一、推广的生长曲线模型未知参数估计的相对效率（论文文献综述）
李娜[1]（2021）在《GEE框架下纵向数据均值-方差联合模型的研究》文中研究说明纵向数据是由多个体在不同的时间点或者空间点处的若干次观测的数据构成,这类数据的一个很重要的特点是个体间的观测值通常是独立的,但是每个个体的观察值具有较高的相关性。因此对纵向数据的建模要充分考虑个体内观测值的相关性。传统的关于纵向数据的分析方法,主要是在一定分布假定下对响应变量的均值进行建模,而对协方差结构做一些设定（即协方差结构是已知的,只是其中的参数未知）。这种建模的方法的优点是简单方便,但局限性是很难去验证实际数据与假定分布之间的一致性,并且当协方差结构错误设定时,会大大降低统计推断的有效性,比如会降低均值参数估计的有效性等。因此,如何在放松分布假定的情形下,对纵向数据的均值和协方差建立联合模型进行分析是一个重要和有挑战性的问题。目前在放松个体分布的假定下,对纵向数据建立均值-方差联合模型,主要采用对协方差矩阵进行不同形式的分解,同时构建均值-方差联合广义估计方程（Generalized estimating equations,GEE）进行的。采用GEE方法的优势是仅需对个体分布的低阶矩进行假定,而不需要对个体分布做任何形式上的假定,因而大大拓宽了模型的适用范围。在GEE框架下联合模型的实际应用中,如何快速有效地筛选出对模型有较大影响的自变量具有重要的意义,但是目前对GEE框架下的联合模型开发算法上易于执行并兼具oracle性质的变量选择方法研究较少。当纵向数据的联合模型确定后,判断给定联合模型的合理性以及克服实际数据与给定模型之间可能存在偏离的情况就成为另一个亟待解决的问题。通过统计诊断和稳健统计的方法可以有效解决这些问题。为此,本文主要在GEE框架下,研究了纵向数据均值-方差联合建模的变量选择、统计诊断以及稳健的联合建模这三个重要的问题。首先,提出了协方差矩阵进行修正的乔利斯基分解（Modified Cholesky decomposition,MCD）下的光滑阈值的联合广义估计方程。该光滑阈值的联合广义估计方程能够自动将无关变量的系数估计为零,因而能够同时进行变量选择和参数估计。在对该光滑阈值的联合广义估计方程的求解过程中,提出采用三个带惩罚的加权偏差准则去选取模型中的最优的调节参数并采用牛顿-辛普森算法迭代求得该方程具有稀疏性的解。在一定的正则条件下,我们研究了该光滑阈值的联合广义估计方程的解的相合性以及渐近正态的性质,同时探讨这种方法在变量选择方面的oracle性质。这个光滑阈值的联合估计方程避免了传统的对广义估计方程直接添加惩罚项进行变量选择所带来的凸优化问题并且具有算法上易于执行的优点。模拟研究和实际数据分析均展示了我们给出了光滑阈值联合广义估计方程在参数估计和变量选择方面的优良表现。其次,基于协方差矩阵进行MCD,讨论了均值-方差联合广义估计方程的统计诊断方法。我们主要采用的个体数据删除方式的“点删除”影响分析法,去探测实际数据中的异常点和强影响点。我们首先分别导出均值参数和协方差参数（自回归参数以及革新方差参数）的一步近似诊断统计量,用来近似计算个体数据删除前后估计量的改变量。然后引入伪费希尔信息矩阵作为权重矩阵构建相关参数的广义Cook距离诊断统计量。我们提出的关于全参数的广义Cook距离可以直接分解为关于均值参数、自回归参数以及革新方差参数的诊断统计量,方便我们对这三组参数进行统计诊断分析。最后,随机模拟和实际数据分析,显示了我们提出的诊断统计量能够快速以及有效的识别数据中的影响点。最后,在误差向量满足ARMA（Autoregressive moving average）过程下构建了稳健的均值-方差联合估计方程。该稳健估计方程将皮尔逊残差运用到有界的得分函数上去降低异常响应变量的影响,同时引入了Mallows类型的权重去降低杠杆点的影响。在一定的正则条件下,我们探讨了模型参数估计的相合性以及渐近正态的性质。在无污染数据和包含各种类型的污染数据的模拟实验和实际数据分析中,充分展示了无论数据来源于什么分布以及无论数据是否存在污染,我们提出的稳健的联合模型均有不错的表现。特别地,当数据存在污染数据的时候,稳健的联合模型在参数估计方面的表现要优于非稳健联合模型。本文的主要贡献有以下三个方面:（1）提出了光滑阈值联合广义估计方程。该模型有效地解决了纵向数据GEE框架下联合建模的参数估计和变量选择问题,并且具算法上易于执行的优点。（2）建立了GEE框架下联合模型的广义Cook诊断统计量。提出的诊断统计量能够快速有效的识别出实际数据中的异常点或者强影响点,为我们进一步进行统计分析提供了帮助。（3）在协方差矩阵更为一般化的分解下,提出了均值-方差稳健的联合模型。该模型很好的克服了实际数据中的异常数据或者强影响数据对模型统计推断的影响。这些在放松个体分布假定下对纵向均值-方差联合模型的研究,不论在理论还是实际纵向数据分析中均具有重要作用。
闫星宇[2]（2020）在《函数型线性回归的若干研究》文中认为函数型数据是一类重要的数据类型,它在社会学、经济学、生物医学、传染病学以及其它的自然科学领域有着广泛的应用.回归模型常用来研究协变量与响应变量间的相关关系,因为它灵活多变且能挖掘实际问题中响应变量和相关协变量间的潜在关系.近年来各种函数型回归模型受到广泛的关注和研究.基于此,本文对函数型响应变量线性模型的局部估计问题展开了若干研究,主要工作如下:（1）基于对上海儿童医学中心的婴儿身高数据和一些感兴趣的相关变量的研究,发现了观测的身高数据具有纵向数据特征,故在本文第二章选择了在纵向数据分析中广泛应用的变系数模型并对该模型提出一种函数型数据分析的估计方法.该方法结合函数型主成分分析和局部最小二乘估计方法,估计变系数的同时很好的考虑了个体内的相关性.并且建立了估计的变系数的弱收敛性.最后,通过数值模拟分析和实例应用都验证了所提估计方法的有效性.（2）进一步,为了研究上述感兴趣的协变量对多元生长曲线的影响并度量多元生长曲线间的相关性,本文在第三章考虑多元变系数函数型响应模型进行数据分析.结合一般加权下的局部线性估计与组合函数型主成分分析对上述模型提出了一个两步估计方法.该方法可以兼顾稀疏或稠密的观测数据,准确估计变系数函数的同时探究多元函数型数据的相依性.数值模拟和实例分析都证实了所提估计方法的稳定性和优良性.（3）不同于前两章基于单一样本的婴儿睡眠时间分析,接下来,第四章探索了一种简单的函数型Meta分析方法,该方法利用函数型数据分析的方式处理关于更为一般的婴儿睡眠时间研究的Meta分析问题.首先,采用函数型数据的均值-协方差模型,对所关心的多个国家的婴儿睡眠时间随年龄变化的趋势进行拟合.其次,基于逆方差加权法和最小二乘估计方法,考虑个体内的相关性与标准误差提出了一个有效的估计方法.然后建立了所得估计的大样本性质.通过数值模拟与现有方法相比较,说明了提出的方法优于现有的方法.最后,通过对若干个国家研究汇总的数据的分析说明所提出方法解决实际问题的优越性.（4）第五章研究一般加权条件下基于局部线性方法所得的函数型主成分的收敛速度问题,这一理论问题的研究使得包括婴儿睡眠时间在内的无论是稀疏还是稠密的函数型数据,都可通过不同权重的选择进行主成分分析.具体架构如下.首先,介绍在一般加权下均值和协方差函数估计的相关研究.其次,针对一般加权下的函数型主成分,即,特征值和特征函数,正文给出了相应估计值并推导其强一致收敛速度.最后,通过模拟研究验证所得的收敛速度.本文的估计方法和结论丰富了函数型线性回归模型的研究,将有助于分析在经济学、生物统计等应用领域中遇到的复杂多变的问题.
韦锟[3]（2020）在《基于变量选择和微分方程的全基因调控网络构建方法的研究》文中研究指明生物复杂性状是一类由多基因控制,同时又受环境影响的性状。传统的全基因组关联分析（Genome-wide association study,GWAS）可在复杂性状的遗传作图研究中定位出与之相关的显着性位点。但是,该方法无法确定各个显着性位点之间在性状发育过程中具有怎样的互作关系,所以复杂性状的遗传结构还不是完全明了。随着系统生物学的发展,基因调控网络（Gene regulatory network,GRN）成为研究复杂性状的有效工具,特别是全基因（Omnigenic）网络模型的提出,为我们提供了将全部基因同时纳入研究以解释复杂性状完整遗传力的理论基础。然而,全基因网络模型尚停留在理论的阶段,国内外尚未报道一种切实可行的全基因网络构建方法。现有的诸多基因网络构建方法各具特色,但面对超高维的基因数据以及多时间的动态表型数据时,这些已有的方法均在全基因网络构建的实践中显现出各自的不足。针对该问题,本研究设计出一套常微分方程组系统,用以描述全部基因在数量性状完整发展过程中的互作关系,通过变量选择算法对各个微分方程进行横向的降维,通过参数估计方法的推导得到常微分方程系统中各个节点之间的定量互作关系,最终得到调控数量性状整个发展过程的稀疏的、有向的、带权的全基因调控网络。在此基础上,本研究进一步将该网络构建方法运用在拟南芥生长实验所得数据中:1)将计算所得拟南芥茎高生长全基因调控网络关系与KEGG PATHWAY数据库中已有数据进行比较,发现网络结果中可在数据库中验证的部分正确率达到90.21%;2)计算衡量各个微分方程拟合效果的判定系数,判定系数达到0.9以上的微分方程占总数的92.6%;3)针对所提出的全基因网络构建方法进行全面的计算机模拟分析,发现该方法中两个关键步骤的精确度分别可在一般实验条件下达到0.931与0.879。接着,本研究利用拟南芥GO数据库对所得到的全基因网络进行注释,得到拟南芥茎高生长过程中起关键作用的基因模块:对茎高生长起上调作用的关键基因模块为GO:0080179,GO:0010282,GO:0004846等,起下调作用的关键基因模块为GO:2001143,GO:0044599,GO:0052722等。最后,从三个层面解析拟南芥茎高生长全基因调控网络中的信息:1)解析单个SNP在全基因网络中的作用效应,提取网络中发挥单一功能的关键性节点,由此定位出在拟南芥茎高生长过程中分别发出上调、下调作用的关键基因AT1G37405和AT2G47550,接收上调、下调作用的关键基因AT3G55400和AT3G13750;2)解析SNP-SNP之间的作用关系,将全基因网络中的SNP按照各自作用关系分为8种类型,定位出以上8种类型的代表性关键基因;3)对各个SNP在拟南芥完整生长过程中发挥的功能效应进行聚类分析,从结果中推断各个SNP在茎高生长过程中的功能作用类型。本研究将上述具有特殊结构特征的位点进行详细的功能注释,以探索网络结构与基因实际生理功能之间的关联。本研究通过数据库对比以及计算机模拟实验说明所提出方法的有效性及精确性;实际数据的分析表明该方法具有可行性,且可为复杂性状的研究提供丰富的、清晰的基因互作信息。说明该研究发展的新方法为深入解析复杂性状的遗传结构提供了一种强有力的工具,为运用全基因调控网络研究未知功能的基因提供了新的方法和思路。
秦晓凤[4]（2020）在《数据挖掘技术在智慧畜牧业中的应用研究》文中认为三江源地区的畜牧业是该区域的支柱产业,牦牛养殖是产业发展不可或缺的部分。随着养殖规模的扩大与技术的发展,牦牛的养殖与研究取得了不菲的成绩,但仍然面临着成本高,收益差,决策不准确等问题。本文从青海地区的部分牧场采集相关数据,利用数据挖掘与人工智能等方法对养殖过程进行分析,主要围绕牦牛体重估算,等级划分与生长模型建立三个方面进行研究,主要研究结果如下:（1）在利用简单的体尺维度估算牦牛体重方面,分别采用多元线性回归（LR）,支持向量机（SVMs）与随机森林（RF）的算法,以牦牛体高、体斜长、胸围、管围作为输入变量,体重作为响应变量进行预测,得到LR算法的预测精度为0.997,RF算法预测精度为0.998,SVMs算法预测精度为0.820。RF与LR算法在牦牛数据集上体现出良好的预测能力,并且误差均在可接受范围内（通常认为小于等于10%）。（2）针对牦牛品种选育优化等问题,对牦牛等级划分的研究采用多项Logistic回归、典型判别函数、多层感知器人工神经网络三种方法分别进行分类预测,以牦牛的生长体型属性、评分数据、人工等级标注数据为依据,进行等级划分。基于多层感知器的人工神经网络方法的分类性能最好,预测精度达到97.7%,多项Logistic回归算法与判别函的预测精度分别为96.5%和95.1%。结果表明,多层感知器人的人工神经网络方法能够对牦牛的等级进行科学有效的分类。（3）为了对牦牛生长发育规律做出更好的描述,分别采用Compertz、Logistic、Von Bertalanffy与Brody生长模型,对牦牛的体尺与体重进行拟合分析发现:Von Bertalanffy模型对于牦牛体重的拟合效果最好,Logistic模型在牦牛管围的分析中拟合效果最好,而Brody模型在牦牛的体高、体斜长、胸围的分析中均表现出良好的拟合性能。通过回带检验模型,Von Bertalanffy模型对于体重的测定值与原均值的平均相对误差为8.801%,Logistic模型对于管围的测定平均误差为2.146%,Brody模型对于体高、体斜长、胸围的测定平均相对误差分别为4.280%、2.367%、0.175%。说明研究建立的模型能够对牦牛的生长发育规律做出很好的拟合。文章以上研究成果能够为决策人员在牦牛养殖的体重测定,等级划分,生长发育管理等环节中做出科学决策提供一定的数据支持,对牦牛养殖工作的有重要意义。
曹磊[5]（2020）在《基于多期保留木实测胸径估计吉林省蒙古栎天然林年龄》文中研究指明林分年龄反映了林分不同的生长阶段,提供了林分生长、衰老和死亡的有关信息,是表征森林更新和演替重要的时间变量,也是评价立地生产力、确定林分生长和收获重要的时间参数,已成为研究森林生态系统以及制定和实施森林经营管理措施的重要依据。与人工林相比,由于天然林林分内林木年龄层次的多样性和空间结构的复杂性,确定天然林年龄具有很大的难度和不确定性。我国每隔五年开展一次的森林资源连续清查调查了固定样地内所有林木连续生长的实测胸径。基于森林资源清查的保留木多期实测胸径数据,本文提供了一种估算天然林年龄的方法。以吉林省蒙古栎（Quercus mongolica Fisch.ex Ledeb）天然林为研究对象,采用1994、1999、2004、2009和2014年的五期森林清查数据,筛选出五期保留木30株以上的蒙古栎天然林固定样地126块。通过保留木多期林分直径和相应调查时间间隔关系,构建了考虑林分密度指数SDI和不考虑SDI变量两种形式的林分直径生长模型。只要起始阶段的林龄估计准确,增加相应的时间间隔就可得到下一期的林龄估计,在给定起始阶段林龄和生长模型其他参数的初值后,采用126块样地覆盖多期（两期以上）的保留木林分直径数据进行联合估计,同时求解得到起始阶段未修正的林分年龄和模型其他参数;考虑到实际林分中样木的更新、衰老和死亡,基于每期样地中实际所有样木的胸径数据,分别采用了比例法和公式法对保留木林分直径生长模型估计的林龄进行修正,统一修正到当期现实林分中。为验证和比较基于多期保留木胸径数据估计林龄的可行性和稳定性,本文还分别基于Richards,Korf,Logistic和Hossfeld四种基础生长方程建立相应的林分直径生长模型,分别采用覆盖五期、四期、三期和两期的保留木数据集进行拟合,最后比较和评价了不同基础生长方程和数据集对估计现实样地林分年龄的影响,研究结果如下:（1）基于多期保留木胸径数据构建的生长模型对林分直径的拟合效果较好,不同基础方程和不同数据集的林分直径拟合效率EF均达到了0.990以上,均方根误差RMSE不超过0.35cm,平均系统误差ASE均接近于0,平均百分标准误差MPSE均在1.5%以下,且林分直径的残差均匀分布,不存在异方差现象。（2）以Richards方程构建林分胸径生长模型,当不考虑林分密度指数SDI时,公式法修正得到的实际林龄效果最优,1994至2014年每期估计林龄的平均偏差mBias均小于2.5年,平均绝对误差aBias均小于10年,不超过一个龄级的百分精度PA均在90%左右。模型加入SDI变量后,未修正到实际林分的林龄估计效果最差,每期估计林龄的mBias均在10年以上,aBias均在12.5年以上,PA在70%～75%之间。模型中加入SDI变量使得林龄估计的偏差明显上升,百分精度PA明显下降。未修正的林龄估计偏差最大,公式法修正到实际样地的林龄估计效果要优于比例法。（3）不同基础方程和覆盖不同期数保留木数据集对林分年龄的估计效果不同。与覆盖两期、三期和四期保留木的数据集相比,覆盖五期保留木的数据集估计林分年龄的偏差较小,精度较高,且对不同基础方程构建的生长模型的适用性较强;与其他基础方程相比,基于Logistic基础方程对不同数据集估计林分年龄偏差最小,精度最高,平均偏差mBias均不超过5年,平均绝对偏差aBias均不超过10年,不超过一个龄级的百分精度PA均在88%以上,且对不同数据集的适用性也较强;（4）对于不同基础方程和覆盖不同期数保留木的数据集来说,公式法和比例法两种方法均得到了较好的修正效果,明显改善了现实样地林龄的估计偏差,但公式法修正到实际林分的林龄估计要优于比例法。模型中考虑SDI变量虽略微提高了林分直径的拟合效率,改善了林分胸径生长模型的拟合效果,但一定程度上增加了林分年龄估计的偏差,降低了林分年龄的百分精度;（5）与估计中期（2004）和末期（2014）的林龄相比,不同基础方程和不同数据集估计首期（1994）林龄的差异较小,估计首期（1994）林龄的效果较好,且对不同基础方程和不同数据集适用性更好。基于保留木多期胸径实测数据,本文所建的林分直径生长合效果较好,估计林分年龄偏差较小,精度较高,实现了对天然林林分年龄的准确估计,提高了不同林分划分龄组的准确性,反映了林分年龄随林分直径生长的变化趋势,可满足不同领域对林分年龄应用的需要,为天然林资源保护和可持续经营提供了基础。
曲爽[6]（2019）在《贝叶斯纵向多水平项目反应建模及其应用》文中研究说明在教育学和心理学的测试研究中,分析和探索潜在特质（如能力）随时间变化的发展趋势一直备受研究者们关注。被试者们可能要参加多次测试,才能实现研究者对他们的潜在特质及其变化趋势的有效评估。项目反应理论是通过测验得到被试对测验项目的反应,再将反应与被试的潜在特质进行建模来研究和分析的过程(详见Lord,1980[64])。在纵向数据研究中,通常假定学生的能力是随时间的变化而不断变化的,相较于单一时间点的测试研究,这里包含了更加丰富的信息。如果一个测试由一些子测试所构成,潜在特质可能有复杂的结构,传统的项目反应理论模型可能不再适用于这类数据。本文首先提出了一种具有多项式结构的纵向多水平项目反应模型,用以测量被试的潜在特质随时间的变化趋势,及协变量对该趋势的影响。为了估计模型参数,一种联合贝叶斯方法被运用。文中选择偏差信息准则（DIC）和广泛适用的信息准则（WAIC）对所有候选模型进行比较。模拟结果表明,在不同的模拟条件下,联合贝叶斯估计方法对模型参数的返真效果均较好。大多数情况下,DIC和WAIC都可以选出真实模型,且两种准则选择的结果相似。最后,以成绩发展的纵向数据集为例说明了提出程序的实施及意义。此外,针对实际研究中可能存在的某些纵向数据的相依问题,本文从测验设计和统计建模两方面展开研究,建立具有Antedependent（AD）结构的纵向多水平二级评分模型,并进一步提出其相应的贝叶斯参数估计方法,为准确估计模型中的未知参数提供保障,从而更好地刻画3年到6年级学生数学评估中纵向数据的统计规律。采用DIC和WAIC两个准则分别对对所有候选模型进行评价,选出同一更适合实例数据的模型。当模型变得更复杂时,比如纵向的、多水平的、多级评分的模型,使用传统的贝叶斯算法（MCMC）进行参数估计将十分耗时。为此,本文提出了一种改进的估计方法,称为加速的MCMC（QMCMC）算法,其精确性和有效性将通过模拟研究加以验证。在不同的模拟条件下,QMCMC算法保障估计精度的同时,其运算效率较MCMC算法提高了近1/4。当整个模拟实验需要成百上千次时,QMCMC算法的使用将大大地缩短运算时间。综上所述,针对二级评分数据,本文提出了两个不同的纵向多水平项目反应理论模型,运用MATLAB软件实现参数的贝叶斯估计,更进一步揭示被试的潜在特质随时间的变化情况。并分别针对两组实际测试中的数据,用提出的模型进行建模,展示数据的纵向变化趋势。此外,针对多级评分数据,本文还提出了一种新的贝叶斯参数估计方法,在保障估计精度的基础上,大大地提高了纵向多水平多级评分的项目反应理论模型的估计效率。
李斌[7]（2019）在《墨吉明对虾种群遗传结构分析及遗传参数评估与基因组选择研究》文中提出墨吉明对虾是我国南海海域主要的经济捕捞对虾,食用与经济价值高,在世界范围内具有广泛分布,渔业资源量较高,是我国对虾养殖替代品种的优质对象。本研究以墨吉明对虾新品种开发为目标,对墨吉明对虾种质资源、生长特性、选育方法等内容展开研究。主要研究内容包括:南海北部墨吉明对虾自然群体遗传结构分析,野生墨吉明对虾表型形态特征研究,墨吉明对虾人工养殖条件下生长特性研究,G1代群体遗传参数评估,家系正向育种均值选择方法探究,基于基因标记信息与系谱信息的不同选育方法育种值估计准确率的分析等六个部分。1.以我国南海北部五个墨吉明对虾地理生态群体为研究材料。利用RAD-seq测序方法获取了五个地理生态群体共75个个体的简化基因组信息,并对墨吉明对虾5个地理生态群体的遗传多样性、遗传结构及种群动态进行了分析。研究结果显示:各群体间平均核苷酸多样性指数范围为2.88×10-4～3.43×10-4,为中低水平,但中性进化区段核苷酸多样性指数显着高于平均核苷酸多样性指数。从PCA分析结果看,虽然各群体间无显着的群体分层现象,但群体内部具有部分个体呈现变异分离趋势。同时,我们通过各群体间SNP多样性指数离群分析也发现,各群体间具有大量的群体内特异变异位点。2.以收集的野生墨吉明对虾表型信息进行了墨吉明对虾形态特征分析。结果分析发现,墨吉明对虾各生态群体肥满度较高,其中,以北部湾-钦州湾虾场的墨吉明对虾肥满度最高。同时发现,墨吉明对虾具有较高的出肉率,最高可达0.68。在表型相关分析结果中发现,各生长相关表型性状与净重之间的Perason相关水平均达到了极显着相关。其中,体重、体长、头胸甲长、全长、腹节长与净重的表型相关性水平最高,相关系数分别为0.926、0.876、0.831、0.825、0.764,均为高度表型相关。3.本部分对两种不同养殖环境下墨吉明对虾的早期生长规律进行了研究。研究发现,墨吉明对虾在土塘养殖条件下与水泥池养殖条件下具有较大生长差异,土塘养殖条件下的生长速度显着快于水泥池养殖条件下的生长速度。此外发现,两种不同养殖条件下,墨吉明对虾的快速生长期均在10-50日龄养殖阶段。4.利用多性状动物模型对墨吉明对虾G1代群体的体重、体长、头胸甲长、腹节长在不同养殖环境,及不同养殖阶段下的遗传力及遗传相关进行了评估。遗传评估结果显示,所研究的墨吉明对虾G1代群体生长相关性状的遗传力估计值均为中高水平,各生长性状间均为高度遗传相关。同时也发现,30日龄下,体重性状在两种养殖条件下的遗传力差异显着性检验达到了极显着差异的水平。另外,水泥池养殖条件下30日龄、90日龄与180日龄各养殖阶段间体重性状的遗传力差异显着性检验均未达到显着差异水平。5.分别使用家系平均育种值与家系正向平均育种值两种标准进行了家系选择。两种选择方法得到的结果显示,两个群体中各家系排名均出现部分变动。在后代群体验证中发现,P群体均值略高于M群体,但两者未达到显着性差异。6.利用墨吉明对虾基因组标记信息及相关系谱信息,采用ABLUP、GBLUP、ss GBLUP、Bayes A、BayesB等方法对体重育种值估计准确率进行了比较。结果表明,基于ABLUP与ss GBLUP方法得到的育种值估计准确率显着高于GBLUP、Bayes A、BayesB三种基因组预测模型。其中,ss GBLUP方法对墨吉明对虾体重性状的育种值估计的准确率最高,为0.653±0.055。同时,在本研究中,经比较使用GWAS方法与随机抽样方法获取的不同类型的SNP数据集基于BayesB、GBLUP两种模型得到的体重性状育种值估计准确率的结果发现,GBLUP模型均优于BayesB模型。
牛艳飞[8]（2019）在《聚集数据线性模型的有偏估计及其相对效率问题》文中提出针对线性模型,当收集的数据是观测向量的线性组合时,称为聚集数据线性模型.本文重点研究聚集数据情况下线性模型和随机约束线性模型的参数估计及相对效率.首先,在广义聚集双参数（GATP）估计的基础上,提出了改进广义聚集双参数（IGATP）估计和广义聚集压缩双参数（GACTP）估计;在均方误差阵准则下,重点研究了GACTP估计的优良性,通过Monte Carlo模拟进一步验证了GACTP估计的优良性;分别给出了GACTP估计与Peter-Karsten（PK）估计和LS估计的两种相对效率,并得到其上、下界.其次,结合聚集混合（AM）估计和聚集Liu（AL）估计,定义了聚集混合Liu（AML）估计;给出AML估计中Liu参数的选取方法;在均方误差阵准则下,得到了AML估计优于AL估计、PK估计和AM估计的充要条件,通过Monte Carlo模拟进一步验证了AML估计的优良性;给出了AML估计与PK估计的相对效率,并得到其上、下界.再次,考虑先验信息与样本信息的不均衡性,在AM估计的基础上,提出了聚集加权混合（AWM）估计;在均方误差阵准则下,得到了AWM估计优于AM估计、PK估计的充要条件,通过Monte Carlo模拟进一步验证了AWM估计的优良性;给出了AWM估计与PK估计的相对效率,并得到其上、下界.最后,提出了PK估计、AML估计、AM估计、AWM估计、AL估计的一般形式——聚集加权混合Liu（AWML）估计;给出AWML估计中Liu参数的选取方法;在均方误差阵准则下,得到了AWML估计优于其它估计的充要条件,通过Monte Carlo模拟进一步验证了新估计的优良性;给出了AWML估计与PK估计的两种相对效率,并得到其上、下界.
方苏阳[9]（2019）在《多源异构预测模型融合方法及其在矿山沉陷预测中的应用》文中研究说明开采沉陷预计对指导矿山开采规划、安全生产、“三下”采煤、矿区环境治理具有重要的理论与实践意义,使得开采沉陷预计方法一直是岩层移动控制领域的研究热点。开采沉陷的本质为在地质采矿条件等多因素胁迫下的复杂力学变形过程,其变形过程在时空上表现为高度非线性特征,因而利用非线性预测理论进行开采沉陷预计在理论上具备可行性。文献研究表明,当前已有学者基于非线性预测方法建立了一些开采沉陷预测模型,并初步取得了一定的实验效果,但仍然存在以下问题需要进一步研究:（1）预测模型多为基于单一非线性预测方法而构建,且不适用于采动地表移动全周期（开始期、活跃期和衰退期）的开采预测;（2）鲜有顾及经典非线性预测方法的优缺点互补性,建立多源异构融合的开采沉陷预测模型;（3）构建的非线性开采沉陷预测模型尚未顾及数据新鲜程度的影响,预计模型不够稳健。针对上述问题,本文开展了系统研究,并基于MATLAB平台编制了工程应用程序,研究成果丰富完善了开采沉陷预计理论体系。通过研究,主要取得如下成果:（1）通过研究国内外文献,详细分析了基于岩层移动机理的开采沉陷预测方法以及基于开采沉陷时间特征的非线性预测方法的国内外研究现状。研究表明,当前针对矿山开采沉陷预测方面的研究,多数为矿山开采沉陷全周期进行数值模拟以及预测,少有分阶段精准研究预测模型的案例。因此,开展能够准确揭示矿区开采沉陷变形机理的沉降预测方法需要进一步深入研究。（2）对顾桥北矿观测站实测最大下沉点MS23全周期数据进行预处理,取活跃期以及衰退期点MS23沉降数据建立典型非线性预测模型,通过实验验证开采沉陷不同阶段非线性预测模型的精度以及稳定性,通过定性、定量分析方法对非线性模型进行筛选。结果表明,在开采沉陷活跃期,ARMA预测模型和BP神经网络模型均能相对准确稳定的预测监测点沉降量;在开采沉陷衰退期,BP神经网络预测模型、卡尔曼滤波预测模型、ARMA预测模型以及三次指数平滑模型均能较好的预测监测点沉降量。（3）基于多源异构融合准则以及非线性模型权重确定准则,利用筛选后的非线性预测模型,建立融合多源异构模型。以淮南顾桥北矿实测数据为例,采用非线性预测模型预测值以及实测值进行检验,结果表明,开采沉陷活跃期以最小方差倒数法建立的多源异构模型在预测精度以及稳定上优于单项预测模型;衰退期以熵值法建立的多源异构模型在预测精度以及稳定上优于单项预测模型。因此,多源异构模型能够提取单项非线性预测模型预测信息,并充分融合单项非线性预测模型的优势,能够有效提高预测精度和稳定性。（4）研究顾及矿区开采沉陷特征的数据新鲜度函数,建立顾及数据新鲜度的多源异构模型,预测顾桥北矿最大下沉点MS23活跃期以及衰退期的沉降值,结果表明,由于活跃期开采沉陷发育迅速,沉降量变化明显,考虑实测数据新旧程度能够有效提高多源异构模型的预测精度及稳定性;在衰退期,地表移动变形过程平稳、趋势趋于稳定,顾及数据新鲜度（熵值法）的多源异构模型预测精度略低于多源异构模型,但是提高了预测的稳健性,预测性能满足工程应用需求。图[32]表[36]参[79]
石贺欣[10]（2019）在《异速生长的博弈作图模型》文中研究指明从细胞代谢到种群动态,许多生物学过程在大小和速率之间都存在异速尺度（幂律函数）关系。虽然这种异速尺度关系是由一定的遗传因素决定的,但由于缺少合适的分析工具,生物学家对其精确的遗传机制仍不清楚。为了定位与异速生长相关的QTLs并探究其可能的调控机制,本研究开发一个基本的统计学框架,异速生长的博弈作图模型,通过将普适的1/4幂律公式嵌入到系统作图的基本框架内,定位与幂尺度异速生长相关的QTLs,并将系统内各个组成性状的整体生长分解为独立生长和互作生长,探讨它们之间的竞争与合作模式。将模型应用于胡杨实际数据,模型成功检测到地上生物量和地下生物量异速生长相关SNP 122个,其中杂交类型位点50个,测交类型位点72个,分布在97个scaffold上。功能注释发现各个SNP都存在可能参与的生物学过程,发现部分显着的SNP与生长调节因子（Laplaze et al.,2007;Omidbakhshfard et al.,2015）和细胞分裂素合成（Dzurova et al.,2015）等相关,已被研究证实在根系发育和在不利的环境条件下根系与其它部位的协调生长产生重要作用。对胡杨异速生长的遗传解析,能够指导进一步构建更精细的胡杨基因型-表型关系图谱。本研究提供的模型框架可以应用到其他动物、植物、微生物和人类等物种中,为提高遗传育种的效率和准确率提供重要理论指导。
二、推广的生长曲线模型未知参数估计的相对效率（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、推广的生长曲线模型未知参数估计的相对效率（论文提纲范文）
（1）GEE框架下纵向数据均值-方差联合模型的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 第一节 选题背景及其研究意义 |
| 第二节 研究动态 |
| 一、纵向数据均值-方差联合建模研究动态 |
| 二、关于纵向数据变量选择的研究动态 |
| 三、关于纵向数据统计诊断研究动态 |
| 四、关于纵向数据稳健建模的研究动态 |
| 第三节 研究内容和创新之处 |
| 一、研究内容 |
| 二、创新之处 |
| 第四节 论文结构 |
| 第二章 纵向数据均值-方差联合模型 |
| 第一节 基于MCD分解下的均值-方差联合模型 |
| 一、正态分布假定下的联合模型 |
| 二、基于MCD的均值-方差联合广义估计方程 |
| 第二节 基于MACD分解下的均值-方差联合模型 |
| 一、正态分布假定下的联合模型 |
| 二、基于MACD的均值-方差联合广义估计方程 |
| 第三节 基于ARMACD分解下的均值-方差联合模型 |
| 一、正态分布假定下的联合模型 |
| 二、基于ARMACD的均值-方差联合广义估计方程 |
| 第四节 小结与讨论 |
| 第三章 光滑阈值的联合广义估计方程 |
| 第一节 模型选择简介 |
| 一、经典的模型选择方法 |
| 二、带惩罚似然的方法 |
| 三、基于GEE框架下的模型选择方法 |
| 第二节 均值-方差联合模型的变量选择 |
| 一、有效的光滑阈值广义估计方程 |
| 二、渐近性质 |
| 三、算法和最优调节参数的选择 |
| 第三节 模拟实验 |
| 第四节 实际数据分析 |
| 一、实际数据分析一 |
| 二、实际数据分析二 |
| 第五节 小结与讨论 |
| 第四章 纵向数据联合模型的统计诊断 |
| 第一节 统计诊断方法简介 |
| 一、统计诊断的基本方法 |
| 第二节 联合模型的统计诊断分析 |
| 一、模型及“点删除”统计诊断分析 |
| 第三节 模拟分析 |
| 一、一步近似诊断的精度 |
| 二、均值参数的扰动 |
| 三、方差参数的扰动 |
| 四、混合分布情形下的统计诊断 |
| 第四节 实际数据分析 |
| 一、实际数据分析一 |
| 二、实际数据分析二 |
| 第五节 小结与讨论 |
| 第五章 纵向数据稳健的均值—方差联合模型 |
| 第一节 稳健的均值—方差联合模型 |
| 一、均值—方差联合模型 |
| 二、稳健的联合估计方程 |
| 三、算法与实现 |
| 四、渐近性质 |
| 第二节 渐近性质的证明 |
| 一、定理5.1.1 的证明 |
| 二、引理5.1.1 的证明 |
| 三、定理5.1.2 的证明 |
| 第三节 模拟实验 |
| 第四节 实际数据分析 |
| 一、实际数据分析一 |
| 二、实际数据分析二 |
| 第五节 小结与讨论 |
| 第六章 总结和展望 |
| 一、总结 |
| 二、展望 |
| 参考文献 |
| 附录A 论文使用的数据 |
| 附录B 主要程序 |
| 致谢 |
| 本人在读期间完成的研究成果 |
（2）函数型线性回归的若干研究（论文提纲范文）
| 摘要 |
| ABSTRACT(英文摘要) |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 函数型数据分析简介 |
| 1.2 研究现状 |
| 1.2.1 均值和协方差函数的估计 |
| 1.2.2 函数型数据的主成分分析 |
| 1.2.3 函数型回归模型的回顾 |
| 1.3 本文工作 |
| 第二章 基于函数型主成分分析的变系数模型估计方法 |
| 2.1 研究背景和意义 |
| 2.2 估计方法 |
| 2.3 渐近结果 |
| 2.4 模拟研究 |
| 2.4.1 规则数据 |
| 2.4.2 不规则数据 |
| 2.5 实际数据分析 |
| 2.5.1 数据描述 |
| 2.5.2 分析结果 |
| 2.6 总结 |
| 2.7 定理证明 |
| 第三章 多元函数型响应变系数模型的研究 |
| 3.1 研究背景与意义 |
| 3.2 多元函数型响应变系数模型 |
| 3.3 估计过程 |
| 3.3.1 变系数的估计 |
| 3.3.2 函数型主成分分析 |
| 3.4 模拟研究 |
| 3.5 在多变量成长数据中的应用 |
| 3.5.1 数据简介 |
| 3.5.2 数据预处理 |
| 3.5.3 数据分析 |
| 3.6 总结 |
| 3.7 证明 |
| 第四章 函数型数据Meta分析的研究 |
| 4.1 研究背景和意义 |
| 4.2 模型与方法 |
| 4.2.1 均值函数和相关函数的估计 |
| 4.2.2 函数型Meta分析 |
| 4.3 渐近性质 |
| 4.4 模拟研究 |
| 4.5 实际应用 |
| 4.6 总结 |
| 4.7 定理证明 |
| 第五章 一般加权条件下基于局部线性光滑的函数型主成分收敛速度的研究 |
| 5.1 研究背景和意义 |
| 5.2 模型与估计方法 |
| 5.2.1 局部线性光滑 |
| 5.2.2 函数型主成分分析 |
| 5.3 关于收敛速度的结果 |
| 5.3.1 正则条件 |
| 5.3.2 理论结果 |
| 5.4 模拟分析 |
| 5.5 总结 |
| 5.6 定理证明 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的论文 |
（3）基于变量选择和微分方程的全基因调控网络构建方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 引言 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 复杂性状的研究所面临的挑战 |
| 1.1.2 GWAS在复杂性状研究中的不足 |
| 1.2 基因调控网络的研究现状 |
| 1.2.1 基因网络构建方法的研究进展 |
| 1.2.2 全基因网络模型 |
| 1.3 高维度网络的稀疏化方法 |
| 1.3.1 基于机器学习的网络稀疏化原则 |
| 1.3.2 变量选择 |
| 1.4 研究内容及论文安排 |
| 2 构建全基因网络的基本理论及算法 |
| 2.1 全基因调控网络模型 |
| 2.2 通过变量选择进行模型降维 |
| 2.3 微分方程的参数估计 |
| 2.4 本章小结 |
| 3 全基因网络构建方法的实际应用 |
| 3.1 实验材料与生长实验 |
| 3.2 拟南芥全基因网络的构建 |
| 3.3 结果与讨论 |
| 3.3.1 拟南芥生长实验 |
| 3.3.2 全基因网络构建方法的检验 |
| 3.3.3 计算机模拟分析 |
| 3.4 本章小结 |
| 4 拟南芥全基因网络的解析 |
| 4.1 全基因网络的功能注释分析 |
| 4.2 单个SNP在全基因网络中作用效应的解析 |
| 4.3 SNP-SNP之间作用关系的解析 |
| 4.4 完整生命过程中SNP功能的聚类分析 |
| 4.5 结果与讨论 |
| 4.5.1 全基因网络的功能注释分析 |
| 4.5.2 单个SNP在全基因网络中作用效应的解析 |
| 4.5.3 SNP-SNP之间作用关系的解析 |
| 4.5.4 完整生命过程中SNP功能的聚类分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录清单 |
| 致谢 |
（4）数据挖掘技术在智慧畜牧业中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究区域概况 |
| 1.3 国内外研究现状 |
| 1.4 论文组织结构 |
| 第二章 基于机器学习算法的牦牛体重估算 |
| 2.1 牦牛体重估测研究意义 |
| 2.2 数据采集与数据集描述 |
| 2.3 数据预处理 |
| 2.4 统计分析 |
| 2.4.1 描述性分析 |
| 2.4.2 相关性分析 |
| 2.5 机器学习方法估算牦牛体重 |
| 2.5.1 多元线性回归估算牦牛体重 |
| 2.5.2 支持向量机估算牦牛体重 |
| 2.5.3 随机森林估算牦牛体重 |
| 2.5.4 结果分析与对比 |
| 2.6 本章小结 |
| 第三章 基于机器学习的牦牛等级预测划分 |
| 3.1 数据集概述 |
| 3.2 描述性分析 |
| 3.3 关联分析 |
| 3.4 基于Logistic多项回归的牦牛等级划分 |
| 3.5 基于判别函数分析的牦牛等级划分 |
| 3.6 基于多层感知器的神经网络预测牦牛等级 |
| 3.7 结果分析与对比 |
| 3.8 本章小结 |
| 第四章 牦牛生长发育模型的拟合研究 |
| 4.1 牦牛生长发育建模研究意义 |
| 4.2 Compertz模型 |
| 4.3 Logistic模型 |
| 4.4 Von Bertalanffy模型 |
| 4.5 Brody模型 |
| 4.6 模型对比分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究总结 |
| 5.2 课题展望 |
| 参考文献 |
| 致谢 |
| 作者在读期间科研成果简介 |
（5）基于多期保留木实测胸径估计吉林省蒙古栎天然林年龄（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 林分平均年龄测定与计算 |
| 1.2.2 基于回归模型估算林分平均年龄 |
| 1.2.3 基于遥感手段估算林分平均年龄 |
| 1.3 存在的问题和展望 |
| 1.4 研究主要内容 |
| 1.5 研究技术路线 |
| 2 研究区概况和数据 |
| 2.1 研究区概况 |
| 2.2 数据来源 |
| 2.3 数据预处理 |
| 2.3.1 林分因子计算与统计 |
| 2.3.2 数据集的划分 |
| 3 研究方法 |
| 3.1 林分年龄的定义 |
| 3.2 估计模型的构建 |
| 3.3 参数的优化和估计 |
| 3.4 林分年龄的修正 |
| 3.5 检验与评价 |
| 3.5.1 林分直径的拟合精度 |
| 3.5.2 林分年龄的估计精度 |
| 4 基于Richards方程和五期保留木的林龄估计 |
| 4.1 覆盖五期的保留木数据集 |
| 4.2 林分直径拟合效果的检验 |
| 4.3 林龄估计结果的评价 |
| 4.4 基于最优估计林龄的生长曲线 |
| 4.5 基于最优估计林龄的龄组结构 |
| 4.6 小结 |
| 5 基于不同基础方程和数据集的林龄估计 |
| 5.1 不同的数据集 |
| 5.2 不同的基础方程 |
| 5.3 林分直径拟合效果的检验 |
| 5.4 林龄估计结果的评价 |
| 5.5 方差分析 |
| 5.5.1 不同的基础方程 |
| 5.5.2 不同的数据集 |
| 5.6 小结 |
| 6 讨论和结论 |
| 6.1 讨论 |
| 6.2 结论 |
| 参考文献 |
| 附录 |
| 在读期间的学术研究 |
| 致谢 |
（6）贝叶斯纵向多水平项目反应建模及其应用（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 第一章 引言 |
| 1.1 项目反应理论简介 |
| 1.2 常用的项目反应理论模型 |
| 1.2.1 二级项目反应理论模型 |
| 1.2.2 多级项目反应理论模型 |
| 1.3 多水平统计分析模型 |
| 1.4 纵向测试的设计形式 |
| 1.4.1 相同锚项目的设计 |
| 1.4.2 不同锚项目的设计 |
| 1.5 常用的参数估计方法简介 |
| 1.6 本文内容和结构安排 |
| 第二章 具有多项式结构的纵向多水平项目反应建模法 |
| 2.1 研究背景 |
| 2.2 模型及其可识别性 |
| 2.2.1 模型建立 |
| 2.2.2 模型的识别 |
| 2.3 贝叶斯估计和模型选择 |
| 2.3.1 贝叶斯估计 |
| 2.3.2 模型选择准则 |
| 2.4 模拟研究 |
| 2.4.1 模拟一 |
| 2.4.2 模拟二 |
| 2.4.3 模拟三 |
| 2.5 纵向教育质量评估数据的分析 |
| 2.5.1 纵向多水平IRT模型 |
| 2.5.2 模型选择和参数估计 |
| 第三章 具有AD结构的纵向多水平项目反应建模法 |
| 3.1 研究背景 |
| 3.2 模型建立 |
| 3.3 贝叶斯估计和模型选择 |
| 3.3.1 贝叶斯估计 |
| 3.3.2 模型选择准则 |
| 3.4 模拟研究 |
| 3.4.1 模拟一 |
| 3.4.2 模拟二 |
| 3.4.3 模拟三 |
| 3.5 真实数据分析 |
| 第四章 纵向多级多水平项目反应理论模型参数的贝叶斯估计法 |
| 4.1 研究背景 |
| 4.2 模型的建立 |
| 4.3 贝叶斯参数估计法 |
| 4.4 模拟研究 |
| 第五章 总结与展望 |
| 第六章 附录 |
| 6.1 第二章参数估计的详细抽样过程 |
| 6.2 第三章参数估计的详细抽样过程 |
| 6.3 第四章传统的MCMC算法的详细抽样过程 |
| 参考文献 |
| 致谢 |
| 在学期间公开发表论文情况 |
（7）墨吉明对虾种群遗传结构分析及遗传参数评估与基因组选择研究（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩略词 |
| 1 文献综述 |
| 1.1 墨吉明对虾概况 |
| 1.1.1 墨吉明对虾分类地位及形态特征 |
| 1.1.2 墨吉明对虾自然分布与生活习性 |
| 1.1.3 墨吉明对虾繁殖与世代 |
| 1.1.4 渔业状况 |
| 1.1.5 资源动态 |
| 1.2 对虾育种研究现状 |
| 1.2.1 对虾种业发展历史 |
| 1.2.2 我国对虾新品种选育进展 |
| 1.2.3 我国对虾种业现状 |
| 1.3 选择育种原理与应用 |
| 1.3.1 群体遗传学简介 |
| 1.3.2 遗传多样性分析 |
| 1.3.2.1 等位基因多样性分析 |
| 1.3.2.2 位点杂合度分析 |
| 1.3.2.3 群体间遗传分化分析 |
| 1.3.2.4 近交系数 |
| 1.3.2.5 有效群体大小 |
| 1.3.3 数量遗传学简介 |
| 1.3.2.1 数量性状的数学模型 |
| 1.3.2.2 亲属间相关 |
| 1.3.2.3 遗传力的估计 |
| 1.3.2.4 遗传相关 |
| 1.3.2.5 育种值 |
| 1.3.4 选择育种理论 |
| 1.3.3.1 个体选择 |
| 1.3.3.2 家系选择 |
| 1.3.3.3 家系内选择 |
| 1.3.3.4 综合选择 |
| 1.3.3.5 选择育种常用概念 |
| 1.4 现代育种核心技术 |
| 1.4.1 BLUP育种值估计 |
| 1.4.2 基因组选择技术 |
| 1.4.2.1 GBLUP |
| 1.4.2.2 ss GBLUP |
| 1.4.2.3 贝叶斯法 |
| 1.4.3 全基因组选育的优势与现状 |
| 1.4.4 简化基因组测序简介 |
| 1.5 研究目的与意义 |
| 2 南海北部墨吉明对虾5个地理生态群体的遗传结构与种群历史动态分析 |
| 2.1 材料与方法 |
| 2.1.1 样本收集 |
| 2.1.2 DNA提取及检测 |
| 2.1.3 RAD文库构建 |
| 2.1.4 数据处理 |
| 2.1.4.1 原始数据过滤及质量控制 |
| 2.1.4.2 过滤数据的变异检测及遗传参数评估 |
| 2.1.4.3 群体遗传结构分析 |
| 2.1.4.4 种群历史动态分析 |
| 2.2 结果与分析 |
| 2.2.1 测序数据统计 |
| 2.2.2 群体遗传参数 |
| 2.2.3 群体间遗传结构分析 |
| 2.2.4 组间SNP位点离群分析 |
| 2.2.5 连锁不平衡分析 |
| 2.2.6 种群动态历史分析 |
| 2.2.7 种群混合和迁移事件分析 |
| 2.3 讨论 |
| 2.3.1 群体遗传分化与历史动态分析 |
| 2.3.2 群体遗传多样性分析 |
| 3 野生墨吉明对虾形态学特征分析 |
| 3.1 材料与方法 |
| 3.1.1 材料与方法 |
| 3.1.2 数据测量及统计分析 |
| 3.1.3 墨吉明对虾出肉率及肥满度的测定 |
| 3.1.4 墨吉明对虾生物形态学分析 |
| 3.2 结果与分析 |
| 3.2.1 墨吉明对虾表型性状与出肉率的统计性描述 |
| 3.2.2 墨吉明对虾各性状间表型相关性分析 |
| 3.2.3 线性回归方程建立及各表型性状对净重的作用分析 |
| 3.2.4 南海北部五大虾场墨吉明对虾肥满度差异性分析 |
| 3.2.5 南海北部五大虾场墨吉明对虾体长与体重关系 |
| 3.2.6 墨吉明对虾自然群体各月份体长频数分布 |
| 3.3 讨论 |
| 4 养殖条件下墨吉明对虾早期生长规律的研究 |
| 4.1 材料与方法 |
| 4.1.1 实验群体构建 |
| 4.1.2 数据测量与统计分析 |
| 4.2 结果与分析 |
| 4.2.1 墨吉明对虾体重与体长测量值统计结果 |
| 4.2.2 土塘养殖条件下墨吉明对虾体长与体重累积生长曲线 |
| 4.2.3 水泥池养殖条件下墨吉明对虾体长与体重累积生长曲线 |
| 4.2.4 两种养殖条件下体长与体重性状累计增长曲线的比较 |
| 4.2.5 土塘养殖条件下墨吉明对虾体长与体重绝对及相对生长曲线 |
| 4.2.6 水泥池养殖条件下墨吉明对虾体长与体重绝对及相对生长曲线 |
| 4.2.7 两种养殖条件下体长生长系数的比较 |
| 4.2.8 两种养殖条件下墨吉明对虾肥满度的变化 |
| 4.2.9 墨吉明对虾体重与体长的关系 |
| 4.2.10 墨吉明对虾体重与体长的生长关系 |
| 4.3 讨论 |
| 5 墨吉明对虾G1代群体生长相关性状遗传参数评估 |
| 5.1 材料与方法 |
| 5.1.1 遗传参数评估实验群体的构建 |
| 5.1.1.1 野生亲虾来源 |
| 5.1.1.2 野生亲虾处理及家系建立 |
| 5.1.1.3 幼体培育 |
| 5.1.1.4 中间培育 |
| 5.1.1.5 家系个体标记 |
| 5.1.1.6 后期养成 |
| 5.1.2 表型数据测量 |
| 5.1.3 数据统计与分析 |
| 5.2 结果 |
| 5.2.1 生长相关性状指标的表型测量值描述统计 |
| 5.2.2 各家系间初始体长与体重的差异显着性检验 |
| 5.2.3 亲缘关系A矩阵自定义 |
| 5.2.4 遗传参数评估结果 |
| 5.2.5 遗传力Z-score检验 |
| 5.3 讨论 |
| 5.3.1 关于群体构建与自定义亲缘关系矩阵构建的依据 |
| 5.3.2 遗传力 |
| 5.3.3 遗传相关 |
| 6 墨吉明对虾家系正向育种均值选择方法探究 |
| 6.1 材料与方法 |
| 6.1.1 家系构建及培育 |
| 6.1.2 数据测量与统计分析 |
| 6.1.3 选择方法 |
| 6.2 结果与分析 |
| 6.3 后代群体验证 |
| 6.3.1 验证群体构建及培育 |
| 6.3.2 数据测量与统计分析 |
| 6.3.3 结果描述与统计 |
| 6.4 讨论 |
| 7 不同数量及不同类型的SNP数据集基于不同的预测模型对墨吉明对虾体重性状育种值估计准确率的研究 |
| 7.1 材料与方法 |
| 7.1.1 亲虾来源 |
| 7.1.2 家系建立 |
| 7.1.3 样品收集及数据测量 |
| 7.1.4 简化基因组测序 |
| 7.1.5 数据质量控制与SNP分型 |
| 7.1.6 SNP筛选 |
| 7.1.7 不同SNP数目及不同类型的数据集构建 |
| 7.1.8 育种值估计 |
| 7.1.9 不同类型及不同数量SNP数据集的遗传方差占比分析 |
| 7.1.10 交叉验证 |
| 7.2 结果与分析 |
| 7.2.1 GWAS分析结果及不同SNP数据集的阈值范围 |
| 7.2.2 不同模型育种值估计准确率比较 |
| 7.2.3 不同SNP数据集基于不同模型育种值估计准确率分析 |
| 7.2.4 各SNP数据集的遗传方差占比分析 |
| 7.3 讨论 |
| 7.3.1 不同模型对育种值估计准确率的差异 |
| 7.3.2 不同数据类型与不同标记数量对育种值估计准确率的影响 |
| 7.3.3 不同标记数量对总遗传方差解释的能力 |
| 结论 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简介 |
| 导师简介 |
（8）聚集数据线性模型的有偏估计及其相对效率问题（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 线性回归模型参数估计的研究现状 |
| 1.2.2 聚集数据线性模型参数估计的研究现状 |
| 1.2.3 带有约束条件的线性模型参数估计的研究现状 |
| 1.2.4 相对效率的研究现状 |
| 1.3 研究内容 |
| 2 预备知识 |
| 3 广义聚集压缩双参数估计及其相对效率 |
| 3.1 广义聚集压缩双参数估计 |
| 3.2 均方误差阵准则下广义聚集压缩双参数估计的优良性 |
| 3.3 Monte Carlo模拟 |
| 3.4 相对效率 |
| 3.5 本章小结 |
| 4 聚集混合Liu估计及其相对效率 |
| 4.1 聚集混合Liu估计 |
| 4.2 均方误差阵准则下聚集混合Liu估计的优良性 |
| 4.3 参数选取 |
| 4.4 Monte Carlo模拟 |
| 4.5 相对效率 |
| 4.6 本章小结 |
| 5 聚集加权混合估计及其相对效率 |
| 5.1 聚集加权混合估计 |
| 5.2 均方误差阵准则下聚集加权混合估计的优良性 |
| 5.3 Monte Carlo模拟 |
| 5.4 相对效率 |
| 5.5 本章小结 |
| 6 聚集加权混合Liu估计及其相对效率 |
| 6.1 聚集加权混合Liu估计 |
| 6.2 均方误差阵准则下聚集加权混合Liu估计的优良性 |
| 6.3 参数选取 |
| 6.4 Monte Carlo模拟 |
| 6.5 相对效率 |
| 6.6 本章小结 |
| 7 总结与展望 |
| 7.1 主要研究成果 |
| 7.2 展望 |
| 攻读学位期间参加的科研项目及发表的学术论文 |
| 致谢 |
| 参考文献 |
（9）多源异构预测模型融合方法及其在矿山沉陷预测中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 矿山开采沉陷预计研究现状 |
| 1.2.1 基于岩层移动机理的开采沉陷预计方法 |
| 1.2.2 基于开采沉陷时间特征的非线性预测方法 |
| 1.3 主要研究内容 |
| 1.4 研究方法及技术路线 |
| 1.4.1 拟采取的研究技术路线 |
| 1.4.2 研究方法 |
| 1.5 本章小结 |
| 2 典型非线性开采沉陷预测模型研究 |
| 2.1 试验区概况 |
| 2.1.1 地质采矿及观测站概况 |
| 2.1.2 地表移动观测站数据质量评价 |
| 2.2 典型非线性预测模型原理 |
| 2.2.1 卡尔曼滤波模型 |
| 2.2.2 指数平滑模型建模 |
| 2.2.3 灰色GM(1.1)模型建模 |
| 2.2.4 ARMA模型建模 |
| 2.2.5 BP神经网络模型建模 |
| 2.3 基于非线性预测理论的开采沉陷预测建模方法及应用研究 |
| 2.3.1 数据预处理 |
| 2.3.2 开采沉陷非线性预测建模方法及程序实现 |
| 2.3.3 基于非线性预测理论的开采沉陷全周期预测研究 |
| 2.4 本章小结 |
| 3 融合多源异构模型的开采沉陷预测方法研究 |
| 3.1 融合多源异构模型的开采沉陷预测建模原理 |
| 3.1.1 多源异构预测模型融合准则 |
| 3.1.2 多源异构预测融合模型的单项模型筛选原则 |
| 3.1.3 多源异构融合模型的精度评价标准 |
| 3.2 基于多源异构融合模型的开采沉陷预测建模方法及应用研究 |
| 3.2.1 多源异构预测模型的构建及预测实验 |
| 3.2.2 活跃期多源异构预测模型的预测 |
| 3.2.3 衰退期多源异构预测模型的预测 |
| 3.2.4 预测结果及误差分析 |
| 3.3 本章小结 |
| 4 顾及数据新鲜度和多源异构模型融合的开采沉陷预测方法研究 |
| 4.1 顾及新鲜度函数的多源异构融合通用模型 |
| 4.1.1 实测沉降数据新旧程度对融合预测点的影响 |
| 4.1.2 预测中的时间权重讨论 |
| 4.2 开采沉陷观测值新鲜度函数F(t) |
| 4.2.1 S型生长曲线函数 |
| 4.2.2 Knothe时间函数 |
| 4.3 工程应用案例分析 |
| 4.3.1 顾及数据新鲜度多源异构预测模型的构建及预测 |
| 4.3.2 新鲜度函数F(t)的选取 |
| 4.3.3 预测误差分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 本文结论 |
| 5.2 展望 |
| 致谢 |
| 作者简介 |
| 参考文献 |
（10）异速生长的博弈作图模型（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 研究背景 |
| 1.1 异速生长与QTL定位 |
| 1.1.1 异速生长 |
| 1.1.1.1 异速生长的概念 |
| 1.1.1.2 生物异速生长研究 |
| 1.1.2 QTL定位 |
| 1.1.2.1 传统QTL定位 |
| 1.1.2.2 功能作图 |
| 1.1.2.3 系统作图 |
| 1.1.2.4 博弈理论 |
| 1.1.3 异速生长的QTL定位 |
| 1.2 胡杨研究进展 |
| 1.3 本研究的目的与创新点 |
| 2 异速生长的博弈作图模型构建 |
| 2.1 异速生长律 |
| 2.2 异速生长的常微分方程构建 |
| 2.3 数据结构 |
| 2.4 统计模型 |
| 2.5 假设检验 |
| 2.6 小结 |
| 3 博弈作图模型应用 |
| 3.1 研究材料 |
| 3.1.1 实验群体构建 |
| 3.1.2 表型测定 |
| 3.1.3 基因型测定 |
| 3.2 分析结果 |
| 3.2.1 群体结构分析 |
| 3.2.2 个体拟合 |
| 3.2.3 QTL定位 |
| 3.2.4 遗传解析 |
| 3.2.5 功能注释 |
| 3.3 小结 |
| 4 计算机模拟 |
| 5 讨论 |
| 6 结论 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
四、推广的生长曲线模型未知参数估计的相对效率（论文参考文献）
- [1]GEE框架下纵向数据均值-方差联合模型的研究[D]. 李娜. 云南财经大学, 2021(09)
- [2]函数型线性回归的若干研究[D]. 闫星宇. 华东师范大学, 2020(02)
- [3]基于变量选择和微分方程的全基因调控网络构建方法的研究[D]. 韦锟. 北京林业大学, 2020(06)
- [4]数据挖掘技术在智慧畜牧业中的应用研究[D]. 秦晓凤. 青海大学, 2020(02)
- [5]基于多期保留木实测胸径估计吉林省蒙古栎天然林年龄[D]. 曹磊. 中国林业科学研究院, 2020(01)
- [6]贝叶斯纵向多水平项目反应建模及其应用[D]. 曲爽. 东北师范大学, 2019(04)
- [7]墨吉明对虾种群遗传结构分析及遗传参数评估与基因组选择研究[D]. 李斌. 广东海洋大学, 2019
- [8]聚集数据线性模型的有偏估计及其相对效率问题[D]. 牛艳飞. 华北水利水电大学, 2019(01)
- [9]多源异构预测模型融合方法及其在矿山沉陷预测中的应用[D]. 方苏阳. 安徽理工大学, 2019(01)
- [10]异速生长的博弈作图模型[D]. 石贺欣. 北京林业大学, 2019(04)