加性
- 基于三次B樣條平滑的加性風(fēng)險(xiǎn)模型擬合研究
型的替代模型,即加性風(fēng)險(xiǎn)模型.與比例風(fēng)險(xiǎn)模型不同的是,加性風(fēng)險(xiǎn)模型是假設(shè)基底風(fēng)險(xiǎn)函數(shù)與協(xié)變量之間的一個(gè)加性結(jié)構(gòu).在實(shí)際應(yīng)用中,加性風(fēng)險(xiǎn)模型對(duì)數(shù)據(jù)的擬合效果更好,正是由于它這一特性,加性風(fēng)險(xiǎn)模型中的回歸參數(shù)更容易解釋實(shí)際意義[3-4].目前,運(yùn)用不同模型對(duì)數(shù)據(jù)進(jìn)行擬合的研究有很多.顧劉金首先利用Cox模型對(duì)數(shù)據(jù)進(jìn)行擬合,但由于Cox模型具有比例風(fēng)險(xiǎn)性,故基于SPSS采用Logistic回歸模型對(duì)數(shù)據(jù)進(jìn)行擬合得出結(jié)果[5].Jardim等利用微分方程模型對(duì)葡萄
湖州師范學(xué)院學(xué)報(bào) 2023年8期2023-10-17
- 節(jié)瓜種子大小的主基因+多基因遺傳分析
長(zhǎng)度的遺傳均符合加性-顯性-上位性多基因遺傳模型，且以多基因加性效應(yīng)為主；張可鑫等［6］得到甜瓜種子長(zhǎng)度、寬度和百粒質(zhì)量的遺傳分別符合2 對(duì)加性-顯性-上位性主基因遺傳模型以及1 對(duì)加性-顯性主基因遺傳模型；王毅等［7］通過對(duì)冬瓜4 個(gè)世代遺傳分析，得出冬瓜種子長(zhǎng)度的遺傳符合2 對(duì)完全顯性主基因+加性-顯性主基因遺傳模型（E5），種子寬度的遺傳符合2 對(duì)加性-顯性主基因+加性-顯性多基因模型（E2）；劉文睿等［8］通過對(duì)冬瓜6 個(gè)世代種子千粒質(zhì)量進(jìn)行遺傳分
廣東農(nóng)業(yè)科學(xué) 2023年4期2023-06-07
- 秘魯外海莖柔魚索餌場(chǎng)棲息地研究
破20萬t。廣義加性模型最先由Hastie等[1]提出,之后被廣泛應(yīng)用到漁業(yè)資源的研究中[2-9]。兩步廣義加性模型作為廣義加性模型的擴(kuò)展[10-11],能夠在建模過程中保留漁業(yè)生產(chǎn)中產(chǎn)量為零的數(shù)據(jù),因此近年來被廣泛用于預(yù)測(cè)漁業(yè)資源的棲息地分布。目前有關(guān)莖柔魚的棲息地研究主要采用棲息地適宜性指數(shù)模型[12-16],而該模型無法解決產(chǎn)量為零的數(shù)據(jù)。筆者根據(jù)2006—2010年秘魯外海莖柔魚魷釣生產(chǎn)數(shù)據(jù)以及海洋環(huán)境數(shù)據(jù),利用兩步廣義加性模型分析莖柔魚適宜索餌場(chǎng)
水產(chǎn)科學(xué) 2023年3期2023-05-18
- 春、夏季浙江南部近海日本鯖資源分布特征及其環(huán)境影響因子
關(guān)注。其中,廣義加性模型中的解釋變量被光滑函數(shù)代替,可以處理響應(yīng)變量和多個(gè)解釋變量之間復(fù)雜的非線性關(guān)系[7],主要應(yīng)用于漁業(yè)資源的分布預(yù)測(cè)[8]、單位捕撈努力量漁獲量標(biāo)準(zhǔn)化[7]、漁業(yè)資源與環(huán)境因素的關(guān)系[9]等方面。在漁業(yè)資源調(diào)查中,日本鯖等魚類資源分布通常具有不均勻性,且采樣零值出現(xiàn)情況較多,因此基于常規(guī)分布族的廣義加性模型不能很好地模擬此類情況下漁業(yè)資源分布與環(huán)境因子之間的關(guān)系。兩階段廣義加性模型是對(duì)廣義加性模型的擴(kuò)展[10],在處理漁業(yè)資源常見的零
水產(chǎn)科學(xué) 2023年3期2023-05-18
- 高維加性Cox 模型的估計(jì)
非參數(shù)模型，例如加性Cox 模型，加性Cox 模型中分量函數(shù)的引入顯著增加了模型的靈活性，因此，大量學(xué)者對(duì)加性Cox 模型進(jìn)行了研究。Tibshirani（1997）首次提出在Cox 模型中使用Lasso進(jìn)行變量選擇，F(xiàn)an 和Li（2002a，2002b）提出在Cox模型中使用平滑剪裁絕對(duì)偏差（SCAD）懲罰進(jìn)行變量選擇和估計(jì)，Huang（1999）利用多項(xiàng)式樣條研究了部分線性可加Cox 模型下最大偏似然估計(jì)的性質(zhì)，但是，上述作者僅僅研究了加性模型維數(shù)p
科海故事博覽 2023年2期2023-02-07
- 甜玉米品質(zhì)性狀的主基因＋多基因遺傳分析
果皮厚度符合1對(duì)加性主基因+加性-顯性多基因混合遺傳。宋軼群等[11]、栗亞靜等[12]研究表明玉米淀粉含量是由2對(duì)加性-顯性-上位性＋加性-顯性多基因控制，畢成龍[13]、李穎[14]、包和平等[15]研究表明玉米淀粉含量由1對(duì)加性主基因＋加性-顯性多基因控制。李穎[14]對(duì)高油玉米蛋白含量遺傳模型進(jìn)行分析，得出蛋白含量符合2對(duì)主基因加性-顯性-上位性＋加性-顯性多基因混合遺傳模型。包和平等[16]對(duì)爆裂玉米蛋白質(zhì)含量進(jìn)行遺傳模型分析，得出蛋白含量符合1
中國(guó)農(nóng)學(xué)通報(bào) 2022年30期2022-11-25
- 玉米葉寬的遺傳效應(yīng)分析
米葉寬相關(guān)基因的加性效應(yīng)、顯性效應(yīng)和上位性效應(yīng)均有檢測(cè)發(fā)現(xiàn)，但結(jié)果卻不盡一致[8]。有研究[9-10]認(rèn)為，玉米葉寬的遺傳除加性基因效應(yīng)起主導(dǎo)作用外，顯性基因效應(yīng)也很重要。也有研究[11-12]認(rèn)為，控制葉寬的基因效應(yīng)以加性效應(yīng)為主，同時(shí)還與非加性效應(yīng)有關(guān)。王雅萍[13]研究表明，葉寬加性效應(yīng)方差比顯性效應(yīng)方差大，廣義和狹義遺傳力均較低。霍仕平等[14]研究認(rèn)為，加性效應(yīng)是穗上葉葉寬遺傳的主導(dǎo)因素，顯性效應(yīng)對(duì)葉寬遺傳的貢獻(xiàn)率次之，上位性作用的效應(yīng)值也是顯著
作物雜志 2022年5期2022-11-18
- 甜蕎莖稈重心高度和抗折力的遺傳分析
-0模型，即1對(duì)加性-顯性主基因+加性-顯性-上位性多基因模型，莖稈抗折力的最佳遺傳模型為E-0模型，即2對(duì)加性-顯性-上位性主基因+加性-顯性-上位性多基因模型；對(duì)反交組合，莖稈重心高度和抗折力的最佳遺傳模型均為E-1模型，即2對(duì)加性-顯性-上位性主基因+加性-顯性多基因模型。表4 正、反交組合后代莖稈重心高度備選遺傳模型的適合性檢驗(yàn)Table 4 Test for goodness-fit of selected genetic model for c
作物雜志 2022年4期2022-09-13
- 機(jī)床用基于加性分解PMSM的滑模控制＊
態(tài)特性與魯棒性。加性分解（additive decomposition，AD）理論，是一種可以使復(fù)雜大系統(tǒng)分解為兩個(gè)簡(jiǎn)易小系統(tǒng)的疊加，這樣就能很好地在簡(jiǎn)易小系統(tǒng)內(nèi)完成各自問題，進(jìn)而實(shí)現(xiàn)復(fù)雜的原始系統(tǒng)控制。文獻(xiàn)[5]將該理論實(shí)現(xiàn)在風(fēng)力機(jī)變槳控制器設(shè)計(jì)中，使原復(fù)雜的非線性系統(tǒng)，分解為2個(gè)簡(jiǎn)單的控制問題。文獻(xiàn)[6]策略是將跟蹤子任務(wù)分配給主系統(tǒng)，將穩(wěn)定子任務(wù)分配給輔助系統(tǒng)，因此主系統(tǒng)可以使用頻域或時(shí)域中的標(biāo)準(zhǔn)設(shè)計(jì)方法，而輔助系統(tǒng)就可以采用許多非線性穩(wěn)定控制方法。
制造技術(shù)與機(jī)床 2022年5期2022-05-12
- 甜瓜果實(shí)長(zhǎng)度主基因+多基因遺傳分析
PG-ADI，為加性-顯性-上位多基因模型，無主基因效應(yīng)；D-0和E-1 分別對(duì)應(yīng)MX1-AD-ADI 和MX2-ADI-AD，受1 對(duì)或2 對(duì)主效基因控制，也受多種效應(yīng)的多基因影響。由此可見，備選的3 種遺傳模型存在一定的差異，特別是C-0 與D-0、E-1 的差異較大，需要進(jìn)一步檢驗(yàn)，以確定最適遺傳模型。表2 各遺傳模型的MLV 及AIC 值對(duì)3 個(gè)備選模型進(jìn)行適合性檢驗(yàn)，結(jié)果見表3。C-0 模型在春秋兩季共出現(xiàn)7 個(gè)顯著性統(tǒng)計(jì)量，D-0模型在兩季共有
中國(guó)瓜菜 2022年4期2022-05-07
- ?2?4[u]-加性循環(huán)碼
稱為 ?2?4-加性碼[12-14]。?2?4-加性碼被定義為的子群。T.Abualrub等[15]引入了?2?4-循環(huán)碼，并確定了這類循環(huán)碼的生成多項(xiàng)式。最近,文獻(xiàn)[16-17]中介紹了一類新的加性循環(huán)碼:?2?2[u]-加性循環(huán)碼。文獻(xiàn)[18]討論了?p?p[u]-加性循環(huán)碼的結(jié)構(gòu)并得到了它們的最小生成集。文獻(xiàn)[19]研究了?2?4[v]-加性循環(huán)碼及其對(duì)偶碼。本文將?2?2[u]-加性循環(huán)碼推廣到?2?4[u]-加性循環(huán)碼，其中u2=0。首先討論?2
- 環(huán)FqFq[u,v]上加性碼的MacWilliams 恒等式
一些重量計(jì)數(shù)器。加性碼的研究起源于1973 年，Delsarte[10]首次定義了加性碼，而環(huán)上的加性碼因在環(huán)幾何與強(qiáng)正則圖等領(lǐng)域有廣泛的應(yīng)用一直得到人們的關(guān)注。2010 年，Borges 等[11]通過構(gòu)造從到的Gray 映射，研究了環(huán)?2?4上加性碼和它對(duì)偶碼的相關(guān)性質(zhì)。近年來，學(xué)者們對(duì)加性碼的重量及結(jié)構(gòu)進(jìn)行著廣泛而深入的研究，如[12-17]。最近，Aydogdu 等[18]討論了環(huán)?2?2[u]上的加性碼，施敏加等[19]后來又研究了環(huán)?2?2[u
- 加性頻域分解的生成對(duì)抗網(wǎng)絡(luò)語音去混響
，本文提出了一種加性頻域分解模型的生成對(duì)抗網(wǎng)絡(luò)（GAN） 語音去混響算法。首先，以預(yù)先降低混響語音數(shù)據(jù)本身的相關(guān)性為目的，在數(shù)據(jù)處理階段引入對(duì)數(shù)運(yùn)算，將聲源語音與RIR在頻域中的乘性關(guān)系轉(zhuǎn)換為加性關(guān)系，從而實(shí)現(xiàn)加性分解；然后，采用GAN對(duì)混響中的高維特征分布進(jìn)行學(xué)習(xí)，使GAN輸出RIR的對(duì)數(shù)幅度譜估計(jì)，再通過簡(jiǎn)單的減法運(yùn)算，可有效提高去混響語音的整體質(zhì)量。1 加性頻域分解模型的去混響原理1.1 混響數(shù)學(xué)模型聲音經(jīng)天花板、墻壁等反射吸收，其幅度和相位產(chǎn)生變化
工程科學(xué)與技術(shù) 2022年2期2022-03-28
- 對(duì)*-素環(huán)Jordan理想上廣義導(dǎo)子性質(zhì)的研究
環(huán),d是R到R的加性映射，若對(duì)任意的x,y∈R都有d(xy)=d(x)y+xd(y)，則d是R上的導(dǎo)子.若環(huán)R的可加子群U, 滿足[u,r]∈U,u∈U,r∈R, 則稱U為環(huán)R的Lie理想.若環(huán)R的可加子群J, 滿足u°r∈U,u∈J,r∈R, 則稱J為環(huán)R的Jordan理想.設(shè)F是環(huán)R上的可加映射，若存在R上的導(dǎo)子d，使得對(duì)任意的x,y∈R, 均有F(xy)=F(x)y+xd(y)，則稱可加映射F為R上的廣義導(dǎo)子，d為R上的伴隨導(dǎo)子.?x,y∈R有x°y
洛陽師范學(xué)院學(xué)報(bào) 2022年5期2022-03-18
- 圖像非加性隱寫綜述
響是獨(dú)立的，即為加性隱寫模型。目前的 STC（syndrome-trellis code）[1]和SPC（steganographic polar codes）[2]在給定嵌入率下，能夠在加性模型下接近失真理論界。圖1 自適應(yīng)隱寫通信系統(tǒng)Figure 1 Adaptive steganography communication system大量流行的圖像隱寫自適應(yīng)失真函數(shù)設(shè)計(jì)都是加性的，根據(jù)嵌入域?qū)⑺鼈兎譃榭沼蚺cJPEG域，其中針對(duì)空域圖像的失真函數(shù)有：H
網(wǎng)絡(luò)與信息安全學(xué)報(bào) 2021年6期2022-01-18
- 基于級(jí)聯(lián)加性噪聲模型的因果結(jié)構(gòu)學(xué)習(xí)算法
19 年提出級(jí)聯(lián)加性噪聲模型（Cascade Additive Noise Model，CANM），該模型在數(shù)據(jù)服從非線性加性噪聲假設(shè)下級(jí)聯(lián)結(jié)構(gòu)仍是可識(shí)別的，但只能識(shí)別兩個(gè)結(jié)點(diǎn)的因果對(duì)，無法學(xué)習(xí)因果結(jié)構(gòu)。本文針對(duì)包含隱變量的級(jí)聯(lián)加性噪聲模型，結(jié)合基于約束的因果骨架學(xué)習(xí)算法以及級(jí)聯(lián)函數(shù)式因果模型，提出一種混合因果結(jié)構(gòu)學(xué)習(xí)算法。1 相關(guān)工作從觀測(cè)數(shù)據(jù)中學(xué)習(xí)因果網(wǎng)絡(luò)主要包括面向時(shí)序序列（如格蘭杰因果［12］、基于神經(jīng)網(wǎng)絡(luò)的聯(lián)合識(shí)別方法［13］等）以及非時(shí)序序列兩
計(jì)算機(jī)工程 2022年1期2022-01-14
- 大豆鮮莢籽粒上位性QTL及其互作效應(yīng)分析
莢寬、粒長(zhǎng)和粒寬加性數(shù)量性狀位點(diǎn)(quantitative trait loci，QTL)，分別位于9條染色體(4、5、6、7、8、10號(hào)染色體等)上。趙晉銘等[8]分析大豆RIL群體百粒鮮重，獲得1個(gè)位于18號(hào)染色體，可解釋7.64%～12.7%表型變異加性QTLs。牛遠(yuǎn)[9]鑒定了257份大豆資源籽粒相關(guān)性狀，獲得多個(gè)控制粒長(zhǎng)、粒寬、粒厚加性QTLs。Kenichiro等[10]鑒定大豆RIL群體單株莢數(shù)、每莢粒數(shù)和單粒重等，獲得4個(gè)穩(wěn)定QTLs。由此
- 小黑麥穗部性狀的主基因+多基因混合遺傳模型分析
主基因具有明顯的加性上位性作用。穗長(zhǎng)和小穗數(shù)適合性檢驗(yàn)的15個(gè)統(tǒng)計(jì)量在Y1、Y2環(huán)境下均無顯著偏離，AIC值最小的最佳遺傳模型均為MX2-CE-A模型，即2對(duì)連鎖主基因+加性多基因混合遺傳模型，說明穗長(zhǎng)和小穗數(shù)的遺傳受多基因控制，2對(duì)主基因具有明顯的互補(bǔ)作用，多基因具有加性效應(yīng)。穗密度的15個(gè)統(tǒng)計(jì)量均無顯著偏離，AIC值最小的最佳遺傳模型為PG-AI模型，即加性上位性多基因遺傳模型。穗粒數(shù)備選模型15個(gè)統(tǒng)計(jì)量達(dá)到顯著水平的個(gè)數(shù)分別為2、0個(gè)，顯著性水平個(gè)數(shù)
草原與草坪 2021年4期2021-09-25
- 帶有加性噪聲的阻尼吊橋方程隨機(jī)吸引子的存在性
本文考慮如下帶有加性噪聲的吊橋方程：(1)隨機(jī)吸引子的存在性, 其中: (x,t)∈(0,L)×[τ,+∞);u=u(x,t)表示橋面在豎直方向的振動(dòng),u+為其正部, 即k>0表示彈性系數(shù),ku+是橋面在垂直方向振動(dòng)時(shí)由Hooke定律得到的恢復(fù)力.根據(jù)Hooke定律, 當(dāng)?shù)鯓虮焕L(zhǎng)時(shí), 橋梁將受到大小與位移成正比的恢復(fù)力作用;α是黏性阻尼系數(shù); 對(duì)任意的s∈, 非線性函數(shù)g∈C2(,)滿足下列假設(shè):(2)(3)(4)(5)Θ={ω=(ω1,ω2,…,ωm)
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2021年5期2021-09-22
- 大豆鮮莢籽粒上位性QTL及其互作效應(yīng)分析
莢寬、粒長(zhǎng)和粒寬加性數(shù)量性狀位點(diǎn)(quantitative trait loci，QTL)，分別位于9條染色體(4、5、6、7、8、10號(hào)染色體等)上。趙晉銘等[8]分析大豆RIL群體百粒鮮重，獲得1個(gè)位于18號(hào)染色體，可解釋7.64%～12.7%表型變異加性QTLs。牛遠(yuǎn)[9]鑒定了257份大豆資源籽粒相關(guān)性狀，獲得多個(gè)控制粒長(zhǎng)、粒寬、粒厚加性QTLs。Kenichiro等[10]鑒定大豆RIL群體單株莢數(shù)、每莢粒數(shù)和單粒重等，獲得4個(gè)穩(wěn)定QTLs。由此
太平洋學(xué)報(bào) 2021年8期2021-09-11
- 語音信號(hào)傳輸過程中的閾上隨機(jī)共振現(xiàn)象
值系統(tǒng)中，適當(dāng)?shù)?span id="j5i0abt0b" class="hl">加性噪聲能夠改善語音信號(hào)的傳輸，這種現(xiàn)象被稱為閾上隨機(jī)共振。2000年，Stocks[5]研究了單閾值網(wǎng)絡(luò)系統(tǒng)中的閾上隨機(jī)共振現(xiàn)象。2015年，McDonnell等人[6]基于其在2009年提出的隨機(jī)池網(wǎng)絡(luò)模型[7]，以互信息為測(cè)度研究了在加性噪聲下的具有多元輸出的閾值系統(tǒng)中的閾上隨機(jī)共振現(xiàn)象。Cheng等人[8]研究了在乘性噪聲作用下，分別以互信息和信噪比為測(cè)度的具有多元輸出閾值系統(tǒng)中的閾上隨機(jī)共振現(xiàn)象。陳楠等人[9]以互信息為測(cè)度，研究
計(jì)算機(jī)技術(shù)與發(fā)展 2021年2期2021-03-08
- 模糊判斷矩陣加性一致性局部修正算法
中模糊判斷矩陣的加性一致性檢驗(yàn)與修正問題,提出一種群體決策中模糊判斷矩陣加性一致性局部修正算法,并與已有算法進(jìn)行對(duì)比,通過數(shù)值例子說明算法有效性.1 預(yù)備知識(shí)通常我們將取值于[0,1]的矩陣稱為模糊矩陣,或者模糊關(guān)系[12].定義1[2]模糊矩陣P如果滿足pij=1-pji,則稱其為模糊判斷矩陣.明顯地,pii=0.5且記全體模糊判斷矩陣的集合為FPR.定義2[3]模糊判斷矩陣P如果對(duì)任意i,j,k=1,2,…,n,滿足pij=pik+pkj-0.5,則稱
- 矩陣環(huán)的乘法導(dǎo)子
乘法雙射, 且是加性映射; 映射δ: R→R是R上的導(dǎo)子當(dāng)且僅當(dāng)δ是R上的乘法導(dǎo)子, 且是加性映射.目前, 關(guān)于環(huán)上乘法雙射是加性映射的研究已有很多結(jié)果： 文獻(xiàn)[1]和文獻(xiàn)[2]分別給出了環(huán)上乘法雙射是加性映射(同構(gòu))的充分條件; 文獻(xiàn)[3]從冪等元的角度給出了環(huán)上乘法雙射是加性映射(同構(gòu))的充分條件; 文獻(xiàn)[4]改進(jìn)了文獻(xiàn)[3]的結(jié)果； 文獻(xiàn)[5]研究了環(huán)上的乘法導(dǎo)子, 證明了當(dāng)有單位元1的結(jié)合環(huán)R滿足如下條件時(shí), R上的乘法導(dǎo)子是加性映射(R上的導(dǎo)子)
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2020年6期2020-11-26
- 揭示晝夜節(jié)律對(duì)玉米蛋白質(zhì)與代謝組學(xué)的調(diào)控對(duì)雜種優(yōu)勢(shì)的貢獻(xiàn)（2020.10.3 eplants）
途徑的關(guān)鍵酶的非加性表達(dá)，玉米雜種可以優(yōu)化相應(yīng)代謝物的豐度，提高碳同化和解毒有毒代謝物，最終促進(jìn)植物生長(zhǎng)。雜種優(yōu)勢(shì)廣泛存在于動(dòng)植物中。盡管雜種優(yōu)勢(shì)的分子基礎(chǔ)已被廣泛研究，但代謝和蛋白質(zhì)組對(duì)雜種優(yōu)勢(shì)的貢獻(xiàn)仍然難以捉摸。近期，代謝組學(xué)分析顯示玉米不同基因型間存在較大的自然變異，代謝物變異與雜種優(yōu)勢(shì)有關(guān)。有趣的是，擬南芥中的許多代謝物表現(xiàn)出晝夜節(jié)律（24-h），并受到晝夜節(jié)律的調(diào)節(jié)，特別是那些參與光合作用途徑的代謝物（Kim，2017年）。在玉米中，接近清晨的時(shí)
三農(nóng)資訊半月報(bào) 2020年19期2020-10-27
- 定值和隨動(dòng)單閉環(huán)系統(tǒng)傳感器故障診斷
;Ksor+a為加性故障模塊,a為加性故障偏差;通過模擬機(jī)械開關(guān)實(shí)現(xiàn)了乘性故障模塊、無故障模塊和加性故障模塊之間的切換.圖1 單回路控制系統(tǒng)方框圖Fig.1 Single loop control system block diagram系統(tǒng)無故障狀態(tài)下的傳遞函數(shù):其中:G(s)=G1(s)G2(s)KV;定值系統(tǒng)輸入信號(hào)R(s)為一恒定值,隨動(dòng)系統(tǒng)中R(s)為一隨時(shí)間變化值,從上述式(1)–(3)可以看出當(dāng)不同系統(tǒng)發(fā)生不同故障時(shí),系統(tǒng)的動(dòng)態(tài)響應(yīng)不同,下面
控制理論與應(yīng)用 2020年9期2020-10-12
- 玉米莖稈第三和第五莖節(jié)穿刺強(qiáng)度遺傳模型選擇
析，認(rèn)為符合3對(duì)加性-上位性主基因+加性多基因遺傳模型，莖稈強(qiáng)度同時(shí)受到主效基因和微效多基因控制，且在特定環(huán)境下主基因與多基因具有相近的遺傳效應(yīng)。Stojsin等[4]對(duì)莖稈倒伏性研究得出控制倒伏以加性和顯性效應(yīng)為主，且加性值高，穗位下節(jié)間長(zhǎng)度以顯性效應(yīng)為主， 穗下節(jié)間含水量以加性效應(yīng)為主，認(rèn)為后者可以作為抗倒性鑒定的良好指標(biāo)。Koinuma[5]研究根倒伏阻力值(HPR)的遺傳力后也發(fā)現(xiàn)是以加性效應(yīng)為主，表明抗倒性是受多基因控制的數(shù)量性狀，必須通過輪回選
四川農(nóng)業(yè)科技 2020年7期2020-08-21
- 數(shù)據(jù)驅(qū)動(dòng)的閉環(huán)系統(tǒng)傳感器故障診斷方法
故障概括為2類:加性故障和乘性故障。設(shè)傳感器的測(cè)量輸出值為ym，被控對(duì)象的實(shí)際值為yr，則傳感器正常工作時(shí)，傳感器的測(cè)量輸出值為ym=yr;當(dāng)傳感器發(fā)生故障時(shí)，若故障為加性故障，則傳感器的測(cè)量輸出值為ym=yr+A，式中A是不為0的常數(shù)，表示由傳感器故障引入的傳感器輸出的偏差。若故障為乘性故障，則傳感器的測(cè)量輸出值為ym=Byr，式中的B是不為1的增益，表示由傳感器故障引入的輸出信號(hào)的增益。2 故障診斷方法研究2.1 故障檢測(cè)方法故障檢測(cè)的目的是檢測(cè)系統(tǒng)所
儀表技術(shù)與傳感器 2020年3期2020-04-26
- 小麥重要產(chǎn)量性狀的主基因+多基因混合遺傳分析
于單株產(chǎn)量是4對(duì)加性上位性主基因+多基因遺傳模型, 其主基因加性效應(yīng)值分別為3.78、2.89、–6.18和0.15, 多基因遺傳率為86.23%; 對(duì)于千粒重是2對(duì)互補(bǔ)作用主基因+加性效應(yīng)多基因混合遺傳模型, 多基因加性效應(yīng)值是22.37, 主基因遺傳率為66.96%, 多基因遺傳率為28.25%; 對(duì)于株高是2對(duì)累積作用主基因+加性作用多基因混合遺傳模型, 控制株高的第1對(duì)主基因加性效應(yīng)值是5.15, 加性×加性上位性互作效應(yīng)值為–9.66, 多基因加
作物學(xué)報(bào) 2020年3期2020-02-20
- 量子信道容量的不可加性首獲實(shí)驗(yàn)驗(yàn)證
子相干信息的不可加性。研究成果日前發(fā)表在《物理評(píng)論快報(bào)》上。信道容量是衡量通信信道在噪聲環(huán)境中通信能力的一個(gè)關(guān)鍵參數(shù)。量子容量表示信道傳輸量子信息的能力。量子信道的經(jīng)典容量和量子容量均具有不可加性。所謂不可加性就好比一個(gè)人的左耳和右耳都聽不到聲音，但把兩只耳朵一起用時(shí)，卻能夠聽得十分清楚。量子信道容量的不可加性雖然在理論上已經(jīng)有了充分的研究，但是要在實(shí)驗(yàn)上觀測(cè)到“不可加”的現(xiàn)象卻十分困難。為了能實(shí)際觀測(cè)到這一現(xiàn)象，研究人員在實(shí)驗(yàn)上構(gòu)建了一種同時(shí)具有“退相”
儀器儀表用戶 2020年9期2020-02-17
- 小麥穗部性狀的主基因+多基因混合遺傳模型分析
2對(duì)連鎖主基因+加性-上位性多基因遺傳模型。穗長(zhǎng)的多基因遺傳率是90.64%，小穗數(shù)的多基因遺傳率是89.52%，穗長(zhǎng)的環(huán)境變異平均值占表型變異的比例為9.39%，小穗數(shù)的環(huán)境變異平均值占表型變異的比例為10.50%；穗粒數(shù)的最佳遺傳模型是G-1（MX3-AI-A），符合3對(duì)加性-上位性主基因加多基因+加性混合遺傳模型，主基因遺傳率是69.39%，多基因遺傳率是29.94%，環(huán)境變異平均值占表型變異的比例為2.18%。控制穗粒數(shù)的第1對(duì)主基因的加性效應(yīng)值和
中國(guó)農(nóng)業(yè)科學(xué) 2019年24期2020-01-13
- 基于改進(jìn)型加性余弦間隔損失函數(shù)的深度學(xué)習(xí)人臉識(shí)別*
失函數(shù)[12]、加性余弦間隔損失函數(shù)[13]、加性角度間隔損失函數(shù)[14]等。加性余弦間隔損失函數(shù)僅通過將特征與目標(biāo)權(quán)重夾角的余弦值減去一個(gè)值,來達(dá)到減小類內(nèi)距離的目的,并沒有直接對(duì)類間距離進(jìn)行操作來拉大類間距離。為了解決上述問題,本文在加性余弦間隔損失函數(shù)的基礎(chǔ)上提出改進(jìn)型加性余弦間隔損失函數(shù),通過在特征與目標(biāo)權(quán)重夾角的余弦值減去一個(gè)值,在特征與非目標(biāo)權(quán)重夾角的余弦值加一個(gè)值,達(dá)到減小類內(nèi)距離,拉大類間距離的目的。1 改進(jìn)型加性余弦間隔損失函數(shù)1.1 S
傳感技術(shù)學(xué)報(bào) 2019年12期2020-01-02
- 加性與廣義加性模型回歸分析
1-2］1.1 加性模型將多重線性回歸模型進(jìn)行推廣，使其表達(dá)式成為下面的式（1）形式：在式（1）中，sj（Xj），j=1，2，…，p，是 P個(gè)“光滑函數(shù)”；誤差“ε”滿足如下條件：它的期望為0［E（ε）=0］、方差為 σ2［Var（ε）=σ2］。為了使式（1）成為可以估計(jì)的，要求光滑函數(shù) si（Xi）必須滿足如下的標(biāo)準(zhǔn)化條件：即期望為 0，E［sj（Xj）］=0。式（1）中的P個(gè)光滑函數(shù)不以參數(shù)形式呈現(xiàn)，而以非參數(shù)形式呈現(xiàn)。1.2 廣義加性模型在加性模型式
四川精神衛(wèi)生 2019年4期2019-11-09
- 甜瓜果實(shí)糖含量的主基因+多基因遺傳分析
D，即2對(duì)主基因加性-顯性-上位性＋多基因加性-顯性模型），模型D-0（MX1-ADADI，即1對(duì)主基因加性-顯性＋多基因加性-顯性-上位性模型）的AIC值與E-1接近；對(duì)于果糖含量，AIC值最小的模型為E-0（MX2-ADI-ADI，即2對(duì)主基因加性-顯性-上位性＋多基因加性-顯性-上位性模型），模型E-1的AIC值與E-0接近；對(duì)于蔗糖含量，AIC值最小的模型為E-1，模型E-5（MX2-AED-AD，即2對(duì)主基因完全顯性＋多基因加性-顯性模型）的AI
浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版） 2019年4期2019-09-19
- 激光相干場(chǎng)成像散斑噪聲復(fù)合去噪方法*
像系統(tǒng)既受背景光加性噪聲影響, 又受激光乘性散斑噪聲影響. 為解決激光相干場(chǎng)成像系統(tǒng)受激光乘性散斑噪聲和背景光加性噪聲疊加引起的成像像質(zhì)退化效應(yīng)問題, 從噪聲抑制角度提高激光相干場(chǎng)系統(tǒng)高分辨成像像質(zhì), 研究建立了激光散斑乘性噪聲和背景光加性噪聲對(duì)大氣下行鏈路激光回波場(chǎng)信號(hào)影響干擾模型, 并基于該模型提出了一種基于同態(tài)濾波和稀疏基追蹤級(jí)聯(lián)復(fù)合去噪算法. 首先基于同態(tài)濾波理論將激光乘性散斑噪聲轉(zhuǎn)化為加性噪聲, 再由高通濾波器濾除散斑噪聲, 最后采用基追蹤稀疏理
物理學(xué)報(bào) 2019年5期2019-03-26
- 素環(huán)上的廣義(θ,θ)-導(dǎo)子
環(huán),d:R→R是加性映射.若對(duì)任意的x,y∈R,滿足：dxy=dxy+xdy,則稱d是R上的導(dǎo)子.若映射σ:R→R滿足：(1)σ(x)?R,x∈R;(2)σ(x+y)=σ(x)+σ(y),x,y∈R;(3)σ(xy)=σ(x)σ(y),x,y∈R,則稱σ為R的自同構(gòu)．設(shè)R是結(jié)合環(huán),g:R→R是加性映射,θ,φ是R上的自同構(gòu). 若對(duì)任意的x,y∈R, 滿足gxy=gxθy+φxgy, 則稱g為R上的θ,φ-導(dǎo)子. 設(shè)R是結(jié)合環(huán)，g:R→R是加性映射.若對(duì)任意
商丘師范學(xué)院學(xué)報(bào) 2019年3期2019-02-22
- 飼用高粱 4個(gè)主要株型性狀的遺傳分析
制，表現(xiàn)為主基因加性-顯性-上位性效應(yīng)。葉片數(shù)4個(gè)備選模型的U12、U22、U32、nW2和Dn均沒有達(dá)到顯著水平(P>0.05)，但由于Model B_1的AIC值最小。因此，Model B_1可作為該群體的最適遺傳模型，說明葉片數(shù)遺傳受2對(duì)主基因控制，并且表現(xiàn)為主基因加性-顯性-上位性效應(yīng)。旗葉葉面積4個(gè)備選模型中，只有Model B_2除U32未達(dá)到顯著水平外(P>0.05)，其余4個(gè)值都達(dá)到顯著水平(P表2 引-251與忻梁52組合后代F2株型性狀
貴州農(nóng)業(yè)科學(xué) 2019年1期2019-02-20
- 多閾值系統(tǒng)中的閾上隨機(jī)共振研究
了該模型同時(shí)含有加性和乘性噪聲時(shí)，系統(tǒng)中各參數(shù)對(duì)SSR現(xiàn)象產(chǎn)生的影響。但實(shí)際上該模型卻可能存在更復(fù)雜的情況，例如每個(gè)閾值單元有多個(gè)輸出。2009年，McDonnell等人[16]提出了隨機(jī)池網(wǎng)絡(luò)模型，這個(gè)靈活的模型可以捕獲感官神經(jīng)元的重要屬性，并用來模擬真實(shí)的生物網(wǎng)絡(luò)模型，能有助于人們進(jìn)一步理解大腦的信號(hào)處理機(jī)制?；谶@種網(wǎng)絡(luò)模型，McDonnell等人[17]以信號(hào)量噪比為測(cè)度研究了具有加性噪聲的多元輸出閾值系統(tǒng)中的SSR現(xiàn)象，Cheng等人[18]則分
復(fù)雜系統(tǒng)與復(fù)雜性科學(xué) 2018年2期2019-01-03
- 加性與廣義加性模型回歸分析
1-2]1.1 加性模型將多重線性回歸模型進(jìn)行推廣，使其表達(dá)式成為下面的式(1)形式：Y=s0+s1(X1)+s2(X2)+…+sp(Xp)+ε(1)在式(1)中，sj(Xj),j=1,2,…,p,是P個(gè)“光滑函數(shù)”；誤差“ε”滿足如下條件：它的期望為0[E(ε)=0]、方差為σ2[Var(ε)=σ2]。為了使式(1)成為可以估計(jì)的，要求光滑函數(shù)si(Xi)必須滿足如下的標(biāo)準(zhǔn)化條件：即期望為0，E[sj(Xj)]=0。式(1)中的P個(gè)光滑函數(shù)不以參數(shù)形式呈
四川精神衛(wèi)生 2018年4期2018-09-11
- 多類型復(fù)發(fā)事件數(shù)據(jù)下一類半?yún)?shù)轉(zhuǎn)移模型
文獻(xiàn)主要研究的是加性比率模型[6-10]和乘性比率模型[11-12]。下面簡(jiǎn)單介紹復(fù)發(fā)事件下幾個(gè)重要的半?yún)?shù)模型。對(duì)于乘性比率模型Lin等提出了復(fù)發(fā)事件的半?yún)?shù)乘性比率模型[2]：(1)其中，β0是p維未知回歸參數(shù)向量，λ0(·)為未知基本比率函數(shù)。對(duì)于加性比率模型，Schaubel等研究了復(fù)發(fā)事件的半?yún)?shù)可加比率模型[7]：(2)Liu提出復(fù)發(fā)事件數(shù)據(jù)下可加轉(zhuǎn)移模型[13]：(3)其中，μ0(·)為未知基線均值率函數(shù)，β0是p維未知回歸參數(shù)向量，Q(t,
統(tǒng)計(jì)與信息論壇 2018年4期2018-04-18
- Z2Z4-加性負(fù)循環(huán)碼的對(duì)偶
33)Z2Z4-加性負(fù)循環(huán)碼的對(duì)偶胡萬寶, 吳晶伶, 李萌(安慶師范大學(xué)數(shù)學(xué)與計(jì)算科學(xué)學(xué)院,安徽 安慶 246133)在Z2Z4-加性碼的基礎(chǔ)上研究其循環(huán)碼,進(jìn)一步地引入其負(fù)循環(huán)碼.通過建立Z2Z4下的正交關(guān)系,得出其對(duì)偶仍是一個(gè)Z2Z4負(fù)循環(huán)碼;通過在Z2Z4碼與Z4[x]-子模之間建立同構(gòu)映射來刻畫其負(fù)循環(huán)碼的結(jié)構(gòu)以及碼的參數(shù)類型,并用構(gòu)造性的方法推出了其對(duì)偶的最小生成集.這些結(jié)果,便于碼元等參數(shù)的計(jì)算及其應(yīng)用.Z2Z4-加性碼;Z2Z4-加性負(fù)循環(huán)碼
- Allan方差在互感器精度評(píng)測(cè)中的應(yīng)用研究
與一次輸入無關(guān)的加性噪聲。本文在互感器精度評(píng)測(cè)中引入Allan方差分析法，充分發(fā)揮Allan方差在隨機(jī)誤差辨識(shí)方面的性能，實(shí)現(xiàn)了互感器乘性噪聲和加性噪聲的分離，數(shù)據(jù)仿真結(jié)果證明了方法的有效性?；ジ衅?；乘性噪聲；加性噪聲；比差；Allan方差互感器在傳變一次信號(hào)、信號(hào)傳輸、數(shù)據(jù)處理的過程中，不可避免的會(huì)引入噪聲干擾。其中，加性噪聲包含可建模補(bǔ)償?shù)牧阄灰约皼]有固定模型的隨機(jī)噪聲，隨機(jī)噪聲表現(xiàn)為測(cè)量值圍繞真實(shí)值的上下波動(dòng)，其圍繞真實(shí)值的波動(dòng)的范圍與一次輸入信號(hào)無
電氣技術(shù) 2017年7期2017-10-14
- 基于貝葉斯準(zhǔn)則的隨機(jī)共振算法研究
情況下對(duì)應(yīng)的最優(yōu)加性噪聲，并對(duì)其進(jìn)行線性凸組合以獲得模型所需的最優(yōu)加性噪聲，進(jìn)一步分析并證明了該模型能夠成立的充分條件。再次，獲得先驗(yàn)概率已知和未知兩種情況下最小化貝葉斯代價(jià)時(shí)所對(duì)應(yīng)的加性噪聲，且當(dāng)先驗(yàn)知識(shí)發(fā)生改變時(shí)，該算法只需調(diào)整加性噪聲中一個(gè)可變參數(shù)即可獲得相應(yīng)的最優(yōu)貝葉斯代價(jià)。最后，結(jié)合具體的檢測(cè)問題，通過仿真驗(yàn)證了所提算法的有效性。信號(hào)處理；貝葉斯準(zhǔn)則；噪聲增強(qiáng)模型；加性噪聲；假設(shè)檢驗(yàn)1 引言噪聲無處不在，理解和掌握噪聲的分布和性能是一個(gè)非常重要的
電子與信息學(xué)報(bào) 2017年2期2017-10-13
- Association analysis revealed importance of dominance effects on days to silk of maize nested association mapping(NAM)population
位全模型和多位點(diǎn)加性模型，分析了玉米巢式關(guān)聯(lián)定位群體抽絲期的遺傳效應(yīng)。全模型關(guān)聯(lián)分析揭示，玉米抽絲期受微效多基因的加性、顯性、上位性及其環(huán)境互作控制，其中顯性效應(yīng)最為重要。在估算的總遺傳率（79.86%）中，與顯性效應(yīng)相關(guān)的遺傳率高達(dá)50.52%，其次是環(huán)境互作效應(yīng)的遺傳率（27.31%）。檢測(cè)到的極顯著（－log10PEW＞5）數(shù)量性狀單核苷酸多態(tài)性位點(diǎn)數(shù)為全模型50個(gè)、加性模型47個(gè)（遺傳率=31.65%）。基于關(guān)聯(lián)分析玉米抽絲期的結(jié)果，預(yù)測(cè)了最優(yōu)自交
浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版） 2017年2期2017-05-19
- 有限域上的雙循環(huán)碼
提出了Z2Z4-加性碼的概念，并對(duì)該加性碼的結(jié)構(gòu)與性質(zhì)進(jìn)行了初步的研究[1]．此后，該類加性碼在工程領(lǐng)域中得到了應(yīng)用，從而激起了廣大編碼學(xué)者的研究興趣，涌現(xiàn)出了一些很好的結(jié)果[2-3]．2014年，Abualrub等研究了Z2Z4-加性循環(huán)碼的代數(shù)結(jié)構(gòu)[2]．2014年，Borges等將Z2Z4-加性循環(huán)碼中后半部分的取值換成Z2，即Z2-雙循環(huán)碼[4]并給出了Z2-雙循環(huán)碼及其對(duì)偶碼的代數(shù)結(jié)構(gòu)．本文在文獻(xiàn)[4]的基礎(chǔ)上對(duì)一般有限域Fq上雙循環(huán)碼的代數(shù)結(jié)構(gòu)
- 關(guān)聯(lián)的乘性和加性驅(qū)動(dòng)的三穩(wěn)系統(tǒng)穩(wěn)態(tài)分析
2)關(guān)聯(lián)的乘性和加性驅(qū)動(dòng)的三穩(wěn)系統(tǒng)穩(wěn)態(tài)分析張 卜,寧麗娟(陜西師范大學(xué) 數(shù)學(xué)與信息科學(xué)學(xué)院,陜西 西安 710062)運(yùn)用劉維方程和諾維科夫定理, 研究乘性和加性高斯白噪聲共同激勵(lì)下一維三穩(wěn)系統(tǒng)的穩(wěn)態(tài)概率密度函數(shù).結(jié)果表明，關(guān)聯(lián)強(qiáng)度λ和乘性噪聲強(qiáng)度P均能誘導(dǎo)相變的產(chǎn)生，而加性噪聲強(qiáng)度Q不能誘導(dǎo)相變的產(chǎn)生.通過數(shù)值模擬穩(wěn)態(tài)概率密度函數(shù)驗(yàn)證了所得結(jié)論的準(zhǔn)確性.三穩(wěn)系統(tǒng); 噪聲; 相變; 穩(wěn)態(tài)概率密度函數(shù)0 引 言噪聲廣泛存在于自然界的各個(gè)領(lǐng)域,包括生物、 物理
紡織高?；A(chǔ)科學(xué)學(xué)報(bào) 2016年4期2017-01-17
- 考慮背景風(fēng)險(xiǎn)的項(xiàng)目投資決策
影響。首先討論了加性背景風(fēng)險(xiǎn)和乘性背景風(fēng)險(xiǎn)單獨(dú)存在時(shí)，背景風(fēng)險(xiǎn)與項(xiàng)目風(fēng)險(xiǎn)之間的相關(guān)性對(duì)投資決策的影響；其次構(gòu)建了兩種背景風(fēng)險(xiǎn)同時(shí)存在情形下的投資模型，進(jìn)而通過蒙特卡羅仿真方法給出不同相關(guān)程度下的仿真結(jié)果，在此基礎(chǔ)上分析兩種背景風(fēng)險(xiǎn)與項(xiàng)目風(fēng)險(xiǎn)之間的相關(guān)性及相關(guān)程度對(duì)投資決策的影響并給出相關(guān)研究結(jié)論。背景風(fēng)險(xiǎn)；加性背景風(fēng)險(xiǎn)；乘性背景風(fēng)險(xiǎn)；項(xiàng)目投資決策1 引言項(xiàng)目投資過程中會(huì)面臨各種各樣的風(fēng)險(xiǎn)[1-2]，有些是項(xiàng)目本身帶來的風(fēng)險(xiǎn)，即項(xiàng)目風(fēng)險(xiǎn)，有些是其他外生不確定
中國(guó)管理科學(xué) 2016年9期2016-12-28
- 甘藍(lán)型油菜千粒重的遺傳效應(yīng)分析
交設(shè)計(jì)試驗(yàn)，利用加性(A)—顯性(D)模型分析千粒重遺傳效應(yīng)，結(jié)果表明：甘藍(lán)型油菜千粒重性狀同時(shí)受到基因的加性效應(yīng)和顯性效應(yīng)共同作用，以加性遺傳效應(yīng)為主，可將加性遺傳效應(yīng)高的親本作為改良的理想親本。在雜交組合測(cè)配中要盡量選擇加性遺傳效應(yīng)高的親本和顯性遺傳效應(yīng)高且具有顯著性差異的組合。甘藍(lán)型油菜；千粒重；遺傳效應(yīng)甘藍(lán)型油菜在我國(guó)種植的歷史雖然較短，但卻是我國(guó)目前重要的油料作物，油菜雜種優(yōu)勢(shì)的利用使我國(guó)油菜生產(chǎn)從常規(guī)種轉(zhuǎn)變到了雜交種，實(shí)現(xiàn)了油菜產(chǎn)量的跨越式發(fā)展
作物研究 2016年5期2016-12-20
- 基于相容性的區(qū)間直覺模糊信息的逆判問題
等［4］對(duì)不確定加性語言偏好信息判斷矩陣的相容性及其在群組決策中的應(yīng)用進(jìn)行了研究。在此基礎(chǔ)上，徐澤水［5］又針對(duì)基于直覺模糊偏好信息判斷矩陣以及區(qū)間直覺模糊偏好信息判斷矩陣的相容性進(jìn)行研究，并給出了基于滿意相容性調(diào)整其判斷矩陣一致性的方法。Jiang等［6］對(duì)直覺乘性偏好信息的相容性問題進(jìn)行了研究，并給出2個(gè)一致性調(diào)整的優(yōu)化模型。在眾多的群決策問題中，如何有效解決專家之間意見的一致性與沖突性，將個(gè)人意見綜合為可反映專家群體的一致性意見，以及從一致性的角度分
系統(tǒng)管理學(xué)報(bào) 2016年6期2016-08-18
- 加性乘性噪聲改善多元信號(hào)檢測(cè)
210003)加性乘性噪聲改善多元信號(hào)檢測(cè)王友國(guó)1,2，潘 慧2，劉 健2(1.江蘇省物聯(lián)網(wǎng)技術(shù)與應(yīng)用協(xié)同創(chuàng)新中心，江蘇 南京 210003；2.南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京 210003)基于最大后驗(yàn)概率準(zhǔn)則，以錯(cuò)誤檢測(cè)概率為測(cè)度，研究了加性噪聲和乘性噪聲共同作用下信號(hào)檢測(cè)的問題。在乘性噪聲強(qiáng)度不變的情況下，當(dāng)信號(hào)是閾上時(shí)，錯(cuò)誤檢測(cè)概率隨著加性高斯噪聲強(qiáng)度的增加而單調(diào)增加，噪聲總是干擾信號(hào)檢測(cè)；當(dāng)信號(hào)是閾下時(shí)，錯(cuò)誤檢測(cè)概率隨著加性高斯噪
計(jì)算機(jī)技術(shù)與發(fā)展 2016年10期2016-02-27
- 非高斯噪聲激勵(lì)下雙穩(wěn)系統(tǒng)的平均首次穿越時(shí)間
高斯噪聲強(qiáng)度D和加性噪聲強(qiáng)度Q的增加有利于粒子的逃逸；自相關(guān)時(shí)間τ0的增加會(huì)阻礙粒子的逃逸；當(dāng)非高斯噪聲強(qiáng)度D較小時(shí)，非高斯噪聲參數(shù)p值增大會(huì)阻礙粒子的逃逸，當(dāng)D增加到一定值時(shí)，p值的增大就會(huì)利于粒子的逃逸.雙穩(wěn)系統(tǒng)；非高斯噪聲；定態(tài)概率密度；平均首次穿越時(shí)間噪聲根據(jù)統(tǒng)計(jì)性質(zhì)通常分為高斯噪聲和非高斯噪聲兩類.一般高斯噪聲便于運(yùn)算處理，而非高斯噪聲[1]屬于非馬爾科夫過程不容易處理，所以研究非高斯噪聲的文章較少.近20年，人們對(duì)雙穩(wěn)系統(tǒng)的研究有很多，靳艷飛等
- 非高斯噪聲驅(qū)動(dòng)下捕食——食餌模型的平均首次穿越時(shí)間研究
捕食-食餌模型在加性噪聲與乘性噪聲之間為白關(guān)聯(lián)情形下的平均首次穿越問題.2 捕食-食餌模型中的平均首次穿越時(shí)間考慮有如下方程所描述的由非高斯噪聲影響下的捕食-食餌模型：U(x)為系統(tǒng)確定性勢(shì)函數(shù)，當(dāng) θ若取 θ=0.1,β=2.8,則 x+=6,x-=0,x0=3.在(1)式中，η(t)為高斯白噪聲，ξ(t)為非高斯噪聲并滿足如下方程：并且這里ε(t)為高斯白噪聲，η(t)和ε(t)之間滿足的統(tǒng)計(jì)性質(zhì)為：其中D和α分別表示乘性和加性白噪聲強(qiáng)度.λ為ε(t)
- 新的遞推有界GM 回歸估計(jì)算法
基本類［10］：加性異常點(diǎn)（第一型的異常點(diǎn)）與革新異常點(diǎn)（第二型的異常點(diǎn)）.革新異常點(diǎn)在系統(tǒng)運(yùn)行過程中遵循了真實(shí)系統(tǒng)的關(guān)系，因此，就系統(tǒng)的辨識(shí)而言，其不利影響較小.然而，當(dāng)數(shù)據(jù)中包含較大量的加性異常點(diǎn)型杠桿點(diǎn)時(shí)，這些算法的估計(jì)性能會(huì)嚴(yán)重下降，甚至失效.針對(duì)廣義極大似然類（GM）估計(jì)器中存在的問題，本文提出新的遞推有界GM 回歸估計(jì)算法.1 問題描述考慮模型yi＝xiβ＋vi，i＝1，2，…，n.其中：β＝［b1，b2，…，bp］T；yi是第i時(shí)刻響應(yīng)變量觀
- 相位噪聲對(duì)時(shí)差估計(jì)的影響分析
得到了相位噪聲與加性噪聲都存在時(shí)的CRLB及其相對(duì)于加性噪聲環(huán)境下的CRLB退化系數(shù)。仿真結(jié)果驗(yàn)證了理論分析的結(jié)果。信號(hào)處理；到達(dá)時(shí)間差(TDOA)；相位噪聲；克拉美羅下限(CRLB)；互相關(guān)法1 引言時(shí)差測(cè)量廣泛應(yīng)用于雷達(dá)、聲吶、語音增強(qiáng)等信號(hào)處理領(lǐng)域。時(shí)差測(cè)量有很多種方法，如文獻(xiàn)[1-5]等，但這些方法一般都假設(shè)用于時(shí)差測(cè)量的接收機(jī)是理想的接收機(jī)，接收機(jī)內(nèi)部不會(huì)對(duì)接收到的信號(hào)間的時(shí)差關(guān)系產(chǎn)生影響。在高精度時(shí)差測(cè)量中信號(hào)非理想接收是不得不考慮的問題。為了
電子與信息學(xué)報(bào) 2014年11期2014-06-02
- 一種基于殘缺語言判斷矩陣的群決策模型
文獻(xiàn)[2]給出的加性語言評(píng)估標(biāo)度定義了加性語言判斷矩陣；文獻(xiàn)[3]對(duì)加性語言判斷矩陣進(jìn)行了研究，給出了一致性加性語言判斷矩陣；文獻(xiàn)[4]對(duì)語言判斷矩陣的決策方法進(jìn)行了系統(tǒng)的研究；文獻(xiàn)[5-7]分別研究了不同粒度語言判斷矩陣形式偏好信息的群決策問題；文獻(xiàn)[8-9]研究了二元語義語言判斷矩陣的決策問題；文獻(xiàn)[10-11]分別研究了基于語言判斷矩陣的群決策方法；文獻(xiàn)[12-15]對(duì)語言判斷矩陣的一致性及其決策問題進(jìn)行了深入的研究。但是，在進(jìn)行兩兩比較過程中，可能
計(jì)算機(jī)工程與應(yīng)用 2013年13期2013-07-20
- 烤煙幾個(gè)重要植物學(xué)性狀的遺傳分析
多數(shù)性狀的遺傳以加性效應(yīng)為主，顯性效應(yīng)作用較小[1-6]，只有少數(shù)性狀受顯性效應(yīng)影響較大[4-6]，基本無上位性效應(yīng)[3]。本研究以烤煙品種丸葉和Coker319雜交，獲得雜交組合的P1、P2、F1、B1、B2和F2六個(gè)世代，以數(shù)量性狀“主基因＋多基因”混合遺傳模型進(jìn)行分析，對(duì)重要植物學(xué)性狀的遺傳率和基因效應(yīng)等參數(shù)進(jìn)行估計(jì)，旨在探討烤煙重要植物學(xué)性狀的遺傳模式，為烤煙株型育種提供理論依據(jù)。1 材料與方法1.1 試驗(yàn)材料本試驗(yàn)采用來源于國(guó)家煙草中期庫的烤煙品
中國(guó)煙草科學(xué) 2012年5期2012-07-31