2型糖尿病患者个体因素、膳食摄入与血糖水平的典型相关及冗余度分析

目的探讨2型糖尿病患者个体因素、膳食摄入与血糖水平之间的整体相关性。方法于2015年,采用多阶段抽样法,在上海市杨浦区4个居委中抽取已确诊的非住院2型糖尿病患者260例。采用典型相关方法分析个体因素、膳食摄入与血糖的相关性,用冗余度分析方法分析指标间有多少比例互为相关。结果260例患者中,253例按要求完成本研究,应答率为97.3%。其中男100例,女153例。男女性组中,个体因素、膳食摄入指标与血糖指标间的第一对典型变量间的相关系数分别为0.55、0.36(P<0.05)。个体因素和膳食摄入指标中,男性以病程的标化系数绝对值最大(0.76),其次为年龄(-0.63);女性以碳水化合物的标化系数绝对值最大(1.26),其次为膳食纤维(-0.88)。血糖指标中,男性以餐后2 h血糖的标化系数绝对值最大(0.56),其次为糖化血红蛋白标化系数(0.40);女性亦以餐后2 h血糖的标化系数绝对值最大(0.91),其次为糖化血红蛋白标化系数(0.88)。结论(1)个体因素、膳食摄入与血糖指标间具有典型相关关系,且男性的相关性大于女性。(2)患病年龄越小、病程越长、月巴胖程度越高、能量和碳水化合物摄入越多,血糖异常越明显;膳食纤维摄入越多,有助于降低血糖。(3)女性患者饮食自我管理好于男性患者。(4)餐后2 h血糖和糖化血红蛋白是反映血糖水平的最佳指标。

2型糖尿病患者生命质量与临床客观指标的相关性

目的探讨2型糖尿病患者生命质量与临床客观指标的相关性。方法选择242例2型糖尿病患者,收集所有患者的临床客观指标,并调查其生命质量状况。采用典型相关分析法评价患者生命质量与临床客观指标的关系。结果242例2型糖尿病患者生命质量标准总分为(50.7±9.8)分,其中躯体功能、心理功能、社会功能、糖尿病特异模块标准分分别为(60.1±11.0)分、(41.6±15.4)分、(72.0±13.5)分、(31.8±13.3)分。典型相关分析结果显示,2型糖尿病患者临床客观指标主要由白蛋白/球蛋白、淋巴细胞比例、球蛋白、血肌酐、白细胞计数反映;生命质量与临床客观指标具有相关性;第1对典型变量的典型相关系数为0.455,其特征值为0.261,贡献率为48.22%。结论2型糖尿病患者的生命质量主要与白蛋白/球蛋白、淋巴细胞比例、球蛋白、血肌酐、白细胞水平有关。

社区2型糖尿病患者社会资本与生存质量的典型相关分析

目的了解城市社区2型糖尿病患者的社会资本、生存质量现状,并分析二者之间的关系。方法采用便利抽样对乌鲁木齐市米东区某社区2型糖尿病患者的生存质量、社会资本情况进行问卷调查,并分析二者之间的相关关系。结果共计收集有效问卷151份,社区糖尿病患者的社会资本与生存质量各维度得分均较低,其中社会资本总分为(5.04±2.76)分,生存质量总分(66.87±13.48)分,整体水平较低(t=3.708,P<0.05)。二者之间的典型相关系数是0.552,P<0.05。其中信任度、主动获取资源能力与生理功能、社会关系、治疗维度呈正相关。结论米东社区2型糖尿病患者中的社会资本普遍较低,生存质量不高。应注重糖尿病患者社会资本的支持,以有效提高其生存质量。

On L2 English Learners’Formulaic Language Use and Spoken English Fluency

This study explored the distribution of three types of English formulaic language, which involves four categories in L1 Chinese L2 English learners’ speaking performance. In addition, it investigated the relationship between the English learners’ use of formulaic language and their spoken English fluency. A CCA(canonical correlation analysis) was conducted to examine the correlations between two sets of fluency variables(dependent variables) and linguistic variables of English formulaic language use(independent variables). The fluency variable set consists of:(1)temporal indices such as SR(speech rate), AR(articulation rate), MLR(mean length of run), and PTR(phonation time ratio);(2) linguistic variables of English formulaic language like F2 R(twoword formulaic sequences/run ratio, B3 R(three-word lexical bundles/run ratio), and B4 R(fourword lexical bundles/run ratio). These are calculated according to the frequency of the English formulaic language in the speech samples of the participants(n = 86) across three academic levels.The results indicate that the learners’ spoken English fluency is highly related to their use of English formulaic language. Its limitations and future research directions are also discussed.

大气污染与儿童肺功能的典型相关分析

在 1 994～ 1 996年间 ,对污染点和对照点 (相对清洁点 )同时进行了大气污染 (气溶胶 ,二氧化硫等 )和儿童肺功能 (FVC,FEV1 ,FEF2 5～ 75 等 )的测定。对它们之间的关系进行了典型相关分析 ,其结果是肺功能指标和大气污染物呈负相关。统计分析提示污染点与对照点儿童肺功能的差别主要是由于大气污染 (气溶胶 )造成的 ,特别是 PM2 .5 的细粒子造成的。

宝天曼木本植物群落数量排序与环境解释

研究选取14个分别代表植被群落、地形因子、土壤因子的指标,利用宝天曼自然保护区32块样地资料,研究了物种分布与环境之间关系。采用DCCA法可将该地区木本植物群落划分为3个类型;物种与9个环境因子之间存在显著的相关关系,前4轴可解释物种总变异的94.1%;海拔、坡度、土壤含水量、坡向是影响该地区物种分布的主要因子,其中海拔是指示物种分布变化的最敏感因子。不同指标集团的典型相关分析结果表明:地形与植被因子之间、土壤因子与植被因子之间第1对典范相关系数分别为0.712和0.783,存在着显著的相关关系,影响植被特征的最重要地形因子是海拔和坡度,土壤因子为土壤厚度和土壤含水量,而对地形和土壤反应最敏感的植被指标分别为林分密度和平均树高,群落分布状态是由地形和土壤因子共同作用所控制的。

高效求解方法的核典型相关分析算法

针对高维小样本数据在核化图嵌入过程中出现的复杂度问题,引入基于核化图嵌入(kernel extension of graph embedding)的快速求解模型,提出了一种新的KGE/CCA算法(KGE/CCA-S_t)。首先将样本数据投影到维数远低于原样本空间维数的总体散度矩阵对应的秩空间,然后采用核典型相关分析进行特征提取,整个过程减少了核矩阵的计算量。在Yale人脸库和JAFFE人脸库上进行仿真实验,结果表明这种KGE/CCA算法的识别率明显优于KFD、KLPP和KNPE算法的识别率;和传统的KGE/CCA算法相比,在不影响识别率的情况下,KGE/CCA-S_t算法有效减少了计算时间。

一种广义局部判别型典型相关分析算法

在局部鉴别典型相关分析(LDCCA)的基础上,提出一种广义局部判别型典型相关分析算法(GLDCCA)。该算法在准则函数的内协方差矩阵中引入样本类别信息,使其提取的特征更有利于模式分类,采用核主成份分析解决小样本问题,克服传统PCA所受到的线性约束。在人工数据集以及ORL和Yale 2个人脸库上进行实验,结果表明,与CCA算法和LDCCA算法相比,GLDCCA算法具有更高的识别性能。

基于特征互补图像的人脸识别仿真研究

研究人脸识别精度问题。由于人脸图像中存在大量干扰信息的缺点,而造成了人脸识别正确率下降,为了解决上述问题,提出了一种基于特征互补图像快速特征融合算法。算法通过对人脸图像的位平面切片图像分析,采用位平面图像分解法,通过各种合成策略构造多幅样本图像。并突出高位平面图像,采用两种加权策略将每一幅人脸图像样本都生成"特征互补图像"。然后,直接用图像的二维典型相关分析(2DCCA)法对两种特征互补图像进行特征抽取。最后通过在ORL国际标准人脸库上进行的实验,结果表明,高位平面图像的典型相关鉴别特征提高了正确识别率,并且因为摒弃了原始人脸图像的大部分干扰信息所以具有更强的鲁棒性。

基于典型相关分析的多视图降维算法综述

随着数据采集技术的发展,人们获取数据的途径呈多样化,所得到的数据往往具有多个视图,从而形成多视图数据。利用多视图数据不同的信息特征,设计相应的多视图学习策略以提高分类器的性能是多视图学习的研究目标。为更好地利用多视图数据,促进降维算法在实际中的应用,对多视图降维算法进行研究。分析多视图数据和多视图学习,在典型相关分析(CCA)的基础上追溯多视图CCA和核CCA,介绍多视图降维算法从两个视图到多个视图以及从线性到非线性的演化过程,总结各种融入判别信息和近邻信息的多视图降维算法,以更好地学习多视图降维算法。在此基础上,对比分析多视图降维算法的特点及存在的问题,并对未来的研究方向进行展望。

基于深度学习的监督型典型相关分析

典型相关分析(CCA)是利用综合变量对之间的相关关系反映两组指标之间整体相关性的多元统计方法。传统的CCA方法无法有效利用样本的标签信息,导致准确率降低。将类信息融入到深度学习与CCA相结合的深度典型相关分析中,提出一种监督型降维方法DL-SCCA,用于处理带标签的非线性可分数据。在2个独立的深度神经网络(DNN)结构上,增加1个公共的输出维数与数据集类别数相同的全连接层,并且以softmax函数作为该层的激活函数,输出带有概率意义的编码向量。在此基础上,利用全连接输出与样本标签信息之间的交叉熵对DNN进行训练,获得分类性能较优的低维特征。实验结果表明,该方法采用最近邻分类器和网络本身结构得到的分类准确率分别为98.00%和97.82%,相比CCA、DisCCA、DCCA等方法,能够有效利用样本的标签信息,并且具有较优的分类性能。

基于卷积神经网络深度特征融合的番茄叶片病害检测

为提高对叶片病害的识别性能和速度,针对传统手工设计特征识别能力有限的问题,提出了一种基于卷积神经网络(convolutional neural networks,CNN)深度特征融合的植物叶片病害检测方法。首先自动提取不同深度神经网络模型的深度特征,利用典型相关分析(canonical correlation analysis,CCA)进行特征融合,增加特征空间的丰富性和鲁棒性;然后与线性判别分析(linear discriminant analysis,LDA)降维算法相结合,利用LDA最大化类间距离,弥补CCA算法的弱点;最终得到精练良好的植物叶片特征表示。对最终得到的特征进行支持向量机(support vector machine,SVM)分类,在10类番茄叶片数据集上的分类准确率达98.7%,识别速度达30张/s。相比利用GoogleNet深度学习模型和深度特征级联融合分类,准确率分别提高了4%与1%;与使用CCA融合相比分类准确率下降了0.1%,但其识别速度远远高于CCA融合。对比实验表明,所提算法在去除特征冗余的同时较好地保留了相关特征信息,能快速而准确地对番茄叶片进行检测。

一种特征增强的Tri-CNN行人再识别方法

针对行人再识别中遮挡导致提取的高层特征分辨率低而影响识别率的问题,建立一种基于Tri-CNN的特征增强行人再识别方法。首先,对池化层提取的图像特征进行PCA降维,根据典型相关分析策略(CCA)融合特征,提取更具判别力的行人特征。其次,引入空间递归模型(SRM)对遮挡行人特征进行空间多向检测,提高对遮挡行人的识别率。最后,根据欧氏距离度量准则,分别验证正、负样本对间的距离,联合Softmax损失函数和Triplet损失函数优化网络模型,进而判别是否为同一行人。在MARS和ETHZ这2个数据集上进行实验,结果表明本文方法有效解决了一般遮挡识别问题,并显著提高了行人再识别精度。

增强组合特征判别性的典型相关分析

典型相关分析(CCA)在执行分类任务时主要存在如下不足:1)尽管分类时的输入是组合特征,但CCA仅优化组合特征的各组成部分,并未直接优化组合特征本身;2)尽管面对的是分类任务,然而CCA根本无法利用样本的类信息.为弥补CCA的上述不足,文中提出一种监督型降维方法——增强组合特征判别性的典型相关分析(CECCA).CECCA在CCA基础上,通过结合组合特征的判别分析,实现对组合特征相关性与判别性的联合优化,使所抽取特征更适合分类.在人工数据集、多特征手写体数据集和人脸数据集上的实验结果验证该方法的有效性.

融合KCCA推断强化学习的机器人智能轨迹规划

针对当前模仿强化学习(LfDRL)框架面向新任务时并未考虑机器人各关节之间的联系,从而影响学习效果的不足,利用伪协方差矩阵的思想,基于再生核空间(RKHS)和广义瑞丽熵构建面向泛函指标的关节间摄动相关局部坐标系,进而设计出一种集成核典型相关分析(KCCA)与路径积分策略提升(PI^2)的强化学习方法.利用学习经验数据基于KCCA推断出机器人各关节间面向轨迹规划任务的隐含非线性启发式信息,引导PI^2搜索到最优/次优策略,使得机器人实现从示范轨迹规划任务到新轨迹规划任务的快速迁移学习,并高质量完成.选择顺应性装配机械手臂(SCARA)和优傲5(UR5)机器人的过单点、过两点迁移学习智能轨迹规划实验,结果表明:融合KCCA推断启发式信息的强化学习的平均代价下降率明显优于经典的PI^2算法,其机器人智能轨迹规划在提升学习收敛速度的同时也提高了机器人完成新任务的精度.