判別函數(shù)
- 不同城市居民頭發(fā)中氧、氫穩(wěn)定同位素檢驗和特征初探*
對所構建典型判別函數(shù)有效性的驗證方法主要包括自身驗證和交互驗證等。典型判別函數(shù)的有效性由判別準確率表示，其數(shù)值為判別準確的樣本數(shù)與總樣本數(shù)的比值。本研究對6個城市198份居民頭發(fā)δ18O、δ2H進行判別分析，以考察居民頭發(fā)O、H穩(wěn)定同位素對居民居住城市的溯源推斷能力。所得標準化的判別函數(shù)式如下：判別函數(shù)式1 為Y1=0.35XO+ 0.90XH，判別函數(shù)式2為Y2=0.93XO-0.43XH。這組判別函數(shù)特征值如表3所示，判別函數(shù)式1的方差貢獻率為96.5
生物化學與生物物理進展 2022年12期2022-12-22
- 基于RBFNN-FDA模型對塑料拖鞋鞋底的拉曼光譜研究
起一個或多個判別函數(shù)，利用樣本的大量數(shù)據(jù)確定判別函數(shù)系數(shù)，并計算判別指標。對于一個未知分類的新樣本，只需將其代入到判別函數(shù)中即可確定其分類歸屬。FDA利用了投影的思想，使高維問題在一維空間中處理，通過判別函數(shù)得出變量在各個典型變量上的坐標，同時得出樣本與類中心的距離，從而作為分類依據(jù)[9]。1.4.4 RBFNN徑向基函數(shù)(RBF)是以函數(shù)逼近為基礎的前反饋神經(jīng)網(wǎng)絡，相較多層感知器，RBF只有一個隱層。其主要思想是用在RBF的隱藏層內(nèi)將原本的低維數(shù)據(jù)轉(zhuǎn)化到
上海塑料 2022年4期2022-08-29
- 基于RBFNN-FDA模型對塑料拖鞋鞋底的拉曼光譜研究
起一個或多個判別函數(shù)，利用樣本的大量數(shù)據(jù)確定判別函數(shù)系數(shù)，并計算判別指標。對于一個未知分類的新樣本，只需將其代入到判別函數(shù)中即可確定其分類歸屬。FDA利用了投影的思想，使高維問題在一維空間中處理，通過判別函數(shù)得出變量在各個典型變量上的坐標，同時得出樣本與類中心的距離，從而作為分類依據(jù)[9]。1.4.4 RBFNN徑向基函數(shù)(RBF)是以函數(shù)逼近為基礎的前反饋神經(jīng)網(wǎng)絡，相較多層感知器，RBF只有一個隱層。其主要思想是用在RBF的隱藏層內(nèi)將原本的低維數(shù)據(jù)轉(zhuǎn)化到
上海塑料 2022年4期2022-08-29
- XRF結合化學計量學對牛皮紙物證的研究
基礎上，建立判別函數(shù)，實現(xiàn)對于新數(shù)據(jù)類別變量取值的預測。朱曉晗等研究不同品牌的一次性塑料手套，處理數(shù)據(jù)中使用了Fisher判別分析法，建立的第一和第二判別函數(shù)的特征值為97.313和10.682，累計百分比為 99.9%，取得了令人滿意的實驗結果[10]。本文采集了50種不同種類和廠商的牛皮紙樣本，用X射線熒光光譜儀測出元素含量。通過系統(tǒng)聚類和K-Means聚類，對測定結果進行分類和檢驗。在數(shù)據(jù)分類的基礎上，使用Fisher判別分析法，建立判別函數(shù)，實現(xiàn)對
中國測試 2022年5期2022-06-10
- 基于Fisher 判別模型的煤層底板突水水源預測
isher 判別函數(shù)Fisher 判別函數(shù)是在原始樣本空間里找到某（幾）個方向，把樣本投影到該方向后，利用距離判別法建立判別準則將原始樣本分開[13]。各類樣本在該方向上投影之間的距離盡可能遠，而每一類內(nèi)的樣本投影盡可能緊湊，從而使分類效果達到最佳，即在最大化類間距離的同時最小化類內(nèi)距離。此時，樣本在該空間中有最近的可分離性。設有總體Gi（i=1，2，…，k，k為總體個數(shù)）為水樣樣本，從這k個水樣樣本中抽取具有p個指標的樣本，采用方差分析構建Fisher
工礦自動化 2022年4期2022-05-13
- 基于Fisher判別分析的塑料拖鞋XRF光譜鑒別
光譜數(shù)據(jù)建立判別函數(shù)[9]，以期快速、準確且無損地對塑料拖鞋類物證進行檢驗。1 實驗部分1.1 實驗儀器及參數(shù)設置X射線熒光光譜儀，X-MET8000Smart，電壓為40 kV，電流為60 mA，Rh陽極靶，檢測時間為60 s，北京華儀宏盛技術有限公司。1.2 實驗樣品不同來源的塑料拖鞋31個(樣品表略)。1.3 實驗方法用剪刀從鞋底部位裁剪1 cm×1 cm的小方片作為樣品，將31個塑料拖鞋樣品分別用酒精棉簽進行擦拭、晾干后待測，將樣品放于儀器探頭下進
上海塑料 2022年2期2022-04-24
- 基于MRI及臨床參數(shù)的鼻咽癌遠處轉(zhuǎn)移風險評估函數(shù)構建與評價*
移風險預測的判別函數(shù)，評估初診NPC患者遠處轉(zhuǎn)移風險，為臨床治療方案的制訂提供參考依據(jù)。1 資料與方法1.1 一般資料搜集2012年7月至2019年11月行磁共振成像(MRI)檢查的初發(fā)NPC患者131例，所有病例隨訪時間大于12個月；其中111例無腫瘤遠處轉(zhuǎn)移，20例腫瘤遠處轉(zhuǎn)移(17例初診即確診腫瘤遠處轉(zhuǎn)移并隨訪證實，3例隨訪12個月內(nèi)確診腫瘤遠處轉(zhuǎn)移并隨訪證實；其中肝、肺、骨多發(fā)轉(zhuǎn)移2例、多發(fā)骨轉(zhuǎn)移12例、肺轉(zhuǎn)移2例、肝轉(zhuǎn)移4例)，男92例，女39例
重慶醫(yī)學 2022年7期2022-04-24
- 莖柔魚的角質(zhì)顎模式識別
立地理種群的判別函數(shù)，進行模式識別，并對識別效果進行檢驗，以期為莖柔魚資源的合理開發(fā)利用和可持續(xù)發(fā)展提供基礎資料。1 材料與方法1.1 采樣試驗莖柔魚樣本于2009、2014和2015年由中國遠洋魷釣漁船采集于哥斯達黎加、厄瓜多爾、秘魯和智利外海。樣本采集時，根據(jù)遠洋魷釣漁船作業(yè)流動性的特點，同一海域每個站點隨機采集20尾，共采集莖柔魚樣本835尾(表1)。樣本在實驗室解凍后測量胴長和體質(zhì)量等，并分別精確至1 mm和1 g，同時對性別進行鑒定和性腺成熟度劃
水產(chǎn)科學 2022年2期2022-03-20
- 基于判別分析法的巖爆烈度預測研究
線性組合，即判別函數(shù))，然后對未知類別的新事物進行判斷以將之歸入已知的類別中，學者們通過選取不同的指標，建立巖爆等級判別函數(shù)，將其應用于巖爆預測中。王超等[15]、王吉亮等[16]、宮鳳強等[17]、李笛等[18]、趙國彥等[19]、潘翔[20]建立了不同的巖爆判別模型。本文廣泛收集104組巖爆實例，84組作為樣本集，20組作為驗證集，通過SPSS判別分析建立分級預測模型并進行工程應用，將應用結果與BP神經(jīng)網(wǎng)絡模型對比，得到一種穩(wěn)定可靠、預測準確率高的巖爆
有色金屬（礦山部分） 2022年1期2022-01-27
- 基于逐步判別分析的顏色讀數(shù)與物質(zhì)質(zhì)量濃度預測的研究
關系模型，由判別函數(shù)能準確判斷二氧化硫質(zhì)量濃度。1 逐步判別分析方法判別分析建立的判別函數(shù)受變量的影響，變量過多會增加計算量，同時一些不重要的變量可能會干擾判別函數(shù)的建立，使得判別函數(shù)不能準確判別。另外，如果將一些重要的變量刪除，建立的判別函數(shù)也不能進行有效判別。逐步判別法可以解決變量選取問題，從而使得判別更加準確。逐步判別法采用有進有出的方法動態(tài)選取變量。需要判斷一個樣品的質(zhì)量濃度時，只需要將變量x1，x2，…，xr的數(shù)據(jù)代入判別函數(shù)，計算出每個判別函數(shù)
上?；?2021年5期2021-10-26
- 掃描電鏡/能譜法結合多元統(tǒng)計學無損檢驗煙用接裝紙的研究
基礎上，建立判別函數(shù)模型，判別觀測樣品歸屬。2.5.1 貝葉斯判別分析給定1個輸入的x，目的是確定它是屬于w1類還是w2類，根據(jù)貝葉斯判別思想，需要計算x屬于w1類概率和w2類概率并判斷樣品的歸屬。若P(w1|x)>P(w2|x)，則x∈w1；相反，則x∈w2。由貝葉斯定理可知，后驗概率P(wi|x)可由類別的先驗概率P(wi|x)和x的先驗概率P(x|wi)得到，具體計算見式（2）。式（2）中，P(x|wi)也被成為似然函數(shù)。所以原判別式可改寫為，若P(
中國造紙 2021年4期2021-08-12
- 獼猴髕骨性別判別分析
變量建立性別判別函數(shù)，進而評估獼猴髕骨的性別差異程度，驗證通過獼猴髕骨識別個體性別方法的可行性。1 材料和方法1.1 材料骨骼標本來自太行山獼猴自然保護區(qū)的自然死亡獼猴、動物試驗后的遺骸、動物打架斗毆致死的獼猴。收集標本的時間是1989 年至2019 年。髕骨樣本60 例（19♂，41♀），要求成年、干燥、對稱和完整。由于單側髕骨標本數(shù)量較少，髕骨數(shù)據(jù)統(tǒng)計時兩側合并處理[4]。標本保存在河南鄭州工商學院商學院。1.2 變量和測量采用電子數(shù)顯游標卡尺直接測量
唐山師范學院學報 2021年3期2021-07-23
- Dr.Speech嗓音分析軟件測量嗓音障礙嚴重程度指數(shù)及其驗證△
因變量，建立判別函數(shù)，并判定76例受試者嗓音的G分級，采用留一法(Leave-one-out cross validation)對病例的分級進行交叉驗證。采用Pearson相關分析法分析DSIDRS與DSIpraat之間的相關性，以了解測量的設備間一致性；采用Pearson相關分析法分析DSIDRS與VHI評估的相關性，以了解主客觀評估之間的關系；顯著性水平α=0.05。2 結果2.1嗓音主客觀評估結果 76例受試者DSR、Praat軟件嗓音客觀評估以及嗓
聽力學及言語疾病雜志 2021年4期2021-07-13
- 英東油田長井段薄互層油藏儲層產(chǎn)能分類及預測研究
據(jù)，利用相關判別函數(shù)法，動靜結合開展儲層產(chǎn)能定量評價，一定程度上可以提高長井段多油層油藏不同儲層產(chǎn)能預測精度。1 研究區(qū)地質(zhì)概況圖2 英東油田縱向儲層分布示意圖Fig.2 Vertical reservoir distribution diagram of Yingdong oiofield2 Fisher判別方法與原理判別分析是一種常用的統(tǒng)計分析方法，是根據(jù)觀察或測量到若干變量值，判斷研究對象屬于哪一類的方法。SPSS對于分為m類的研究對象，建立m個線性
西北地質(zhì) 2021年2期2021-06-07
- 基于Fisher線性判別分析方法的卷煙主流煙氣質(zhì)量預測模型構建
原則確定線性判別函數(shù)的系數(shù)，建立線性判別方程，再結合相應的判別準則判別出一個新樣品的類別，然后利用判別準則將樣本分開[3-4]。該判別方法可以有效地實現(xiàn)對多指標數(shù)據(jù)的降維分析，同時對數(shù)據(jù)分布無要求等優(yōu)點，被廣泛用于人臉檢測、礦井水文地質(zhì)類型等領域[4-5]。由于影響卷煙主流煙氣質(zhì)量的變量很多，且影響程度的大小不同。試驗擬基于Fisher判別理論，利用卷煙的圓周、質(zhì)量、長度等16個參數(shù)作為判別因子，提出判別函數(shù)，建立Fisher判別模型，以期為卷煙主流煙氣質(zhì)
食品與機械 2021年2期2021-03-10
- XRF結合多元統(tǒng)計學對熱敏紙的分類研究
剔除，得到了判別函數(shù)特征值（見表3）和6 類樣品在所建立的兩個判別函數(shù)上的聯(lián)合分布圖（見圖2）。表3 判別式函數(shù)摘要圖2 31種熱敏紙的聯(lián)合分布圖本研究在分類過程中建立了4 個判別函數(shù)，其特征值如表3 所示。其中，判別函數(shù)1 和判別函數(shù)2 特征值的方差貢獻率分別為93.7%和5.1%，累積方差貢獻率分別為93.7%和98.7%，所攜帶的信息量遠大于后面的判別函數(shù)。判別函數(shù)1 和判別函數(shù)2 的規(guī)范相關性系數(shù)分別為0.996和0.935，表明被分類的組別在判別
中國造紙 2020年12期2021-01-08
- 利用生化指標評定橄欖球運動員身體機能的判別分析研究
態(tài)，通過建立判別函數(shù)方程來評估身體機能，以評價或預測機體對訓練負荷的適應性，橄欖球運動員身體機能分級方法的提出和構建，旨在建議這一領域的各種從業(yè)人員（教練員、醫(yī)務人員、科研人員）充分利用數(shù)據(jù)價值提高工作績效，防止過度訓練和損傷。1 研究對象與方法1.1 研究設計設計采用回顧性橫斷面研究。1.2 研究對象選取天津橄欖球隊的20名男性專業(yè)橄欖球運動員，年齡在18～26 歲，橄欖球1 級運動員及以上，專業(yè)訓練時間3 年以上。所有隊員遵循同樣的訓練計劃，每周的訓練
天津體育學院學報 2020年6期2020-11-26
- 判別分析結合系統(tǒng)聚類對易拉罐環(huán)的XRF檢驗
別進行計算，判別函數(shù)摘要見表2。表2 判別函數(shù)摘要由判別函數(shù)摘要可知，根據(jù)樣本類別信息與數(shù)據(jù)特征計算出3個判別函數(shù)。觀察數(shù)據(jù)可知，前兩個判別函數(shù)累積百分比已經(jīng)達到了85%，表明其對樣本特征有較強的解釋能力[1]，此外一般情況下提取特征值大于1的判別函數(shù)，但第三個判別函數(shù)特征值僅為0.413且貢獻方差百分比僅為1.4%，因此只提取前兩個判別函數(shù)，繪制判別分布圖見圖2。圖2 判別分布圖由圖2可知，5類樣本在判別函數(shù)構成的平面空間內(nèi)分布均勻，可直觀觀察到各類樣本
山東化工 2020年14期2020-08-17
- Fisher判別法在個人信用風險評估中的應用
為自變量構建判別函數(shù)，試圖為個人信用風險評估指標體系的構建提供新的思路。[關鍵詞]Fisher判別法;個人信用風險;風險評;判別函數(shù)隨著消費觀念的逐漸改變，我國居民的信用卡持卡率逐年攀升。根據(jù)中國人民銀行所發(fā)布的《金融機構本外幣信貸收支表》，2019年9月我國個人短期消費信貸規(guī)模已經(jīng)達到95303.17億元，信用卡的發(fā)卡量9.7億張，達到了平均每人0.7張的水平，信用卡業(yè)務已然成為銀行業(yè)的一大支柱型業(yè)務。但是，央行發(fā)布的數(shù)據(jù)表明，信用卡逾期半年未償信貸總額
中國市場 2020年19期2020-08-13
- 基于Fisher-逐步判別法的煤與瓦斯突出預測
Fisher判別函數(shù)與判別準則ei=E(y|Gi)=a′μ(i)，i=1，2，…，k(1)(2)令：(3)(4)B0相當于一元方差分析中的組間差，E0相當于組內(nèi)差。令μ′為式(5)。(5)則可得Δ(a)=B/E=a′Ba/a′Ea。很顯然，B,E均為非負定陣，Δ(a)的極大值為方程|B-λE|=0的最大特征根，取a為對應于λ1的特征向量即為判別函數(shù)的系數(shù)，即可求出判別函數(shù)。由數(shù)學知識可知，特征根的個數(shù)m是不會超過min(k-1,p)個的，由此可構造出m個判
中國礦業(yè) 2020年7期2020-07-13
- 逐步判別分析甲狀腺良、惡性結節(jié)的CT鑒別診斷因素
別因素，建立判別函數(shù)，用于甲狀腺良、惡性結節(jié)的輔助診斷，并通過交互驗證法來驗證函數(shù)的判別效果，旨在提高CT診斷TN的準確性和穩(wěn)定性。材料與方法1.一般資料搜集2017年9月-2019年9月本院經(jīng)術后病理檢查明確病變組織類型的85例患者共125個甲狀腺結節(jié)的臨床和CT資料。入組病灶在病理檢查時均診斷為單純良性或惡性結節(jié)，當一個大體標本中同時含有良性和惡性結節(jié)時，不納入本組研究。85例中女61例，男24例，年齡16～78歲，平均(50.5±14.1)歲。惡性結
放射學實踐 2020年4期2020-05-07
- 煤與瓦斯突出預測的Bayes-逐步判別分析模型及應用
3]。1) 判別函數(shù)的導出。由Bayes判別分析法原理可知，使用Bayes判別分析法作判別分析時，首先要知道待判總體的密度分布函數(shù)和先驗概率分布。一般可用待判樣品頻率qi=mi/m來代替先驗概率，或令各總體先驗概率相同，即Σ=Σ1=Σ2=…=Σk,那么n元正態(tài)分布密度函數(shù)見式(6)。(6)式中，Σ(i)和μ(i)分別為總體Gi的協(xié)方差陣和均值向量。把fi(x)代入P(Gi/x)的函數(shù)表達式中，在計算使P(Gi/x)最大的i時，由于不論i取值為何式中分母都是
中國礦業(yè) 2020年2期2020-03-11
- 逐步判別分析方法在新北油田水淹層識別中的應用
重要變量引入判別函數(shù)后，同時考慮到較早引入判別函數(shù)的某些變量隨著新變量的引入而變得不重要，將其從判別函數(shù)中剔除,最終保留有“重要性”的變量，使判別函數(shù)更加簡潔實用。 其計算步驟如下：設有m個總體，第g總體有ng個樣品，每個樣品均觀測了p項指標，原始數(shù)據(jù)記為：Xgjk(g=1,2……,m;j=1,2,……,ng;k=1,2……,p)(1)式中：Xgjk表示第g組第j個樣品的第k項指標。首先計算出各組變量均值Xgk和總均值Xk，組內(nèi)離差矩陣W與總離差矩陣T。1
復雜油氣藏 2019年2期2019-08-05
- 改進的Bayes砂土液化判別模型
訓練樣本建立判別函數(shù)，以數(shù)理統(tǒng)計的顯著性檢驗確定測試樣本的所屬類別。Bayes判別準則是根據(jù)分類函數(shù)將判別樣本歸類到某個概率密度函數(shù)值最大的樣本總體，這樣可以降低錯判可能性，并且可以對具體液化勢等級進行分類。禹建兵等[26]基于唐山大地震和廣東三水地震等25組液化案例作為樣本數(shù)據(jù)庫，選取震級、地面加速度最大值、標準貫入擊數(shù)、比貫入阻力、相對密實度、平均粒徑和地下水位深度7個評價指標建立BDA模型，結果表明Bayes判別方法判別準確率高，適用性強，可以考慮在
浙江海洋大學學報(自然科學版) 2018年6期2018-04-11
- 探究上市公司財務預警的數(shù)學模型
風險；預警；判別函數(shù)中圖分類號：F275 文獻標識碼：A 文章編號：1671-2064（2018）03-0189-01財務風險作為一種信號，能夠全面綜合反映企業(yè)的經(jīng)營狀況，要求企業(yè)經(jīng)營者進行經(jīng)常性財務分析，防范財務危機，建立預警分析指標體系，進行適當?shù)呢攧诊L險決策。財務風險作為一種經(jīng)濟上的風險現(xiàn)象，已經(jīng)成為現(xiàn)代財務理論的核心內(nèi)容。財務預警系統(tǒng)是以企業(yè)信息化為基礎，對企業(yè)在經(jīng)營管理活動中的潛在風險進行實時監(jiān)控的系統(tǒng)。它貫穿于企業(yè)經(jīng)營活動的全過程，以企業(yè)的財務
中國科技縱橫 2018年3期2018-03-15
- 烤煙煙葉成熟過程中的顏色參數(shù)與烘烤特性研究
2.3.1 判別函數(shù)的建立 在烤煙成熟過程中設定了4個不同成熟度M1～M4。以與烤煙成熟度有統(tǒng)計學意義的鮮煙葉正面顏色參數(shù)L、b、C這3個變量對M1～M4進行區(qū)分。從表4可以看出，L值、b值和C值在4個成熟度組別間的均值都有統(tǒng)計學意義，可以利用這3個觀測變量對成熟度分組進行判別分析。表5反映了判別函數(shù)的特征值、解釋方差的比例和典型相關系數(shù)。判別函數(shù)1解釋了97.1 %的方差，判別函數(shù)2解釋了2.8 %的方差，3個判別函數(shù)解釋了全部方差。對3個判別函數(shù)進行W
西南農(nóng)業(yè)學報 2018年1期2018-02-28
- 應用Fisher判別函數(shù)進行寒熱證型判別的探討*
Fisher判別函數(shù)進行寒熱證型判別的探討*魏高文1魏歆然1劉蕓青2朱旭1裴蕓1【提要】目的探討應用Fisher判別函數(shù)輔助寒熱辨證的可行性。方法取清潔級Wistar大鼠60只，隨機分成正常對照組、熱證模型組和寒證模型組，比較血清甲狀腺激素和炎性細胞因子水平變化情況，并將建立的Fisher線性判別函數(shù)應用于臨床實踐來驗證。結果實驗后各組血清三碘甲狀腺氨酸(T3)、四碘甲狀腺氨酸(T4)、游離三碘甲腺原氨酸(FT3)、游離四碘甲腺原氨酸(FT4)、瘤壞死因子
中國衛(wèi)生統(tǒng)計 2016年4期2016-10-26
- 逐步判別模型在礦井突水水源判別中的應用
得到逐步線性判別函數(shù)，用于突水水源的判別，并采用馬氏廣義距離的F檢驗、回判檢驗及樣品檢驗等多種方法進行驗證，經(jīng)驗證，該模型判別效果較好，能較好識別突水水源。逐步判別；突水水源；水源判別礦井突水是我國煤礦開采過程中主要的自然災害之一，根據(jù)原煤炭工業(yè)部統(tǒng)計數(shù)據(jù)局：全國受水害威脅的礦井，占礦井總數(shù)的27.5%，受水害威脅的煤炭儲量達數(shù)百億噸[1]而且一旦突水，往往造成極大的經(jīng)濟損失與人員傷亡[2][3]，水害防治工作在礦井建設、生產(chǎn)過程中起著重要作用。突水水源不
地下水 2016年4期2016-08-18
- 元素錄井巖性識別技術及其在渤海油田的應用*
元素錄井巖性判別函數(shù)，首先利用統(tǒng)計學方法對典型碎屑巖、碳酸鹽巖和巖漿巖的X射線熒光 (XRF) 錄井元素組合參數(shù)進行定量化分析，篩選出對各類巖性較為敏感的元素變量組合；然后將敏感元素變量輸入軟件進行訓練，求取不同元素變量參數(shù)的系數(shù)，建立巖性判別函數(shù)；最后根據(jù)Fisher判別準則，代入某一深度點對應的元素序列值，巖性判別函數(shù)值最大者為該深度點對應的真實巖性。在渤海油田秦皇島區(qū)塊的實例應用表明，利用本文建立的XRF元素錄井巖性判別函數(shù)識別巖性準確率達80%以上
中國海上油氣 2016年4期2016-06-10
- 制造業(yè)上市公司財務預警研究
T與非ST的判別函數(shù)），最后將測試組中60家公司的數(shù)據(jù)回代到預警函數(shù)中檢驗其判別率，判別率達到81.67%，具有較高的的判別正確率，說明文章建立的財務預警系統(tǒng)對于上市公司財務危機的預測與防范起到一定的作用。關鍵詞；財務預警；熵權法；因子模型；判別函數(shù)一、引言（一）建立財務危機預警的意義制造業(yè)是我國國民經(jīng)濟的支柱產(chǎn)業(yè)，是我國經(jīng)濟增長的主導部門和經(jīng)濟轉(zhuǎn)型的基礎，是經(jīng)濟社會發(fā)展的重要依托，更是我國城鎮(zhèn)就業(yè)的主要渠道和全球產(chǎn)業(yè)鏈的重要組成部分。在全球競爭條件下，我
中國集體經(jīng)濟 2016年5期2016-05-14
- 基于Fisher判別分析我國高技術產(chǎn)業(yè)創(chuàng)新水平
小的原則確定判別函數(shù)，再依據(jù)建立的判別函數(shù)判定待判樣品的類別。設有m個總體G1，G2…Gm相應的均值向量和協(xié)方差矩陣分別為 μ(1)，μ(2)，…，μ(m)；ν(1)，ν(2)，…，ν(m)從總體 Gi中抽取容量為ni樣本為則得到為Ｘ(i)a在軸上的投影，其中：a=1，2，…，ni；i=1，2，…，m向量u=(u1，u2…，up)T表示P維空間中的1個方向，Y=uTX，為u與X的內(nèi)積，即X在u軸上的投影，記其中：Si就是Gi中ni個本樣 的樣本離差陳，組間
北方經(jīng)貿(mào) 2015年9期2015-12-28
- 逐步判別的企業(yè)債務違約損失率模型分析
的變量來建立判別函數(shù)。逐步判別過程就是不斷引入或剔除變量，每引入一個“最重要”的變量，同時也檢驗已引入判別式的變量。若已引入的變量的判別能力因新變量的加入而變得不顯著，則應將其從判別式中剔除，直至判別式中的變量都很顯著，且余下變量中也沒有重要的需引入判別式時，逐步判別過程結束。（二）逐步判別模型算法組內(nèi)離差矩陣表示為C=(cst)p×p，總的離差陣表示為R=(rst)p×p，第一步：數(shù)據(jù)準備。收集所需要的數(shù)據(jù)，計算各類別樣本及總體樣本的均值，確定顯著度α。
北方經(jīng)貿(mào) 2015年4期2015-12-24
- 基于判別分析法對藥房自動化發(fā)藥機機內(nèi)品種的優(yōu)化
獻的變量建立判別函數(shù)式，并使用回代估計法對函數(shù)式的準確率進行檢驗。結果篩選出影響卡藥的主要因素為重量（weight）和高度（height），得到判別函數(shù)為F1=0.595 weight+0.588 height，F(xiàn)2=-0.932 weight+0.936 height，判別函數(shù)將測試樣本數(shù)據(jù)分為3類（卡藥、不卡藥、不出藥），其準確率為84.3%，驗證樣本的準確率為83%。結論采用判別分析法可以為藥房自動化發(fā)藥機機內(nèi)品種的優(yōu)化設計提供合理的統(tǒng)計學依據(jù)。判別
中國醫(yī)藥導報 2015年31期2015-11-28
- SPSS中判別分析的使用
——以語言學實驗為例
原始數(shù)據(jù)求出判別函數(shù)將待判樣本的數(shù)據(jù)代入判別函數(shù)中判斷其類型。［1］常用的判別分析方法主要有：距離判別法、Fisher判別法和Bayes判別法。然而，在SPSS操作中只能實現(xiàn)Bayes判別法與Fisher判別法兩種，并且這兩種方法的操作是合在一起進行的，所以使用起來需要特別注意。［2］下文將結合一個語言學實驗的例子對SPSS判別分析的步驟和輸出結果作詳細解釋和說明。2.語言學實驗2.1實驗背景Fletcher和Peters（1984）研究發(fā)現(xiàn)，可以用語法和
文教資料 2015年34期2015-10-14
- 利用SPSS進行判別分析的幾個問題的說明
大致為：建立判別函數(shù)，給出判別準則，最后將待判樣品代入判別函數(shù)進行判別。根據(jù)建立判別函數(shù)的方法的不同，具體可分為距離判別與Bayes判別，Bayes判別法又可分兩種：最大后驗概率法與最小誤判損失法。還有一種先對樣品進行投影后再采用距離判別的方法，即Fisher判別法，這三種方法是判別分析最常采用的方法。在SPSS操作中只能實現(xiàn)Bayes判別法與Fisher判別法兩種，并且這兩種方法的操作是合在一起進行的，輸出結果也比較混亂，據(jù)經(jīng)驗歸納，對于初學者來說常會提
現(xiàn)代計算機 2015年5期2015-05-24
- 對宮頸癌宮旁浸潤的CT灌注判別函數(shù)的研究
潤的CT灌注判別函數(shù)的研究1.山東省萊蕪市人民醫(yī)院醫(yī)學影像中心(山東 萊蕪 271199)2.山東省萊蕪市牛泉中心衛(wèi)生院(山東 萊蕪 271100)董 瑩1亓 燕1亓子坤2目的研究對宮頸癌宮旁浸潤的CT灌注判別函數(shù)，用于提高宮頸癌宮旁浸潤CT灌注診斷的準確性。方法選取我科100例術后經(jīng)病理確診為宮頸癌的患者，根據(jù)病理結果分為宮旁浸潤組和非宮旁浸潤組。所有患者術前均行64層螺旋CT灌注掃描，分別利用CT形態(tài)學和CT灌注判別參數(shù)對于宮旁浸潤進行診斷，對比其靈敏
中國CT和MRI雜志 2015年1期2015-02-13
- Fisher判別分析法在邊坡穩(wěn)定性評價中的應用
大。2．2 判別函數(shù)及準則2．2．1 Fisher準則考慮指標與p個自變量有關的兩類判別:設指標y按其取值范圍只分為A、B兩類，對A、B兩類分別有nA，nB個樣品數(shù)據(jù)。Fisher提出，建立p個因子的一個線性判別函數(shù)于是，可解得線性判別函數(shù)的系數(shù)c1，c2，…，cp2．2．3 Fisher判別標準當判別函數(shù)求出后，可進一步求得判別臨界值:將新樣品的各變量觀測值代入判別函數(shù)，求得相應的函數(shù)值y(判別得分)。建立判別標準如下表:待判樣品與臨界值關系當ˉy(A)
江西建材 2015年10期2015-01-01
- 基于聚類分析的天津市大學生體質(zhì)健康評價分級模型研究
別分析法建立判別函數(shù)，最后計算判別方程的回代符合率。2 研究結果在構建分級模型的過程中，考慮到大學男生與大學女生體質(zhì)健康評分標準不同，故將男生女生區(qū)別開來，分別建立相應的判別模型。2.1 聚類分析聚類分析[3]是直接比較各事物之間的性質(zhì)，將性質(zhì)相近的歸為一類，將性質(zhì)差別較大的歸入不同的類。由于樣本數(shù)量較多，我們采用 K-Means Cluster聚類分析對樣本進行分類。本研究欲將天津市大學生體質(zhì)分為4個級別，通過聚類分析確定天津市大學生體質(zhì)的4個起止區(qū)間。
天津科技 2014年8期2014-08-08
- 一個判別函數(shù)一致連續(xù)性的新標準
002）一個判別函數(shù)一致連續(xù)性的新標準周驍（湖北汽車工業(yè)學院理學院，湖北十堰442002）借助于次可加的單調(diào)不減連續(xù)函數(shù)，給出了判別函數(shù)一致連續(xù)性的一個新的標準。連續(xù)模函數(shù);一致連續(xù);次可加;單調(diào)不減函數(shù)一致連續(xù)性的探討是數(shù)學分析課程［1-2］的重要學習內(nèi)容之一，也是學生學習較為困難的部分，因此有必要探究證明函數(shù)一致連續(xù)的方法。如文獻［3］利用導函數(shù)及Lipschitz條件來得到判斷函數(shù)是否一致連續(xù)的方法；文獻［4］總結了一些證明函數(shù)一致連續(xù)的常用結論，并
湖北汽車工業(yè)學院學報 2014年4期2014-07-12
- 判別分析在手足口病重型病例和危重型病例診斷中的應用
行篩選，建立判別函數(shù)，為準確判斷手足口病危重型病例提供科學依據(jù)。對象與方法1.診斷標準和研究對象 按照我國衛(wèi)生部頒布的《手足口病診療指南》(2010年版)，手足口病重型病例定義為：出現(xiàn)神經(jīng)系統(tǒng)受累表現(xiàn)如頭痛、精神差、易驚、嗜睡、嘔吐、肢體抖動、肌陣攣、肌無力或急性弛緩性麻痺；具有以下特征之一者可臨床診斷為危重型病例：①頻繁抽搐、昏迷、腦疝；②呼吸困難、紫紺、血性泡沫痰、肺部啰音等；③休克等循環(huán)功能不全。本研究對鄭州市兒童醫(yī)院2009年以來收治的手足口病病人
中國衛(wèi)生統(tǒng)計 2014年4期2014-04-03
- 基于判別分析的基因分類
分類; 典則判別函數(shù)DNA微陣列(DNA microarray)也叫做基因芯片(Gene chip), 是在一種特殊玻璃片上安裝成千上萬個核酸探針, 最終獲取關于基因序列的信息, 使用基因芯片便于定量分析基因的表達水平, 在生物分析檢驗能力方面, 能做到快速、高效、低成本. 如果利用基因表達序列來識別腫瘤亞型, 這將具有非常重要的臨床意義.蔡立君[1](2006)提出了一種基于遺傳算法的基因分類算法, 其基本思想是利用遺傳算法代替獨立分量分析中的傳統(tǒng)的估計
西南民族大學學報（自然科學版） 2014年1期2014-02-21
- Fisher判別分析及其應用
sher線性判別函數(shù).當 y=(μ1- μ2)T∑-1x ＜ μy時，則認為 x∈ θ2.如果記W(x)=(μ1-μ2)T∑-1x-μy，則判別準則等價于:當W(x)≥0時，則認為x∈θ1;當W(x)＜0時，則認為x∈θ2.在實際的計算中，總體的均值與協(xié)方差陣未知，就需要用樣本均值與協(xié)方差陣來代替.即用樣本均值1和2分別代替μ1和μ2，用樣本的協(xié)方差矩陣來代替.這里的S1和S2分別是兩個樣本的協(xié)方差陣.［5］1.2 多總體Fisher判別如果變量很多或者有
渭南師范學院學報 2014年23期2014-01-01
- 基于揮發(fā)性風味物質(zhì)對臘肉加工階段的判別分析
止，最后建立判別函數(shù)并進行樣品的回代檢驗。2 結果與分析2.1 以揮發(fā)性物質(zhì)的峰面積對臘肉加工階段進行判斷在6個不同加工階段的36個樣品中共鑒定出揮發(fā)性風味成分188種，其中包括醛類、酮類、醇類、酚類、醚類、酯類、酸類、雜環(huán)類等。應用SPSS 13.0的Discriminant程序，以這188種揮發(fā)性物質(zhì)的峰面積為自變量對臘肉的加工程度進行判別分析，共有20個變量進入模型，如表1所示。共得到5個典則判別函數(shù)，其特征值分別為177717.0、6298.5、2
食品科學 2013年10期2013-08-07
- 光學相干斷層掃描相關參數(shù)及所構建的判別函數(shù)在可疑青光眼中的診斷價值
參數(shù)，構建的判別函數(shù)來判斷其在可疑開角型青光眼中的診斷價值，以期為早期篩查青光眼提供更有利的依據(jù)。1 資料與方法1.1 臨床資料 收集從2011年1月～2012年9月就診于天津醫(yī)科大學眼科醫(yī)院的173例患者，納入標準:①無影響眼底視網(wǎng)膜功能的眼部疾病史，無全身系統(tǒng)性疾病，如糖尿病，高血壓史等;②矯正視力大于20/40，球鏡＜±5D柱鏡＜±2D;③房角開放(Scheie分類窄Ⅱ度以上)，UBM證實;④屈光間質(zhì)基本透明。173例中正常對照組60例(60眼)，其
山東醫(yī)藥 2013年11期2013-05-23
- Y-STR家系排查結合常染色體STR確定嫌犯身份1例
1的無關個體判別函數(shù)ZUI值為11.605，全同胞對判別函數(shù)ZFS值為20.924，李某和兄弟2的無關個體判別函數(shù)ZUI值為6.028，全同胞對判別函數(shù)ZFS值為14.683，兩例判別中，ZFS值均大于ZUI值，支持他們?yōu)槿麑?，即為兄弟。再根?jù)文獻[2-3]計算lgFSI值判定全同胞關系。李某和兄弟1的無關個體判別函數(shù)ZUI值為-12.386，全同胞對判別函數(shù)ZFS值為10.403，李某和兄弟2的無關個體判別函數(shù)ZUI值為-6.654，全同胞對判別函數(shù)
法醫(yī)學雜志 2013年5期2013-03-11
- 9種植物油脂F(xiàn)isher判別函數(shù)的表征研究
Fisher判別函數(shù)的表征研究井銀成1范 璐1張欣欣1楊國龍2畢艷蘭2周亞利1王憲周1杜淑丹1(河南工業(yè)大學化學化工學院1，鄭州 450001) (河南工業(yè)大學糧油食品學院2，鄭州 450001)本研究為了建立不同植物油脂的識別方法，針對9種植物油脂采用氣相色譜法分析其脂肪酸組成，用面積歸一化法定量各脂肪酸甲酯的含量。以豆蔻酸、棕櫚酸、硬脂酸、油酸、亞油酸、亞麻酸、花生酸、花生烯酸和芥酸等9種脂肪酸為變量，應用Fisher判別法，建立8個判別函數(shù)，以第一和
中國糧油學報 2012年7期2012-11-23
- 引入權重因子的Fisher判別法的研究
小的原則確定判別函數(shù)，在根據(jù)建立的判別函數(shù)判定待定樣品的類別.由于Fisher判別分析方法不需要對樣本數(shù)據(jù)進行檢驗，而且有一定的正確率，因此，在實際中它得到了廣泛的應用，如:魯立強等利用Fisher判別方法對蘋果的品質(zhì)鑒別進行判別取得了良好的成果;鐘紹軍等利用Fisher判別法，對未知乳房腫瘤性質(zhì)的病例進行了成功的診斷，使得費歇判別法在醫(yī)學領域發(fā)揮巨大的作用;葛和平利用Fisher判別分析對我國上市公司財務困境進行了分析研究，取得重要成果.近年來，F(xiàn)ish
哈爾濱師范大學自然科學學報 2012年5期2012-09-17
- Maddrey判別函數(shù)與酒精性肝病預后評估
addrey判別函數(shù)與酒精性肝病預后評估楊洪波四川省瀘州市人民醫(yī)院消化內(nèi)科，四川瀘州 646000目的 探討Maddrey判別函數(shù)在酒精性肝病預后評估中的應用。 方法 將酒精性肝病患者分為輕、中、重度組，比較各組患者的Maddrey函數(shù)評分，比較各組患者30 d后的預后與Maddrey判別函數(shù)評分的關系。 結果 酒精性肝病患者的Maddrey判別函數(shù)評分隨病情加重而增加（P酒精性肝?。籑addrey判別函數(shù)；預后；評估酒精性肝病（alcoholic liv
中國當代醫(yī)藥 2012年16期2012-09-08
- 基于距離判別法的中國經(jīng)濟社會發(fā)展水平研究*
(3)求線性判別函數(shù) W(X)［4］。解線性方程組(4)判別函數(shù)的檢驗。①對已知類別的樣品判別分類。對已知類別的樣品(通常稱為訓練樣品)用線性判別函數(shù)進行判別歸類，結果如表2，全部判對。表2 原類和判別類比較②對判別效果作檢驗［5］。所謂判別效果的檢驗就是檢驗兩個正態(tài)總體的均值向量是否相等，如果不存在顯著差異，則判別意義不大。檢驗統(tǒng)計量［6］為:其中將上邊計算結果代入統(tǒng)計量后可得:故在檢驗水平下，兩個總體間差異顯著，判別函數(shù)有效。(5)對判別樣品判別歸類［
重慶工商大學學報（自然科學版） 2012年8期2012-05-26
- 基于Fisher判別準則的沉積環(huán)境判別與分類方法
數(shù)建立相應的判別函數(shù)，以該函數(shù)計算待判樣品的Fisher判別函數(shù)值，以最大值對應的總體作為樣品的歸屬。判別結果表明，所建立的沉積環(huán)境判別與分類的Fisher判別模型具有一定的實用價值。粒度；沉積環(huán)境；分類；Fisher判別分析沉積物粒度參數(shù)的變化受搬運介質(zhì)、搬運方式、沉積環(huán)境和氣候等因素控制，因此，沉積物粒度分析對揭示氣候變化和環(huán)境的演變具有重要意義。粒度參數(shù)平均粒徑、標準偏差、偏差、峰值是沉積物粒度4個重要參數(shù)。不同粒度組分的形成與搬運與沉積環(huán)境密切相關
長江大學學報(自科版) 2011年13期2011-11-21
- 糖尿病線性判別診斷模型的建立
之后就會得到判別函數(shù)。判別分析適用于2組以上，且每個病例必須有2個以上變量的分類分析。一般說來，我們可對2組間的判別擬合一個線性方程：Y=a+b1X1+b2X2+...+bnXn式中a 為常數(shù)，b1 到 bn 為回歸系數(shù)。判別函數(shù)對2組判別問題的解釋較直接，具有最大相關系數(shù)的變量對預測組別的貢獻最大[3]。本實驗為了研究方便，定義糖尿病病例為1，而非糖尿病病例為-1。2.2 逐步判別原理逐步判別分析是根據(jù)多元方差分析中的wilk′s 統(tǒng)計量及F 值進行變量
衛(wèi)生職業(yè)教育 2011年17期2011-09-20
- 狂犬病病例暴露后發(fā)病風險及疫苗接種的判別分析
1 非標準化判別函數(shù) 根據(jù)以上有統(tǒng)計意義的暴露部位、出血與否、肇事動物狀態(tài)3個變量得到非標準化判別函數(shù)系數(shù),結果見表3。表3 非標準化判別函數(shù)系數(shù)非標準化判別函數(shù)如下:將暴露者各指標分別代入以上2個判別函數(shù),可分別求出2個判別函數(shù)值。以F1為橫坐標、F2為縱坐標,SPSS15.0同時給出了相應的風險判別分類圖。見圖1。圖1 狂犬病例暴露后發(fā)病風險判別分類圖2.1.2 Fisher線形判別函數(shù) 根據(jù)以上有統(tǒng)計意義的3個變量得到Fisher線形判別函數(shù)系數(shù),結
中國人獸共患病學報 2011年7期2011-08-21
- 基于模板匹配的車牌漢字識別方法及判別函數(shù)
過運用合適的判別函數(shù)提高車牌漢字的識別率。以往是將漢字進行水平或豎直方向的投影，得出投影圖像。再根據(jù)投影圖中的波谷和波峰判斷漢字的間斷點和較長的直線，而波峰和波谷的判定較為復雜。因此提出在待識別字符與模板進行邏輯運算后，直接運用數(shù)學函數(shù)作為判別函數(shù)的判定識別結果，簡化了識別過程，并提高了識別率。1 背景知識及原理簡介數(shù)字圖像處理指用計算機處理數(shù)字圖像。數(shù)字圖像由有限的元素組成，每一個元素都有一個特定的位置和幅值，這些元素稱為圖像元素、畫面元素或像素［10］
電子科技 2011年12期2011-06-01
- Fisher判別法在青海湖東地區(qū)不同草地類型中的應用
[13]。在判別函數(shù)中，通過找到最大的判別系數(shù)，來說明判別函數(shù)對某一指數(shù)值的敏感程度，可以根據(jù)判別準則(如函數(shù)值大于某值)判斷未知分類的個體應屬于已知分類中哪一類[14]。吳啟勛等[15]對青海土族、藏族和回族青年頭發(fā)中微量元素進行判別分析，指出3個民族的人發(fā)中7 種元素含量的綜合水平存在著較顯著的差別；馬威和管競環(huán)[16]對植物類中藥42種元素檢測后判別分析，結束了幾千年來依靠使用“口嘗”及“推論”藥味的歷史，對中藥味提出了一個新的定量方法。近年來，隨著
草業(yè)科學 2011年10期2011-04-25
- 逐步判別分析法在基因表達數(shù)據(jù)分類中的應用
s判別法建立判別函數(shù),對未知類型的基因表達值數(shù)據(jù)進行分類。1 逐步判別分析原理1.1 判別函數(shù)的建立逐步判別是一種篩選變量的方法。篩選的過程其實就是作假設檢驗的過程,通過檢驗找出顯著性變量,剔除不顯著變量[2,3]。所建立的判別函數(shù)中僅保留了對分類判別能力顯著的變量。1.2 判別結果的檢驗1)總體均值的檢驗 假設2總體Gi～N(μi,∑i)(i=1,2),為檢驗2總體的均值是否有顯著性差異(H 0:μ(1)=μ(2)),可以構造F 統(tǒng)計量[4]:式中,d2
長江大學學報(自科版) 2011年1期2011-02-10
- 沉積環(huán)境判別與分類的Bayes判別分析法
沉積環(huán)境間的判別函數(shù),曲政[2]給出了一種單樣品粒度分布表征的方法.薛清太[3]通過測試分析發(fā)現(xiàn)沉積巖粒度中值分布、泥質(zhì)含量、分選性等是影響油藏巖石滲透能力的重要因素,而正態(tài)分布和Φ正態(tài)分布能較好地描述低滲透砂巖油藏中沉積物的粒度分布特征,楊銳等[4]根據(jù)數(shù)理統(tǒng)計方法對粒度參數(shù)進行無偏估計,使之較以往參數(shù)估計更加符合無系統(tǒng)誤差的評選標準,并利用這一方法對長樂東部海岸的風沙進行了系統(tǒng)的粒度參數(shù)分析,張平等[5]對典型穩(wěn)定湖相沉積物和典型風成黃土粒度參數(shù)做了定
成都大學學報（自然科學版） 2011年2期2011-01-10
- 基于Fisher判別苦櫧和青岡櫟葉片
的思想來導出判別函數(shù)[3],即在已知研究對象分成若干類型,并已取得各種類型的一批已知樣品的觀測數(shù)據(jù)的基礎上,用多元函數(shù)極值思想,通過使類間方差達到最大而類內(nèi)方差達到最小,建立判別式,然后對未知類型的樣品進行判別分析[4-5]。近年來,Fisher線性鑒別分析在模式識別領域得到了廣泛的應用和擴展[6]。游華等[7]運用Fisher判別法對于三類鳶尾花進行判別,取得了較為滿意的結果。張焱等[8]基于Fisher判別分析對川金絲猴亞種進行鑒定,同樣取得了良好的結
河南科技大學學報(自然科學版) 2010年6期2010-04-07
- Bayes法前列腺癌多腫瘤標志物診斷模式建立及臨床意義
志物前列腺癌判別函數(shù),探討B(tài)ayes法在前列腺癌診斷中的作用和臨床意義。方法用蛋白芯片法檢測2 177例惡性腫瘤患者(其中21例前列腺癌)和2 111例正常及良性病變者的12項常見腫瘤標志物,應用Bayes法建立腫瘤三級判別診斷函數(shù)。結果(1)一級判別函數(shù)對前列腺癌診斷準確率為83.97%,靈敏度為71.28%,特異度為82.11%。二級判別函數(shù)對前列腺癌診斷診斷的準確率為96.87%,靈敏度為93.33%,特異度為100%。(2)三級診斷判別函數(shù)對前列腺
重慶醫(yī)學 2010年5期2010-02-10