基于图像识别的小麦品种分类研究

基于数字图像分析,利用小麦籽粒的20个形态特征和12个颜色特征对来自中国4个地点7个春小麦品种共28个样本进行分类和识别。对于不同品种和地区的样本,分别利用逐步判别分析,选取显著性较大的特征参量,建立各地区和品种的贝叶斯分类器模型。结果表明,对各地区品种识别的正确回判率和测试集的正确识别率均达到100%。将各样本按品种合并,再对合并后的样本进行品种识别,除了新克旱9号的回判率为98.3%外,其它品种的回判率均为100%。测试集中,龙麦26和青春566正确识别率分别为97.5%和95.0%,其它品种均为100%。品种来源地识别也能达到较高的水平,甘肃、宁夏、新疆和黑龙江的正确识别率分别为88.6%、92.9%、72.9%和95.7%。说明利用籽粒图像对小麦品种进行识别高效可行。

运用计算机视觉识别技术进行馒头气孔结构分析

【目的】利用计算机数字图像分析提取馒头结构的气孔特征,以评价计算机视觉分析在馒头品质评价中的作用。【方法】试验1选用强筋品种Weaver、中筋品种宁春4号和弱筋品种京411,按粉质仪吸水率采用3个加水量处理,共计9个不同样本。图像分析中,采用K-均值算法将气孔从背景中分割出来,提取了3个气孔特征,即气孔总面积、气孔平均面积和气孔总数目,用于数据分析。试验2利用图像分析对11个样本进行馒头品质评价,并与实验室人工主观评分进行比较。【结果】试验1结果表明所取的3个特征能够较好反映加水量和筋力强弱对馒头气孔结构的影响,随着加水量增加和面筋强度增强,气孔总面积增加,这与馒头体积增大一致。试验2中馒头气孔图像特征的评价与人工评价具有较高的一致性,表明计算机图像分析能够较好反映馒头内部结构优劣。【结论】利用图像分析进行馒头品质评价是可行的。

财务预警模型中的样本配比分析及其对策研究

上市公司财务预警模型受到不同配对比例的下采样影响较大,2007—2008年上市公司财务数据的分析结果表明:配对比例过高,ST公司的识别率太低;配对比例过低,模型识别结果变异太大,结果不可靠;而现代统计学中针对不平衡数据的统计方法 SMOTO方法和Bagging算法均能较好地克服样本比例不均衡的影响,上述数据的实证研究结果显示:基于上述两种方法的财务预警模型在测试集上对正常公司和ST公司都取得了较好的稳定识别率。

基于误判代价加权的Logistic财务预警模型研究

1:1样本配比的财务预警模型的系数和概率估计是有偏的,全市场公司的样本数据又高度不平衡.为克服两类样本不平衡给预警模型带来的影响,引入公司误判代价分析,以ST公司误判代价为权重,通过最小化加权的对数似然损失函数,建立误判代价加权的Logistic回归财务预警模型.实证结果表明,误判代价加权的Logistic回归模型具有较好的预警效果,2007年的训练样本上正常公司和ST公司的识别率为89.43%和93.33%,2008年测试样本上两类公司的识别率分别为:92.1%和95.83%.

1BL.1RS易位系对小麦籽粒性状的遗传效应分析

【目的】研究1BL.1RS易位对小麦籽粒特征的影响及其遗传效应,为小麦籽粒性状的遗传改良提供理论依据。【方法】以豫麦49/周麦16杂交后代的176个F5重组自交系为材料,于2008-2010年连续2年对籽粒性状进行分析,并结合SSR和STS标记对1BL.1RS染色体进行籽粒性状的QTL检测。【结果】小麦籽粒性状中粒长和密度因子主要受基因型影响,千粒质量、粒宽、周长、面积及形态因子等性状受基因型和环境及其互作的影响较大,1BL.1RS易位能显著提高千粒质量、粒长、粒宽、周长和面积,但对形态因子和密度因子影响不显著。千粒质量与粒长、粒宽和密度因子均呈极显著偏正相关;而粒长和粒宽呈极显著偏负相关。位于1BL.1RS染色体短臂上的HVM20-AF1/AF4标记区间携带有控制千粒质量、粒宽和面积的QTL,可解释17.2%～21.0%的表型变异;AF1/AF4-Xg-wm582标记区间存在有控制粒长和周长的QTL,分别解释21.5%和14.9%的表型变异;与Nor-4紧密连锁的形态因子QTL可解释12.2%的表型变异,受环境影响较大。【结论】1RS携带有提高千粒质量、粒长、粒宽、周长、面积及形态因子的QTL,通过分子标记跟踪选择1BL.1RS易位系可有效改良小麦籽粒性状,进而提高千粒质量和产量。

微分中值点存在性命题证明技巧分析

本文通过对微分中值定理的特征分析,总结了关于微分中值点存在性命题证明的常见题型以及相应的典型技巧,归纳了常见辅助函数的构造。最后,结合积分,给出了辅助函数构造的一般方法。

基于秩能量距离的超高维特征筛选研究

特征筛选是超高维数据分析中常用的快速降维方法。本文首先基于秩能量距离提出了一种新的适用于超高维判别分析的特征筛选方法(RED-SIS)。该方法无需假定模型结构和有限矩条件,对厚尾协变量数据具有较好的稳健性。其次,本文研究了该方法的理论性质,并在几个较为宽松的正则条件下,证明了确定筛选性质和排序相合性。结果表明,RED-SIS能有效处理变量维数p和样本量n满足logp=O(n~α)的超高维判别分析特征筛选问题,且随着样本量的增加,筛选出的特征集合包含全部真实重要特征集合的概率趋近于1。最后,蒙特卡罗模拟研究该方法的有限样本性质,并和现有的超高维特征筛选方法进行比较。数值模拟结果表明,该方法在厚尾数据情况下具有明显的优越性,同时,实际数据分析的研究结果也说明RED-SIS方法的有效性。

基于最大边际效用的超高维特征筛选方法

超高维数据判别分析的变量筛选是研究热点之一,样本比例不平衡会对变量筛选产生较大影响。文章从条件分布函数的标准化C-v-M距离出发,构建了基于最大类边际效用的特征筛选方法SAD-SISI;研究了该方法的确定筛选性质和排序的一致性,并通过数值模拟验证了该方法的有效性。研究结果表明,SAD-SIS是模型自由的,不需要在特定模型结构假设条件下,满足确定筛选性质。因此,SAD-SIS能够应对样本量n和维数p满足log(p)=nγ的超高维特征筛选问题。模拟结果显示,SAD-SIS对厚尾数据具有较好的稳健性。同时,SAD-SIS能有效降低样本比例不平衡给变量筛选带来的影响。

超高维判别分析中的迭代稳健特征筛选方法

变量筛选是超高维数据分析的基础,MV-SIS和AD-SIS是超高维判别分类问题中的两种有效的稳健的特征筛选方法.然而,和其它边际筛选方法一样,忽略了变量间可能存在的强相关性,可能漏选重要变量或者错选不重要的变量.为提高MV-SIS(AD-SIS)在上述情况下的变量筛选效果,基于MV-SIS(AD-SIS)提出了两种有效的稳健的迭代变量筛选方法MV-ISIS(AD-ISIS),并通过蒙特卡罗模拟,研究这两种方法在超高维判别分析问题中的效果.数值模拟结果表明,新的迭代特征筛选方法MV-ISIS(AD-ISIS)能大幅提高MV-SIS(AD-SIS)的变量筛选效果.

基于弹性网正则化Logistic回归的上市公司财务预警研究

通过构建了基于弹性网正则化的Logistic回归财务预警模型,利用2017的50家和2018的41家被特别处理的制造业上市公司和其1∶1配对公司做实证研究。实证结果表明:弹性网正则化方法在上市公司被特别处理前三年能较好的进行甄别,既在一定程度上克服了基于普通Logistic回归的财务预警模型的过拟合问题,也比L1正则化的Logistic回归的财务预警模型有一定提升,在2017年训练集和2018年独立测试集上分别取得了0.930和0.805的识别率。

超高维多类判别分析的特征筛选方法研究

变量筛选是处理超高维数据的常用方法之一。通过研究多分类因变量的超高维判别分析的特征筛选问题,提出了一种新的特征筛选方法MCV-SIS,并研究了该方法的理论性质。理论研究表明,在较为宽松的正则条件下,MCV-SIS满足确定筛选性质和排序相合性。同时该方法是模型自由的,对厚尾数据和异常值有较好的稳健性。数值模拟分析和实际数据的实证分析结果都表明,比较现有的几种适用于多类别的特征筛选方法,MCV-SIS具有更好的变量筛选效果。