對(duì)所構(gòu)建典型判別函數(shù)有效性的驗(yàn)證方法主要包括自身驗(yàn)證和交互驗(yàn)證等。典型判別函數(shù)的有效性由判別準(zhǔn)確率表示，其數(shù)值為判別準(zhǔn)確的樣本數(shù)與總樣本數(shù)的比值。本研究對(duì)6個(gè)城市198份居民頭發(fā)δ18O、δ2H進(jìn)行判別分析，以考察居民頭發(fā)O、H穩(wěn)定同位素對(duì)居民居住城市的溯源推斷能力。所得標(biāo)準(zhǔn)化的判別函數(shù)式如下：判別函數(shù)式1 為Y1=0.35XO+ 0.90XH，判別函數(shù)式2為Y2=0.93XO-0.43XH。這組判別函數(shù)特征值如表3所示，判別函數(shù)式1的方差貢獻(xiàn)率為96.5

起一個(gè)或多個(gè)判別函數(shù)，利用樣本的大量數(shù)據(jù)確定判別函數(shù)系數(shù)，并計(jì)算判別指標(biāo)。對(duì)于一個(gè)未知分類的新樣本，只需將其代入到判別函數(shù)中即可確定其分類歸屬。FDA利用了投影的思想，使高維問(wèn)題在一維空間中處理，通過(guò)判別函數(shù)得出變量在各個(gè)典型變量上的坐標(biāo)，同時(shí)得出樣本與類中心的距離，從而作為分類依據(jù)[9]。1.4.4 RBFNN徑向基函數(shù)(RBF)是以函數(shù)逼近為基礎(chǔ)的前反饋神經(jīng)網(wǎng)絡(luò)，相較多層感知器，RBF只有一個(gè)隱層。其主要思想是用在RBF的隱藏層內(nèi)將原本的低維數(shù)據(jù)轉(zhuǎn)化到

起一個(gè)或多個(gè)判別函數(shù)，利用樣本的大量數(shù)據(jù)確定判別函數(shù)系數(shù)，并計(jì)算判別指標(biāo)。對(duì)于一個(gè)未知分類的新樣本，只需將其代入到判別函數(shù)中即可確定其分類歸屬。FDA利用了投影的思想，使高維問(wèn)題在一維空間中處理，通過(guò)判別函數(shù)得出變量在各個(gè)典型變量上的坐標(biāo)，同時(shí)得出樣本與類中心的距離，從而作為分類依據(jù)[9]。1.4.4 RBFNN徑向基函數(shù)(RBF)是以函數(shù)逼近為基礎(chǔ)的前反饋神經(jīng)網(wǎng)絡(luò)，相較多層感知器，RBF只有一個(gè)隱層。其主要思想是用在RBF的隱藏層內(nèi)將原本的低維數(shù)據(jù)轉(zhuǎn)化到

基礎(chǔ)上，建立判別函數(shù)，實(shí)現(xiàn)對(duì)于新數(shù)據(jù)類別變量取值的預(yù)測(cè)。朱曉晗等研究不同品牌的一次性塑料手套，處理數(shù)據(jù)中使用了Fisher判別分析法，建立的第一和第二判別函數(shù)的特征值為97.313和10.682，累計(jì)百分比為 99.9%，取得了令人滿意的實(shí)驗(yàn)結(jié)果[10]。本文采集了50種不同種類和廠商的牛皮紙樣本，用X射線熒光光譜儀測(cè)出元素含量。通過(guò)系統(tǒng)聚類和K-Means聚類，對(duì)測(cè)定結(jié)果進(jìn)行分類和檢驗(yàn)。在數(shù)據(jù)分類的基礎(chǔ)上，使用Fisher判別分析法，建立判別函數(shù)，實(shí)現(xiàn)對(duì)

isher 判別函數(shù)Fisher 判別函數(shù)是在原始樣本空間里找到某（幾）個(gè)方向，把樣本投影到該方向后，利用距離判別法建立判別準(zhǔn)則將原始樣本分開(kāi)[13]。各類樣本在該方向上投影之間的距離盡可能遠(yuǎn)，而每一類內(nèi)的樣本投影盡可能緊湊，從而使分類效果達(dá)到最佳，即在最大化類間距離的同時(shí)最小化類內(nèi)距離。此時(shí)，樣本在該空間中有最近的可分離性。設(shè)有總體Gi（i=1，2，…，k，k為總體個(gè)數(shù)）為水樣樣本，從這k個(gè)水樣樣本中抽取具有p個(gè)指標(biāo)的樣本，采用方差分析構(gòu)建Fisher

光譜數(shù)據(jù)建立判別函數(shù)[9]，以期快速、準(zhǔn)確且無(wú)損地對(duì)塑料拖鞋類物證進(jìn)行檢驗(yàn)。1 實(shí)驗(yàn)部分1.1 實(shí)驗(yàn)儀器及參數(shù)設(shè)置X射線熒光光譜儀，X-MET8000Smart，電壓為40 kV，電流為60 mA，Rh陽(yáng)極靶，檢測(cè)時(shí)間為60 s，北京華儀宏盛技術(shù)有限公司。1.2 實(shí)驗(yàn)樣品不同來(lái)源的塑料拖鞋31個(gè)(樣品表略)。1.3 實(shí)驗(yàn)方法用剪刀從鞋底部位裁剪1 cm×1 cm的小方片作為樣品，將31個(gè)塑料拖鞋樣品分別用酒精棉簽進(jìn)行擦拭、晾干后待測(cè)，將樣品放于儀器探頭下進(jìn)

移風(fēng)險(xiǎn)預(yù)測(cè)的判別函數(shù)，評(píng)估初診NPC患者遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)，為臨床治療方案的制訂提供參考依據(jù)。1 資料與方法1.1 一般資料搜集2012年7月至2019年11月行磁共振成像(MRI)檢查的初發(fā)NPC患者131例，所有病例隨訪時(shí)間大于12個(gè)月；其中111例無(wú)腫瘤遠(yuǎn)處轉(zhuǎn)移，20例腫瘤遠(yuǎn)處轉(zhuǎn)移(17例初診即確診腫瘤遠(yuǎn)處轉(zhuǎn)移并隨訪證實(shí)，3例隨訪12個(gè)月內(nèi)確診腫瘤遠(yuǎn)處轉(zhuǎn)移并隨訪證實(shí)；其中肝、肺、骨多發(fā)轉(zhuǎn)移2例、多發(fā)骨轉(zhuǎn)移12例、肺轉(zhuǎn)移2例、肝轉(zhuǎn)移4例)，男92例，女39例

立地理種群的判別函數(shù)，進(jìn)行模式識(shí)別，并對(duì)識(shí)別效果進(jìn)行檢驗(yàn)，以期為莖柔魚(yú)資源的合理開(kāi)發(fā)利用和可持續(xù)發(fā)展提供基礎(chǔ)資料。1 材料與方法1.1 采樣試驗(yàn)莖柔魚(yú)樣本于2009、2014和2015年由中國(guó)遠(yuǎn)洋魷釣漁船采集于哥斯達(dá)黎加、厄瓜多爾、秘魯和智利外海。樣本采集時(shí)，根據(jù)遠(yuǎn)洋魷釣漁船作業(yè)流動(dòng)性的特點(diǎn)，同一海域每個(gè)站點(diǎn)隨機(jī)采集20尾，共采集莖柔魚(yú)樣本835尾(表1)。樣本在實(shí)驗(yàn)室解凍后測(cè)量胴長(zhǎng)和體質(zhì)量等，并分別精確至1 mm和1 g，同時(shí)對(duì)性別進(jìn)行鑒定和性腺成熟度劃

線性組合，即判別函數(shù))，然后對(duì)未知類別的新事物進(jìn)行判斷以將之歸入已知的類別中，學(xué)者們通過(guò)選取不同的指標(biāo)，建立巖爆等級(jí)判別函數(shù)，將其應(yīng)用于巖爆預(yù)測(cè)中。王超等[15]、王吉亮等[16]、宮鳳強(qiáng)等[17]、李笛等[18]、趙國(guó)彥等[19]、潘翔[20]建立了不同的巖爆判別模型。本文廣泛收集104組巖爆實(shí)例，84組作為樣本集，20組作為驗(yàn)證集，通過(guò)SPSS判別分析建立分級(jí)預(yù)測(cè)模型并進(jìn)行工程應(yīng)用，將應(yīng)用結(jié)果與BP神經(jīng)網(wǎng)絡(luò)模型對(duì)比，得到一種穩(wěn)定可靠、預(yù)測(cè)準(zhǔn)確率高的巖爆

關(guān)系模型，由判別函數(shù)能準(zhǔn)確判斷二氧化硫質(zhì)量濃度。1 逐步判別分析方法判別分析建立的判別函數(shù)受變量的影響，變量過(guò)多會(huì)增加計(jì)算量，同時(shí)一些不重要的變量可能會(huì)干擾判別函數(shù)的建立，使得判別函數(shù)不能準(zhǔn)確判別。另外，如果將一些重要的變量刪除，建立的判別函數(shù)也不能進(jìn)行有效判別。逐步判別法可以解決變量選取問(wèn)題，從而使得判別更加準(zhǔn)確。逐步判別法采用有進(jìn)有出的方法動(dòng)態(tài)選取變量。需要判斷一個(gè)樣品的質(zhì)量濃度時(shí)，只需要將變量x1，x2，…，xr的數(shù)據(jù)代入判別函數(shù)，計(jì)算出每個(gè)判別函數(shù)

基礎(chǔ)上，建立判別函數(shù)模型，判別觀測(cè)樣品歸屬。2.5.1 貝葉斯判別分析給定1個(gè)輸入的x，目的是確定它是屬于w1類還是w2類，根據(jù)貝葉斯判別思想，需要計(jì)算x屬于w1類概率和w2類概率并判斷樣品的歸屬。若P(w1|x)>P(w2|x)，則x∈w1；相反，則x∈w2。由貝葉斯定理可知，后驗(yàn)概率P(wi|x)可由類別的先驗(yàn)概率P(wi|x)和x的先驗(yàn)概率P(x|wi)得到，具體計(jì)算見(jiàn)式（2）。式（2）中，P(x|wi)也被成為似然函數(shù)。所以原判別式可改寫(xiě)為，若P(

變量建立性別判別函數(shù)，進(jìn)而評(píng)估獼猴髕骨的性別差異程度，驗(yàn)證通過(guò)獼猴髕骨識(shí)別個(gè)體性別方法的可行性。1 材料和方法1.1 材料骨骼標(biāo)本來(lái)自太行山獼猴自然保護(hù)區(qū)的自然死亡獼猴、動(dòng)物試驗(yàn)后的遺骸、動(dòng)物打架斗毆致死的獼猴。收集標(biāo)本的時(shí)間是1989 年至2019 年。髕骨樣本60 例（19♂，41♀），要求成年、干燥、對(duì)稱和完整。由于單側(cè)髕骨標(biāo)本數(shù)量較少，髕骨數(shù)據(jù)統(tǒng)計(jì)時(shí)兩側(cè)合并處理[4]。標(biāo)本保存在河南鄭州工商學(xué)院商學(xué)院。1.2 變量和測(cè)量采用電子數(shù)顯游標(biāo)卡尺直接測(cè)量

因變量，建立判別函數(shù)，并判定76例受試者嗓音的G分級(jí)，采用留一法(Leave-one-out cross validation)對(duì)病例的分級(jí)進(jìn)行交叉驗(yàn)證。采用Pearson相關(guān)分析法分析DSIDRS與DSIpraat之間的相關(guān)性，以了解測(cè)量的設(shè)備間一致性；采用Pearson相關(guān)分析法分析DSIDRS與VHI評(píng)估的相關(guān)性，以了解主客觀評(píng)估之間的關(guān)系；顯著性水平α=0.05。2 結(jié)果2.1嗓音主客觀評(píng)估結(jié)果 76例受試者DSR、Praat軟件嗓音客觀評(píng)估以及嗓

據(jù)，利用相關(guān)判別函數(shù)法，動(dòng)靜結(jié)合開(kāi)展儲(chǔ)層產(chǎn)能定量評(píng)價(jià)，一定程度上可以提高長(zhǎng)井段多油層油藏不同儲(chǔ)層產(chǎn)能預(yù)測(cè)精度。1 研究區(qū)地質(zhì)概況圖2 英東油田縱向儲(chǔ)層分布示意圖Fig.2 Vertical reservoir distribution diagram of Yingdong oiofield2 Fisher判別方法與原理判別分析是一種常用的統(tǒng)計(jì)分析方法，是根據(jù)觀察或測(cè)量到若干變量值，判斷研究對(duì)象屬于哪一類的方法。SPSS對(duì)于分為m類的研究對(duì)象，建立m個(gè)線性

原則確定線性判別函數(shù)的系數(shù)，建立線性判別方程，再結(jié)合相應(yīng)的判別準(zhǔn)則判別出一個(gè)新樣品的類別，然后利用判別準(zhǔn)則將樣本分開(kāi)[3-4]。該判別方法可以有效地實(shí)現(xiàn)對(duì)多指標(biāo)數(shù)據(jù)的降維分析，同時(shí)對(duì)數(shù)據(jù)分布無(wú)要求等優(yōu)點(diǎn)，被廣泛用于人臉檢測(cè)、礦井水文地質(zhì)類型等領(lǐng)域[4-5]。由于影響卷煙主流煙氣質(zhì)量的變量很多，且影響程度的大小不同。試驗(yàn)擬基于Fisher判別理論，利用卷煙的圓周、質(zhì)量、長(zhǎng)度等16個(gè)參數(shù)作為判別因子，提出判別函數(shù)，建立Fisher判別模型，以期為卷煙主流煙氣質(zhì)

剔除，得到了判別函數(shù)特征值（見(jiàn)表3）和6 類樣品在所建立的兩個(gè)判別函數(shù)上的聯(lián)合分布圖（見(jiàn)圖2）。表3 判別式函數(shù)摘要圖2 31種熱敏紙的聯(lián)合分布圖本研究在分類過(guò)程中建立了4 個(gè)判別函數(shù)，其特征值如表3 所示。其中，判別函數(shù)1 和判別函數(shù)2 特征值的方差貢獻(xiàn)率分別為93.7%和5.1%，累積方差貢獻(xiàn)率分別為93.7%和98.7%，所攜帶的信息量遠(yuǎn)大于后面的判別函數(shù)。判別函數(shù)1 和判別函數(shù)2 的規(guī)范相關(guān)性系數(shù)分別為0.996和0.935，表明被分類的組別在判別

態(tài)，通過(guò)建立判別函數(shù)方程來(lái)評(píng)估身體機(jī)能，以評(píng)價(jià)或預(yù)測(cè)機(jī)體對(duì)訓(xùn)練負(fù)荷的適應(yīng)性，橄欖球運(yùn)動(dòng)員身體機(jī)能分級(jí)方法的提出和構(gòu)建，旨在建議這一領(lǐng)域的各種從業(yè)人員（教練員、醫(yī)務(wù)人員、科研人員）充分利用數(shù)據(jù)價(jià)值提高工作績(jī)效，防止過(guò)度訓(xùn)練和損傷。1 研究對(duì)象與方法1.1 研究設(shè)計(jì)設(shè)計(jì)采用回顧性橫斷面研究。1.2 研究對(duì)象選取天津橄欖球隊(duì)的20名男性專業(yè)橄欖球運(yùn)動(dòng)員，年齡在18～26 歲，橄欖球1 級(jí)運(yùn)動(dòng)員及以上，專業(yè)訓(xùn)練時(shí)間3 年以上。所有隊(duì)員遵循同樣的訓(xùn)練計(jì)劃，每周的訓(xùn)練

別進(jìn)行計(jì)算，判別函數(shù)摘要見(jiàn)表2。表2 判別函數(shù)摘要由判別函數(shù)摘要可知，根據(jù)樣本類別信息與數(shù)據(jù)特征計(jì)算出3個(gè)判別函數(shù)。觀察數(shù)據(jù)可知，前兩個(gè)判別函數(shù)累積百分比已經(jīng)達(dá)到了85%，表明其對(duì)樣本特征有較強(qiáng)的解釋能力[1]，此外一般情況下提取特征值大于1的判別函數(shù)，但第三個(gè)判別函數(shù)特征值僅為0.413且貢獻(xiàn)方差百分比僅為1.4%，因此只提取前兩個(gè)判別函數(shù)，繪制判別分布圖見(jiàn)圖2。圖2 判別分布圖由圖2可知，5類樣本在判別函數(shù)構(gòu)成的平面空間內(nèi)分布均勻，可直觀觀察到各類樣本

為自變量構(gòu)建判別函數(shù)，試圖為個(gè)人信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的構(gòu)建提供新的思路。[關(guān)鍵詞]Fisher判別法;個(gè)人信用風(fēng)險(xiǎn);風(fēng)險(xiǎn)評(píng);判別函數(shù)隨著消費(fèi)觀念的逐漸改變，我國(guó)居民的信用卡持卡率逐年攀升。根據(jù)中國(guó)人民銀行所發(fā)布的《金融機(jī)構(gòu)本外幣信貸收支表》，2019年9月我國(guó)個(gè)人短期消費(fèi)信貸規(guī)模已經(jīng)達(dá)到95303.17億元，信用卡的發(fā)卡量9.7億張，達(dá)到了平均每人0.7張的水平，信用卡業(yè)務(wù)已然成為銀行業(yè)的一大支柱型業(yè)務(wù)。但是，央行發(fā)布的數(shù)據(jù)表明，信用卡逾期半年未償信貸總額

Fisher判別函數(shù)與判別準(zhǔn)則ei=E(y|Gi)=a′μ(i)，i=1，2，…，k(1)(2)令：(3)(4)B0相當(dāng)于一元方差分析中的組間差，E0相當(dāng)于組內(nèi)差。令μ′為式(5)。(5)則可得Δ(a)=B/E=a′Ba/a′Ea。很顯然，B,E均為非負(fù)定陣，Δ(a)的極大值為方程|B-λE|=0的最大特征根，取a為對(duì)應(yīng)于λ1的特征向量即為判別函數(shù)的系數(shù)，即可求出判別函數(shù)。由數(shù)學(xué)知識(shí)可知，特征根的個(gè)數(shù)m是不會(huì)超過(guò)min(k-1,p)個(gè)的，由此可構(gòu)造出m個(gè)判

別因素，建立判別函數(shù)，用于甲狀腺良、惡性結(jié)節(jié)的輔助診斷，并通過(guò)交互驗(yàn)證法來(lái)驗(yàn)證函數(shù)的判別效果，旨在提高CT診斷TN的準(zhǔn)確性和穩(wěn)定性。材料與方法1.一般資料搜集2017年9月-2019年9月本院經(jīng)術(shù)后病理檢查明確病變組織類型的85例患者共125個(gè)甲狀腺結(jié)節(jié)的臨床和CT資料。入組病灶在病理檢查時(shí)均診斷為單純良性或惡性結(jié)節(jié)，當(dāng)一個(gè)大體標(biāo)本中同時(shí)含有良性和惡性結(jié)節(jié)時(shí)，不納入本組研究。85例中女61例，男24例，年齡16～78歲，平均(50.5±14.1)歲。惡性結(jié)

3]。1) 判別函數(shù)的導(dǎo)出。由Bayes判別分析法原理可知，使用Bayes判別分析法作判別分析時(shí)，首先要知道待判總體的密度分布函數(shù)和先驗(yàn)概率分布。一般可用待判樣品頻率qi=mi/m來(lái)代替先驗(yàn)概率，或令各總體先驗(yàn)概率相同，即Σ=Σ1=Σ2=…=Σk,那么n元正態(tài)分布密度函數(shù)見(jiàn)式(6)。(6)式中，Σ(i)和μ(i)分別為總體Gi的協(xié)方差陣和均值向量。把fi(x)代入P(Gi/x)的函數(shù)表達(dá)式中，在計(jì)算使P(Gi/x)最大的i時(shí)，由于不論i取值為何式中分母都是

重要變量引入判別函數(shù)后，同時(shí)考慮到較早引入判別函數(shù)的某些變量隨著新變量的引入而變得不重要，將其從判別函數(shù)中剔除,最終保留有“重要性”的變量，使判別函數(shù)更加簡(jiǎn)潔實(shí)用。 其計(jì)算步驟如下：設(shè)有m個(gè)總體，第g總體有ng個(gè)樣品，每個(gè)樣品均觀測(cè)了p項(xiàng)指標(biāo)，原始數(shù)據(jù)記為：Xgjk(g=1,2……,m;j=1,2,……,ng;k=1,2……,p)(1)式中：Xgjk表示第g組第j個(gè)樣品的第k項(xiàng)指標(biāo)。首先計(jì)算出各組變量均值Xgk和總均值Xk，組內(nèi)離差矩陣W與總離差矩陣T。1

訓(xùn)練樣本建立判別函數(shù)，以數(shù)理統(tǒng)計(jì)的顯著性檢驗(yàn)確定測(cè)試樣本的所屬類別。Bayes判別準(zhǔn)則是根據(jù)分類函數(shù)將判別樣本歸類到某個(gè)概率密度函數(shù)值最大的樣本總體，這樣可以降低錯(cuò)判可能性，并且可以對(duì)具體液化勢(shì)等級(jí)進(jìn)行分類。禹建兵等[26]基于唐山大地震和廣東三水地震等25組液化案例作為樣本數(shù)據(jù)庫(kù)，選取震級(jí)、地面加速度最大值、標(biāo)準(zhǔn)貫入擊數(shù)、比貫入阻力、相對(duì)密實(shí)度、平均粒徑和地下水位深度7個(gè)評(píng)價(jià)指標(biāo)建立BDA模型，結(jié)果表明Bayes判別方法判別準(zhǔn)確率高，適用性強(qiáng)，可以考慮在

風(fēng)險(xiǎn)；預(yù)警；判別函數(shù)中圖分類號(hào)：F275 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2018）03-0189-01財(cái)務(wù)風(fēng)險(xiǎn)作為一種信號(hào)，能夠全面綜合反映企業(yè)的經(jīng)營(yíng)狀況，要求企業(yè)經(jīng)營(yíng)者進(jìn)行經(jīng)常性財(cái)務(wù)分析，防范財(cái)務(wù)危機(jī)，建立預(yù)警分析指標(biāo)體系，進(jìn)行適當(dāng)?shù)呢?cái)務(wù)風(fēng)險(xiǎn)決策。財(cái)務(wù)風(fēng)險(xiǎn)作為一種經(jīng)濟(jì)上的風(fēng)險(xiǎn)現(xiàn)象，已經(jīng)成為現(xiàn)代財(cái)務(wù)理論的核心內(nèi)容。財(cái)務(wù)預(yù)警系統(tǒng)是以企業(yè)信息化為基礎(chǔ)，對(duì)企業(yè)在經(jīng)營(yíng)管理活動(dòng)中的潛在風(fēng)險(xiǎn)進(jìn)行實(shí)時(shí)監(jiān)控的系統(tǒng)。它貫穿于企業(yè)經(jīng)營(yíng)活動(dòng)的全過(guò)程，以企業(yè)的財(cái)務(wù)

2.3.1 判別函數(shù)的建立 在烤煙成熟過(guò)程中設(shè)定了4個(gè)不同成熟度M1～M4。以與烤煙成熟度有統(tǒng)計(jì)學(xué)意義的鮮煙葉正面顏色參數(shù)L、b、C這3個(gè)變量對(duì)M1～M4進(jìn)行區(qū)分。從表4可以看出，L值、b值和C值在4個(gè)成熟度組別間的均值都有統(tǒng)計(jì)學(xué)意義，可以利用這3個(gè)觀測(cè)變量對(duì)成熟度分組進(jìn)行判別分析。表5反映了判別函數(shù)的特征值、解釋方差的比例和典型相關(guān)系數(shù)。判別函數(shù)1解釋了97.1 %的方差，判別函數(shù)2解釋了2.8 %的方差，3個(gè)判別函數(shù)解釋了全部方差。對(duì)3個(gè)判別函數(shù)進(jìn)行W

Fisher判別函數(shù)進(jìn)行寒熱證型判別的探討*魏高文1魏歆然1劉蕓青2朱旭1裴蕓1【提要】目的探討應(yīng)用Fisher判別函數(shù)輔助寒熱辨證的可行性。方法取清潔級(jí)Wistar大鼠60只，隨機(jī)分成正常對(duì)照組、熱證模型組和寒證模型組，比較血清甲狀腺激素和炎性細(xì)胞因子水平變化情況，并將建立的Fisher線性判別函數(shù)應(yīng)用于臨床實(shí)踐來(lái)驗(yàn)證。結(jié)果實(shí)驗(yàn)后各組血清三碘甲狀腺氨酸(T3)、四碘甲狀腺氨酸(T4)、游離三碘甲腺原氨酸(FT3)、游離四碘甲腺原氨酸(FT4)、瘤壞死因子

得到逐步線性判別函數(shù)，用于突水水源的判別，并采用馬氏廣義距離的F檢驗(yàn)、回判檢驗(yàn)及樣品檢驗(yàn)等多種方法進(jìn)行驗(yàn)證，經(jīng)驗(yàn)證，該模型判別效果較好，能較好識(shí)別突水水源。逐步判別；突水水源；水源判別礦井突水是我國(guó)煤礦開(kāi)采過(guò)程中主要的自然災(zāi)害之一，根據(jù)原煤炭工業(yè)部統(tǒng)計(jì)數(shù)據(jù)局：全國(guó)受水害威脅的礦井，占礦井總數(shù)的27.5%，受水害威脅的煤炭?jī)?chǔ)量達(dá)數(shù)百億噸[1]而且一旦突水，往往造成極大的經(jīng)濟(jì)損失與人員傷亡[2][3]，水害防治工作在礦井建設(shè)、生產(chǎn)過(guò)程中起著重要作用。突水水源不

元素錄井巖性判別函數(shù)，首先利用統(tǒng)計(jì)學(xué)方法對(duì)典型碎屑巖、碳酸鹽巖和巖漿巖的X射線熒光 (XRF) 錄井元素組合參數(shù)進(jìn)行定量化分析，篩選出對(duì)各類巖性較為敏感的元素變量組合；然后將敏感元素變量輸入軟件進(jìn)行訓(xùn)練，求取不同元素變量參數(shù)的系數(shù)，建立巖性判別函數(shù)；最后根據(jù)Fisher判別準(zhǔn)則，代入某一深度點(diǎn)對(duì)應(yīng)的元素序列值，巖性判別函數(shù)值最大者為該深度點(diǎn)對(duì)應(yīng)的真實(shí)巖性。在渤海油田秦皇島區(qū)塊的實(shí)例應(yīng)用表明，利用本文建立的XRF元素錄井巖性判別函數(shù)識(shí)別巖性準(zhǔn)確率達(dá)80%以上

T與非ST的判別函數(shù)），最后將測(cè)試組中60家公司的數(shù)據(jù)回代到預(yù)警函數(shù)中檢驗(yàn)其判別率，判別率達(dá)到81.67%，具有較高的的判別正確率，說(shuō)明文章建立的財(cái)務(wù)預(yù)警系統(tǒng)對(duì)于上市公司財(cái)務(wù)危機(jī)的預(yù)測(cè)與防范起到一定的作用。關(guān)鍵詞；財(cái)務(wù)預(yù)警；熵權(quán)法；因子模型；判別函數(shù)一、引言（一）建立財(cái)務(wù)危機(jī)預(yù)警的意義制造業(yè)是我國(guó)國(guó)民經(jīng)濟(jì)的支柱產(chǎn)業(yè)，是我國(guó)經(jīng)濟(jì)增長(zhǎng)的主導(dǎo)部門(mén)和經(jīng)濟(jì)轉(zhuǎn)型的基礎(chǔ)，是經(jīng)濟(jì)社會(huì)發(fā)展的重要依托，更是我國(guó)城鎮(zhèn)就業(yè)的主要渠道和全球產(chǎn)業(yè)鏈的重要組成部分。在全球競(jìng)爭(zhēng)條件下，我

小的原則確定判別函數(shù)，再依據(jù)建立的判別函數(shù)判定待判樣品的類別。設(shè)有m個(gè)總體G1，G2…Gm相應(yīng)的均值向量和協(xié)方差矩陣分別為 μ(1)，μ(2)，…，μ(m)；ν(1)，ν(2)，…，ν(m)從總體 Gi中抽取容量為ni樣本為則得到為Ｘ(i)a在軸上的投影，其中：a=1，2，…，ni；i=1，2，…，m向量u=(u1，u2…，up)T表示P維空間中的1個(gè)方向，Y=uTX，為u與X的內(nèi)積，即X在u軸上的投影，記其中：Si就是Gi中ni個(gè)本樣 的樣本離差陳，組間

的變量來(lái)建立判別函數(shù)。逐步判別過(guò)程就是不斷引入或剔除變量，每引入一個(gè)“最重要”的變量，同時(shí)也檢驗(yàn)已引入判別式的變量。若已引入的變量的判別能力因新變量的加入而變得不顯著，則應(yīng)將其從判別式中剔除，直至判別式中的變量都很顯著，且余下變量中也沒(méi)有重要的需引入判別式時(shí)，逐步判別過(guò)程結(jié)束。（二）逐步判別模型算法組內(nèi)離差矩陣表示為C=(cst)p×p，總的離差陣表示為R=(rst)p×p，第一步：數(shù)據(jù)準(zhǔn)備。收集所需要的數(shù)據(jù)，計(jì)算各類別樣本及總體樣本的均值，確定顯著度α。

獻(xiàn)的變量建立判別函數(shù)式，并使用回代估計(jì)法對(duì)函數(shù)式的準(zhǔn)確率進(jìn)行檢驗(yàn)。結(jié)果篩選出影響卡藥的主要因素為重量（weight）和高度（height），得到判別函數(shù)為F1=0.595 weight+0.588 height，F(xiàn)2=-0.932 weight+0.936 height，判別函數(shù)將測(cè)試樣本數(shù)據(jù)分為3類（卡藥、不卡藥、不出藥），其準(zhǔn)確率為84.3%，驗(yàn)證樣本的準(zhǔn)確率為83%。結(jié)論采用判別分析法可以為藥房自動(dòng)化發(fā)藥機(jī)機(jī)內(nèi)品種的優(yōu)化設(shè)計(jì)提供合理的統(tǒng)計(jì)學(xué)依據(jù)。判別

原始數(shù)據(jù)求出判別函數(shù)將待判樣本的數(shù)據(jù)代入判別函數(shù)中判斷其類型。［1］常用的判別分析方法主要有：距離判別法、Fisher判別法和Bayes判別法。然而，在SPSS操作中只能實(shí)現(xiàn)Bayes判別法與Fisher判別法兩種，并且這兩種方法的操作是合在一起進(jìn)行的，所以使用起來(lái)需要特別注意。［2］下文將結(jié)合一個(gè)語(yǔ)言學(xué)實(shí)驗(yàn)的例子對(duì)SPSS判別分析的步驟和輸出結(jié)果作詳細(xì)解釋和說(shuō)明。2.語(yǔ)言學(xué)實(shí)驗(yàn)2.1實(shí)驗(yàn)背景Fletcher和Peters（1984）研究發(fā)現(xiàn)，可以用語(yǔ)法和

大致為：建立判別函數(shù)，給出判別準(zhǔn)則，最后將待判樣品代入判別函數(shù)進(jìn)行判別。根據(jù)建立判別函數(shù)的方法的不同，具體可分為距離判別與Bayes判別，Bayes判別法又可分兩種：最大后驗(yàn)概率法與最小誤判損失法。還有一種先對(duì)樣品進(jìn)行投影后再采用距離判別的方法，即Fisher判別法，這三種方法是判別分析最常采用的方法。在SPSS操作中只能實(shí)現(xiàn)Bayes判別法與Fisher判別法兩種，并且這兩種方法的操作是合在一起進(jìn)行的，輸出結(jié)果也比較混亂，據(jù)經(jīng)驗(yàn)歸納，對(duì)于初學(xué)者來(lái)說(shuō)常會(huì)提

潤(rùn)的CT灌注判別函數(shù)的研究1.山東省萊蕪市人民醫(yī)院醫(yī)學(xué)影像中心(山東 萊蕪 271199)2.山東省萊蕪市牛泉中心衛(wèi)生院(山東 萊蕪 271100)董 瑩1亓 燕1亓子坤2目的研究對(duì)宮頸癌宮旁浸潤(rùn)的CT灌注判別函數(shù)，用于提高宮頸癌宮旁浸潤(rùn)C(jī)T灌注診斷的準(zhǔn)確性。方法選取我科100例術(shù)后經(jīng)病理確診為宮頸癌的患者，根據(jù)病理結(jié)果分為宮旁浸潤(rùn)組和非宮旁浸潤(rùn)組。所有患者術(shù)前均行64層螺旋CT灌注掃描，分別利用CT形態(tài)學(xué)和CT灌注判別參數(shù)對(duì)于宮旁浸潤(rùn)進(jìn)行診斷，對(duì)比其靈敏

大。2．2 判別函數(shù)及準(zhǔn)則2．2．1 Fisher準(zhǔn)則考慮指標(biāo)與p個(gè)自變量有關(guān)的兩類判別:設(shè)指標(biāo)y按其取值范圍只分為A、B兩類，對(duì)A、B兩類分別有nA，nB個(gè)樣品數(shù)據(jù)。Fisher提出，建立p個(gè)因子的一個(gè)線性判別函數(shù)于是，可解得線性判別函數(shù)的系數(shù)c1，c2，…，cp2．2．3 Fisher判別標(biāo)準(zhǔn)當(dāng)判別函數(shù)求出后，可進(jìn)一步求得判別臨界值:將新樣品的各變量觀測(cè)值代入判別函數(shù)，求得相應(yīng)的函數(shù)值y(判別得分)。建立判別標(biāo)準(zhǔn)如下表:待判樣品與臨界值關(guān)系當(dāng)ˉy(A)

別分析法建立判別函數(shù)，最后計(jì)算判別方程的回代符合率。2 研究結(jié)果在構(gòu)建分級(jí)模型的過(guò)程中，考慮到大學(xué)男生與大學(xué)女生體質(zhì)健康評(píng)分標(biāo)準(zhǔn)不同，故將男生女生區(qū)別開(kāi)來(lái)，分別建立相應(yīng)的判別模型。2.1 聚類分析聚類分析[3]是直接比較各事物之間的性質(zhì)，將性質(zhì)相近的歸為一類，將性質(zhì)差別較大的歸入不同的類。由于樣本數(shù)量較多，我們采用 K-Means Cluster聚類分析對(duì)樣本進(jìn)行分類。本研究欲將天津市大學(xué)生體質(zhì)分為4個(gè)級(jí)別，通過(guò)聚類分析確定天津市大學(xué)生體質(zhì)的4個(gè)起止區(qū)間。

002）一個(gè)判別函數(shù)一致連續(xù)性的新標(biāo)準(zhǔn)周驍（湖北汽車工業(yè)學(xué)院理學(xué)院，湖北十堰442002）借助于次可加的單調(diào)不減連續(xù)函數(shù)，給出了判別函數(shù)一致連續(xù)性的一個(gè)新的標(biāo)準(zhǔn)。連續(xù)模函數(shù);一致連續(xù);次可加;單調(diào)不減函數(shù)一致連續(xù)性的探討是數(shù)學(xué)分析課程［1-2］的重要學(xué)習(xí)內(nèi)容之一，也是學(xué)生學(xué)習(xí)較為困難的部分，因此有必要探究證明函數(shù)一致連續(xù)的方法。如文獻(xiàn)［3］利用導(dǎo)函數(shù)及Lipschitz條件來(lái)得到判斷函數(shù)是否一致連續(xù)的方法；文獻(xiàn)［4］總結(jié)了一些證明函數(shù)一致連續(xù)的常用結(jié)論，并

行篩選，建立判別函數(shù)，為準(zhǔn)確判斷手足口病危重型病例提供科學(xué)依據(jù)。對(duì)象與方法1.診斷標(biāo)準(zhǔn)和研究對(duì)象 按照我國(guó)衛(wèi)生部頒布的《手足口病診療指南》(2010年版)，手足口病重型病例定義為：出現(xiàn)神經(jīng)系統(tǒng)受累表現(xiàn)如頭痛、精神差、易驚、嗜睡、嘔吐、肢體抖動(dòng)、肌陣攣、肌無(wú)力或急性弛緩性麻痺；具有以下特征之一者可臨床診斷為危重型病例：①頻繁抽搐、昏迷、腦疝；②呼吸困難、紫紺、血性泡沫痰、肺部啰音等；③休克等循環(huán)功能不全。本研究對(duì)鄭州市兒童醫(yī)院2009年以來(lái)收治的手足口病病人

分類; 典則判別函數(shù)DNA微陣列(DNA microarray)也叫做基因芯片(Gene chip), 是在一種特殊玻璃片上安裝成千上萬(wàn)個(gè)核酸探針, 最終獲取關(guān)于基因序列的信息, 使用基因芯片便于定量分析基因的表達(dá)水平, 在生物分析檢驗(yàn)?zāi)芰Ψ矫? 能做到快速、高效、低成本. 如果利用基因表達(dá)序列來(lái)識(shí)別腫瘤亞型, 這將具有非常重要的臨床意義.蔡立君[1](2006)提出了一種基于遺傳算法的基因分類算法, 其基本思想是利用遺傳算法代替獨(dú)立分量分析中的傳統(tǒng)的估計(jì)

sher線性判別函數(shù).當(dāng) y=(μ1- μ2)T∑-1x ＜ μy時(shí)，則認(rèn)為 x∈ θ2.如果記W(x)=(μ1-μ2)T∑-1x-μy，則判別準(zhǔn)則等價(jià)于:當(dāng)W(x)≥0時(shí)，則認(rèn)為x∈θ1;當(dāng)W(x)＜0時(shí)，則認(rèn)為x∈θ2.在實(shí)際的計(jì)算中，總體的均值與協(xié)方差陣未知，就需要用樣本均值與協(xié)方差陣來(lái)代替.即用樣本均值1和2分別代替μ1和μ2，用樣本的協(xié)方差矩陣來(lái)代替.這里的S1和S2分別是兩個(gè)樣本的協(xié)方差陣.［5］1.2 多總體Fisher判別如果變量很多或者有

止，最后建立判別函數(shù)并進(jìn)行樣品的回代檢驗(yàn)。2 結(jié)果與分析2.1 以揮發(fā)性物質(zhì)的峰面積對(duì)臘肉加工階段進(jìn)行判斷在6個(gè)不同加工階段的36個(gè)樣品中共鑒定出揮發(fā)性風(fēng)味成分188種，其中包括醛類、酮類、醇類、酚類、醚類、酯類、酸類、雜環(huán)類等。應(yīng)用SPSS 13.0的Discriminant程序，以這188種揮發(fā)性物質(zhì)的峰面積為自變量對(duì)臘肉的加工程度進(jìn)行判別分析，共有20個(gè)變量進(jìn)入模型，如表1所示。共得到5個(gè)典則判別函數(shù)，其特征值分別為177717.0、6298.5、2

參數(shù)，構(gòu)建的判別函數(shù)來(lái)判斷其在可疑開(kāi)角型青光眼中的診斷價(jià)值，以期為早期篩查青光眼提供更有利的依據(jù)。1 資料與方法1.1 臨床資料 收集從2011年1月～2012年9月就診于天津醫(yī)科大學(xué)眼科醫(yī)院的173例患者，納入標(biāo)準(zhǔn):①無(wú)影響眼底視網(wǎng)膜功能的眼部疾病史，無(wú)全身系統(tǒng)性疾病，如糖尿病，高血壓史等;②矯正視力大于20/40，球鏡＜±5D柱鏡＜±2D;③房角開(kāi)放(Scheie分類窄Ⅱ度以上)，UBM證實(shí);④屈光間質(zhì)基本透明。173例中正常對(duì)照組60例(60眼)，其

1的無(wú)關(guān)個(gè)體判別函數(shù)ZUI值為11.605，全同胞對(duì)判別函數(shù)ZFS值為20.924，李某和兄弟2的無(wú)關(guān)個(gè)體判別函數(shù)ZUI值為6.028，全同胞對(duì)判別函數(shù)ZFS值為14.683，兩例判別中，ZFS值均大于ZUI值，支持他們?yōu)槿麑?duì)，即為兄弟。再根據(jù)文獻(xiàn)[2-3]計(jì)算lgFSI值判定全同胞關(guān)系。李某和兄弟1的無(wú)關(guān)個(gè)體判別函數(shù)ZUI值為-12.386，全同胞對(duì)判別函數(shù)ZFS值為10.403，李某和兄弟2的無(wú)關(guān)個(gè)體判別函數(shù)ZUI值為-6.654，全同胞對(duì)判別函數(shù)

Fisher判別函數(shù)的表征研究井銀成1范 璐1張欣欣1楊國(guó)龍2畢艷蘭2周亞利1王憲周1杜淑丹1(河南工業(yè)大學(xué)化學(xué)化工學(xué)院1，鄭州 450001) (河南工業(yè)大學(xué)糧油食品學(xué)院2，鄭州 450001)本研究為了建立不同植物油脂的識(shí)別方法，針對(duì)9種植物油脂采用氣相色譜法分析其脂肪酸組成，用面積歸一化法定量各脂肪酸甲酯的含量。以豆蔻酸、棕櫚酸、硬脂酸、油酸、亞油酸、亞麻酸、花生酸、花生烯酸和芥酸等9種脂肪酸為變量，應(yīng)用Fisher判別法，建立8個(gè)判別函數(shù)，以第一和

小的原則確定判別函數(shù)，在根據(jù)建立的判別函數(shù)判定待定樣品的類別.由于Fisher判別分析方法不需要對(duì)樣本數(shù)據(jù)進(jìn)行檢驗(yàn)，而且有一定的正確率，因此，在實(shí)際中它得到了廣泛的應(yīng)用，如:魯立強(qiáng)等利用Fisher判別方法對(duì)蘋(píng)果的品質(zhì)鑒別進(jìn)行判別取得了良好的成果;鐘紹軍等利用Fisher判別法，對(duì)未知乳房腫瘤性質(zhì)的病例進(jìn)行了成功的診斷，使得費(fèi)歇判別法在醫(yī)學(xué)領(lǐng)域發(fā)揮巨大的作用;葛和平利用Fisher判別分析對(duì)我國(guó)上市公司財(cái)務(wù)困境進(jìn)行了分析研究，取得重要成果.近年來(lái)，F(xiàn)ish

addrey判別函數(shù)與酒精性肝病預(yù)后評(píng)估楊洪波四川省瀘州市人民醫(yī)院消化內(nèi)科，四川瀘州 646000目的 探討Maddrey判別函數(shù)在酒精性肝病預(yù)后評(píng)估中的應(yīng)用。 方法 將酒精性肝病患者分為輕、中、重度組，比較各組患者的Maddrey函數(shù)評(píng)分，比較各組患者30 d后的預(yù)后與Maddrey判別函數(shù)評(píng)分的關(guān)系。 結(jié)果 酒精性肝病患者的Maddrey判別函數(shù)評(píng)分隨病情加重而增加（P酒精性肝?。籑addrey判別函數(shù)；預(yù)后；評(píng)估酒精性肝?。╝lcoholic liv

(3)求線性判別函數(shù) W(X)［4］。解線性方程組(4)判別函數(shù)的檢驗(yàn)。①對(duì)已知類別的樣品判別分類。對(duì)已知類別的樣品(通常稱為訓(xùn)練樣品)用線性判別函數(shù)進(jìn)行判別歸類，結(jié)果如表2，全部判對(duì)。表2 原類和判別類比較②對(duì)判別效果作檢驗(yàn)［5］。所謂判別效果的檢驗(yàn)就是檢驗(yàn)兩個(gè)正態(tài)總體的均值向量是否相等，如果不存在顯著差異，則判別意義不大。檢驗(yàn)統(tǒng)計(jì)量［6］為:其中將上邊計(jì)算結(jié)果代入統(tǒng)計(jì)量后可得:故在檢驗(yàn)水平下，兩個(gè)總體間差異顯著，判別函數(shù)有效。(5)對(duì)判別樣品判別歸類［

數(shù)建立相應(yīng)的判別函數(shù)，以該函數(shù)計(jì)算待判樣品的Fisher判別函數(shù)值，以最大值對(duì)應(yīng)的總體作為樣品的歸屬。判別結(jié)果表明，所建立的沉積環(huán)境判別與分類的Fisher判別模型具有一定的實(shí)用價(jià)值。粒度；沉積環(huán)境；分類；Fisher判別分析沉積物粒度參數(shù)的變化受搬運(yùn)介質(zhì)、搬運(yùn)方式、沉積環(huán)境和氣候等因素控制，因此，沉積物粒度分析對(duì)揭示氣候變化和環(huán)境的演變具有重要意義。粒度參數(shù)平均粒徑、標(biāo)準(zhǔn)偏差、偏差、峰值是沉積物粒度4個(gè)重要參數(shù)。不同粒度組分的形成與搬運(yùn)與沉積環(huán)境密切相關(guān)

之后就會(huì)得到判別函數(shù)。判別分析適用于2組以上，且每個(gè)病例必須有2個(gè)以上變量的分類分析。一般說(shuō)來(lái)，我們可對(duì)2組間的判別擬合一個(gè)線性方程：Y=a+b1X1+b2X2+...+bnXn式中a 為常數(shù)，b1 到 bn 為回歸系數(shù)。判別函數(shù)對(duì)2組判別問(wèn)題的解釋較直接，具有最大相關(guān)系數(shù)的變量對(duì)預(yù)測(cè)組別的貢獻(xiàn)最大[3]。本實(shí)驗(yàn)為了研究方便，定義糖尿病病例為1，而非糖尿病病例為-1。2.2 逐步判別原理逐步判別分析是根據(jù)多元方差分析中的wilk′s 統(tǒng)計(jì)量及F 值進(jìn)行變量

1 非標(biāo)準(zhǔn)化判別函數(shù) 根據(jù)以上有統(tǒng)計(jì)意義的暴露部位、出血與否、肇事動(dòng)物狀態(tài)3個(gè)變量得到非標(biāo)準(zhǔn)化判別函數(shù)系數(shù),結(jié)果見(jiàn)表3。表3 非標(biāo)準(zhǔn)化判別函數(shù)系數(shù)非標(biāo)準(zhǔn)化判別函數(shù)如下:將暴露者各指標(biāo)分別代入以上2個(gè)判別函數(shù),可分別求出2個(gè)判別函數(shù)值。以F1為橫坐標(biāo)、F2為縱坐標(biāo),SPSS15.0同時(shí)給出了相應(yīng)的風(fēng)險(xiǎn)判別分類圖。見(jiàn)圖1。圖1 狂犬病例暴露后發(fā)病風(fēng)險(xiǎn)判別分類圖2.1.2 Fisher線形判別函數(shù) 根據(jù)以上有統(tǒng)計(jì)意義的3個(gè)變量得到Fisher線形判別函數(shù)系數(shù),結(jié)

過(guò)運(yùn)用合適的判別函數(shù)提高車牌漢字的識(shí)別率。以往是將漢字進(jìn)行水平或豎直方向的投影，得出投影圖像。再根據(jù)投影圖中的波谷和波峰判斷漢字的間斷點(diǎn)和較長(zhǎng)的直線，而波峰和波谷的判定較為復(fù)雜。因此提出在待識(shí)別字符與模板進(jìn)行邏輯運(yùn)算后，直接運(yùn)用數(shù)學(xué)函數(shù)作為判別函數(shù)的判定識(shí)別結(jié)果，簡(jiǎn)化了識(shí)別過(guò)程，并提高了識(shí)別率。1 背景知識(shí)及原理簡(jiǎn)介數(shù)字圖像處理指用計(jì)算機(jī)處理數(shù)字圖像。數(shù)字圖像由有限的元素組成，每一個(gè)元素都有一個(gè)特定的位置和幅值，這些元素稱為圖像元素、畫(huà)面元素或像素［10］

[13]。在判別函數(shù)中，通過(guò)找到最大的判別系數(shù)，來(lái)說(shuō)明判別函數(shù)對(duì)某一指數(shù)值的敏感程度，可以根據(jù)判別準(zhǔn)則(如函數(shù)值大于某值)判斷未知分類的個(gè)體應(yīng)屬于已知分類中哪一類[14]。吳啟勛等[15]對(duì)青海土族、藏族和回族青年頭發(fā)中微量元素進(jìn)行判別分析，指出3個(gè)民族的人發(fā)中7 種元素含量的綜合水平存在著較顯著的差別；馬威和管競(jìng)環(huán)[16]對(duì)植物類中藥42種元素檢測(cè)后判別分析，結(jié)束了幾千年來(lái)依靠使用“口嘗”及“推論”藥味的歷史，對(duì)中藥味提出了一個(gè)新的定量方法。近年來(lái)，隨著

s判別法建立判別函數(shù),對(duì)未知類型的基因表達(dá)值數(shù)據(jù)進(jìn)行分類。1 逐步判別分析原理1.1 判別函數(shù)的建立逐步判別是一種篩選變量的方法。篩選的過(guò)程其實(shí)就是作假設(shè)檢驗(yàn)的過(guò)程,通過(guò)檢驗(yàn)找出顯著性變量,剔除不顯著變量[2,3]。所建立的判別函數(shù)中僅保留了對(duì)分類判別能力顯著的變量。1.2 判別結(jié)果的檢驗(yàn)1)總體均值的檢驗(yàn) 假設(shè)2總體Gi～N(μi,∑i)(i=1,2),為檢驗(yàn)2總體的均值是否有顯著性差異(H 0:μ(1)=μ(2)),可以構(gòu)造F 統(tǒng)計(jì)量[4]:式中,d2

沉積環(huán)境間的判別函數(shù),曲政[2]給出了一種單樣品粒度分布表征的方法.薛清太[3]通過(guò)測(cè)試分析發(fā)現(xiàn)沉積巖粒度中值分布、泥質(zhì)含量、分選性等是影響油藏巖石滲透能力的重要因素,而正態(tài)分布和Φ正態(tài)分布能較好地描述低滲透砂巖油藏中沉積物的粒度分布特征,楊銳等[4]根據(jù)數(shù)理統(tǒng)計(jì)方法對(duì)粒度參數(shù)進(jìn)行無(wú)偏估計(jì),使之較以往參數(shù)估計(jì)更加符合無(wú)系統(tǒng)誤差的評(píng)選標(biāo)準(zhǔn),并利用這一方法對(duì)長(zhǎng)樂(lè)東部海岸的風(fēng)沙進(jìn)行了系統(tǒng)的粒度參數(shù)分析,張平等[5]對(duì)典型穩(wěn)定湖相沉積物和典型風(fēng)成黃土粒度參數(shù)做了定

的思想來(lái)導(dǎo)出判別函數(shù)[3],即在已知研究對(duì)象分成若干類型,并已取得各種類型的一批已知樣品的觀測(cè)數(shù)據(jù)的基礎(chǔ)上,用多元函數(shù)極值思想,通過(guò)使類間方差達(dá)到最大而類內(nèi)方差達(dá)到最小,建立判別式,然后對(duì)未知類型的樣品進(jìn)行判別分析[4-5]。近年來(lái),Fisher線性鑒別分析在模式識(shí)別領(lǐng)域得到了廣泛的應(yīng)用和擴(kuò)展[6]。游華等[7]運(yùn)用Fisher判別法對(duì)于三類鳶尾花進(jìn)行判別,取得了較為滿意的結(jié)果。張焱等[8]基于Fisher判別分析對(duì)川金絲猴亞種進(jìn)行鑒定,同樣取得了良好的結(jié)

志物前列腺癌判別函數(shù),探討B(tài)ayes法在前列腺癌診斷中的作用和臨床意義。方法用蛋白芯片法檢測(cè)2 177例惡性腫瘤患者(其中21例前列腺癌)和2 111例正常及良性病變者的12項(xiàng)常見(jiàn)腫瘤標(biāo)志物,應(yīng)用Bayes法建立腫瘤三級(jí)判別診斷函數(shù)。結(jié)果(1)一級(jí)判別函數(shù)對(duì)前列腺癌診斷準(zhǔn)確率為83.97%,靈敏度為71.28%,特異度為82.11%。二級(jí)判別函數(shù)對(duì)前列腺癌診斷診斷的準(zhǔn)確率為96.87%,靈敏度為93.33%,特異度為100%。(2)三級(jí)診斷判別函數(shù)對(duì)前列腺