性激素fsh21.97miv/ml是什么意思?_百度知道
性激素fsh21.97miv/ml是什么意思?
首先要看月经周期候做检查关于激素六项检查意义
(1)促卵泡激素(FSH)：垂体前叶嗜碱性细胞泌种糖蛋白激素其主要功能促进卵巢卵泡发育熟血FSH浓度排卵前期1.5～10mIU/ml排卵期8～20mIU/ml排卵期2～10mIU/ml般5～40mIU/ml 作值FSH值低见于雌孕激素治疗期间、席汉氏综合征等FSH高见于卵巢早衰、卵巢敏综合征、原发性闭经等FSH高于40mIU/ml则克罗米芬类促排卵药效
(2)促黄体素(LH)：垂体前叶嗜碱性细胞泌种糖蛋白激素主要促使排卵( FSH协同作用)形黄体并泌孕激素血LH浓度排卵前期2～15mIU/ml排卵期30～100mIU/ml排卵期4～10mIU/ml般非排卵期值5～25mIU/ml低于5mIU/ml提示促性腺激素功能足见于席汉氏综合征高FSH再加高LH则卵巢功能衰竭已十肯定必再作其检查LH/FSH≥3则诊断囊卵巢综合征依据
③雌二醇(E2)：由卵巢卵泡泌主要功能促使宫内膜转变增殖期促进性第二性征发育血E2浓度排卵前期48～521皮摩尔/升排卵期70～1835皮摩尔/ 升排卵期272～793皮摩尔/升低值见于卵巢功能低、卵巢功能早衰、席汉氏综合征血E2低使克罗米芬促排卵
④泌乳素(PRL)：由垂体前叶嗜酸性细胞泌乳滋养细胞泌种单纯蛋白质激素主要功能促进乳腺增、乳汁排乳非哺乳期血PRL值0.08～ 0.92nmol/L高于1.0nmol/L即高催乳素血症催乳素抑制FSH及LH泌抑制卵巢功能抑制排卵
⑤睾酮(T)：性体内睾酮<img class="word-replace" src="/api/getdecpic?picenc=0ad%由外周雄烯二酮转化肾腺皮质泌约25%仅25 %自卵巢主要功能促进阴蒂、阴唇阴阜发育雌激素拮抗作用全身代谢定影响性血T浓度0.7～3.1nmol/L血T值高叫高睾酮血症引起孕患囊卵巢综合征血T值增高
⑥孕酮(P)：由卵巢黄体泌主要功能促使宫内膜增殖期转变泌期血P浓度排卵前0～4.8nmol/L排卵期7.6～97.6nmol/L排卵期血P低值见于黄体功能全、排卵型功能失调性宫血等
网络时代，智领未来
男性泌尿科
其他类似问题
为您推荐：
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁基于平均影响值和支持向量机的小麦病害识别
2015年电子技术应用第6期
作者：夏永泉，李耀斌，黄海鹏
&&&&摘 &要： 为了提高小麦病害识别准确率，提出了一种基于思想和的小麦病害识别方法。首先，使用阈值分割方法对小麦叶片图像进行分割；其次，利用灰度共生矩阵和提取病害的纹理和颜色特征；再次，将平均影响值思想应用于支持向量机回归进行特征变量优选；最后，将优选出的特征变量作为支持向量机的输入向量进行识别。实验结果表明，经过特征变量优选，特征变量个数由14个减少到7个，识别准确率达到96.25%，为农田小麦病害识别提供了有效方法。 &&&&关键词： 平均影响值；支持向量机；；；颜色矩0 引言 &&&&小麦是我国主要的粮食作物之一，种植面积位居第二，仅次于水稻。病虫害问题是影响小麦产量和质量的关键问题之一。全世界正式记载的小麦病害有200余种，在我国发生较严重的有20余种。小麦病害检测识别的研究具有重要经济和社会意义。随着计算机技术和图像处理技术的发展，自动识别农作物病害已经成为研究的热点[1-5]。余秀丽[6]等提取小麦病害形状特征和纹理特征共13个特征变量，以支持向量机作为识别模型，具有较高准确率。王美丽[7]等提取小麦病害颜色特征和形状特征共14个变量，采用逐步判别分析法进行变量筛选，识别效果较好。李冠林[8]等提取形状、颜色和纹理特征共50个特征变量，并通过不同特征结合进行识别，优选出26个特征变量，可有效对小麦条锈病和叶锈病识别。在进行病害识别时，各种特征变量对病害识别的贡献不同，因此需要进行特征变量筛选。当特征变量较多时，拼凑方式进行特征变量筛选效率太低。 &&&&病害识别是防治的前提，本文采集小麦白粉病、条锈病、叶锈病和秆锈病4种病害图像，通过阈值分割提取小麦病斑区域，利用灰度共生矩阵和颜色矩提取病害的纹理和颜色特征，并结合平均影响值思想和支持向量机实现特征变量的优选和小麦病害的识别。旨在更好地实现小麦病害的机器视觉识别。1 特征提取1.1 纹理特征 &&&&灰度共生矩阵是由Haralick[9]提出的一种用来分析图像纹理特征的重要方法，它能较精确地反映纹理粗糙程度和重复方向。Ulaby[10]等人研究发现:在灰度共生矩阵的14个纹理特征中,仅有4个特征是不相关的,这4个特征不仅便于计算，而且分类精度较高。其计算公式如下： &&&&(1)角二阶矩：&&&& &&&&计算角二阶矩、惯性矩、熵、相关性4个参量在0°、45°、90°、135° 4个方向上的值，将角二阶矩的均值和方差、惯性矩的均值和方差、熵的均值和方差、相关性的均值和方差共8个量作为纹理特征参数。1.2 颜色特征 &&&&颜色特征非常稳定，是病害识别的一个重要参数[11]。颜色矩[12]是由Stricker和Orengo提出的一种简单有效的颜色特征表示方法。由于颜色信息主要分布于低阶矩中，提取RGB颜色空间各分量的一阶矩和二阶矩共6个量作为颜色特征参数。计算每一个颜色通道的一阶矩和二阶矩，记i通道的第j个像素为pij，N为像素总数，其计算公式如下： &&&&(1)一阶矩：&&&&2 特征变量筛选 &&&&平均影响值(MIV)反应了神经网络中权重矩阵的变化情况，被认为是在神经网络中评价变量相关性最好的指标之一。将平均影响值的思想应用于支持向量机回归中实现非线性的特征变量筛选，以提高小麦病害的识别精度、减少训练和识别时间。特征变量筛选过程如下： &&&&对于一个具有n个变量的自变量向量进行m次观测，可以得到X=[x1，x2，…，xm]T的变量空间，它所对应的因变量可以写为Y=[y1，y2，…，ym]T。 &&&&使用拥有m个样本的自变量向量X对支持向量机进行训练得到预测模型。将用于训练的自变量空间进行如下变换，得到2n个新的自变量空间(i=1，2，…，n)：&&&& &&&&把新的自变量空间作为训练得到的预测模型的输入，经过支持向量机回归预测可以得到第i个自变量变化时与之对应的2n个输出向量(i=1，2，…，n)：&&&& &&&&对式(8)、式(9)中两个向量做差运算，得到第i个自变量变动后对输出产生的影响变化值向量：&&&& &&&&将IVi按观测例数平均得到第i个自变量对于因变量的平均影响值MIVi： &&&& &&&&MIVi为第i个自变量对输出结果产生的平均影响变化值，正负号表示自变量对因变量产生影响的方向，绝对值大小表示自变量对因变量的影响程度。根据MIV绝对值的大小为自变量排序，删除对识别结果影响较小的特征变量，即实现了变量筛选。3 病害识别 &&&&将已采集的小麦叶片图像分割后，分别提取病害区域纹理特征和颜色特征。纹理特征主要提取的是角二阶矩、惯性矩、熵、相关性在0°、45°、90°、135° 4个方向的均值和方差，颜色特征主要提取的是R、G、B三通道的颜色一阶矩和二阶矩。将提取出的特征变量进行筛选，选出对识别结果影响较大的特征作为输入向量。建立基于径向基核函数的支持向量机分类模型，输入优选特征实施小麦病害识别实验。病害识别流程图如图1所示。4 实验与分析 &&&&叶片健康区域通常为绿色，病害区域为非绿色，依据植物叶片和病斑颜色特征差异大的特点，采用经典阈值分割方法简单有效，小麦叶片图像和对应的分割病斑图像如2所示。 &&&&以MATLAB7.0作为图像处理和分析平台进行试验，选取小麦白粉病、条锈病、叶锈病和秆锈病病害图像80张(每种病害各20张)作为训练样本，再选取80张(每种病害各20张)作为测试样本。计算训练样本图像的纹理特征和颜色特征，并对其进行特征变量筛选。根据每个特征变量对识别结果的影响程度进行排序，排序结果如表1所示。 &&&&为了使得到的支持向量机分类器的学习能力与推广能力保持平衡，有效地避免过学习和欠学习状况的发生。采用交叉验证(K-CV)的方法进行参数寻优，让c和g在[-10，10]内取值，对于取定的c和g，把训练集作为原始数据集利用K-CV方法得到在此组c和g下训练集验证分类准确率，取训练集验证分类准确率最高的那组c和g作为最优参数。根据MIV位次表，当取7个特征变量分类时，最优参数c=8，g=1.414 2。当取14个特征变量分类时，最优参数c=1.414 2，g=2。参数选择结果的3D视图如图3所示。 &&&&计算测试样本图像的纹理特征和颜色特征，分别使用优选的7个特征变量和14个特征变量对小麦病害进行分类识别，分类准确率如表2所示。 &&&&由上述实验结果可知，冗余特征变量会使识别模型训练时学习过多的样本特征，而不能反映内含的主要规律，导致预测能力下降。将平均影响值的思想应用于支持向量机回归进行非线性变量筛选，筛选出的7个特征变量作为输入向量具有更优的识别准确率，并且程序运行时间缩短。&&&&以G分量一阶矩、G分量二阶矩、R分量二阶矩、B分量二阶矩、R分量一阶矩、熵均值、B分量一阶矩作为输入向量对小麦白粉病、条锈病、叶锈病和秆锈病分类效果较好，表明该方法用于识别小麦叶部病害是有效可行的。5 结语 &&&&本文采用经典阈值分割方法对小麦病害图像进行分割简单有效。将平均影响值思想应用于支持向量机回归得到7个重要特征，简化了分类模型结构，提高了小麦病害识别准确率，为农田小麦病害诊断提供了有效的识别方法。参考文献[1] 杨倩，高晓阳，武季玲，等.基于颜色和纹理特征的大麦主要病害识别研究[J].中国农业大学学报，2013，(18)5：129-135.[2] 刘涛，仲晓春，孙成明，等.基于计算机视觉的水稻叶部病害识别研究[J].中国农业科学，)：664-674.[3] 刘连忠，张武，朱诚.基于改进颜色特征的小麦病害图像识别技术研究[J].安徽农业科学，)：.[4] PUJARI J D，YAKKUNDIMATH R，BYADGI A S.Classification of fungal disease symptoms affected on cereals using color texture features[J].International Journal of Signal Processing，)：321-330.[5] SANNAKKI S S，RAJPUROHIT V S，NARGUND V B，et al.Leaf disease grading by machine vision and fuzzy logic[J].p.Tech.Appl，)：.[6] 余秀丽，徐超，王丹，等.基于SVM的小麦叶部病害识别方法研究[J].农机化研究，)：151-155.[7] 王美丽，牛晓静，张宏鸣，等.小麦叶部常见病害特征提取及识别技术研究[J].计算机工程与应用，)：154-157.[8] 李冠林，马占鸿，王海光.基于支持向量机的小麦条锈病和叶锈病图像识别[J].中国农业大学学报，)：72-79.[9] HARALICK R M，SHANMUGAM K.Texture features for image classification[J].IEEE Trans.on Sys，Man，and Cyb，1973，SMC-3(6)：610-621.[10] ULABY F T，KOUYATE F，BRISCO B，et al.Textural information in SAR Images[J].IEEE Transactions on Geoscience and Remote Sensing，)：235-245.[11] 张永梅，吴攀，李炜.一种图像敏感对象的识别方法[J].计算机测量与控制，)：.[12] STRICKER M，ORENGO M.Similarity of color images[C].SPIE Storage and Retrieval for Image and Video Databases Ⅲ，2.
继续阅读>>
热门关键词
热门技术文章　　[摘 要] 目前的财务困境预测模型大多局限于二分类研究，而公司陷入财务困境往往会经历一个逐步衰败的过程，简单的二分类有" />
免费阅读期刊
论文发表、论文指导
周一至周五
9：00&22：00
基于SVM多分类模型的上市公司财务困境预测
&&&&&&本期共收录文章20篇
　　[摘 要] 目前的财务困境预测模型大多局限于二分类研究，而公司陷入财务困境往往会经历一个逐步衰败的过程，简单的二分类有时会掩盖某些上市公司财务状况逐渐变差的事实。为了更准确地判断上市公司的财务状况，将其按照盈利能力分为财务健康公司、财务亚健康公司和财务困境公司3类，并运用t-1年和t-2年的面板数据，采用基于平均影响值的变量筛选方法构建了SVM多分类模型。实证结果表明，模型的预测能力较好，能够以较少的特征变量实现较高的分类精度，是切实有效的。 中国论文网 /3/view-4898828.htm　　[关键词] 财务困境预测； SVM多分类模型； 平均影响值 　　doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 04. 001 　　[中图分类号] F275.1 [文献标识码] A [文章编号] 1673 - ）04- 0002- 04 　　1 引言和文献综述 　　近些年来，国内外的专家学者对企业的财务困境预测进行了大量的研究，提出了许多有价值的预测方法。但大多数学者把研究样本分为困境公司和健康公司两类进行研究，而公司陷入财务困境往往会经历一个逐步衰败的过程，仅仅将公司分为困境公司和健康公司，往往会忽略健康公司面临的一些问题，有些公司虽然没有戴帽，但是财务状况并不理想，有的甚至亏损。因此，将上市公司仅仅分为困境公司和健康公司两类进行研究，难以判断健康公司财务状况的好坏程度及其是否处于财务困境的边缘，不能给投资者、公司管理层和债权人等相关各方提供更为明确的反映公司未来财务情况的信息。 　　Amy Hing-Ling Lau于1987年在“五状态财务困境预测模型”一文中首次将企业财务状况分为5个状态：财务稳定阶段、未支付股利或股利较上年减少达40%以上阶段、无法偿还贷款阶段、受破产法保护阶段、破产阶段。他认为从状态2到状态5，企业处于财务困境状态，并且严重程度逐步增加。我国学者吕长江、赵岩（2004）也突破将企业财务状况仅分为“好”和“坏”的简单分类，在理论上将公司财务状况分为5类：财务闲置、财务充盈、财务均衡、财务困境和财务破产，并且用实证分析证明了该理论假设。刘彦文、戴红军（2007）采用三分法，即在将公司分为财务困境公司和非财务困境公司两类的同时，又将非财务困境公司按一定标准分为财务状况不稳定公司和财务状况良好公司，构建了一个基于三元logistic的财务预警模型。结果显示，三元Logistic预警模型的判别能力优于二元logistic预警模型，误判成本也相对降低许多。本文在借鉴已有研究的基础上，结合我国实际情况，将非困境公司按照其盈利能力划分为健康公司和亚健康公司，进而将上市公司整体划分为3类：财务健康公司、财务亚健康公司和财务困境公司（以下分别简称为：健康公司、亚健康公司和困境公司）来进行实证研究，以获得更加精确的分类结果。 　　2 样本和变量的选取 　　2.1 分类标准 　　由于我国证券市场的退市制度建立较晚，退市的企业很少，因此，与国内众多学者一样，本文将公司因财务状况异常而被特别处理（ST）作为陷入财务困境的标志，即选择ST和*ST公司作为困境公司的样本。 　　一般来说，反映企业财务状况的指标主要有偿债能力指标、盈利能力指标、营运能力指标和成长能力指标等。在这些指标中，盈利能力指标是核心，因为利润是企业生存和发展的保障，是企业竞争力的集中体现，企业的盈利能力越强，抵御风险的能力也越强。从长远来看，企业的偿债能力、营运能力和成长能力最终都取决于企业的盈利能力； 另一方面，上市公司发行证券和被特别处理的标准都是盈利能力指标。我国规定当上市公司出现连续两个会计年度净利润均为负值或者最近一个会计年度每股净资产低于股票面值时，则会对该公司股票交易实行特别处理，即被宣布为ST。基于以上原因，本文采用盈利能力指标作为界定财务健康公司和亚健康公司的标准。 　　2.2 样本选取和数据来源 　　为了避免行业差异对预测结果的影响，增强指标的可比性，本文选择制造业中样本量较大的石油、化学、塑胶、塑料行业（以下简称化工行业）的上市公司作为研究对象（为了避免资产规模对预测结果的影响，剔除了中小板的上市公司）。考虑到资料的时效性和可获取性，本文选取了该行业年被首次宣布为ST的24家上市公司作为困境公司样本，选取了近两年中至少有一年每股收益小于0.05元（0.05是正常标识公司每股收益的20%分位数）的32家上市公司作为亚健康公司样本，其余的67家正常标识公司为健康公司样本。本文没有遵循惯例进行样本的配对，因为配对抽样会造成样本中各类公司的比例和它们在总体中的比例严重不一致，从而高估模型的预测能力。 　　由于证监会是根据上市公司前一年的年报所公布的业绩判断其是否出现财务状况异常并决定是否要对其进行特别处理的，所以只采用上市公司前一年的年报数据预测其是否会被ST显然会夸大模型的预测能力。因此，本文选择困境公司被ST前两年的面板数据，健康公司和亚健康公司采用近两年（）的数据来进行预测研究（在具体的实证研究中去掉了一些含有异常值的数据样本）。数据来源是Resset金融研究数据库，相关检验及模型估计是用SPSS 16.0和Matlab软件来完成的。 　　3 初始指标选取 　　在财务困境预测的实证研究中，财务指标的选取到目前还没有统一的结论。本文借鉴以往的经验，从公司的盈利能力、偿债能力、营运能力、成长能力、现金流量和每股指标6个方面选取了20个财务变量（见表1）作为备选指标。 　　（注：***表示在1%水平上显著， **表示在5%水平上显著） 　　从检验结果可以看出，在5%的置信水平上除了存货周转率接受原假设外，其余变量均拒绝原假设，即除了存货周转率以外，其余变量在各个类别之间均存在显著差异。所以将存货周转率剔除，其余19个指标进行变量筛选。
　　4.2 变量筛选 　　对于变量筛选，大量的实证研究采用统计方法，但统计方法往往有严格的假设条件限制，使得其有效应用受到制约。所以本文提出了一种基于平均影响值（Mean Impact Value，MIV）的SVM变量筛选方法，通过该方法可以筛选出对结果有重要影响的输入变量，从而提高模型的预测精度。 　　4.2.1 基于平均影响值MIV的SVM变量筛选方法 　　MIV是用于确定输入变量对输出变量影响大小的一个指标，其符号代表相关的方向，绝对值代表影响的大小。本文选择MIV作为评价各个自变量对因变量影响大小的指标。具体计算过程如下： 　　（1）用原始训练样本P对SVM进行训练，并对训练集P进行回归预测。 　　（2）将训练样本P中每一自变量在其原值的基础上分别加/减10%构成两个新的训练样本P1和P2，将P1和P2分别作为仿真样本利用已建成的模型进行仿真，得到两个仿真结果A1和A2，求出A1和A2的差值，即为变动该自变量后对输出产生的影响变化值（IV，Impact Value）。 　　（3）将IV按观测例数平均得出该自变量对因变量的平均影响值MIV。同理可算出各个自变量的MIV值。 　　（4）根据MIV绝对值的大小为各自变量排序，得到各自变量对因变量影响相对重要性的位次表，从而判断出输入变量对输出结果的影响程度，即实现了变量筛选。 　　4.2.2 变量筛选的Matlab实现 　　4.2.2.1 选定训练集和测试集 　　在原始数据的231个样本中，有145个健康公司样本（类别标签为1），38个亚健康公司样本（类别标签为2），48个困境公司样本（类别标签为3）。将每个类别分成两组，重新组合数据，最后本文选择了150个样本作为训练集，用于训练SVM模型，选择了81个样本作为测试集，用于测试模型分类的准确率。 　　4.2.2.2 数据归一化 　　在进行SVM模型训练之前一般需要对数据进行归一化预处理。本文采用的归一化映射为： 　　f：x→y=■ 　　式中，x，y∈Rn，xmin=min（x），xmax=max（x），yi∈[0，1]，i=1，2，…，n。 　　归一化的效果是将原始数据规整到[0，1]范围内。 　　4.2.2.3 参数寻优 　　用SVM进行预测时，为了得到比较理想的预测效果，需要调整两个主要的参数（惩罚参数c和核函数参数g）。本文选择K-CV方法来进行参数寻优，其基本思想是：将原始数据分成K组（一般是均分），将每个子集分别作一次验证集，同时其余的K-1组数据作为训练集，这样会得到K个模型，用这K个模型验证集的MSE（均方误差）的平均数作为此K-CV的性能指标。在此基础上让c和g在一定的范围内变化，对于取定的每一对c和g ，都将得到一个平均的MSE，最后选择使平均MSE最小的c和g。经过Matlab编程运算，最后得到的最优参数为：c=1，g=3.031 4 。 　　4.2.2.4 训练并对训练集回归预测 　　最优参数确定以后，利用这两个参数来训练模型，并对训练集进行回归预测。该模型的相关性能指标为： 　　MSE = 0.044 546 R2 = 0.729 932 　　式中，MSE为均方误差，R为相关系数。 　　4.2.2.5 变量筛选 　　对于训练集数据运用MIV方法分别求出各自变量的MIV值，结果如表3所示。考虑到指标的完整性和全面性，本文选取每个类别中MIV绝对值最大的指标作为输入变量，即成本费用利润率、资产负债率、总资产周转率、净利润增长率、总资产现金回收率和每股收益作为输入变量。
转载请注明来源。原文地址：
【xzbu】郑重声明：本网站资源、信息来源于网络，完全免费共享，仅供学习和研究使用，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除已转载的信息。
xzbu发布此信息目的在于传播更多信息，与本网站立场无关。xzbu不保证该信息（包括但不限于文字、数据及图表）准确性、真实性、完整性等。Bad Request (Invalid URL)什么是标准误,书上说是关于平均值,那这个平均值指的是什么的平均值呢例如标准误（SEM）等于0.05,平均值（μ）等于8,μ = 8 ± 0.05这个平均值具体是什么的平均值呢_百度作业帮
什么是标准误,书上说是关于平均值,那这个平均值指的是什么的平均值呢例如标准误（SEM）等于0.05,平均值（μ）等于8,μ = 8 ± 0.05这个平均值具体是什么的平均值呢
标准误差是用平均值减去个个然后相加除上N得到的数值就是了.举例说明.2,3,4,平均数是3.标准差 等于{（2-3）+（3-3）+（4-3）}/3=0
答非所问啊 555
其他类似问题
扫描下载二维码