测算方法论文十篇

测算方法论文篇1

[摘 要] 农产品对外贸易价格指数是研究农产品贸易问题的基础。我国农产品对外贸易价格指数体系不完善，影响了农产品贸易领域内相关研究的展开。本文对农产品对外贸易价格指数体系及测算方法做了全面比较，在此基础上提出农产品贸易价格指数测算应注意的三个关键问题。 【论文关键词】 农产品贸易对外贸易价格指数 农产品对外贸易价格指数是研究农产品贸易问题的基础。我国农产品对外贸易价格指数体系不完善。目前编制并公开农产品对外贸易价格指数的机构只有商务部，从2002年1月起在《农产品进出口月度报告》中公开农产品月度出口价格指数；从2005年2月开始进、出口双向价格指数。 一、农产品对外贸易价格指数体系现状 目前可以获得我国农产品对外贸易价格指数的来源非常少。各国际机构（或组织）中，只有WTO在每年的ITS（International Trade Statistics）中公开报告部分农产品的全球出口价格指数。WTO将农产品作为初级产品的一部分在ITS中报告了1995年以后的食品和饮料 和农业原材料 两个农产品大类（各包括若干小类）的出口价格指数。根据WTO的统计口径，ITS的初级产品的统计范围包括4个大类：食品和饮料、农业原料、矿物和不含铁的金属以及能源，其中食品和饮料以及农业原料属于农产品范畴。 事实上，FAO曾经编制并公开过各国农产品的对外贸易价格指数。根据FAO贸易年鉴的解释，由于缺少新独立国家在1989-2001年间贸易统计数据，FAO暂时中止（temporarily discontinued）了对按照大陆（by continent）区分的各国农产品贸易指数的测算。这对于保证各国农产品对外贸易价格指数数据的完整性是不利的。 国内机构中编制并公开我国农产品对外贸易价格指数的部门只有商务部。从2002年1月起，商务部开始在《农产品进出口月度报告》中公开农产品月度出口的单向价格指数；直到2005年2月才开始同时进、出口双向的价格指数。此外，商务部还针对农产品的主要进、出口市场分别测算得到针对主要贸易市场的农产品对外贸易价格指数。特别地，从2005年6月起商务部针对某些重点产品 进行测算，在重点产品层次上得到进、出口双向价格指数。这样商务部编制并的我国农产品对外贸易价格指数体系是包括总体、重点国别地区和重点产品三个层次在内的指标体系。 二、对外贸易价格指数测算方法回顾 鉴于目前编制并农产品对外贸易价格指数的机构只有WTO和中国商务部，本文首先对上述两个机构采用的对外贸易价格指数测算方法分别做出讨论。 1.WTO的贸易价格指数测算方法 基于SITC（Rev.3)的产品分类标准，WTO的ITS仅仅了部分农产品的全球总体对外贸易指数，并没有涉及国别数据。相应地，ITS只对全球总体指数的测算程序做了说明，没有对国别数据的来源或测算方法做出明确解释。根据WTO的解释，ITS全球农产品总体对外贸易指数的测算分两个步骤完成:首先由秘书处做出估计，将各国的缺失数据补齐；然后将各国数据加总得到全球总体指数。对外贸易价格指数的测算过程分别在国别和国际两个层次上完成。由于对国别价格指数测算程序的解释并不完整，WTO的对外贸易价格指数测算方法对国别贸易指数的获得并不具有现实的借鉴意义。 2.商务部的贸易价格指数测算方法 商务部编制并公开的我国农产品对外贸易价格指数数据使用帕氏公式测算得到。就测算方法而言，除了在《农产品进出口月度报告》中注明其报告的价格指数为全样本指数外，商务部并没有对价格指数的具体测算程序进一步解释。考虑到帕氏公式为固定权重的指数公式，公式本身的性质决定了只有在考察期内价格指数的数量权重变化不大的情况下，使用该公式得到的价格指数结果才能较为客观的反映我国农产品对外贸易价格指数的综合变动规律；否则使用固定数量权重的价格指数公式进行测算是有风险的。 由于国别对外贸易价格指数的测算方法同样适用于农产品贸易价格指数的测算，作者将考察的范围扩大，对国别对外贸易价格指数的测算方法做出讨论。除WTO和商务部外，目前测算并国别对外贸易价格指数的国际组织有UNCTAD、IMF和WB等；国内机构包括海关总署和国家统计局。其中只有海关总署对其的对外贸易价格指数的测算方法做了说明。 3.海关总署的贸易价格指数测算方法 海关总署从1994年开始试编 我国的对外贸易指数，这也是国内指数编制方面的最早尝试。2000年海关总署对贸易指数的编制系统做了修订，并于2003年正式启用新方案编制我国对外贸易指数并在内部资料上刊登。2005年起海关总署正式编制出版《中国对外贸易指数》月刊，并在季末和年末编制季度和年度指数增刊。 海关总署的《中国对外贸易指数编制说明》是目前所能见到的对外贸易价格指数编制说明中最为详细的一个。根据编制说明的解释，海关总署的对外贸易价格指数采用费氏公式编制。价格指数测算之前首先对样本数据做筛选，根据最详细的海关进、出口记录计算出同种产品的价格变异系数，从中挑选出部分HS的8位税目上的产品作为计算样本，样本覆盖率占全部贸易产品的70%以上。获得测算样本后，在HS的8位税目数据上计算单位价格指数，然后使用费氏公式测算得到6 位税目上的价格指数，进而向4位目、2位目和全部贸易产品汇总，最后得到我国的对外贸易价格指数。 三、对外贸易价格指数测算方法评析 现有的农产品对外贸易价格指数测算方法并不完善，不能满足农产品对外贸易价格指数测算的实际需要。海关总署的贸易价格指数编制程序较为细致，对农产品对外贸易价格指数的编制工作具有较强的借鉴意义。 1.海关总署贸易价格指数测算方法的优势 海关总署的指数测算方法有三个显见的优势: 一是其公开的对外贸易价格指数使用费氏公式测算得到，这种同时考虑两期数量权重的价格指数公式避免了固定权重公式对指数测算结果可能造成的影响。 二是海关总署的价格指数测算建立在8位税目数据基础上，因此能在最大程度上降低价格指数的混频程度。农产品的经济属性差异大，在8位税目数据层次上进行指数测算的数据处理思路对农产品价格指数的测算有明显的借鉴意义。 三是海关总署的价格指数测算程序从8位税目数据开始，进而向6位目、4位目、2位目和全部产品汇总。这种测算程序反映了指数在层级之间的递推关系。农产品的多样化特征显著，使得分类价格指数更能反映农产品贸易价格的变动规律。价格指数在层级之间的递推关系为建立农产品分类指数提供了思路。 2.海关总署贸易价格指数测算方法的不足 借助变异系数指标，海关总署在全部贸易数据中人为地剔除了某些税号上的数据。这种数据处理方法显著降低了数据的变异程度、有利于价格指数的测算；但同时具有两个明显不足： 一是这样得到的价格指数不再是全样本指数。仅仅根据变异系数剔除数据，有可能导致某些重要信息的丢失，从而无法全面、客观反映全部贸易品价格的综合变动规律。 二是参与测算的样本数据占全部贸易产品的70%以上，从一定程度上讲属于固定权重的指数测算方法。这种人为剔除数据的处理方法存在的问题是，对贸易产品结构变动产生的影响估计不足。如果贸易产品结构在考察期间变动显著，则价格指数的测算结果无法反映贸易品价格的真正变动规律。 四、农产品对外贸易价格指数测算中的关键问题 我国农产品对外贸易价格指数体系涉及数据少、时间序列短，尚未包括分类层次上的指数信息。对外贸易价格指数体系的不完善影响了农产品贸易领域内相关研究的展开。本文认为，农产品对外贸易价格指数测算应注意以下三个关键问题： 1.建立农产品分类指数。农产品范围广、产品经济属性差异大，使得分类指数更能客观反映农产品对外贸易价格的变动规律。 2.选择合适的价格指数测算公式。可供使用的指数公式很多，不同的指数公式具有不同的统计性质，因而适用于不同的情况。因此有必要对现有的价格指数测算公式做比较，并对使用不同公式得到的结果做出预期。根据研究的具体需要选择某一个或某几个指数公式用于农产品价格指数测算。 3.测算全样本价格指数。这种处理方法会将很多变异较大的数据包括在内，但是避免了人为剔除某些税号上的数据可能导致的某些重要信息的丢失，这样得到的价格指数结果能够更为客观的反映农产品贸易价格的综合变动规律。

测算方法论文篇2

关键词： 有机酸 二甲基亚砜 电离常数 连续极化模型

对大量有机化合物和无机化合物的酸度的研究已有相当长的一段时间，并通过不同的实验方法测出它们的pKa值，与此同时对水溶液中pKa值的理论计算有了很大程度的进步。从最初的Jorgensen［1］，［2］等人首次使用从头计算法和自由能微扰理论到接下来的积分方程理论和量子力学―分子力学联合方法［3］，到近几年的连续溶剂化模型（PCM）［4］都对研究有机物的电离进行了多方面的改进。

许多文献用经验计算或从头计算法来计算pKa值的报道都有史可查［5］，［6］，而大部分都是关于水溶液中pKa值的计算。Wiberg［7］等人计算出了在DMSO中质子转移的吉布斯自由能，但是并没有计算出相应的pKa值。本文中我们采用了PCM模型中的HF法预测了十种有机酸在DMSO的pKa值，同时我们将实验数据应用到该值的计算中来，和实验数值进行对比。

1.计算方法

在DMSO中有机酸pKa的理论计算可以采用下面的质子转移反应：

HA+OHA+HO（1）

方程（1）可以产生以下平衡关系式（2）

=e=（2）

而G*可由以下得到

G*=G*+G*（3）

G*=G*（A）+G*（HO）-G*（HA）-G*（OH）（4）

在方程（2）的两边取负对数，我们可以得到

pK（HA）=pKa（HO）+（5）

在本文中我们运用方程（3）（4）（5）来计算有机酸的pKa值，这里水的pKa实验值31.2。

本文采用Gussian98程序包，运用HF法在6-31+G（d）基组完全优化出中性组分和离子组分的稳定结构，然后利用PCM模型（采用介电常数为46.7）计算出了溶剂化自由能，由得到的数据通过统计热力学计算出有机酸的pKa值。

2.结果与讨论

本文所研究的有机酸都具有不同的官能团，在这些官能团所处可电离的H是同O，N，C连在一起的，在此我们同样可以计算出HF的pKa值。

将运用HF方法计算出的十种化合物热力学数据和pKa值列入表1中：

从表1中所列的有机物pKa的理论值与实验值对比我们可以看出，主要偏差存在于含氮酸的测定上（大于十个单位），用HF法测定氢氟酸时得到最小偏差为1.4个单位。测含氮酸的Pka值时误差最大，大多都大于10个单位，很可能是因为这些化合物是两性物质，其中HCONH的pKa偏差最大为12.2个单位。这种HF方法的所测十种有机酸得pKa平均误差为3.77，如果除去误差较大的含氮酸，则平均误差为1.4。因此用PCM模型中的HF方法来计算有机酸的pKa其误差是较小的。

为了验证PCM模型中的HF方法适合于计算有机酸的pKa，我们采用从NIST数据库［9］中得到的气相反应吉布斯自由能的实验值和Gussian计算出的溶剂化自由能的理论值来计算pKa。分别运用HF方法于PCM中得到的pKa及实验值列入表2中：

表2 在HF方法中运用混合的理论（溶剂化贡献）－实验（气相贡献）得到的pKa计算值和实验值

从表2我们可以看出利用混合方法测pKa值产生的偏差大多数都小于用纯理论计算所的偏差。在HF测定氢氟酸时偏差最小，与实验pKa值相比偏差可以忽略；而CHOH和CHCHOH的pKa偏差也很小为0.2和0.7。另外混合方法中的HF法，CHOH、CHCOOH和HF各自pKa值的理论值和实验值吻合得都很好。同时，CHCOOH和CHCONH在这种方法中的偏差极其相近，分别为5.3和5.1。从表中可得这种HF混合方法的平均误差是4.06，如果不考虑具有最大偏差的含氮酸，则HF方法的平均误差分别为2.1。由此可见，运用混合HF法测得有机酸的pKa值其与实验值偏差也是较小的。

3.结论

本文对含有不同官能团的十种有机酸，采用PCM模型中的HF方法来计算其pKa。结果表明运用HF方法在PCM测得的pKa值通过实验值校正后，其值与实验数值吻合度较高，不仅在纯理论方法中，在混合方法中结果也是如此。因此在连续介质模型（PCM）中的HF法将在理论上被广泛地运用于预测有机物的pKa。

参考文献：

［1］Jorgensen，W.L.；Briggs，J.M.；Gao，J.J.Am.Chem.Soc，1987：109，6857.

［2］Jorgensen，W.L.；Briggs，J.M.J.Am.Chem.Soc，1989：111，4190.

［3］Gao，J.；Li，N.；Freindorf，M.J.Am.Chem.Soc，1996：118，4912.

［4］Cossi，M.；Barone，V.；Cammi，R.；Tomasi，J.Chem.Phys.Lett，1996：255，327.

［5］Chipman，D.M.J.Phys.Chem.A，2002：106，7413.

［6］Almerindo，G.I.；Tondo，D.W.；Pliego，J.R.，Jr.J.Phys.Chem.A，2004：108，106.

［7］Wiberg，K.B.；Castejon，H.；Keith，put.Chem，1996：17，185.

［8］Bordwell，F.G.Acc.Chem.Res，1988：21，456.

测算方法论文篇3

关键词:铁路货运量预测；粒子群优化算法；灰色神经网络；灰色关联分析；BP神经网络；Elman神经网络

中图分类号: TP18文献标志码:A

引言

铁路货运量作为货运市场体系中的重要统计指标，为铁路运输所占的货运市场份额提供了重要的依据。因此，预测货运量发展趋势是制定铁路货物运输营销战略的前提和基础，对铁路货运组织的实施具有重要作用［1］。但铁路货运是一个复杂的社会经济系统，受社会、经济、自然等多种因素的综合影响，且各因素的作用机制通常不能或无法用精确的数学语言来准确描述，因此铁路货运量预测属于复杂的非线性系统问题，这就导致其预测建模的困难性与多样性［2］。目前国内学者已利用灰色系统理论［2-4］、分形理论［5-6］、粗糙集（Rough Set）理论［7］、支持向量机模型（Support Vector Machine, SVM）［8］、人工神经网络［9-11］等方法对铁路货运量进行预测。

受环境因素、突发事件的影响，铁路货运量具有很强的波动性，因此使灰色系统理论、分形理论、Rough Set理论在短期货运量预测中的预测精度往往不高，另外SVM模型因主要参数（核函数σ及惩罚因子c）选取的困难性影响了其实用性。而基于神经网络和灰色模型的灰色神经网络(Grey Neural Network, GNN)，结合了神经网络非线性拟合能力强及灰色模型计算量小、少样本情况下精度较高的特点，这就在不同程度上克服了上述不足。但由于GNN权值和阈值随机初始化，导致了网络易陷入局部最优，而且每次预测结果不同，且偏差较大。

粒子群优化(Particle Swarm Optimization, PSO)算法是基于群体智能理论的优化算法，算法概念非常简单，具有好的鲁棒性及非常好的全局搜索能力，利用PSO优化GNN的参数可以改善上述不足。针对标准PSO容易陷入局部极小点且过早收敛的问题，本文采用一种改进的PSO算法(IPSO)，该算法能够较好地调整全局与局部搜索能力之间的平衡；并将其应用于GNN的参数优化。仿真结果表明基于IPSOGNN方法的预测精度优于常规GNN及其他智能预测方法，更加适合于铁路货运量预测。

1基于IPSOGNN预测模型

测算方法论文篇4

关键词 高层建筑；沉降；预测

中图分类号TU97 文献标识码A 文章编号 1674-6708（2011）37-0207-02

按变形控制设计是高层建筑地基基础设计理论的一大进步，因此如何准确的计算和预测高层建筑的最终沉降量，将是我们的最大追求。事实上，由于问题的复杂性（如地基土的非均匀性、非线形、各向异性以及施工方法和速度等），目前尚很难较为准确的计算建筑物的沉降最终量，因此如何根据已获得的部分实测数据，估算高层建筑的沉降量，无疑具有重要的工程意义和经济价值。

1沉降预测方法

目前计算沉降量与时间关系的方法有3大类。第一类为根据固结理论，结合各种土的本构模型，计算建筑物最终沉降量的各种有限元法。但由于计算参数较多，且一般需通过三轴试验确定，目前还不可能把固结有限元法作为每个断面沉降计算的主要方法应用于设计，而主要用于重要工程、重要地段的计算；第二类为各种新的数学方法（如灰色理论[1]、人工神经网络[2]以及遗传算法[3]等）预测建筑物的沉降量，但由于数学手段的高深，且没有明确的物理意义，仅能是一种新的尝试；第三类为根据实测资料推算沉降量与时间关系的预测方法。如指数曲线法、双曲线法和泊松曲线方法等。现对第三类沉降预测方法介绍如下：

地基的沉降与时间的关系一般如图1所示，开始阶段荷载较小，沉降也较小，St-t曲线较平缓，在荷载加完后，沉降发展较快，St-t曲线较陡，然后又趋平缓。

1.1考虑时间修正的沉降预测方法――指数曲线法和双曲线法

假定全部荷载在施工期tc的中间时刻突然施加，则St-t曲线将如图1中虚线所示，一开始就较陡。将时间坐标零点移到0＇的位置，可用某种函数关系来拟合实测的S-t曲线。常见的有两种：

式中A、B、Sf以及a为待定参数，若用指数关系式（1），有3个待定系数，利用实测资料，以最佳拟合方法确定参数代入公式即可计算今后任一时刻的沉降，如图1中虚线所示。若用式（2），计算方法也类似。

1.2全过程的沉降量预测方法研究

文献[4]提出的泊松曲线方法预测沉降随时间发展的过程，该曲线较好的反映了全过程的沉降量随时间发展的“S”形（如图1实线所示）。

泊松曲线的表达式如下：

式中：yt―t时刻对应的预测值，其单位为长度单位；

t ―时间，其单位为时间单位；

a、b、k―待定参数且为正，a为无量纲，b的单位为时间的倒数，k的单位为与yt相对应的长度单位。

利用三段计算法求泊松曲线方程中的各个参数。三段计算法求泊松曲线方程中的参数有以下两点要求：

（1）时间序列中的数据项数或时间的期数n是3的倍数，分为3段，每段含n/3=r项；

（2）自变量t的时间间隔相等或时间长短相等，前后连续，期数t由1开始顺编，也即取t=1，2，3……n。按此要求，则时间序列中各项数分别为y1，y2，y3……yn。将其分为3段：第1段为t=1，2，3……r；第2段为t=r+1，r+2，r+3……2r；第3段为t=2r+1，2r+2，2r+3……3r。

设S1，S2，S3分别为3个段内各项数值的倒数和，有：

（4）

2 沉降预测实例

2.1工程概况[5]

该工程为点式高层建筑，南面起居室为18层，北面附属用房为20层，总高57m，建筑物平面面积430m2。基础为半地下室箱基加短桩，箱基高2.9m，埋深1.7m，箱基底板为梁板结构，梁宽0.6m，板厚0.3m。建筑物下布置了183根0.4×0.4×7.5m3钢筋混凝土预制桩。场地地层在地面下深度2.4m~10m处为稍松粉砂层，作为桩基持力层，其下为灰色粘土，软塑到流塑状，暗绿色硬粘土层埋深约29m~30m。

2.2沉降预测比较

实测沉降随时间发展过程如表1所示，各种预测方法计算结果如表2所示，可见，泊松曲线和指数曲线计算结果相差不大，双曲线预测结果偏小。

表1 实测沉降随时间发展过程

表2 各种预测方法得到最终沉降结果

3结论

对各种沉降预测进行了分析，得到如下结论：

泊松曲线和指数曲线计算结果相差不大，双曲线预测结果偏小，泊松曲线能较好的反映沉降随时间发展的全过程，值得推荐。

参考文献

[1]徐新跃，方德胜.灰色Verhulst模型预测软土地基建筑物的沉降[J].地下空间，2001，5.

[2]韩柳欣，张献辉.神经网络方法在高炉沉降分析中的应用[J].建筑施工，2002，2.

[3]刘勇健.遗传算法在软土地基沉降计算中的应用[J].工业建筑，2001，5.

测算方法论文篇5

关键词:审计程序审计内容电算化

电算化会计是会计发展的必然方向,由于电算化会计与手工会计无论在会计基础,还是在会计工作方法等方面都存在着很大差别。因此,传统的财务审计在新的条件下就显得很不适应,必须进行改变、补充和完善,本文拟就电算化会计下的审计程序和审计内容谈点粗浅的看法。

一、电算化会计条件下的审计程序

按照《审计法》的规定,一般审计程序可分为四个阶段,即准备阶段、实施阶段、审计结论和执行阶段、异议和复审阶段。电算化会计审计也可分为这四个阶段,同时结合自身的特殊要求,运用本身特有的方法,对电算化会计系统进行评价。

(一)准备阶段。在此阶段主要是初步调查被审计单位会计电算化系统的基本状况,并拟定科学合理的计划。一般包括以下主要工作。

1.调查了解被审计单位电算化系统的基本情况,如电算化系统的硬件配置,系统软件的选用,应用软件的范围,网络结构,系统的管理结构和职能分工、文档资料等。2.与被审计单位签订审计业务约定书,明确彼此的责任、权利和义务。3.初步评价被审计单位的内部控制制度,以便确定符合性测试的范围和重点。4.确定审计重要性、确定审计范围。5.分析审计风险。6.制定审计计划。在审计计划中除了对时间、人员、工作步骤及任务分配等方面作出安排以外,还要合理确定符合性测试、实质性测试的时间和范围,以及测试时的审计方法和测试数据。

如果要安排利用计算机辅助审计,则还需列出所选用的通用软件或专用软件。对于复杂的电算化系统,也可聘请专家,但必须明确审计人员的责任。

(二)实施阶段。实施阶段是审计工作的核心,也是电算化审计的核心。主要工作是根据准备阶段确定的范围、要点、步骤、方法,进行取证、评价,综合审计证据,借以形成审计结论,发表审计意见。实施阶段的主要工作应包括以下两个方面的内容。

1.符合性测试。进行符合性测试应以系统安全可靠性的检查结果为前提。如果系统安全可靠性非常差,不值得审计人员信赖,则应当根据实际情况决定是否取消内控制度的符合性测试,而直接进行实质性测试并加大实质性测试的样本量。在会计电算化系统的符合性测试项目中,主要内容应该是确认输入资料是否正确完整,计算机处理过程是否符合要求。如果系统安全可靠性比较高,则应对该系统给予较高的信赖,在实质性测试时,就可以相应地减少实质性测试的样本量。由于我国的电算化审计刚起步,还没有相应的法律法规,相应的具体审计准则也没有出台,所以目前情况下,可暂时以财政部颁发的有关会计电算化的工作规范、条例、办法等作为参照,并以此作为符合性测试的主要内容。

2.实质性测试。实质性测试应该是对被审计单位会计电算化系统的程序、数据、文件进行测试,并根据测试结果进行评价和鉴定。进行实质性测试须依赖于符合性测试的结果,如果符合性测试结果得出的审计风险偏高,而且委托人有利用会计电算化系统进行舞弊的动机与可能,并且委托人又不能提供完整的会计文字资料,此时注册会计师应考虑对会计报表发表保留意见或拒绝表示意见的审计报告。进行实质性测试时,可考虑采用通过计算机和利用计算机进行审计的方法,具体包括:a.“测试数据法”,就是将测试数据或模拟数据分别由注册会计师进行手工核算和被审计单位电算化系统进行处理,比较处理结果,作出评价;b.“受控处理法”,就是选择被审计单位一定时期(最好是12月份)实际业务的数据分别由注册会计师和会计电算化系统同时处理,比较结果,作出评价。

3.利用辅助审计软件直接审查会计电算化系统的数据文件。注册会计师可利用通用或专用审计软件直接在会计电算化系统下进行数据转换,数据查询,抽样审计,查账,账务分析等测试,得出结论,作出评价。

(三)审计结论和执行阶段

注册会计师对会计电算化系统,进行符合性测试和实质性测试后,整理审计工作底稿,编制审计报告时,除对被审单位会计报表的合理性、公允性、一贯性发表意见,作出审计结论外,还要对被审单位的会计电算化系统的处理功能和内部控制衅兰?并提出改进意见。

审计报告完成后,先要征求被审单位的意见,并报送审计机关和有关部门。审计报告一经审定,所作的审计结论和决定需通知并监督被审单位执行。

(四)异议和复审阶段

被审单位对审计结论和决定若有异议,可提出复审要求,审计部门可组织复审并作出复审结论和决定。特别是被审单位会计电算化系统有了新的改进时,还需组织后续审计。

二、电算化会计条件下的审计内容

电算化会计系统与手工会计系统不同,它是由会计数据体系,计算机硬件和软件以及系统工作和维护人员组成,所以电算化会计的审计内容与手工会计系统也存在着较大的差别。电算化会计审计的内容主要包括以下内容:

(一)对会计电算化系统的内部控制的审计。一方面是企业的内部控制能在多大程度上确保会计电算化系统中会计记录的正确性和可靠性,如输入、输出的授权控制,业务处理的审核等。另一方面是内部控制的有效执行能在多大程度上保护资产的完整性,通过以上两方面的评价,可以判断企业内部控制系统能在何种程度上防止或发现会计报表中的错误及经营过程的舞弊。

(二)对会计电算化系统的处理和控制功能的审计,也可称为对会计电算化系统程序的审计。会计电算化系统的核心就是会计软件,会计软件程序质量的高低,直接决定了会计电算化系统整体水平的高低,在这部分里主要审计会计软件程序对数据进行处理和控制的及时性、正确性和可靠性,以及程序的纠错能力和容错能力。会计软件程序的审计可采用通过计算机审计的方法及利用计算机辅助审计中的数据转换功能的方法来完成。

(三)对会计电算化系统的处理对象即会计数据的审计。会计数据处理的真实性、正确性、可靠性,直接影响到会计信息的真实性、正确性和可靠性,所以这一部分的审计是至关重要的,注册会计师可采用抽查原始凭证与机内凭证相对比,抽查打印日记帐和机内日记帐相核对等方法,同时也可采用利用计算机辅助审计软件的功能来完成审计,从而降低审计风险。

(四)对会计电算化系统开发质量的审计会计电算化系统是一项系统工程,主要包括系统分析、系统设计、系统实施及系统维护等。电算化系统的质量,运行水平,一方面依赖于日常的管理和维护,但另一方面则取决于会计电算化系统开发过程的质量。一旦在开发过程中产生错误,则在系统运行后,将影响到会计数据的加工处理以及会计信息的真实可靠性。并且在运行后,对该错误进行修改也极其困难,所以,应该也必须在系统开发过程中进行严格的审计保证其质量,防止计算机舞弊,保证系统运行后的可靠性、效率性。

参考文献:

测算方法论文篇6

关键词：扇形段；相对测量；测量不确定度

中图分类号：TM4 文献标识码：A

概述

某钢厂连铸扇形段香蕉梁基础框架在安装过程中，遇到了对接不到位的情况。而设备对接不到位，将直接导致钢水渗出的严重后果，故必须使此设备安装误差在0.5mm内。故此，需要对扇形段香蕉梁基础框架的整置进行检测，得出每处设备的空间位置关系，对超差部分进行调整，最终确保整个设备能按照设计的要求安装到位，保证生产能按照预期顺利进行。由于扇形段范围广、高差大、要求精度高、环境复杂，所以要按照规定的时间获得较高的测量精度有很大难度。

1 方案设计

一般来说，平面坐标采用全站仪测量，而标高采用水准仪测量。但现场条件复杂，环境很差，并且短距离内高差大，导致有的测点无法观测。故对于标高部分，经过推算和论证，我们大胆的采用了全站仪结合水准仪的方法进行测量。故总体思路是用水准仪测量一些关键点或者落差大的点的标高，再用全站仪测量所有测点标高并进行平差计算得出较准确的实际值的方法进行测量。根据研究，我们在香蕉梁上设置了6个“检测点”，以检验该设备的自身情况。当整体设备变形在规定的范围内时，再对各连接点进行测量，把握设备的安装是否满足设计和安全的需要。对于连接部分，根据2个平面基准点和2个标高基准点，我们设置了24个香蕉梁连接部位观测点。由于标高基准点有2个，故在检测中要进行相互联测，并进行平差处理。

2 现场实施

根据设计的方案，采用全站仪结合水准仪的方法对6个“检测点”进行测量，根据测量结果知道：加工尺寸与设计尺寸基本吻合，其差值对于局部测量可以忽略不计，故对于香蕉梁的整体可以认为是规则的，所以可以进行连接部分的检测：

2.1 平面座部分

由于平面座的调整方向只有一个方向（流水线方向），故我们利用全站仪结合水准仪测量整体情况（6个检测点）的结果，计算出整个香蕉梁的倾角，再利用全站仪对各个测点进行平面测量。全站仪架设位置必须使得测点对称分布，而且相关点必须在同一测站内。根据全站仪测量的平面坐标可以计算该点的标高值。

2.2 U型座部分

由于U型座在安装过程中，有2个方向（流水线方向和铅垂方向）可以调整，故导致平面位置和标高不能经过换算直接得到。由于测点对称，根据相对位置测量的误差原理，可知全站仪测量的高差值即为实际高差值，故只须对某一个测点进行水准测量，再用全站仪对两个点的三角高程进行测量即可。

3 测量不确定度计算

3.1 平面坐标测量的不确定度计算

整个测量过程采用极坐标测量的方法，根据极坐标测量原理以及测量不确定度计算方法，可以推算出测定对称空间点三维坐标的精度估算公式。

由于香蕉梁是左右对称的，且各点在垂直于流水线方向的位置不需固定，所以测量的关键数值为流水线方向和铅垂方向的两个差值（即x和z值）。

根据不确定度及相关系数理论，可以得出合成标准不确定度的计算公式为[2]：

式中r（xi，xj）表示输入量xi，xj之间的相关系数。

根据测量不确定度理论和测绘知识，所求的结果可转化为求X的值，即需求X的不确定度。由测绘知识可知：

然后分别代入（2）即可计算X的标准不确定度。

3.2 标高测量的不确定度计算

由于距离较短，而且对称点之间的高差较小，所以夹角较小，因此可以采用三角高程测量。根据测量知识可知标高测量的标准不确定度为[3]

根据现场测量，距离均在15米以内，而垂直角的夹角均在10度以内，计算即得标高测量的最大标准不确定度为0.15毫米，由于采用两次观测的方法，故上式的数值即为扩展标准不确定度数值。

4 实施效果

通过测量、计算，几乎所有点均偏离理论位置，最大的偏移达18毫米，施工方根据数据偏差进行调整，直至使得每个点均符合设计安装的需要为止。之后对每个点的坐标不确定度进行计算，结果均在0.5mm以内，完全能满足委托方的需要。经过投产，没有出现任何问题，至此，生产方的疑虑完全得到解除。

参考文献

[1]冯科，韩志伟，王勇，毛敬华.仿真计算在板坯连铸机工程设计中的应用.第八届全国连铸学术会议论文集[C].20070300：590-596.

测算方法论文篇7

（1武汉轻工大学数学与计算机学院 湖北 武汉 430023 2重庆交通大学 重庆 400074）

摘 要：针对桥梁健康监测获取海量数据却无法实时精确地监测评估桥梁结构状态的困难性，本立足数据挖掘算法理论，在Hadoop平台下运用KNN文本分类算法对桥梁结构缩尺模型加速度数据进行分类分析，采用分布式文件系统HDFS对监测数据进行存储和访问，应用Map／Reduce并行计算框架对桥梁各环境参数进行计算，并据此判断监测点属于何种工况，实现了桥梁监测海量数据的存储、访问、分类以及桥梁结构健康状况的判别，通过实验室缩尺模型工程实例验证了理论的有效性。实验结果表明，与传统的串行分类算法相比，基于Hadoop平台的并行分类算法具有较好的扩展性，并取得了基于大数据理论的桥梁监测技术研究的革新。

关键词 ：Hadoop平台；大数据；KNN文本分类算法；HDFS

中图分类号：U445 文献标识码：Adoi：10．3969／j．issn．1665－2272．2015．05．036

0 引言

随着桥梁事业的蓬勃发展，多数桥梁上建立了健康监测系统，可以通过传感器获取各种环境下的反映结构响应行为的信息，期间从各个监测点收集的数据量可达到GB级，而面对海量数据却不能及时得到反映桥梁结构状态的有效信息，桥梁结构监测系统的分析与处理不能及时完成，大数据概念和大数据技术的适时出现提供了一个分析处理桥梁监测历史数据的途径。Hadoop作为一个开源的云计算平台提供了分布式文件系统HDFS和并行编程模型Map／Reduce，以其高容错性、高伸缩性等优点允许用户将Hadoop部署在大量廉价的硬件上，人们可以充分利用集群的存储和高速运算能力，完成海量数据的处理，其中包括海量文本数据的分类问题。分类算法是一种重要的数据挖掘算法，该模型通过对海量样本数据进行训练能把未知类别的样本映射到给定类别中的某一个，以此判别桥梁状态所属类别，K近邻（K－Nearest Neighbor，KNN）文本分类算法是基于训练集的文本分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。

云计算提供的海量数据存储和分布式计算能力在数据挖掘以及相关领域中是一种非常受青睐并且有效的方法，结合大数据技术和数据挖掘算法—KNN文本分类算法进行桥梁健康监测，在Hadoop平台下运用KNN文本分类算法对桥梁结构缩尺模型加速度数据进行分类分析，采用分布式文件系统HDFS对监测数据进行存储和访问，应用Map／Reduce并行计算框架对桥梁各环境参数进行计算，使用分布式文件系统Hadoop Distributed Filesystem来存储原始文档（已分类的数据）和待分类文档（监测数据），将文件读写和分布式并行计算框架MapReduce相结合实现KNN文本分类，将监测点的监测数据分到已有的工况中，并据此判断监测点属于何种工况，以便采取相关措施对桥梁进行维护，以此来探索基于大数据技术的桥梁监测分析处理的方法。

1 大数据及其应用平台

“大数据”是一个体量很大，数据类别多样的数据集，并且这样的数据集无法用传统数据库工具对其内容进行抓取、管理和处理，主要具有数据体量巨大；①数据类别大； ②数据来自多种数据源， 囊括了半结构化和非结构化数据； ③数据处理速度快，在数据量非常庞大的情况下， 也能够做到数据的实时处理；④数据价值密度低，价值密度的高低与数据总量的大小成反比。如何通过强大的机器算法更迅速地完成数据的价值“提纯”并通过对海量数据进行分析获得有价值的数据成为目前大数据背景下亟待解决的难题。

Hadoop是Apache软件基金会旗下的一个开源分布式计算平台及分布式处理的软件框架，主要用来处理大量数据，它实现了MapReduce一样的编程模式和框架，能在由大量计算机组成的集群中运行海量数据并进行分布式计算。处理的海量数据能达到PB级别（1PB＝1024TB），并可以让应用程序在上千个节点中进行分布式处理。以Hadoop分布式文件系统（HDFS，HadoopDistributed Filesystem）和MapReduce（Google MapReduce的开源实现）为核心的Hadoop为用户提供了系统底层细节透明的分布式基础架构。HDFS的高容错性、高伸缩性等优点允许用户将Hadoop部署在低廉的硬件上，形成分布式系统；MapReduce分布式编程模型允许用户在不了解分布式系统底层细节的情况下开发并行应用程序，所以用户可以利用Hadoop轻松地组织计算机资源，从而搭建自己的分布式计算平台，并且可以充分利用集群的计算和存储能力，完成海量数据的处理。MapReduce 是大规模数据（TB级）计算的利器，Map和Reduce是它的主要思想，来源于函数式编程语言，Map负责将数据打散，Reduce负责对数据进行聚集。它的流程如图1所示。

2 K近邻文本分类算法

K近邻（K－Nearest Neighbor，KNN）文本分类算法是基于训练集的文本分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：计算一个点A与其他所有点之间的距离，取出与该点最近的k个点，然后统计这k个点里面所属分类比例最大的，则点A属于该分类。根据加权距离和判断测试样本所属的类别的具体过程如下：

假设给定有m个训练样本集D，每个样本具有n个属性，di＝（σi1，σi2，…，σin），其中i＝（1，2，…，m）表示第几个训练样本。

（1）设定k的值，k最近邻的数量；

（2）把测试样本表示成测试文本向量X（ω1，ω2，…，ωn）；

（3）根据下式计算测试样本与训练集中所有样本的相似度：

公式（1）中di为训练样本，X为测试样本。

（4）对根据步骤（3）计算出的m个相似度进行排序，选出k个最大值，作为X的近邻；

（5）根据公式（2）收集这k个最近邻的类别，

公式（2）中X表示测试样本，sim（X，di）为相似度计算公式，y（di，Cj）为类别属性函数，即如果di属于类别Cj，那么函数值为1，否则为0。

（6）对步骤（5）计算出的值排序，将测试样本分到值最大的类别中去。

3 工程实例

3．1 实例模型

本次工程实例根据云南黑冲沟特大桥全桥作为原型建立，使用的数据是由桥梁实验室的缩尺模型上建立的监测系统收集到的，原型立面图（见图2）。

试验获得以下三种工况的加速度时间序列：工况一，跨中无裂缝，模拟无损伤情况；工况二，跨中具有0．1mm裂缝，模拟有损伤情况；工况三，跨中有0．12mm＋0．03mm两条裂缝情况，模拟损伤加剧情况。

根据本次动力学试验的研究目的，确定试验的主要测试内容为模型结构关键部位加速度，该测试项目可采用压电加速度传感器进行量测，采用重锤敲击的方式，给模型提供激励，来模拟完成脉动试验，采样频率为18．8Hz，在激振器开始激振5s后进行采样，采样时间为50s，获取各个测点的加速度数据，特征选择方法采用文档频率，k取30。

3．2 文档预处理

本次工程实例的样本数据是通过缩尺模型重锤敲击获取的加速度数据，监测系统收集了不同工况下的监测数据，对损伤前即健康状况，损伤后0．1mm裂缝和损伤加剧0．12mm＋0．03mm裂缝进行样本数据训练分析，获取不同的损伤情况下各个监测点的分类情况，得出每个监测点的损伤情况，实验选定0．12mm＋0．03mm两条裂缝情况下采用小车激励的方式获取该工况下的加速度时程信号作为待分类数据，通过对监测数据的分类，判定其是否存在损伤。

待分类文档节点中，WCDMapper继承hadoop平台的Mapper类，并重写map方法对待分类文档进行读取，并统计每个词出现的次数；WCDReducer继承hadoop平台的Reducer类，并重写reduce方法对待分类数据进行写操作。WCDMapper类的map方法和WCDReducer类的reduce方法分别如下，处理后的待分类文档如图3所示，前面一个是数据，后一个数字是该数据出现在待分类文档的次数。后面的原始文档经过预处理后也与此相似。

由于MapReduce只输出一个结果，而每个原始文档都采用MapReduce处理会增加代码量和内存的消耗，所以本文采用Hadoop平台提供的FileSystem、FSDataInput－Stream、FSDataOutputStream类来对原始文档进行相应的读写，最后输出到文档中的内容与图4．2相似，而文件读取方式不同。最后需要将它们合并到一个文档中，采用Hadoop平台提供的FileSystem、FSDataInputStream、FSDataOutputStream类来对文件进行读写。输出的matrix文件如图4．3所示，每一行的第一个数为监测的数据，后面的数字为该数据在每个文档中出现的次数。

3．3 特征选择

根据上一步得到的文件，计算每个数据的增益值，对每一个数据的信息增益进行从大到小排序，最后把增益值最大的个特征项输出到文件。本次设计中选取的为100，输出到文件的内容如图5所示，每一行只显示1个数据。

3．4 文档向量化

原始文档和待分类文档都需要向量化，原始文档向量化之后需要归一，而待分类文档向量化之后不需要归一，所以给他们分别提供了一个向量化的类。从文件中读入特征项。参数文件存储经过特征选择后剩下的特征项。

原始文档经过向量化之后，输出到每个文档的内容不一样，图6是文档名为0向量化后的部分内容。待分类文档的向量化后不需要归一化，输出到文档的内容如图7所示。

3．5 分类

此步骤计算原始文档和待分类文档向量两个向量的夹角的余弦。最后的绝对值越大，说明夹角越小，越相似，距离越近。在训练文本集中选出与新文本最相似的个文本，这个文档中属于哪一类的文档最多，则待分类的文档就属于哪一类。map（ ）方法获取待分类文档的向量，reduce（ ）方法输出结果到文件中。分类的结果表示待分类的文档属于哪一类，也即是该监测数据来源的监测点的损坏情况属于哪一类。本次实验选定0．12mm＋0．03mm两条裂缝情况，采用小车激励的方式获取该工况下的加速度时程信号，数据分类结果如图8所示，该结果显示待分类的文档属于损伤0．1mm这一类。

3．6 结果分析

在上一步中已经获得了待分类文档分类的结果，此分类结果的数据只是监测数据的一部分，而且在分类中由于KNN分类的值选取没有较好的方法以及其他影响因素，获得的结果可能有误。因此将监测点传来的数据拆分到若干个带分类文档中，同时对这些文档进行分类。分类完成之后再对分类结果进行整合分析，获得最终的有效的结果即该监测点准确的损伤情况。Map（ ）方法读取各个待分类文档分类的结果，并对结果汇总加以分析，获得监测点数据最后的分类结果，reduce（ ）方法将最后的有效结果写入文件。最后的输出结果如图9所示。

综上所述，基于MapReduce编程模型的桥梁监测信息分类技术可以有效判别桥梁状态所属类别，由于HDFS将大数据分割成了若干个blocks存储在不同的节点上，这样KNN分类算法由一个主机的运算分散到多个节点并行处理，每个节点完成T个任务，时间复杂度为O（ns）／T，其中n为训练样本的总数，s为特征属性数模，应用HADOOP平台的分布式处理框架大大降低了算法的时间复杂度。

4 结论

本文针对桥梁健康监测系统历史数据无法有效利用，无法通过海量数据实时精确地监测评估桥梁结构状态的困难性，基于数据挖掘算法理论，提出了基于大数据的桥梁健康监测信息分类研究技术的革新，在Hadoop平台下运用KNN文本分类算法对桥梁结构缩尺模型加速度数据进行分类分析，采用分布式文件系统HDFS对监测数据进行存储和访问，应用Map／Reduce并行计算框架对桥梁各环境参数进行计算，将文件读写和分布式并行计算框架MapReduce相结合实现KNN文本分类，将监测点的监测数据分到已有的工况中，并据此判断监测点属于何种工况，实现了桥梁监测海量数据的存储、访问、分类以及桥梁结构健康状况的判别，Hadoop平台下的KNN算法实现了分布式并行计算，提高了算法运行时间效率，降低了时间复杂度，通过实验室缩尺模型实验验证了方法的有效性。

存在的不足之处是值的选择，值选择过小，得到的近邻数过少，会降低分类精度，同时也会放大噪声数据的干扰；而如果值选择过大，并且待分类样本属于训练集中包含数据数较少的类，那么在选择个近邻的时候，实际上并不相似的数据亦被包含进来，造成噪声增加而导致分类效果的降低。如何选取恰当的值也成为KNN的研究热点，尚需进一步改进。

参考文献

1 黄荷．大数据时代降临［J］． 党政论坛，2012（11）

2 金鹏． 基于Hadoop的SINN文本分类算法的设计与实现［D］． 武汉：华中师范大学硕士学位论文，2013

3 李登荣．文本分类及其相关技术研究［D］．复旦大学博士论文，2005

4 Samovsky M， Kacur T． Cloud－based classification of text documents using the Gridgain platform［C］． Applied Computational Intelligence and Informatics，2012（7）

5 Caruana G， Li M， Qi M． A MapReduce based parallel SVM for large scale spam filtering［C］． Fuzzy Systems and Knowledge Discovery， 2011 （4）

6 Viktor Mayer－Sch nberger．Big Data［M］．杭州：浙江人民出版社，2013（1）

7 （英）维克托·迈尔－舍恩伯格，肯尼思·库克耶著．大数据时代［M］． 北京：人民出版社，2012

8 向小军，高阳，商琳，等．基于Hadoop平台的海量文本分类的并行化［J］．计算机科学，2011（10）

9 （美）Tom White著． 周敏奇，王晓玲，金澈清，钱卫宁译． Hadoop权威指南（第2版） ［M］． 北京：清华大学出版社，2011

10 万川梅，谢正兰． 深入云计算：Hadoop应用开发实战详解［M］． 北京：中国铁道出版社，2013

11 张宁，贾自艳，史忠植．使用KNN算法的文本分类［J］．计算机工程，2005（6）

测算方法论文篇8

关键词 CTAA；程序设计；自动阅卷；软件测试

中图分类号：TP271 文献标识码：A 文章编号：1671-7597（2014）04-0037-01

科学技术在不断的发展，人类已经步入了信息化时代。目前，各个领域中都运用到了计算机技术，计算机教育也不例外。作为计算机教学中的一个重要的环节，计算机考试目前已经摒弃使用传统的测评方法，也就是纯人工的阅卷方法，使用计算机考试自动化测评。计算机考试自动化测评是一个新领域，目前的应用也比较广。使用该测评方法不仅节省了人力和物力，而且工作效率高，在公正性方面也就具有一定的优势。因此，计算机考试自动化测评已经成为一个研究热点。

1 计算机辅助测评概述

1.1 计算机辅助测评的特点

计算机辅助测评的一个新领域就是计算机考试自动化测评。而英国则是计算机辅助测评的发源地，早在20世纪90年代国外关于计算机辅助测评的研究就已经兴起，比如：有关机构连续召开了五届计算机辅助测评会议。但是，国内的研究比较落后一些，成果也不是很丰富。

计算机辅助测评指的是在教育评价和教育测试中使用计算机技术，来完成对学习者技能和知识的测试。计算机辅助测评具有以下几个特点：1）评价属于重复性的工作；2）针对评价可以提供比较确切的定义；3）以较快的速度提供反馈。因此，作为一种比较理想的工具，计算机辅助测评可以说是一次深刻的变革，无论是在评价方法、评价内容还是在评价形式上。

1.2 计算机辅助测评的分类

关于计算机辅助测评的分类不是很明确，因此显得比较混乱，这和分类标准没有得到明确具有很大的关系。笔者在分析后，得出以下分类体系：1）传递测评内容的手段：基于WEB的在线测评、基于试卷的（Paper-Based）测评以及基于计算机的（Computer-Based）测评；2）测评内容：对技能水平的测评、对知识水平的测评；3）理论依据：基于项目反应理论的测评、基于经典测试理论的测评；4）测评题型：使用非客观题的测评、使用客观题的测评。

2 计算机考试自动化测评的理论基础及其应用的一般原则

目前，CAA的一个重要的研究领域是计算机考试自动化测评（CTAA）。CTAA的本质在对学习者谢绝评价时，将计算机技术引入到其中，这样评价的准确性和效率都会得到提高。

2.1 理论基础

项目反应理论是计算机考试自动化测评的理论基础，此外也使用到了非线性概率模型。

项目反应理论的主要观点是：被测试者在测试的过程中会受到心理物质的支配，因此该物质和测评结果之间存在一种关系，这种关系我们可以用“项目反应特性曲线”来表示。目前，关于项目特征曲线的数学函数比较多，但是使用比较广，获得广泛认可的是单线逻辑斯蒂型，其是由伯恩鲍姆提出的。单线逻辑斯蒂型的表述方式是：，其中：a，b，c属于标识项目的质量参数，而字母Q则表示被试的能力特质。该理论可以对经典测试理论的缺点进行克服，但是也存在一些弊端，比如对高质量试题的依赖度比较强。

2.2 一般原则

能力和技术的测评一般离不开一定的情境。一般情况下，如果让被测试者处于实际情境下去完成指定的任务，那么考核的可信度就比较好。但是，实际情况下只能在模拟的环境下操作和进行，这与以下因素有着很大的关系：评判难度、实现代价以及安全性等。

得到足够的信息是对考生进行准确评价的一个基础和前提，这个过程中涉及到操作结果信息和操作进程信息。假如结果可以百分之百的反映操作是不是正确，那么只要获取结果信息。否则，获取过程信息就需要依靠监测操作过程体积自动跟踪。和真实的情境对比，如果处于模拟情境中时，获得信息就会比较容易简单和容易，但是，要求行为、外观和过程和真实环境接近是比较困难的。

在获取到有关的信息后名，需要进行以下操作：分析、归类以及预处理，之后，需要和标准答案进行匹配和比较，这样就可以做出综合评价。匹配不全是精确的，因此在大多数情况下需要使用和最大近似匹配的办法。

2.3 计算机考试自动化测评的一般模型

技能的一个重要的特点就是实践性。因此，无论是技能在实践中涉及到的各个实体还是相互作用都要进行考察。

系统建模包括两个步骤：1）理论建模。对技能自动测评的信息加工过程进行深入细致的分析。而测评系统主要包括以下几个部分：交互过程信息的形式化表示、评价部件、相关知识库的建造、交互过程信息的获取；2）行为建模。行为建模主要是构建虚拟仿真环境，该环境的交互性比较强。

技能测评的类型不同，那么在获取交互过程信息的技术方面就具有很大的差异性。由于技能测评环境的建立基础是仿真系统，因此当我们需要获取交互信息时就具有一定的困难。因此，在真实系统下的技能测评，需要做的工作是：开发获取交互过程信息的部件，并将这些部件放到目前的系统之中，因此难度也是比较大的。而仿真系统是开发者从测评的需要出发而研制的，那么系统中的所有操作都可以被系统监测和记录，因此在对交互过程信息进行获取时就没有难度。

3 C语言程序设计自动测评系统分析与设计

3.1 系统需求分析

我们从课程考核的要求出发，发现C语言程序的考察内容主要有以下几个方面：指针、结构、基本语句、数据类型和运算、数组的定义和使用、函数、循环结构程序设计、文件操作等。在测试的题型上，我们可以选择判断、选择以及填空等。对于考生答案和标准答案，需要使用特定的字段将其保存到试题库和系统的标准答案库之中。

3.2 系统功能要求分析

系统模块结构见图1。

关于语言程序设计自动测评系统实现关键技术。程序测评中的软件测试技术程序测评中的软件测试技术有：静态测试、动态测试、黑盒测试与白盒测试。

4 结束语

笔者从计算机辅助测评概述、计算机考试自动化测评的理论基础及其应用的一般原则、C语言程序设计自动测评系统分析与设计三个方面出发，对计算机语言程序设计自动测评系统进行了分析和探讨，希望对大家有所帮助。

图1 系统模块结构

测算方法论文篇9

一、电算化会计条件下的审计程序

按照《审计法》的规定,一般审计程序可分为四个阶段,即准备阶段、实施阶段、审计结论和执行阶段、异议和复审阶段。电算化会计审计也可分为这四个阶段,同时结合自身的特殊要求,运用本身特有的方法,对电算化会计系统进行评价。

(一)准备阶段。在此阶段主要是初步调查被审计单位会计电算化系统的基本状况,并拟定科学合理的计划。一般包括以下主要工作。

1.调查了解被审计单位电算化系统的基本情况,如电算化系统的硬件配置,系统软件的选用,应用软件的范围,网络结构,系统的管理结构和职能分工、文档资料等。2.与被审计单位签订审计业务约定书,明确彼此的责任、权利和义务。3.初步评价被审计单位的内部控制制度,以便确定符合性测试的范围和重点。4.确定审计重要性、确定审计范围。5.分析审计风险。6.制定审计计划。在审计计划中除了对时间、人员、工作步骤及任务分配等方面作出安排以外,还要合理确定符合性测试、实质性测试的时间和范围,以及测试时的审计方法和测试数据。

如果要安排利用计算机辅助审计,则还需列出所选用的通用软件或专用软件。对于复杂的电算化系统,也可聘请专家,但必须明确审计人员的责任。

(二)实施阶段。实施阶段是审计工作的核心,也是电算化审计的核心。主要工作是根据准备阶段确定的范围、要点、步骤、方法,进行取证、评价,综合审计证据,借以形成审计结论,发表审计意见。实施阶段的主要工作应包括以下两个方面的内容。

1.符合性测试。进行符合性测试应以系统安全可靠性的检查结果为前提。如果系统安全可靠性非常差,不值得审计人员信赖,则应当根据实际情况决定是否取消内控制度的符合性测试,而直接进行实质性测试并加大实质性测试的样本量。在会计电算化系统的符合性测试项目中,主要内容应该是确认输入资料是否正确完整,计算机处理过程是否符合要求。如果系统安全可靠性比较高,则应对该系统给予较高的信赖,在实质性测试时,就可以相应地减少实质性测试的样本量。由于我国的电算化审计刚起步,还没有相应的法律法规,相应的具体审计准则也没有出台,所以目前情况下,可暂时以财政部颁发的有关会计电算化的工作规范、条例、办法等作为参照,并以此作为符合性测试的主要内容。

2.实质性测试。实质性测试应该是对被审计单位会计电算化系统的程序、数据、文件进行测试,并根据测试结果进行评价和鉴定。进行实质性测试须依赖于符合性测试的结果,如果符合性测试结果得出的审计风险偏高,而且委托人有利用会计电算化系统进行舞弊的动机与可能,并且委托人又不能提供完整的会计文字资料,此时注册会计师应考虑对会计报表发表保留意见或拒绝表示意见的审计报告。进行实质性测试时,可考虑采用通过计算机和利用计算机进行审计的方法,具体包括:a.“测试数据法”,就是将测试数据或模拟数据分别由注册会计师进行手工核算和被审计单位电算化系统进行处理,比较处理结果,作出评价;b.“受控处理法”,就是选择被审计单位一定时期(最好是12月份)实际业务的数据分别由注册会计师和会计电算化系统同时处理,比较结果,作出评价。

3.利用辅助审计软件直接审查会计电算化系统的数据文件。注册会计师可利用通用或专用审计软件直接在会计电算化系统下进行数据转换,数据查询,抽样审计,查账,账务分析等测试,得出结论,作出评价。

(三)审计结论和执行阶段

注册会计师对会计电算化系统,进行符合性测试和实质性测试后,整理审计工作底稿,编制审计报告时,除对被审单位会计报表的合理性、公允性、一贯性发表意见,作出审计结论外,还要对被审单位的会计电算化系统的处理功能和内部控制进行评价,并提出改进意见。

审计报告完成后,先要征求被审单位的意见,并报送审计机关和有关部门。审计报告一经审定,所作的审计结论和决定需通知并监督被审单位执行。

(四)异议和复审阶段

被审单位对审计结论和决定若有异议,可提出复审要求,审计部门可组织复审并作出复审结论和决定。特别是被审单位会计电算化系统有了新的改进时,还需组织后续审计。

二、电算化会计条件下的审计内容

电算化会计系统与手工会计系统不同,它是由会计数据体系,计算机硬件和软件以及系统工作和维护人员组成,所以电算化会计的审计内容与手工会计系统也存在着较大的差别。电算化会计审计的内容主要包括以下内容:

(一)对会计电算化系统的内部控制的审计。一方面是企业的内部控制能在多大程度上确保会计电算化系统中会计记录的正确性和可靠性,如输入、输出的授权控制,业务处理的审核等。另一方面是内部控制的有效执行能在多大程度上保护资产的完整性,通过以上两方面的评价,可以判断企业内部控制系统能在何种程度上防止或发现会计报表中的错误及经营过程的舞弊。

(二)对会计电算化系统的处理和控制功能的审计,也可称为对会计电算化系统程序的审计。会计电算化系统的核心就是会计软件,会计软件程序质量的高低,直接决定了会计电算化系统整体水平的高低,在这部分里主要审计会计软件程序对数据进行处理和控制的及时性、正确性和可靠性,以及程序的纠错能力和容错能力。会计软件程序的审计可采用通过计算机审计的方法及利用计算机辅助审计中的数据转换功能的方法来完成。

测算方法论文篇10

小电流接地电网单相接地故障线路的检出问题是一个工程技术难题[1]。单相接地故障电流微弱、测量不准确，故障状况复杂，加上现场的电磁干扰和工频负荷电流干扰，使检出的故障信号严重失真。这些不利因素综合作用，导致故障选线问题非常复杂。近年来，随着电缆线路的大量使用，很多10kV和6kV电网逐渐改造为消弧线圈接地方式。消弧线圈接地电网故障选线更加困难。国外对消弧线圈接地电网主要采用中性点投电阻以增大有功分量的选线方法[2]，但投入电阻的阻值过小会影响熄弧效果，过大则在高阻故障情况下选线灵敏度不够，而且这种方式操作较复杂，因此在国内很少采用。零序导纳选线方法[3,4]是建立在对零序电压、电流准确测量的前提下，若测量信号不准确，则选线可靠性仍不能保证。暂态量选线方法[5,6]由于所使用的暂态特征不确定，使该方法独立使用时存在死区。行波选线方法[7]利用故障零序电流行波特征进行选线，可以很好地解决故障选线问题并在实际中得到应用，但该方法需要MHz级的高速采样通道，成本较高。注入信号法在国内外均受到重视[8-10]，但注入何种信号、怎样注入、如何降低故障电阻影响等问题还有待解决。而且注入信号法需要复杂的设备。为充分利用多种故障信息，提高选线方法的准确性、可靠性和对故障状况的适应性，文献[11]提出一种应用D-S证据理论实现的融合选线方法，构造了暂态量工频幅值和工频相角的故障测度算法，但工频幅值和相位测度算法只适用于中性点不接地电网，对于消弧线圈接地电网不适用。消弧线圈接地电网选线可用的特征量较少，而且每种故障特征都不是很可靠。本文采用首半波、有功分量、暂态量作为选线特征量，提出一种综合利用这3种特征量实现的证据融合选线方法。这些特征量相对较明显，而且分别从不同方面反映消弧线圈接地电网故障线路与非故障线路的特征差异。有功分量是与首半波和暂态量不相关的独立特征量。而首半波信号是故障瞬间消弧线圈尚未起作用时的首个电流峰值，主要体现的是低频波峰，本文用电流首半波波峰值与该点电压变化率的符号进行合成来得到首半波故障测度，反映了故障容性回路上电流与电压超前关系的量。暂态量的使用是对各线路暂态信号小波分解系数逐点比较并累加，其中包括故障发生所引起的暂态，也包括故障电弧引起的高频不规则量。相对于行波而言，本文使用的信号对硬件要求较低，信号采样率每周波64点或12点即可。

2特征信号的故障测度构造故障测度（faultmeasures）是定义在[0，∞)上的实变量，用来描述一条线路依据某种特征所表现出疑似故障线路的程度度量。一条线路的故障测度越大，表明该线路越可能是故障线路。以下分析中使用的电流电压特征量均为零序量。

2.1首半波特征故障测度算法由于消弧线圈的惯性，单相接地故障后的短时间内消弧线圈来不及补偿线路的容性电流，会出现故障线路电流等于所有非故障线路电流之和且二者流向相反的特征，这种特征在故障后的第一个半波内最明显，通常称为首半波。利用首半波进行故障选线在早期的文献中已有提及，但由于首半波具有不确定性，而且在复杂的故障波形下准确找出首半波位置比较困难，因此首半波选线方法没有受到重视。对于消弧线圈接地电网，由于缺乏非常可靠的故障特征，首半波仍是一种可用的选线特征量。首半波特征故障测度算法构造如下：（1）设线路k故障电流瞬时值为i(k,tj)，对故障瞬间所有线路电流瞬时值求绝对值之和j(,)k∑ikt，找出相应的极值点，以该点作为首半波极值点，设极值点对应时刻为tm。用各线路电流之和来定位首半波，可保证各线路首半波位置的一致性，并能综合反映各线路首半波整体状况，定位准确性好。（2）由于故障回路是一个容性回路，在首半波电流极值点处，零序电压接近于零，但零序电压变化率的符号与非故障线路首半波电流极值的符号一致，与故障线路首半波电流极值的符号相反。因此采用电压变化率的符号对各线路首半波电流的符号按式（1）进行校正。校正后的首半波电流ic(k)具有故障线路符号为负、非故障线路符号为正，且数值上故障线路等于所有非故障线路之和的特点。cmmi(k)=sign(ΔU(t))i(k,t)（1）（3）线路k首半波特征故障测度算法定义为由式（2）可知，故障线路的首半波故障测度约等于2SA；对于非故障线路，其首半波电流越大则故障测度越小，越能表明该线路不是故障线路，对于首半波电流很小的线路其故障测度值分布在SA附近。由式（3）知，当线路故障时，母线的首半波故障测度约为SA，而母线故障时其首半波故障测度约为2SA。2.2有功分量故障测度算法发生单相接地故障时消弧线圈和线路都会消耗一定的有功功率，该有功功率由故障点经故障线路提供。因此故障线路中存在较大的有功分量，而非故障线路的有功分量仅为线路自身零序回路的有功损耗。作为量测量，设消弧线圈消耗的有功功率为P(x)，P(k)为线路k的零序有功功率，以母线流向线路为正方向。则线路k的有功分量故障测度按式（5）计算，母线的有功分量故障测度按式（6）计算。由式（5）和式（6）可知，对于非故障线路，其有功损耗越大，则测度值越小，越能表明该线路不是故障线路；故障线路的测度值约为2SP。在线路故障的情况下母线的故障测度约为SP，而母线故障时，其测度值约为2SP。

2.3暂态特征故障测度算法单相接地回路是一个容性回路，加上过渡电阻的不稳定特性，使故障量中含有丰富的暂态成分。小波变换是分析非平稳信号的有效工具，本方法采用db6小波做正交变换，按频段分解出暂态信号成分，计算过程如下：（1）以故障时刻为基准，取故障前2个周波和故障后4个周波的数据作为分析数据，对各线路电流进行小波分解，根据信号的采样率将信号分解到细节分量中不包含工频的尺度。第1尺度的信号由于干扰大、信噪比低，应剔除不用。（2）为使各尺度信号具备可加性，需将2尺度以下的细节分量重构到第2尺度，得到具有相同变换增益的细节系数d(k,j)，其中k为线路编号，j为离散点。（3）线路k的暂态量故障测度用Ft(k)表示，k=0表示母线，并令初值为零。对各条线路小波变换系数进行逐点比较计算，在各点处找出小波系数幅值最大的前3条线路，设相应的线路编号为p、q、r，按下列4种情况求出各线路暂态量故障测度：①若线路p的小波系数与线路q和线路r的小波系数异号，则线路p的故障测度按式（8）累加③若某点处只有线路p和线路q的小波系数不为零且二者异号，则2条线路故障测度分别按式④若满足阈值条件的线路只有1条，则只对该线路故障测度按式（13）累加对各有效尺度的小波系数按上述过程累积计算，得到最终的暂态量故障测度。

3基于D-S证据理论的融合选线

3.1证据理论融合选线算法信息融合是协同利用多源信息进行决策的理论方法，比仅利用单源信息获得更准确和更稳健的性能。证据理论是信息融合领域的重要方法，该理论提供了一种证据合成算法，将多个具体证据组合成一个抽象证据，该抽象证据综合了具体证据的信息，聚焦了具体证据的共同支持点[12,13]。

3.1.1建立识别框架证据理论的识别框架是一个集合，它包含一个判决问题中所有可能的判决结果或决策结论的基本元素。在选线问题中，最终结论就是指出哪一条线路是故障线路，所有线路包括母线就构成选线判决问题的识别框架。设电网共有N条出线，第k条线路命名为Lk，母线为L0，则识别框架为

3.1.2构造基本信度分配函数对于任意假设A?，基本信度分配函数m(A)用来表达依据某种特征信息对假设A的信任程度。信度分配函数需要满足两个条件：①m(Φ)=0,Φ若A?，则m(A)表示分配给假设A的信任程度；而m()则表示分配给不确定的信任程度。在单相接地故障选线问题中，可能的决策结论为：线路k是故障线路。因此A={Lk}，m({Lk})表示线路k为故障线路的信任程度。每一种故障特征构成一个证据体，每个证据体需要构建一个基本信度分配函数算法。本文中基本信度分配函数以故障测度为自变量，令m1(•)表示首半波特征基本信度分配函数，m2(•)表示有功分量基本信度分配函数，m3(•)表示暂态量基本信度分配函数。基本信度分配函数需要结合所解决的具体问题来构造，详见3.2节。

3.1.3证据组合令A(k)={Lk│k=0,1,2,…,N}表示线路k为故障线路的假设，可得到3组基本信度分配值：((0))1mA,((1))1mA,((2))1mA,…(())1mAN,1m()((0))2mA,((1))2mA,((2))2mA,…(())2mAN,2m()((0))3mA,3m(A(1)),((2))3mA,…(())3mAN,3m()证据组合的任务就是将依据各特征量得出的各线路为故障线路的基本信度值按证据组合规则进行组合，得出一组综合的信度值。在D-S证据理论中，证据组合规则按式（14）和式（15）进行。

3.2应用信息熵构造基本信度分配函数如上所述，证据理论的信度总量∑m(A)=1，其中m()为支持不确定的信度值，即无倾向地支持所有决策结果的信度，反映一个判决问题具有不确定性的程度。不确定的信度值越大，分配给可确定部分的信度就越小，则该特征在融合中的权重就越小。但本文采用的各特征量具有不同的属性，不能直接比较不确定性的大小。信息熵是度量一个事件具有不确定程度的定量算法，信息熵越大，表明事件的不确定程度越大。根据单相接地故障的特点，一种故障特征越可靠，故障线路与非故障线路的故障测度差异就会越大，表现出的信息熵值就越小，表明依据此故障特征的选线结果不确定性越小。因此可以利用信息熵来度量一种特征的不确定性。对于选线问题，测度值很小的线路肯定不是故障线路，但由于测度算法的原因仍会使这些线路具有一定的测度值，产生偏移量。为合理进行证据融合，以最小测度值为偏移量，将各测度值减去此偏移量，得到各线路修正后的测度值，用修正后的测度值进行证据融合选线。首先计算每条线路故障测度与总故障测度的.

4算例

4.1仿真分析应用EMTP进行单相接地故障仿真，仿真对象为10kV电网，中性点消弧线圈接地，5条出线，电缆和架空线混合，电网对地电容电流约为42A，消弧线圈容量250kVA，消弧线圈的有功损耗为15kW。算例中信号采样率为6.4kHz，即128点/周波。算例1：在线路2上设置A相故障，故障电阻为5Ω，故障时刻为相电压80°。算例2：在线路2上设置A相故障，故障电阻为500Ω，故障时刻为相电压80°。为说明证据融合选线的优势，对仿真数据中各线路零序电流叠加了0.3～0.5A的误差及不平衡工频电流和不大于0.1A的噪声干扰电流。算例3：线路2上设置A相故障，故障电阻为500Ω，故障时刻为相电压5°。对各线路零序电流叠加了与算例2相同的误差及不平衡电流和噪声干扰电流。计算各条线路修正后故障测度值见表1。由各线路的故障测度值计算基本信度分配值，结果列于表2，其中m对应的行是3种特征量的信度经D-S证据理论按式（14）、式（15）合成后的信度值。由故障样本信息熵决定的各种特征量的不确定信度值用m()表示，见表2。表1中对于算例1，3种判据均得出线路2的故障测度最大，说明本文构造的故障测度算法是正确有效的；对于算例2和算例3，由于加入了很大的干扰信号，故障测度值出现了不确定性，算例2中有功分量故障特征已失效，算例3中所有故障特征都失效。但由于本文采用对各线路的故障测度进行定量计算的办法，线路2的测度值虽不总是最大，但还是处于比较大的位置。而且由于使用不同特征量组成多个判据，最大测度值不会出现在同一条非故障线路上。表2表明，通过D-S组合，故障线路的基本信度分配值大幅增加，被极大地突出，而非故障线路的基本信度值被极大地削弱，不确定的信度值也得到了极大的削弱，使选线结果更加可靠准确。即使在算例3中各特征量均失效的情况下，经过证据理论的融合作用，仍能够正确选线。证据理论中信度分配关系具有多样性。对于本文应用证据理论实现故障选线问题，可用信度差值百分比来衡量信度分配函数的合理性，信度差值百分比是故障线路信度值与非故障线路最大信度值之差相对故障线路信度值的百分比。差值百分比越大表明故障线路能够更可靠地被识别出来，选线效果越好。为分析式（18）采用3次函数的合理性，对上述仿真算例分别用2次、3次和4次函数计算选线结果的信度差值百分比，结果为

4.2实际故障数据验证应用本文选线方法开发了单相故障选线保护装置，并在实际电网中得到应用。下图为该选线装置实录的某电网单相接地故障波形，该电网中性点消弧线圈接地，单母线分段接线，每段母线接有12条线路。故障发生在II段母线的线路7上。表3和表4分别给出该故障数据的故障测度和基本信度分配值。由表4看出融合后的信度值m(L7)为0.266，远大于其他线路的信度值，正确表明线路7为故障线路。