《观察植物细胞有丝分裂》实验报告
《观察植物细胞有丝分裂》实验报告
组员：肖石连、周小燕、汪小康、刍E 苗
执笔人：汪小康
一、实验原理
1.观察部位：植物体的根尖、茎尖等分生区的细胞。
2.分裂过程：高等植物细胞有丝分裂分为间期和分裂期的前期、中期、后期和末期，不同时期细胞染色体的行为变化有各自的特点?。
3.观察过程：先用低倍镜找到根尖生长点的细胞（正方形、排列紧密、有的正在分裂），再用高倍镜辨别各时期的染色体（染色质）变化，并判断该细胞处于有丝分裂的哪个时期。
4.染色过程：细胞核内的染色体容易被碱性染料（龙胆紫或醋酸洋红等）着色。
二、实验器材
大蒜、显微镜、载玻片、盖玻片、培养皿、刀片、镊子、烧杯等
15%勺盐酸、95%勺酒精、龙胆紫溶液等
三、实验步骤
1.前期培养：取大蒜若干放在装满清水的100ML烧杯上，让它的底部接触瓶内水面，把烧杯放在温暖地方培养。
2?解离：实验前一天，取大蒜根尖，使用卡诺氏固定液（乙醇：冰醋酸=3:1 ）进行24H 固定，之后用蒸馏水冲洗，放入70%酉精中，在4C冰箱中保存。待到实验时即可进行解离处理。取经过和未经过固定液处理的根尖各1-3个，剪根尖2CM放入盛有15%蛊酸和95%酉精1:1混合液的培养皿中并盖好（以防盐酸挥发），解离3~5min,此时根尖变得酥软透明。
3.漂洗：用镊子夹住伸长区一端，从培养皿中取出根尖，放到盛有清水的培养皿中漂洗
2~3min,可用镊子或玻棒轻轻搅动。
4?染色：用镊子夹住伸长区一端，从培养皿中取出根尖，放到干净的载玻片中央，用刀片切去根尖大概0.5mm紧贴刚刚切的位置切下针尖大小的根尖，此处即为根尖分生区。利用准备好的染液进行染色，时间为3~5mi n。
5.压片：将被染上色的根尖盖上盖玻片（防止气泡产生），然后在盖玻片上放一层吸水纸，水平放在实验台上，用拇指稍用力对其按压，使根尖细胞呈云雾状散开，此时再把盖玻片周围染液吸拭干净即可。
6.观察：先用低倍镜观察，找到分生区细胞（体积小、排列紧密、整齐、近似正方形，有的细胞正在分裂）。找到视野后用高倍镜观察。
四、实验结果及讨论
从所做实验观察结果看来，处于间期的细胞最多，处于分裂时期的细胞较少。原因是细胞间期在细胞有丝分裂周期中占的比重大。此次实验观察到了有丝分裂各时期形态。比较成功
数据挖掘实验报告资料
大数据理论与技术读书报告 -----K最近邻分类算法 指导老师: 陈莉 学生姓名: 李阳帆 学号: 201531467 专业: 计算机技术 日期 :2016年8月31日
摘要 数据挖掘是机器学习领域内广泛研究的知识领域，是将人工智能技术和数据库技术紧密结合，让计算机帮助人们从庞大的数据中智能地、自动地提取出有价值的知识模式，以满足人们不同应用的需要。K 近邻算法（KNN）是基于统计的分类方法，是大数据理论与分析的分类算法中比较常用的一种方法。该算法具有直观、无需先验统计知识、无师学习等特点，目前已经成为数据挖掘技术的理论和应用研究方法之一。本文主要研究了K 近邻分类算法，首先简要地介绍了数据挖掘中的各种分类算法，详细地阐述了K 近邻算法的基本原理和应用领域，最后在matlab环境里仿真实现，并对实验结果进行分析，提出了改进的方法。 关键词：K 近邻，聚类算法，权重，复杂度，准确度
1.引言 (1) 2.研究目的与意义 (1) 3.算法思想 (2) 4.算法实现 (2) 4.1 参数设置 (2) 4.2数据集 (2) 4.3实验步骤 (3) 4.4实验结果与分析 (3) 5.总结与反思 (4) 附件1 (6)
1.引言 随着数据库技术的飞速发展，人工智能领域的一个分支—— 机器学习的研究自 20 世纪 50 年代开始以来也取得了很大进展。用数据库管理系统来存储数据，用机器学习的方法来分析数据，挖掘大量数据背后的知识，这两者的结合促成了数据库中的知识发现（Knowledge Discovery in Databases，简记 KDD）的产生，也称作数据挖掘（Data Ming，简记 DM）。 数据挖掘是信息技术自然演化的结果。信息技术的发展大致可以描述为如下的过程：初期的是简单的数据收集和数据库的构造；后来发展到对数据的管理，包括：数据存储、检索以及数据库事务处理；再后来发展到对数据的分析和理解， 这时候出现了数据仓库技术和数据挖掘技术。数据挖掘是涉及数据库和人工智能等学科的一门当前相当活跃的研究领域。 数据挖掘是机器学习领域内广泛研究的知识领域，是将人工智能技术和数据库技术紧密结合，让计算机帮助人们从庞大的数据中智能地、自动地抽取出有价值的知识模式，以满足人们不同应用的需要[1]。目前，数据挖掘已经成为一个具有迫切实现需要的很有前途的热点研究课题。 2.研究目的与意义 近邻方法是在一组历史数据记录中寻找一个或者若干个与当前记录最相似的历史纪录的已知特征值来预测当前记录的未知或遗失特征值[14]。近邻方法是数据挖掘分类算法中比较常用的一种方法。K 近邻算法（简称 KNN）是基于统计的分类方法[15]。KNN 分类算法根据待识样本在特征空间中 K 个最近邻样本中的多数样本的类别来进行分类，因此具有直观、无需先验统计知识、无师学习等特点，从而成为非参数分类的一种重要方法。 大多数分类方法是基于向量空间模型的。当前在分类方法中，对任意两个向量： x= ) ,..., , ( 2 1x x x n和) ,..., , (' ' 2 ' 1 'x x x x n 存在 3 种最通用的距离度量：欧氏距离、余弦距 离[16]和内积[17]。有两种常用的分类策略：一种是计算待分类向量到所有训练集中的向量间的距离：如 K 近邻选择K个距离最小的向量然后进行综合，以决定其类别。另一种是用训练集中的向量构成类别向量，仅计算待分类向量到所有类别向量的距离，选择一个距离最小的类别向量决定类别的归属。很明显，距离计算在分类中起关键作用。由于以上 3 种距离度量不涉及向量的特征之间的关系，这使得距离的计算不精确，从而影响分类的效果。
模式识别第二次上机实验报告
北京科技大学计算机与通信工程学院 模式分类第二次上机实验报告 姓名：XXXXXX 学号：00000000 班级：电信11 时间：2014-04-16
一、实验目的 1．掌握支持向量机（SVM）的原理、核函数类型选择以及核参数选择原则等； 二、实验内容 2.准备好数据，首先要把数据转换成Libsvm软件包要求的数据格式为： label index1:value1 index2:value2 ... 其中对于分类来说label为类标识，指定数据的种类；对于回归来说label为目标值。（我主要要用到回归） Index是从1开始的自然数，value是每一维的特征值。 该过程可以自己使用excel或者编写程序来完成，也可以使用网络上的FormatDataLibsvm.xls来完成。FormatDataLibsvm.xls使用说明： 先将数据按照下列格式存放（注意label放最后面）： value1 value2 label value1 value2 label 然后将以上数据粘贴到FormatDataLibsvm.xls中的最左上角单元格，接着工具->宏执行行FormatDataToLibsvm宏。就可以得到libsvm要求的数据格式。将该数据存放到文本文件中进行下一步的处理。 3.对数据进行归一化。 该过程要用到libsvm软件包中的svm-scale.exe Svm-scale用法： 用法：svmscale [-l lower] [-u upper] [-y y_lower y_upper] [-s save_filename] [-r restore_filename] filename （缺省值：lower = -1，upper = 1，没有对y进行缩放）其中，-l：数据下限标记；lower：缩放后数据下限；-u：数据上限标记；upper：缩放后数据上限；-y：是否对目标值同时进行缩放；y_lower为下限值，y_upper为上限值；（回归需要对目标进行缩放，因此该参数可以设定为–y -1 1 ）-s save_filename：表示将缩放的规则保存为文件save_filename；-r restore_filename：表示将缩放规则文件restore_filename载入后按此缩放；filename：待缩放的数据文件（要求满足前面所述的格式）。缩放规则文件可以用文本浏览器打开，看到其格式为： y lower upper min max x lower upper index1 min1 max1 index2 min2 max2 其中的lower 与upper 与使用时所设置的lower 与upper 含义相同；index 表示特征序号；min 转换前该特征的最小值；max 转换前该特征的最大值。数据集的缩放结果在此情况下通过DOS窗口输出，当然也可以通过DOS的文件重定向符号“>”将结果另存为指定的文件。该文件中的参数可用于最后面对目标值的反归一化。反归一化的公式为： （Value-lower）*（max-min）/(upper - lower)+lower 其中value为归一化后的值，其他参数与前面介绍的相同。 建议将训练数据集与测试数据集放在同一个文本文件中一起归一化，然后再将归一化结果分成训练集和测试集。 4.训练数据，生成模型。 用法：svmtrain [options] training_set_file [model_file] 其中，options（操作参数）：可用的选项即表示的涵义如下所示-s svm类型：设置SVM 类型，默
【精品实验报告】软件体系结构设计模式实验报告
【精品实验报告】软件体系结构设计模式实验报告软件体系结构 设计模式实验报告 学生姓名: 所在学院: 学生学号: 学生班级: 指导老师: 完成日期: 一、实验目的 熟练使用PowerDesigner和任意一种面向对象编程语言实现几种常见的设计模式，包括组合模式、外观模式、代理模式、观察者模式和策略模式，理解每一种设计模式的模式动机，掌握模式结构，学习如何使用代码实现这些模式，并学会分析这些模式的使用效果。 二、实验内容 使用PowerDesigner和任意一种面向对象编程语言实现组合模式、外观模式、代理模式、观察者模式和策略模式，包括根据实例绘制模式结构图、编写模式实例实现代码，运行并测试模式实例代码。 (1) 组合模式 使用组合模式设计一个杀毒软件(AntiVirus)的框架，该软件既可以对某个文件夹(Folder)杀毒，也可以对某个指定的文件(File)进行杀毒，文件种类包括文本文件TextFile、图片文件ImageFile、视频文件VideoFile。绘制类图并编程模拟实现。 (2) 组合模式 某教育机构组织结构如下图所示: 北京总部 教务办公室湖南分校行政办公室 教务办公室长沙教学点湘潭教学点行政办公室
教务办公室行政办公室教务办公室行政办公室 在该教育机构的OA系统中可以给各级办公室下发公文，现采用 组合模式设计该机构的组织结构，绘制相应的类图并编程模拟实现，在客户端代码中模拟下发公文。(注:可以定义一个办公室类为抽象叶子构件类，再将教务办公室和行政办公室作为其子类;可以定义一个教学机构类为抽象容器构件类，将总部、分校和教学点作为其子类。) (3) 外观模式 某系统需要提供一个文件加密模块，加密流程包括三个操作，分别是读取源文件、加密、保存加密之后的文件。读取文件和保存文件使用流来实现，这三个操作相对独立，其业务代码封装在三个不同的类中。现在需要提供一个统一的加密外观类，用户可以直接使用该加密外观类完成文件的读取、加密和保存三个操作，而不需要与每一个类进行交互，使用外观模式设计该加密模块，要求编程模拟实现。参考类图如下: reader = new FileReader();EncryptFacadecipher = new CipherMachine();writer = new FileWriter();-reader: FileReader-cipher: CipherMachine-writer: FileWriter +EncryptFacade () +fileEncrypt (String fileNameSrc,: voidString plainStr=reader.read(fileNameSrc); String fileNameDes)String
模式识别实验报告
模式识别实验报告
————————————————————————————————作者：————————————————————————————————日期：
实验报告 实验课程名称：模式识别 姓名：王宇班级： 20110813 学号： 2011081325 实验名称规范程度原理叙述实验过程实验结果实验成绩 图像的贝叶斯分类 K均值聚类算法 神经网络模式识别 平均成绩 折合成绩 注：1、每个实验中各项成绩按照5分制评定，实验成绩为各项总和 2、平均成绩取各项实验平均成绩 3、折合成绩按照教学大纲要求的百分比进行折合 2014年 6月
实验一、 图像的贝叶斯分类 一、实验目的 将模式识别方法与图像处理技术相结合，掌握利用最小错分概率贝叶斯分类器进行图像分类的基本方法，通过实验加深对基本概念的理解。 二、实验仪器设备及软件 HP D538、MATLAB 三、实验原理 概念： 阈值化分割算法是计算机视觉中的常用算法，对灰度图象的阈值分割就是先确定一个处于图像灰度取值范围内的灰度阈值，然后将图像中每个像素的灰度值与这个阈值相比较。并根据比较的结果将对应的像素划分为两类，灰度值大于阈值的像素划分为一类，小于阈值的划分为另一类，等于阈值的可任意划分到两类中的任何一类。 最常用的模型可描述如下：假设图像由具有单峰灰度分布的目标和背景组成，处于目标和背景内部相邻像素间的灰度值是高度相关的，但处于目标和背景交界处两边的像素灰度值有较大差别，此时，图像的灰度直方图基本上可看作是由分别对应于目标和背景的两个单峰直方图混合构成。而且这两个分布应大小接近，且均值足够远，方差足够小，这种情况下直方图呈现较明显的双峰。类似地，如果图像中包含多个单峰灰度目标，则直方图可能呈现较明显的多峰。 上述图像模型只是理想情况，有时图像中目标和背景的灰度值有部分交错。这时如用全局阈值进行分割必然会产生一定的误差。分割误差包括将目标分为背景和将背景分为目标两大类。实际应用中应尽量减小错误分割的概率，常用的一种方法为选取最优阈值。这里所谓的最优阈值，就是指能使误分割概率最小的分割阈值。图像的直方图可以看成是对灰度值概率分布密度函数的一种近似。如一幅图像中只包含目标和背景两类灰度区域，那么直方图所代表的灰度值概率密度函数可以表示为目标和背景两类灰度值概率密度函数的加权和。如果概率密度函数形式已知，就有可能计算出使目标和背景两类误分割概率最小的最优阈值。 假设目标与背景两类像素值均服从正态分布且混有加性高斯噪声，上述分类问题可以使用模式识别中的最小错分概率贝叶斯分类器来解决。以1p 与2p 分别表示目标与背景的灰度分布概率密度函数，1P 与2P 分别表示两类的先验概率，则图像的混合概率密度函数可用下式表示为
设计模式实验报告
实验一单例模式的应用 1 实验目的 1) 掌握单例模式（Singleton）的特点 2) 分析具体问题，使用单例模式进行设计。 2 实验内容和要求 很多应用项目都有配置文件，这些配置文件里面定义一些应用需要的参数数据。 通常客户端使用这个类是通过new一个AppConfig的实例来得到一个操作配置文件内容的对象。如果在系统运行中，有很多地方都需要使用配置文件的内容，系统中会同时存在多份配置文件的内容，这会严重浪费内存资源。 事实上，对于AppConfig类，在运行期间，只需要一个对象实例就够了。那么应该怎么实现呢？用C#控制台应用程序实现该单例模式。绘制该模式的UML 图。 3 实验代码 using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.Threading.Tasks; namespace AppConfig { publicclass Singleton { privatestatic Singleton instance; private Singleton() {
} publicstatic Singleton GetInstance() { if (instance == null) { instance = new Singleton(); } return instance; } } class Program { staticvoid Main(string[] args) { Singleton singletonOne = Singleton.GetInstance(); Singleton singletonTwo = Singleton.GetInstance(); if (singletonOne.Equals(singletonTwo)) { Console.WriteLine("singletonOne 和 singletonTwo 代表的是同一个实例"); } else { Console.WriteLine("singletonOne 和 singletonTwo 代表的是不同实例"); } Console.ReadKey(); } } } 4 实验结果
射线底片评定(行业一类)
射线照相底片的评定 《射线检测》补充教材 编写：王学冠 中国锅炉压力容器检验协会教育工作委员会 二○○四年六月 网络借鉴
第六章射线照相底片的评定 6.1评定的基本要求 -底片质量要求 -评定环境、设备的要求 -评定人员条件要求. 6.1.1底片质量要求 ⑴灵敏度：从定量方面而言，是指在射线底片可以观察到的最小缺陷尺寸或最小细节尺寸；从定性方面而言，是指发现和识别细小影像的难易程度。在射线底片上所能发现的沿射线穿透方向上的最小尺寸，称为绝对灵敏度，此最小缺陷尺寸与透照厚度的百分比称为相对灵敏度。用人工孔槽，金属丝尺寸（像质计）作为底片影像质量的监测工具而得到的灵敏度又称为像质计灵敏度。 要求：底片上可识别的像质计影像、型号、规格、摆放位置，可观察的像质指数（Z）是否达到标准规定要求等，满足标准规定为合格。 ⑵黑度：为保证底片具有足够的对比度，黑度不能太小，但因受到观片灯亮度的限制，底片黑度不 能过大。根据JB4730标准规定，国内观片灯亮度必须满足观察底片黑度Dmin≥2.0。底片黑度测定要求：按标准规定，其下限黑度是指底片两端焊缝余高中心位置的黑度，其上限黑度是指底片中部焊缝两侧热影响区（母材）位置的黑度。只有当有效评定区内各点的黑度均在规定的范围内方为合格。底片评定范围内的黑度应符合下列规定：A级：≥1.5；AB级：≥2.0；B级：≥2.3；经合同各方同意，AB级最低黑度可降低至1.7，B级最低黑度可降低至2.0。透照小径管或其它截面厚度变化大的工件时，AB级最低黑度允许降低至1.5。采用多胶片技术时，单片观察时单片的黑度应符合以上要求，多片迭加观察时单片黑度应不低于1.3。 ⑶标记：底片上标记的种类和数量应符合有关标准和工艺规定，标记影像应显示完整、位置正确。 常用标记分为识别标记：如工件编号、焊缝编号、及部位片号、透照日期；定位标记：如中心定位标记、搭接标记和标距带等；返修标记：如R1…N。上述标记应放置距焊趾不少于5mm。 ⑷伪缺陷：因透照操作或暗室操作不当，或由于胶片，增感屏质量不好，在底片上留下的缺陷影像， 如划痕、折痕、水迹、斑纹、静电感光、指纹、霉点、药膜脱落、污染等。上述伪缺陷均会影响评片的正确性，造成漏判和误判，所以底片上有效评定区域内不许有伪缺陷影像。 ⑸散射：照相时，暗袋背面应贴附一个“B”铅字标记，评片时若发现在较黑背景上出现“B”字较 淡影像（浅白色），则说明背散射较严重，应采用防护措施重新拍照，若未见“B”字，或在较淡背景出现较黑的“B”字，则表示合格。 6.1.2评片环境、设备等要求： ⑴环境：要求评片室应独立、通风和卫生，室温不易过高（应备有空调），室内光线应柔和偏暗， 室内亮度应在30cd/m2为宜。室内噪音应控制在<40dB为佳。在评片前，从阳光下进入评片室应适应评片室内亮度至少为5～10min；从暗室进入评片室应适应评片室内亮度至少为30s。 ⑵设备 ①.观片灯:应有足够的光强度,确保透过黑度为≤2.5的底片后可见光度应为30cd/m2,即透照前照度 至少应≥3,000 cd/m2；透过黑度为＞2.5的底片后可见光度应为10cd/m2,即透照前照度至少应≥网络借鉴
监督分类实验报告
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 假定每个波段中的每类的统计都呈现正态分布，并将计算出给定象元都被归到概率最大的哪一类里。 4）马氏距离法 是一个方向灵敏的距离分类器，分类时将使用到统计信息，与最大似然法有些类似，但是她假定了所有类的协方差都相等，所以它是一种较快的分类方法。 三、实验步骤及结果 1、定义分类模板
定义分类模板包括分类模板的生成、管理、评价和编辑等，功能主要由分类模板编辑器（Signature Editor）完成，具体步骤包括： 1）打开需要分类的影像 本实验所处理的遥感图像打开如下图所示。 图1 原始遥感图像 2）打开分类模板编辑器 3）调整属性文字 在分类编辑窗口中的分类属性表中有很多字段，可以对不需要的字段进行调整。 4）选取样本 基于先验知识，需要对遥感图像选取训练样本，包括产生AOI、合并、命名，从而建立样本。考虑到同类地物颜色的差异，因此在采样过程中对每一地类的采样点（即AOI）不少于10个。选取样本包括产生AOI和建立分类模板两个步骤。 （1）产生AOI的方法有很多种，本实验采用应用查询光标扩展方法。 （2）建立分类模板 ①在分类模板编辑窗口，单击按钮，将多边形AOI区域加载到分类模板属性表中。在同样颜色的区域多绘制一些AOI，分别加载到分类模板属性表中。本实验中每一颜色
射线照相底片的评定
《射线检测》补充教材页脚
第六章射线照相底片的评定 6.1评定的基本要求 -底片质量要求 -评定环境、设备的要求 -评定人员条件要求. 6.1.1底片质量要求 ⑴灵敏度：从定量方面而言，是指在射线底片可以观察到的最小缺陷 尺寸或最小细节尺寸；从定性方面而言，是指发现和识别细小影像的难易程度。在射线底片上所能发现的沿射线穿透方向上的最小尺寸，称为绝对灵敏度，此最小缺陷尺寸与透照厚度的百分比称为相对灵敏度。用人工孔槽，金属丝尺寸（像质计）作为底片影像质量的监测工具而得到的灵敏度又称为像质计灵敏度。 要求：底片上可识别的像质计影像、型号、规格、摆放位置，可观察的像质指数（Z）是否达到标准规定要求等，满足标准规定为合格。 ⑵黑度：为保证底片具有足够的对比度，黑度不能太小，但因受到观 片灯亮度的限制，底片黑度不能过大。根据JB4730标准规定，国观片灯亮度必须满足观察底片黑度Dmin≥2.0。底片黑度测定要求：按标准规定，其下限黑度是指底片两端焊缝余高中心位置的黑度，其上限黑度是指底片中部焊缝两侧热影响区（母材）位置的黑度。只有当有效评定区各点的黑度均在规定的围方为合格。底片评定围的黑度应符合下列规定：A级：≥1.5；AB级：≥2.0；B级：≥2.3；经合同各方同意，AB级最低黑度可降低至1.7，B级最低黑度可降低至2.0。透照小径管或其它截面厚度变化大的工件时，AB级最低黑度允许降低至1.5。 采用多胶片技术时，单片观察时单片的黑度应符合以上要求，多片迭加观察时单片黑度应不低于1.3。 ⑶标记：底片上标记的种类和数量应符合有关标准和工艺规定，标记 影像应显示完整、位置正确。常用标记分为识别标记：如工件编号、焊缝编号、及部位片号、透照日期；定位标记：如中心定位标记、搭接标记和标距带等；返修标记：如R1…N。上述标记应放置距焊趾不少于5mm。 ⑷伪缺陷：因透照操作或暗室操作不当，或由于胶片，增感屏质量不 好，在底片上留下的缺陷影像，如划痕、折痕、水迹、斑纹、静电感光、指纹、霉点、药膜脱落、污染等。上述伪缺陷均会影响评片的正确性，造成漏判和误判，所以底片上有效评定区域不许有伪缺陷影像。 页脚
软件设计模式与软件体系结构实验报告
《软件体系结构》大作业（1） 学院：软件学院 课程名称：软件体系结构 专业班级： 学生姓名：学号： 学生姓名：学号： 指导教师： 完成时间：年月日 评分表 1、叙述各小组成员完成本题目的分工协作情况。 小组中的每个成员都先理解题目要求及涉及的设计模式，并一起完成代码编写。另外，组长负责文档制作。 2、评分表 序号姓名评分是否组长 1 2 作业正文需要包括以下内容： 1、作业题目内容的详细描述。 2、完成本题目所采用的软件设计模式名称及画出相应的类图，或者是所采用的 软件体系结构名称及画出相应的体系结构图。
3、画出完成本题目所设计程序的设计类图；如还有其他图，也一并画出。 4、完成本题目所设计的程序代码。 5、程序运行的典型界面截图
1、作业题目内容的详细描述。 【作业2.1-1】例2.3为使用工厂方法模式设计的汽车保险管理应用程序实例。现在需要 扩展例2.3的设计图，添加一个名为LuxuryCarInsurance的类，并且需要编写此类和其他需要添加的类的代码，详细要求参见光盘的相应作业部分。 【作业2.1-1】在例2.4中，设计并且实现了豪华（Super）和中等（Medium）别墅（House）与公寓（Condo）的查询。要求在该设计的基础上，增加一个新的类SemiDetacher（半独立式楼宇），并且编写代码，实现相应的查询功能，详细要求参见光盘的相应作业部分。 2、完成本题目所采用的软件设计模式名称及画出相应的类图，或者是所采用的软件体系结构名称及画出相应的体系结构图。 【作业2.1-1】采用的是工厂方法模式 【作业2.1-2】采用的是抽象方法模式
射线检测底片评定表
焊接接头射线检测底片评定记录 NO.05-06 报告编号：12212BGRT01 共11页第1页 产品名称2#粗甲醇水冷器产品编号12212 检测标准JB/T4730.2-2005 序号焊接 接头 编号 底 片 编 号 底片 黑度 透照 厚度 mm 象 质 计 灵 敏 度 缺陷性质、数 量及位置 评 定 级 别 评 定 结 果 一次 透照 长度 mm 备 注 1 A1 1- 2 2.3-3.0 70 7 / I 合格280 2 2- 3 2.4-3.0 70 7 / I 合格280 3 3- 4 2.6-3.1 70 7 / I 合格280 4 4- 5 3.0-3.2 70 7 / I 合格280 5 5- 6 3.0-3.3 70 7 / I 合格280 6 6- 7 2.9-3.1 70 7 / I 合格280 7 7-8 2.8-3.2 70 7 / I 合格280 8 8-9 2.8-2.9 70 7 / I 合格280 9 9-10 3.1-3.3 70 7 / I 合格280 10 10-11 2.9-3.4 70 7 / I 合格280T 11 11-12 2.9-3.3 70 7 / I 合格280 12 12-13 2.8-3.0 70 7 / I 合格280 13 13-14 2.8-3.0 70 7 / I 合格280 14 14-15 2.7-3.0 70 7 / I 合格280 15 15-16 2.8-3.1 70 7 / I 合格280 16 16-17 2.7-3.0 70 7 / I 合格280 17 17-18 2.5-2.8 70 7 / I 合格280 18 18-19 2.8-3.0 70 7 / I 合格280T 19 19-20 2.8-3.0 70 7 / I 合格280 20 20-21 2.8-3.0 70 7 / I 合格280 初评人（资格）： 2013年6月16日复评人（资格）： 2013年6月16日
实验报告格式
《客户关系管理》课程实验实训报告
集团、卢森堡剑桥集团、亚洲创业投资基金（原名软银中国创业基金）共同投资成立。 当当网成立于1999年11月，以图书零售起家，已发展成为领先的在线零售商：中国最大图书零售商、高速增长的百货业务和第三方招商平台。当当网致力于为用户提供一流的一站式购物体验，在线销售的商品包括图书音像、服装、孕婴童、家居、美妆和3C数码等几十个大类，在库图书超过90万种，百货超过105万种。当当网的注册用户遍及全国32个省、市、自治区和直辖市。注册用户遍及全国32个省、市、自治区和直辖市。当当网于美国时间2010年12月8日在纽约证券交易所正式挂牌上市，是中国第一家完全基于线上业务、在美国上市的B2C网上商城。 当当网于2010年12月8日在纽约证券交易所正式挂牌上市，是中国第一家完全基于线上业务、在美国上市的B2C网上商城。2012年，当当网的活跃用户数达到1570万，订单数达到5420万。 2014年2月28日，当当和1号店已经签订合作协议，当当将在1号店销售图书，1号店将在当当平台上销售食品和日用百货。 公司创建： 当当网由李国庆和俞渝创立，李国庆先生任当当网CEO，俞渝女士目任当当网董事长。二人是夫妻，联手创业，早已在业内传为佳话。 李国庆毕业于北大，两次创业，均以出版为主体。在图书出版领域摸爬滚打了10年，很了解中国传统的图书出版和发行方面的所有环节。俞渝是纽约大学学金融MBA毕业的，在华尔街做融资，有过几个很成功的案例。她在美国生活了整整10年，投资者非常信任她，又有共同语言。 1996年，李国庆和俞渝邂逅，然后在纽约结婚，当当的故事也就开了头。两人从谈恋爱开始，就经常一起思考，一起聊亚马逊的商业模型与传统贸易手段的根本区别。后来夫妇俩常探讨在图书这个行业中间赚钱最关键的环节是什么，有着多年图书出版运营经验的李国庆说肯定是出版社和读者的直接联系。于是他们一起去找风险投资商，说服了IDG、LCHG（卢森堡剑桥集团，该集团公司拥有欧洲最大的出版集团）共同投资，目标锁定在凭借发达国家现代图书市场的运作模式和成熟的管理经验，结合当今世界最先进的计算机技术和网络技术，用来推动中国图书市场的“可供书目”信息事业，及“网上书店”的门户建设，成为中国最大的图书资讯集成商和供应商。 公司历史： 1999年11月，网站进入运营。 2000年2月，当当网首次获得风险投资。 2000年11月，当当网周年店庆大酬宾，在网民中引起巨大反响。 2001年6月，当当网开通网上音像店。 2001年7月，当当网日访问量超过50万（Unique Visitor），成为最繁忙的图书、音像店。 2003年4月，在“非典”肆虐之时，当当网坚持高速运转，满足读者对精神食粮的需求，被文化部等四家政府部门首推为“网上购物”优秀网站。 2003年6月，当当网、新浪网、SOHO、网通等公司举办“中国精神”活动，呼唤开放乐观的民族精神，引起轰动的社会反响。 2004年2月，当当网获得第二轮风险投资，著名风险投资机构老虎基金投资当当1100万美元。 2004年3月，当当网开通期刊频道。
设计模式实验报告
计算机科学与技术学院 实验报告 课程名称：软件设计模式 专业：计算机科学与技术班级：班 学号： 姓名：
实验一单例模式的应用 1 实验目的 1) 掌握单例模式（Singleton）的特点 2) 分析具体问题，使用单例模式进行设计。 2 实验内容和要求 很多应用项目都有配置文件，这些配置文件里面定义一些应用需要的参数数据。 通常客户端使用这个类是通过new一个AppConfig的实例来得到一个操作配置文件内容的对象。如果在系统运行中，有很多地方都需要使用配置文件的内容，系统中会同时存在多份配置文件的内容，这会严重浪费内存资源。 事实上，对于AppConfig类，在运行期间，只需要一个对象实例就够了。那么应该怎么实现呢？用C#控制台应用程序实现该单例模式。绘制该模式的UML图。 [代码截图]： namespace实验一_单例模式_ { class Program { static void Main(string[] args) { AppConfig appc1 = AppConfig.GetAppConfig(); AppConfig appc2 = AppConfig.GetAppConfig(); appc1.SetParameterA("hello"); appc2.SetParameterA("hi"); if (appc1.Equals(appc2)){ Console.WriteLine("appc1 和 appc2 代表的是同一个实例"); } else{ Console.WriteLine("appc1 和 appc2 代表的是不同实例"); } Console.WriteLine(appc1.GetParameterA()); Console.WriteLine(appc2.GetParameterA()); Console.ReadKey();
贝叶斯分类实验报告doc
贝叶斯分类实验报告 篇一：贝叶斯分类实验报告 实验报告 实验课程名称数据挖掘 实验项目名称贝叶斯分类 年级 XX级 专业信息与计算科学 学生姓名 学号 1207010220 理学院 实验时间： XX 年 12 月 2 日 学生实验室守则 一、按教学安排准时到实验室上实验课，不得迟到、早退和旷课。 二、进入实验室必须遵守实验室的各项规章制度，保持室内安静、整洁，不准在室内打闹、喧哗、吸烟、吃食物、随地吐痰、乱扔杂物，不准做与实验内容无关的事，非实验用品一律不准带进实验室。 三、实验前必须做好预习（或按要求写好预习报告），未做预习者不准参加实验。四、实验必须服从教师的安排和指导，认真按规程操作，未经教师允许不得擅自动用仪器设备，特别是与本实验无关的仪器设备和设施，如擅自动用
或违反操作规程造成损坏，应按规定赔偿，严重者给予纪律处分。 五、实验中要节约水、电、气及其它消耗材料。 六、细心观察、如实记录实验现象和结果，不得抄袭或随意更改原始记录和数据，不得擅离操作岗位和干扰他人实验。 七、使用易燃、易爆、腐蚀性、有毒有害物品或接触带电设备进行实验，应特别注意规范操作，注意防护；若发生意外，要保持冷静，并及时向指导教师和管理人员报告，不得自行处理。仪器设备发生故障和损坏，应立即停止实验，并主动向指导教师报告，不得自行拆卸查看和拼装。 八、实验完毕，应清理好实验仪器设备并放回原位，清扫好实验现场，经指导教师检查认可并将实验记录交指导教师检查签字后方可离去。 九、无故不参加实验者，应写出检查，提出申请并缴纳相应的实验费及材料消耗费，经批准后，方可补做。 十、自选实验，应事先预约，拟订出实验方案，经实验室主任同意后，在指导教师或实验技术人员的指导下进行。 十一、实验室内一切物品未经允许严禁带出室外，确需带出，必须经过批准并办理手续。 学生所在学院：理学院专业：信息与计算科学班级：信计121
模式识别实验报告(一二)
信息与通信工程学院 模式识别实验报告 班级： 姓名： 学号： 日期：2011年12月
实验一、Bayes 分类器设计 一、实验目的： 1.对模式识别有一个初步的理解 2.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 3.理解二类分类器的设计原理 二、实验条件： matlab 软件 三、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 ) (i P ω， ) (i X P ω，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： ∑== c j i i i i i P X P P X P X P 1 ) ()() ()()(ωωωωω 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i a ,i=1,…，a 的条件风险 ∑== c j j j i i X P a X a R 1 )(),()(ωω λ,i=1,2,…,a 3)对(2)中得到的a 个条件风险值) (X a R i ,i=1,…，a 进行比较，找出使其条件风险最小的 决策k a ，即()() 1,min k i i a R a x R a x == 则 k a 就是最小风险贝叶斯决策。 四、实验内容 假定某个局部区域细胞识别中正常（1ω）和非正常（2ω）两类先验概率分别为 正常状态：P （1ω）=； 异常状态：P （2ω）=。 现有一系列待观察的细胞，其观察值为x ： 已知先验概率是的曲线如下图：
)|(1ωx p )|(2ωx p 类条件概率分布正态分布分别为（-2，）（2,4）试对观察的结果 进行分类。 五、实验步骤： 1.用matlab 完成分类器的设计，说明文字程序相应语句，子程序有调用过程。 2.根据例子画出后验概率的分布曲线以及分类的结果示意图。 3.最小风险贝叶斯决策，决策表如下： 结果,并比较两个结果。 六、实验代码 1.最小错误率贝叶斯决策 x=[ ] pw1=; pw2=; e1=-2; a1=; e2=2;a2=2; m=numel(x); %得到待测细胞个数 pw1_x=zeros(1,m); %存放对w1的后验概率矩阵 pw2_x=zeros(1,m); %存放对w2的后验概率矩阵
设计模式实验报告-建造者模式
建造者模式 建造者 建造者设计模式定义了处理其他对象的复杂构建的对象设计。 问题：创建复杂对象时候，构造函数的创建会涉及通用体系结构判定。某些编程人员认为任何构造函数都应当执行适当的逻辑以创建整个对象。另外一些编程人员则认识到将某些逻辑分解入其他方法才是有意义的。采用后一种样式设计的构造函数基本上是一系列请求实例化的方法。上述两种解决方案都不是特别灵活。事实上，它们根本就是错误的解决方案。 解决方案：我们可以基于一组业务逻辑的结果来构造对象。在示例中，对象只有特定的部分必须被创建。如果完全定义对象的所有部分，那么可能导致完全预见不能的结果。 多个方法调用的复杂性问题在使用之处似乎并非太严重，但该复杂性却是缓慢增长的。如果需要经常调用这些方法，那么就应当创建一个Builder对象。 UML MyObject MyObjectBuilder -MyObject:MyObect +complexFunctionA() +createInstanceOfMyObject() +complexFunctionB() +buideMyObject(configurationOptions) +getBuiltMyObject() *MyObject类具有能够完全实现对象构造的两个方法。为了具有完整的Myobject对象，需要执行complexFunctionA()和complexFunctionB()方法。 * MyObjectBuilder类包含一个名为createInstanceOfMyObject()的方法。这个类负责创建Myobject类的一个简单实例。需要注意没有用于进一步构造的配置选项。这个类还存储MyObjectBuilder类创建的实例中的私有实例。 *buildMyObject（）方法接受参数configurationOption。这个方法用于调用在MyObjectBuilder 对象中存储的MyObject对象的complexFunctionA()和complexFunctionB()方法。 *getBuildObject（）方法返回MyObjectBuilder对象内部Myobject对象的私有实例，该实例既是完整的，也是正常构建的。 示例代码演示： _type=$type; } public function setSize($size) {
射线无损检测底片评定制度
射线无损检测底片评定制度 1．射线无损检测评片按JB4730-94《压力容器无损检测》标准，焊缝射线透照检测中相关要求执行。 2．射线无损检测底片评定、审核工作必须由射线Ⅱ级资格人员担任。3．评片人员必须了解被检工件的焊接种类、焊接方法、坡口型式以及材料种类等，以提供评片时参考。 4．评片应在专用评片室内进行。评片室内的光线应暗淡，但不全暗，室内照明用光不得在底片表面产生反射。 5．评片时，底片应在干燥后观察，观察应在光线暗淡的评片室内进行，观片灯应有观察片最大黑度为3.5的最大亮度。 6．评片的底片质量应符合下列要求： 6．1底片上必须显示出与透明厚度相对应的要求达到的最小像质指数； 6．2底片有效评定区域内的黑度应满足1.2~3.5的要求。 6．3底片上象质计影象位置应正确，定位标记和识别标记齐全，且不掩盖被检焊缝影象。在焊缝影象上，能清晰地看到长度小于10mm的象质计金属丝影象； 6．4在底片评定区域内不应有以下妨碍底片评定的假缺陷；6．4．1灰雾 6．4．2处理时产生的条纹、水迹或化学污斑等缺陷； 6．4．3划痕、指纹、脏物、静电痕迹、黑点或撕裂等； 6．4．4由于增感屏不好造成的缺陷。
6．5对上述不符和底片质量要求的底片应拒绝评定，并要求重拍。6．6评片人员根据底片上全影象，按JB4730-94《压力容器无损检测》标准中，焊缝射线透照缺陷等级评定的规定进行评定，缺陷评定应坚持：定性（定缺陷特性）；定量（定缺陷的大小尺寸和数量）；定位（定缺陷所处位置）；定级（按JB4730标准评定质量等级）的四定原则。 6．7焊缝无损检测底片评定合格，开出无损检测合格通知单，出具射线无损检测报告，不合格焊缝开出焊缝返修通知单，按相关规定要求返修后复拍再重新评定。 6．8报告及验收标记 6．8．1报告至少应包括以下内容： 6．8．1．1委托部门、被检工件名称、编号、被检工件材质、母材厚度； 6．8．1．2检测装置的名称、型号、透照方法及透照规范，透照部位及无损检测。 6．8．1．3检测结果、缺陷等级评定及检测标准名称；6．8．1．4返修情况； 6．8．1．5检验人员和责任人员签字及其技术资格、检测日期。6．8．2验收标记 6．8．2．1如果检测内容作为压力容器产品验收的项目，则检测合格的所有工件上都应作永久性或半永久性的标记，标记应醒目。产品上不适合打印标记时，应采取详细的检测示意图或其它有效方式标
模式识别实验报告
实验一Bayes 分类器设计 本实验旨在让同学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。 1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)(i P ω，)(i X P ω，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： ∑== c j i i i i i P X P P X P X P 1 ) ()() ()()(ωωωωω 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i a ,i=1,…，a 的条件风险 ∑== c j j j i i X P a X a R 1 )(),()(ωω λ,i=1,2,…,a (3)对(2)中得到的a 个条件风险值)(X a R i ,i=1,…，a 进行比较，找出使其条件风险最小的决策k a ，即 则k a 就是最小风险贝叶斯决策。 2实验内容 假定某个局部区域细胞识别中正常（1ω）和非正常（2ω）两类先验概率分别为 正常状态：P （1ω）=0.9； 异常状态：P （2ω）=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 -0.7932 -2.8531 -2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752 -3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682 -1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532 已知类条件概率密度曲线如下图： )|(1ωx p )|(2ωx p 类条件概率分布正态分布分别为（-2，0.25）（2,4）试对观察的结果进 行分类。 3 实验要求 1) 用matlab 完成分类器的设计，要求程序相应语句有说明文字。 2) 根据例子画出后验概率的分布曲线以及分类的结果示意图。 3) 如果是最小风险贝叶斯决策，决策表如下：