一、关于提高检测数据准确性的探讨(论文文献综述)
莫小燕[1](2021)在《影响油品检测数据准确性因素的控制措施探讨》文中提出从现实的角度分析,在油品检测管理部门当中,所有的工作都必须要确保数据的准确性,数据的准确性关系到检测结果的判断,需要各个检测人员有效的确保各项检测数据结果的准确性。目前,在油品检测管理部门当中影响到油品检测数据准确性的不良影响因素有很多,例如,人员因素,仪器设备因素,检测方法因素等等都会对油品检测数据结果造成直接影响,一旦这些影响因素没有得到有效的控制,那么将很难保证油品应用的安全性,进而导致一些质量不达标的油品投入使用,对该生产及生活造成不利影响。针对于这一情况,此次研究主要就影响油品检测数据准确性因素的控制做了简要的分析,目的在于进一步提升油品检测结果的准确性以及时效性。
王清亚[2](2021)在《基于XRF的土壤重金属定量分析方法研究及应用》文中研究表明土壤是地球生态系统物质和能量循环的基础,也是人类赖以生存和发展的根本要素。我国土壤重(类)金属污染问题日益严峻,每年被重金属污染的粮食超1200万吨。土壤污染关系着国家粮食安全和人民身体健康。为了解土壤污染情况,科学防治污染地继续蔓延,有必要准确、快速地获取土壤重金属污染信息。X射线荧光(X-ray Fluorescence,XRF)分析技术是一种性能优异的多元素分析手段,是国际标准组织(ISO)的分析方法之一。能量色散型XRF结构简单、功率较小,可以应用于土壤污染现场调查。在现场XRF测量时,受土壤元素种类众多、基体效应、物理参数不统一等因素影响,光谱本底成分复杂、谱峰重叠、水分的存在导致检测准确度不高,限制了该技术的推广应用。因此,开发适用于土壤的现场检测技术,提升XRF分析的准确度是一项具有重要意义的工作。本文主要工作内容包括:(1)研究了XRF本底扣除的方法。提出采用非对称加权惩罚最小二乘的本底扣除算法。该算法由估计本底和原始光谱的误差建立logistic回归函数,使估计本底与特征峰的权重均匀地落在0~1之间。权重函数的特点为:当光谱和估计本底之间差异小于噪声均值时,对低于或高于本底的光谱给出同样的权重。当噪声均值维持在3σ范围内,赋给光谱较小的权重。当超过4σ时,逐渐赋0权重,认为这是特征峰的一部分。这样设置使得估计本底逐渐逼近真实本底,并不会将弱峰识别为噪声进行扣除。与其他扣除方法对比,该方法对低含量元素本底估计的准确性较优。性能评价结果显示,非对称加权惩罚最小二乘法可以准确地扣除光谱本底,提高XRF定量的准确性。(2)研究了重叠峰解析方法。特征峰重叠问题给元素的定性和定量分析带来极大困难。本研究利用X荧光壳层理论结合实验结果得到元素特征峰谱线强度,建立参数关联的高斯混合模型。将重叠峰解析转换为多个参数的全局寻优问题。提出利用混沌粒子群算法进行参数寻优,避免了传统算法易于早熟和陷入局部最优解的问题。为了方便使用,开发了一款图形用户界面,命名为XRF resolution,界面包括了所有本文所涉及的光谱处理功能。通过对多种土壤标准物质的测量分析,获取了系统的准确度、精确度、检出限等关键性能指标。结果表明系统的应用提高了各元素特征峰信息获取的准确性。(3)研究了水分对XRF测量影响的机制及修正方法。现场分析时,土壤中的水一直被认为是影响检测准确度的主要因素之一。水的存在直接影响样品有效原子序数和总的质量吸收系数等。本研究对水分影响进行较为全面的分析,通过物理理论的推导获得水分对于元素特征峰、元素含量、质量吸收系数等参数的影响机制。含水率梯度实验结果表明,随着含水率增加,土壤光谱本底抬高,康普顿和瑞利散射增加,元素特征峰降低。构建的物理模型表明,水是土壤基质的一部分,导致样品对射线的衰减能力降低。有效原子序数的降低类似于目标元素“被稀释”。本研究根据实验验证结果,建立了标准物质康普顿散射和元素特征峰数据库,应用于现场测量的水分修正方法中,提高了Ni、Cu、Zn、Pb、As等元素水分修正准确度。(4)研究了痕量重金属的XRF/NIR光谱联用检测技术。Cd和Hg都属于痕量元素,且生物毒性强。这两种元素检出限过高一直限制了XRF的推广应用。为解决这一问题,需从两个层面形成突破。首先通过优化本底扣除法提高本底扣除率和信噪比,克服噪声和背景计数对特征峰的影响;其次是探究多探测器联用的机制,引入近红外光谱建立数据融合的化学计量学模型。搭建了光谱联用的测试平台。分别建立了Cd的外积融合PLSR定量方法以及Hg的模型平均融合PLSR定量方法,提高了定量的准确性,为痕量元素检测提供了新的思路。综上所述,本研究建立了基于非对称加权惩罚最小二乘的本底扣除方法;提出了高斯混合模型-混沌粒子群算法的重叠峰解析方法,并开发了相关用户界面;研究了水分对X射线与土壤相互作用的影响,建立了标准物质康普顿散射和元素特征峰数据库,应用于现场测量的水分修正方法中;研究了痕量重金属的XRF/NIR光谱联用检测技术,搭建了联用测试平台,分别建立了Cd的外积融合PLSR定量方法以及Hg的模型平均融合PLSR定量方法,为今后推广示范应用提供了重要的技术支撑。
安克丽[3](2021)在《市售光散射法PM2.5检测仪的性能评估及模型校准》文中提出目的:评估光散射法PM2.5检测仪的性能;探究影响光散射法检测PM2.5质量浓度准确性的主要因素,并利用机器学习算法建立校准模型。方法:于2020年12月到2021年3月,以微量振荡天平法(TEOM)为参考方法,对市售的2种专业级别(MicroPEM和LD-6S)和3种低成本的光散射法PM2.5检测仪(A、B和C)进行环境空气PM2.5质量浓度平行测试。通过计算同一型号两台仪器测定结果间的相关系数、偏差值评价仪器的精密度;通过计算光散射法与TEOM测定结果间相关系数、偏差值评价仪器的准确度;通过分析相对湿度、温度、颗粒物质量浓度的各四分位数分组间光散射法与参考方法测定结果比值变化,探讨影响光散射法准确性的因素;以TEOM测定值为因变量,温度、相对湿度和光散射法检测值为自变量,分别利用多元线性回归、随机森林、支持向量机和人工神经网络算法建立光散射法检测结果的校准模型,采用十折交叉法验证模型,以决定系数(R2)、均方根误差(RMSE)和平均绝对误差(MAE)评估校准模型性能。结果:(1)精密度:两个专业级别的光散射法测定仪均具有良好的精密度,相同型号仪器平行测定结果间的相关系数均大于0.98(rmicroPEM=0.982;rLD-6S=0.995),平均偏差分别为(0.2±16.4)μg/m3和(2.0±7.8)μg/m3;三种低成本的光散射法PM2.5检测仪精密度差别较大,相同型号仪器平行测定结果间的相关系数r范围为0.827~0.990,平均偏差范围为(2.3~28.6)μg/m3。(2)准确度:两种专业级别光散射法检测仪测定结果与TEOM测定结果间均具有良好的相关关系,相关系数范围为0.943~0.972,但存在系统偏差(P<0.05),其中MicroPEM测量值高估了 PM2.5质量浓度,MicroPEM与TEOM测定结果的比值中位数为1.42,LD-6S测量值低估了 PM2.5质量浓度,LD-6S与微量振荡天平法测定结果的比值中位数为0.97;三种低成本检测仪与TEOM测定结果间一致性差别较大,相关系数范围为0.813~0.942,均高估了 PM2.5质量浓度,其与TEOM测定结果的比值中位数范围为1.32~1.43。(3)光散射法影响因素:环境温度、相对湿度和PM2.5污染水平是影响光散射法检测结果的重要因素。其中,光散射法与TEOM法测定结果的比值随相对湿度、PM2.5浓度的升高而增大;温度对各光散射法检测仪与TEOM法测定结果比值的影响趋势不一致。(4)模型校准:以环境温度、相对湿度和光散射法PM2.5检测仪测定值为预测变量,基于传统的多元线性回归和更为复杂的机器学习算法(随机森林、支持向量机和人工神经网络)建立的校正模型均可提高光散射法测定结果的准确性,且后者的校正效果要优于前者,具体表现为十折交叉验证时更高R2值以及更低RMSE和MAE值;支持向量机模型和人工神经网络模型分别对4种和1种光散射法PM2.5检测仪校准效果最优。结论:市售专业级光散射法PM2.5检测仪总体上具有良好的精密度,其测定结果与参考方法间具有良好的相关性,不同型号的市售低成本光散射法PM2.5检测仪的上述性能指标差别较大,但该差别与仪器售价无明确关联;所测试的光散射法检测仪与参考方法测定结果均存在系统偏差,需进行校正;相对湿度、温度、环境PM2.5污染水平是影响准确度的重要因素;通过模型校正可以提高光散射法测定PM2.5质量浓度的准确性,且基于更复杂机器学习算法的模型校正效果优于传统的多元线性回归模型。
刘亮[4](2021)在《基于深度学习的视觉运动估计与理解》文中研究说明随着深度学习的高速发展,计算机视觉技术在图像任务中取得了瞩目的成果。近年来,视频的数据量和业务量在监控安防、自动驾驶、互动娱乐、工业视觉等多个领域中呈爆炸式增长,这对人工智能技术在视频中的应用提出了新的需求。然而,将处理静态图像的深度学习方法直接迁移至视频序列任务中,将丢失时间维度的信息建模,从而无法有效地处理视频任务。因此,对视频任务展开深入研究有着重要的科学意义和社会价值。本文聚焦于视觉运动估计与理解领域,按照各项视频任务对信息的加工程度,以由浅及深的顺序展开研究。对于视频任务,现有的研究工作仍然存在诸多挑战:低层次的视觉运动感知任务以空间点或像素点为研究对象,其面临的最大挑战是监督学习标注数据难以获得,以及无监督目标函数的不可靠性;而高层次的视觉运动理解任务以视频中的目标或行为实例为研究对象,其难点在于如何以较低的计算成本实现高效准确的推理精度。针对上述挑战,本文研究低层次的无监督学习的深度估计、光流估计等稠密点的状态估计任务,以及高层次的多目标跟踪和行为检测任务。本文的研究内容与主要创新点如下:1.针对深度估计、光流估计以及运动区域分割等低层次视觉任务,本文利用几何约束提出多任务联合的无监督学习框架,无需标注数据便可对多个任务进行互相协同促进的学习。同时,本文提出对网络估计的深度与光流使用优化方法得到相机自运动,并获得场景的刚性流,进而根据视角合成误差对场景中的运动区域进行区分。通过对运动区域和静止区域引入特有的一致性损失,能够提升各子任务的预测精度。2.针对无监督光流估计任务中损失函数在大运动、遮挡、极端光照条件等复杂场景中不可靠的问题,本文提出了一种新颖的类比学习方法。通过设计各种变换来构造类比样本,以原始样本的预测为类比样本提供更为可靠的监督信号。此外,本文设计了一种高度共享的循环光流网络结构并提出多帧输入下的拓展结构,不仅显着降低了光流网络的参数量与计算量,并且达到了与主流监督学习方法相近的精度与更优的泛化性能。3.针对多目标跟踪任务,本文提出将目标检测、重识别以及运动估计子任务集成为一个无锚点网络,进行多任务联合学习。同时,本文提出循环结构的运动估计分支以及链式记忆推理策略,以较低的额外参数和计算量实现准确的运动估计,从而降低多目标跟踪对复杂关联算法的依赖。此外,本文提出以检测数据集的静态图片训练跟踪网络的方法,从而以较低的训练门槛实现了实时准确的多目标跟踪方法。4.针对视觉运动研究的落地问题,本文对工业装配过程中的运动跟踪与理解任务展开应用研究,提出了数据驱动的轻量级视觉运动跟踪与行为理解系统,以实现对装配过程中操作员手部动作的实时时空检测。在算法层面上,本文提出了以跨帧检测的方法进行逐帧多目标跟踪的算法,融合高频率跟踪器与低频率检测器的预测结果,实现低计算开销的高效目标跟踪。此外,本文提出以通用的方式对图像目标检测和视频行为检测网络分别进行了轻量化修改,进一步促使整个视频分析系统能够在低算力硬件平台上实时运行。对于上述研究内容,本文在视觉运动估计与理解领域取得了出色的研究成果,并在学术界与产业界得到了广泛应用,充分地补充完善了视频运动的前沿探索研究。
杨已鸿[5](2021)在《基于改进的LSHiForest的智慧大棚预警系统》文中进行了进一步梳理智慧大棚是物联网技术在农业生产领域的典型应用。智慧大棚是指利用大棚中的各种传感器对温度、湿度、光照等信息进行实时监测,在预警系统的支持下,对收集到的信息进行及时检测,发现异常,报告给用户,从而控制大棚内的卷帘、灯光、灌溉等设备,使作物始终生长在适宜的环境中,提高作物的质量和产量,增加收益。在这个过程中,预警系统对收集到的传感器数据进行异常检测是至关重要的问题。然而,传统的面向静态数据的异常检测算法没有考虑数据流的无限性、互相关性、概念漂移等特点,这给数据流异常检测带来许多挑战,具体表现如下:(1)数据流通常是快速持续到达的,具有无限性。这导致传统的异常检测算法无法通过存储整个数据集或者多次扫描数据集来提高检测的准确性;(2)不同的数据流之间存在相关性,这是传统的异常检测算法进行检测时很少考虑的因素。在这种情况下,传统异常检测算法的检测准确性可能会下降;(3)数据流中数据的分布会随着时间的推移发生变化,这意味着利用初始历史数据训练得到的模型不再符合当前的概念,异常检测算法需要及时更新模型来适应概念漂移问题。因此,传统的没有模型更新的异常检测算法将无法正确预测新的数据分布。此外,数据流异常检测算法的效率也是要考虑的重要问题之一。针对上述挑战,本文考虑数据流的特点,对传统的异常检测算法进行改进,并将改进的算法应用在智慧大棚预警系统中,以实现准确高效的预警系统。具体研究工作如下:(1)针对传统异常检测算法中检测效率不高的问题,使用LSHiForest方法进行改进。利用哈希函数划分数据点,异常点更快更容易被划分出来,从而使得检测的时间复杂度降低,提高检测的效率。(2)针对传统的异常检测算法处理数据流时所面临的三个挑战,基于已有的LSHiForest算法,结合滑动窗口和模型更新技术,提出新的数据流异常检测算法DLSHiForest,对数据流进行异常检测。该方法利用滑动窗口存储实时到达的数据点,解决数据流的无限性问题;利用哈希函数对数据进行哈希,从而检测数据异常,解决数据流的互相关性问题;定期更新检测模型,解决数据流的概念漂移问题。为验证所提出方法的有效性,本文选用真实的农业大棚传感器数据集,通过设计对比实验,比较评价指标,来证明上述方法在数据流异常检测中的表现,最终实验结果表明本文提出的方法是可行有效的。(3)结合上述改进的算法,设计并实现一个准确高效的智慧大棚预警系统。借鉴已有的预警系统的模式,基于B/S架构模式以及三层架构设计,采用Java语言,在IDEA以及Web Storm开发工具中,对系统进行设计与实现。
朱韶华[6](2021)在《高山美利奴羊羊毛品质与红细胞性状基因组选择和全基因组关联分析研究》文中认为高山美利奴羊是在高山寒旱生态区育成的羊毛纤维直径主体为19.1~21.5μm的一流毛肉兼用美利奴羊新品种,常年生活在高海拔寒旱地区,具有生产性能高、羊毛综合品质优和高原低氧适应性强等特点。与之突出特点相关的羊毛品质和抗高原缺氧等重要性状的基因组选择和全基因组关联分析研究仍处于起步阶段,如何提高育种值估计准确性来缩短世代间隔、加速遗传进展及挖掘与重要性状关联的候选基因已成为高山美利奴羊选育提高和品种完整结构建设中亟需解决的问题。本研究通过基因组选择和全基因组关联分析方法,以高山美利奴羊为研究对象,结合不同密度SNP微阵列数据,以GBLUP(Genomic Best Linear Unbiased Prediction)和Bayes-Alphabet模型为基础,研究不同因素对基因组育种值(Genomic Breeding value,GEBV)估计准确性的影响;采用全基因组关联分析对羊毛品质和高原低氧适应性相关的QTL进行精细定位以搜寻关键的区域信息和候选基因。研究结果如下:1.加性和显性遗传效应对基因组预测准确性的影响结合Affymetrix HD 630K微阵列分型数据,基于GBLUP模型,采用仅包含加性遗传效应的MAG模型(Model with Additive Effect GBLUP)和包含加性与显性遗传效应的MADG模型(Model with Additive and Dominance Effect GBLUP)对498只高山美利奴羊的共9种羊毛品质性状和高原低氧适应性相关的红细胞性状进行基因组预测,遗传方差组分估算结果显示,束纤维断裂伸长率、红细胞计数和红细胞压积三种性状的显性方差占总表型方差比例分别为73%、28%和25%,对其显性方差比例较高的性状,MAG模型获得的GEBV估计准确性更高;多重交叉验证的结果显示,两种模型的预测准确性,除毛丛长度(R2=0.25)和平均血红蛋白浓度(R2=0.12)之外,MAG模型均高于MADG。以上结果表明,MAG模型更适用于高山美利奴羊羊毛品质和红细胞性状的基因组预测。2.标记密度、统计模型和遗传力对基因组预测准确性的影响采用50K和630K两种不同密度的微阵列数据,基于GBLUP和Bayes-Alphabet模型对821只高山美利奴羊遗传力水平不同的6种羊毛品质性状进行基因组预测分析。遗传力估计结果显示,束纤维断裂伸长率和束纤维断裂强度的遗传力分别为0.29和0.35,为中等遗传力水平性状;毛丛长度、毛纤维直径、毛纤维直径变异系数和净毛率的遗传力分别为0.68、0.44、0.55和0.46,为高遗传力性状。标记密度由50K增加至630K后,束纤维断裂伸长率和束纤维断裂强度的预测准确性分别提高了11%(Bayes A)和13%(Bayesion LASSO),净毛率和毛纤维直径变异系数仅提高了1%(Bayes B),毛丛长度下降了6%(Bayesion LASSO),表明增加标记密度可有效提高束纤维断裂伸长率等中等遗传力水平性状的GEBV估计准确性,但对毛丛长度等高遗传力水平性状影响微弱,甚至出现准确性下降的情况;GBLUP模型在中等遗传力水平性状的预测准确性均高于Bayes-Alphabet模型,Bayes B和Bayesion LASSO模型在高遗传力水平性状的准确性更高,表明GBLUP模型更适用于中等遗传力水平性状的基因组预测,Bayes B和Bayesion LASSO模型更适合高遗传力水平性状的基因组预测。3.羊毛品质和红细胞性状全基因组关联分析研究以498只高山美利奴羊组成的目标群体,利用单标记和单倍型,基于广义线性模型(Generalized Linear Models,GLM)对红细胞性状执行全基因组关联分析,通过基因定位和功能注释,筛选出DHCR24、EFNB2、SH2B3、PLCB1、SPATA9和FLI1六个基因作为影响群体高原低氧适应性的潜在候选基因,特别是PLCB1和FLI1,分别与红细胞生成、正常造血和携氧功能有密切关联;建立977只高山美利奴羊组成的目标群体,利用单标记,基于Farm CPU(Fixed and random model Circulating Probability Unification)模型对羊毛品质性状执行全基因组关联分析,筛选出PBX1、TRPC3、SLITRK5和PVRL1四个基因作为羊毛品质性状相关的潜在候选基因,特别是PBX1和SLITRK5,分别与毛囊间充质干细胞的衰老延迟与表皮的分化、表皮稳态有密切关联,上述结果可作为高山美利奴羊基因组预测研究中具有显着效应的潜在区域。本研究通过纳入加性与显性遗传效应对GBLUP模型进行了优化,发现束纤维断裂伸长率等显性方差占总表型方差比例较大的性状(大于25%),MAG模型在GEBVs估计中具有更高的准确性,更适用于高山美利奴羊羊毛品质和红细胞性状的基因组预测。增加标记密度可有效提高束纤维断裂伸长率等中等遗传力水平性状的GEBVs估计准确性,但对毛丛长度等高遗传力水平性状影响甚微;通过两类模型的预测准确性比较,GBLUP模型更适合中等遗传力水平性状的基因组预测,Bayes B和Bayes LASSO模型更适合高遗传力水平性状的基因组预测。基于不同GWAS模型和标记类型,筛选出羊毛品质性状关联的4个候选基因(PBX1、TRPC3、SLITRK5和PVRL1)和高原低氧适应性关联的6个候选基因(DHCR24、EFNB2、SH2B3、PLCB1、SPATA9和FLI1),特别是PLCB1和FLI1,分别与红细胞生成、正常造血和携氧功能有密切关联;PBX1和SLITRK5,分别与毛囊间充质干细胞的衰老延迟与表皮的分化、表皮稳态有密切关联。为高山美利奴羊的基因组选择提供适宜的GEBVs估计模型和具有重要效应的标记信息,并为高原家畜的功能基因挖掘提供有价值的参考。
闫磊[7](2021)在《THDS设备深化运用研究》文中指出铁路运输是我国主要的运输渠道,是国民经济的大动脉,随着我国综合国力的提高和经济的高质量发展,对铁路运输的安全、成本、时效性等提出了更高的要求。随着列车运行速度大幅提高,大列重载列车的普遍运行,相应对货车车辆的运用技术质量、保证手段等提出了更高要求。THDS设备(车辆轴温智能探测系统)作为检测车辆运行轴温的重要设备之一,被誉为车辆安全的守护神,是铁路车辆安全保障―技防‖的重要手段之一。本文从作者单位THDS设备基本情况入手,针对长期以来热轴预报准确性不高的问题,从设备运用和日常管理维护的角度详细分析问题原因,并研究切实可行的方案加以解决,文章主要研究有以下几个方面。一是针对设备使用过程中测温误差较大的问题,从检修标定和探头角度校准方面详细分析原因,对定标黑体及探头角度校准模式进行优化,提高设备检修质量和测温准确性。二是对环温变化影响热轴预报,瓦日线热轴预报突出及热轴漏报的典型案例进行分析,从系统热判模型入手,通过优化预报标准、改进热判模型等方面研究解决措施,提高热轴预报准确性;并针对轴温异常波形识别准确率不高的问题,研究利用人工神经网络判别异常波形的可行性。三是针对THDS探测站无人值守、地处偏远、远程监控手段缺乏、设备故障延时较长等日常管理存在的问题,研制应用探测站远程智能监控系统,提高设备运用管理水平。通过采取措施,本单位管内THDS设备动态联检优良率由92.9%提高至98%以上;热轴预报准确性由33.3%提高至66.7%;为运输安全提供了可靠保障。
王凤红[8](2021)在《山羊SNP芯片设计与内蒙古绒山羊重要经济性状全基因组关联分析及基因组选择研究》文中研究表明绒山羊是我国特色优势品种,所产山羊绒是我国唯一具有出口定价权的畜产品。内蒙古绒山羊因产绒量高、绒毛品质优良和遗传性能稳定而享誉世界。本研究基于课题组前期完成的不同山羊品种基因组、转录组数据筛选功能位点,研发出首张适用于国内地方山羊品种芯片,结合系谱和生产性能测定记录,构建了高质量参考群体,基于该芯片在内蒙古绒山羊群体内开展了全基因组关联分析及大数据基因组选择研究,对绒毛品质性状的遗传机理进行初步解析,确定了内蒙古绒山羊基因组选择最佳方法。本研究充分利用我国绒山羊种质资源优势,从基因组角度研究和挖掘一批与羊绒生产性状相关的分子标记和基因资源,为今后绒山羊遗传资源保护和利用提供科学依据,为内蒙古绒山羊优质高产新品系培育提供新的基因资源和理论指导。论文主要结果如下:1.基于课题组近30年测定积累的616 113条内蒙古绒山羊系谱和生产性能记录数据,通过ASREML软件,对内蒙古绒山羊重要经济性状进行遗传参数估计。结果表明:群、测定年份和个体年龄对各性状均有显着影响,可作为固定效应纳入模型。产绒量、绒细、毛长的遗传力分别是0.24、0.27、0.32,均属于中等遗传力(0.20-0.40),体重和绒长属于低遗传力(0.12和0.14)。产绒量、体重、绒长、绒细、毛长之间的遗传相关在-0.32~0.40之间,表型相关在-0.02~0.20之间;发现各性状加性方差较前人研究减小,说明选育后的性状遗传变异减小,有利于选育目标性状的基因型得到有效选择和纯合性状表型更加整齐。2.利用36个典型的中国地方品种(372个个体)和49个国外品种(226个个体)的山羊基因组、转录组数据,同时最大化兼容Illumina山羊52K SNP芯片位点,添加课题组多年来积累的重要功能位点数据,累计约4 500万个MAF大于0.2的SNPs,采用条件性的多目标局域性优化算法,通过对SNPs严格筛选,最终保留67 088 SNPs位点,集成一款全新的山羊70K SNP芯片(GGP_Goat_70K);基于山羊70K SNP芯片,在内蒙古绒山羊群体中进行基因分型测试,所有个体均成功分型,平均call rate98.8%。说明利用该芯片可以实现山羊的基因分型,同时获得了1 920个个体的基因型数据,可用于后续的GWAS和基因组选择研究。3.基于获得的1 920个个体的基因型数据,对内蒙古绒山羊的绒长、绒细和产绒量三个性状进行全基因组关联分析。首先对绒长、绒细和产绒量进行数据整理,检测表型数据是否符合正态分布;同时对内蒙古绒山羊群体进行主成分分析,判断是否存在群体分层现象;然后使用混合线性模型进行GWAS分析,通过分位数-分位数(Quantile-Quantile,Q-Q)图判断期望值和观测值的拟合程度。结果表明在基因组水平获得了4个显着SNPs,扩大100 kb后经注释发现GALNTL5、CCDC171、STUM、CMAS、FGF12、POLN、TACC3、PRLR、EVPL、COL3A1和SOX5为内蒙古绒山羊绒毛性状的重要候选基因,可以用于后续深入研究。4.基于70K SNP芯片在国内开展了绒山羊基因组选择研究,使用GBLUP和SSGBLUP方法估计了内蒙古绒山羊绒长、绒细、产绒量、体重和毛长5个性状的遗传力和基因组育种值,同时与研究一使用的ABLUP法获得的数据进行比较,并用5次重复的5倍交叉验证来评价育种值预测的准确性。结果表明(1)GBLUP和SSGBLUP法估计产绒量的遗传力为0.26和0.28;体重的遗传力为0.17和0.14;绒长的遗传力均为0.09;绒细的遗传力均为0.30;毛长的遗传力为0.31和0.32。(2)SSGBLUP对5个性状评估准确性在45%-82%之间,与ABLUP相比提高19%-25%;(3)SSGBLUP相比于GBLUP和ABLUP有更高的预测准确性和无偏性,SSGBLUP是内蒙古绒山羊基因组选择的最佳方法;(4)通过实施基因组选择可以使内蒙古绒山羊育种世代间隔从4.5年缩短至2年。
李茵[9](2021)在《面向医院管理的数据驱动决策研究》文中研究指明信息技术的快速发展与应用以及大数据战略的深入实施,使得大数据成为科技创新引领与决策支撑的重要战略资源,科学研究与实践正在完成“假设驱动”到“数据驱动”的巨大转变,大数据的深度挖掘与利用能够为社会发展、政府治理、国家安全等提供新的动能。围绕国家大数据战略,丰富和拓展大数据应用创新领域,推动管理升级,给学术界、产业界以及政府部门带来许多新的重要课题。其中面向健康服务供给侧的决策支持、决策引导和决策创新中的数据驱动、数据价值转换问题即是管理学、数据科学的核心科学问题之一,更是情报学应对大数据环境开展智慧型情报服务必须解决的关键问题之一。健康医疗大数据时代的到来,促使医院管理和医院管理者的观念都随之变化。数据驱动对医院精细化、智慧化管理决策具有重要意义。本研究从提升医疗管理决策质量的角度出发,构建数据驱动医院管理决策过程模型,分析数据驱动医院管理决策的影响因素,进而提出面向医院管理的数据驱动决策模型,并展开实证研究,为数据驱动决策领域的研究理论基础和实证研究提供参考依据,为促进医院精细化管理提供对策及建议。基于此,通过界定“数据驱动”、“医院管理”、“医院管理评价”与“数据驱动决策”等相关概念,以回顾数据驱动决策、面向医疗健康领域的数据驱动决策、面向医院管理的数据驱动决策以及数据驱动决策的影响因素研究现状为基础,综合运用文献调研法、半结构访谈法、问卷调查法、扎根理论法、结构方程法、统计分析法、机器学习法分析了面向医院管理的数据驱动决策的过程模型和影响因素模型,并构建了面向医院管理的数据驱动决策模型。围绕面向医院管理的数据驱动决策模型这一核心研究内容,本文第三章在已有BASM模型研究过程的基础上,结合医院管理决策场景的特殊性,探索面向医院管理的数据驱动决策的运行机理,构建面向医院管理的数据驱动决策过程模型,以梳理驱动的路径,理清其中的内在逻辑。该模型由处理过程模型及支持过程模型两部分构成,旨在分别回答面向医院管理的数据驱动决策过程中两个核心问题,一是数据本身如何转化并如何嵌入到医院管理决策过程中,二是医院中能够支持并且推动数据驱动决策的途径是什么。第四章采用扎根理论进行了面向医疗管理领域数据驱动决策的影响因素识别研究,编码面向医院管理者的半结构化访谈资料,经过饱和度测试,最终识别出了四个维度的影响因素。第五章在对影响因素定性研究的基础上利用结构方程模型方法进一步验证影响因素,探讨相关变量的权重和关系。阐述各个因素对医院管理决策的影响关系,验证数据驱动医院管理决策影响因素模型。第六章整合数据驱动医院管理决策过程模型和影响因素模型,构建支持医院管理决策全过程的数据驱动决策模型,探讨过程模型与影响因素模型的内在联系。第七章根据已构建的面向医院管理的数据驱动决策模型,进行基于DRGs分组的医疗服务能力评价和医生绩效评价管理工作的实证研究,修正和完善已构建的模型。具体内容如下:(1)构建面向医院管理的数据驱动决策过程模型。基于现有的数据驱动决策机制模型,结合医院管理实践,构建面向医院管理的数据驱动决策过程模型,该模型由处理过程模型及支持过程模型两部分构成,处理过程模型包括面向医院管理决策的数据处理过程和数据驱动的医院管理决策处理过程。决策处理过程既是数据处理过程的最后阶段,对数据处理的结果进行展示与应用,又会不断地产生新的数据,前推已有数据的老化和错误,补充和修正数据处理过程。而数据处理过程以决策处理过程中的阶段性需求为导向,能嵌入到决策处理过程的所有阶段,为决策处理的全流程服务。支持过程模型主要涉及两用户一技术。两用户包括数据分析人员和管理者,使能技术是创建和改进能够嵌入到操作系统的分析工具,这三个主体不能割裂独立,而可以互相转化并可能同时存在,共同对数据和决策进行处理,支持处理过程模型运转。(2)系统分析了面向医院管理的数据驱动决策影响因素。对主观及客观上影响管理者数据驱动决策的因素进行整合和相关分析,确定四个核心影响因素范畴分别是医疗数据质量,信息技术,医院组织管理和管理者信息素养,构建了影响因素模型,发现数据驱动医院管理决策能受到管理者信息素养、医院组织管理和信息技术的正向影响,其中管理者信息素养最强,其次是医院组织管理和信息技术;医院组织管理对医疗数据质量、管理者信息素养、决策目标均有影响,对医疗数据质量的影响要强于管理者信息素养;医疗数据质量能够对信息技术产生正向影响;信息技术对决策目标具有正向影响。(3)构建了面向医院管理的数据驱动决策模型。将过程模型与影响因素模型有机结合在一起,构成了面向医院管理的数据驱动决策模型。打造数据驱动决策模型,将医院数据质量标准化管理贯穿于医院管理全流程、智能化管理提升医务人员的信息技术、高效化管理增效医院组织三个方面分析模型的实现,提出模型优化建议。(4)基于DRGs的肺癌医疗服务绩效分析实证研究。模拟医院管理中运用DRGs分组工具解决绩效问题的真实场景,应用数据驱动医院管理决策模型,优化DRGs分组,优化绩效管理。研究最终确定性别、年龄、入院途径、离院方式、住院次数、医保付费方式、是否手术、合并症严重情况八个因素为影响肺癌医疗服务费用的因素,构建了8个DRGs分组,其中合并症严重程度、是否手术、住院次数是决策树分组的分类结点变量。选用医疗服务能力的指标(DRGs总权重、CMI)根据获取的数据进行比较,完成绩效评价工作,实现基于数据驱动决策的绩效管理。
杜飞[10](2021)在《基于注意力机制的视觉目标跟踪方法研究》文中研究指明视觉目标跟踪是计算机视觉领域中一个重要研究方向,在智能监控、人机交互、自动驾驶等领域具有广泛应用价值。仅给定一段视频中任意目标的初始位置和大小,目标跟踪需要在不利用其他先验信息条件下持续估计目标的后续状态。目标形变、遮挡、光照变化、背景干扰等因素对目标跟踪算法的准确性、鲁棒性以及实时性提出了极高要求。在复杂环境下的目标跟踪问题是一个充满理论挑战性和实践挑战性的问题。注意力机制是人类有效过滤信息的方式之一。人类通常有选择性地处理人眼接收到的大量视觉信息,从而提高资源处理效率。注意力机制可以帮助视觉模型有选择性的利用信息,引导视觉系统关注感兴趣的区域。目标跟踪中信息主要由图像特征表示,其中既包含与目标有关的有用信息,也包含对目标造成干扰的有害信息或与目标无关的无用信息,有效地挖掘利用特征中有用信息对于提高目标跟踪性能至关重要。本文针对目标跟踪中的特征利用和学习问题,在利用注意力机制提高特征的利用效率和表征能力方面开展了以下四个研究内容:(1)提出基于空间注意力的特征时空自适应加权跟踪方法,解决跟踪模型容易受到背景影响产生漂移的问题。该方法将模型注意力集中于目标,通过结合由颜色直方图模型构建的目标似然图和由像素位置与目标中心的距离信息构建的先验权重,构建了时空自适应变化的特征权重。通过在相关滤波跟踪框架中引入时空自适应权重,跟踪模型能够有效利用目标信息,削弱背景信息的影响,提高特征的利用效率。通过引入伪滤波器变量保留相关滤波样本矩阵的循环特性,该方法对加入权重的相关滤波损失函数进行了高效优化。实验结果表明,构建的自适应权重能有效提高相关滤波方法性能,降低跟踪模型漂移的可能性。(2)提出基于通道注意力的特征通道可靠性与滤波器系数联合学习跟踪方法,解决跟踪时不同特征通道没有被区分性利用,影响模型判别性的问题。该方法将模型注意力集中于可靠特征通道,为每个通道赋予可靠性权重,将其作为可学习变量引入到相关滤波模型中,并根据历史跟踪结果构建先验权重作为当前通道权重的约束,与滤波器系数进行联合学习。联合学习模型采用交替迭代优化两个变量的方式进行求解,在解决通道权重学习的子问题时,方法通过证明损失函数的上界对其进行高效优化。联合学习的方式使得模型在训练时有效利用可靠通道的信息,削弱不可靠通道的影响,提高特征利用效率。最终学习得到的模型更具判别性,学习得到的通道权重能更有效地对跟踪时通道响应结果进行加权。实验结果表明,提出的联合学习模型能自适应调整不同通道的贡献,能在不显着增加计算量的前提下提高相关滤波方法的性能。(3)提出基于特征相关结果引导注意力的目标框角点检测跟踪方法,解决基于目标框角点检测的跟踪方法会产生角点定位歧义,且难以有效挖掘利用目标模板和目标搜索区域关系来增强检测准确性的问题。该方法采用两阶段结构,第一阶段利用轻量孪生网络模型进行粗略目标框估计,缩小第二阶段目标框角点检测模块的搜索区域。在第二阶段中角点检测前,模板与搜索区域特征在像素层面相关结果引导的空间注意力模型和通道层面相关结果引导的通道注意力模型分别以不同的方式挖掘模板和搜索区域的关系,增强特征中目标框角点的空间信息和对不同目标框角点的判别能力,从而提高特征表征能力。实验结果表明,提出的方法能够有效定位目标框的角点,通过目标框角点检测获得了准确的目标框估计。(4)提出基于双重注意力的目标框边界检测跟踪方法,在跟踪中通过预测目标框边界得到目标框,解决常用目标框回归方法难以准确估计目标框的问题。该方法在目标框角点检测方法中第一阶段轻量孪生网络粗略估计目标框的基础上,在第二阶段针对目标矩形框每个边界学习一个特征,通过直接估计边界位置的方法得到准确目标框。为了更好地检测目标框边界,提出了模板融合模块和双重注意力模型。模板融合模块将模板与搜索区域特征在像素层面的相关结果作为额外特征,引入目标轮廓信息,增强对目标边界的判别性。双重注意力模型包含目标感知和边界感知的注意力模块。目标感知的注意力模块对目标区域进行增强,提高目标和背景的区分性;边界感知的注意力模块学习边界的空间信息,对目标框边界区域进行增强。双重注意力模型通过不同方式调整模型关注区域,提高了用于边界检测特征的表征能力。实验结果表明,提出的模板融合模块和双重注意力模型能够增强目标框边界检测性能,提出的跟踪方法通过目标框边界检测得到准确的目标框估计,取得先进的跟踪性能。最后本文将提出的方法在开放环境中进行了应用验证。为了应对实际跟踪环境的挑战,提高模型对开放环境的适应性和实用性,本文利用相关滤波判别性强与孪生网络跟踪可拓展性强的优点,将目标框角点检测方法和目标框边界检测方法中第一阶段的孪生网络与近似相关滤波的在线分类模块相结合,弥补孪生网络容易受到相似目标影响的缺点,增强了鲁棒性和适应性,同时保留了目标框角点检测和目标框边界检测准确率高的特点。结合后的两个方法具有高准确性、高鲁棒性、实时性,能够更好地进行应用。在安全监控视频中的跟踪实验表明,两个方法能够有效应对开放环境下存在的挑战,进行准确、鲁棒、实时的跟踪。本文针对目标跟踪中存在的特征利用和学习问题,根据不同问题构建不同的注意力模型。研究从特征利用深入到特征学习,从注意力在相关滤波框架中的表示深入到注意力在深度网络中的学习,利用注意力机制提高了特征的利用效率和表征能力,有效提升了目标跟踪的性能。
二、关于提高检测数据准确性的探讨(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:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(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。
三、关于提高检测数据准确性的探讨(论文提纲范文)
(1)影响油品检测数据准确性因素的控制措施探讨(论文提纲范文)
1 影响油品检测数据准确性的因素分析 |
2 油品检测数据准确性影响因素控制策略分析 |
2.1 强化油品检测人员的培训力度 |
2.2 强化对于油品检测仪器设备管理力度 |
2.3 强化对于油品检测环境条件控制力度 |
3 结语 |
(2)基于XRF的土壤重金属定量分析方法研究及应用(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 土壤重金属XRF分析技术 |
1.2.2 本底扣除方法研究现状 |
1.2.3 重叠峰解析方法研究现状 |
1.2.4 水分影响及修正方法研究现状 |
1.3 XRF重金属检测主要问题 |
1.4 论文研究内容与技术路线 |
1.5 论文主要工作 |
1.6 本章小结 |
2 XRF分析原理及分析方法 |
2.1 X射线与物质相互作用 |
2.1.1 光电效应 |
2.1.2 康普顿散射 |
2.1.3 X射线的吸收 |
2.1.4 瑞利散射 |
2.2 X射线荧光定量分析原理 |
2.3 定量分析方法 |
2.4 分析结果评价 |
3 基于非对称加权惩罚最小二乘的光谱本底扣除法 |
3.1 本底的来源及特性 |
3.2 非对称加权惩罚最小二乘本底扣除方法 |
3.2.1 方法提出的基础 |
3.2.2 arPLS算法原理及本底扣除过程 |
3.3 本底扣除方法的效果评价 |
3.3.1 含高斯本底的模拟光谱扣除效果评价 |
3.3.2 本底已知的理论谱线本底扣除效果评价 |
3.4 本章小结 |
4 基于高斯混合模型-混沌粒子群算法的重叠峰解析方法 |
4.1 常用的重叠峰解析方法 |
4.2 重叠峰的数学描述 |
4.3 基于X荧光壳层理论和高斯混合模型-混沌粒子群算法的解析方法 |
4.3.1 X荧光壳层理论 |
4.3.2 高斯混合模型-混沌粒子群算法 |
4.3.3 解析方法流程 |
4.4 方法验证与讨论 |
4.4.1 Ni、Cu、Zn特征X射线荧光的重叠谱解析 |
4.4.2 As、Pb、Hg特征X射线荧光的重叠谱解析 |
4.4.3 实际样品的重叠峰解析 |
4.5 本章小结 |
5 图形用户界面设计及方法性能评价 |
5.1 图形用户界面设计 |
5.2 界面布局及功能介绍 |
5.2.1 数据导入模块 |
5.2.2 本底扣除模块 |
5.2.3 重叠峰解析模块 |
5.3 准确度和精密度评价 |
5.3.1 实验样品及系统 |
5.3.2 数据分析与评价指标 |
5.3.3 结果与讨论 |
5.4 检出限评价 |
5.4.1 样品制备及实验 |
5.4.2 数据处理 |
5.4.3 管电压对检出限的影响 |
5.4.4 管电流对检出限的影响 |
5.4.5 本底扣除效果评价 |
5.5 本章小结 |
6 水分对便携XRF的影响机制及修正方法 |
6.1 土壤水分的影响 |
6.1.1 水分效应 |
6.1.2 水分的影响 |
6.1.3 常用的修正方法 |
6.2 特征射线强度变化的理论推导 |
6.3 物理模型验证 |
6.3.1 实验仪器和实验样品制备 |
6.3.2 光谱本底与含水率的变化关系 |
6.3.3 散射峰与含水率的变化关系 |
6.3.4 目标元素特征峰与含水率的变化关系 |
6.4 水分影响的修正方法 |
6.5 本章小结 |
7 XRF/NIR光谱联用及土壤重金属分析的应用 |
7.1 XRF/NIR光谱联用方法 |
7.1.1 近红外光谱介绍 |
7.1.2 XRF/NIR光谱联用理论背景 |
7.2 土壤样品的采集与处理 |
7.3 土壤样品的化学分析和光谱测量 |
7.4 光谱预处理方法 |
7.5 Cd、Hg定量模型 |
7.5.1 预处理方法对比 |
7.5.2 数据融合模型 |
7.6 本章小结 |
8 结论与展望 |
8.1 研究结论 |
8.2 特色及创新点 |
8.3 未来工作展望 |
致谢 |
攻读博士期间科研成果 |
参考文献 |
附录 |
附录A 表1 土壤环境质量标准(mg/kg) |
附录B 部分arPLS算法(Matlab R2020a) |
附录C 部分混沌粒子群算法 |
(3)市售光散射法PM2.5检测仪的性能评估及模型校准(论文提纲范文)
摘要 |
Abstract |
常用缩写词中英文对照表 |
1 引言 |
1.1 PM_(2.5)质量浓度检测方法概述 |
1.2 光散射法检测PM_(2.5)质量浓度研究进展 |
1.3 既往研究的缺点和不足 |
1.4 研究目的和技术路线 |
2 研究方法 |
2.1 仪器设备 |
2.2 实验方法 |
2.3 质量控制措施 |
2.4 数据统计分析 |
3 结果 |
3.1 基本情况描述 |
3.2 光散射法PM_(2.5)检测仪性能评估结果 |
3.3 影响光散射法PM_(2.5)检测准确性因素验证结果 |
3.4 光散射法PM_(2.5)检测的模型校准结果 |
4 讨论 |
4.1 光散射法PM_(2.5)检测仪性能评估结果分析 |
4.2 影响光散射法PM_(2.5)检测准确性的因素分析 |
4.3 光散射法PM_(2.5)检测校准模型评价 |
5 结论及展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
致谢 |
个人简历 |
(4)基于深度学习的视觉运动估计与理解(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景和意义 |
1.2 研究问题与挑战 |
1.3 研究内容与主要贡献 |
1.4 本文组织结构 |
2 相关文献综述 |
2.1 低层次视觉运动研究现状 |
2.1.1 任务数据与可视化方法 |
2.1.2 非深度学习方法的启示 |
2.1.3 监督深度学习方法研究 |
2.1.4 非监督的深度学习方法研究 |
2.2 高层视觉运动研究现状 |
2.2.1 多目标跟踪研究现状 |
2.2.2 行为识别与检测研究现状 |
2.3 本章小结 |
3 融合立体感知的场景点运动估计 |
3.1 引言 |
3.2 问题描述 |
3.3 自监督光流估计与深度估计 |
3.3.1 自监督信号构建 |
3.3.2 基础网络架构 |
3.3.3 自监督优化目标 |
3.4 融合三维感知的多任务联合运动估计 |
3.4.1 显式相机自运动估计 |
3.4.2 场景运动区域分割 |
3.4.3 损失函数与学习流程 |
3.5 实验结果 |
3.5.1 实验设置 |
3.5.2 评测指标 |
3.5.3 子任务实验结果与分析 |
3.6 本章小结 |
4 类比学习的自监督光流估计 |
4.1 引言 |
4.2 高度共享的循环光流网络 |
4.2.1 高性能光流网络设计思想 |
4.2.2 共享循环结构设计 |
4.2.3 多帧模型拓展 |
4.2.4 多帧模型的自监督训练 |
4.3 复杂条件的光流类比学习 |
4.3.1 自监督类比学习框架 |
4.3.2 类比任务的变换形式 |
4.3.3 总体目标函数 |
4.4 实验结果 |
4.4.1 数据集介绍 |
4.4.2 实验设置 |
4.4.3 评测指标 |
4.4.4 与主流方法对比 |
4.4.5 消融实验 |
4.4.6 跨数据集泛化 |
4.5 本章小结 |
5 多任务联合学习的多目标跟踪 |
5.1 引言 |
5.2 基于无锚点检测的多目标跟踪 |
5.2.1 深度多目标跟踪框架 |
5.2.2 基于无锚点模型的共享思路 |
5.3 无锚点的链式多目标跟踪 |
5.3.1 无锚点跟踪网络设计 |
5.3.2 多任务损失函数 |
5.3.3 使用目标检测数据集训练 |
5.3.4 链式记忆推理 |
5.3.5 贪婪跟踪算法实现 |
5.4 实验结果 |
5.4.1 实验设置 |
5.4.2 评测指标 |
5.4.3 与主流方法对比 |
5.4.4 消融实验 |
5.5 本章小结 |
6 工业装配过程中的时空运动检测 |
6.1 引言 |
6.2 任务描述 |
6.2.1 问题说明 |
6.2.2 数据采集说明 |
6.3 轻量级运动跟踪分析 |
6.3.1 轻量级无锚点跟踪网络 |
6.3.2 跨帧检测的多目标跟踪 |
6.3.3 行为检测与重建 |
6.4 实验结果 |
6.4.1 数据说明 |
6.4.2 实验设置 |
6.4.3 检测模块测试 |
6.4.4 跟踪模块测试 |
6.4.5 行为检测模块测试 |
6.5 本章小结 |
7 总结与展望 |
7.1 本文工作总结 |
7.2 未来工作展望 |
参考文献 |
作者简历 |
攻读博士学位期间的主要学术成果 |
(5)基于改进的LSHiForest的智慧大棚预警系统(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 预警系统的研究现状 |
1.2.2 基于树模型的异常检测 |
1.2.3 基于集成学习的异常检测 |
1.2.4 基于局部敏感哈希的异常检测 |
1.3 研究内容 |
1.4 论文组织结构 |
第2章 数据流异常检测概述 |
2.1 数据流处理模型 |
2.2 数据流异常检测框架 |
第3章 基于LSHiForest的数据流异常检测方法 |
3.1 LSHiForest |
3.2 流式传感器数据异常检测算法 |
3.2.1 相关参数 |
3.2.2 DLSHiForest |
3.3 实验验证与分析 |
3.3.1 数据集及实验设置 |
3.3.2 实验评价指标 |
3.3.3 对比方法 |
3.3.4 实验结果及分析 |
第4章 基于DLSHiForest方法的智慧大棚预警系统的设计与实现 |
4.1 可行性分析 |
4.1.1 经济可行性分析 |
4.1.2 技术可行性分析 |
4.2 需求分析 |
4.2.1 功能需求分析 |
4.2.2 非功能需求分析 |
4.3 开发技术 |
4.3.1 前端技术 |
4.3.2 后端技术 |
4.4 系统总体设计 |
4.4.1 系统架构设计 |
4.4.2 功能模块设计 |
4.4.3 数据库设计 |
4.5 系统功能实现 |
4.5.1 用户注册、登录功能的实现 |
4.5.2 管理员登录功能的实现 |
4.5.3 用户个人信息查看、修改功能的实现 |
4.5.4 数据显示、查询功能的实现 |
4.5.5 异常检测功能的实现 |
4.5.6 阈值设置功能的实现 |
4.5.7 管理员对用户管理功能的实现 |
4.5.8 管理员对大棚管理功能的实现 |
4.5.9 管理员对传感器管理功能的实现 |
4.6 系统测试 |
第5章 总结与展望 |
参考文献 |
硕士期间取得成果 |
致谢 |
(6)高山美利奴羊羊毛品质与红细胞性状基因组选择和全基因组关联分析研究(论文提纲范文)
摘要 |
SUMMARY |
英文缩略表 |
第一章 文献综述 |
1.1 畜禽遗传评估的方法与研究进展 |
1.2 全基因组关联分析 |
1.3 基因分型的方法 |
1.4 本研究的目的和意义 |
第二章 加性和显性遗传效应对羊毛品质和红细胞性状GEBV估计准确性的影响研究 |
2.1 引言 |
2.2 材料与方法 |
2.3 结果与分析 |
2.4 讨论 |
2.5 小结 |
第三章 统计模型、标记密度和遗传力对羊毛品质GEBV估计准确性的影响研究 |
3.1 引言 |
3.2 材料与方法 |
3.3 结果与分析 |
3.4 讨论 |
3.5 小结 |
第四章 羊毛品质和红细胞性状的全基因组关联分析研究 |
4.1 引言 |
4.2 材料与方法 |
4.3 结果与分析 |
4.4 讨论 |
4.5 小结 |
第五章 结论 |
5.1 主要结论 |
5.2 创新点 |
5.3 后续研究内容 |
参考文献 |
附表与附录 |
致谢 |
作者简介 |
导师简介 |
(7)THDS设备深化运用研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 背景及意义 |
1.2 THDS设备发展历程 |
1.3 论文研究内容 |
1.4 论文结构 |
2 THDS设备简介 |
2.1 设备基础知识 |
2.1.1 系统测温原理 |
2.1.2 系统结构 |
2.1.3 设备工作原理 |
2.2 设备概况 |
2.3 货车热轴预报模型 |
2.3.1 THDS-A型设备预报模型 |
2.3.2 THDS-C型设备预报模型 |
2.3.3 技术术语 |
3 THDS设备运用存在问题分析 |
3.1 测温精度存在偏差 |
3.2 热轴预报准确性较低 |
3.2.1 环温变化影响热轴预报 |
3.2.2 瓦日线车辆热轴预报现象突出 |
3.2.3 存在热轴漏报 |
3.2.4 异常波形识别准确性不高 |
3.3 缺乏有效检测监控手段 |
3.4 设备运用优化 |
4 提高设备测温精度研究 |
4.1 影响设备测温精度原因分析 |
4.1.1 测温标定影响 |
4.1.2 探测角度影响 |
4.2 提高测温标定准确性 |
4.2.1 优化定标温度 |
4.2.2 定标黑体优化 |
4.3 提高探测角度准确性 |
4.3.1 实现激光校准 |
4.3.2 加强状态监控 |
4.4 运用效果分析 |
5 提高热轴预报准确性研究 |
5.1 环温变化影响热轴预报优化研究 |
5.1.1 环温变化影响热轴预报原因分析 |
5.1.2 优化不同环温下预报标准 |
5.1.3 现场运用 |
5.2 瓦日线预报标准优化研究 |
5.2.1 瓦日线热轴预报突出原因分析 |
5.2.2 优化瓦日线预报标准 |
5.3 防热轴漏报优化研究 |
5.3.1 热轴漏报原因分析 |
5.3.2 防漏报模型优化 |
5.3.3 模型测试 |
5.3.4 现场运用 |
5.4 利用遗传神经网络的异常波形识别优化研究 |
5.4.1 人工神经网络和遗传算法简介 |
5.4.2 人工神经网络搭建 |
5.4.3 基于神经网络构建的遗传算法 |
5.4.4 仿真测试 |
5.5 运用效果分析 |
6 远程智能监控系统研制与应用 |
6.1 系统需求 |
6.2 系统硬件设计 |
6.2.1 总体设计 |
6.2.2 功能设计 |
6.3 项目实施 |
6.4 运用效果分析 |
7 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
作者简历及攻读学位期间取得的科研成果 |
学位论文数据集 |
(8)山羊SNP芯片设计与内蒙古绒山羊重要经济性状全基因组关联分析及基因组选择研究(论文提纲范文)
摘要 |
abstract |
缩略语表 |
1 引言 |
1.1 绒山羊育种研究进展 |
1.1.1 绒山羊概述 |
1.1.2 绒山羊育种现状 |
1.2 SNP芯片的研究进展 |
1.2.1 SNP分型芯片的特点 |
1.2.2 SNP分型芯片的分类及原理 |
1.2.3 SNP分型芯片在畜牧领域的概况及应用 |
1.3 全基因组关联分析研究进展 |
1.4 羊基因组选择研究进展 |
1.4.1 基因组选择理论 |
1.4.2 基因组选择方法 |
1.4.3 基因组选择影响因素 |
1.4.4 羊基因组选择研究进展 |
1.5 研究目的及意义 |
1.6 技术路线图 |
2 研究一 内蒙古绒山羊重要经济性状遗传参数的评估 |
2.1 材料与方法 |
2.1.1 数据来源 |
2.1.2 非遗传因素分析-广义最小二乘法 |
2.1.3 多性状重复力混合模型估计遗传参数 |
2.2 结果 |
2.2.1 基本统计分析 |
2.2.2 固定效应的确定 |
2.2.3 遗传参数估计 |
2.3 讨论 |
2.3.1 遗传力 |
2.3.2 遗传相关 |
2.4 小结 |
3 研究二 山羊70KSNP芯片的研发设计与测试 |
3.1 材料与方法 |
3.1.1 芯片设计数据来源 |
3.1.2 芯片测试数据来源 |
3.1.3 主要分析软件及工具 |
3.1.4 主要试剂及仪器 |
3.1.5 位点筛选 |
3.1.6 位点优化 |
3.1.7 DNA提取 |
3.1.8 基因分型 |
3.2 结果 |
3.2.1 70K SNP芯片的设计 |
3.2.2 70K SNP芯片与Illumina 52K SNP芯片的比较 |
3.2.3 位点检出率 |
3.2.4 位点MAF统计 |
3.3 讨论 |
3.4 小结 |
4 研究三内蒙古绒山羊重要经济性状全基因组关联分析 |
4.1 材料与方法 |
4.1.1 样品采集 |
4.1.2 表型数据处理 |
4.1.3 数据质控 |
4.1.4 全基因组关联分析 |
4.1.5 GO、KEGG富集分析 |
4.2 结果 |
4.2.1 表型数据的基本统计 |
4.2.2 数据质控及群体遗传结构分析 |
4.2.3 绒长性状的全基因组关联分析 |
4.2.4 绒细性状的全基因组关联分析 |
4.2.5 产绒量性状的全基因组关联分析 |
4.2.6 功能富集分析 |
4.3 讨论 |
4.4 小结 |
5 研究四内蒙古绒山羊重要经济性状基因组选择研究 |
5.1 材料与方法 |
5.1.1 构建参考群 |
5.1.2 基因型数据 |
5.1.3 GBLUP |
5.1.4 SSGBLUP |
5.1.5 基因组准确性评估 |
5.1.6 世代间隔 |
5.2 结果 |
5.2.1 群体结构和遗传参数 |
5.2.2 基因组预测准确性比较 |
5.2.3 世代间隔 |
5.2.4 选择效果分析 |
5.3 讨论 |
5.4 小结 |
6 结论 |
7 创新点 |
8 展望 |
致谢 |
参考文献 |
附录 |
作者简介 |
(9)面向医院管理的数据驱动决策研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景 |
1.2 研究目的与意义 |
1.2.1 研究目的 |
1.2.2 研究意义 |
1.3 国内外研究现状 |
1.3.1 数据驱动决策的研究现状 |
1.3.2 数据驱动医疗健康领域决策的研究现状 |
1.3.3 数据驱动医院管理决策的研究现状 |
1.3.4 数据驱动决策的影响因素研究现状 |
1.3.5 研究现状述评 |
1.4 研究框架与研究内容 |
1.4.1 研究框架 |
1.4.2 主要研究内容 |
1.4.3 拟解决的关键问题 |
1.5 研究方法和技术路线 |
1.5.1 研究方法 |
1.5.2 技术路线 |
第2章 相关基础理论和方法 |
2.1 医院管理相关概念 |
2.1.1 医院管理 |
2.1.2 医院管理评价 |
2.1.3 医院管理者 |
2.2 决策支持相关理论 |
2.2.1 西蒙决策理论 |
2.2.2 数据驱动决策相关理论 |
2.3 信息链理论 |
2.3.1 信息链与信息技术 |
2.3.2 “信息”上溯到“数据”带来的变化 |
2.3.3 信息链视域下的数据驱动医院管理决策 |
2.4 BASM模型 |
2.4.1 BASM模型的产生 |
2.4.2 BASM模型的研究现状 |
2.4.3 基于BASM模型的数据驱动医院管理决策研究 |
2.5 相关研究方法 |
2.5.1 扎根理论 |
2.5.2 结构方程模型 |
2.5.3 决策树算法--CHAID |
2.6 相关应用场景 |
2.6.1 医疗服务绩效 |
2.6.2 DRG在医疗服务绩效管理中的应用 |
2.7 本章小结 |
第3章 面向医院管理的数据驱动决策过程模型构建 |
3.1 面向医院管理决策的数据驱动过程模型 |
3.1.1 数据驱动决策模式运行机制 |
3.1.2 BASM的过程模型 |
3.1.3 基于BASM过程模型的数据驱动医院管理决策过程模型构建 |
3.2 面向医院管理的数据驱动决策过程模型要素分析 |
3.2.1 驱动要素 |
3.2.2 需求要素 |
3.2.3 支持要素 |
3.2.4 要素间关系 |
3.3 数据驱动的医院管理决策中数据处理过程 |
3.3.1 医疗数据存在的问题 |
3.3.2 面向医院管理决策的数据处理原则 |
3.3.3 面向医院管理决策的数据处理过程 |
3.4 面向医院管理的数据驱动决策过程模型运行机制 |
3.4.1 面向医院管理决策的信息链转化过程 |
3.4.2 数据驱动的医院管理决策制定过程 |
3.5 本章小结 |
第4章 基于扎根理论的数据驱动医院管理决策的影响因素分析 |
4.1 研究问题与研究程序 |
4.1.1 研究问题 |
4.1.2 研究方法 |
4.1.3 研究程序 |
4.2 研究设计 |
4.2.1 研究对象选取 |
4.2.2 资料收集 |
4.2.3 信效度检验 |
4.3 编码分析 |
4.3.1 开放式编码 |
4.3.2 主轴编码 |
4.3.3 选择性编码 |
4.3.4 理论饱和度检验 |
4.4 数据驱动医院管理决策影响因素理论模型与阐释 |
4.4.1 影响因素理论模型构建 |
4.4.2 影响因素分析 |
4.4.3 影响因素关系分析 |
4.5 本章小结 |
第5章 数据驱动医院管理决策的影响因素模型构建 |
5.1 数据驱动医院管理决策影响因素变量选择与界定 |
5.1.1 医疗数据质量维度 |
5.1.2 信息技术维度 |
5.1.3 医院组织管理维度 |
5.1.4 管理者信息素养维度 |
5.1.5 数据驱动医院管理决策维度 |
5.2 相关研究假设 |
5.2.1 医疗数据质量 |
5.2.2 信息技术 |
5.2.3 医院组织管理 |
5.2.4 管理者信息素养 |
5.3 调查问卷的编制与问卷修正 |
5.4 数据获取与统计分析 |
5.4.1 研究对象 |
5.4.2 样本量的选择 |
5.4.3 信度分析 |
5.4.4 样本分布 |
5.4.5 样本数据相关性 |
5.5 效度分析 |
5.5.1 探索性因子分析 |
5.5.2 验证性因子分析 |
5.6 基于结构方程的影响因素模型构建与检验修正 |
5.6.1 影响因素模型构建 |
5.6.2 模型基本适配评估 |
5.6.3 假设检验的结果 |
5.7 结构方程模型检验结果分析 |
5.7.1 影响因素强度分析 |
5.7.2 医疗数据质量对信息技术影响的验证结果分析 |
5.7.3 信息技术对数据驱动医院管理决策影响的验证结果分析 |
5.7.4 医院组织管理对医疗数据质量影响的验证结果分析 |
5.7.5 医院组织管理对管理者信息素养影响的验证结果分析 |
5.7.6 医院组织管理对数据驱动医院管理决策影响的验证结果分析 |
5.7.7 管理者信息素养对医疗数据质量影响的验证结果分析 |
5.7.8 管理者信息素养对信息技术影响的验证结果分析 |
5.7.9 管理者信息素养对数据驱动医院管理决策影响的验证结果分析 |
5.8 本章小结 |
第6章 面向医院管理的数据驱动决策模型研究 |
6.1 数据驱动医院管理决策模型构建 |
6.2 面向医院管理的数据驱动决策模型的驱动机制 |
6.2.1 面向医院管理的数据驱动决策模型的驱动目标 |
6.2.2 面向医院管理的数据驱动决策模型的驱动特征 |
6.2.3 面向医院管理的数据驱动决策模型的驱动过程 |
6.3 数据驱动医院管理决策模型影响因素的作用机制 |
6.3.1 医疗数据质量在数据驱动决策模型中的影响机制 |
6.3.2 信息技术在数据驱动决策模型中的影响机制 |
6.3.3 医院组织管理在数据驱动决策模型中的影响机制 |
6.3.4 管理人员素养在数据驱动决策模型中的影响机制 |
6.4 数据驱动医院管理决策模型对医院管理的提升策略 |
6.4.1 提升医疗数据质量 |
6.4.2 发挥信息技术使能作用 |
6.4.3 发挥医院组织管理支持作用 |
6.4.4 提高管理人员信息素养 |
6.5 本章小结 |
第7章 面向医院管理的数据驱动决策的实证研究 |
7.1 资料来源与研究对象 |
7.2 原发性肺癌患者的DRGS分组 |
7.2.1 数据基础 |
7.2.2 数据纳入 |
7.2.3 术语映射 |
7.2.4 DRGs分组结果对比 |
7.3 基于DRGS细分组的医疗服务绩效评估 |
7.3.1 基于决策树的原发性肺癌患者DRGs细分组模型 |
7.3.2 基于DRGs细分组的医疗服务绩效评估指标 |
7.3.3 医生医疗服务绩效指标统计结果 |
7.3.4 科室医疗服务绩效指标统计结果 |
7.4 讨论 |
7.4.1 数据驱动医院管理决策过程 |
7.4.2 数据驱动医院管理决策影响因素 |
7.5 本章小结 |
第8章 结论与创新 |
8.1 结论 |
8.2 研究创新点 |
8.3 研究局限 |
参考文献 |
附录1 病案组DRGS分组情况 |
附录2 医生组DRGS分组情况 |
附录3 访谈提纲 |
附录4 调查问卷 |
作者简介及在学期间所取得的科研成果 |
后记与致谢 |
(10)基于注意力机制的视觉目标跟踪方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 研究现状和发展趋势 |
1.2.1 传统目标跟踪 |
1.2.2 基于相关滤波的目标跟踪 |
1.2.3 基于深度学习的目标跟踪 |
1.2.4 注意力机制 |
1.2.5 研究现状总结 |
1.2.6 目标跟踪面临的挑战 |
1.3 本文研究内容 |
1.4 本文组织结构 |
第2章 基于空间注意力的特征时空自适应加权跟踪方法 |
2.1 引言 |
2.2 判别式相关滤波跟踪 |
2.3 目标特征时空自适应加权跟踪框架 |
2.4 目标特征时空自适应加权方法 |
2.4.1 时空自适应的特征权重构建 |
2.4.2 特征加权与算法求解 |
2.5 FWDCF跟踪算法 |
2.6 实验结果与分析 |
2.6.1 实验评测指标与模型参数设置 |
2.6.2 FWDCF方法特点和性能分析 |
2.6.3 对比实验 |
2.7 本章小结 |
第3章 基于通道注意力的特征通道可靠性与滤波器系数联合学习跟踪方法 |
3.1 引言 |
3.2 联合学习特征通道可靠性与滤波器系数的跟踪框架 |
3.3 特征通道可靠性与滤波器系数联合学习方法 |
3.3.1 联合学习损失函数 |
3.3.2 先验权重构建 |
3.3.3 联合损失优化 |
3.3.4 多帧样本学习 |
3.4 JCRCF跟踪算法 |
3.5 实验结果与分析 |
3.5.1 实验环境与模型参数设置 |
3.5.2 JCRCF方法特点和性能分析 |
3.5.3 对比实验 |
3.6 本章小结 |
第4章 基于特征相关结果引导注意力的目标框角点检测跟踪方法 |
4.1 引言 |
4.2 基于特征相关结果引导注意力的目标框角点检测跟踪框架 |
4.3 基于特征相关结果引导注意力的目标框角点检测网络模型 |
4.3.1 孪生网络跟踪 |
4.3.2 特征相关结果引导的注意力模型 |
4.3.3 目标框角点定位 |
4.4 CGACD跟踪算法及实现细节 |
4.4.1 网络结构 |
4.4.2 模型训练 |
4.4.3 RoI增强方法 |
4.4.4 跟踪算法 |
4.5 实验结果与分析 |
4.5.1 CGACD方法特点和性能分析 |
4.5.2 对比实验 |
4.6 本章小结 |
第5章 基于双重注意力的目标框边界检测跟踪方法 |
5.1 引言 |
5.2 基于双重注意力的目标框边界检测跟踪框架 |
5.3 基于双重注意力的目标框边界检测网络模型 |
5.3.1 孪生网络跟踪 |
5.3.2 模板融合模块 |
5.3.3 双重注意力模型 |
5.3.4 目标框边界定位 |
5.4 DABD跟踪算法及实现细节 |
5.4.1 网络结构 |
5.4.2 模型训练 |
5.4.3 跟踪算法 |
5.5 实验结果与分析 |
5.5.1 实验环境 |
5.5.2 DABD方法特点和性能分析 |
5.5.3 对比实验 |
5.6 本章小结 |
第6章 目标跟踪方法在开放环境中的应用验证 |
6.1 引言 |
6.2 提高跟踪鲁棒性和适应性的在线分类模型拓展 |
6.3 实验结果与分析 |
6.3.1 实验环境与参数设置 |
6.3.2 在线分类模块分析 |
6.3.3 CGACD在线跟踪实验 |
6.3.4 DABD在线跟踪实验 |
6.3.5 对比实验 |
6.4 在开放环境中的应用验证 |
6.5 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文及其他成果 |
致谢 |
个人简历 |
四、关于提高检测数据准确性的探讨(论文参考文献)
- [1]影响油品检测数据准确性因素的控制措施探讨[J]. 莫小燕. 中国石油和化工标准与质量, 2021(15)
- [2]基于XRF的土壤重金属定量分析方法研究及应用[D]. 王清亚. 东华理工大学, 2021(02)
- [3]市售光散射法PM2.5检测仪的性能评估及模型校准[D]. 安克丽. 中国疾病预防控制中心, 2021(02)
- [4]基于深度学习的视觉运动估计与理解[D]. 刘亮. 浙江大学, 2021(01)
- [5]基于改进的LSHiForest的智慧大棚预警系统[D]. 杨已鸿. 曲阜师范大学, 2021(02)
- [6]高山美利奴羊羊毛品质与红细胞性状基因组选择和全基因组关联分析研究[D]. 朱韶华. 甘肃农业大学, 2021
- [7]THDS设备深化运用研究[D]. 闫磊. 中国铁道科学研究院, 2021(01)
- [8]山羊SNP芯片设计与内蒙古绒山羊重要经济性状全基因组关联分析及基因组选择研究[D]. 王凤红. 内蒙古农业大学, 2021
- [9]面向医院管理的数据驱动决策研究[D]. 李茵. 吉林大学, 2021(01)
- [10]基于注意力机制的视觉目标跟踪方法研究[D]. 杜飞. 哈尔滨工业大学, 2021(02)