sas判别分析代码，数理统计大作业用

【目的】采用机器视觉技术，针对新疆无核白和红提单粒葡萄的质量和果径大小进行预测和分级研究。【方法】在不同的颜色特征空间模型，预处理原始图像，采用最大类间方差法分割目标区域；采用数学形态学方法去除二值图像中部分果梗及噪声点，获得最佳二值图像；基于二值图像，分析获取单粒葡萄的几何特征；最后，分别采用一元线性回归法和偏最小二乘回归法预测单粒葡萄的质量和果径，采用二次判别分析法对单粒葡萄的质量和果径进行分级。【结果】利用短轴与果形指数特征相结合建立的偏最小二乘回归模型可有效预测单粒葡萄的质量和果径，预测决定系数达到0.98和0.945；基于该特征组合的二次判别分析法可用于单粒葡萄的质量和果径分级，准确率超过85%。【结论】机器视觉技术能够较准确预测单粒葡萄的质量和果径，并能对质量和果径进行分级。

实现判别别分析的源程序 （Matlab）

基于LP范数最大化的线性判别分析

提出了利用卷积神经网络(CNN)对儿童注意缺陷与多动症(ADHD)的功能性核磁共振图像（fMRI）进行特征分析，从而对ADHD患者进行判别分析。针对ADHD-200全球竞赛的三个数据库的fMRI数据，首先利用快速傅里叶变换将数据从时域转换到频域，并利用Fisher线性判别方法选择有效的频率信息，然后利用改进的卷积神经网络对选择频域数据进行特征学习，自动提取出有效的特征并进行分类。实验结果表明，提出的方法有助于ADHD患者的判别，为基于fMRI数据的ADHD研究提供了新的手段。

核判别分析 人脸识别 KFLD 实验效果好，程序运行有保障 注释详细

偏最小二乘判别式的类分离评估使用 Hotelling 的 T2 进行分析或主成分分析。 输入数据：具有 N 个样本和 M 个变量的 N x M 矩阵classVec：带有数字类标签的 N x 1 向量 参考AM Goodpaster，马肯尼迪，Chemom。 英特尔。 实验室系统。 109, 162–170 (2011)。

LLDA，局部线性判别分析，可以降到任意的维度，相比LDA更加优秀

Bayes判别分析法在泥石流预测中的应用研究，杨绪祥 ，张成良，泥石流是一种具有严重危害的自然灾害，对其进行提前预报及趋势预测是十分必要的。由于影响泥石流的因素错综复杂，固综合考虑沟道

基于Bayes判别分析的基本思想,建立煤层底板突水危险性的Bayes判别分析模型。选用煤层的含水层富水性、含水层水压、隔水层厚度、断层导水性和构造发育程度5个指标作为该模型的判别因子,以不同地区煤矿的14组煤层实测数据作为训练样本,建立了Bayes判别分析模型。为了验证模型的准确性,用回代判别方法对14组煤层实测数据进行判别,并用工程实例进行了验证。研究结果表明,Bayes判别分析模型误判率较低,能快速有效地判别出煤层底板突水危险性的等级,在实际工程中有较强的适用性。