实验二单样本符号检验
非参数统计分析
实
验
指
导
书
朱宁编
2012.3.12
实验二单样本符号检验
一.实验目的
1.了解Excel、Minitab程序结构及其使用方法；
2.会用Excel、Minitab对数据进行预处理；
3.会用符号检验法来解决中位数的检验问题。
二.实验要求
1. 会用Excel、Minitab软件对建立的数据集进行分析；
2. 掌握中位数检验问题的符号检验法及其步骤。
三.实验原理
1.基本原理
在对总体分布不做任何假设的前提下，当原假设错误!未找到引用源。：（已知）为真时，大于错误!未找到引用源。的数据个数S+与小于错误!未找到引用源。的数据个数S-应该很接近；若两者相差太大，就有理由拒绝原假
设。
2.单样本中位数符号检验的适用范围
1)在数据呈偏态分布的情况下，我们可能对总体的中位数更感兴趣，希望对总
体的中位数做出推断，这时可以使用符号检验（sign test）的方法。
2)在非正态总体小样本的情况下，如果要对总体分布的位置进行推断，由于t
检验不适用，也可使用符号检验的方法。
3.符号检验的基本思想
每个数据都减去零假设中的中位数，记录其差值的符号。计算正、负符号的个数（差值为0的不计算在任何一个中），当原假设为真时二者应该很接近；若两者相差太远，就有理由拒绝原假设。
4.符号检验问题的原假设和备择假设
该假设检验有三种情况：原假设错误!未找到引用源。为：错误!未找到引用源。，其中错误!未找到引用源。是给定的常数.备择假设错误!未找到引用源。分别是:错误!未找到引用源。、错误!未找到引用源。和错误!未找到引用源。.
5.符号检验的检验统计量
检验统计量：错误!未找到引用源。
记号“#”表示计数，即S+是集合G中的元素，其中G是使得错误!未找到引用源。成立的错误!未找到引用源。（错误!未找到引用源。）构成的集合。错误!未找到引用源。
1)在原假设成立的条件下，检验统计量错误!未找到引用源。服从二项分布。
2)按照这个概率可以根据二项分布计算得到P值，从而得出检验的结论。
四.应用实例
【例1】某市劳动和社会保障部门的资料说明，1998年高级技术师的年收入的中位数为21700元.该市某个行业有一个由50名高级技师组成的样本.这些高级技师的年收入如下表：
用符号检验法来解决中位数的检验问题的步骤如下：
①给出原假设和备择假设。针对该问题，经计算，这50名高级技师年收入的中位数为23276，超过了全市高级技师年收入的中位数21700.因此，这个假设检验问题的原假设和备择假设分别为：
错误!未找到引用源。
②用统计软件Minitab进行符号检验的步骤：
a)将表1高级技师的年收入数据放在Excel里面做成一列；
b)输入数据：将Excel表中50个高级技师的年收入数据输入到C1列；
c)选择Stat（统计）下拉菜单；
图1 Stat下拉菜单对话框
d)选择Nonparametric（非参数）选项；
e)在Nonparametric的下拉菜单中选择1-Sample Sign（单样本符号）选
项；
图2 Nonparametric下拉菜单对话框
f)在对话框的Variable（变量）方框内键入C1；选择Test median（检验
中位数）并在Test median栏中键入欲检验的中位数错误!未找到引用源。
的值，本例是21700；还要在Alternative（备择）的下拉菜单的3个选项（小于，不等于和大于）中选择一项，本例是选大于。
图3 单样本符号对话框
g)单击OK(确定).
输出结果如下图：
图4 输出的检验结果图
从输出的结果可以看出，对于给定的α=0.05的检验水平，从得出的p值=0.0325<α,我们可以得出结论：拒绝原假设错误!未找到引用源。，从而认为总体中该行业高级技师的年收入的中位数错误!未找到引用源。>21700.
【例2】以上述50名高级技师年收入数据为例，来说明Excel在单样本场合符号检验中的应用。具体步骤如下：
同例1，首先给出假设问题的原假设和备择假设：
错误!未找到引用源。
①输入数据。如图5所示，A2:A51输入年收入数据，A1输入列标志“年收入”。
②计算S+。在C2单元格输入公式“=COUNTIF(A2:A51,">21700")”即可，该函
数表示统计A2:A51单元格中大于21700的数据点的个数。
③计算S-。在C3单元格输入公式“=COUNTIF(A2:A51,"<21700")”，该函数表
示统计A2:A51单元格中小于21700的数据点的个数。
④计算n。在C4单元格输入公式“=C2+C3”。
⑤由Excel计算P值。如果在Excel中输入“=binomdist（k，n，p，1）“，
就可以求得累积概率P（b(n，p)<=k）的值；如果在Excel中输入” =binomdist （k，n，p，0）“，则求得概率P（b(n,p)=k）的值.所以在Excel中输入”
“，就可以得到符号检验的P值，即P（b(n,1/2)>= 1-binomdist（S+-1，n，0.5,1）
S+）的值。此例中n=50，S+=32，由Excel算的检验的P值为P（b(n,1/2)>= 32）=0.32454.结果如图5所示。
⑥判断。根据以上计算出的数据可进行判断。
图5 Excel算的结果
通过Excel计算得到的结果可知：对于给定的α=0.05的检验水平，由于P 值比较小，即P=0.032454<0.05，因此我们认为在总体中该行业高级技师的年收入的中位数me比全市高级技师年收入的中位数21700元要高.倘若要根据观测值算的S+拒绝原假设，那么P值也可以用来度量犯第一类错误的概率.此例的P值为0.032454.它表示，若要根据S+=32拒绝原假设，那么犯第一类错误的概率只有0.032454.
注1：此例是针对备择假设为：错误!未找到引用源。情况，计算得到的P值；如果是对于错误!未找到引用源。情况，由Excel算P值，应在Excel中键入“=binomdist（S+，n，0.5,1）“，就可以求得P（b(n，1/2)<=S+）的值；如果
是对于错误!未找到引用源。情况，由Excel算P值：S+>=n/2时输入”2（1-binomdist（S+-1，n，0.5,1））“；S+<=n/2时输入”2（binomdist（S+，n，0.5,1））“，即可求得P值。至于选择哪种情况，要视具体问题来选择。
注2：n为S++S-而不是题中的数据总数。
五.（本次课）实验内容
某地区从事管理工作的职员的月收入的中位数是6500元.现有一个该地区从事管理工作的40个妇女组成的样本.她们的月收入数据如下表。使用该样本数据检验：该地区从事管理工作的妇女的月收入的中位数是否低于6500元？
要求：分别用Minitab和Excel来完成。
表2 职员的月收入数据
六.课后练习（注：一班做练习4，二班做练习5，其它练习选做）
【练习1】质量监督部门对商店里出售的某厂家的西洋参片进行抽查。对于25包写明净重为100g的西洋参片的承重结果为：
99.05 100.25 102.56 99.15 104.89 101.86 96.37 96.79 99.37
96.90 93.94 92.97 108.28 96.86 93.94 98.27 98.36 100.81
92.99 103.72 90.66 98.24 97.87 99.21 101.79
检验厂家包装的西洋参片分量是否足够。由于不了解总体分布，因此对其进行符号检验。原假设和备择假设为：错误!未找到引用源。
【练习2】假设某地16座预出售的楼盘均价，单位（百元/平方米），数据如下所示：
36 32 31 25 28 36 40 32
41 26 35 35 32 87 33 35
问：该地区平均楼盘价格是否与媒体公布的3700元/平方米的说法一致？
原假设和备择假设为：错误!未找到引用源。
【练习3】某城镇去年居民家庭平均每人每月生活费收入275元。根据抽样调查，今年该城镇50户居民家庭平均每人每月生活费收入如下：
367 322 294 273 237 398 327 298 276 246
311 355 240 275 296 324 382 229 264 288
235 271 291 319 360 226 262 286 309 352
337 222 260 284 304 343 217 259 283 303
200 253 281 301 329 212 257 281 303 332
试问该城镇居民家庭平均每人每月生活费收入今年与去年比较是否明显提
高（α=0.05）？
原假设和备择假设为： H0：μ=275；H1：μ>275。
【练习4】如果一个矩形的宽度w与长度l
的比
1
1)0.618
2
w
l
=≈，这样的矩
使用符号检验法检验假设
0:0.618
Hμ= vs
1:0.618
Hμ≠。
【练习5】下表为不同季节20个实验动物体重变化情况。A 组表示冬季, B 组表
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。
数字图像处理实验报告
数字图像处理实验报告 实验一数字图像基本操作及灰度调整 一、实验目的 1)掌握读、写图像的基本方法。 2)掌握MATLAB语言中图像数据与信息的读取方法。 3)理解图像灰度变换处理在图像增强的作用。 4)掌握绘制灰度直方图的方法，理解灰度直方图的灰度变换及均衡化的方 法。 二、实验内容与要求 1.熟悉MATLAB语言中对图像数据读取，显示等基本函数 特别需要熟悉下列命令：熟悉imread()函数、imwrite()函数、size()函数、Subplot（）函数、Figure（）函数。 1)将MATLAB目录下work文件夹中的forest.tif图像文件读出.用到imread， imfinfo 等文件，观察一下图像数据，了解一下数字图像在MATLAB中的处理就是处理一个矩阵。将这个图像显示出来（用imshow）。尝试修改map颜色矩阵的值，再将图像显示出来，观察图像颜色的变化。 2)将MATLAB目录下work文件夹中的b747.jpg图像文件读出，用rgb2gray() 将其 转化为灰度图像，记为变量B。 2.图像灰度变换处理在图像增强的作用 读入不同情况的图像，请自己编程和调用Matlab函数用常用灰度变换函数对输入图像进行灰度变换，比较相应的处理效果。 3.绘制图像灰度直方图的方法，对图像进行均衡化处理 请自己编程和调用Matlab函数完成如下实验。 1)显示B的图像及灰度直方图，可以发现其灰度值集中在一段区域，用 imadjust函 数将它的灰度值调整到[0，1]之间，并观察调整后的图像与原图像的差别，调整后的灰
度直方图与原灰度直方图的区别。 2) 对B 进行直方图均衡化处理，试比较与源图的异同。 3) 对B 进行如图所示的分段线形变换处理，试比较与直方图均衡化处理的异同。 图1.1 分段线性变换函数 三、实验原理与算法分析 1. 灰度变换 灰度变换是图像增强的一种重要手段，它常用于改变图象的灰度范围及分布，是图象数字化及图象显示的重要工具。 1) 图像反转 灰度级范围为[0, L-1]的图像反转可由下式获得 r L s --=1 2) 对数运算：有时原图的动态范围太大，超出某些显示设备的允许动态范围， 如直接使用原图，则一部分细节可能丢失。解决的方法是对原图进行灰度压缩，如对数变换： s = c log(1 + r )，c 为常数，r ≥ 0 3) 幂次变换： 0,0,≥≥=γγc cr s 4) 对比拉伸：在实际应用中,为了突出图像中感兴趣的研究对象，常常要求 局部扩展拉伸某一范围的灰度值，或对不同范围的灰度值进行不同的拉伸处理，即分段线性拉伸： 其对应的数学表达式为：
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
统计学两个独立样本T检验
《统计学》实验分析报告 实验完成者 罗雪清 班级 2014级1班 学号 201406240122 实验时间 2016 年5月12 日 一、实验名称 假设检验——两个独立样本T检验 二、实验目的 1、能够熟练使用SPSS进行两个彼此独立的来自正态分布总体的样本的T检验； 2、掌握利用来自两个总体的独立样本，推断两个总体的均值是否存在显著差异的方法； 3、运用SPSS分析检验。 三、实验步骤 1、打开SPSS，选择输入变量； 2、定义变量，输入数据。①点击“变量视图”定义变量工作表，用“name”命令定义变量“汽油价格”；②变量“月份”，1月份赋值为“1”，2月份赋值为“2”；③点击“数据视图”，按顺序将汽油价格输入，同时在月份中输入对应的月份； 3、设置分析变量。数据输入完后，点菜单栏：“分析”→“比较均值”→“独立样本T检验（T）”，将“汽油价格”移到检验变量列表中进行分析，将“月份”移到分组变量列表中进行分析，定义组：1月份为“1”，2月份为“2”；置信区间为95%，点击确定。
四、实验结果及分析 附件一：组统计量表，给出了各个样本的均值，标准差和均值的标准误；附件二：单个样本检验表，给出了各个样本的F值(F)t值(t)、自由度(df)、P值(Sig.双尾)、均值差值、差值的95%可信区间等。 通过F检验，得出概率p=0.100大于0.05，所以不能拒绝原假设，即认为两总体方差相等；再经T检验，得出概率0.283大于0.05，所以不能拒绝原假设，即认为方差相等，故：假说：“该地区1月份和2月份的汽油价格存在较大的变动”成立。 五、自评及问题 1、掌握了两个独立样本T检验的基本原理和运用SPSS分析检验； 2、熟悉SPSS软件操作和方法； 3、通过检验得出结论的真否，能够更快更简单的检验数据； 4、对数据的检验，让我很快的了解该数据的代表性。 六、成绩 七、指导教师 附件一、 附件二、
信号与系统实验报告_1(常用信号的分类与观察)
实验一：信号的时域分析 一、实验目的 1.观察常用信号的波形特点及产生方法 2.学会使用示波器对常用波形参数的测量 二、实验仪器 1.信号与系统试验箱一台（型号ZH5004） 2.40MHz双踪示波器一台 3.DDS信号源一台 三、实验原理 对于一个系统特性的研究，其中重要的一个方面是研究它的输入输出关系，即在一特定的输入信号下，系统对应的输出响应信号。因而对信号的研究是对系统研究的出发点，是对系统特性观察的基本手段与方法。在本实验中，将对常用信号和特性进行分析、研究。 信号可以表示为一个或多个变量的函数，在这里仅对一维信号进行研究，自变量为时间。常用信号有：指数信号、正弦信号、指数衰减正弦信号、复指数信号、Sa(t)信号、钟形信号、脉冲信号等。 1、信号：指数信号可表示为f(t)=Ke at。对于不同的a取值，其波形表现为不同的形式，如下图所示： 图1―1 指数信号 2、信号：其表达式为f（t）=Ksin（ωt＋θ），其信号的参数：振幅K、角频率ω、与初始相位θ。其波形如下图所示：
图1－2 正弦信号 3、指数衰减正弦信号：其表达式为其波形如下图： 图1－3 指数衰减正弦信号 4、Sa(t)信号：其表达式为：。Sa(t)是一个偶函数，t= ±π,±2π,…,±nπ时，函数值为零。该函数在很多应用场合具有独特的运用。其信号如下图所示：
图1－4 Sa（t）信号 5、钟形信号（高斯函数）：其表达式为：其信号如下图所示： 图1－5 钟形信号 6、脉冲信号：其表达式为f(t)=u(t)-u(t-T)，其中u(t)为单位阶跃函数。其信号如下图所示： 7、方波信号：信号为周期为T，前T/2期间信号为正电平信号，后T/2期间信号为负电平信号，其信号如下图所示 U(t)
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
遥感图像处理 分类 实验报告
Lab6 non-parametric classification and post classification 12021005龚鑫烨Objection：the major object of the current lab section are to implement non-parametric classification based on BP networks and support vector machines algorithms,with a full mastery of post-classification operation. Data: the subset of spot 5 imagery covering NJ. Steps: 1、identify a training dataset and an independent set of validation data for built-up, forest,cropland,grassland and water. 2、Implementing above-mentioned non-parametric algorithms to classify your image. 3、Validating your classification. 4、Refining your classification by implementing the majority filtering and modeling process if possible. 实验步骤： 1、将数据加载到envi中
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。
两独立样本和配对样本T检验
两独立样本T检验 目的：利用来自两个总体的独立样本，推断两个总体的均值是否存在显著差异。 检验前提： 样本来自的总体应服从或近似服从正态分布； 两样本相互独立，样本数可以不等。 两独立样本T检验的基本步骤： 提出假设 原假设H_0：μ_1-μ_2=0 备择假设H_1：μ_1-μ_2≠0 建立检验统计量 如果两样本来自的总体分别服从N(μ_1,σ_1^2 )和N(μ_2,σ_2^2 )，则两样本均值差(x_1 ) ?-x ?_2应服从均值为μ_1-μ_2、方差为σ_12^2的正态分布。 第一种情况：当两总体方差未知且相等时，采用合并的方差作为两个总体方差的估计，为：s^2=((n_1-1) s_1^2+(n_2-1) s_2^2)/(n_1+n_2-2) 则两样本均值差的估计方差为： σ_12^2=s^2 (1/n_1 +1/n_2 ) 构建的两独立样本T检验的统计量为： t= ((x_1 ) ?-x ?_2)/√(s^2 (1/n_1 +1/n_2 ) ) 此时，T统计量服从自由度为n_1+n_2-2个自由度的t分布。 第二种情况：当两总体方差未知且不相等时，两样本均值差的估计方差为： σ_12^2=(s_1^2)/n_1 +(s_2^2)/n_2 构建的两独立样本T检验的统计量为： t= ((x_1 ) ?-x ?_2)/√((s_1^2)/n_1 +(s_2^2)/n_2 ) 此时，T统计量服从修正自由度的t分布，自由度为： f= ((s_1^2)/n_1 +(s_2^2)/n_2 )^2/(((s_1^2)/n_1 )^2/n_1 +((s_2^2)/n_2 )^2/n_2 ) 可见，两总体方差是否相等是决定t统计量的关键。所以在进行T检验之前，要先检验两总体方差是否相等。SPSS中使用方差齐性检验（Levene F检验）判断两样本方差是否相等近而间接推断两总体方差是否有显著差异。 三、计算检验统计量的观测值和p值 将样本数据代入，计算出t统计量的观测值和对应的概率p值。 四、在给定显著性水平上，做出决策 首先，利用F统计量判断两总体方差是否相等，Levene F检验的原假设为两独立总体方差相等。概率p<0.05时，有充分理由拒绝原假设，说明方差不齐；否则，两样本方差无显著性差异。 其次，将设定的显著性水平α与检验统计量的p值比较，如果t统计量的p值小于α，落入拒绝域内，则我们有充分理由拒绝原假设，认为两总体均值有显著差异。 SPSS实现过程： 菜单：Analyze -> Compare Means-> Independent Samples T test Test Variable(s)：待检验的变量（一般是定距或定序变量） Grouping Variable ：分组变量（只能比较两个样本）
遥感非监督分类实验报告书
遥感非监督分类实验报告书 部门： xxx 时间： xxx 整理范文，仅供参考，可下载自行编辑
遥感图像的非监督分类实验报告 姓名：李全意 专业班级：地科二班 学号：2018214310 指导教师：段艳 日期：2018年6月3日 1. 实验目的 通过本实验加强对遥感非监督分类处理理论部分的理解，熟练掌握图像非监督分类的处理方法，并将处理前后数据进行比较。 b5E2RGbCAP 2. 实验准备工作 <1）准备遥感数据<本实验使用的是老师提供的遥感数据）； <2）熟悉遥感图像非监督分类的理论部分 3．实验步骤 4. 实验数据分析与结论 <1）通过分类前后图像的比较，发现非监督分类后的图像容易区分不同地物； <2）分类过程中存在较多错分漏分现象，同种类别中有多种地物； <3）非监督分类根据地物的光谱统计特性进行分类，客观真实且方法简单，而且具有一定的精度。 5. 实验收获及需要解决的问题 <1）对非监督分类处理遥感图像方法有了总体上的认识，基本上掌握该方法的具体操作步骤，会用该方法处理一些遥感图图像。 p1EanqFDPw
Unsupervised Classification, 在Unsupervised Classification对话框中，将参数设计设计如下： Number of classes：30,一般将分类数取为最终分类数的2倍以上；Maximum Iterations：18； 点击Color Scheme Options决定输出的分类图像为黑白的；Convergence Threshold：0.95。 点击OK即可。打开完成后图像与原图像对比： 原图：完成后： <2）打开原图像，在视窗中点击File/Open/Raster Layer，选择分类监督后的图像classification1.img，在Raster Options中，取消Clear Display如下：
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
编译原理 第八章符号表
第八章符号表 编译过程中编译程序需要不断汇集和反复查证出现在源程序中各种名字的属性和特征等有关信息。这些信息通常记录在一张或几张符号表中。符号表的每一项包含两部分，一部分是名字（标识符），另一部分是此名字的有关信息。每个名字的有关信息一般指种属（如简单变量、数组、过程等）、类型（如整、实、布尔等）等等。这些信息将使用于语义检查、产生中间代码以及最终生成目标代码等不同阶段。 编译过程中，每当扫描器识别出一个单词后，编译程序就查阅符号表，看它是否已在其中。如果它是一个新名就将它填进表里。它的有关信息将在词法分析和语法-语义分析过程中陆续填入。 符号表中所登记的信息在编译的不同阶段都要用到。在语义分析中，符号表所登记的内容将用于语义检查（如检查一个名字的使用和原先的说明是否相一致）和产生中间代码。在目标代码生成阶段，当对符号名进行地址分配时，符号表是地址分配的依据。对于一个多遍扫描的编译程序，不同遍所用的符号表也往往各有不同。因为每遍所关心的信息各有差异。 本章重点：符号表的一般组织和使用方法。 第一节符号表的组织和使用 信息栏通常包含许多子栏和标志位，用来记录相应名字的种种不同属性。由于查填符号表一般都是通过匹配名字来实现的，因此，名字栏也称主栏。主栏的内容称为关键字（key word）。 虽然原则上说，使用一张统一的符号表也就够了，但是，许多编译程序按名字的不同种属分别使用许多符号表，如常数表、变量名表、过程名表等等。这是因为，不同种属名字的相应信息往往不同，并且信息栏的长度也各有差异的缘故。因而，按不同种属建立不同的符号表在处理上常常是比较方便的。 对于编译程序的符号表来说，它所涉及的基本操作大致可归纳为五类： 1、对给定名字，确定此名是否在有中； 2、填入新名； 3、对给定名字，访问它的有关信息； 4、对给字名字，填写或更新它的某些信息； 5、删除一个或一组无用的项。 不同种类的表格所涉及的操作往往也是不同的。上述五方面只是一些基本的共同操作。 符号表最简单的组织方式是让各项各栏所占的存储单元的长度都是固定的。这种项栏长度固定的表格易于组织、填写和查找。对于这种表格，每一栏的内容可直接填写在有关的区段里。例如，有些语言规定标识符的长度不得超过8个字符，于是，我们就可以用两个机器字作为主栏（假定每个机器字可容四个字符）每个名字直接填写在主栏中。若标识长度不到8个字符，则用空白符补足。这种直接填写式的表格形式如下： 但是，有许多语言对标识符的长度几乎不加限制，或者说，标识符的长度范围甚宽。譬如说，
使用SPSS进行两组独立样本的t检验、F检验、显著性差异、计算p值
使用SPSS 进行两组独立样本的t检验、F检验、显著性差异、计算p值 SPSS版本为SPSS 20. 如有以下两组独立的数据，名称分别为“111”，“222”。 111组：4、5、6、6、4 222组：1、2、3、7、7 首先打开SPSS，输入数据，命名分组，体重和组名要对应，111组的就不要输入到222组了。数据视图如下： 变量视图如下，名称可以改成“分组嗷嗷嗷”“体重喵喵喵”等
点击“分析”-“比较均值”-“独立样本T检验” 来到这里，分组变量为“分组嗷嗷嗷”，检验变量为“体重喵喵喵”。
【关键的一步】点击分组嗷嗷嗷，进行“定义组”
【关键的一步】输入对应的两组数据的组名：“ 111”和“222” 点击确定，可见数据与组名对应上了。
点击“确定”，生成T检验的报告，即将大功告成！
第一个表都知道什么回事就不缩了，excel都能实现的。 第二个表才是重点，不然用SPSS干嘛。 F检验：在两样本t检验中要用到F检验，F检验又叫方差齐性检验，用于判断两总体方差是否相等，即方差齐性。 如图：F旁边的 Sig的值为.007 即0.007， <0.01, 即两组数据的方差显著性差异！ 看到“假设方差相等”和“假设方差不相等”了么？ 此时由于F检验得出Sig <0.01，即认为假设方差不相等！因此只关注红框中的数据即可。 如图，红框内，Sig（双侧），为.490即0.490，也就是你们要求的P值啦， Sig ( 也就是P值 ) >0.05，所以两组数据无显著性差异。 PS：同理，如果F检验的Sig >.05（即>0.05），则认为两个样本的假设方差相等。 所以相应的t检验的结果就看上面那行。
图像编码实验报告
图 像 压 缩 编 码（实验报告）
一、实验目的 1．理解图像压缩目的及意义； 2．理解有损压缩和无损压缩的概念； 3．了解几种常用的图像压缩编码方法； 4．利用MATLAB程序进行图像压缩。 二、实验原理 图像压缩主要目的是为了节省存储空间，提高存储、处理、传输速度。虽然表示图像需要大量的数据，但数据是高度相关的，或者说存在冗余（Redundancy），去掉这些冗余信息可以有效地压缩图像，同时不会损坏图像的有效信息。信息的冗余量有许多种，如空间冗余，时间冗余，结构冗余，知识冗余，视觉冗余等，数据压缩实质上是减少这些冗余量。高效编码的主要方法是尽可能去除图像中的冗余成分，从而以最小的码元包含最大的图像信息。 图像压缩的理想标准是信息丢失最少，压缩比例最大。不损失图像质量的压缩称为无损压缩，无损压缩不可能达到很高的压缩比；损失图像质量的压缩称为有损压缩，高的压缩比是以牺牲图像质量为代价的。压缩的实现方法是对图像重新进行编码，希望用更少的数据表示图像。 编码压缩方法有许多种，从不同的角度出发有不同的分类方法，从信息论角度出发可分为两大类。 （1）冗余度压缩方法，也称无损压缩、信息保持编码或嫡编码。具体说就是解码图像和压缩编码前的图像严格相同，没有失真，从数学上讲是一种可逆运算。 （2）信息量压缩方法，也称有损压缩、失真度编码或烟压缩编码。也就是说解码图像和原始图像是有差别的，允许有一定的失真。 应用在多媒体中的图像压缩编码方法，从压缩编码算法原理上可以分为以下几类： （1）熵编码。熵编码是纯粹基于信号统计特性的编码技术，是一种无损编码。熵编码的基本原理是给出现概率较大的符号赋予一个短码字，而给出现概率较小的符号赋予一个长码字，从而使得最终的平均码长很小。
编译原理练习三
编译原理练习三 一、填空题 1．编译过程中，每当扫描器识别出一个名字后，编译程序就查阅，看该名字是否在其中。如果该名字是一个新名字就将它添进。 2．在语义分析阶段，符号表所登记的信息将用于和；在目标代码生成阶段，符号表是的依据。 3．过程信息表中必须包括、和。 4．编译程序使用区别标识符的作用域。 5．编译程序在其工作过程中使用最多的数据结构是。它记录着源程序中的各种信息，以便查询和修改。在这些中，尤以最为重要，它的生存期最长，使用也最频繁。 6．过程与过程引用中信息交换的方法是和。 7．PASCAL语言中局部变量的作用域为。 8．将过程的每次执行和过程的相对应就解决了过程递归调用所引起的问题。 9．形式参数和实在参数之间的对应关系通常按来确定。 10．对于某个压缩了的上下文无关文法，当把每个文法符号联系于一组属性，且让该文法的规则附加以时，称该文法为属性文法。 11．文法符号的属性有两种，一种称为，另一种称为。 12．一个文法符号的继承属性是通过语法树中它的结点的相应文法符号的属性来计算的，而综合属性是通过语法树中它的结点的属性之值来计算的。 13．语法制导的编译程序能同时进行分析和分析。 14．在PASCAL中，由于允许用户动态申请与释放内存空间，所以必须采用存储分配技术。 15．静态区的分配对象是。静态区分配的特点是。
二、选择题（单项和多项） 1．在编译过程中，符号表的主要作用是。 a.帮助错误处理 b.辅助语法错误的检查 c.辅助语义的（即上下文有关的）正确性检查 d.辅助代码生成 e.辅助对目标代码的优化 2．PASCAL中过程说明的局部量地址分配在。 a.调用者的数据区中 b.被调用者的数据区中 c.主程序的数据区中 d.公共数据区中 3．与PASCAL语言存储分配方式相似的语言是。 a.C语言 b.BASIC语言 c.FORTRAN-77 4．运行阶段的存储组织与管理的目的是。 a.提高编译程序的运行速度 b.提高目标程序的运行速度 c.为运行阶段的存储分配作准备 5．动态存储分配时，可以采用的分配方法有：。 a.以过程为单位的栈式动态存储分配 b.堆存储分配 c.最佳分配方法 6．过程调用时，参数的传递方法通常有。 a.传值 b.传地址 c.传结果 d.传名 7．过程调用的参数传递中，将出现的任一形蚕都代之以相应的实参的为，过程体对形参的任何引用或赋值都被处理成对形式单元的间接访问的为，像使用局部变量一样使用形式单元的为。 a.传值 b. 传名 c.传地址 d.传结果 8．FORTRAN编译中存储分配是。 a.静态存储分配 b. 动态存储分配 9．在编译方法中，动态存储分配的含义是什么？ a.在运行阶段对源程序中的量进行分配 b.在编译阶段对源程序中的量进行分配 c.在编译阶段对源程序中的量进行分配，在运行时这些量的地址可以根据需要 改变 d.以上都不正确
ENVI实验报告
实验报告 课程名称：系部名称：测绘工程学院专业班级：遥感科学与技术11-1班学生姓名：学号：指导教师：田静 实验报告1 实验报告2 篇二：envi上机报告 《遥感软件应用与开发》 实验指导书、作业 系部名称：测绘工程学院 专业班级：遥感科学与技术11-1班 学生姓名： 学号： 指导教师：田静 测绘工程学院 目录 《遥感软件应用与开发》课程实验指导书错误！未定义书签。 实验一：envi软件安装与基本功能操作3 实验二：影像的地理坐标定位和校正19 实验三：图像融合、图像镶嵌、图像裁剪 25 实验四：图像分类 31 实验报告： 37 实验报告1： 38 实验报告2： 41 实验报告3： 44 实验报告4： 47 实验一：envi软件安装与基本功能操作 一、实验目的 熟悉遥感数据图像处理软件envi的安装过程，了解envi基本信息、基本概念及其主要特性。对envi操作界面有一个基本的熟悉，对各菜单功能有一个初步了解，为后面的实验作好准备。 二、实验学时 2学时 三、实验类型 实践 四、实验原理及内容 （1）遥感图像处理软件envi界面总体介绍 （2）envi软件能识别的图像类型介绍 （3）各种图像文件的打开 重点： envi能识别的文件类型 学生可自行阅读帮助文件学习。 五、实验步骤 1．envi的安装 2．遥感图像处理软件envi界面介绍 启动envi后,出现主菜单条,一共12项 file：文件操作。支持众多的卫星和航空传感器。支持80多种图像以及矢 量数据格式的输入，支持多种格式图像文件的直接输入。可输 出的格式包括：栅格格式和矢量格式。 basic tools：基本图像工具。提供了多种envi功能的入口。这些功能对于
图像处理 实验报告
摘要： 图像处理，用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。基本内容图像处理一般指数字图像处理。数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。图像处理一般指数字图像处理。 数字图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。目前，图像处理演示系统应用领域广泛医学、军事、科研、商业等领域。因为数字图像处理技术易于实现非线性处理，处理程序和处理参数可变，故是一项通用性强，精度高，处理方法灵活，信息保存、传送可靠的图像处理技术。本图像处理演示系统以数字图像处理理论为基础，对某些常用功能进行界面化设计，便于初级用户的操作。 设计要求 可视化界面，采用多幅不同形式图像验证系统的正确性； 合理选择不同形式图像，反应各功能模块的效果及验证系统的正确性 对图像进行灰度级映射，对比分析变换前后的直方图变化； 1.课题目的与要求 目的： 基本功能：彩色图像转灰度图像 图像的几何空间变换：平移，旋转，剪切，缩放 图像的算术处理：加、减、乘 图像的灰度拉伸方法（包含参数设置）； 直方图的统计和绘制；直方图均衡化和规定化； 要求： 1、熟悉图像点运算、代数运算、几何运算的基本定
义和常见方法； 2、掌握在MTLAB中对图像进行点运算、代数运算、几何运算的方法 3、掌握在MATLAB中进行插值的方法 4、运用MATLAB语言进行图像的插值缩放和插值旋转等 5、学会运用图像的灰度拉伸方法 6、学会运用图像的直方图设计和绘制；以及均衡化和规定化 7、进一步熟悉了解MATLAB语言的应用，将数字图像处理更好的应用于实际2.课题设计内容描述 1>彩色图像转化灰度图像： 大部分图像都是RGB格式。RGB是指红，绿，蓝三色。通常是每一色都是256个级。相当于过去摄影里提到了8级灰阶。 真彩色图像通常是就是指RGB。通常是三个8位，合起来是24位。不过每一个颜色并不一定是8位。比如有些显卡可以显示16位，或者是32位。所以就有16位真彩和32位真彩。 在一些特殊环境下需要将真彩色转换成灰度图像。 1单独处理每一个颜色分量。 2.处理图像的“灰度“，有时候又称为“高度”。边缘加强，平滑，去噪，加 锐度等。 3.当用黑白打印机打印照片时，通常也需要将彩色转成灰白，处理后再打印 4.摄影里，通过黑白照片体现“型体”与“线条”，“光线”。 2>图像的几何空间变化： 图像平移是将图像进行上下左右的等比例变化，不改变图像的特征，只改变位置。 图像比例缩放是指将给定的图像在x轴方向按比例缩放fx倍，在y轴按比例缩放fy倍，从而获得一幅新的图像。如果fx=fy，即在x轴方向和y轴方向缩放的比率相同，称这样的比例缩放为图像的全比例缩放。如果fx≠fy，图像的比例缩放会改变原始图象的像素间的相对位置，产生几何畸变。 旋转。一般图像的旋转是以图像的中心为原点，旋转一定的角度，也就是将图像上的所有像素都旋转一个相同的角度。旋转后图像的的大小一般会改变，即可以把转出显示区域的图像截去，或者扩大图像范围来显示所有的图像。图像的旋转变换也可以用矩阵变换来表示。
校园植物种类调查实验报告
校园植物种类调查实验报告 一、目的要求 1．通过本实验使学生熟悉观察、研究区域植物及其分类的基本方法。 2．认识校园内外的常见植物。 二、材料用品 照相机、铅笔、笔记本、检索表等。 三、调查方法 实地调查、实物标本、查阅资料、访谈、小组讨论。 1、实地调查：小组成员分工参观并初步认识校园内植物，拍照，做好记录，将不认识的植物重点记录、做记号。 2、采集标本：采集植物的叶片、枝条或花朵等特征部分，压制做成植物标本。 3、采访讨教：带着植物照片及植物标本向教师或学校花工师傅请教，弄清植物的名称、特性。 4、查阅资料：到图书馆或利用网络查阅相关植物的资料，获取各种植物的详细信息。 5、整理资料：集中、收集所有成员的资料，对资料进行全面整理、筛选、分类。 6、实验报告：将资料、图片打印，汇集成实验报告。 7、制作PPT：用演示文稿形式，记录和呈现我们的探究过程，分享我们的研究心得。 三、调查内容 (一) 校园和公园植物形态特征的观察 植物种类的识别、鉴定必须在严谨、细致的观察研究后进行。在对植物进行观察研究时，首先要观察清楚每一种植物的生长环境，然后再观察植物具体的形态结构特征。植物形态特征的观察应起始于根(或茎基部)，结束于花、果实或种子。先用眼睛进行整体观察，细微、重要部分再借助放大镜观察。特别是对花的观察、研究要极为细致、全面，从花柄开
始，通过花萼、花冠、雄蕊，最后到雌蕊。必要时要对花进行解剖，分别作横切和纵切，观察花各部分的排列情况、子房的位置、组成雌蕊的心皮数目、子房室数及胎座类型等。只有这样，才能全面、系统地掌握植物的详细特征，才能正确、快速地识别和区分植物。 (二)植物种类的识别和鉴定 在对植物观察清楚的基础上，识别、鉴定植物就会变得很容易。对校园内外特征明显、自己又很熟悉的植物，确认无疑后可直接写下名称；生疏种类须借助于植物检索表等工具书进行检索、识别。 在把区域内的所有植物鉴定、统计后，写出名录并把各植物归属到科。 (三)植物的归纳分类 在对校园内外的植物进行识别、统计后，为了全面了解、掌握园内的植物资源情况，还须对它们进行归纳分类。分类的方式可根据自己的研究兴趣和植物具体情况进行选择。对植物进行归纳分类时要学会充分利用有关的参考文献。下面是几种常见的植物归纳分类方式。 1．按植物形态特征分类木本植物、乔木、灌木、木质藤本、草本植、一年生草本、二年生草本、多年生草本 2．按植物系统分类：苔藓植物、蕨类植物、裸子植物、被子植物、双子叶植物、单子叶植物 3．按经济价值分类：观赏植物、药用植物、食用植物、纤维植物、油脂植物、淀粉植物、材用植物、蜜源植物、鞣质植物、其它经济植物 (四) 编制植物的定距式检索表。 五、作业 1．写出所调查区域植物名录(归属到科)，并对它们进行归纳分类，形成完善的实验报告。 2．通过植物的调查、研究，谈谈你对学校或植物园绿化现状的看法