基于时变特性的多层脑网络拓扑属性分析及脑疾病分类

多层脑功能网络已经广泛应用于疾病的诊断。现有研究大多利用动态功能连接的改变诊断疾病,极少探索多层网络拓扑属性对疾病分类的影响。目前主要通过计算所有单层网络拓扑属性的均值或标准差来表征多层网络拓扑属性,但这忽略了有代表性的特定属性值及拓扑属性整体分布情况的影响。因此,提出基于统计指标的多视角多层脑网络拓扑属性计算方法,综合表示网络的拓扑结构。具体来说,在现有方法的基础上,引入极差、相对极差、离散系数计算多层网络拓扑属性,并用于疾病的分类。结果显示,无论是自闭症还是阿尔兹海默症的诊断,基于相对极差、离散系数视角的分类准确率均显著高于传统方法。这表明,本研究所提出的方法有效提高了疾病的分类效果且具有较好的可扩展性。同时,多视角融合特征获得最好的分类结果。因此,从多个角度表征多层脑网络的拓扑特征,有利于更好地识别精神疾病,从而在临床诊断中具有重要的应用价值。

基于虚拟软件的网络流量调度数学模型仿真

为有效避免网络拥塞问题,构建基于虚拟软件的网络流量调度数学模型。以网络能源总消耗最低为目标函数,以链路容量限制、流量守恒等为约束条件,构建网络流量调度数学模型。基于虚拟机嵌入式软件定义网络(SDN)的网架结构体系特点,采用EMV-SDN调度算法,通过网络的多层虚拟拓扑结构划分结合改进贪婪算法求解上述模型,实现网络流量调度。利用引入优先级概念的队列管理算法,在网络产生拥塞时合理安排网络流量调度的优先队列,实现网络流量调度控制。仿真结果表明,上述模型可通过提高队列长度阈值增强SDN调控器的可靠性与灵活性,提升网络流量调度效果;上述模型的调度能源消耗受网络流量影响较小,且调度能源消耗低,节能调度效果好。