基于最佳线性无偏预测的精密单点定位方法

卫星导航定位中,卡尔曼滤波是快速处理海量观测数据,精确解算位置坐标的常用方法。为解决实际定位解算时需要计算部分参数的近似值作为先验信息的问题,引入最佳线性无偏预测理论对无先验信息的参数初值进行估计并使用其残差方差代替未知的先验方差参与计算。在静态和动态情形下进行了非差非组合精密单点定位实验并与传统滤波方法进行对比。算例结果表明,基于最佳线性无偏预测的精密单点定位算法可以对无先验信息的参数估计初值和方差信息,且定位精度与卡尔曼滤波一致。

最佳线性无偏预测估计种畜育种值(BLUP)可视化计算机程序

应用VB6可视化编程软件,设计较先进的最佳线性无偏预测估计种畜育种值(BLUP法)程序,增强了软件的功能,使其更具易用性、广泛性。

公牛育种值最佳线性无偏预测法应用研究

采用公牛育种值最佳线性无偏预测法(即BLUP 法)对重庆市种公牛站18头公牛的育种值大小进行测定,为种公牛选择提供了直接依据、标准及方法。此外,还比较了BLUP 预测法与表型平均值选择法的效果及准确性。结果表明,BLUP 法是种公牛后裔选择的最佳方法。

不同混合线性模型下线性函数的最佳线性无偏预测相等的条件(英文)

考虑一个不仅对协方差矩阵没有任何秩假设,而且对随机效应向量和随机误差向量之间的关系没有任何限制的混合线性模型.给出了线性统计量Ay是线性函数f(L,N)的最佳线性无偏预测的充要条件;同时也给出了在混合线性模型M_1下BLUP(f(L,N))仍是在混合线性模型M_2下BLUP(f(L,N))的充要条件;最后给出在两混合线性模型下BLUP(f(L,N))相等的条件.

应用混合线性模型对白桦家系速生性及稳定性分析与选择

为了选出白桦半同胞家系中速生且稳定的优异家系用于种子园改建,以永吉、尚志和庆安试验点的8年生白桦半同胞家系试验林为研究对象,调查其生长性状和适应性。采用误差异质混合线性模型,对各性状进行了多地点固定效应和随机效应分析,通过最佳线性无偏预测(BLUP)法估算各家系的材积育种值,并结合基因型主效应与基因型-环境互作效应(GGE)双标图,联合分析各家系的速生性和稳定性。结果表明:(1)白桦半同胞家系胸径、单株材积和保存率等性状的地点效应显著(P<0.01);除保存率外,各性状在家系×地点的互作效应均达到显著水平(Z值>1.5)。各试验点的方差分析结果表明,除尚志和庆安试验点保存率外,其余性状在家系间的差异均达到极显著水平(P<0.01)。尚志、永吉和庆安试验点各性状中,变异系数最大的均为单株材积,分别为40.74%、47.62%和41.67%。(2)将综合育种值从大到小排序,若按照前10%的入选率确定各试验点优良家系,则在永吉、尚志和庆安各选出了相应的7个家系,其单株材积的平均遗传增益分别为6.20%、9.44%和8.79%。(3)GGE双标图分析结果表明,3个试验点被分为3个适生区;各家系在不同试验点中的表现不同,在庆安、永吉和尚志试验点表现最好的分别为1-43、1-42和1-39家系,结合生长量及稳定性的数据排名,综合性状表现最好的是3-29、3-13、3-38、3-16、3-14、3-42和3-17等7个家系,平均单株材积遗传增益为10.41%。白桦子代生长性状受基因型、基因型与环境互作影响显著。依据BLUP数据的GGE双标图分析结果,综合3试验点的速生及稳定性,选出7个优良家系。

两线性随机效应模型未知参数函数预测量的等价性研究

假设对一般线性随机效应模型添加新的变量项成为过参数线性随机效应模型,这时两模型相同未知参数的统计推断不一定相同。针对这一问题,本文利用带约束限制二次矩阵值函数最优化问题的解,给出过参数线性随机效应模型下未知参数函数的最佳线性无偏预测/最佳线性无偏估计的解析表达式,并利用一些代数与矩阵理论工具,得到了两模型未知参数函数最佳线性无偏预测/最佳线性无偏估计等价的条件。

泡桐属植物育种值预测方法的研究

分别用最佳线性无偏预测和最佳线性预测方法预测了泡桐属植物的育种值。结果表明 ,根据亲缘相关距阵对育种值的最佳线性无偏预测结果没有显著影响 :数据量较大时 ,可用小区平均值取代单株值 ,同时也可用最佳线性预测代替最佳线性无偏预测方法预测育种值 ;预测育种值与真正育种值之间的相关系数与预测育种值之间的方法或误差方差存在极显著的相关关系 ,可用前者作预测育种值的精度指标。通过比较毛泡桐种源所预测育种值之间的方差和误差方差可以得出 :在对研究材料评选时 ,最佳线性预测比最小平方估算法具有优越性 ,但当重复数大于 5次 ,每个小区内的植株多于 6时 。

林木育种值预测方法的应用与分析

育种值预测是遗传评价的核心。为了能恰当地选用适当方法估算林木育种值,本文概述了当前林木育种值预测的主要方法、原理及其在日本落叶松家系(亲本)及个体育种值预测和优良基因型选择中的应用。通过对各种预测方法应用结果的分析表明:对于平衡或近似平衡数据和无亲缘关系(或可忽略)的非平衡数据,最佳线性预测(BLP)、最佳线性无偏预测(BLUP)法均可以取得很高的预测精度,但考虑到计算的简便性,BLP法更为适用;对于有亲缘关系或具有不同遗传固定效应的候选材料,BLUP法更为适用;对于多性状联合选择,选择指数仍是理想的方法。最后对育种值预测方法的适用情况及存在问题进行了讨论。

基于BLUP和GGE双标图的黑杨派无性系生长性状基因型与环境互作效应

【目的】基于BLUP和GGE双标图分析法综合评价多试验点区域化试验黑杨派无性系(品种)的速生性、稳定性和各试验地点的区分力、代表性,可为黑杨派引种无性系的选择和应用提供理论依据。【方法】对位于北京、河北和山东的9个试验地点15个黑杨派引种无性系(品种)进行生长性状测定,使用ASReml-R程序包拟合误差异质的线性混合效应模型,通过最佳线性无偏预测(BLUP)法获得各无性系在各试验点6年生胸径和树高BLUP数据,进行GGE双标图分析,对无性系和试验地点进行评价。【结果】基于胸径和树高BLUP数据GGE双标图分析的前2个主成分(PC1和PC2)的方差解释百分比为84.69%和69.83%。基于胸径BLUP数据GGE双标图显示,9个试验点之间均存在正相关关系,被分为2组:河北永清和山东金乡为一组,胸径最大的无性系为50;其余7个试验点为另一组,胸径最大的无性系为Por。区分力最好的地点为北京昌平和河北永清,代表性最好的地点为山东宁阳(高桥)和河北魏县。对于无性系高产性和稳产性,Por胸径最大,Pa、36、108、50、111和107的胸径均大于均值,而Og的胸径接近总体均值,La胸径最小;107、Me、108、Br、Og和36稳定性较好。【结论】胸径与树高BLUP-GGE双标图存在差异,胸径BLUP-GGE双标图较树高的可靠;无性系Por速生性突出,其次是Pa、36、108、50、111和107,稳定性较好的无性系为107、Me、108、Br、Og和36,速生性和稳定性均较强的无性系为Por、Pa、36、108和107。

基于动物模型BLUP的杜洛克猪生长及繁殖性状选择进展

【目的】揭示基于动物模型最佳线性无偏预测(animal model best linear unbiased prediction,AM-BLUP)的选择指数对杜洛克猪生长及繁殖性状的选育效果。【方法】在采用AM-BLUP方法估计个体目标性状育种值基础上,以达100 kg体质量日龄(相对权重0.7)和100 kg活体背膘厚(相对权重0.3)为主选性状构建选择指数,对1个闭锁的杜洛克猪群开展持续7年(2013—2019年)的选育,系统分析选育期间猪群6个生长及繁殖性状表型值、估计育种值(estimated breeding value,EBV)、选择指数及近交系数的变化。【结果】相较于2013年,2019年猪群达100 kg体质量日龄、100 kg活体背膘厚和30~100 kg料重比分别极显著缩短4.45 d、降低0.52 mm和降低0.05(P<0.01);初产和经产母猪的总产仔数分别提高0.99头(P<0.05)和1.02头(P>0.05),产活仔数分别提高0.72头和0.49头(P>0.05),21日龄窝重分别降低0.39 kg和提高6.20 kg(P>0.05);主选性状达100 kg体质量日龄和100 kg活体背膘厚的EBV分别极显著降低3.447和0.533(P<0.01),选择指数极显著提高23.62(P<0.01),除30~100 kg料重比外,其余辅选性状的EBV均获得了不同程度改进。选育结束时,群体平均近交系数为3.1973%,年均增量为0.4904%。【结论】基于AM-BLUP的指数选择可有效改良猪的生产性状,但不同性状的具体选择进展会因其遗传特性的不同而异。

动物模型BLUP选择效果的计算机模拟研究

在采用动物模型最佳线性无偏预测(BLUP) 方法对个体育种值进行估计的基础上, 模拟了在一个闭锁群体内连续对单个性状选择10个世代的情形, 并系统地比较了群体规模、公母比例和性状遗传力对选择所获得的遗传进展和群体近交系数变化的影响。结果表明, 扩大育种群规模不仅可以获得更大的持续进展, 同时还可有效缓解近交系数的过快上升; 育种群中公畜比例过低时, 不仅会降低遗传进展, 群体近交系数的上升速度也会加快, 实际中应保证育种群具有一定的规模和适宜的公母比例。对高遗传力性状进行选择时, 可望获得更大的遗传进展, 同时近交系数的上升速度也会快一些。

闭锁群体BLUP选择下遗传方差和近交系数的变化

采用计算机随机模拟方法模拟了在一个闭锁群体内连续对单个性状进行 1 5个世代选择的情况。选择过程中世代不重叠 ,每个世代的种畜根据动物模型最佳线性无偏预测 (BLUP)法估计的育种值进行选留 ,并在此基础上系统地比较了不同群体规模、公母比例和性状遗传力对群体遗传方差和近交系数变化的影响。结果表明 ,扩大育种群规模、增加公畜比例以及对低遗传力性状进行选择时 ,群体遗传方差降低的速度和近交系数上升的速度会更慢 。

基于BLUP计算的山鸡育种分析管理软件开发

近30年来,我国山鸡市场越来越大,生产量也在不断增长,但山鸡育种水平与产业发展不相符,育种计算方面到目前为止还没有一个比较成熟的育种分析管理软件系统。本系统是根据山鸡生长和繁育特性,结合山鸡育种实际设计开发的一款山鸡育种分析管理软件。该软件系统基于C/S架构、利用先进的云平台大数据技术和最新的.net软件技术开发而成,实现了安全高效管理育种数据及所有数据信息的可追溯性,同时,也可完成大量山鸡生产性状育种值及各种综合育种值的最佳线性无偏预测高效计算。利用综合育种值,以山鸡家系、同胞和个体为单位,进行核心群的继代选留,选留后,核心群山鸡根据亲缘关系系数进行自动选配,大大提高了育种工作效率。

一种先进的畜禽遗传评定方法——动物模型BLUP法

动物模型BLUP法是一种先进的动物育种值估计方法,已广泛应用于畜禽的遗传评定中,本文主要介绍了其基本原理、特征、应用现状,并对其应用前景进行了展望。

BLUP法及LAMS法在辽宁绒山羊育种中的应用研究

BLUP法又称最佳线性无偏预测（BestLinearUnbiasedPrediction），该方法在同一个方程组中兼顾固定的环境效应和遗传效应，还能把随机的遗传效应考虑在内。LAMS育种方案（Lookaheadmateselection）可提前预测后代遗传优势。

基于BLUP和GGE双标图的华北落叶松家系区域试验分析

【目的】为综合评价华北落叶松参试家系的速生丰产性、稳定性及各试验地点的区分力和代表性,利用基因型主效加基因型-环境互作效应(GGE)双标图对2017年度华北落叶松区域试验中参试家系的生长数据进行分析。【方法】基于冀北地区4个试验地点26个华北落叶松家系的胸径数据,首先拟合3个线性混合效应模型,各个模型均具有相同的固定效应(“地点”和“地点中的区组”)和残差方差结构(行、列自回归AR1×AR1,以进行空间分析),其中,模型1为随机效应中包含2个公因子的因子分析模型(FA模型),模型2、3分别为随机效应里不含测量误差以及包含测量误差的非结构化矩阵模型(US模型);基于AIC信息准则选出一个最优模型,之后利用最佳线性无偏预测(BLUP)法得到各家系在各地点的胸径BLUP数据;基于胸径BLUP数据做GGE双标图分析,对华北落叶松家系和试验地点进行评价。【结果】基于AIC信息准则,模型3(空间变异结合包含测量误差的非结构化矩阵模型(US模型))被选为最优模型;基于胸径BLUP数据的GGE双标图的前2个主成分的方差解释百分比之和为92.4%,表明结果可靠;4个试验地点被分成2组,地点L1(张家口赤城马营沟)、地点L3(张家口沽源柳条沟)和地点L4(承德围场查字)为一组(以111号家系的胸径最大),地点L2(承德围场御道口)为一组(以78号家系的胸径最大),相对而言,地点L3(张家口沽源柳条沟)能更有效地选择速生丰产且稳定的家系;各家系在不同试验地点上的表现有所不同,总体而言,26个华北落叶松家系中,111号的胸径(产量)最大,接着是78、72、82、76、59、100、77、56、86、96等系号,胸径(产量)最小的是1号,97、116、53、35、46、66和49号等家系的胸径(产量)也较低,68和42号家系的胸径(产量)接近总体均值;96、86、100和76号是速生丰产且稳定的家系,速生丰产家系111、72、56号的稳定性居中,速生丰产家系78、82和77号的稳定性中等偏下,而速生丰产家系59号则不稳定。【结论】模型3(空间变异结合包含测量误差的非结构化矩阵模型(US模型))较另外2个模型而言,结果更为可靠。地点L3(张家口沽源柳条沟)既具高区分力,又具高代表性,能更有效地评价家系。家系96、86、100和76号兼具速生性、丰产性和稳定性,可被广泛推广。基于BLUP的GGE双标图能有效应用于华北落叶松家系及试验地点的评价,本研究可为冀北地区华北落叶松的家系选择和应用提供决策支持。

玉米穗轴粗和出籽率全基因组预测分析

穗轴粗和出籽率均是典型的数量性状,在不同程度上影响玉米产量。全基因组选择整合全基因组关联分析(GWAS,genome-wide association study)的先验信息是提高性状预测准确性的有效方法。本研究利用309份玉米自交系穗轴粗和出籽率表型和基因分型测序技术获得的基因型数据,研究基因组最佳线性无偏预测(GBLUP,genomic best linear unbiased prediction)、贝叶斯A(Bayes A)和再生核希尔伯特空间(RKHS,reproducing kernel Hilbert space)模型对2种GWAS方法即固定和随机模型交替概率统一(FarmCPU,fixed and random model circulating probability unification)和压缩混合线性模型(CMLM,compressed mixed linear model)衍生的不同数量标记集、随机选择标记集和所有标记对预测准确性的影响。对于2个性状FarmCPU和CMLM衍生标记集,3个预测模型间的预测准确性差异较小,差值变异范围介于0~0.03。对于随机标记集,相比其他2个模型的预测准确性,RKHS对穗轴粗可提高3.57%~15.91%,而3个预测模型对出籽率具有相似的预测效果。除了50和100个标记,3个模型利用CMLM衍生标记对2个性状的预测效果均优于FarmCPU。相比随机标记集,穗轴粗GWAS衍生标记的预测准确性可提高15.52%~88.37%;出籽率利用衍生标记可提高1~5.89倍。所有衍生标记集的预测准确性均高于所有标记。这些结果均表明,全基因组选择整合GWAS衍生标记有利于提高穗轴粗和出籽率的预测准确性。

基于背膘厚度构建民猪肌内脂肪含量的预测模型

为了探究不同统计模型预测猪肌内脂肪含量和眼肌面积的可行性,试验利用测定的312头民猪的体重、背膘厚和日龄数据,以岭回归最佳线性无偏估计(ridge regression best linear unbiased prediction,rrBLUP)、贝叶斯B (Bayes B)、随机森林算法(Random Forest,RF)三种模型来预测民猪肌内脂肪(intramuscular fat,IMF)含量和眼肌面积(eye muscle area,EMA),每种模型均采用5倍交叉法和去一法进行验证,比较预测结果以得出预测准确率较好的一种模型。结果表明:两种验证方法中,去一法的预测准确率要明显高于5倍交叉法,但计算效率较慢。在预测肌内脂肪含量的模型中,rrBLUP、Bayes B、RF模型的预测准确率分别为0.639,0.595,0.631,其中rrBLUP模型预测效果较好。在预测眼肌面积的模型中,rrBLUP、Bayes B、RF模型的预测准确率分别为0.618,0.464,0.642,其中RF模型预测效果较好。说明基于体重、日龄和背膘厚测定数据预测民猪IMF和EMA是可行的。