从类型化分析到区别判定:个人信息合理使用的逻辑进路

我国《民法典》及《个人信息保护法》虽然确立了个人信息合理使用制度,但并没有明确区分不同类型的个人信息合理使用判定的具体标准,导致实践中认定结果差异较大。面对不断丰富的个人信息利用场景,应先按照“敏感性判断标准+场景应用标准”动态界定一般个人信息和敏感个人信息的类型,再结合“基本要素+敏感要素”进行合理使用区别判定。从类型化动态界定到合理使用区别判定的逻辑进路能够更精准地为不同场景的个人信息合理使用判定提供参考标准。

基于Fisher判别分析对不同油分烟叶的识别研究

为烟叶油分档次的判别提供参考,以三门峡主产区132份初烤烟叶为样品,评定油分档次后,测定烟叶样品中主要含氮化合物的含量,运用方差分析、Spearman相关性分析和主成分分析筛选出油分档次的判别指标,采用Fisher判别分析建立烟叶油分档次的判别模型。结果表明,不同油分烟叶的含氮化合物中大多数氨基酸含量(19/21)存在显著差异,除脯氨酸外,基本与油分呈显著或极显著负相关。经过主成分分析,从主要含氮化合物中提取出4个主成分,代表了总指标73.441%的信息,筛选出17种烟叶油分的特征含氮化合物。经Fisher判别分析,确定了17种游离氨基酸作为烟叶油分的有效判别指标,构建了烟叶油分档次的Fisher判别模型,训练集和测试集的识别率均为100%。并利用江西吉安和云南楚雄的20份样品对模型进行了验证,准确率分别为100%和80%,对烟叶油分档次的判别效果较好。游离氨基酸的检测结合多元统计分析方法可用于烟叶油分档次的判别。

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。

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。

直线相关与回归分析的区别和联系

区别:①资料要求不同:直线相关分析要求两个变量都是正态分布;回归分析要求因变量Y服从正态分布,而自变量X是能精确测量和严格控制的变量。②统计意义不同:直线相关分析反映两变量间的伴随关系,这种关系是相互的、对等的,不一定有因果关系。

直线相关与回归分析的区别和联系

区别:①资料要求不同:直线相关分析要求两个变量都是正态分布;回归分析要求因变量Y服从正态分布,而自变量X是能精确测量和严格控制的变量。②统计意义不同:直线相关分析反映两变量间的伴随关系,这种关系是相互的、对等的,不一定有因果关系.

直线相关与回归分析的区别和联系

区别:①资料要求不同:直线相关分析要求两个变量都是正态分布;回归分析要求因变量Y服从正态分布,而自变量X是能精确测量和严格控制的变量。②统计意义不同:直线相关分析反映两变量间的伴随关系,这种关系是相互的、对等的,不一定有因果关系;回归则分析反映两变量间的依存关系,一般将“因”或较易测定、变异较小者定为自变量,这种依存关系可能是因果关系或从属关系。

直线相关与回归分析的区别和联系

区别:①资料要求不同:直线相关分析要求两个变量都是正态分布;回归分析要求因变量Y服从正态分布,而自变量X是能精确测量和严格控制的变量。②统计意义不同:直线相关分析反映两变量间的伴随关系,这种关系是相互的、对等的,不一定有因果关系;回归则分析反映两变量间的依存关系,一般将“因”或较易测定、变异较小者定为自变量,这种依存关系可能是因果关系或从属关系。

直线相关与回归分析的区别和联系

区别:①资料要求不同:直线相关分析要求两个变量都是正态分布;回归分析要求因变量Y服从正态分布,而自变量X是能精确测量和严格控制的变量。②统计意义不同:直线相关分析反映两变量间的伴随关系,这种关系是相互的、对等的,不一定有因果关系;回归则分析反映两变量间的依存关系,一般将“因”或较易测定、变异较小者定为自变量,这种依存关系可能是因果关系或从属关系。

基于Fisher判别分析鉴别中药材种类及产地

本文根据 2021 年高教社杯全国大学生数学建模竞赛“中药材的鉴别”的数据进一步研究。中药材鉴别是中药学研究 的重要领域之一,其目的是通过分析中药材的光谱特征和其他物理、化学性质,来鉴别中药材的种类和产地,以提高中药的品质和 疗效。在实际应用中,结合药材的近、中红外的光谱特征以及不同药材的吸光度可以对中药材的产地进行综合性的鉴别。本文使用 R 语言软件,通过对数据进行标准正态变量变换(svn)处理后主成分分析、K-means 聚类,根据附件给出的几种药材的近红外光 谱数据,对数据进行相关性筛选,求出该未知数据与平均值的相关性,利用 Fisher 判别分析进行对比,最后鉴别药材的类别与产 地。另外建立 XGboost 模型及作多元线性回归模型鉴别不同产地的近、中光谱特征来辨别各类药材的产地以及种类。

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。

二维类间边界Fisher分析的多元时间序列降维

针对传统边界Fisher分析及相关方法用于多元时间序列降维的局限性,提出一种基于二维类间边界Fisher分析的多元时间序列降维方法。针对边界Fisher分析进行模型改进,在本征图和惩罚图的基础上引入类间惩罚图,用来描述各个类中心之间的距离,并对目标函数进行改进,提出类间边界Fisher分析模型;对所提模型进行二维化拓展,提出基于二维类间边界Fisher分析的降维模型,使其能够直接处理二维矩阵数据,有效保留结构信息;通过计算协方差矩阵将多元时间序列集转化为等长特征集,利用降维模型将等长特征集投影到低维空间,达到数据降维和特征表示的目的。实验结果表明:所提方法能够有效对多元时间序列进行降维,达到良好的分类效果。

耦合主成分分析下煤矿矿井突水水源识别方法

煤矿矿井突水会导致矿井内部水位迅速上升,对煤矿生产造成严重影响,甚至导致煤矿停产。开展矿井突水水源识别可以及早发现突水风险,从而保障煤矿生产和矿工的生命安全。为此,提出一种耦合主成分分析下煤矿矿井突水水源识别方法。根据水源化学各组分间差异性确定突水水源判别指标变量,从煤矿矿井含水层随机选取18个水样化学信息,通过耦合主成分分析获得各水源组间相关性,提取4个重要的主成分表征所有样本信息特征,结合协方差矩阵、Fisher判别得到各类型水源组别的中心距离,识别出突水水源类型。实验结果表明,所提方法能够解决样本信息各变量间信息叠加问题,提升了突水水源识别准确率。

基于PCA的Fisher多元统计方法识别矿井充水水源

采煤工作面回采过程中充水水源的多源不确定性是矿井水害防治的研究重点,采用水化学信息识别充水水源时,常难以明确界定各充水水源的特征型水质阈值,且现有大多数分析判别方法判别精度不高。基于现场采集的马脊梁煤矿8210工作面矿井涌水可能充水水源样本建立样本数据库,采用Piper三线图法和多因子法分析各充水水源的水质类型及训练样本数据库,建立了基于主成分分析的Fisher判别模型,并根据欧氏距离判别原则分析识别采空区涌水的充水水源。结果表明,充水水源主要为侏罗系采空积水,其次为底板灰岩水和顶板砂岩水;该判别模型判别精度可以达到99.9%,对于采煤工作面矿井涌水充水水源的现场识别具有重要指导意义。

植物提取物与中兽药的区别分析

从饲料“禁抗”到养殖“无抗”,很多企业都在寻找和创新替抗产品。作为我国独特的医药资源,中兽药成为较好的替抗产品,在响应国家“禁抗、限抗、无抗”战略中起到主力军作用。在中兽药发展的同时,植物提取物也同时备受关注,在养殖过程中大量使用植物提取物来部分替代抗生素以及促进动物健康生长。很多养殖户也把植物提取物与中兽药等同,认为都是来源于中草药。其实这是一个很大的认识误区,需要厘清二者之间的区别。

直线相关与回归分析的区别和联系

区别:①资料要求不同:直线相关分析要求两个变量都是正态分布;回归分析要求因变量Y服从正态分布,而自变量X是能精确测量和严格控制的变量。②统计意义不同:直线相关分析反映两变量间的伴随关系,这种关系是相互的、对等的,不一定有因果关系;回归则分析反映两变量间的依存关系,一般将“因”或较易测定、变异较小者定为自变量,这种依存关系可能是因果关系或从属关系。

直线相关与回归分析的区别和联系

区别:①资料要求不同:直线相关分析要求两个变量都是正态分布;回归分析要求因变量Y服从正态分布,而自变量X是能精确测量和严格控制的变量。②统计意义不同:直线相关分析反映两变量间的伴随关系,这种关系是相互的、对等的,不一定有因果关系;回归则分析反映两变量间的依存关系,一般将“因”或较易测定、变异较小者定为自变量,这种依存关系可能是因果关系或从属关系。

直线相关与回归分析的区别和联系

区别:①资料要求不同:直线相关分析要求两个变量都是正态分布;回归分析要求因变量Y服从正态分布,而自变量X是能精确测量和严格控制的变量。②统计意义不同:直线相关分析反映两变量间的伴随关系,这种关系是相互的、对等的,不一定有因果关系;回归则分析反映两变量间的依存关系,一般将“因”或较易测定、变异较小者定为自变量,这种依存关系可能是因果关系或从属关系。

直线相关与回归分析的区别和联系

区别:①资料要求不同:直线相关分析要求两个变量都是正态分布;回归分析要求因变量Y服从正态分布,而自变量X是能精确测量和严格控制的变量。②统计意义不同:直线相关分析反映两变量间的伴随关系,这种关系是相互的、对等的,不一定有因果关系;回归则分析反映两变量间的依存关系,一般将“因”或较易测定、变异较小者定为自变量,这种依存关系可能是因果关系或从属关系。