导读:本文包含了分解连接论文开题报告文献综述及选题提纲参考文献，主要关键词:阿尔兹海默症,稀疏表示,非负矩阵分解,功能连接
分解连接论文文献综述
李璇,陆雪松,王海贤[1]（2019）在《基于稀疏功能连接及非负矩阵分解的阿尔兹海默症分类方法（英文）》一文中研究指出为了获得更具神经生理学意义的分类特征,提出了基于稀疏功能连接及非负矩阵分解的阿尔兹海默症分类方法.该方法基于功能核磁共振信号,采用非负自适应稀疏表示法计算脑区间的稀疏功能连接,以提取分类特征.然后,采用稀疏非负矩阵分解法进行特征降维,以获得具有明确物理意义的低维特征.实验结果表明该方法的分类准确率、灵敏度和特异度均优于其他对比方法.此外,发现了默认模式网络、基底神经节-丘脑-边缘结构网络及颞叶-脑岛网络在阿尔兹海默症病人和健康被试间具有明显差异.此方法能够有效地对阿尔兹海默症进行识别,同时具有加深对该病症功能病变理解的潜力.(本文来源于《Journal of Southeast University(English Edition)》期刊2019年02期）
徐平峰,王福友,邓文礼,马文卿,董小刚[2]（2017）在《基于图分解的最优叁角化图及连接树的构建》一文中研究指出本文基于分解贝叶斯网道义图改进了传播算法的叁角化图及连接树的构建.证明了寻找最优叁角化图问题可以分解为素块上独立的小的子问题.于是,所有素块的最优叁角化图的并即为贝叶斯网的最优叁角化图.进—步,我们给出了一个算法,通过连接各个素块的最优叁角化图的团树来构建全局最优叁角化图的团树.我们进行了模拟实验来展示分解对于求叁角化图及连接树的效果.(本文来源于《应用数学学报》期刊2017年04期）
王水,傅世舜,尹毅,华克磊,黎程[3]（2017）在《终末期肾病患者默认网络功能连接上的空间分解与中断》一文中研究指出目的:研究终末期肾病患者脑默认网络异常的功能连接及其临床意义。方法:收集31例终末期肾病患者和31例年龄和性别相匹配的健康对照组静息态脑功能数据。应用基于种子点的分析方法行全脑功能连接分析,分别以后扣带回皮层和腹内侧前额叶皮层为种子点研究全脑前、后默认网络的功能性连接。结果:与对照组比较,终末期肾病患者表现出左侧颞中回、右侧前扣带回及双侧额上回内侧与后扣带回的功能连接上明显降低。当以腹内侧前额叶皮层为种子点,患者出现右侧丘脑功能性连接明显下降。此外,患者的后扣带回和右额上回内侧的功能连接与血红蛋白水平表现出显着正相关。结论:终末期肾病患者的脑默认网络呈现出空间连接上的紊乱。(本文来源于《中国医学物理学杂志》期刊2017年06期）
王名月,缪炳荣,李旭娟,杨忠坤[4]（2017）在《基于局部均值分解的螺栓连接振动松动研究》一文中研究指出针对振动环境下螺栓连接结构的松动现象及响应信号的非线性、非平稳特征,提出基于LMD能量熵的松动故障识别方法。首先建立搭接板的有限元模型,通过预紧力单元法仿真得到不同预紧力下板结构振动信号;然后应用局部均值分解方法将信号自适应分解为若干乘积函数分量,计算包含主要故障信息的PF分量的能量熵,构造有效的松动损伤指标;最后建立螺栓连接搭接板试样,采集不同预紧工况下连接板的振动响应信号,通过激振试验验证该方法的有效性。研究结果表明,PF能量熵能较好地反映螺栓松动情况,此方法能有效地识别螺栓松动特征。(本文来源于《工程机械》期刊2017年05期）
邱正平[5]（2017）在《基于矩阵分解的人脑结构连接推断》一文中研究指出人脑结构网络和功能网络的复杂关系一直是神经科学领域的一个研究焦点。其中结构网络反映人脑神经单元的解剖连接,通常由弥散张量/谱成像(DTI/DSI)技术测量,但其在成像过程中存在耗时和不准确的问题,特别是很难测得左右两个脑区间的结构连接信息;而功能网络描述人脑网络节点之间的功能信号在某一时段内统计意义上的关系,目前静息态功能磁共振成像(rs-fMRI)技术以其非侵入性,速度快、精度高并且具有较高的空间分辨率等优点成为人脑功能连接网络的主要测量手段。大量研究表明人脑结构网络和功能网络存在很强的相关性。虽然DTI/DSI技术很难测量左右两个半脑区间的结构连接信息,但利用静息态功能磁共振成像技术却发现左右两个半脑区间存在着丰富的功能连接信息。因此本文拟通过人脑功能网络来对人脑结构网络进行推断,试图恢复出DTI/DSI测量数据中左右两个脑区间遗漏的连接。本文主要工作如下:1.系统概述了当前人脑结构网络和人脑功能网络的测量方法,以及从矩阵的角度探索了人脑结构网络和人脑功能网络之间的关系;2.提出基于网络解卷积的人脑结构连接推断模型,该模型假设观测到的人脑功能网络由直接连接网络与间接连接网络构成,并分别用一步结构连接矩阵和二步结构连接矩阵表示,然后利用矩阵特征值分解方法对模型进行求解,实验结果表明网络解卷积算法能够较好地对人脑结构连接进行推断;3.提出基于谱映射的人脑结构连接推断算法,该算法首先利用左右两个脑区的连接信息采用学习的方法建立结构连接矩阵和功能连接矩阵之间的多元线性回归模型,然后利用整个大脑的功能连接信息推断出两个脑区之间的结构连接信息。对66脑区和998脑区两个数据库的实验结果表明该算法能够较精确恢复出DTI/DSI测量数据中左右脑区间遗漏的连接,并通过动态平均场(DMF)神经集群模型对推断结果进行了验证。(本文来源于《中国石油大学(华东)》期刊2017-05-01）
周平原[6]（2014）在《绳、杆、光连接的速度分解问题》一文中研究指出绳、杆、光连接的速度分解问题是物理学习的一个难点,下面介绍一种实用的分解方法,它对绳、杆及光连接的速度分解问题都能适用。这个方法可按以下叁步进行:第一步,以绳(杆、光)的端点为研究对象,先分析确定端点的对地速度方向,并判断这个速度是否需要分解。第二步,根据端点运动产生的实际效果选择速度的两个分解方向(即两个分速度要有实际的物理意义,不一定是正交分解),应用平行四边形定则对端点的对地速度进行分解。分(本文来源于《中学生数理化(高一版)》期刊2014年Z1期）
鲁世明[7]（2013）在《“物绳相连”连接体模型运动合成与分解探讨》一文中研究指出"物绳相连"连接体模型速度的合成与分解的原则是:绳子的速度为分速度,复杂运动物体的速度为合速度,合速度总是沿着绳子的方向和垂直绳子的方向进行分解。对于该模型的速度、加速度的分解与动态变化分析可以用运动的合成与分解解题,也可以应用微元法、极限法、图像法、功率相等法进行探讨。(本文来源于《学园》期刊2013年33期）
刘旭[8]（2013）在《基于稀疏非负矩阵分解的大鼠工作记忆稀疏编码与功能连接的研究》一文中研究指出研究目的：发展了基于稀疏非负矩阵分解(Sparse Non-negative Matrix Factorization, SNMF)的稀疏编码和稀疏源分量的因果分析方法,研究SD大鼠工作记忆状态前额叶皮层(Prefrontal Cortex, PFC)多通道局部场电位(Local Field Potentials, LFPs)的0和γ频段的能量对工作记忆的编码,以及工作记忆状态LFPs及其稀疏源分量的功能连接特性,为研究工作记忆的编码和功能连接提供创新的思路和方法。研究方法：1.实验数据：本论文所用的实验数据为4只SD大鼠在Y迷宫工作记忆任务状态的PFC多通道LFPs,以及静息状态的PFC多通道LFPs。2.数据预处理：对原始记录的LFPs进行去工频干扰和去基线漂移等预处理。3. LFPs的短时傅里叶变换(Short-time Fourier Transform, STFT):应用STFT对预处理后的LFPs进行时频分析,获得LFPs的时频能量分布。4.应用SNMF对LFPs的时频能量分布进行稀疏分解,获得基矩阵A和稀疏源分量矩阵S。矩阵S的每一个行向量Si为时间序列。5. LFPs的θ和Y频段的能量对工作记忆的编码：根据稀疏源分量矩阵S的元素值确定工作记忆状态下LFPs能量集中的时间段,选取稀疏源分量能量在该时间段内明显增加的频段作为与工作记忆相关的稀疏源分量,应用SNMF逆变换,对工作记忆相关的稀疏源分量进行稀疏重构,获得与工作记忆相关的稀疏源分量的时频能量分布,根据时频能量分布计算于工作记忆相关的稀疏源分量的0和γ频段的能量。6.工作记忆状态LFPs及其稀疏源分量的功能连接：应用Granger因果分析,分别计算描述工作记忆状态和静息状态的LFPs及其稀疏源分量的因果关系的定量参数,包括：(1)因果密度(Causal Density, CD)计算每次LFPs及其稀疏源分量矩阵的因果密度值,为每只大鼠工作记忆状态的10次LFPs和10次稀疏源分量矩阵和静息状态的10次LFPs和10次稀疏源分量矩阵计算平均因果密度值,比较工作记忆状态和静息状态LFPs和稀疏源分量的功能连接。(2)因果流(Causal Flow, CF)计算LFPs的因果关系网络各节点的因果流值,由于LFPs的因果关系网络的节点与通道一一对应,为每只鼠工作记忆状态和静息状态各10次LFPs数据计算每个通道的平均因果流值,应用t检验,测定工作记忆状态和静息状态因果源(Causal Source)和因果汇(Causal Sink)对应的通道。计算每只大鼠每次试验稀疏源分量因果关系网络各节点的因果流值,对每一个节点进行因果源和因果汇的归类,应用稀疏重构,获得每一次数据因果源和因果汇的总时频能量分布,再计算10次数据因果源和因果汇的平均时频能量分布,从平均时频能量分布比较工作记忆状态和静息状态稀疏源分量功能连接的差异。研究结果：1. LFPs的0和γ频段的能量对工作记忆的编码：(1)大鼠在工作记忆任务过程中,LFPs能量在某特定时期会达到峰值,在能量最集中的1s时间段内工作记忆状态的0和γ频段的能量明显高于静息状态(t检验,p<0.01)。(2)在与工作记忆相关的稀疏源分量中,0频段能量显着大于γ频段的能量,而且两者都显着大于0(t检验,p<0.01)。2.工作记忆状态LFPs的功能连接：(1)因果密度第1号、第2号、第3号、第4号大鼠工作记忆状态LFPs的功能连接的因果密度值分别为：0.1467±0.0320、0.0971±0.0313、0.1721±0.0296、0.1496±0.0427；静息状态LFPs的功能连接的因果密度值分别为0.0353±0.0127、0.0462±0.0159、0.0784±0.0375、0.0904±0.0354。结果显示,工作记忆状态的因果密度值显着大于静息状态的因果密度值(t检验,p<0.01)。(2)因果流第1号大鼠工作记忆状态的因果源对应的通道有2个；因果汇对应的通道有6个。静息状态没有因果源；因果汇对应的通道有3个。第2号大鼠工作记忆状态的因果源对应的通道有2个；因果汇对应的通道有4个。静息状态因果源对应的通道有1个；因果汇对应的通道有2个。第3号大鼠工作记忆状态的因果源对应的通道有2个；因果汇对应的通道有4个。静息状态因果源对应的通道有4个；因果汇对应的通道有6个。第4号大鼠工作记忆状态的因果源对应的通道有3个；因果汇对应的通道有3个。静息状态因果源对应的通道有2个；因果汇对应的通道有3个。3.工作记忆状态稀疏源分量的功能连接：(1)因果密度第1号、第2号、第3号、第4号大鼠工作记忆状态稀疏源分量的的因果密度值分别为：0.2315±0.0452、0.1697±0.0331、0.1894±0.0360、0.2004±0.0485；静息状态稀疏源分量的因果密度值分别为：0.1456±0.0094、0.1177±0.0266、0.1098±0.0142、0.1423±0.0168。结果显示,工作记忆状态的因果密度值显着大于静息状态的因果密度值(t检验,p<0.01)。(2)因果流计算得到工作记忆状态和静息状态的因果源和因果汇的平均时频能量分布和频谱图,工作记忆状态稀疏源分量的因果关系网络的因果源的频率——幅值曲线波峰出现在0频段(4-12Hz),而且能量也主要集中在0频段上。结论：1. LFPs的0和Y频段能量的编码了大鼠工作记忆,0频段是编码大鼠工作记忆的主要频段。2.工作记忆状态大鼠LFPs和稀疏源分量的功能连接水平比静息状态高。3.工作记忆状态大鼠LFPs的稀疏源分量的功能连接水平比LFPs高。4.稀疏空间上工作记忆的能量编码和功能连接比原始空间上好。5. LFPs的0频段在大鼠工作记忆状态可能主要起着影响了其他频段的活动的作用。(本文来源于《天津医科大学》期刊2013-05-01）
姜丽敏,陈曙暄,向茂生[9]（2012）在《奇异值分解在InSAR区域网连接点检测中的应用》一文中研究指出该文针对干涉合成孔径雷达(Interferometric Synthetic Aperture Radar,InSAR)区域网连接点(Tie Points,TPs)检测问题,提出一种基于奇异值分解(Singular Value Decomposition,SVD)的检测方法。其核心思想是:为每个特征点构建特征描述符,针对特征描述符的相异性度量距离按一定的相似性分布构建相似性分布矩阵,再由相似性分布矩阵的SVD建立匹配矩阵,并结合匹配矩阵次大值和最大值比值实现TPs检测。该算法具有快速、简单、操作性强等特点。对不同地貌的SAR影像实验验证了该方法的有效性。(本文来源于《电子与信息学报》期刊2012年02期）
张柱荣[10]（2011）在《探析连接体运动速度的合成与分解解题策略》一文中研究指出高中物理教学中,在讲到运动的合成与分解时,特别是涉及连接体物体运动的合成与分解,多数学生在学习过程中感到迷茫、无从下手.原因是分不清哪是分运动、哪是合运动.本文总结了一些题型规律,希望能给学生们在以后的解题思路(本文来源于《中学生数理化(学研版)》期刊2011年11期）
分解连接论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文基于分解贝叶斯网道义图改进了传播算法的叁角化图及连接树的构建.证明了寻找最优叁角化图问题可以分解为素块上独立的小的子问题.于是,所有素块的最优叁角化图的并即为贝叶斯网的最优叁角化图.进—步,我们给出了一个算法,通过连接各个素块的最优叁角化图的团树来构建全局最优叁角化图的团树.我们进行了模拟实验来展示分解对于求叁角化图及连接树的效果.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
分解连接论文参考文献
[1].李璇,陆雪松,王海贤.基于稀疏功能连接及非负矩阵分解的阿尔兹海默症分类方法（英文）[J].JournalofSoutheastUniversity(EnglishEdition).2019
[2].徐平峰,王福友,邓文礼,马文卿,董小刚.基于图分解的最优叁角化图及连接树的构建[J].应用数学学报.2017
[3].王水,傅世舜,尹毅,华克磊,黎程.终末期肾病患者默认网络功能连接上的空间分解与中断[J].中国医学物理学杂志.2017
[4].王名月,缪炳荣,李旭娟,杨忠坤.基于局部均值分解的螺栓连接振动松动研究[J].工程机械.2017
[5].邱正平.基于矩阵分解的人脑结构连接推断[D].中国石油大学(华东).2017
[6].周平原.绳、杆、光连接的速度分解问题[J].中学生数理化(高一版).2014
[7].鲁世明.“物绳相连”连接体模型运动合成与分解探讨[J].学园.2013
[8].刘旭.基于稀疏非负矩阵分解的大鼠工作记忆稀疏编码与功能连接的研究[D].天津医科大学.2013
[9].姜丽敏,陈曙暄,向茂生.奇异值分解在InSAR区域网连接点检测中的应用[J].电子与信息学报.2012
[10].张柱荣.探析连接体运动速度的合成与分解解题策略[J].中学生数理化(学研版).2011