22、最优分配与自适应随机化在临床试验中的应用

最优分配与自适应随机化在临床试验中的应用

1. 最优分配规则

在二元结局的临床试验中,我们常常需要比较实验治疗和对照治疗的效果。设实验治疗的成功概率为 $p_E$,对照治疗的成功概率为 $p_C$,试验样本量为 $n$ 且预先确定。实验治疗的分配比例为 $\pi$,即大约有 $n\pi$ 名患者被分配到实验治疗组,$n(1 - \pi)$ 名患者被分配到对照组。下面介绍几种常见的最优分配规则:

1.1 Neyman 分配

在固定样本量 $n$ 以及固定的 $p_E$、$p_C$ 等参数下,使检验功效最大化的分配规则是最小化某个值,这个最优解被称为 Neyman 分配,公式如下:
$ \pi_{Neyman} = \frac{\sqrt{p_E(1 - p_E)}}{\sqrt{p_E(1 - p_E)} + \sqrt{p_C(1 - p_C)}}$
然而,当 $p_E \neq p_C$ 时,Neyman 分配可能会偏向于成功率较低的治疗组,从个体伦理角度来看不太合适。

1.2 RSIHR 分配

Rosenberger 等人考虑在备择假设下 Wald 检验统计量方差固定的情况下,哪种分配能最小化预期治疗失败数。其优化问题的最优解是 RSIHR 分配,公式为:
$ \pi_{RSIHR} = \frac{p_E}{p_E + p_C}$
与 Neyman 分配不同,RSIHR 分配总是将更多患者分配到更成功的治疗组。

1.3 得分分配

在使用基于对数优势比的得分检验来检验治疗效果相等的假设时,Magirr 考虑在固定得分统计量方差的条件下,最小化预期治疗失败数。其最优解为得分分配,公式如下:
若 $p_E \neq p_C$,$\pi_{Score} = \frac{p_E^2}{p_E^2 + p_C^2}$;若 $p_E = p_C$,$\pi_{Score} = 0.5$
得分分配同样会将更多患者分配到更成功的治疗组。

1.4 复合最优分配

Baldi Antognini 和 Giovagnoli 提出了一个结合伦理和推断目标的复合准则:
$C(\pi) = wD(\pi) + (1 - w)F(\pi)$
其中,$w$ 是用户定义的权重,用于确定伦理和推断之间的权衡;$D(\pi)$ 是估计治疗差异的方差;$F(\pi)$ 是预期治疗失败比例。当 $w = 0.5$ 时,该分配规则被称为复合最优分配。

1.5 不同分配规则的比较

下表展示了在不同治疗成功概率下,六种分配规则(1:1 分配、2:1 分配以及上述四种最优分配规则)的 Wald 检验功效和总预期治疗失败数:
| $p_E$ | $p_C$ | 1:1 分配 | 2:1 分配 | Neyman 分配 | RSIHR 分配 | 得分分配 | 复合最优分配 |
| — | — | — | — | — | — | — | — |
| 0.2 | 0.4 | 0.61(70) | 0.53(73) | 0.61(69) | 0.61(68) | 0.61(68) | 0.61(68) |
| 0.5 | 0.4 | 0.17(55) | 0.16(53) | 0.17(55) | 0.17(55) | 0.17(55) | 0.17(55) |
| 0.6 | 0.4 | 0.53(50) | 0.49(47) | 0.53(50) | 0.53(49) | 0.53(49) | 0.53(49) |
| 0.7 | 0.4 | 0.89(45) | 0.84(40) | 0.89(46) | 0.88(43) | 0.88(43) | 0.87(42) |
| 0.8 | 0.4 | 0.99(40) | 0.98(33) | 0.99(42) | 0.99(37) | 0.99(37) | 0.99(34) |

从表中可以看出,在功效方面,四种最优分配规则与 1:1 分配几乎相同,但 2:1 分配的功效比其他规则低 1% - 8%。RSIHR、得分和复合最优分配规则相比 1:1 分配,能适度且持续地减少预期治疗失败数。

2. 实现最优分配的响应自适应随机化(RAR)

2.1 基本概念

前面讨论的最优分配规则依赖于治疗成功概率 $p_E$ 和 $p_C$,但在实际中,这些概率通常是未知的,且所有符合条件的患者也不太可能同时参与试验。此外,直接将患者“拆分”到两个治疗组可能会引入主观偏差。

响应自适应随机化(RAR)的思想是利用试验中患者的累积数据(结果)来估计 $p_E$ 和 $p_C$,并修改当前患者的治疗随机化概率,使设计收敛到所需的目标分配。这意味着样本治疗分配比例会收敛到相应的目标分配比例。

2.2 RAR 的基本设置

试验开始时,使用受限随机化程序(如置换块设计)将 $m$ 名患者($m$ 为一个较小的正整数)平均分配到实验治疗和对照治疗组,以获取一些初始数据来估计 $p_E$ 和 $p_C$。假设每个患者的结果在随机化后立即可得。

当有 $k$ 名患者已经接受治疗,第 $k + 1$ 名患者准备随机化进入试验时,该患者的治疗分配将取决于到目前为止积累的数据。

2.3 不同的 RAR 程序

2.3.1 顺序最大似然估计设计(SMLE)

在 SMLE 设计中,治疗随机化概率被设置为当前目标分配比例的估计值。Rosenberger 等人提出了针对 RSIHR 分配的 SMLE 程序:
$P(T_{k + 1} = E) = \frac{\hat{p}_E(k)}{\hat{p}_E(k) + \hat{p}_C(k)}$
其中,$\hat{p}_E(k)$ 和 $\hat{p}_C(k)$ 分别是第 $k$ 个患者时实验治疗和对照治疗的成功概率估计值。
该程序能证明最大似然估计量和样本分配比例的强一致性和渐近正态性,但可能具有较大的变异性,对功效有负面影响。

2.3.2 双重自适应偏置硬币设计(DBCD)

DBCD 是一类可以针对任何分配比例的 RAR 程序。关键是分配函数 $\phi(\pi, \alpha)$,Hu 和 Zhang 提出的分配函数为:
$\phi(\pi, \alpha) = \frac{1}{1 + (\frac{1 - \pi}{\pi})^{\alpha}}$
其中,$\alpha$ 是用户定义的参数,控制随机性程度($\alpha = 0$ 最随机,$\alpha \to \infty$ 几乎是确定性程序)。
在 DBCD 中,第 $k + 1$ 名患者被分配到实验治疗组的概率为:
$P(T_{k + 1} = E) = \phi(\hat{\pi}_{target}(k), \alpha)$
当 $\alpha = 0$ 时,DBCD 等价于 SMLE 设计。

2.3.3 高效随机自适应设计(ERADE)

Hu 等人提出了 ERADE 程序,第 $k + 1$ 名患者被随机分配到实验治疗组的概率为:
$P(T_{k + 1} = E) = \frac{1}{1 + (\frac{1 - \hat{\pi} {target}(k)}{\hat{\pi} {target}(k)})^{\beta}}$
其中,$\beta$ 是用户定义的参数,控制随机性程度($\beta = 0$ 最确定,$\beta = 1$ 最随机),建议设置 $\beta$ 在 0.4 到 0.7 之间。
ERADE 是偏置硬币设计的扩展,其分配函数是离散的,比 DBCD 变异性更小,是渐近最优的 RAR 程序。

2.4 不同 RAR 设计的理论比较

Hu 和 Rosenberger 得出了最优性、变异性和功效之间的关系,表明影响检验功效的三个重要因素是固定设计的分配目标、收敛到目标的速度以及样本分配比例的变异性。对于具有相同分配目标的 RAR 程序,我们可以比较样本比例的变异性,变异性小的程序更优。

以下是三种针对 RSIHR 分配的 RAR 设计(SMLE、DBCD 和 ERADE)在不同场景下的渐近方差比较:
| 设计 | 渐近方差范围($p_E$ 从 0.2 到 0.9) |
| — | — |
| SMLE | 从 0.6 到 0.38 |
| DBCD | 从 0.26 到 0.12 |
| ERADE | 从 0.18 到 0.06 |
对于完全随机设计(CRD),其方差恒定为 0.25。可以看出,在考虑的场景中,DBCD 和 ERADE 的变异性总体上小于 CRD。

下面是一个简单的流程图,展示了 RAR 的基本流程:

graph LR;
    A[试验开始] --> B[用受限随机化分配 m 名患者];
    B --> C[积累 k 名患者的数据];
    C --> D[估计 p_E 和 p_C];
    D --> E[计算目标分配比例];
    E --> F[确定第 k + 1 名患者的随机化概率];
    F --> G[随机分配第 k + 1 名患者];
    G --> H[记录患者结果];
    H --> C;

综上所述,在临床试验中,选择合适的最优分配规则和 RAR 程序对于提高试验效率和减少治疗失败数至关重要。不同的规则和程序各有优缺点,需要根据具体情况进行选择。

3. 最优响应自适应随机化程序的模拟

3.1 模拟单个 RAR 序列

与目标分配比预先确定(如 1:1 或 2:1)的情况不同,RAR 序列无法预先生成,因为治疗随机化概率会在整个试验过程中根据累积的患者结果数据进行自适应修改。

可以使用标准计算机软件包(如 SAS 和 R)中的随机数生成器,在对患者结果的某些假设下模拟 RAR 设计。以下是使用 DBCD 程序针对 RSIHR 分配模拟单个随机化序列的步骤:

  1. 初始随机化 :假设试验有 $n$ 名患者,真实治疗成功概率为 $p_E$ 和 $p_C$。首先,使用等随机化方法将前 $m$ 名患者(这里设 $m = 10$)随机分配到 $E$ 和 $C$ 组。对于前 10 名患者,分配到 $E$ 的随机化概率为:
    - $P(T_i = E)=\frac{n_E(i - 1)+1}{n_E(i - 1)+n_C(i - 1)+2}$,其中 $n_E(i - 1)$ 是前 $i - 1$ 名患者中分配到 $E$ 的数量。
  2. 响应自适应随机化 :从第 11 名患者开始,进入响应自适应部分。对于第 $k$ 名患者,随机化概率确定步骤如下:
    - 假设前 $k - 1$ 名患者的所有结果数据都可用,计算 $n_E(k - 1)$、$n_C(k - 1)$、$s_E(k - 1)$、$s_C(k - 1)$(分别为前 $k - 1$ 名患者中分配到 $E$ 和 $C$ 的数量以及 $E$ 和 $C$ 的成功数量)。
    - 估计治疗成功概率:$\hat{p} E=\frac{s_E(k - 1)+1}{n_E(k - 1)+2}$,$\hat{p}_C=\frac{s_C(k - 1)+1}{n_C(k - 1)+2}$(这是在非信息先验下的贝叶斯估计,避免估计的成功概率为 0 或 1)。
    - 更新估计的目标分配:$\hat{\pi}
    {target}=\frac{\hat{p} E}{\hat{p}_E+\hat{p}_C}$。
    - 第 $k$ 名患者分配到 $E$ 的随机化概率:$P(T_k = E)=\phi(\hat{\pi}
    {target},\alpha)$,其中 $\phi$ 是 DBCD 的分配函数。
  3. 治疗分配 :为第 $k$ 名患者生成一个均匀随机数 $U$,若 $U\leq P(T_k = E)$,则分配治疗 $E$;否则,分配治疗 $C$。

以下是模拟过程中随机化概率变化的示例表:
| 患者编号 | $n_E$ | $n_C$ | $s_E$ | $s_C$ | $\hat{p} E$ | $\hat{p}_C$ | $\hat{\pi} {target}$ | 随机化概率 | 治疗分配 | 患者结果 |
| — | — | — | — | — | — | — | — | — | — | — |
| 1 | 0 | 0 | NA | NA | NA | NA | NA | 0.50 | | |
| 2 | 0 | 1 | NA | NA | NA | NA | NA | 0.56 | | |
| 3 | 1 | 1 | NA | NA | NA | NA | NA | 0.50 | | |
|… |… |… |… |… |… |… |… |… |… |… |
| 20 | 12 | 7 | 8 | 1 | 0.65 | 0.19 | 0.65 | 0.74 | $E$ | 0 |
|… |… |… |… |… |… |… |… |… |… |… |
| 40 | 23 | 17 | 13 | 6 | 0.64 | 0.43 | 0.54 | 0.47 | $C$ | 0 |

对于这个生成的序列,40 名患者后 $E$ 的分配比例为 $\frac{23}{40}=0.575$,接近目标分配的 0.57。

3.2 通过蒙特卡罗模拟评估 RAR 设计的操作特性

通过多次模拟 RAR 试验(例如 10,000 次),可以生成重要设计特征(如治疗分配比例、治疗失败数等)的经验分布,从而比较不同随机化设计在不同实验场景下的表现。

可以使用补充程序 ch10.4.2.sas 模拟以下五种随机化程序的操作特性:

  1. 完全随机设计(CRD) :每个患者以 0.5 的概率随机分配到 $E$ 和 $C$ 组。
  2. 置换块设计(PBD) :治疗分配在大小为 $b$($b$ 为预先指定的正整数)的块中随机进行,以确保每 $b$ 名患者后治疗达到平衡。
  3. SMLE 程序 :首先使用置换块随机化将前 $m$ 名患者分配到 $E$ 和 $C$ 组,其余患者根据 RAR 算法以 RSIHR 为目标分配。
  4. DBCD 程序 :同 SMLE 程序的初始分配,后续使用 DBCD 算法。
  5. ERADE 程序 :同 SMLE 程序的初始分配,后续使用 ERADE 算法。

模拟的设计特征包括:
- 分配比例 :$\pi_E=\frac{n_E}{n}$。
- 分配到优效治疗的试验对象数量 :$n_E$。
- 试验中的总失败数 :$F = F_E+F_C$,其中 $F_E$ 和 $F_C$ 分别是 $E$ 和 $C$ 组的失败数。
- 估计的治疗差异 :$\hat{\Delta}=\hat{p}_E-\hat{p}_C$。
- Wald 检验的经验(平均)功效 (双侧 $\alpha = 0.05$)。

以下是在 $p_E = 0.6$,$p_C = 0.4$,$n = 100$(对应于等分配设计下 Wald 检验约 92% 的功效)的场景下,基于 10,000 次模拟的结果总结表:
| 设计 | 目标分配比例 | $n_E$ - 均值(标准差) | $n_E$ - 最小值 - 最大值 | 治疗失败数 - 均值(标准差) | 治疗失败数 - 最小值 - 最大值 | 估计治疗差异 - 均值(标准差) | 估计治疗差异 - MSE | Wald 检验经验功效 |
| — | — | — | — | — | — | — | — | — |
| PBD | 0.50 | 60.0(0) | 60 - 60 | 54.0(5) | 33 - 72 | 0.30(0) | 0.0074 | 0.93 |
| CRD | 0.50 | 60.1(6) | 36 - 78 | 53.9(5) | 33 - 75 | 0.30(0) | 0.0077 | 0.92 |
| SMLE | 0.57 | 65.6(5) | 46 - 83 | 52.3(5) | 33 - 73 | 0.30(0) | 0.0078 | 0.92 |
| DBCD | 0.57 | 68.1(4) | 56 - 88 | 51.5(5) | 32 - 71 | 0.30(0) | 0.0078 | 0.92 |
| ERADE | 0.57 | 68.3(3) | 57 - 87 | 51.5(5) | 33 - 70 | 0.30(0) | 0.0079 | 0.92 |

从表中可以看出,RAR 设计相比平衡设计(PBD 和 CRD)平均能减少 2 - 3 次治疗失败。所有五种设计的估计都是无偏的,且治疗差异的均方误差(MSE)相似,Wald 检验的经验功效在 0.92 - 0.93 之间。

下面是一个简单的流程图,展示蒙特卡罗模拟评估 RAR 设计操作特性的流程:

graph LR;
    A[开始模拟] --> B[选择随机化程序];
    B --> C[模拟单个试验];
    C --> D[记录设计特征];
    D --> E{是否完成 10000 次模拟};
    E -- 否 --> C;
    E -- 是 --> F[生成经验分布];
    F --> G[比较不同设计];

综上所述,在临床试验中,最优分配规则和响应自适应随机化程序为提高试验效率和减少治疗失败数提供了有效的方法。通过模拟可以更好地了解不同设计的性能,从而根据具体情况选择最合适的设计。

22、二元结果临床试验中的最优分配与自适应随机化策略 本博文探讨了二元结果临床试验中的最优分配规则与响应自适应随机化(RAR)策略。重点分析了Neyman分配、RSIHR分配、得分分配和复合最优分配等规则在功效和治疗失败数方面的表现,并比较了1:1、2:1等传统分配策略与最优分配的差异。随后,介绍了RAR方法的背景、原理及几种主要设计,包括顺序最大似然估计设计(SMLE)、双自适应偏置硬币设计(DBCD)和高效随机自适应设计(ERADE),并讨论了它们在稳定性、变异性和功效方面的特点。通过模拟研究评估了不同随机化设计的操作特性,总结了在实际应用中应如何选择合适 阅读详情

相关推荐

20、贝叶斯模型与自适应随机化在临床试验中的应用

本文详细探讨了贝叶斯模型和自适应随机化在临床试验中的应用。贝叶斯模型因其灵活性和稳健性,特别适合在剂量反应分析中使用,尤其是在传统方法无法收敛或参数估计不合理的情况下。同时,自适应随机化方法,包括受限随机化、协变量自适应随机化和响应自适应随机化等,能够在保证试验科学性的同时,提高效率并兼顾伦理因素。文章还对各种随机化方法进行了比较,并讨论了实际应用中的注意事项,如伦理考量、统计效率、实施难度和数据质量。总之,贝叶斯模型和自适应随机化为临床试验设计提供了强大的工具,有助于提高试验的质量和效率。

y2z3a4b5c的博客 143

【信息科学与工程学】计算机科学与自动化——第三十五篇 调度理论和调度算法01——资源调度算法

算法逻辑

weixin_49199313的博客 690

【信息科学与工程学】【数据中心】第二十四篇 数据中心DaaS场景及算法

Flink, Kafka Streams, 时序数据库。Flink, Kafka Streams, 流处理引擎。Presto, ClickHouse, 查询加速引擎。Presto, ClickHouse, 查询加速引擎。延迟<50ms,可用性>99.99%,QPS>10K。REST API, GraphQL, API网关。Tableau, Power BI, 自助BI。Tableau, Power BI, 可视化库。Spark, Hadoop, 分布式计算框架。Spark, Hadoop, 分布式计算。

weixin_49199313的博客 1091

印尼稻米收成与粮食安全数据集2026年

本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

Delphi 13.2控件之msquic4d.rar

Delphi 13.2控件之msquic4d.rar

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

【新能源电力系统】项目介绍 MATLAB实现基于GWO-VMD-SSA-LSTM灰狼优化算法(GWO)结合变分模态分解(VMD)、麻雀搜索算法(SSA)及长短期记忆网络(LSTM)进行辐照度-温度驱动

内容概要:本文提出了一种融合灰狼优化算法(GWO)、变分模态分解(VMD)、麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的复合模型(GWO-VMD-SSA-LSTM),用于实现高精度的辐照度-温度驱动短期光伏功率预测。该模型首先通过GWO优化VMD的关键参数(模态数K和惩罚因子α),实现对非平稳光伏功率序列的高效多尺度分解,降低信号复杂性;随后利用SSA对LSTM的超参数(如隐藏层单元数、Dropout率、学习率等)进行智能寻优,提升网络训练效率与泛化能力;最后通过独立LSTM网络对各VMD模态进行预测并重构输出。模型结合了信号分解、智能优化与深度学习优势,显著提升了在多云、阴雨等复杂天气下的预测精度与稳定性,并通过MAE、RMSE、MAPE和R²等指标验证了有效性。文中还提供了完整的MATLAB实现流程,涵盖数据清洗、归一化、滑动窗口构建、参数优化与结果可视化等环节。; 适合人群:具备一定机器学习与时间序列预测基础,从事新能源发电预测、智能电网调度、电力系统自动化等相关领域的科研人员、工程师及研究生。; 使用场景及目标:①解决光伏功率受辐照度、温度等因素影响而导致的强随机性、非平稳性预测难题;②提升短期(15分钟至1小时)光伏出力预测精度,支撑电网经济调度、储能协同控制与电力现货市场申报;③为多源气象数据驱动的可再生能源预测提供可扩展的技术框架。; 阅读建议:建议结合提供的MATLAB代码逐步实践,重点关注GWO与SSA的优化机制、VMD分解效果及其与LSTM的集成方式,注意避免时间泄漏问题,推荐在实际数据上复现实验以深入理解模型性能。

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

【CEEMDAN-VMD-GRU】完备集合经验模态分解-变分模态分解-门控循环单元预测研究(Python代码实现)

内容概要:本文提出了一种融合完备集合经验模态分解(CEEMDAN)、变分模态分解(VMD)与门控循环单元(GRU)的复合预测模型,旨在提升对复杂非平稳时间序列的预测精度。首先利用CEEMDAN对原始信号进行自适应分解,有效缓解模态混叠问题,获得一组本征模态函数(IMFs);随后引入VMD对关键模态分量作进一步优化分解,增强特征分离能力,降低噪声干扰;最后将处理后的平滑分量分别输入GRU神经网络进行独立训练与预测,并通过加权集成策略融合各分量输出,得到最终高精度预测结果。该方法结合了多尺度信号分解与深度学习的优势,显著提升了模型在处理强噪声、非线性、非平稳序列(如电力负荷、风速、光伏发电功率等)时的泛化能力和预测稳定性,文中提供了完整的Python代码实现,便于复现与应用。; 适合人群:具备一定Python编程基础和机器学习理论知识,从事科研或工程应用的硕士、博士研究生及科研人员,尤其适用于能源系统预测、智能电网调度、可再生能源管理、信号处理与时间序列分析等相关领域的研究人员和技术开发者。; 使用场景及目标:①解决传统单一预测模型在面对复杂非平稳时间序列时存在的过拟合、收敛慢、精度低等问题;②通过多阶段信号分解降低原始序列的复杂度与不确定性,提升GRU模型的训练效率与预测鲁棒性;③为电力系统负荷预测、新能源出力预报、设备运行状态预警及市场交易策略制定等关键任务提供高精度数据支撑。; 阅读建议:建议读者结合提供的Python代码逐模块理解算法实现流程,重点关注CEEMDAN与VMD的参数配置对信号分解效果的影响,尝试在不同数据集上进行实验对比,并通过可视化手段分析各模态分量的物理意义,进一步掌握模型调优与性能评估的方法。

从315MHz到125kHz:手把手教你用Arduino模拟汽车钥匙的RKE/PKE信号(附代码)

本文详细介绍了如何使用Arduino开发板和射频模块模拟汽车钥匙的RKE/PKE信号,包括硬件准备、代码实现和安全机制。通过实践教程,读者可以深入理解315MHz和125kHz信号在汽车电子领域的应用,掌握无钥匙进入系统的核心技术。

weixin_30945039的博客 225

开源项目 ruoyi-sso-oauth2(一)环境配置

Ruoyi若依实现单点登录SSO、oauth2认证

Xiaoweidumpb 9685

【180609】剑侠情缘_整套源码+地图编辑器(单机学习例子)

剑侠情缘_整套源码+地图编辑编(单机学习例子)完整源码下载地址:点击下载备用下载地址:点击下载

资源小站 6281

ESP32S3与ILI9341 LCD屏LVGL移植实战:从零构建嵌入式GUI界面

本文详细介绍了如何在ESP32S3平台上移植LVGL图形库并驱动ILI9341 LCD屏幕,从硬件选型、开发环境配置到显示驱动实现和内存优化。通过实战案例讲解移植过程中的关键步骤和常见问题解决方案,帮助开发者快速构建嵌入式GUI界面。

h9j8k7l6m5n的博客 1098

基于STM32F407与AD9910/AD9959的高频可调DDS信号源设计与实战

本文详细介绍了基于STM32F407微控制器与AD9910/AD9959高性能DDS芯片的高频可调信号源设计与实现。文章从DDS原理入手,阐述了双芯片方案的优势,并重点分享了高频电路设计中的电源、PCB布局布线等关键硬件设计技巧与避坑指南。同时,提供了通过SPI配置DDS芯片及利用Matlab生成任意波形的软件驱动方法,旨在帮助开发者打造一个覆盖10Hz至4200MHz的实用信号发生器。

weixin_36184718的博客 123

别再怕DRIVER_VERIFIER_DMA_VIOLATION蓝屏:手把手教你用WinDbg分析IOMMU与驱动冲突

本文深入解析DRIVER_VERIFIER_DMA_VIOLATION蓝屏错误,从IOMMU原理到实战排错,手把手教你使用WinDbg分析驱动冲突。通过理解DMA与IOMMU的核心机制、搭建分析环境、解读DMAR表与设备拓扑,最终定位问题驱动并提供解决方案,帮助开发者和IT运维人员有效应对此类系统崩溃问题。

weixin_30298497的博客 805

细说VLAN之untag和tag

一、拓扑图 先给出上面拓扑图的结论,后面再详细讲解: 结论:只有PC1与PC4之间能相互通信,除此之外,所有PC之间均不能通信,比如PC1与PC3不能建立通信。 针对Ping命令的一个知识: 要想ping通某台主机,必须满足两个条件: 1,源主机的ICMP请求包必须能达到目的主机。 2,目的主机的ICMP应答包必须能回到源主机。 二、理论基础 端口的出...

NoobMaster的博客 3万+

android6 usb默认文件管理,不弹RSA配对提示框

本文修改针对 高通 Android6.0.1 出user版本时 https://www.cnblogs.com/Jokeyyu/p/7424262.html http://blog.youkuaiyun.com/sinc00/article/details/44957943 diff --git a/frameworks/base/packages/SystemUI/src/com/android...

木叶风的博客 692

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

上一篇: 21、临床研究中的响应自适应随机化设计详解
下一篇: 23、自适应随机化在临床试验中的应用与优化
postgres8guard
博客等级 码龄4年 62粉丝 1443原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值