多元散射校正和逐步回归法建立黑土有机碳近红外光谱定量模型

采用全谱建立近红外校正模型，计算工作量大且冗余信息多。通过特定方法筛选特征波长有可能得到更好的定量校正模型。逐步回归法在波长选取方面起到了重要的作用。多元散射校正技术（Multiple scatter correction，MSC）可以有效剔除由样品颗粒大小、装填密度、湿度等不同引起的散射影响，有效提高光谱的信噪比。以我国东北黑土为研究对象，采集了136个土壤样品3699cm^-1-12000cm^-1范围的近红外光谱，利用多元散射校正技术对近红外原始光谱数据进行预处理，评价MSC的去噪效果，并利用多元线性回归法建立了土壤有机碳含量与校正光谱优选波长点处吸光度之间的关系模型，评价多元逐步回归法优选波长的有效性。结果表明，多元散射校正技术有效降低了散射的影响，提高了相关光谱的信噪比，模型决定系数从0．598提高至0．681。基于手动挑选波长建立的模型决定系数高达0．956，预测样品集模型预测值与实测值之间的相关系数为0．823。手动挑选波长建立的SOC模型预测能力优于基于逐步回归方法建立的定量模型，利用逐步回归分析法优选波长还需要进一步研究。图7,参26。     

逐步回归方法在虫情测报中的应用

应用逐步回归等数理统计方法,采用电子计算机作计算工具,在众多的气象因子中筛选出一、二个因子作为预报的依据.所得结果对我们所收集数据地区的虫情测报有实际意义.     

20CrMo钢化学成份和机械性能关系的统计分析

本文用逐步回归分析方法对生产中的48炉20CrMo钢的机械性能与主要化学成份之间的关系给出了最优的线性数学模型,与生产实测结果比较表明所得的回归模型是满意的。     

南海西南季风爆发的预测研究

利用多个气候场的主分量因子通过相关分析筛选 ,而后进行逐步回归预报。求得南海西南季风爆发的日期与高度场、海温场等因子场的主分量之间的联系。结果表明 ,南海夏季风爆发日期 (196 7- 1997)与上述主分量因子之间有较密切的关系 ,由 9个主分量因子组成的预报方程 ,通过α =0 0 1显著性检验 ,其方程复相关系数为 0 9392。其平均拟合误差为 2 896 ,试报 1998年南海北部和南部西南季风爆发的日期为第 135 6 9d (5月 16日 )和第 138 5 3d (5月 19日 ) ,与SCSMEX的观测结论 1998年南海北部夏季风爆发 (5月 17日 )的日期仅差 1d ,南海中南部夏季风爆发 (5月 2 5日 )的日期相差 6d。由此可见 ,利用相关和回归方法用因子场的主分量作为因子预报南海北部夏季风爆发的效果比较好 ,南部则相对较差。另外 ,研究发现南海北部夏季风爆发主要与海温场的影响有关 ,高度场对南海南部夏季风爆发影响较大 ,且厄尔尼诺与南海南部西南季风爆发偏晚有关 ,但与南海北部西南季风爆发关系不大。可以说 ,这一方法是对南海夏季风爆发预报的一种新的尝试。     

用BP神经网络法预测反相液相色谱保留值

运用逐步回归法筛选BP人工神经网络的输入元素改进BP网络的结构，并用于疏水分配常数及氢键作用能预测反相液相色谱保留值，结果表明，逐步回归法与人工神经网络相结合，能优化网络，大大提高网络收敛速度在很大程度上克服了通常BP网络过所合的缺点，较通常BP神经网络及回归法在处理构效关系方面有更强的信息处理能力和预测能力。     

一类经济模型的建立及预测

本文是针对数据有明显增长的趋势,而且数据量较少,预报步数又较长的情况下,提出一种称之为“疏系数自回归模型”进行拟合。其中心思想是:从高阶到低阶模型逐步剔除不重要变元,使准则函数值为最小的模型即为近似最佳模型。这样大大减少了计算量并节省了参数,从而保证了参数估计的相对稳定性和提高了预报的可靠性。     

SARS-CoV编码蛋白质的识别

选取非典型肺炎病毒(SARS-CoV, NC 004718)和其他6种冠状病毒共计100个编码蛋白为样本, 从172个变量中经逐步回归选取23个变量建立多元线性回归模型, 模型的复相关系数R² = 0.645, 交互检验R²_cv = 0.375. 剔除4个异常样本后, 模型的复相关系数R² = 0.743, 交互检验R²_cv = 0.543.     

基于交叉验证的逐步回归结合RBF神经网络在QS AR中的应用

提出将交叉验证方法和逐步回归方法相结合实现建模变量的筛选,与RBF网络相结合用于建立定量构效关(QSAR)研究的数学模型,并用于不对称有机磷的QSAR研究.结果表明该方法是有效的.     

青弋江芜湖段水污染物特征分析

用逐步回归方法确定了青弋江芜湖段主要污染物之间的定量关系。统计分析了ＣＯＤ随流量的变化规律,证明在６０ｍ＾３／Ｓ流量（顺流平均流量）时污染浓度最高。     

动态测试误差的系统建模与混合谱分析法

本文拟通过动态测试数据处理来分离测量结果、系统误差和随机误差。首先采用动态数据系统建模法(DDS)作预处理与预分析,然后主要应用逐步回归法和周期图检验法即离散谱分析法,提取非周期与周期的确定性成分,并分离出测量结果与系统误差。再对提取后的数据,应用DDS建模法作随机误差的相关分析和连续谱分析,以分离其随机性成分。必要时可借非线性最小二乘法确定两者的组合模型,面对其参数作出精确估计。该方法的分辨率与估计精确度均有所提高,适用性很广,可全部借微计算机进行实时动态数据处理及修正测试误差。