为探究氧化物组成对煤灰熔融特性的影响，选取煤灰中的氧化物含量作为自变量，在SPSS软件平台上对变形温度DT、软化温度ST、半球温度HT和流动温度FT分别进行全子集回归和逐步回归，比较得到显著性最强的新定义的熔融指数FI和最优的回归预测方程。结果表明，单一氧化物组分对灰熔温度的影响不显著；对DT影响最显著的熔融指数为FID=Al2O3+Fe2O3，且煤灰中FID含量低于30%时，DT几乎不变化，含量大于30%时DT发生较大幅度降低；对FT影响最显著的熔融指数为FIF=SiO2+Al2O3+Fe2O3，且随着FIF含量升高，流动温度呈上升趋势；对半球温度HT影响最显著的熔融指数FIH= SiO2+Al2O3，对软化温度ST影响最显著的熔融指数FIS=SiO2+Al2O3+Fe2O3，但FIH和FIS对ST和HT的显著性略低，为得到更准确的预测模型，进一步以十种氧化物为起点通过逐步回归方法分析得到ST和HT的预测方程。

初步回归法matlab代码很棒的机器学习 精选的很棒的机器学习框架，库和软件的列表（按语言）。 受到awesome-php启发。 如果您想为该列表做出贡献（请这样做），请向我发送拉取请求或与我联系。 另外，在以下情况下，不建议使用列出的存储库： 存储库的所有者明确表示“未维护此库”。 长时间（2〜3年）未提交。 更多资源： 有关可下载的免费机器学习书籍列表，请访问。 有关在线可用的（主要是）免费的机器学习课程的列表，请访问。 有关数据科学和机器学习的博客列表，请访问。 有关免费参加的聚会和本地活动的列表，请访问。 目录 写个脚本把它们爬下来- 杀伤人员地雷 通用机器学习 -APL中的朴素贝叶斯分类器实现。 C 通用机器学习 -Darknet是一个用C和CUDA编写的开源神经网络框架。 它快速，易于安装，并支持CPU和GPU计算。 -使用协作过滤（CF）的产品推荐/建议的AC库。 -基于scikit-learn算法的混合推荐系统。 -neonrvm是基于RVM技术的开源机器学习库。 它是用C编程语言编写的，并带有Python编程语言绑定。 计算机视觉 -基于C /缓存/核心的计算机视觉库

比较了软阈值，硬阈值及当今各种阈值计算方法,进行逐步线性回归，ofdm系统仿真 含16qam调制 fft 加窗 加cp等模块。

　　（７）输出偏差 珘ｙＮ ＝ｙＮ －ΦＮθ^＝ ［Ｉ－ΦＴＮ（ΦＴＮΦＮ）－１ΦＴＮ］ｅＮ 　　（８）Ｅ珘ｙＮ＝０，Ｅ珘ｙＮ珘ｙＴＮ＝σ２［Ｉ－ΦＮ（ΦＴＮΦＮ）－１ΦＴＮ］。 　　以上给出的性质，对随机序列ｅ（ｋ）的概率分布形式未做假设。换句话说，以上得到的结 论不依赖分布的具体形式。如果给ｅ（ｋ）加上正态分布条件，除了仍具有上述性质外，还具有 如下性质： （９）①θ^服从ｎ维正态分布Ｎ（θ，σ２（ΦＴＮΦＮ）－１）； ②θ^与ｅＮ＝ｙＮ－ΦＴＮθ^独立； ③ （Ｎ－ｎ）σ^２／σ２ 服从于自由度为（Ｎ－ｎ）的χ ２ 分布。 （１０）①θ^ｉ 服从正态分布Ｎ（θｉ，σ２ｐｉｉ），ｉ＝１，…，ｎ。其中θ^ｉ 是参数向量θ的第ｉ个分量；ｐｉｉ 为矩阵（ΦＴＮΦＮ）－１的对角线上第ｉ个元素。 ②θ^ｉ 与σ２ 独立。 ③θｉ（ｉ＝１，２，…，ｎ）的置信区间为：（θ^ｉ－ｔασ^ Ｐ槡 ｉｉ，θ^ｉ＋ｔασ^ ｐ槡ｉｉ），其中ｔα 是自由度为 （Ｎ－ｎ）的ｔ分布之α水平的双侧分位数。 ２．２．３　逐步回归方法 通常在建立稳态模型时，总是在所有有影响的变量中选一些变量作为自变量，并事先选定 模型的形式（线性的或非线性的），然后再来确定模型的参数。这样确定的模型一般存在两个 问题：一是所选的变量是否合适？也就是说，重要变量是否包含在内、影响小的变量是否排除 在外？另一个问题是模型的形式是否合适？ 要解决这些问题，首先就要解决什么样的变量是“重要”的变量。当模型中增加一个变量， 残差平方和就减少，如果这种减少是显著的，则该变量的影响就是大的（重要的），反之影响就 是小（不重要）的。当增加了新的变量后，原来模型中的变量也可能变成不重要的了。因此，为 了恰当地选择变量，同时又尽可能地减少计算量，可以考虑以下做法：将变量一个一个地加到 模型中去，每加入一个新变量都要检验它是否重要，同时也检验原有的变量是否变成不重要的 了，这样一步一步地进行，直到全部的变量都被考察过，就得到了经过筛选的变量和最后的模 型。这样的方法就称为逐步回归算法。这是在建立稳态线性模型时常用的一种方法，具体的 算法可参看相关文献（卢桂章，１９８１）。 最近的研究已经将逐步回归思想推广到线性参数的非线性模型情况。线性逐步回归仅是 它的一个特例。而且给出了更有效的准则和更简单的计算方法（王秀峰，苏育红，１９９２；王 秀 ·６１·

介绍了step 的迭代过程 思路以及用流程图解释其过程

matlab实现多元逐步回归算法.doc

多元逐步回归分析程序

矿井进行瓦斯涌出量预测是煤矿安全生产十分重要的工作，鉴于主成分分析和逐步回归分析方法的优点，将两种方法相结合共同建立瓦斯涌出量回归预测模型。以峻德煤矿30号煤层为例，通过主成分分析得到了影响回采工作面瓦斯涌出量的四个主成分因素，再采用逐步线性回归分析法预测回采工作面瓦斯涌出量。结果表明：采用主成分-逐步回归分析法减少了回归分析所需要考虑的变量个数，预测结果具有较好的准确性，预测精度明显优于一元回归预测和多元回归预测，具有较好应用前景。

基于王斌会《多元统计分析及R语言建模》第4章第4节逐步回归。主要介绍回归变量的选择方法，涉及变量选择准则，逐步回归分析的步骤，以及算例。

基于王斌会《多元统计分析及R语言建模》第4章第4节逐步回归。主要介绍回归变量的选择方法，涉及变量选择准则，逐步回归分析的步骤，以及算例。