Eliminating the false intersection (deghosting) is a difficult problem in a passive cross location system. Using a decentralized decision fusion topology, a new deghosting algorithm derived from hypothesis testing the...Eliminating the false intersection (deghosting) is a difficult problem in a passive cross location system. Using a decentralized decision fusion topology, a new deghosting algorithm derived from hypothesis testing theory is developed. It uses the difference between ghosts and true targets in the statistical error, which occurs between their projection angles on a deghosting sensor and is measured from a deghosting sensor, and constructs a corresponding test statistic. Under the Gaussian assumption, ghosts and true targets are decided and discriminated by Chi-square distribution. Simulation results show the feasibility of the algorithm.展开更多
时序数据存在近因性特点,即变量值普遍依赖近期的历史信息,而现有时序因果推断方法没有充分考虑时序数据的这种特性,在通过假设检验推断不同延迟的因果关系时使用统一的阈值,难以有效推断较弱的因果关系。针对上述问题,提出基于自适应...时序数据存在近因性特点,即变量值普遍依赖近期的历史信息,而现有时序因果推断方法没有充分考虑时序数据的这种特性,在通过假设检验推断不同延迟的因果关系时使用统一的阈值,难以有效推断较弱的因果关系。针对上述问题,提出基于自适应阈值学习的时序因果推断方法:首先提取数据特性,其次根据不同延迟下数据呈现的性质,自动地学习假设检验过程中使用的阈值组合,最后将该阈值组合用于PC(Peter-Clark)算法、PCMCI(Peter-Clark and Momentary Conditional Independence)算法和VAR-LINGAM(Vector AutoRegressive LINear non-Gaussian Acyclic Model)算法的假设检验过程,以得到更准确的因果关系结构。在仿真数据集上的实验结果表明,采用所提方法的自适应PC算法、自适应PCMCI算法和自适应VAR-LINGAM算法的F1值都有所提高。展开更多
目的当竞争风险存在时,基于限制平均损失时间(restricted mean time lost,RMTL)的方法具有较少的模型假设条件和更直观的解释性。组间效应量为RMTL差值(RMTL difference,RMTLd),对应假设检验基于大样本下构建,而在小样本假设下的表现效...目的当竞争风险存在时,基于限制平均损失时间(restricted mean time lost,RMTL)的方法具有较少的模型假设条件和更直观的解释性。组间效应量为RMTL差值(RMTL difference,RMTLd),对应假设检验基于大样本下构建,而在小样本假设下的表现效果未知。方法本文探讨RMTLd在小样本下的表现,并发展了几种RMTL的变量转换法以提高此时的统计性能,且通过Monte Carlo模拟评价它们在不同情形下的Ⅰ类错误和检验效能。结果在小样本下,RMTLd检验原方法存在Ⅰ类错误膨胀的现象,而四种转换法之一的逻辑转换法能够保持较好的统计性能。结论在分析小样本竞争风险数据时,推荐使用RMTL的逻辑转换进行统计分析。展开更多
文摘Eliminating the false intersection (deghosting) is a difficult problem in a passive cross location system. Using a decentralized decision fusion topology, a new deghosting algorithm derived from hypothesis testing theory is developed. It uses the difference between ghosts and true targets in the statistical error, which occurs between their projection angles on a deghosting sensor and is measured from a deghosting sensor, and constructs a corresponding test statistic. Under the Gaussian assumption, ghosts and true targets are decided and discriminated by Chi-square distribution. Simulation results show the feasibility of the algorithm.
文摘时序数据存在近因性特点,即变量值普遍依赖近期的历史信息,而现有时序因果推断方法没有充分考虑时序数据的这种特性,在通过假设检验推断不同延迟的因果关系时使用统一的阈值,难以有效推断较弱的因果关系。针对上述问题,提出基于自适应阈值学习的时序因果推断方法:首先提取数据特性,其次根据不同延迟下数据呈现的性质,自动地学习假设检验过程中使用的阈值组合,最后将该阈值组合用于PC(Peter-Clark)算法、PCMCI(Peter-Clark and Momentary Conditional Independence)算法和VAR-LINGAM(Vector AutoRegressive LINear non-Gaussian Acyclic Model)算法的假设检验过程,以得到更准确的因果关系结构。在仿真数据集上的实验结果表明,采用所提方法的自适应PC算法、自适应PCMCI算法和自适应VAR-LINGAM算法的F1值都有所提高。
文摘目的当竞争风险存在时,基于限制平均损失时间(restricted mean time lost,RMTL)的方法具有较少的模型假设条件和更直观的解释性。组间效应量为RMTL差值(RMTL difference,RMTLd),对应假设检验基于大样本下构建,而在小样本假设下的表现效果未知。方法本文探讨RMTLd在小样本下的表现,并发展了几种RMTL的变量转换法以提高此时的统计性能,且通过Monte Carlo模拟评价它们在不同情形下的Ⅰ类错误和检验效能。结果在小样本下,RMTLd检验原方法存在Ⅰ类错误膨胀的现象,而四种转换法之一的逻辑转换法能够保持较好的统计性能。结论在分析小样本竞争风险数据时,推荐使用RMTL的逻辑转换进行统计分析。
