结合试验的正确方法

① 实验和推理相结合的科学研究方法

伽利略开创了近代自然科学研究的方法，即观察、推理和实验相结合的方法．其核心是将实验和逻辑推理（包括数学推演）和谐的结合起来，其研究过程为：观察现象、发现问题、提出假设、运用逻辑（包括数学推演）、通过实验对推论或假设进行检验，进而得出正确的结论．
故答案为：伽利略；提出假设；实验；检验．

② 如何结合实际上好科学实验课

如何结合实际上好科学实验课
如何科学、正确地上实验课，是科学实验课的前提。实验课的目的是什么呢？是培养和锻炼学生的动手能力，学生的动手能力是怎样获得的，不是照葫芦画瓢就出来的。我认为要上好一节科学实验课，必须注意以下几点：
一、注重实验导入
在小学阶段，学生学习积极性取决于对学习内容的兴趣。教师应该抓住学生的好奇心强，求知欲旺，遇到感兴趣的问题总要弄个究竟的特点，选择与教学内容相关的实验，创设情境，激发学生的兴趣，调动学生的学习主动性和积极性，明确实验的目的，能自觉地投入学习中去。
二、注重做好实验的准备工作。
课前准备工作是确保实验顺利完成的基础。
1、教师做好“准备”实验，有利于作好更充分的教学准备，有利于有针对性的指导学生，有利于预防各种失败和事故，防止教学中的失误。
2、有些实验还要求学生配合，教师要做好课前准备。课堂上学生实验人多、过程复杂或内容较多时，教师难以在短短的四十分钟内对每一小组和学生进行指导，这时必须充分利用责任心强的助手和骨干担任小组长。同时也验证了，实验课的目的是培养和锻炼学生的动手能力，学生的动手能力是怎样获得的，不是照葫芦画瓢就出来的。
三、注重实验过程，鼓励创新
实验前，要让学生明确实验方法、步骤和注意事项。针对不同实验，可以让学生自己想办法去研究，如果学生实在想不出的教师给予提示。实验由学生自己设计，这对学生主动参与实验研究是很有意义的。学生在获取知识的过程中得到了磨练，也培养了学生实验能力和逻辑思维能力。
四、注重引导学生得出实验结论。
实验报告是对实验的一个阶段性的总结。在这个环节中，教师不但要指导好学生正确填写实验报告，还要为后面的汇报交流做好准备。在分组实验的过程中，一般的小组都会派语言组织能力较强的组员进行记录，教会学生有条理地进行整理数据，多次训练后学生就会掌握记录方法。汇报交流可以使实验得到进一步的深化。汇报交流是实验课上的最后一道程序，是不可缺少的程序。在这个环节中结论不是从教师的口里说出，是通过学生自己的口把它讲出来的，学生各自发表自己在实验中得到的结论，以及在实验中的一些困惑。这样有争论、有探讨的课堂，学生的思维得到了碰撞，知识的火花就会得以呈现。
总之，做实验不是教给学生别人科学活动结果的科学事实，而是通过做科学来进行教育；不是试图让他们背诵科学结果的描述，而是让他们了解结果是怎样得到的，也就是在于通过引导学生亲身经历科学探究的过程，激发对科学的兴趣，形成科学的态度和科学探究的能力。

③ 关于补体结合试验，下列叙述正确的是

正确答案:A
解析：补体结合试验中，当抗原抗体相对应时，发生特异结合，固着补体，加入红细胞和溶血素后不发生溶血
。当抗原抗体不对应时,无特异性结合，补体呈游离状态，加入红细胞和溶血素后发生溶血
。

④ 不同分类器结合方法进行遥感数据分类的实验

通过多分类器结合的方法提高分类精度的程度依赖于各分类器分类表现的独立性，当分类器用独立的特征集训练或用独立的训练数据训练时，分类器之间被认为是独立的（Xu et al.，1992）。可以预见，当用多源遥感数据进行分类或用完全不同的特征（如光谱特征和各种纹理特征）参与训练分类器时，分类器具有很高的独立性；对于一般的多光谱数据而言（如Landsat TM数据），如何通过不同波段结合，既保证单个分类器一定的分类精度，又使各种波段结合方式下的特征具有较高独立性，并不是一件容易的事。

下面利用美国Lanier湖区的Landsat TM数据土地覆盖分类为例，比较抽象级的多分类器结合方法和测量级的多分类器结合方法。

一、抽象级的投票多分类器结合实验

在抽象级的投票方法进行多分类器结合分类时，参数α的选取对分类精度有很大影响。α越大，分类精度越高，但同时分类的拒绝率也越高，即更多的像元被判别为未知像元。为便于比较，我们在投票决策过程中强制将每个像元分类到已知类别，也就是说，不设定α，而将像元分类为票数最多的类别。

参与分类器结合的各分类器包括最大似然分类器（MLC），最小距离分类器（MinD）、K-NN分类器，马氏距离分类器（MaD）和多层感知器神经网络分类器（MLP）。

1.相同特征集训练的多分类器抽象级结合

相同特征集训练的多分类器抽象级结合方式如图5-3所示。

图5-3 相同特征集的抽象级多分类器结合示意图

图5-3中B1，B2，…B5 表示 Landsat TM 多光谱遥感数据中的波段 1 至波段5。图5-4为参与投票的各分类器的分类结果图。表5-2是根据各分类器分类结果的误差矩阵计算的总体分类精度，生产者精度，用户精度以及条件 Kappa系数。本文第二章详细介绍了基于误差矩阵的各精度指标计算方法。可以看出，虽然各分类器的总体精度差别不大，但对各个类别的分类精度差别很大，特别是农地与草地、针叶林与阔叶林，以及城镇与裸地、裸地与云的区分方面。无论是生产者精度，用户精度、还是条件Kappa系数，每个分类器对不同类别的分类精度差别都很大。每一类别分类精度最高的分类器各不相同。

图5-5是由图5-3 所示的分类器结合方式，用相同的特征训练各分类器，用投票法进行抽象级的分类器结合生成的分类结果。表5-3是用相同特征训练的分类器在抽象级结合后的分类精度。与表5-2 中的结果比较可以看出，将多分类器结合后，对于单个类别的分类精度，无论是生产者精度、用户精度还是条件Kappa系数，都不会高于单个分类器分类精度中的最高精度，但多分类器结合后的总体分类精度和Kappa系数都高于任何单个分类器的总体分类精度和Kappa系数。总体精度比单个分类器提高 6%～9%，Kappa 系数提高 7%～10%。

图5-4 各分类器的分类结果

表5-2 分类器系统中各分类器的分类精度

图5-5 相同特征训练的多分类器抽象级结合分类结果

表5-3 相同特征训练的多分类器抽象级结合分类结果精度评价

2.不同特征集训练的多分类器抽象级结合

在多分类器结合过程中，一般总希望参与结合的各分类器之间具有独立性。理论上，对于两个类别分类的情况，假设有奇数个分类器且分类精度相同，则将这奇数个分类器在抽象级结合后总的分类精度服从一个二项式分布，分类器越多，分类精度越高。这时当单个分类器精度高于50%时，单个分类器之间独立可得到更高的结合后的分类精度（Kuncheva et al.，2000）。Kuncheva（2000）的实验研究表明相互不独立的多分类器结合仍然可以显着提高分类精度。

独立的分类器一般是指由独立的特征训练的分类器。因此分类器的独立性的评价常常是对分类器训练特征之间独立性的评价。对于多光谱遥感数据分类来说，不同的波段组合形成不同的训练特征，因此希望不同的波段组合形成的特征之间具有独立性。

分类器之间的独立性一般是指由独立的特征训练的分类器。因此分类器的独立性的评价常常是对分类器训练特征之间独立性的评价。对于多光谱遥感数据分类来说，不同的波段组合形成不同的训练特征，而各特征具有独立性。

我们利用不同的组合分别对最大似然分类器、最小距离分类器、多层感知器神经网络、马氏距离分类器和K-NN分类器进行训练。训练特征的波段组合为 234，345，457 三种组合方式。每个分类器分类结果通过投票决策方法结合得到最后的分类结果。不同特征集训练的多分类器抽象级结合分类过程如图5-6所示。分类结果如图5-7。

图5-6 不同特征集训练的多分类器抽象级结合示意图

表5-4为不同特征集训练的多分类器抽象级结合分类结果的精度统计。与表5-3中相同特征集训练的多分类器抽象级结合分类结果精度对比可以发现，两者的分类精度非常接近，后者的分类精度并没有高于前者，相反略低于前者。造成这种情况的原因大概有两方面：一是 TM图像各波段之间具有较高的相关性，不同的特征（波段组合）如234与345，345与457之间也有较高的相关性，因此各特征之间的独立性不高；二是为了使各分类器训练特征不同而使各特征的波段数减少，导致某些分类器的分类精度降低，因此结合后的总体分类精度虽然高于单个分类器，但并不比用相同特征训练的多分类器结合后的分类精度高。

图5-7 不同特征训练的多分类器抽象级结合分类结果

表5-4 不同特征训练的多分类器抽象级结合分类结果精度评价

二、测量级的多分类器结合实验

测量级的多分类器结合也是多分类器结合的常用方式。测量级的分类器结合方式是根据分类器各输出的一系列说明像元属于各类别的程度测量值（如后验概率），以一定方式结合各分类器，用结合后的测量值作为判别像元类别的依据。很显然，分类器在分类过程中输出的说明像元属于各类别程度的测量值，包括后验概率估计、距离测量等，正是分类不确定性度量的基础。因此，测量级的多分类器结合可以理解为以各单个分类器不确定性为基础的多分类器结合。

本实验中，我们分别用 TM遥感数据的 12345 波段对最大似然分类器、多层感知器神经网络、最小距离、马氏距离四个分类器进行训练并分类。最小距离和马氏距离分类器输出的距离像元到个类别中心的距离测量通过式（5-11）转换为“概率测量”。各分类器的测量值按照式（5-9）中的 Bayesian 平均方法结合并以式（5-10）确定最终的分类结果。图5-8给出了用 Bayesian平均方法进行测量级多分类器结合的过程示意图。图5-9为用测量级的多分类器结合方法分类的 Lanier湖区土地覆被图。表5-5 为 Bayesian平均法测量级多分类器结合分类结果精度统计。可以看出，测量级的多分类器结合的总体分类精度比单个分类器的总体分类精度提高约4%～9%，Kappa系数提高5%～8%；和抽象级的多分类器结合分类精度比较（表5-3，表5-4），测量级的多分类器结合的分类精度略低于抽象级结合的分类精度。

图5-8 Bayesian平均法进行测量级多分类器结合示意图

由于在测量级的多分类器结合分类过程中，分类器的结合是在最大似然分类和多层感知器神经网络分类的后验概率以及最小距离和马氏距离分类的距离测量等基础上进行，而这些测量正是本文第二章中像元尺度分类不确定性表达的基础，因此，在用 Bayesian平均法进行测量级的多分类器结合的过程中，经Bayesian平均后的测量就相当于最大似然分类中的后验概率。这样，就可以用本文第二章中的不确定性指标方便地在像元尺度表达测量级分类器结合分类结果的不确定性。

图5-9 测量级的 Bayesian平均法多分类器结合分类结果

表5-5 Bayesian平均法进行测量级多分类器结合的分类结果精度评价

图5-10和图5-11分别为用 Bayesian 平均法进行测量级的多分类器结合分类后分类结果的概率残差和相对概率熵。可以看出，较大的不确定性主要发生在城镇与开发用地、裸地和云之间，以及草地和农地之间。较小的不确定性主要发生在水体和阔叶林。与图4-4和图4-7 表达的最大似然分类的不确定性比较可以看出，用 Bayesian平均法进行测量级多分类器结合分类的不确定性大于最大似然的分类不确定性。因此，虽然测量级多分类器结合的分类结果用误差矩阵的统计结果评价时，精度比单个分类器分类结果高，但每个像元分类的不确定性却不一定低于每一个单个分类器分类结果的不确定性。这也证实了：基于误差矩阵的方法和基于概率矢量的方法反映不同方面的不确定性信息。将某一像元“分类正确”，并不保证将这个像元分类为该类别的确定性很高；同样，某一像元分类的不确定性很低，也并不保证该像元被“正确分类”。

图5-10 Bayesian平均法测量级多分类器结合分类结果的概率残差

图5-11 Bayesian平均法测量级多分类器结合分类结果的相对概率熵

三、不同分类器结合方法比较

从以上的分类实验可以看出，抽象级的多分类器结合与测量级的多分类器结合方法都能比较显着地提高遥感数据的分类精度，但不同结合方法各有优缺点。

抽象级多分类器结合方法的优点在于对参与结合的分类器的特性没有要求。由于结合是在最终的分类结果基础上进行，因此任何分类器，包括专家系统分类器、语义分类器等都可以参与抽象级的多分类器结合。但是对与抽象级的分类器结合，为保证投票决策过程中不发生两个或多个类别“得票”相等的局面，必须要求有奇数个分类器参与分类器结合。但是，抽象级分类器结合的分类结果的不确定性无法在像元尺度上表达。

相反，测量级的多分类器结合方法的缺点在于参与分类器结合的各分类器在分类过程必须能够进行不确定性的度量（如后验概率），因此像平行六面体分类、专家系统分类器以及各种语义分类器等不能参与测量级的多分类器结合。但测量级的分类器结合对参与结合的分类器的个数没有要求，因为测量多级分类器系统最终的分类决策根据像元属于各类别的程度的测量，而不是将像元分类为某一类别的分类器的个数进行的。测量级多分类器结合进行分类的另一个重要的优点在于其分类结果的不确定性便于在像元尺度上表达。

⑤ 结合力试验

用拉神仪 得出材料 的机械性能也就是结合力

⑥ 蛋白和DNA结合的实验方法

（1）基因的表达水平用northern
blot吧，从氨基酸序列逆推cDNA做探针。
（2）构建一个载体，上面有编码不同结构域的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。然后LacZ操纵子后面加个报告基因。如果是某个domain有结合功能的话，报告基因就会表达。
（3）反向遗传学方法，用定点诱变直接突变掉相应的基因，获得携带一个突变的小鼠。然后通过杂交获得双突变的小鼠，看看它和正常的小鼠有不同。

⑦ 测试方法有哪些

1、白盒测试：又称为结构测试或逻辑驱动测试，是一种按照程序内部逻辑结构和编码结构，设计测试数据并完成测试的一种测试方法。

2、黑盒测试：又称为数据驱动测试，把测试对象当做看不见的黑盒，在完全不考虑程序内部结构和处理过程的情况下，测试者仅依据程序功能的需求规范考虑，确定测试用例和推断测试结果的正确性，它是站在使用软件或程序的角度，从输入数据与输出数据的对应关系出发进行的测试。

3、灰盒测试：是一种综合测试法，它将“黑盒”测试与“白盒”测试结合在一起，是基于程序运行时的外部表现又结合内部逻辑结构来设计用例，执行程序并采集路径执行信息和外部用户接口结果的测试技术。

4、静态测试：指不运行被测程序本身，仅通过分析或检查源程序的语法、结构、过程、接口等来检查程序的正确性。

5、动态测试：是指通过运行被测程序，检查运行结果与预期结果的差异，并分析运行效率、正确性和健壮性等性能指标。

⑧ 如何来做配体受体的结合实验

衡量受体的存在一个主要标志是受体的饱和性，即绘制出特异性结合的饱和曲线。原理是根据活性物质与标记的活性物质竞争同一受体的原理测定活性物质和含量，属饱和分析法一类。实验中总结合减去非特异就是特性结合，然后绘制出饱和曲线和竞争曲线，算出Bmax和Kd值。
要注意的是放射性标记的配体要纯

⑨ 补体结合试验是

正确答案:E
解析：补体结合试验有五种成分参与反应，分属三个系统：反应系统、补体系统和指示系统，可检测抗原或抗体，不出现溶血为补体结合试验阳性
。

⑩ 如何提高预试验的准确性和灵敏度在具体操作中应注意哪些问题

研究生在开题前，或者我们准备进行一个新的研究题目和申请基金前，一般都需要进行预试验。我最近发现，有不少研究生甚至一些导师对预试验都存在一定误解，有的不重视预试验，有的认为预试验就是全部试验的压缩版，这些都是不了解预试验的一些具体体现。那么到底什么是预试验，预试验的作用是什么，如何设计预试验，就需要我们这些老家伙唠叨几句，以帮助大家在这个。
所谓预试验，就是在正式开展试验之前，按照研究设计的方案做一个小样本的试验，但是主要的目的不在于得出什么结论，而是为了摸索条件，看试验是否可行。这个是网络上的定义，但我认为这个定义提出了预试验重要作用，就是能在进行正式实验前确定课题的可行性，但没有给出具有的操作原则，有误导的嫌疑，而且这个定义只是预试验的一种，对开展流行病学调查比较可行，但不适用于其他类型的研究，如对一些药物学疾病机制等方面的试验，就不一定是好的描述。我下面主要结合一些具体实例来谈谈如何开展预试验的原则。如有不同看法，希望提出来讨论交流。
预试验的第一原则，重要性原则。重要性原则是指应该选择关键性试验，关键性试验是能对你提出的假说产生最重要的支撑作用。设想一下，你获得这个关键数据就意味着你将来试验成功达到80%，你会怎么激动，因此第一原则也可以说是激动原则。例如我们在进行氢气治疗脑缺血治疗效果的试验中，我们把脑梗死体积作为判断效果的最重要依据，也把这个试验作为预试验，当学生确定了这个发现时，我们当时的心情是非常激动的。因为这意味着我们有了新的发现，后来的实验只不过是为围绕这个的丰富和再确认而已。
预试验的第二原则，经济原则。如果一个试验很难实现，作为预试验就不太理想，无论困难是在技术层面，还是在经费层面，难实现的试验都不适合作为预试验。例如，我们把自噬作为说明氢气治疗脑缺血效果的评价指标，但自噬的研究方法有许多，例如可以用电子显微镜观察，也可以用荧光组织化学来标记重要蛋白。在选择预试验的时候，我们一般选择采用组织化学方法作为预试验内容。主要考虑到相对比较实惠便宜。值得庆幸的时候，一般情况下，越是经典的试验越是便宜，而越能说明问题。例如判断药物效果很多情况下采用常规的HE染色就是一个非常便宜而且可靠的硬指标。
预试验的第三原则，灵活性原则。选择什么试验为预试验，最好是结合本实验室的条件和积累，例如要判断某一个蛋白分子是否有改变，可以用基因表达水平、可以用蛋白含量、也可以用该蛋白的活性来表示，如果本实验室已经建立了其中一种条件，就拿来直接使用，虽然不一定符合前面两个原则，但这样更容易实现，而且有更容易获得熟悉试验方法老师帮助、取得的结果可靠性、分析数据的客观性和更多相关既往试验结果作可参考等优点。
在充分考虑的前提下再着手试验总是开展科学研究的重要原则，就是先动脑再动手原则。不同的研究类型和目的对设计预试验要求是不同的，研究生在开展预试验前，也要认真分析课题进行仔细设计。