急倾斜煤层顶煤可放性分类预测的Fisher判别分析模型及应用

基于Fisher判别理论建立了急倾斜煤层顶煤可放性分类的Fisher判别分析模型.选取老顶、直接顶、底板、瓦斯、采深、倾角、煤层厚度、坚固性系数、夹矸等9项指标作为Fisher判别分析模型的分类判别指标.利用国内矿区急倾斜煤层可放性分类实例数据作为训练样本进行训练,建立顶煤可放性分类的Fisher判别分析模型,求得判别函数.用建立的模型对5个矿山的急倾斜煤层顶煤可放性进行分类预测,结果与实际情况符合良好.

深基坑支护结构选型决策的Fisher判别分析模型

针对传统的深基坑结构选型评价方法存在的问题,应用统计学理论并遵循'安全、经济、合理'的原则,选取了10个实测指标作为影响深基坑支护方案选型的判别因子,建立深基坑支护结构选型的Fisher判别分析模型(FDA)。利用国内64组深基坑支护实例作为学习样本进行训练和检验,对水泥土重力式、土钉墙、桩锚、桩撑、地下连续墙等5种深基坑支护方案进行优选,并利用回代估计法对FDA模型进行检验。经过训练后的模型回判估计的误判率为14.1%。对另外10组待判样本进行测试,正确率100%。此外利用该模型对某市新世界中心工程深基坑支护结构选型进行决策,结果与实际情况符合较好,说明该模型在研究深基坑支护结构选型中具有良好的实用性和有效性,可为解决深基坑支护结构型式的优化选择提供一种新思路。

砂土液化预测的Fisher判别分析模型及应用

针对砂土地震液化预测问题,基于Fisher判别分析原理(FDA),选用平均粒径、不均匀系数、标贯击数、地下水水位、砂层埋深、剪应力与有效上覆应力比、地震烈度、震中距等8个实测指标为判别因子,建立Fisher线性判别函数模型,对砂土液化进行预测。研究结果表明,Fisher判别分析结果与神经网络输出结果一致,优于规范法和Seed法判别结果,验证了该模型的合理性和可靠性。运用该模型进行判别分析,简易方便,分类效率高,对砂土液化判别快速、有效,模型适用性强,具有一定的工程应用前景。

上市公司财务困境预测的Fisher判别分析模型

文章运用统计方法选取有效建模变量,建立了Fisher判别分析预测模型,对我国上市公司财务困境进行了预测。研究结果表明该模型具有良好的预测精度,可以作为证券投资者和分析人员使用的一种有效的财务困境预测工具。

Fisher判别分析模型在上市公司信用风险度量中的应用

以我国上市公司为研究对象，运用统计方法选取有效建模变量，建立了Fisher判别分析预测模型。对上市公司的信用状况进行了实证分析。研究结果显示该模型总的判别准确率为90．38％，与国内已有的研究成果相比有较高的判别准确性,对于证券投资者和分析人员在现有的条件下运用现代信用风险度量模型具有重要的应用价值.

Logistic回归和Fisher判别分析模型在冠心病鉴别诊断中的临床价值

目的探讨基于常规实验室检查建立的Logistic回归和Fisher线性判别分析模型在冠状动脉粥样硬化性心脏病鉴别诊断中的临床应用价值。方法选取昆明医科大学第一附属医院2018年3月至2019年2月以胸闷、胸痛为主诉就诊的178例患者为研究对象,根据冠状动脉造影结果分为冠心病组和非冠心病组,回顾性分析患者的常规实验室指标,建立诊断冠心病的Logistic回归和Fisher判别分析模型,并验证模型诊断和预测的准确率,进一步评价其在临床应用中的实际意义。结果建立的Logistic回归方程为:Logit(P)=-24.641+0.105×年龄+1.520×糖尿病+0.286×BMI+1.209×LDL-C+0.614×PDW+4.131×(Mono/HDL-C);建立的Fisher分类判别分析函数为:1(冠心病)=-69.314+0.629×年龄+2.378×BMI+1.985×PDW+5.123×LDL-C+0.304×Ln(TG)+1.972×Ln(HDL-C),2(非冠心病)=-52.184+0.527×年龄+2.164×BMI+1.660×PDW+4.104×LDL-C-0.149×Ln(TG)+3.818×Ln(HDL-C)。Logistic回归模型对冠心病和非冠心病的诊断准确率分别为93.0%和84.0%,预测准确率分别为91.4%和70.0%;回顾法、留一法交叉验证及外部数据验证法检验Fisher判别函数的判别正确率分别为82.0%、81.5%和81.3%。结论Logistic回归和Fisher线性判别分析模型在冠心病鉴别诊断中均具有较好的鉴别和预测价值。

煤矿立井井筒非采动破裂的Fisher判别分析模型

为准确评价煤矿立井井筒的安全状态,基于多元统计分析理论,以工程实测数据为训练样本,选取井筒直径、松散冲积层厚度、水位降、卸压槽压缩率、破裂等级、服务年限率、治理方式和冲积层压缩速率8个影响因素作为判别因子,建立了井筒非采动破裂的Fisher判别分析模型。在此基础上,对兴隆庄煤矿副井和东风井的安全状态进行了预测。结果表明,21个训练样本的回代判对率为100%,模型精确性高;判别效果通过了显著性检验,并通过井筒实例对模型的可靠性进行了验证;兴隆庄煤矿副井和风井2017年6月预测状态为安全,井筒破裂的可能性较小。该预测方法简单、可靠,为立井非采动破裂预测提供了一种新的途径。

边坡稳定性预测的Fisher判别分析模型

将Fisher判别分析法应用于边坡稳定性预测问题中,建立了边坡稳定性预测的Fisher判别分析模型,选取岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6项指标作为Fisher判别分析模型的判别因子,以边坡工程实测数据作为学习样本进行训练,建立相应的判别函数对待判样本进行分类。研究结果表明Fisher判别分析模型分类性能良好,预测精度高,回判估计的误判率很低,是边坡稳定性预测的一种有效方法,可以在实际工程中进行推广。

基于Fisher判别分析可分性信息融合的马铃薯VC含量高光谱检测方法

为提高马铃薯VC含量检测结果的准确性和可靠性,提出一种基于Fisher判别分析(Fisher discriminant analysis,FDA)可分性数据融合的检测模型输入变量构建方法。首先,利用高光谱成像技术采集200个马铃薯的高光谱信息,通过对比6种预处理方法和原始数据的建模结果,确定多元散射校正为光谱数据的预处理方法;其次,采用竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)、连续投影算法(successive projections algorithm,SPA)及CARS-SPA组合算法3种方法提取相应特征波长,通过对比分析最终确定34个有效特征波长;然后,将有效特征波长进行FDA可分性数据融合,根据融合的新变量对样本间差异性判别能力的大小进行筛选,确定构建检测模型的输入变量;最后,分别对FDA融合前后筛选的变量建立偏最小二乘模型和反向传播神经网络(back propagation neural network,BPNN)模型,并对检测结果进行对比分析。结果表明,将CARS算法提取的34个特征波长进行FDA融合,采用前3个融合变量作为构建检测模型的输入变量时,其所建BPNN模型的相关系数由0.9726提高至0.9990,均方根误差由0.7723降低至0.1727,不仅能够极大地降低数据分析维度,而且能够提高检测结果的准确性。因此,基于FDA可分性数据融合构建检测模型输入变量可以提高马铃薯VC含量检测结果的准确性。

三维荧光光谱融合小波包分解融合Fisher判别分析及支持向量机识别紫苏

为实现紫苏品种的快速鉴别,避免以次充好,选取4个品种的紫苏采集三维荧光数据,提出了一种基于小波包分解融合Fisher判别分析(Fisher discriminant analysis,FDA)的荧光数据特征选择策略,并实施了4种紫苏的有效鉴别。首先,对三维荧光数据进行预处理,采用Delaunay三角形内插值法去除瑞利散射和拉曼散射,以消除它们的不利影响;运用Savitzky-Golar卷积平滑对数据进行平滑处理,以减少噪声的干扰。同时,对三维荧光数据进行初步筛选,去除了荧光强度小于0.01的发射波长。然后,对各激发波长对应的发射光谱进行3层sym4小波包分解,计算得到最低频段的小波包能量值,作为各激发波长光谱数据表征量。接着,再利用FDA对小波包能量进行判别分析,将其所包含的差异性信息进行融合,得到FDA生成的新变量,并选取累计判别能力达到99%的前3个FD变量作为不同品种差异性信息的表征变量,提出三维荧光数据的表征策略。最后,利用BP神经网络(backpropagation neural network,BPNN)和支持向量机(support vector machine,SVM)两种模式识别算法对表征变量进行分析,得到FDA+BPNN和FDA+SVM两种鉴别结果。FDA+BPNN的训练集正确率为97.5%,测试集正确率为95%;FDA+SVM的训练集和测试集的正确率均达到98.33%。结果表明,三维荧光光谱技术结合小波包分解、FDA和SVM算法基本上能够实现紫苏品种的鉴别。这为后续有关紫苏的进一步检测研究(如某些有效成分的定量检测)提供了研究基础。

基于判别分析的湖北省马铃薯晚疫病气象风险等级预报模型

开展马铃薯晚疫病发病率气象风险等级中长期预报方法研究,以期为科学防控晚疫病提供依据。对湖北省2011—2019年平原低山丘陵区马铃薯晚疫病发病率与气象因子进行相关性分析,筛选出对马铃薯晚疫病发生流行影响较大的气象因子,并利用2011—2017年数据及判别分析方法,结合人为防治因子建立了平原低山丘陵区马铃薯晚疫病发病率气象风险等级预报模型。结果表明:晚疫病发病率与3月中旬最低气温、4月上旬日照时数以及4月下旬风速相关性较好(P<0.05),晚疫病发病率模型自身回代及交叉验证准确率分别为75.9%和75.3%,2018—2019年试报准确率达到61.7%。晚疫病发病率气象风险等级预报模型能够基本满足业务服务需求,通过预测马铃薯晚疫病当年发病情况可以为农技人员提前开展晚疫病防控提供参考。

茯砖茶感官特征分析及其产地判别模型构建研究

为客观准确地评价不同产地茯砖茶感官特征品质,结合感官审评、化学组分检测、化学计量学等研究茯砖茶感官品质特征及不同产地茯砖茶判别模型构建。结果表明:湖南、浙江、陕西等19个茯砖茶因原料物质基础的不同其感官品质有非常明显的差异。其中,茯砖茶滋味得分(taste score, TS)与咖啡碱(caffeine, CAF)、水浸出物(water leachate, WL)、儿茶素(catechin, CAT)和表儿茶素(epicatechin, EC)呈现出显著相关性,其相关系数(P<0.05)分别为0.81、0.62、0.55、0.50。同时,基于化学组分的主成分(PCA)表明,前4个主成分的累计方差贡献率为79.48%,并以前4个主成分的线性回归方程和贡献率构建了茯砖茶感官品质综合评价模型与产地判别模型。正交偏最小二乘法判别分析(OPLA-DA)显示,19个不同产地的茯砖茶样品被明显地划分为3组,评价模型对不同产地茯砖茶识别度较高。采用交叉验证法对模型进行验证,模型对自变量的拟合指数(R~2X)为0.879,对因变量的拟合指数(R~2Y)为0.992,预测指数(Q^(2))为0.53。经OPLS-DA共识别出6种预测变量重要性投影(VIP)值大于1的差异指标,其中茶多酚(tea polyphenols, TPP)、可溶性糖(soluble sugar, SS)、CAF、WL为茯砖茶感官特征标志性差异品质成分。结果表明,应用感官审评、化学组分检测、化学计量学等方法可以实现茯砖茶感官特征及其不同产地茯砖茶的快速、准确判别,同时也为茯砖茶感官特征及其不同产地判别提供一种新的参考方法。

Fisher判别函数在足迹分析性别中的应用

结合脚型性别差异研究,为了选取出足迹上与性别显著相关的特征,以便通过Fisher判别法建立函数模型,本研究测量了共7个与性别显著相关的几何特征,通过T检验和Fisher判别法建立了模型;利用Fisher判别分析建立了典则判别函数和Fisher线性判别函数。实验结果显示,选取的特征对模型影响显著,函数模型预测准确率为92.3%。该判别函数模型可以显著提高足迹分析性别的准确率,可为技术侦查提供帮助。

改进Fisher判别法的突水水源快速判别模型

为快速有效地判别矿井突水水源位置,预防水害事故的发生,根据平煤五矿实际水文地质特征,针对砂岩、太灰和寒灰含水层水质差异性,收集34组水样资料,并选取K^(+)+Na^(+)、Ca^(2+)、Mg^(2+)、SO_(4)^(2-)、Cl^(-)、HCO_(3)^(-)六大常规水化学离子作为判别因子,开展水化学特征分析;结合PCA降维统计算法,建立改进的Fisher水源判别模型,并利用待测样本对比改进前后Fisher模型的判别结果,同时将训练样本回代到改进模型中进行验证。结果表明,根据水化学类型无法准确区分寒灰水与太灰水;利用改进Fisher判别模型测试10组待测样本,判别准确率为100%,相较于基础Fisher模型,准确率提高了20%,应用改进Fisher判别模型可大幅提升水源识别准确率;已知训练样本的回代结果显示,改进Fisher判别结果与实际情况基本吻合。通过2种模型的对比分析,采用改进Fisher模型进行矿井水源识别准确率及可靠性高,具有一定研究价值,可为矿井水源识别提供新的思路。

基于Fisher判别分析对苹果新鲜度的识别研究

以淘宝销量前五的苹果(天水花牛、阿克苏糖心、洛川红富士、奶油富士、黄元帅)为研究对象,置于20℃和55%相对湿度条件下贮藏,在贮藏期的第0、5、10、15、20、25 d分别对其含水量、硬度、色差、可溶性固体含量(SSC)及可滴定酸进行测定,并对五种苹果进行感官评定、聚类分析及Fisher判别。结果表明,感官评定及聚类分析将苹果新鲜度分为新鲜、次新鲜、可接受和腐败。通过Fisher判别分析法得出苹果在贮藏期的2个判别函数,函数1的总变异系数为93.90%(P=0.000),函数2的总变异系数为6.10%(P=0.003),两个函数均有判别意义(P<0.05)。将样品分为测试集和训练集,训练集的识别率为96.25%,测试集的识别率为92.5%。综上,以本文所选取的理化指标作为判别因子所建立的Fisher判别分析模型可以有效识别苹果的新鲜度。

基于Fisher判别分析理论的地下开采安全评价模型

矿山安全是矿山企业稳定、持续、高速发展的根本保证。应用Fisher判别分析理论并结合矿山安全生产的标准规范,根据矿山人、机、环境、管理4个因素的实际特点,综合考虑到地下矿山的开采工艺和指标数据的可靠性,选取23项矿山安全评价因素作为评价影响因子,建立矿山地下开采安全评价的F isher判别分析模型（FDA）。对18组地下矿山的特征参数值作为学习样本进行训练和检验,回判估计的误判率为0。利用该模型对另外4组实测数据作为预测样本进行测试,预测结果与实际情况吻合较好。研究结果表明,该方法回判估计的误判率低,判别性能良好,对地下矿山安全管理现状及水平评价提供了可操作的方法,进而为矿山有关部门提供了科学安全管理的依据。

基于核Fisher判别分析技术的电力变压器DGA故障诊断模型研究

鉴于核Fisher判别分析技术(KFDA)在模式识别问题中表现出的良好性能,提出了基于KFDA的变压器故障诊断模型,该模型首先提出了区分放电及过热两大类故障的特征量,并用KFDA分类器来识别类内故障的具体类别。采用基于网格搜索的交叉验证法来选择模型参数,避免了参数选择的盲目性和随意性。实例分析表明,该模型具有训练时间短、不存在局部极小等优点,与IEC三比值及改良电协研法相比,具有更好的故障识别效果。

基于Fisher判别分析法的泥石流预报模型研究

针对泥石流形成原因复杂,形成机理认识不足,预测预报困难等特点。根据泥石流形成的直接成因降雨因素,运用判别分析理论,提出了泥石流预报的Fisher判别分析模型。该模型基本思想是将一系列与泥石流发生相关的因子数据投影到某一个方向,使得投影后数据尽可能地分组,借助组内方差尽量小,组间方差尽量大的一元方差分析思想确定判别函数,依据判别准则,判定新样本的归属类别。该方法具有操作简单易懂及计算速度快的特点,可及时对泥石流状况进行判别。实例研究结果表明,提出的Fisher判别分析泥石流预报模型能够有效提高预报精度。

基于Fisher判别分析法的潜在滑坡判识模型及其应用

针对古(老)滑坡,选取地貌特征(包括地形坡度、沟谷切割状况、洼地封闭状况、前缘临空状况)、滑面特征(包括滑面倾角、滑面形态、滑面阻抗比)、滑体结构和近期活动迹象4大类9个指标作为潜在滑坡的判识指标,然后依据Fisher判别分析的理论和方法,建立了潜在滑坡的Fisher判识模型。实例分析结果表明,Fisher判别方法预测准确率高达100%,回判估计的误判率仅为5%,是一种有效的潜在滑坡判识方法。

回采巷道锚杆支护效果分类预测的Fisher判别分析模型及应用

应用统计学理论并结合工程实际,建立回采巷道锚杆支护效果分类的Fisher判别分析模型,选取围岩强度、巷道断面、采动影响系数、巷道埋深、围岩完整度、护巷煤柱宽度和支护强度等7个因素作为回采巷道锚杆支护效果分类判别因素。利用平顶山矿区18条深井动压回采巷道的相关数据作为学习样本进行学习,建立回采巷道锚杆支护效果的Fisher判别分析模型,求的相应线性判别函数。运用建立的模型对平顶山矿区的4条回采巷道锚杆支护效果进行分类预测,预测结果与实际情况吻合良好。