前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇關(guān)聯(lián)詞語練習(xí)范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

關(guān)聯(lián)詞語練習(xí)范文第1篇

第一種情況是成對出現(xiàn)的轉(zhuǎn)折關(guān)聯(lián)詞遺漏了某一部分。

例1：雖然他很高，他很瘦。

上面的例子是“但是”的遺漏，因為兩個分句的語義存在轉(zhuǎn)折，所以需要用上表示轉(zhuǎn)折的關(guān)聯(lián)詞。但是老撾留學(xué)生在漢語學(xué)習(xí)的初期，往往使用英Z作為媒介語，在英語中，類似“雖然……但是……”“即使……也……”這類轉(zhuǎn)折關(guān)聯(lián)詞是不可以同時出現(xiàn)的，最終導(dǎo)致了轉(zhuǎn)折關(guān)聯(lián)詞的遺漏。

第二種情況是單獨使用的轉(zhuǎn)折關(guān)聯(lián)詞遺漏。

例2：這堂剪紙課很有趣，時間太短了。

在這個句子中，顯然缺少了轉(zhuǎn)折關(guān)聯(lián)詞“然而/但是/可是”。在漢語中，有些分句之間可以使用單獨的轉(zhuǎn)折關(guān)聯(lián)詞來表達(dá)語義上的轉(zhuǎn)折關(guān)系，但正因為它們常常單獨使用，其他的標(biāo)記詞較少，所以留學(xué)生只能依靠對句義的理解來判斷是否需要使用，如果學(xué)生對句義理解有誤，那么就會出現(xiàn)轉(zhuǎn)折關(guān)聯(lián)詞的遺漏。

二、轉(zhuǎn)折關(guān)聯(lián)詞的誤加

第一種情況是誤加了不必要的轉(zhuǎn)折關(guān)聯(lián)詞。

例3：她喜歡紅色的毛衣，但是我討厭黃色的褲子。

在本句中，轉(zhuǎn)折關(guān)聯(lián)詞“但是”是不用加的。兩個句子看起來有語義上的轉(zhuǎn)折，但實際上根本不是轉(zhuǎn)折句。例3正是因為有了“喜歡”和“討厭”這一組反義詞，給留學(xué)生造成了轉(zhuǎn)折暗示，而誤加了“但是”。

第二種情況是在轉(zhuǎn)折復(fù)句中增加了其他不必要的成分。

例4：超市雖然離銀行很近，但是超市離醫(yī)院很遠(yuǎn)。

在例4中，為了避免句子成分贅余，第二個分句的主語“超市”需省略。對老撾留學(xué)生來說，開始學(xué)習(xí)漢語時，為避免出現(xiàn)句子成分的遺漏，會刻意追求完整，結(jié)果導(dǎo)致了句子成分的誤加。

三、轉(zhuǎn)折關(guān)聯(lián)詞語的誤用

第一種情況是混淆轉(zhuǎn)折關(guān)聯(lián)詞的意思，這種情況常見于關(guān)聯(lián)詞存在相同的語素。

例5：明天但是一個重要的日子。

在本句中，留學(xué)生想表達(dá)的是一個強(qiáng)調(diào)的關(guān)系，而非轉(zhuǎn)折關(guān)系，因此應(yīng)將“但是”改為“可是”，“可是”表示強(qiáng)調(diào)，有“實在是、真是”的意思，“但是”沒有這種用法。由于“但是”和“可是”兩個轉(zhuǎn)折關(guān)聯(lián)詞存在相同的語素“是”，從而導(dǎo)致了留學(xué)生的誤用。

第二種情況是將其他類型的關(guān)聯(lián)詞與轉(zhuǎn)折關(guān)聯(lián)詞雜糅在一起。

例6：漢字很難，盡管要是每天都練習(xí)，我寫的字依然不好看。

這句話中的“盡管要是”，是屬于兩種不同類型的關(guān)聯(lián)詞，“盡管”表示轉(zhuǎn)折關(guān)系，“要是”表示假設(shè)關(guān)系，通過對本句整體語義的推測，留學(xué)生想要表達(dá)的是前后語義相反或出乎意料的意思，故應(yīng)該去掉“要是”。

四、轉(zhuǎn)折關(guān)聯(lián)詞語的錯序

例7：我們都已經(jīng)到教室了，卻他剛剛起床。

這句話的錯誤在于將轉(zhuǎn)折關(guān)聯(lián)詞“卻”放在了主語之前，這是老撾留學(xué)生在學(xué)習(xí)漢語初期經(jīng)常犯的一個錯誤，原因在于老撾語中有兩個表示轉(zhuǎn)折的詞語，一個相當(dāng)于漢語中的“但是/卻”，另一個相當(dāng)于漢語的“卻”。在老撾語中，不管是“但是”還是“卻”，它們出現(xiàn)的位置都是在主語之前，由于受到母語負(fù)遷移的影響，老撾留學(xué)生在學(xué)習(xí)漢語初期，會把母語中的語法無意識地帶入漢語中，最終導(dǎo)致錯序的發(fā)生。

參考文獻(xiàn)：

關(guān)聯(lián)詞語練習(xí)范文第2篇

2016年小升初語文關(guān)聯(lián)詞語復(fù)習(xí)試題

1、在括號里填上正確的關(guān)聯(lián)詞語。

①( )多讀多練，作文( )會進(jìn)步。

②( )風(fēng)吹雨打，我們( )要堅持到校學(xué)習(xí)。

③雨來( )犧牲生命，( )泄露秘密。

④(　)要努力讀書，(　)要關(guān)心政治。

⑤(　)走到哪里，他(　)聽到樂聲。

⑥( )我倆住得很遠(yuǎn)，( )不常見面。

⑦( )困難再大，我們( )要按時完成任務(wù)。

⑧( )你答應(yīng)去，( )該準(zhǔn)時去叫他。

⑨( )別人的意見不對，我們( )要虛心聽取。

⑩弟弟( )年紀(jì)小，( )很懂事。

2、加上適當(dāng)?shù)年P(guān)聯(lián)詞語，把兩個小句合成一句話，使句子更簡潔。

① 小華的字寫得很快。 小華的字寫得很好。

② 革命的道路上有千難萬險。 千難萬險不能阻擋我們前進(jìn)的步伐。

③ 我們多趕幾里路。 我們要去看一看精彩的武術(shù)表演。

④ 你沒有告訴我。 我知道了。

⑤ 我們發(fā)動群眾。 我們很好地完成上級交給我們的任務(wù)。

3、從下列句中關(guān)聯(lián)詞使用的正誤，錯誤的在原句上改正。

① 即使石塊有多重，小草也要從下面鉆出來。( )

② 因為同學(xué)們信任你，你所以應(yīng)該勇敢地接受這份工作。( )

③ 雖然太陽離地球太遠(yuǎn)了，但是我們并不感到它有那么熱。( )

④ 這件好事是李曉華做的，也是我的同學(xué)張曄做的。( )

⑤ 只要平時從嚴(yán)從難地刻苦訓(xùn)練，就能在比賽中取得好成績。( )

關(guān)聯(lián)詞語練習(xí)范文第3篇

論文摘要：建立符合邏輯的知識關(guān)聯(lián)體系是知識地圖理論的重要內(nèi)容之一本文對知識管理系統(tǒng)中知識關(guān)聯(lián)的有向性進(jìn)行分析，敘述了單向知識關(guān)聯(lián)和雙向知識關(guān)聯(lián)的概念與特點;對關(guān)鍵詞集合進(jìn)行定義，闡述了單關(guān)鍵詞集合、全關(guān)鍵詞集合和不定關(guān)鍵詞集合三種劃分策略，介紹了以關(guān)鍵詞集合為迭代單元構(gòu)建關(guān)聯(lián)網(wǎng)絡(luò)和針對單個知識點構(gòu)建關(guān)聯(lián)網(wǎng)絡(luò)的兩種算法，并指出了算法在實際應(yīng)用中需注意的問題.

當(dāng)前，知識地圖的理論研究有很大進(jìn)展，但在知識管理系統(tǒng)(KMS )領(lǐng)域的實際應(yīng)用成果卻比較有限.盡管有KMS產(chǎn)品應(yīng)用了知識地圖理念，但多數(shù)產(chǎn)品僅在頁面上顯示了知識庫的分類體系與鏈接，缺乏對知識間邏輯關(guān)系的進(jìn)一步刻畫與展示。.

建立符合邏輯的知識關(guān)聯(lián)體系是知識地圖的重要理論之一知識分類體系是實施知識管理的基礎(chǔ)性工作，現(xiàn)實世界中的事物間聯(lián)系并不是僅用樹型分類體系就可以表述的一個事物有可能同時從屬于多個分類，不同類別的事物也有可能發(fā)生聯(lián)系，僅僅依賴分類很難準(zhǔn)確、全面地表達(dá)知識間的邏輯關(guān)系.知識關(guān)聯(lián)則提供了更靈活、更廣義的知識關(guān)系表示方法，采用跨分類、跨區(qū)域的知識關(guān)聯(lián)可以較好地表達(dá)信息之間的邏輯聯(lián)系本文根據(jù)集合論與圖論的基本原理，對知識關(guān)聯(lián)的有向性和關(guān)鍵詞集合進(jìn)行了探討，并闡述了根據(jù)關(guān)鍵詞集合在KMS中建立知識關(guān)聯(lián)網(wǎng)絡(luò)的原理與算法.

1知識關(guān)聯(lián)的有向性

1. 1單向知識關(guān)聯(lián)

現(xiàn)實世界中的各類事物存在著紛繁復(fù)雜的關(guān)系，這種關(guān)聯(lián)關(guān)系是有方向的.如圖1所示，水和分子關(guān)聯(lián)的語義可以描述為“水由分子組成”.相應(yīng)地，由分子到水關(guān)聯(lián)的語義可以描述為“分子構(gòu)成了水”.這兩種關(guān)聯(lián)關(guān)系是不同的，是兩個單方向的知識關(guān)聯(lián).

在知識關(guān)聯(lián)網(wǎng)絡(luò)中，我們可假設(shè)各知識點分別為k，、k2、k3、k4·…對于知識點k1，如果有知識點k2、k3、凡與其內(nèi)容有較高相關(guān)度，此時可通過KMS的功能將k2、k3、k;與k，關(guān)聯(lián)，將關(guān)聯(lián)鏈接插人在k，的知識內(nèi)容之后.這個關(guān)聯(lián)征進(jìn)行自動關(guān)聯(lián).采用單向知識關(guān)聯(lián)的KMS的特點是:如果知識點k，有到知識點k:的關(guān)聯(lián)鏈接，但知識點k:未必有到知識點k，的關(guān)聯(lián)鏈接，則系統(tǒng)須對每一個關(guān)聯(lián)關(guān)系的含義作出必要的表述.

1.2雙向知識關(guān)聯(lián)

根據(jù)常識，若知識點k，與k:有關(guān)系，則k2也與k，有關(guān)系.雙向知識關(guān)聯(lián)是在不考慮關(guān)聯(lián)語義的情況下發(fā)生的，例如知識點k，與知識點k2關(guān)聯(lián)，則知識點k:也必然與知識點k，關(guān)聯(lián).設(shè)R，，RZ為定義在知識集合上的二元關(guān)系，則雙向知識關(guān)聯(lián)用符號可描述為:k， R， k2，kZRZk， .

在很多情況下，由于語義不同，R， RZ.當(dāng)R:二R:時，則k:和k:的關(guān)聯(lián)關(guān)系是對稱的.采用雙向知識關(guān)聯(lián)的KMS的特點是:只要知識點k，有知識點k:的關(guān)聯(lián)鏈接，知識點k:也必然具有與知識點k，的關(guān)聯(lián)鏈接.系統(tǒng)在設(shè)置關(guān)聯(lián)鏈接時不考慮關(guān)聯(lián)的語義.

語義分析是計算機(jī)研究的難點，目前還沒有KMS能夠自動精確地識別知識的關(guān)聯(lián)語義.因此，在知識關(guān)聯(lián)系統(tǒng)中適宜采用忽略關(guān)聯(lián)語義的雙向關(guān)聯(lián)方式.

2基于關(guān)鍵詞集合的知識關(guān)聯(lián)網(wǎng)絡(luò)繪制算法

2.1算法原理

在目前的技術(shù)條件下，基于語義分析構(gòu)建知識關(guān)聯(lián)網(wǎng)絡(luò)較為困難.利用知識點關(guān)鍵詞集合建立關(guān)聯(lián)網(wǎng)絡(luò)的精確度不如語義關(guān)聯(lián)網(wǎng)絡(luò)，但技術(shù)上現(xiàn)實可行，能夠較好地表達(dá)知識間的關(guān)系.

基于關(guān)鍵詞集合構(gòu)建關(guān)聯(lián)網(wǎng)絡(luò)所遵循的原理是:設(shè)n個知識點具有共同的關(guān)鍵詞集合S，則這n個知識點均是互相關(guān)聯(lián)的;將各知識點作為點，關(guān)聯(lián)關(guān)系作為有向邊，可以繪制基于關(guān)鍵詞集合S的有向完全圖G;將KMS中的關(guān)鍵詞按特定策略劃分為集合，并綜合各關(guān)鍵詞集合，根據(jù)算法畫出有向完全圖，可以得到該關(guān)鍵詞集合劃分策略下的完整知識關(guān)聯(lián)網(wǎng)絡(luò).

2.2健詞集合及其劃分策略

關(guān)鍵詞是用戶在編輯知識時為每個知識點設(shè)置的，一般用于知識檢索，本文則關(guān)注應(yīng)用關(guān)鍵詞集合構(gòu)建知識關(guān)聯(lián)網(wǎng)絡(luò)的思想與算法.關(guān)鍵詞集合指包含了1個或多個關(guān)鍵詞的集合.關(guān)鍵詞集合所包含的關(guān)鍵詞內(nèi)容與數(shù)量如何設(shè)置，取決于知識關(guān)聯(lián)所遵循的關(guān)鍵詞集合劃分策略.本文涉及的三種劃分策略分別是單關(guān)鍵詞集合策略、全關(guān)健詞集合策略和不定關(guān)鍵詞集合策略.

在單關(guān)鍵詞集合策略下，每個關(guān)鍵詞集合S只擁有一個關(guān)鍵詞w;，該集合S‘對應(yīng)知識點集合戊}k，，k2，-..，k，}，這些知識點均含有關(guān)鍵詞，、.設(shè)知識點k，具有關(guān)鍵詞、，，，，，…，二r，基于此策略設(shè)置知識關(guān)聯(lián)時，k，會把與關(guān)鍵詞集合S，，SZ，...，5:匹配的知識點集合K，K‘中的全部知識點鏈接進(jìn)來，并剔除其中的重復(fù)部分.如圖2所示，6個含有關(guān)鍵詞“學(xué)生”的知識點以單關(guān)鍵詞集合{學(xué)生}為制圖策略構(gòu)成了有向完全圖，也就是這6個知識點基于“學(xué)生”關(guān)鍵詞的知識關(guān)聯(lián)網(wǎng)絡(luò).

在全關(guān)鍵詞集合策略下，全關(guān)鍵詞集合s;包含了知識點k:所具有的所有關(guān)鍵詞，k:只把與全關(guān)鍵詞集合S;wl，叨2，…，，r匹配的知識點集合K;中的知識鏈接進(jìn)來.使用該策略獲取的知識結(jié)果的相關(guān)度比使用單關(guān)鍵詞策略要高.

在不定關(guān)鍵詞集合策略下，需人工確定關(guān)鍵詞集合中所包含的關(guān)鍵詞，此方式無法實現(xiàn)全自動知識關(guān)聯(lián)，不適合在大型知識庫系統(tǒng)中采用.

由全關(guān)鍵詞策略或不定關(guān)鍵詞策略獲得的結(jié)果集是單關(guān)鍵詞集合策略結(jié)果集的子集，獲得的知識關(guān)聯(lián)網(wǎng)絡(luò)圖是基于單關(guān)鍵詞集合策略獲得的知識網(wǎng)絡(luò)圖的子圖.在實際應(yīng)用中，宜采用全關(guān)鍵詞集合策略與單關(guān)鍵詞集合策略相結(jié)合的方式，在知識點關(guān)聯(lián)展示的時候分兩組按不同的優(yōu)先級展示.首先展示優(yōu)先級最高的按全關(guān)鍵詞集合策略得出的關(guān)聯(lián)知識點集合，該集合中的知識與當(dāng)前知識點的相關(guān)度最高;其次才展示單關(guān)鍵詞集合策略得出的結(jié)果集.本文討論的算法均基于這兩種策略相結(jié)合的方式.

2. 3以關(guān)鍵詞集合為迭代單元的關(guān)聯(lián)網(wǎng)絡(luò)算法

計算知識關(guān)聯(lián)網(wǎng)絡(luò)可以用關(guān)鍵詞集合作為迭代單元循環(huán)進(jìn)行或者僅針對單個知識點進(jìn)行.這兩種方式在KMS中各有優(yōu)勢，分別適合不同的場景在為數(shù)量較多的知識點構(gòu)建關(guān)聯(lián)網(wǎng)絡(luò)時，首選以關(guān)鍵詞集合為迭代單元進(jìn)行計算，算法描述如下.

1）設(shè)需要計算關(guān)聯(lián)網(wǎng)絡(luò)的知識范圍中有P個知識點k， ， k2，…，kP，任意知識點氣均對應(yīng)一個點v;，把所有的點繪制在圖‘中，v;與k}一一對應(yīng).

2)分揀出KMS中所有種類的關(guān)鍵詞w?w2.wn，記錄KMS中所有關(guān)鍵詞集合的信息獲得關(guān)鍵詞集合S， ，52，.. Sn ... S9(包含所有的單關(guān)鍵詞集合與全關(guān)鍵詞集合)，同時獲得與任意關(guān)鍵詞集合S.相匹配的知識點集合K;.

3)逐個掃描關(guān)鍵詞集合S， ，52， ，59，優(yōu)先掃描其中的全關(guān)鍵詞集合(這樣可以確保每條知識后的關(guān)聯(lián)信息優(yōu)先展示關(guān)鍵字相關(guān)度最高的鏈接)，記錄當(dāng)前關(guān)鍵詞集合S，所對應(yīng)的知識點集合Kl，記錄知識點集合K中所包含的每個知識點元素k;，在圖中與K對應(yīng)的點集合的所有元素間作有向完全子圖，在畫邊e};、eji時，在系統(tǒng)內(nèi)知識點k、后加人知識點匆的鏈接，在知識點k;后加人k‘的鏈接·如果邊已存在，則跳過，每畫一條邊，計數(shù)器c累加1.掃描完K9后，循環(huán)結(jié)束.

4)程序繪制的圖就是P個知識點根據(jù)關(guān)鍵詞集合S?S2，S。構(gòu)建的知識關(guān)聯(lián)網(wǎng)絡(luò)圖，。是知識關(guān)聯(lián)網(wǎng)絡(luò)所具有的知識關(guān)聯(lián)數(shù)量.該算法的復(fù)雜度是。(n2).

如圖3所示，在一個具有7個知識點的示例系統(tǒng)中，算法先根據(jù)單關(guān)鍵字集合S，{經(jīng)濟(jì)學(xué)}進(jìn)行繪圖，其次根據(jù)單關(guān)鍵字集合管理學(xué)進(jìn)行繪圖.“管理經(jīng)濟(jì)學(xué)”知識點因為同時具有管理學(xué)、經(jīng)濟(jì)學(xué)兩個關(guān)鍵詞，因此同時處于左、右兩個有向完全子圖中.圖3就是這7個知識點根據(jù)2個單關(guān)鍵字集合所繪制的知識關(guān)聯(lián)網(wǎng)絡(luò).

2. 4針對單個知識點的關(guān)聯(lián)網(wǎng)絡(luò)算法

對于任意一個知識點k;設(shè)該矢識點擁有個關(guān)鍵詞，首先掃描全關(guān)鍵詞集合Sr十，{w}，w2，…，、:}，再逐個掃描關(guān)鍵詞二:所對應(yīng)的關(guān)鍵詞集合S，在每一輪掃描中將當(dāng)前集合所對應(yīng)的知識點集合凡，內(nèi)所有的知識點元素記錄在緩存中，掃描到任意知識點乓時，程序繪制兩條有向邊人知識點的關(guān)聯(lián)，在知識點氣后加入的關(guān)聯(lián)如果邊ei、ei;已存在或i=J，則跳過，每畫一條邊，計數(shù)器。累加，直到有向完全圖繪制完成.

程序繪制的圖就是知識點的相關(guān)知識點關(guān)聯(lián)圖。是與該知識點相關(guān)的所有知識關(guān)聯(lián)數(shù)量.該算法的復(fù)雜度是口(礦).該算法循環(huán)應(yīng)用在所有知識點上同樣也可以得到算法2. 3繪制的整體知識地圖，但算法復(fù)雜度達(dá)到0(礦)，因此在為多個知識點建立關(guān)聯(lián)或繪制地圖時宜采用2. 3節(jié)的算法.2. 4節(jié)的算法則適宜針對個別知識點繪制關(guān)聯(lián)網(wǎng)絡(luò)并建立知識鏈接時采用.

關(guān)聯(lián)詞語練習(xí)范文第4篇

[關(guān)鍵詞]　阿爾茨海默病；（Alzheimer''s disease，AD）；糖原合酶激酶-3（GSK-3）

隨著人類壽命的延長，AD這種以認(rèn)知功能下降（包括記憶、定位、判斷、推理等方面）為特征的進(jìn)行性神經(jīng)退行性疾病逐漸增多。對健康老齡人、AD以及輕微認(rèn)知功能障礙患者的研究中發(fā)現(xiàn)，GSK-3在AD病變中扮演重要角色，AD以及輕微認(rèn)知功能障礙患者的GSK-3蛋白總量增加，而其活性卻無代償性的下降。在可獲取的組織中，GSK的測量可能成為一種有價值的指標(biāo)。

1　GSK-3與蛋白的異常過度磷酸化

眾所周知，在AD中，tau蛋白構(gòu)成的聚合物出現(xiàn)了過度磷酸化，在非病態(tài)的大腦中，這種過度磷酸化的位點同樣可見，不同的是這些位點所發(fā)生的是較短擴(kuò)展的磷酸化[1]。在眾多可以使這些位點的tau蛋白的磷酸化的激酶中，GSK-3是這些參與AD病理形成、其發(fā)病起重要作用的蛋白質(zhì)之一。

GSK-3因其能磷酸化糖原合成酶并使之失活而命名。GSK～3的活性與AD的發(fā)生系密切，然而其活性的調(diào)節(jié)機(jī)制仍不明了。GSK-3的磷酸化調(diào)節(jié)是最重要的并受到普遍重視的機(jī)制之一。已知胰島素、生長因子等信號分子可通過PI3K/PKB途經(jīng)改變GSK～3的磷酸化狀態(tài)進(jìn)而調(diào)節(jié)其活性[2]。激活PKB引起GSK～3在Ser位點（分別是GSK3α-ser-1、GSK3β-ser9）磷酸化而失活。有實驗以PI3K的抑制劑WT處理N2a/wt細(xì)胞發(fā)現(xiàn)，WT作用1h時，GSK-3活性顯著增高，并同時伴有GSK-3β在Ser9位點的磷酸化減少、即失活狀態(tài)的GSK-3的減少，從而證實了在N2a/wt中PI3K/PKB是調(diào)節(jié)GSK-3活性的有效途徑之一[3]。

神經(jīng)原纖維纏結(jié)是AD的神經(jīng)病理性改變[4]。異常的過度磷酸化的tau蛋白和神經(jīng)絲（NF）是組成神經(jīng)原纖維纏結(jié)的成分，異常的過度磷酸化可能由蛋白激酶和蛋白磷酸酶失調(diào)導(dǎo)致的[5]在多種激酶中，GSK-3是參與AD神經(jīng)性退行性改變的主要成分，為了分析GSK-3在AD中，如神經(jīng)纖維變性中所扮演的角色，在野生小鼠成神經(jīng)瘤細(xì)胞（N2a/wt）被渥曼青霉素（wortmannin，WT）處理后，一種能夠抑制磷脂肌醇3-激酶（PI3K），影響WT細(xì)胞代謝作用、細(xì)胞形態(tài)、細(xì)胞凋亡以及tau蛋白和NF磷酸化的物質(zhì)被發(fā)現(xiàn)，同時還發(fā)現(xiàn)這些參數(shù)的改變與GSK-3的活性相關(guān)聯(lián)。包括：①經(jīng)過1μmol/LWT處理過的細(xì)胞出現(xiàn)了短暫的（1h）的GSK-3活性增強(qiáng)以及并存的tau蛋白和NF磷酸化程度的上升。在3h時GSK-3的活性下降，NF的超磷酸化部分得以恢復(fù)。②在劑量依賴方法中，應(yīng)用還原測定法發(fā)現(xiàn)WT降低了細(xì)胞的代謝功能，③經(jīng)過1μmol/LWT處理過的細(xì)胞在1h或3h內(nèi)抑制了細(xì)胞突變。④無典型的細(xì)胞凋亡損傷在GSK-3活性的暫時性高峰中出現(xiàn)[7]。這些結(jié)果表明，短暫的GSK-3的超活化將導(dǎo)致AD類似于細(xì)胞骨架過度磷酸化和細(xì)胞活力的損傷。

神經(jīng)微絲是神經(jīng)細(xì)胞異的中等纖維，也是N2a/wt細(xì)胞中含量較為豐富的一種細(xì)胞骨架蛋白，其功能是維持神經(jīng)細(xì)胞形狀，調(diào)節(jié)軸突直徑和軸漿運輸[6]。而神經(jīng)微絲的過度磷酸化可抑制其與微管的相互作用，破壞細(xì)胞正常骨架結(jié)構(gòu)。提示在AD中，存在某種蛋白激酶活性的增強(qiáng)，從而導(dǎo)致神經(jīng)微絲異常過度磷酸化的發(fā)生。一些實驗也證實GSK-3在培養(yǎng)的新生大鼠海馬腦片水平參與神經(jīng)細(xì)絲的磷酸化調(diào)節(jié)，神經(jīng)元出現(xiàn)AD樣退行性變（結(jié)果未顯示）。此結(jié)果以N2a/wt為研究對象，在細(xì)胞水平探討了GSK-3活性改變對神經(jīng)細(xì)絲磷酸化狀態(tài)的影響。結(jié)果發(fā)現(xiàn)[3]：野生型N2a/wt細(xì)胞未經(jīng)WT處理時，磷酸化神經(jīng)細(xì)絲主要位于細(xì)胞突起，而非磷酸化神經(jīng)細(xì)絲則主要位于胞體。這一分布特征與正常人和SY5Y細(xì)胞中的神經(jīng)細(xì)絲分布相似。經(jīng)WT處理1h后，磷酸化和非磷酸化的神經(jīng)細(xì)絲均向胞體聚集，細(xì)胞出現(xiàn)退行性改變，這與WT引起的GSK-3過度激活相關(guān)?？梢奊SK-3是神經(jīng)細(xì)絲磷酸化程度的重要調(diào)節(jié)因素之一。

2　GSK-3與胰島素信號通路

AD的神經(jīng)性退行性改變與許多原因密切相關(guān)，包括分子生物和生化異常等情況，如成分丟失、大量神經(jīng)元纖維纏結(jié)、缺少營養(yǎng)的神經(jīng)炎、淀粉樣沉積、活性增加的前基因和信號通路、受損的能量代謝功能以及有關(guān)慢性氧化應(yīng)激等等[10]，很難確定哪一個是主要的，然而，大量證據(jù)顯示，糖原利用率降低和能量代謝障礙在AD早期出現(xiàn)，這暗示了受損的胰島素通路在AD病理改變中有重要影響?，F(xiàn)階段的研究表示[11]，在AD患者大腦中許多異常情況，胰島素和胰島素生長因子I和II（IGF-IIGF-II）信號機(jī)制參與其中。正常的生長因子在中樞神經(jīng)系統(tǒng)中（CNS）神經(jīng)元生長時，表達(dá)水平會大大下降。這種異常情況與胰島素受體（IRS）底物mRNA，tau蛋白，IRS相關(guān)磷脂酰肌醇3-激酶，活化磷酸，增多的GSK-3活性以及淀粉樣蛋白前體mRNA的表達(dá)相伴隨。這種編碼胰島素，IGF-I，IGF-II和胰島素受體的基因表達(dá)明顯減少，表明AD伴隨著一種神經(jīng)內(nèi)分泌的紊亂，與此類似但又不同于糖尿病。

與GSK-3密切相關(guān)的胰島素抑制性大腦狀態(tài)與AD相關(guān)，這種改變在人類的大腦中的胰島素受體和它的下激區(qū)以及磷脂酰肌醇3-激酶信號通路上發(fā)現(xiàn)，但這些發(fā)現(xiàn)尚未在相關(guān)的動物實驗?zāi)Ｐ椭斜蛔C實與AD有關(guān)[12]。

關(guān)聯(lián)詞語練習(xí)范文第5篇

關(guān)鍵詞：三角模糊分析；權(quán)重；工程招標(biāo)；灰色關(guān)聯(lián)分析

引言

水利工程對國民經(jīng)濟(jì)的深遠(yuǎn)影響決定了其招投標(biāo)的重要性，而招標(biāo)結(jié)果直接關(guān)系著項目是否能夠順利進(jìn)行。在工程評標(biāo)過程中，需要利用科學(xué)的方法對評價指標(biāo)進(jìn)行量化分析，盡可能地綜合考察投標(biāo)人的各項條件以保證評標(biāo)結(jié)果的客觀性。因此，如何合理、科學(xué)地設(shè)定評價指標(biāo)的權(quán)重對項目的最終評價結(jié)果具有重要的影響。現(xiàn)行的水利工程評標(biāo)方法主要有經(jīng)評審的最低投標(biāo)價法、最低價中標(biāo)法和綜合評估法等，這些方法均有各自的特點和適用范圍[1]。李明等通過建立模糊綜合評判模型進(jìn)行水利工程評標(biāo)[2]；陳廣洲等采用D-S證據(jù)理論合成投影尋蹤模型與德爾菲法確定權(quán)重，進(jìn)行投標(biāo)方案的最終優(yōu)選排序[3]；魯仕寶等基于熵權(quán)理論的水利工程招標(biāo)研究[4]。文章引入三角模糊層次分析法綜合多位專家的評分，通過計算模糊綜合重要程度值確定各評價指標(biāo)的權(quán)重，并在此基礎(chǔ)上建立模糊綜合評價模型計算評價結(jié)果。最后，針對評價結(jié)果未排序的問題，利用灰色關(guān)聯(lián)分析法修正評價結(jié)果，得到候選中標(biāo)人的順序，以供選擇最優(yōu)工程承包商。

1 模糊層次分析模型

1.1 模糊層次分析確定指標(biāo)權(quán)重

影響水利工程招標(biāo)評價系統(tǒng)的因素很多，而各種因素對評價結(jié)果的影響程度取決于評價系統(tǒng)對該因素的賦權(quán)。專家的評分具有主觀性，單純運用層次分析法判斷往往未考慮人的判斷模糊性，引入三角模糊數(shù)的概念可以將層次分析法在模糊環(huán)境下進(jìn)行擴(kuò)展[5]。文章中采用表1的數(shù)值描述指標(biāo)的相對重要程度。

表1 基于三角模糊數(shù)的語言變量

（1）構(gòu)造模糊評價矩陣

按照評價指標(biāo)體系上下層次間的隸屬關(guān)系，多位專家分別對準(zhǔn)則層和因素層的所有指標(biāo)進(jìn)行兩兩比較，構(gòu)造出該層的模糊評價矩陣。

（2）計算模糊綜合重要程度值

根據(jù)模糊評價矩陣分別計算各個元素的模糊綜合重要程度值 ，在給定標(biāo)準(zhǔn)下，第i個對象滿足m個目標(biāo)的模糊綜合重要程度值Si為：

（1）

（3）計算各因素的相對權(quán)重

對兩個三角模糊數(shù)S1=（l1，m1，u1）和S2=（l2，m2，u2），S2相對S1重要的可能性程度表示為：

（2）

對模糊評價矩陣，分別計算其同一層次內(nèi)第i個元素重要于其他各個元素的可能性程度

（3）

計算權(quán)重向量

（4）

1.2 計算綜合權(quán)重及綜合評價結(jié)果

在得到準(zhǔn)則層指標(biāo)的綜合權(quán)重后，按照隸屬關(guān)系分別計算因素層各指標(biāo)的權(quán)重。由評標(biāo)委員會專家按照“優(yōu)、良、中、差”四個等級對投標(biāo)人的各項指標(biāo)進(jìn)行評級，在對數(shù)據(jù)進(jìn)行分析處理后，根據(jù)最大隸屬度原則得出決策結(jié)果。

2 灰色關(guān)聯(lián)分析法修正評價結(jié)果

灰色關(guān)聯(lián)分析是根據(jù)各因素變化曲線幾何形狀的相似程度來判斷因素之間的關(guān)聯(lián)程度[7]。針對模糊綜合評價結(jié)果不能嚴(yán)格排序的問題，利用灰色關(guān)聯(lián)分析法進(jìn)行修正，可以得到評價對象的具體排列順序，以供選擇最優(yōu)投標(biāo)人。

（1）確定分析數(shù)列

設(shè)參考數(shù)列為 ，比較數(shù)列為 。

（2）變量的無量綱化

選用公式5對評價值進(jìn)行無量綱化處理，獲得均等化評價結(jié)果。

（5）

（3）計算關(guān)聯(lián)系數(shù)

（6）

分別計算第i個潛在分包商的第j個指標(biāo)與第j個最優(yōu)指標(biāo)的關(guān)聯(lián)系數(shù)，？籽∈[0，1]，為分辨系數(shù)，一般?。孔?0.5。

（4）計算關(guān)聯(lián)度

（7）

（5）關(guān)聯(lián)度排序

關(guān)聯(lián)度按大小排序，如果r1？芻r2，則參考數(shù)列Ci*與比較數(shù)列Cj2更相似。換言之，按關(guān)聯(lián)度排序之后，關(guān)聯(lián)度越大，評價結(jié)果越好。

3 實例研究

3.1 實例基本信息

在某水利工程項目的評標(biāo)中，主要考慮的一級評價指標(biāo)有項目的投標(biāo)報價、施工管理、工期與質(zhì)量，以及投標(biāo)人的業(yè)績與信譽(yù)，詳細(xì)的評價指標(biāo)體系如表2所示。

招標(biāo)人聘請3位評標(biāo)專家對各指標(biāo)進(jìn)行兩兩比較，根據(jù)判斷標(biāo)度打分。依據(jù)專家各自背景和經(jīng)歷，權(quán)重分別定為0.4，0.3，0.3。專家采用三角模糊數(shù)對準(zhǔn)則層四個指標(biāo)的兩兩評價結(jié)果見表3。

表3 準(zhǔn)則層三角模糊數(shù)

按照公式1、公式2分別計算準(zhǔn)則層內(nèi)兩個指標(biāo)之間的相對重要性程度，具體結(jié)果如下：

按照公式3，公式4分別計算準(zhǔn)則層內(nèi)第i個元素重要于其他各個元素的可能性程度，由此得到準(zhǔn)則層的權(quán)重向量為：W=（0.274，0.711，1，0.268）。經(jīng)過歸一化處理后得到準(zhǔn)則層權(quán)重為：W=（0.274，0.261，0.367，0.098）。

分別計算因素層內(nèi)兩個指標(biāo)之間的相對重要性程度與某因素重要于其他各個因素的可能性程度，按照隸屬關(guān)系確定因素層的指標(biāo)權(quán)重，計算結(jié)果如表4所示。

表4 某水利工程招標(biāo)評價指標(biāo)權(quán)重

確定了各評價指標(biāo)的權(quán)重后，由評標(biāo)委員會的7位專家對投標(biāo)人Ci的各項評價指標(biāo)j進(jìn)行評級，對于投標(biāo)人C1而言，在對評價指標(biāo)A11（報價合理性）的評級結(jié)果中，假如7位專家認(rèn)為等級為“優(yōu)、良、中、差”的人數(shù)分別為（2、4、1、0），則其得分為（2/7，4/7，1/7，0），對投標(biāo)人C1的具體評分結(jié)果見表5。

對投標(biāo)人C1，采用模糊綜合評價法的加權(quán)平均模型，利用模糊矩陣的合成運算得到最終評價結(jié)果為：C1=（0.261，0.566，0.167，0.005）。同理，可得其他三位投標(biāo)人的評價結(jié)果分別為：C2=（0.556，0.314，0.109，0.020）；C3=（0.493，0.411，0.074，0.022）；C4=（0.205，0.286，0.450，0.059）。

根據(jù)最大隸屬度原則，由上述模糊評價結(jié)果，可得知，投標(biāo)人C2、C3的評價為“優(yōu)”，C1的評價為“良”，C4的評價為“中”。

雖然上述評價結(jié)果評出了各投標(biāo)人的等級，但是不能得出明確的中標(biāo)順序。因此，利用灰色關(guān)聯(lián)分析對模糊評價結(jié)果進(jìn)行修正，選定參考數(shù)列為（1，0.8，0.5，0），對初始評價值進(jìn)行無量綱化處理，計算各投標(biāo)人的評價結(jié)果的關(guān)聯(lián)度，最終，確定排序為：C3？叟C1？叟C2？叟C4，即投標(biāo)人C3的綜合評價值最高，為第一中標(biāo)候選人。具體結(jié)果如表6所示。

表6 投標(biāo)人評價結(jié)果與關(guān)聯(lián)指標(biāo)

4 結(jié)束語

文章采用三角模糊層次分析為水利工程招標(biāo)評價指標(biāo)賦權(quán)，綜合多位專家的評分，使專家評分更合理準(zhǔn)確。引入灰色關(guān)聯(lián)分析方法，利用關(guān)聯(lián)度化解三角模糊數(shù)打分帶來的模糊數(shù)排序問題，為水利工程施工中標(biāo)人的評價與選擇提供了一條可行的科學(xué)評價途徑。

參考文獻(xiàn)

[1]王卓甫，楊高升，邢會歌.建設(shè)工程招標(biāo)模型與評標(biāo)機(jī)制設(shè)計[J].土木工程學(xué)報，2012，43（8）：140-145.

[2]李明，劉乾，胥斌，等.水利水電工程招標(biāo)評標(biāo)模型研究與應(yīng)用[J].人民黃河，2008，30（5）：87-88.

[3]陳廣洲，汪家權(quán)，李如忠，等.基于D-S 證據(jù)理論的水利工程招標(biāo)評價[J].水力發(fā)電學(xué)報，2012，31（3）：263-266.

[4]魯仕寶，黃強(qiáng)，孫曉懿，等.基于熵權(quán)理論的水利工程招標(biāo)研究[J].水力發(fā)電學(xué)報，2010，29（3）：221-224.

[5]劉永強(qiáng)，張洪瑞，錢璧君.基于FAHP的水利工程項目成本風(fēng)險管理研究[J].水電能源科學(xué)，2009，27（4）：151-154.

[6]何莎莎，陳羲，馮占春.基于三角模糊層次分析法的基本公共衛(wèi)生服務(wù)均等化效果評價研究[J].中國衛(wèi)生經(jīng)濟(jì)，2012，31（7）：43-46.