基于解剖距离的功能脑网络建模方法研究

为了分析解剖距离对静息态功能脑网络建模的影响,在解剖距离的基础上将节点共同邻居引入到功能脑网络的建模中。设计三个模型,分别是基于解剖距离,节点共同邻居个数和解剖距离与节点共同邻居个数。借鉴残差的方法创建最优静息态功能模型网络评价标准。在每种模型网络中选出最优的模型网络。然后将每种模型中的最优网络与真实数据fMRI网络对比选出能够最大程度模拟真实网络的模型网络。结果证明在AAL模板下单独基于解剖距离建立的功能脑网络能最大化的模拟真实的网络。     

不同节点尺度下基于共同邻居的功能脑网络建模方法研究

采用脑网络的结构特性与功能特性相结合的建模方法,探索了3种不同节点尺度下的建模效果好坏。结构特性采用解剖距离;功能特性采用共同邻居这一相似性指标,从脑网络的全局属性与局部属性的角度分析了建模效果,并提出了一种评估构建的模型网络与真实网络的拟合相似程度的指标E值。结果表明,采用共同邻居相似性这一指标,在3种尺度下构建的脑网络与真实网络的属性拟合程度不同,90个节点下的拟合程度最好,其他2种次之。     

基于分层同步的脑结构和功能网络关系研究

脑通过结构分割和功能整合达到局部专注又整体协作的工作模式,因此了解脑结构网络和功能网络之间的关系对深入理解脑活动具有重要意义.将耦合神经元群模型作为脑结构网络中的节点,其协同动力学可以重现脑神经活动的主要特征.基于模型分层同步的时间序列,构造脑功能网络并通过对比脑结构与功能网络的拓扑研究二者的关系.在猫和猿猴脑结构网络上进行的分层同步实验表明,脑结构和功能网络具有相似的连接模式,分层同步活动与结构网络的层次结构具有一致性,并基于结构网络中节点之间的相似性对二者的一致性进行了定量研究.数值试验的结果支持了脑结构网络的分层结构是脑功能分割和整合的基础,并且脑功能的整合和分割是通过神经元集群的协同活动实现的.     

基于脑区社团结构的恐高程度识别模型

高层建筑拔地而起,客观的恐高检测手段是高空作业行业规范化的关键一步.本文结合虚拟现实技术设计高空暴露实验,深入研究了恐高反应的大脑神经机制,提出使用脑功能网络检测恐高程度.通过对比不同恐高程度脑功能网络的基本拓扑特征,使用阈值化处理找出与恐高程度关系密切的脑区.根据脑区划分社团结构,构建恐高程度识别模型.结果表明:恐高程度越严重,脑功能网络越复杂.发现参与恐高反应的主要脑区包括额叶、中央区和枕叶.使用这些脑区划分社团结构,计算连接强度对恐高程度识别的准确率可达到(97.37±0.58)%.     

时态网络节点相似性度量及链路预测算法

详细分析和阐述了时态网络中的链路预测问题，将时态网络按时间顺序划分为具有相同时间间隔的多层网络快照序列.针对基于共同邻居的相似性指标对网络链路刻画粒度较粗糙的问题，提出了基于邻居节点聚类系数的相似性度量指标NCC和NCCP，并基于此提出时态网络链路预测算法.通过在真实数据集上的对比实验验证了利用邻居节点的聚类信息可以提高预测精度.利用真实邮件数据集验证了所提出的链路预测算法预测效果的优越性，并且实验结果证明越接近预测时间的网络结构对预测结果影响越大.     

基于聚类的复杂网络社团结构发现

我校计算机与信息技术学院教师李艳灵博士获批国家自然科学基金项目:基于聚类的复杂网络社团结构发现,项目编号:61202194.复杂网络是指具有复杂拓扑结构和复杂节点行为的网络系统,它是对现实世界中各种各样的大规模复杂系统的抽象.复杂网络中的社团发现旨在寻找复杂网络中真实存在的社团结构,发现网络中的社团结构对分析     

基于演化涌现的复杂信息网络设计优化

 针对复杂信息网络设计优化问题,分析了复杂信息网络特性,提出了基于演化涌现的复杂信息网络设计优化方法和拓扑结构演化模型。该设计优化方法以融贯论为指导,采用系统分析、建模分析和仿真分析相结合技术途径对复杂信息网络设计优化问题进行多尺度研究,树立基于网络化思维的安全观,突出网络拓扑结构设计,强化网络可控性、安全性和健壮性,体现局域结构演化形成功能整体涌现。拓扑结构演化模型综合选取网络建设成本、时延、健壮性和吞吐量等网络工程特征参数作为网络演化动力,通过调整参数权重生成优化网络。对实测ISP路由器级网络数据的仿真实验表明,方法模型具有可行性、有效性和扩展性,可加深对复杂信息网络动力学行为认识,促进信息网络科学发展。     

一种基于节点重要度的社团划分算法

指出了通过挖掘复杂网络中存在的社团结构,可以分析整个复杂网络的拓扑结构和功能,还可以发现网络中隐藏的规律.为了得到最佳社团划分结构,定义了网络的节点重要度矩阵和聚类矩阵,结合图的特征谱平分法和模块度函数,提出了一种基于节点重要度的社团划分算法(CDNIM).通过在空手道俱乐部、海豚关系网络等多个经典数据集上应用,结果表明:该算法能够有效提高发现社团结构的准确率.     

基于邻居系数的聚集度可调无尺度网络建模

针对聚集系数未涉及间接邻居连通性和无法正确描述大节点度网络节点的问题,提出聚集度的新度量-邻居系数,并基于其统计意义提出邻居系数网络模型.邻居系数从邻居演化的角度描述聚集度,定义为网络节点的间接邻居也是其直接邻居的概率,分析表明邻居系数可有效地描述各种网络节点的聚集度.邻居系数模型是通过引入局域连接这一邻居演化机制对Barabási-Albert(BA) 无尺度网络模型的扩展.仿真结果表明邻居系数网络模型既具有可调的聚集度,又保持节点度的幂率分布.     

结合网络拓扑与节点内容的统一化半监督社团检测方法

在复杂网络分析中，社团检测发挥着越来越重要的作用，而在实际应用中如何提高社团检测的性能仍是一个共同研究目标.由于网络节点中内容信息有助于社团识别，一些方法侧重于将网络拓扑和节点内容相结合，并且获得了不错效果.此外，也有些方法借用节点之间的拓扑相似度，以提升实现社团检测性能.鉴于此，我们提出了一个统一化方法，结合节点内容的半监督社团检测，简称SCDNC.在该方法中，我们不仅将链接增强应用于社团检测，而且实现了拓扑和内容有机融合.首先，我们运用随机模型来描述节点社团隶属度.其次，我们构建出一个刻画节点内容社团隶属度的随机块模型，节点社团隶属度作为节点内容的权重向量，以实现拓扑和内容结合.再次，我们利用网络中节点之间的拓扑相似度构建先验信息，即，使网络中节点与其最相似的邻居节点具有相同的隶属度分布.最后，使用非负矩阵分解的方法学习新模型的统一化参数.在带有真实标签的人工网络和真实网络上，我们对新方法与一些当前流行的社团检测方法进行了性能比较.实验结果显示，通过融合节点内容和先验信息强化的链接，新方法检测社团的性能取得了显著提升.     

基于多尺度密集特征融合的生成式对抗除雾网络

在真实雾天场景下,针对除雾网络无法去除远处雾气、天空区域容易出现噪声的问题,提出了一种基于多尺度密集特征融合的生成式对抗除雾网络,并采用制作的合成雾天数据集进行对抗训练.首先,对除雾网络进行设计,构建了网络模型;其次,从合成晴朗天气图像中利用深度标签生成逼真的雾天数据集,以适用于真实雾天除雾领域;最后,在真实雾天数据集上测试,选取近几年具有代表性的6种基于深度学习的除雾网络进行主观视觉效果,并借助除雾领域常用的无参考图像质量评价指标进行客观分析.研究结果表明:提出的除雾网络在真实场景下的除雾效果较其他网络有显著提升,主观视觉效果明显优于对比的除雾网络,在无参评价指标上综合表现优于其他除雾网络.     

利用对抗性边缘学习模型生成超分辨率图像

大部分基于卷积神经网络的图像超分辨率方法都是采用端到端的模式,这类图像超分辨率方法往往存在重构图像纹理边缘模糊、高频信息缺失的问题.为了改善该问题,在SRGAN(super-resolution generation adversarial networks)的基础上提出了一种基于对抗性图像边缘学习的深层网络模型,将图像边缘信息得到充分利用,来引导超分网络生成更加真实的高分辨率图像.该网络模型由两个生成对抗网络所组成,首先利用一个生成对抗网络来生成低分辨率图像所对应的高分辨率边缘特征图,然后再用高分辨率边缘特征图来约束和引导第二个生成对抗网络,使之重构出来的高分辨率图像纹理边缘更加清晰,更好地恢复图像边缘的高频细节.在Set5、Set14、BSD100、Urban100和Manga109基准测试集上的实验结果表明该算法重构出的高分辨率图像更加接近真实的图像,在峰值信噪比、结构相似度和感知指标上都有不错的表现.     

基于共邻节点相似度的加权网络社区发现方法

为实现加权网络的准确划分,发现真实的社区结构,提出一种基于模块度和共邻节点相似性的层次聚类社区划分方法IEM.首先,定义两节点间基于共邻节点的相似度.之后,基于该度量快速聚合当前节点和与其关联紧密度最强的邻居节点以形成初始社区,并进行社区扩展.最后,以最大化网络模块度为目标进行社区合并以优化划分结果.算法通过形成初始社区、扩展社区、合并社区三步,实现了加权网络合理有效的社区划分.以加权模块度作为社区划分质量的评价标准,在多个数据集上的实验结果表明,IEM算法优于加权CN、加权AA、加权RA.同时,与CRMA算法相比,IEM算法对加权网络社区划分的有效性和正确性更高.     

基于节点相似性有偏游走的多层时序网络节点重要性评估

时序网络中关键节点的挖掘引起了社会广泛的关注。针对时序网络建模中存在忽略时间信息、未考虑时间切片间的交互关系进而影响关键节点识别的准确性和科学性的问题,构建了多层时序网络模型,并提出了一种基于节点相似性有偏游走的关键节点识别算法：多层时序有偏PageRank（MTB-PR）。本文中网络模型的构建引入多层网络分析方法,完整涵盖了时序网络的结构演变。同时,基于所构建的网络模型,综合层内相邻节点间相互作用及其层间影响的双重因素来区分节点的不同影响力;通过数据分析,探讨了一些偏差参数变化对节点重要性能指标的影响。最后,将模型和算法应用于真实网络中,通过实验数据验证了该方法的合理性和有效性。     

基于复杂网络的三种眼睛状态下脑功能连通性比较

尝试构建不同眼睛状态下的静息态脑功能网络,研究睁眼、闭眼和自由状态下的大脑网络拓扑结构差异.招募了13例被试者,用一台3T的西门子磁共振仪,获取了3种眼睛静息状态下各8min的功能磁共振数据,并同时采集了结构像.随后,构建3组被试者的功能连通矩阵,计算其复杂网络的全局特征系数、局部特征系数等测度参数.对测度进行方差分析与双样本t检验,以统计分析被试者之间的差异.我们发现,所有的状态在合适的稀疏度下,展现了小世界特性;相比于其他状态,闭眼状态下的全局效率较低.自由状态在复杂网络的各项测度上接近睁眼状态.综上所述,该项研究展现了睁眼、闭眼、自由状态对人脑功能连通网络的影响,并为眼睛状态如何影响功能磁共振实验提供了关键的证据.     

复杂脑网络研究:现状与挑战

以大脑网络研究为例,详细介绍了大脑网络的构建、结构网络、功能网络以及结构与功能的联系等方面的研究进展.基于复杂网络理论,对大脑结构网络和功能网络的分析得到很多重要的拓扑性质,如"小世界"、"无标度"、模块化以及核心脑区的分布等;另外发现认知功能、神经精神疾病与大脑结构和功能网络的拓扑结构变化或异常有关;总结了国内外在此领域的研究成果,提出了大脑网络研究工作面临的挑战,并展望了将来发展方向.     

面向各向异性3D-MRI图像超分辨率 重建的ESRGAN网络

高分辨率磁共振图像(MRI, magnetic resonance images)能够提高疾病诊断精度,但高分辨率MRI图像的获取十分困难。基于深度学习的图像超分辨率(SR, super resolution)技术可有效地提高图像分辨率。近年来,生成对抗网络(GANs, generative adversarial networks)为3D-MRI图像SR重建提供了新思路。相较于传统的基于深度卷积神经网络(DCNN, deep convolutional neural network)的SR算法,GANs网络以人类视觉机制为目标,且引入判别函数,使重建3D-MRI图像更接近真实图像。研究采用增强超分辨率生成对抗网络(ESRGAN, enhanced super-resolution generative adversarial networks)对3D-MRI图像进行SR重建;并利用3D-MRI图像的跨层面自相似性,将重建任务降维到2D,在保证重建效果的基础上,减少了网络训练时间和内存需求。通过与其他传统算法和基于DCNN算法对比实验表明,提出的算法能够进一步提高3D-MRI图像的视觉...     

深度学习在图像识别中的应用

深度学习通过建立深层神经网络来模拟人脑进行分析、学习和解释数据,被广泛用于图像识别领域.首先,简述了深度学习在图像识别中的研究现状;其次,介绍了卷积神经网络、深度置信网络、循环神经网络和生成对抗网络等几种常用于图像识别领域的深度学习网络模型;然后,从人脸识别、动作识别、跌倒检测等方面,论述了深度学习在图像识别领域的典型应用;最后,探讨了该领域的研究难点及发展前景.深度学习可以从不同的图像中自动提取相似的特征并进行分类,识别率高,鲁棒性强,推动了人工智能背景下图像识别的发展.无监督学习、对抗网络等将成为深度学习领域的热点.