本文提出了一种用于植物表型组学中实际关注的非线性过程监测的在线自适应时间采样方法。我们建议基于先验知识（先前的样本或统计先验）来量化每个待采集样本的不确定性。根据这一不确定性，通过与容差阈值的比较，做出是否采集该测量点的决策。该方法通过蒙特卡洛法、马尔可夫链蒙特卡洛法和高斯过程建模进行了验证。在对大量植物基因型进行的实验中，压缩率达到0.2，同时对估算的生长曲线的失真最小。这一方法在高通量植物表型分析实验中显著减少了数据存储量。
图1 本文中考虑的使用案例。(a.) 俯视视角下的成像系统，摄像头从顶部观察置于湿吸水纸上的种子。(b.) 湿吸水纸上的种子。(c.) 发芽过程示意图，其中 t 表示每小时的观察时间。
图2 三组基因型的真实数据示例：正常（NG）、快速（FG）和缓慢（SG），以及与Gompertz模型的相应拟合结果。共采集了393条信号：98条快速基因型（FG）、98条缓慢基因型（SG）和197条正常基因型（NG）。
图3 自适应采样算法。
图4随机游走Metropolis-Hastings算法。
图5 真实和模拟的10组正常基因型（NG）中失真与压缩率的关系。每种方法使用了1200个阈值，范围从0.01到12.00，步长为0.01。不确定性范围为第10百分位和第90百分位。
MERCIER F, BOUHLEL N, EL GHAZIRI A, et al. Online Bayesian Adaptive Sampling for Nonlinear Model: Application to Plant Phenotyping[J].
编辑
小王博士在努力
扩展阅读
