基于集成学习的复杂网络链路预测及其形成机制分析

为了预测节点与网络中其他现有节点之间的新连接或缺失连接,链路(边)预测近年来引发了越来越多的研究兴趣。最近已经提出各种具有不同特点的算法,以解决链路预测的问题,其中每种算法只考虑一种网络信息,从而产生片面的结果。提出基于集成学习的方法,将所有单一算法集成组合,综合考虑网络的各种信息来解决这一问题。在8个真实网络上进行了实验,利用局部拓扑索引、全局拓扑索引和推荐算法提取了17个不同的特征。结果表明,集成学习的关键性能指标——受试者工作特征曲线 (receiver operating characteristic curve, ROC)下面积(area under curve, AUC)比最佳单一算法提高2%至17%,最高达到0.9624。此外,根据度分布和随机森林得到的特征选择,分析了不同类型网络的结构与形成机制。在形成机制、网络类型和功能之间,获得了一些重要的见解:由某些确定的机制或假设导出的特征,确实是连接2个节点的内在驱动力,也正因为如此,这些特征可以用于链路预测。     

基于混合型多结点样条插值曲面的图像放大方法

 多结点样条插值是一类曲线曲面的拟合方法,为了探索高质量的图像放大方法,提出了一种利用混合型多结点样条插值曲面的图像放大方法,该方法为数字图像的每一个色彩分量构造一个分块混合型多结点样条插值曲面。试验结果表明该方法对图像的放大质量较高。为了提高该方法的效率,描述了一种加速算法,该加速算法在数字漫游系统与动画制作等方面可望得到应用。     

完备正交V-系统与点云数据拟合

提出了对点云数据进行曲面拟合的一种新方法,它基于一类L2[0,1]上完备正交的函数系(称之为V-系统)。V-系统由分段多项式组成,它包括各个层次的间断函数,具有多分辨分析特性和局部性。给出了k次V-系统(k=0,1,2,3)的具体表达式;利用有限项Fourier-V级数展开式,高效地生成点云数据显示的被测量对象的几何造型。检测例子表明,这种方法对很广泛遇到的一类问题而言,处理过程简单、速度快、精度高。     

一种新的基于Slantlet变换的心电信号消噪算法

心电信号在采集过程中常常掺杂着各种噪声.针对心电信号多突发性与多间断性的特点,采用一种改进的正交离散小波变-- Slantler变换时其进行消噪处理.由于传统的小波阈值消噪算法在信号中的奇异点处会产生伪Gibbs现象,引入平移不变方法使伪Gibbs现象得到有效的抑制,并利用Slantlet基函数的分片线隆的优势,提出一种新的基于信号重采样与圆周平移不变变换的消噪方法.利用美国麻省理工学院的PhysioBank生理信号数据库对以上方法进行验证,实验结果表明该算法能有效地消除噪声并较好地保持心电信号的几何特性.