检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

一种适应于异质网络的RED改进算法

计算机技术与发展 2006年第2期16卷 173-175页

作者：高玲琍王芳郑明春山东师范大学信息管理学院山东济南250014

随着Internet的发展,异质网络结构成为发展的趋势。由于RED算法在异质网络环境下会引起队列长度波动较大、丢包率较高等现象,所以针对这些特点文中提出了一种改进算法,即通过在限定时间内的数据报重传次数进行数据传输控制。这种算法在... 详细信息

随着Internet的发展,异质网络结构成为发展的趋势。由于RED算法在异质网络环境下会引起队列长度波动较大、丢包率较高等现象,所以针对这些特点文中提出了一种改进算法,即通过在限定时间内的数据报重传次数进行数据传输控制。这种算法在指定的异质网络环境下能够有效地提高网络性能。最后,经过仿真试验表明,改进后的算法较RED算法在性能方面有明显的提高。

关键词：异质网络 RED算法拥塞控制

在线全文

学校读者我要写书评

暂无评论

异质复杂信息网络上的搜索路径研究

华南理工大学学报（社会科学版） 2011年第4期13卷 8-13页

作者：唐四慧华南理工大学工商管理学院广东广州510640

在庞大的网页组成的信息网络上利用链接信息进行信息搜索是极具挑战性的工作。传统的方法是将网页看成同质的或者是将异质的网络先投影为同质的网络加权后进行相似性分析然后推荐,这样做简化了问题但使得一些异质网络上的信息损失了。... 详细信息

在庞大的网页组成的信息网络上利用链接信息进行信息搜索是极具挑战性的工作。传统的方法是将网页看成同质的或者是将异质的网络先投影为同质的网络加权后进行相似性分析然后推荐,这样做简化了问题但使得一些异质网络上的信息损失了。在收集了豆瓣小组成员读书的信息后,运用的判定树分析方法是在没有投影的情况下,对小组、组员、书籍含有三种类型节点的异质网络直接进行分析,发现一些小众书籍得到推荐通过的路径是小组,组员关注的其他成员这条路径获得的。研究的结论与传统的推荐方法不同且对如何分析异质性网络提供了方法上的创新。

关键词：异质网络信息网络搜索路径判定树方法

在线全文

学校读者我要写书评

暂无评论

异质网络和属性网络表征学习研究综述

IT经理世界 2019年第6期22卷 126-126页

作者：任淑航北京林业大学工学院山东泰安271200

随着现实世界中网络规模的不断扩大及数据信息的指数级增长,利用传统的网络表示方法对网络进行表示面临巨大的挑战。为此,有关学者提出了网络表征学习,可以将网络中的所有节点表征为低维连续的实数向量.该方法极大提高了大数据计算的效... 详细信息

随着现实世界中网络规模的不断扩大及数据信息的指数级增长,利用传统的网络表示方法对网络进行表示面临巨大的挑战。为此,有关学者提出了网络表征学习,可以将网络中的所有节点表征为低维连续的实数向量.该方法极大提高了大数据计算的效率,减少了存储空间。这对网络数据深层次的挖掘及应用有着重要意义.本文主要针对异质网络和属性网络进行相关的介绍,对其发展现状进行了总结,同时也指出了网络表征学习的几个主要应用,最后是我们对论文的总结和展望.

关键词：网络表征学习异质网络属性网络

异质多智能体系统的自适应点对点拟一致性控制

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

南京邮电大学学报（自然科学版） 2022年第1期42卷 101-110页

作者：查昕昕王正新蒋国平南京邮电大学理学院江苏南京210023 南京邮电大学江苏省物联网智能机器人工程实验室江苏南京210023 南京邮电大学自动化学院、人工智能学院江苏南京210023

考虑了各层内部节点和两层网络间对应节点都是异质的,设计了自适应的一致性控制协议,并分别研究了线性多智能体系统和非线性多智能体系统两种情形。针对线性异质多智能体系统,利用线性矩阵不等式和稳定性方法证明了两层网络节点之间可... 详细信息

考虑了各层内部节点和两层网络间对应节点都是异质的,设计了自适应的一致性控制协议,并分别研究了线性多智能体系统和非线性多智能体系统两种情形。针对线性异质多智能体系统,利用线性矩阵不等式和稳定性方法证明了两层网络节点之间可以实现点对点拟一致性;针对具有Lipschitz型动力学的非线性异质多智能体系统,也给出了两层网络节点之间实现点对点拟一致性的充分判据。最后,给出了数值仿真说明理论结果的有效性。

关键词：异质网络多智能体系统自适应控制点对点拟一致性

在线全文

学校读者我要写书评

暂无评论

基于个性化随机游走的基因-表型关联分析

电子学报 2023年

作者：谭好江王峻余国先陈建郭茂祖山东大学人工智能国际联合研究院山东大学软件学院中国农业大学农学院北京建筑大学电气与信息工程学院

基因与表型间的关联分析对揭示生物的内在遗传关联具有重要意义.随机游走算法可以融合多组学数据，聚合一阶或高阶邻居的标签信息，对网络中不同节点间关联信息进行补全，提高关联预测的准确度，进而发现基因和表型间潜在的遗传关联.但... 详细信息

基因与表型间的关联分析对揭示生物的内在遗传关联具有重要意义.随机游走算法可以融合多组学数据，聚合一阶或高阶邻居的标签信息，对网络中不同节点间关联信息进行补全，提高关联预测的准确度，进而发现基因和表型间潜在的遗传关联.但现有随机游走算法通常平等地对待每个节点，忽略了不同节点的重要性，使得非重要节点过度传播，降低了模型性能.为此，本文提出了一种基于多组学数据融合的个性化随机游走算法（individual Multiple Random Walks, iMRW），在由基因、miRNA及表型节点构建的多组学异质网络上，基于网络拓扑结构，设计个性化多元随机游走策略，为不同重要程度的节点分配不同的游走步长，并结合高斯相互作用属性核相似性与随机游走，对网络不同节点及节点间关联信息进行补全，最终实现多源基因-表型关联矩阵的融合，准确获取基因-表型关联预测矩阵.在不同实验设置下，与主流算法的对比实验结果均显示iMRW能够取得更优的预测性能.在玉米光合作用能力和淀粉含量表型的实验分析结果也进一步证实了iMRW在识别潜在的基因-表型关联的实用性与有效性.

关键词：基因-表型关联随机游走异质网络多组学数据融合网络拓扑结构

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

科技论文作者名称消歧算法研究

科技论文作者名称消歧算法研究

作者：王成龙燕山大学

学位级别：硕士

作者名称歧义普遍存在于科技文献中,该现象产生的原因是多个不同作者共同使用同一个名字,或者一个作者的名字有多种书写形式。在文献系统中,这种现象将会导致一个作者与其他同名作者的文献错误地聚合,进而影响文献的正确分类、统计分析... 详细信息

作者名称歧义普遍存在于科技文献中,该现象产生的原因是多个不同作者共同使用同一个名字,或者一个作者的名字有多种书写形式。在文献系统中,这种现象将会导致一个作者与其他同名作者的文献错误地聚合,进而影响文献的正确分类、统计分析和知识挖掘,因此,作者名称消歧已成为构建文献库的一个至关重要的任务。在最近的作者名称消歧算法研究中,经常使用一篇文献的属性作为该文献的特征表示,却忽略了提取论文的深层特征和潜在关系。所以如何采用新的特征提取方法或模型融合技术提取论文更好的特征表示,来对有歧义的作者名称进行更有效的消歧,是本文的研究重点。首先,现有的方法通过构建文献的异质网络,获取到文献的特征表示。针对以往构建文献异质网络时常常忽视语义信息的问题,本文提出了基于网络嵌入特征和语义属性特征的作者名称消歧方法,通过构建异质网络获取文献之间的关系特征,然后加入语义特征提取,将关系特征与语义特征融合,获取到更有效的特征表示。然后使用一种基于密度的聚类算法对特征进行聚类处理,将有歧义的文献分配至正确的作者聚簇下。其次,针对现有的作者名称消歧算法特征提取不够丰富的问题,本文提出了基于胶囊网络的多特征融合方法,同时使用了监督学习和无监督学习方法来学习文献的特征表示。在语义特征提取方面,引入了新的特征提取方法,使用OAG-BERT与胶囊网络结合的方式对语义特征进行更深层次的挖掘。通过模型融合技术,将文献的多种特征进行加权融合,获取到更丰富、更有效的文献特征,充分利用了已有的文献信息。最后同样使用前面提到的聚类算法对文献进行消歧处理。最后,本文在真实数据集(AMiner和Cite Seer X)上对本文提出的模型进行了实验验证,通过与基线方法进行对比,本文提出的模型在作者名称消歧任务上优于基线方法。

关键词：作者名称消歧异质网络胶囊网络特征提取基于密度的聚类

面向表型-基因关联预测的层次感知网络表示学习方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向表型-基因关联预测的层次感知网络表示学习方法研究

作者：王琳南开大学

学位级别：硕士

识别疾病表型的潜在致病基因对于疾病治疗和药物开发而言至关重要。异质网络表示学习可以在复杂关系构成的生物信息网络中学习低维稠密的节点向量表示,解决了传统网络分析方法高维稀疏、可扩展性差等瓶颈问题,能够有效地应用于生物信息... 详细信息

识别疾病表型的潜在致病基因对于疾病治疗和药物开发而言至关重要。异质网络表示学习可以在复杂关系构成的生物信息网络中学习低维稠密的节点向量表示,解决了传统网络分析方法高维稀疏、可扩展性差等瓶颈问题,能够有效地应用于生物信息领域的链接预测任务中。受现有基于随机游走的异质网络表示学习的启发,本文针对人类表型本体(HPO)的层次结构提出基于层次感知随机游走的网络表示学习方法(HARWRL)用于预测表型-基因的潜在关联。与基于元路径的随机游走策略不同,HARWRL考虑了节点在网络中的个体差异性,为每个节点分配不同的个体跳转概率用于调节采样节点的类型,并利用参数控制节点个体选择概率以平衡深度优先和广度优先的游走方式。最终,将生成的节点序列输入到Skip Gram模型学习节点向量表示。通过这种非元路径限制且更加灵活的随机游走策略,HARWRL更加充分地挖掘了表型-基因异质信息网络中的语义信息和结构信息,进而获得更加有效的节点向量表示用于预测表型-基因的潜在关联。相较于浅层网络表示学习方法,基于图卷积神经网络的表示学习方法利用消息传递机制,能够学习到更具表达能力的节点特征向量。为进一步挖掘表型-基因异质网络的关联信息,本文提出基于图卷积和层次感知间距的网络表示学习方法(HAMSRL)。该方法设计异质卷积核协同聚合表型-基因网络中不同类型的关联以捕获邻域所包含的语义,并针对HPO的层次结构设计基于层次感知间距的损失函数训练模型,采用度量学习的方式细粒度地挖掘不同类型网络内部中关联强度的差异性。HAMSRL学习到的节点向量更好地刻画关联的异质性和网络全局拓扑结构,有效提升表型-基因关联预测性能。本文分别为HARWRL和HAMSRL组织了实验,通过与同类型的对比算法的对比验证算法的实际性能。实验结果表明两个模型在表型-基因关联预测任务中均具有更好的表现。

关键词：表型-基因关联异质网络网络表示学习随机游走图卷积神经网络

基于图深度学习的miRNA与疾病关联预测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图深度学习的miRNA与疾病关联预测方法研究

作者：吴茜湖南大学

学位级别：硕士

miRNA是一类内生的单链短序列非编码RNA,研究表明miRNA的异常表达会导致人类患病或疾病的恶化.正确识别miRNA与疾病之间的关系,可以为疾病的诊断和治疗提供参考,有助于认识复杂的疾病调控机制.由于生物实验存在成本高,耗时长等问题,研... 详细信息

miRNA是一类内生的单链短序列非编码RNA,研究表明miRNA的异常表达会导致人类患病或疾病的恶化.正确识别miRNA与疾病之间的关系,可以为疾病的诊断和治疗提供参考,有助于认识复杂的疾病调控机制.由于生物实验存在成本高,耗时长等问题,研究预测miRNA与疾病间关系的机器学习模型已成为一个非常重要的课题.近年来,图深度学习方法在图数据的学习方面展现出巨大优势.有鉴于此,本文致力于研究图深度学习方法及其在miRNA与疾病关联预测上的应用,具体的工作如下:(1)本文提出基于metapath2vec和图自动编码器的miRNA与疾病关联预测模型M2VGAE-MDA.首先,构造miRNA与疾病间关系二部图,在图上使用metapath2vec算法提取节点的结构特征,并与节点的功能和语义特征等整合得到节点的特征向量.然后,使用图自编码器聚合节点的一阶邻居信息,得到节点的低维表示.整个模型通过端对端的方式训练,学习miRNA与疾病之间的潜在关系.真实数据实验表明,M2VGAE-MDA模型预测miRNA与疾病关联的准确性高于基于图嵌入的两阶段模型;与基于图深度学习的关联预测模型相比,M2VGAE-MDA模型在使用更少的训练参数和训练时间情况下,可获得与已有模型相当的准确性.(2)本文提出一个基于神经图协同过滤的miRNA与疾病关联预测模型NGCF-MDA.该模型在miRNA与疾病的二部图基础上,应用协同过滤的方式传播节点邻居信息.在节点表示学习阶段,通过结合节点自连接信息、一阶邻居信息和相互作用信息,使得调控相同疾病的不同miRNA具有相似的嵌入表示,并且受相同miRNA调控的不同疾病也具有相似的嵌入表示.在关联预测阶段,通过拼接初始表征和各层嵌入向量,构成最终节点表示,达到保留各阶邻居信息的目的.将疾病按照已知关联的稀疏程度分组,进行对比实验,结果表明NGCF-MDA有助于提升已知关联不足的节点表征能力.胶质母细胞瘤的关联预测问题中,NGCF-MDA模型预测的与该疾病最相关的50个miRNA中,有49个miRNA在四个miRNA相关疾病数据库中得到了印证.以上结果表明NGCF-MDA模型可以学习到miRNA的复杂调控机制,能够作为辅助生物实验的有效计算工具.

关键词：图深度学习自编码器异质网络神经图协同过滤 miRNA-疾病关联预测

面向疾病与lncRNA关联的复杂特征学习及预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向疾病与lncRNA关联的复杂特征学习及预测研究

作者：蔡钢生桂林理工大学

学位级别：硕士

长链非编码RNA(long non-coding RNA,lnc RNA)是一类长度超过200个nt的非编码RNA。lnc RNA参与多种生物过程并发挥着关键的调控作用,其异常表达与许多人类疾病的发生和发展密切相关。因此,准确预测lnc RNA和疾病之间的关联,可以辅助了... 详细信息

长链非编码RNA(long non-coding RNA,lnc RNA)是一类长度超过200个nt的非编码RNA。lnc RNA参与多种生物过程并发挥着关键的调控作用,其异常表达与许多人类疾病的发生和发展密切相关。因此,准确预测lnc RNA和疾病之间的关联,可以辅助了解疾病发病机制,对下一步实验验证提供指导。然而,传统生物实验周期长、成本高、效率低,因此,基于已验证的关联,利用计算模型推测疾病与lnc RNA的潜在关联,已成为一种重要且有效的辅助手段。但现有计算模型在学习异质生物网络复杂特征方面仍存在局限性,针对以上问题,本文提出两种新的lnc RNA-疾病关联预测计算模型,主要内容如下:1.基于异质信息融合图卷积网络的lnc RNA-疾病关联预测模型(HFGCNLDA):通过在异质网络上应用图卷积网络挖掘和融合节点间多层面交互信息,来提高模型学习复杂特征的能力。第一步,根据节点相似性和已知关联关系构建lnc RNA-疾病-mi RNA异质网络;第二步,基于GCN聚合器和异质特征融合模块获得节点的综合表征;第三步,使用内积解码器建立lnc RNA-疾病关联的关联概率矩阵。在与五个当前最先进模型的实验对比中,HFGCNLDA取得了最高的AUROC和AUPR值(0.9932和0.8997),证实了融合多源异质数据和挖掘异质网络节点间多层面交互信息的有效性。肺癌和结肠癌的真实案例分析结果表明HFGCNLDA能够预测潜在的lnc RNA-疾病关联。2.基于语义与全局双重注意力机制的lnc RNA-疾病关联预测模型(SGALDA):在HFGCNLDA基础上,引入元路径和双重注意力机制整合语义和邻域信息,进一步提高模型从异质网络中学习复杂特征的能力。第一步,根据节点相似性和已知关联关系构建lnc RNA-疾病-mi RNA异质网络,并利用GCN聚合和特征融合获取节点的邻域表征;第二步,利用元路径从异质网络中抽取语义子网络,通过在每个子网络上应用图卷积网络来学习节点的语义表征;第三步,通过双重注意力机制融合语义和邻域表征,获得更全面和准确的节点表征;第四步,使用内积解码器建立lnc RNA-疾病的关联概率矩阵。在与六个当前最先进模型的实验对比中,SGALDA取得了最高的AUROC和AUPR值(0.9945和0.9167)。肺癌、结肠癌、乳腺癌和胃癌的真实案例分析结果证实该模型有较好推断lnc RNA-疾病潜在关联的能力,证明该模型可作为一种可靠的预测模型候选。

关键词：关联预测异质网络元路径注意力机制图卷积网络