法的软测量术应用研究.docVIP

河北工业大学城市学院2013届本科毕业设计（论文）中期报告 毕业设计（论文）题目：基于回归分析法的软测量技术应用研究研究的主要问题是： （1）确定Y与X间的定量关系表达式这种表达式回归方程； （2）对求得的回归方程的可信度进行检验； （3）判断自变量X对Y的影响； （4）利用所求得的回归分析是研究1个变量Y与其它若干变量X之间相关关系的1种统计推断法。它是在一组试验或观测数据的基础上，利用数理统计方法建立因变量与自变量之间的回归关系函数表达式，寻找被随机性掩盖了的变量之间的依存关系。粗略地讲，可以理解为用1种确定的函数关系去近似代替比较复杂的相关关系，这个函数在实际问题中称为经验公式。回归分析所研究的主要问题就是如何利用变量X，Y的观察值(样本)，对回归函数进行统计推断，包括进行估计及检验与有关的假设等。 1.1 一元线性回归 在一元线性回归中，有2个变量，其中x是可观测、可控制的普通变量，称为自变量或控制变量，y为随机变量，称为因变量或响应变量。通过散点图或计算相关系数判定y与x之间存在着显著的线性相关关系，即y与x之间存在如下关系： 其中未知参数a，b及都不依赖于x，称为一元线性回归模型。为随机误差或随机干扰，是1个分布与x无关的随机变量，常假定其为均值为0的正态变量。建立一元线性回归模型的过程，就是利用一组观测数据（i =1,2,,,n)确定参数a，b的最小二乘估计值和的过程，进而得到y关于x的经验回归方程。一元线性回归分析的任务就是要利用这组数据求出回归系数，，并对参数和方差进行估计，并对回归的效果进行显著性检验，从而接受回归模型，最后在把模型用于预测和控制。 1. 2 多元线性回归 多元线性回归是多元回归中最简单的一种，一些非线性回归和多项式回归均可化为多元线性回归。多元回归分析法运用的是最小二乘法，为了避免矩阵求逆运算可以采用递推最小二乘法。在最小二乘法基础上又提出了许多改进的算法，如逐步回归法、主元分析、主元回归以及部分最小二乘法。 在实际的问题中，影响变量y的因素往往不只1个，而包含多种影响的多个自变量x。通常要研究1个因变量y与多个自变量之间的相互关系称为多元回归分析，其回归模型为： 其中都是与无关的未知参数，为互相独立的服从均值为0，方差为的正态随机变量。建立多元线性回归模型的过程，就是利用一组观测数据,(i =1,2,,,n)，在最小二乘法原则下确定m+1个回归参数的估值,,, 的过程，即得到m元经验线性回归方程。多元线性回归分析的过程与一元线性回归分析类似，即把作为未知数，令X = [], i=1,2,,m作为已知系数，把多元回归模型表示成线性方程组的形式然后采用一元线性回归分析的方法进行参数的估计以及回归效果的假设检验。 1. 3 非线性回归 自变量与因变量之间的关系并非都是线性的，常常会出现非线性关系。解决这种非线性回归问题，一般都是通过变量的变换化为线性回归问题：即把曲线方程化为直线方程。当把非线性模型化为线性形式以后，就可以采用线性回归分析方法。建立非线性回归模型的过程：通过适当的变量替换将非线性关系线性化；用线性回归分析方法分析新变量下的线性回归模型,求出未知参数的估计值，得到非线性回归方程,并对其做相应的显著性检验，从而验证模型的严密性；通过新变量之间的线性相关关系反映原来变量之间的非线性相关关系。 2、回归分析法的原理 在线性回归中，多元线性回归技术应用是最广泛的，以下是该方法的原理。 设有p个因变量（输出主导变量）其中：（1.3） q个自变量（输入辅助变量） 其中：（1.4） 对于n次独立观察，多元线性回归模型结构可写为：（1.5） 其中：（1.6） （1.7） （1.8） （1.9） Y是因变量观测矩阵；X是自变量设计矩阵；A是回归系数矩阵；是误差矩阵。模型结构确定以后，下一步就是如何估计系数矩阵A。通常采用最小二乘法(Least Squares，简记为：LS)来求解。 设是回归系数矩阵A的LS估计，也就是说，模型的估计输出值与实际输出Y的误差平方和：要达到最小。由此可解得A的LS估计为：显然，上式是方程 的解，称上式为多对多（多输入多输出）正规方程组。 当有正规方程组求得A的LS估计后，便可建立多对多回归方程，并可求得回归值： 称实测值矩阵Y与预测值矩阵之差： 为残差矩阵，而称 为残差交叉乘积矩阵，它们均可作为模型预测性能的评价标准。 多元回归分析通常都要处理大量的数据，工作量非常大。随着MATLAB等计算机软件的开发和普及，减少了对计算机编程的要求，大大提高了数据处理的效率。运用MATLAB统计工具箱，人们可以十分方便地在计算机上进行计算，从而进一步加深理解，同时，其强大的图形功能使回归分析的过程和结果可以直观地展现在人们面前。 应用举