基于扩展的低阶多元广义线性模型的脑节点识别方法

针对现有单节点模型识别准确度较低以及低阶多元广义线性模型（LRMGLM）计算时间过长和使用局限性问题，提出基于扩展的低阶多元广义线性模型（ELRMGLM）的脑节点识别方法。首先，建立可以同时处理两次实验所有节点数据的ELRMGLM，以更多的时间空间信息来提高算法的准确度；然后，利用带时空平滑惩罚项的优化函数引入先验信息，并通过迭代函数对模型参数进行求解；最后，使用基于K-means的快速选择策略实现惩罚参数和大脑节点的快速选择。三次样本实验中，ELRMGLM的准确度分别比经典血液动力学响应函数（canonical）方法、平滑有限脉冲响应（SFIR）方法、正则化和广义交叉验证（Tik-GCV）方法的最优结果提升了约20%、8%、20%，略优于LRMGLM，且计算时间是LRMGLM的1/750。实验结果表明，ELRMGLM能有效提高大脑节点的识别准确度，减少计算时间。     

软件可信复杂性及其动力学统计分析方法

可信软件已成为现代软件技术发展和应用的重要趋势和必然选择.目前,关于软件可信性度量与评测方法无法完全有效地对软件系统的安全可靠运行提供保障.基于动力系统理论,文中诠释了软件系统的行为特性及其可信复杂性的基本科学问题.分析和讨论了软件可信性的复杂性特征,提出了通过可信复杂性研究软件可信性度量的观点.利用动力学统计分析方法给出了软件系统可信性统计指标的不变测度评测方法,给出了软件系统不可信的动力学判据.通过实例,采用数值模拟与理论分析方法验证了动力学统计分析方法在软件可信性度量方面的可行性.