Разведочный анализ экспериментальных данных в системах обработки информации : В технике и медицине

• Автор: Червякова, Ольга Владимировна
• Шифр специальности: 05.13.14
• Научная степень: Кандидатская
• Год защиты: 1999
• Место защиты: Саратов
• Количество страниц: 179 с.

СОДЕРЖАНИЕ
Список используемых сокращений
ВВЕДЕНИЕ
1. ОБЗОР И ОСНОВНЫЕ ПОЛОЖЕНИЯ РАЗВЕДОЧНОГО АНАЛИЗА
1.1. Схемы представления экспериментальных данных
1.2. Задачи исследования
2. ОСОБЕННОСТИ РАЗВЕДОЧНОГО АНАЛИЗА МНОГОМЕРНЫХ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ В МЕДИЦИНЕ
2.1. Шкалы измерений признаков 1 д
2.1.1. Шкалы качественных данных
2.1.2. Шкалы количественных данных
2.1.3. Преобразования шкал
2.2. Преобразования данных, стабилизирующие дисперсию
2.3. Анализ аномальных наблюдений в многомерных данных
2.3.1. Классификация аномальных наблюдений
2.3.2. Множественные аномальные наблюдения в многомерных
данных
2.3.3. Анализ неоднородных выборок
2.4. Анализ данных с пропусками
2.4.1. Механизм пропусков
2.4.2. Структуры пропусков
2.4.3. Обзор методов обработки пропусков
2.4.4. Восстановление пропусков методом сингулярного разложения
2.5. Исследование состояния функциональной системы противоинфекционной защиты у больных ИЗБА до и после лечения гормональными препаратами
2.6. Выводы
3. ОЦЕНКА ПАРАМЕТРОВ СКРЫТЫХ ПЕРИОДИЧНОСТЕЙ
3.1. Краткий обзор методов и постановка задачи
3.2. Обнаружение скрытых периодических компонент
3.2.1. Непараметрические методы обнаружения
3.2.2. Применение характеристик особых точек для обнаружения
периодичностей
3.2.3. Обнаружение периодичностей с помощью вейвлет-анализа
3.3. Оценка числа скрытых периодических компонент в исследуемом сигнале

3.3.1 .Определение порядка модели по характеристикам особых точек
3.3.2. Использование информационных критериев для определения порядка модели
3.3.3. Определение порядка модели с использованием разложения по собственным числам
3.4. Классические методы оценивания параметров скрытых периодичностей
3.4.1. Методы преобразований
3.4.2. Методы периодограмм и спектрального разложения
3.5. Корреляционные методы выявления скрытых периодичностей
3.5.1. Метод автокорреляционной функции
3.5.2. Метод взаимной корреляционной функции
3.5.2.1. Понятие оптимального приемника
3.5.2.2. Оценивание параметров периодичностей с помощью оптимального приемника
3.5.3. Метод инверсной корреляционной функции
3.6. Оценивание частот методами сингулярного разложения
3.6.1. Метод Писаренко
3.6.2. Функции оценок частоты
3.7. Комбинированный алгоритм оценки параметров скрытых периодичностей повышенной разрешающей способности
3.8. Сравнительный анализ комбинированного алгоритма повышенной разрешающей способности с методами спектрального оценивания Писаренко, EV, MUSIC
3.9. Обнаружение периодичностей в неоднородных данных
3.10 Быстрый алгоритм обнаружения сигналов на основе взаимной корреляции в линиях электропередач
3.11 Особенности анализа сигналов с аномальными наблюдениями и пропусками
3.12 Выводы
ЗАКЛЮЧЕНИЕ
Список используемых источников
Приложение I
Приложение II
Приложение III
Приложение IV

СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ
АКФ - автокорреляционная функция
БПФ — быстрое преобразование Фурье
ВКФ - взаимная корреляционная функция
ИЗБА - инфекционно-зависимая бронхиальная астма
ИКФ - инверсная корреляционная функция
КА - комбинированный алгоритм
КМ - корреляционная матрица
КФ - корреляционная функция
МДА - малоновый деальдегид
мнк - метод наименьших квадратов
опс - отсутствуют/присутствуют случайно
ОС - отсутствуют случайно
пол - перекисное окисление липидов
СУШ - отношение сигнал/шум
сод - супероксид дисмутаза
СИМ - спектральная плотность мощности
ФОП - функционал отношения правдоподобия
АІС - информационный критерий Акаике
кю - иммуноглобулин
МБ - микроб стрептококка
Т1ТЗ отношение активных и малоактивных клеток крови
те - вирус герпеса
ст2 =<р'(т)]2ст2х -[(1/т)']2к2т4 = к2.
Обратное преобразование особенно часто применяется для зависящих от времени переменных.
Данное преобразование исследовано в группах больных ИЗБА до (КВ1) и после лечения (12В2, КВЗ) на примере параметра оценки специфической гуморальной защиты организма - иммуноглобулина (ЮС!), определяющего количество белковых тел в некотором объеме крови.
Статистики исходных данных и данных после примененного преобразования приведены в таблицах 2,6 и 2.7, соответственно.
Таблица
Статистика исходных данных для показателя ЮС
КВ1 І2В 2 квз
Среднее 1025,75 1032,9 1174
Медиана 937,5 952,5 1080
Дисперсия 85462,8 90554,6 112358
Асимметрия 3,3033 3,38451 3,40437
Эксцесс 2,3421 2,1061 1,19861
Таблица
Статистика преобразованных данных для показателя ЮС
КВ1 КВ2 КВЗ
Среднее 1,03952Е-3 1Д3734Е-3 9.03785Е
Медиана 1,06667Е-3 1Д5036Е-3 9,25926Е
Дисперсия 6Д0459Е-8 6.61808Е-8 3,78182Е
Асимметрия -0,132624 -0,01234444 -1,8425
Эксцесс 0,338927 -0,384249 0,260743
Преобразование арксинуса. Многие данные представляют собой доли, О < Х{ <1, получаемые как число успехов: р1 - г I п1, где г - доля успехов из пг Величина р имеет биномиальное распределение со средним р{ и дисперсией р1 (1 - р1) / п1, т.е. среднее и дисперсия связаны. Если все те выборки, по которым определяются наблюдаемые значения X, будут иметь одинаковый