A latent class probit model for analyzing pick any/N data

A latent class probit model is developed in which it is assumed that the binary data of a particular subject follow a finite mixture of multivariate Bermoulli distributions. An EM algorithm for fitting the model is described and a Monte Carlo procedure for testing the number of latent classes that is required for adequately describing the data is discussed. In the final section, an application of the latent class probit model to some intended purchase data for residential telecommunication devices is reported. Geert De Soete is supported as “Bevoegdverklaard Navorser” of the Belgian “Nationaal Fonds voor Wetenschappelijk Onderzoek.”     

一种新的计算周期表面电磁散射算法

利用数值方法研究周期表面的电磁散射问题。应用矩量法研究周期表面的电磁散射可以获得较为精确的数值结果。对于表面散射 ,应用矩量法时表面未知变量的数目非常大 ,即使对于一维表面也需要几千个未知变量 ;当求解矩阵方程时 ,计算机对求解的问题有内存和速度的限制。为了克服内存的限制 ,采用了一种新的迭代数值算法。对周期表面的电磁散射问题进行了研究 ,并与矩阵反演方法作了比较。所得结果表明 ,这种新的迭代法具有很好的收敛性。最后对散射结果进行了讨论     

Using genetically-defined rodent strains for the identification of hippocampal traits relevant for two-way avoidance behavior: a non-invasive approach

Summary Genetically-defined rodent strains permit the identification of hippocampal traits which are of functional relevance for the performance of two-way avoidance behavior. This is exemplified here by analyzing the relationship between infrapyramidal mossy fibers (a tiny projection terminating upon the basal dendrites of hippocampal pyramidal neurons) and two-way avoidance learning in about 800 animals. The necessary steps include 1) identification of structural traits sensitive to selective breeding for extremes in two-way avoidance, 2) testing the robustness of the associations found by studying individual and genetical correlations between hippocampal traits and behavior, 3) establishing causal relationships by Mendelian crossing of strains with extreme structural traits and studying the behavioral consequences of such structural randomization, 4) confirming causal relationships by manipulating the structural variable in inbred (isogenic) strains, thereby eliminating the possibility of genetic linkage, and 5) ruling out the possibility of spurious associations by studying the correlations between the hippocampal trait and other behaviors known to depend on hippocampal functioning.In comparison with the classical lesion approach for identifying relationships between brain and behavior, the present procedure appears to be superior in two aspects: it is non-invasive, and it focuses automatically on those brain traits which are used by natural selection to shape behaviorally-defined animal populations, i.e., it reveals the natural regulators of behavior.     

辣椒高产优质栽培技术研究进展

立足于肥料、植物生长调节剂、种植密度、保护地设施和EM5个方面的研究,分别论述了各技术对辣椒高产优质的影响,并就辣椒栽培中存在的一些问题进行了探讨。     

一种基于无网格方式的弹塑性体变形仿真方法

提出了一种对高弹性、高塑性物体变形进行仿真的新方法。该算法利用点采样的方式表现表面,使用采样分裂和聚合以适应仿真中采样密度的变化。将弹性力学中的理论应用到仿真中,使用移动最小二乘法计算应力、张力、弹性体力,使用张力状态变量来描述弹塑性变化,利用向量位移进行了仿真。仿真结果可表现融化、分裂、聚合等弹塑性变形。     

非线性时间序列建模的混合GARCH方法

在文献[1]的基础上，首次提出混合广义自回归务件异方差（Mixture Generalized Autoregressive Conditional Heteroscedastic Model简记MGARCH）模型；给出并证明了MGARCH模型的一阶平稳性的充分必要条件及二阶平稳性的充分务件；给出该模型参数估计的EM算法：利用BIC定阶准则对MGARCH模型的各成份进行定阶；计算结果表明该模型对金融非线性时间序列中存在的变异率现象具有较强的描述能力，有广阔的应用前景。     

不同株系丹参有效成分比较研究

为比较不同株系之间丹参有效成分的差异,采用高效液相色谱法测定丹参中包括丹参酮ⅡA在内的4种脂溶性成分和包括丹酚酸B在内的3种水溶性成分的含量,并应用SPSS软件对所得数据进行分析。通过对两大类成分的比较,发现10种株系丹参中,3、7号株系的脂溶性成分含量较高,可考虑培育为脂溶性成分提取原料;而1、9、10号株系的水溶性成分较高,可考虑培育为水溶性成分提取原料。显著性分析结果表明,所测10种不同株系丹参在其主要水溶性和脂溶性成分上存在显著差异。该研究可以为丹参优良种质的筛选提供依据。     

EM发酵豆渣、鱼杂、鸡血及其粗蛋白含量测定分析

生产生活中产生的农副产品,如豆渣、鱼杂、鸡血等,含有大量的粗蛋白,可以作为一种物美价廉的饲料.本实验在已有研究基础上,利用环境微生物(environment microbe,EM)菌种对其进行发酵处理,采用凯氏定氮法(GB/T6432-94)检测其粗蛋白质含量.发酵结果表明:处理后的豆渣+麦麸、玉米粉+鱼杂、玉米粉+鸡血、玉米粉+豆渣4组材料的粗蛋白含量分别提高2.63、2.62、2.71和2.07个百分点,其营养价值得到有效提高;其中残留的有害物质如重金属、抗生素等能够得以降解消除;病原微生物如某些致病厌氧细菌和大肠杆菌等能得到很好的抑制;同时,饲料的适口性大大提高.     

诱变前后混合微生物对闪锌矿的浸出

通过亚硝酸钠、硫酸二乙酯和紫外线的复合诱变,得到浸出Zn^2＋浓度较高的混合微生物A、B、C、D和E．诱变前后混合微生物于30℃、160r／min条件下,在闪锌矿矿浆浓度为20％的9K和Leathen培养基中培养40d,浸矿结果表明,5组混合菌的Zn^2＋浸出量均比没有诱变处理的对照高．其中E的浸矿效果最佳,在含闪锌矿的9K和Leatllen培养基中浸矿40d后,Zn^2＋的浸出量分别比对照提高了128．6％和183．3％．诱变后混合微生物的最适生长温度为30℃。     

结构化EM算法在小样本贝叶斯网络学习中的应用

在贝叶斯网络学习中,合理数据集的存在可以大大降低贝叶斯网络学习对知识工程的过多依赖.但当数据集中样本数量不够大时,可能没有足够多的样本甚至不存在样本来代表变量间的某些条件独立关系,从而无法学习贝叶斯网络.将数据集修正与结构化-期望最大化算法相结合,得到一种有效的小样本上贝叶斯网络学习的方法,实验结果表明,该方法能够有效地进行小样本上贝叶斯网络学习.