回归分析及其在产品变型设计中的应用

分析变型设计的基本特点与存在问题，提出用回归分析的方法解决变型设计中设计变量之间的隐含不确定的关系．应用实例表明，回归分析是一种能够缩短变型设计周期、提高产品质量的有效分析方法．     

油田产量多变量预测模型的优化

油田开发是一个复杂的多变量非线性动力学系统,为有效地预测油田产量,确保油田生产过程高产稳产,该文提出采用多元线性回归与神经网络相结合的方法对油田产量多变量预测模型进行优化。首先基于回归分析的“后退法”对影响产量的变量进行优选,然后通过神经网络对优选后的变量进行训练得到最终的预测模型,从而实现神经网络与多元线性回归相结合建立多变量预测模型。实际应用结果表明,优化后的模型简洁实用,可以在一定程度上提高模型的预测精度,并减少建模预测所需数据量。     

基于协方差消除多重共线性的一种方法

多元线性回归模型通常用来研究一个因变量依赖多个解释变量的变化关系,但它有一个前提条件就是解释变量之间不存在相关关系.在实际的应用中,特别是计量经济学中,解释变量之间一般都存在有高度相关关系或近似相关关系,从而使得模型估计不准确.为此,通过协方差计算变换矩阵,提供一种变换矩阵消除随机变量之间相关关系的方法,通过spss25进行实证分析,最后发现通过矩阵变换变换后的数据t检验的显著性值明显降低.     

图标形状复杂度的计算度量

为了解决二维图标形状视觉复杂度的计算度量问题,提出一个基于回归模型的图标形状复杂度计算模型.首先对图标训练数据集进行测试者心理评估;然后对该数据集进行几何特征抽取,并计算得到候选特征变量;最后通过回归分析从候选特征变量中选出4个变量构建回归模型来量化评估图标复杂度.用图标测试数据集对该回归模型进行验证的结果表明,该模型可以解释80%的复杂度人工评估结果;测试数据集的模型量化评估结果和人工评估结果之间斯皮尔曼相关系数达0.922(最大值为1).该模型在图标形状分析、检索、分类等方面具有广泛应用价值.     

流程产品结构模型

以一个流程产品结构为实例，用统计方法对其进行建模研究。基于经验数据分别运用逐步回归和偏最小二乘回归方法建立了两个产品结构模型，通过分析模型对变量的解释能力，讨论了所建模型的质量。指出对数据量不充足和有噪声的流程产品结构，采用偏最小二乘法进行回归分析建模，能够最大限度地反映变量的有用信息，去除噪声，并且对变量有较好的适应性，可以得到更能够反映对象真实特性和符合实际规律的数学模型。     

一种新的回归变量选择方法

本文就多元线性回归模型,提出一种回归变量选择方法,其基本思想是利用矩阵的扫描运算和变量间的相关性分析,根据自变量（回归变量）与因变量之间相关性越强对因变量的解释作用越强的原则,选择回归变量。用本文提出的方法选择回归变量,具有降低回归模型复杂度、提高模型精确性和可靠性、便于工程实现的优点。仿真算例证实了该方法的有效性和可行性。     

挖掘回归类的混合模型的可识别性

复杂海量数据往往表现为多种结构特征的混合体，回归类混合模型就是对这种混合体的一个描述．该文基于统计学的有限混合分布理论和可识别性的相关结果，针对回归变量的三种情形：(1)解释变量固定，(2)解释变量随机，(3)解释变量固定且类别参数指定，分别讨论挖掘一般回归类的混合模型的可识别性问题，并给出同族回归类混合模型可识别的相应充分条件．这些条件的一个共同特点是它们都与一类特别的解释变量集合有关，而该类集合是由同族的回归函数与回归参数唯一确定的，其元素使不同的回归参数对应回归函数的相同值．特别地，当回归函数线性时，这类集合就是解释变量空间中的超平面．     

Matlab在回归分析中的应用与编程

回归分析是根据已有的试验数据以及经验建立统计模型并研究变量之间的相关性,建立变量之间关系的近似表达式,亦即经验公式,由此对相应的变量进行预测与控制等,是最常用的数据分析手段之一.以详实的实例,介绍多种回归模型的Matlab编程实现.     

一类自适应预测算法的全局收敛性

对自适应控制系统为扩展自回归滑动平均模型(ARMAX),提出了一个自适应递推预测算法。该算法的主要特点是在回归变量中使用了预测误差,而且在输入和输出之间带有任意反馈。最后应用鞅收敛定理推广形式给出了这一算法的全局收敛性证明。     

基于时序隐变量模型的因果关系发现算法

为在基于隐变量模型的因果关系发现算法中综合考虑隐变量之间的瞬时性和延时性因果效应,构建以动态贝叶斯网络为基础的时序隐变量模型,提出对应的因果关系发现算法。使用因子分析的方法估计测量模型中的因子载荷矩阵,应用结构向量自回归模型估计自回归矩阵,利用数据的非高斯性依次学习模型中隐变量之间的瞬时效应矩阵与延时效应矩阵,构建时序隐变量模型的因果网络结构。实验结果验证了算法的有效性。     

具有模糊控制变量的多元线性回归

多元线性回归被广泛用于预测。回归式反映了响应变量和预测变量间的线性关系。将模糊集理论引入多元线性回归中,通过模糊控制变量,可以得出更符合实际,也更容易为人所理解的回归模型。针对真实数据的实验表明,具有模糊控制变量的线性回归可以解决一类复杂的回归问题。     

基于改进PCR方法的加热炉钢温预报模型

运用多元统计投影原理，结合改进PCR方法，建立了钢坯出口温度变量和过程变量之间的主元回归预测模型，最后基于某钢厂实际生产数据对模型的参数进行了求取．校验和误差分析表明，该模型能提前5～25分钟预测出钢坯的出口温度，且预测误差满足工业应用的精度要求．     

基于带有噪声输入的稀疏高斯过程的人体姿态估计

高斯过程回归（Gaussian process regression，GPR）是一种广泛应用的回归方法，可以用于解决输入输出均为多元变量的人体姿态估计问题.计算复杂度是高斯过程回归的一个重要考虑因素，而常用的降低计算复杂度的方法为稀疏表示算法.在稀疏算法中，完全独立训练条件（Fully independent training conditional，FITC）法是一种较为先进的算法，多用于解决输入变量彼此之间完全独立的回归问题.另外，输入变量的噪声问题是高斯过程回归的另一个需要考虑的重要因素.对于测试的输入变量噪声，可以通过矩匹配的方法进行解决，而训练输入样本的噪声则可通过将其转换为输出噪声的方法进行解决，从而得到更高的计算精度.本文基于以上算法，提出一种基于噪声输入的稀疏高斯算法，同时将其应用于解决人体姿态估计问题.本文实验中的数据集来源于之前的众多研究人员，其输入为从视频序列中截取的图像或通过特征提取得到的图像信息，输出为三维的人体姿态.与其他算法相比，本文的算法在准确性，运行时间与算法稳定性方面均达到了令人满意的效果.     

ASP.NET Session的原理及应用

Session的主要作用是可以针对某一个用户的特殊连接,建立一个私人的变量,并且这个变量可以在不同的页面之间进行传递.除非用户在用服务器设定的时间内没有点击任何页面,否则这个变量会一直保留下去.这是一个很有用的功能,同时也是一个很占用服务器资源的功能.着重阐述了ASP.NET Session原理以及相关的应用.     

纹理分析中的图模型

纹理作为一种重要的视觉特征,广泛应用于图像分析。高斯图模型（GGM）可以很好地描述有交互作用的高维数据,因此可用来建立图像纹理模型。根据纹理特征的局部马尔可夫性和高斯变量的条件回归之间的关系,将复杂的模型选择转变为较简单的变量选择,应用惩罚正则化技巧同步选择邻域和估计参数。提取基于图模型的纹理特征分析纹理,实验显示了很好的效果。因此,利用高斯图模型来构建纹理模型有很好的发展前景。     

基于PLS分析的高压绝缘子污秽等级判定

针对污秽绝缘子红外热像特征数据具有多重相关性的特点,提出基于PLS(Partial Least Squares, PLS)回归分析的高压绝缘子污秽等级判定方法。在最大限度保留原有数据信息的前提下,建立起高压绝缘子污秽特征量与污秽等级之间的PLS回归模型方程,通过对回归模型方程进行变量投影重要性指标分析,可以得到各个特征量对污秽等级判定结果的影响程度。此方法有效解决了自变量之间的多重相关性问题,量化了污秽特征量与污秽等级之间的关系。测试结果表明,将PLS回归分析应用于高压绝缘子污秽等级的判定,科学可靠,准确率高,具有较强的实用性。     

频域格兰杰因果关系及其在信号处理中的应用

自从格兰杰1969年提出因果关系的概念之后,格兰杰因果关系在信号处理、计算神经科学等许多领域的应用越来越广。人们可以利用格兰杰因果关系来分析多个变量之间的直接的相互作用,从而进一步研究各类变量之间的内在联系。以往都是在时域空间进行分析的,也就是说分析的对象都是时间序列数据,研究这些变量之间随着时间的变化是如何联系的。在时域空间的基础上,进一步从频域空间上对变量进行研究,分析在哪个频率段上变量之间存在相互作用,所得到的结论当然更具有意义。     

改进的多目标回归实时人脸检测算法

针对物体检测实时多目标回归算法中分别优化各四个位置参数，割裂了四个位置变量之间的关系，造成对物体的边框回归不够准确且训练不易收敛的问题，提出一种带检测评价函数（Intersection over Union，IoU）作为损失函数的实时多目标回归人脸检测算法。首先基于Redmond等提出实时多目标回归模型，采用该模型检测实时性的机制，然后融合了IoU函数作为位置参数的损失函数，将实时多目标回归模型中的四个独立位置参数整合成一个单元进行优化，避免了基础模型的缺陷。算法在人脸检测基准库FDDB上进行测试，实验结果表明：在人脸检测的有效性上优于主流的传统人脸检测算法，检测速度上领先于其他经典深度学习方法。提出的算法在检测人脸的有效性和检测速度两者之间取得了一个较好的平衡，为构建实用的人脸相关应用系统提供了参考价值。     

台风最大风速预测的高斯过程回归模型

针对影响台风最大风速的输入变量较多以及输入变量与输出变量之间的非线性变化特点,首先计算各个输入变量与输出变量间的互信息,这些互信息间接地反映了各个输入变量与输出变量间的相关性;然后根据t检验法确定一个阈值,对于互信息小于阈值的输入变量作不相关变量处理,筛选出最佳的模型输入变量;最后采用高斯过程回归模型对筛选后的样本集进行拟合,在贝叶斯非参数建模的框架下,确定高斯过程回归模型的协方差函数.仿真结果表明,所得高斯过程模型能够满足绝对误差的预定要求,且具有较大的实用价值.     

基于PCA-RFR的传感器故障定位方法

基于数据驱动的故障诊断方法近些年来得到广泛的研究和应用,但这些方法主要针对于故障检测,对于故障根源的定位尚未得到充分解决。本文提出一种基于主成分分析(PCA)和随机森林回归(PFR)的因果分析故障定位方法(PCA-PFR)。该方法通过将离线故障数据段中的变量作为输入,与之对应的统计量作为输出建立随机森林回归模型,然后通过模型的变量重要性度量来得到过程变量对统计量的因果关系系数,其中值越大的变量被认为越有可能是引起故障发生的故障变量。最后通过一个数值案例和TE过程仿真实验,表明该方法的有效性。