密度预测（精选四篇）
密度预测 篇1
近年来, 全球气候变化和水、热季节分布失调所引起的旱涝灾害, 导致蝗虫发生活跃, 造成巨大的经济损失。国内外对蝗灾预警已有很多研究[1,2,3], 其中气候预测法涉及对蝗虫发生时期和数量的预测, 但不够准确[4,5];物候预测主要是根据其它生物所处的状态从时间上预测蝗虫所处的阶段, 这种方法由于简单易行, 在民间流传很广[6];通过调查蝗卵、蝗蝻和成虫预测第二年蝗虫的发生情况对全面了解蝗情, 根治蝗灾具有重要意义, 但忽视了蝗虫的生长、发育、生活习性及环境因素等的影响, 预测的结果常常出现片面性[7,8];遥感和GIS监测蝗虫生境主要是对蝗虫发生的地区做出预测, 能够克服传统预测方法的不足, 但卫片分辨率不高, 价格昂贵, 无法普及[9]。为此, 提出了基于超低空飞行器的农田蝗灾预警方法, 通过控制飞行器在蝗区农田上超低空飞行 [10,11] , 采集地面图像信息, 经图像识别得到蝗蝻和幼蝗密度信息, 结合前1年的蝗卵密度、月平均气温和平均降水等信息, 利用神经网络模型和GIS空间分析方法预测对农田危害最为严重的东亚飞蝗的发生情况。其主要研究内容包括:蝗虫分布信息获取方法、BP模型建立方法、空间插值分析和成虫产生密度分布图的生成等。
1 蝗虫密度信息获取方法
1.1 系统硬件平台的设计
在飞行器上安装嵌入式控制器、摄像头、GPS接收机、陀螺仪、激光测距仪、加速度计、温度传感器、罗盘、无线通信设备等, 通过地面站监控系统与嵌入式控制器的数据传输, 实现对飞行器自动导航、环境的虚拟展示、控制摄像机采集图片等目的, 其结构如图1所示。
1.2 地面站监控平台的研制
地面站监控平台要完成的任务是:设计飞机飞行路线;接收嵌入式控制器发送来的参数, 经处理给出反馈控制信号, 控制飞机按给定航向飞行;在电子地图上显示飞行器的轨迹;对飞行器飞行场景进行虚拟展示;采集图像, 并与相应的坐标等信息一起存入数据库。其数据流程框图, 如图2所示。
在蝗虫爆发前, 利用飞行器携带各种传感检测设备, 在蝗灾多发区域飞行, 采集地面各龄期幼虫图片信息, 同时通过GPS接收机实时记录图片所在位置的经纬度坐标, 保存到硬盘, 然后用图像处理的方法得到试验区域内各坐标点处幼虫的密度, 为以后蝗灾的发布预测提供数据信息。
2 BP模型建立方法研究
蝗灾发生受多种因素的影响。用飞行器装载摄像头, 采集田间图像, 分析各龄期幼虫生长情况, 结合前1年虫卵密度、对应地区的月均温度和降水等数据, 作为BP模型的输入, 模拟这些因素对蝗虫发生的综合影响。
2.1 BP神经网络模型
BP网络是一种前馈型网络, 由1个输入层、若干隐含层和1个输出层构成, 利用该网络可实现n维输入向量到m维输出向量的非线性映射。设输入层第i单元到隐含层第j单元的权重为Wundefined、隐含层第j单元到输出层第k单元的权重为Wundefined、隐含层第j单元的激活阈值为θundefined, 输出层第k单元的激活阈值为θundefined。其中, i=1, 2, …, n;j=1, 2, …, q;k=1, 2, …, m。以上参数的初值在网络训练之前随机生成。假设共有P个训练样本, 输入的第p个 (p=1, 2, …, P) 样本首先向前传播到隐含单元上, 经过激活函数f (u) 的作用得到隐含层的输出, 即
undefined (1)
这里激活函数f (u) 采用Sigmoid型, 即
undefined (2)
隐含层输出传到输出层, 可得最终输出结果为
undefined (3)
如果网络输出与期望输出间存在误差, 则将误差反向传播, 利用式 (4) 来调节网络权重和阈值, 即
undefined (4)
其中, ΔW (t) 为t次训练时权重和阈值的修正, η和α分别为比例系数和动量系数, 系统平均误差E为
undefined (5)
其中, Yn, p是第p个样本中第n个节点的实际输出值, tn, p为期望输出值, P为输入的样本数, N为输出节点数。以BP网络的系统平均误差E最小作为标准, 反复执行以上两个过程, 直至网络输出与期望输出间的误差满足要求。
2.2 改进的BP神经网络算法
基于飞行器的蝗灾预测方法, 与人工捕捉蝗虫幼虫进行采样的方法相比, 虽然大大提高了采样的效率和准确度, 但是由于我国幅员辽阔, 想很密集地采集各龄期蝗虫密度, 也要耗费很大的人力和财力。
在采集样本量很有限的条件下, 基本的BP神经网络算法常会出现训练样本误差很小而预报样本误差很大的情况。为此, 用改变收敛标准的方法来改进BP算法, 将预测样本分成3部分:一是用于网络的结果学习和权值阈值训练的训练样本;二是检测网络学习效果的检测样本;三是预报样本, 用于训练好的网络, 输入预报样本, 得到所有的预报值。即将式 (5) 改进为
E′=Etrain+Etest (6)
其中训练学习误差为
undefined
检测样本在网络中检测误差ρ为
undefined
其中, R1为学习样本数, R2为检测样本数, N为输出节点数。找出最小E值, 然后以此时的权值和阈值作为网络训练结果, 停止网络训练。
3 空间插值方法与分析
用改进的BP算法可以得到采样点处的蝗虫密度, 这些信息是离散的, 要想得到连续的蝗虫分布图, 就要进行空间内插。常用的内插方法有:权重距离递减IDW (Inverse Distance WeightedI) , 样条函数内插 (Spline) , Kriging内插和趋势面内插 (Trend) 等。
Kriging内插假定采样点之间的距离或方向表现出一定的空间相关性, 通过对局部的采样点模拟一个数学函数来确定该区域内其它点的值[12]。克里格法根据变量平稳性的不同分为普通克里格法OK (Ordinary Kriging) 和泛克里格法UK (Universal Kriging) 。考虑收割区域小麦产量分布的随机性, 以及该软件系统较好的移植性, 这里采用允许区域变化量存在漂移的UK。
假设x点处的蝗虫密度Z (x) 可分解为两个部分, 即区域异常m (x) 和局部异常R (x) 之和, 则有
Z (x) =m (x) +R (x) , ∀x (7)
且区域异常m (x) 在人们工作的区域内变化缓慢, 用一个K次多项式描述, 即
undefined
式中 ai—漂移系数。
设m (x) 的估计量m* (x) 是n个已知数据Z (xi) (简写为Zi) 的线性组合, 即
undefined
其中, ρi为权系数。根据无偏性条件, E[m* (x) ]=m (x) , 有
undefined) (8)
在上述K+1个无偏性条件下, 用m* (x) 估计m (x) 的估计方差为
undefined (9)
在无偏性条件约束下, 用拉格朗日乘数法求方差的极小值, 得到UK方程组为
undefined
由此可以求出克里格权重ρ。
将已知的各采样点数据代入克里格方程的表达式undefined, 得到推估区域任一点x0处的值。其中, Z (xi) 为第i个采样点的值, Z (x0) 为待插值点的值, ρi为各样点权重。
4 试验数据与结果分析
4.1 蝗虫密度预测数据与分析
选取2005年虫卵密度、2006年初幼蝗密度、各地月平均气温、降水等4个量为输入, 蝗虫发生密度为教师信号, 隐含层数为1, 训练精度为0.1, 利用表1中的数据对进行训练, 在隐含层单元数q=5时, 经过10次训练, 平均误差达到要求, 得到系统的权重和阈值。
为验证BP模型的客观性, 将表2采样地区的数据带入训练, 得到蝗虫发生密度的预测结果, 与2006实际发生密度对照, 得到相对误差。
从表2中的结果可以看出, 用改进的BP网络模型进行蝗虫发生密度的预测, 能够得到较好的结果, 最大预测误差不超过14%。
4.2 空间插值结果分析
将得到的数据用不同颜色加载到数字地图上, 生成全国蝗虫发生密度分布图, 如图3所示。
从图3中可以看出, 内蒙古、广东、云南等局部地区蝗虫密度较大, 超过100头/m2, 广西、海南、新疆、山东、河南等地也有不同程度的发生, 其余在分布图上显示为白色的区域, 现实中未有蝗灾发生的报道, 插值结果与实际情况基本吻合。
5 结论
本文介绍了利用飞行器采集田间图像, 结合图像处理、BP神经网络模型和GIS空间分析的方法对蝗虫发生密度进行预测的方法。通过算法研究、软件编写调试及试验, 得出如下结论:一是飞行器监控平台运行稳定, 能够实现对飞行器的导航和预定目标的图像采集;二是利用改进的BP神经网络模型在用部分试验资料对网络进行训练获得网络参数后, 将网络模型用于蝗虫发生密度的进一步预报, 取得了较好的效果;三是给出蝗虫密度分布图, 对重灾区进行预警。
参考文献
[1]朱志伟, 张晓辉, 刘玉升.气吸式蝗虫捕集技术的发展与蝗虫的养殖利用[J].农业工程学报, 2007 (10) :126-131.
[2]石瑞香, 刘闯, 李典谟, 等.蝗虫生境监测方法研究进展[J].生态学报, 2003 (11) :22-26.
[3]马世骏.东亚飞蝗在中国的发生动态[J].昆虫学报, 1958, 8 (1) :1-40.
[4]陈素华, 乌兰巴特尔, 吴向东.内蒙古草地蝗虫生存与繁殖对气候变化的响应[J].自然灾害学报, 2007 (6) :66-69.
[5]陈素华, 乌兰巴特尔.气候变化对内蒙古草原蝗虫消长的影响[J].草业科学, 2006, 14 (3) :272-277.
[6]马世骏.根除飞蝗灾害[J].科学通报, 1956 (2) :52-56.
[7]姜燕, 霍治国, 李世奎, 等.东亚飞蝗发生的生态因素辨识及监测预测[J].生态学杂志, 2007, 26 (5) :737-742.
[8]陈永林.蝗虫再猖獗的控制与生态学治理[J].中国科学院院刊, 2000, 15 (5) :341-345.
[9]Deveson T, Hunter D.The operation of a GIS-based deci-sion support system for Australian locust management[J].Entomologia, 2002, 9 (4) :1-12.
[10]Roberts P., Walker R.O'Shea, P.Tightly Coupled GNSS and Vision Navigation for Unmanned Air Vehicle Applica-tions[C]//Presented at Eleventh Australian International Aerospace Congress, Melbourne Australia, 2005.
[11]Barrows G.Future Visual Microsensors for Mini/Micro-UAV Applications[C]//7th IEEE International Workshopon Cellular Neural Networks and their Applications, 2002:31-36.
密度预测 篇2
本实验测量股骨头松质骨骨密度 (bone mineral density, BMD) 、弹性模量及组织形态学参数, 研究BMD与骨弹性模量及组织形态学分析指标之间的相关性及相关系数, 以BMD反映股骨头的生物力学性质及骨小梁形态。通过体外动态测定股骨头松质骨BMD, 间接反映股骨头的生物力学性质及骨小梁形态及结构的变化趋势, 为临床早期预测股骨头坏死后塌陷的研究提供理论依据。
1 一般资料
28 例股骨头缺血性坏死、髋关节骨关节病或新鲜股骨颈骨折, 需行全髋关节置换术者作为研究对象, 其中男17 例, 女11 例;年龄32～76 岁, 平均 (63.1±8.3) 岁。无甲状腺或甲状旁腺机能亢进或减退、肝肾疾病等。
2 实验方法
2.1 取材
在全髋关节置换手术中取出股骨头后, 立即用环钻在股骨头承重区沿力线方向经股骨头中心钻取松质骨, 以锋利手术刀将两端切成平行并与纵轴垂直, 标本长度约为 (25±0.5) mm, 再用细砂纸将两端仔细打磨平整。精确测量直径及长度后储存于-70℃低温冰箱中备用[4]。整个标本采取及制作过程在2 h内完成。
2.2 方法
2.2.1 弹
性模量测定 将股骨头标本从低温冰箱中取出后, 置于22～25℃室温中约3 h进行复温。应用万能压力测试机进行非损伤加载。加载速率为0.002 m/s, 最大载荷为0.15 kN, 最大变形为7%, 变形测量精度为0.005 mm, 载荷测量精度为1 N[5]。每份标本测量3次, 取第3 次测量值。每次测量前后及间歇期均将标本浸泡于室温生理盐水中。计算弹性模量。弹性模量计算公式为:E= (F/S) × (L/ΔL) [6], 各数据均采用国际单位制 (E为弹性模量, ΔL为标本变形值, F为载荷, S为标本截面面积) 。
2.2.2 骨密度值测定
弹性模量测定后, 双能X线骨密度仪进行骨密度值测定。将标本直立放置于检查床上, 沿标本纵轴进行扫描, 单位为g/cm2。骨密度测定前后将标本浸泡于生理盐水中。
2.2.3 骨
组织形态学分析 标本进行手工磨片后酸性复红染色, 应用半自动图像数字化分析仪, 放大10倍下进行组织形态学测量, 每一标本连续测量8～10个视野, 分析下列6个静态参数:松质骨体积 (trabecular bone volume, TBV) , 单位mm2内骨小梁体积占松质骨体积的百分数;平均骨小梁密度 (mean trabecular plate density, MTPD) , 单位mm2内骨小梁个数 (个/mm2) ;平均骨小梁间距或弥散度 (mean trabecular plate separation, MTPS) , 相邻两个骨小梁之间的距离 (μm) ;平均骨小梁厚度 (mean trabecular plate thickness, MTPT) , 骨小梁本身的平均厚度 (μm) ;骨小梁间连接点数 (intertra becular node, IBN) 形成网状的骨小梁在单位面积内交叉连接点个数 (个/mm2) ;骨小梁末端数 (free-ending trabecular, FET) , 单 位面积内骨小梁游离残端个数 (个/mm2) [7]。
2.2.4 实验数据处理
应用统计分析软件包SPSS10.0进行统计学分析, 分析骨密度值与弹性模量以及骨密度值与组织形态学分析各指标之间的相关性及相关关系。
3 结 果
3.1 测量结果
弹性模量及骨密度测定结果见表1。应用半自动图像数字分析仪, 放大10倍下进行组织形态学测量, 每一标本连续测量8～10个视野, 各静态参数测定结果见表2。
3.2 相关回归分析
本实验统计学分析后发现, 松质骨骨密度与弹性模量两组数据之间呈二次曲线相关关系, 回归方程为Y=315.30-1327.33X+1523.07X2, 相关系数为0.782 (P<0.001) 。
本实验结果显示, 股骨头松质骨的骨密度与组织形态学分析指标之间也有很好的相关性。骨密度与松质骨体积之间呈现直线相关关系, 回归方程为:Y=4.18+29.35X, 相关系数为0.860 (P<0.001) ;骨密度与平均骨小梁密度之间呈现直线相关关系, 回归方程为:Y=0.26+1.89X, 相关系数为0.779 (P<0.001) ;骨密度与平均骨小梁间距之间呈现直线负相关关系, 回归方程为:Y=1520.30-1222.40X, 相关系数为0.783 (P<0.001) ;骨密度与平均骨小梁厚度之间呈现直线相关关系, 回归方程为:Y=-20.33+318.72X, 相关系数为0.763 (P<0.001) ;骨密度与骨小梁间连接点数之间呈现直线相关关系, 回归方程为:Y=6.40+82.58X, 相关系数为0.702 (P<0.001) ;骨密度与骨小梁末端数之间为直线负相关关系, 回归方程为:Y=91.43-72.13X, 相关系数为0.741 (P<0.001) 。
结果表明股骨头松质骨骨密度能够很好地反映股骨头松质骨的生物力学性质及骨小梁形态及结构的变化趋势。
3.3 骨密度的相对安全范围
结合骨密度-弹性模量回归曲线、骨密度-组织形态学分析指标回归曲线以及镜下观察结果, 综合评估后发现, 当骨密度在0.5～0.7 g/mm2之间时, 股骨头松质骨的生物力学性能相对较好, 在正常的负重条件下可以认为这是一个相对安全的骨密度范围, 发生塌陷的风险较小。
4 讨 论
4.1 骨密度与弹性模量的相关性
有许多国内外学者对弹性模量与骨密度之间的相关关系做了大量研究, 因为试验条件、试验方法及试验对象不同, 得到的结论亦不相同, 但都发现两者之间相关性很强[8,9,10]。
本实验结果说明, 股骨头松质骨骨密度与弹性模量之间有很好的相关性, 通过测得的松质骨骨密度值, 可以根据两者之间的相关关系式计算出弹性模量值。但是当骨密度值高于正常时, 即出现增生硬化时, 弹性模量和骨密度值并不遵循此相关关系式, 而是弹性模量迅速下降。
4.2 骨密度与组织形态学分析指标的相关性
本实验结果显示, 组织形态学分析指标和骨密度之间为线性相关关系, 骨密度测量可以很好的反映松质骨的细微结构。
结果表明, 通过骨密度可以计算出组织形态学的各项参数, 从另外一个角度可以反映出股骨头的生物力学性能。
4.3 不同骨密度范围塌陷风险的大小
结合骨密度-弹性模量回归曲线、骨密度-组织形态学分析指标回归曲线以及镜下观察结果, 综合评估后发现, 在骨密度大于0.7 g/mm2或小于0.5 g/mm2时, 股骨头松质骨的生物力学性能很差;而当骨密度在0.5～0.7 g/mm2之间时, 股骨头松质骨的生物力学性能相对较好。
对于股骨头坏死高危人群或已确诊为早期股骨头坏死但尚未发生塌陷的患者, 动态观察其股骨头松质骨的骨密度变化, 如骨密度小于0.5 g/mm2或大于0.7 g/mm2, 或骨密度连续呈下降趋势, 理论上可以认为发生股骨头塌陷的风险相对较大。
4.4 以骨密度早期预测股骨头坏死后塌陷的可行性及优越性
以骨密度预测股骨头坏死后塌陷的风险性, 具有以下优点:a) 骨密度测量对影响骨代谢因素非常敏感[11], 可以更早的发现骨代谢的变化, 并且可以直接通过动态观察骨密度评估股骨头生物力学性能变化趋势, 对股骨头塌陷的风险进行判断;b) 可以通过骨密度评估股骨头松质骨组织形态学指标, 将股骨头生物力学性质与显微结构结合来判断股骨头塌陷风险, 更为全面[12];c) 本方法为体外测量, 符合无创原则, 方法简便易行, 且较X线片的预测更为准确, 直接反映股骨头的生物力学状态, 较其他方法更为可靠。
由上所述, 通过本实验获得如下结论:a) 股骨头承重区松质骨骨密度与弹性模量呈现二次相关关系, 相关系数为0.782 (P<0.001) ;b) 股骨头承重区松质骨骨密度与组织形态学静态分析指标之间呈现直线相关或直线负相关关系, 相关系数均>0.700;c) 应用骨密度能较好的反映股骨头生物力学性能及松质骨细微结构, 理论上可以应用于股骨头坏死后塌陷的预测。可以将0.5 g/cm2
摘要：目的研究股骨头松质骨弹性模量、骨密度及骨小梁形态及结构的相关性, 以期用体外测定骨密度早期预测股骨头坏死后塌陷。方法取股骨头承重区松质骨, 测量其弹性模量、骨密度值, 应用图像分析系统测量组织形态学分析指标, 进行相关回归分析, 分析骨密度与弹性模量及组织形态学指标之间的相关性及相关关系。结果松质骨骨密度与弹性模量之间呈二次曲线相关关系;骨密度与组织形态学分析指标之间有很好的相关性。结论应用骨密度能较好的反映股骨头生物力学性能及松质骨细微结构, 理论上可以应用于股骨头坏死后塌陷的预测。
关键词：骨密度,弹性模量,组织形态学,股骨头缺血性坏死
参考文献
[1]Kawasaki M, Hasegawa Y, Sakano S, et al.Total hip arthroplasty after failed transtrochanteric rotational osteotomy for avascular necrosis of the femoral head[J].J Arthroplasty, 2005, 20 (5) :574-579.
[2]赵凤朝, 李子荣, 张念非, 等.股骨头坏死的塌陷预测[J].实用骨科杂志, 2005.4, 11 (2) :108-110.
[3]Mont MA, Jones LC, Hungerford DS.Non traumatic osteo necrosis of femoral head[J].J Bone joint Surg (Am) , 2006, 88 (5) :1117-1132.
[4]Pósán E, Hársfalvi J, Szepesi K, et al.Increased platelet activation and decreased fibrinolysis in the pathogenesis of aseptic necrosis of the femoral head[J].Platelets, 1998, 9 (3-4) :233-235.
[5]董天华, 唐天驷, 朱国梁, 等.股骨颈骨折后股骨头坏死塌陷的临床观察[J].中华骨科杂志, 1999, 11 (1) :5-8.
[6]Wang ZG, Wang Y, Liu YJ, et al.Clinical evaluation of small diameter decompression and arthroscopy in the treatment of early avascular necrosis of femoral head[J].Zhonghua Yi Xue Za Zhi, 2007, 87 (29) :2041-2024.
[7]Hayaishi Y, Miki H, Nishii T, et al.Proximal femoral bone mineral density after resurfacing total hip arthroplasty and after standard stem-type cementless total hip arthroplasty, both having similar neck preservation and the same articulation type[J].J Arthroplasty, 2007, 22 (8) :1208-1213.
[8]Brown TD, Way ME, Ferguson AB Jr.Mechanical characteristics of bone in femoral capital aseptic necrosis[J].Clin Orthop, 1981, (156) :240-247.
[9]王金熙, 董天华, 陈贤志, 等.实验性股骨头缺血性坏死修复过程的生物力学研究[J].中华外科杂志, 1993, 31 (6) :374.
[10]Nygaard M, Zerahn B, Bruce C.Early periprosthetic femoral bone remodelling using different bearing ma-terial combinations in total hip arthroplasties:a prospective randomised study[J].Eur Cell Mater, 2004, 31 (8) :65-72.
[11]赵凤朝, 李子荣, 张念非.不同病因股骨头坏死的病理改变[J].实用骨科杂志, 2005, 11 (3) :210-213.
密度预测 篇3
关键词：等值附盐密度预测,最小二乘支持向量机,气象条件,绝缘子,网格搜索法
0 引言
电网污区分布图(简称污区图)是评价高压架空线路或变电所电瓷外绝缘因自然污秽所造成外绝缘强度变化程度的区划图[1],它在指导电网抗污闪工作、规范管理新建输变电工程的外绝缘配置等方面发挥着重要作用。等值附盐密度(ESDD)定义为电导率等同于溶解后现场绝缘子表面自然污秽水溶物的氯化钠总量与绝缘表面积之比[2],它是确定污秽等级和绘制电网污区分布图的主要依据。人工测量等值附盐密度是测量高压绝缘子自然污秽的主要手段,其值主要反映了绝缘子污秽物种类和密度[3,4],但它易受测量用水量的影响,操作也比较麻烦。“光传感器输变电设备盐密在线监测系统”的出现使盐密值在线监测成为可能,并大大降低了人工测量中所遇到的种种不便以及数据的不准确性,但目前其在国内安装的点数极为有限,绝大多数区域的绝缘子等值盐密值仍无法直接获取,大大地限制了电力运行部门对绝缘子表面污秽程度的实时监控能力,也阻碍了电网污区分布图计算机化的进程。
近年来,国内外学者对等值附盐密度预测的理论和方法开展了大量的研究,采用的方法包括传统的最小二乘法、神经网络等[5,6,7,8,9]。文献[5,6]采用传统的最小二乘法的多元统计线性回归分析来预测输电线路绝缘在多种因素影响下的ESDD。但是基于传统的最小二乘法的多元统计回归分析属于大样本统计方法,该方法处理线性关系容易,但是处理非线性关系很困难。文献[7,8,9]采用基于误差梯度信息的BP神经网络的方法来预测输电线路绝缘强度在多种因素影响下的ESDD,具有很强的自学习能力及非线性映射能力。然而,由于神经网络的学习算法采用经验风险最小化原理(ERM),并没有使期望风险最小化[10],且其网络结构的选择一般只能由经验选定,因而存在过学习和泛化能力不够的问题;另外,BP算法是一种局部搜索的优化方法,因此在求解复杂非线性函数的全局极值时,算法很可能陷入局部极值,从而导致训练失败。
作为统计学习理论的实现方法——支持向量机(Support Vector Machines,SVM)解决了欠学习、过学习及非线性问题,避免了局部最优解,有效地解决了“维数灾难”,且人为设定的参数少,便于使用,已成功应用于模式识别、函数逼近、回归分析和非线性控制等领域[10,11]。Suykens在SVM的基础上提出了最小二乘支持向量机(LSSVM)[12]。LSSVM采用二次损失函数,将SVM中的二次规划问题转化为线性方程组求解,在保证精度的同时大大降低了计算复杂性,加快了求解速度。文献[13]提出了用最小二乘支持向量机预测绝缘子的等值附盐密度,但该模型的输入参数主要是以泄漏电流为主(泄漏电流有效值、泄漏电流脉冲峰值、泄漏电流脉冲频度)。由于泄漏电流值极小,一般为毫安级,甚至微安级,而其监测装置所处的环境往往是大电流、强磁场的场合,极大的干扰必然会极大地影响测量数据的精度。
气象数据的获取比较容易,且实际研究表明绝缘子表面的等值附盐密度与气象因素之间有着密切的关系[5,6,7,8,9]。本文采用获得国家专利的“光传感器输变电设备盐密在线监测系统”提供的气象数据和实时盐密值形成多输入单输出函数,利用最小二乘支持向量机建立了预测绝缘子的ESDD=f(T,H,R,P,WV)的智能模型。结果表明,与BP神经网络预测值相比,该模型预测的等值附盐密度更接近实测结果。
1 LSSVM算法
LSSVM的算法描述[12,14]。
对于样本集,其中第i个输入数据xi∈Rn,第i个输出数据yi∈R。根据支持向量机理论,支持向量机模型构造一个判别函数:
式中:φ(·)是核空间映射函数;ω是权向量,拥有与核空间相同的维度;b为偏置常数。为确定式(1)中的模型的最优参数,构造如下优化问题:
式中:γ是正规化参数,用于控制样本噪声对模型的影响。为求解上述优化问题,构造对偶空间的拉格朗日函数:
式中:αi是拉格朗日乘子。
根据库恩-塔克条件有:
消去无关项,得到的方程组只与b和α有关,如下式所示:
式中:正定矩阵H中的元素hij=yi(K(xi,xj)+δijγ-1);δij表示Kronecker Delta函数。在解上述线性方程组得到b和α的数值后,利用核函数便可确定回归函数:
本文利用网格搜索法进行LSSVM参数的选取,核函数选用高斯径向基函数(RBF)核函数,即:
式中：为核宽度。
2 基于LSSVM的绝缘子等值附盐密度预测
2.1 数据样本的获取
本模型训练和测试提供所需的气象数据,即:温度(T)、相对湿度(H)、风速(MV)、气压(P)、降雨量(R)及ESDD值取自“光传感器输变电设备盐密在线监测系统”,两者为同一天获得的数据。根据样本数据,总共确定了90个样本,其中60个样本作为训练样本集,30个样本作为测试样本集。
2.2 数据样本的归一化处理
将T、H、P、R、WV5个变量作为预测模型的输入参数,将ESDD作为预测模型的输出;为了进一步反映任意输入变量变化引起输出变量变化的大小并加快训练速度,把T、H、P、R、WV、ESDD归一化到[0,1]区间。
设g为某一气象信息,gmax为此气象信息中最大值,gmin为此气象信息中最小值,对于任意的气象信息gx),按以下方式进行归一化处理:
倘若此气象信息与绝缘子的ESDD正相关,则归一化后的气象信息为gk(x):
倘若此气象信息与绝缘子的ESDD负相关,则归一化后的气象信息gk(x)为:
5个输入量中,WV、P与绝缘子的ESDD正相关[5,6],按式(8)归一化;T、H、R与绝缘子的ESDD负相关[5,6],按式(9)归一化。各气象信息的变化区间为[gmin,gmax],如表1所示。
2.3 等值附盐密度预测
本实验采用的软件是LSSVMLAB。在利用LSSVM进行建模训练时,其最佳参数选择是一个比较复杂的过程。因交叉验证优化参数方法费时,而网格搜索法能够覆盖较大的范围,本次回归过程中,LS-SVM的参数设置采用了网格搜索的方法:设控制样本惩罚程度的可调参数γ=0:5:25,径向基核函数σ2=0:0.2:1,那么γ与σ2的组合就有6×6=36种,对这36种组合训练支持向量机,然后选择正确识别率最大的一组参数作为最优的γ与σ2。该方法从大的范围逐渐缩小范围,很快就可找到合适的参数,在实践中使用效果较好。图1为网格搜索示意图。
根据网格搜索法得到模型最优参数对为γ=20,σ=0.65。
为了全面评价基于最小二乘支持向量机回归模型的预测效果,按照预测评价效果评价原则和惯例,本文采用相对误差δ和平均相对误差δ来衡量数据预测的准确度:
式中yi为实测值;为预测值。这些值的大小综合反映了预测的全面效果。相对误差越小,则该回归模型的推广能力越好,相应的模型参数也就越好。表2给出了10个等值附盐密度预测结果与实测值的比较。
由表2预测的结果和图3的对比分析可知,LSSVM方法和BP方法最大相对误差分别为5.05%、10.77%,而平均相对误差分别为4.17%、7.79%。这表明基于LSSVM的预测模型性能稳定和实用,能满足电子污区图对等值附盐密度值的要求。
3 结论
密度预测 篇4
1 HDL的作用机制
目前对HDL抗动脉粥样硬化的机制尚没有完全阐明,但明确的是HDL保护血管的机制包括以下几个方面。
1.1 首先,HDL保护血管的功能很大程度上依赖对胆固醇的逆向转运[2,3]。
HDL通过与ATP结合载体ABCA1、ABCG1转运体及清道夫受体SR-B1相互作用,将胆固醇从动脉粥样斑块或其他组织中转运至肝脏进行再循环或以胆酸的形式排泄,可以减少脂质在血管壁的沉积。这一过程中apo AI(载脂蛋白AI)是胆固醇的第一接受体,与胆固醇形成起初的盘状HDL颗粒,进而这一新生的HDL颗粒在LCAT(磷脂胆固醇脂酰基转移酶)的作用下完成酯化,而这一过程受到apo AI的调节[4]。
1.2 HDL的第二个保护机制是抗炎作用。
炎症在动脉硬化的病变过程中发挥了重要作用,表现为单核细胞与巨噬细胞的浸润,以及粘附分子的表达、炎性因子如高敏C反应蛋白(CRP)水平的提高。HDL通过抑制粘附分子如VCAM-1、ICAM-1等的表达[5],同时中和CRP(超敏C反应蛋白)的致炎作用,发挥保护血管的功能。这一作用被证实与apo AI、apo AII(载脂蛋白AII)、apo AIV(载脂蛋白AIV)等成分有关。
1.3 HDL保护血管的第三个机制是抗血栓形成作用。
研究发现HDL在清道夫受体B1、apo BI(载脂蛋白BI)受体Apo ER2/LRP8的介导下发挥可抑制血小板聚集、纤维蛋白联接及血栓素A2的分泌等作用。同时HDL亦通过协助转运花生四烯酸至血管内皮细胞从而促进前列环素(PGI2)产生,间接抑制血小板的产生及聚集。
1.4 另外HDL还有促纤溶的作用。
HDL通过抑制组织纤溶酶原激活物抑制剂(PAI-1)的合成促进纤维蛋白溶酶原的合成,从而促使纤维蛋白水解和血栓溶解。
1.5 最后HDL的血管保护机制还有抗氧化性能。
通过保护LDL免受氧化,HDL间接地减慢了炎症反应过程和斑块形成的级联反应。众多研究表明HDL的抗氧化作用很大程度上依赖apo A和相关酶类,比如脂蛋白相关磷脂酶A2(Lp PLA2)、LCAT、还原性谷胱甘肽硒过氧化物酶(GSPx)等[6]。
基于上述作用,临床上将HDL作为CHD的保护因子。流行病学及临床试验证明:HDL-C每降低1 mg/d L,冠心病的风险增加2~3%;另外无论LDL-C含量如何,HDL-C每增加1 mg/d L,冠心病的死亡风险降低6%[7]。国外最新一项研究中对1465位心梗病人进行血脂分析显示低水平的HDL-C浓度是最突出的血脂异常表现[8]。临床上将HDL-C水平作为评价CHD风险的指标之一。
2 HDL的临床应用
2.1 单纯以HDL-C的水平评价血管保护作用合理吗?
传统观点认为,HDL降低是冠心病独立的危险因子,HDL-C水平越高表明其血管保护作用越强,冠心病危险性越小。Framingham研究显示,近半数冠心病患者血浆HDL-C均为正常。单纯以HDL-C的水平评价冠心病危险性是否存在误差,越来越多的研究围绕此问题展开讨论。HDL是一种脂质和蛋白含量大致均等的异质性脂蛋白,有多种亚类,亚类之间的区别在于其所含的脂质、载脂蛋白、酶以及脂质转运蛋白的数量与质量不同,因此导致HDL的功能如逆转运胆固醇、稳定血管内皮细胞、抗氧化、抗炎的作用有所差异。此时明确HDL的亚型及蛋白组成就显得尤为必要。瑞典科学家对HDL进行了蛋白组学分析[9]显示:HDL的蛋白成分相当复杂,其中含量最为丰富的是apo A-I(apolipoprotein A-I,载脂蛋白A-I)(包括六个亚类),还有apo A-II、apo A-IV、apo C-I、apo C-II、apo C-III(两个亚类)以及apo E(五个亚类),此外apo M、血清淀粉状蛋白和血清淀粉状蛋白A-IV也是其组成成份。研究表明,apo A-I参与胆固醇的酯化与逆运输,从而在胆固醇的逆转运中扮演至关重要的角色,同时apo A-I中尚包含重要的抗炎成分[10],因此可以说apo A-I是HDL-C发挥血管保护功能必不可少的蛋白组成。另外有证据显示,被氧化修饰的apo A-I导致HDL和LCAT(胆固醇酰基转移酶)的功能障碍,这一证据表明氧化修饰的apo A-I可能参与了动脉硬化的进程。Zheng等报道,冠心病血清中分离的apo A-I中硝基化和氧化酪氨酸含量是其他蛋白质的100倍,从动脉斑块中分离硝基化和氧化的apo A-I更是显著增高。因此可推测如若HDL中的主要成分发生结构的变化必将导致HDL的生物活性及生理功能的改变,即便HDL在数量上未发生明显改变,其血管保护作用已大打折扣,甚至起反作用。有研究显示,在动脉粥样硬化的炎症过程中伴随有HDL的结构和功能的变化,尤其在诸如氧化应激、炎症、糖尿病等状态下,HDL可能经历一些过渡期的改变,而这些改变将影响其抗动脉粥样硬化功能。不仅如此,研究发现存在冠心病高危因素的或已患有冠心病的个体,HDL的抗动脉粥样硬化的功能已出现异常[11]。例如,2型糖尿病患者体内小而密HDL的抗炎、抗氧化活性减弱,可能与氧化应激、高血糖及高脂血症有关[12]。这些功能受损的HDL颗粒可望成为最新的CHD的危险预测因子。因此据上所述可以认为单纯提高HDL水平也许并不能增加HDL对动脉粥样硬化的保护作用。换言之,单纯以HDL的量作为预测冠心病(CHD)风险及CHD治疗效果的指标从某种程度上讲并不准确,更应该看到明确HDL及相关蛋白组分的结构与功能对于预防及治疗CHD具有更加重要的意义。
2.2 HDL联合其他血脂指标在预测CHD风险方面的应用
目前应用于临床的反映血脂异常的指标有:TG、TC、LDL、HDL、apo A-I、apo B(载脂蛋白B)、LP(a)(Lipoprotein(a),脂蛋白a)等。其中TG、TC、LDL增高,HDL、apo A-I降低及apo B、LP(a)增高被视为CHD的危险因素。由上述介绍可见血脂异常情况复杂多变,指标众多,而且患者往往表现为其中的1个或2个指标异常,因此,单独观察某项指标容易导致血脂评价的片面性。以往我们善于将降脂治疗的重点放在降低TC、TG及LDL-C的水平上,而大多数临床试验表明接受过积极降脂治疗的患者中仍有2/3发生了心血管事件[14]。当然这不能排除冠心病其他危险因素(吸烟、职业因素、糖尿病等等危症)未得到干预造成的影响,但至少可以说明目前利用单一血脂指标评价冠心病危险性尚存在不足。此时某两项指标的比值的测定将比单项指标更准确的预测CHD的风险。
2.2.1 TC/HDL-C比值。
国内外的临床试验均证明TC/HDL-C比值作在预测冠心病风险和指导冠心病治疗的重要作用。台湾荣民总医院进行临床试验证明[15],TC/HDL-C比值、CRP水平是冠心病心血管事件的最强的预测因子,尤其是血浆CRP水平>0.1 mg/dl,或TC/HDL-C比值>4.8预示着有稳定性冠心病人群的远期心血管事件的危险性增加(尤其对于正在接受药物治疗的患者)。
2.2.2 LDL-C/HDL-C比值。
LDL-C降低与HDL-C升高均是CHD的独立危险因素,但临床上发现,相当一部分CHD患者的LDL-C、HDL-C仍处于正常范围,或仅表现为其中之一异常。有研究发现一部分病人TG、LDL-C均处于正常水平,但HDL-C处于低水平时亦发生CHD,故无论TG、TC、LDL-C处于何种水平,只要HDL-C水平降低,患CHD的风险就会增加,因此用基线的LDL-C/HDL-C比值评价CHD危险性较传统单项指标的准确性及敏感性均增加[16]。胡大一等研究证明,经多元回归分析,在排除年龄、性别、血压、血糖的影响后,TG HDL-C、LDL-C/HDL-C与CHD的回归关系明显,以LCL-C/HDL-C比值的回归系数最大[14]。
2.2.3 apo B/apo A-I。
众所周知,apo B是LDL颗粒中的主要蛋白质成分,apo A1是HDL颗粒中的主要蛋白成分,因此可以认为apo B的总水平可以代表所有潜在致动脉硬化的脂蛋白成分的数量,而apo A-I是将过量胆固醇从外周组织逆转运回肝脏的必要脂蛋白成分。最近的meta分析表明apo B是比LDL-C及非HDL-C更准确的预测心血管事件的指标[17]。AMORIS研究发现:apo B、apo A-I、及apo B/apo A-I比值是致死性心肌梗死的重要危险因子[18]。Rasouli等研究发现,apo B/apo A-I与冠状动脉粥样硬化程度显著相关,是冠心病的独立危险因素,且在CHD二级预防中的价值优于其他血脂比值[19]。近些年来对apo A-I、apo B的测定应用广泛,经济成本低,有望将apo B/apo A-I比值更广泛的应用于CHD危险性评价中,并作为冠心病药物治疗的靶点之一。而对apo A-I的关注是对HDL-C临床价值的修改、补充和完善。通过对apo AI的研究能更加深入地探索HDL的功能,更准确的对患CHD风险进行预测。部分欧洲国家已将apo A-I、apo B水平纳入CHD防治指南中,但apo B/apo A-I的比值的参考水平尚未在国际范围内达成一致。
观察上述三种比值,不难看出,均与HDL-C密切相关,由于HDL-C的CHD的保护作用,使得目前对血脂指标的综合评价都以HDL-C为基础进行,实际上是致动脉硬化作用与抗动脉硬化作用之间的权衡,进而对CHD的危险性进行预测,在理论上可以认为是全面的、合理的。因此可以看出HDL-C在CHD危险性合理预测中的重要地位。
2.3 HDL的功能测定在CHD风险预测中的意义
大量数据证明在氧化应激、炎症、高血糖或高血脂等作用下出现功能异常的HDL颗粒参与了动脉硬化的进程。Ansell等认为明确HDL的致炎作用与抗炎作用之间的比例关系在评价CHD风险中较HDL-C水平更为重要。因此,测定HDL功能将有助于发现潜在冠脉硬化风险的人群。测定HDL功能的方法较多,例如,通过在一个人类动脉壁细胞共培养基中观察HDL改变LDL诱导的单核细胞趋化活动的能力来评价HDL的抗炎性能[20];目前的研究前景是基于通过免疫识别apo AI被硝基化或羟化修饰的残余物从而测算出功能异常的HDL水平。被修饰的apo AI水平将很有可能成为临床上最新的评估CHD危险分层及指导抗炎、抗氧化治疗效果的有用工具[21]。最近,Jang等描述了一种快速测量异常HDL水平的新方法,此方法基于在微流体通道中被修饰HDL的多聚性与流动性,这种方法被证明有助于预测衰老的程度,及对于CHD、糖尿病等衰老相关疾病的诊断[22]。
