偏正态单向分类随机效应模型下暴露水平的Bootstrap推断

为评估工作环境中的暴露水平,基于偏正态单向分类随机效应模型,研究暴露水平的区间估计和假设检验问题。首先,利用EM算法给出未知参数的极大似然估计。进而,基于Bootstrap方法,构造个体平均暴露水平的三种Bootstrap置信区间。Monte Carlo模拟结果表明,修正的Bootstrap百分位置信区间在覆盖概率意义下优于其他两种Bootstrap置信区间,Bootstrap标准置信区间在置信上限意义下优于其他两种Bootstrap置信区间。最后,将上述方法应用于苯乙烯暴露数据的案例分析,以验证所提出方法的有效性和合理性。

基于Bootstrap-C_(pu)的机床进给机构装配过程能力评估方法

机床进给机构装配过程是其装配质量形成的过程,由于受5M1E因素影响,进给机构装配过程能力可能不足,会导致进给机构装配质量出现较大波动,甚至出现不合格产品。为此,基于C_(pu)和Bootstrap理论,构建了基于Bootstrap-C_(pu)的进给机构装配过程能力评估方法,并进行了实际应用。结果表明:在95%置信度条件下,该批机床进给机构装配过程能力是足够的,其装配质量波动较小。

基于Bootstrap框架的响应式网页设计与实现

目的:研究基于Bootstrap框架的响应式网页设计及实现方式,使网页能够适应不同尺寸、型号、品牌的终端,并表现出良好的呈现效果,以期能促进网页设计的发展。方法:深入了解Bootstrap框架的相关内容,并明确响应式网页设计的技术要求,为后续实现方式提供具体的依据,在此基础上探讨基于Bootstrap框架响应式网页的具体设计与实现。结果:结合具体案例对基于Bootstrap框架响应式网页设计与实现进行了详细阐述,明确了响应式网页设计时需要达成的内容及一般方法。结论:Bootstrap框架能够为响应式网页设计及实现提供完备且强大的功能支持,为响应式网页设计及技术应用与实现创造了更多的可行性及拓展性,使网页能够在不同终端上均呈现出理想表达效果。

基于支持向量回归的Bootstrap数据扩充方法及其在小子样可靠性评估中的应用

针对航空发动机小子样特性下的可靠性评估问题,提出一种基于支持向量回归(Support Vector Regression, SVR)的Bootstrap数据扩充方法:建立并训练SVR模型,采用邻域抽样法构造输入集,输入训练好的模型中获得扩充样本。仿真结果表明,采用该方法获得的扩充样本较传统Bootstrap方法更接近真实分布,且有效拓展了样本取值区间。以某航空发动机涡轮盘小子样疲劳寿命试验数据为例:(1)非参数方法,采用两种方法获得的平均疲劳寿命十分接近,但新方法获得的置信区间更大,这与样本取值区间的拓展相关;(2)参数方法,对新方法扩充的样本进行参数估计得到的结果与参考值更为接近,最大相对偏差为-1.290 2%,而传统方法的最大相对偏差达到了29.477 6%,两种方法下计算得到的平均疲劳寿命与参考值均较接近,但新方法得到的置信区间与参考区间更为接近。综合来看,所提出的方法能够有效实现样本扩充,具有一定的应用价值。

Bootstrap样本大数据模型和分布式集成学习方法

传统Bootstrap抽样和Bagging集成学习通常以串行方式实现,计算效率低,且存在样本不可重用、扩展性差等问题,不适合高效的大规模Bagging集成学习。从大数据分布式计算的思维入手,提出新的Bootstrap样本划分(BSP)大数据模型和分布式集成学习方法。BSP数据模型通过分布式生成算法将训练数据表达成分布式Bootstrap样本集的集合,存储成HDFS分布式数据文件,为后续的分布式集成学习提供数据支持。分布式集成学习方法从BSP数据模型中随机选取多个BSP数据块,读入集群各个节点的虚拟机,用串行算法对选取的数据块并行计算统计量或训练建模,再将所有的计算子结果回传至主节点中,生成最终的集成学习结果,此过程中可加入对子结果的质量选择以进一步提高预测效果。BSP数据模型的生成和分布式集成学习采用非Map-Reduce计算范式进行,每个数据块的计算独立完成,减少了计算节点间的数据通信开销。提出的算法在Spark开源系统中以新的算子方式实现,供Spark应用程序调用。实验表明,新方法可以高效地生成训练数据的BSP数据模型,提高数据样本的可重用性,在基于有监督机器学习算法构建的大规模Bagging集成学习实验中,计算效率能提高50%以上,同时预测精度进一步提高约2%。

广西紧密型县域医共体试点地区乡镇卫生院运行效率研究——基于Bootstrap-DEA和Tobit模型

目的:分析近年来广西紧密型县域医共体试点地区乡镇卫生院的运行效率及其影响因素,提出对策建议。方法:运用Bootstrap-DEA模型测算2015—2020年试点地区乡镇卫生院静态、动态运行效率,借助Tobit模型检验各因素对效率的影响。结果:2015—2020年试点地区乡镇卫生院综合效率、纯技术效率、规模效率均小于0.9,未达到有效状态;6年间全要素生产率小于1,处于退步状态;医护比、全科医生数占比、医师日均担负诊疗人次、人均GDP、重点人群数量对综合效率有正向影响,出院者平均住院日、门急诊病人人均费用对综合效率有负向影响。结论:紧密型医共体试点地区乡镇卫生院运行效率退步,原因主要在于技术进步指数下降,建议完善乡镇卫生院管理制度,提升管理与医疗技术水平,强化医共体信息平台建设,提升乡镇卫生院运行效率。

基于Bootstrap方法的多组配对数据风险差的一致性检验

在Dallal模型下构建3个统计量,研究小样本多组配对数据风险差的一致性检验问题.通过Monte-Carlo数值模拟,比较小样本下渐近方法和Bootstrap方法在检验过程中的性能.研究发现,Bootstrap方法在第一类错误率和功效上表现更优;特别地,基于Score检验的Bootstrap方法的第一类错误率较稳健,且有较高的功效,检验性能最优.

基于Bootstrap方法和LSSVM模型的滑坡位移区间预测

针对滑坡预测中的不确定性和传统点位移预测无法对预测结果的可靠程度进行有效描述这一问题,本文提出了一种区间预测方法,通过Bootstrap方法和最小二乘支持向量机来构建滑坡位移预测模型。并以三峡库区秭归县树坪滑坡为例,选取ZG85监测点在2007年1月—2012年12月期间的位移、降水量及库水位数据进行研究。研究结果表明,滑坡位移区间预测模型相比于传统的确定性点预测模型,能够同时兼顾准确性和可靠性,为滑坡灾害预测提供了一种新思路。

Bootstrap响应式设计在甜点网站中的应用研究

随着移动智能设备的广泛普及,各种屏幕尺寸的设备层出不穷,网页设计面临着适应不同分辨率设备要求的挑战。而响应式网站设计能够灵活适应不同终端的屏幕尺寸,展示出合理的页面布局,真正实现了“一次开发、多处适用”的目标。以“甜点网站”为例,从开发环境及相关技术、网站规划与设计、数据库设计、网站测试与发布几个方面进行阐述,并对响应式导航、Bootstrap栅格系统、轮播插件的使用等方面进行详细论述。采用Bootstrap框架、HTML5和PHP技术,实现了多终端屏幕适配的甜点网站,大大提升了用户体验,提高了网站的吸引力和竞争力。

基于“一带一路专题网”项目的Bootstrap课程重构与实施

文章以Bootstrap应用开发课程为例,设计“移动端一带一路专题网”为主体的课程项目,包括课程和案例整体介绍、学情分析、教学内容设计、教学方法及实施过程等环节。将该项目充分融入课程体系中,并按照企业实际工作流程设立任务目标,重新设计教学过程和方法。通过课程的学习,学生可以充分了解真实项目开发流程,并浸润式培养学生的家国情怀和精益求精、爱岗敬业的职业素养。

基于Bootstrap方法和灰色关联分析法的企业原材料订购方案与运输策略

基于企业生产经营的现实情况,文章使用Bootstrap及灰色关联分析等方法对企业过去的原材料订购情况、供应商供应情况和转运商运输情况的相关数据进行了处理,并对供应商的供货特征和转运商的运输损耗特征进行了量化分析。其中,建立并应用了一种评价供应商重要性的评估体系,在不同条件下给出了企业最优订购方案和运输方案,分析了企业如何通过技术改造来提高产能的潜力。

基于Bootstrap-DEA模型的中国海洋经济效率空间演化及影响因素分析

本文基于2006-2020年沿海11个省区市的面板数据,借助Bootstrap-DEA综合模型测算我国海洋经济效率,采用标准差椭圆法和平均中心,定量刻画了其空间格局演化特征,分别考察了我国沿海省区市整体和三大海洋经济圈内部演化格局特征,使用Tobit模型探究海洋经济效率的影响因素。结果表明:(1)基于Bootstrap-DEA综合模型纠偏后的海洋经济效率较低,但准确性更高;此外,海洋经济效率具有明显的阶段性特征,总体上呈现先上升后下降的趋势。(2)从沿海11个省区市整体标准差椭圆分布情况和重心转移轨迹来看,2006-2010年呈现“东北-西南”空间格局,2010-2020年呈现“西南-东北”分布格局;观察期内三大海洋经济圈标准差椭圆走势和重心转移趋势分别为:北部海洋经济圈走势呈现“东北-西南”格局,东部海洋经济圈走势呈现“南-北”格局,南部海洋经济圈走势呈现“东北-西南-东北”格局。各省市的发展特点、政策格局、基础建设与演化格局息息相关。(3)对海洋经济效率的影响因素分析可得,陆域经济发展水平、海洋科研投入强度以及海洋环境规制强度对我国海洋经济效率产生显著的正向促进作用,与相关研究成果结论一致。

基于Bootstrap的高炉铁水硅含量二维预报

高炉铁水硅含量的实时准确预报对调控高炉炉温和稳定炉况具有重要作用,但其预报结果一直存在准确度不高和缺乏可信度表征等问题,特别是在炉况不稳、运行数据波动较大时,预报结果的准确度和可信度急速下降,不利于现场操作人员根据预报结果进行生产操作.为此本文融合神经网络和Bootstrap预报区间方法,构建高炉铁水硅含量的二维预报模型,实现在预报硅含量值的同时给出了该预测值的可信度.应用实例表明,本文提出的方法提高了硅含量点预测结果的准确度,且预测区间宽度能正确地表征点预测结果的可信度,对实际生产操作具有较好的指导意义.

基于OS-ELM和Bootstrap方法的超短期风电功率预测

提出了一种基于在线序贯极限学习机(OS-ELM)的超短期风电功率预测方法。利用OSELM学习速度快、泛化能力强的优点,将批处理和逐次迭代相结合,不断更新训练数据和网络结构,实现了对数值天气预报风速的快速实时修正和风电机组输出功率的快速预测。随后,采用计算机自助(Bootstrap)法构造伪样本,给出了预测功率的置信区间评估。实例和研究结果表明,该预测方法与反向传播(BP)网络、支持向量机(SVM)方法相比,在计算时间上更能满足在线应用需求,而且预测精度相当,有较好的应用前景。

Bootstrap方法的仿真实现及其在系统偏差估计中的应用

该文研究Bootstrap方法与Bayes Bootstrap方法的原理及在小样本情况下的应用问题。分析了这二种统计方法的原理,给出了总体分布中未知参数的点估计方法和区间估计方法,后采用非参数抽样法,编写C语言程序,实现了Bootstrap方法与Bayes Bootstrap方法的计算机仿真。通过实例分析,给出了射击系统偏差在Bayes Bootstrap方法、Bootstrap方法和经典统计方法下的具体偏差值,得到Bayes Bootstrap方法优于其它二种方法的结论。

特小子样试验下导弹精度评定的Bootstrap方法

针对特小子样下导弹精度评定的需求,提出了利用验前信息来弥补现场试验信息不足的改进Boot-strap统计方法。首先介绍了Bootstrap方法的基本概念;其次分析和比较了特小子样下验前信息与现场试验信息的若干种相容性检验方法的性能,并根据相容性检验水平确定了各类信息源的权重。然后,基于重要度抽样的思想,分别针对非参数Bootstrap方法和参数Bootstrap方法讨论了验前信息在导弹精度评定中的运用。最后,根据工程经验提出了一种改进的权重分配方案。仿真结果表明,KS相容性检验方法在特小子样下更为适用,考虑相似验前信息的Bootstrap精度评定结果更为合理。

基于Bootstrap-Bayes的加工中心主轴可靠性建模

针对采用常规Bayes方法对小样本加工中心主轴之类产品进行可靠性建模时与工程实际有较大差异的问题,提出了一种基于Bootstrap-Bayes的小样本可靠性建模方法:为减小先验分布的误差,应用Bootstrap抽样方法对研究对象相同制造环境下同类产品的可靠性模型进行再抽样,从而获得参数的先验分布;在计算后验分布过程中,利用马尔可夫链蒙特卡罗抽样方法,简化了计算,得到了研究对象的可靠性模型。以大样本下经典建模方法所得可靠性模型为基准,与利用Bootstrap-Bayes方法建立的可靠性模型和常规Bayes方法建立的可靠性模型进行比较,结果表明,基于Bootstrap-Bayes的可靠性建模方法所建模型的误差明显小于常规Bayes方法。

有限数据条件下边坡可靠度分析的Bootstrap方法

基于Bootstrap抽样技术提出了有限数据条件下边坡可靠度分析方法。简要介绍了传统的边坡可靠度分析方法。采用Bootstrap方法模拟了抗剪强度参数概率分布函数的统计不确定性。以无限边坡为例研究了抗剪强度分布参数和分布类型不确定性对边坡可靠度的影响规律。结果表明:基于有限数据估计的样本均值、样本标准差和AIC值具有较大的变异性,这种变异性进一步导致了抗剪强度参数概率分布函数存在明显的统计不确定性。在考虑抗剪强度参数概率分布函数的统计不确定性时,边坡可靠度指标应为具有一定置信度水平的置信区间,而不是传统可靠度分析中的固定值。边坡可靠度指标的置信区间变化范围随安全系数的增加而增大,同时考虑分布参数和分布类型不确定性计算的可靠度指标具有更大的变异性和更宽的置信区间变化范围。Bootstrap方法为有限数据条件下抗剪强度参数概率分布函数统计不确定性的模拟以及边坡可靠度的评估提供了一条有效的途径。

开放式地理实体关系抽取的Bootstrapping方法

从网络文本中抽取地理实体间空间关系和语义关系要求高时效性和强鲁棒性。本文提出一种开放式地理实体关系的自动抽取方法,通过bootstrapping技术统计词语的词性、位置和距离特征来计算语境中词语权值,据此确定描述地理实体关系的关键词,最终组织成结构化实例,并使用百度百科和Stanford CoreNLP开展了试验。研究结果表明,本文方法能自动挖掘自然语言的部分词法特征,无须领域专家知识和大规模标注语料,适用于未知关系类型的信息抽取任务;较之经典的Frequency、TFIDF和PPMI频率统计方法,精度和召回率分别提升约5%和23%。

基于嵌入式Bootstrap的主动学习示例选择方法

在Bootstrap示例选择算法的基础上提出一种新的嵌入式Bootstrap算法.该算法适用于一大类主动机器学习中训练示例的选择问题.新算法在保持和原Bootstrap算法相当的训练时间的前提下可得到更典型的训练示例集,从而解决了计算条件对训练集规模的限制,使训练所得预测器具有更高的性能.从理论上分析了新算法的有效性,然后将其与原Bootstrap算法分别应用到基于AdaBoost的正面人脸检测任务中进行对比实验,实验结果与理论分析一致.