非小细胞肺癌中EGFR突变位点和样本差异性对突变与蛋白表达的影响

目的探讨非小细胞肺癌(non-small cell lung cancer,NSCLC)中表皮生长因子受体(epidermal growth factor receptor,EGFR)基因突变的临床病理特征,分析EGFR突变与蛋白表达的相关性以及不同突变位点和样本差异性的影响,寻求更有效的EGFR筛查手段。方法采用ARMS-PCR法和免疫组化法检测356例NSCLC中EGFR基因突变和蛋白的表达,分析两者的相关性。结果EGFR基因突变率为53. 93%,EGFR蛋白阳性率为69. 8%;两者表达显著相关(P<0. 001);以ARMS-PCR法为金标准时,免疫组化法检测其灵敏度为87. 77%,特异性为53. 77%,阳性预测值为71. 34%,阴性预测值为77. 02%;因标本类型和组织学类型造成的样本差异性中,手术肿块(Kappa=0. 824)和肺鳞癌(Kappa=0. 496)样本的检测一致性明显优于其他组织; EGFR突变与患者性别(P <0. 001)、组织学类型(P <0. 001)、胸膜侵犯(P <0. 001)、脉管神经累犯(P=0. 001)和淋巴结转移(P=0. 002)密切相关。结论非小细胞肺癌中EGFR突变与蛋白表达相关,在充分考虑样本差异性影响的前提下,免疫组化检测可作为EGFR突变的经济便捷初筛手段和补充。

基于样本差异性的多标记特征选择算法

在多标记学习中,特征空间的高维性是多标记学习研究的主要问题。文章通过聚类构建由代表性样本组成新多标记数据,定义了多标记决策系统中样本的分类间隔及样本的差异性概念,在此基础上定义了特征权重,提出一种基于样本差异性的多标记特征选择算法,并用4个指标对4个多标记数据集进行实验评价,对比一些当前流行的特征选择算法,验证了本文所提算法的有效性。

基于自适应样本权重的矩阵分解推荐算法

稀疏数据矩阵缺失值估计是一项必要的基础性研究,在推荐系统中尤为重要,针对该问题的一种有效方法便是矩阵分解算法(Matrix Factorization,MF),但传统MF算法仅直接使用回归思想拟合矩阵样本点,并没有考虑样本自身拟合难易程度的差异性。针对该情况,文中分析提出了一种基于自适应样本权重的矩阵分解算法(AWS-MF),在原有MF算法的基础上,针对样本差异性进行有偏向模型拟合,为增加模型回归的准确性与稳定性,加权整合中间算法结果,从而得到最终的拟合数据值。实验结果表明,相比于MF算法和NMF算法,改进后的AWS-MF算法能根据样本差异性自动调整样本权重占比,在充分利用已有数据的前提下,最终得到更好的缺失值估计结果。

计及源-荷不确定性的虚拟电厂多目标鲁棒优化调度

为解决虚拟电厂内部参与者的功率再分配问题,建立计及源-荷不确定性的虚拟电厂多目标日前鲁棒优化调度模型。所提模型中对于风电、电负荷及热负荷采用可调不确定集合来描述,并以运行成本与碳排放量作为多目标优化调度的目标函数。应用对偶理论将多目标鲁棒模型转化为多目标确定性模型。为了更好地获得帕累托前沿解集,采用增广ε-约束法将多目标优化重构为单目标优化问题。应用考虑样本相关性与差异性的客观赋权法与综合评价法获取帕累托解集中的理想解。研究结果验证了所提模型的正确性及多目标问题处理方法的有效性。

基于多元随机效应Wiener过程的某弹用弹簧可靠性评估

目的解决某弹用弹簧可靠性评估中存在的不确定性问题。方法对某弹用弹簧进行加速退化试验,试验过程中发现其具有多个性能退化参数,并且其退化过程具有非线性、随机性及样本差异性的特征。为了对其退化过程进行数学表征,提出一种基于多元随机效应Wiener过程的退化模型。采用基于时间尺度变换的非线性Wiener过程,描述弹簧退化过程中的非线性与随机性。基于随机效应模型,对样本的差异性进行表征,利用Copula函数描述多元性能参数之间的相互作用关系。最后推导弹簧失效寿命的概率密度函数、可靠度函数。结果在贮存条件为25℃、可靠度为0.9时,基于构建的多元随机效应Wiener过程模型,当考虑性能间的相关性时,得到某弹用弹簧的贮存寿命为12 a;不考虑性能间的相关性时,得到其贮存寿命为11.5 a。结论构建的多元随机退化模型为该弹药健康状态管理提供了相应的理论依据。

基于Parameter Server框架的大数据挖掘优化算法

基于大数据挖掘的实时性要求和数据样本的多样性特征,提出一种面向大数据挖掘的机器学习模型训练优化算法。分析当前算法的迭代计算过程,根据模型向量的改变量将迭代过程分为粗调和微调两个阶段,并发现在微调阶段绝大部分样本对计算结果的影响极小,因此可以在微调阶段不计算此类样本的梯度而直接采用上次迭代的计算结果,从而减小计算量,提升计算效率。试验结果表明,算法在分布式集群环境下可以减小模型训练约35%的计算量,且训练得到的模型准确度在正常范围内,可有效提高大数据挖掘的实时性。