PMF模型误差估计与可靠性数据分析
需积分: 50 155 浏览量
更新于2024-08-08
收藏 9.58MB PDF 举报
"基本模型替代误差估计-可靠性数据分析教程"
在PMF(Positive Matrix Factorization,正交矩阵因子分解)源解析模型中,该教程聚焦于基本模型替代误差估计方法,这是评估PMF解决方案的一种策略,特别是针对源配置文件的旋转歧义。DISP(Discrepancy)误差估计技术被用来确定解决方案的不确定性,而不会显著增加Q值。Q值是PMF模型中的关键参数,代表模型拟合优度,分为Q(真)和Q(鲁棒)两个版本。Q(真)考虑所有数据点,而Q(鲁棒)则排除那些残差超出四倍不确定度的数据点,以降低异常值的影响。
DISP误差估计可以独立于BS(Bootstrap)运行,也可以在BS和BS-DISP之后运行,分别在5.8和5.9部分详述。在用户选择的解决方案下,因子信息的每个值首先上下调整一次,然后计算所有其他值以达到关联的PMF并找到最小Q值。值得注意的是,这个新计算的最小Q值(修改后)可能与未经调整的解决方案(基础值)的Q值不同。
在调整因子信息值时,最大允许的差异(DQ=基 - 修改)受到dQmax的约束,dQmax是预先设定的最大差值。模型会为每个dQMax值(如4、8、15、25)生成结果,展示在各因子中每个元素的DISP执行和源信息值的区间(最小和最大值)。例如,如果有20种元素在一个数据集中,且采用7个因子模型,DISP方法将为每个dQMax值估计140个间隔。
模拟研究表明,dQ值为4和8通常提供最小的误差范围,并且导致最少的基底因子值超出范围。EPA的PMF应用中,所有dQmax值都会被考虑。PMF模型通过最小化目标函数Q,结合样品浓度和用户提供的不确定度权重,确保无显著负贡献的样品。因子贡献和因字数的优化是通过多线性多次迭代(ME)算法实现的,该算法从随机起点寻找最优解。尽管梯度方法可能找到局部而非全局最小值,但通过多次运行(如20次和100次)可以提高找到全局最小解的概率。选择最佳运行的标准是Q(鲁棒)的稳定性,其变化小意味着解决方案更可靠。在数据定义的空间和起点的组合导致最小Q(鲁棒)路径变化时,这种变化提供了对模型稳定性的指示。
2019-01-22 上传
2021-09-27 上传
2022-04-16 上传
2021-05-25 上传
点击了解资源详情
点击了解资源详情
点击了解资源详情
点击了解资源详情
点击了解资源详情
马运良
- 粉丝: 34
- 资源: 3876
最新资源
- Java毕业设计项目:校园二手交易网站开发指南
- Blaseball Plus插件开发与构建教程
- Deno Express:模仿Node.js Express的Deno Web服务器解决方案
- coc-snippets: 强化coc.nvim代码片段体验
- Java面向对象编程语言特性解析与学生信息管理系统开发
- 掌握Java实现硬盘链接技术:LinkDisks深度解析
- 基于Springboot和Vue的Java网盘系统开发
- jMonkeyEngine3 SDK:Netbeans集成的3D应用开发利器
- Python家庭作业指南与实践技巧
- Java企业级Web项目实践指南
- Eureka注册中心与Go客户端使用指南
- TsinghuaNet客户端:跨平台校园网联网解决方案
- 掌握lazycsv:C++中高效解析CSV文件的单头库
- FSDAF遥感影像时空融合python实现教程
- Envato Markets分析工具扩展:监控销售与评论
- Kotlin实现NumPy绑定:提升数组数据处理性能