本文主要研究内容
作者杨楠（2019）在《基于新型图核的脑网络相似性分析》一文中研究指出：随着脑影像和机器学习的发展,脑网络逐渐成为大脑研究的一个重要方式,在脑网络建模之后,利用机器学习技术对脑网络的分析方式多种多样。大脑的结构和功能复杂,信号处理繁杂多样,包含着大量的标签信息和结构化信息。在利用机器学习方法对脑网络进行分析时,如何将这些信息以一种合理的方式被机器所识别并用作特征向量,已成为脑网络研究的一个热点。本文对基于新型图核的脑网络相似性判别进行研究,主要完成了以下方面工作:第一,通过大量实验分析了已有图核在脑网络分类上的应用方法,对已有方法进行了比较、指出了各方法优势与不足;第二,提出了基于权重的脑网络各拓扑属性融合算法,更加全面地描述出脑网络的结构信息。本方法在真实的轻度认知障碍的脑网络判别数据集上的分类精度达到76.0%,相对于各单个特征的分类方法均有大幅度提高,相对于单一提取聚类系数、特征路径长度、节点的度以及原始数据作为特征向量的分类精度分别提升了 13.9%、15.7%、15.4%和6.6%;第三,提出了一种新型图核,其核心思想是:以脑网络的每个节点为中心,将该点和与该节点相关性最高的几个节点一起构建一个脑网络的子网络,使用判别性函数对各个子网络进行相似性分析,从而判断脑网络的相似性。实验结果表明,平均准确率稳定在83%左右,相比之前的方法的分类精度更高,比RBF核方法高约14%、比Linear核方法高约17%、比Poly核方法高约19%、比Sigmoid核方法高出22%左右,相比其它同类方法也均有较大程度的提高,验证了本方法的有效性。
Abstract
sui zhao nao ying xiang he ji qi xue xi de fa zhan ,nao wang lao zhu jian cheng wei da nao yan jiu de yi ge chong yao fang shi ,zai nao wang lao jian mo zhi hou ,li yong ji qi xue xi ji shu dui nao wang lao de fen xi fang shi duo chong duo yang 。da nao de jie gou he gong neng fu za ,xin hao chu li fan za duo yang ,bao han zhao da liang de biao qian xin xi he jie gou hua xin xi 。zai li yong ji qi xue xi fang fa dui nao wang lao jin hang fen xi shi ,ru he jiang zhe xie xin xi yi yi chong ge li de fang shi bei ji qi suo shi bie bing yong zuo te zheng xiang liang ,yi cheng wei nao wang lao yan jiu de yi ge re dian 。ben wen dui ji yu xin xing tu he de nao wang lao xiang shi xing pan bie jin hang yan jiu ,zhu yao wan cheng le yi xia fang mian gong zuo :di yi ,tong guo da liang shi yan fen xi le yi you tu he zai nao wang lao fen lei shang de ying yong fang fa ,dui yi you fang fa jin hang le bi jiao 、zhi chu le ge fang fa you shi yu bu zu ;di er ,di chu le ji yu quan chong de nao wang lao ge ta pu shu xing rong ge suan fa ,geng jia quan mian de miao shu chu nao wang lao de jie gou xin xi 。ben fang fa zai zhen shi de qing du ren zhi zhang ai de nao wang lao pan bie shu ju ji shang de fen lei jing du da dao 76.0%,xiang dui yu ge chan ge te zheng de fen lei fang fa jun you da fu du di gao ,xiang dui yu chan yi di qu ju lei ji shu 、te zheng lu jing chang du 、jie dian de du yi ji yuan shi shu ju zuo wei te zheng xiang liang de fen lei jing du fen bie di sheng le 13.9%、15.7%、15.4%he 6.6%;di san ,di chu le yi chong xin xing tu he ,ji he xin sai xiang shi :yi nao wang lao de mei ge jie dian wei zhong xin ,jiang gai dian he yu gai jie dian xiang guan xing zui gao de ji ge jie dian yi qi gou jian yi ge nao wang lao de zi wang lao ,shi yong pan bie xing han shu dui ge ge zi wang lao jin hang xiang shi xing fen xi ,cong er pan duan nao wang lao de xiang shi xing 。shi yan jie guo biao ming ,ping jun zhun que lv wen ding zai 83%zuo you ,xiang bi zhi qian de fang fa de fen lei jing du geng gao ,bi RBFhe fang fa gao yao 14%、bi Linearhe fang fa gao yao 17%、bi Polyhe fang fa gao yao 19%、bi Sigmoidhe fang fa gao chu 22%zuo you ,xiang bi ji ta tong lei fang fa ye jun you jiao da cheng du de di gao ,yan zheng le ben fang fa de you xiao xing 。
论文参考文献
论文详细介绍
论文作者分别是来自天津工业大学的杨楠，发表于刊物天津工业大学2019-07-05论文，是一篇关于脑网络论文,机器学习论文,支持向量机论文,图核论文,天津工业大学2019-07-05论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自天津工业大学2019-07-05论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：脑网络论文; 机器学习论文; 支持向量机论文; 图核论文; 天津工业大学2019-07-05论文;