結合試驗的正確方法

① 實驗和推理相結合的科學研究方法

伽利略開創了近代自然科學研究的方法，即觀察、推理和實驗相結合的方法．其核心是將實驗和邏輯推理（包括數學推演）和諧的結合起來，其研究過程為：觀察現象、發現問題、提出假設、運用邏輯（包括數學推演）、通過實驗對推論或假設進行檢驗，進而得出正確的結論．
故答案為：伽利略；提出假設；實驗；檢驗．

② 如何結合實際上好科學實驗課

如何結合實際上好科學實驗課
如何科學、正確地上實驗課，是科學實驗課的前提。實驗課的目的是什麼呢？是培養和鍛煉學生的動手能力，學生的動手能力是怎樣獲得的，不是照葫蘆畫瓢就出來的。我認為要上好一節科學實驗課，必須注意以下幾點：
一、注重實驗導入
在小學階段，學生學習積極性取決於對學習內容的興趣。教師應該抓住學生的好奇心強，求知慾旺，遇到感興趣的問題總要弄個究竟的特點，選擇與教學內容相關的實驗，創設情境，激發學生的興趣，調動學生的學習主動性和積極性，明確實驗的目的，能自覺地投入學習中去。
二、注重做好實驗的准備工作。
課前准備工作是確保實驗順利完成的基礎。
1、教師做好「准備」實驗，有利於作好更充分的教學准備，有利於有針對性的指導學生，有利於預防各種失敗和事故，防止教學中的失誤。
2、有些實驗還要求學生配合，教師要做好課前准備。課堂上學生實驗人多、過程復雜或內容較多時，教師難以在短短的四十分鍾內對每一小組和學生進行指導，這時必須充分利用責任心強的助手和骨幹擔任小組長。同時也驗證了，實驗課的目的是培養和鍛煉學生的動手能力，學生的動手能力是怎樣獲得的，不是照葫蘆畫瓢就出來的。
三、注重實驗過程，鼓勵創新
實驗前，要讓學生明確實驗方法、步驟和注意事項。針對不同實驗，可以讓學生自己想辦法去研究，如果學生實在想不出的教師給予提示。實驗由學生自己設計，這對學生主動參與實驗研究是很有意義的。學生在獲取知識的過程中得到了磨練，也培養了學生實驗能力和邏輯思維能力。
四、注重引導學生得出實驗結論。
實驗報告是對實驗的一個階段性的總結。在這個環節中，教師不但要指導好學生正確填寫實驗報告，還要為後面的匯報交流做好准備。在分組實驗的過程中，一般的小組都會派語言組織能力較強的組員進行記錄，教會學生有條理地進行整理數據，多次訓練後學生就會掌握記錄方法。匯報交流可以使實驗得到進一步的深化。匯報交流是實驗課上的最後一道程序，是不可缺少的程序。在這個環節中結論不是從教師的口裡說出，是通過學生自己的口把它講出來的，學生各自發表自己在實驗中得到的結論，以及在實驗中的一些困惑。這樣有爭論、有探討的課堂，學生的思維得到了碰撞，知識的火花就會得以呈現。
總之，做實驗不是教給學生別人科學活動結果的科學事實，而是通過做科學來進行教育；不是試圖讓他們背誦科學結果的描述，而是讓他們了解結果是怎樣得到的，也就是在於通過引導學生親身經歷科學探究的過程，激發對科學的興趣，形成科學的態度和科學探究的能力。

③ 關於補體結合試驗，下列敘述正確的是

正確答案:A
解析：補體結合試驗中，當抗原抗體相對應時，發生特異結合，固著補體，加入紅細胞和溶血素後不發生溶血
。當抗原抗體不對應時,無特異性結合，補體呈游離狀態，加入紅細胞和溶血素後發生溶血
。

④ 不同分類器結合方法進行遙感數據分類的實驗

通過多分類器結合的方法提高分類精度的程度依賴於各分類器分類表現的獨立性，當分類器用獨立的特徵集訓練或用獨立的訓練數據訓練時，分類器之間被認為是獨立的（Xu et al.，1992）。可以預見，當用多源遙感數據進行分類或用完全不同的特徵（如光譜特徵和各種紋理特徵）參與訓練分類器時，分類器具有很高的獨立性；對於一般的多光譜數據而言（如Landsat TM數據），如何通過不同波段結合，既保證單個分類器一定的分類精度，又使各種波段結合方式下的特徵具有較高獨立性，並不是一件容易的事。

下面利用美國Lanier湖區的Landsat TM數據土地覆蓋分類為例，比較抽象級的多分類器結合方法和測量級的多分類器結合方法。

一、抽象級的投票多分類器結合實驗

在抽象級的投票方法進行多分類器結合分類時，參數α的選取對分類精度有很大影響。α越大，分類精度越高，但同時分類的拒絕率也越高，即更多的像元被判別為未知像元。為便於比較，我們在投票決策過程中強制將每個像元分類到已知類別，也就是說，不設定α，而將像元分類為票數最多的類別。

參與分類器結合的各分類器包括最大似然分類器（MLC），最小距離分類器（MinD）、K-NN分類器，馬氏距離分類器（MaD）和多層感知器神經網路分類器（MLP）。

1.相同特徵集訓練的多分類器抽象級結合

相同特徵集訓練的多分類器抽象級結合方式如圖5-3所示。

圖5-3 相同特徵集的抽象級多分類器結合示意圖

圖5-3中B1，B2，…B5 表示 Landsat TM 多光譜遙感數據中的波段 1 至波段5。圖5-4為參與投票的各分類器的分類結果圖。表5-2是根據各分類器分類結果的誤差矩陣計算的總體分類精度，生產者精度，用戶精度以及條件 Kappa系數。本文第二章詳細介紹了基於誤差矩陣的各精度指標計算方法。可以看出，雖然各分類器的總體精度差別不大，但對各個類別的分類精度差別很大，特別是農地與草地、針葉林與闊葉林，以及城鎮與裸地、裸地與雲的區分方面。無論是生產者精度，用戶精度、還是條件Kappa系數，每個分類器對不同類別的分類精度差別都很大。每一類別分類精度最高的分類器各不相同。

圖5-5是由圖5-3 所示的分類器結合方式，用相同的特徵訓練各分類器，用投票法進行抽象級的分類器結合生成的分類結果。表5-3是用相同特徵訓練的分類器在抽象級結合後的分類精度。與表5-2 中的結果比較可以看出，將多分類器結合後，對於單個類別的分類精度，無論是生產者精度、用戶精度還是條件Kappa系數，都不會高於單個分類器分類精度中的最高精度，但多分類器結合後的總體分類精度和Kappa系數都高於任何單個分類器的總體分類精度和Kappa系數。總體精度比單個分類器提高 6%～9%，Kappa 系數提高 7%～10%。

圖5-4 各分類器的分類結果

表5-2 分類器系統中各分類器的分類精度

圖5-5 相同特徵訓練的多分類器抽象級結合分類結果

表5-3 相同特徵訓練的多分類器抽象級結合分類結果精度評價

2.不同特徵集訓練的多分類器抽象級結合

在多分類器結合過程中，一般總希望參與結合的各分類器之間具有獨立性。理論上，對於兩個類別分類的情況，假設有奇數個分類器且分類精度相同，則將這奇數個分類器在抽象級結合後總的分類精度服從一個二項式分布，分類器越多，分類精度越高。這時當單個分類器精度高於50%時，單個分類器之間獨立可得到更高的結合後的分類精度（Kuncheva et al.，2000）。Kuncheva（2000）的實驗研究表明相互不獨立的多分類器結合仍然可以顯著提高分類精度。

獨立的分類器一般是指由獨立的特徵訓練的分類器。因此分類器的獨立性的評價常常是對分類器訓練特徵之間獨立性的評價。對於多光譜遙感數據分類來說，不同的波段組合形成不同的訓練特徵，因此希望不同的波段組合形成的特徵之間具有獨立性。

分類器之間的獨立性一般是指由獨立的特徵訓練的分類器。因此分類器的獨立性的評價常常是對分類器訓練特徵之間獨立性的評價。對於多光譜遙感數據分類來說，不同的波段組合形成不同的訓練特徵，而各特徵具有獨立性。

我們利用不同的組合分別對最大似然分類器、最小距離分類器、多層感知器神經網路、馬氏距離分類器和K-NN分類器進行訓練。訓練特徵的波段組合為 234，345，457 三種組合方式。每個分類器分類結果通過投票決策方法結合得到最後的分類結果。不同特徵集訓練的多分類器抽象級結合分類過程如圖5-6所示。分類結果如圖5-7。

圖5-6 不同特徵集訓練的多分類器抽象級結合示意圖

表5-4為不同特徵集訓練的多分類器抽象級結合分類結果的精度統計。與表5-3中相同特徵集訓練的多分類器抽象級結合分類結果精度對比可以發現，兩者的分類精度非常接近，後者的分類精度並沒有高於前者，相反略低於前者。造成這種情況的原因大概有兩方面：一是 TM圖像各波段之間具有較高的相關性，不同的特徵（波段組合）如234與345，345與457之間也有較高的相關性，因此各特徵之間的獨立性不高；二是為了使各分類器訓練特徵不同而使各特徵的波段數減少，導致某些分類器的分類精度降低，因此結合後的總體分類精度雖然高於單個分類器，但並不比用相同特徵訓練的多分類器結合後的分類精度高。

圖5-7 不同特徵訓練的多分類器抽象級結合分類結果

表5-4 不同特徵訓練的多分類器抽象級結合分類結果精度評價

二、測量級的多分類器結合實驗

測量級的多分類器結合也是多分類器結合的常用方式。測量級的分類器結合方式是根據分類器各輸出的一系列說明像元屬於各類別的程度測量值（如後驗概率），以一定方式結合各分類器，用結合後的測量值作為判別像元類別的依據。很顯然，分類器在分類過程中輸出的說明像元屬於各類別程度的測量值，包括後驗概率估計、距離測量等，正是分類不確定性度量的基礎。因此，測量級的多分類器結合可以理解為以各單個分類器不確定性為基礎的多分類器結合。

本實驗中，我們分別用 TM遙感數據的 12345 波段對最大似然分類器、多層感知器神經網路、最小距離、馬氏距離四個分類器進行訓練並分類。最小距離和馬氏距離分類器輸出的距離像元到個類別中心的距離測量通過式（5-11）轉換為「概率測量」。各分類器的測量值按照式（5-9）中的 Bayesian 平均方法結合並以式（5-10）確定最終的分類結果。圖5-8給出了用 Bayesian平均方法進行測量級多分類器結合的過程示意圖。圖5-9為用測量級的多分類器結合方法分類的 Lanier湖區土地覆被圖。表5-5 為 Bayesian平均法測量級多分類器結合分類結果精度統計。可以看出，測量級的多分類器結合的總體分類精度比單個分類器的總體分類精度提高約4%～9%，Kappa系數提高5%～8%；和抽象級的多分類器結合分類精度比較（表5-3，表5-4），測量級的多分類器結合的分類精度略低於抽象級結合的分類精度。

圖5-8 Bayesian平均法進行測量級多分類器結合示意圖

由於在測量級的多分類器結合分類過程中，分類器的結合是在最大似然分類和多層感知器神經網路分類的後驗概率以及最小距離和馬氏距離分類的距離測量等基礎上進行，而這些測量正是本文第二章中像元尺度分類不確定性表達的基礎，因此，在用 Bayesian平均法進行測量級的多分類器結合的過程中，經Bayesian平均後的測量就相當於最大似然分類中的後驗概率。這樣，就可以用本文第二章中的不確定性指標方便地在像元尺度表達測量級分類器結合分類結果的不確定性。

圖5-9 測量級的 Bayesian平均法多分類器結合分類結果

表5-5 Bayesian平均法進行測量級多分類器結合的分類結果精度評價

圖5-10和圖5-11分別為用 Bayesian 平均法進行測量級的多分類器結合分類後分類結果的概率殘差和相對概率熵。可以看出，較大的不確定性主要發生在城鎮與開發用地、裸地和雲之間，以及草地和農地之間。較小的不確定性主要發生在水體和闊葉林。與圖4-4和圖4-7 表達的最大似然分類的不確定性比較可以看出，用 Bayesian平均法進行測量級多分類器結合分類的不確定性大於最大似然的分類不確定性。因此，雖然測量級多分類器結合的分類結果用誤差矩陣的統計結果評價時，精度比單個分類器分類結果高，但每個像元分類的不確定性卻不一定低於每一個單個分類器分類結果的不確定性。這也證實了：基於誤差矩陣的方法和基於概率矢量的方法反映不同方面的不確定性信息。將某一像元「分類正確」，並不保證將這個像元分類為該類別的確定性很高；同樣，某一像元分類的不確定性很低，也並不保證該像元被「正確分類」。

圖5-10 Bayesian平均法測量級多分類器結合分類結果的概率殘差

圖5-11 Bayesian平均法測量級多分類器結合分類結果的相對概率熵

三、不同分類器結合方法比較

從以上的分類實驗可以看出，抽象級的多分類器結合與測量級的多分類器結合方法都能比較顯著地提高遙感數據的分類精度，但不同結合方法各有優缺點。

抽象級多分類器結合方法的優點在於對參與結合的分類器的特性沒有要求。由於結合是在最終的分類結果基礎上進行，因此任何分類器，包括專家系統分類器、語義分類器等都可以參與抽象級的多分類器結合。但是對與抽象級的分類器結合，為保證投票決策過程中不發生兩個或多個類別「得票」相等的局面，必須要求有奇數個分類器參與分類器結合。但是，抽象級分類器結合的分類結果的不確定性無法在像元尺度上表達。

相反，測量級的多分類器結合方法的缺點在於參與分類器結合的各分類器在分類過程必須能夠進行不確定性的度量（如後驗概率），因此像平行六面體分類、專家系統分類器以及各種語義分類器等不能參與測量級的多分類器結合。但測量級的分類器結合對參與結合的分類器的個數沒有要求，因為測量多級分類器系統最終的分類決策根據像元屬於各類別的程度的測量，而不是將像元分類為某一類別的分類器的個數進行的。測量級多分類器結合進行分類的另一個重要的優點在於其分類結果的不確定性便於在像元尺度上表達。

⑤ 結合力試驗

用拉神儀 得出材料 的機械性能也就是結合力

⑥ 蛋白和DNA結合的實驗方法

（1）基因的表達水平用northern
blot吧，從氨基酸序列逆推cDNA做探針。
（2）構建一個載體，上面有編碼不同結構域的DNA和LacZ激活子DNA，形成不同的domain和LacZ激活子的activation
domain融合蛋白。然後LacZ操縱子後面加個報告基因。如果是某個domain有結合功能的話，報告基因就會表達。
（3）反向遺傳學方法，用定點誘變直接突變掉相應的基因，獲得攜帶一個突變的小鼠。然後通過雜交獲得雙突變的小鼠，看看它和正常的小鼠有不同。

⑦ 測試方法有哪些

1、白盒測試：又稱為結構測試或邏輯驅動測試，是一種按照程序內部邏輯結構和編碼結構，設計測試數據並完成測試的一種測試方法。

2、黑盒測試：又稱為數據驅動測試，把測試對象當做看不見的黑盒，在完全不考慮程序內部結構和處理過程的情況下，測試者僅依據程序功能的需求規范考慮，確定測試用例和推斷測試結果的正確性，它是站在使用軟體或程序的角度，從輸入數據與輸出數據的對應關系出發進行的測試。

3、灰盒測試：是一種綜合測試法，它將「黑盒」測試與「白盒」測試結合在一起，是基於程序運行時的外部表現又結合內部邏輯結構來設計用例，執行程序並採集路徑執行信息和外部用戶介面結果的測試技術。

4、靜態測試：指不運行被測程序本身，僅通過分析或檢查源程序的語法、結構、過程、介面等來檢查程序的正確性。

5、動態測試：是指通過運行被測程序，檢查運行結果與預期結果的差異，並分析運行效率、正確性和健壯性等性能指標。

⑧ 如何來做配體受體的結合實驗

衡量受體的存在一個主要標志是受體的飽和性，即繪制出特異性結合的飽和曲線。原理是根據活性物質與標記的活性物質競爭同一受體的原理測定活性物質和含量，屬飽和分析法一類。實驗中總結合減去非特異就是特性結合，然後繪制出飽和曲線和競爭曲線，算出Bmax和Kd值。
要注意的是放射性標記的配體要純

⑨ 補體結合試驗是

正確答案:E
解析：補體結合試驗有五種成分參與反應，分屬三個系統：反應系統、補體系統和指示系統，可檢測抗原或抗體，不出現溶血為補體結合試驗陽性
。

⑩ 如何提高預試驗的准確性和靈敏度在具體操作中應注意哪些問題

研究生在開題前，或者我們准備進行一個新的研究題目和申請基金前，一般都需要進行預試驗。我最近發現，有不少研究生甚至一些導師對預試驗都存在一定誤解，有的不重視預試驗，有的認為預試驗就是全部試驗的壓縮版，這些都是不了解預試驗的一些具體體現。那麼到底什麼是預試驗，預試驗的作用是什麼，如何設計預試驗，就需要我們這些老傢伙嘮叨幾句，以幫助大家在這個。
所謂預試驗，就是在正式開展試驗之前，按照研究設計的方案做一個小樣本的試驗，但是主要的目的不在於得出什麼結論，而是為了摸索條件，看試驗是否可行。這個是網路上的定義，但我認為這個定義提出了預試驗重要作用，就是能在進行正式實驗前確定課題的可行性，但沒有給出具有的操作原則，有誤導的嫌疑，而且這個定義只是預試驗的一種，對開展流行病學調查比較可行，但不適用於其他類型的研究，如對一些葯物學疾病機制等方面的試驗，就不一定是好的描述。我下面主要結合一些具體實例來談談如何開展預試驗的原則。如有不同看法，希望提出來討論交流。
預試驗的第一原則，重要性原則。重要性原則是指應該選擇關鍵性試驗，關鍵性試驗是能對你提出的假說產生最重要的支撐作用。設想一下，你獲得這個關鍵數據就意味著你將來試驗成功達到80%，你會怎麼激動，因此第一原則也可以說是激動原則。例如我們在進行氫氣治療腦缺血治療效果的試驗中，我們把腦梗死體積作為判斷效果的最重要依據，也把這個試驗作為預試驗，當學生確定了這個發現時，我們當時的心情是非常激動的。因為這意味著我們有了新的發現，後來的實驗只不過是為圍繞這個的豐富和再確認而已。
預試驗的第二原則，經濟原則。如果一個試驗很難實現，作為預試驗就不太理想，無論困難是在技術層面，還是在經費層面，難實現的試驗都不適合作為預試驗。例如，我們把自噬作為說明氫氣治療腦缺血效果的評價指標，但自噬的研究方法有許多，例如可以用電子顯微鏡觀察，也可以用熒光組織化學來標記重要蛋白。在選擇預試驗的時候，我們一般選擇採用組織化學方法作為預試驗內容。主要考慮到相對比較實惠便宜。值得慶幸的時候，一般情況下，越是經典的試驗越是便宜，而越能說明問題。例如判斷葯物效果很多情況下採用常規的HE染色就是一個非常便宜而且可靠的硬指標。
預試驗的第三原則，靈活性原則。選擇什麼試驗為預試驗，最好是結合本實驗室的條件和積累，例如要判斷某一個蛋白分子是否有改變，可以用基因表達水平、可以用蛋白含量、也可以用該蛋白的活性來表示，如果本實驗室已經建立了其中一種條件，就拿來直接使用，雖然不一定符合前面兩個原則，但這樣更容易實現，而且有更容易獲得熟悉試驗方法老師幫助、取得的結果可靠性、分析數據的客觀性和更多相關既往試驗結果作可參考等優點。
在充分考慮的前提下再著手試驗總是開展科學研究的重要原則，就是先動腦再動手原則。不同的研究類型和目的對設計預試驗要求是不同的，研究生在開展預試驗前，也要認真分析課題進行仔細設計。