导读:本文包含了重抽样论文开题报告文献综述及选题提纲参考文献，主要关键词:斯图模型自助法,缺失数据,稳定性选择,Glasso
重抽样论文文献综述
秦铭[1]（2019）在《基于重抽样方法的含缺失数据图模型的模型选择》一文中研究指出图模型是一个与图相关联的统计模型,可以清晰地表示变量之间的条件依赖关系,被广泛应用于机器学习、心理学、生物学和医学等各个领域。在这些应用问题中,图模型的模型选择问题是一个非常重要且具有挑战性的问题。对于高维数据,目前主流的方法是惩罚似然的方法,但该方法依赖于惩罚参数的选取。特别是对于含有缺失数据的高维数据,图模型的模型选择问题更加困难。例如,利用EM算法与惩罚似然集合的方法,往往很难保证算法收敛到全局最大值。本文中,我们将结合稳定性选择和多重插补的方法,考虑数据缺失时高斯图模型的模型选择问题。我们的方法有以下两个特点:第一,通过多重插补来处理缺失值,对稳定性选择进行了扩展;第二,将自助法与多重插补结合起来,可以实现对数据更加强烈的扰动,获得更准确的结果。本文提出了两种实施策略,第一种是先重抽样得到B个自助样本集,然后对B个自助样本集进行多重插补,最后利用稳定性选择得到高斯图模型的估计;第二种是先对原始样本集进行多重插补,然后再对插补数据集重抽样得到自助样本集,最后利用稳定性选择得到高斯图模型的估计。第一种策略称之为GBISS,第二种策略称之为GIBSS。在插补过程中,我们考虑基于mice软件包和miceFast软件包进行实现。本文编写了R语言代码,针对4个模型进行了模拟,考虑了多重插补次数M、调整参数λ的个数n.lambda和门限参数π_(thr)等参数对方法的影响。并与主流的MissGlasso方法,GEMS方法进行比较。模拟结果显示:我们方法得出的mcc值大部分要高于MissGlasso方法得出的mcc值,只有极小的一部分mcc值比MissGlasso方法的mcc值小;同样的,根据mcc值判断,我们方法的结果大部分也优于GEMS方法的结果。同时,我们还将我们的方法应用到类异戊二烯(isoprenoid)基因数据中进行高斯图模型选择。(本文来源于《长春工业大学》期刊2019-06-01）
崔明,鞠少卿,许丽丽,施秀英,景蓉蓉[2]（2019）在《Bootstrap重抽样法在《临床实验室管理学》教学评价中的应用》一文中研究指出该研究探讨了Bootstrap重抽样法在《临床实验室管理学》教学评价中的应用。采用MATLAB软件,运用Bootstrap重抽样法105次可获得可靠结果。6种题型中,简答题相对得分率最高,为82.87%;多项选择题相对得分率最低,为40.00%。所授的17个章节中,"床旁检测的质量管理"章节相对得分率最高,为97.00%;"检验前过程质量管理"章节相对得分率最低,为40.00%。Bootstrap法在不增加新样本的情况下,通过有放回的重抽样增加学生考试成绩数据,使已知样本更接近总体,可运用于《临床实验室管理学》的教学评价。(本文来源于《检验医学与临床》期刊2019年10期）
余善成,秦树伟,金海骅[3]（2019）在《定量包装商品净含量计量检验中皮重抽样数探讨》一文中研究指出对于批量在100件以下的定量包装商品除去皮重检验,根据的是JJF1070-2005《定量包装商品净含量计量检验规则》附录B"除去皮重的方法"中的方法二。该方法是在参考美国国家标准与技术研究院(NIST)133号手册的基础上,结合我国的实际情况制定的。由于定量包装商品净含量计量检验为破坏性试验,JJF1070-2005基于经济、节约的原则,(本文来源于《中国计量》期刊2019年04期）
刘多伟[4]（2019）在《分层二重抽样设计下疾病流行率的齐性检验及样本量确定》一文中研究指出在生物医学统计的研究中,常会对不同总体下的某种疾病的患病率进行比较,本文基于有金标准部分核实的分类数据,考虑了不同总体下的疾病流行率的齐性检验和样本量的确定问题。首先,对于疾病流行率的齐性检验问题,本文提出了七种检验统计量:加权最小二乘检验统计量、加权最小二乘检验统计量的对数变换检验统计量、基于对数变换、logit变换和双对数变换的加权最小二乘检验统计量、Score检验统计量和似然比检验统计量。模拟结果表明:基于Score检验统计量和似然比检验统计量的渐近检验过程能够很好地控制犯第一类错误的概率且具有较高的功效,因而被推荐到实际应用中。当样本量是中等样本或大样本时,基于对数变换、logit变换和双对数变换的加权最小二乘检验统计量的检验过程都能够很好地控制犯第一类错误并且有较高的经验功效,所以在实际中也推荐使用它们。其次,从显着性检验的角度研究了达到指定功效的样本量的确定,提出了基于加权最小二乘检验统计量、双对数变换的加权最小二乘检验统计量、Score检验统计量和似然比检验统计量的渐近样本量估计方法,模拟研究结果表明,在给定显着性水平下达到指定功效的样本量都随着敏感度η和样本核实比例k_1的增大而减少;基于Score检验统计量和似然比检验统计量的样本量要比加权最小二乘检验统计量、双对数变换的加权最小二乘检验统计量小,并且根据这两个检验统计量所得的样本量得到的经验功效都很接近给定的水平,因此被推荐于实际应用中。最后通过两个实际数据分析进一步验证了本文所提方法的有效性。(本文来源于《重庆理工大学》期刊2019-03-20）
何杰[5]（2019）在《无金标准二重抽样设计下基于风险差的等价性检验及样本量的确定》一文中研究指出临床试验和医学研究中估计某种疾病在人群中的流行率具有重要的意义,可以根据受试者是否患有该疾病对受试者进行分类来获得该疾病的患病率。金标准诊断可以对个体进行分类且不存在误判,在二重抽样模型中,所有个体都通过易犯错分类器进行分类,部分个体通过金标准核实验证,从而得到部分核实数据。但在实际情况下金标准分类器是不存在的且非常昂贵和耗时。因此,本文考虑两种分类器都有误判下的部分核实数据基于风险差的等价性检验问题,考虑两种分类器都满足条件独立性假定的模型一和两种分类器不满足条件独立性假定的模型二下基于不完全无误判金标准部分核实数据的等价性检验过程和样本量的确定,提出了基于Wald型检验、Score检验和似然比检验的四种渐近的检验过程,以及基于这四种渐近检验的样本量的估计公式。模拟结果表明:(i)在两个模型下,即使在小样本下,Score检验统计量(T_(sc))犯第一类错误的概率都很接近给定的显着性水平,相应的功效也比较大,随着样本量的增大,其犯第一类错误的概率越来越接近给定的显着性水平且功效越来越大,因而在实际应用中推荐使用;(ii)对于模型二,小样本量设计下,除了疾病流行率(即p_1)较小情形,所有统计量都具有较好的统计性质;在中等样本和大样本下,所有统计量的经验犯第一类错误的概率都很接近给定的显着性水平且具有较高的功效,因而在实际中推荐使用;(iii)在两个模型下,基于T_(w2)和T_(sc)检验统计量所估计的样本量是准确的,因为它们的经验功效非常接近预先指定的功效,并且它们的犯第一类错误概率也接近显着性水平。实例分析进一步验证了本文提出方法的有效性。(本文来源于《重庆理工大学》期刊2019-03-20）
邱世芳,曾小松[6]（2018）在《不完全无误判金标准下二重抽样设计中样本量的确定》一文中研究指出考虑在不完全无误判金标准下二重抽样设计中对疾病流行率进行检验的近似样本量公式。基于两种模型提出了在给定置信水平下置信区间宽度控制在指定范围内的样本量的近似公式,随机模拟研究了在估计的样本量下区间估计的统计性质。结果表明:基于限制性极大似然估计下方差的Wald置信区间、似然比置信区间和Score置信区间确定的样本量是准确有效的,因而被推荐于实际应用中。实际数据分析进一步验证了该方法的有效性。(本文来源于《重庆理工大学学报(自然科学)》期刊2018年01期）
王永弟,孙心宇[7]（2017）在《基于分段重抽样的高效降水降尺度方法》一文中研究指出针对基于SOM的降水统计降尺度方法存在计算量大、分布不均,且零值较多的问题,提出了1种基于分段重抽样的高效降水降尺度方法。该方法在冬、夏两季分别评估,其过程为首先利用主成分分析法进行气候变量的优选,其次进行SOM聚类,最后采用量级排序并分段随机重复采样的方法估计降水值。对降水降尺度模拟结果进行了评估。该方法能够大幅度减少运算量,对降水量、标准差、降水频率、极端降水事件等指标均有较好的模拟能力。评估结果证实该方法在长江叁角洲地区的降水再现能力较强。(本文来源于《中国科技论文》期刊2017年21期）
陈希亮,曹雷,李晨溪,徐志雄,何明[8]（2018）在《基于重抽样优选缓存经验回放机制的深度强化学习方法》一文中研究指出针对深度强化学习算法中经验缓存机制构建问题,提出一种基于TD误差的重抽样优选缓存机制;针对该机制存在的训练集坍塌现象,提出基于排行的分层抽样算法进行改进,并结合该机制对已有的几种典型基于DQN的深度强化学习算法进行改进.通过对Open AI Gym平台上Cart Port学习控制问题的仿真实验对比分析表明,优选机制能够提升训练样本的质量,实现对值函数的有效逼近,具有良好的学习效率和泛化性能,收敛速度和训练性能均有明显提升.(本文来源于《控制与决策》期刊2018年04期）
骆勇鹏,黄方林,伍彦斌,鲁四平,苏泽平[9]（2016）在《基于逐步回归分析和Bootstrap重抽样的铁路钢桁桥不确定参数识别》一文中研究指出为获得不确定性参数的概率统计特征,提出一种基于逐步回归分析和Bootstrap重抽样的不确定性参数识别方法。该方法首先根据合理试验设计确定试验点并计算试验点所对应的响应,基于逐步回归分析方法构造表达设计参数和响应关系的最优响应面模型。进而在小样本的情况下,利用Bootstrap重抽样技术对实测响应进行抽样得到大样本数据,结合响应面模型,通过优化反演来求得各个Bootstrap样本所对应的参数值,经概率统计分析得到参数的均值和标准差。采用一组试验钢板和铁路钢桁桥算例来验证所提方法的可行性和可靠性。结果表明,所提方法可准确地识别出不确定性参数的概率统计特征值;与随机模型修正相比,所提方法在保证精度的前提下,具有更高的计算效率,可用于复杂工程结构的不确定性参数量化分析中。(本文来源于《公路交通科技》期刊2016年11期）
李嘉锋[10]（2016）在《基于重抽样的近似计算方法》一文中研究指出随着互联网技术的高速发展,网络数据规模发生了爆发式的增长。然而大数据分析过程往往会消耗非常大的资源以及非常长的时间,并且在很多情况下相对于非常精确的分析结果,人们更想要得到能够快速获取并且计算资源消耗低的近似结果。在对大数据集进行近似结果分析的时候,抽样几乎是唯一一种在数据分析时既能减少计算资源消耗又能降低运行时间的方法。然而在面对大数据计算时,简单随机抽样的方法获得的样本的大小往往也十分巨大,因此不适合作为大数据上的抽样方法,而其它适合大数据的抽样方法却不支持现在主流的分布式计算架构(如MapReduce)。同时,在很多情况下,即便是提出了相同的查询请求,不同用户对同一数据集上的近似结果的精度的要求往往是不相同的,如何为不同用户提供不同程度的近似结果也成为了亟待解决的问题。针对如何在大数据下为不同的用户提供不同精确程度的近似结果的问题,本文基于MapReduce计算架构及自适应的重抽样方法设计出了一种可控精度的近似结果计算方案。该方案通过控制对大数据集的重抽样的频率来实现对计算结果精度的控制,本文通过修改系统的内核使得该重抽样方法能够在分布式集群上高效、迅速地运行。同时,本文还对近似结果的精度与重抽样的频率进行了详尽的分析。最后,本文通过对大量真实数据集进行实验,不仅验证了系统能够有效地减少作业的运行时间及消耗的计算资源,同时也验证了近似结果的准确性,从而证明了系统的有效性、可用性以及本文可控精度的近似结果计算方法的优势。(本文来源于《哈尔滨工业大学》期刊2016-06-01）
重抽样论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
该研究探讨了Bootstrap重抽样法在《临床实验室管理学》教学评价中的应用。采用MATLAB软件,运用Bootstrap重抽样法105次可获得可靠结果。6种题型中,简答题相对得分率最高,为82.87%;多项选择题相对得分率最低,为40.00%。所授的17个章节中,"床旁检测的质量管理"章节相对得分率最高,为97.00%;"检验前过程质量管理"章节相对得分率最低,为40.00%。Bootstrap法在不增加新样本的情况下,通过有放回的重抽样增加学生考试成绩数据,使已知样本更接近总体,可运用于《临床实验室管理学》的教学评价。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
重抽样论文参考文献
[1].秦铭.基于重抽样方法的含缺失数据图模型的模型选择[D].长春工业大学.2019
[2].崔明,鞠少卿,许丽丽,施秀英,景蓉蓉.Bootstrap重抽样法在《临床实验室管理学》教学评价中的应用[J].检验医学与临床.2019
[3].余善成,秦树伟,金海骅.定量包装商品净含量计量检验中皮重抽样数探讨[J].中国计量.2019
[4].刘多伟.分层二重抽样设计下疾病流行率的齐性检验及样本量确定[D].重庆理工大学.2019
[5].何杰.无金标准二重抽样设计下基于风险差的等价性检验及样本量的确定[D].重庆理工大学.2019
[6].邱世芳,曾小松.不完全无误判金标准下二重抽样设计中样本量的确定[J].重庆理工大学学报(自然科学).2018
[7].王永弟,孙心宇.基于分段重抽样的高效降水降尺度方法[J].中国科技论文.2017
[8].陈希亮,曹雷,李晨溪,徐志雄,何明.基于重抽样优选缓存经验回放机制的深度强化学习方法[J].控制与决策.2018
[9].骆勇鹏,黄方林,伍彦斌,鲁四平,苏泽平.基于逐步回归分析和Bootstrap重抽样的铁路钢桁桥不确定参数识别[J].公路交通科技.2016
[10].李嘉锋.基于重抽样的近似计算方法[D].哈尔滨工业大学.2016