导读:本文包含了线性判别分析模型论文开题报告文献综述及选题提纲参考文献，主要关键词:卵巢肿瘤,人附睾上皮分泌蛋白4,癌胚抗原125,Logistic回归分析
线性判别分析模型论文文献综述
桂林,杨建波,黄远帅[1]（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）
董良[2]（2016）在《基于线性判别分析与特征加权支持向量机的选股模型研究》一文中研究指出量化选股是量化投资中的一个重要分支,研究的是优质股票的选取问题,自其诞生以来经历了叁十多年的发展,并在西方股票市场上取得了巨大的成功,随着中国股票市场的不断完善和发展,量化投资也必将成为中国股市主流投资理念。在这样的背景下,本文依据量化投资经典理论,使用上市公司财务数据建立支持向量机选股模型,针对股票选取问题进行研究。本文在西方经典理论与多因子选股模型的研究基础上,分别对有效因子的选取及权重的确认、模型的建立和优化这两个方面进行深入的分析和探索,最终提出了结合ReliefF算法、线性判别分析(Linear Discriminant Analysis,LDA)与特征加权支持向量机(Feature Weighted Support Vector Machine,FWSVM)的选股方法。首先,ReliefF算法通过对比任一股票样本与同类以及不同类的邻近样本的欧氏距离,计算出本文选取的7大类54个财务指标的权重向量,同时使用Pearson相关系数剔除冗余财务指标,解决ReliefF算法不能处理特征冗余的问题,得到一个科学的备选特征集;其次,引入线性判别分析法,利用已知类别信息将本文加权后的7大类财务指标分别投影至最佳分离方向,得到一维的7个有效因子,这些有效因子分别继承该大类下子指标的最大权重,并最终作为特征加权支持向量机的输入;最后,建立ReliefF-LDA-FWSVM分类模型,并针对不同类别样本数量不平衡问题,使用代价敏感性原理调节惩罚参数,在一定程度上消除数据不平衡带来的影响,从而提高高收益类股票的识别率。此外,文章使用遗传算法对支持向量机参数进行寻优,确保模型的科学合理。本文使用2010年至2014年规整后的上证A股财务数据,构建了4个年度滚动预测模型。每个模型均使用当年财务数据识别次年高收益股票,并建立了对比试验,实验结果表明本文建立的ReliefF-LDA-FWSVM模型可以有效识别高收益类股票。(本文来源于《河北工业大学》期刊2016-11-01）
余建波,卢笑蕾,宗卫周[3]（2016）在《基于局部与非局部线性判别分析和高斯混合模型动态集成的晶圆表面缺陷探测与识别》一文中研究指出在复杂的半导体制造过程中,晶圆生产经过薄膜沉积、蚀刻、抛光等多项复杂的工序,制造过程中的异常波动都可能导致晶圆缺陷产生.晶圆表面的缺陷模式通常反映了半导体制造过程的各种异常问题,生产线上通过探测和识别晶圆表面缺陷,可及时判断制造过程故障源并进行在线调整,降低晶圆成品率损失.本文提出了基于一种流形学习算法与高斯混合模型动态集成的晶圆表面缺陷在线探测与识别模型.首先该模型开发了一种新型流形学习算法—局部与非局部线性判别分析法(Local and nonlocal linear discriminant analysis,LNLDA),通过融合数据局部/非局部信息以及局部/非局部惩罚信息,有效地提取高维晶圆特征数据的内在流形结构信息,以最大化数据不同簇样本的低维映射距离,保持特征数据中相同簇的低维几何结构.针对线上晶圆缺陷产生的随机性和复杂性,该模型对每种晶圆缺陷模式构建相应的高斯混合模型(Gaussian mixture model,GMM),提出了基于高斯混合模型动态集成的晶圆缺陷在线探测与识别方法.本文提出的模型成功地应用到实际半导体制造过程的晶圆表面缺陷在线探测与识别,在WM-811K晶圆数据库的实验结果验证了该模型的有效性与实用性.(本文来源于《自动化学报》期刊2016年01期）
彭家龙,朱玉清,袁莹[4]（2009）在《线性指数分布模型的一类贝叶斯判别分析》一文中研究指出设有两个总体Π0和Π1,分别服从参数为0θ和1θ的线性指数分布,对于待观测的寿命样本X,给出相应的判别分析问题的Bayes停止判决法则,其中损失函数包括试验费用和误判损失两部分.(本文来源于《兰州理工大学学报》期刊2009年04期）
余小华[5]（2009）在《网格环境下基于线性判别分析的入侵检测模型》一文中研究指出将入侵检测应用到正在快速增长的网格计算环境中可以改进网格的安全—被视为网格环境的核心问题。提出一个能够改进网格环境安全的灵活的网格入侵检测模型。通过仿真分布式入侵检测服务器来对该模型进行验证,该服务器使用线性判别分析技术检测可能出现的入侵。(本文来源于《计算机应用与软件》期刊2009年06期）
沈菊红[6]（2008）在《基于模糊点数据的线性回归模型在判别分析中的应用》一文中研究指出在经典回归分析理论中,训练数据在回归方程的构建中是被同等对待的.然而,在许多实际问题中,训练数据的作用是不同的,通常有些训练数据比其他数据更重要.为此,给每个训练数据赋予一个置信权重(这里的样本称为模糊点样本数据),并且给出了确定该置信权重的几种常用方法,讨论了基于模糊点数据的线性回归模型用于判别分析的情况.最后给出了数值例子.(本文来源于《宁夏大学学报(自然科学版)》期刊2008年04期）
吴芃,蔡秋萍,吴应宇[7]（2007）在《我国上市公司财务危机预警实证研究——基于主成分分析模型、线性判别模型和逻辑回归模型的比较分析》一文中研究指出以我国上市公司为研究对象,根据行业分类和总资产规模(相差在5%以内)选取了2001~2002年被ST的公司和正常公司各28家作为训练样本,2004年被ST的公司和正常公司各28家作为检验样本,运用3种独立的建模方法,分别建立了我国上市公司的主成分分析预警模型、线性判别预警模型和逻辑回归预警模型。通过模型比较发现,逻辑回归模型的效果要优于另外两种模型,具有较高的判别准确率。实证研究表明,这种预警模型适用于各个行业,对中国企业的财务危机的预测与防范能起到一定的作用。(本文来源于《河海大学学报(哲学社会科学版)》期刊2007年04期）
黄国宏,刘刚[8]（2007）在《一种新的基于高斯混合模型的线性判别分析》一文中研究指出Fisher准则函数的前提条件就是假设每类样本数据满足单峰高斯分布,即各类样本在模式空间的分布近似椭球状,但是当训练样本数据较多且呈多峰分布时,传统的Fisher准则函数并不能准确反映样本数据的分布,显然基于Fisher准则函数的线性判别分析得到的最优判别矢量集也不是最优的。针对这种情况,通过引入高斯混合模型的概念,提出了一种新的基于高斯混合模型的线性判别分析方法,同时也给出了在该模型下的最优判别矢量集的直接求解方法,并通过实验证明了该算法的有效性。(本文来源于《计算机工程与应用》期刊2007年27期）
魏立力,张文修[9]（2003）在《线性指数危险率模型的贝叶斯判别分析》一文中研究指出设有两个总体Π0 和Π1 ,其危险率为具有不同参数的线性函数 .对于待观测的寿命样本X,给出了相应的判别分析问题的 Bayes停止判决法则 ,其中损失函数包括试验费用和误判损失两部分 .(本文来源于《数学物理学报》期刊2003年04期）
余松林[10]（1988）在《Cox线性Logistic模型在判别分析与预报中的应用》一文中研究指出Cox(1966,1970)提出了线性logistic模型,用来分析在一个二项反应的试验中阳性反应概率与一组因素(解释变量)之间的关系。Anderson(1972)把这一模型扩展成为具有多项反应的模型,并论证了这一模型适用于解释变量为离散型、连续型或两种类型混合的资料,用于判别分析。目前这一模型还用于临床(本文来源于《中国卫生统计》期刊1988年03期）
线性判别分析模型论文开题报告
（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：
量化选股是量化投资中的一个重要分支,研究的是优质股票的选取问题,自其诞生以来经历了叁十多年的发展,并在西方股票市场上取得了巨大的成功,随着中国股票市场的不断完善和发展,量化投资也必将成为中国股市主流投资理念。在这样的背景下,本文依据量化投资经典理论,使用上市公司财务数据建立支持向量机选股模型,针对股票选取问题进行研究。本文在西方经典理论与多因子选股模型的研究基础上,分别对有效因子的选取及权重的确认、模型的建立和优化这两个方面进行深入的分析和探索,最终提出了结合ReliefF算法、线性判别分析(Linear Discriminant Analysis,LDA)与特征加权支持向量机(Feature Weighted Support Vector Machine,FWSVM)的选股方法。首先,ReliefF算法通过对比任一股票样本与同类以及不同类的邻近样本的欧氏距离,计算出本文选取的7大类54个财务指标的权重向量,同时使用Pearson相关系数剔除冗余财务指标,解决ReliefF算法不能处理特征冗余的问题,得到一个科学的备选特征集;其次,引入线性判别分析法,利用已知类别信息将本文加权后的7大类财务指标分别投影至最佳分离方向,得到一维的7个有效因子,这些有效因子分别继承该大类下子指标的最大权重,并最终作为特征加权支持向量机的输入;最后,建立ReliefF-LDA-FWSVM分类模型,并针对不同类别样本数量不平衡问题,使用代价敏感性原理调节惩罚参数,在一定程度上消除数据不平衡带来的影响,从而提高高收益类股票的识别率。此外,文章使用遗传算法对支持向量机参数进行寻优,确保模型的科学合理。本文使用2010年至2014年规整后的上证A股财务数据,构建了4个年度滚动预测模型。每个模型均使用当年财务数据识别次年高收益股票,并建立了对比试验,实验结果表明本文建立的ReliefF-LDA-FWSVM模型可以有效识别高收益类股票。
（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。
线性判别分析模型论文参考文献
[1].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
[2].董良.基于线性判别分析与特征加权支持向量机的选股模型研究[D].河北工业大学.2016
[3].余建波,卢笑蕾,宗卫周.基于局部与非局部线性判别分析和高斯混合模型动态集成的晶圆表面缺陷探测与识别[J].自动化学报.2016
[4].彭家龙,朱玉清,袁莹.线性指数分布模型的一类贝叶斯判别分析[J].兰州理工大学学报.2009
[5].余小华.网格环境下基于线性判别分析的入侵检测模型[J].计算机应用与软件.2009
[6].沈菊红.基于模糊点数据的线性回归模型在判别分析中的应用[J].宁夏大学学报(自然科学版).2008
[7].吴芃,蔡秋萍,吴应宇.我国上市公司财务危机预警实证研究——基于主成分分析模型、线性判别模型和逻辑回归模型的比较分析[J].河海大学学报(哲学社会科学版).2007
[8].黄国宏,刘刚.一种新的基于高斯混合模型的线性判别分析[J].计算机工程与应用.2007
[9].魏立力,张文修.线性指数危险率模型的贝叶斯判别分析[J].数学物理学报.2003
[10].余松林.Cox线性Logistic模型在判别分析与预报中的应用[J].中国卫生统计.1988
标签：卵巢肿瘤; 人附睾上皮分泌蛋白4; 癌胚抗原125; Logistic回归分析;