减变量图残差图在回归诊断中的应用

在评价一个正态线性棋型的准确性时,偏残差图、增加变量图和构造变量图是三个有用的过程。本文在变量选择问题的基础上,提出了一种新的图示棋型——减变量图残差图。通过减变量残差图,不但可以容易地考察一个变量在模型中的作用,而且可以诊断样本点对模型和变量的影响大小。     

主成分回归中异常点的稳健诊断

目的探讨主成分回归模型中存在异常点时的稳健诊断方法。方法采用基于MVT和LMS方法的一种稳健主成分回归方法来诊断异常点，并结合实例进行方法的对比。结果与未去除异常点时得到的回归方程相比较，具有较小的残差平方和，拟合效果较好。解决了主成分回归中存在异常点的问题。结论当主成分回归中存在异常点时，本文中所述的稳健诊断方法具有较高的稳健性，在主成分回归分析中有较好的应用前景。     

基于残差网络的肺癌肿瘤突变负荷多分类预测模型

经医学研究发现,肿瘤突变负荷（TMB）与非小细胞肺癌（NSCLC）免疫治疗的疗效呈正相关,并且TMB值对靶向治疗和化疗的疗效也有一定的预测作用。然而,计算TMB值需要借助全外显子组测序（WES）技术,成本较高。对此,本文利用临床常用的数字病理组织切片图像,研究TMB与切片图像之间的关联关系,并据此预测患者的TMB水平。本文提出了一种基于残差坐标注意力（RCA）结构并融合多尺度注意力引导（MSAG）模块的深度学习模型（RCA-MSAG）。该模型以50层残差网络（ResNet-50）为基准模型,并将坐标注意力(CA)融入到瓶颈（bottleneck）模块,用来捕获方向感知和位置敏感信息,从而使模型能够更准确定位和识别感兴趣的位置。然后,通过在网络内添加MSAG模块,使模型可以提取肺癌病理组织切片的深层特征以及通道之间的交互信息。本文实验数据集采用癌症基因组图谱（TCGA）公开数据集,数据集由200张肺腺癌病理组织切片组成,其中高TMB值的数据80张,中TMB值的数据77张,低TMB值的数据43张。实验结果表明,所提模型的准确率、精确率、召回率和F1分数分别为96.2%、96.4%、96.2...     

主成分分析应用(Ⅰ)——主成分回归分析

本文目的是介绍主成分回归分析的概念、作用以及用软件实现计算的方法。先对自变量进行主成分分析,然后将主成分变量视为新的自变量,再进行多重线性回归分析。通过不引入和引入派生变量以及采取不同的策略筛选自变量,可以获得多个合格的多重线性回归模型。在回归模型自由度接近相等时,基于残差方差最小、复相关系数最大为评价指标,从众多回归模型中优中选优。得出的经验为:应慎用主成分回归分析。     

残差自回归模型和Holt双参数指数平滑模型在“一带一路”沿线部分国家婴儿死亡率预测中的应用及比较

  目的  探讨残差自回归模型和Holt双参数指数平滑模型在"一带一路"沿线部分国家（中国-中南半岛经济走廊沿线）婴儿死亡率预测中的应用。  方法  利用越南、老挝、柬埔寨、缅甸、泰国、新加坡、马来西亚和中国1978-2013年婴儿死亡率时间序列数据作为训练集建立残差自回归模型、Holt双参数指数模型，以2014-2016年婴儿死亡率作为验证集验证模型，并比较拟合及预测效果。  结果  在各国婴儿死亡率预测模型拟合中，残差自回归模型各赤池信息准则（Akaike information criterion，AIC）评价指标均优于Holt双参数指数模型。预测方面两模型均显示出较高的预测精度，残差自回归预测模型大部分指标（绝对误差和相对误差）小于Holt双参数指数模型。其中老挝、缅甸、柬埔寨三个国家残差自回归模型对不同年份的婴儿死亡率（infant mortality rate，IMR）预测效果均优于Holt双参数指数模型。  结论  残差自回归模型和Holt双参数指数模型在"一带一路"沿线部分国家婴儿死亡率预测中表现均较好。残差自回归模型的拟合效果更优，残差自回归模型对婴儿死亡率的预测效果在大多数国家大多数年份优于Holt双参数指数模型。     

基于深浅特征融合的深度卷积残差网络的脑电情绪识别模型

基于脑电信号的智能情绪识别系统具有便携性、高时间分辨率、实时性等特点,能够在健康、娱乐、教育等多个领域实现情绪监控与调节的应用.但由于脑电信号的非平稳性和个体差异性,传统分类器难以深入提取脑电信号中潜在的与情绪语义相关的特征.为了有效地提取脑电特征,提高脑电-情绪识别的准确性,提出一种新型的基于深浅特征融合的深度卷积残...     

适宜于空间可伸缩帧间编码的快速算法

为既保持可伸缩视频编码(SVC)有较高的编码效率,又能减少其编码时间,提出了一种适合于增强层的帧间快速编码算法:先计算出各个方式的权值,按照权值大小的顺序进行编码,同时结合残差预测和率失真预测进行提前终止。实验表明,本文算法能够显著地提高编码速度,同时对编码质量影响极小。     

GM(1,1)残差修正模型在中国淋病发病率预测中的应用

目的 探讨GM(1,1)残差修正模型在淋病发病率预测中的适用性，并分析我国淋病发病率趋势，提出防控建议。方法 基于2012—2019年国家卫生部门公开数据，采用描述性统计学的方法对发展趋势进行分析，利用Python软件建立我国淋病发病率预测的GM(1,1)模型及其残差修正模型。结果 2012—2019年，我国淋病发病率呈倒“v”型波动变化，发病率顺位移至我国传染病的第4顺位；研究直接构建的GM(1,1)模型精度评价为不合格，经4次修正得到模型精度评价为优秀的预测模型，参数C=0.290 3,P=1.000 0,最终模型预测结果显示，2020—2024年我国淋病发病率预测区间分别为(9.199 3/100 000～9.870 5/100 000)、(9.706 3/100 000～10.414 5/100 000)、(10.288 4/100 000～11.039 1/100 000)、(10.950 1/100 000～11.749 1/100 000)和(11.697 2/100 000～12.550 7/100 000)。结论 GM(1,1)残差修正模型能够很好弥补GM(1,1)模...     

灰色模型GM(1,1)和残差自回归模型在中国孕产妇死亡率预测中的应用

目的 采用灰色模型GM(1,1)和残差自回归模型分别对我国孕产妇死亡率(MMR)进行预测，并比较两者预测准确性，为MMR预测提供方法学指导。方法 根据我国1991—2020年的MMR数据，应用灰色模型GM(1,1)和残差自回归模型，建立MMR预测模型并进行预测研究。结果 GM(1,1)模型对MMR预测精度高于残差自回归模型，求得GM(1,1)方程为：x⁽(1))(k+1)=-1 544.142 7e^{-0.051 1k}+1 624.142 7,拟合检验显示本模型拟合精度好(C=0.186 8,P=1),能够较好地预测MMR的趋势，预测2022—2024年MMR分别为16.6/10万、15.8/10万和15.0/10万。结论 对于1991—2021年MMR数据，GM(1,1)拟合效果优于残差自回归模型，预测表明2022—2024年我国MMR将继续呈下降趋势。     

基于注意力残差网络的结肠病理学图像可解释性识别研究

目的:建立一种基于注意力机制的残差网络模型,对结直肠病理学图像中的常见的8种"图像块"进行多分类诊断。方法:采用基于注意力机制的残差神经网络来预测8种结肠病理学图像的标签,同时基于梯度加权热力图算法(Grad-CAM)生成的注意力热图将网络学习到的模式解码为可解释性类别特征。结果:所提出的方法对包括结肠癌在内的8种结肠组织图像块的识别准确率和AUC值分别达到了98.78%和0.998 3,生成的注意力热图也与病理专家的判断方法基本一致。结论:基于注意力机制的残差网络模型在病理学图像多分类中可达到较高的识别精度,有助于医生采取对症治疗方式时实时、客观、精确的诊断结果,还可以为病理学图像的分类结果提供可解释性。