实验分类

正近几年高考对实验的考查,多以\一大带一小\的形式,其中第1小题为常规实验题,侧重考查基本实验仪器的读数或课本上要求的基本实验的实验原理、步骤的理解和实验数据的处理;第2小题侧重对学生实验迁移能力的考查,常以设计型实验来体现,内容主要为电学实验。特别是对电

高考物理实验复习策略──如何取得实验高分

点击数：155 次 录入时间：2013/10/30 11:05:00 编辑：liuxinyuan2012 [宣传赚点] 实验能力在物理高考中一直占有相当重要的地位，物理高考力图通过在笔试的形式下考查同学们的实验能力，同时也希望通过考查一些简单的设计性的实验来鉴别同学们独立的解决新问题的能力、“迁移”能力。实验试题的设计本着“来源于教材而不拘泥于教材”的原则，有利于引导同学们在学习过程中重视基本实验、常规实验，注重培养和提高同学们的实验能力和素质。

然而，从高考得分统计结果看，实验题的得分情况并不理想，原因是多方面的，但最主要的原因还是传统的实验学习观造成的。长期以来，中学物理实验学习多侧重于“验证知识、形成概念、激发兴趣、培养技能”，比较忽视以实验为载体来培养多种能力和素质品质。而从目前的高考实验试题的命题趋势看，传统的实验观已

监督分类实验报告

1100900028 孙淑蕊

一、实验原理：根据已知训练区提供的样本，通过选择特征参数，建立判别函数对各待分类像元进行的分类。

二、实验目的：1、理解监督分类方法的基本原理；

2、掌握利用ERDAS进行监督分类的操作流程； 3、了解分类后评价过程。 三、实验内容：在ERDAS软件中，对TM影响进行监督分类，将图像中的水体、植被、农田、城区等地物特征提取出来。 四、实验步骤：

1、在ERDAS主界面中，打开Viewer视窗，打开需要进行监督分类的图像。

2、对图像进行设置，设置Red、Green、Blue对应的波段值分别为4、3、2。

3、在Viewer视窗中显示待分类图像。打开Classification，选择Signature Editor，打开分类模板编辑器。

4、选择Signature Editor窗口的View中的Column，在弹出的View Signature Columns对话框中选择需要显示的字段。

5、在Viewer中点击

图标，打开Raster工具面板。

6、单击面板中的

图标，在打开的图像中选择水体区域，绘制一个多边形AOI。

7、在Signa

高考物理电学实验分类汇编

1.（2012山东卷）在测量金属丝电阻率的试验中，可供选用的器材如下： 待测金属丝：Rx（阻值约4?，额定电流约0.5A）； 电压表：V（量程3V，内阻约3k?）；

电流表：（量程0.6A，内阻约0.2?）； A2（量程3A，内阻约0.05?）； A1电源：E1（电动势3V，内阻不计） E2（电动势12V，内阻不计）

滑动变阻器：R（最大阻值约20?） 螺旋测微器；毫米刻度尺；开关S；导线。 1用螺旋测微器测量金属丝的直径，示数如图所示，读数为 mm。 ○

2若滑动变阻器采用限流接法，为使测量尽量精确，电流表应选 、电源应选 （均填器材○

代号），在虚线框中（间答题卡）完成电路原理图。

2.（2012四川卷） (2)某学习小组的同学拟探究小灯泡L的伏安特性曲线，可供选用的器材如下： 小灯泡L，规格“4.0V．0.7A”； 电流表A1，量程3A，内阻约为0.1Ω; 电流表A2，量程0.6A，内阻r2=0.2Ω; 电压表V，量程3V，内阻rV=9kΩ； 标准电阻R1，阻值1Ω； 标准电阻R2，阻值3 kΩ;

滑动变阻器R，阻值范围O~ 10Ω,； 学生电源E，电动势6

实验报告

题目：监督分类

姓名： 学号： 日期：

一、实验目的

理解计算机图像分类的基本原理以及监督分类的过程，运用ERDAS软件达到能熟练地对遥感图像进行监督分类的目的。

二、监督分类原理

监督分类 （supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。

1）平行六面体法

在多波段遥感图像分类过程中，对于被分类的每一个类别，在各个波段维上都要选取一个变差范围的识别窗口，形成一个平行六面体，如果有多个类别，则形成多个平行六边形，所有属于各个类别的多维空间点也分别落入各自的多维平行六面体空间。

2）最小距离法

使用了每个感兴趣区的均值矢量来计算每个未知象元到每一类均值矢量的欧氏距离，除非用户指定了标准差和距离的阈值，否则所有象元都将分类到感兴趣区中最接近的那一类。

3）最大似然法

2010北京各区一模实验分类汇编（细）

一、力学

2010朝阳一模21．（1）游标卡尺主尺的最小刻度是1mm，游标尺上有20个等分刻度，则游标尺上每一分度与主尺上的最小刻度相差____________mm。用这个游标卡尺测量一小球的直径，如图所示的读数是_____________mm。

1 2 3 cm

0 10 20

2010朝阳一模21．（3）①如下图所示为气垫导轨。导轨上的两滑块质量相等，两滑块上的挡光片宽度相同。现将气垫导轨水平放置做“验证动量守恒定律”实验。实验中用滑块甲撞击静止在导轨上的滑块乙，碰撞前滑块乙处于静止状态。第一次在两滑块碰撞端安上弹簧片，第二次在两滑块碰撞端粘上橡皮泥。两次实验时滑块甲碰前通过光电门计时装置记录的挡光片的挡光时间相等，碰后滑块乙第一次和第二次通过光电门计时装置记录的挡光片挡光时间分别为t1、t2。通过实验验证了这两次碰撞均遵守动量守恒定律，请你判断t1、t2的关系应为t1______ t2（选填“＞”、“＜”或“＝”）。

导轨

挡光片

滑块甲

挡光片

光电门

滑块乙

光电门

②大小相等的入射小

精 品 试 卷

高中物理学习材料

（灿若寒星**整理制作）

2015年高考物理真题分类汇编——力学实验

(2015新课标I-22). （6分）

某物理小组的同学设计了一个粗测玩具小车通过凹形桥最低点的速度的实验，所用器材有：玩具小车、压力式托盘秤、凹形桥模拟器（圆弧部分的半径为R=0.20m）.

完成下列填空：

(1)将凹形桥模拟器静置于托盘秤上，如图（a）所示，托盘秤的示数为1.00kg;

(2)将玩具小车放置在凹形桥模拟器最低点时，托盘秤示数如图（b）所示，该示数为______kg.

(3)将小车从凹形桥模拟器某一位置释放，小车经过最低点后滑向另一侧，此过程中托盘秤的最大示数为m,多次从同一位置释放小车，记录各次的m值如下表所示：

序号 M(kg) 1 1.80 2 1.75 3 1.85 4 1.75 5 1.90 (4)根据以上数据，可求出小车经过凹形桥最低点时对桥的压力为是_______N,玩具小车通过最低点时的速度大小为_______m/s ,(重力加速度大小取9.80m/s2，计算结果保留2位有效数字) 【答案】 （2）1.40 （2分） （4）7.9（2分） 1.4（2分）

【考点】匀速圆周运动的向心力，会正确使用的仪

实验一 Bayes分类器设计

【实验目的】

对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识，理解二类分类器的设计原理。

【实验原理】

最小风险贝叶斯决策可按下列步骤进行：

(1)在已知P(?i)，P(X?i)，i=1,…，c及给出待识别的X的情况下，根据贝叶斯公式计算出后验概率： P(?iX)?P(X?i)P(?i)?P(X?)P(?)iij?1c j=1,…，x

(2)利用计算出的后验概率及决策表，按下面的公式计算出采取ai,i=1,…，a的条件风险

R(aiX)???(a,?ij?1cj)P(?jX),i=1,2,…,a

(3)对(2)中得到的a个条件风险值R(aiX),i=1,…，a进行比较，找出使其条件风险最小的决策ak，即

R?akx??minR?aix?

i?1,a则ak就是最小风险贝叶斯决策。

【实验内容】

假定某个局部区域细胞识别中正常（?1）和非正常（?2）两类先验概率分别为 正常状态：P（?1）=0.9； 异常状态：P（?2）=0.1。

现有一系列待观察的细胞，其观察值为x：

-3.9847 -3.5549 -1.2401 -0.9780 -0.

实验一 Bayes分类器设计

【实验目的】

对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识，理解二类分类器的设计原理。

【实验原理】

最小风险贝叶斯决策可按下列步骤进行：

(1)在已知P(?i)，P(X?i)，i=1,…，c及给出待识别的X的情况下，根据贝叶斯公式计算出后验概率： P(?iX)?P(X?i)P(?i)?P(X?)P(?)iij?1c j=1,…，x

(2)利用计算出的后验概率及决策表，按下面的公式计算出采取ai,i=1,…，a的条件风险

R(aiX)???(a,?ij?1cj)P(?jX),i=1,2,…,a

(3)对(2)中得到的a个条件风险值R(aiX),i=1,…，a进行比较，找出使其条件风险最小的决策ak，即

R?akx??minR?aix?

i?1,a则ak就是最小风险贝叶斯决策。

【实验内容】

假定某个局部区域细胞识别中正常（?1）和非正常（?2）两类先验概率分别为 正常状态：P（?1）=0.9； 异常状态：P（?2）=0.1。

现有一系列待观察的细胞，其观察值为x：

-3.9847 -3.5549 -1.2401 -0.9780 -0.

基于Weka的数据分类分析实验报告

1 实验目的

使用数据挖掘中的分类算法，对数据集进行分类训练并测试。应用不同的分类算法，比较他们之间的不同。与此同时了解Weka平台的基本功能与使用方法。

2 实验环境

2.1 Weka介绍

Weka是怀卡托智能分析系统的缩写，该系统由新西兰怀卡托大学开发。Weka使用Java写成的，并且限制在GNU通用公共证书的条件下发布。它可以运行于几乎所有操作平台，是一款免费的，非商业化的机器学习以及数据挖掘软件。Weka提供了一个统一界面，可结合预处理以及后处理方法，将许多不同的学习算法应用于任何所给的数据集，并评估由不同的学习方案所得出的结果。

图1Weka主界面

Weka系统包括处理标准数据挖掘问题的所有方法：回归、分类、聚类、关联规则以及属性选择。分析要进行处理的数据是重要的一个环节，Weka提供了很多用于数据可视化和与处理的工具。输入数据可以有两种形式，第一种是以ARFF格式为代表的文件；另一种是直接读取数据库表。

使用Weka的方式主要有三种：第一种是将学习方案应用于某个数据集，然后分析其输出，从而更多地了解这些数据；第二种是使用已经学习到的模型对新实例进预测；第三种是使用多种学习器，然后根据其性能表现选

用身高和体重数据进行性别分类的实验报告

一、基本要求：

1．用FAMALE.TXT和MALE.TXT的数据作为训练样本集，建立Bayes分类器，用测试样本数据对该分类器进行测试。调整特征、分类器等方面的一些因素，考察它们对分类器性能的影响，从而加深对所学内容的理解和感性认识。 二、具体做法：

（1）应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到测试样本，考察测试错误情况。在分类器设计时可以考察采用不同先验概率（如0.5对0.5, 0.75对0.25, 0.9对0.1等）进行实验，考察对决策规则和错误率的影响。

（2）应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，考察训练/测试错误情况。比较相关假设和不相关假设下结果的差异。在分类器设计时可以考察采用不同先验概率（如0.5 vs. 0.5, 0.75 vs. 0.25, 0.9 vs. 0.1等）进行实