将Huber回归算法应用于漫射相关光谱这一相对较新技术中,通过N阶线性算法(Nth-order linear algorithm,NL algorithm)从光电场时间自相关数据中稳健地提取血流指数(Blood flow index,BFI)。NL算法可以从不规则几何形状的组织中提取血流...将Huber回归算法应用于漫射相关光谱这一相对较新技术中,通过N阶线性算法(Nth-order linear algorithm,NL algorithm)从光电场时间自相关数据中稳健地提取血流指数(Blood flow index,BFI)。NL算法可以从不规则几何形状的组织中提取血流指数,其准确性依赖于迭代线性回归。本文首次提出将Huber回归与NL算法相结合,并通过计算机模拟将Huber回归与传统的普通最小二乘法(Ordinary least square,OLS)回归进行了比较。结果表明,Huber回归提取血流指数比OLS方法更准确。与误差率为4.58%的OLS方法相比,Huber对应的误差率更小(3.54%),表明了其未来的临床应用潜力。展开更多
面对大数据易被异常值污染的情况,研究通过Huber回归模型,进行相关统计推断,构建相关替代损失函数,实现基于替代似然函数优化的转化。在交替方向乘子法 (Alternating Direction Method of Multipliers,ADMM)的基础上,引入Proximal算子,...面对大数据易被异常值污染的情况,研究通过Huber回归模型,进行相关统计推断,构建相关替代损失函数,实现基于替代似然函数优化的转化。在交替方向乘子法 (Alternating Direction Method of Multipliers,ADMM)的基础上,引入Proximal算子,以此来进行模型参数估计。结果显示,研究方法能有效对模型参数进行估计,其估计精度趋近于A法,小于B法。在不同鲁棒性常数和随机误差下,研究方法估计误差最小达到0.008 5,与A法相同,明显小于B法。在实证分析中,整体上,研究方法预测误差趋近于A法,小于B法。鲁棒性常数为1,在交互次数为100次时,机器数为20台下,研究方法预测误差为0.000 16。在去中心化场景下,使用Proximal- ADMM算法,能降低大数据处理的计算成本,有效解决机器交互复杂度高的问题。展开更多
基金Shanxi Provincial Key Research and Development Project(No.201903D121149)Natural Science Foundation of Shanxi Province(No.201901D111153)+3 种基金National Natural Science Foundation of China(Nos.61671413,61771433)National Key Scientific Instrument and Equipment Development Project of China(No.2014YQ24044508)OIT Program of Shanxi Province,Shanxi Postgraduate Education Innovation Program(Nos.2020SY366,2020SY367)Graduate Science and Technology Project of North University of China(No.20201726)。
文摘将Huber回归算法应用于漫射相关光谱这一相对较新技术中,通过N阶线性算法(Nth-order linear algorithm,NL algorithm)从光电场时间自相关数据中稳健地提取血流指数(Blood flow index,BFI)。NL算法可以从不规则几何形状的组织中提取血流指数,其准确性依赖于迭代线性回归。本文首次提出将Huber回归与NL算法相结合,并通过计算机模拟将Huber回归与传统的普通最小二乘法(Ordinary least square,OLS)回归进行了比较。结果表明,Huber回归提取血流指数比OLS方法更准确。与误差率为4.58%的OLS方法相比,Huber对应的误差率更小(3.54%),表明了其未来的临床应用潜力。
文摘面对大数据易被异常值污染的情况,研究通过Huber回归模型,进行相关统计推断,构建相关替代损失函数,实现基于替代似然函数优化的转化。在交替方向乘子法 (Alternating Direction Method of Multipliers,ADMM)的基础上,引入Proximal算子,以此来进行模型参数估计。结果显示,研究方法能有效对模型参数进行估计,其估计精度趋近于A法,小于B法。在不同鲁棒性常数和随机误差下,研究方法估计误差最小达到0.008 5,与A法相同,明显小于B法。在实证分析中,整体上,研究方法预测误差趋近于A法,小于B法。鲁棒性常数为1,在交互次数为100次时,机器数为20台下,研究方法预测误差为0.000 16。在去中心化场景下,使用Proximal- ADMM算法,能降低大数据处理的计算成本,有效解决机器交互复杂度高的问题。