在中国稳定性胸痛患者中利用冠脉CTA对冠心病验前概率模型进行验证和比较

目的在行冠状动脉CT血管造影(CCTA)检查的中国人群中对升级的Diamond–Forrester模型(UDFM)和杜克临床评分(DCS)进行验证和比较。方法收集2015年12月—2017年12月天津市胸科医院共5 743例因稳定性胸痛行CCTA检查的患者资料。冠心病定义为经CCTA确认至少有1个节段冠脉血管直径狭窄超过50%。每例患者的验前概率分别根据UFDM和DCS计算。采用受试者工作特征曲线下面积(AUC)、净重分类改善(NRI)和Hosmer–Lemeshow拟合优度统计量(H-Lχ~2)等指标对模型的评估准确性进行验证和比较。结果共有1 872(32%)例患者经CCTA检查确证为冠心病。DCS(AUC=0.772,95%CI:0.759～0.786)和UDFM(AUC=0.765,95%CI:0.751～0.779)差异无统计学意义(P=0.068)。DCS相对于UDFM有更好的分类能力(NRI=26.20%,P<0.001)。UDFM(H-Lχ~2=137.823,P<0.01)和DCS(H-Lχ~2=156.704,P<0.01)的校准能力均较差,均高估了实际患病率。结论与UDFM相比,DCS能更好地在行CCTA检查的中国人群中估算冠心病的验前概率,但两者均高估了冠心病的实际患病率。

基于后验概率的支持向量机

在支持向量机 (supportvectormachines ,SVM )中 ,训练样本总是具有明确的类别信息 ,而对于一些不确定性问题并不恰当 受贝叶斯决策规则的启发 ,利用样本的后验概率来表示这种不确定性 将贝叶斯决策规则与SVM相结合 ,建立后验概率支持向量机 (posterioriprobabilitysupportvectorma chine ,PPSVM )的体系框架 并详细讨论线性可分性、间隔、最优超平面以及软间隔算法 ,得到了一个新的优化问题 ,同时给出了一个支持向量的新定义 实际上 ,后验概率支持向量机是建立于统计学习理论(statisticallearningtheory)基础之上 ,是标准SVM的扩展 针对数据 ,还提出了一个确定后验概率的经验性方法 实验也证明了后验概率支持向量机的合理性。

一种基于SVM后验概率的网络流量识别方法

为解决网络样本标注的难题,实现多种网络流量环境中的主动学习,提出一种基于支持向量机后验概率的网络流量识别方法。结合支持向量机输出和Sigmoid函数拟合样本所属类别后验概率,用其中较大的2类概率信息熵值衡量样本影响分,借助支持向量机和不确定性采样策略实现主动学习过程,形成流量识别模型。实验结果表明,该方法能取得较好的识别效果。

后验概率支持向量机在企业信用评级中的应用

在支持向量机(Support Vector Machine)的分类问题中,训练样本的分类信息总是确定的,由此得到的分类指示函数也总是对新样本给出确定的分类信息,但是这种情况对一些不确定性问题并不恰当。利用贝叶斯规则,将样本的后验概率与传统支持向量机结合,得到了基于后验概率的支持向量机。在具体的算法上,引入了一个经验性的方法得到样本的后验概率。以某评级机构提供的企业信用评估数据库为研究对象。

基于贝叶斯网络的加工变形不确定性分析及度量

大型零件由刚性的毛坯加工成薄壁、弱刚性的复杂结构零件,几何结构特征不断变化,结构动态特性、初始残余应力分布以及表面层状态亦随之不断变化,因此薄壁件的加工过程充斥着诸多不确定性。围绕“应力—变形”力学关系,从应力状态不确定性的角度出发,系统分析残余应力的不确定性对加工变形的影响。采用矩估计与自回归模型联合评估方法或者最小二乘拟合外推与自回归模型联合评估方法评估初始残余应力和表面残余应力的不确定度。构造加工变形的贝叶斯网络模型,开展加工变形不确定性的推理过程,采用后验概率指标量化输入因素的不确定性对加工变形的影响。结果表明,初始残余应力和表面残余应力的不确定性分别使加工变形增大17.8%和1.0%~6.4%。

一种考虑径流预报及其不确定性的水库优化调度模型

鉴于纯随机径流描述或确定性径流预报的水库(群)优化调度模型,未考虑径流预报及其不确定性,导致优化计算结果与水库实际运行情况存在较大差异。本文提出了一种利用后验的径流状态转移概率和径流预报的可预测性概率来描述径流预报及其不确定性的优化调度模型。依据二滩水电站径流及其预报的实际状况,考虑不同预见期的径流预报信息,建立了考虑径流预报及其不确定性的二滩水电站径流描述和优化调度模型。研究结果表明,考虑径流预报及其不确定性有效改善了已有的径流描述模型和发电优化调度模型,可明显地提高水电站发电效益。

小数据集下基于改进QMAP算法的BN参数学习

贝叶斯网络(bayesian network,BN)小数据集条件下,定性最大后验概率(qualitative maximum a posteriori,QMAP)估计往往会违反给定的专家约束,这就导致QMAP估计偏离真实值。为了克服该算法的缺陷,提出了一种改进的QMAP算法。首先,学习出QMAP估计,再结合保序回归方法对违反不等式约束的参数进行校正;然后使用一种微调策略对校正后的参数做进一步调整,使所得参数能够满足专家约束;最后,与最大似然估计(maximum likelihood estimation,MLE)和QMAP算法对比。仿真实验结果表明:在小数据集条件下,提出的算法满足所有约束条件,KL(Kullback-Leibler)散度始终低于其他2种算法,运行时间高于其他2种算法约0.1 s,影响甚微,且推理结果贴近真实值,偏差维持在±0.05之间。改进的QMAP算法的综合性能优于MLE、QMAP算法,并具有较好的实用性。

致密油藏储量升级潜力不确定性评价方法及应用

中国陆相致密油藏储量升级评价面临着储层非均质性强、阶段地质认识不确定性大和静、动态评价结果差异明显等一系列难题,使用常规确定性评价方法存在一定局限性。为此,建立一套系统的储量升级潜力不确定性评价方法,重点实现3方面改进:①以不确定性储量评价方法代替传统确定性方法,定量地给出不同可靠程度下的可升级储量;②基于后验概率思想,实现静、动态方法相互校正和综合评价;③引入升级概率概念,基于概率论方法定量化评价储量升级可能性和对应升级规模。将上述方法应用于鄂尔多斯盆地A井区长8致密油控制储量升级评价,明确了其在不同油价和工程技术条件下的储量升级概率和升级规模。实际应用表明,该方法能够为中国致密油储量升级评价和目标优选提供有效技术支撑。

预测油藏岩石物性及不确定性分析研究

预测油藏岩石物性的方法论是存在的。这个方法论的目的是为预测油藏属性提供一个全面的方案,其中包括估计和不确定性分析。这个方法从以下两个方面进行:(1)不确定性分析。(2)用一个直接的方法,综合多中地球物理学数据集,岩石物理分析信息和先验信息。这个直接的方法利用了贝叶斯定理。在这篇论文中,主要目的是解决孔隙度估计问题。信息来源是叠前地震数据,测井数据和岩心样本。波形弹性叠前反演被包含在这个方法中,目的是从叠前地震数据中得到多孔介质物理属性信息。地质统计学模型被包含在这个方法中,目的是从测井数据中得到多孔介质空间变异信息。应用这个方法,需要把一个油藏分成许多个单元格。对每一个油藏单元格,一个后验概率密度函数被计算出来。最后,两个数据体包含了最终的结果。

结构影响线识别:反问题可识别性分析与降维贝叶斯不确定性量化

结构影响线识别是移动荷载下既有结构评估的理论基础,其本质上是基于系统输入-输出含噪数据反向对静力系统指定截面的响应函数进行识别。已有研究虽然取得了进展,但它们在以下两个方面存在局限性:缺乏反问题可识别性分析;缺乏不确定性量化。反问题可识别性分析是为了厘清系统识别的参数的解的情况。不确定性量化是基于测量输入-输出含噪数据估计影响线参数的后验概率密度函数。针对上述两个局限性,该文在贝叶斯概率框架的基础上开展关于影响线识别的反问题可识别性分析与贝叶斯不确定性量化。该文进行基于直接参数化的影响线识别,包括系统输入与输出、反问题可识别性分析、参数最优值。经分析得出:一方面,直接参数化无法保证全局模型可识别;另一方面,现有方法即使是全局模型可识别的情况下也无法进行不确定性量化。为保证反问题是全局模型可识别且同时获取参数后验概率密度函数,该文提出基于降维贝叶斯不确定性量化的影响线后验识别,包括系统输入与输出重构、反问题可识别性分析、后验概率密度函数。该文进行模拟数据下新光大桥吊杆拉力影响线识别,与实测及模拟数据下简支梁桥应变影响线识别,验证提出方法的有效性。

基于不稳定性采样的主动学习方法

传统的主动学习方法往往仅基于当前的目标模型来挑选样本,而忽略了历史模型所蕴含的对未标注样本预测稳定性的信息。因此,提出基于不稳定性采样的主动学习方法,依据历史模型的预测差异来估计每个未标注样本对提高模型性能的潜在效用。该方法基于历史模型对样本的预测后验概率之间的差异来衡量无标注样本的不稳定性,并挑选最不稳定的样本进行查询。在多个数据集上的大量实验结果验证了方法的有效性。

验前概率结合心电图运动平板试验在可疑稳定性冠状动脉粥样硬化性心脏病中的诊断价值

目的 通过更新的Diamond-Forrester法(UDFM)推断得到验前概率,探讨验前概率结合心电图运动平板试验板(ETT)在可疑稳定性冠状动脉粥样硬化性心脏病(SCAD)患者中的诊断价值。方法 采取回顾性分析方式,入选2016年1月至2020年9月因“胸痛”就诊于福建医科大学附属第一医院心血管内科,并于2周内行ETT和冠状动脉造影(CAG)的患者340例。通过UDFM推断研究对象的验前概率,并以验前概率作为依据分为低验前概率组(验前概率<15%,n=56)、中低验前概率组(验前概率15%~65%,n=207)、中高验前概率组(验前概率>65%~85%,n=77)。以CAG结果为金标准,分析验前概率及验前概率结合ETT在可疑SCAD患者中的诊断价值。结果 以CAG为金标准,验前概率预测SCAD的受试者工作特征(ROC)曲线下面积(AUC)为0.678(95%CI 0.619~0.737,P<0.05)。ETT诊断SCAD的阳性预测值,男性高于女性(63.2%比33.3%,χ^(2)=12.312,P<0.001)。验前概率结合ETT的诊断价值,线性趋势检验结果显示,低、中低和中高验前概率敏感度、特异度不存在线性趋势,而阳性预测值呈升高趋势,阴性预测值则呈下降趋势(P<0.05);女性患者中,中低验前概率组阳性预测值高于低验前概率组;男性患者中,中低验前概率组阴性预测值高于中高验前概率组(均P<0.05)。结论 UDFM推断得到的验前概率在可疑SCAD人群中具有一定的预测价值。验前概率结合ETT可提高两者在可疑SCAD患者中的诊断价值。

贝叶斯模型平均法的基本原理及其在logistic回归中的应用实例

目的介绍Bayesian模型平均法的基本原理,并对实际资料进行分析,指出该方法的优越性。方法以Hosmer和Lemeshow研究低出生体重婴儿影响因素的队列研究为例,分别以Bayesian模型平均法和逐步logistic回归法选择最佳模型,并分析比较二者的差异及原因。结果Bayesian模型平均法确定的10个后验概率最大的模型的累积后验概率仅为0.59,模型本身的不确定性是很大的,而逐步logistic回归法确定的最佳模型的后验概率(P(βk≠0|D)<0.032)要远低于Bayesian模型平均法确定的最佳模型的后验概率(P(βk≠0|D)=0.12)。从回归系数的估计值、标准误和P值比较两种方法的结果发现,Bayesian模型平均法估计的精度较高,而逐步logistic回归法由于没有考虑模型本身的不确定性,偏向于高估结果。结论Bayesian模型平均法考虑了模型本身的不确定性,其分析结果更可靠,在统计建模中具有较好的应用前景。

贝叶斯网络在模型诊断中的应用

把贝叶斯网络引入到模型诊断框架中,依据观测量,研究了一种建立系统贝叶斯网络观测模型的方法。利用网络观测模型,可计算系统诊断解的后验概率,从而找出系统最可能的故障组件。最后,以卫星两轴姿态控制系统为例,应用本文方法进行了分析。

大规模移动自组织网络分层优化策略研究

大规模移动自组织网络(MANET)有效的分层协议可以增强网络逻辑拓扑结构的稳定性,减小通信中继花费。提出利用动态节点多特征融合与GRF-MAP结合的方法构建大规模MANET分层结构,以提高网络层次结构的稳定性。仿真数据表明,算法在分层结构的稳定性方面明显优于其他算法。

不确定随机系统两步最小方差对偶控制

针对参数不确定随机系统,为寻求满足对偶性质的控制策略,将求解最优控制律的多步最小方差性能指标,用两步最小方差性能指标代替,不确定参数在有限模型集中取值;根据确定性等价原理,求取各模型的两步最小方差控制律,经过后验概率加权,得到系统的两步次优自适应对偶控制律.运用Matlab软件进行仿真试验,结果表明:该算法能有效地解决不确定随机系统估计与控制的矛盾,且算法简单、可行.

Bayesian模型平均法及其在Cox回归中的应用

文章介绍了贝叶斯模型平均法的基本原理,并对实际资料进行分析,指出了该方法的优越性;以Mayo Clinic的原发性肝硬化数据为例,采用Bayesian模型平均法选择模型,并比较了三种模型确定方法方法的预测效能。

基于动态策略的多源迁移学习数据流分类研究

为解决数据流分类中的概念漂移和噪声问题,提出一种基于样本确定性的多源迁移学习方法。该方法存储多源领域上由训练得到的分类器,求出各源领域分类器对目标领域数据块中每个样本的类别后验概率和样本确定性值。在此基础上,将样本确定性值满足当前阈值限制的源领域分类器与目标领域分类器进行在线集成,从而将多个源领域的知识迁移到目标领域。实验结果表明,该方法能够有效消除噪声数据流给不确定分类器带来的不利影响,与基于准确率选择集成的多源迁移学习方法相比,具有更高的分类准确率和抗噪稳定性。

基于贝叶斯网络推理的油气成藏模式分析

油气资源评价研究中的难点是描述各种地质场景的不确定性，综合定量数据和定性知识做出科学的决策。贝叶斯网络是进行不确定性概率推理的有效模型。本文首先以假想的油气成藏为例，结合先验知识得到后验概率并创建贝叶斯网络，计算成藏可能性；然后构建塔河地区成藏可能性的贝叶斯网络，通过设置证据节点，预测效果有较大改善。结果表明，应用贝叶斯网络可以在一定程度上提高油气资源评价结果的可靠性。

统计决策中的效用理论与信息价值(下)

二、获取新信息的决策上面讨论的是客观上存在着几种不同的“情况”(s)时,个人要在各种“行动”(a)中作出选择的决策。原则上,行动与情况都可以定义在一个连续区间上,为方便计我们采用了离散型的变量。当行动为a(1,2)、情况为s(1,2)时,它们的不同组合如下: