Bootstrap

摘要： Background: The Poisson and the Negative Binomial distributions are commonly used to model count data. The Poisson is characterized by the equality of mean and variance whereas the Negative Binomial has a variance larger than the mean and therefore both models are appropriate to model over-dispersed count data. Objectives: A new two-parameter probability distribution called the Quasi-Negative Binomial Distribution (QNBD) is being studied in this paper, generalizing the well-known negative binomial distribution. This model turns out to be quite flexible for analyzing count data. Our main objectives are to estimate the parameters of the proposed distribution and to discuss its applicability to genetics data. As an application, we demonstrate that the QNBD regression representation is utilized to model genomics data sets. Results: The new distribution is shown to provide a good fit with respect to the “Akaike Information Criterion”, AIC, considered a measure of model goodness of fit. The proposed distribution may serve as a viable alternative to other distributions available in the literature for modeling count data exhibiting overdispersion, arising in various fields of scientific investigation such as genomics and biomedicine.

摘要： HTML技术已经成为移动互联时代中前端开发的重要技术之一,高职院校为了适应新时代的需求,开设相应的前端开发课程非常必要。该文使用Bootstrap框架实现了简易计算器的主体结构设计,并使用CSS3层叠样式表对计算器的外观进行了相应的美化;使用JavaScript脚本实现了计算器的加、减、乘、除、退格和清零操作。通过该实例可以让高职学生较好地体会前端开发中各项技术的综合使用。

摘要： 针对传统的方法未能有效地处理具有高维、混合以及不平衡的特性的入侵检测数据,结合单类分类概念和均值计算方法,提出一种单类分类K近邻(KNN)均值算法。其使用主成分分析混合(PCA mix)方法对高维混合数据进行降维预处理,并运用Bootstrap方法计算决策边界,提高准确性。通过使用三个不同的公开数据集进行实验,并与单类分类支持向量机(OCSVM)算法作对比,其分辨精度提高至94%以上,充分验证了提出算法的优越性。

摘要： 随着工业自动化的发展,过程数据出现了自相关性,并且在实际中,一个过程的数据分布通常是未知的。Bootstrap是一种非参数估计方法。针对过程数据不符合传统假设而呈现自相关性且分布未知的情况,文章利用Bootstrap方法构建了面向未知分布且自相关的过程能力指数C;的置信区间。模拟的结果表明,所提方法对数据分布和自相关性都具有一定的稳健性。最后用实例给出了评价一个过程能力的完整步骤。

摘要： 针对智能电表现场数据不能涵盖其整个生命周期、加速寿命试验应力同实际运行环境存在差异使得仅以单一数据源为依据的可靠性评估结果不够准确的问题,提出了结合Bayes和Bootstrap方法的智能电表可靠性评估方法。该方法采用Bootstrap方法处理现场数据,得到智能电表可靠性模型参数的离散分布,以该离散分布作为先验信息,采用Bayes方法结合加速寿命试验数据得到融合两种信息后的参数估计值,实现智能电表的可靠性评估。实例结果表明,该方法得到的智能电表可靠性模型在前半段贴近现场实际情况,在后半段有涵盖全生命周期的试验数据作为支撑,可用于智能电表整个生命周期的可靠性评估。

摘要： 飞机航段油耗估计是航空公司进行节能减排的重要基础。多因素影响下的航段油耗样本的非规则分布特征会导致一般的区间估计方法得到的估计区间质量较低,针对以上问题,提出了基于支持向量分位数回归(support vector quantile regression,SVQR)和Bootstrap相结合的航段油耗区间估计方法。利用SVQR非对称形式的绝对值残差最小化的思想估计航段油耗的条件分位数,并将其作为Bootstrap的输入来估计航段油耗总体的统计量,由于相同机型、航段的油耗样本总体满足正态分布,最后构建一定置信度的估计区间。实验结果表明:该方法的估计区间可信度更高、平均带宽更窄、提高了估计区间的质量。该方法能为航空公司合理的估计油耗及制定碳排放监测计划时提供参考。

摘要： 不常用备件具有需求量变化剧烈、需求发生间隔期长且不确定的特点,从而引发了备件需求预测失准而无法做出合理库存决策的问题。为此,提出了一种新的需求预测和库存优化相结合的方法以提高决策的精准度。利用高斯过程回归法预测需求发生间隔,结合Bootstrap增广样本统计方法来预测备件的需求概率分布;基于该概率统计结果,建立库存总成本最小的随机库存优化模型,采用粒子群算法求解得到最优库存决策变量。两个实际工业备件的实验结果表明,本文方法具有更高的预测精度,同时,在满足服务水平约束下库存决策实现了更低的库存总费用,具有实用性。

摘要： Bootstrap是一个十分优秀的前端开发框架,整合了HTML5,CSS3以及jQuery等多种技术,可以在较短时间内完成移动到响应式Web前端的开发设计工作。文章重点分析了响应式Web设计内涵与CSS框架分析,响应式Web设计的关键点,同时探究了基于Bootstrap的响应式Web前端设计流程与技巧。设计人员在进行响应式Web前端设计时,需要以Bootstrap框架为载体,调整功能结构,让用户得到满意的使用体验。

摘要： 为提高体育馆场地利用率和管理水平,设计并实现了一种基于物联网技术的智能体育馆系统。硬件部分采用STM32和ESP8266相结合的设计方案,通过MQTT通信协议对体育馆场地设备进行控制。后端基于SSM架构开发,设计了一种场地分配算法来完成体育馆用户的场地预约请求。同步开发了基于Android的体育馆用户APP客户端、基于PyQt5框架的体育馆管理员桌面应用客户端以及基于Bootstrap框架的Web管理后台。有效实现了体育馆场地预约,体育馆场地信息管理及用户订单管理等功能。

摘要： 针对航天产品小子样、长寿命的特点,提出了基于Bootstrap理论的小子样寿命评估模型。采用B-样条函数构造Bootstrap样本经验分布函数,进行放回抽样。在此基础上,分别采用非参数Bootstrap方法和参数Bootstrap方法建立了寿命评估模型。采用提出的模型对空心阴极循环点火寿命试验数据进行评估,得到多个寿命特征结果,与传统的参数极大似然估计方法的计算结果进行了对比分析,其评估精度满足工程的应用需求,验证了该模型的工程实用性和有效性。

摘要： 本文从商业银行信贷业务的实际操作流程出发,建立了信贷操作风险管理的贝叶斯网络模型,并通过Bootstrap重复抽样方法对模型中变量的贝叶斯概率进行确定.研究表明,在缺乏历史数据的情况下,建立在Bootstrap方法基础上的贝叶斯网络模型,能够克服在实际应用过程中变量概率获取的主观性,其对度量和管理商业银行信贷操作风险是有效、可行的。

摘要： 本文从商业银行信贷业务的实际操作流程出发,建立了信贷操作风险管理的贝叶斯网络模型,并通过Bootstrap重复抽样方法对模型中变量的贝叶斯概率进行确定.研究表明,在缺乏历史数据的情况下,建立在Bootstrap方法基础上的贝叶斯网络模型,能够克服在实际应用过程中变量概率获取的主观性,其对度量和管理商业银行信贷操作风险是有效、可行的。

摘要： 本文从商业银行信贷业务的实际操作流程出发,建立了信贷操作风险管理的贝叶斯网络模型,并通过Bootstrap重复抽样方法对模型中变量的贝叶斯概率进行确定.研究表明,在缺乏历史数据的情况下,建立在Bootstrap方法基础上的贝叶斯网络模型,能够克服在实际应用过程中变量概率获取的主观性,其对度量和管理商业银行信贷操作风险是有效、可行的。

摘要： 本文从商业银行信贷业务的实际操作流程出发,建立了信贷操作风险管理的贝叶斯网络模型,并通过Bootstrap重复抽样方法对模型中变量的贝叶斯概率进行确定.研究表明,在缺乏历史数据的情况下,建立在Bootstrap方法基础上的贝叶斯网络模型,能够克服在实际应用过程中变量概率获取的主观性,其对度量和管理商业银行信贷操作风险是有效、可行的。

摘要： 针对军用装备试验费用昂贵，试验次数较少的情况，提出利用现有试验数据去模拟未知分布，通过再生抽样将小样本转成大样本的技术。结合柴油机排气噪声检测失火故障的实例，对其频域特性参数运用小子样方法Bootstrap和BayesBootstrap(随机加权法)进行统计模拟，得到在大量实验数据下特征值的置信区间，绘制特征参数的累积分布函数，建立不同状态信号的特征库，便于故障的定量诊断。结果表明，这些方法能解决实际中由于成本或现场条件的限制而无法多次采样的问题，较客观地反映了故障现象的本质，可对不同状态的故障进行模式识别。

摘要： 针对军用装备试验费用昂贵，试验次数较少的情况，提出利用现有试验数据去模拟未知分布，通过再生抽样将小样本转成大样本的技术。结合柴油机排气噪声检测失火故障的实例，对其频域特性参数运用小子样方法Bootstrap和BayesBootstrap(随机加权法)进行统计模拟，得到在大量实验数据下特征值的置信区间，绘制特征参数的累积分布函数，建立不同状态信号的特征库，便于故障的定量诊断。结果表明，这些方法能解决实际中由于成本或现场条件的限制而无法多次采样的问题，较客观地反映了故障现象的本质，可对不同状态的故障进行模式识别。

摘要： 针对军用装备试验费用昂贵，试验次数较少的情况，提出利用现有试验数据去模拟未知分布，通过再生抽样将小样本转成大样本的技术。结合柴油机排气噪声检测失火故障的实例，对其频域特性参数运用小子样方法Bootstrap和BayesBootstrap(随机加权法)进行统计模拟，得到在大量实验数据下特征值的置信区间，绘制特征参数的累积分布函数，建立不同状态信号的特征库，便于故障的定量诊断。结果表明，这些方法能解决实际中由于成本或现场条件的限制而无法多次采样的问题，较客观地反映了故障现象的本质，可对不同状态的故障进行模式识别。

摘要： 针对军用装备试验费用昂贵，试验次数较少的情况，提出利用现有试验数据去模拟未知分布，通过再生抽样将小样本转成大样本的技术。结合柴油机排气噪声检测失火故障的实例，对其频域特性参数运用小子样方法Bootstrap和BayesBootstrap(随机加权法)进行统计模拟，得到在大量实验数据下特征值的置信区间，绘制特征参数的累积分布函数，建立不同状态信号的特征库，便于故障的定量诊断。结果表明，这些方法能解决实际中由于成本或现场条件的限制而无法多次采样的问题，较客观地反映了故障现象的本质，可对不同状态的故障进行模式识别。

摘要： 本发明提供了一种在Bootstrap‑table插件导出表格时图片下载方法及系统，本发明通过在Bootstrap‑table插件上传表格时，通过将图片的位置信息写入像素中，并将图片使用MD5散列函数生成校验码，并与位置信息生成二次校验码，在图片下载时，通过提取图片中包含的位置信息，并生成图片的二次校验码，与表格中的校验码进行比对，从而完成一致性校验，防止图片在上传和下载过程中因为其他原因导致的图片被篡改或导出位置错误等问题，提升表格数据准确度，很大程度上为开发人员减少了工作量，加快开发效率，给开发人员的工作带来了很大的便利。

摘要： 本发明属于风力发电技术领域，尤其涉及一种基于Bootstrap的风电输出功率置信区间预测方法。其首先使用最小二乘法对发电功率进行拟合，根据拟合出的曲线计算出风电功率误差，然后根据风速对误差功率分类，并使用Bootstrap算法对分类后的误差功率进行置信区间估计，在统计学角度上挖掘发电数据分布规律，预测结果更加准确且具有现实意义。其可以准确预测出不同风速下的风力发电情况。

摘要： 本发明提出了一种基于Bootstrap抽样的土壤有机碳预测不确定性估测方法，其步骤为：土壤样品的采集及预处理，获取土壤样品的有机碳含量数据及土壤高光谱数据并进行预处理；采用偏最小二乘回归方法建立土壤样品的有机碳含量数据与土壤高光谱数据的土壤有机碳预测模型；对原始实测样本数据进行有放回随机抽样，每抽样一次获得一个子样本，通过构造实测值和预测值矩阵计算得到每个子样本参数的估计值；采用Bootstrap重抽样技术有放回的从原始样本中抽取一定数量的样本；根据Bootstrap抽样方法抽出样本的参数评估土壤有机碳预测模型的不确定性；模型精度评价。本发明降低了由于取样代表性、预测模型空间变异性导致预测模型准确性低的问题。

摘要： 本发明涉及一种基于参数Bootstrap重抽样的软件失效时间预测方法，该方法对一般软件可靠性模型进行优化后再进行软件下一次失效时间的预测，包括：构建一般软件可靠性模型，使用原始失效数据序列计算所述一般软件可靠性模型的参数估计值；基于所述参数估计值构造参数分布函数；使用所述参数分布函数进行蒙特卡洛模拟，随机抽样得到Bootstrap样本；基于所述Bootstrap样本重新计算所述一般软件可靠性模型的参数估计值；基于步骤四获得的参数估计值进行软件下一次失效时间的预测。与现有技术相比，本发明预测能力较一些广泛使用的神经网络和核函数方法预测效果更佳，提高了小样本失效数据情况下软件失效时间预测的准确性。

摘要： 本发明公开了一种基于BOOTSTRAP的短突发信号均衡方法，涉及无线通信领域中的信道均衡技术领域，解决了现有技术中存在的，在接收模块接收到的信号为短突发信号时，均衡器难以收敛的缺陷，其技术方案要点是：将短突发信号数据的估计误差统计量集合，重构生成数量远多于原短突发信号数据的再生信号数据，最后再将该再生信号数据处理后的输出信号数据作为盲均衡模块的输入来完成短突发信号数据的时域均衡。达到了显著优化均衡效果，使系统具有更小的稳态误差的目的，同时极大地提高了均衡器的收敛速率。

摘要： 本发明涉及飞机维修数据处理领域，具体公开了一种基于Bayes‑Bootstrap法的通航飞机维修周期确定方法。包括以下步骤：测量每架飞机的水平测量要素的特征参数；构建样本数据集，并进行正态分布检验和有效样本点集X(x1,x2,…,xn)构建；创建含有n个数据点的集合确定虚拟增广所依据的概率密度函数f(x)；计算和并将数据点存入所述增光样本点集合XZ中；引入参数ai、bi，计算增广样本点重复步骤S6次，获得扩充后用于Bayes‑Bootstrap法的数据点集计算样本均值在置信度1‑α＝0.95的情况下的置信区间(μl,μu)；计算预警失效率ρ；综合飞机服役年限及预警失效率ρ，查询飞机失效曲线表确定飞机下次维修时间，有效减少飞机维修不及时所造成的隐患的同时降低大规模维修所耗费的人力物力。

摘要： 一种基于Bootstrap的均值标准差阈值预警方法，基于实测数据样本计算得到预警指标的数据样本，再通过Bootstrap方法扩充预警指标的数据样本，将数据样本的均值、标准差值进行整合，得到预警阈值单值集合，并根据基于实测数据得到的预警指标分布选择出合适的预警阈值，实现燃气轮机的故障预警功能。

摘要： 本发明属于光伏发电领域，涉及一种基于Bootstrap的光伏发电输出功率超短期概率预测方法。本发明提供了一种基于Bootstrap的光伏发电输出功率超短期概率预测方法，包括以下步骤：步骤S01：使用Bootstrap方法对光伏发电输出功率进行预测；步骤S02：计算模型偏差不确定性的量化方差；步骤S03：计算数据噪声不确定性量化方差。本发明提供的方法从ELM回归方法本身的不确定性与数据噪声不确定性角度出发，分别以方差的形式对数据噪声与回归模型的模型偏差给预测结果带来的不确定性进行量化，通过Bootstrap方法对光伏发电输出功率进行预测，统计ELM回归的模型不确定性量化方差，然后对数据噪声的不确定性进行量化，解决了传统神经网络Bootstrap技术无法应用到基于ELM的Bootstrap方法的问题。

摘要： 一种轨道交通基于Bootstrap的自定义工作流流程设计器，所述设计器包括流程设计单元、流程预览单元和流程保存单元；所述流程设计单元用于定义工作流中表示各个动作的图示，采用动态浮动工具栏设计功能按钮，并根据流程规则，建立对应的流程逻辑，并生成对应的流程数据；所述流程预览单元用于获取流程数据，动态将流程数据生成一张能在当前界面显示的图像；所述流程保存单元用于将流程数据生成流程定义Json文件，上传到服务器。本发明提供的设计器，运行性能好，对运行环境要求低，可跨windows、linux、安桌系统、苹果系统等，只要能运行浏览器的设备即可，使轨道交通流程设计可以多平台进行。

摘要： 本发明涉及一种基于bootstrap方法的复合材料层合板力学性能参数评估方法，属于力学性能参数评估领域。本发明的步骤包括：(1)根据复合材料力学试验，获得单层板力学性能参数原始有限样本数据；(2)将各参数样本数据从小到大排序并进行编号；(3)按放回抽样的bootstrap方法进行抽样，得到新的bootstrap样本；(4)对以上每个样本，利用非概率统计度量方法求得各样本的区间中心值及区间半径；(5)将各区间中心值及区间半径重新排序，并根据所要求的置信水平得区间中心值和半径的近似置信区间；(6)根据得到的区间中心值和半径的近似置信区间，得各力学参数满足一定置信度的评估区间。本发明可以有效评估复合材料层合板满足一定置信度的不确定力学性能参数。