Сравнение и выбор: Реакторы выбор и сравнение — Справочник химика 21

Содержание

Реакторы выбор и сравнение — Справочник химика 21

    В книге рассмотрены важнейшие понятия химической кинетики. Изложены основы теории реакторов различных типов (периодического и непрерывного действия, колонных каскадов). Описаны реакторы с твердой фазой (неподвижным и псевдоожиженным слоем катализатора). Рассмотрены случаи протекания в аппаратах реакций, сопровождаемых абсорбцией и экстракцией. Приведены методы расчета реакторов с мешалками (аппараты идеального смешения) и трубчатых реакторов (аппараты идеального вытеснения). Даны сравнение реакторных установок и рекомендации по выбору реакторов. Во втором издании книги (первое издание вышло в 1968 г.) более подробно рассмотрены вопросы моделирования и оптимизации реакторов. [c.4]
    Из приведенных примеров видно, что один и тот же процесс можно осуществить в реакторах различных типов. Выбор оптимальной технологической схемы реактора является сложной задачей, включающей оптимизацию каждой из возможных схем реактора п сравнение их друг с другом. 
[c.29]

    Этап выбора типа основного аппарата (реактора). При проектировании нового процесса следует иметь в виду, что тип реактора, его размеры, наряду с режимными параметрами, являются также искомыми. В ходе построения модели необходимо произвести выбор типа реактора путем сравнения возможных вариантов с учетом влияния на процесс особенностей конструктивного оформления аппарата. С этой целью могут быть использованы последовательные расчеты нескольких вариантов и выбор лучшего из них, анализ лабораторных кинетических экспериментов, информация о работе реакторов при осуществлении аналогичных процессов и др. В неко- [c.60]

    Методом многоходового выбора вариантов были проведены также расчёты задачи ( 26, 27, 28 ) с исключением из (26) обратимой реакции.-В последнем случае при сохранении основных особенностей оптимального температурного режима удавалось достигнуть большего содержания продукта В на выходе из реактора в сравнении с соответствующим процессом с обратимой реакцией (27). 

[c.363]

    Каждый раз при увеличении масштаба проектировщики тщательно изучают поведение большого реактора по сравнению с поведением модельного аппарата, фиксируют отклонения в его характере , т.е. в производительности, устойчивости, реакции на изменение режимов работы. Очевидно, что такой ступенчатый подход сильно затягивает сроки разработки новых процессов. Теперь становится ясным также, почему проектанты столь осторожны в выборе решений-а вдруг теория подобия не сработает и большой реактор будет функционировать не так, как предполагали при его проектировании. Это приведет к ухудшению качества продукта, увеличению расходов. [c.183]

    Эти дополнительные факторы часто могут оказаться причиной выбора иного типа реактора по сравнению с тем, который представляется целесообразным при рассмотрении только химической кинетики процесса. 

[c.143]

    Рассмотренный метод дал более эффективное решение (на 17,1%), чем метод, использующий стратегию минимакса, и более эффективное решение (на 4,4%) по сравнению с методом, использующим стратегию. минимума среднеарифметического значения критерия г] . При этом получена большая статистическая достоверность результатов, что обусловлено уменьшением объема реактора V и выбором оптимальных значений коэффициентов структурного разделения обратных технологических потоков. [c.137]


    Изменение плотности реакционной массы по мере ее протекания через реактор, выраженное изменением объема смеси, также влияет на выбор расчетного объема аппарата. Однако это влияние мало по сравнению с тем, которое оказывает характер движения жидкости в реакторе. Увеличение объема реакционной массы (или уменьшение ее плотности) во время реакции приводит к возрастанию соотношения объемов указанных реакторов, т. е. вызывает снижение эффективности проточного реактора идеального смешения в отличие от реактора идеального вытеснения. Уменьшение объема реакционной массы при протекании реакции приводит к обратному результату — повышению эффективности проточного реактора идеального смешения в сравнении с реактором идеального вытеснения. 
[c.134]

    Для одного н того же реактора можно выбрать несколько моделей, отличающихся одна от другой по числу принимаемых во внимание параметров. Модель, учитывающая меньшее число признаков и параметров, считается более узко й большее число — более ш и -р о к о й Модель может отображать одновременно признаки отдельных частей объекта и его самого или только свойства объекта в целом. Первую модель будем называть более сильной по сравнению со второй. Выбор модели определяется решением практических задач. [c.460]

    Оптимальный температурный режим, рассчитанный таким способом, может быть использован для выбора целесообразного числа слоев в реакторе идеального перемешивания. В результате расчета оптимального многослойного реактора идеального перемешивания и сравнения полученных данных с оптимальным режимом в реакторе идеального вытеснения было установлено, что в интервале изменения степени превращения 0,3—0,6 при избирательности от 0,65 до 0,7 установка аппаратов с числом слоев больше трех нерациональна. 

[c.93]

    Одним из факторов, используемых для сравнения и выбора реакторов, является влияние концентрации реагентов, точнее движущей силы процесса на производительность реактора. При этом условно принимается постоянство других параметров технологического режима Распределение концентрации реагентов в различных моделях реакторов приведено на рис. 21, 27 и в табл. 2. [c.92]

    Основными факторами сравнения химических реакторов, определяющими выбор типа аппарата, являются кинетика химической реакции, отношение порядков основной и побочных реакций, а также распределение времени пребывания реагентов, концентраций и температур в реакционном объеме. Эти факторы в различных типах реакторов могут по-разному влиять на степень превращения реагентов, избирательность их химического превращения, себестоимость получаемого продукта. Одной из важнейших характеристик реактора является его удельная производительность, непосредственно связанная с кинетикой химического процесса и типом аппарата. 

[c.178]

    Преимущество термоядерного синтеза по сравнению с реакциями расщепления урана заключается в т ом, что продукты синтеза нерадиоактивны. Радиоактивными становятся конструкции реактора, подвергающиеся нейтронному облучению. В связи с этим необходим соответствующий выбор материала для реактора. [c.80]

    Шахтные печи с движущимся под действием гравитационных сил слоем гранулированного или таблетированного катализатора являются наиболее простыми реакторами для термообработки. Их широкое применение в катализаторных производствах обусловлено незначительными потерями катализатора из-за разрушения или истирания, надежностью работы. По конструкции такие печи принципиально не отличаются от описанных выше шахтных сушилок. Значительно более жесткий температурный режим работы печей по сравнению с сушилками сказывается главным образом на выборе конструкционных материалов для изготовления основных элементов. Используют печи периодического и непрерывного действия. Разовая загрузка в печи периодического действия для различных конструкций составляет 400—5000 л. Производительность печей непрерывного действия находится в пределах от 20 до 650 кг/ч. Температура прокалки 500—1440 °С. 

[c.204]

    IX. Сравнение, выбор, моделирование, и оптимизация реакторов [c.2]

    СРАВНЕНИЕ, ВЫБОР, МОДЕЛИРОВАНИЕ И ОПТИМИЗАЦИЯ РЕАКТОРОВ [c.191]

    СРАВНЕНИЕ И ВЫБОР РЕАКТОРОВ [c.191]

    При выборе и сравнении реакторов по кинетическим характеристикам процесса часто пользуются зависимостью между величиной обратной скорости реакции и конверсией. Этот метод позволяет подобрать оптимальный по производительности вариант аппаратурного оформления процесса для кинетического уравнения практически любого типа реакции. 

[c.132]

    Задача об ОТП, как мы видим, несколько идеализирована, так как точное осуществление выбранной оптимальной функции Т (т) достижимо, в общем случае, лишь при бесконечно большом числе степеней свободы проектирования. Валзадача математически легче выбора опти.маль-ных значений конечного числа варьируемых переменных. При ее решении мы получаем относительно простые расчетные уравнения, которые можно анализировать обычными математическими методами, выявляя характер ОТП для конкретной схемы реакций. Выход продукта, или в общем случае значение критерия оптимальности для реактора идеального вытеснения, температура по длине которого изменяется оптимально, в большинстве случаев дает теоретический максимум того, что можно получить в данном процессе на данном катализаторе . Мы получаем, таким образом, научно обоснованную меру, во-первых, для оценки эффективности реального процесса и, во-вторых, для сравнения разных катализаторов. 

[c.242]


    Эти дополнительные соображения часто могут оказаться гфичиной выбора иного тина реактора по сравнению с тем, который представляется целесобб )азным при рассмотрении только химической кинетики процесса. Однако здесь мы ограничимся рассмотрением лишь одного аспекта проблемы выбора реактора, который, по-видимому, до сих пор недостаточно учитывается проектировщиками. [c.106]

    Из рис. У-5 видно, что при предварительном быстром нагреве степень превращения повышается по сравнению с равномерным нагревом при одинаковом суммарном расходе тепла. В данном примере выбор тепловых нагрузок 37 800 и 12 600 вт1м был сделан неудачно, поэтому температура жидкой фазы уменьшилась в последней секции печи. В общем случае отрицательный температурный градиент вдоль реактора будет приводить к образованию кокса на поверхности труб. Выбор тепловых потоков плотностью 31 460 и 8670 вт1м возможно улучшит температурный режим печи по сравнению с равномерным подводом тепла (25 200 вт/м ). 

[c.163]

    Если В — целевой продукт, то существование реакции расщепления, приводящей к образованию С, ставит перед необходимостью выбора реактора вытеснения. Кроме того, если побочная параллельная реакция образования D имррт более высокий порядок по сравнению с реакцией образования полезного продукта В, то в этом случае более рационально проводить процесс в реакторе смещения. Таким образом, наличие этих двух обстоятельств не позволяет прийти к однозначному выводу. Каждый из рассмотренных реакторов может обладать большим выходом в зависимости от соотнощения между константами скоростей этих трех реакций. [c.133]

    Полученные ранее критерии tie, щ, могут быть использованы при сравнении различных теплоносителей. С этой задачей встречаются при выборе теплоносителя для охлаждения атомных реакторов, для различных теплообменных аппаратов, а также при выборе рабочих тел для замкнутых циклов, например ЗГТУ. Обычный путь решения этой задачи — сравнение результатов расчета вариантов, полученных при использовании различных теплоносителей. Однако результаты такого сравнения существенно зависят от принятых тепловых схем, условий сопоставления и рассматриваемых консттрукций. Поэтому прежде чем сравнивать показатели вариантов с различными теплоносителями, целесообразно предварительно провести сопоставление свойств непосредственно самих теплоносителей для оценки перспективы их возможностей и достижимых показателей при различных параметрах. Основой такого сопоставления может служить разработанная выше методика сравнения поверхностей при условии постоянства конфигурации каналов и их пространственного расположения в решетке, что приводит к условию 112= 1- К роме того, смена теплоносителя в аппарате не влияет на коэффициент gx, т. е. gx2/gxi = l (здесь индекс 1 означает заданный, а 2 — исследуемый теплоноситель. Отсюда следует, что результаты сравнения для Q, F, N w Q, X, N характеристик аппарата будут одними и теми же. Это упрощает общее решение задачи. [c.102]

    Исследование реакторов для систем газ—жидкость с целью их эасчета и проектирования ведется в следующих направлениях 10] изучение механизма и скорости процесса массопередачи, осложненного химической реакцией моделирование структуры потоков двухфазной системы оценка влияния продольного перемешивания на эффективность реакторов определение межфазной поверхности, удерживающей способности, перепада давления. Важным вопросом является выбор типа реактора. Сравнение коэффициентов массоотдачи по жидкой фазе для систем газ—жидкость в различных реакторах приведено в табл. 4.1 [10]. [c.83]

    При рассмотрении любой ХТС всегда обнаруживается функциональная взаимосвязь аппаратов. Так, например, в ХТС, включающей реактор и аппарат разделения, реактор, который обеспечивает высокую степень превращения исходных продуктов, облегчает работу аппарата разделения. Однако работа реактора с низкой степенью превращения в ХТС может быть кодшенсирована за счет интенсификации процесса выделения целевого продукта. Следовательно, существует компромиссный вариант в выборе оборудования и режимов работы аппаратов ХТС. Аналогично в ХТС существует связь, например, между абсорбером и ректификационной колонной более интенсивно действующий абсорбер обусловливает меньшие требования к ректификации по сравнению с абсорбцией. [c.9]

    Таким образом, знак наклона кривой трр — является показателем для выбора тина реактора, обеспечивающего наибольший выход. Он Э1 вивалентен показателю, приведенному ранее Денби-гом 1 , Трамбузом и Пиретом которые рассматривали знак величины для реакционной спстемы. Когда он отрицателен, наиболее благоприятны для образования целевого продукта низкие степени превращения и предпочтительным является трубчатый реактор когда он положителен, большую часть целевого продукта следует получить ири высокой степени превращения (предпочтительнее кубовый реактор). В последнем случае производительность реактора обязательно будет низкой, так что всегда потребуется большой реакционный объем (по сравнению с трубчатым реактором). Следует лп, и до какой степени целесообразно, пожертвовать некоторой долей выхода для повышения производительности реактора (например, за счет применения каскада кубовых реакторов) Это могут показать только эконолшческпе расчеты. [c.203]

    Цель расчета по модели — определение влияния цйклическог зменения входных параметров на выход целевого продукта. Исследования проводились в следующих направлениях 1) выбор канала для нанесения возмущений 2) выбор фор кШ возмущающих воздействий 3) влияние изменения концентрации диоксида углерода в газовом потоке на входе в реактор а) на температурный режим потока б) на температуру в слое катализатора в) на качество образующегося метанола (с точки зрения образования примесей и увеличения концентрации воды). Выбор канала для нанесения возмущений выполнен с учетом возможности изменения параметров в промьппленных условиях. Для интенсификации процесса выбран расход диоксида углерода, который приводит к изменению концентрации Oj во входном потоке. Расчет технологических режимов выполнялся для случаев синусоидальной, прямоугольной и трапециевидной форм возмущающих воздействий. Анализ полученной информации показал целесообразность использования симметричных прямоугольных волн д.чя увеличения выхода метанола по сравнению с традащионным стацнон шы.ч режимом. При этом изучалось влияние периода возмущающих воздействий и их амплитуды. Установлено, что прирост производительности по метанолу в большей степени зависит от периода цикла, чем от амплитуды. Расчеты показали, что рабочий диапазон изменения температуры и расхода СО2 при реализации циклических режимов совпадает с диапазоном, определенным стационарными условия 1и проведения процесса. [c.65]

    Шахтные печи. Наиболее простыми реакторами для прокаливания являются шахтные печи с движудцимся под действием гравитационных сил слоем гранулированного или таблетированного катализатора. Их широкое применение в катализаторных производствах обусловлено высокой равномерностью прогрева катализатора, незначительными потерями катализатора из-за разрушения или истирания, сравнительной простотой устройства и надежностью работы. По конструкции такие печи принципиально не отличаются от описаннйх выше шахтных сушилок. Значительно более жесткий температурный режим работы печей по сравнению с сушилками сказывается главным образом на выборе конструкционных материалов для изготовления основных элементов. [c.251]

    Существуют различные варианты новой схемы. Выбор оптимальной схемы определяется в основном экономическими факторами. Головное место в секции ректификации может занимать пропановая колонна или колонна отиарки изобутана возможно также, что обе колонны фактически работают параллельно, причем остаток из пропановой колонны возвращается в отпарную колонну как часть поступающего в нее питания. Проведено весьма детальное обследование одной установки, работающей по этой третьей схеме. Она была выбрана как наиболее экономичная из всех современных вариантов для установок большой производительности, достигающей почти 1600 м /сутки алкилата. Важнейшие особенности этой установки представлены на рис. 3. Деэтанизированное алкеновое сырье и свежий изобутан подвергают раздельно осушке бокситом. Свежий изобутан поступает в про-межуточны изобутановый резервуар, где смешивается с циркулирующим изобутаном, после чего смесь насосом подается в реактор. Перед поступлением в реактор этот изобутан энергично смешивается с сырьем. Углеводородный продукт, избыток пзобутана и растворенная кислота из отстойника поступают в две работающие параллельно ректификационные колонны. Этот случай является первым известным авторам примером подобной схемы ректификационной секции. Схема эта дает значительные преимущества по сравнению с другими схемами ректификации. [c.174]

    Взвешивание и дозирование сыпучего и жидкого сырья в весовых емкостях с тензодатчиками является более рациональным и надежным по сравнению со взвещиванием в реакторах-смесителях. Одно из достоинств метода — возможность выбора весовой -емкости любого объема, что позволяет отмерить в реактор необходимое количество сырья всего за один цикл. При наличии нескольких весовых емкостей различное сырье может подаваться в реактор одновременно, что сокращает время лозироваиия. [c.121]

    Сравнение трех- и четырехзонного реакторов с одинаковой подачей реакционной смеси в первую зону показывает, что при значительном увеличении длины четырехзонного реактора его производительность повышается несущественно. Производительность трехзонного реактора выше, чем четырехзонного, в том случае, если в его первую зону подается большое количество смеси, т.е. влияние распределения потоков по зонам оказывается более сильным, чем выбор числа зон. [c.97]

    По сравнению с другими процессами каталитпчес1 ого крекинга крекипг с псевдоожиженным пылевидным катализатором обладает большей гибкостью в отношении выбора режима. В частности, имеется возможность работать с температурой в реакторе вышо 500° С (до 540° С) и получить газ, богатый непредельными. [c.268]

    Трубчатые змеевики и окислительные колонны широко используются в производстве нефтяных окисленных битумов. В связи с этим необходимо сравнить затраты на производстсо битумов в каждом из этих реакторов с целью определения и обоснованного выбора наиболее эффективного аппарата. Такие сравнения проводились неоднократно [1—4], причем подсчет осуществлялся на основе анализа действующих производств. Но поскольку в общих расходных показателях конкретной установки трудно выделить долю, приходящуюся на окислительный узел, наблюдаются большие расхождения. Это приводит к противоречивым выводам. Так, металлоемкость производства битумов в трубчатых реакторах больше, чем в колоннах, по одним данным, в 60 раз 21, по другим — в 1,2 раза [1]. Или по мнению одних исследователей, расход топлива не зависит от конструкции окислительного аппарата [3], по мнению других — он выше в 2,7— [c.32]

    Задачи моделирования чрезвычайно сложны, и это определяет достоверность метода. Изменение масштабов натуры по сравнению с моделью вызывает не поддающиеся учету изменения в характере взаимодействия реагирующих веществ и избирательности процесса. Выбор критерия моделирования зависит от области протекания процесса кинетической, внешней или внутренней диффузии. Одно временное сосуществование условия idem для некоторых критериев подобия химических и нефтехимических реакторов невыполнимо. Экономичность процесса требует оптимальных условий работы реактора. [c.196]

    При отсутствии пли малом газовыделении схему движения выбирают исходя из получения минимального объема аппарата, т. е. оптимизацией. Последнюю проводят сравнением оптимальных для каждой схемы движения размеров аппарата. Размеры аппарата — объем и высоту — рассчитывают так же, как для реактора-растворителя, по выражениям (89) — (91). Онп прямо зависят от скорости реагента Vp, выбор которой определяется направлением движения потоков и характеристической скоростью твердой частицы uq. В прямотоке сверху скорости С о и Vp складываются и, следовательно, скорость Vt будет максимальна, т. е. это напменее выгодный вариант. При прямотоке снизу необходимо, чтобы скорость Vp была больше, чем Vg  [c.150]

    Таким образом, результаты сравнения различных кинетических моделей показывают, что расчетные значения конверсии и температуры в адиабатическом реакторе сильно зависят от выражения скоростей реакций, описывающих с одинаково точностью опытные данные изотермического реактора. Отсюда следует, что для выбора модели кроме кинетических данных, полученных в изотермических условиях, необходимо проведение опытов в адиабатических условиях. Только в этом случае можно сделать окончательный выбор из большого числа кинетичес их моделей, описывающих процесс. [c.97]

    Отметим, что периодические изменения входных параметро использовались для нестационарного ведения технологического процесса, и в ряде случаев этот способ оказался более эффективным, чем стационарный [1, 2]. Поэтому представляется полезным выяснение на просто модельной ситуации (реакторе идеального пере-мешпвания) возможностей изменения динамического поведения при переменной скорости подачи газовой смеси. Выбор промежуточного темпа изменения скоростп подачи также не является случайным. Изменение скорости подачи в темпе изменений концентрации реагирующих на поверхности катализатора веществ вряд ли возможно. Поэтому всякое реальное измененпе скорости подачи будет медленным по сравнению с темпом измеиення концентраций реагирующих веществ. [c.226]

    Выбор материала, например, может зависеть от мощности имеющегося прокатного оборудования, размера печей для термообработки и наличия соответствующих приспособлений для закалки. Важное значение могут также иметь ограничения, связанные с транспортными средствами. Так, в Западной Европе максимальная масса изделий, которые можно перевозить на далекие расстояния, меньше, чем в США. Следовательно, в Западной Европе по сравнению с США имеется больше оснований для применения в толстостенных сосудах давления высокопрочных матери-алов. Например, обечайки химических реакторов для крупных установок по производству аммиака в Западной Европе изготовляют из высокопрочной легированной стали, а в США из спокойной, раскисленной кремнием углеродистой стали А515, сорт 70 по стандарту ASTM. Расчетная температура для таких конвертеров обычно ниже 350° С, и в этих условиях сталь А515 является [c.227]


SQL выбор и сравнение — CodeRoad



Я пытаюсь извлечь все из таблицы клиентов и облигаций, где client.id не равен bond.client, а облигация client.bond не равна bond.id. Мой запрос не сработал и вместо этого возвращает весь список. Как я могу решить эту проблему? Мой запрос хочет вывести 4 , 5 из клиентской таблицы и 5, 5 из таблицы облигаций в результате

Клиентский стол

Id    Bond

1     2

2     3

4     5

Таблица облигаций

Id    Client

2   1

3   2

5   5
.
SELECT * FROM `client_table` 
 INNER JOIN `bond_table` 
where client_table.id != bond_table.client and client_table.bond != bond_table.id
mysql database phpmyadmin
Поделиться Источник lowyat2017     03 августа 2017 в 07:00

2 ответа


  • Сравнение в пользу SQL

    Попытка сделать сравнение времени в запросе преимущества. Я не смог найти ответ в документации Advantage. Кажется, все должно быть очень просто. Определение таблицы таково: CREATE TABLE TBL ( ID AutoInc, Date Date, [T] Time ) Основываясь на этой книге в google books , я решил, что смогу просто…

  • Сравнение строк в SQL Server 2008

    Есть ли у SQL Server 2008 метод сравнения строк, который проверяет, какая строка должна быть первой (например, ‘abc’ идет перед ‘abd’ и т. д.)? Мне нужно сделать сравнение <=.



0

может использоваться не в предложении

  SELECT * FROM `client_table` 
  INNER JOIN `bond_table` on client_table.id  
      not in  ( select bond_table.client  from bond)
          AND client_table.bond not in ( select bond_table.id from bond)

но исходя из того, что вы показываете в комментарии, вы должны использовать OR (а не AND)

  SELECT * FROM `client_table` 
  INNER JOIN `bond_table` on client_table.id  
      not in  ( select bond_table.client  from bond)
          OR client_table.bond not in ( select bond_table.id from bond)

Поделиться scaisEdge     03 августа 2017 в 07:13



0

Пожалуйста, попробуйте это:

SELECT c.ClientID, c.BondID from client_table c
left join bond_table b
on c.clientID = b.clientID
where b.clientID is null
UNION 
SELECT b.ClientID, b.BondID from bond_table b
left join client_table c
on c.clientID = b.clientID
where c.clientID is null

Поделиться Rajeev Ranjan     03 августа 2017 в 08:20


Похожие вопросы:


sql алхимический фильтр: разделение строк и сравнение элементов списка

У меня есть строка категорий, хранящихся в таблице. Категории разделены символом,, так что я могу превратить строку в список строк следующим образом: category_string.split(‘,’) Теперь я хочу выбрать…


SQL сравнение строк, больше и меньше операторов

Сегодня я просмотрел несколько примеров запросов и нашел некоторые сравнения строк в условии WHERE. Сравнение было сделано с использованием символов больше (>) и меньше (<), это возможный…


SQL сравнение дат

У меня есть таблица с 1000 записями. Один столбец — это дата публикации, которая принимает формат ‘2008-01-02 00:00:00.000’ . Я хочу запросить базу данных SQL, чтобы получить запись с последней…


Сравнение в пользу SQL

Попытка сделать сравнение времени в запросе преимущества. Я не смог найти ответ в документации Advantage. Кажется, все должно быть очень просто. Определение таблицы таково: CREATE TABLE TBL ( ID…


Сравнение строк в SQL Server 2008

Есть ли у SQL Server 2008 метод сравнения строк, который проверяет, какая строка должна быть первой (например, ‘abc’ идет перед ‘abd’ и т. д.)? Мне нужно сделать сравнение <=.


Сравнение производительности пакетной вставки MongoDB и Sql Server

Кто-нибудь делал сравнение пакетной вставки между MongoDB и Sql Server ? Если да, то какой из них показал себя лучше? если нет, я сделаю это 🙂 Мне это очень любопытно.


Сравнение скорости между Eloquent ORM, построителем запросов и необработанными SQL запросами

Кто-нибудь имеет сведения о скорость сравнение Eloquent ORM, построитель запросов, и необработанные запросы SQL? Что лучше выбрать?


Почему выбор источника Для сравнения схемы SQL приводит к сбою VS2012?

По-видимому, без всякой причины выбор SQL > сравнение схем > сравнение новых схем, а затем попытка select source приводит к сбою Visual Studio 2012. (Он работает, как и ожидалось, в течение…


LINQ-SQL динамический выбор столбца в SqlMethods.Like(), где условие

Есть ли какой-нибудь способ динамически выбрать, в каком столбце это выполняется? Мне не нужно сравнение, только динамический выбор столбца. where SqlMethods.Like(s.GradeLevel, grade)


Почему сравнение SQL timestamp не работает?

В предложении SQL where есть сравнение с полем timestamp: timecrtd > ‘2017-03-01-00.00.00.000000’ Однако возвращенные данные свидетельствуют о том, что сравнение не работает.

Выбор технологии сравнения при проведении фармакоэкономического анализа инновационных лекарственных препаратов

  1. Архив ›
  2. 2017 г., №4, Т. 5

Крылов А.Б., Серпик В.Г., Скулкова Р.С., Ягудина Р.И. 2633

Выбор технологии сравнения при проведении фармакоэкономического анализа инновационных лекарственных препаратов

Настоящая публикация рассматривает проблему выбора технологии сравнения при проведении фармакоэкономического анализа. Актуальность указанной проблематики обуславливается тем, что в основе фармакоэкономического анализа лежит сравнительный конкурентный подход, а технология сравнения, фактически, задает точку отсчета и определяет уровень чувствительности проводимой оценки. Фармакоэкономическая оценка наиболее востребована для инновационных лекарственных препаратов. В этой связи выбор технологии сравнения во многом предопределяет результаты фармакоэкономической оценки инновационного лекарственного препарата. Используемый традиционно подход при выборе технологии сравнения в фармакоэкономическом анализе, основанный на соответствии показания к медицинскому применению между исследуемым лекарственным препаратом и технологией сравнения, имеет некоторые ограничения, особенно когда оценивается новый, первый в своем классе лекарственный препарат. В этом случае в качестве технологии сравнения, как правило, используют давно применяющиеся лекарственные препараты, которые несопоставимы с инновационным препаратом ни по эффективности (обычно значительно уступая ему), ни по уровню затрат – инновационный лекарственный препарат, зачастую, драматически дороже. В указанных условиях с высокой вероятностью результаты фармакоэкономической оценки инновационного лекарственного ЛП окажутся негативными. При этом полученные негативные результаты могут являться свидетельством не столько неприемлемости инновационного препарата, сколько последствием некорректного выбора технологии сравнения, которая задает такой уровень чувствительности фармакоэкономического анализа, при котором оцениваемый инновационный препарат заведомо оказывается за его границами. Для решения возникшей ситуации авторы предлагают к обсуждению альтернативный подход к выбору технологии сравнения при проведении фармакоэкономического анализа

Библиографическая ссылка: Ягудина Р.И., Серпик В.Г., Крылов А.Б., Скулкова Р.С. Выбор технологии сравнения при проведении фармакоэкономического анализа инновационных лекарственных препаратов // Фармакоэкономика: теория и практика. — 2017. — Т.5, №4. — С.5-11 DOI: https://doi.org/10.30809/phe.4.2017.3

Сравнение и выбор радиоприемников

В наши дни рынок электронного оборудования имеет множество разнообразных моделей радиоприёмников от различных производителей. На какие характеристики обратить внимание, чтобы выбрать качественный приёмник радиовещания?  Статья рассказывает об аспектах выбора, исходя из индивидуальных предпочтений покупателя. Проводится анализ технических характеристик, которые влияют на качество приёма сигнала в ваших условиях.   

Что такое радиоприемник?

Радиоприёмник – это устройство, которое можно настроить на приём необходимой волны радиоэфира, модулированную звуком, и воспроизводить данный звуковой сигнал. В англоязычных странах такое устройство получило название receiver (ресивер). Более того, в современном мире начали появляться модели, которые не только принимают сигналы от радиостанций, но способны воспроизводить передачи из интернета. Такие модели называли интернет-радиоприёмник.

Стандартные радиоприёмники делятся по следующим классификациям:
  •  — По принимаемому диапазону радиоволн: ДВ, СВ, КВ, УКВ.
  •  — По виду используемой модуляции: АМ, FM.
  •  — По применяемому тюнеру: аналоговые, цифровые.
  •  — По исполнению: стационарные, портативные(переносные, карманные)
  •  — По способу питания: сетевые, батарейные, аккумуляторные.

Диапазоны волн эфирных радиоприемников

Длинноволновый. Вещательный длинноволновой диапазон (ДВ) характеризуется длиной волны от 700 до 2000 метров, англоязычное название — Longe Waves (LW). Время суток имеет низкое влияние на распространение. Исходя из мощности передатчика, волна способна распространяться на сотни и даже 1000 км. Качество звука на данной волне низкое, по этой причине количество радиостанций этого диапазона постепенно уменьшается.

Средневолновый. Средние волны (СВ) с длинной волны 200 – 540 метров. Зарубежное название Middle Waves (MW). Время суток имеет большее влияние на распространение, нежели ДВ. Днём ДВ и СВ распространяются одинаково. В ночное время, за счёт отражения от ионосферы, диапазон распространения способен увеличиться на тысячи км.

Коротковолновый. Коротковолновой диапазон (КВ) – длинна волны 10 – 100м. Основная особенность – дальнее распространение, на которое время суток не влияет. Этот диапазон в радиоприемниках обычно делится на несколько поддиапазонов: два (ночной и дневной) или более. Диапазоны КВ: 90, 75, 60, 49, 40, 31 м — ночные; 25, 21, 19, 16, 15, 13, 11 м — дневные. На английском называются Short Waves (SW).

Ультракоротковолновый. Ультракоротковолновый диапазон делится на два поддиапазона: отечественный УКВ(частоты 65,8-74 МГц) и зарубежный FM (87,5-108 МГц), хотя название иностранного отображает название модуляции Frequency Modulation, с помощью которой передается звук. УКВ частота характеризуется малым количеством помех, ближним распространением и вещание с самым лучшим качеством звука среди остальных диапазонов.

Интернет-радиоприёмники относятся к передовым техническим устройствам современного рынка радиосвязи. В не зависимости от месторасположения устройства, данная модель способна обеспечить высокий уровень качества звучания. Немаловажно, имеет возможность подключения к интернету через Wi-Fi.  


Интернет-радиоприемники относятся к отдельной нише приёмников по нескольким причинам:
  1.  Функциональный набор устройства на много больше, чем у эфирного.
  2.  Всегда высокое качество звучания, вне зависимости от расположения.
  3.  Необходимо беспрерывное подключение к интернету.

 У моделей данного типа основной способ подключения в интернету является Wi-Fi.  


   
                   
Интернет-радиоприёмники имеют несколько преимуществ перед классическими эфирными моделями

  • Более качественный звук.
  • Прямой доступ к многочисленным радиостанциям.
  • Месторасположение приёмника не влияет на качество приёма сигнала.
  • Расширенный поиск музыки.
  •  Добиться высокого уровня звука удаётся за счёт широкой полосы приёма воспроизводимых частот. В то время как эфирные приёмники используют узкие полосы ДВ, СВ, КВ.
  • Доступ к многочисленным радиостанциям обеспечивает возможность подключения к интернету.
  • Интернет – радиоприёмник ловит высокого качества волну, вне зависимости от его местонахождения в квартире, так что вам не придётся искать более высокий уровень приёма и переносить устройство из одного угла в другой. Главное, это наличие доступа к интернету.
  • Возможность искать музыку по индивидуальным настройкам: выбор страны, музыкального жанра и уровня популярности. 



               

Цифровые радиоприемники и аналоговые. В бытовых радиоприемниках установлено два вида тюнера:


Аналоговый радиоприёмник производит обработку и преобразование сигнала при помощи классических методов: детектирование, усиление и преобразование. А поиск необходимой волны происходит классическим методом – с помощью вращения колеса настройки.

Цифровой тюнер находится под контролем процессора, что позволяет повысить стабильность частоты и обеспечивает несколькими дополнительными полезными функциями. 


Преимущества цифровых радиоприемников
                  Наличие процессора в цифровых радиоприемниках даёт несколько дополнительные преимущества:
  •  — Стабильность частот.
  •  — Автопоиск каналов.
  •  — Кнопки памяти каналов.
  •  — Часы, будильник, таймер сна.
  •  — Система Radio Data System (RDS).
  •  — Воспроизведение звуковых дорожек.
  •  — Работа с внешними USB носителями и флеш-картами.

  • Цифровой синтезатор предоставляет высокую точность частот и стабильность настройки на станцию.
  • Два режима поиска радиостанции: ручной и автоматический. Возможность сохранить необходимую станцию в памяти устройства.
  • Кнопки памяти позволяют записать станцию и выключать её одним нажатием.
  • Наличие часов не только позволяет отслеживать время, но и выключать и выключать устройство в необходимый час, что даёт возможность использовать устройство как будильник. Таймер может выключить приёмник, если длительное время не нажимались на нём кнопки.
  • Система RDS показывает на дисплее текстовую информацию, получаемую от радиостанций.
  • Наличие USB позволяет проигрывать различные музыкальные файлы, к примеру, MP3.
  • USB порт позволяет подключить к приёмнику флешку или SD-карту.

Переносные портативные и стационарные радиоприемники

Радиоприемники по месту использования делятся на несколько групп:

Стационарные. Стационарные приёмники предназначены для установки в помещении. Питание данного типа моделей происходит или от розетки, или с помощью аккумуляторов. Этот тип устройства делится на несколько групп: настенные и настольные

                       
Портативные (переносные). Портативные или переносные модели можно использовать как в помещении, так и на улице. Они также делятся на несколько видов:
    •  Для дачи. 
    •  Для походов и рыбалки. 
    •  Для стройки. 
    •  Для активного отдыха.
Карманные. Карманные приёмники можно считать портативными, но из-за своих небольших размеров относятся к отдельной группе. Их размер настолько мал, что способен помещаться в кармане. Минусом таких моделей является низкая громкость из-за небольших встроенных динамиков.

Сетевые и аккумуляторные радиоприемники

Приёмники можно поделить по способу питания:

Питание от сети. Сетевая модель получает энергию от стационарной сети тока и имеет встроенный блок питания. Некоторые модели могут иметь и отдельный адаптер питания.

От аккумулятора. Аккумуляторные приёмники получают питание от аккумуляторных батарей (АКБ). Устройство подзаряжается встроенным или внешним зарядным прибором.

От батареи. Батарейные радиоприёмники работают от сменных батарей, которые могут иметь различный типоразмер для разных моделей устройств: A, AA, AAA, AAAA, B, C, D. Наиболее предпочтительными батареями считаются «пальчиковые», они имеют типоразмер АА (диаметр 14.5 мм, длина 50.5 мм). Производства данных батарей началось ещё в далёком 1907 году. Данный типоразмер, зачастую, подходит для питания любого приёмника.  

Многие производители выпускают модели с комбинированным питанием.  


Технические характеристики радиоприемников

Основными техническими характеристиками являются:

Чувствительность. Характеристика чувствительности отображает то, насколько слабый сигнал способен уловить приёмник. Измерение чувствительности по напряжению указывается в микровольтах (мкВ), а по напряжению поля – в милливольтах на метр (мВ/м). Чем ниже показатели этих значений, тем слабее сигнал способен принять радиоприёмник.   

Избирательность по соседнему каналу. Избирательность по соседнему каналу означает качество приёма при наличии более сильного сигнала с соседней частоты. Качественная модель способна подавлять соседний сигнал с показателем в несколько миллионов раз, по этой причине избирательность отображается в логарифмических единицах – децибелах (дБ). Чем больше показатель данной характеристики, тем выше уровень избирательности. Модели высокого уровня имеют уровень избирательности в диапазоне от 60 до 100 дБ.

Избирательность по зеркальному каналу.  — Избирательность по зеркальному каналу свойственная исключительно для супергетеродинов. Вышеописанная характеристика аналогична данной, только мешающий сигнал расположен не на соседней волне, а на зеркальной. Появление зеркального канала происходит по причине того, что смеситель преобразует входной сигнал не только в сумме с частотой гетеродина, но и в разности. Входные контура высокого качества способны выделить необходимый сигнал и подавить зеркальный. Характеристика также имеет показатель в децибелах.

Выходная мощность.  Выходная мощность характеризует уровень громкости звука модели. Измерение мощности происходит в Ваттах (Вт) или миллиВаттах (мВт). Стационарные устройства имеют показатели в несколько десятков Ватт, карманные – сотни мВт, портативные – 1 или несколько Вт. Чем выше показатель выходной мощности, тем громче уровень звука.

Потребляемый ток. Для аккумуляторных и батарейных моделей важным показателем является значение потребляемого тока. С его помощью можно рассчитать длительность работы устройства. Измерение тока обозначается в Амперах или миллиамперах. Чем меньше значение тока, тем дольше проработает приёмник. 

Бытовые радиоприёмники не проходят обязательную сертификацию, по этой причине многие производители указывают лишь несколько характеристик: чувствительность, выходную мощность и потребление тока.

СРАВНЕНИЕ И ВЫБОР ВАРИАНТОВ ВЫПОЛНЕНИЯ ЭЛЕМЕНТОВ ТЕХНОЛОГИЧЕСКИХ ОПЕРАЦИЙ ПРИ РАБОТЕ СИСТЕМЫ МАШИН «ХАРВЕСТЕР+ФОРВАРДЕР»

СРАВНЕНИЕ И ВЫБОР ВАРИАНТОВ ВЫПОЛНЕНИЯ ЭЛЕМЕНТОВ ТЕХНОЛОГИЧЕСКИХ ОПЕРАЦИЙ ПРИ РАБОТЕ СИСТЕМЫ МАШИН «ХАРВЕСТЕР+ФОРВАРДЕР»

Опубликована: 2021-08-04

Раздел

ТЕХНОЛОГИИ И МАШИНЫ ЛЕСНОГО ДЕЛА

  • Ю. А. Ширнин Поволжский государственный технологический университет, Российская Федерация, 424000, Йошкар-Ола, пл. Ленина, 3
  • И. Г. Гайсин Поволжский государственный технологический университет, Российская Федерация, 424000, Йошкар-Ола, пл. Ленина, 3
  • С. Г. Рыганова Поволжский государственный технологический университет, Российская Федерация, 424000, Йошкар-Ола, пл. Ленина, 3
  • А. Р. Гатауллин Поволжский государственный технологический университет, Российская Федерация, 424000, Йошкар-Ола, пл. Ленина, 3

Аннотация

В статье представлено сравнение вариантов выполнения элементов технологических операций при работе системы машин «харвестер+форвардер». Разработаны три схемы разработки лент (при укладке пачки под углом к волоку; при укладке пачки параллельно к волоку; при укладке пачки перпендикулярно к волоку). Для харвестера элементами технологической операции являются в частности: срезание дерева, обрезка сучьев, раскряжёвка ствола на сортименты и их укладка в пачки. Варианты схем отличались способом укладки сортиментов в пачки, а именно: под углом к волоку; параллельно с волоком; перпендикулярно к волоку. Для форвардера рассматривались элементы: захват группы сортиментов; доставка их в грузовой отсек; укладка в грузовом отсеке при трёх вариантах размещения сортиментов на ленте. Определена вероятностная продолжительность обработки одного дерева харвестером и погрузки группы сортиментов форвардером по трём технологическим схемам работы, выявлена предпочтительная схема работы системы машин. Рассчитано относительное время двух схем укладки сортиментов для харвестера и форвардера с наименьшим временем по отношению к наибольшему.

Биографии авторов

Ю. А. Ширнин, Поволжский государственный технологический университет, Российская Федерация, 424000, Йошкар-Ола, пл. Ленина, 3

доктор технических наук, профессор, заведующий кафедрой лесопромышленных и химических технологий, Поволжский государственный технологический университет. Область научных интересов – управление экологическими последствиями эксплуатации лесосырьевых ресурсов. Автор 340 научных публикаций.

И. Г. Гайсин, Поволжский государственный технологический университет, Российская Федерация, 424000, Йошкар-Ола, пл. Ленина, 3

кандидат технических наук, доцент кафедры лесопромышленных и химических технологий, Поволжский государственный технологический университет. Область научных интересов – моделирование и оптимизация технологических параметров лесозаготовок, транспорт лесоматериалов. Автор 18 научных публикаций.

С. Г. Рыганова, Поволжский государственный технологический университет, Российская Федерация, 424000, Йошкар-Ола, пл. Ленина, 3

магистрант кафедры лесопромышленных и химических технологий, Поволжский государственный технологический университет. Область научных интересов – технология лесозаготовок. Автор трёх научных публикаций.

А. Р. Гатауллин, Поволжский государственный технологический университет, Российская Федерация, 424000, Йошкар-Ола, пл. Ленина, 3

магистрант кафедры лесопромышленных и химических технологий, Поволжский государственный технологический университет. Область научных интересов – технология лесозаготовок. Автор двух научных публикаций.

Сетевые накопители (NAS) Synology — сравнение моделей

— выберите —HDD HAS5300HDD HAT5300SSD SAT5200M.2 NVMe серии SNV3000FS6400FS3600FS3400Expansion Unit FX2421SA3600SA3400Expansion Unit RX2417sasSA3200DUC3200Expansion Unit RXD1219sasRS4021xs+RS3621xs+RS1619xs+DS1621xs+RS3621RPxsRS3618xsDS3617xsIIRS2821RP+RS2421+/RS2421RP+Expansion Unit RX1217 / RX1217RPRS1221+/RS1221RP+RS820+/RS820RP+DS2419+IIDS1821+DS1621+DS1520+DS920+DS720+DS620slimDS420+DS220+RS819DS418DS218DS218playDS118DS420jDS220jDS120jDS107+ DS108j DS109j DS109DS109+DS110jDS112jDS115jDS119jDS110+DS111DS112DS114DS115DS116DS112+DS207+ DS209j DS209DS209+DS209+IIDS210jDS210+DS211jDS211DS211+DS213jDS215jDS216jDS218jDS214seDS216seDS212DS213airDS214playDS216playDS213DS214DS216DS715DS212+DS213+DS214+DS215+DS216+DS216+IIDS218+DS710+DS712+DS713+DS716+DS716+IIDS718+DS916+DS918+DS1019+CS407eCS407DS408DS409slimDS409DS409+DS410DS411slimDS414slimDS416slimDS419slimDS414jDS411jDS413jDS416jDS418jDS411DS413DS414DS416DS415playDS416playDS418playDS411+DS411+IIDS412+DS415+DS1515DS1517DS1817DS508DS509+ DS1010+DS1511+DS1512+DS1513+DS1515+DS1517+DS1618+DS1812+DS1813+DS1815+DS1817+DS1819+DS2015xsDS2411+DS2413+DS2415+DS3611xsDS3612xsDS3615xsDS3018xsNVR216NVR1218DVA3221RS214RS217RS212RS407RS408RPRS409RS409+/ RS 409RP+RS411RS810+/RS810RP+RS812+/RS812RP+RS814+/RS814RP+RS815+/RS815RP+RS818+/RS818RP+RS1219+RS812RS815RS816RS2414+/RS2414RP+RS2416+/RS2416RP+RS2418+/RS2418RP+RS2818RP+RS2211+/RS2211RP+RS2212+/RS2212RP+RS3411xs/RS3411RPxsRS3412xs/RS3412RPxsRS3614xs/RS3614RPxsRS3617xsRS3617RPxsRS3413xs+RS3614xs+ RS3617xs+RS4017xs+RS10613xs+ RC18015xs+RS18016xs+RS18017xs+FS1018FS2017FS3017RX415RX410RX1217sasRX1216sasRX1214 / RX1214RPRX1211 / RX1211RPRX1213sasDX5DX510DX213DX513DX517DX1215IIVS60VS80VS240HDVS360HDVS960HDUSB Station 2EDS14Rail Kit Fixed/RKS1314RKS1317/RKM114E10G15-F1E10G17-F2Пакет лицензий для камерПакет лицензий MailPlusМодуль ОЗУ SynologyM2D17Расширенная гарантияM2D18E10M20-T1M2D20E25G21-F2 — выберите —HDD HAS5300HDD HAT5300SSD SAT5200M.2 NVMe серии SNV3000FS6400FS3600FS3400Expansion Unit FX2421SA3600SA3400Expansion Unit RX2417sasSA3200DUC3200Expansion Unit RXD1219sasRS4021xs+RS3621xs+RS1619xs+DS1621xs+RS3621RPxsRS3618xsDS3617xsIIRS2821RP+RS2421+/RS2421RP+Expansion Unit RX1217 / RX1217RPRS1221+/RS1221RP+RS820+/RS820RP+DS2419+IIDS1821+DS1621+DS1520+DS920+DS720+DS620slimDS420+DS220+RS819DS418DS218DS218playDS118DS420jDS220jDS120jDS107+ DS108j DS109j DS109DS109+DS110jDS112jDS115jDS119jDS110+DS111DS112DS114DS115DS116DS112+DS207+ DS209j DS209DS209+DS209+IIDS210jDS210+DS211jDS211DS211+DS213jDS215jDS216jDS218jDS214seDS216seDS212DS213airDS214playDS216playDS213DS214DS216DS715DS212+DS213+DS214+DS215+DS216+DS216+IIDS218+DS710+DS712+DS713+DS716+DS716+IIDS718+DS916+DS918+DS1019+CS407eCS407DS408DS409slimDS409DS409+DS410DS411slimDS414slimDS416slimDS419slimDS414jDS411jDS413jDS416jDS418jDS411DS413DS414DS416DS415playDS416playDS418playDS411+DS411+IIDS412+DS415+DS1515DS1517DS1817DS508DS509+ DS1010+DS1511+DS1512+DS1513+DS1515+DS1517+DS1618+DS1812+DS1813+DS1815+DS1817+DS1819+DS2015xsDS2411+DS2413+DS2415+DS3611xsDS3612xsDS3615xsDS3018xsNVR216NVR1218DVA3221RS214RS217RS212RS407RS408RPRS409RS409+/ RS 409RP+RS411RS810+/RS810RP+RS812+/RS812RP+RS814+/RS814RP+RS815+/RS815RP+RS818+/RS818RP+RS1219+RS812RS815RS816RS2414+/RS2414RP+RS2416+/RS2416RP+RS2418+/RS2418RP+RS2818RP+RS2211+/RS2211RP+RS2212+/RS2212RP+RS3411xs/RS3411RPxsRS3412xs/RS3412RPxsRS3614xs/RS3614RPxsRS3617xsRS3617RPxsRS3413xs+RS3614xs+ RS3617xs+RS4017xs+RS10613xs+ RC18015xs+RS18016xs+RS18017xs+FS1018FS2017FS3017RX415RX410RX1217sasRX1216sasRX1214 / RX1214RPRX1211 / RX1211RPRX1213sasDX5DX510DX213DX513DX517DX1215IIVS60VS80VS240HDVS360HDVS960HDUSB Station 2EDS14Rail Kit Fixed/RKS1314RKS1317/RKM114E10G15-F1E10G17-F2Пакет лицензий для камерПакет лицензий MailPlusМодуль ОЗУ SynologyM2D17Расширенная гарантияM2D18E10M20-T1M2D20E25G21-F2 — выберите —HDD HAS5300HDD HAT5300SSD SAT5200M.2 NVMe серии SNV3000FS6400FS3600FS3400Expansion Unit FX2421SA3600SA3400Expansion Unit RX2417sasSA3200DUC3200Expansion Unit RXD1219sasRS4021xs+RS3621xs+RS1619xs+DS1621xs+RS3621RPxsRS3618xsDS3617xsIIRS2821RP+RS2421+/RS2421RP+Expansion Unit RX1217 / RX1217RPRS1221+/RS1221RP+RS820+/RS820RP+DS2419+IIDS1821+DS1621+DS1520+DS920+DS720+DS620slimDS420+DS220+RS819DS418DS218DS218playDS118DS420jDS220jDS120jDS107+ DS108j DS109j DS109DS109+DS110jDS112jDS115jDS119jDS110+DS111DS112DS114DS115DS116DS112+DS207+ DS209j DS209DS209+DS209+IIDS210jDS210+DS211jDS211DS211+DS213jDS215jDS216jDS218jDS214seDS216seDS212DS213airDS214playDS216playDS213DS214DS216DS715DS212+DS213+DS214+DS215+DS216+DS216+IIDS218+DS710+DS712+DS713+DS716+DS716+IIDS718+DS916+DS918+DS1019+CS407eCS407DS408DS409slimDS409DS409+DS410DS411slimDS414slimDS416slimDS419slimDS414jDS411jDS413jDS416jDS418jDS411DS413DS414DS416DS415playDS416playDS418playDS411+DS411+IIDS412+DS415+DS1515DS1517DS1817DS508DS509+ DS1010+DS1511+DS1512+DS1513+DS1515+DS1517+DS1618+DS1812+DS1813+DS1815+DS1817+DS1819+DS2015xsDS2411+DS2413+DS2415+DS3611xsDS3612xsDS3615xsDS3018xsNVR216NVR1218DVA3221RS214RS217RS212RS407RS408RPRS409RS409+/ RS 409RP+RS411RS810+/RS810RP+RS812+/RS812RP+RS814+/RS814RP+RS815+/RS815RP+RS818+/RS818RP+RS1219+RS812RS815RS816RS2414+/RS2414RP+RS2416+/RS2416RP+RS2418+/RS2418RP+RS2818RP+RS2211+/RS2211RP+RS2212+/RS2212RP+RS3411xs/RS3411RPxsRS3412xs/RS3412RPxsRS3614xs/RS3614RPxsRS3617xsRS3617RPxsRS3413xs+RS3614xs+ RS3617xs+RS4017xs+RS10613xs+ RC18015xs+RS18016xs+RS18017xs+FS1018FS2017FS3017RX415RX410RX1217sasRX1216sasRX1214 / RX1214RPRX1211 / RX1211RPRX1213sasDX5DX510DX213DX513DX517DX1215IIVS60VS80VS240HDVS360HDVS960HDUSB Station 2EDS14Rail Kit Fixed/RKS1314RKS1317/RKM114E10G15-F1E10G17-F2Пакет лицензий для камерПакет лицензий MailPlusМодуль ОЗУ SynologyM2D17Расширенная гарантияM2D18E10M20-T1M2D20E25G21-F2
Аппаратные характеристики
Тактовая частота ЦП
Оперативная память RAM
Тип и количество HDD
Интерфейс подключения внешнего HDD
Количество портов USB 3.0
Количество портов USB 2.0
Количество портов eSATA
Максимальная совокупная емкость, ТБ
Горячая замена HDD
Размер (мм)
Вес, кг
Тип и количество сетевых портов
Тип и количество вентиляторов
Автозапуск после падения питания
Тип входного питающего напряжения
Выходное напряжение БП, Вольт
Частота питающего источника
Энергопотребление
Температурные характеристики
Температура эксплуатации
Температура хранения
Относительная влажность
Максимальная высота над уровнем моря, м
Сертификация
FCC
CE
Ростест
Интеграция в Windows-домены и поддержка ADS
Поддержка ADS/NT4
Вход пользователей домена через Samba/AFP/FTP
ПО Synology Data Replicator для пользователей домена
Поддержка сетевых файлообменных протоколов
Файловые системы
Предоставление общего доступа
Максимальное количество учетных записей
Максимальное количество групп
Максимальное количество папок общего доступа
Максимальное количество одновременных подключений (SAMBA, FTP, AFP)
Резервное копирование
Совместимость с ПО резервирования сторонних производителей
Управление
Сервер мультимедиа DLNA/UPnP
Форматы аудио
Форматы видео
Форматы изображения
Форматы плейлиста
Сервер печати
Максимально количество принтеров
Экологическая безопасность
RoHS Compliant
Комплект поставки
Системный блок NAS
Краткая инструкция по эксплуатации
Установочный CD
Сборочный комплект
Блок питания от переменного тока
Шнур питания
Сетевой кабель (LAN) RJ-45
Кабель питания для жесткого диска SATA
Сигнальный кабель для жесткого диска SATA
Гарантия
Срок гарантии
Поддержка
Поддерживаемые клиентские ОС
Поддерживаемые браузеры
Поддерживаемые языки

Сравнение и выбор садовой мебели

Летом особенно приятно проводить время в саду. Устраивать пикники, загорать на солнышке или отдыхать в тени, приглашать самых близких друзей на посиделки у костра или организовывать шумные вечеринки! Создать комфортную обстановку на участке поможет садовая мебель, но чтобы она прослужила долго — к её выбору надо подойти с умом.

Садовая мебель отличается от обычной. Она предназначена для отдыха под открытым небом, а значит ей не раз придётся столкнуться с палящим зноем, обильными дождями и порывистым ветром. Поэтому и требования к мебели для сада выдвигаются соответствующие. При выборе комплекта или набора отдавайте предпочтение надёжным конструкциям, изготовленным из «долгоиграющих» материалов. Ознакомиться с основными плюсами и минусами различных категорий мебели для дачи и сада можно в нашем специальном обзоре.

1. Деревянная мебель

Гармоничное и эффектное решение для обустройства участка — это покупка мебели из дерева. Естественный рисунок и многообразие натуральных оттенков идеально впишутся в архитектуру сада, будут «по-свойски» выглядеть в окружении цветов и зелени на лужайке перед домом. Облагородить приусадебный участок может деревянная мебель с коваными элементами. Стоимость такого гарнитура будет складываться из двух составляющих: сорт используемой древесины и качество изделия.

Достоинства:

Недостатки:

  • естественный внешний вид
  • возможность ремонта
  • использование в ландшафтном дизайне в качестве элемента декора
  • не устойчива к погодным условиям (в осенне-зимний сезон рекомендуется убирать мебель с улицы, хранить в закрытых сухих помещениях, в дождь – накрывать плёнкой)
  • огнеопасность
Уход: Для сохранения прочности мебель из дерева обрабатывают пропитками, лакируют или закатывают специальной краской. При этом защитное покрытие периодически обновляют. Чтобы избавиться от загрязнений или скрыть царапину, зачистите участок наждачной бумагой или специальным бруском, затем смахните пыль и нанесите лак.

2. Мебель из техноротанга

Гарнитур из натурального ротанга — достаточно дорогое удовольствие. Однако ему на замену спешит функциональная и неприхотливая плетённая мебель из синтетических материалов. На первый взгляд её трудно отличить от натуральной. Кроме того, у дачной мебели из техноротанга больше плюсов. Она прекрасно декорируется текстилем, специальные каркасы из пластмассы или металла придают ей прочности.

Достоинства:

Недостатки:

  • высокая износостойкость
  • лёгкий вес
  • возможность использования в зимний период
  • чувствительность к механическим повреждениям

Уход: Ухаживать за плетённой мебелью из искусственного ротанга достаточно просто. Мыльный раствор и вода из шланга раз в сезон — вот всё что нужно. В остальное время достаточно протирать поверхность влажной тряпкой.

3. Металлическая мебель

Металлическая мебель для сада – это витые спинки стульев, элегантные ножки стеклянных столешниц и изящные в каждой детали скамьи. Она украсит собой любой сад, а её достоинства сложно переоценить.

Достоинства:

Недостатки:

  • готова к любым нагрузкам
  • можно покрасить в любой цвет
  • устойчива к любым погодным условиям
  • стоимость
  • вес
Уход: Ухаживать за ней проще простого. Необходимо раз в 2-3 года покрывать металл антикоррозионной краской, и тогда ваша любимая мебель будет радовать вас долгие годы.

4. Мебель пластиковая

Универсальный вариант. Простой и лаконичный дизайн подойдёт практически к любой обстановке. При покупке мебели из пластика обратите внимание на прочность материала. Ножки должны быть жёсткими, а стул и спинка — иметь специальные отверстия для циркуляции воздуха.
Использовать пластиковую мебель уместно рядом с водоёмами, например: бассейнами или прудами, где гарнитур из натуральной древесины или металла придётся не к месту. Цветовые решения и варианты исполнения мебели из пластика очень разнообразны и позволяют оформить любую зону отдыха. Главный критерий выбора – сочетаемость с фасадом дома и панорамой участка.

Достоинства:

Недостатки:

  • низкая цена (по сравнению с другими видами садовой мебели)
  • эксплуатация не зависит от сезона (без проблем выдерживает жару и стужу)
  • ограниченный срок службы
  • сложности с ремонтом (устранить поломку ножки или столешницу крайне затруднительно)

Уход: мебель из пластика неприхотлива. Осевшую пыль можно смахнуть влажной салфеткой, стойкие загрязнения — вывести с помощью универсальных средств для чистки. Освежить пластиковую мебель поможет вода из шланга. Мебель для сада — яркая «фишка» на приусадебном участке. Дизайн гарнитура может быть самым разным: кого-то привлекут строгие и сдержанные функциональные модели, других — замысловатые, с множеством декоративных элементов. Главное подберите набор под общее оформление территории отдыха и стилистику ландшафта. С «Бауцентром» — это возможно. У нас вы найдёте всё: от гамака до садовых качелей.
Посмотреть весь ассортимент мебели для сада.


T-CaST: инструмент для сравнения и выбора теории реализации | Наука о внедрении

Исследование включало три этапа. Во-первых, в процессе картирования концепций специалисты-практики и исследователи проанализировали критерии, выявленные в нашем недавнем опросе (описанном выше), и приступили к задаче сортировки и рейтинга, которая дала концептуально различные категории критериев и оценки их ясности и важности. Во-вторых, мы использовали результаты концептуального картирования для разработки инструмента для выбора хвостохранилища.В-третьих, мы оценили полезность инструмента с помощью консенсуса экспертов, когнитивных интервью и полуструктурированных интервью с практиками внедрения и исследователями, которые тестировали инструмент.

Набор, процедура и анализ концептуального картирования

Концептуальный картирование — это процедура с использованием смешанных методов, при которой заинтересованные стороны организуют концепции по категориям и генерируют рейтинги по заданным параметрам [17,18,19]. Он полезен для структурирования идей различных групп и использовался в исследованиях внедрения для множества целей, таких как определение и приоритезация препятствий и посредников [20, 21], организация стратегий реализации [22], создание параметров прагматического измерения [23] ] и определение потребностей в обучении.

Мы использовали подход целенаправленной выборки для набора 18 практиков по внедрению (т. Е. Профессионалов, которые систематически применяют уроки и выводы науки о внедрении в рамках социальных служб для развития потенциала и поддержки производительности для полного и эффективного использования инновационных программ и практик) и 19 исследователи внедрения (т. е. люди, изучающие «использование стратегий для принятия и интеграции научно обоснованных медицинских вмешательств в клинические и общественные условия с целью улучшения результатов для пациентов и улучшения здоровья населения» [24]) для участия в онлайн-упражнении по картированию концепций. через веб-платформу Concept Systems Global MAX ™ [25].Практики внедрения и исследователи из исследовательской группы определили потенциальных участников из соответствующих профессиональных сетей в Канаде, Великобритании и США. Мы разослали до трех электронных писем, в которых потенциальным участникам предлагалось вознаграждение в размере 50 долларов за участие в картировании концепций.

Чтобы определить концептуально различные категории критериев, мы попросили участников отсортировать виртуальные карточки для каждого из 21 критерия, определенного в нашем недавнем опросе, вместе с их определениями, в стопки, которые они сочли целесообразными.Затем мы попросили участников назвать каждую стопку. Мы также попросили участников оценить важность и ясность каждого критерия по трехбалльной шкале («не важно / не ясно», «умеренно важно / ясно», «очень важно / ясно»). Участники могли участвовать в мероприятиях в порядке их выбора и могли делать это в течение нескольких онлайн-сессий, когда им удобно, до тех пор, пока их ответы не были полны.

Анализ данных включал использование многомерного масштабирования и иерархического кластерного анализа для получения визуального представления взаимосвязей между критериями [18].В частности, многомерное масштабирование использовалось для создания точечной карты, изображающей каждый из критериев выбора TMF и отношения между ними, основанные на суммированной квадратной матрице подобия. Критерии, которые часто сортируются вместе, были помещены ближе друг к другу на точечной карте [18]. Иерархический кластерный анализ был использован для разделения точечной карты на неперекрывающиеся кластеры [18]. Исследовательская группа, к которой присоединились один приглашенный специалист по внедрению из Австралии (HK) и один из Ирландии (SM; см. Раздел «Благодарности»), рассмотрела ряд потенциальных кластерных решений, от двух до 10 кластеров, чтобы определить, какое решение является наилучшим. соответствует целям настоящего исследования.Каждый человек определил карту кластера, которую он считал наиболее концептуально понятной на основе своих знаний в данной области. Затем группа собралась, чтобы обсудить свой выбор, и работала над достижением консенсуса в отношении того, что, по мнению группы, дает наиболее концептуально четкую карту. Группа также пометила каждый кластер, чему способствовала компания Concept Systems Global Max ™, которая предложила потенциальные метки кластера на основе ответов участников. В двух случаях отдельные элементы были перемещены из одного кластера в другой, чтобы улучшить ясность и согласованность кластеров.Подгонка модели оценивалась с использованием значения напряжения, показателя согласия между точечной картой и общей матрицей сходства. Перекрестные исследования, обобщающие исследования концептуального картирования, неизменно показывают, что средние значения стресса составляют 0,28 [18, 19, 26], причем более высокие баллы стресса указывают на худшее представление данных.

Мы рассчитали описательную статистику для оценок важности и ясности и нанесли их на график для каждого критерия. Используя среднее значение каждого измерения, мы разделили полученную диаграмму рассеяния на четыре квадранта, чтобы создать диаграмму «зоны готовности».Например, квадрант I на рис. 2 содержит критерии, которые имеют высокую важность и высокую ясность, на что указывают значения, которые были выше среднего для обоих измерений.

Разработка инструмента

Член исследовательской группы, обладающий опытом в области оптимизации визуального дизайна (JS), разработал прототип инструмента на основе кластеризованных критериев, полученных в результате сопоставления концепций. Прототип включал в себя список критериев с их определениями, организованный по кластерам. Мы разработали пример проекта о роли электронных медицинских карт в реализации планов оказания помощи пациентам с онкологическими заболеваниями и описали, как можно использовать прототип инструмента для определения подходящего хвостохранилища.

Набор, процедура и анализ оценки полезности

Мы доработали и оценили полезность прототипа в два этапа. Во-первых, мы провели когнитивные интервью, чтобы оценить, в какой степени инструмент донес свой контент до потенциальных пользователей, как предполагалось. Мы пригласили двух исследователей внедрения и двух практиков внедрения по телефону и электронной почте для участия в когнитивных интервью. Опытный когнитивный интервьюер попросил участников «подумать вслух», когда они читают и размышляют над критериями в прототипе (см. Дополнительный файл 1 для руководства по когнитивному интервью).В частности, мы запросили отзывы о критериях, которые участники сочли неоднозначными или запутанными. Познавательные интервью длились 30–45 минут и записывались в цифровом формате.

Во-вторых, мы наняли двух исследователей внедрения и двух практиков внедрения по телефону и электронной почте для пилотного тестирования прототипа с конкретным проектом и предоставления обратной связи по прототипу в полуструктурированных интервью. Мы начали с отправки прототипа людям, которые согласились участвовать, с просьбой использовать прототип для проекта в какой-то момент в течение последующих 2 недель.Затем мы провели полуструктурированные телефонные интервью, в которых попросили участников поразмышлять о своем опыте использования прототипа и предоставить предложения по улучшению прототипа (см. Дополнительный файл 2 для руководства по полуструктурированному интервью). Полуструктурированные интервью длились 30–45 минут и записывались в цифровом формате.

Учитывая, что основной целью когнитивных и полуструктурированных интервью было выявление проблем, связанных с интерпретируемостью и соответствием содержания прототипа, после каждого из этих двух этапов, качественные исследователи (RT, MV; см. Раздел «Благодарности» ) прослушал записи и индуктивно идентифицировал темы, отметив опасения, связанные с формулировкой, порядком и форматом прототипа.Затем эти темы были обобщены в таблице, в которой были систематизированы проблемы участников по каждой из выбранных тем. Мы итеративно пересматривали прототип, чтобы учесть опасения участников собеседований.

T-CaST: инструмент сравнения и выбора теории реализации

Фон: Теории, модели и структуры (TMF) являются основой для обобщения усилий по внедрению и результатов исследований.Однако хвостохранилища и критерии, используемые для их выбора, не часто описываются в опубликованных статьях, возможно, отчасти из-за сложности выбора из множества хвостохранилищ, существующих на местах. Целью этого международного исследования было разработать удобный инструмент, который помог бы ученым и практикам выбрать подходящие хвостохранилища для руководства своими проектами внедрения.

Методы: Специалисты по внедрению из США, Великобритании и Канады определили и оценили концептуально различные категории критериев в процессе картирования концепций.Затем мы использовали результаты концептуального картирования для разработки инструмента, который поможет пользователям выбрать подходящий TMF для своих проектов. Мы оценили полезность инструмента на основе консенсуса экспертов и когнитивных и полуструктурированных интервью с учеными, занимающимися внедрением.

Полученные результаты: Тридцать семь специалистов по внедрению (19 исследователей и 18 практиков) определили четыре области критериев: удобство использования, тестируемость, применимость и знакомство.Затем мы разработали прототип инструмента, который включал список из 25 критериев, упорядоченных по доменам, определения критериев и пример случая, иллюстрирующий применение инструмента. Результаты когнитивных и полуструктурированных интервью подчеркнули необходимость того, чтобы инструмент (1) был как можно более кратким; (2) иметь отдельные версии для удовлетворения уникальных потребностей исследователей и практиков; (3) включать понятные термины; (4) включить введение, четко описывающее цель и преимущества инструмента; (5) предоставить место для записи информации о проекте, сравнения и оценки TMF, а также для учета вклада нескольких членов команды; и (6) включать больше примеров, иллюстрирующих его применение.Участники интервью согласились с тем, что инструмент (1) предлагал им способ выбора среди кандидатов TMF, (2) помог им четко указать критерии, которые они использовали для выбора TMF, и (3) позволил им сравнить, выбрать из , и / или рассмотреть полезность объединения нескольких TMF. Эти изменения привели к появлению инструмента сравнения и выбора теории (T-CaST), бумажного и доступного в Интернете инструмента, который включает 16 конкретных критериев, которые можно использовать для рассмотрения и обоснования выбора TMF для данного проекта.Критерии сгруппированы по четырем категориям: применимость, удобство использования, тестируемость и приемлемость.

Выводы: T-CaST — это удобный инструмент, который помогает ученым и практикам выбирать подходящие хвостохранилища для руководства проектами внедрения. Кроме того, T-CaST может способствовать прозрачной отчетности о критериях, используемых для выбора TMF, как в области науки о внедрении, так и за ее пределами.

Ключевые слова: Познавательное интервьюирование; Отображение концепций; Критерии отбора; Фреймворк; Теория реализации; Теория; Инструментальная разработка.

Сравнение эффективности методов выбора моделей при прогнозировании распространения новых инвазивных видов: тематическое исследование с Batrachochytrium salamandrivorans

  • Allouche O, Tsoar A, Kadmon R (2006) Оценка точности моделей распределения видов: распространенность, каппа и истинная статистика навыков (TSS).J Appl Ecol 43: 1223–1232. https://doi.org/10.1111/j.1365-2664.2006.01214.x

    Артикул Google ученый

  • Андерсон Р.П., Лью Д., Петерсон А.Т. (2003) Оценка прогнозных моделей распределения видов: критерии выбора оптимальных моделей. Ecol Model 162: 211–232. https://doi.org/10.1016/S0304-3800(02)00349-6

    Артикул Google ученый

  • Bales EK, Hyman OJ, Loudon AH et al (2015) Патогенный хитридный гриб Batrachochytrium dendrobatidis , но не B.salamandrivorans , обнаруженный у восточных магов ада. PLoS ONE 10: e0116405. https://doi.org/10.1371/journal.pone.0116405

    Артикул PubMed PubMed Central CAS Google ученый

  • Baums J (2015a) project_maxent.R. https://github.com/johnbaums/things/blob/master/R/project_maxent.R. По состоянию на 1 января 2017 г.

  • Baums J (2015b) parse_lambdas.R. https://github.com/johnbaums/things/blob/master/R/parse_lambdas.R. По состоянию на 1 января 2017 г.

  • Bosso L, De Conno C, Russo D (2017) Моделирование риска, связанного с Zebra Mussel Dreissena polymorpha : Италия в качестве примера. Управление окружающей средой 60: 304–313. https://doi.org/10.1007/s00267-017-0882-8

    Артикул PubMed Google ученый

  • Бернем К.П., Андерсон Д.Р. (2003) Выбор модели и многомодельный вывод. Спрингер, Нью-Йорк

    Google ученый

  • Карлос-Жуниор Л.А., Барбоса, NPU, Моултон Т.П., Крид Дж.С. (2015) Модель экологической ниши, используемая для изучения распространения инвазивных неместных кораллов.Mar Environ Res 103: 115–124. https://doi.org/10.1016/j.marenvres.2014.10.004

    Артикул PubMed CAS Google ученый

  • CITES (2016) Торговая база данных CITES. https://trade.cites.org/. Доступ 8 мая 2017 г.

  • Diao C, Wang L (2014) Разработка модели распространения инвазивных видов с помощью дистанционного зондирования с высоким разрешением. Int J Appl Earth Obs Geoinf 30: 65–75. https: // doi.org / 10.1016 / j.jag.2014.01.015

    Артикул Google ученый

  • Элит Дж., Грэхэм Ч., Андерсон Р. П. и др. (2006) Новые методы улучшают предсказание распределения видов на основе данных о встречаемости. Экография (Cop) 29: 129–151. https://doi.org/10.1111/j.2006.0906-7590.04596.x

    Артикул Google ученый

  • Элит Дж., Кирни М., Филлипс С. (2010) Искусство моделирования видов, меняющих ареал.Методы Ecol Evol 1: 330–342. https://doi.org/10.1111/j.2041-210X.2010.00036.x

    Артикул Google ученый

  • Элит Дж., Филлипс С.Дж., Хасти Т. и др. (2011) Статистическое объяснение MaxEnt для экологов. Divers Distrib 17: 43–57. https://doi.org/10.1111/j.1472-4642.2010.00725.x

    Артикул Google ученый

  • Фельдмайер С., Шефчик Л., Вагнер Н. и др. (2016) Изучение распространения распространяющегося летального хитрид-гриба саламандры в его инвазивном ареале в Европе — макроэкологический подход.PLoS ONE 11: e0165682. https://doi.org/10.1371/journal.pone.0165682

    Артикул PubMed PubMed Central CAS Google ученый

  • Ficetola GF, Thuiller W, Miaud C (2007) Прогноз и подтверждение потенциального глобального распространения проблемного чужеродного инвазивного вида — американской лягушки-быка. Divers Distrib 13: 476–485. https://doi.org/10.1111/j.1472-4642.2007.00377.x

    Артикул Google ученый

  • Филдинг А.Х., Белл Дж.Ф. (1997) Обзор методов оценки ошибок прогноза в моделях присутствия / отсутствия сохранения.Environ Conserv 24: 38–49

    Статья Google ученый

  • Freeman EA, Moisen GG (2008) Сравнение эффективности пороговых критериев для бинарной классификации с точки зрения прогнозируемой распространенности и Каппа. Ecol Model 217: 48–58. https://doi.org/10.1016/j.ecolmodel.2008.05.015

    Артикул Google ученый

  • Golicher D, Ford A, Cayuela L, Newton A (2012) Псевдо-отсутствия, псевдомодели и псевдониши: подводные камни выбора модели на основе площади под кривой.Int J Geogr Inf Sci 26: 2049–2063. https://doi.org/10.1080/13658816.2012.719626

    Артикул Google ученый

  • Gray MJ, Lewis JP, Nanjappa P et al (2015) Batrachochytrium salamandrivorans : ответ Северной Америки и призыв к действию. PLoS Pathog 11: e1005251. https://doi.org/10.1371/journal.ppat.1005251

    Артикул PubMed PubMed Central CAS Google ученый

  • Hastie T, Tibshirani R, Friedman JH (2009) Элементы статистического обучения: интеллектуальный анализ данных, вывод и прогнозирование, 2-е изд.Спрингер, Нью-Йорк

    Бронировать Google ученый

  • Hijmans RJ, Cameron SE, Parra JL et al (2005) Интерполированные климатические поверхности с очень высоким разрешением для глобальных областей суши. Int J Climatol 25: 1965–1978. https://doi.org/10.1002/joc.1276

    Артикул Google ученый

  • МСОП (2017) Красный список МСОП видов, находящихся под угрозой исчезновения. https: // www.iucn.org/. По состоянию на 8 мая 2017 г.

  • Kramer AM, Annis G, Wittmann ME et al (2017) Пригодность Великих Лаврентийских озер для инвазивных видов на основе глобальных моделей распространения видов и местной среды обитания. Экосфера 8: e01883. https://doi.org/10.1002/ecs2.1883

    Артикул Google ученый

  • Лобо Дж. М., Хименес-Вальверде А., Real R (2008) AUC: вводящий в заблуждение показатель эффективности моделей прогнозирующего распределения.Glob Ecol Biogeogr 17: 145–151. https://doi.org/10.1111/j.1466-8238.2007.00358.x

    Артикул Google ученый

  • Martel A, Spitzen-van der Sluijs A, Blooi M et al (2013) Batrachochytrium salamandrivorans sp. ноя вызывает смертельный хитридиомикоз у земноводных. Proc Natl Acad Sci USA 110: 15325–15329. https://doi.org/10.1073/pnas.1307356110

    Артикул PubMed Google ученый

  • Martel A, Blooi M, Adriaensen C et al (2014) Недавнее внедрение хитридного гриба представляет опасность для саламандр Западной Палеарктики.Наука 346: 630–631. https://doi.org/10.1126/science.1258268

    Артикул PubMed PubMed Central CAS Google ученый

  • Merow C, Smith MJ, Silander JA (2013) Практическое руководство по MaxEnt для моделирования распределения видов: что он делает и почему важны вводимые данные и настройки. Экография (Cop) 36: 1058–1069. https://doi.org/10.1111/j.1600-0587.2013.07872.x

    Артикул Google ученый

  • Muscarella R, Galante PJ, Soley-Guardia M et al (2014) ENMeval: пакет R для проведения пространственно независимых оценок и оценки оптимальной сложности моделей для моделей экологической ниши MAXENT.Методы Ecol Evol 5: 1198–1205. https://doi.org/10.1111/2041-210X.12261

    Артикул Google ученый

  • Nakazawa M (2017) fmsb: функции для книги медицинской статистики с некоторыми демографическими данными. Версия пакета R 0.6.1

  • Nguyen TT, Van Nguyen T, Ziegler T. et al (2017) Торговля дикими бесхвостыми животными — переносчиками патогена urodelan Batrachochytrium salamandrivorans в Европу.Амфибия Рептилии. https://doi.org/10.1038/srep44443.Martel

    Артикул Google ученый

  • Parrott JC, Shepack A, Burkart D et al (2016) Исследование патогенных хитридных грибов ( Batrachochytrium dendrobatidis и B. salamandrivorans ) у саламандр трех горных хребтов в Европе и Америке. EcoHealth 14: 296–302. https://doi.org/10.1007/s10393-016-1188-7

    Артикул PubMed Google ученый

  • Peterson AT, Vieglais D (2001) Прогнозирование вторжений видов с использованием моделирования экологической ниши: новые подходы биоинформатики решают насущную проблему.Биология 51: 363–371. https://doi.org/10.1641/0006-3568(2001)051[0363:PSIUEN visible2.0.CO;2

    Артикул Google ученый

  • Phillips SJ (2008) Возможность переноса, систематическая ошибка выборки и исходные данные при моделировании только присутствия: ответ на Peterson et al. (2007). Экография (Cop) 31: 272–278. https://doi.org/10.1111/j.2007.0906-7590.05378.x

    Артикул Google ученый

  • Филлипс С.Дж., Андерсон Р.П., Шапир Р.Э. (2006) Моделирование максимальной энтропии географического распределения видов.Ecol Model 190: 231–259

    Артикул Google ученый

  • Phillips SJ, Dudík M, Schapire RE (2010) [Интернет] Программное обеспечение Maxent для моделирования ниш видов и их распространения (версия 3.3.3k). Доступно по адресу: http://biodiversityinformatics.amnh.org/open_source/maxent/. По состоянию на 1 мая 2017 г.

  • Phillips SJ, Anderson RP, Dudík M et al (2017) Открытие черного ящика: выпуск Maxent с открытым исходным кодом. Экография (Cop) 40: 887–893.https://doi.org/10.1111/ecog.03049

    Артикул Google ученый

  • R Development Core Team (2014) R: язык и среда для статистических вычислений. R Фонд статистических вычислений, Вена, Австрия. http://www.R-project.org/

  • RAVON (2017) RAVON. http://www.ravon.nl/English/Research/Bsal/tabid/3820/Default.aspx. По состоянию на 13 января 2018 г.

  • Richgels KLD, Russell RE, Adams J et al (2016) Пространственная вариация риска и последствий интродукции Batrachochytrium salamandrivorans в США.R Soc Open Sci 3: 150616. https://doi.org/10.1098/rsos.150616

    Артикул PubMed PubMed Central CAS Google ученый

  • Робин X, Турк Н., Хайнард А. и др. (2011) pROC: пакет с открытым исходным кодом для R и S + для анализа и сравнения кривых ROC. BMC Bioinformatics 12:77

    Статья PubMed PubMed Central Google ученый

  • Робинсон Т.П., ван Клинкен Р.Д., Меттернихт Г. (2010) Сравнение альтернативных стратегий для моделирования распространения инвазивных видов.Ecol Model 221: 2261–2269. https://doi.org/10.1016/j.ecolmodel.2010.04.018

    Артикул Google ученый

  • Родригес Дж. П., Бротонс Л., Бустаманте Дж., Сеоан Дж. (2007) Применение прогнозного моделирования распределения видов для сохранения биоразнообразия. Divers Distrib 13: 243–251. https://doi.org/10.1111/j.1472-4642.2007.00356.x

    Артикул Google ученый

  • Somodi I, Lepesi N, Botta-Dukát Z (2017) Зависимость распространенности в показателях качества модели с особым упором на статистику истинных навыков.Ecol Evol 7: 863–872. https://doi.org/10.1002/ece3.2654

    Артикул PubMed PubMed Central Google ученый

  • Spitzen-van der Sluijs A, Martel A, Asselberghs J et al (2016) Расширение распространения летального грибка земноводных Batrachochytrium salamandrivorans в Европе. Emerg Infect Dis 22: 1286–1288. https://doi.org/10.3201/eid2207.160109

    Артикул PubMed PubMed Central CAS Google ученый

  • Stegen G, Pasmans F, Schmidt BR et al (2017) Драйверы истребления саламандр, опосредованные Batrachochytrium salamandrivorans .Природа 544: 353–356. https://doi.org/10.1038/nature22059

    Артикул PubMed CAS Google ученый

  • Вацлавик Т., Минтемейер Р.К. (2009) Моделирование распространения инвазивных видов (iSDM): нужны ли данные об отсутствии и ограничения расселения для прогнозирования фактического распространения? Ecol Model 220: 3248–3258. https://doi.org/10.1016/j.ecolmodel.2009.08.013

    Артикул Google ученый

  • Вацлавик Т., Купфер Я., Минтемейер Р.К. (2012) Учет многомасштабной пространственной автокорреляции улучшает производительность моделирования распределения инвазивных видов (iSDM).Журнал Биогеогр 39: 42–55. https://doi.org/10.1111/j.1365-2699.2011.02589.x

    Артикул Google ученый

  • Валл-Илосера М., Вулноу А.П., Андерсон Д., Кэсси П. (2017) Улучшенное наблюдение для раннего обнаружения потенциально инвазивных видов: чужеродного попугая с розовыми кольцами Psittacula krameri в Австралии. Биол Вторжения 19: 1273–1284. https://doi.org/10.1007/s10530-016-1332-x

    Артикул Google ученый

  • VanDerWal J, Falconi L, Januchowski S et al (2015) SDMTools: инструменты моделирования распределения видов: инструменты для обработки данных, связанных с упражнениями по моделированию распределения видов.Пакет R, версия 1.1–221

  • Уоррен Д.Л., Зейферт С.Н. (2011) Моделирование экологической ниши в Maxent: важность сложности модели и эффективность критериев выбора модели. Ecol Appl 21: 335–342

    Статья PubMed Google ученый

  • Уоррен Д.Л., Райт А.Н., Зейферт С.Н., Шаффер Н.Б. (2014) Включение сложности модели и пространственной систематической ошибки выборки в модели экологической ниши рисков изменения климата, с которыми сталкиваются 90 калифорнийских видов позвоночных, вызывающих озабоченность.Divers Distrib 20: 334–343. https://doi.org/10.1111/ddi.12160

    Артикул Google ученый

  • Яп Т.А., Ку М.С., Амброуз РФ и др. (2015) Предотвращение кризиса биоразнообразия в Северной Америке. Наука 349: 481–482. https://doi.org/10.1126/science.aab1052

    Артикул PubMed CAS Google ученый

  • Сравнение и выбор моделей многоклассовой классификации текста | Сьюзан Ли

    Намного лучше!

     df ['сообщение'].apply (lambda x: len (x.split (''))). sum () 

    3421180

    После очистки текста и удаления стоп-слов у нас остается только более 3 миллионов слов для работы!

    После разделения набора данных следующие шаги включают разработку функций. Мы преобразуем наши текстовые документы в матрицу подсчета токенов (CountVectorizer), а затем преобразуем матрицу подсчета в нормализованное представление tf-idf (преобразователь tf-idf). После этого обучаем несколько классификаторов из библиотеки Scikit-Learn.

     X = df.post 
    y = df.tags
    X_train, X_test, y_train, y_test = train_test_split (X, y, test_size = 0.3, random_state = 42)

    После того, как у нас появятся функции, мы можем обучить классификатор попробуйте предугадать тег поста. Мы начнем с наивного байесовского классификатора, который обеспечивает хорошую основу для этой задачи. scikit-learn включает несколько вариантов этого классификатора; наиболее подходящим для текста является полиномиальный вариант.

    Чтобы упростить работу с векторизатором => преобразователем => классификатором, мы будем использовать класс Pipeline в Scilkit-Learn, который ведет себя как составной классификатор.

    nb Рисунок 6

    Мы достигли точности 74%.

    Машина линейных опорных векторов широко считается одним из лучших алгоритмов классификации текста.

    svm Рисунок 7

    Мы достигли более высокого показателя точности — 79%, что на 5% лучше, чем наивный байесовский метод.

    Логистическая регрессия — это простой и понятный алгоритм классификации, а логистическую регрессию можно легко обобщить на несколько классов.

    logreg Рисунок 8

    Мы достигли показателя точности 78%, что на 4% выше, чем у Naive Bayes, и на 1% ниже, чем у SVM.

    Как видите, выполнив несколько очень простых шагов и используя простую линейную модель, мы смогли достичь точности 79% на этом наборе данных для классификации текста с несколькими классами.

    Используя тот же набор данных, мы собираемся попробовать некоторые продвинутые методы, такие как встраивание слов и нейронные сети.

    А теперь давайте попробуем некоторые сложные функции, помимо простого подсчета слов.

    Word2vec, как и doc2vec, относится к этапу предварительной обработки текста. В частности, к той части, которая преобразует текст в ряд чисел.Word2vec — это тип сопоставления, который позволяет словам с одинаковым значением иметь аналогичное векторное представление.

    Идея Word2vec довольно проста: мы хотим использовать окружающие слова для представления целевых слов с помощью нейронной сети, скрытый слой которой кодирует представление слова.

    Сначала загружаем модель word2vec. Он был предварительно обучен Google на корпусе новостей Google из 100 миллиардов слов.

     из gensim.models импортировать Word2Vecwv = gensim.models.KeyedVectors.load_word2vec_format ("GoogleNews-vectors-negative300.bin.gz", binary = True) 
    wv.init_sims (replace = True)

    Мы можем захотеть изучить некоторые словари.

     из itertools import islice 
    list (islice (wv.vocab, 13030, 13050))
    Рисунок 9 Подходы на основе

    BOW, которые включают усреднение, суммирование, взвешенное сложение. Обычный способ — усреднить два вектора слов. Поэтому пойдем самым распространенным путем.

    word_averaging

    Мы будем токенизировать текст и применить токенизацию к столбцу «post», а также применить усреднение вектора слов к токенизированному тексту.

    w2v_tokenize_text

    Пришло время посмотреть, как классификаторы логистической регрессии работают с этими функциями документа с усреднением слов.

     из sklearn.linear_model import LogisticRegression 
    logreg = LogisticRegression (n_jobs = 1, C = 1e5)
    logreg = logreg.fit (X_train_word_average, train ['tags'])
    y_pred = print logreg.predict (X_)
    y_pred = print logreg.predict (X_test_word) precision% s '% precision_score (y_pred, test.tags))
    print (classification_report (test.tags, y_pred, target_names = my_tags))
    Рисунок 10

    Это было разочаровывающим, худшим из того, что мы видели до сих пор.

    Та же идея word2vec может быть распространена на документы, где вместо изучения представления функций для слов мы изучаем его для предложений или документов. Чтобы получить общее представление о word2vec, подумайте о нем как о математическом среднем представлении векторных слов всех слов в документе. Doc2Vec расширяет идею word2vec, однако слова могут уловить лишь определенное количество слов, и бывают случаи, когда нам нужны отношения между документами, а не только слова.

    Способ обучения модели doc2vec для наших вопросов и данных тегов Stack Overflow очень похож на то, как мы обучаем многоклассовую классификацию текста с помощью Doc2vec и логистической регрессии.

    Сначала мы помечаем предложения. Реализация Doc2Vec Gensim требует, чтобы каждый документ / абзац имел связанную с ним метку. и мы делаем это с помощью метода TaggedDocument . Формат будет «TRAIN_i» или «TEST_i», где «i» — фиктивный индекс сообщения.

    label_sentences

    Согласно руководству Gensim doc2vec, его класс doc2vec был обучен на всех данных, и мы сделаем то же самое. Давайте посмотрим, как выглядит документ с тегами:

     all_data [: 2] 
    Рисунок 11

    При обучении doc2vec мы будем изменять следующие параметры:

    • dm = 0 , распределенный пакет слов (DBOW) используется.
    • vector_size = 300 , 300 векторных размерных векторов признаков.
    • негативный = 5 , указывает, сколько «шумовых слов» следует нарисовать.
    • min_count = 1 , игнорирует все слова с общей частотой ниже этой.
    • альфа = 0,065 , начальная скорость обучения.

    Инициализируем модель и тренируемся на 30 эпох.

    train_doc2vec

    Далее мы получаем векторы из обученной модели doc2vec.

    get_vectors

    Наконец, мы получаем модель логистической регрессии, обученную функциями doc2vec.

     logreg = LogisticRegression (n_jobs = 1, C = 1e5) 
    logreg.fit (train_vectors_dbow, y_train)
    logreg = logreg.fit (train_vectors_dbow, y_train)
    y_pred = logreg.predict (Bow_vectors_d)
    % print '% precision_score (y_pred, y_test))
    print (classification_report (y_test, y_pred, target_names = my_tags))
    Рисунок 12

    Мы достигли показателя точности 80%, что на 1% выше, чем у SVM.

    Наконец, мы собираемся провести классификацию текста с помощью Keras, библиотеки Python Deep Learning.

    Следующий код в основном взят из мастерской Google. Процесс выглядит следующим образом:

    • Разделите данные на обучающие и тестовые наборы.
    • Используйте методы токенизатора , чтобы подсчитать уникальные слова в нашем словаре и присвоить каждому из этих слов индексы.
    • Вызов fit_on_texts () автоматически создает поиск индекса слов в нашем словаре.
    • Мы ограничиваем наш словарь верхними словами, передавая токенизатору параметр num_words .
    • С нашим токенизатором мы теперь можем использовать метод text_to_matrix для создания обучающих данных, которые мы передадим нашей модели.
    • Мы подаем в нашу модель горячий вектор.
    • После преобразования наших функций и меток в формат, который может читать Керас, мы готовы построить нашу модель классификации текста.
    • Когда мы строим нашу модель, все, что нам нужно сделать, это сообщить Keras форму наших входных данных, выходных данных и тип каждого слоя. Керас позаботится обо всем остальном.
    • При обучении модели мы вызовем метод fit () , передадим ему наши обучающие данные и метки, размер пакета и эпохи.
    keras_training

    Страница не найдена

    К сожалению, страница, которую вы искали на веб-сайте AAAI, не находится по URL-адресу, который вы щелкнули или ввели:

    https://www.aaai.org/papers/workshops/2007/ws-07-05/ws07-05-007.pdf

    Если указанный выше URL-адрес заканчивается на «.html», попробуйте заменить «.html: на».php «и посмотрите, решит ли это проблему.

    Если вы ищете конкретную тему, попробуйте следующие ссылки или введите тему в поле поиска на этой странице:

    • Выберите темы AI, чтобы узнать больше об искусственном интеллекте.
    • Чтобы присоединиться или узнать больше о членстве в AAAI, выберите «Членство».
    • Выберите «Публикации», чтобы узнать больше о AAAI Press и журналах AAAI.
    • Для рефератов (а иногда и полного текста) технических документов по ИИ выберите Библиотека
    • Выберите AI Magazine, чтобы узнать больше о флагманском издании AAAI.
    • Чтобы узнать больше о конференциях и встречах AAAI, выберите Conferences
    • Для ссылок на симпозиумы AAAI выберите «Симпозиумы».
    • Для получения информации об организации AAAI, включая ее должностных лиц и сотрудников, выберите «Организация».

    Помогите исправить страницу, которая вызывает проблему

    Интернет-страница

    , который направил вас сюда, должен быть обновлен, чтобы он больше не указывал на эту страницу. Вы поможете нам избавиться от старых ссылок? Напишите веб-мастеру ссылающейся страницы или воспользуйтесь его формой, чтобы сообщить о неработающих ссылках.Это может не помочь вам найти нужную страницу, но, по крайней мере, вы можете избавить других людей от неприятностей. Большинство поисковых систем и каталогов имеют простой способ сообщить о неработающих ссылках.

    Если это кажется уместным, мы были бы признательны, если бы вы связались с веб-мастером AAAI, указав, как вы сюда попали (т. Е. URL-адрес страницы, которую вы искали, и URL-адрес ссылки, если таковой имеется). Спасибо!

    Содержание сайта

    К основным разделам этого сайта (и некоторым популярным страницам) можно перейти по ссылкам на этой странице.Если вы хотите узнать больше об искусственном интеллекте, вам следует посетить страницу AI Topics. Чтобы присоединиться или узнать больше о членстве в AAAI, выберите «Членство». Выберите «Публикации», чтобы узнать больше о AAAI Press, AI Magazine, и журналах AAAI. Чтобы получить доступ к цифровой библиотеке AAAI, содержащей более 10 000 технических статей по ИИ, выберите «Библиотека». Выберите Награды, чтобы узнать больше о программе наград и наград AAAI. Чтобы узнать больше о конференциях и встречах AAAI, выберите «Встречи». Для ссылок на программные документы, президентские обращения и внешние ресурсы ИИ выберите «Ресурсы».Для получения информации об организации AAAI, включая ее должностных лиц и сотрудников, выберите «О нас» (также «Организация»). Окно поиска, созданное Google, будет возвращать результаты, ограниченные сайтом AAAI.

    Сравнение методов выбора переменных для данных о времени до события в многомерных условиях

    В последние десятилетия молекулярные сигнатуры становятся все более важными в онкологии и открывают новую область персонализированной медицины. Тем не менее, биологическая значимость и статистические инструменты, необходимые для разработки этих сигнатур, в литературе подвергались сомнению.Здесь мы исследуем шесть типичных методов отбора для многомерных условий и конечных точек выживания, включая LASSO и некоторые из его расширений, покомпонентное усиление и случайные леса выживания (RSF). Алгоритм повторной выборки, основанный на разделении данных, использовался для девяти многомерных смоделированных наборов данных для оценки стабильности выбора на обучающих наборах и пересечения между методами выбора. Прогностические характеристики оценивались на соответствующих наборах для валидации. Наконец, было предложено одно приложение на реальном наборе данных о раке груди.Коэффициент ложного обнаружения (FDR) был высоким для каждого метода выбора, а пересечение списков предикторов было очень плохим. RSF выбирает гораздо больше переменных, чем другие методы, и, таким образом, становится менее эффективным для проверочных наборов. Из-за сложной корреляционной структуры в геномных данных стабильность процедуры выбора для выбранных предикторов обычно невысока, но ее можно улучшить с помощью более высокого размера обучающей выборки. В условиях очень высокой размерности мы рекомендуем метод LASSO-pcvl, поскольку он превосходит другие методы за счет уменьшения количества выбранных генов и минимизации FDR в большинстве сценариев.Тем не менее, этот метод по-прежнему дает высокий уровень ложных срабатываний. Таким образом, необходима дальнейшая работа, чтобы предложить новые методы решения этой проблемы, когда присутствуют многочисленные предикторы. Многодисциплинарное обсуждение между клиницистами и статистиками необходимо для обеспечения как статистической, так и биологической значимости предикторов, включенных в молекулярные сигнатуры.

    1. Введение

    С появлением геномных технологий персонализированная медицина становится серьезной проблемой в онкологии [1].Важным вопросом является улучшение ведения онкологических больных путем выявления профилей пациентов с риском рецидива. Чтобы помочь клиницистам в оценке прогноза и принятии терапевтических решений, были разработаны мультигенные сигнатуры для разделения больных раком на различные группы риска. С момента публикации первой генной сигнатуры многие прогностические мультигенные сигнатуры были тщательно изучены, но лишь некоторые из них были успешно внедрены в клиническую практику [2–4].Среди последних наиболее многообещающими являются коммерчески доступные сигнатуры генов для раннего рака груди, которые предсказывают риск метастатического рецидива [5–7]. Тем не менее воспроизводимость многих опубликованных сигнатур генов, которые в настоящее время не используются в клинической практике, отсутствует. Как в медицинской, так и в статистической литературе ведется много споров, чтобы объяснить столь высокий уровень неудач для прогностических сигнатур. Биологическая значимость представляется сомнительной, поскольку случайные сигнатуры или сигнатуры, не связанные с раком (например,g., сигнатуры, относящиеся к эффекту смеха после еды или социального поражения мышей), как было показано, в значительной степени связаны с общей выживаемостью. Еще более удивительно то, что многие случайные сигнатуры могут превзойти большинство сигнатур рака груди [8]. Некоторые авторы предположили, что выбранные наборы генов не уникальны и на них сильно влияют подмножество пациентов, включенных в обучающую когорту [9, 10], а также процедуры выбора переменных [11–14]. Для низкоразмерных данных эталонным методом изучения ассоциаций с конечными точками времени до события является модель пропорциональных рисков Кокса.В контексте многомерных данных () модель Кокса может быть неидентифицируемой. Для преодоления этих препятствий в литературе предлагаются расширения, основанные на усилении или штрафной регрессии [15–18], поскольку они уменьшают коэффициенты регрессии до нуля. В качестве альтернативы расширениям Кокса для анализа выживаемости были адаптированы методы, основанные на случайных лесах [19]. Этот непараметрический метод — случайный лес выживания (RSF) — объединяет несколько деревьев решений, построенных на случайно выбранных подмножествах переменных.Поскольку методы отбора признаков подвергаются сомнению, кажется важным тщательно оценить и сравнить существующие стратегии, которые являются важными компонентами в разработке прогностической сигнатуры. Многие исследования были заинтересованы в показателях ложных открытий или прогностических характеристиках, достигаемых с помощью нескольких методов выбора переменных, и сравнивали их с смоделированными или реальными наборами данных [20–23]. Однако влияние обучающего набора на стабильность результатов оценивали только Michiels et al. [9] на двоичной конечной точке с выбором, основанным на корреляции Пирсона, и не оценивали самые последние подходы.

    Основная цель данной публикации — сравнить шесть типичных различных методов выбора признаков, которые обычно используются для многомерных данных в контексте анализа выживаемости. Для этой цели и в соответствии с рекомендациями в литературе [24] проводится имитационное исследование с особым акцентом на выбор переменных и производительность прогнозирования в соответствии с несколькими конфигурациями данных (размер выборки обучающего набора, количество генов, связанных с выживаемостью). Затем к опубликованным данным применяются методы выбора характеристик, чтобы изучить стабильность и прогностические характеристики в реальном наборе данных о раке груди.

    2. Материалы и методы
    2.1. Способы выбора характеристик
    2.1.1. Пределы модели Кокса в данных высокой размерности

    В данных низкой размерности полупараметрическая модель пропорциональных рисков Кокса обычно используется для изучения взаимосвязи между ковариатами и конечными точками времени до события. Коэффициенты регрессии, относящиеся к генам Z, оцениваются путем максимизации частичного логарифмического правдоподобия без необходимости моделирования базовой опасности: где — количество наблюдений, — это индикатор события для пациента, — это вектор параметра регрессии, — это вектор ковариат, и обозначает набор пациентов, подвергшихся риску до времени.Однако в случае данных большой размерности эту модель невозможно идентифицировать. Было предложено несколько методов для обработки такого случая с рядом предикторов. В этом исследовании для обучения моделей использовались три вида вычислительных методов: модели регрессии Кокса со штрафными санкциями, покомпонентное усиление для модели Кокса и RSF.

    2.1.2. Подходы со штрафными санкциями

    Модели регрессии Кокса с штрафными санкциями позволяют одновременно выполнять оценку коэффициентов и выбор переменных.Оператор наименьшего абсолютного сжатия и выбора (LASSO) — это метод регуляризации L1-нормы [17]. Коэффициенты оцениваются путем максимизации штрафной логарифмической частичной вероятности: с параметром настройки. Выбор этого параметра усадки является сложной задачей и обычно достигается путем максимизации перекрестно проверенной функции логарифмического правдоподобия (LASSO-cvl). В некоторых недавних публикациях подчеркивается тот факт, что метод выбора cvl приводит к выбору большого количества ложных срабатываний. Ternès et al.[16] предложили расширение подхода перекрестной проверки, обозначив штрафованное перекрестное проверенное логарифмическое правдоподобие (pcvl), и сравнили его характеристики с другими существующими расширениями (адаптивный LASSO, процентильный LASSO и т. Д.). Этот подход, балансирующий между добротностью и экономностью способа, приводит к отбору меньшего количества генов за счет применения более строгих критериев отбора. LASSO-pcvl приводит к наилучшему компромиссу между снижением частоты ложных открытий и отсутствием значительного увеличения количества ложноотрицательных результатов и, таким образом, был включен в наше сравнительное исследование.С другой стороны, LASSO имеет некоторые ограничения. Количество выбранных характеристик ограничено количеством пациентов, и в случае высококоррелированных предикторов LASSO имеет тенденцию выбирать только одну из этих характеристик, что приводит к случайному выбору в этой группе характеристик. Это может быть нежелательно, учитывая, что гены, действующие в одном и том же биологическом пути, могут иметь высокую корреляцию, поэтому учет этой комбинации может иметь значение.

    Чтобы смягчить эти ограничения, Зоу и Хасти [18] предложили метод эластичной сети — штрафную регрессию с комбинацией штрафов L1-нормы и L2-нормы.Дополнительный член L2-регуляризации позволяет усилить эффект группировки, тем самым снимая ограничение на количество выбранных переменных. Коэффициенты оцениваются путем максимизации частичного логарифмического правдоподобия с учетом штрафа:

    Параметр регуляризации и параметр смешивания оцениваются путем перекрестной проверки. Для , более гибкой альтернативы LASSO без необходимости оценивать два параметра, было предложено установить значение по умолчанию 0,5 для параметра микширования и оценивать только параметр настройки путем перекрестной проверки [11].Подход к выбору стабильности, основанный на подвыборке в сочетании с алгоритмом Elastic Net, может быть реализован (BSS Enet) [25, 26], применяя алгоритм к подвыборкам, полученным путем начальной загрузки. Доля подвыборок, в которых биомаркер выбран в модели, соответствует вероятности выбора для этого конкретного биомаркера. В окончательную модель включаются только гены, отобранные с частотой встречаемости равной или большей (с).

    Мы использовали процедуру, реализованную в , пакет glmnet , чтобы определить оптимальное наказание для LASSO-cvl и Elastic Net [27], и пакет biospear для LASSO-pcvl.Параметр штрафа был выбран на основе 10-кратной перекрестной проверки, а параметр смешивания был установлен на 0,5 для регрессии эластичной сети и BSS Enet. Пороговая вероятность выбора была произвольно установлена ​​на 0,5 для BSS Enet.

    Регрессия Риджа не была включена в это исследование, поскольку, в отличие от регрессии L1 или смеси L1 и L2, штраф L2 () имеет тенденцию минимизировать параметры без предоставления выбора переменных.

    2.1.3. Алгоритм повышения

    Как и прямая пошаговая регрессия, повышение — это итерационный метод, который начинается с нулевой модели, а затем адаптируется только один коэффициент за раз, который максимизирует штрафную частичную логарифмическую вероятность, включая штраф за повышение [15].Предыдущие шаги повышения были включены в штрафную частичную логарифмическую вероятность в качестве компенсации для следующего шага. Этот метод выбора переменной был реализован в пакете R CoxBoost . Была проведена 10-кратная перекрестная проверка, чтобы найти оптимальное количество шагов повышения с помощью cv. CoxBoost , со штрафом за усиление, выбранным с помощью функции optimCoxBoostPenalty .

    2.1.4. Леса случайного выживания

    Случайные леса — это методы отбора непараметрических переменных, которые были расширены для данных о выживании [19].Общий алгоритм состоит в отрисовке образцов начальной загрузки из набора данных, выращивании дерева для каждого из них и, наконец, усреднении прогнозов. Для каждого узла было выбрано подмножество переменных-предикторов в качестве кандидатов для разделения данных на два дочерних узла в соответствии с правилом разделения рангового журнала. Затем лучший элемент разделения из этого подмножества используется для разделения узла. Затем для выбора переменных был использован поиск переменных [28]. Деревья выживания были построены в соответствии с параметрами, рекомендованными авторами для данных большой размерности, с использованием пакета R randomForestSRC .

    2.2. Моделируемые наборы данных

    Наборы данных были смоделированы с различными размерами выборки (, 750 или 1000) и заранее определенным числом 1500 нормально распределенных ковариат. Для каждого размера выборки мы рассчитали время выживания в соответствии с моделью экспоненциальной регрессии (с исходным уровнем, равным 1). Были исследованы три сценария с различным количеством истинно прогностических биомаркеров (, 12 или 50). Параметры регрессии были зафиксированы на уровне -0,11 или -0,22 (что приводило к более или менее важным эффектам истинных предикторов) с коэффициентом риска 0.9 или 0,8 соответственно. Чтобы смоделировать биологически релевантную структуру корреляции генов, предикторы были разделены на подгруппы коррелированных ковариат с авторегрессионной корреляционной структурой [29]: (). Параметр был установлен на 0,6 после обзора литературы [16, 30, 31] и анализа нескольких опубликованных наборов данных, таких как когорты METABRIC и TCGA. Время цензуры было соответственно смоделировано с использованием равномерного распределения (U [3, 5]), что привело к уровню цензуры от 10 до 30%. Параметры моделирования приведены в таблице 1.

    6

    События Частота цензурирования (%)

    500
    500 403 19,4 1500 12
    500 362 27,6 1500 50
    632 1500 0
    750 617 17,7 1500 12
    750 535 28,7 1000 10,8 1500 0
    1000 814 18,6 1500 12
    1000 709 29.1 1500 50

    2.3. Приложение на опубликованном наборе данных

    В качестве приложения использовался общедоступный набор данных по раку груди с доступными данными о выживаемости и экспрессии генов для 614 пациентов. Этот набор данных был извлечен из GitHub (http://github.com/Oncostat/biospear/), чтобы получить ту же версию данных, что и Ternès et al. [16]. Конечной точкой интереса была отдаленная выживаемость без рецидивов с частотой цензуры 78.2%. Зонды были предварительно предварительно отфильтрованы в соответствии с межквартильным диапазоном больше 1, чтобы уменьшить количество предикторов с низкой дисперсией по выборкам ().

    2.4. Сравнение методов выбора переменных

    Стратегия повторной выборки была проведена для оценки шести методов выбора: LASSO-cvl, LASSO-pcvl, Elastic Net, BSS Enet, CoxBoost и RSF. Следуя стратегии, использованной Michiels et al., Как моделированные, так и реальные наборы данных были случайным образом разделены на 100 обучающих и проверочных наборов с разными размерами выборки для обучающего набора (1/2 и 2/3 от общего набора данных) [9, 12] .Для каждой обучающей выборки применялись разные методы отбора, чтобы выбрать важные гены и создать оценку риска для прогнозирования. Для подходов с наказанием и повышением оценка риска основывалась на линейном предикторе, заданном моделью Кокса. Для RSF оценка риска была основана на среднем по деревьям оценок совокупного риска, вычисленных из выборок начальной загрузки, которые исключают этого пациента, чтобы уменьшить смещение оптимизма. Разработанные ранее модели были затем применены к соответствующим наборам для валидации.

    На основе выбора признаков на этапе обучения методы выбора переменных сравнивались с точки зрения количества выбранных генов и стабильности сигнатур, измеренной по частоте выбора каждого гена среди 100 обучающих наборов. Для смоделированных наборов данных можно вычислить как FDR, так и частоту ложноотрицательных результатов (FNR). Они соответствовали, соответственно, количеству отобранных неактивных генов и количеству истинных биомаркеров, пропущенных с помощью различных методов отбора. Затем прогностические характеристики были оценены на основе проверки, установленной баллами Бриера и C-index для оценок риска, которые реализованы в пакете R pec [32].Интегрированная оценка Бриера (IBS) — это площадь под кривой ошибки предсказания (т. Е. Квадратичная разница между наблюдаемым ответом и предсказанной вероятностью во времени). IBS стремится к 0 для идеальной модели. C-индекс измеряет дискриминантную способность модели; его интерпретация аналогична классической области под кривой рабочих характеристик приемника (ROC). Все анализы были выполнены с помощью R-3.2.4.

    3. Результаты
    3.1. Моделируемые наборы данных
    3.1.1. Выбор переменных

    Количество генов, отобранных методами отбора для каждого размера выборки и сценария, представлено в таблице 2. Для нулевого сценария (т. Е. Без активного биомаркера) BSS Enet и RSF выбрали гены во всех смоделированных случаях, тогда как другие методы, как правило, не выбирали никаких предикторов. LASSO-cvl и Elastic Net показали лучшие результаты с наименьшим FDR (соответственно). Очевидно, что FDR равнялся 1 для BSS Enet и RSF (Таблица 3). Для альтернативных сценариев () количество выбранных генов с помощью подходов с усилением и штрафами увеличивалось при увеличении размера выборки обучающего набора.Напротив, для RSF количество генов обратно коррелировало с размером обучающей выборки. FDR и FNR были соответственно минимизированы подходами LASSO-pcvl и Elastic Net. FDR BSS Enet был уменьшен по сравнению с FDR Elastic Net (снижение медианы на 25% по разным сценариям), но иногда предполагало небольшое увеличение FNR. Результаты стабильности (таблица 4) показывают, что последний увеличивался с размером выборки обучающего набора и уменьшался, когда количество истинных предикторов увеличивалось.Когда размер выборки обучающего набора был максимальным (), частота встречаемости составляла приблизительно 100% для более чем 50% выбранных предикторов, за исключением RSF с наихудшей стабильностью выбора (;). Если размер обучающей выборки недостаточен для выбора большого числа предикторов, стабильность имеет тенденцию к снижению при наличии более истинных предикторов. Некоторые истинные предикторы имели низкую частоту появления, а ложные предикторы могли быть более стабильными в нашем исследовании in silico . Между предикторами, выбранными каждым подходом, наблюдалось плохое пересечение (таблица 5).Среди согласованных выбранных предикторов было немного истинных положительных результатов. Эта доля может быть намного меньше 50%, особенно когда количество истинных предикторов невелико () и где используются большие размеры обучающей выборки.

    906 32 33 (14-57)

    Обучающая фракция Количество выбранных предикторов
    med (min – max)
    LASSO-cvl Lastic LASSO-pcvl LASSO-cvl LASSO-cvl LASSO-cvl LASSO-cvl LASSO Enet CoxBoost RSF

    500 0 1/2 0 (0-24) 1 (0-30) 0 (0-34) 9 (1-15) 0 (0-24) 71 (67-75)
    2/3 0 (0-21) 0 (0-31) 0 (0-24) 10 (4-20) 0 (0-24) 56 (52-59)
    12 1/2 25 (7-55) 11 (5-29) 33 (10-62) 22 (10-29) 26 (9-50) 71 (65-75)
    2/3 27 (10 -55) 13 (7-26) 37 (13-75) 27 (19-35) 30 (10-50) 56 (52-60)
    50 1/2 62 (40-93) 44 (13-75) 83 (50-121) 44 (29-57) 57 (24-80) 75 (70-78)
    2/3 76 (57-105) 53 (34-72) 96 (71-127) 56 (47-66) 67 (41-103) 63 (57 -68)

    750 0 1/2 0 (0-18) 0 (0-33) 0 (0-23) 12 (6 -22) 0 (0-29) 45 (42-49)
    2/3 0 (0-20) 0 (0-16) 0 (0-21 ) 16 (8-26) 0 (0-19) 22 (19-25)
    12 1/2 25 (12-52) 13 (7-25 ) 25 (14-36) 27 (12-53) 47 (44-51)
    2/3 24 (12-49) 11 (8-18) 28 (17-55) 28 (21-37) 26 (13-52) 25 (22-28)
    50 1/2 72 (51-93) 44 (27-68) 88 (65-118) 54 (46-69) 62 (36-85) 58 (53-61)
    2/3 80 (58-111) 46 (31-59) 96 (76-134) 64 (52-78) 69 (43-89) 37 (32-41 )

    1000 0 1/2 0 (0-45) 0 (0-36) 0 (0-45) 19 (10-34 ) 1 (0-40) 22 (20-25)
    2/3 1 (0-48) 1 (0-43) 1 (0-48) 27 (1 7-40) 2 (0-45) 6 (6-8)
    12 1/2 34 (11-79) 15 (8-28) 42 ( 18-89) 35 (24-52) 36 (17-62) 28 (25-32)
    2/3 42 (21-74) 15 (9- 25) 50 (23-86) 48 (31-63) 44 (14-77) 9 (8-11)
    50 1/2 90 (70- 124) 57 (34-78) 107 (87-139) 68 (58-89) 74 (54-114) 38 (34-43)
    2/3 101 (76-145) 57 (46-73) 120 (84-168) 80 (67-99) 79 (53-112) 18 (16-20)

    903 9055 6 38 0,2 0,66 6

    Учебная фракция 9 0637 FDR / FNR
    LASSO-cvl LASSO-pcvl Эластичная сетка BSS Enet CoxBoost RSF
    0.43 /. 0,51 /. 0,45 /. 1 /. 0,49 /. 1 /.
    2/3 0,39 /. 0,48 /. 0,4 /. 1 /. 0,49 /. 1 /.
    12 1/2 0,62 / 0,29 0,32 / 0,36 0,69 / 0,19 0,56 / 0,24 0,65 / 0,3 0,92 / 0,56 6 908 0,61 / 0,18 0.28 / 0,23 0,69 / 0,1 0,6 / 0,12 0,64 / 0,19 0,9 / 0,51
    50 1/2 0,51 / 0,39 0,35 / 0,45 0,56 0,56 / 0,3 / 0,39 0,47 / 0,41 0,83 / 0,74
    2/3 0,52 / 0,27 0,34 / 0,31 0,58 / 0,19 0,32 / 0,25 6 0,47 0,72

    750 0 1/2 0.44 /. 0,5 /. 0,46 /. 1 /. 0,46 /. 1 /.
    2/3 0,23 /. 0,42 /. 0,24 /. 1 /. 0,38 /. 1 /.
    12 1/2 0,62 / 0,24 0,31 / 0,27 0,67 / 0,16 0,59 / 0,16 0,64 / 0,25 0,85 / 0,4 6 6 908 0,57 / 0,21 0.19 / 0,23 0,62 / 0,12 0,63 / 0,11 0,61 / 0,2 0,65 / 0,29
    50 1/2 0,49 / 0,29 0,27 / 0,35 0,5 0,32 / 0,27 0,44 / 0,3 0,75 / 0,71
    2/3 0,48 / 0,17 0,2 ​​/ 0,26 0,54 / 0,1 0,33 / 0,15 0,4 / 0,2 0,4 / 0,2 0,4 / 0,2

    1000 0 1/2 0.45 /. 0,48 /. 0,45 /. 1 /. 0,51 /. 1 /.
    2/3 0,55 /. 0,57 /. 0,56 /. 1 /. 0,62 /. 1 /.
    12 1/2 0,71 / 0,23 0,4 / 0,27 0,74 / 0,16 0,7 / 0,16 0,73 / 0,23 0,71 / 0,32
    6 2326 0,75 / 0,19 0.36 / 0,23 0,78 / 0,12 0,77 / 0,1 0,77 / 0,19 0,22 / 0,4
    50 1/2 0,52 / 0,15 0,27 / 0,18 0,18 0,58 0,35 / 0,11 0,44 / 0,16 0,54 / 0,65
    2/3 0,56 / 0,1 0,24 / 0,13 0,61 / 0,06 0,42 / 0,07 0,45 0,7

    90 632 99 (17-100) / 2 (1-44)

    Обучающая фракция Частота появления


    макс. cvl
    LASSO-pcvl Эластичная сетка BSS Enet CoxBoost RSF

    500 0 1/2 1/2 632 NA / 1 (1-19) NA / 1 (1-18) NA / 1 (1-26) NA / 1 (1-23) NA / 5 (1-71)
    2/3 NA / 1 (1-18) NA / 1 (1-21) NA / 1 (1-22) NA / 2 (1-40) NA / 1 (1-23) NA / 4 (1-94)
    12 1/2 76 (3-100) / 2 (1-30) 65 (2-100) / 1 (1-13) 86 (19-100) / 2 (1-37) 82 (19-100) / 2 (1-28) 74 (1-100) / 2 (1- 31) 48 (9-94) / 4 (1-89)
    2/3 92 (8-100) / 2 (1-50) 86 (3-100) / 2 (1-29) 97 (34-100) / 2 (1-64) 97 (38-100) / 2 (1-54) 92 (10-100) / 2 (1-59) 52 (12-87) / 4 (1-98)
    50 1/2 66 (1-99) / 2 (1-53) 58 (1-100) / 2 (1-37) 79 (1-100) / 2 (1-67) 68 (3-100) / 2 (1-34) 67 (1-99) / 2 (1-46) 9 0637 18 (1-87) / 4 (1-62)
    2/3 89 (1-100) / 2 (1-74) 82 (6-100) / 2 (1 -57) 94 (4-100) / 3 (1-77) 91 (1-100) / 2 (1-64) 87 (1-100) / 2 (1-68) 22 (1-100) / 3 (1-81)

    750 0 1/2 NA / 1 (1-14) NA / 1 (1-16 ) NA / 1 (1-17) NA / 1 (1-42) NA / 1 (1-10) NA / 3 (1-60)
    2/3 NA / 1 (1-13) NA / 1 (1-18) NA / 1 (1-14) NA / 2 (1-71) NA / 1 (1-14) NA / 2 (1-86)
    12 1/2 94 (22-100) / 2 (1-34) 90 (17-100) / 1 (1-13) 99 (39-100) / 2 (1-38) 98 (31-100) / 1 (1-30) 94 (22-100) / 2 (1-34) 59 (9- 100) / 3 (1-77)
    2/3 98 (12-100) / 1 (1-15) 100 (35-100) / 2 (1-48) 100 (28- 100) / 2 (1-42) 99 (14-100) / 2 (1-47) 74 (11-100) / 2 (1-60)
    50 1/2 78 (10-100) / 2 (1-44) 72 (6-100) / 1 (1-31) 90 (14-100) / 2 (1-54) 84 (6- 100) / 2 (1-31) 76 (7-100) / 2 (1-40) 21 (1-86) / 3 (1-56)
    2/3 94 (13-100) / 2 (1-68) 91 (4-100) / 2 (1-48) 98 (28-100) / 3 (1-78) 97 (12-100) / 2 (1-57) 94 (11-100) / 2 (1-56) 35 (1-100) / 2 (1-55)

    1000 0 1/2 NA / 1 (1-20) NA / 1 (1-21) NA / 1 (1-22) NA / 2 (1-50) NA / 1 (1-26) NA / 2 (1-78)
    2/3 NA / 1 (1-39) NA / 1 (1-43) NA / 1 (1-40) NA / 2 (1-80) NA / 1 (1-40) NA / 2 (1-80)
    12 1/2 97 (5-100) / 2 (1-53) 97 (2-100) / 1 (1-33) 100 (15-100) / 2 ( 1-64) 99 (19-100) / 2 (1-56) 98 (5-100) / 2 (1-57) 70 (26-99) / 2 (1-32)
    2/3 100 (6-100) / 2 (1-84) 100 (2-100) / 2 (1-49) 100 (16-100) / 3 (1- 87) 100 (21-100) / 3 (1-89) 100 (5-100) / 2 (1-88) 54 (28-100) / 1 (1-14)
    50 1/2 98 (2-100) / 2 (1-74) 93 (11-100) / 1 (1-48) 99 (5-100) / 3 (1- 81) 99 (20-100) / 2 (1-64) 95 (1-100) / 2 (1-60) 30 (1-95) / 2 (1-48)
    2/3 100 (2-100) / 3 (1-93) 100 (6-100) / 2 (1-77) 100 (5-100) / 3 (1-97) 90 637 100 (2-100) / 2 (1-92) 100 (7-100) / 2 (1-86) 36 (1-86) / 2 (1-22)

    -2

    Тренировочная фракция Пересечение (количество общих генов / истинно-положительные показатели pcv55 среди общих генов) Эластичная сетка BSS Enet CoxBoost RSF

    500 12 1/2 LASSO-cvl 11 (0.7 (0,35-1) 25 (7-53) /0,35 (0,15-1) 18 (7-27) /0,47 (0,26-1) 22 (7-40) /0,38 (0,17-1) ) 6 (1-12) / 0,71 (0,2-1)
    LASSO-pcvl 11 (5-29) / 0,7 (0,33-1) 11 (5-24) / 0,71 (0,41-1) 11 (5-29) / 0,7 (0,33-1) 4 (1-12) / 0,86 (0,5-1)
    Эластичная сетка 20 ( 8-29) /0,45 (0,29-0,88) 24 (8-48) /0,35 (0,17-0.78) 7 (3-14) /0,67 (0,2-1)
    BSS Enet 18 (7-28) / 0,44 (0,28-0,8) 7 (1-12 ) /0,75 (0,25-1)
    CoxBoost 6 (1-13) / 0,71 (0,2-1)
    50 1/2 LASSO-cvl 42 (13-74) /0,64 (0,46-0,95) 62 (40-93) /0,49 (0,37-0,65) 40 (28-56) / 0,71 (0,52-0,84) 53 (24- 80) / 0.55 (0,41-0,92) 12 (4-19) / 0,79 (0,44-1)
    LASSO-pcvl 44 (13-74) / 0,63 (0,45-0,95) 35 ( 13-48) /0,74 (0,59-0,95) 42 (13-72) /0,65 (0,45-0,95) 11 (3-18) / 0,86 (0,56-1)
    Эластичная сетка 43 (29-57) /0,71 (0,52-0,82) 57 (24-79) /0,54 (0,38-0,92) 14 (5-21) /0,77 (0,37-1)
    BSS Enet 40 (22-53) / 0.72 (0,53-0,95) 11 (2-18) / 0,89 (0,57-1)
    CoxBoost 12 (4-20) / 0,81 (0,5-1)

    750 12 1/2 LASSO-cvl 13 (7-25) /0,69 (0,4-1) 25 (12-50) /0,36 (0,18-0,75) 19 (11-29) /0,47 (0,3-0,79) 23 (12-43) /0,39 (0,2-0,75) 7 (4-12) / 0,83 (0,5-1)
    LASSO-pcvl 13 (7-25) / 0.68 (0,4-1) 12 (6-23) /0,73 (0,43-1) 13 (7-24) /0,69 (0,38-1) 6 (3-10) / 1 (0,6-1 )
    Эластичная сетка 22 (11-33) /0,45 (0,3-0,75) 26 (12-50) / 0,36 (0,2-0,75) 8 (4-14) / 0,8 (0,54-1)
    BSS Enet 20 (11-33) /0,45 (0,3-0,82) 8 (4-12) / 0,86 (0,43-1)
    CoxBoost 7 (3-12) / 0.8 (0,57-1)
    50 1/2 LASSO-cvl 43 (27-68) /0,73 (0,5-0,91) 71 (51-90) / 0,51 (0,37-0,69 ) 49 (39-65) /0,7 (0,55-0,85) 60 (36-79) /0,58 (0,43-0,81) 14 (6-22) / 0,85 (0,67-1)
    LASSO-pcvl 44 (27-68) /0,73 (0,5-0,92) 40 (27-57) /0,79 (0,61-0,94) 42 (27-65) / 0,74 (0,52-0,92) ) 12 (7-20) /0,93 (0,71-1)
    Эластичная сетка 52 (42-68) / 0.68 (0,55-0,83) 62 (36-83) /0,56 (0,43-0,81) 16 (7-23) / 0,83 (0,6-1)
    BSS Enet 47 (34-63) /0,71 (0,56-0,86) 14 (8-22) /0,9 (0,73-1)
    CoxBoost 14 (6-22) / 0,88 (0,71 -1)

    1000 12 1/2 LASSO-cvl 15 (8-28) / 0.59 (0,32-0,92) 34 (11-79) /0,28 (0,11-0,73) 26 (11-51) /0,35 (0,18-0,73) 31 (11-55) /0,29 (0,16-0,73 ) 8 (4-12) /0,89 (0,45-1)
    LASSO-pcvl 15 (8-28) /0,59 (0,32-0,92) 15 (8-27) / 0,61 (0,33-0,92) 15 (8-28) /0,59 (0,32-0,92) 7 (4-11) / 1 (0,62-1)
    Эластичная сетка 29 ( 14-52) /0,34 (0,17-0,61) 34 (16-62) / 0.28 (0,14-0,53) 9 (4-12) / 0,89 (0,42-1)
    BSS Enet 27 (13-44) /0,34 (0,2-0,59) 9 (6-12) / 0,89 (0,5-1)
    CoxBoost 8 (4-11) / 0,88 (0,6-1)
    50 1/2 LASSO-CVL 57 (34-77) /0,72 (0,52-0,97) 90 (70-122) /0,48 (0,35-0,61) 63 (53-88) /0,67 (0,52-0,78) 73 (54-101) / 0.57 (0,45-0,78) 18 (13-24) /0,9 (0,71-1)
    LASSO-pcvl 57 (34-78) / 0,72 (0,51-0,97) 53 ( 34-65) /0,78 (0,63-0,97) 56 (34-76) / 0,73 (0,53-0,97) 17 (12-23) /0,94 (0,74-1)
    Эластичная сетка 66 (58-89) /0,66 (0,53-0,76) 74 (54-106) /0,56 (0,43-0,78) 20 (14-25) / 0,88 (0,71-1)
    BSS Enet 60 (50-84) / 0.7 (0,56-0,81) 19 (13-24) /0,94 (0,79-1)
    CoxBoost 18 (12-24) / 0,94 (0,71-1)

    500 12 2/3 LASSO-cvl 13 (7-25) / 0,71 (0,4-1) 26 (10-55) /0,38 (0,15-0,8) 20 (9-31) /0,45 (0,3-0,8) 24 (10-46) /0,4 (0,17-0,8) 7 (3-11) /0,75 (0,43-1)
    LASSO-pcvl 13 (7-26) / 0.71 (0,38-1) 13 (7-21) /0,72 (0,48-1) 13 (7-25) /0,71 (0,4-1) 5 (2-10) / 1 (0,6-1 )
    Эластичная сетка 23 (11-33) /0,43 (0,31-0,82) 28 (10-48) /0,34 (0,17-0,71) 7 (4-13) / 0,71 (0,4-1)
    BSS Enet 21 (9-32) / 0,44 (0,31-0,78) 7 (4-11) / 0,8 (0,5-1)
    CoxBoost 7 (3-10) / 0.71 (0,43-1)
    50 2/3 LASSO-cvl 52 (33-71) /0,65 (0,51-0,85) 76 (57-104) /0,49 (0,34-0,61 ) 51 (43-62) /0,68 (0,56-0,81) 65 (41-93) /0,55 (0,35-0,68) 14 (7-21) / 0,83 (0,58-1)
    LASSO-pcvl 53 (34-72) /0,65 (0,51-0,85) 46 (34-57) /0,73 (0,61-0,92) 51 (33-65) / 0,66 (0,56-0,87) ) 13 (7-19) /0,9 (0,64-1)
    Эластичная сетка 54 (45-66) / 0.69 (0,56-0,82) 66 (41-99) /0,54 (0,34-0,69) 16 (10-23) / 0,8 (0,48-1)
    BSS Enet 50 (37-60) /0,7 (0,6-0,82) 14 (7-20) /0,92 (0,61-1)
    CoxBoost 14 (7-21) / 0,87 (0,62) -1)

    750 12 2/3 LASSO-cvl 11 (8-18) / 0.82 (0,5-1) 23 (12-49) /0,42 (0,2-0,79) 20 (11-33) /0,5 (0,3-0,92) 21 (12-47) /0,45 (0,21-0,77 ) 8 (5-11) / 1 (0,73-1)
    LASSO-pcvl 11 (8-18) / 0,82 (0,5-1) 11 (8-17) / 0,83 (0,53-1) 11 (8-18) / 0,82 (0,5-1) 7 (5-10) / 1 (0,86-1)
    Эластичная сетка 22 ( 13-35) /0,46 (0,29-0,85) 24 (13-49) /0,41 (0.2-0,71) 8 (5-13) / 1 (0,69-1)
    BSS Enet 20 (12-32) / 0,47 (0,28-0,83) 8 (5 -12) / 1 (0,73-1)
    CoxBoost 8 (5-12) / 1 (0,7-1)
    50 2/3 LASSO- cvl 46 (31-59) /0,8 (0,62-0,97) 80 (58-111) /0,52 (0,39-0,72) 58 (46-70) /0,69 (0,59-0,85) 68 ( 43-87) / 0.59 (0,45-0,84) 16 (12-21) / 0,94 (0,76-1)
    LASSO-pcvl 46 (31-59) / 0,8 (0,62-0,97) 44 ( 30-54) / 0,83 (0,69-0,97) 46 (31-58) / 0,8 (0,65-0,97) 14 (9-20) / 1 (0,84-1)
    Эластичная сетка 62 (51-78) /0,68 (0,59-0,84) 69 (43-89) /0,59 (0,44-0,84) 17 (14-23) /0,94 (0,74-1)
    BSS Enet 55 (40-67) / 0.71 (0,6-0,87) 16 (12-22) / 0,94 (0,81-1)
    CoxBoost 15 (12-21) / 0,94 (0,8-1)

    1000 12 2/3 LASSO-cvl 15 (9-25) /0,62 (0,4-1) 42 (20-74) / 0,24 (0,12-0,5) 33 (19-55) /0,29 (0,16-0,53) 37 (14-67) /0,25 (0,15-0,57) 7 (3-9) / 1 (0,83-1)
    LASSO-pcvl 15 (9-25) / 0.62 (0,4-1) 14 (9-25) / 0,62 (0,4-1) 14 (9-25) / 0,62 (0,4-1) 6 (3-9) / 1 (0,8-1 )
    Эластичная сетка 38 (21-59) / 0,28 (0,18-0,52) 41 (14-70) / 0,23 (0,14-0,57) 7 (4-10) / 1 (0,83-1)
    BSS Enet 35 (14-53) /0,28 (0,17-0,57) 7 (4-10) / 1 (0,75-1)
    CoxBoost 7 (4-9) / 1 (0.83-1)
    50 2/3 LASSO-cvl 57 (45-73) /0,76 (0,6-0,91) 100 (75-144) / 0,45 (0,31-0,59) 73 (59-89) /0,61 (0,5-0,74) 78 (53-110) /0,56 (0,39-0,77) 15 (11-18) / 1 (0,88-1)
    LASSO-pcvl 57 (46-73) /0,75 (0,6-0,91) 55 (45-68) /0,79 (0,63-0,91) 55 (45-71) / 0,76 (0,61-0,91) 15 (11-18) / 1 (0,92-1)
    Эластичная сетка 78 (65-93) / 0.59 (0,5-0,72) 79 (53-112) /0,55 (0,38-0,77) 16 (12-18) / 1 (0,81-1)
    BSS Enet 67 (53-82) /0,66 (0,53-0,83) 15 (11-18) / 1 (0,92-1)
    CoxBoost 15 (11-18) / 1 (0,92 -1)

    3.1.2. Прогностические характеристики

    Для небольшого числа предикторов () подходы со штрафом и повышением давали лучшие прогностические характеристики с более высоким C-индексом и более низким IBS, чем RSF.Для этого сценария прогностические характеристики имели тенденцию к снижению при увеличении размера выборки. В отличие от, все подходы, кроме RSF, продемонстрировали аналогичные характеристики, а прогностические характеристики увеличивались с увеличением размера выборки (рисунки 1 и 2).



    3.2. Приложение к опубликованному набору данных

    К набору данных по раку груди были применены шесть методов отбора, при этом часть обучающих данных была равна 2/3. Количество выбранных зондов составило 54 для LASSO-cvl, 13 для LASSO-pcvl, 78 для Elastic Net, 42 для BSS Enet, 58 для CoxBoost и 83 для RSF.Списки датчиков, выбранных для каждого метода, приведены в Таблице 1, а пересечения между ними — в Таблице 6.

    BSS Enet 6 9006 9006 9006 9006 9006 9006 9006 900 6 12 9

    LASSO-cvl LASSO-pcvl Elastic Net CoxBoost RSF
    LASSO-cvl 54 10 54 32 49 32 49 7
    CoxBoost 58 8
    RSF 90 637 83

    RSF показал плохое пересечение с другими методами.Среди зондов, выбранных несколькими методами, можно выделить интересные мишени в канцерогенезе, которые играют роль в пролиферации и апоптозе клеток (CCDN1, MET, KIT, FGFR3,…), метаболизме клеток (BTG1, LPGAT1, CKB, ASNS,…), подвижность и инвазия клеток (CDC42, PXDN, PFN2,…) и иммунитет (CD55, CXCL13, XBP1, HLA-DQB1,…). Затем была применена та же стратегия повторной выборки, чтобы оценить влияние обучающего набора на выбор и производительность. Количество выбранных генов увеличивалось при увеличении размера обучающей выборки.Для данного размера выборки обучающего набора RSF выбрало больше генов, чем другие методы отбора, и LASSO-pcvl был наиболее строгим методом (таблица 7). Что касается стабильности, 50% выбранных предикторов имели частоту появления менее 5%. Дискриминантные возможности (например, C-индекс) были низкими для всех подходов, а BSS Enet, как правило, имел самые низкие показатели (рисунок 3).

    B

    Тренировочная фракция Количество выбранных предикторов
    med (min – max)
    LASSO-cvl LASSO-pcvl Elastico RSF

    1/2 26 (4-71) 11 (0-59) 47 (11-100) 30 (17-49) 26 (0-56) 82 (71-93)
    2/3 40 (6-70) 14 (4-53) 58 (14-104) 41 (31- 62) 40 (5-70) 85 (72-93)
    Частота появления
    med (min – max)
    1/2 2 (1-65) 2 (1-57) 2 (1-73) 2 (1-77) 2 (1-64) 5 (1-57)
    2/3 3 (1- 92) 2 (1 -73) 3 (1-95) 3 (1-98) 3 (1-91) 5 (1-61)


    4 .Обсуждение

    Основная цель этого исследования состояла в том, чтобы провести исчерпывающее сравнение популярных методов выбора переменных и предложить рекомендации по разработке прогностических сигнатур. Насколько нам известно, это первое сравнение, в котором оценивается влияние структуры обучающей выборки на несколько критериев, таких как стабильность, частота ложных открытий и прогностические характеристики, между классическими расширениями модели пропорциональных рисков Кокса и случайным лесом, наиболее часто используемым непараметрическим методом. метод в этом контексте.Используя смоделированные наборы данных и одно реальное приложение, мы исследовали как выбор переменных, так и прогностические характеристики каждого подхода. Наш главный вывод заключается в том, что, хотя процесс выбора сильно различается, все методы выбора переменных обеспечивают хорошие прогностические характеристики с удовлетворительным индексом C в большинстве сценариев.

    Используя смоделированные наборы данных, основанные на биологически вероятных параметрах, мы оценили влияние как методов отбора, так и размеров выборки на выбор и прогностические характеристики.Учитывая различные критерии сравнения, LASSO-pcvl является наиболее рекомендуемым методом выбора, поскольку FDR минимизируется независимо от размера выборки с умеренным увеличением FNR и прогностических характеристик, аналогичных другим методам отбора. И наоборот, RSF — наихудший метод с точки зрения производительности со слишком большим количеством ложных срабатываний, выбранных в большинстве сценариев, и отсутствием общих генов с другими подходами. Это может быть объяснено отсутствием этапа предварительной фильтрации в алгоритме «поиска переменных», рекомендованном для высокоразмерных настроек, который не ограничивает количество выбранных генов.Перекрестная проверка для оптимизации этого числа, как и других методов выбора, может улучшить характеристики RSF. С другой стороны, RSF был предложен для работы со сложными взаимосвязями между ковариатами и выживаемостью и может работать хуже при линейных эффектах. По сравнению с классической эластичной сетью, BSS Enet дает более удовлетворительные результаты в альтернативных сценариях с более низким FDR, несмотря на немного более высокий FNR. Чем меньше переменных коррелирует с истинными предикторами, тем лучше работает BSS Enet, но это маловероятное предположение в случае данных omics.Однако систематический отбор ложноположительных генов в нулевых сценариях снижает привлекательность этого подхода. Анализ чувствительности, изучающий влияние более строгого порога стабильности на оценку риска (70 и 80%), не решил эту проблему. Кроме того, BSS не улучшает стабильность в процессе выбора или прогностические характеристики по сравнению с одним этапом в настоящем исследовании. Как и ожидалось, дискриминантная способность оценки риска, полученной различными методами, увеличивается, когда количество истинных предикторов, связанных с выживаемостью, увеличивается, и когда количество выбранных ложноположительных генов невелико.Из-за переобучения снижается эффективность распознавания в наборе данных проверки при увеличении количества ложных срабатываний. В общедоступном наборе данных мы наблюдали плохую стабильность по сравнению с результатами моделирования и плохие прогнозы. Эти результаты можно объяснить несколькими причинами, например, небольшим размером выборки. Нестабильность может быть объяснена тем, что единственного решения не существует из-за многомерности данных [10]. Действительно, взаимодействия и корреляции между предикторами в исследованиях омиков часто более сложны, чем в нашем исследовании с помощью моделирования.Вопреки распространенному мнению, в нашем исследовании важно отметить, что LASSO может одновременно выбирать коррелированные биомаркеры. Для определения влияния корреляционной структуры на выбор предикторов в этом подходе необходимо другое моделирование.

    Это моделирование имело ряд ограничений. Во-первых, можно было бы протестировать другие стратегии моделирования для данных о времени до события, чтобы проверить, не находятся ли леса выживания в слишком невыгодном положении в сценарии пропорциональных рисков Кокса.Во-вторых, для принятия решения в клинической практике часто бывает полезно иметь пороговые значения, позволяющие определить различные группы риска. Могут использоваться различные методы, такие как подход минимального значения, разделение непрерывной оценки риска на равные группы (согласно медиане или другим квантилям) или стратегии, основанные на кривых ROC. Необходима дальнейшая работа, чтобы помочь в выборе наиболее адекватного порога в зависимости от клинического вопроса. Тогда количество ковариат в нашем исследовании может быть намного больше, что часто верно для геномных данных, если не применяется этап предварительной фильтрации; но из этой первоначальной работы с «умеренными» настройками большой размерности становится ясно, что методы выбора переменных достигают еще худшей стабильности и производительности, когда.Наконец, только одно значение было рассмотрено для параметра корреляции в структуре авторегрессионной корреляции.Тем не менее, мы предполагаем, что большая корреляция может не иметь биологической значимости и что 0,6 является разумным выбором для максимальной корреляции в нашем исследовании моделирования и хорошим компромиссом для оценить статистические характеристики для биологически правдоподобных сценариев.

    В контексте точной медицины сигнатуры генов обычно разрабатываются независимо от клинических факторов, т.е.е., выбор омиков, разработка оценки риска и групп риска с последующей корректировкой на прогностические факторы. Эта стратегия не позволяет выбрать гены с прогностической ценностью, независимой от клинической. Более того, большинство сигнатур генов теряют свою значимость после корректировки. Насколько нам известно, только одно исследование in silico было заинтересовано в учете клинических факторов на этапе отбора генов [33]. Было бы интересно оценить предлагаемые подходы с точки зрения прогностической эффективности, но особенно с точки зрения выбранных генов и связанных с ними сигнальных путей.В исследованиях рака груди, поскольку более половины генома коррелирует с пролиферацией [8], довольно легко найти несколько значимых комбинаций генов, связанных с клиническим исходом. Тем не менее, идентификация генов, участвующих в сигнальных путях, отличных от клеточных циклов, может выявить новые терапевтические цели и улучшить прогностические модели как с клиническими, так и с геномными данными. Другой важный аспект заключается в том, что методы отбора, исследованные в этой публикации, не принимают во внимание знание биологических путей биомаркеров [34].Приложение к набору данных о груди предполагает, что, несмотря на некоторые соответствующие выбранные гены, ранее описанные в литературе, многие предикторы выбраны из-за их корреляции с истинными прогностическими генами. Таким образом, важным вопросом при открытии биомаркеров является истинное функциональное значение выбранных переменных. Чтобы правильно определить это, биологи, клиницисты и статистики должны работать в тесном сотрудничестве, чтобы предложить соответствующие сигнатуры генов.

    Доступность данных

    Набор данных о раке груди был извлечен из GitHub (http: // github.com / Oncostat / biospear /). Моделируемые наборы данных доступны у соответствующих авторов по разумному запросу.

    Конфликт интересов

    Авторы заявляют об отсутствии конфликта интересов в отношении публикации этой статьи.

    Выражение признательности

    Мы хотели бы поблагодарить La Ligue Nationale Contre le Cancer, Франция, регион Средних Пиренеев (Comité de l’Aude, Comité de l’Ariège, Comité des Hautes Pyrénées) за их финансовую поддержку и доктора Г. • Тайлеферу, носителю языка, за поддержку английского языка.Работа поддержана La Ligue Contre le Cancer.

    Дополнительные материалы

    Дополнительная таблица 1: список выбранных зондов и связанных генов в наборе данных по раку груди (результаты выборки). (Дополнительные материалы)

    A Сравнение методов выбора

    Приложение 7.1 представляет собой сравнение наиболее часто используемых методов отбора. Сравнение было проведено Робертом Левином и Джо Россом 14 и основано на опубликованных исследованиях.Изучая результаты этих исследований, можно ясно увидеть, что некоторые методы более эффективны, чем другие 15 . Помимо сравнения методов отбора, Левин и Росс рассмотрели соответствующее соответствие методов отбора «атрибутам». Результаты их исследования показаны в Приложении 7.2. Этот второй экспонат интересен для нас из-за существования национальных профессиональных стандартов . Стандарты , как мы заявили, описывают все задачи, выполняемые автобусным оператором, и в рамках каждой из этих задач дополнительно описывают знания и способности, необходимые для выполнения этой задачи.Обращаясь к Приложению 7.2, мы видим, что предпочтительный метод выбора для определения знаний и способностей — это тесты. Вторичное предпочтение отдается обзорам биографии и собеседованиям для получения знаний, а также собеседованиям и образцам работы для определения способностей.

    Кандидатам нравится и не нравится с процедурами отбора

    Важным фактором при разработке процедуры отбора является реакция кандидатов на эту процедуру. Исследователи обнаружили, что кандидаты положительно реагируют на методы отбора, которые имеют прямое отношение к содержанию вакансии.Такие методы считаются необходимыми и справедливыми, поскольку они имеют высокий уровень достоверности и соответствия работе. Напротив, было обнаружено, что методы отбора, такие как психологическая оценка и анализ почерка, вызывают у кандидатов негативную реакцию из-за скептицизма по поводу необходимости такой информации и способности правильно оценивать результаты тестирования.

    Необходимо рассмотреть два последних исследования, прежде чем мы перейдем к рассмотрению того, как мы можем использовать результаты этих исследований для разработки процесса отбора «лучших практик».

    Где вписывается профсоюз?

    В ситуациях, когда агент по переговорам представляет операторов автобусов, важно вовлечь профсоюз в процесс отбора, поскольку кандидаты, которые в конечном итоге будут приняты на работу в качестве сотрудников, также станут членами профсоюзов. Очевидно, что использование действительных процедур, связанных с работой, важно для создания профсоюзной поддержки процесса отбора. Точно так же отборочный персонал должен пользоваться доверием профсоюза. По этой причине многие компании используют нынешних или бывших операторов в составе своей группы отбора.Участие профсоюзов в разработке процесса отбора укрепит его поддержку; а также выслушивание и общение с сотрудниками о процессе. Наконец, во многих компаниях за управление процессом найма отвечает отдел кадров. Этот отдел также отвечает за трудовые отношения и поэтому может рассматриваться профсоюзом как «враг». Следует признать, что такие враждебные отношения не вызовут поддержки, если профсоюз не даст согласия на участие в процессе найма.

    Первое исследование, проведенное Американской ассоциацией менеджмента в 1996 году, показало, что почти 60 процентов ее членов не проводили психологического тестирования соискателей и сотрудников, и что, когда рассматривались только соискатели, эта цифра выросла до почти 70 процентов. 16 . Второе исследование, проведенное с компаниями из списка Fortune 100 в 1997 году, показало, что практически 100 процентов этих компаний использовали собеседования в качестве инструмента отбора, но только 40 процентов использовали какие-либо тесты с кандидатами на работу 17, 18 .