期刊文献+
共找到6篇文章
< 1 >
每页显示 20 50 100
药代动力学非房室模型AUC计算方法比较 被引量:8
1
作者 陈潮 郑青山 +2 位作者 李禄金 李雪 许羚 《中国临床药理学与治疗学》 CAS CSCD 2020年第12期1381-1387,共7页
目的:基于真值及模拟数据,评价不同非房室模型AUC计算方法的准确度和精密度,为AUC算法优选提供依据。方法:使用3种方法计算G药等效试验中0~t曲线下面积(AUC0-t):(1)线性梯形法(Linear法);(2)线性对数梯形法(Linear/Log法):血药浓度最大... 目的:基于真值及模拟数据,评价不同非房室模型AUC计算方法的准确度和精密度,为AUC算法优选提供依据。方法:使用3种方法计算G药等效试验中0~t曲线下面积(AUC0-t):(1)线性梯形法(Linear法);(2)线性对数梯形法(Linear/Log法):血药浓度最大值(Cmax)之前数据用线性梯形法则计算,Cmax之后用对数梯形法则计算;(3)上升段线性下降段对数法(Linear Up/Log Down法):药-时曲线上升段用线性梯形法则计算,下降段用对数梯形法则计算。并对对数转化后的AUC0-t进行等效性分析,等效标准为80.0%-125.0%。通过模拟数据,比较三种方法差异。结果:24位受试者服用两种制剂的G药后,使用不同AUC0-t计算方法结果不同,等效性分析结论也不全相同,其中使用Linear法和Linear Up/Log Down法得到等效结论,Linear/Log法为不等效。三种方法计算小样本模拟数据,所得AUC0-t差异较大,计算大样本数据,差异较小。结论:Linear/log法在实际工作中应用较少,口服给药及多峰曲线使用Linear Up/Log Down法更合理,小样本量试验或预实验中Linear计算简单,结果稳定。此外应根据分析计划中已制定的AUC计算方法进行计算和生物等效性分析。 展开更多
关键词 药-时曲线下面(auc) 生物等效性 药代动力学
在线阅读 下载PDF
基于Maxent模型的中国芦竹适生区预测
2
作者 张皓 李湘辉 +3 位作者 彭苗苗 谷澜 易自力 李世成 《中南农业科技》 2025年第1期142-145,150,共5页
通过数据稀疏化和预测变量去相关的方法,从全球生物多样性信息网、中国数字植物标本馆平台和中国国家标本平台等数据库中收集并处理了242条芦竹(Arundo donax L.)分布数据和8个环境变量,并依据ENMeval包选择的Maxent模型参数组合(RM=1.5... 通过数据稀疏化和预测变量去相关的方法,从全球生物多样性信息网、中国数字植物标本馆平台和中国国家标本平台等数据库中收集并处理了242条芦竹(Arundo donax L.)分布数据和8个环境变量,并依据ENMeval包选择的Maxent模型参数组合(RM=1.5,FC=LQHPT),对芦竹的适生区进行了模拟。结果表明,RM=1.5、FC=LQHPT参数组合的ΔAICc=0,表明该参数组合具有较高的可靠性;模型训练和测试的曲线下面积(AUC)分别为0.929±0.002和0.912±0.012,显示出较高的预测准确度;最冷月最低温、年平均气温变化范围和最干季度降水量被确定为影响芦竹分布的主导环境变量,其适宜区间分别为-4.9~15.0℃、23.6~34.2℃和62.3~176.8 mm。芦竹的适生区主要分布在中国中部和南部地区,涉及17个省份和1个直辖市,不适宜区、低适宜区、中适宜区和高适宜区所占面积分别为723.09万、108.93万、79.43万、48.55万km^(2)。通过预测芦竹的适生区和探讨制约其适生区分布的主导环境变量,以期为芦竹的引种种植提供科学依据。 展开更多
关键词 芦竹(Arundo donax L.) Maxent模型 适生区预测 环境变量 生物气候变量 曲线下面(auc)
在线阅读 下载PDF
非平衡数据集Fisher线性判别模型 被引量:15
3
作者 谢纪刚 裘正定 《北京交通大学学报》 EI CAS CSCD 北大核心 2006年第5期15-18,共4页
非平衡数据是指两类问题中正类样本与负类样本个数不相等,甚至相比悬殊.非平衡数据集会导致许多分类器的性能下降,这与分类器的构造原理有关.本文首先阐述了Fisher线性判别的分类机制,指出当两类样本的协方差矩阵不同时,样本不平衡会导... 非平衡数据是指两类问题中正类样本与负类样本个数不相等,甚至相比悬殊.非平衡数据集会导致许多分类器的性能下降,这与分类器的构造原理有关.本文首先阐述了Fisher线性判别的分类机制,指出当两类样本的协方差矩阵不同时,样本不平衡会导致Fisher线性判别的性能下降.在此基础上,提出了一种加权Fisher线性判别(WFLD),以减小样本不平衡的影响.然后,从UCI中选择了8个非平衡数据集,并采用ROC曲线下面积作为评估指标进行比较,实验结果证明了WFLD模型的有效性. 展开更多
关键词 非平衡数据集 FISHER线性判别 roc曲线下面(auc)
在线阅读 下载PDF
不平衡数据度量指标优化的提升分类方法 被引量:2
4
作者 闫建红 《计算机工程与应用》 CSCD 北大核心 2018年第21期128-132,共5页
为提高不平衡数据的分类性能,提出了基于度量指标优化的不平衡数据Boosting算法。该算法结合不平衡数据分类性能度量标准和Boosting算法,使用不平衡数据分类性能度量指标代替原有误分率指标,分别采用带有权重的正类和负类召回率、F-meas... 为提高不平衡数据的分类性能,提出了基于度量指标优化的不平衡数据Boosting算法。该算法结合不平衡数据分类性能度量标准和Boosting算法,使用不平衡数据分类性能度量指标代替原有误分率指标,分别采用带有权重的正类和负类召回率、F-measure和G-means指标对Boosting算法进行优化,按照不同的度量指标计算Alpha值进行迭代,得到带有加权值的弱学习器组合,最后使用Boosting算法进行优化。经过实验验证,与带有权重的Boosting算法进行比较,该算法对一定数据集的AUC分类性能指标有一定提高,错误率有所下降,对F-measure和G-mean性能指标有一定的改善,说明该算法侧重提高正类分类性能,改善不平衡数据的整体分类性能。 展开更多
关键词 不平衡数据集 二分类 曲线下面(auc) 度量指标优化 BOOSTING算法
在线阅读 下载PDF
深度自编码器在数据异常检测中的应用研究 被引量:7
5
作者 张常华 周雄图 +3 位作者 张永爱 姚剑敏 郭太良 严群 《计算机工程与应用》 CSCD 北大核心 2020年第17期93-99,共7页
针对自编码器网络(AE)需要正常数据进行训练的局限性,结合主成分分析方法,将AE的每次重建输出与输入数据进行求差,隔离出异常数据部分,即将输入数据分为正常与异常部分,正常部分由AE重建输出,异常部分由近端法进行优化输出,最后采用交... 针对自编码器网络(AE)需要正常数据进行训练的局限性,结合主成分分析方法,将AE的每次重建输出与输入数据进行求差,隔离出异常数据部分,即将输入数据分为正常与异常部分,正常部分由AE重建输出,异常部分由近端法进行优化输出,最后采用交替方向乘子法训练整个模型并达到预定训练次数再输出结果,实现了一种基于深度自编码网络(DAE)模型的无监督数据异常检测方法。在7个真实数据集与8种机器学习模型和AE模型进行了对比实验,结果表明,DAE模型无需输入正常数据就可以有效进行模型训练,且可以防止模型的过拟合,其综合表现高于传统机器学习模型和AE模型,AUC值在4个数据集中达到最优。在mnist数据集中,DAE模型的AUC值相比于孤立森林(IF)方法提高了10.93%。 展开更多
关键词 数据异常检测 自编码网络 深度自编码网络 曲线下面(auc)
在线阅读 下载PDF
CHO数字观察器在PET图像滤波方法评估中的应用
6
作者 谢靓 杨勇 +1 位作者 叶宏伟 陈冬梅 《中国生物医学工程学报》 CAS CSCD 北大核心 2017年第6期661-669,共9页
在临床应用中需要限制扫描时间和药物剂量,这往往会使正电子发射断层扫描(PET)的图像的分辨率变低,噪声变多。为提供可供临床诊断的图像,去噪是一个必须的手段,而在重建后增加一个滤波器是目前最常用的去噪方法。因此对不同滤波器滤波... 在临床应用中需要限制扫描时间和药物剂量,这往往会使正电子发射断层扫描(PET)的图像的分辨率变低,噪声变多。为提供可供临床诊断的图像,去噪是一个必须的手段,而在重建后增加一个滤波器是目前最常用的去噪方法。因此对不同滤波器滤波效果的比较是PET图像重建中的重要环节,其中最关键的是滤波参数的选取。目前采用的信噪比(SNR)以及恢复系数(RC)等评估方法可以用来非定量地选取参数,研究者们只能凭经验选取最优参数。而通道化霍特林观察器(CHO)作为一个比较通用的数字观察器,已被用于与PET图像质量相关的各种参数的选择,如重建算法参数、系统设计参数、临床协议参数等,然而其在评估不同滤波方法对图像重建质量的影响中的应用研究还比较少。通过比较CHO计算得到的ROC(receiver operating characteristic)曲线下面积(area under the ROC curve,AUC),选择两种常用的滤波器(即高斯滤波器和非局部均值(Non-Local Mean,NLM)滤波器)的最优参数,并评估它们在PET中的滤波效果。结果表明,对于13 mm球体,σ为1.1~1.4的高斯滤波器和f为0.5~0.9的NLM滤波器可以达到最大的检测能力值,而对于10 mm球体,σ为1.4~2.0的高斯滤波器和f为0.5~0.9的NLM滤波器可以达到最大的检测能力值。虽然两个滤波器所对应的AUC值都能高达0.9,但是NLM滤波器的AUC值高于高斯滤波器。通过IEC图像和病人图像也能发现,NLM滤波后的PET图像中的亮点比高斯滤波的更加清晰,噪声更少。该结论和传统滤波器评估方法得到的结论一致,这说明在PET的病灶检测任务中,CHO能够准确地比较这两种滤波器的性能。 展开更多
关键词 高斯滤波器 非局部均值(NLM)滤波器 正电子放射断层扫描(PET) 通道化霍特林观察器(CHO) roc曲线下面(auc)
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部