基于层次随机图模型的复杂脑网络链路预测研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 课题的研究背景 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 功能磁共振成像 | 第13-14页 |
| 1.2.2 复杂网络 | 第14-15页 |
| 1.2.3 脑网络 | 第15-16页 |
| 1.2.4 链路预测 | 第16-18页 |
| 1.3 课题研究目的和意义 | 第18-19页 |
| 1.4 论文创新点 | 第19页 |
| 1.5 论文主要工作及结构安排 | 第19-20页 |
| 1.5.1 论文主要工作 | 第19-20页 |
| 1.5.2 文章结构安排 | 第20页 |
| 1.6 本章小结 | 第20-21页 |
| 第二章 复杂网络基本特征与拓扑模型 | 第21-27页 |
| 2.1 复杂网络的基本特征 | 第21-23页 |
| 2.2 拓扑模型 | 第23-26页 |
| 2.2.1 规则网络 | 第23-24页 |
| 2.2.2 随机网络 | 第24-25页 |
| 2.2.3 小世界网络 | 第25页 |
| 2.2.4 无标度网络 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 功能性脑网络的构建 | 第27-35页 |
| 3.1 研究对象 | 第27页 |
| 3.2 功能磁共振数据 | 第27-30页 |
| 3.2.1 数据采集 | 第28页 |
| 3.2.2 数据预处理 | 第28-30页 |
| 3.3 大脑网络节点和边的定义 | 第30-33页 |
| 3.3.1 节点的定义 | 第31-32页 |
| 3.3.2 边的定义 | 第32-33页 |
| 3.4 阈值选择与稀疏度划分 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 链路预测算法和马尔科夫蒙特卡罗算法 | 第35-45页 |
| 4.1 链路预测算法 | 第35-42页 |
| 4.1.1 基于概率模型算法 | 第35-36页 |
| 4.1.2 基于相似性算法 | 第36-39页 |
| 4.1.3 基于最大似然估计算法 | 第39-41页 |
| 4.1.4 链路预测算法在脑网络中的应用 | 第41-42页 |
| 4.2 马尔科夫蒙特卡罗算法 | 第42-44页 |
| 4.2.1 蒙特卡罗方法 | 第42-43页 |
| 4.2.2 马尔科夫链 | 第43页 |
| 4.2.3 马尔科夫蒙特卡罗算法 | 第43-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第五章 层次随机图模型在脑网络中的应用 | 第45-61页 |
| 5.1 层次随机图模型 | 第45-47页 |
| 5.1.1 层次随机图模型的基本概念 | 第45-46页 |
| 5.1.2 最优层次随机图模型的基本概念 | 第46-47页 |
| 5.2 子树重排 | 第47-48页 |
| 5.3 马尔科夫蒙特卡罗算法在脑网络中的应用 | 第48-49页 |
| 5.4 链路预测实验过程 | 第49-50页 |
| 5.4.1 划分训练集和测试集 | 第49页 |
| 5.4.2 实验过程 | 第49-50页 |
| 5.4.3 评价指标 | 第50页 |
| 5.5 实验结果与分析 | 第50-59页 |
| 5.5.1 最优层次随机图模型下的似然值统计 | 第51-55页 |
| 5.5.2 40%稀疏度下的预测边概率均值排序 | 第55-56页 |
| 5.5.3 层次随机图模型在不同网络中的比较 | 第56-58页 |
| 5.5.4 不同链路预测算法在脑网络中的比较 | 第58-59页 |
| 5.6 本章小结 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 附录 1：被试基本信息参照表 | 第67-69页 |
| 附录 2：90 个脑区对应中文名称及英文缩写 | 第69-71页 |
| 致谢 | 第71-73页 |
| 攻读学位期间发表的学术论文 | 第73页 |
