疏螺旋体属(Borrelia) 一、病原体: 二、回归热疏螺旋体:回归热 三、伯氏疏螺旋体:莱姆病

一、适宜资料:多个自变量对一个依变量的影响呈线性回归模型的多变量资料。 二、分析目的:建立多元线性回归方程,分析多个自变量对一个依变量的综合作用及各自变量的绝对作用(b),从而发现规律,以利预测和控制

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

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

一、预测的定义 二、二元回归分析 三、多元回归分析 四、历史数据的序列分析

一、含义:利用多项式(y=b+b1x+b2x2+…+x研究变量间非线性回归关系的统计分析方法。 二、适宜资料:变量间呈非线性(曲线)变化关系,而又无已知曲线类型相配合的资料(如果有已知曲线类型能配合的资料,则可转化为线性分析)

一、模型参数的线性约束 二、对回归模型增加或减少解释变量 三、参数的稳定性 *四、非线性约束

采用共存理论、动力学分析和实验验证的方法,研究转炉冶炼超低碳钢吹炼末期炉渣成分对终点[C]含量的影响规律,建立1853-1973 K时终点[C]与炉渣成分和温度的回归模型.结果表明：FeO活度受温度影响较小,主要受炉渣成分的影响;脱碳动力学条件主要受炉渣成分和温度的影响.炉渣碱度增加,终点[C]含量升高;渣中FeO含量增加,终点[C]含量迅速降低,渣中FeO质量分数应控制在12.0%-18.0%之间;渣中MgO质量分数在7.0%-13.0%范围内逐渐增加,钢液中[C]质量分数增加值不足0.01%;随着温度的增加,钢液中[C]含量降低.回归模型对冶炼超低碳钢的转炉终点[C]含量的预判平均误差率为±15.25%,[C]含量误差在±0.01%以内的炉次占69.19%

一、模型的类型与变换 二、非线性回归实例

针对一类具有空间不均匀性的辨识和回归问题，提出了基于小波分析的极限学习机方法.从多分辨率分析的思想出发，构造一簇紧支撑正交小波作为隐层激活函数，并利用改进的误差最小化极限学习机训练输出层权重，避免了新加入高分辨率子网络后的重新训练.同时，由一维多分辨分析的张量积构造了二维多分辨小波极限学习机.进而通过脊波变换将小波学习机扩展到高维空间，对脊波函数的伸缩、方向和位置参数进行优化计算.对具有奇异性的函数仿真结果证明，与标准极限学习机相比，小波极限学习机由于其聚微性能在极短的训练时间内更好地逼近目标.一些实际基准回归问题上的测试验证了脊波极限学习机在其中大部分问题上达到更高的训练和泛化精度