全球导航卫星系统GNSS对流层天顶湿延迟(zenith wet delay,ZWD)随机噪声不仅影响ZWD估计值大小,还会影响ZWD的趋势项变化。为揭示ZWD随机游走过程噪声(random walk process noise,RWPN)的时空变化特征,本文选取全球20个IGS(Internationa...全球导航卫星系统GNSS对流层天顶湿延迟(zenith wet delay,ZWD)随机噪声不仅影响ZWD估计值大小,还会影响ZWD的趋势项变化。为揭示ZWD随机游走过程噪声(random walk process noise,RWPN)的时空变化特征,本文选取全球20个IGS(International GNSS Service)测站,基于JPL(Jet Propulsion Laboratory)、GFZ(Helmholtz-Centre Potsdam-German Research Centre for Geosciences)和CODE(Center for Orbit Determination in Europe)分析中心2010至2020年对流层产品,从不同地理位置和不同时间序列分析GNSS ZWD随机游走过程噪声的变化范围和特征;并且在扣除ZWD的趋势项和主要周期项后,进一步揭示了ZWD残差信号分量构成。结果表明:不同地理位置湿延迟RWPN具有显著差异,年均值范围在0.01~0.146 mm/√s之间,且在大气集中的中低纬地区湿延迟RWPN值较大,在大气相对稀薄的极地地区其值较小;同一测站的湿延迟RWPN具有明显的周年、半周年和季节性特征,极差值高达0.12 mm/√s以上;通过对ZWD残差值分析,发现ZWD残差信号除包含白噪声外,还具有4.8 h至2.43 d的高频信号分量。展开更多
近年来,利用高阶交互信息进行多层网络社区检测已成为复杂网络分析领域的研究热点。尽管多层网络社区检测的研究已取得了一些进展,但大多数方法忽略了网络各层之间的联系。为了解决这一问题,提出了一种模体(motif)感知的自适应跨层游走...近年来,利用高阶交互信息进行多层网络社区检测已成为复杂网络分析领域的研究热点。尽管多层网络社区检测的研究已取得了一些进展,但大多数方法忽略了网络各层之间的联系。为了解决这一问题,提出了一种模体(motif)感知的自适应跨层游走社区检测算法(Motif-aware Adaptive Cross-Layer random walk Community Detection,MACLCD)。该算法充分考虑了多层网络各层内的高阶交互特性以及层间的相关性,有效整合了多层网络的结构信息,提高了社区检测结果的准确性。具体地,首先从网络和节点的角度进行综合度量,揭示网络层间相关性;其次,考虑了各层网络可能具有不同的局部和全局结构特征,利用motif识别各层网络特有的高阶交互结构,构建多层加权混合阶网络;进一步,设计了多层网络跨层游走模型,并引入跳转因子,以确保随机游走能够自适应地遍历多层网络,从而捕获更丰富的网络结构信息。在4个真实的网络数据集上进行实验比较分析,结果表明MACLCD算法在社区检测方面性能较优,相比目前表现最佳的对比算法在ACC和NMI上分别提高了10%和8.9%。展开更多
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...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.展开更多
文摘全球导航卫星系统GNSS对流层天顶湿延迟(zenith wet delay,ZWD)随机噪声不仅影响ZWD估计值大小,还会影响ZWD的趋势项变化。为揭示ZWD随机游走过程噪声(random walk process noise,RWPN)的时空变化特征,本文选取全球20个IGS(International GNSS Service)测站,基于JPL(Jet Propulsion Laboratory)、GFZ(Helmholtz-Centre Potsdam-German Research Centre for Geosciences)和CODE(Center for Orbit Determination in Europe)分析中心2010至2020年对流层产品,从不同地理位置和不同时间序列分析GNSS ZWD随机游走过程噪声的变化范围和特征;并且在扣除ZWD的趋势项和主要周期项后,进一步揭示了ZWD残差信号分量构成。结果表明:不同地理位置湿延迟RWPN具有显著差异,年均值范围在0.01~0.146 mm/√s之间,且在大气集中的中低纬地区湿延迟RWPN值较大,在大气相对稀薄的极地地区其值较小;同一测站的湿延迟RWPN具有明显的周年、半周年和季节性特征,极差值高达0.12 mm/√s以上;通过对ZWD残差值分析,发现ZWD残差信号除包含白噪声外,还具有4.8 h至2.43 d的高频信号分量。
文摘近年来,利用高阶交互信息进行多层网络社区检测已成为复杂网络分析领域的研究热点。尽管多层网络社区检测的研究已取得了一些进展,但大多数方法忽略了网络各层之间的联系。为了解决这一问题,提出了一种模体(motif)感知的自适应跨层游走社区检测算法(Motif-aware Adaptive Cross-Layer random walk Community Detection,MACLCD)。该算法充分考虑了多层网络各层内的高阶交互特性以及层间的相关性,有效整合了多层网络的结构信息,提高了社区检测结果的准确性。具体地,首先从网络和节点的角度进行综合度量,揭示网络层间相关性;其次,考虑了各层网络可能具有不同的局部和全局结构特征,利用motif识别各层网络特有的高阶交互结构,构建多层加权混合阶网络;进一步,设计了多层网络跨层游走模型,并引入跳转因子,以确保随机游走能够自适应地遍历多层网络,从而捕获更丰富的网络结构信息。在4个真实的网络数据集上进行实验比较分析,结果表明MACLCD算法在社区检测方面性能较优,相比目前表现最佳的对比算法在ACC和NMI上分别提高了10%和8.9%。
文摘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.