数学建模案例分析.docxVIP

数学建模案例分析模型1 蠓虫分类问题背景两种蠓虫和已由生物学家W.L.Grogon和W.W.Wirth（1981）根据它们的触角长度、翅膀长度加以区分. 现测得只和只的触长、翅膀长的数据如下：问题⑴如何根据以上数据，制定一种方法正确区分两种蠓虫？⑵将你的方法用于触长、翅长分别为的个样本进行识别.如何考虑？该问题属于统计模型范畴！（属于黑洞问题） 1.首先对已有数据进行分析.（测试）画出相应的散点图什么启发？从图中可以看出，两类蠓虫有明显的差别.问题是该如何识别.法1 用最小二乘法得到回归线：结果不理想.法2 用斜率的平均值构造直线结果？图中不同类别的蠓虫的区别还是比较明显的.如何做进一步的识别？用此方法对给定的三个蠓虫进行识别，若点在直线的上方，则判定为Apf，否则定为Af.由此建立识别函数dist.m. 对给定的样本进行识别，如果样本点在直线上方，则将该蠓虫识别为Apf（标示为1）,否则识别为Af（标示为0）.程序如下：clear,clcApf1=[1.14,1.18,1.20 1.26 1.28 1.30];Apf2=[1.78 1.96 1.86 2.00 2.00 1.96];Af1=[1.24 1.36 1.38 1.381.38 1.40 1.48 1.54 1.56];Af2=[1.72 1.74 1.64 1.82 1.90 1.70 1.82 1.82 2.08];x=[Apf1,Af1];y=[Apf2,Af2];n=length(x);k=sum(y./x)/n;A=[1.24,1.80;1.28,1.84;1.40,2.04];n=size(A,1);p=[];fori=1:n d=A(i,2)-k*A(i,1);if d0 p=[p,1];else p=[p,0];endenddisp(p)结果为 1 11即：三个新样本的判定结果均为Apf！这样的判定是否有效？（模型解释）为解释判别法的有效性，引入交叉误判率.交叉误判率交叉误判率是每次剔除一个样品，利用其余的训练样本建立判别准则，根据建立的判别准则对删除的样品进行判定，以其误判的比例作为误判率. 具体过程如下：①从总体为的训练样本开始，剔除其中每一个样品，剩余的个样品与中的全部样品建立判别函数；②用建立的判别函数对剔除的样品进行判别；③重复上述步骤，直到中的全部样品依次被剔除、判别，其误判的总数记为；④对的样品重复步骤①②③，直到中的样品全部被剔除、判别，其误判的个数记为交叉误判率的估计值为 程序为clear,clcApf1=[1.14,1.18,1.20 1.26 1.28 1.30];Apf2=[1.78 1.96 1.86 2.00 2.00 1.96];Af1=[1.24 1.36 1.38 1.381.38 1.40 1.48 1.54 1.56];Af2=[1.72 1.74 1.64 1.82 1.90 1.70 1.82 1.82 2.08];x=[Apf1,Af1];y=[Apf2,Af2];m1=length(Apf1);m2=length(Af1);n=length(x);k=sum(y./x)/n;A=[x,y];p1=[];p2=[];fori=1:m1 b=A(i,:);B=A;B(i,:)=[]; b1=B(:,1);b2=B(:,2);k=sum(b2./b1)/(n-1); d=b(2)-k*b(1);if d0 p1=[p1,1];else p1=[p1,0];endendfori=m1+1:n b=A(i,:);B=A;B(i,:)=[]; b1=B(:,1);b2=B(:,2);k=sum(b2./b1)/(n-1); d=b(2)-k*b(1);if d0 p2=[p2,1];else p2=[p2,0];endenddisp(p1),disp(p2)结果为1 11111 0 论：在这样的判定法则下，交叉误判率为零，说明方法还是有效的.模型2 饮酒驾车问题一、问题背景据报道，2003年全国道路交通死亡人数为10.4372万，其中因饮酒驾车造成的占有相当的比例.针对这种严重的道路交通情况，国际质量监督检查检疫局2004年5月31日发布了新的《车辆驾驶人员血液、呼气酒精含量阀值与检验》国家标准，新标准规定：车辆驾驶人员血液中的酒精含量大于或等于毫克/百毫升、小于毫克/百毫升为饮酒驾车；血液中的酒精含量大于或等于毫克/百毫升为醉酒驾车.大李在中午点喝了一瓶啤酒，下午点检查时符合新的驾车标准，紧接着他在吃晚饭时又喝了一瓶啤酒