回归方程
共 29 篇文章
回归方程 相关的电子技术资料，包括技术文档、应用笔记、电路设计、代码示例等，共 29 篇文章，持续更新中。
传感器网络中误差有界的小波数据压缩算法
· 摘要： 无线传感器网络通常能量、带宽有限,难以适应大量数据传输的需求,需要对原始采样数据进行网内近似或聚合.通过设计误差树和解回归方程组,提出了一种无穷范数误差有界的数据压缩方案.该方法可以同时探索传感器数据中的时间相关和多属性间相关.通过一维Haar小波变换来消除单个数据流中的时间相关.若单个传感器节点可以采集多种物理量,即产生多个数据流,则根据相关系数矩阵选择其中的若
电学量传感器通用线性处理方法
把电学量传感器测量物理量的范围,平分二段,分别建立拟合回归方程,并用电路实现之。这种线性处理方法具有通用性。以K型热电偶传感器为实验例子,未经线性处理前,理论线性度为3. 2 % ,线性处理后,理论线
BP网络在试验数据处理中的应用
在生产和科学实验中，选取的数学模型主要是线性回归方程形式，采<BR>用回归分析方法确定模型的参数。由于BP 网络可对任意形状的函数曲线进<BR>行逼近，因此，采用BP 网络建立的数学模型较上述形式的数
基于FPGA的脉冲涡流硬度无损检测
涡流无损检测技术作为五大常规无损检测技术之一，不仅能够探测导体表面的涂层厚度，材料成分，组织状态以及某些物理量和机械量，还能检测材料或构件中是否有缺陷并判断缺陷的形状、大小、分布、走向。脉冲涡流无损检测技术因其激励信号的频域特点，具有有效率高，检测准确的特性，因而有着广泛的应用前景。 用无损检测方法进行钢铁材质检测的研究工作取得了大量成果，然而对于钢材及其制品的混料、硬度和裂纹质量检测还存在许多难
电磁无损检测系统的设计与实现
近年来，在钢铁材质质量检测的研究领域，电磁无损检测方法以其非破坏性和简便快速的优点取得了大量成果，然而对于钢材及其制品的混料、硬度和裂纹质量检测还存在许多难题.如用传统检测平台检测钢铁件硬度的检测精度和速度都不够理想。 基于上述情况，论文将先进的SOPC技术应用到钢铁件的电磁无损检测中。SOPC技术将处理器、存储器、IO接口、各种外围设备等系统设计需要的部件集成到一个可编程逻辑器件上，构建成一个可
基于FPGA的脉冲涡流硬度无损检测系统的研究.rar
涡流无损检测技术作为五大常规无损检测技术之一，不仅能够探测导体表面的涂层厚度，材料成分，组织状态以及某些物理量和机械量，还能检测材料或构件中是否有缺陷并判断缺陷的形状、大小、分布、走向。脉冲涡流无损检测技术因其激励信号的频域特点，具有有效率高，检测准确的特性，因而有着广泛的应用前景。 用无损检测方法进行钢铁材质检测的研究工作取得了大量成果，然而对于钢材及其制品的混料、硬度和裂纹质量检测还存在许多难
基于FPGA的电磁无损检测系统的设计与实现.rar
近年来，在钢铁材质质量检测的研究领域，电磁无损检测方法以其非破坏性和简便快速的优点取得了大量成果，然而对于钢材及其制品的混料、硬度和裂纹质量检测还存在许多难题.如用传统检测平台检测钢铁件硬度的检测精度和速度都不够理想。 基于上述情况，论文将先进的SOPC技术应用到钢铁件的电磁无损检测中。SOPC技术将处理器、存储器、IO接口、各种外围设备等系统设计需要的部件集成到一个可编程逻辑器件上，构建成一个可
论文-基于红外热成像技术的猪体温检测与关键测温部位识别63页
<p><img src="/uploads/pic/ae/7ae/d9ffedc3eab9457069023fa822d297ae-1.png" alt="论文-基于红外热成像技术的猪体温检测与关键测温部位识别63页" title="论文-基于红外热成像技术的猪体温检测与关键测温部位识别63页"><img src="/uploads/pic/ae/7ae/d9ffedc3eab9457069023
关于logistic模型拟合的实验
<p style="margin:0cm 0cm 0pt 22.5pt;">
1．用<span lang="EN-US">DATA</span>步建立一个永久<span lang="EN-US">SAS</span>数据集，数据集名为<span lang="EN-US">xt49,</span>数据见表<span lang="EN-US">12</span>；对数据集<span lang="EN
一、 一元三次回归方程 CubicMultinomialRegress.cs 方程模型为Y=a*X(3)+b*X(2)+c*X(1)+d public override double[] buil
一、 一元三次回归方程 CubicMultinomialRegress.cs
方程模型为Y=a*X(3)+b*X(2)+c*X(1)+d
public override double[] buildFormula()
得到系数数组，存放顺序与模型系数相反，即该数组中系数的值依次是d,c,b,a。
以后所述所有模型的系数存放均与此相同（多元线性回归方程除外）。
public overrid
本程序是一个逐步回归分析的演示程序
本程序是一个逐步回归分析的演示程序，通过对众多因子的逐步选择，最终选出影响最大的因子构成线性回归方程。
逐步回归的基本思想是有进有出。具体做法是将变量一个一个引入
逐步回归的基本思想是有进有出。具体做法是将变量一个一个引入，当每引入一个自变量后，对已选入的变量要进行逐个检验，当原引入的变量由于后面变量的引入而变得不再显著时，要将其剔除。引入一个变量或从回归方程中剔除一个变量，为逐步回归的一步，每一步都要进行 检验，以确保每次引入新的变量，之前回归方程中只包含显著的变量。这个过程反复进行，直到既无显著的自变量选入回归方程，也无不显著自变量从回归方程中剔除为止。
进行常规数理统计和各种形式的回归分析
进行常规数理统计和各种形式的回归分析，给出回归方程并通过比较比较确定最优回归形式。
双曲线回归方程 HyperbolaRegress.cs 注意！该模型要求a与b的值要大于0！使用该模型时应注意验证这个限制条件。我在实现模型时未加入任何出错流程控制。X不能为0。 方程模型为
双曲线回归方程 HyperbolaRegress.cs
注意！该模型要求a与b的值要大于0！使用该模型时应注意验证这个限制条件。我在实现模型时未加入任何出错流程控制。X不能为0。
方程模型为
public override double[] buildFormula()
得到系数数组，存放顺序与模型系数相反，即该数组中系数的值依次是b,a。
public override doubl
对数回归方程 LogarithmRegress.cs 方程模型为 Y=a*LnX+b public override double[] buildFormula() 得到系数数组
对数回归方程 LogarithmRegress.cs
方程模型为 Y=a*LnX+b
public override double[] buildFormula()
得到系数数组，存放顺序与模型系数相反，即该数组中系数的值依次是b,a。
public override double forecast(double x)
预测函数，根据模型得到预测结果。
public override
主要介绍回归分析
主要介绍回归分析，即确定自变量与因变量之间的定量关系，所建立的定量表达式称为回归方程；对自变量与因变量之间的关系进行检验；
程序采用可视化界面
程序采用可视化界面，对概率统计中的逐步回顾算法，用户可以在界面上输入变量个数，试验次数，对各种情况均可计算，最后输出回归方程。还可以从文件中载入数据，保存数据。
stats 用于检验回归模型的统计量
stats 用于检验回归模型的统计量，有三个数值：相关系数r2、F值、与F对应的概率p.相关系数r2越接近1，说明回归方程越显著；F > F1-α（k，n-k-1）时拒绝H0，F越大，说明回归方程越显著；与F对应的概率p 时拒绝H0，回归模型成立.
偏最小二乘法
偏最小二乘法，用于回归分析，构建回归方程，预测准确度高
主要介绍逐步回归的方法
主要介绍逐步回归的方法，并介绍如何利用逐步回归建立最佳线性回归方程。