导读:本文包含了判别回归分析论文开题报告文献综述及选题提纲参考文献，主要关键词:谱回归核判别分析,室内定位算法,接收信号强度,位置指纹
判别回归分析论文文献综述
丁建立,穆涛,王怀超[1]（2019）在《基于谱回归核判别分析的候机楼室内快速定位算法》一文中研究指出针对机场候机楼客流量大、室内环境复杂多变的特点,提出了一种基于谱回归核判别分析(SRKDA)的室内定位算法。在离线阶段,采集已知位置的接收信号强度(RSS)数据,使用SRKDA算法提取原始位置指纹(OLF)的非线性特征生成新的特征指纹库;在线阶段,先使用SRKDA对待定位点的RSS数据进行处理,进而使用加权K最近邻(WKNN)算法进行位置估计。定位仿真实验中,在两个不同的定位场景中,所提算法在1. 5 m定位精度下的误差累积分布函数(CDF)和定位准确率分别达到91. 2%和88. 25%,相对于核主成分分析法(KPCA)+WKNN模型分别提高了16. 7个百分点和18. 64个百分点,相对于KDA+WKNN模型分别提高了3. 5个百分点和9. 07个百分点;在大量离线样本(大于1 100条)的情况下,该算法数据处理时间远小于KPCA和KDA。实验结果表明,所提算法能够提高室内定位精度,同时节省了数据处理时间,提高了定位效率。(本文来源于《计算机应用》期刊2019年01期）
朱换荣,郑智超,孙怀江[2]（2019）在《面向局部线性回归分类器的判别分析方法》一文中研究指出局部线性回归分类器(locality-regularized linear regression classification,LLRC)在人脸识别上表现出了高识别率以及高效性的特点,然而原始特征空间并不能保证LLRC的效率。为了提高LLRC的性能,提出了一种与LLRC相联系的新的降维方法,即面向局部线性回归分类器的判别分析方法 (locality-regularized linear regression classification based discriminant analysis,LLRC-DA)。LLRC-DA根据LLRC的决策准则设计目标函数,通过最大化类间局部重构误差并最小化类内局部重构误差来寻找最优的特征子空间。此外,LLRC-DA通过对投影矩阵添加正交约束来消除冗余信息。为了有效地求解投影矩阵,利用优化变量之间的关系,提出了一种新的迹比优化算法。因此LLRC-DA非常适用于LLRC。在FERET和ORL人脸库上进行了实验,实验结果表明LLRCDA比现有方法更具有优越性。(本文来源于《智能系统学报》期刊2019年05期）
宋丹,夏晓玲,张蕾,杜正静[3]（2018）在《基于回归和判别分析的贵州电线积冰厚度预报方法》一文中研究指出电线覆冰对贵州冬季输电会造成严重影响,覆冰量多以电线积冰厚度来衡量,利用2011～2014年4个冬季常规观测的电线积冰厚度和高影响的气象因子资料,通过多元线性逐步回归和判别分析分类方法建立电线积冰厚度预报模型。结果表明:基于有积冰日的回归模型和判别分析模型预报效果较好,TS准确率综合均超过80%,判别分析模型评价略高,对于首次出现积冰时回归方法更好。实际业务中两种模型同时应用,对比预报结果并结合预报经验加以分析,提高预报准确率。(本文来源于《气象研究与应用》期刊2018年04期）
张中秋[4]（2018）在《上市企业贷款违约风险的实证研究——基于判别分析的Logistic回归组合法与决策树模型的分析》一文中研究指出本文提出了一种基于判别分析的Logistic回归组合法的二分类问题,相比单一方法能够大大提高对上市企业贷款违约风险测定的正确率。同时采用决策树模型进一步找出影响企业违约的关键性因素,保证风险预测正确性的同时找出关键性指标,为商业银行的风险管理提供了重要的指标参考。本文的研究旨在帮助商业银行通过正常的财务报表察觉上市企业是否具有违约的可能性,能够使优良中小企业及时得到贷款,极大地降低商业银行的贷款违约风险。(本文来源于《时代金融》期刊2018年32期）
宋丹,夏晓玲,张蕾,杜正静[5]（2018）在《基于回归和判别分析的贵州电线积冰厚度预报方法》一文中研究指出1资料与方法电线覆冰量多以电线积冰厚度来衡量,作为实际冰冻灾害严重程度的预报、预测、评估等方面的工作基础,开展电线积冰厚度的研究非常有必要。选取2011年1月1日观测规范统一后的典型易积冰区域的西部海拔较高的7个站(包括威宁、毕节、大方、黔西、纳雍、织金和水城)和贵阳站的积冰厚度资料和地面常规气象要素作为分析数据,利用SPSS的多(本文来源于《第35届中国气象学会年会 S1 灾害天气监测、分析与预报》期刊2018-10-24）
高文,黄钢,韩晓莉[6]（2018）在《基于蚊密度差分自回归移动平均模型预测流行性乙型脑炎的贝叶斯判别分析研究》一文中研究指出目的利用贝叶斯(Bayes)判别分析方法探讨河北省流行性乙型脑炎(乙脑)发生与蚊密度时间序列预测模型的关系,验证差分自回归移动平均(ARIMA)模型在病媒生物监测信息管理系统中对蚊密度的预测及关联乙脑病例的预警作用。方法收集河北省2009-2016年乙脑报告病例资料和蚊密度监测资料进行统计分析,采用ARIMA模型进行建模拟合及预测分析;利用Bayes判别分析论证蚊密度预测模型与乙脑的关系。结果通过ARIMA模型对总蚊密度进行拟合得出最优模型ARIMA(0,1,1)×(0,1,1)12;2009-2016年河北省总蚊密度与乙脑呈正相关(r=0.101,P=0.043);将Bayes判别分析用于河北省总蚊密度时间序列模型预测值判别2个月后的乙脑发病情况,与实际乙脑发生情况比较符合率为0.631 6,总蚊密度监测值与ARIMA模型的预测值对密度高峰后2个月的乙脑发病状况Bayes判别结果符合率为100%。结论 Bayes判别分析可应用于河北省总蚊密度时间序列模型预测值对乙脑疫情的预警,通过建立模型对蚊密度预测,可以利用病媒生物监测信息管理系统蚊虫监测数据对蚊媒传染病的防控工作提供预警支撑。(本文来源于《中国媒介生物学及控制杂志》期刊2018年06期）
李森,赵轩维,夏恩君[7]（2018）在《股权众筹项目融资成功率判别——Logistic回归与神经网络模型的比较分析》一文中研究指出基于融资项目和融资企业两个维度,构建了股权众筹项目融资成功率判别指标体系,借助探索性因子分析、非参数检验及二元Logistic回归分析对影响股权众筹项目融资的关键指标进行了筛选,着重检验了融资项目的资金注入方式、投资退出方式和融资担保条款以及融资企业的经营规模、所披露的权证资料对股权众筹融资的影响作用。在此基础上,进一步构建了神经网络模型,比较分析了回归模型与神经网络模型的判别能力。基于大伙投股权众筹平台样本数据的实证研究表明:项目维度的融资期限、视频、项目动态、项目评级和专利技术,以及企业维度的员工人数、已经营期限是判别项目融资成功率的有效指标;视频与经营性权证资料之间存在交互效应;二元Logistic回归模型的判别效果优于多层感知器模型和径向基函数模型。(本文来源于《技术经济》期刊2018年09期）
桂林,杨建波,黄远帅[8]（2018）在《Logistic回归和Fisher线性判别分析模型在卵巢肿瘤良恶性鉴别诊断中的价值》一文中研究指出目的探讨Logistic回归和Fisher线性判别分析模型在卵巢肿瘤良恶性鉴别诊断中的价值。方法测定283例卵巢癌和200例卵巢良性疾病患者血清甲胎蛋白(AFP)、癌胚抗原(CEA)、铁蛋白(SF)、组织多肽抗原(TPA)、糖类抗原125(CA125)、CA72-4和人附睾上皮分泌蛋白4(HE4)水平并进行ROC曲线、Logistic回归和Fisher线性判别分析。结果 7项指标中CEA、SF、TPA、CA125和HE4的ROC曲线下面积(AUC)较高(0.713~0.889)。HE4的AUC最高(0.889),95%CI:0.854~0.919,在临界值为125.6pmol/L时,灵敏度和特异度分别为77.4%和90.0%。基于血清CEA、SF、TPA、CA125和HE4的Logistic回归模型对卵巢癌和卵巢良性疾病的诊断准确率分别为92.6%和95.0%,预测准确率分别为90.5%和97.0%。Fisher线性判别模型对卵巢癌和卵巢良性疾病的诊断准确率分别为82.7%和98.5%,预测准确率分别为82.3%和98.5%。结论 Logistic回归分析模型更有助于卵巢肿瘤良恶性的鉴别诊断和预测分析。(本文来源于《重庆医学》期刊2018年06期）
余会康,陆继彬,叶本闪[9]（2017）在《基于Logistic回归的林缘计划烧除气象条件判别分析》一文中研究指出森林火灾是一种破坏性极强的灾害,它与农事活动以及气象条件密切相关,加强其预防与控制具有十分重要的作用和意义。根据2014年~2015年闽东屏南县进行的60次林缘计划烧除试验观测的主要气象要素数据(天晴日数、温度、湿度、风速),建立基于Logistic二元回归的林缘烧除气象条件判别模型进行检验和分析。结果表明,模型判别计划烧除成功与否的预报准确率高(91.7%),主要气象要素对林缘计划烧除成功与否发挥重要作用,其中连续晴天日数为最大影响因子,其次为风速。模型通过检验和验证结果显着,具有预报服务应用价值。(本文来源于《火灾科学》期刊2017年04期）
季雨[10]（2017）在《肺内磨玻璃密度影良恶性判别的多因素logistic回归分析》一文中研究指出目的:通过对病理确诊的105例肺内磨玻璃影患者其临床特点、CT图像及结果,研究肺内磨玻璃密度影良、恶性的危险因素。方法:根据纳入、排除标准筛选出本院经病理确诊的肺内磨玻璃密度影患者105例,回顾分析其临床资料及影像学特点,运用统计工具SPSS19,对选择的12个主要影响肺内磨玻璃密度影良恶性临床鉴别的因素进行单因素及多因素的回归分析。结果:本组105例患者中,恶性肿瘤患者63例(60%),良性病变患者42例(40%)。单因素统计数据显示吸烟指数、年龄、G GO面积、周围毛刺征、边缘分叶征、胸膜凹陷征、亨氏单位(Hounsfield units,HU)值7个因素对临床鉴别肺内磨玻璃样密度影良、恶性有意义(P<0.05)。多因素Logistic回归结果患者年龄(OR=1.066,95%CI:1.020~1.114,P=0.000)、周围分叶(OR=4.419,95%CI:1.388~14.077,P=0.000)、周围毛刺(OR=4.098,95%CI:1.401~11.987,P=0.000)。结论:根据统计分析及随访结果,故认为患者年龄及CT影像学中边缘分叶征、周围毛刺征对临床诊断肺内磨玻璃样密度影的良恶性有重要的指导意义,可以进一步外科处理。(本文来源于《新疆医科大学》期刊2017-03-01）
判别回归分析论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
局部线性回归分类器(locality-regularized linear regression classification,LLRC)在人脸识别上表现出了高识别率以及高效性的特点,然而原始特征空间并不能保证LLRC的效率。为了提高LLRC的性能,提出了一种与LLRC相联系的新的降维方法,即面向局部线性回归分类器的判别分析方法 (locality-regularized linear regression classification based discriminant analysis,LLRC-DA)。LLRC-DA根据LLRC的决策准则设计目标函数,通过最大化类间局部重构误差并最小化类内局部重构误差来寻找最优的特征子空间。此外,LLRC-DA通过对投影矩阵添加正交约束来消除冗余信息。为了有效地求解投影矩阵,利用优化变量之间的关系,提出了一种新的迹比优化算法。因此LLRC-DA非常适用于LLRC。在FERET和ORL人脸库上进行了实验,实验结果表明LLRCDA比现有方法更具有优越性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
判别回归分析论文参考文献
[1].丁建立,穆涛,王怀超.基于谱回归核判别分析的候机楼室内快速定位算法[J].计算机应用.2019
[2].朱换荣,郑智超,孙怀江.面向局部线性回归分类器的判别分析方法[J].智能系统学报.2019
[3].宋丹,夏晓玲,张蕾,杜正静.基于回归和判别分析的贵州电线积冰厚度预报方法[J].气象研究与应用.2018
[4].张中秋.上市企业贷款违约风险的实证研究——基于判别分析的Logistic回归组合法与决策树模型的分析[J].时代金融.2018
[5].宋丹,夏晓玲,张蕾,杜正静.基于回归和判别分析的贵州电线积冰厚度预报方法[C].第35届中国气象学会年会S1灾害天气监测、分析与预报.2018
[6].高文,黄钢,韩晓莉.基于蚊密度差分自回归移动平均模型预测流行性乙型脑炎的贝叶斯判别分析研究[J].中国媒介生物学及控制杂志.2018
[7].李森,赵轩维,夏恩君.股权众筹项目融资成功率判别——Logistic回归与神经网络模型的比较分析[J].技术经济.2018
[8].桂林,杨建波,黄远帅.Logistic回归和Fisher线性判别分析模型在卵巢肿瘤良恶性鉴别诊断中的价值[J].重庆医学.2018
[9].余会康,陆继彬,叶本闪.基于Logistic回归的林缘计划烧除气象条件判别分析[J].火灾科学.2017
[10].季雨.肺内磨玻璃密度影良恶性判别的多因素logistic回归分析[D].新疆医科大学.2017