课程文献中心 更多>>

标准号: GB/T 21664-2025

摘要： 本文件描述了工作抽样方法种类、工作步骤、工作抽样实施和整理分析。 本文件适用于进行时间利用率、劳动(工作)效率研究，编制和修订劳动定额，分析研究各类时间消耗，编制宽放时间标准，平整流水线。

关键词： 广义失效概率函数   模糊状态   高维   重要抽样法   单层分析框架  

摘要： 分析概率输入和模糊状态条件下的广义失效概率函数对于掌握分布参数在其设计域内变化时影响结构可靠性水平的规律至关重要，现有的单层重要抽样算法虽然可以避免直接双层蒙特卡洛要求的重复分析以及高可靠时要求的大容量样本池而带来的高耗时问题，但这类方法仍没有解决高维高可靠场景下构造单层重要抽样密度耗时且抽样效率低的问题。为此，本文构造了一种显式且易于抽样的统一重要抽样密度，并提出了渐进分层聚类的策略，使得所构造的统一重要抽样密度的样本能够覆盖对广义失效概率函数估计贡献大的区域，从而通过降低广义失效概率函数估计的方差来提高计算效率。相对于已有的单层重要抽样法，本文方法的主要创新表现在构造统一重要抽样密度时采用了渐进分层聚类的策略，避免了对附加计算量高的优化算法的依赖，显著地提升了高维高可靠性时探索目标模糊失效域来构造统一重要抽样密度及估计广义失效概率函数的效率，该优越性得到了文中算例的充分验证。

关键词： 心率变异性   血液学指标   脓毒血症   心肌损伤   预测价值  

摘要： 目的 探讨心率变异性联合血液学指标对脓毒血症并发心肌损伤的预测价值。方法 选取2021年10月至2024年10月在包头市中心医院收治的172例脓毒血症患者为研究对象，根据其有无心肌损伤分为发生组（n=56）、未发生组（n=116）。比较两组心率变异性[RR间期标准差（SDNN）、RR间期平均值的标准差（SDANN）、相邻RR间期差的均方根（RMMSD）、相邻RR间期差值超过50ms的RR间期所占百分数（PNN50）]、血液学指标[中性粒细胞/淋巴细胞比值（NLR）、降钙素原/血小板计数比值（PCT/PLT）]差异，采取多因素Logistic回归分析脓毒血症并发心肌损伤的影响因素，绘制受试者工作特征曲线（ROC）分析心率变异性指标、血液学指标对脓毒血症并发心肌损伤的预测价值。结果 纳入患者中，脓毒血症患者心肌损伤发生率为32.56%。与未发生组比较，发生组NLR、PCT/PLT水平较高（P＜0.05），SDNN、SDANN水平较低（P＜0.05）；SDNN、SDANN、NLR、PCT/PLT均是脓毒血症并发心肌损伤的影响因素（P＜0.05），对脓毒血症并发心肌损伤均有预测作用，其中联合预测灵敏度高于单独预测，AUC高于单独预测（P＜0.05），特异度与单独预测基本一致。结论 SDNN、SDANN、NLR、PCT/PLT是脓毒血症并发心肌损伤的影响因素，这4项指标联合预测效能最佳。

关键词： 心率变异性指标   急性缺血性脑卒中   动态心电图  

摘要： 目的探讨动态心电图心率变异性(HRV)指标与急性缺血性脑卒中(AIS)患者病情严重程度和预后的关系。方法回顾性分析2022年9月至2024年11月医院接诊的110例AIS患者和同期40名健康体检者的临床资料。AIS患者经住院治疗后,依据出院当日美国国立卫生院卒中量表(NIHSS)评分分为轻度卒中组(NIHSS评分<5分,37例)、中度卒中组(NIHSS评分5~15分,52例)、重度卒中组(NIHSS评分>15分,21例),依据出院第6个月的随访结果分为生存组(87例)、死亡组(23例)。比较AIS患者和健康体检者、不同卒中等级组、生存组和死亡组的动态心电图HRV指标[窦性心搏R-R间期标准差(SDNN)、连续5 min窦性心搏R-R间期均值标准差(SDNN Index)、每5分钟窦性心搏R-R间期均值标准差(SDANN)、临近窦性心搏R-R间期差值均方根(rMSSD)及相邻NN间期之差>50 ms个数占比(PNN50%)];以重度卒中、死亡为不良预后,采用Logistic回归分析AIS患者不良预后的危险因素。结果AIS患者的SDNN、SDNN Index、SDANN、rMSSD、PNN50%均低于健康体检者,差异有统计学意义(P<0.05);中度、重度卒中组的SDNN、SDNN Index、SDANN、r MSSD、PNN50%均低于轻度卒中组,死亡组的SDNN、SDNN Index、SDANN、rMSSD、PNN50%均低于生存组,差异有统计学意义(P<0.05);Logistic回归分析结果显示,SDNN、SDNN Index、SDANN、rMSSD、PNN50%为AIS患者不良预后的危险因素(P<0.05)。结论动态心电图HRV指标与AIS患者的病情严重程度和不良预后风险相关,可作为评估指标。

关键词： 重构方法   密度估计   序贯算法   区间估计   贪心算法  

摘要： 针对重构方法给出的密度估计,提出一种基于序贯思想来解决重构密度估计中节点选择问题的算法。将节点视为一个参数,通过最小化损失函数选出下一个节点,利用贪心算法找出整个节点集。该算法操作简单,不仅可以提升估计效果,而且可以减小由于节点选择不同而对密度估计产生的影响。此外,还根据重构方法中参数的实际含义给出了先验分布,利用Metropolis算法得到后验分布的样本,通过样本分位数近似总体分位数构造了密度函数逐点的区间估计。最后,在几个数据集上验证了序贯重构密度估计及其区间估计的效果。

关键词： 地方高校   战略规划   评价指标体系   德尔菲法   变异系数法  

摘要： 本文综合运用德尔菲法、变异系数分析法,开展了两轮专家咨询,专家平均权威系数为0.80.基于专家咨询结果,最终构建了包括5个一级指标、16个二级指标和60个三级指标的地方高校战略规划评价指标体系.“战略规划制定”“战略规划执行”“战略管理制度”“战略管理效能”和“战略资源保障”等5个一级指标,权重分别为0.2303、0.2186、0.2186、0.1822、0.1504,“战略执行过程与方法”“战略执行主体”“战略管理规范”“战略管理体制”“外部认可度”“战略规划方法”“战略内涵发展提升度”“技术保障”“文化保障”“战略目标任务达成度”“战略规划主体”“人力保障”“战略规划质量”“战略规划内容”“战略管理机制”“财力保障”等16个二级指标,权重分别为0.5196、0.513、0.4287、0.4139、0.3824、0.371、0.3379、0.3246、0.3246、0.2797、0.2728、0.2035、0.1781、0.1781、0.1574和0.1472.本研究所构建的地方高校战略规划评价指标体系科学、适用,可以为地方高校战略管理和规划的评价提供参考.

关键词： 森林资源   二类调查抽样   方法   优化  

摘要： 森林资源二类调查是摸清区域森林家底的基础技术手段,抽样方法的科学性直接决定调查数据的精度与应用价值。传统抽样技术在复杂林分条件下常会出现样本代表性失衡、效率偏低等现象。基于此,聚焦抽样方法的技术方法论革新,以提升数据精度与调查效率为目标,从抽样框构建、样本布设及误差控制3个维度,通过分层抽样与动态抽样的结合应用,整合林分异质性因子与空间布局特征,构建多维度抽样优化体系。

关键词： 燃料电池汽车   贝叶斯理论   多重定时截尾   高度右截尾   区间估计  

摘要： 中国燃料电池汽车产业正处于起步阶段,在具有广阔前景的同时也存在着设备可靠度及维修策略研究相对薄弱的问题。提出一种集成改进贝叶斯和最小二乘的协同算法以解决其中高可靠性多重截尾估计问题,能够在统一框架下同时获得点估计和区间估计并通过试验模拟验证其可用性;以FCV供氢系统冷却回路风扇为例进行工程应用。结果表明:量化确定了最优的理论检测维护时间为3667 h,置信下限估计为2205 h;相比MLE,提升了19%,通过设置试验模拟和算例分析验证了所提出方法的精确性、稳健性及合理性。

关键词： 温胆汤   痰热内扰   失眠症   焦虑   心率变异性指标  

摘要： 目的探究温胆汤治疗痰热内扰型失眠伴焦虑的疗效及对患者心率变异性指标的影响,为临床诊疗提供参考。方法选取2023年6月至2024年8月嵊州市中医院收治的120例痰热内扰型焦虑失眠患者的临床资料,进行回顾性分析。根据治疗方法不同分为西药组(53例,采用艾司唑仑片治疗)和中药组(67例,采用温胆汤化裁治疗)。两组患者均治疗6个月,治疗期间根据患者用药情况进行个性化调整。比较两组患者临床疗效、心率变异性(HRV)指标[高频功率(HF)、低频功率(LF)、LF/HF、每5 min正常RR间期平均值的标准差(SDANN)、全部正常RR间期的标准差(SDNN)]、匹兹堡睡眠质量指数(PSQI)评分、汉密尔顿焦虑量表(HAMA)评分及不良反应发生情况。结果中药组患者临床疗效优于西药组,治疗总有效率高于西药组(均P<0.05)。治疗6个月后,两组患者HF、SDANN均升高,且中药组均高于西药组;两组患者LF、LF/HF均降低,且中药组均低于西药组(均P<0.05);但两组患者SDNN比较,差异无统计学意义(P>0.05)。治疗6个月后,两组患者PSQI评分均降低,且中药组低于西药组(P<0.05)。治疗6个月后,两组患者HAMA评分均降低,且中药组低于西药组(P<0.05)。中药组患者不良反应总发生率低于西药组(P<0.05)。结论温胆汤治疗痰热内扰型失眠伴焦虑的效果较好,可改善患者HRV指标,提高睡眠质量,缓解焦虑症状,且安全性较高,可为临床治疗方案的选择提供一定依据。

关键词： 子抽样方法   依赖于模型的子抽样   不依赖于模型的子抽样   统计推断  

摘要： 在大数据时代,数据量呈现指数增长.随着数据集规模变得越来越庞大.对完整数据集进行统计和分析越来越困难,不仅要求高性能计算,还导致成本剧增.对此问题,可行应对方法之一是通过挑选小部分的关键数据来实现与完整数据集相近的效果.子抽样就是这样一种重要方法.子抽样方法为统计和分析大数据集提供了一个解决方案,使研究人员能够专注于最相关、最有信息量的数据点,有效减轻完整数据集分析所需的计算负担和成本.目前,该方法已成为统计学、机器学习和数据科学等不同领域研究者的关注焦点.本文从子抽样方法是否依赖于统计模型的角度出发综述了依赖和不依赖于模型的子抽样方法的发展现状.对依赖模型的子抽样方法,本文介绍了适用于线性模型、广义线性模型及非线性模型的部分子抽样算法,每种算法均有其独特优势和局限性.本文还介绍了几种不依赖于模型的子抽样算法.这些算法不依赖于特定的模型假设,处理不同类型数据和问题时具有更大灵活性和适应性,适用更广泛场景.为评估这些算法的性能,本文对均匀随机子抽样、并行数据驱动子抽样、基于信息的最优子抽样及孪生子抽样等四种算法进行了仿真.通过展示算法性能,本文为在实际应用中研究者该如何选择合适的子抽样算法提供了依据.