本体结构特征分析与匹配应用研究

针对本体匹配中结构蕴含的隐式语义信息难以正确表示和充分使用问题,提出将本体结构特征量化引入本体匹配。根据本体与复杂网络的相似性,分析本体具有的网络特征,提出了一系列基于结构和语义特征的理论和节点、边的量化标准,并将其用于核心节点的选取和边权重的度量。将本体匹配转换为基于元素个体特征和整体组织结构的有权标签图匹配问题,通过二次规划方法求取近似最优匹配。实验证明本体拓扑结构特征对本体匹配具有较大影响,其与核心节点匹配的紧密藕合能够显著提高匹配的准确性。     

济南市公共交通网络的拓扑特性研究

采用复杂网络的研究方法,运用图论及相应的网络分析工具对济南市公交站点网络和公交换乘网络进行了实证研究.对网络静态几何量进行了统计,并以此为依据分析了公交网络的拓扑结构特性,揭示了公交网络的复杂性及其演化机理.研究结果表明,两种公交网络的拓扑结构模型都具有无标度网络特性.其中公交换乘网络还具有小世界特性.此项研究结果对于优化公交线路,解决交通问题等提出了一些建议.     

节点移动性对MANETs网络拓扑特征的影响

在影响MANETs网络性能的众多因素之中,动态变化的网络拓扑结构是不可忽视的一个重要方面,而节点的移动特性是导致MANET网络拓扑变化的主要原因之一,因此研究节点的移动性对网络拓扑结构特性的影响具有重要的意义。采用复杂网络理论研究节点移动性对MANET网络拓扑结构统计特性的影响。介绍复杂网络的基本统计特性参数,通过仿真实验,详细分析了几种经典节点移动模型下,节点移动速度、信号辐射半径、节点密度等参数对MANET网络的平均度、聚类系数和调和平均最短路径长度的影响。结果表明节点的移动方式对MANET网络拓扑结构统计特性产生不同的影响。     

一种具有核心-边缘结构的无标度网络演化模型

核心-边缘结构是复杂网络中一种重要且常见的簇团结构,相关研究一直较少。为了研究复杂网络核心-边缘结构的相关特性,分析了随机块模型的结构,并在此基础上提出了一种具有无标度特性的核心-边缘结构网络演化模型。通过理论和数值分析,验证了所生成的网络具有较好的无标度特性和核心-边缘结构,且其结构的紧密程度可调,为进一步研究复杂网络核心-边缘结构的相关特性提供了基础。     

具有社区结构的无标度网络生成算法

近年来,生成图模型在复杂网络研究中的作用越来越重要。图的生成过程对于研究疾病的蔓延和信息的传播具有重大意义,同时图模型的生成也有助于更深入地研究复杂网络的特性。为了能够生成既符合真实网络特征又具有结构多样性的复杂网络,提出了一种具有社区结构的可调节聚集系数和模块性的无标度网络生成算法——TCMSN(Scale Free Network with Tunable Clustering Coefficient and Modularity)。通过调节混合参数可以调节生成网络的模块性,通过调节社区内连边的概率和混合参数可以对网络聚集系数进行调节。TCMSN采用了合理的连边策略,在不破坏网络结构多样性的情况下,能尽可能维持网络的无标度特性。人工构造数据和真实网络数据的对比实验结果表明,TCMSN算法能够生成可调节聚集系数和模块性的无标度网络模型,且能够生成最接近真实网络社区结构特征的网络模型。     

复杂网络聚类算法在生物网络中的应用

复杂网络在现实世界中普遍存在,具有小世界性和无标度性等统计特性,网络簇结构是复杂网络重要的拓扑属性之一。在复杂生物网络中使用聚类算法揭示生物网络中的簇结构对分析生物网络的拓扑结构、预测其功能都具有重要意义。对复杂网络聚类方法在蛋白质-蛋白质相互作用网络和新陈代谢网络中的应用及其进展情况进行了综述,分析了几种聚类算法的评价函数和适用条件,并对生物网络聚类算法研究所面临的主要问题进行了讨论。     

基于结构特征量化的本体模块化划分研究

针对大规模本体模块化划分问题,从本体结构与复杂网络的相似性分析入手,根据本体语义和网络结构特征将其转换为对应的概念网络。提出衡量本体中节点局部中心度和边的语义连接强度的量化标准,用于选取核心节点和度量边权重,得到显式表示本体语义和结构特征的无向加权层次网络,将其建模为具有不同位势的电路网络,利用最大位势差法划分本体模块。实验结果表明,该方法能够在线性时间内得到质量较高、适合匹配应用的本体划分。     

Linux协作关系的网络化特性分析与软件负载鲁棒性研究

介绍了复杂网络的特性参数,将复杂网络理论引入Linux类协作软件图中,把其中的实体和关系转换成为网络拓扑的形式;研究了其复杂网络的特性,并分别通过对两类不同的软件图进行实验来验证分析的正确性;提出了利用网络拓扑特征可以改善软件系统的设计,开发和测试方法,对提高Linux网络服务具有有益的启示和指导意义.     

神经元混沌放电局部可视网络模型分析

为研究神经元的放电时间序列随时间的演化特性,提出了一种将放电时间序列的时间域映射到网络域进行处理的方法,即研究基于神经元的复杂网络随时间的演化特征来刻画神经元放电时间序列的时变特性.通过构建滑动时间窗内复杂网络拓扑,并计算其局部可视图的统计特性来实现时间序列时变特征的描述.对神经元map模型三种簇放电时间序列进行复杂网络构建并实现网络拓扑可视化,同时分析网络的统计特性来验证方法的有效性.结果表明,网络的拓扑、平均路径长度和聚类系数均能反映原时间序列的时变形态特征,并对神经元簇放电具有参数敏感性;簇放电稀疏程度与社团大小存在相关性.神经元放电时间序列网络域的时变演化特征能刻画其时间域特性,为神经电信号的处理提供了新的思路.     

一种改进的谱聚类方法在复杂网络社团检测中的应用

社团结构是复杂网络的重要特征之一。谱聚类方法在复杂网络社团检测中具有十分重要的作用。针对谱聚类算法在复杂网络社团检测中只选择部分特征向量聚类的问题,提出了一种改进的谱聚类方法,该方法对网络矩阵的所有特征向量进行加权,并引入尺度参数,采用网络矩阵的所有特征向量进行聚类。实验结果表明,与传统谱聚类算法相比,该方法可以有效地对网络进行划分,并可以反映出网络中社团的多尺度特性。     

基于概念模型的本体复杂性研究

随着本体的应用和规模的扩大,其复杂性也随之增加,给本体的管理和维护带来困难,也限制了本体的使用。论文从本体概念模型的角度,对本体的复杂性及其演化规律进行了研究。主要从本体的概念、关系和路径三者的相互依赖关系,提出了本体复杂性的评价指标集。通过对GO本体的分析,验证了该指标集能较好衡量其复杂性,并反映出其演变趋势。     

Associative Naïve Bayes classifier: Automated linking of gene ontology to medline documents

We demonstrate a text-mining method, called associative Naïve Bayes (ANB) classifier, for automated linking of MEDLINE documents to gene ontology (GO). The approach of this paper is a nontrivial extension of document classification methodology from a fixed set of classes C={c₁,c₂,…,c_n} to a knowledge hierarchy like GO. Due to the complexity of GO, we use a knowledge representation structure. With that structure, we develop the text mining classifier, called ANB classifier, which automatically links Medline documents to GO. To check the performance, we compare our datasets under several well-known classifiers: NB classifier, large Bayes classifier, support vector machine and ANB classifier. Our results, described in the following, indicate its practical usefulness.     

概率决策树在生物信息数据库中的一个应用

GO(GeneOntology)是个标准化的生物信息本体库,被广泛地用来注释基因数据库,然而由于GO结构设计上的缺陷以及目前对基因数据库注释方法多采用手工方式,再加上基因的许多特性尚未发现,使得这种注释还不完全。该文尝试用概率决策树的方法来学习得到基因和GO本体的内在联系,进而预测基因的本体注释情况,也就是预测基因的未知特性,这样就可以引导基因数据库管理员去完善,修正基因数据库的本体注释,并指导生物学家有针对性地设计试验。作为一个应用,用MGI基因数据数据库做试验,分析表明用该方法得到的预测结果准确性比较高。     

GOHSE: Ontology driven linking of biology resources

We describe the GOHSE system, an application to support browsing of biology resources. The Conceptual Open Hypermedia Service (COHSE) system enhances web resources through the dynamic addition of hypertext links. These links are derived through the use of an ontology and associated lexicon along with a mapping from concepts to possible link targets. GOHSE applies COHSE to Bioinformatics, using the Gene Ontology (GO) as an ontology and associated keyword mappings and GO associations as link targets. The resulting demonstrator provides both glossary functionality and the possibility of building knowledge based hypertext structures linking bioinformatics resources.     

A short study on the success of the Gene Ontology

While most ontologies have been used only by the groups who created them and for their initially defined purposes, the Gene Ontology (GO), an evolving structured controlled vocabulary of nearly 16,000 terms in the domain of biological functionality, has been widely used for annotation of biological-database entries and in biomedical research. As a set of learned lessons offered to other ontology developers, we list and briefly discuss the characteristics of GO that we believe are most responsible for its success: community involvement; clear goals; limited scope; simple, intuitive structure; continuous evolution; active curation; and early use.     

Classifying Lung Cancer Knowledge in PubMed According to GO Terms Using Extreme Learning Machine

For a well‐established digital library (e.g., PubMed), searching in terms of a newly established ontology (e.g., Gene Ontology (GO)) is an extremely difficult task. Making such a digital library adaptive to any new ontology or to reorganize knowledge automatically is our main objective. The decomposition of the knowledge base into classes is a first step toward our main objective. In this paper, we will demonstrate an automated linking scheme for PubMed citations with GO terms using an improved version of extreme learning machine (ELM) type algorithms. ELM is an emergent technology, which has shown excellent performance in large data classification problems, with fast learning speeds.     

基于GRA本体映射研究

基层用户产生的本体映射关系蕴含着相关领域内的类层次结构,利用这部分知识可用于新映射关系的产生.但是现有系统存在以下缺点:类层次复杂性考虑不足,矛盾知识不完全删除和效率低下.针对这些问题,文章提出将基层本体映射的相似和等价关系进行不同处理的方法,并重新设计了类层次知识库的前向推理规则.实验表明,改进的系统使效率得到提高,在保证查全率的同时可以明显改善查准率,而且能较好支持本体复合映射.     

Similar genes discovery system (SGDS): Application for predicting possible pathways by using GO semantic similarity measure

This research analyzes the gene relationship according to their annotations. We present here a similar genes discovery system (SGDS), based upon semantic similarity measure of gene ontology (GO) and Entrez gene, to identify groups of similar genes. In order to validate the proposed measure, we analyze the relationships between similarity and expression correlation of pairs of genes. We explore a number of semantic similarity measures and compute the Pearson correlation coefficient. Highly correlated genes exhibit strong similarity in the ontology taxonomies. The results show that our proposed semantic similarity measure outperforms the others and seems better suited for use in GO. We use MAPK homogenous genes group and MAP kinase pathway as benchmarks to tune the parameters in our system for achieving higher accuracy. We applied the SGDS to RON and Lutheran pathways, the results show that it is able to identify a group of similar genes and to predict novel pathways based on a group of candidate genes.     

基于本体的教学领域知识库建模研究

本体是一种非常有效的知识建模方法.以《自动控制原理》学科为例介绍了本体在构建教学领域知识库模型中的应用,并且用具有很强网络交互性的XML语言实现了该本体的描述.提出用7元属性来描述教学知识概念,并且详细叙述了每个属性的含义及其形式化的定义.这样得到的教学领域知识库本体模型将是一个语义完整、复杂但又清晰的语义网结构.     

基于方案本体的决策模型组装

决策模型组装是智能决策系统中的重要功能。基于本体的决策模型组装在模型之间的匹配上提供了丰富的语义信息,但本体推理的效率造成的响应速度较慢依然是需要解决的问题。本文提出一种基于方案本体的决策模型组装方法,可有效地减少本体建模的复杂度,并设计了相应的算法实现这种方法。