基于图神经网络和随机森林的CircRNA-疾病预测

环状RNA(CircRNA)广泛参与人类疾病的进程,其突变和失调与许多人类疾病密切相关.因此,建立一个高效准确的CircRNA与疾病之间的预测算法对于提前对疾病的发生做出预防以及发病后的治疗方案具有重要意义.提出了一种新的基于图神经网络和随机森林的算法预测CircRNA-疾病关联算法,在分层网络表示嵌入部分通过构建异构网络,根据网络图的邻近性,对网络图的节点和边缘进行分层,递归地合并原始图中的节点和边,得到若干具有相似特征的较小子网络.子网络规模随着分层的深入而递减,直至得到最小子网络后,使用node2vec网络图游走算法对其进行预处理,然后将全部节点的特征向量输入至随机森林分类器来识别潜在的CircRNA-疾病关联,从而进行预测.

基于node2vec神经网络的信息取证方案研究

通过对社会集群信息网络(Social Information Network,SIN)的分析,获取现实世界中特定目标的人际关系和社群结构,是社会集群信息网络研究的一个重要方向。这种研究在刑侦司法领域具有重大意义,能够使办案人员在不进行物理抓捕/监视的情况下描绘出犯罪组织内部结构,进而找到犯罪组织核心成员。文章基于现有取证领域的相关研究,结合机器学习神经网络部分算法,提出一个网络取证工具Vec2Rank-CrimeNet,并以真实的犯罪数据作为实验数据,给出其在解决实际问题时的效果。

基于Structure2vec算法的网络欺诈风险特征选择与评估

现有特征选择算法往往只能处理简单的拓扑结构图形,对复杂的拓扑结构图形无能为力,为此选择Structure2vec算法对网络欺诈风险进行研究。在梳理相关文献基础上,对Structure2vec的数学原理进行分析,给出其对应的卷积神经网络模型;选择网络用户的信用历史、身份特质、行为偏好、履约能力和社会关系等5种类型特征数据,构建Stucture2vec关系图;利用Structure2vec算法编写Python程序,对样本数据进行训练,获得模型;利用测试数据对模型进行测试,获得特征向量和对应的风险评估值。结果表明,利用Structure2vec算法对网络欺诈风险进行特征选择和评估,效果优于一般卷积神经网络。

基于粒子群算法优化BP神经网络的CO_2通量预测

针对现有准确地预测CO_2通量方法的不足,提出了一种以粒子群算法和反向传播(BP)神经网络相结合的预测模型。为了防止粒子种群的快速趋同效应,引入了自适应变异算子。通过对陷入局部最优的粒子进行变异操作,提高了算法的寻优性能。利用粒子群算法得到BP神经网络的初始权值和阈值,对优化后的BP神经网络和普通的BP神经网络分别创建CO_2通量预测模型。实验结果表明,基于粒子群改进BP神经网络模型能较好表达CO_2通量与主要因素之间的非线性关系,相对于一般BP神经网络具有更好的非线性拟合能力和更高的预测准确性。

基于优化神经网络算法的电离层f_oF_2预测

为了提高基于反向传输(back propagation,BP)神经网络的电离层f_oF_2预测的精度,采用了一种改进粒子群优化神经网络的方法,对BP网络的初始权值进行优化,防止出现神经网络训练中的局部最优.通过比较基于粒子群优化的神经网络预测结果与遗传算法优化的神经网络预测结果,我们发现对于BP神经网络,两种方法都有很好的性能.此外,和电离层经验模型国际参考电离层模型(international reference ionosphere 2016,IRI2016)结果进行对比,结果表明,本文提出的自适应变异粒子群(adaptive mutation particle swarm optimization,AMPSO)优化神经网络能有效提高f_oF_2的预测精度,并在低纬地区有更好的预测效果.

基于粒子群算法的BP神经网络在大气NO_(2)浓度预测中的应用研究

NO_(2)是主要的大气污染气体之一,在大气光化学过程中起着重要作用。研究NO_(2)浓度的时空演变,预测其浓度变化趋势,对政府出台改善环境措施具有重要意义。提出利用粒子群算法(PSO)的反向传播(BP)神经网络对大气NO_(2)浓度进行预测。以合肥地区2017年1月1日至2019年12月31日的大气污染数据和气象数据为基础,结合逐步回归方法筛选出与NO_(2)浓度相关性较大的影响因子作为输入样本。构建PSO-BP神经网络预测模型,利用PSO找出BP神经网络最优的初始权值和阈值。对比BP神经网络、遗传算法改进的BP神经网络和PSO改进的BP神经网络三种模型的预测结果,发现PSO-BP模型能够较为准确地预测出NO_(2)浓度的动态变化规律,并且预测精度高、模式简单,有望广泛应用于大气污染物浓度预测等方面的研究。

基于Node2vec和知识注意力机制的诊断预测

诊断预测根据患者的历史健康状态预测未来的诊断信息,是个体化医疗决策的核心任务。电子健康记录是患者随时间推移的健康状况和临床护理的记录,它为诊断预测提供了丰富的纵向临床数据。然而,现有基于电子健康记录的诊断预测模型还不能完全了解隐藏的疾病进展模式;其次,细粒度诊断预测的性能很大程度上依赖于富含信息的特征。为了增强表达并改进学习,设计一种基于Node2vec和知识注意力的诊断预测模型。该模型基于Node2vec从医学本体的全局结构中捕捉潜在的医学知识并将诊断代码和分类代码映射为低维向量;利用分类代码嵌入向量对患者诊断的临床知识进行编码,进一步丰富患者细粒度健康状态的特征表示;设计一种知识注意力机制并与门控循环单元结合,将领域知识和电子健康记录进行融合,从患者历史健康状态中捕捉长期关联和疾病进展模式。在现实数据集上的实验结果表明,与最新方法相比,该模型显著地提高了预测性能。此外,结果表明Node2vec可以从医学本体捕捉到蕴含更多信息的医疗概念嵌入,知识注意力机制有助于促进外部知识和电子健康记录的有效融合。

融合node2vec和深度神经网络的隐式反馈推荐模型

利用隐式反馈信息实现个性化推荐是实用且具有挑战性的研究课题。对如何有效结合辅助信息来解决数据稀疏问题从而实现高效推荐的问题进行了研究,提出了一种融合node2vec和深度神经网络的隐式反馈推荐模型。该模型采用一种嵌入元数据的深度神经网络框架(Deep Neural Network Framework with Embedded Meta-data,Meta-DNN),首先将用户和项目的one-hot向量进行低维映射,再嵌入元数据信息,并结合node2vec的二阶随机游走方法学习网络中的邻居节点,使得相邻节点具有相似的节点表示,同时通过增强相邻用户和项目的平滑度来缓解数据稀疏性;最后使用深度神经网络进一步学习用户对项目的偏好,进而为用户产生推荐。其中,还引入了流行度参数对未知项目进行非平均抽样,优化隐式反馈负采样策略。在Gowalla和MovieLens-1M两个数据集上的实验表明,所提方法可以明显提高系统的预测性能和推荐质量。

一种基于神经网络的alarm2vec告警压缩算法

告警压缩是在网络故障告警的相关性分析中,发现告警间的关联性,从而减少告警数量,获取有用信息,根据已建立的告警知识库快速准确地对其进行分析推理,获取根源故障,从而确定网络设备或网络功能故障,完成故障定位。针对该场景,提出了一种基于神经网络的alarm2vec算法,并结合极大团图挖掘告警间的关联规则,实际网络告警数据实验结果表明,该方法相对原始数据,实现39.85%的告警压缩率,对告警数据信息进行了有效压缩。

基于数据融合的mirna与疾病关联网络预测算法分析

利用海量生物学样本数据作miRNA疾病关联研究的成本过高,在此情况下提出基于网络表示学习的node2vec模型关联预测算法,引入长链非编码RNA(lncRNA)要素,构建起包含多种数据集的miRNA-lncRNA疾病异构网络,对不同生物学信息作有偏置的随机游走,获得长链非编码节点的近邻序列,然后通过运用miRNA相似性关联规则预测算法,得到与疾病相关各节点的低维特征向量,从而实现miRNA序列与疾病关联性的准确预测。

基于Word2vec和改进型TF-IDF的卷积神经网络文本分类模型

针对传统机器学习文本分类算法语义特征表达弱、文本表示维度高、词序丢失、矩阵稀疏等问题,提出基于Word2vec、改进型TF-IDF和卷积神经网络三者相结合的文本分类模型(CTMWT):首先通过Word2vec模型训练得出样本中所有的词向量;然后提出基于类频方差改进型TF-IDF算法,分析每个词向量在文本中的权重,构建基于词向量和权重的文本向量表示;最后借助卷积神经网络从局部到全局相关性特征的学习能力,对该大量文本向量进行深度学习.试验结果表明三者结合的文本分类模型不仅能实现文本的准确分类,并且相比传统的机器学习文本分类算法具有更好的分类效果.

基于Doc2Vec和深度神经网络的战场态势智能推送研究

战场态势智能推送中的推荐算法是最核心、最关键的组成部分,在很大程度上决定了战场态势推送性能的优劣。深度神经网络推荐算法对用户和态势的需求度关系进行建模学习,能够学习到两者之间隐含的、更为复杂的非线性关系,缺点在于未利用到态势的额外信息。因此以深度神经网络推荐算法为基础,利用Doc2Vec方法提取态势文本内容信息来作为深度神经网络模型的辅助输入,设计了一种基于Doc2Vec和深度神经网络的战场态势智能推送方法。实验仿真结果表明,利用Doc2Vec算法来对态势的额外信息进行建模,能够提升算法推荐效果。

数据缺失下的交通流预测方法研究

文中提出了一种基于节点向量-生成对抗网络的交通流预测方法.通过Node2vec方法实现路网邻接关系的重构,实现路网空间相关性的深度挖掘.基于残差图聚合机制构建了路网数据空间特征的生成器,实现了根据路网中的部分已知数据推演未来路网交通流数据.采用西雅图高速路网速度数据集(Seattle)和加州路网速度数据集(PEMS)验证模型的有效性.结果表明:该模型在不同数据缺失模式、不同数据缺失率下均可以保持鲁棒的交通流预测表现.

基于改进粒子群优化长短时记忆神经网络的脱硫系统SO_(2)预测模型

针对燃煤电厂脱硫系统出口SO_(2)质量浓度难以稳定控制的问题,提出了一种基于改进粒子群算法(IPSO)优化长短时记忆(LSTM)神经网络的IPSO-LSTM预测模型。首先利用主成分分析(PCA)计算各个变量的贡献率从而筛选出模型的辅助变量,实现辅助变量的降维。其次,利用改进粒子群算法确定LSTM神经网络的神经元数量、学习率和迭代次数。最后,将选定的辅助变量作为IPSO-LSTM预测模型的输入,预测出口SO_(2)质量浓度,采用国内某电厂2×600 MW机组脱硫数据进行仿真,并与相关11种模型进行对比。仿真结果表明,本文模型预测误差最小,其均方根误差为0.98 mg/m^(3),平均相对误差为1.81%;与传统LSTM、LSSVM模型相比,预测精度分别可提高72%和81%;与其他相关模型相比,改进的PSO可以提高PSO的全局寻优能力和收敛速度,当LSTM神经网络具有2层隐含层时,IPSO-LSTM模型预测精确度最高。

基于Doc2Vec和BiLSTM的老年患者疾病预测研究

基于电子病历的疾病预测一般是根据病人的症状预测疾病,而很少研究疾病之间的时间顺序关系。引入一种新的电子病历表示法,该表示法考虑了具有时序性的医疗疾病上下文信息,利用Doc2Vec将每种疾病转换成一个类似于其“语义”的数字向量。基于这些向量采用BiLSTM模型来预测老年患者未来的疾病,可以起到对老年疾病的预警作用。最后通过使用真实的医院诊断数据进行实验验证,结果发现模型能够有效地预测出老年人新的疾病,且在保证预测准确率的同时还具有一定的稳定性。

基于SAPSO-BP的CO_(2)相变致裂效果预测及敏感度分析

液态CO_(2)相变致裂效果受很多因素影响,针对BP神经网络收敛速度慢且易陷入局部最优解的问题,为提高模型的预测精度和泛化能力,采用SAPSO算法优化BP神经网络的权值和阈值,并采用MATLAB软件编写构建了SAPSO-BP算法,基于仿真得到的35组数据,使用SAPSO-BP,PSO-BP,BP模型以及多元线性回归模型对致裂效果进行预测,其平均相对误差分别为2.73%、7.1%、14.6%、13.9%。平均绝对误差分别为0.068、0.169、0.239、0.314 m。表明:SAPSO-BP算法预测精度最高,提高了BP模型的预测精度,其精度满足工程实际需要。并采用Sobol指数法探究了相关影响因素对有效致裂半径的敏感度,表明:敏感度由高到低依次为地应力、弹性模量、瓦斯压力、泄放压力、致裂器间距、钻孔直径、抗拉强度,可为CO_(2)相变致裂的工程设计提供理论支持。

基于node2vec的社区检测方法

社区检测可以帮助分析及预测整个网络各元素间的交互关系,为了进一步提高社区检测的准确度,论文提出了一种基于node2vec的社区检测方法。该方法首先采用一种二阶的随机游走策略生成一系列线性序列,然后使用Skip-Gram模型去训练特征向量,最后使用聚类算法对训练出的节点特征向量进行聚类,实现社区的划分。该文在具有社区标签的网络中进行了实验,从实验中验证了这种思想的可行性,从而取得了显著的效果。

网络表示学习在学者科研合作预测中的应用研究

在大数据环境下,科研合作是提高科研水平、促进科研产出的重要途径。如何在浩如烟海的学者、机构、领域信息中准确地找到与自身研究方向相近的合作对象是近年来科研合作预测的研究重点。本文通过科学学领域科学文献的记录数据,构建作者-作者、机构-机构、作者-机构、作者-关键词、机构-关键词的共现网络,接着通过网络表示方法学习作者、机构、关键词在所处网络中的语境信息,将信息实体表示成相同空间的低维稠密向量,最后根据表示向量的相似度计算实现合作对象、合作领域挖掘。通过网络表示学习方法能实现多种异质信息融合,定量计算各信息实体间的关联强度,可以很好地捕捉科研网络中学者-学者、学者-机构、学者-关键词的关系,准确地为学者挖掘潜在合作者、合作机构和关键词。

基于事理图谱的网络舆情事件预测方法研究

[目的/意义]互联网的开放式传播给网络舆情的监管和治理带来困难。准确地预测网络舆情事件能够帮助政府等相关部门及时、有针对性地采取引导措施,控制网络舆情的传播。[方法/过程]首先采集网络舆情数据构建事理图谱,通过改进聚类算法实现舆情事件泛化,构建抽象事理图谱。根据抽象事理图谱中事件演化方向和概率大小,预测网络舆情事件。[结果/结论]医疗网络舆情实证结果表明,该方法可以较好地预测舆情事件,准确率达到72.03%。网络舆情事件预测有效地补充了现有网络舆情预测研究仅关注热度、情感和话题的不足,为更精准地实现网络舆情治理提供了支持。

移动P2P网络的协作缓存优化策略

移动P2P网络具有拓扑动态多变、节点资源有限、网络资源短缺的特点.如何合理地、高效地使用移动节点提供的协作缓存资源、增加移动节点间的协作来减少移动P2P的网络时延、节省带宽、防止拥塞是一个关键问题.深入研究了有限协作缓存——Cache资源的替换策略、重要数据的及时缓存和Cache资源的充分使用问题.并根据蚁群算法的思路,提出了一种基于信息素的Cache替换算法,建立了选取适当存储空间作为Cache的数学模型和推导.理论分析和仿真数据表明该算法能有效提高协作Cache资源的使用率,促进了移动节点间的协作,提高了移动节点从邻居节点获得资源的成功率,并减少了协作Cache资源请求的平均响应时间.