运行时间上讲，GP用了约5小时，RGGP只用了约10分钟。另外，虽然从误差对比中可以发现某些其他方法预测结果与实测值也比较接近，但是这些方法在建模过程中采用了1980 1986年的实测数据，而GP和RGGP只把这些数据作为检验数据，并没有用作训练。从这个意义上来讲，GP和RGGP才是真正的预测。 总结 综上所述， RGGP是GP的一种改进算法，它继承了GP的应用范围广，与领域无关等优点，并增强了GP的性能，使得算法的搜索范围更广，运行时间更短，得出的结果形式更简洁。 在RGGP的理论和实现方面，本文已经做了以下工作： (1) 分析了GP基本理论和实现方法，提出了一种GP改进算法：隐性基因遗传编程算法（RGGP）。 (2) 建模分析了RGGP的性能优点。 (3) 通过实验验证理论上的分析，约5000行java源代码 本文的研究结果，在工程应用中有推广的价值。 如新闻广播，最后要小结主要内容Any Question ?