函数数据降维及相关问题研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    11271064
  • 项目类别:
    面上项目
  • 资助金额:
    68.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    A0402.统计推断与统计计算
  • 结题年份:
    2016
  • 批准年份:
    2012
  • 项目状态:
    已结题
  • 起止时间:
    2013-01-01 至2016-12-31
  • 项目参与者:
    孔俊; 李树有; 宋海燕; 胡果荣; 徐丽丽; 王国长; 周彦; 姬永刚; 袁晓惠;
  • 关键词:

项目摘要

The project mainly studies the function data dimensionality reduction and related problems in medicine, gene expression data analysis, chemistry, climate and other areas of theoretical research and practical application of great significance, is one of the cutting-edge issues of statistical research. Although the field has achieved some results, but because of the limitations of research methods, research in this field has been stagnant, how to combine the practical application of background, adopt new research method makes the study direction to achieve greater breakthroughs, is the pursuit of the objectives of the project, either in theory or in practical applications have great significance. This project aims to study the content of function data dimension reduction theory. The specific study is to overcome the defects of existing dimensionality reduction methods, gives a new dimension reduction method, on this basis, given the response variable is the dimensionality reduction method for multi-dimensional vector or binary variables, and discuss the nature of the dimensionality reduction methods . Finally, the dimensionality reduction applied to the linear model and adding models and practical problems. Research by proposing a new method to obtain new results of this project to enrich the dimensionality reduction theory. At the same time, they also provide a theoretical basis for practical applications and guidance.
本项目主要研究函数型数据降维及其相关问题,该领域在医学、基因表达数据分析、化学、气候等领域的理论研究和实际应用中具有十分重要的意义,是统计学研究的前沿问题之一。虽然目前该领域取得了一些成果,但由于研究方法的限制,该领域的研究一直停滞不前,如何结合实际应用背景,采取新的研究方法使得该方向的研究取得更大的突破,是本项目追求的目标,这无论在理论上还是在实际应用中都具有十分重要的意义。本项目拟研究的内容,是函数数据统计分析理论中的核心问题之一。具体研究内容是为了克服已有降维方法的缺陷,给出新的降维方法,并在此基础上,给出反应变量是多维向量或二值变量的降维方法,并讨论降维方法的性质。最后,把降维方法应用到线性模型及添加模型的估计和实际问题中去。本项目的研究通过提出新方法、获得新结果来丰富降维理论。同时,又为实际应用提供理论依据和指导。

结项摘要

函数型数据降维和建模是目前统计学十分重要的研究领域之一,在医学图像、环境能源、生物遗传和发展心理等领域有着广泛的应用。作为降维方法的一种,特征选择的主要目的是识别观测数据的更多的特征特性,这对于机器学习模型建立和改进也是非常重要的方法之一。本项目主要内容是给出了二值,多元,函数响应和多个预测的函数降维的降维及建模方法,并证明其优良性质,模拟结果表明,优于目前已给出的降维方法。解决了用经典统计方法研究煤谱曲线的各元素含量精度达不到要求的难题。针对不同情况,给出了一系列高维数据的特征选择方法;建立了小样本互补数据的统计推断框架。. 项目组公开发表论文21篇,均被SCI检索,被他引70余次,被R网站采用软件包1个,撰写专著1部,项目负责人作为第一完成人的部分成果获得吉林省科学技术奖自然科学二等奖1项。

项目成果

期刊论文数量(21)
专著数量(1)
科研奖励数量(1)
会议论文数量(0)
专利数量(0)
An improved locality sensitive discriminant analysis approach for feature extraction
一种改进的局部敏感判别分析特征提取方法
  • DOI:
    10.1007/s11042-013-1429-5
  • 发表时间:
    2013
  • 期刊:
    Multimedia Tools and Applications
  • 影响因子:
    3.6
  • 作者:
    Yi, Yugen;Zhang, Baoxue;Kong, Jun;Wang, Jianzhong
  • 通讯作者:
    Wang, Jianzhong
Supervised Filter Learning for Representation Based Face Recognition.
基于表示的人脸识别的监督过滤学习
  • DOI:
    10.1371/journal.pone.0159084
  • 发表时间:
    2016
  • 期刊:
    PloS one
  • 影响因子:
    3.7
  • 作者:
    Bi C;Zhang L;Qi M;Zheng C;Yi Y;Wang J;Zhang B
  • 通讯作者:
    Zhang B
The estimation and inference on the equal ratios of means to standard deviations of normal populations
正常总体均值与标准差等比的估计和推断
  • DOI:
    10.1007/s00362-013-0572-4
  • 发表时间:
    2015-02
  • 期刊:
    Statistical Papers
  • 影响因子:
    1.3
  • 作者:
    Li, Shuyou;Lu, Xu;Mi, Ying;Liu, Wei
  • 通讯作者:
    Liu, Wei
The hybrid method of FSIR and FSAVE for functional effective dimension reduction
函数有效降维的FSIR和FSAVE混合方法
  • DOI:
    10.1016/j.csda.2015.05.011
  • 发表时间:
    2015-11
  • 期刊:
    Computational Statistics & Data Analysis
  • 影响因子:
    1.8
  • 作者:
    Guochang, Wang;Yan, Zhou;Xiangnan, Feng;Baoxue, Zhang
  • 通讯作者:
    Baoxue, Zhang
Maximum weight and minimum redundancy: A novel framework for feature subset selection
最大权重和最小冗余:特征子集选择的新颖框架
  • DOI:
    10.1016/j.patcog.2012.11.025
  • 发表时间:
    2013-06-01
  • 期刊:
    PATTERN RECOGNITION
  • 影响因子:
    8
  • 作者:
    Wang, Jianzhong;Wu, Lishan;Zhang, Baoxue
  • 通讯作者:
    Zhang, Baoxue

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

正态总体均值与标准差比在序约束下的广义p-值检验
  • DOI:
    --
  • 发表时间:
    --
  • 期刊:
    应用概率统计
  • 影响因子:
    --
  • 作者:
    史宁中;张宝学;李树有
  • 通讯作者:
    李树有
Two non parametric methods for change-point detection in distribution
分布变点检测的两种非参数方法
  • DOI:
    10.1080/03610926.2015.1048891
  • 发表时间:
    2017-03
  • 期刊:
    Communications in Statistics - Theory and Methods
  • 影响因子:
    --
  • 作者:
    周彦;付利亚;张宝学
  • 通讯作者:
    张宝学
基于Copula函数的非线性时间序列聚
  • DOI:
    --
  • 发表时间:
    2019
  • 期刊:
    数理统计与管理
  • 影响因子:
    --
  • 作者:
    张贝贝;安百国;张宝学
  • 通讯作者:
    张宝学

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

张宝学的其他基金

约束条件下的模型选择及相关问题的研究
  • 批准号:
    10871037
  • 批准年份:
    2008
  • 资助金额:
    29.0 万元
  • 项目类别:
    面上项目

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码