乔海燕_qhy_graph3.tree

合集下载

一种CCA-层次聚类的基因聚类算法

一种CCA-层次聚类的基因聚类算法

第28卷㊀第5期2023年10月㊀哈尔滨理工大学学报JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY㊀Vol.28No.5Oct.2023㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀一种CCA -层次聚类的基因聚类算法林倩闽(厦门理工学院电气工程与自动化学院,福建厦门361024)摘㊀要:针对基因芯片技术带来的海量基因表达数据,为了充分挖掘其蕴含的生物信息和潜在的生物机制,提出一种基于CCA -层次聚类的基因聚类算法(CCA-Hc )㊂该算法在层次聚类的基础上引入典型相关分析,优化相似性矩阵计算方法㊂首先,利用典型相关分析方法结合基因的多个特征信息进行基因相关性度量,得到基因相似性矩阵㊂然后将该相似性矩阵作为层次聚类的邻近矩阵进行凝聚层次聚类㊂在Oryza sativa L.(水稻)的基因表达数据集上进行CCA-Hc 聚类效果测试实验,结果表明,与采用欧式距离的传统层次聚类算法(EUC-Hc )相比,CCA-Hc 的内部稳定性指标和生物功能性指标均优于EUC-Hc ,具有更佳的鲁棒性和聚类准确性,更有利于去发现基因间的共表达关系㊂关键词:基因表达数据;聚类算法;典型相关分析;层次聚类DOI :10.15938/j.jhust.2023.05.011中图分类号:TP391文献标志码:A文章编号:1007-2683(2023)05-0085-06A Gene Clustering Algorithm Based on the CCA-Hierarchical ClusteringLIN Qianmin(School of Electrical Engineering and Automation,Xiamen University of Technology,Xiamen 361024,China)Abstract :Aiming at the massive gene expression data brought by gene chip technology,in order to fully mine the biological information and potential biological mechanisms contained in it,this paper proposes a gene clustering algorithm based on CCA-hierarchical clustering (CCA-Hc).The algorithm introduces canonical correlation analysis on the basis of hierarchical clustering,and optimizes the calculation method of similarity matrix.First,the canonical correlation analysis method is used to measure the gene correlation by combining the multiple feature information of the gene,and the gene similarity matrix is obtained.Then the similarity matrix is used as the neighbor matrix of hierarchical clustering for agglomerative hierarchical clustering.The CCA-Hc clustering effect test experiment was performed on the gene expression dataset of Oryza sativa L.(rice).The results show that,compared with the traditional hierarchical clustering algorithm using Euclidean distance (EUC-Hc),CCA-Hc is superior to EUC-Hc in both internal stability index and biological functional index,and has better robustness and clustering accuracy.It is more conducive to discoveringthe co-expression relationship between genes.Keywords :gene expression data;clustering algorithm;canonical correlation analysis;hierarchical clustering㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2022-06-08基金项目:福建省科技厅引导性项目(2019H0039);福建省中青年教师教育科研项目(JAT210341).通信作者:林倩闽(1992 ),女,硕士,助理实验师,E-mail:1023447133@.0㊀引㊀言随着高通量测序技术的不断快速发展,出现越来越多复杂度高㊁数据量大的生物数据㊂不同测序技术可以得到不同水平的生物数据,如通过基因组测序得到DNA 水平的生物数据,转录组测序得到RNA 水平的生物数据㊂基因表达数据是通过DNA微阵列技术(又称为基因芯片技术)检测得到,是不同细胞在不同条件下的基因动态表达水平[1]㊂基因是携带遗传物质的DNA片段,在不同细胞中会有不同的表达方向[2],从而可以控制不同的性状㊂为此基因表达数据蕴含着丰富且重要的生物机制,具有很大的研究价值㊂在基因表达数据分析中,聚类分析方法被广大研究者选用,用以发现具有相似表达行为的基因集,基因间的共表达㊁共调控关系等,对于推断未知的基因功能及在疾病诊断方面具有重要意义[2]㊂目前基因聚类算法根据聚类对象可以分为基于基因㊁基于样本聚类以及基于基因样本的双聚类[3-4]㊂根据聚类方式的不同,又可以分为以K-means算法[5]㊁K-MEDOIDS[6]为代表的基于分区的聚类算法,以BIRCH算法[7]㊁CURE算法[8]为代表的基于层次的聚类算法,以DBSCAN算法[9]㊁OPTICS算法[10]为代表的基于密度的聚类算法和以CLIQUE算法[11]为代表的基于网格的聚类算法㊂在对基因表达数据进行聚类分析时,主要是度量基因之间的相关性,把相关性程度高的基因聚在一起㊂很多基因聚类研究中把皮尔森相关系数㊁欧式距离㊁曼哈顿距离等作为相关性程度的度量方式[12]㊂这些度量方式是基于基因的整体表达水平进行的,即一个基因只由一个一维的数据矩阵表示㊂而在实际的的测序过程中,往往会在不同的细胞周期进行实验测量基因的表达水平,使得一个基因会有多组数据,每组数据代表该基因的一个特征㊂大部分的研究中采用求和的方式把基因多个特征的数据进行累加,进而分析基因之间的相关性㊂这种方法存在的问题是忽略了基因各个特征对表达水平的影响,从而对聚类结果造成影响㊂为了解决上述问题,本文把典型相关分析(Ca-nonical Correlation Analysis,CCA)引入到层次聚类中来,搭建出基于CCA-层次聚类的基因聚类算法(CCA-Hc)㊂典型相关分析是一种计算变量之间相关性的统计学分析方法,能结合变量的多个特征,得到变量的整体相关性[13]㊂利用典型相关分析度量基因之间的相关性,能充分考虑基因的多个特征信息,使得聚类结果中的基因集相似性程度更高㊂同时采用凝聚层次聚类,可以从聚类树状图中直观地分析聚类结果,从而整体上提高聚类效果㊂最后用GEO数据库上的基因数据集来验证CCA-Hc算法的有效性㊂1㊀CCA-Hc算法设计1.1㊀典型相关分析给定基因微阵列数据矩阵A nˑm=(G,T),n表示基因个数,m表示条件的种类数㊂每个基因可以看成是一个变量,使用典型相关分析方法分析变量相关性时,假设变量X有p个特征,变量Y有q个特征,pɤq,每个特征均对应m个不同条件的数据,则X=[x1, ,x p]T(1) Y=[y1, ,y q]T(2)变量X的数据矩阵为x11x12x13 x1mx21x22x23 x2mx31x32x33 x3m︙︙︙︙x p1x p2x p3 x pméëêêêêêêêùûúúúúúúú变量Y的数据矩阵为y11y12y13 y1my21y22y23 y2my31y32y33 y3m︙︙︙︙y q1y q2y q3 y qméëêêêêêêêùûúúúúúúú变量X和变量Y的协方差矩阵为ð=Cov(X,Y)=Var(X)Cov(X,Y)Cov(Y,X)Var(Y)()=ð11ð12ð21ð22()(3)变量X和变量Y的线性表达式记为U㊁V,表示为:U=a1x1+a2x2+ +a p x p=a T X(4) V=b1y1+b2y2+ +b q y q=b T Y(5)变量X和变量Y进行典型相关性分析时,可用这两个变量的线性表达式U㊁V之间相关系数的最大值来度量变量之间的相关性程度,即max a,b corr(U,V)=a Tð12b(a Tð11aˑb Tð22b)1/2(6)在求解上述最值表达式时,运用拉格朗日数乘法求解瑞利熵矩阵(ð-111ð12ð-122ð21)得到p个特征值,68哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀记为λ1,λ2 λp ㊂这p 个特征值即变量X 和变量Y之间的典型相关系数㊂每一个相关系数再应用卡方检验进行显著性检验,得到p 个卡方检验p-value 值,记为p 1,p 2 p p ㊂为了更好地表示变量之间的典型相关程度,引入一个关于典型相关系数和p-value 值的权重函数W 来表示,定义为:W =ðp i =1λi I (log P i )ðp i =1I (log P i )(7)其中I (log P i )=0P >0.05-log PP ɤ0.05{这样每两个变量之间就能得到一个w 值来度量它们的相关性程度㊂对基因表达数据的n 个基因进行如上方法的典型相关分析后,最终得到一个n ˑn 的相似性矩阵㊂1.2㊀层次聚类目前常用的聚类算法有基于分区㊁基于层次㊁基于密度和基于网络4种类型[2],其中基于层次聚类的算法因原理通俗易懂㊁结果直观且精度高等优点而被广泛使用[14]㊂层次聚类分为自下而上的凝聚聚类和自上而下的分裂聚类两种[15],其中凝聚层次聚类运用最为广泛,同时凝聚层次聚类在无预先定义类别数的分类中具有明显优势[16]㊂故本文采用的是凝聚层次聚类,可以用树状图和嵌套簇图来表示,例如图1所示㊂图1㊀凝聚层次聚类的树状图和嵌套簇图Fig.1㊀Dendrogram and Nested Cluster Diagramfor Agglomerative Hierarchical Clustering下面介绍凝聚层次聚类的聚类过程:步骤1:视每一个数据点(如基因变量)为一个集群;步骤2:计算邻近矩阵,把类间距离最接近的两个集群进行合并;步骤3:重复步骤2,直到所有数据点合并完成㊂步骤2中的类间距离即两个集群之间的距离,传统的层次聚类类间距离计算方法有如下几种[17]:1)两个集群中距离最近的两个样本距离;2)两个集群中距离最远的两个样本距离;3)两个集群中所有样本之间的距离再求平均值;完成所有聚类步骤后会生产一个树状图(又叫聚类树)㊂采用不同的变量相关性程度度量方式和不同的类间距离计算方法都将对聚类结果造成影响㊂1.3㊀CCA-HC 算法传统的层次聚类算法其计算复杂度为O (n 3),由于在聚类过程中需要不断地重复计算类间距离㊁不断地更新邻近矩阵,从而消耗大量的时间与资源[18]㊂对于数据量庞大的基因微阵列数据,迫切需要对算法进行优化,降低复杂度㊂本文提出了一种基于CCA 和层次聚类的基因聚类算法(CCA-HC),优化相似性矩阵计算方法,把典型相关分析的输出作为层次聚类的输入,即把典型相关分析得到的相似性矩阵作为层次聚类的邻近矩阵㊂CCA-HC 在度量基因相关性程度时采用典型相关分析的方法,在层次聚类方式上选择自下而上的凝聚层次聚类㊂CCA-HC 充分利用了典型相关分析和层次聚类的优点,能够结合基因的多个特征来量化基因之间的相关性,使得聚类结果中的基因集相似性程度更高,也能自主选择集群数目以得到更佳的聚类效果[18]㊂2㊀实验与结果分析2.1㊀实验数据为了评价章节一中提出算法的聚类效果,在GEO 数据库上下载Oryza sativa L.(水稻)的基因表达数据集,得到的原始数据集共有45063个基因,样本数为41㊂由于原始数据集基因数庞大,对其计算分析时不论在存储空间还是计算程序上都提出了较高的要求,为此进行适当的数据预处理显得尤为重要㊂本文在数据预处理方面开展的主要工作有:把基因名未知的数据剔除;过滤掉样本表达量过低的基因;采用log2的对数函数对原始数据进行标准化处理等㊂经过如上处理后得到4564ˑ41的数据矩阵,用于后续的实验分析㊂预处理后的实验数据集78第5期林倩闽:一种CCA -层次聚类的基因聚类算法统计情况如表1所示㊂表1㊀预处理后的实验数据集统计情况表Tab.1㊀Statistical table of experimental dataset after preprocessing数据集基因数样本数基因功能类别Oryza sativa L.456441881.5㊀评价标准基因表达数据的聚类效果可以从聚类结果中同一集群的相关性程度以及聚类算法的稳定性等方面进行评价,用生物功能性指标和内部稳定性指标来描述㊂1.生物功能性指标生物同源性指标(biological homogeneity index, BHI)是用来评估聚类集群在生物功能意义上的同源性程度[19]㊂在基因本体(gene ontology,GO)数据库上下载水稻的基因功能类数据,可以得知每个水稻基因所对应的生物组织功能,用来分析同一聚类集群中的基因在功能上的相关性㊂BHI公式计算如下:BHI(K,B)=1KðK k=11nk(n k-1)ðiʂjɪC k I(B(i)=B(j))(8)式中:C为聚类结果中的任一集群;B为基因功能类集合,当基因i和基因j所对应的功能类存在交集,则I(B(i)=B(j))=1,否则为0㊂最终得到的BHI 是介于0~1的值,BHI值越大,表示基因聚类集群的生物功能相关性越大,聚类效果更佳[19]㊂2.内部稳定性指标内部稳定性指标在于评价聚类算法的鲁棒性,通过改变基因微阵列数据的某几列进行聚类,进而比较基于不同数据的聚类结果㊂优值系数(figure of merit,FOM)是内部稳定性指标中的一种,表示数据列改变后基因之间的平均群内方差[20]㊂FOM公式计算如下:FOM(l,K)=1NðK k=1ðiɪC k(l)dist(x i,l, x C k(l))(9)式中:FOM的取值范围是0到无穷大,FOM值越小表示该聚类算法的稳定性越好[20]㊂2.3㊀结果与分析为验证CCA-Hc的聚类效果,对比采用欧式距离的传统层次聚类算法(EUC-Hc),运用相同数据集进行实验㊂为了获得更加准确的聚类效果,本实验设置不同的聚类集群参数,确定聚类集群数目K 分别为2㊁4㊁6㊁7㊁9㊁11㊁12这7组实验,并通过BHI 和FOM指标对这7组实验的聚类结果进行评估, BHI和FOM指标值分别见表2和表3㊂表2㊀不同聚类集群数目下的BHI指标值Tab.2㊀BHI index values under different number of clusters 算法类型\集群数目CCA-Hc EUC-Hc差异率K=20.4660.233100.05%K=40.4630.34633.77%K=60.4670.37723.90%K=70.4670.41213.34%K=90.4650.4357.12%K=110.4640.4512.72%K=120.4630.456 1.48%表3㊀不同聚类集群数目下的FOM指标值Tab.3㊀FOM index values under different number of clusters算法类型\集群数目CCA-Hc EUC-Hc差异率K=22.6974.633-41.78%K=42.6974.298-37.26%K=62.6964.047-33.37%K=72.6963.995-32.52%K=92.6963.816-29.35%K=112.6953.693-27.03%K=12 2.695 3.636-25.89%㊀㊀表2中的差异率指的是CCA-Hc的BHI指标比EUC-Hc的BHI指标相差的百分比,同理可以计算表3中的差异率㊂根据表2和表3的实验指标数据发现,对于7组不同的聚类集群数目实验,本文提出的CCA-Hc 的BHI指标均高于EUC-Hc,FOM指标均低于EUC-Hc,这表明CCA-Hc的鲁棒性更好,聚类结果中同一集群的基因相关性更大,聚类效果更加显著㊂同时还发现,集群数目对CCA-Hc的影响较小,K选不同的值,BHI指标值稳定在0.463~0.467之间,FOM88哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀指标值稳定在2.695~2.697之间,而集群数目对EUC-Hc 算法的影响相对比较明显㊂图2为CCA-Hc 在Oryza sativa L.数据集的聚类树状图,可以自行在所需的层级对树状图进行 剪枝 操作以获得合适的聚类效果[21]㊂图2㊀CCA-Hc 在Oryza sativa L.数据集的聚类树状图Fjg.2㊀Clustering dendrogram of CCA-Hc in Oryzasativa L.dataset3㊀结㊀论本文为了充分有效地挖掘基因表达数据所蕴含的生物机制,提出一种基于CCA -层次聚类的基因聚类算法(CCA-Hc)㊂把典型相关分析方法引入到凝聚层次聚类中来进行多特征基因的聚类分析,成为本文的创新之处㊂该算法利用典型相关分析方法度量基因之间的相关性程度,能够充分考虑基因的多个特征信息㊂同时采用凝聚层次聚类可自主选择聚类集群数目,直观显示聚类结果㊂基于Oryza sativa L.(水稻)的基因表达数据集,本文对比了CCA-Hc 和EUC-Hc 的聚类效果,使用BHI 和FOM 两个评价指标进行衡量,结果表明CCA-Hc 的鲁棒性和聚类准确性均更好,更有利于去探索基因表达数据潜在的生物机制㊂参考文献:[1]㊀欧阳玉梅.基因表达数据聚类分析技术及其软件工具[J].生物信息学,2010,8(2):104.OUYANG Yumei.Gene Expression Data Cluster Analysis Technology and Software Tools [J ].Bioinformatics,2010,8(2):104.[2]㊀高华成.基于数据降维框架的基因聚类算法[D].南京:南京邮电大学,2021.[3]㊀姚登举,詹晓娟,张晓晶.一种加权K -均值基因聚类算法[J ].哈尔滨理工大学学报,2017,22(2):112.YAO Dengju,ZHAN Xiaojuan,ZHANG Xiaojing.A Weighted K-Means Gene Clustering Algorithm[J].Jour-nal of Harbin University of Science and Technology,2017,22(2):112.[4]㊀方匡南,陈远星,张庆昭,等.双向聚类方法综述[J].数理统计与管理,2020,39(1):22.FANG Kuangnan,CHEN Yuanxing,ZHANG Qingzhao,et al.Review of Bidirectional Clustering Methods [J].Journal of Applied Statistics and Management,2020,39(1):22.[5]㊀吴明阳,张芮,岳彩旭,等.应用K-means 聚类算法划分曲面及实验验证[J].哈尔滨理工大学学报,2017(1):54.WU Mingyang,ZHANG Rui,YUE Caixu,et al.Appli-cation of K-means Clustering Algorithm for Surface Divi-sion and Experimental Verification[J].Journal of HarbinUniversity of Science and Technology,2017(1):54.[6]㊀LACKO D,HUYSMANS T,VLEUGELS J,et al.ProductSizing with 3D Anthropometry and K-medoids Clustering[J].Computer-Aided Design,2017:S0010448517301173.[7]㊀ZHANG T,RAMAKRISHNAN R,LIVNY M.BIRCH:ANew Data Clustering Algorithm and Its Applications[J].Data Mining and Knowledge Discovery,1997,1(2):141.[8]㊀FUSHIMI T,MORI R.High-Speed Clustering of Region-al Photos Using Representative Photos of Different Re-gions[C].2018IEEE /WIC /ACM International Confer-ence on Web Intelligence (WI),IEEE,2018:520.[9]㊀Al-MAMORY S O,KAMIL I S.A New Density BasedSampling to Enhance DBSCAN Clustering Algorithm[J].Journal of Computer Science,2019,32(4):315.[10]ANKERST M,BREUNIG M M,KRIEGEL H P,et al.OPTICS:Ordering Points to Identify the Clustering Struc-ture[C]//SIGMOD 1999,Proceedings ACM SIGMOD International Conference on Management of Data,June 1-3,1999,Philadelphia,Pennsylvania,USA.ACM,1999:2008,99.[11]王飞,王国胤,李智星,等.一种基于网格的密度峰值聚类算法[J ].小型微型计算机系统,2017(5):1034.WANG Fei,WANG Guoyin,LI Zhixing,et al.A Grid-based Density Peak Clustering Algorithm[J].Journal of98第5期林倩闽:一种CCA -层次聚类的基因聚类算法Chinese Computer Systems,2017(5):1034. [12]YAO J,CHANG C,SALMI M L,et al.Genome-scaleClusteranalysis of Replicated Microarrays Using ShrinkageCorrelation Coefficient[J].BMC Bioinformatics,2008,9:288.[13]HONG S,CHEN X,JIN L,et al.Canonical CorrelationAnalysis for RNA-seq Co-expression Networks[J].Nu-cleic Acids Res,2013,41(8):e95.[14]万静,郑龙君,何云斌,等.高维数据的高密度子空间聚类算法[J].哈尔滨理工大学学报,2020,25(4):84.WAN Jing,ZHENG Longjun,HE Yunbin,et al.High-Density Subspace Clustering Algorithm for High-Dimen-sional Data[J].Journal of Harbin University of Scienceand Technology,2020,25(4):84.[15]刘昊.基于聚类算法的生物分析软件的设计与实现[D].上海:复旦大学,2013.[16]乔锦荣,原新鹏,梁旭东,等.凝聚层次聚类方法在降水预报评估中的应用[J].干旱气象,2022,40(4):690.QIAO Jinrong,YUAN Xinpeng,LIANG Xudong,et al.Application of Agglomerative Hierarchical ClusteringMethod in Precipitation Forecast Evaluation[J].AridMeteorology,2022,40(4):690.[17]JASKOWIAK P A,CAMPELLO R J,COSTA I G.Onthe Selection of Appropriate Distances for Gene Expres-sion Data Clustering[J].BMC Bioinformatics,2014,15(2):1.[18]季姜帅,裴颂文.面向异质基因数据的智能层次聚类算法研究[J].小型微型计算机系统,2021,43(9):1808.JI Jiangshuai,PEI Songwen.Research on Intelligent Hi-erarchical Clustering Algorithm for Heterogeneous GeneticData[J].Journal of Chinese Computer Systems,2021,43(9):1808.[19]DATTA S,DATTA S.Methods for Evaluating ClusteringAlgorithms for Gene Expression Data Using a ReferenceSet of Functional Classes[J].BMC Bioinformatics,2006,7(1):1.[20]DATTA parisons and Validation of Statistical Clus-tering Techniques for Microarray Gene Expression Data[J].Bioinformatics,2003,19(4):459. [21]HULOT A,CHIQUET J,JAFFRÉZIC F,et al.Fast TreeAggregation for Consensus Hierarchical Clustering[J].BMC Bioinformatics,2020,21(1):12.(编辑:温泽宇)09哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀。

计算机在生物信息学中的应用

计算机在生物信息学中的应用

2017年第3期 信息通信2017 (总第 171 期)INFORMATION&COMMUNICATIONS(Sum.No 171)计算机在生物信息学中的应用乔琴艳(山西运城农业职业技术学院,山西运城044000)摘要:生物信息学对于我们可能觉得比较陌生,它是近年来新发展起来的一门综合牲的复合学科,它用计算机为研究的工具 和手段,对与生物信息有关的资料进行收集、整理、加工、使用等。

生物信息学的的产生和发展离不开计算机技术的发展和支 持特别是高性能计算机的应用。

文章就计算机科学在生物信息学中应用的现状、存在的问题及发展趋势等作出解读和分析。

关键词:计算机科学;生物信息学;应用中图分类号:TP399 文献标识码:A文章编号:1673-1131( 2017 )03-0279-020引言2计算机科学在生物信息学中的应用现状随着人类基因工程的发展,20世纪80年代末生物信息学 兴起和发展起来。

基因组信息学是生物信息学所研究的关键 问题,而该学科所涉及的主要内容是生物的基因组及其应用,其首要任务是通过大量的生物信息数据进行基因测序,从而2.1高性能计算机在基因组学研究中的应用为适应生物信息学中基因信息处理的需求,必须有髙性 能的计算机进行数据的计算和处理。

我们知道一个完整的计 算机系统包括硬系统和软件系统两大部分,在目前网络环境获得基因和基因组。

从这些信息中我们可以总结,生物信息学是一种综合、复合型的交叉学科,其中包含有生物科学、计 算机科学和数学等学科的内容,是计算机科学和数学在生命科学上的运用。

利用先进的计算机可以对这些海量的生物信息进行加工处理,所以计算机科学是生物信息科学研究、应用 和发展的良好基础和支撑。

下,髙性能的计算机必须具备单机和网络的双面功能,当前,大规模并行处理(MPP)是从系统结构上提升计算机数据计算 能力的主要方法和途径,这一技术在超级计算机中已被应用,如我国的“银河”系统超级计算机。

基于小波多尺度的图像增强新算法

基于小波多尺度的图像增强新算法

技术创新图像处理您的论文得到两院院士关注基于小波多尺度的图像增强新算法Novel algorithm for image enhancement based on wavelet multiscale(沈阳理工大学)祁燕宋凯QI Yan SONG Kai摘要:传统图像增强算法在增强对比度的同时,也很大地提升图像噪声,需要对图像进行降噪处理。

小波增强方法兼顾图像信号的空域和频域特性,但没有充分考虑到视觉的非线性特性。

针对现有图像增强技术的这一缺陷,在分析小波变换对噪声影响规律的基础上,结合小波多尺度的特性,提出了一种基于小波多尺度的图像增强新算法,利用不同尺度上的小波系数间的相关性和小波分析的时频局部化特性来有效区分噪声和图像信息,有效改善了图像增强过程中的噪声放大问题。

关键词:小波变换;多尺度;图像增强中图分类号:TP391.41文献标识码:AAbstract:Traditional image enhancement algorithm enhances the contrast grade and noise of image at the same time.So,noise re -duction is needed.Wavelet enhancement considers the spatial domain and frequency domain of image signal,but not the nonlinearity of vision.Aim at the limitation of the image enhancement technology,a new algorithm for image enhancement based on wavelet mul -tiscale is proposed by analyzing the effects of wavelet on signal and noise regularity.Making use of the correlation of the wavelet co -efficient from different scales and the frequency localization of wavelet,the noise and image information is divided effectively.It can alleviate the noise amplification while enhancing the image feature.Key words:Wavelet transform;Multiscale;Image enhancement文章编号:1008-0570(2010)04-1-0133-021引言图像增强是指按特定的需要突出图像中的某些信息,同时削弱或去除某些不需要的信息的处理方法。

深度信念网络的Bottleneck特征提取方法

深度信念网络的Bottleneck特征提取方法

深度信念网络的Bottleneck特征提取方法谈建慧;景新幸;杨海燕【期刊名称】《桂林电子科技大学学报》【年(卷),期】2016(036)002【摘要】为了提升连续语音识别系统的识别率,提出一种基于深度信念网络的Bottleneck 特征提取方法。

该方法使用对比散度算法,采用无监督的预训练堆叠限制玻尔兹曼机得到网络初始化参数,进而采用反向传播算法,以最大化帧级交叉熵作为训练准则,反向迭代对网络参数进行微调。

采用上下文相关的三音素模型,以音素错误率大小作为评价系统性能的准则。

实验结果表明,所提出的基于深度信念网络提取的Bottleneck特征相对于传统特征更具优越性。

【总页数】5页(P118-122)【作者】谈建慧;景新幸;杨海燕【作者单位】桂林电子科技大学信息与通信学院,广西桂林 541004;桂林电子科技大学信息与通信学院,广西桂林 541004;桂林电子科技大学信息与通信学院,广西桂林 541004【正文语种】中文【中图分类】TP391.4【相关文献】1.低数据资源条件下基于Bottleneck特征与SGMM模型的语音识别系统 [J], 吴蔚澜;蔡猛;田垚;杨晓昊;陈振锋;刘加;夏善红;2.低数据资源条件下基于Bottleneck特征与SGMM模型的语音识别系统 [J], 吴蔚澜;蔡猛;田垚;杨晓昊;陈振锋;刘加;夏善红3.基于区分性准则的Bottleneck特征及其在LVCSR中的应用 [J], 刘迪源;郭武4.一种新的基于瓶颈深度信念网络的特征提取方法及其在语种识别中的应用 [J], 李晋徽;杨俊安;王一5.基于多级纹理特征的深度信念网络人脸识别算法 [J], 陈雪鑫; 孙玥; 苗圃; 卜庆凯因版权原因,仅展示原文概要,查看原文内容请购买。

浅谈小学英语高年级拼图阅读策略

浅谈小学英语高年级拼图阅读策略

浅谈小学英语高年级拼图阅读策略
叶勤
【期刊名称】《陕西教育(教学)》
【年(卷),期】2016(000)003
【总页数】1页(P43-43)
【作者】叶勤
【作者单位】江苏省苏州市沧浪新城第三实验小学
【正文语种】中文
【相关文献】
1.浅谈思维导图在小学英语语篇教学中的作用——以译林版小学英语高年级语篇教学为例 [J], 殷迪
2.浅谈小学语文阅读——小学中高年级语文阅读策略 [J], 孙秋连;秦海荣;
3.浅谈小学英语绘本阅读策略 [J], 刘艳文
4."拼图阅读策略"在小学英语绘本教学中的实践与反思——以绘本课《Library Lion》为例 [J], 龙毅敏
5.小学英语课外阅读策略浅谈 [J], 索良媛
因版权原因,仅展示原文概要,查看原文内容请购买。

数学课堂教学中的渗透数学文化的有效途径

数学课堂教学中的渗透数学文化的有效途径

摘要“数学是人类文化的重要组成部分,数学素养是现代社会每一个公民应该具备的基本素养”。

课堂教学是传播数学文化的重要途径,本文探讨了数学课堂教学中渗透数学文化的有效途径。

关键词数学文化渗透课堂教学有效途径On Effective Ways of Infiltrating Mathematical Culture into Mathematics Classroom Teaching //Jin HaiyanAbstract "Mathematics is an important part of the human cul-ture,and mathematical literacy is the basic literacy every citizen should have in modern society".Classroom teaching is an impor-tant way to spread mathematical culture,so this paper discusses effective ways to infiltrate mathematical culture into mathematics classroom teaching.Key words the infiltration of mathematical culture;classroom teaching;effective ways2011年版《数学课程标准》明确指出:“数学是人类文化的重要组成部分,数学素养是现代社会每一个公民应该具备的基本素养”。

课堂教学是传播数学文化的重要途径,因此,在课堂教学中渗透数学文化就显得格外关键。

1课堂教学中渗透数学文化的重要性数学从本质上讲是一种文化,数学教育不仅是知识的传授,能力的培养,而且还应是一种文化熏陶。

数学课堂应当是数学文化流淌的地方,是学生不断用心去触摸数学本质、感受数学内在文化特质的自由天空。

[资料]高纬部分非线性

[资料]高纬部分非线性

高维局部非线性系统的数值方法马海燕(清华大学工程力学系, 北京 100084)摘要:给出高维局部非线性系统振动方程的一般表达式,对其线性坐标部分的方程进行模态分析,并利用模态缩减技术大幅降低线性自由度,而完全保留系统非线性坐标。

从而建立了系统降维后的振动方程。

关键词 局部非线性,高维系统,模态缩减The Numerical Simulation of Local Nonlinear Multi-Dimension SystemMa Haiyan(Dept. of Tsinghua Univ., Beijing, 100084)Abstract This paper presents the universal express for the local nonlinear multi-dimension system,the linear coordinate equations are analyzed through modal analysis, and the number of linear degree of freedom is deduced greatly, while the system non-linear coordinates are exist entirely. Therefore the dimension reduced vibration equations are established. Key words Local non-linear, Multi-Dimension system, Modal reduction1、引言具有局部非线性的多自由度动力系统在实际中是经常遇到的,如具有非线性轴承支承的、有质量偏心的转子动力系统[1 2 3]。

关于这类高维非线性系统的高精度快速数值方法一直以来都是众多研究者的热点[4 5 6 7]。

本文引入了模态缩减技术,从局部非线性系统振动方程入手,对系统的线性坐标进行减缩,并完全保留其非线性坐标,从而降低了数值计算的自由度。

完全二叉树到冒泡排序网络的嵌入

完全二叉树到冒泡排序网络的嵌入

完全二叉树到冒泡排序网络的嵌入师海忠;牛攀峰;乔韵璇【摘要】Bubble sort netwoks are important interconnection networks designed from the Cayley graph model. Bubble-sort networks are attracting more and more attention because of their simple, symmetric, and recursive structure. Binary trees are a common structure to represent the communication pattern of a parallel algorithm. Let G and H be two networks represented by simple undirected graphs, an embedding of G into if is an injective mapping o from the edge set of G into the path set of H. Embedding binary trees into another network-the host network-helps in finding solutions for the host network by using the known solutions on binary trees, while the host network can also stimulate the binary tree. In this paper, we consider the problem how to embed a complete binary tree, the same-rooted complete binary tree and the double-rooted complete binary tree into the n-dimensional bubble sort networks with dilation 1. In addition, we give the concrete construction of embedding of these complete binary trees into bubble sort networks with dilation 1.%冒泡排序网络是由凯莱图模型设计出来的重要的互连网络.这个网络由于它的简单,点对称性和可缩结构而受到极大关注.二叉树是并行通信模式中应用十分普遍的结构.设G和H是两个给定的网络,它们可分别由两简单无向图表示,从G到H的嵌入是存在G 到H的同态映射使得对G中的任何一条边,它的象是H中一条路.把二叉树嵌入到另一网络中,这样可以应用已知的二叉树的性质去研究另一网络,反过来可以用另一网络模拟二叉树.在本文中我们主要考虑完全二叉树,同根完全二叉树和双根完全二叉树能以膨胀数1嵌入到冒泡排序网络中,同时给出了这三种完全二叉树嵌入冒泡排序网络的具体构造方法.【期刊名称】《工程数学学报》【年(卷),期】2012(029)003【总页数】8页(P347-354)【关键词】图的嵌入;互连网络;完全二叉树;冒泡排序网络【作者】师海忠;牛攀峰;乔韵璇【作者单位】西北师范大学数学与信息科学学院,兰州730070;西北师范大学数学与信息科学学院,兰州730070;山西师范大学数学与计算机科学学院,临汾 041000【正文语种】中文【中图分类】TP393;O157.51 引言在互连网络领域,网络的有效仿模拟和不同互连网络的并行问题激发了人们对图的嵌入问题的研究[1-4].在并行处理系统中,处理机是基于互连网络而相互连接的这个网络常常模型化为一无向图,图的顶点对应处理机,图的边对应网络的通讯连线,组织处理器的计算能被归纳为图的嵌入问题,假定某个处理过程能分解成若干个并行处理的过程以及子过程之间的通信,在一个给定的网络中把这些子过程安排到处理器将被归纳为图的嵌入问题[5,6].图的嵌入问题是评价互连网络的一个重要因素,设G和H是两个给定的图,从G到H的嵌入是一个G到H的同态,从G到H的同态是一个映射ϕ:V(G)→V(H),使得对任何(x,y)∈E(G),它的象ϕ(x,y)是H中一条(ϕ(x),ϕ(y))路.若存在从G到H的嵌入,则称G能嵌入到H.G称为客图,H称为主图.设ϕ是客图G到主图H的嵌入,在这个嵌入中,G的边被拉伸的最大长度称为ϕ的膨胀数,记为dil(ϕ)=max{H中ϕ(x,y)路的长度}.1989年,Akers和Krishamurthy给出了冒泡排序网络以来,冒泡排序图的一些性质相继被研究[7-11].本文中,第2部分给出一些冒泡排序图的基本性质,第3部分给出了完全二叉树,同根完全二叉树和双根完全二叉树到冒泡排序图Bn嵌入的构造方法;第4部分,结束语.2 预备知识定义1 n维冒泡排序图Bn的顶点集是由集合{1,2,···,n}的n!个置换所构成的,在Bn中的两顶点x=x1x2···xn 和y=y1y2···yn 相邻当且仅当xi=yi+1,xi+1=yi且对j ̸=i,i+1时,xj=yj.如图1所示,分别是B2,B3和B4.图1: 冒泡排序图B2,B3和B4在文献[7–11]中,冒泡排序图Bn的一些性质已给出,Bn是二部图,有n!个顶点,每个顶点的度为n−1;Bn的直径为(),且是n−1正则的点可迁图,但不是边可迁的.3 三类树到冒泡排序网络Bn的嵌入定理1 存在高度为2的完全二叉树T2能以膨胀数1嵌入到B4中;存在高度为4的完全二叉树T4能以膨胀数1嵌入到B5中.证明如图2所示,T2相邻两点的置换表示对应B4中相邻两点的置换表示.图2:高度为2的完全二叉树T2T4相邻两点的置换表示对应B5中相邻两点的置换表示,如图3所示.图3:高度为4的完全二叉树T4以下给出一种构造完全二叉树的方法,步骤如下:1) 给定一顶点123···n,并以它作为根;2) 从根123···n出发,分别把数字2前移一位,数字3前移一位,这就得到了完全二叉树第1层的两个顶点213···n,1324···n;3) 再从顶点213···n和1324···n出发,分别把数字3前移一位,数字4前移一位,就得到了完全二叉树第2层的四个子顶点,对应分别是2314···n,21435···n,31245···(n −1)n,134···(n−1)n,即如图4所示;图4:完全二叉树T24) 继续下去,第i层的所有顶点都是具有x1x2···xi−1xixi+1(i+2)(i+3)···n 或y1y2···yi−1yi(i+2)yi+2(i+3)···n的形式,对x1x2 ···xi−1xixi+1(i+2)(i+3)···n和y1y2 ···yi−1yi(i+2)yi+2(i+3)···n中的i+2,i+3分别前移一位就得到了第i+1层的顶点,对应分别是x1x2···xi−1xi(i+2)xi+1(i+3)···(n−1)n,x1x2 ···xi−1xixi+1(i+3)(i+2)···(n−1)n,y1y2···yi−1(i+2)yiyi+2(i+3)···n和y1y2···yi−1yi(i+2)(i+3)yi+2(i+4)···n,即如图5所示;图5:完全二叉树T15) 直到树的第n−3层,此时第n−3层的所有顶点都是具有a1a2···an−4an−3an−2(n−1)n或b1b2···bn−3(n − 1)bn−1n的形式,对a1a2···an−4an−3an−2(n − 1)n和b1b2···bn−3(n −1)bn−1n中的n−1,n分别前移一位就得到了n−2层的顶点,对应分别是a1a2···an−4an−3(n−1)an−2n,a1a2···an−4an−3an−2n(n−1),b1b2···(n−1)bn−3bn−1n和b1b2···bn−3(n−1)nbn−1.定理2 设n≥2,则存在高度为n−2的完全二叉树Tn−2能以膨胀数1嵌入到Bn 中.证明完全二叉树Tn−2相邻两顶点的置换表示对应Bn中相邻两顶点的置换表示.n=2时,T0的顶点12是B2的其中一个顶点;n=3时,T1的根是123,左子点213,右子点132这正好对应B3中的3个点,即如图6所示.图6:完全二叉树T1n≥4,用上述算法可得到完全二叉树Tn−2能嵌入到Bn中.下面证明这种方法嵌入的完全二叉树膨胀数为1.用归纳假设法证明.设完全二叉树Tn−2能以膨胀数1嵌入到Bn中,现在考察Bn+1的情况:用上述算法,已知第n−2层的点具有x1x2···xn−3xn−2xn−1n(n+1)或y1y2···yn−3yn−2n yn(n+1)的形式,对x1x2···xn−3xn−2xn−1n(n+1)和y1y2···yn−3yn−2nyn(n+1)中的n+1,n分别前移1位就得到了n−1层的顶点,对应分别是x1x2···xn−3xn−2nxn−1(n+1),x1x2···xn−3xn−2xn−1(n+1)n,y1y2···yn−3nyn−2 yn(n+1)和y1y2···yn−3yn−2n(n+1)yn.显然第n−1层顶点互不相同,且与第n−2层的顶点也不相同.由归纳假设前n−1层的顶点互不相同,且膨胀数为1,说明第n−1层顶点与前n−1层顶点是互不相同的,这样构造的完全二叉树Tn−1膨胀数为1.定理3 存在高度为n−1的完全二叉树Tn−1(n≥5)能以膨胀数1嵌入到Bn中.证明构造Tn−1到Bn的嵌入步骤如下:1) 给图3的每个顶点置换表示加后缀6···(n−1)n,形成一个新的图T′4;2) 把顶点123456···n作为根,构作完全二叉树;3) 取定的第4层中每个顶点置换的数字5前移一位,数字6前移一位,这就得到了完全二叉树第5层的顶点置换表示;4) 继续下去,第i层的所有顶点都是具有x1x2···xi−1(i+1)xi+1(i+2)(i+3)···n或y1y2···yi−1yi(i+1)(i+2)(i+3)···n的形式,对x1x2 ···xi−1(i+1)xi+1(i+2)(i+3)···n 和y1y2···yi−1yi(i+1)(i+2)(i+3)···n中的i+1,i+2分别前移一位就得到了第i+1层的顶点,对应分别是x1x2···(i+1)xi−1xi+1(i+2)(i+3)···(n−1)n,x1x2···xi−1(i+1)(i+2)xi+1(i+3)···(n−1)n ,y1y2···yi−1(i+1)yi(i+2)(i+3)···n和y1y2···yi−1yi(i+2)(i+1)(i+3)···n,即如图7所示;图7:完全二叉树T15) 直到树的第n−2层,此时第n−2层的所有顶点都是具有a1a2···an−3(n−1)an−1n或b1 b2···bn−3bn−2(n − 1)n的形式,对a1a2···an−3(n − 1)an−1n和b1b2···bn−3bn−2(n − 1)n中的n−1,n分别前移一位就得到了第n−1层的顶点,对应分别是a1a2···(n−1)an−3an−1n,a1a2···an−3(n − 1)nan−1,b1b2···bn−3bn−2n(n − 1)和b1b2···bn−3(n − 1)bn−2n.这就得到一棵高度为n−1的膨胀数为1的完全二叉树Tn−1.定理4 存在高度为3的同根完全二叉树ST3,能以膨胀数1嵌入到B5中.证明如图8所示,ST3相邻两点的置换表示对应B5中相邻两点的置换表示.图8:同根完全二叉树ST3定理5 存在高度为n−2的同根完全二叉树STn−2能以膨胀数1嵌入到Bn中.证明构造STn−2到Bn的嵌入步骤如下:1) 给图8的每个顶点置换表示加后缀6···(n−1)n,形成一个新的图ST3′;2) 构造一棵以顶点123456···n作为根的膨胀数1的同根完全二叉树;3) 取定ST3′的第3层中每个顶点置换的前4个数,由此可得到Bn的16个Bn−4子图,即1425×××,4123×××,2145×××,1254×××,1352×××,1324×××,1523×××,215 3×××,2341×××,3214×××,2413×××,1243×××,3125×××,3142×××,1432×××和1345×××,显然这16个子图互不相同;4) 应用定理3,Tn−5能以膨胀数1嵌入到Bn−4中,且Tn−5的顶点置换表示可通过定理3完全二叉树的构造获得;5) 对已获得的Tn−5的顶点置换表示分别应用置换可获得4棵顶点置换表示互补相同的完全二叉树分别记为6) i) 在的每个顶点置换表示分别加前缀1425,2145,1254就得到3棵分别以142536···(n −1)n,214536···(n−1)n和125436···(n− 1)n为根的高度为n−5的完全二叉树;ii) 在的每个顶点置换表示上分别加前缀1352,1523,2153,3125就得到分别以135246···(n − 1)n,152346···(n − 1)n,215346···(n − 1)n和312546···(n − 1)n为根的高度为n−5的完全二叉树;iii)在的每个顶点置换表示分别加前缀4123,1324,2341,3214,2413,1243,3142,1432就得到7棵分别以412356···(n−1)n,132456···(n−1)n,234156···(n−1)n,321456···(n−1)n,241356···( n−1)n,124356···(n−1)n,314256···(n−1)n和143256···(n−1)n为根的高为n−5的完全二叉树;iv) 在的每个顶点置换表示分别加前缀1345,就得到4棵分别以134526···(n−1)n,215436···(n−1)n为根的高为n−5的完全二叉树.整合以上各步,就得到了一棵以123···(n−1)n为根的完全二叉树STn−2,由定理3知,这样构作的完全二叉树膨胀数为1.定理6 存在高度为3的双根完全二叉树DT3能以膨胀数1嵌入到B5中.证明 DT3相邻两点的置换表示对应B5中相邻两点的置换表示,如图9所示.图9:双根完全二叉树DT3定理7 存在双根完全二叉树DTn−2能以膨胀数1嵌入到Bn中.证明构造DTn−2到Bn的嵌入步骤如下:1) 给图9的每个顶点置换表示加后缀6···(n−1)n,形成一个新的图DT3′;2) 构造一棵以顶点123456···n作为根的膨胀数1的同根完全二叉树;3) 取定DT3′的第4层中每个顶点置换的前4个数,由此可得到Bn的16个Bn−4子图,即4123×××,1425×××,2145×××,1254×××,2315×××,2341×××,2153×××,123 5×××,3241×××,3215×××,3152×××,1325×××,1435×××,1354×××,3412×××和3145×××,显然这16个子图互不相同;4) 应用定理3,Tn−5能以膨胀数1嵌入到Bn−4中,且Tn−5的顶点置换表示可通过定理3完全二叉树的构造获得;5) 对已获得的Tn−5的顶点置换表示分别应用置换可获得4棵顶点置换表示互补相同的完全二叉树分别记为6) i) 在的每个顶点置换表示分别加前缀4123,2341,3241和3412就得到四棵分别以412356···(n−1)n,234156···(n−1)n,324156···(n−1)n和341256···(n−1)n为根的高度为n−5的完全二叉树;ii)在的每个顶点置换表示上分别加前缀1425,2145,1254就得到以142536···(n−1)n,214536···(n−1)n和125436···(n−1)n为根的高度为n−5的完全二叉树;iii) 在的每个顶点置换表示分别加前缀2315,2153,1235,3215,3152和1325就得到6棵分别以231546···(n − 1)n,215346···(n − 1)n,123546···(n −1)n,321546···(n −1)n,315246···(n−1)n和132546···(n−1)n为根的高为n−5的完全二叉树;iv) 在的每个顶点置换表示分别加前缀1435,1354,3145就得到3棵分别以143526···(n −1)n,135426···(n−1)n和314526···(n−1)n为根的高为n−5的完全二叉树.整合以上各步,就得到了一棵以123···(n−1)n为根的完全二叉树DTn−2,且这样构作的完全二叉树膨胀数为1.4 结束语文中给出了完全二叉树Tn−1,同根完全二叉树STn−2和双根完全二叉树DTn−2能以膨胀数1嵌入到Bn中的具体方法,但是能以膨胀数1嵌入到Bn中的这三类完全二叉树的最大高度是多少,是我们今后需继续加以讨论的问题.参考文献:[1]Bouabdallah A,Heydemann M C,Opatrny J,et al.Embedding complete binary tress into star and pancake graphs[J].Theory of Computing Systems,1998,31(3):279-305[2]Bagherzadeh N,Dowd M,Nassif N.Embedding an arbitrary binary tree into star graph[J].IEEE Transactions on Computers,1996,45(4):475-481 [3]Tseng Y C,Chen Y S,Juang T Y,et al.Congestion-free,dilation-2 embedding of complete binary trees into stargraphs[J].Networks,1999,33(3):221-231[4]徐俊明.组合网络理论[M].北京:科学出版社,2007 Xu J M.Combination Network Theory[M].Beijing:Science Press,2007[5]高随祥.图论与网络流理论[M].北京:高等教育出版社,2009 Gao S X.Graph and Network Flow Theory[M].Beijing:Higher Education Press,2009 [6]师海忠.互连网络的代数环模型[D].北京:中国科学院应用数学研究所,1998 Shi H Z.A ring-thoretic model for interconection network[D].Beijing:Institute of Applied Mathematics,Chinese Academy of Sciences,1998[7]Akers S B,Krishnamurthy B.A group-theoretic model for symmetric interconnection networks[J].IEEE Transactions onComputers,1989,38(4):555-565[8]Araki T,Kikuchi Y.Hamiltonian lace ability of bubble-sort graphs with edge faults[J].Information Sciences,2007,177(13):2679-2691[9]Kikuchi Y,Araki T.Edge-bipancyclicity and edge-fault-tolerant bipancyclicity of bubble-sort graphs[J].Information PricessingLetters,2006,100(2):52-59[10]Lakshmivarahan S,Jwo J S,Dhall S.Symmetric in interconnection networks based on Cayley graph of permutation groups:a survey[J].Parallel Computing,1993,19(4):361-407[11]Konstantinova E.Vertex reconstruction in Cayley graphs[J].Discrete Mathematics,2009,309(3):548-559。

一种基于遗传算法在编排课程表中的应用

一种基于遗传算法在编排课程表中的应用

一种基于遗传算法在编排课程表中的应用
乔岸红
【期刊名称】《电脑知识与技术》
【年(卷),期】2008(004)033
【摘要】课程表排课安排和管理是每个学校教务活动中非常重要的工作,它依靠计算机来完威复杂的排课部分,避免了手工排课产生的老师上课时间冲突和教室冲突.该文运用遗传算法的全局寻优对自动排课系统的设计构思和实现过程进行了研究,并利用遗传算法对问题进行求解.在演化过程中采用一种新的遗传策略,加速了群体的收敛速度.并得到了一个解决适合学校要求的课程表模型的好的算法.
【总页数】3页(P1463-1465)
【作者】乔岸红
【作者单位】嘉兴学院,浙江,嘉兴,314001
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.一种改进的基于实数编码的遗传算法以及在水库调度中的应用 [J], 杨延伟
2.一种改进遗传算法在基于形态学图像边缘提取中的应用 [J], 张华清;排新颖
3.一种改进的遗传算法在矩形排样问题中的应用 [J], 王竹婷
4.一种基于遗传算法的钣金零件排样算法 [J], 潘为民; 张磊; 李梦晗; 齐淑生
5.一种基于并行交叉遗传算法的二维不规则排样问题求解 [J], 王静静;瞿少成;李科林
因版权原因,仅展示原文概要,查看原文内容请购买。

一种基于QAAR-树的空间索引方法

一种基于QAAR-树的空间索引方法

一种基于QAAR-树的空间索引方法
王宏艳;刘永山
【期刊名称】《燕山大学学报》
【年(卷),期】2010(034)005
【摘要】针对QCR-树聚类个数需事先确定和处理高维空间数据时面临着"维数灾难"的问题,通过自动确定K-means算法的聚类个数和初始聚类中心,来提高聚类质量,并对原始高维空间数据进行近似压缩来减少磁盘读写代价,提高查询效率,提出一种QAAR-树空间索引结构,同时给出QAAR-树的插入、删除和查询算法.实验结果表明,QAAR-树的查询性能优于QCR-树,能够有效地处理海量高维空间数据.
【总页数】7页(P431-437)
【作者】王宏艳;刘永山
【作者单位】燕山大学经济管理学院,河北秦皇岛,066004;燕山大学信息科学与工程学院,河北秦皇岛,066004
【正文语种】中文
【中图分类】TP311.131
【相关文献】
1.一种基于R-树的空间索引结构 [J], 刘润涛;安晓华;高晓爽
2.DPslR+:一种基于动态空间槽的分布式并行空间索引树 [J], 左朝树;刘心松;陈小辉;顾攀
3.QR-树:一种基于R-树与四叉树的空间索引结构 [J], 张芩;王振民
4.基于R树空间索引的AutoCAD图形文件快速裁剪方法 [J], 史蕾
5.一种改进的真三维R树空间索引方法 [J], 朱庆;龚俊
因版权原因,仅展示原文概要,查看原文内容请购买。

老师 也许就是那个“大麦穗”

老师 也许就是那个“大麦穗”

老师也许就是那个“大麦穗”
王霞
【期刊名称】《河南教育:基教版》
【年(卷),期】2006(000)10S
【摘要】看到本期话题,去年的一幕立刻浮现在我眼前:一天,我正在班上上数
学自习课,同头课的李老师领着两个学生来到我班:“王老师,这两个学生想跟着你上课,我把他们交给你得了。

”说完他扭头走了。

面对突如其来的变故,我故作镇定地问他们:“真的想来我班吗?”他俩使劲地点点头。

“那就先坐在班里吧!”然后我又问同学们:“我们班的同学想不想也换一位数学老师?”“当然想了。

”声音虽然不大,但足以代表部分同学的心声。

【总页数】1页(P26)
【作者】王霞
【作者单位】济源市天坛区宋庄实验小学
【正文语种】中文
【中图分类】G42
【相关文献】
1.大还是小?也许不仅是这个问题 [J], 臧否
2.言意兼得:寻找教学中“最大的麦穗”——评俞霞老师执教的《埃及的金字塔》[J], 林春曹
3.也许——送给所有曾经或正在承职院(原名承大)就读的校友们 [J], 张爱凤
4.基于线粒体Cyt b分析入侵云南四大水系的麦穗鱼群体遗传结构 [J], 杨丽萍; 聂
国兴; 胡俊仪; 秦超彬; 张玉茹; 卢荣华; 孟晓林; 杨国坤; 闫潇; 职韶阳
5.老师,学生给你的时间也许只有6秒 [J], 猫头鹰老师
因版权原因,仅展示原文概要,查看原文内容请购买。

通用在线考试系统智能组卷遗传算法设计

通用在线考试系统智能组卷遗传算法设计

学 模 型 %本 系 统 确 定 组 卷 的 几 个 重 要 约 束 条 件 如 下 几 个 &试 卷 总 分 值 约 束 "考 试 时 间 约 束 "题 型 和 各 题
性的设置要满足经典测量理论的需求'($)试题 属 性 型的题量约束"考 试 范 围 约 束"知 识 点 分 数 分 布 约
的设置以能把整套 试 卷 中 的 试 题 的 情 况 说 清 楚 即 束"试卷的难度约束"试卷的区分度约束&区别不同
的一个属性'对于本系统而言%/ 为'%这'个属性依 次是&题号*题型*分数*难度*知识点和曝光度'
在线考试系统的功能特点及组卷的原则%本文建立 =;=!组卷的约束条件
了一个适合于本系统的多目标优化组卷数学模型'
依据前述智能组卷基本原则及构建的组卷数
=><! 试 题 属 性 的 确 定 通 过 遗 传 算 法 高 效 精 确 地 完 成 组 卷 时 %试 题 属
关 键 词 智 能 组 卷 遗 传 算 法 组 卷 数 据 模 型 组 卷 流 程 通 用 在 线 考 试 系 统 中 图 分 类 号 1P!&&>&!! ! ! ! ! ! 文 献 标 识 码 9
K0%1J("+F(&0**1J0(&20%&L-R0)H0(0)-&1(JH0(0&1/ ,*J")1&:3+")'"33"(S(*1(0IE-31(-&1"(86%&03
B'
计算技术与自动化

一种改进BP网络学习算法

一种改进BP网络学习算法

一种改进BP网络学习算法
蔡满军;程晓燕;乔刚
【期刊名称】《计算机仿真》
【年(卷),期】2009(0)7
【摘要】针对BP神经网络的原始算法收敛速率慢、学习精度低、训练过程易陷入局部极小值问题,为解决上述问题,提出一种以变学习率BP算法为基础的改进算法,通过区分隐层和输出层的学习率,并用交叉熵作性能函数,提高算法的学习精度和训练速度,并经过数学推导,得到改进箅法的实现公式.将改进算法应用于奇偶数判别问题进行仿真,仿真实验结果与其它类似的方法进行比较后,发现改进算法大大降低了网络迭代次数,缩短了网络的训练时间,提高了训练精度,验证了该算法的有效性.【总页数】3页(P172-174)
【作者】蔡满军;程晓燕;乔刚
【作者单位】燕山大学工业计算机控制工程学院,河北秦皇岛,066004;燕山大学工业计算机控制工程学院,河北秦皇岛,066004;燕山大学工业计算机控制工程学院,河北秦皇岛,066004
【正文语种】中文
【中图分类】TP183
【相关文献】
1.BP神经网络学习算法的改进及应用 [J], 余妹兰;匡芳君
2.基于改进的PSO与BP前馈神经网络学习算法在入侵检测中的应用 [J], 顾同跃
3.一种改进的BP网络学习算法 [J], 郭艳兵;齐占庆;王雪光
4.改进自适应遗传算法在BP神经网络学习中的应用 [J], 李孝忠;张有伟
5.基于改进BP算法在深度神经网络学习中的研究 [J], 黄培
因版权原因,仅展示原文概要,查看原文内容请购买。

分布式计算平台Hadoop框架解析

分布式计算平台Hadoop框架解析

分布式计算平台Hadoop框架解析
阳柳
【期刊名称】《信息系统工程》
【年(卷),期】2016(0)6
【摘要】随着数据呈指数爆炸式的增长,如何处理大批量数据是一个新兴课题.分布式计算是近年提出的一个新概念,这是一个革命性的创新,本文介绍了分布式计算平台的计算框架,包括HDFS、MapReduce、Hadoop三者的原理及优点.
【总页数】1页(P28)
【作者】阳柳
【作者单位】贵州电子信息职业技术学院计算机科学系
【正文语种】中文
【相关文献】
1.基于Hadoop分布式计算平台的磁流体动力学模型仿真研究 [J], 刘继华;强彦
2.Hadoop技术在智慧校园分布式数据存储和计算平台中的应用研究 [J], 张燕玲;拜亚萌
3.分布式计算平台Hadoop [J], 柯研;马凯;郑钰辉
4.云计算平台中分布式Hadoop数据挖掘关键技术研究 [J], 何婕;赖敏
5.分布式计算平台Hadoop [J], 柯研[1];马凯[1];郑钰辉[1]
因版权原因,仅展示原文概要,查看原文内容请购买。

加拿大木业发布在线学习培训系统--引领木结构建筑在线教育

加拿大木业发布在线学习培训系统--引领木结构建筑在线教育

加拿大木业发布在线学习培训系统--引领木结构建筑在线教育佚名
【期刊名称】《建设科技》
【年(卷),期】2016(000)005
【总页数】1页(P45-45)
【正文语种】中文
【相关文献】
1.加拿大木业主办木结构和预制装配化研讨会——r助推中国建筑装配化发展 [J],
2.加拿大木业助力中国木结构建筑发展 [J],
3.绿色·环保·高效节能——加拿大木业协会质量技术总监Greg Hoing谈木结构建筑优势 [J], 孙海燕
4.共推装配式木结构进入主流建筑市场加拿大木业与上海建工五建集团签订合作谅解备忘录 [J],
5.木结构建筑营造安全节能家园——加拿大木业协会媒体见面会 [J],
因版权原因,仅展示原文概要,查看原文内容请购买。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

的矩阵Bk,称为对应于结点vk的基本关联矩阵。
[定理3-2-4] 若Bk是连通图 G=(V,A)的基本关联矩阵,
C= {a1,a2,…,al}(aiA, i=1…l )构成G中的某条
回路,则C的各边对应的Bk的各列向量线性相关。 [证明] (下页)
15
3.2 关联矩阵
[例] 圈a4,, a5, a6 对应的列线性相关
27
3.4 有根树
[有向树] 一个弱连通有向图,若去掉方向后得到一棵树,则称
此有向图为一棵有向树,记为T。 [有根树] 一棵有向树T,若其中有且仅有一个结点v0的入度为0, 其余结点的入度为1,则称T是一棵以v0为根的有根树或外 向树。其中出度为0的结点称为有根树的叶子。 [定义] 对有向树 T=(V, A),若 u ,vV且 <u,v> A,则称 u为v 的父亲,v为u的儿子。若从u到v存在有向道路,则称u是v 的祖先,v是u的后代(子孙)。
j2 …jm 行组成的行列式, 是对所有满足 1 j1
j2 … jm n 的排列( j1, j , …, jm )求和。 [证明] (略)
23
3.3 生成树的数目
[例 ]
2 1 1 2 1 A , B 0 1 1 3 1 1 1 1 2 2 1 1 1 2 1 2 1 0 1 det( AB ) 1 3 0 1 1 1 1 1 3 1 1 1 13
第三章 树
1
3.1 树的基本概念
[树] 连通图G=(V,E),若G中不含任何回路,则称G为树。|V|=1时称之为平
凡树。
[有向树] 一个弱连通有向图,若去掉方向后得到一棵树,则称此有向图为 一棵有向树,记为T。 [割边] 图 G=(V,E) 中,eE。设 G=(V,E{e}),若G 的连通分支数目比G多 1,则称e为G的一条割边。
[生成树] G=(V,E),若G的一个生成子图是一棵树,
G中在T中的边称为(关于T的)树枝,G中不在T
中的边称为(关于T的)弦。G中的所有结点和弦 构成的子图称为(关于T的)余树。 余树不一定是树。
5
3.1 树的基本概念
[定理3-1-3] 任何连通图至少有一棵生成树。 [证明] 破圈法构造 [推论1] 设G=(V,E)连通,则|E||V|1 。
6
3.2 关联矩阵
[关联矩阵] G=(V,A)中,设V={v1,v2,…,vn}, A={a1, a2,…, am},令 B=(bij)nm,其中 1 aj=<vi,vk>A
bij=
1
0
aj=<vk,vi>A
其它
称B为G的关联矩阵。
7
3.2 关联矩阵
[例 ]
v7 a6 a5 v5
a4
v4 a1
r(B)=n-1,n=|V|。
[证明] 因为r(B)n-1, 只要证明 r(B) n-1。设在B中最少的行 向量线性相关数是l,不妨设此线性相关向量组为 V1,
V2, … , Vl。
即存在不为0的ki,i=1,2,…,l,使得 k1V1+ k2V2+… + klVl = 0 由于B中每列只含一个+1和一个-1,欲使上式成立,由行向量 V1, V2 , … , Vl 构成的矩阵的每列必须同含+1和-1元,或只 含0元。 12
v2 a5
a6
v4
a1,a2,,a4对应的子 式为0,a1,a4,a5对 应的子式为1
22
图的关联矩阵 B
3.3 生成树的数目
[定理3-3-1](Binet-Cauchy) 已知A=(aij)mn,B=(bij)nm ,
且 mn,则:
det( AB ) Aj B j
( j)
其中,Aj 是从A中取第 j1, j2 …jm (1 j1 j2 … jm n ) 列组成的行列式, Bj 是从B中取第 j1,
10
3.2 关联矩阵
[定理3-2-2] 图G的关联矩阵B中任一k阶方阵的行列式值为0、
+1或-1。
[证明] 设Bk为B中任有+1和-1,则 Bk不满秩,det(Bk)=0;
② Bi中有某一列只含一个+1或-1,按此列作展开,得到一个
v7 a6 a5 v5
a4
v4 a1
v1
v6
a3 a2
v2
v3 16
a4,, a5, a6 对应的列矩阵各行或者含1和-1,或者全为0
3.2 关联矩阵
[证明] 设B、Bk中与C各边对应的列向量分别构成矩阵 Dnl 、 Dk (n1)l 。
C最多经过 l 个结点,故D中最多有 l 个非0行向量。经
深度同为i 的结点构成树的第i 层;
具有最大深度的结点的深度称为树的深度(高
度)。
30
3.4 有根树
[有序树] 将各树的每个结点的所有儿子按次序排列,
称这样的根树为有根有序树。
有序树的每个结点的出度小于或等于m时,称为m
叉有序树。
有序树的每个结点的出度只为 0或 m 时,称为m
叉正则有序树。
时 lk=l -1,即D1k中最多有l -1个非0行向量,故
r(D1k) l -1 ,或 r(D1k) < l 。 综上,r(D1k) < l ,即D1k中的列向量线性相关,故D中的列向 量也线性相关,定理得证。 [定理3-2-4] 揭示了图的回路与基本关联矩阵之间存在着内 在联系。 18
3.2 关联矩阵
1 1 1 1 0 0 1 0 1
a11 a12
1
0 1 0 0 1 0 1 1 0
a21 albl
28
3.4 有根树
• 根树通常画成倒长的; • 一个 结点的子结点画在它 的下一层,边的方向省略; • “同辈兄弟”画在同一层。
29
3.4 有根树
[树的高度] 设有根树 T=(V, A),v0为树根。u V的
深度是从v0 开始到达u的有向路的长度,T的高度
是从v到T的叶子的最长路的长度。
根结点深度为0,称为第0层;
(续)作适当列交换,得:
V1 V2 : Vl
C0
V1 : Vl Vl+1 : Vn
其中C式每列同含+1和-1。故原关 联矩阵B 经过上述列交换可得分块矩阵 如图所示. 如果 l n-1, 此时 G 非连
通,矛盾。故 ln.
故 r(B) n-1
C 0 0 D
14
3.2 关联矩阵
[基本关联矩阵] 从连通图 G=(V,A)的关联矩阵Bnm中 去掉与结点vkV对应的一行,得到一个 (n-1)m
[定理3-2-5] 连通图 G=(V,A),n=|V|,其基本关联矩
阵Bk的任一(n-1)阶子式非零的充要条件是:该子
式各列对应的图G的边构成G的一棵生成树。
[证明]
结合[定理3-2-4]:若此n-1条弧中存在回路,则回 路对应于Bk中相应的列向量线性相关,此n-1条弧 对应于Bk中相应的列向量也线性相关,该(n-1)阶 子式为零,矛盾。
24
3.3 生成树的数目
[定理3-3-2] 设连通图G的基本关联矩阵 Bk,则G的生
成树的数目为 det(BkBkT)
[证明] 由Binet-Cauchy定理有:
det( Bk B ) B j B B
T k T j ( j) ( j)
2 j
Bj为Bk的某(n-1)阶子式。由[定理3-2-5],当且仅
降一阶子式det(Bk-1),且det(Bk)=det(Bk-1)或det(Bk)=det(Bk-1); ③以此类推,直至det(Bk) = det(B2) 或 det(Bk) = -det(B2) ,易 知 B2的值只能为0、+1或-1。 11
3.2 关联矩阵
[定理3-2-3] 连通图 G=(V,A)的关联矩阵B的秩

19
3.2 关联矩阵
充分性:编号法。将该子式各列对应的弧构成的生 成树画成以vk为根的一棵树如图。 vk v11 v21 a11 … …… a1b1 v1b1 a2b2 v2b2 vl bl
20
a21
vl1
…………
3.2 关联矩阵
vk v11 v12 v13 v1b1 v21 vlbl
3.2 关联矩阵
(续)例如,假如 p 列(0<p m, m=|A|)只含一个+1元,该元
所在行为 t 行 (0<t l) ,则有:
k10+ k20+… + kt-10 + kt1 + kt+10 +… + kl0 = 0 此时必须 kt = 0 (t l) ,矛盾。
13
3.2 关联矩阵
过适当重排行序后得到D和Dk形如:
D=
D1 0
l
l行
n-l 行
Dk=
D1k 0
l
lk 行 n-1-lk 行
17
3.2 关联矩阵
① 若C不经过 vk,则从B生成Bk时从D中划去的是全0 (不在
D1中) 的行向量,lk=l,D1k=D1 ,即D1k每列都含+1和-1。
故 D1k不满秩,或 r(D1k) < l ; ② 若C经过vk,则从B生成Bk时从D中划去了D1中的一行,此
[定理3-1-1] 上述e、G中,e是G的一条割边当且仅当e不属于G中任何回路。
2
3.1 树的基本概念
[定理3-1-2] T=(V, E) 是结点数 n=|V| 1 的树,则下述
命题等价:
1) T是无回路的连通图;
相关文档
最新文档