中学教师工作绩效Q型聚类的验证性研究

在中学教师工作绩效评价的Q型聚类中,类的数量和分类标准还不好确定,借助判别分析可以对聚类结果作验证性研究,不但可以很好地检验分类结果的效度,而且能解决分类数量和标准模糊的问题。     

1960-2015年河南省小麦气候生产潜力估算及种植空间优化

根据河南省1960-2015年太阳辐射、气温和降水数据,通过逐步订正法估算河南省小麦气候生产潜力,并据此提出小麦种植空间优化方案.结果表明:在全球气候变化背景下,受气温和降水双因素驱动,1960-2015年河南省小麦气候生产潜力呈W型的波动变化趋势,小麦气候生产优势潜力区在2000年开始向豫西南移动,速度逐步减缓;河南...     

判别分析在海拉尔油田试油中的应用

为了解决海拉尔油田试油解释难题,针对地下复杂的油水分布状况,收集整理了研究区2000年至2008年194份的试油地层水样品数据。考虑了能反映地层水化学性质的7个成分(CO23-、HCO-3、Cl-、SO24+、Ca2+、Mg2+、K++Na+)含量参数,应用了数学地质中判别分析的原理和方法,建立了研究区出水层和非出水层的定量判别模型。经过回判检验,正判率达到了95.9%,表明判别函数模型是显著的。利用建立的判别函数模型,对2009年17个地层水试油样品进行判别,正判率达到88%,与实际符合很好,表明判别模型可靠,可以在试油解释中使用。     

一种多总体的判别分析

判别分析是对样品或者个体进行判别分类的一种统计方法.对多总体数据进行判别分析时,总体之间的差别信息被看成同等重要,然而,这种判别效果往往不是很好.为此,提出一种结合分组的判别方法,根据各个总体的差别不同将总体分成若干组,然后对每组的数据进行判别分析,并将其应用于实例,证明在一定条件下,这种结合分组的判别方法有效.     

大气污染样品类别的分布式计算机判别方法

研究在VisualBasic中通过MATLAB引擎调用MATLAB工具箱函数以及VisualBasic和SQL Server数据库通过ADO进行远程连接的方法,对VisualBasic和Matlab进行混合编程,从而完成了环境模拟中判别分析模型软件的开发应用,并利用该模型解决了某大型化工厂大气样品的污染判别分类问题.所研究开发出的软件与单纯使用Matlab中的ToolBox中的Classify函数相比,可以利用其中的远程调用数据库的功能省去复杂的数据录入工作,还能通过SQL Server数据库增强对实验数据的管理,操作起来简单易行,这种模式对于各类环境模型的软件开发应用具有理论意义与应用价值.     

逐步迭代法——一种率定水质参数的新方法

河流水质数学模型中参数的精度直接影响到模型的应用价值。本文以Streeter-phelps BOD—DO模型为例,用逐步迭代法对实例进行了分析、计算及论证。与目前常用的参数率定方法相比,此法的最大优点是:不受初始值影响,可以得到整体最优解。且计算程序简单,运算速度快。     

逐步回归与判别分析的应用研究--在乳腺疾病建模中的应用

体内激素紊乱是导致乳腺疾病发生的重要原因,将逐步回归法与Fisher判别法结合应用于乳腺疾病建模中,对乳腺疾病与6种内分泌激素及患者年龄的关系进行了多元线性判定分析,建立了变量与相关疾病的逻辑回归模型与判别模型,该模型通过实际应用,判别效果较好,有助于乳腺疾病的诊断。     

矿山硫化矿自燃倾向性分级的Bayes判别法及应用

为实现高硫矿床的安全开采,将Bayes判别分析理论应用于矿山硫化矿自燃倾向性的等级判别与分类中。选取反映硫化矿自燃特性的低温氧化质量增加率、自热点温度、自燃点温度这3项指标作为基本判别因子;将硫化矿自燃倾向性分为3个级别作为Bayes判别分析的3个正态总体。以采自典型矿山的20组代表性矿样的实测数据作为训练样本,建立硫化矿自燃倾向性分级的Bayes判别函数。利用交叉确认估计法对训练后的模型进行检验,最后运用该模型对7个待检验矿样的自燃倾向性进行分级。研究结果表明:经训练后的Bayes判别分析模型误判率很低,分类性能良好,可以用于矿山硫化矿自燃倾向性的等级分类。     

基于分类的头部姿态估计算法的研究

阐述了基于分类的头部姿态估计算法的基本原理,提出了在特定条件下的两种分类姿态估计方法,并且分析了这两类方法的优缺点。     

基于局部保留映射与径向基网络的人脸识别方法

局部保留映射（locality preserving projections,LPP）选择人脸子空间特征包含非线性信息而不利于最近邻法分类．基于径向基函数（radial basis function,RBF）分类器可以将非线性可分问题转化为线性可分问题的特点,提出了利用LPP子空间和RBF网络相结合进行人脸识别的方法,LPP算法采用监督模式,RBF网络隐层中心采用正交最小二乘（orthogonal least—squares,OLS）法训练．实验结果表明,该方法在Yale—B和Yale—B Extended人脸数据库上的识别率为95．67％,在CMU—PIE人脸数据库上的识别率为98．52％,具有较好的抗噪能力,识别效果优于特征脸、Fisher脸以及拉普拉斯脸法．