使用VC6和com控制excel的一些方法 (试验有效)

本文分享了使用Excel9进行编程的一些实践经验,包括如何正确地关闭和释放资源以避免进程残留、添加新的工作表Sheet并设置名称的方法,以及在保存文件时遇到的问题。

注:需要 excel9 控制类

 

今天按老板要求把用户修改资料的动作偷偷记录在后台,并用excel来记录,但excel不显示出来,搞了半天在所有资源都 Release ,甚至程序都退出后,在进程列表里还能看到 excel 的进程 -_-||| ,在试验时发现,向接口发送 Close方法 似乎没有响应, 改成 Quit ,Quit 有反映了,但情况依旧,基本肯定是资源尚未完全释放,于是从小到大来释放,cell->sheet->book->excel 成功!开始没加book,结果不行,加了就成功了,(不太懂excel,搞不清sheet和book的区别),全部释放后,excel进程顺利消失!!!

 

 关于增加Sheet,渣一样的巨硬居然没有提供Sheet的add方法的详细说明,至于那四个参数现在还搞不懂要塞什么进去,只好四个都塞进vtMissing,然后用SetName  来改名字,但是这样的话插入点就是在最前,也就是sheet1的前面!! 一皿一凸

 

  关于保存,SaveAs方法那个“是否覆盖”的讨厌提示不知道怎么去掉,暂时没有时间研究;excel9那个似乎不提供全体book的Save,只能单个book来Save。

需要帮助用户使用径向基函数(RBF)神经网络感知器神经网络(Perceptron)来分析火炮复进机的数据,并用MATLAB编程实现。用户之前的问题是关于用多种神经网络预测四个输出变量(F1, F2, F3, vc),现在他们希望改用RBF感知器两种方法,并在MATLAB中实现。 首先,我需要回顾径向基函数神经网络感知器神经网络的基本原理应用场景。径向基函数神经网络通常用于函数逼近、分类非线性回归问题,其特点是隐层使用径向基函数作为激活函数,输出层通常是线性的。而感知器是最简单的神经网络,仅有一层,适用于线性可分的问题,但可能无法处理复杂的非线性关系。不过,用户的问题可能涉及非线性关系,所以需要确认感知器是否适用。 接下来,我需要考虑数据预处理步骤。用户之前提到数据预处理包括数据清洗、归一化划分数据集(1-290训练,291-300测试)。这里可能需要将数据导入MATLAB,进行相同的预处理步骤,如使用zscore标准化或mapminmax归一化。 对于RBF神经网络,MATLAB中有newrb或newrbe函数可用。newrb可以逐步增加神经元直到满足误差目标,而newrbe则使用所有训练样本作为中心。可能需要调整扩展参数(spread)以优化性能。评价指标依然是R²R,需要计算在测试集上的表现。 感知器神经网络在MATLAB中使用perceptron函数创建,但感知器通常用于二分类,而这里是回归问题。这可能是个问题,因为感知器输出是二进制的(0或1),而需要预测连续值。这可能需要调整,或者用户可能混淆了感知器多层感知机(MLP)。如果用户确实指单层感知器,则可能无法直接应用,需要澄清。但考虑到用户可能指的是多层感知机(比如之前提到的MLP),但问题中明确提到“感知器神经网络”,所以可能需要处理这个矛盾。 可能的解决方案是:假设用户指的是多层感知机(MLP),但名称上写成了感知器。或者,用户可能希望使用单层感知器,但这在回归任务中可能不适用。因此,需要确认,但根据上下文,用户可能混淆了术语,所以可能需要使用MLP作为感知器的一种扩展。但根据问题要求,必须严格使用感知器,可能需要调整任务为分类,但原始问题是回归,这会导致矛盾。 另一个可能性是用户希望使用线性感知器进行回归,即使用线性激活函数,但这可能性能较差。此时,可能需要向用户指出感知器不适合回归任务,并建议改用MLP或其他网络。但根据用户要求,必须使用这两种方法,所以可能需要强行应用,但结果可能不理想,尤其是感知器部分。 接下来,具体步骤: 1. 数据准备:导入Excel数据,提取输入参数(b1到f1共22个)四个输出变量(F1, F2, F3, vc)。将前290组作为训练,后10组作为测试。 2. 数据预处理:归一化处理,使用MATLAB的mapminmax或zscore函数。 3. 模型构建: a. RBF神经网络:使用newrb或newrbe。需要确定目标误差(goal)、扩展参数(spread)、最大神经元数(MN)。可能需要交叉验证调整参数。 b. 感知器神经网络:使用perceptron函数,但需要调整用于回归。或者使用单层线性网络,如linearlayer,因为标准感知器是用于分类的。如果输出是连续值,可能需要使用线性层,并训练为回归模型。这里可能需要澄清,但假设用户希望使用感知器结构,即使效果不佳。 4. 训练与评估: - 对每个输出变量分别训练RBF感知器模型。 - 计算R²R指标。 - 比较两种模型,选择最佳模型进行预测。
最新发布
05-20
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值