众数自适应Lasso回归的统计推断

本文给出了自适应Lasso的众数回归模型,用来对众数回归模型的变量进行选择.对比传统的均值回归模型和中位数回归模型,众数回归在解决重尾、多峰分布问题时更加稳健.众数回归模型的主要估计方法是核估计方法,当自变量的数目较大时,该方法会产生难以忽略的计算误差.本文在核估计方法的众数回归模型基础上添加惩罚项,并通过自适应Lasso方法进行参数估计,有效的剔除了贡献率低的自变量,同时提高了计算的准确性.本文详细阐述了该计算方法,并在一些正则条件下,给出了模型的参数的估计方法和估计值的渐近正态性.模拟实验和实证分析研究了所提方法在有限样本下的性质.对比均值回归模型和传统的众数回归模型,添加自适应Lasso惩罚项的众数回归模型极大地提高了参数估计的准确性.

联合自适应LASSO与块稀疏贝叶斯直接定位方法

无源定位中,直接定位方法优势在于适用低信噪比、参数独立等。然而,当辐射源距无源侦测系统较远时,受低信噪比的影响,接收信号模型中存在的部分未知参数会大幅降低算法对于辐射源的定位性能。为了有效地解决该难题,给出了一种联合自适应LASSO先验与块稀疏贝叶斯的辐射源直接定位方法。经由贝叶斯理论构建分层稀疏模型,联合不同的先验分布以赋予信号中元素独立的自适应LASSO,同时探索信号的块结构和块内相关性,联合具有共享稀疏性的不同基站的字典重建过完备字典,实现远距离辐射源定位。仿真结果表明:在远距离下,当快拍数设置较少,信噪比设定较低时,在辐射源定位效果上所提算法显著优于如MUSIC等传统直接定位算法、Laplace先验方法以及块稀疏贝叶斯方法。

8周运动预适应增强脂肪干细胞治疗心肌梗死大鼠的效果

背景:干细胞移植是心肌梗死的崭新疗法,然而梗死区域极其恶劣的微环境造成干细胞存活率低下并导致远期疗效甚微。运动预适应是一种通过运动诱导机体产生内源性保护效应的方式,可作为心脏康复预防与治疗的新策略。目的:评估运动预适应是否能够增强大鼠心肌梗死后脂肪干细胞移植的心脏保护效应,探讨血管生成在其中的作用机制。方法:6周龄雄性SD大鼠随机分为对照组、造模组、干细胞组以及干细胞运动组。利用冠状动脉闭塞术制作急性心肌梗死模型,对照组同期行假手术;干细胞运动组于造模前进行8周有氧运动,造模后30 min进行脂肪干细胞移植;干细胞组仅进行脂肪干细胞移植。干细胞移植后1 d和7 d,利用免疫印迹法测定心肌总Akt(t-Akt)、磷酸化Akt(p-Akt)、血管内皮生长因子(VEGF)、总内皮型一氧化氮合酶(t-eNOS)和磷酸化内皮型一氧化氮合酶(p-eNOS)蛋白表达量,计算p-Akt/t-Akt和p-eNOS/t-eNOS比值;4周后利用彩色多普勒超声诊断系统检测心脏结构与功能以及心肌血流量,TTC染色法检测心肌梗死面积,Masson染色法检测心肌间质胶原沉积,免疫荧光染色法测定心肌毛细血管密度,TUNEL染色法评估心肌细胞凋亡。结果与结论:(1)干细胞移植后4周:与对照组比较,造模组左心室缩短分数、左心室射血分数、心肌毛细血管密度和心肌血流量下降(P<0.05),心肌梗死面积、胶原容积分数和细胞凋亡增加(P<0.05);与造模组比较,干细胞组上述指标(除左心室缩短分数和左心室射血分数外)得到改善(P<0.05);与干细胞组比较,干细胞运动组以上各参数进一步改善(P<0.05)。(2)干细胞移植后1 d:与对照组比较,造模组t-Akt、p-Akt、VEGF、t-eNOS、p-eNOS蛋白表达量以及p-Akt/t-Akt、p-eNOS/t-eNOS比值均无显著性变化(P>0.05);与造模组比较,干细胞组上述指标均无显著性变化(P>0.05),干细胞运动组磷酸化p-Akt蛋白表达量以及p-Akt/t-Akt比值上调(P<0.05)。(3)干细胞移植后7 d:与对照组比较,造模组p-Akt、VEGF、p-eNOS蛋白表达量以及p-Akt/t-Akt、p-eNOS/t-eNOS比值下降(P<0.05);与造模组比较,干细胞组各参数均无显著性变化(P>0.05),干细胞运动组p-Akt、VEGF、p-eNOS蛋白表达量以及p-Akt/t-Akt、p-eNOS/t-eNOS比值升高(P<0.05)。结果表明:运动预适应可增强脂肪干细胞对心肌梗死大鼠心脏重塑的治疗效果,其机制与促进心肌血管生成并增加血流灌注有关。

远隔缺血后适应治疗对急性缺血性卒中超时间窗患者临床预后的影响:一项随机对照试验

背景急性缺血性卒中(AIS)高发,及时恢复脑血流是治疗的关键,超时间窗就诊患者无更多促进脑血流恢复的治疗手段。研究远隔缺血后适应(RIPostC)治疗对AIS超时间窗就诊患者的临床疗效、并发症和预后,具有重要的临床意义。目的探究RIPostC治疗对AIS超时间窗患者干预的影响,为超时间窗就诊的AIS患者寻求安全、有效的脑血流恢复治疗方式。方法本研究采用随机、分组、安慰剂对照法进行试验。选取2021-09-02—2022-08-31于北京航天总医院神经内科病房住院治疗的超溶栓时间窗(发病时间>6 h)的AIS患者为研究对象。依据随机数字表法将患者分为对照组和试验组。试验期+随访期共90 d,均使用同等的一般治疗、脑血管病常规治疗,试验组在此基础上给予RIPostC治疗14 d(28次),对照组给予模拟的RIPostC治疗14 d(28次)。在干预前和干预后30 d、干预后90 d,采用改良Rankin量表(mRS)、美国国立卫生研究院卒中量表(NIHSS)评估两组患者神经功能,简易精神状态检查量表(MMSE)、蒙特利尔认知评估量表(MoCA)评估患者认知功能,工具性日常生活能力量表(IADL)评估日常生活能力,焦虑自评量表(SAS)、抑郁自评量表(SDS)评估精神状态,经颅多普勒超声(TCD)评估脑血流速度,以白介素(IL)-6反映炎症情况。结果122例患者中,最终完成试验及随访99例,其中试验组49例,对照组50例。两组患者性别、年龄、基础疾病(高血压、糖尿病、冠心病)及基线NIHSS评分比较,差异无统计学意义(P>0.05)。重复测量方差分析结果示,时间与组别对MMSE、MoCA、mRS、NIHSS、脑血流速度、IL-6存在交互作用(P<0.05),时间和组别对MMSE、MoCA、NIHSS、脑血流速度、IL-6主效应显著(P<0.05),时间对mRS、SAS、SDS、IADL主效应显著(P<0.05)。试验组干预后30、90 d MMSE、MoCA评分及脑血流速度均高于对照组,mRS、NIHSS评分均低于对照组(P<0.05);试验组干预后30、90 d SDS、IADL评分低于对照组(P<0.05);试验组干预后30 d SAS评分高于对照组,IL-6低于对照组(P<0.05)。99例患者中共有23例患者发生不良反应,其中试验组17例,对照组6例,两组皮肤瘀点、头晕、心慌、胸闷发生率比较,差异无统计学意义(P>0.05);对照组患者皮肤瘀斑发生率[4.00%(2/50)与12.24%(6/49)]、总不良反应发生率[12.00%(6/50)与34.69%(17/49)]低于试验组(P<0.05)。结论RIPostC治疗可降低AIS患者的炎症反应,对神经功能、认知功能抑郁情绪及颅内血流速度可起到积极的改善效果。

变转速工况下松动故障自适应时频模态分解

松动故障广泛存在于机械设备之中,而在变转速工况下的松动故障诊断仍存在一定挑战.为实现变转速工况下的松动故障诊断,本文提出了一种自适应时频模态分解方法.为提高该方法的多工况自适应能力,针对时频模态分解窗宽参数进行了优化选取,研究了窗宽参数与分解输出的非线性关联特征,实现了不同噪声下的自适应时频模态分解.为验证该方法的有效性,针对支承松动故障进行了实验验证,同时在某工程设备上进行了旋转部件松动故障实验验证.采用自适应时频模态分解算法对实验验证数据进行处理,实现了非平稳特征的模态分解.通过定义和计算各阶次能量占比,完成了振动信号的故障特征分析,实现了松动故障的特征提取与诊断.结果表明,所提方法能够实现非平稳信号的模态分解,对于松动故障具备有效的诊断能力.

基于自适应变异粒子群算法的风光储微网调度

为克服传统粒子群算法在求解时容易形成局部最优,求解精度低的不足,提出了一种基于自适应变异粒子群优化的微电网调度求解方法。惯性权重采用自适应正态分布递减,随着迭代次数的增加更新粒子位置的移动策略,并且在算法后期引入变异环节。为验证算法的有效性,文章与其他算法进行收敛性能对比,并对两种典型天气情况下的微网运行成本模型仿真求解,得到最优调度。算例结果表明,改进算法能够对粒子全局最优搜索优化,效果优于其他算法,可合理调配分布式电源出力时段,具有良好的可行性。

中国区域碳排放权价格影响因素的研究——基于自适应Lasso方法

中国区域碳排放权交易自2013年正式启动,至今发展仅有近一年的时间,文章以深圳排放权交易所公布的碳配额价格为研究对象,考虑国际碳价、国内外经济状况、国内外能源价格和汇率四个维度共13个影响因素,以自适应Lasso方法进行降维和参数估计,并与逐步回归作比较。研究发现:国内区域碳价受欧元汇率的影响最大,其次是国内的石油价格;国内经济和欧洲经济状况对国内区域碳价有正向影响;而国际碳价与国内区域碳价之间的联系较弱。

基于图结构自适应Lasso的碳排放权价格影响因素分析

碳交易作为实现低碳经济的一种途径,既具有环境效益,又具有经济效益。为了研究碳排放权价格的影响因素,选取广州碳排放权交易所的碳配额价格收盘价(GDEA)为研究对象,从6个维度构建了24个指标:国际碳价、国内外经济指标、国外能源指标、国内能源指标、气候环境和宏观政策,并将指标间复杂的相关关系纳入模型来改进指标筛选效果。首先基于复杂网络理论构建了24个指标的图结构,表示它们的复杂联动关系,再建立图结构自适应Lasso方法(G-AdLasso)进行影响因素识别。研究发现:指标之间存在无可忽视的中等或高度相关,依据两两相关关系建立图结构时,上述24个指标可被分为6个团体,体现了指标的内部关系。同时G-AdLasso选择出了10个因素,其中欧盟核证减排量收盘价影响最为显著,欧盟EUA收盘价、迪拜原油现货价、美元兑人民币中间价4个因素对GDEA有正向影响;欧盟CER收盘价、NYMEX天然气期货收盘价、欧洲三港DES ARA动力煤指数、广州工业天然气市场价、广州日最高气温、银行间7日同业拆借平均利率、欧元兑人民币中间价7个因素对GDEA有负向作用;这些因素在上述6个维度上均有涉及,且它们在图结构中具有较高的度,说明G-AdLasso可识别出图结构中较重要的指标。对比不带图结构的自适应Lasso和Lasso方法,G-AdLasso方法选择更少的指标,说明该方法可优化和精简模型。

面板数据贝叶斯自适应Lasso分位数回归——基于非对称指数幂分布的研究

分位数回归的贝叶斯推断目前几乎都建立在非对称拉普拉斯分布(ALD)之上。ALD中尾且缺乏控制尾部参数的弊端使得其在实际数据出现尖峰厚尾以及偏斜分布时不能灵活地反映数据特征,导致贝叶斯分位数估计出现偏差。为克服这一缺陷,本文采用具有左右尾参数的非对称指数幂(AEP)分布和基于Gibbs的自适应Metropolis–Hastings抽样方法,对经典贝叶斯分位数回归方法进行了扩展与改进,形成了基于AEP分布的贝叶斯自适应Lasso分位数回归方法,并将该方法首次应用于面板数据中。同时,为检验AEP方法的有效性,本文将该方法与基于偏指数幂(SEP)分布和基于ALD分布的贝叶斯自适应Lasso分位数回归方法进行了模拟比较。结果显示,AEP方法比SEP和ALD方法更不易受极端值的影响,性能更稳定。并且,在不同扰动项分布假设和不同分位数水平下,该方法具有更高精度的变量筛选功能。最后,选取36家我国零售类上市公司为实证研究对象,运用AEP方法对其股票收益率影响因素进行筛选和回归估计,进一步验证了该方法在实际问题中进行变量选择和参数估计的能力。

面板数据的自适应Lasso分位回归方法研究

如何在对参数进行估计的同时自动选择重要解释变量,一直是面板数据分位回归模型中讨论的热点问题之一。通过构造一种含多重随机效应的贝叶斯分层分位回归模型,在假定固定效应系数先验服从一种新的条件Laplace分布的基础上,给出了模型参数估计的Gibbs抽样算法。考虑到不同重要程度的解释变量权重系数压缩程度应该不同,所构造的先验信息具有自适应性的特点,能够准确地对模型中重要解释变量进行自动选取,且设计的切片Gibbs抽样算法能够快速有效地解决模型中各个参数的后验均值估计问题。模拟结果显示,新方法在参数估计精确度和变量选择准确度上均优于现有文献的常用方法。通过对中国各地区多个宏观经济指标的面板数据进行建模分析,演示了新方法估计参数与挑选变量的能力。

中部六省FDI影响因素适应性Lasso模型探析

本文基于变量选择理论,运用适应性Lasso模型,选取中部崛起背景下2006-2017年中部六省的历史统计数据,探索影响中部六省外商直接投资的主要因素。结果表明:(1)中部崛起背景下,中部六省外商直接投资整体呈上升态势,存在明显的阶段性特征,其中"2008年世界金融危机爆发"是发展进程中的重要节点事件;(2)对影响因素深度剖析表明,集聚程度、经济发展水平、基础设施发展、政府效率对于吸引外资的作用明显。最后根据影响因素的强弱特征,给出了中部地区促进外商直接投资的相关建议。

分段平稳自回归过程的变点估计与模型选择——基于改进的自适应LASSO方法

针对非平稳时间序列中一类分段平稳自回归(PSAR)过程的变点估计和模型选择问题,在已有的将变点估计问题转化成变量选择问题方法的基础上,提出一种基于两阶段LASSO(TS-LASSO)算法同时进行变点估计和模型选择.具体地,在第一阶段中,通过LASSO算法对序列中的变点和模型进行初步的估计和选择,然后在第二阶段中结合改进的自适应LASSO算法对过估计的LASSO结果进行筛选,最终实现变点的一致估计和模型的准确选择.并对变点估计结果的大样本性质进行了分析.此外,对于特殊情形下的均值变化序列和无变点序列,TS-LASSO算法也能实现有效的估计和识别.最后,结合不同类型序列的模拟检验以及地震波数据的实例分析,证明TS-LASSO算法是有效的,并具有一定的实用意义.

基于自适应Lasso流形规整的特征提取算法研究

针对原始高维空间数据特征冗余的特征问题,提出了一种自适应Lasso流形规整的特征提取方法。在原始空间中的样本,经过投影后可以保持在原始空间中的近邻结构,投影到低维空间后也可像高维空间中那样相近。通过模型做完特征选择后,以这些被选的特征子集作为输入,在数据集中做了一系列的分类实验。结果表明,该算法可以精准提取高维样本集的低维流形结构,具有较小的尺寸误差递减,特征提取性能较好。

轨迹优化的LASSO网格自适应加密方法

针对轨迹优化直接方法,提出了以控制变量曲率为基础的最小绝对收缩与选择算子(least absolute shrinkage and selection operator,LASSO)网格自适应加密策略,用于提高优化精度。以高分辨率二分网格节点为中心,构造径向基函数逼近控制曲线,利用LASSO方法估计径向基函数系数,并自动筛选出位于控制曲线曲率极大区间的高分辨率节点加密当前网格。本文方法不需要进行状态和控制误差估计,适应性和通用性强。两组典型算例验证了方法的有效性。

自适应设计广义线性模型的自适应Lasso惩罚最小二乘的渐近性质

针对自适应设计广义线性模型,研究自适应Lasso惩罚最小二乘变量选择方法。在一定条件下,得到自适应Lasso惩罚最小二乘估计的相合性和Oracle性质,该结果将固定设计广义线性模型相关结果推广到自适应设计广义线性模型中。通过模拟可知,自适应Lasso惩罚方法优于Lasso惩罚方法。

基于稀疏组LASSO约束的本征音子说话人自适应

本征音子说话人自适应方法在自适应数据量不足时会出现严重的过拟合现象,提出了一种基于稀疏组LASSO约束的本征音子说话人自适应算法。首先给出隐马尔可夫—高斯混合模型下本征音子说话人自适应的基本原理;然后将稀疏组LASSO正则化引入到本征音子说话人自适应,通过调整权重因子控制模型的复杂度,并通过一种加速近点梯度的数学优化算法来实现;最后将稀疏组LASSO约束的自适应算法与当前多种正则化约束的自适应方法进行比较。汉语连续语音识别的说话人自适应实验表明,引入稀疏组LASSO约束后,本征音子说话人自适应方法的性能得到了明显提高,且稀疏组LASSO约束方法优于l1、l2和弹性网正则化方法。

在线自适应LASSO罚向量自回归模型的风电功率预测

针对许多领域中普遍存在的非平稳多元时间序列的建模处理问题,提出了LASSO向量自回归模型的递推在线拟合方法,利用遗忘指数来实现模型的动态变化,并用循环坐标下降算法在线的对向量自回归模型进行系数估计。为证明模型的有效性,将其应用于风电场风电功率的预测,并以传统的向量自回归模型和分层向量自回归模型作为比较基准。根据实验结果表明,在线自适应LASSO向量自回归模型的预测精度高于传统的批量模型,通过系数矩阵图也可以看出,预测风电场临近的风电场对预测点存在一定程度的影响,但自身影响是最大的。将递归在线估计与LASSO向量自回归模型的结合应用于风电功率的预测,对于提高风电功率的预测精度以及改善风电系统工作效率有重要意义。

基于适应性Lasso + GM (1, 1)模型的湖南物流业预测

物流业作为一个新兴产业,既可以促进各地区间的贸易往来,也可以推动该地区的经济增长,因而对物流业进行定量分析及预测未来的发展是非常有价值的。在文章中,使用湖南省2006~2019年物流业产值来分析湖南的物流业的情况;首先用适应性Lasso模型筛选出影响湖南省物流业发展较大的因素,然后用灰色模型预测湖南省物流业未来几年的发展,故而实现对湖南省物流业定量的分析。利用适应性Lasso + GM (1, 1)对湖南省的物流业产值进行定量分析和预测,并对结果进行分析,以期对湖南省物流业决策和战略作出参考。

自适应Lasso在Poisson对数线性回归模型下的性质

目的研究自适应Lasso在Poisson对数线性模型下的性质。方法利用数学分析及概率论中的性质。结果证明了在Poisson对数线性模型下自适应Lasso估计量具有稀疏性和渐进正态性。结论自适应Lasso可以有效选择Poisson对数线性模型中的变量,并同时估计变量系数。

二元选择分位回归的自适应LASSO改进

为避免模型出现过拟合,将自适应LASSO变量选择方法引入二元选择分位回归模型,利用贝叶斯方法构建Gibbs抽样算法并在抽样中设置不影响预测结果的约束条件‖β‖=1以提高抽样值的稳定性.通过数值模拟,表明改进的模型有更为良好的参数估计效率、变量选择功能和分类能力.