双向分类随机效应套模型中异常值的UMPU检验

本文就平衡的（Balanced）双向分类随机效应套模型，讨论了主效应均值滑动模型的异常值检验问题，并给出了似然比检验统计量．在零假设及备择假设下导出了检验统计量的分布，证明了检验的一致最优无编（UMPU）性．最后对相关问题进行了讨论．

双向分类随机效应模型中方差分量经验Bayes估计的收敛速度(英文)

本文在加权平方损失下导出了平衡的双向分类随机效应模型中方差分量的Bayes估计,并利用非参数方法构造了方差分量的经验Bayes(EB)估计.在适当的条件下证明了EB估计的收敛速度.最后,给出一个满足主要结果的例子.

双向分类随机效应模型中方差分量的估计

双向分类随机效应模型是一类有着广泛应用背景的统计模型,其中对模型中方差参数的一种重要估计方法是方差分析估计。由于方差分析法得到估计的均方误差(MSE)并不是最小的,本文在一类新的估计族中提出了改进的ANOVA估计。结果表明新的估计比ANOVA具有较小的MSE,这种新的估计方法可推广到医学领域中常见的一般模型。

随机双向分类模型中方差分量区间估计的改进

本文首先给出了随机双向分类模型中方差分量基于由方差分析产生的平方和的区间估计.然后以此为基础进行了改进,推导出了同时依赖于均值与平方和的区间估计.二者的区间长度相同,但后者有较高的置信度.

双向分类随机可加效应模型中可加性异常值(outlier)的检验

在双向分类随机效应模型中，在实际应用时人们更感兴趣的是模型的可加性。此时异常值的出现是由于它偏离了模型的可加性假设。即数据中的少部分点偏离了模型的可加性。这在实际中是一个重要问题，同时也是本文所研究的内容。本文安排如下：第二节给出模型的介绍及问题的由来；第三节导出了可加性ｏｕｔｌｉｅｒ的检验方法及检验统计量的精确分布，并给出双向分类随机效应模型中可加性异常的检验方法；第四节对相关问题进行了讨论。

双向分类随机效应模型的Outlier检验方法

本文主要研究平衡的双向分类随机效应模型中Ｏｕｔｌｉｅｒ（异常值）的检验问题。给出了在主效应上出现Ｏｕｔｌｉｅｒｓ的检验方法，导出Ｏｕｔｌｉｅｒ检验统计量及其分布，并对检验的功效函数进行讨论。最后，运用模拟数据说明本文方法的有效性。

双向分类混合交互效应模型中异常值的UMPU检验

就平衡的（ｂａｌａｎｃｅｄ） 双向分类混合交互效应模型，讨论了主效应均值滑动模型的异常值检验问题，并给出了似然比检验统计量．在零假设及备择假设下导出了检验统计量的分布，证明了检验的一致最优无偏（ＵＭＰＵ） 性，最后对相关问题进行了讨论．

双向分类混合交互效应模型中均值滑动模型的异常值检验

在双向分类混合交互效应模型中，引入了交互效应及误差变量上的均值滑动模型，并导出了相应的检验统计量，在数据中有异常值出现的情况下，给出了一个检验过程．最后通过一组模拟数据进行了分析．

双向有序分类资料线性趋势检验的几个问题商榷

国内相关文献〔1-4〕在介绍双向有序列联表资料线性趋势检验时,均将列联表Pearson卡方检验χ2值分解成线性回归分量χ2回归与偏离线性回归分量χ2偏,

双向有序分类资料线性趋势分析方法的前提条件

目的 给出双向有序R×C表资料在作线性趋势分析时常用公式的适用条件。方法 运用统计量的分布理论和近似计算方法 ,求出公式中所涉及统计量的渐近分布。结果 对线性趋势分析方法的一般步骤作相应的补充并提出公式应遵循的条件。结论 只有满足前提条件 ,才可以保证线性趋势分析方法的有效性。

双向有序分类数据的趋势检验

目的:探讨双向有序分类数据相关的趋势检验方法。方法:根据各种方法的原理及其计算公式,结合实例应用SAS统计软件编程对双向有序分类数据进行趋势检验。结果:给出了双向有序分类数据不同趋势检验方法的SAS程序,并对如何解释输出结果进行了说明。结论:在医学科学研究中应推荐使用趋势检验。

草海流域植物群落结构数量分类与排序

采用典型样地法对草海流域森林植被进行取样,利用22块样地资料对群落进行双向指示种分析法(TWINSPAN)分类、除趋势对应分析(DCA)排序和典范对应分析(CCA)排序,研究了草海流域植被的群落结构。结果表明:(1)利用TWINSPAN对流域内物种进行了分类,按照不同的指示种将其划分为7个群丛类型,同时在DCA二维排序图上得到了很好的印证。(2)CCA排序结果显示,对排序贡献由大到小依次为海拔、坡向、坡度、坡位。第1排序轴与海拔有关,反映了研究区温度条件的差异;第2排序轴与坡向和坡度显著的相关关系,反映了研究区水热和光照条件的差异。综合认为,草海流域植物群落分布主要受海拔和坡向两个环境因子的影响,具有明显的垂直地带性分布。

川西北高寒草地退化演替群落的数量分类与排序

在野外植被调查的基础上,应用TWINSPAN分类和DCA排序法,对川西北高寒草地退化演替群落进行了多元分析。根据TWINSPAN分类结果,并结合生态特性,将所调查的45个样方植被分为12个群丛,论述了各群丛的群落学特征。DCA二维排序图较好地验证了TWINSPAN的分类结果,第1轴主要反映了植物群落所在环境的水分条件梯度,第2轴基本反映了高寒草地不同退化的梯度。

重庆地区野生春兰伴生群落数量分类与排序

对重庆地区的春兰伴生群落进行了区系成分分析和数量分类研究,结果表明:春兰的伴生群落共有维管植物68科110属131种,属种系数大,区系丰富度小;用Pcord4.0的Twinspan程序可以将春兰伴生群落划分为2个群系(马尾松林和糙皮桦林)5个群丛;5个群丛分别为:Ⅰ.马尾松+白栎—铁仔—五节芒+蝴蝶花+春兰群丛;Ⅱ.马尾松+白栎—柞木+华西小石积+马桑—五节芒+沿阶草+春兰群丛;Ⅲ.杉木+马尾松+板栗—菝葜+盐肤木—五节芒+春兰群丛;Ⅳ.马尾松—水竹+板栗—五节芒+春兰群丛;Ⅴ.糙皮桦—川楝+朴树—蝴蝶花+蕨+春兰群丛.在空间结构上,春兰样地分层明显,75%样地的乔木层可以划分为3个亚层;除一块为火烧迹地的样地外,其余样地灌木层盖度一般为20%以下,草本层盖度一般在10%以下.由CCA排序可知,经度、纬度、海拔、干扰强度、夏季郁闭度及坡向是对植被分布具有重要影响的环境因子.通过相关分析显示,与春兰在群落中的重要值呈极显著和显著相关的环境因子是枯落层厚度和群落冬季郁闭度.由马尾松、壳斗科落叶树和春兰组成的群落是典型的春兰适生伴生群落;保护由马尾松和壳斗科落叶树组成的混交林对于春兰的保护是有利的.

判别性双向协同表示的图像识别算法

基于协同表示的分类(CRC)以其卓越的协同能力成为人脸分类领域的一个突破。然而在实际应用中,通常只提供很少甚至是单个人脸图像来进行人脸识别,这导致了CRC无法很好地处理光照、表情、姿态和遮挡等问题。针对该问题,提出一种判别性双向协同表示的图像识别算法(DB-CRC)。首先通过引入判别式字典学习(FDDL)模型学习得到一个结构化字典,使得每个特定类的子字典对相关类的样本具有良好的表示能力,由此,较大的类间离散度和较小的类内离散度使得重构误差和编码系数都具有判别性;然后将学习得到的稀疏编码系数作为测试样本数据进行双向表达,建立快速逆向表示模型,利用双向表示策略估计每个测试样本与结构化字典之间的双向重构残差信息;最后利用竞争融合方法对来自双向表示模型的重构残差进行加权排名,实现最终的人脸分类。在AR、PIE、LFW等通用人脸数据库上的实验结果验证了该算法的有效性,特别是对小样本问题的鲁棒性。

县级公立医院长效补偿机制的创构——县级公立医院补偿机制改革研究(五)

我国县级公立医院试点公共财政和医疗保险的双重混合补偿机制。我国县级公立医院应推公共财政和医疗保险的双向分类补偿机制。公共财政和医疗保险的双重混合补偿机制与双向分类补偿机制,存在着较大差异和明显优劣,将公共财政和医疗保险的双重混合补偿机制转换为双向分类补偿机制,是县级公立医院长效补偿机制创构的必然选择。

塔里木河中游植物群落与环境因子的关系

应用数量分类和排序方法,对新疆塔里木河中游地区植被进行了多元统计分析。结果表明,该地区共有植物23种,隶属于11科21属。其中,多数植物种类在样方中的出现频次较低,说明该地区植物物种丰富度较低。TWINSPAN结果表明,该地区3个断面19个样地可分为3个主要类型,与实际调查结果一致。CCA排序结果同TWINSPAN分类结果基本一致,反映出植物群落分布格局的一般规律及其随环境因子梯度变化的趋势。分析了不同环境因子间的关系,并从定量的角度,以CCA排序图直观地揭示了决定塔里木河中游地区植物群落分布的环境因子主要是地下水位和土壤含水量,其回归模型分别为:X1=-9.5991L+100.86(R2=0.6459);X2=1.65W+43.011(R2=0.7646)。

白杨河——艾里克湖湿地及周边植物群落与环境因子的关系

应用数量分类和排序方法,对新疆白杨河-艾里克湖湿地植被进行了多元统计分析。结果表明,该研究区域主要植被类型中共有植物18种,隶属10科,17个属。其中,多数植物种类在样方中出现的频次较低,说明该地区植物物种丰富度较低。TWINSPAN结果表明,该地区植物可以分9个种类组,与实际调查结果一致。CCA排序结果同TWINSPAN分类结果基本一致,反映出植物群落分布格局随环境因子梯度变化的趋势。分析了不同环境因子的关系,并从定量的角度,以CCA排序图直观的揭示了决定艾里克湖湿地植物群落分布的环境因子主要是地下水位、土壤有机质,其回归模型分别为:X_1=-0．6037L+0．6824(R^2=0．6024);X_2=0．74530M+0．1142(R^2 =0．6004)。

艾里克湖湿地植物群落特征指数与土壤因子的关系

应用双向指示种分类法(TWINSPAN)和典范对应分析法(CCA),对干旱区艾里克湖湿地植物群落特征指数与土壤环境因子的关系进行研究。结果表明,研究区的29种主要植物,隶属12科27属,分为4个种类组,大多数物种丰富度较低,其中胡杨、毛柽柳、芦苇和西伯利亚泡泡刺是最常见的种类。TWINSPAN分析表明,该区25个样地分为3个主要类型组,组1包括6个样地,组2包括18个样地,组3包括1个样地,分别代表不同土壤有机质、全氮、全磷含量的3种生境。CCA排序结果同TWINSPAN分类结果基本一致,反映出植物群落分布格局随土壤因子变化的趋势,确定了影响该区植物群落盖度的土壤因子为有机质、全氮、全磷。

基于连续语音识别技术的猪连续咳嗽声识别

针对现有基于孤立词识别技术的猪咳嗽声识别存在识别声音种类有限,无法反映实际患病猪连续咳嗽的问题,该文提出了基于双向长短时记忆网络-连接时序分类模型(birectional long short-termmemory-connectionist temporal classification,BLSTM-CTC)构建猪声音声学模型,进行猪场环境猪连续咳嗽声识别的方法,以此进行猪早期呼吸道疾病的预警和判断。研究了体质量为75 kg左右长白猪单个咳嗽声样本的持续时间长度和能量大小的时域特征,构建了声音样本持续时间在0.24～0.74 s和能量大于40.15 V^2·s的阈值范围。在此阈值范围内,利用单参数双门限端点检测算法对基于多窗谱的心理声学语音增强算法处理后的30 h猪场声音进行检测,得到222段试验语料。将猪场环境下的声音分为猪咳嗽声和非猪咳嗽声,并以此作为声学模型建模单元,进行语料的标注。提取26维梅尔频率倒谱系数(Mel frequency cepstral coefficients,MFCC)作为试验语段特征参数。通过BLSTM网络学习猪连续声音的变化规律,并利用CTC实现了端到端的猪连续声音识别系统。5折交叉验证试验平均猪咳嗽声识别率达到92.40%,误识别率为3.55%,总识别率达到93.77%。同时,以数据集外1 h语料进行了算法应用测试,得到猪咳嗽声识别率为94.23%,误识别率为9.09%,总识别率为93.24%。表明基于连续语音识别技术的BLSTM-CTC猪咳嗽声识别模型是稳定可靠的。该研究可为生猪健康养殖过程中猪连续咳嗽声的识别和疾病判断提参考。