药品风险最小化评价研究报告规范解读

目的通过介绍国际药品风险最小化评价研究(pharmaceutical risk minimization evaluation studies,RIMES)报告规范(RIMES报告规范)条目并开展实例解读,帮助实施者和读者更好理解并应用RIMES清单工具。方法总结药品风险最小化项目的特点及研究现状,同时基于翻译完整过程(translation integrity procedure,TIP)经过前向、后向对译等多环节,完成RIMES清单翻译并开展实例解读。结果梳理RIMES清单所包含的关键信息、研究设计、实施和评价等4个维度共43个条目。结论随着全球药物警戒管理机构进一步的推行,RIMES报告规范将为RIMES提供重要的框架指导。

Sugeno测度空间上局部风险最小化估计的界

在Sugeno测度空间上,为了将结构风险最小化原则应用于局部函数估计问题,给出了局部风险最小化估计问题的思想,并证明了局部风险最小化估计的界.

基于结构风险最小化原则的奇异值分解降噪研究

针对奇异值分解降噪中矩阵有效秩的阶次难以确定的问题,提出了利用结构风险最小化原则来确定矩阵的有效秩阶次的新方法。该方法依据统计学习理论,把有效秩阶次的选择看作是一个学习过程,利用结构风险最小化原则来代替传统的经验风险最小化,从而自动得到奇异值分解降噪中矩阵的有效秩。仿真表明,该方法不但具有较好的降噪精度和算法稳定性,而且降低了消噪模型算法的复杂度。

决策风险最小化属性约简

决策粗糙集模型下目前定义的属性约简都要求约简前后正区域保持不变或者非负区域不变等,而属性约简所带来的区域变化的好坏却无法判断,只能人为地偏向于保持或增大正区域或非负区域,这在理论性和可解释性上存在一定的困难。属性减少所带来的前后区域变化实际上是由决策风险所决定的,基于此提出一种与各个区域无关基于决策风险最小化的属性约简,使得决策者基于约简后的属性集合所作的决策风险最小。约简只与决策风险相关,不再通过区域变化来解释,使得定义的约简在理论性和可解释性上更强。

神经网络结构风险最小油气预测

张向君 ,李幼铭 ,刘洪 .神经网络结构风险最小油气预测 .石油地球物理勘探 ,2 0 0 2 ,37(1) :73～ 76本文基于统计学习理论中的结构风险最小化原理 ,从理论上给出了神经网络的结构设计方法和实现过程。该方法能自适应地扩展神经网络的容量 ,从而完成网络的结构设计 ,并且在有限样本的情况下 ,最大限度地提高网络的训练精度和泛化能力 ,进而提高神经网络预测结果的可靠性。此外 ,文中给出了本文方法在吉林油田开发区块储层油气检测的应用实例 。

基于复随机样本的结构风险最小化原则

统计学习理论目前是处理小样本学习问题的最佳理论.然而,该理论主要是针对实随机样本的,它难以讨论和处理现实世界中客观存在的涉及复随机样本的小样本统计学习问题.结构风险最小化原则是统计学习理论的核心内容之一,是构建支持向量机的重要基础.基于此,研究了基于复随机样本的统计学习理论的结构风险最小化原则.首先,给出了标志复可测函数集容量的退火熵、生长函数和VC维的定义,并证明了它们的一些性质;其次,构建了基于复随机样本的学习过程一致收敛速度的界;最后,给出了基于复随机样本的结构风险最小化原则,证明了该原则是一致的,同时推导出了收敛速度的界.

一种有效的基于风险最小化的属性约简算法

基于粗糙集理论定义的属性约简大都要求约简前后正区域保持不变或者非负区域不变.在概率型决策粗糙集模型下,决策区域和决策规则与属性增减之间并不具备单调性.因此,决策者基于约简后的属性集合所作的决策风险最小就变得非常有意义.针对这种与各个区域无关的基于决策风险最小化的属性约简进行了研究.考虑到不同属性对决策表的决策分类能力不同,提出了基于决策粗糙集模型的属性重要性概念,设计了一种有效的基于属性重要性的决策风险最小化启发式属性约简算法.实例分析与对比实验结果说明新方法是有效的.

基于模糊随机样本的结构风险最小化原则

基于模糊随机样本,提出了熵、退火熵、生长函数和VC维等概念,并在此基础上构建了基于VC维的学习过程一致收敛速度的界;给出了基于模糊随机样本的结构风险最小化原则(FSSRM原则),证明了基于FSSRM原则下收敛速度渐进分析的相关性质。

基于结构风险最小化的加权偏最小二乘法

为了在偏最小二乘法(PLS)建模过程中实现结构风险最小化(SRM),提出基于结构风险最小化的加权偏最小二乘法(WPLS)。WPLS先提取训练样本中的主元,然后使用支持向量机(SVM)训练算法计算训练样本权值,最后计算原始论域中的回归模型。该算法保留了PLS能有效地提取对系统解释性最强的信息的优点,并通过样本权值提高模型的泛化能力,从而实现SRM准则,所建立的模型具有可解释性。仿真计算证明了模型的有效性。

基于结构风险最小化的径向基插值

分析了径向基插值代理模型的特点,为了提高代理模型的推广能力,引入了结构风险最小化基本原理;指出基函数满足Mercer条件的径向基插值代理模型,本质上也是一类高维分类超平面;文中推导了径向基插值的VC维度与构成径向基插值函数的常数项的导数关系,为此提出了基于结构风险最小化的径向基插值。最后若干函数测试表明基于结构风险最小化的径向基插值提高了代理模型的推广能力。

小波神经网络学习的结构风险最小化方法

针对大噪声、小样本情形下神经网络学习的外推能力弱这一突出的问题,根据统计学习理论中结构风险最小化准则的基本原理,提出了一种基于小波神经基元频率谱分布的小波神经网络阵列结构和基于小波多分辨逼近、综合风险分析的小波网络学习算法.该方法充分发挥了小波神经网络的优点,理论基础可靠,实际意义明确,算法实现简便,自适应性强.仿真实验结果和应用实例说明了该方法对于非线性系统在线辨识的有效性,同时也为统计学习理论的工程应用提供了新的途径.*

基于联合属性重要度的决策风险最小化属性约简

经典粗糙集属性约简基本都是保持正域、负域和边界域不变,而决策粗糙集对属性的增减过程不具备单调性,因此不可能同时保持3个区域均不变。在决策粗糙集模型中,作出决策更应该考虑风险最小化原则,因此提出一种改进的风险最小化属性约简方法,在属性的选取过程中同时考虑所选取的属性子集对决策的划分能力,即联合属性重要度以及风险最小化。实验证明所提方法是有效的。

基于结构风险最小化和全最小二乘法的色彩校正

该文提出了一种局部回归色彩校正算法。该算法从结构风险最小化原理出发,提出以全最小二乘法残差为经验风险,选取校正颜色点的K近邻域,采用局部回归进行色彩校正。实验结果表明该文算法在精度和鲁棒性方面均优于多重回归校正以及分区回归校正,其平均误差、最大误差,误差标准差分别下降了46%(27%),57%(21%),42%(20%)。

生育决定的风险最小化模型与农村计划生育环境的优化

充分利用利益导向机制,推动农村社区发展,以优化我国农村计划生育的工作环境,是我国人口学界和计划生育部门近年来努力探讨的一个问题,在理论和实践上都取得了可喜的进步.本文谨根据我们多年研究和实践的心得,对这一问题在理论和认识上谈点看法;就教于学术界同仁并以此促进农村社区发展与计划生育一体化的进程.

横向型虚拟企业订单分配风险最小化模型及其免疫算法

横向虚拟企业订单分配风险是指各成员在订单任务分配后,不能够按规定的交付期交付,或虽然能够按时,但成员为此付出的成本过高而给企业造成损失,其风险最小化的要求是:在各成员产能平衡的前提下,通过优化的生产任务分配方案,使整个制造和分销网络的成本最低。文章分析了横向型虚拟企业联盟订单处理中的风险生成机理,提出了订单分配风险最小化模型,并利用免疫算法对模型进行求解,通过应用实例验证了模型和算法的可行性。

基于随机粗糙样本的结构风险最小化原则

提出了退火熵,生长函数和VC维等概念,构建了基于VC维的学习过程一致收敛速度的界。然后以这些界为基础,给出基于随机粗糙样本的结构风险最小化原则。最后证明该原则是一致的并且推导出了关于渐近收敛速度的界。

局部风险最小下保险合约的套期保值

单位联系保险合约的偿付额与金融市场中某特定股票的价格有关,我们考虑一同时描述金融市场和保险群体不确定性的模型,其不完全性来源于股价的混合扩散和保险个体的死亡,我们给出该模型下的最小鞅测度并在局部风险最小准则下考查单位联系寿险合约的套期保值问题.

加权行和指标下组合证券投资风险最小化迭代算法

本文在分别研究无非负投资比例系数约束及有非负投资比例系数约束下最小风险组合证券的充要条件的基础上,提出了两种以收益率协方差矩阵的加权行和为指标的迭代算法。证明了算法分别收敛于两种约束下组合证券投资的最小风险。并给出一个七阶的组合证券投资风险最小化的计算实例。

基于β-混合输入的经验风险最小化回归的学习速率(英文)

研究最小平方损失下的经验风险最小化算法是统计学习理论中非常重要研究内容之一.而以往研究经验风险最小化回归学习速率的几乎所有工作都是基于独立同分布输入假设的.然而,独立的输入样本是一个非常强的条件.因此,在本文,我们超出了独立输入样本这个经典框架来研究了基于β混合输入样本的经验风险最小化回归算法学习速率的界.我们证明了基于β混合输入样本的经验风险最小化回归算法是一致的,指出了本文所建立的结果同样适合输入样本是马氏链、隐马氏链的情形.

结构风险最小化近邻分析解决大规模训练集支持向量机学习问题

SVM是利用靠近边界的少数向量来构造最大间隔的分类超平面,当海量样本之间存在相互混迭时,支持向量数目急剧增加,导致训练难度增大。针对该问题,本文将结构风险最小化近邻分析与支持向量机相结合构成了一种新的SVM学习方法。它首先根据各个训练数据的类间最近邻距离利用结构风险最小化近邻分析选择训练子集;在选择的样本子空间内采用乘性规则直接求取Lagrange因子,而不是传统的二次优化方法;最后加入附加剩余样本进行交叉验证处理,直到算法满足收敛性准则。各种分类实验表明本文提出的算法具有良好的性能,特别是在训练样本庞大,支持向量数量较多的情况下,能够较大幅度的减少计算复杂度,提高分类速度。