图Laplacian半监督特征加权用于高光谱波段选择

提出一种利用图Laplacian实现半监督波段选择的方法.该方法首先将标记样本类别信息引入图Laplacian,接着通过广义特征值求解确定投影变换矩阵,最后采用载荷因子对变换矩阵进行系数分析,对波段重要性赋以权值并排序.实验比较了多种波段选择算法,结果表明算法能更好地利用标记样本的类别信息和大量非标记样本中的局部结构信息,性能优于多种波段选择方法.

图Laplacian和自训练用于高光谱数据半监督波段选择

波段选择是数据降维的有效手段,但有限的标记样本影响了监督波段选择的性能。提出一种利用图Laplacian和自训练策略实现半监督波段选择的方法。该方法首先定义基于图的半监督特征评分准则以产生初始波段子集,接着在该子集基础上进行分类,采用自训练策略将部分可信度较高的非标记样本扩展至标记样本集合,再用特征评分准则对波段子集进行更新。重复该过程,获得最终波段子集。高光谱波段选择与分类实验比较了多种非监督、监督和半监督方法,实验结果表明所提算法能选择出更好的波段子集。

基于图Laplacian的多机编队目标跟踪方法

针对多无人机目标跟踪问题中存在的相位协同时间长和跟踪目标速度受限问题,基于图Laplacian方法提出一种分布式多机编队目标跟踪算法。首先,将无人机编队队形控制问题转换为基于旋转、缩放和平移的运动参数组设计问题,并通过设计编队控制律,实现动态编队队形的精准生成与变换。其次,将此编队队形控制方法应用到目标跟踪问题上,通过分析不同目标速度下的跟踪情况建立相应的跟踪模型,实现无人机编队对目标进行快速协同跟踪,并克服跟踪目标速度限制问题。最后,仿真结果验证了所提方法的有效性和优势。

带权图Laplacian矩阵次小特征根下界

谱图理论是图论的重要研究分支,其思想广泛应用于计算机科学的各个领域.带权图Lap lac ian矩阵的次小特征根λn-1的估计被应用于在图像分割和图数据表示中.用代数方法对λn-1的下界进行估计,并讨论非带权图情况下λn-1的下界.

单圈图Laplacian矩阵的最大和次大特征值

设G=(V,E)是一个n阶的连通单圈图,λ1(G),λ2(G)分别是图G的Laplacian矩阵的最大和次大特征值.本文讨论了单圈图的最大和次大特征值与其顶点,悬挂点个数之间的关系,将已有的结论作了改进和推广.

双圈图Laplacian矩阵的谱

分析双圈图的Laplacian矩阵谱和匹配数之间的关系,得到双圈图Laplacian矩阵特征值的分布情况,并利用线图理论给出两个圈均为偶圈的双圈图次大特征值的一种理论求法.

单圈图Laplacian矩阵的谱

文章分析了单圈图的Laplacian矩阵谱和匹配数之间的关系,得到单圈图的Laplacian矩阵特征值的分布情况,并利用线图理论给出了偶单圈图次大特征值的一种理论求法。

关于图Laplacian矩阵的第三个不变因子的一个注记(英文)

设G是n阶简单连通无向图,其中n≥5.证明了图G的Laplacian矩阵的第三个不变因子S3(G)≤n.刻画了满足S3(G)=n,n-1,n-2,n-3的所有简单连通无向图.

单圈图Laplacian矩阵的第k个特征值

单圈图是边数等于顶点数的简单连通图。在树的第k个特征值的基础上,给出了k在某一范围时单圈图第k个Laplacian特征值的上界。

圈长为3的k圈图laplacian矩阵谱的界

设G为n阶的连通k(k 3)圈图,λ1(G)是图G的laplacian矩阵的最大特征值.本文讨论了圈长为3的k圈图的最大特征值与其顶点数及各顶点的悬挂边个数之间的关系.

系统性红斑狼疮并发股骨头坏死危险因素列线图预测模型的建立和验证

背景:股骨头坏死是系统性红斑狼疮患者常见的并发症,若能早期对其发生风险进行预测与验证,将有助于避免或延缓股骨头坏死的发展。目的:分析系统性红斑狼疮患者并发股骨头坏死的危险因素,构建系统性红斑狼疮患者并发股骨头坏死的列线图预测模型并进行验证。方法:回顾性分析2013年1月至2022年12月首次就诊于河南中医药大学第一附属医院的914例系统性红斑狼疮患者的病历资料,根据是否发生股骨头坏死分为发生股骨头坏死组(n=100)和未发生股骨头坏死组(n=814)。采用单因素、LASSO回归和多因素Logistic回归分析筛选和确定系统性红斑狼疮并发股骨头坏死的危险因素。同时将数据集按照7∶3的比例随机分为训练集和测试集,并基于多因素Logistic回归分析结果,构建系统性红斑狼疮并发股骨头坏死的列线图预测模型。同时,使用受试者工作特征曲线、Hosmer-Lemeshow校准曲线和决策曲线对列线图的性能进行评估。结果与结论:①股骨头坏死组与未发生股骨头坏死组患者在系统性红斑狼疮病程、系统性红斑狼疮疾病活动度评分、狼疮性肾炎、呼吸系统受累、胃肠道受累、干燥综合征、骨质疏松、抗核糖核蛋白抗体阳性、补体C3降低、环磷酰胺、吗替麦考酚酯、生物抑制剂、糖皮质激素最大日剂量、糖皮质激素冲击治疗方面差异有显著性意义(P<0.05);②采用LASSO回归分析方法筛选出10个与系统性红斑狼疮并发股骨头坏死风险相关的预测变量,将其纳入多因素Logistic回归分析,结果显示系统性红斑狼疮病程、呼吸系统受累、干燥综合征、骨质疏松、抗核糖核蛋白抗体阳性、环磷酰胺、吗替麦考酚酯、生物抑制剂、糖皮质激素最大日剂量是系统性红斑狼疮患者发生股骨头坏死的独立危险因素(P<0.05);③训练集中预测发生风险的受试者工作特征曲线下面积为0.802(95%CI=0.742-0.862),测试集预测发生股骨头坏死风险受试者工作特征曲线下面积为0.811(95%CI=0.745-0.876);Hosmer-Lemeshow校准曲线拟合度较好(训练集,P=0.447;验证集,P=0.870);决策曲线显示使用列线图预测模型预测系统性红斑狼疮患者发生股骨头坏死的风险是有益的;④月经异常为女性系统性红斑狼疮患者并发股骨头坏死的危险因素之一;⑤此次研究结果提示,系统性红斑狼疮并发股骨头坏死的危险因素是多因素的,同时建立了一个包含9个危险因素的列线图预测模型,可将其用于预测系统性红斑狼疮患者发生股骨头坏死的风险;此外,首次报道了月经异常为女性系统性红斑狼疮并发股骨头坏死的危险因素之一。

Murtagh安全诊断策略联合思维导图构建临床思维在全科教学门诊中的应用

全科教学门诊是培养住院医师规范化培训(简称住培)全科医生临床思维、提升全科诊疗能力的重要培训方法。本文用1例以乏力为主要表现的患者为教学案例,介绍全科教学门诊中采用澳大利亚著名全科医学专家John Murtagh提出的Murtagh安全诊断策略启发住培全科医生对乏力进行诊断与鉴别诊断:(1)引起乏力的常见疾病有哪些?(2)哪些重要疾病是不能忽视的?(3)乏力有什么容易被遗漏的疾病?(4)是否存在潜在的容易被掩盖的疾病?(5)患者是否有话没有说?结合病史、体格检查和实验室检查结果初步诊断为抗中性粒细胞胞浆抗体相关性血管炎引起急进性肾小球肾炎可能性大,及时转诊,肾病理检查确诊乏力的病因为抗中性粒细胞胞浆抗体相关性肾小球肾炎,取得满意疗效。带教老师基于Murtagh安全诊断策略帮助住培全科医生构建乏力鉴别、分析的系统知识框架,从而提升住培全科医生的临床逻辑思维能力和解决临床实际问题的能力;以思维导图为辅助工具,将Murtagh安全诊断策略诊断与鉴别诊断思路可视化、形象化,优化教学效果。

基于血常规炎性指标构建衰弱/衰弱前期发生风险列线图模型研究

背景衰弱是一种常见的老年综合征,与不良临床结局密切相关。目前评估主要依赖各种量表,缺乏统一的金标准。慢性炎症作为衰弱的病理生理机制之一,血常规炎性指标简单易获得,关于血常规炎性指标和衰弱之间的相关研究较少。目的探讨体检老年人血常规炎性指标和衰弱的相关性,分析衰弱的影响因素并构建衰弱发生风险的预测模型。方法选取2020年8月—2022年9月于首都医科大学附属北京友谊医院医疗保健中心行健康体检的老年人。收集研究对象的一般资料、体检实验室检查数据,并采用FRAIL量表评估衰弱。采用单因素及多因素Logistic回归分析探讨衰弱的影响因素并建立列线图预测模型,采用Bootstrap进行模型内部验证。使用受试者工作特征(ROC)曲线、Hosmer-Lemeshow校准曲线和临床决策曲线分析(DCA)评价预测模型的区分度、校准度及预测模型的临床有效性。结果共纳入554例老年人,其中衰弱/衰弱前期213例(38.4%)。多因素Logistic回归分析结果显示,年龄校正的查尔森合并症指数(ACCI)(OR=1.42,95%CI=1.21~1.66)、简易营养筛查量表(MNA-SF)评分(OR=0.71,95%CI=0.61~0.83)、血红蛋白与红细胞体积分布宽度比值(HRR)(OR=0.44,95%CI=0.23~0.86)及多重用药(OR=0.54,95%CI=0.36~0.81)是老年人衰弱/衰弱前期的独立影响因素(P<0.05)。基于多因素Logistic回归分析中的影响因素构建衰弱预测模型,该模型预测老年人衰弱/衰弱前期的ROC曲线下面积(AUC)为0.719(95%CI=0.675~0.764),Bootstrap重抽样法进行内部验证后,列线图模型拟合度较好;Hosmer-Lemeshow校准曲线拟合度较好(P>0.05);DCA显示当患者的阈值概率为0.15~0.95时,使用列线图模型预测衰弱发生风险更有益。结论共病、多重用药、营养不良及HRR是老年人衰弱/衰弱前期的影响因素,构建的预测模型具有良好的区分度、一致性与临床实用性,可为衰弱/衰弱前期早期筛查提供指导。

“一般现在时”语法教学中思维导图的运用

思维导图作为一种可视化教学工具,日益受到教育 界的关注。在“一般现在时”语法教学中,传统的教学方法 往往侧重于机械记忆和规则套用,而忽视了学生的认知 特点和思维发展。思维导图的引入,旨在通过图形化的表 达方式,帮助学生更直观地理解语法结构,提升学习兴趣 和效率。本研究旨在探讨思维导图在“一般现在时”语法 教学目标设计、内容筛选及新知教学中的具体应用,以期 为英语教学提供新的思路和方法。

全髋关节置换后的低蛋白血症:危险因素及列线图预测模型建立

背景:患者接受全髋关节置换后多发低蛋白血症,影响术后愈合及康复。目的:探讨及筛选全髋关节置换后发生低蛋白血症的危险因素,建立列线图为临床中判断全髋关节置换后是否发生低蛋白血症提供指导。方法:共纳入行全髋关节置换患者355例,根据术后第1天是否出现低蛋白血症分为低蛋白血症组238例、正常组117例,低蛋白血症发生率为67%。收集患者年龄、性别、糖尿病、高血压、高尿酸血症、高血脂、麻醉方式、置换前白细胞、置换前红细胞、置换前血红蛋白、置换前血小板、置换前血浆凝血酶原时间、置换前活化部分凝血酶原时间、置换前国际标准化比值、置换前凝血酶时间、置换前纤维蛋白原、置换前血沉、置换前C-反应蛋白、置换前D-二聚体、置换前平均红细胞血红蛋白含量、置换前平均红细胞体积、手术时间、体质量指数、置换前降钙素原、置换前红细胞压积等资料。利用SPSS 27.0软件进行单因素分析,随后利用R语言(4.3.1)再次对观察指标进行最小绝对收缩和选择算子回归分析及10倍交叉验证,取二者危险因素交集,使用SPSS 27.0进行多因素二元Logistic回归分析得到最终危险因素,通过R语言构建全髋关节置换后低蛋白血症的预测模型,并构建受试者特征曲线曲线、校准曲线、临床决策曲线评估预测模型预测能力。结果与结论:①经过单因素分析、最小绝对收缩和选择算子回归、多因素二元Logistic回归,筛选出年龄(OR=1.024,P=0.023)、置换前血小板(OR=0.995,P=0.028)、置换前血沉(OR=1.031,P=0.045)在判断置换后是否会发生低蛋白血症方面具有统计学意义(P<0.05);②基于多因素Logistic回归所筛选出的最终危险因素构建列线图预测模型,并通过构建受试者特征曲线评估模型预测能力,经计算受试者工作特征曲线的曲线下面积达到0.835(95%CI=0.779-0.891),C-index=0.835,经临床决策曲线计算,模型在阈值为0-0.83可带来更好的临床效能,该预测模型具有良好的灵敏度与准确性,可为医护人员及患者在全髋关节置换前更好地识别置换后发生低蛋白血症的风险。

多通道Laplacian矩阵融合的超图直推学习模型

超图直推学习模型是机器学习领域研究热点.超图模型的性能取决于构造的超图结构及其Laplacian矩阵的质量.现有超图模型基于单一超图结构,信息表达能力有限.本文提出超图结构扩张法,将异构超图的关联矩阵和权重矩阵拼接,融合更多的顶点间全局高阶信息,增加Markov随机游走的扩散范围.但这会导致矩阵维度高,计算开销大.因此进一步提出多通道Laplacian矩阵融合法,用多个通道计算异构超图结构各自的Laplacian矩阵,再加权累加.在4个数据集上的实验表明,两种方法都能提高超图直推学习模型的分类性能,且Laplacian矩阵融合法比结构扩张法平均节约40%左右时间成本,F1指标最高提升8.4%.

一类单圈图的Laplacian谱刻画

针对哪些图可由它们的谱刻画这一问题,在lollipop图和图H(n;q,n1,n2)的基础上定义了一类新的图类,符号表示为H(n;q,n1,n2,n3),它是通过在圈Cq的同一个顶点上连接3条悬挂路Pn1、Pn2、Pn3而得到的顶点数为n的单圈图.首先,证明了此图类中,如果2个图形不同构,那么它们必定具有不同的Laplacian谱.在此结论的基础上,证明了图H(n;q,n1,n2,n3)可由它的Laplacian谱刻画.

基于Laplacian算子的图像增强

使用Laplacian算子检测图像的边缘纹理等细节信息,然后以适当比例线性叠加原始图像和细节信息,从而完成图像增强。不同增强方法的比较试验表明,基于Laplacian算子的图像增强方法既能增强图像的高频分量,又能保持图像的低频分量,是图像增强的有效方法。

一种基于Laplacian矩阵的图像匹配算法

文章提出了一种基于Laplacian矩阵的图像特征匹配算法。首先分别构造两幅图像特征点集的Laplacian矩阵,并对这两个矩阵进行奇异值分解(SVD),然后利用分解的结果构造出一个反应特征点之间匹配程度的关系矩阵,最后根据关系矩阵实现两幅图像的特征点匹配。大量实验结果表明,该文所提出的算法具有较高的匹配精度。

图的Laplacian谱半径界的可达性

设G为n阶连通的简单图 ,ρ(G)为图G的邻接谱半径 ,μ(G)表示G的Laplacian谱半径。(d1,d2 ,… ,dn) (其中d1≥d2 ≥…≥dn)为G的顶点度序列 ,令r=max{d(u) +d(v) ｜ (u ,v) ∈E(G) } =d(x) +d(y) ,s=max{d(u) +d(v)｜ (u ,v) ∈E(G) - (x ,y) }。该文证明了μ(G)上下界的可达性 :μ(G) =μ≤ 2 + ρ(LG) ,等式成立当且仅当G是偶图。μ(G)≤ 2 + (r- 2 ) (s- 2 ) ,成立等式当且仅当G为半正则偶图或P4 。μ(G)≥d1+ 1,成立等式当且仅当d1=n- 1。