fMRI动态功能网络构建及其在脑部疾病识别中的应用

如何从复杂的fMRI数据中提取 丰富的大脑信息是提高脑部疾病识别精度的关键。传统的静息态功能磁共振成像分析中,功能连接网络被认为是稳定不变的。提出一种基于成组独立成分分析的构建动态功能连接网络的方法,并通过该网络来获取功能网络本身的动态特性。首先,利用成组独立成分分析法提取fMRI数据的空间独立成分作为网络节点,并通过滑动时间窗的方法获取窗口时间序列,构建动态功能连接网络。以动态功能网络作为特征,对精神分裂症患者和正常被试数据进行分类识别。实验结果表明,该方法能够获取fMRI数据的时间维度信息,提高识别效果,在一定程度上能为临床诊断提供客观参照。     

一种基于局部拓展的并行重叠社区发现算法

处理海量级数据的有效途径之一是将算法分解为一系列互不依赖的任务,然后利用开源工具并行地执行算法。而在重叠社区发现算法中,基于局部拓展的方法在拓展阶段往往仅需要局部社区及其相应的邻居结点的信息,因而具备可并行执行的可能性。提出了一种可并行化执行的局部拓展算法,并借助开源工具Spark将其实现。算法分为4个阶段。首先,挑选出一组不相关的中心结点并使用其对应的局部网络作为种子;其次,通过删除本身连接不是很紧密的局部网络来过滤选出的种子;然后,采用一种批量式的拓展策略来拓展种子,即一次向局部社区中添加一批邻居结点或从社区中删除一批结点;最后,融合相似的社区。在人工生成的网络以及真实世界中的网络上的实验结果显示 ,所提算法既准确又高效。     

一种对光照变化鲁棒的移动目标前景提取方法

运动目标前景提取是对其进一步分析如特征提取、行为分析等的基础。RPCA(鲁棒主成分分析)分解可以得到较为完整的目标前景,但该方法对光照变化敏感,容易导致误检。利用Lab颜色空间中a,b通道对光照变化不敏感的特点,可以提高基于RPCA分解的前景提取方法对光照变化的鲁棒性,首先对图像L,a,b通道分别进行RPCA分解得到稀疏前景,然后利用大津阈值分割各通道二值化前景并采用种子点填充技术融合不同前景,最后利用形态学滤波优化融合结果提取准确的运动目标前景。实验结果表明,该方法可以在复杂背景下准确提取运动目标前景,且能有效克服光照变化的影响。     

战时运输风险评估模型及其路径优化研究

针对战时运输路径优化问题,为合理地评估运输风险和有效地选择最优运输路径,提出了风险系数评估模型和多目标路径优化模型。由于运输网络符合复杂网络特性,基于复杂网络分析运输网络中的节点重要性,并结合战场距离的影响,建立运输网络节点风险系数评估模型;根据节点风险系数及路段行驶时间,提出了风险时间的概念来衡量路段的风险值,再通过专家决策运输时间和风险时间的综合权值,建立运输路径多目标优化模型,最后运用优化的Dijkstra算法求解最优运输路径。经过实验仿真分析,该方法在战时运输路径优化问题上具有可行性。     

基于模体演化的时序链路预测方法

时序链路预测是动态网络分析的重要组成部分,具有极大的理论和应用价值. 传统的时序链路预测方法往往直接对边的演化规律进行分析,忽略了网络中其他微观结构的演化对链路形成的影响. 基于此分析,本文引入非负张量分解和时间序列分析对网络模体的演化规律进行研究,进而提出一种基于模体演化的链路预测方法. 在三个真实数据集上的实验结果表明,该方法能有效提高链路预测精度.     

基于RPCA视频去噪算法的自适应优化方法

传统去噪算法不能在尽量滤除噪声的同时很好地保持原始图像信息。针对这种情况,提出基于鲁棒主成分分析的自适应视频去噪算法。首先根据视频数据的低秩性和噪声的稀疏性,利用加速近端梯度方法重建出原始视频的低秩部分和稀疏部分,实现噪声的初步分离;其次利用自适应中值滤波器进行预滤波处理,提高块匹配精度,进一步去除视频噪声;最后引入自适应奇异值阈值法,增强图像细节边缘信息,降低迭代优化算法的时间复杂度。实验结果表明,该方法不仅能极大程度地恢复出原始视频序列,还能自适应地去除干扰噪声。不论从客观指标PSNR值还是从主观视觉,该方法与传统去噪方法相比都具有很大的优势。     

基于水印主成分的小波域数字水印方法

针对一类奇异值分解水印算法中存在严重的虚警错误、鲁棒性和透明性难以平衡的问题,提出一种基于水印主成分的小波域数字水印新思路。该方法首先将三级离散小波变换(DWT)作用于原始载体图像,再对三级逼近子图LL3运用奇异值分解(SVD),选择水印图像左奇异矩阵和奇异值矩阵的乘积作为水印主成分,最后借鉴果蝇优化算法(FOA)确定最优的水印嵌入系数,嵌入水印图像的主成分。实验结果表明,与传统的SVD图像水印算法相比,该方法在消除虚警问题的同时,也可使水印的鲁棒性和透明性达到最佳平衡。     

基于节点内聚系数的局部社团发现算法

为了能够快速有效地发现复杂网络中的局部社团,提出一种基于节点内聚系数的局部社团发现算法。该算法选取最大度节点作为起始社团,不断搜索其邻居节点,将满足条件的节点不断加入起始社团从而形成新的社团。在不同规模的真实网络数据集和人工合成数据集上进行实验,并与其他三种局部社团发现算法进行社团划分效果的对比。实验结果表明,该算法能够在较短的运行时间内保持较高模块度来识别复杂网络中的局部社团结构,更适合于大规模复杂网络的社团结构挖掘。     

一种基于PCA-SVM的医疗卫生数据挖掘分类方法

当前医疗卫生数据呈现量大、种类多、特征混杂等特点,为数据挖掘分类带来一定的挑战。针对医疗卫生数据的这些特点,提出一种基于主成分分析和支持向量机相结合的数据挖掘分类方法,重点研究该方法的算法模型,以及在医疗卫生领域的具体实现,并在MATLAB环境下利用Cardiotocography数据集和Breast Cancer数据集进行了仿真实验。实验结果表明,该方法的分类效果较好,为当前医疗数据挖掘分类提供了一种可行的思路。     

一种基于增广网络的快速微博社区检测算法

微博是当前最流行的在线社交媒体之一,有效地检测出微博用户的社区结构,能够帮助人们理解微博社交网络的结构和用户的行为特征,从而为用户提供个性化的服务。然而,现有社区检测算法大多只考虑社交网络节点之间的直接链接关系,忽略节点自身的内容特征。针对此问题,提出一种基于增广网络的快速微博社区检测算法。该算法通过融合社交网络的链接信息以及用户在微博上所发布的博文内容信息构建增广网络,然后以模块度为目标函数快速挖掘增广网络中的主题社区。通过真实微博社交网络的实验表明,提出的算法能够高效地检测出社交网络的主题社区。