基于线性回归算法的春玉米叶面积指数的冠层高光谱反演研究

利用辽宁锦州地区2013年生长季不同土壤水分控制条件下的春玉米冠层高光谱数据,及对应的植株叶面积指数(leaf area index,LAI)数据,分析在不同发育期内不同生长状况下的春玉米冠层高光谱特征及其与植株叶面积指数的关系。采集并计算共313组有效样本,包括350~2 500nm波段范围光谱的反射率、反射率倒数的对数、反射率一阶导数及LAI,应用多元逐步线性回归法和偏最小二乘回归法,对剔除了受大气水分影响较为严重光谱波段的其他波段数据进行降维,构建叶面积指数的全波段冠层高光谱数据模型,并进行精度检验与比较。结果表明,春玉米LAI与光谱反射率在可见光波段(350~680nm)、红外波段(1 430~1 800和1 950~2 450nm)均呈显著的负相关;反射率倒数的对数在对应区间为显著的正相关;反射率一阶导数则在可见光和近红外波段(350~1 350nm)存在较显著相关波段。三种全波段冠层高光谱数据在春玉米LAI的线性回归中,偏最小二乘法在以冠层反射率为自变量的模型构建中,比多元逐步线性回归拟合度好,其总均方根误差为0.480 7;以冠层光谱反射率的倒数的对数及一阶导数为自变量,应用逐步线性回归法建模,拟合度较好,其总均方根误差分别为0.333 5和0.348 8;三种光谱数据的春玉米LAI两种回归算法中,以冠层反射率倒数的对数为自变量,应用逐步线性回归方法建模的拟合度最佳。

基于小波变换的逐步线性回归分析预测大坝位移

介绍了小波变换及逐步线性回归分析的方法,并将两种方法融合在一起分析预测大坝位移,与传统的逐步线性回归分析相比较,该方法能提高大坝位移的预测精度。

用逐步线性回归方法分析预测我国纸和纸板消费量

本文利用逐步线性回归方法逐步剔除对被解释变量贡献小的自变量,最后剩下了对纸和纸板消费增长满意解释的自变量,分析了影响纸和纸板消费增长的因素,并预测了近期和中长期纸和纸板消费趋势。

基于逐步线性回归的汽轮发电机组振动研究

研究汽轮发电机组运行参数对基础振动的影响对降低振动引起的设备故障具有重要意义。建立汽轮发机组基础振动成因分析试验平台,首先测试不同汽轮机转速、进气压力与载荷工况下基础振动有效值,通过逐步线性回归对振动有效值与运行参数之间的关系进行统计分析,再根据汽轮机降速过程与增压过程中的基础振动时频图对统计分析结论进行验证。结果表明,汽轮发电机组基础的振动与汽轮机转速、载荷呈线性关系,且与汽轮机转速的线性关系更加显著;汽轮机转速对机组基础振动的影响比载荷影响更大,进气压力对基础振动的影响不显著;运用逐步线性回归统计方法可得出汽轮发电机组基础振动的影响因素及各影响因素的重要程度。

逐步线性回归与神经网络预测的算法对比分析

逐步线性回归能较好地克服多重共线性现象的发生,因此逐步回归分析是探索多变量关系的最常用的分析方法,智能算法是现代数据分析的主要方法。本文通过一个实例进行了对比研究,预测结果显示:在预测的精度上,在隐含层数目相同时,RBF径向神经网络>BP神经网络>逐步线性回归>ELM极限学习机。通过对比分析,发现神经网络方法较回归分析预测效果更好,误差相对较小。

线性回归法在地下水水质分析中的应用

运用逐步线性回归的理论方法,分析研究区的地下水水质指标间的相关性,研究区属砷元素富集地区,对研究区建立砷含量与其他指标之间的线性回归模型,确定砷含量与HPO4-2、Fe、I-,Br-的含量相关性较显著。此模型可以用于研究区的地下水环境的规划、评价、研究工作中。

基于多元逐步线性回归的煤矿瓦斯涌出量影响因素研究

针对煤矿瓦斯涌出影响因素较多,难以准确分析各影响因素的相关性,以及在实际生产作业中瓦斯涌出量难以进行准确预测的问题,采用双变量相关性分析与多元逐步线性回归相结合的方法对此进行了研究。首先,对可能影响瓦斯涌出量的影响因素进行相关性假定,并利用双变量相关性分析确定主要影响因素。其次,将满足条件的影响因素利用多元逐步线性回归方法建立了瓦斯涌出量预测模型,模型的模拟精度为0.954 7,对比实际值和预测值计算得到均方根误差RMSE=0.056。最后,利用canoco5分析了瓦斯涌出量与各个影响因素之间夹角关系,对瓦斯涌出量与各因素之间的正负相关性进行了验证,为煤矿瓦斯涌出量研究提供了相关依据。

基于逐步线性回归的温度测点优化

在数控机床热误差补偿技术中,温度测点的选择与优化是一个难点。文章采用逐步线性回归方法对核电轮槽铣床主轴箱的温度测点进行优化与建模。首先利用瞬态热-结构耦合分析了主轴箱在粗加工时的温升和热变形,再通过逐步线性回归方法对温度测点进行优化,利用优化后的温度测点建立了主轴X,Y,Z三个方向的热误差模型,最后对主轴箱在精加工运行时对所建立的模型进行了验证,结果表明:该方法不仅可以有效减小温度测点数目,还能保证模型的预测精度,三个方向的热误差均减小到5μm以下。

基于主成分分析-线性回归的光伏发电功率预测研究

针对经典光伏发电功率物理模型预测精度不高、可能遗漏关键气象因子的问题,基于数据驱动思想提出一种主成分分析、逐步线性回归以及多种检验相结合的光伏发电功率预测模型混合建模方法.采用相关性分析提取关键气象因子自变量,通过逐步线性回归对历史样本数据进行训练得到初始模型;对初始模型进行拟合程度、有效性以及多重共线性等多种检验,根据检验结果,采用主成分分析对初始模型自变量进行降维重构,得到修正模型;通过残差分析实现修正模型正确性的自校验;基于多种时间尺度对经典模型、未修正模型以及修正模型的预测结果进行详细对比分析.仿真结果表明修正模型提高了预测精度及所提混合建模方法的有效性与优越性.

2.5龄大鳞鲃形态性状与体重的逐步线性回归通径分析

为探讨2.5龄大鳞鲃(Barbus capito)形态性状与体重的关系,随机选取30尾2.5龄大鳞鲃为研究对象,测量体重(Y)和11个形态性状(全长(X 1)、体长(X 2)、体高(X 3)、体宽(X 4)、眼间距(X 5)、头长(X 6)、头高(X 7)、头宽(X 8)、吻长(X 9)、尾柄长(X 10)和尾柄高(X 11)),运用逐步线性回归、相关分析、通径分析和决定系数分析等方法,研究了2.5龄大鳞鲃的形态性状与体重的关系。结果表明,各形态性状与体重的相关系数均达到了极显著水平(P<0.01);采用逐步线性回归方法建立了多元回归方程Y=-204.669+0.641 X 1+4.187 X 3。保留的2个形态性状与体重的相关指数R 2=0.956,所选性状是与体重密切相关的主要性状。

最优线性回归分析VBA程序设计

采用成熟多元逐步线性回归算法,设计了基于EXCEL VBA语言的程序,从EXCEL中获取数据,计算完成再将结果输出到EXCEL中,可以简化数据的录入或编辑。

我国民用汽车保有量逐步线性回归预测模型

根据1996～2009年中国统计年鉴的数据,利用逐步线性回归建立了我国民用汽车保有量的预测模型,检验结果表明模型回归效果良好。通过对模型进行的分析可知,我国民用汽车保有量的主要影响因素是交通运输业的发展。

利用逐步线性回归方法拟合太阳辐射量的经验计算公式

本文采用逐步线性回归分析方法，根据云南腾冲部分年代的气象观测资料和太阳辐射实测数据，选取可能与月总太阳辐射量有关的一些参数进行拟合，得到了计算腾冲水平地面上的月总太阳辐射量和月散散辐射量的几个经验公式，并对公式进行了讨论。

青岛市房地产价格影响因素线性回归模型分析

近年来,房地产价格飞速上涨,房地产市场也在持续升温。稳定且健康的房地产经济是国家、政府的预期目标,也是每一位国民的期望。文章选取了青岛市影响房地产价格的各方面指标因素,并利用SPSS软件对已选取因素进行逐步线性回归,建立线性回归模型,探究青岛市房地产价格的主要影响因素,最终确定价格影响因素为房屋竣工面积、全市生产总值GDP和贷款基准率,模型拟合度达98.8%。旨在为青岛市房地产产业稳定及健康发展提供参考与建议。

瑶鸡体尺与体重通径分析及最优回归模型的建立

本文旨在对瑶鸡体尺与体重进行通径分析并建立其最优回归模型,为通过体尺性状提高瑶鸡的选育理论提供依据。试验选取体重相近、健康的1日龄瑶鸡雏鸡200只,公母各半,饲养至18周龄,每隔两周称重一次,同时测量鸡只的体斜长(X1)、龙骨长(X2)、胫长(X3)、胫围(X4)、胸宽(X5)、胸深(X6)等体尺指标。运用SPSS 20.0软件分别对公、母鸡的体重和体尺数据进行相关性分析、通径分析、逐步线性回归分析。结果表明:公鸡的体重显著高于母鸡的体重(P<0.05),除12周龄公鸡、母鸡的胫长、胫围无显著差异(P>0.05)外,其他各周龄两性的各项体尺差异显著(P<0.05)。瑶鸡公鸡体重与体尺性状均呈显著正相关(P<0.05),其中相关系数最大的是胫围(r=0.687),其次是胫长(r=0.555);母鸡体重仅与体斜长、胫围、胸深存在显著相关性(P<0.05),其中相关系数最大的是胫围(r=0.425),其次是体斜长(r=0.422)。胫围、体斜长主要通过直接作用影响瑶鸡体重,胫长主要通过间接作用影响体重。公、母鸡体重与体尺的最优回归方程分别为:Y=-1206.414+45.646X4+6.058X1和Y=-651.861+27.347X4+7.046X1。综上所述,瑶鸡在选育时,公鸡应注重胫围、胫长、体斜长的选择力度,母鸡应注重胫围和体斜长的选择力度,以达到最大限度提高体重的目的。

机器学习模型在亚急性期脑卒中患者康复后功能结局预测中的价值研究

目的:探讨机器学习模型与逐步线性回归(Stepwise linear regression,SLR)模型在亚急性期脑卒中患者康复后功能结局预测中的价值。方法:选取中国人民解放军联勤保障部队第九四五医院2013年1月~2023年12月收治的亚急性期脑卒中患者1046例为研究对象,取患者一般资料以及入院时功能独立性量表(Functional Independence Measure,FIM)评分构建SLR、回归树(Regression trees.RT)、集成学习(Ensemble learning,EL)、人工神经网络(Artificial neural network,ANN)、支持向量回归(Support vector regression,SVR)以及高斯过程回归(Gaussian process regression,GPR)预测模型,并采用10折交叉验证,比较各模型实际与预测出院FIM评分以及FIM增益的决定系数(R^(2))、均方根误差(Root Mean Squared Error,RMSE)。结果:机器学习模型(R^(2):RT=0.75,EL=0.78,ANN=0.81,SVR=0.80,GPR=0.81)在预测FIM运动评分方面优于SLR(0.70)。机器学习模型对FIM增益总分的预测准确性(R^(2):RT=0.48,EL=0.51,ANN=0.50,SVR=0.51,GPR=0.54)也优于SLR(0.22)。结论:机器学习模型在预测FIM预后方面优于SLR:仅包含患者一般信息和入院FIM评分的机器学习模型的预测准确性优于既往研究,同时GPR对FIM预后的预测准确性最高。

硒都黑猪体重与体尺指标的通径分析及最优回归模型的建立

为了探讨硒都黑猪体重与体尺指标的相关性,研究体尺指标对体重的直接和间接作用,构建体重与体尺的最优回归模型,试验选取190日龄硒都黑猪167头,测量体重(Y)与体高(X_(1))、体长(X_(2))、胸围(X_(3))、腹围(X_(4))、臀长(X_(5))、臀宽(X_(6))、臀围(X_(7))等各项体尺指标,并进行相关性分析、通径分析、逐步线性回归分析。结果表明,硒都黑猪公猪和母猪体重与各项体尺指标均呈极显著正相关(P<0.01),公猪体尺指标与体重相关系数最大是体长(r=0.846),母猪体尺指标与体重相关系数最大为胸围(r=0.739)。硒都黑猪公猪胸围、体长、臀围对体重直接作用较大,腹围、体高、臀长对体重间接作用较大;硒都黑猪母猪胸围、体长、臀围、体高、臀长对体重直接作用较大,腹围、臀宽、臀长、臀围对体重间接作用较大。公猪和母猪的最优回归方程分别为Y公=0.627 X_(2)+1.153 X_(3)+1.919 X_(7)-179.953,Y母=0.435X_(1)+0.425 X_(2)+0.91 X_(3)+1.289 X_(5)+1.302 X_(7)-172.412。在硒都黑猪培育过程中,公猪应注重胸围、体长、臀围的选择力度,母猪应注重胸围、体长、臀围、体高、臀长的选择力度,以达到最大限度提高体重的目的。

基于BP神经网络灰色回归组合模型的年最大负荷预测

为克服单一电力负荷预测模型的局限性,改善预测结果,提出了一种基于BP神经网络灰色回归组合模型的年最大负荷预测方法。在BP神经网络预测模型中,采用Levenberg-Marquardt算法对参数迭代过程进行优化;在灰色预测模型中,采用加政策因子处理法对原始数列进行改造以强化数列的递增趋势;在回归预测模型中,采用逐步线性回归法剔除对因变量影响较小的自变量。最后利用方差-协方差法对三种预测模型进行加权组合。以广州市2007—2016年实际数据对组合预测模型进行验证,并对广州市2017—2019年的年最大负荷进行预测。结果表明:所提方法预测精度较高且误差在工程允许范围之内,具有一定的工程实用价值。

新疆褐牛体重与体尺指标的相关及回归分析

为探讨新疆褐牛体重与体尺指标间的相关性及构建不同生长阶段的回归方程,为新疆褐牛选育提供直接而有效的方法,以伊犁地区2011—2019年6月龄、12月龄、18月龄、24月龄新疆褐牛为对象,测定4个生长阶段的4个体尺指标和体重并进行相关性分析和逐步线性回归分析。新疆褐牛不同生长阶段体重和体尺指标间存在着极显著的(P<0.01)相关性,12月龄的体尺指标与体重的相关性较其他生长阶段更高,其他体尺指标间也存在着极显著相关性(P<0.01)。通过新疆褐牛不同生长阶段估测体重的回归模型,得到了6月龄、12月龄、18月龄、24月龄4个阶段的最优回归方程,其决定系数分别为0.60、0.63、0.55和0.44,说明各阶段体重与体尺指标存在着显著的线性关系。对不同生长阶段体重与体尺指标进行相关性及回归分析,构建了不同生长阶段的4个线性回归方程,对新疆褐牛选育具有重要的意义。

基于向前逐步回归的沥青路面压实质量评估模型

为有效评估沥青路面压实质量,以及后续路面使用性能提供保障,基于向前逐步线性回归构建了多因素融合的压实质量评估模型。首先,验证了监测指标(CMV、CCV、AICV及基频幅值)和碾压参数(温度、振压次数)与芯样压实度的相关性;其次,将相关性较强参数作为自变量建立了向前逐步线性回归模型;最后,再次剔除对模型预测性能贡献较小的参数,最终以温度、CMV、AICV为自变量建立了压实质量评估的线性回归模型。结果表明,剔除参数前后模型预测压实度与实际压实度相关系数从0.792增至0.847,模型最终均方误差为0.342,最大相对误差为0.79%;向前逐步线性回归模型可有效抑制自变量间近似共线性影响,并优选出最重要自变量,对沥青路面压实度预测精度较高。