http://home.52brain.com/forum.php?mod=viewthread&tid=27066&page=1#pid170857 http://www.mathworks.com/matlabcentral/answers/144113-mafdr-interpreting-q-values-vs-bhfdr-adjusted-p-values matlab自带函数mafdr,当ttest数较多时,可直接用[FDR, Q]=mafdr(P):但是Storey proc

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

一.假设检验 假设检验的基本思路是: 设立零假设(null hypothesis)H0,以及与零假设H0相对应的非零假设(alternative hypothesis)H1,在假设H0成立的前提下,计算出H0发生的概率,若H0的发生概率很低,基于小概率事件几乎不可能发生,所以可以拒绝零假设. 科学研究一般会把我们希望得到的结论当作非零假设,而期望否定的结论当作零假设.只要我们证明零假设发生的概率很小,我们就有理由拒绝零假设,从而接受非零假设. 例如,我希望得到的结论是早上能够八点起床.那么零假设

随手记一次用C#正则表达式获取下拉菜单html标签<select>以及相关属性值 1:有如下html: .................. <select id="aaa" style="width: 152px;" name="aaa"><option selected="selected" value="1"></option><option se

基于MATLAB的中值滤波均值滤波以及高斯滤波的实现 作者:lee神 1.   背景知识 中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值. 中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点. 方法是用某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的为二维数

matlab自带函数mafdr,当ttest数较多时,可直接用[FDR, Q]=mafdr(P):但是Storey procedure在p值少于1000个时会崩溃,此时应改用BH FDR方法:mafdr(P,'BHFDR', true).该方法对于少量ttest更稳健,但是更保守. 参考链接: https://stat.ethz.ch/pipermail/bioconductor/2014-January/056992.html http://home.52brain.com/forum.php

来源: http://blog.sciencenet.cn/blog-479412-572049.html,http://52brain.com/thread-15512-1-1.html SPM8允许两种FDR校验.一个是voxel-wise FDR,另一个是topological FDR. 如果要做voxel-wise FDR 校验,就把spm_defaults里的68行的defaults.stats.topoFDR 改为0. (有很多朋友下载下来的spm在处理结果是只显示FWE矫正和NOR

MATLAB快捷键大全 F1帮助 F2改名F3搜索 F4地址 F5刷新 F6切换 F10菜单 CTRL+A全选 CTRL+C复制 CTRL+X剪切 CTRL+V粘贴 CTRL+Z撤消 CTRL+O打开 SHIFT+DELETE永久删除 DELETE删除 ALT+ENTER属性 ALT+F4关闭 CTRL+F4关闭 ALT+TAB切换 ALT+ESC切换 ALT+空格键窗口菜单 CTRL+ESC开始菜单 拖动某一项时按CTRL复制所选项目 拖动某一项时按CTRL+SHIFT创建快捷方式 将光盘插入

在实时图像采集中,不可避免的会引入噪声,尤其是干扰噪声和椒盐噪声,噪声的存在严重影响边缘检测的效果,中值滤波是一种基于排序统计理论的非线性平滑计数,能有效平滑噪声,且能有效保护图像的边缘信息,所以被广泛用于数字图像处理的边缘提取,其基本原理是把数字图像或数字序列中的一点的值用该点邻域内所有的点排序后的中值来代替. 中值滤波对椒盐噪声有良好的滤除作用,特别是在滤除噪声的同时,能够保护信号的边缘,使之不被模糊.这些优良特性是线性滤波方法所不具有的.而且,中值滤波的算法比较简单,也易于用硬件实现.这篇

我们的开源宗旨:自由 协调 开放 合作 共享 拥抱开源,丰富国内开源生态,开展多人运动,欢迎加入我们哈~ 和一群志同道合的人,做自己所热爱的事! 项目开源地址:https://github.com/Cai-Zi/STM32_RC_Transmitter Bilibili账号:蔡子CaiZi 个人主页:https://space.bilibili.com/349576976 1.为什么要用STM32做航模遥控器?Arduino不香嘛? 之前用Arduino Pro Mini制作了一个航模遥控器+接

1. 判断是否存在指定的video_name, 若不存在,则在给定save_path下,新建一个video_name文件夹: 1 sec_path = [save_path, video_name, '/']; 2 if ~exist(sec_path,'file') 3 mkdir([save_path, video_name]); 4 end 2. 将gpuArray转换为matlab可以保存的格式,如:uint8 等. if you save the gpuArray data direc

function  bc = binary_conversion(a)  %这是灰度值二值化转换函数,阈值为平均值j=imread(a);             %读取灰度图像   j=double(j);             %将图像转换为小数浮点型(double)[m,n]=size(j);             %获取图像的长宽(m,n)s=sum(sum(j));             %图像像素值求和a=s/(m*n);                  %计算像素平均值a=

首先 要弄懂究竟什么是, vitrual host: 虚拟主机, 他有什么用处? 就是说: 一台计算机(server)中, 通常只是放一个网站/站点 但是 如果机器紧张, 服务器性能比较好,或访问的站点压力不是很大 就可以在一台机器上 搭建多个站点. 就相当于, 原来每个房间都弄一台空调. 现在 一台空调" 一拖二""一拖三"等. 在机器上安装apache后, apache成为网站的引擎. (这个引擎就相当于 一个单位外事部的经理, 对外办公室的主任一样), 他就负

方阵的行列式: det(A) 矩阵线性无关的行数或列数,称为矩阵的秩. rank(A) 求3~20阶魔方矩阵的秩 for n=3:20 rank(magic(n)) end 矩阵的迹等于矩阵的对角线元素之和,也等于矩阵的特征之和. trace(A):求矩阵的迹 向量和矩阵的范数 矩阵或向量的范数用来度量矩阵或向量在某种意义下的长度. (1)向量的3种常用范数 (1)绝对值之和 (2)平方和的平方根 (3)绝对值中最大的值 norm(v)或norm(v,2)计算向量的2范数            

求得θ值后用模型来预测 / 计算模型的精度  ex2.m部分程序 %% ============== Part 4: Predict and Accuracies ==============% After learning the parameters, you'll like to use it to predict the outcomes% on unseen data. In this part, you will use the logistic regression model%

本文链接:https://blog.csdn.net/Pxzly1117/article/details/79201772程序: I=imread('13.jpg');%读入图像imshow(I);h=imnoise(I,'salt & pepper');%为I图片叠加椒盐噪声噪声figure;imshow(h);w=[1 2 1;2 4 2;1 2 1]/16;%高斯模板I5=imfilter(h,w,'corr','replicate');%高斯平滑figure;imshow(I5);w=[

1. 对于直接给出频响函数的情况 这里以滑动平均的频响函数作为例子,滑动窗口为[0, 4]. 上式中M2=4. >> w=0:0.001:2*pi; >> h1=1-exp(-j*w*5); >> h2=1-exp(-j*w); >> h=0.2*h1./h2;                % 注意这里是点除 >> plot(w/pi,abs(h));            % 横轴以pi为单位 >> plot(w/pi,angle

1.图片与文字对齐问题 图片与文字默认是居底对齐.一般img标签打头的小图标与文字对齐的话,通过 img{margin:0 3px -3px 0;} 这个的东西,能实现效果和兼容性俱佳的对齐效果: demo: <div> <img style="margin:0 3px -3px 0px;"width='20' height='20' src="img/sp-loading.gif" alt=""> <span>

[{ "confident" : "no", "score" : 0.327355, "label" : "/business and industrial" }, { "confident" : "no", "score" : 0.207099, "label" : "/automotive and vehicles

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