P<0.05就够了?还要校正!校正!3个方法献上 (2017-01-03 17:55:12) 转载▼   分类: 数理统计 (转  医生科研助手 解螺旋 微信公众号)   当有多组数据要比较时,不管是ANOVA,还是非参的Kruskal-Wallis检验等等,都只能看出整体的几组之间有没有差异.要是有,那么差异在哪里呢?还要做个两两比较才知道.OK,两两比较又要怎么做?有的小伙伴自然而然地会想到,每两组之间做一个T检验不就好了.To naive!这是个吃力不讨好的活,用这样的方式打开T检验会增加

一.excel公共样式类(包含数据科学计数法转为普通值) package com.thinkgem.jeesite.common.utils.excel; import org.apache.poi.hssf.usermodel.*; import org.apache.poi.hssf.util.HSSFColor; import org.apache.poi.hssf.util.Region; import org.apache.poi.ss.usermodel.Cell; import o

原文:Win8 Metro(C#)数字图像处理--2.59 P分位法图像二值化  [函数名称]   P分位法图像二值化 [算法说明]   所谓P分位法图像分割,就是在知道图像中目标所占的比率Ratio时,循环不同的灰度值对图像进行 分割,并计算对应的目标所占的比率,如果该比率与Ratio的差值足够小,那么该阈值就是所求的最 佳分割阈值. /// <summary> /// P-Parameter method of image segmention. /// </summary>

原文:Win8 Metro(C#)数字图像处理--2.55OSTU法图像二值化  [函数名称] Ostu法图像二值化      WriteableBitmap OstuThSegment(WriteableBitmap src) [函数代码] /// <summary> /// Ostu method of image segmention. /// </summary> /// <param name="src">The source imag

原文:Win8 Metro(C#)数字图像处理--2.57一维最大熵法图像二值化  [函数名称] 一维最大熵法图像二值化WriteableBitmap EntropymaxThSegment(WriteableBitmap src) [算法说明] 一维最大熵法图像分割就是利用图像的灰度分布密度函数定义图像的信息熵,通过优化一定的熵 准则得到熵最大时对应的阈值,从而进行图像分割的方法. 算法过程: 1,对于一幅灰度图像,灰度范围为[0,L-1],求取图像的最小灰度级min,最大灰度级max:

原文:Win8 Metro(C#)数字图像处理--2.58双峰法图像二值化  [函数名称]   双峰法图像二值化 WriteableBitmap  PeakshistogramThSegment(WriteableBitmap src) /// <summary> /// Peaks histogram method of image segmention. /// </summary> /// <param name="src">The sou

画一个边长为r的正方形和半径为r的四分之一的圆(如下图所示),向上面随机投掷飞镖,通过计算落在星星区域和整体区域的飞镖比例,即可求出π值. 公式推导如下: 假设正方形的边长r为1,那么飞镖落在星星区域内的任意点(x, y),其坐标的平方相加值(x2+y2)必然小于1. 代码如下: import random def find_pi(num_of_times): #num_of_times为投掷飞镖的次数 num1,num2=0,0 #num1为飞镖投掷在星星区域内的次数,num2为飞镖投掷在圆点

摘要 这篇文章主要介绍了计算TF-IDF的不同方法实现,主要有三种方法: 用gensim库来计算tfidf值 用sklearn库来计算tfidf值 用python手动实现tfidf的计算 总结 之所以做了这方面的总结是因为最近在研究word2vec,然后涉及到了基于word2vec的文本表示方法.你用word2vec训练好的模型可以得到词的向量,然后我们可以利用这些词向量表示句子向量. 1. 一般处理方法是把句子里涉及到的单词用word2vec模型训练得到词向量,然后把这些向量加起来再除以单词数

本文从以下四个方面,介绍用Python实现熵值法确定权重: 一. 熵值法介绍 二. 熵值法实现 三. Python实现熵值法示例1 四. Python实现熵值法示例2 一. 熵值法介绍 熵值法是计算指标权重的经典算法之一,它是指用来判断某个指标的离散程度的数学方法.离散程度越大,即信息量越大,不确定性就越小,熵也就越小:信息量越小,不确定性越大,熵也越大.根据熵的特性,我们可以通过计算熵值来判断一个事件的随机性及无序程度,也可以用熵值来判断某个指标的离散程度,指标的离散程度越大,该指标对综合评价

在某些图像处理当中一个关键步是二值法,二值化一方面能够去除冗余信息,另一方面也会使有效信息丢失.所以有效的二值化算法是后续的处理的基础.比如对于想要最大限度的保留下面图的中文字,以便后续的定位处理. 二值化算法包括全局二值化和局部二值化, 全局二值化具有速度快但效果相对差的特点, 局部二值化算法具有速度慢效果好的特点. 原图 全局阈值              方法一:直接采用im2bw ;手动阈值 方法二:迭代法求阈值 迭代式阈值选取的基本思路是:首先根据图像中物体的灰度分布情况,选取一个近似

总结起来就三句话: (1)当同一个数据集有n次(n>=2)假设检验时,要做多重假设检验校正 (2)对于Bonferroni校正,是将p-value的cutoff除以n做校正,这样差异基因筛选的p-value cutoff就更小了,从而使得结果更加严谨 (3)FDR校正是对每个p-value做校正,转换为q-value.q=p*n/rank,其中rank是指p-value从小到大排序后的次序. 举一个具体的实例: 我们测量了M个基因在A,B,C,D,E一共5个时间点的表达量,求其中的差异基因,具体

浅谈多重检验校正FDR Posted: 四月 12, 2017  Under: Basic  By Kai  no Comments 例如,在我们对鉴定到的差异蛋白做GO功能注释后,通常会计算一个p值.当某个蛋白的p值小于0.05(5%)时,我们通常认为这个蛋白在两个样本中的表达是有差异的.但是仍旧有5%的概率,这个蛋白并不是差异蛋白.那么我们就错误地否认了原假设(在两个样本中没有差异表达),导致了假阳性的产生(犯错的概率为5%). 如果检验一次,犯错的概率是5%:检测10000次,犯错的次数就

http://blog.csdn.net/candycat1992/article/details/46228771/ 写在前面 我相信几乎所有做图像处理方面的人都听过伽马校正(Gamma Correction)这一个名词,但真正明白它是什么.为什么要有它.以及怎么用它的人其实不多.我也不例外. 最初我查过一些资料,但很多文章的说法都不一样,有些很晦涩难懂.直到我最近在看<Real Time Rendering,3rd Edition>这本书的时候,才开始慢慢对它有所理解. 本人才疏学浅,写的

Windows XP 中還是有辦法變更輸入法順序的!!只不過,要動用到 Regedit.exe 這個程式. 執行 Regedit.exe至 HKEY_CURRENT_USER\Keyboard Layout\Preload 調整輸入法順序 右邊欄中名稱為 1 的鍵值就是內定的輸入法,其值一般為 00000404,也就是美式鍵盤,不要更動它.名稱為 2 的鍵值就是按了 Ctrl + Space 後會出現的輸入法,可依個人習慣調整.之後名稱為 3.4.5…… 的鍵值就是按 Ctrl-Shift 會逐

收发器的模拟和数字部分都需要校正来补偿过程,电压和温度(PTV)带来的变化. Arria10使用PreSICE来执行校正过程.   校正主要包括上电校正和用户校正两方面: 上电校正在器件上电时自动执行,它在器件的配置期间执行. 用户校正在动态重配置时执行.用户需要使能需要地校正序列.   Arria10使用CLKUSR来进行收发器校正.   1. 仲裁 PreSICS Avalon-MM接口和用户Avalon-MM接口共用内部总线,可能通过仲裁获取内部总线控制权,实现对收发器通道和PLL的可编程

一:什么是二值图像 彩色图像:三个通道0-,-,-,所以可以有2^24位空间 灰度图像:一个通道0-,所以有256种颜色 二值图像:只有两种颜色,黑和白,1白色,0黑色 二:图像二值化 (一)先获取阈值 (二)根据阈值去二值化图像 (三)OpenCV中的二值化方法 (四)补充阈值类型 原灰度图像的像素值 1.THRESH_BINARY:过门限的值为最大值,其他值为0 2.THRESH_BINARY_INV:过门限的值为0,其他值为最大值 3.THRESH_TRUNC:过门限的值为门限值,其他值不

经典问题:二维偏序.给定平面中的n个点,求每个点左下方的点的个数. 因为 所有点已经以y为第一关键字,x为第二关键字排好序,所以我们按读入顺序处理,仅仅需要计算x坐标小于<=某个点的点有多少个就行. 这就是所说的:n维偏序,一维排序,二维树状数组,三维 分治 Or 树状数组套平衡树…… <法一>树状数组. #include<cstdio> #include<algorithm> #include<iostream> using namespace st

图像信号在形成.传输和记录的过程中,由于成像系统.传输介质.工作环境和记录设备等的固有缺陷,不可避免地产生各种类型的噪声,降低了图像的质量,进而影响后续处理(如边缘检测.图像分割.特征提取.模式识别等)的效果或准确性.因此,对噪声图像进行滤波是必要预处理过程.但滤波算法在去除噪声的同时难免对图像造成一定程度的模糊,造成细节信息的丢失. 中值滤波是对一个滑动窗口内的诸像素灰度值排序,用其中值代替窗口中心象素的原来灰度值,它是一种非线性的图像平滑法,它对脉冲干扰级椒盐噪声的抑制效果好,在抑制随机噪声

在这一个练习中,我们要使用带返回值的方法.如果一个方法带返回值,那么它的形式是这样的. 定义一个带返回值的C#方法 static 返回类型 方法名字 (参数类型 参数1的名字,参数类型 参数2的名字) { 你的代码 return 返回值 } static: 先不用管是什么意思.在没有讲它的含义之前,在你写的每个方法中都要加上它. 返回类型:就是我们前面讲过的数据类型,int,string等等.通常一个方法调用后要给调用这个方法的地方返回一个值. 方法名字:你可以给方法起一个你想要的名字.不能瞎起

我相信几乎所有做图像处理方面的人都听过伽马校正(Gamma Correction)这一个名词,但真正明白它是什么.为什么要有它.以及怎么用它的人其实不多.我也不例外.  最初我查过一些资料,但很多文章的说法都不一样,有些很晦涩难懂.直到我最近在看<Real Time Rendering,3rd Edition>这本书的时候,才开始慢慢对它有所理解.  本人才疏学浅,写的这篇文章很可能成为网上另一篇误导你的"伽马传说",但我尽可能把目前了解的资料和可能存在的疏漏写在这里.如有