检索结果-内蒙古大学图书馆

作者：王文琦云南师范大学

学位级别：硕士

对长期观测得到的、包含测量误差、缺失值和删失值的复杂艾滋病临床治疗非平衡纵向数据(如CD4、CD8、病毒载量等),最为合适的模型是非线性混合效应模型,但此类模型在缺失值的处理和计算复杂度上存在严峻挑战,实际工作者常用简单的线性... 详细信息

对长期观测得到的、包含测量误差、缺失值和删失值的复杂艾滋病临床治疗非平衡纵向数据(如CD4、CD8、病毒载量等),最为合适的模型是非线性混合效应模型,但此类模型在缺失值的处理和计算复杂度上存在严峻挑战,实际工作者常用简单的线性混合效应模型替代,从而导致推断精度不能令人满意。EM算法的随机近似版本(saem算法)是一种可用于广义非线性混合效应模型的极大似然估计,saem算法的主要优点是能够在很少的迭代中提供接近极大似然估计的估计值。本文尝试运用saem算法针对一组艾滋病临床治疗中出现的非平衡纵向数据构建非线性混合效应模型,并与实践常用的线性混合效应模型进行比较,希望为此类复杂纵向数据建模实践提供有较好参考价值的建模程序和参考模型。针对我们的数据,我们首先基于限制极大似然估计方法构建了线性混合效应模型,讨论了EM算法在非线性混合效应模型参数估计中的应用,然后从EM算法推广到saem算法并将saem算法应用于针对我们的数据构建的非线性混合效应模型中的参数估计。本研究说明了非线性混合效应模型比线性混合效应模型能显著更好地拟合此类艾滋病临床数据,saem算法对非线性混合效应模型的参数估计有很好的效果。

关键词：艾滋病临床随访数据非平衡纵向数据非线性混合效应模型 saem算法 EM算法极大似然估计

来源：评论

学校读者我要写书评

暂无评论

三参数Normal-Ogive模型参数估计的saem算法

引用

心理科学 2023年第2期46卷 450-460页

作者：孟祥斌刘佳丁锐东北师范大学应用统计教育部重点实验室长春130024 东北师范大学教育学部长春130024

Normal-Ogive模型是项目反应理论的代表性模型之一,其参数估计主要是基于MCMC抽样实现的,但MCMC抽样的不足是计算效率较低。针对这一问题,本文以混合模型(mixture model)的视角,通过变量扩充,提出三参数normalogive(3PNO)模型题目参数... 详细信息

Normal-Ogive模型是项目反应理论的代表性模型之一,其参数估计主要是基于MCMC抽样实现的,但MCMC抽样的不足是计算效率较低。针对这一问题,本文以混合模型(mixture model)的视角,通过变量扩充,提出三参数normalogive(3PNO)模型题目参数估计的随机逼近EM(stochastic approximation EM,简称saem)算法,并通过Monte Carlo模拟对saem算法的主要影响因素、计算效率、估计的返真性进行验证。模拟研究的结果表明:saem算法能够准确实现3PNO模型题目参数估计的计算,并且具有较高的计算效率,表现出优良的计算性质。

关键词：项目反应理论三参数Normal-Ogive模型 saem算法

来源：评论

学校读者我要写书评

暂无评论

群体药代动力学参数估计的saem算法

引用

中国卫生统计 2011年第4期28卷 394-396,399页

作者：言方荣中国药科大学基础部数学教研室 210009

目的建立在群体药代动力学参数估计问题中的saem算法。方法本文基于房室模型的非线性混合效应模型,根据saem算法讨论群体药代动力学模型的参数估计问题,给出算法过程,并应用于计算机模拟C-肽释放实例分析。结果计算机模拟证实了该方法... 详细信息

目的建立在群体药代动力学参数估计问题中的saem算法。方法本文基于房室模型的非线性混合效应模型,根据saem算法讨论群体药代动力学模型的参数估计问题,给出算法过程,并应用于计算机模拟C-肽释放实例分析。结果计算机模拟证实了该方法的有效性,通过研究C-肽释放实例分析也表明saem算法估计群体药代动力学参数误差较小。结论利用saem算法估计群体药代动力学参数是一个比较好的方法。

关键词：群体药代动力学房室模型非线性混合效应模型 saem算法

来源：评论

学校读者我要写书评

暂无评论

基于saem算法的协变量缺失下Logistic回归模型的统计分析

基于SAEM算法的协变量缺失下Logistic回归模型的统计分析

引用

作者：孙胜男长春工业大学

学位级别：硕士

在实际调查或实验分析中,研究数据大多会因为各种外界因素导致缺失,造成数据缺失的原因通常是调查无答复或受访者拒绝回答问卷中的某些问题,因此数据缺失几乎是不可避免的。Logistic回归是监督学习中一种常用的分类方法,目前对存在协变... 详细信息

在实际调查或实验分析中,研究数据大多会因为各种外界因素导致缺失,造成数据缺失的原因通常是调查无答复或受访者拒绝回答问卷中的某些问题,因此数据缺失几乎是不可避免的。Logistic回归是监督学习中一种常用的分类方法,目前对存在协变量缺失的Logistic回归模型的统计分析方法还尚未完善。本文在随机缺失机制(MAR)下,基于随机渐近期望最大化(saem)算法,对存在协变量缺失的Logistic回归模型进行了统计分析。本文的第一部分对存在协变量缺失的Logistic回归模型进行参数估计研究。基于saem算法,使用Pólya-Gamma分布的数据扩增方案来实现对存在协变量缺失的Logistic回归进行参数估计。在saem算法中,通过Gibbs抽样方法来对缺失的协变量进行采样。为了验证本文提出方法的参数估计效果,将所提出的方法与另外两种方法进行比较,取不同样本量不同的缺失率进行模拟研究,并将估计方法应用到心脏病数据集中进行比较分析。通过对比发现本文提出的改进saem算法对于处理存在协变量缺失的Logistic回归模型的参数估计问题,比另外两种方法更有效。本文的第二部分对存在协变量缺失的Logistic回归模型进行变量选择。参考EMLasso方法,将本文的saem算法结合Lasso方法,引入惩罚参数λ,对存在协变量缺失的Logistic回归模型进行变量选择。不同于EMLasso的拒绝采样的方法,本文使用较为简单的Gibbs抽样对缺失协变量进行抽样。将本文所提出的变量选择方法与使用CC方法后进行Lasso变量选择进行比较分析,分别对存在八维、十维以及五十维缺失协变量的Logistic回归模型进行变量选择,并将其应用到维迪亚贷款数据集中进行实证分析进而验证本文所提出的变量选择方法的可行性。

关键词：缺失数据 Logistic回归模型数据扩增 saem算法变量选择

来源：评论

学校读者我要写书评

暂无评论

基于saem算法对缺失协变量的Logistic模型参数估计

引用

长春理工大学学报（自然科学版） 2021年第5期44卷 129-135页

作者：刘玥施三支长春理工大学理学院长春130022

给出了Logistic模型中对缺失协变量数据的一种估计方法。将Marc Lavielle等人提出的saem算法进行了改进,引入Samiran Sinha等人提出的一种基于不可忽视机制基础上的NI-机制,以此来尽可能的利用数据中已存在的信息,并将其与现有处理缺失... 详细信息

给出了Logistic模型中对缺失协变量数据的一种估计方法。将Marc Lavielle等人提出的saem算法进行了改进,引入Samiran Sinha等人提出的一种基于不可忽视机制基础上的NI-机制,以此来尽可能的利用数据中已存在的信息,并将其与现有处理缺失协变量较好的MCAR缺失机制下的半参数方法做对比研究。对Logistic模型的参数分别进行估计,对比分析这两种方法在不同缺失率下的优劣,并对最终结果进行回判,将回判准确率与标准误差作为判别标准。结果表明,当缺失率较小时,两者对缺失数据的处理性能都很好;但当缺失率较高时,半参数方法对数据的处理性能要优于saem算法。saem算法的运行速度始终快于半参数方法,缺失率较小时,用提出的saem算法做线上估计比半参数方法更具有优势。

关键词： saem算法 NI-缺失机制半参数方法回判的准确率

来源：评论

学校读者我要写书评

暂无评论

EM算法在模式识别中的应用研究

EM算法在模式识别中的应用研究

引用

作者：熊汉春华南理工大学

学位级别：博士

在模式识别领域中,模式分类器和训练算法一直是国内外研究的热门课题之一.该文就EM算法在模式识别中的应用做了以下几个方面的研究工作:1、在高斯混合模型的结构下,研究了做为概率密度参数估计的EM算法的收敛特性,证明了给定了待估参数... 详细信息

在模式识别领域中,模式分类器和训练算法一直是国内外研究的热门课题之一.该文就EM算法在模式识别中的应用做了以下几个方面的研究工作:1、在高斯混合模型的结构下,研究了做为概率密度参数估计的EM算法的收敛特性,证明了给定了待估参数初始值时,EM算法单调敛到Q函数的唯一全局最大值点,EM算法本身满足高斯混合模型的约束条件,这使得它在概率密度估计问题上具有其它算法所无法比拟的优点;2、改造EM算法中最大化步骤,得到一种GEM算法;3、提出一种运用EM算法进行参数训练的概率神经网络分类器,核函数采用多个单维高斯密度乘积函数和同方差多维高斯分布密度函数,分类器实现了贝叶斯后验概率判决公式.详细推导了概率神经分类器的EM训练算法;4、提出一种运用GEM算法进行参数训练的概率映射网络分类器,核函数为多维高斯分布密度函数,分类器结构采用了共享参数的机制;5、研究了概率映射网络分类器的随机EM训练算法;6、运用一些数值实例对上述分类器进行了实验.

关键词： EM算法概率神经网络最大似然估计高斯混合模型概率映射网络说话人识别 SEM算法 GEM算法 saem算法

来源：评论

学校读者我要写书评

暂无评论

基于多源异构数据的牧草品质评价系统设计

基于多源异构数据的牧草品质评价系统设计

引用

作者：黄居松内蒙古工业大学

学位级别：硕士

我国的草地资源十分丰富,丰富的草地资源为我国畜牧业的发展提供了坚实的物质基础。其中牧草品质决定牧草利用率,与畜牧业的生产直接相关,牧草品质也是评价草地资源价值的重要指标。当前,牧草品质检测还是以实验室解剖法和光谱反演法为... 详细信息

我国的草地资源十分丰富,丰富的草地资源为我国畜牧业的发展提供了坚实的物质基础。其中牧草品质决定牧草利用率,与畜牧业的生产直接相关,牧草品质也是评价草地资源价值的重要指标。当前,牧草品质检测还是以实验室解剖法和光谱反演法为主,此类方法虽然检测精度高,但是检测成本高、检测周期长,不适合作为牧草品质检测的常规方法。近年来,随着深度学习和多源异构数据融合技术的发展,对于多源异构数据的处理也取得了很大的进步。针对上述问题,研究并开发一种基于多源异构数据的牧草品质评价系统。主要研究工作如下:（1）设计基于图像的分类分级感知模型。使用全局平均池化层替换最大池化层,改进VGG16网络的结构,降低了全连接层的参数量。将激活函数置于最后一层卷积层之前,改进Res Net34网络的结构,保证原始信息的完整性。利用两个改进的网络和分类分级方法训练牧草图像分类分级模型,确定牧草类别和品质等级。实验结果表明,改进的网络比原始网络训练精度高且损失低,且分类分级方法比直接分类方法的模型准确率高4%。（2）设计基于气象信息的牧草品质感知模型。提出基于气象信息的模糊逻辑推理算法,建立气象数据和牧草品质等级的模糊规则库,确定隶属度函数,实现对牧草品质等级的推理;提出基于聚类的稀疏自编码器数据融合算法,利用稀疏自编码器提取气象数据特征,选择数据特征的质心,计算气象数据与质心的欧式距离,再利用K-Medians聚类算法对气象数据聚类处理,完成对牧草品质的分类。结果表明,两种基于气象信息的牧草品质感知模型均可以通过气象信息确定牧草品质等级。（3）设计异构特征融合算法的牧草品质评价模型。设计一种模糊神经网络,把分类分级感知模型的输出结果和气象信息牧草品质感知模型的输出结果按照不同权重进行决策级融合,输出决策结果,完成对牧草品质的综合评价。实验结果表明,基于异构特征融合算法的牧草品质评价模型损失值更低,牧草评价结果更精准。在此基础上开发人工草地草品质智能监测评价系统,将上述模型嵌入在系统中,实现系统功能。在实际测试中准确率可以达到94.6%,具有很好的实际利用价值,为牧草种植人员提供决策支持。

关键词：牧草评价分类分级方法模糊推理 saem算法多源数据融合方法

来源：评论

学校读者我要写书评

暂无评论

基于随机EM算法的纵向和生存数据的联合模型及其在HIV临床数据分析中的应用

基于随机EM算法的纵向和生存数据的联合模型及其在HIV临床数据分...

引用

作者：孙欢云南师范大学

学位级别：硕士

在艾滋病(AIDS)临床疗效评估中,研究者主要关注的问题是确定艾滋病的相关风险因子和患者的生存时间。研究者通常把CD4细胞计数等纵向观测数据作为人类免疫病毒(HIV)实验的潜在标志物,同时在临床研究过程中,我们还对生存时间(如病人死亡... 详细信息

在艾滋病(AIDS)临床疗效评估中,研究者主要关注的问题是确定艾滋病的相关风险因子和患者的生存时间。研究者通常把CD4细胞计数等纵向观测数据作为人类免疫病毒(HIV)实验的潜在标志物,同时在临床研究过程中,我们还对生存时间(如病人死亡时间等)感兴趣,但是因为没有考虑纵向数据和生存数据相互的关联性,所以导致了数据分析结果存在较大偏差。因此,研究者提出把纵向数据和生存数据联合建模可以使误差较大这一主要问题得到较好的解决。在传统的联合模型中,纵向数据在测量时,由于一些外在原因使得测量存在测量误差,也有可能导致数据出现缺失或删失,使用简单的线性混合效应模型可能会导致参数的似然估计存在较大偏差。因此,我们提出用非线性混合效应模型替代线性混合效应模型作为纵向子模型与以Cox比例风险模型作为生存子模型进行联合建模。考虑到非线性混合效应模型的复杂性,采用了一种新的参数估计方法,即随机近似期望最大化算法(saem),运用saem算法估计联合模型的参数,基于实际数据的拟合效果证明模型和参数估计方法的优势,为后续研究提供可选择的方法。

关键词：联合模型艾滋病非线性混合效应模型 Cox比例风险模型 saem算法

来源：评论

学校读者我要写书评

暂无评论

基于缺失协变量的Logistic模型的估计方法研究

基于缺失协变量的Logistic模型的估计方法研究

引用

作者：刘玥长春理工大学

学位级别：硕士

在如今信息数字化的大数据时代里,各个研究领域都存在数据缺失的问题,而缺失数值往往会对数据推断结论产生很大的负面影响.因此,在数据分析的过程中,需要正确恰当的处理缺失值,使得研究更加有意义.Logistic回归是监督学习中一种常用的... 详细信息

在如今信息数字化的大数据时代里,各个研究领域都存在数据缺失的问题,而缺失数值往往会对数据推断结论产生很大的负面影响.因此,在数据分析的过程中,需要正确恰当的处理缺失值,使得研究更加有意义.Logistic回归是监督学习中一种常用的分类方法,该模型结构简单,易操作,在生物学,医学和工程等学科领域有着十分广泛的应用,但在数据缺失的问题中对Logistic模型建模方案的研究非常少;saem(Stochastic Approximation EM)算法通过随机逼近过程的一次迭代代替了EM算法的期望步骤,在处理缺失数据时效率高,效果好,于是对于含有缺失协变量的Logistic模型,本文利用改进的saem算法对其进行参数化建模.首先引入NI-缺失机制来提高saem算法的性能,其次通过伪连续方法,对saem算法进行进一步的改进,提出一种新的PC(Pseudo-Continuous)-saem算法,并通过大量的模拟实验在不同的缺失率下检验PC-saem算法的性能,将其与半参数方法进行对比分析.本文主要内容可分为以下两点.1.首先通过对比实验分析NI-缺失机制的性能,随后引入NI-缺失机制对saem算法进行改进.通过模拟实验,分别在缺失率为10%,20%,30%,40%的缺失数据中将改进的saem算法与半参数方法进行对比.实验结果表明,在处理低缺失率的数据时,改进的saem算法的性能要优于半参数方法,且运行时间要比半参数方法缩短很多,均在600倍以上.除传统的判别标准外,提出了一种新的评价算法性能的判别标准--回判准确率,并将其应用到了数值模拟研究中.2.为将saem算法应用到离散数据中,首先将缺失的离散数据伪连续化,然后使用saem算法对缺失数据进行参数估计,由此提出了一种新的PC-saem算法.通过模拟实验,分别在缺失率为5%,10%,20%,30%,35%的缺失数据中,将参数估计结果的绝对误差、标准误差和因变量的回判准确率作为评价PC-saem算法性能的标准,通过以上判别标准将其与半参数方法进行了比较.最后将PC-saem算法应用到子宫内膜癌和髋部骨折两组医学数据中.

关键词： saem算法 PC-saem算法 NI-缺失机制半参数方法离散缺失协变量回判准确率

来源：评论

学校读者我要写书评

暂无评论

随机逼近在混合线性模型中的应用

随机逼近在混合线性模型中的应用

引用

作者：金佳华中科技大学

学位级别：硕士

混合线性模型能够模型化许多复杂多变的随机现象,在生物医学工程、医技术工程学、金融技术工程以及经济技术工程等领域有比较强的应用研究场景。随机逼近算法是一种用于解决在有随机误差影响的情况下,只有观测值已知时对参数进行迭代估... 详细信息

混合线性模型能够模型化许多复杂多变的随机现象,在生物医学工程、医技术工程学、金融技术工程以及经济技术工程等领域有比较强的应用研究场景。随机逼近算法是一种用于解决在有随机误差影响的情况下,只有观测值已知时对参数进行迭代估计问题的有效算法,被大量地应用在系统控制和最优化方向。本文利用随机逼近算法逐个估计混合线性模型的方差分量,在避免矩阵运算的复杂性的同时提高参数估计的效率。随机逼近算法能充分利用已有的观测数据和迭代估计值,用这个优势对传统的EM算法和牛顿算法进行改进。改进的EM算法（saem算法）的迭代精度和迭代效率要更好,改进的牛顿算法（N+P算法）填补了原算法只能估计单参数的缺点。我们利用随机逼近算法、saem算法和N+P算法对混合线性模型的方差分量逐个估计,在算法的迭代过程中取权重{w_n}序列等于{(n+1-10},其中迭代的样本值为随机抽取得的相应观测值,然后以某一个方差分量作为分析案例,模拟出这三个迭代算法对混合线性模型方差分量参数估计的详细过程。模拟的实验数据表明,与传统的非迭代的估计方法相比较,当模型维数较大时,随机逼近算法在算法的计算复杂度上有比较明显的优势,saem算法的收敛效果也确实比一般的随机逼近算法和普通的EM算法要好,精度更准确;除此之外,N+P算法对多参数的估计也呈现出比较好的效果。

关键词：混合线性模型随机逼近算法 saem算法 N+P算法参数估计

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：