（1）回归函数的 F 检验。 （2）回归参数的 t 检验。 （3）检验线性约束条件是否成立的 F 检验。 （4）JB 正态性检验 （5）似然比（LR）检验 （6）W 检验

4.1 直线回归方程 4.2 非线性回归方程 4.3 相关分析

一、一元线性回归模型的基本假设 二、参数的普通最小二乘估计（OLS） 三、参数估计的最大或然法(ML) 四、最小二乘估计量的性质 五、参数估计量的概率分布及随机干扰项方差的估计

以BP算法为基础开发了ANN学习预测系统,用于宝钢IF钢大生产产品性能预测.同时,应用在宝钢IF钢大生产数据对该系统进行了测试和分析,并与多元线性回归结果进行预测精度比较.结果表明,ANN学习预测系统,除σ0.2误差较高(9.0%)外,σb,δ,r和n值均<5.0%,且比多线性回归方法精度高

回归推导出渣系中磷酸盐容量对数与炉渣光学碱度和温度的关系表达式,通过回归公式绘制出CaO-SiO2-FeO(10%MgO)渣系的等磷酸盐容量图,分析了转炉终渣、终点成分及温度对钢中磷含量的影响情况.当熔渣磷酸盐容量一定时,随着转炉终点碳含量降低,渣/钢间磷分配比增加;相同终点碳含量时,随着熔渣磷酸盐容量增加,渣/钢间磷分配比增加;转炉终点碳质量分数控制在0.03%~0.04%,炉渣碱度大于3.5,渣中FeO质量分数低于18%,渣中P2O5质量分数低于2%,有利于获得终点磷质量分数在0.008%以内的钢水

一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间

前几章所讨论的内容，其目的在于寻求被测量 的最佳值及其精度。在生产和科学实验中，还有另 一类问题，即测量与数据处理的目的并不在于被测 量的估计值，而是为了寻求两个变量或多个变量之 间的内在关系，这就是本章所要解决的主要问题。 表达变量之间关系的方法有散点图、表格、曲 线、数学表达式等，其中数学表达式能较客观地反 映事物的内在规律性，形式紧凑，且便于从理论上 作进一步分析研究，对认识自然界量与量之间关系 有着重要意义。而数学表达式的获得是通过回归分 析方法完成的

针对目前局部回归神经网络动态BP算法的误差导数计算复杂、收敛速度慢的缺陷,提出了一种新的快速算法.该算法是将信号流图引入动态BP算法,较好地解决了求解误差导数的复杂性,同时采用BFGS算法加快了网络的收敛速度.仿真结果表明了本算法的有效性

采用回归分析的方法,建立特征变量与产品质量之间的统计对应关系,把产品质量表达成特征变量的回归函数,进而得到特征空间与产品质量空间在统计意义上的映射关系.在产品质量空间进行聚类,在特征空间进行分类,而后提出了一种基于统计空间映射的在线模式识别方法.利用唐钢烧结厂的实测数据进行了仿真,验证了本方法的正确性.从算法分析和仿真结果看,这一算法可以有效地克服模式交叉现象的影响,并可对复杂生产过程进行在线质量推断

已经学习回归模型和时间序列模型，如果把这两种分析方法结合在一起，有时会得到比 其中任何一种方法都好的预测结果