基于多核处理器的PLC控制程序并行执行

针对可编程逻辑控制器（Programmable Logic Controller，PLC）的编程语言不支持程序的并行编译，无法使控制程序并行执行于多核处理器的问题，根据功能块图的可拆分性，提出了用有向无环图（Directed Acyclic Graph，DAG）任务模型表示PLC控制程序的方法，并采用静态列表任务调度算法，优化DAG中的任务节点在不同CPU核上的分配调度，解决了PLC控制程序并行执行时会遇到的通信延时问题。此外，针对变量资源的竞争问题提出了使用互斥量的方法。实验结果表明，此方法能有效地将PLC控制程序并行运行在多核处理器上，大大缩短了程序的执行时间。     

研究设计时混杂控制策略的结构分类

混杂影响着人群因果关系的发生。依据混杂因素是否已知、可测量及已测量，可将其分为4类情形。基于有向无环图，对混杂的控制策略分为两类：①混杂路径打断法，又可分为单路径和双路径打断法，分别对应于暴露完全干预法、限制法和分层法；②混杂路径保留法，分别对应于暴露不完全干预法（工具变量设计或不完美的随机对照试验）、中间变量法和匹配法。其中，随机对照试验、工具变量设计或孟德尔随机化设计、中间变量分析可满足4类混杂的控制，而限制法、分层法和匹配法仅适用于已知、可测量并已测量的混杂。识别不同类型混杂的控制机制，有助于在研究设计阶段提出应对措施，是获得正确因果效应估计的前提。     

匹配在观察性研究中的作用——有向无环图视角

匹配是观察性研究中选择研究对象的一种常用方法，具有控制混杂因素、提高统计效率等作用，但其控制混杂因素的作用在不同观察性研究中并不一致，匹配在队列研究中能够消除匹配变量的混杂偏倚，但在病例对照研究中匹配本身并不能消除混杂偏倚。在匹配性病例对照研究选择匹配变量时，研究者可能并不能准确判断该变量是否为混杂变量，若误将真实情况为非混杂因素的变量进行匹配，则会形成过度匹配，造成统计效率下降或引入难以避免的偏倚或增加工作量等；若将真实情况为混杂因素的变量遗漏不予匹配，则会造成混杂偏倚。有向无环图是一种直观的展示不同流行病学研究设计、变量间复杂因果关系的可视化图形语言。本文从有向无环图视角分析匹配在不同观察性研究设计中的作用、匹配性病例对照研究中欲匹配变量的选择标准制定，为今后流行病学研究设计提供一定的参考建议。     

检出偏倚:不同研究设计的结构分析

检出偏倚是一种常见的信息偏倚,在Horwitz绝经后服用雌激素与子宫内膜癌之间的关联研究中首次被提出,并广泛地存在于各类流行病学研究中。本文应用有向无环图,分析暴露-结局间的效应,并以测量的暴露-测量的结局间的关联来估计;检出偏倚的产生,实质上是从测量的暴露至测量的结局之间存在着的额外的、与研究兴趣无关的开放路径所致。通过对不同研究设计如队列研究、随机对照临床试验和病例对照研究等进行具体分析,了解检出偏倚的产生机制及其对效应估计(或关联)的可能影响。     

有向无环图在混杂因素识别与控制中的应用及实例分析

观察性研究是流行病学病因研究常用的研究设计,但应用观察性研究进行因果推断时,常由于未经识别、校正的混杂因素的存在,歪曲暴露因素与研究结局之间的真实因果关系。传统混杂因素判断标准在实际应用中不够直观,且有一定局限性,有时甚至出现混杂因素的误判。有向无环图(DAGs)可以直观识别观察性研究中存在的混杂因素,将复杂的因果关系可视化,判断研究中需要校正的最小校正子集,并可避免传统混杂因素判断标准的局限性,结合DAGs还可以指导混杂因素校正方法的选择,在观察性研究中因果推断具有重要指导价值,DAGs在未来的流行病学研究中将有更多的应用。     

基于支撑向量机的中医舌色苔色识别算法研究

本文针对舌色苔色的分类与识别,提出了一种DAG和决策树结合的方法。在训练SVM分类器的过程中,根据舌象样本中部分类别线性可分,而另一部分类别线性不可分的特点,采用了不同的核函数及其参数。实验结果表明,本文提出的算法在识别率和识别速度上都有一定提高。     

生命历程流行病学中的动态路径分析

现代流行病学研究中，疾病或健康相关事件的发生常难以完全用短期的暴露状态来解释。生命历程流行病学着眼于生命早期阶段的暴露因素对个人整个生命历程中的健康或疾病状况所产生的长期影响，并逐渐得到重视。当对暴露因素的病因机制及其通过其他因素产生的作用大小进行分析时，由于时间因素的存在，传统统计分析方法难以满足生命历程流行病学中病因分析的需求。本文概述了能用于生命历程病因分析的动态路径分析方法，包括该模型的结构、意义及其在生命历程流行病学病因分析中的应用。同时说明了如何准备数据、进行病因机制分析，并证明动态路径分析模型可作为生命历程流行病学中有效的病因分析工具。     

现实队列研究中暴露与结局的时序关系

暴露在发生时间上先于结局，是队列研究的优点之一，因此在因果推断上优于其他观察性设计。本文应用有向无环图（Directed Acyclic Graphs，DAGs）构建了现实队列研究中易感人群的因果结构后发现：现实的队列研究以研究人群替换易感人群进行因果效应的估计，人群的暴露与结局在时序关系上可互为先后，因果效应估计的准确性受到替换人群的易感性和基线调查时结局识别和排除有效性的影响。     

数据仓库中物化视图的选择方法

对数据仓库环境中物化视图的选择问题进行了研究,利用有向无环图表示查询处理过程,给出了有向无环图的形式化描述方法和等价重写的概念,定义了一种物化视图增益计算模型。在考虑空间约束的基础上,提出一种物化视图选择方法,并给出了切实可行的算法步骤。     

有向无环图:语言、规则及应用

几乎所有的科学研究都在探索因果关系，有向无环图（DAGs）是因果关系研究的图形工具。本文系统地介绍了DAGs的图形语言、基本规则和干扰规则，及其在识别研究问题、理解和实施研究设计、指导数据分析、偏倚分类等方面的应用。DAGs对因果关系的研究具有重要的指导价值。