正态总体的Bayes判别模型与负点法在处理微量超差中的应用

本文应用正态总体的Ｂａｙｅｓ判别模型，解决了微量超差的两类判别问题，并完成了向负点法的转化工作。对如何建立负点法做了探讨，最后结合实际问题进行了计算。

岩爆等级预测的Bayes判别模型及应用

文章将Bayes判别法应用到岩爆等级预测分析中,选择了围岩的最大切应力σθ、单轴抗压强度σc、单轴抗拉强度σt、应力系数σθ/σc、脆性系数σc/σt和弹性能量指数Wet作为基本指标,以108组岩爆实例作为研究对象建立Bayes判别模型。针对Bayes判别模型,提出了优势比概念并将其用于分析岩爆指标与岩爆等级之间的趋势性关系以及岩爆等级对指标的敏感性,在此基础上评价不同指标组合下的Bayes判别模型是否合理。分析结果表明:σθ/σc、Wet指标组合建立的Bayes判别模型是最合理的模型,其预测效果好,所得出的岩爆等级概率表达式可用于地下工程的岩爆等级预测。

基于Bayes判别分析模型的水土保持区划

为了更加合理地对甘肃、宁夏、青海3省份的黄土丘陵沟壑区进行水土保持区划,基于Bayes判别分析理论建立水土保持区划的数学模型。结合甘肃、宁夏、青海3省份的自然条件,社会经济情况和水土资源流失特点,以垦殖率、林草覆盖率、人口密度、单位面积粮食产量、降雨量和蒸发量等6个指标作为区划判别因子。计算分析表明,该模型与按土壤侵蚀类型进行区划的效果一致,与甘肃、宁夏、青海地区实际区划情况吻合,准确率为100%,可在其他水土保持区划中进行推广。

Bayes多母体判别模型在油气层评价中的应用

在油气评价判别技术中采用了可以判别多个样品组的Bayes多母体判别模型。其原理是对g个样品组进行判别分析时,只需建立g个判别函数,然后计算待判样品出现在各类样品组中的概率,并依据最大概率进行归类。该方法将Bayes判别函数引入到评价软件中,可以用来实现对储集层流体性质的计算机智能评价。将样品组数据代入判别函数进行回判检验表明,油层正判率为56%,含油水层正判率为62%。这种评价方法目前在国内属首次提出,具有简便快速的特点。为便于该方法的推广,对现场油气层评价中的应用步骤进行了介绍。

煤冲击倾向性分类模型的指标无量纲化影响研究

为准确评判煤的冲击倾向性类别,并解决国家标准中的模糊综合评判方法难以判别8种样本的难题,引入Bayes判别分析方法,选取动态破坏时间、弹性能量指数、冲击能量指数和单轴抗压强度作为评判指标,将110组冲击倾向性实测数据作为训练样本,构建Bayes判别模型;采用4种无量纲化方法处理评判指标的原始数据,建立对应的判别模型,并开展无量纲化方法对模型判别准确率的影响研究。结果表明:基于归一化法无量纲化处理的Bayes模型的判别准确率最高,达到98.2%,该模型应用在10个工程实例的判别结果与实际情况完全一致,而且避免了指标相关性对冲击倾向性分类结果的影响。

贝叶斯判别分析在布氏杆菌常见种别鉴定中的应用

目的建立布氏杆菌常见种别的Bayes判别模型,为布氏杆菌种别的鉴定提供依据。方法以多位点可变数目串联重复序列分析方法所选择的基因组上16个具有多态性串联重复序列位点为判别指标,应用逐步判别分析方法筛选关键序列位点并构建布氏杆菌常见种别的Bayes判别模型。结果待选的16个多态性串联重复序列位点全部进入判别函数,建立的模型自身验证的准确率为98.21%,交互验证的准确率为97.75%。结论建立的Bayes判别模型判断布氏杆菌的常见种别正确率很高,是布氏杆菌常见种别判断的有效方法。

基于判别分析法的岩爆烈度预测研究

岩爆是岩土工程中棘手的地质灾害,工程中以预防为主。现有岩爆分级预测模型大多存在选取样本较少和准确率较低的问题。综合岩爆的参考指标,现选取围岩最大切向应力与岩石单轴抗压强度比σθ/σc(应力系数)、岩石单轴抗压强度与单轴抗拉强度比σc/σt(脆性系数)和弹性能量指数W_(et)作为分级评判指标,广泛收集不同工程的104组岩爆实例,选取其中84组作为样本集进行训练,20组作为测试集进行检验,应用SPSS的判别分析中的Bayes判别和Fisher判别训练及测试,输出结果中,选取了训练效果较好的Bayes判别模型。对95.23%的样本集进行了正确分类,验证集检验准确率为85%,将该模型应用于工程实例中,预测结果与实际结果相符,预测结果表明该模型有较好的应用前景。

活动性肺结核密切接触者发病判别模型研究

目的建立肺结核发病判别模型，为肺结核密切接触者早期的诊断和发现提供科学依据。方法使用logistic逐步回归分析筛选关键影响因素，采用逐步Bayes判别法对肺结核密切接触者发病的关键因素进行筛选并建立判别模型。结果密切接触者未发病判别函数为：y1=-39．831（常数）＋1．927X1（患者痰涂片阳性次数）＋3．528X2（接触者文化程度）＋0．309X3（接触时间）＋5．893尼（咳嗽时回避）＋2．140X5（居室通风）＋8．706X6（接触者咳嗽）＋30．970X7（接触者发热）；密切接触者发病判别函数：K=-57．875（常数）＋2．343X1（患者痰涂片阳性次数）＋3．965X2（接触者文化程度）＋0．361X3（接触时间）＋6．296X4（咳嗽时回避）＋1．348X5（居室通风）＋12．984X6（接触者咳嗽）＋36．555X7（接触者发热）。结论模型的建立有助于肺结核密切接触的早期诊断分析，并进行早期的干预和治疗。