一、NETSIM模型的分析研究(论文文献综述)
何戈锐[1](2020)在《基因本体和生物通路数据在筛选潜在疾病基因中的应用》文中研究说明疾病基因的确定是基因组学从科研走向应用的重要步骤,目前已经有了大量的相关研究,其中筛选潜在疾病基因是生物信息学领域目前的研究热点。疾病基因的确定流程周期长,需要筛选出潜在疾病基因,进行生物实验来确定疾病基因。传统的筛选方法,例如定位克隆、全基因组关联分析、连锁分析等方法存在候选基因数量多,真正疾病基因少的问题。在筛选潜在疾病基因中,准确且不遗漏的找出尽可能多的疾病基因是核心问题。本文研究了基因本体和生物通路两种模式数据在筛选潜在疾病基因中的应用,分别使用两种数据计算基因功能相似度,以基因功能相似度为特征应用机器学习分类模型,筛选潜在疾病基因。与传统的方法相比,筛选出的潜在疾病基因数量更少,能缩短疾病基因确定的时间周期,降低疾病基因确定的成本。主要工作包括:(1)提出了一种改进的基于基因本体识别疾病基因的方法。现有的方法认为“疾病基因会在基因本体的生物过程分支上聚集”。本文认为“疾病基因会在基因本体的所有分支上聚集”,提出了全分支聚集方法(Full Branch Aggreation,FBA)。在计算基因本体术语相似度和基因功能相似度时,使用基因本体的所有分支。在自闭谱系障碍疾病基因数据集上进行了实验,测试了四种不同的基因本体术语相似度算法:Resnik、Rel、Wang、Netsim。实验结果表明,改进后的方法平均识别准确率从72%提升到了78%。最高的分类准确率从79.3%提升到了91.4%。(2)提出了一种基于生物通路的疾病基因识别方法,使用典型的Pathcard生物通路数据库,通过基因和生物通路之间的相关程度来计算基因之间的功能相似度,在自闭谱系障碍疾病基因上进行了实验。实验结果显示识别准确率(Accuracy)达到了95.98%,查准率(Precision)达到了93.94%,召回率(Recall)在98%以上,表明基于生物通路的方法可以有效的识别疾病基因。此外,还和基于基因本体的方法进行了对比,在查准率(Precision)方面以93.94%略低于基于基因本体的97.96%,而在召回率(Recall)方面以98.30%高于基于基因本体的83.84%,表明基于生物通路的方法会误判一些非疾病基因,但是更少地遗漏疾病基因。本文主要研究了在生物信息学领域应用较为广泛的基因本体和Pathcard两种数据,对现有的基于基因本体的方法进行改进,探讨了Pathcard在计算基因功能相似度的可行性,并应用于疾病基因分类。受限于研究所采用的分类模型,只使用了自闭谱系障碍一种疾病基因,下一步将修改模型以求能应用于其他疾病基因。
唐智[2](2019)在《基因本体术语相似度计算方法研究》文中指出基因本体(Gene Ontology,GO)是一种基于生物信息学资源的本体,它利用本体来表示生物学知识并描述有关基因和基因产物功能的信息。GO包括三个独立的类别:分子功能,生物过程和细胞成分。目前我们重点研究内容是对基因本体的术语相似度计算及对基因本体术语自动扩展算法研究,以上两个研究内容对基因功能分析、比较和预测等生物学研究热门领域具有非常重要的意义。对于术语相似度现有计算的算法还是存在很多的缺陷,没有充分利用现有的信息,近年来也有人把基因功能网络引入到术语相似度的计算中,但是在基因功能网络中只考虑了直接相连的基因,忽略的基因网络中的间接关系,没有充分利用现有信息。目前构建的基因本体大部分是人工构建的,大大增加了工作量,随着生物技术的进步,数据量的不断增长,目前需要做的是开发出一种能够准确、自动地扩展基因本体术语的算法,减少工作量,本文针对现有的相似度算法进行改进提高相似度计算的准确率和术语扩展问题进行深入研究,主要内容如下:(1)基因本体是由领域科学家通过收集实验数据、文献资料等手工构建而成,基因本体本身并不完整,只包含已发现的部分基因功能注释信息,导致基因本体术语相似度计算的不准确。本文提出了一个基于融合高斯核函数的重启随机游走的基因本体术语相似度算法RWRSM(Random Walk with Restart-based similarity measure),通过本文提出的算法不仅考虑到基因本体的结构信息、注释信息的同时还捕获基因功能网络的全局结构信息,基于对EC(Enzyme Commission)编号的酵母组做了多次实验,结果显示本文算法在所有104组EC中有88组具有最高的LFC(Logged Fold Change)得分,占所有的分组的84.6%,评估测试表明本文算法可以提高基因本体中基因功能相似性的准确性及其稳定性。(2)目前的基因本体主要依赖于领域专家手工构建,但是由于生物知识和数据的爆炸式增长,领域专家很难将其充分转化为基因本体中的术语和注释信息。为了提高基因本体术语扩展的效率,迫切需要自动化扩展基因本体术语的方法,辅助领域专家扩展基因本体术语。针对这一问题,提出了一种新的算法GO-Extension来有效地识别由相同的祖先术语标记的所有连接的基因对,GO-Extension用于通过生物网络数据预测新的GO术语并将它们连接到现有的GO。在生物过程分支实验中中,2007、2009、2011和2013年的数据分别包含193、241、275和286个验证术语。GO-Extension方法预测得到了184,265,289和282个术语。根据实验结果表明GO-Extension可以基于生物网络自动扩展新的GO术语。
唐智,刘志明,罗凌云,欧阳纯萍,万亚平[3](2019)在《一种改进的基因功能网络术语相似度计算方法》文中研究指明阐述现有基因术语间语义相似度计算方法,提出基于融合高斯核函数的重启随机游走的基因本体术语相似度算法(Random Walk with Restart-based Similarity Measure, RWRSM),测试算法性能并进行分析,结果表明该算法优于其他算法,可以提高准确性及稳定性。
彭佳杰[4](2015)在《基因本体术语相似度计算和扩展方法研究》文中研究指明基因本体主要用于描述基因和基因产物的属性,包括分子功能、生物过程和细胞组件三个方面。基因本体的术语相似度计算及术语扩展对基因功能分析、比较和预测等生物学研究热门领域具有非常重要的意义。现有相似度算法只考虑了基因本体中的部分信息或者受基因本体自身不完整性的影响,并不能够准确地衡量基因本体术语之间的相似度以及进一步衡量基因之间的相似度。此外,针对基因本体的不完整性,急需一个能够准确、自动地扩展基因本体术语的算法,来完善基因本体,从而满足生物数据爆炸式增长带来的构建和更新本体的需求。本文针对基因本体的术语相似度计算和术语扩展问题进行深入研究,主要内容如下:(1)基因本体是由领域科学家通过收集实验数据、文献资料等手工构建而成,基因本体本身并不完整,只包含已发现的部分基因功能注释信息,导致基因本体同分支中术语相似度计算的不准确。针对这一问题,本文提出了基于基因功能网络的基因本体同分支术语相似度算法NETSIM,在考虑基因本体所包含的信息的基础上,利用基因功能网络中包含的基因互作信息来弥补基因本体不完整性对术语相似度计算造成的影响。为了测试NETSIM算法的性能并同已有的同类算法进行比较,本文使用酵母、拟南芥和人类代谢反应网络三个数据集进行测试。结果表明,与现有的同类算法相比,NETSIM算法在具有不同基因本体注释密度的物种上都具有较高的准确性和鲁棒性。(2)基因本体包括分子功能、生物过程和细胞组件三个分支,不同分支术语之间的的关联关系不但能够为基因注释提供非常有用的证据,而且能够帮助解释生物学现象和提出生物学假设。目前的大部分术语相似度算法解决的是同分支术语相似度问题而忽略了跨分支术语相似度问题。仅有的跨分支术语相似度算法也只是简单地考虑术语名称之间的文本相似性或术语注释基因的重合度,并不能准确地计算跨分支术语之间的相似度。针对这一问题,本文提出了基因本体跨分支术语相似度算法Cro GO,利用具有物种特异性的基因功能网络发现基因本体跨分支术语之间的关联关系,同时利用向上传递的方法衡量跨分支术语对的信息量解决了术语对层次定位的问题。本文在标准数据集上比较Cro GO和同类算法的跨分支相似度计算结果。结果表明Cro GO算法的相似度计算准确性最高。本文还基于Cro GO算法建立了具有物种特异性的酵母和人类术语关联网络。富集分析测试表明,基于Cro GO算法建立的网络的准确性和覆盖率远远优于基于其他方法建立的网络。(3)基于基因本体的术语相似度,进一步计算基因之间的功能相似度是当前基因本体相关研究的热点领域,即利用基因本体中包含的丰富信息(包括注释信息,结构信息,最低公共祖先等)来比较基因之间的功能相似度。尽管目前已经有数十个基于基因本体衡量基因功能相似度的算法,但是这些算法一般都仅考虑了基因本体中某一种或几种类型的关系而忽略了其他有意义的信息,因此只能准确的衡量部分基因之间的功能相似度。针对上述问题,本文提出了基于多方法整合的基因功能相似度算法Inte GO2,旨在全面利用基因本体中包含的各种信息。Inte GO2算法能够自动选择合适的候选方法,然后基于启发式搜索方法整合这些候选方法。在基因本体分子功能分支和生物过程分支中的实验结果表明,Inte GO2算法的性能显着优于现有的基于基因本体的基因功能相似度算法。同时,Inte GO2算法对于不同输入的待整合算法集具有较好的鲁棒性,逐一去掉所有被整合算法中性能最好的4个算法,Inte GO2算法仍然具有较好的性能;加入一个基因相似度为随机生成的算法,Inte GO2算法仍然具有较好的性能。(4)目前的基因本体主要依赖于领域专家手工构建,但是由于生物知识和数据的爆炸式增长,领域专家很难将其充分转化为基因本体中的术语和注释信息。为了提高基因本体术语扩展的效率,迫切需要自动化扩展基因本体术语的方法,辅助领域专家扩展基因本体术语。针对这一需求,本文提出了基于基因网络聚类分析的基因本体术语扩展算法GOExtender,该算法能够通过整合与分析多个生物网络数据,从已有基因本体中选取可扩展术语,通过预测选取术语的子孙节点术语扩展现有基因本体。本文选取了4个不同版本(2007、2009、2011和2013)的基因本体数据,分别在生物过程和分子组件分支中进行了性能测试实验。和同类算法相比,GOExtender能够更加准确的扩展基因本体,生成新的基因本体术语。在此基础上,本文进一步选择了部分扩展术语在文献中进行了校验,结果表明发现的新术语能够在文献中找到有力的证据支持,极大地完善了基因本体。
王芳[5](2014)在《基于低碳交通的信号交叉口优化控制研究》文中提出随着城市私人小汽车保有量的迅速增加,道路交通拥堵现象日益严重,环境污染问题越来越受到人们的广泛关注。信号交叉口的通行效率对整个交通系统的运行起着至关重要的作用。以往的信控交叉口控制研究方法大多只考虑交通运行效率指标,很少将减排问题考虑在内,因此,提出一个兼顾交通流情况和尾气排放情况的交叉口信号优化方法具有重要的理论意义和实用价值。本文在既有研究成果的基础上,分析信号交叉口配时研究的内涵和意义,选取车辆在信号交叉口的延误、通行能力和CO排放量作为综合评价交叉口效率和进行信号配时的基础,将模糊折中规划多目标理论引入到信号配时模型构建中,并通过构造模糊偏好矩阵计算三个隶属度函数的权重,将其转为无量纲的单目标函数,建立了基于低碳交通的信号交叉口优化控制模型。将改进的粒子群算法和基于低碳交通的信号交叉口优化控制模型相结合,设计了模型的求解步骤。在实地调查交通数据的基础上,选取清远市典型交叉口进行配时模型的案例分析,采用动态加速常数协同惯性权重粒子群优化算法(WCPSO)对单目标函数进行求解,分别得到了单目标函数在p=1、p=2、p=+∞三种情况下的各相位的有效绿灯时间,并通过已构建的信号配时模型获取交叉口的延误、通行能力和CO排放量数值,同时基于上述三个影响因素分析比较得出最佳的信号配时方案。本研究运用美国微观交通仿真软件TSIS对案例交叉口进行交通仿真以验证优化模型的有效性。仿真结果表明,优化配时方案后的交叉口的每车延误比现状配时下的延误减少了9.7%,排队长度减少了15%,CO排放量减少10%,平均车速提高5.8%,交叉口服务水平得到显着提高。优化方案缩短了信号周期时间,重新分配了绿信比,使得车辆在交叉口的等待时间相应缩短,避免了原来所形成的冲突点,使车辆运行状态有所改善,整个交叉口的交通运行状况得到极大的提高。
杨达[6](2013)在《考虑后车的车辆跟驰行为建模及分析》文中研究表明随着经济的发展和制造业成本的下降,社会车辆保有量目益增加,而道路的供给增加速率远远赶不上车辆的增加速率,造成了严重的道路供需不平衡问题,这个问题在像我国这样的发展中国家,表现更加明显。此外,社会上车辆保有量的增加也加剧了环境的污染,增加了交通事故的发生率。在这种背景下,可以有效缓减交通拥堵、降低交通事故发生率并减少环境污染的新技术——ITS (Intelligent Transportation System)技术得到了很大的关注和快速地发展。在ITS技术中,一项受到世界各国学者重视的新技术——车联网技术(Connected Vehicle Technology, CVT或者是Internet of Vehicles,IOV)正在对交通环境产生巨大影响。在车联网环境下,车辆和车辆之间、车辆和交通设施之间、交通设施和设施之间的通信大大增强,驾驶员能接受到的外界刺激也随之大大增加,会使得驾驶员的驾驶行为发生重大变化。本论文关注的是在车联网环境下,车联网技术对车辆跟驰行为产生的影响,试图为新技术的到来在车辆跟驰行为理论上进行一定的准备。新的交通环境对车辆跟驰行为最直接的影响是在行驶过程中后车的信息得到了很大的加强,驾驶员的行为受到后车的影响较之以前更加明显。所以本文试图建立考虑后车的车辆跟驰模型,并在模型的基础上分析考虑后车的车辆跟驰行为的特点。此外,随着自动控制理论在交通领域的应用,特别是ACC (Adaptive Cruise Control)技术的发展,很多学者在寻找更为合适的车辆行驶控制机理,本文提出的考虑后车的车辆跟驰模型可以为ACC设计提供—种可能的控制机理。在对考虑后车的车辆跟驰模型进行分析时,发现当前车辆跟驰研究领域存在着-个重要的问题:当前车辆跟驰模型的标定方法标定出来的参数在仿真中会引起一些不真实的交通现象,所以本文在建立考虑后车的车辆跟驰模型并对其进行标定之前,首先提出了两种对当前车辆跟驰模型标定进行改进的方法,第一是对不合理交通现象(包括过大的加速度和减速度、超过限速的速度和过高频率的撞车)的惩罚方法,第二是误差权重法,主要是针对在车辆跟驰行为仿真中随着迭代次数的增加仿真误差不断积累的问题。选用了相对速度、安全距离和理想速度三大类车辆跟驰模型中的五个车辆跟驰模型GM, Bando, Gipps, FRESIM和IDM,并使用了着名的微观交通流实际数据——NGSIM (Next Generation Simulation)数据对这两种改进的方法进行评价。本文提出了一个考虑后车的车辆跟驰行为的建模框架,该框架可以将当前大部分的车辆跟驰模型转化为考虑后车的车辆跟驰模型。根据该建模框架,将Chandler, GM, Bando, Jiang, Gipps和NETSIM六个模型从当前形式发展为考虑后车的形式,建立了他们的考虑后车的车辆跟驰模型,并对这六个模型使用NGSIM数据进行了参数标定和在不同的后向控制比例下的加速度特点分析。作为车辆跟驰模型的一个十分重要的特点,本文对车辆跟驰模型的稳定性也分别使用理论分析法和基于真实数据的仿真法(虚拟环形路法)进行了分析,其中对考虑后车的Gipps车辆跟驰模型使用的是理论分析的方法,而对相对速度模型和理想速度模型使用的是基于实际数据的仿真分析法。通过分析,本文得到了如下的几个结论:1.本文所提出的改进的车辆跟驰模型标定方法——对不合理交通现象惩罚方法和对积累误差进行限制的误差权重法,通过仿真实验证明是有效的;2.不同的车辆跟驰模型在标定中可能会有不同的最优目标函数,但是当模型的最优目标函数不明确时,以位置为变量的加权MAE(Mean Absolute Error)在大部分模型中可以获得精度比较高的标定结果,而以速度为变量的加权U Theil’s函数在大部分模型中可以比较有效地控制仿真误差的积累;3.考虑后车的车辆跟驰模型比不考虑后车的车辆跟驰模型有更高的精度,也就是说考虑后车的车辆跟驰模型在一定程度上更能反映真实交通流的情况;4.在当前交通环境下的车辆跟驰行为中,前向控制占据了80%以上,而后向控制所占的比例比较小,而且大部分模型显示后车迫使前车加速的情况更为常见;5.随着后向控制比例的增加一些模型的前向后加速度分布会变得不规则,说明过高的后向控制比例会引起车辆跟驰行为的混乱,所以在对车辆行驶进行控制时,要将后向控制的比例限制在一定的合理范围内;6.本文得到的考虑后车的车辆跟驰模型的线性稳定性条件通式通过证明是正确的,它适用于在决策变量中不包含反应时间,决策变量为加速度,而且表达式相对简单的考虑后车的车辆跟驰模型;7.考虑后车的Gipps车辆跟驰模型显示后向控制对交通流有三种效果:使交通流变得稳定、使交通流变得不稳定、使交通流变得不合理,该结论丰富了当前有关后车对交通流稳定性影响的研究成果;8.基于实际数据的虚拟环形路仿真显示,自由交通流在加了扰动以后在稳定性测试中可能会发生严重的交通拥堵现象,而拥堵交通流在加了扰动以后也有可能达到自由流状态,虽然可能伴随着微小的波动;9.通常来说在自由流中可能没有必要考虑后向车辆对车辆跟驰行为的影响,而且后向控制的比例在总的决策中可能需要被限制在一个合理的范围内来避免交通协调和控制的失效。
张明西[7](2013)在《信息网络中的相似度搜索问题研究》文中指出现实生活中存在各种类型的实体,实体之间的相互联系共同构成了大规模的、互联的、复杂的交互网络,这些网络被统称为信息网络。信息网络实体之间的链接关系蕴涵着丰富的语义信息,分析这些信息有助于发现更多有价值的潜在知识。随着信息网络逐渐呈现大规模化和复杂化,设计开发一种有效的软件程序去探索网络潜在数据结构显得更加必要。信息网络方面的研究工作涉及到很多领域,如聚类、社区挖掘、离群点检测、相似度搜索等。相似度搜索作为信息网络研究中的一个重要方向,在近年已经受到了广泛关注。对于给定的查询实体,相似度搜索的主要任务是研究如何从信息网络中找到top-k个最相似的实体。相似度搜索问题研究对于很多实际应用具有现实意义,如推荐系统、链接关系预测、近似查询等。传统相似度搜索方法依据网络全局信息计算实体相似度,需要很高的时间开销和存储开销,不适用于大规模信息网络,SimRank、 PSimRank、P-Rank等。具有X-Star模式的信息网络(简称X-Star网络)是一种重要类型的信息网络,在现实生活中越来越普遍。X-Star网络包括中心实体和属性实体,实体之间的链接关系包括中心实体之间的链接关系、中心实体与属性实体之间的链接关系。本文围绕X-Star网络中的相似度搜索问题展开研究。X-Star网络中的相似度搜索问题研究的主要任务是根据指定的查询(中心实体)找到top-k个最相似的中心实体。在X-Star网络中,相似的中心实体通常指向相似的属性实体或被相似的属性实体指向。基于这种直观意义,本文提出一种X-Star网络中的相似度搜索方案,针对相似度计算的效率和存储、在线查询处理的执行效率、相似度计算的精确度等几个方面存在的问题展开研究。本文主要研究工作概括如下:1.针对相似度计算的效率和存储问题,提出一种X-Star网络中的相似度计算模型(NetSim),解决了现有相似度计算模型中存在的计算效率低、存储开销大等问题。首先依据网络全局结构信息构建属性实体之间的链接关系,提出了属性网络构建算法。在属性网络基础上,通过借鉴SimRank基本思想计算属性实体相似度。结合属性实体相似度,提出了NetSim相似度计算模型,NetSim依据属性实体相似度计算中心实体相似度。在计算中心实体相似度时不需要物化所有网络实体之间的相似度,显着降低了相似度计算的时间开销和存储开销。在DBLP和Amazon两个数据集上做了大量的实验。实验结果显示,NetSim计算模型的时间开销和存储开销显着低于现有方法,并且具有很好的计算效果。2.针对在线查询处理的执行效率问题,提出一种X-Star网络中的top-k相似度搜索方法,显着降低在线查询处理的执行时间。首先提出了基于NetSim的在线查询处理基本算法(NetSim-baseline),分析了NetSim-baseline算法的时间复杂度,指出影响NetSim-baseline算法时间开销的主要因素。结合分析,提出了剪枝索引(Pruning-index),给出了剪枝索引构建算法。基于剪枝索引提出中心实体相似度近似计算公式,并提出一种基于NetSim的在线查询处理剪枝算法(NetSim-pruning)。对NetSim-pruning算法的相关性质进行了大量理论分析和证明,指出了NetSim-pruning精确度损失的理论上界。NetSim-pruning在保证精确度的前提下,显着降低了在线查询处理的时间开销。在DBLP和Amazo擞据集上的实验结果显示,NetSim-pruning算法的时间开销低,并且具有很好的查询效果。3.针对相似度计算的精确度问题,提出了一种信息网络中的相似度计算模型(E-Rank)。E-Rank计算模型的直观意义是:如果从两个实体出发能够到达共同的实体,那么这两个实体是相似的。E-Rank考虑了实体之间任意距离的相遇情况,同时强调了链接关系重要性,克服了现有方法存在的结构信息利用不充分和链接关系重要性考虑不足等问题。在Enron邮件网络和高能物理理论引文网络两个数据集上做了大量实验。实验结果显示,与现有相似度计算方法相比,E-Rank具有较高的精确度。结合E-Rank与NetSim,提出了一种新的中心实体相似度计算模型(ENetSim)。ENetSim在离线处理阶段采用E-Rank计算属性实体相似度,依据属性实体相似度计算中心实体相似度。在Amazon数据集上的实验结果显示,与NetSim相比,ENetSim提高了中心实体相似度计算结果的精确度。
杨浩[8](2013)在《M-MAC:一种新型的无线传感器网络MAC协议》文中进行了进一步梳理无线传感器网络(Wireless Sensor Networks)是一个融合了多学科多领域的热点研究领域。近年来,随着研究的深入和应用范围的日益扩大,无线传感器网络获得了迅猛发展。无线传感器网络有着与传统无线网络明显不同的性能特点和技术要求。在无线传感器网络体系结构中,MAC(medium access control)协议作为保证网络高效通信的重要协议,一直是研究是热点。在很多现行的无线传感器网络MAC层协议中,吞吐量很大程度上受到了物理信道的利用率和协议开销的限制。事实上,现行的无线网络中,由于信道的垄断,广播和点对点的拓扑结构将物理信道的利用率限制在了一个相当低的程度。此外,由于缺少链路质量信息,协议引入的开销往往是序列和冗余的。包括信标和确认帧在内的网络控制包是一个协议的固有开销。这类控制包的丢失,会引起接收方的冗余,从而导致开销的额外增加。缺少链路信息使得一个节点无法针对减少这种开销采取进一步的措施。针对以上问题,本文在现有协议的基础上设计了一种基于一对多拓扑及链路信息的MAC层无线传感器网络协议(下称为M-MAC)。M-MAC通过帧聚合技术,实现了一个节点对多个节点同时发包,降低了网络开销,提高了物理信道利用率和网络的信息吞吐量。同时,M-MAC还设计了新的帧流程和通信时序,提高了协议的公平性。本文还自主编写实现了无线传感器网络MAC协议仿真平台,分别仿真实现了M-MAC,并与现有的部分无线传感器网络协议。本文最后通过仿真实验,比较分析了了几种无线传感器网络MAC协议与M-MAC的网络性能。通过仿真实验,与几种典型的MAC协议进行了对比分析,在网络吞吐量和公平性方面都有较大的提高。
朱军红,张晓波,胡宝,吴梦丽[9](2012)在《OMICRON测试仪NetSim网络模拟软件在CT饱和测试中的应用》文中研究说明介绍了利用OMICRON测试仪NetSim网络模拟软件进行CT饱和测试的具体方法,分析了影响互感器饱和的主要参数。利用NetSim网络模拟软件进行CT饱和测试,设置灵活、操作方便、模拟真实有效,在继电保护装置测试中具有重要作用。
朱毅[10](2010)在《基于三层交换技术的不同VLAN间互联的虚拟仿真实验研究》文中进行了进一步梳理基于三层交换技术的VLAN间互联方法是计算机网络课程实验教学的重、难点内容之一。针对该实验的教学要求与特点,提出了运用Boson Netsim软件提供的虚拟仿真平台进行实验教学设计,解决当前网络实验室建设中的棘手问题,增强学生对设备原理及工作过程的理解,提高网络实验的教学质量。
二、NETSIM模型的分析研究(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:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(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。
三、NETSIM模型的分析研究(论文提纲范文)
(1)基因本体和生物通路数据在筛选潜在疾病基因中的应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 基于基因本体的方法 |
1.2.2 基于生物通路的方法 |
1.2.3 其他方法 |
1.3 主要研究内容 |
1.4 本文组织结构 |
第2章 相关理论 |
2.1 疾病基因识别 |
2.2 基因本体 |
2.3 生物通路及Pathcard |
第3章 基于基因本体的疾病基因识别 |
3.1 引言 |
3.2 技术流程 |
3.2.1 技术流程 |
3.2.2 数据集 |
3.3 疾病基因的识别流程 |
3.3.1 基因本体术语相似度计算 |
3.3.2 基于基因本体的基因功能相似度 |
3.3.3 基于机器学习的疾病基因分类 |
3.4 实验和结果分析 |
3.4.1 实验流程 |
3.4.2 结果分析 |
3.5 本章小结 |
第4章 基于基因关联网络的基因本体术语扩展方法 |
4.1 引言 |
4.2 技术流程 |
4.2.1 技术流程 |
4.2.2 数据集 |
4.3 基于生物通路的功能相似度计算 |
4.4 实验与结果分析 |
4.4.1 实验流程 |
4.4.2 结果分析 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 本文工作总结 |
5.2 未来展望 |
参考文献 |
作者攻读硕士学位期间的科研成果 |
致谢 |
(2)基因本体术语相似度计算方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 研究目的与意义 |
1.3 国内外研究现状 |
1.3.1 基因本体术语相似度计算的研究现状 |
1.3.2 基因本体术语扩展方法的研究现状 |
1.4 本文的主要研究内容 |
第2章 相关工作 |
2.1 本体 |
2.2 基因本体 |
2.3 本体术语扩展 |
2.4 基因功能关联网络 |
第3章 一种基于基因功能网络计算术语相似度的改进算法 |
3.1 引言 |
3.2 现有基因术语间语义相似度计算方法 |
3.3 改进的基因术语间语义相似度计算方法 |
3.3.1 改进算法 |
3.4 术语相似度算法性能测试与分析 |
3.4.1 基于基因相似度的模型测试方法 |
3.4.2 实验数据与结果 |
3.5 本章小结 |
第4章 基于基因关联网络的基因本体术语扩展方法 |
4.1 引言 |
4.2 背景 |
4.3 实验方法 |
4.3.1 识别候选祖先术语的集合 |
4.3.2 构造基于边的二进制矩阵 |
4.3.3 挖掘连接的最大子矩阵 |
4.3.4 预测新术语和新术语关系 |
4.4 实验测试与分析 |
4.4.1 实验数据 |
4.4.2 模型性能测试方法描述 |
4.4.3 术语扩展结果 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 本文工作总结 |
5.2 未来工作展望 |
参考文献 |
作者攻读硕士学位期间的科研成果 |
致谢 |
(4)基因本体术语相似度计算和扩展方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景和意义 |
1.1.1 研究背景 |
1.1.2 研究的目的与意义 |
1.2 相关背景知识 |
1.2.1 本体 |
1.2.2 基因本体 |
1.2.3 基因本体语义相似度 |
1.2.4 本体术语扩展 |
1.2.5 基因功能关联网络 |
1.3 国内外研究现状 |
1.3.1 基因本体术语相似度计算的研究现状 |
1.3.2 基于术语相似度的基因功能相似度 |
1.3.3 基因本体术语扩展方法的研究现状 |
1.4 存在的主要问题 |
1.5 本文的主要研究内容 |
第2章 基于基因网络的基因本体同分支术语相似度计算方法 |
2.1 引言 |
2.2 同分支术语相似度计算方法研究 |
2.2.1 两个基因集合之间功能距离计算方法 |
2.2.2 基于路径约束的注释信息 |
2.2.3 基因本体术语相似度计算 |
2.3 同分支术语相似度算法性能测试与分析 |
2.3.1 基于基因相似度的模型测试方法 |
2.3.2 NETSIM算法实现与实验数据描述 |
2.3.3 基于代谢反应网络的模型性能测试 |
2.3.4 NETSIM算法分步性能测试 |
2.3.5 NETSIM算法鲁棒性分析与研究 |
2.4 本章小结 |
第3章 基因本体中跨分支术语相似度计算方法 |
3.1 引言 |
3.2 跨分支术语相似度计算方法研究 |
3.2.1 跨分支基因集合关联性分析 |
3.2.2 跨分支术语相似度计算 |
3.2.3 跨分支关联术语方向确定方法研究 |
3.3 跨分支术语相似度算法性能测试与分析 |
3.3.1 基于标准数据集的模型性能测试 |
3.3.2 分子功能术语与生物过程术语关联网络构建 |
3.3.3 跨分支术语关联关系保守性分析 |
3.4 本章小结 |
第4章 基于多方法整合的基因功能相似度计算方法 |
4.1 引言 |
4.2 多方法整合基因相似度计算方法研究 |
4.2.1 基于排序的基因相似度标准化 |
4.2.2 整合方法选取算法研究 |
4.2.3 基于目标函数的参数优化方法 |
4.3 多方法整合的基因功能相似度算法性能测试与分析 |
4.3.1 性能测试数据集 |
4.3.2 基于酶编号基因分组信息的算法性能测试 |
4.3.3 基于代谢通路基因分组信息的算法性能测试 |
4.3.4 基于蛋白质序列的算法性能测试 |
4.3.5 待整合方法集影响分析 |
4.3.6 基因功能关联网络构建 |
4.4 本章小结 |
第5章 基于基因关联网络的基因本体术语扩展方法 |
5.1 引言 |
5.2 基因本体术语扩展放法研究 |
5.2.1 扩展术语识别方法研究 |
5.2.2 基于基因网络的边矩阵构建方法研究 |
5.2.3 最大连通子矩阵挖掘算法研究 |
5.2.4 新术语及其关系预测方法研究 |
5.3 基因本体术语扩展算法性能测试与分析 |
5.3.1 测试使用的基因本体与基因网络数据 |
5.3.2 模型性能测试方法描述 |
5.3.3 术语扩展结果 |
5.3.4 基于基因网络的术语扩展模型测试 |
5.3.5 术语扩展模型应用与结果分析 |
5.4 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
致谢 |
个人简历 |
(5)基于低碳交通的信号交叉口优化控制研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 论文研究内容 |
1.4 论文研究结构 |
第2章 城市信号控制交叉口基础理论 |
2.1 信号控制常用模型 |
2.1.1 延误模型 |
2.1.2 停车率模型 |
2.1.3 排队长度模型 |
2.1.4 通行能力模型 |
2.1.5 饱和度模型 |
2.2 车辆污染物排放模型 |
2.2.1 按适用范围分类的排放模型 |
2.2.2 按影响因素分类的排放模型 |
2.3 多目标优化配时模型 |
2.4 本章小结 |
第3章 基于低碳交通的信号交叉口优化控制方法 |
3.1 基于低碳交通的的信号交叉口配时模型 |
3.2 用于配时设计的模糊折中规划多目标规划方法 |
3.3 基于改进粒子群算法的信号配时目标函数求解 |
3.3.1 粒子群算法原理 |
3.3.2 求解信号配时目标函数 |
3.4 本章小结 |
第4章 单点信号交叉口优化模型算例分析 |
4.1 交叉口概况 |
4.1.1 现场交通调查 |
4.1.2 数据分析与处理 |
4.1.3 交叉口现状分析 |
4.2 基于低碳交通的信号交叉口优化控制研究 |
4.2.1 交通参数计算 |
4.2.2 信号配时优化 |
4.2.3 计算结果分析 |
4.3 本章小结 |
第5章 信号交叉口优化控制交通仿真 |
5.1 TSIS 仿真软件 |
5.1.1 TSIS 仿真软件的功能 |
5.1.2 TSIS 的输入输出系统分析 |
5.1.3 NETSIM 模型简介 |
5.1.4 交通仿真流程 |
5.2 交叉口交通仿真 |
5.2.1 基础数据 |
5.2.2 仿真模型建立 |
5.2.3 仿真结果分析 |
5.3 本章小结 |
结论 |
参考文献 |
致谢 |
(6)考虑后车的车辆跟驰行为建模及分析(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.1.1 智能交通 |
1.1.2 车联网技术 |
1.2 研究的对象 |
1.3 研究的意义 |
1.4 研究内容技术路线 |
1.4.1 研究内容 |
1.4.2 研究的技术路线 |
1.5 研究方法与创新点 |
1.5.1 研究方法 |
1.5.2 创新点 |
第2章 文献综述 |
2.1 车辆跟驰模型及参数标定 |
2.1.1 相对速度模型 |
2.1.2 安全距离模型 |
2.1.3 理想速度模型 |
2.1.4 生理-心理模型 |
2.1.5 模糊逻辑模型 |
2.2 考虑后车的车辆跟驰模型 |
2.2.1 基于RV模型的双向控制模型 |
2.2.2 基于OV模型的双向控制模型 |
2.3 车辆跟驰模型稳定性文献综述 |
2.4 当前研究的不足 |
第3章 改进的车辆跟驰模型参数标定方法 |
3.1 车辆跟驰模型参数标定及存在的问题 |
3.1.1 车辆跟驰模型参数标定方法简介 |
3.1.2 车辆跟驰模型参数标定方法中的问题 |
3.2 车辆跟驰模型积累误差稳定性分析 |
3.3 改进的车辆跟驰模型参数标定方法 |
3.3.1 不合理交通现象惩罚方法 |
3.3.2 误差权重方法 |
3.4 仿真实验设计和结果评价 |
3.4.1 实验数据说明 |
3.4.2 仿真过程说明 |
3.4.3 仿真结果评价方案 |
3.5 结果分析 |
3.5.1 参数评定结果 |
3.5.2 积累误差分析 |
3.6 小结 |
第4章 考虑后车的车辆跟驰模型建立及控制特性分析 |
4.1 考虑后车的车辆跟驰模型 |
4.1.1 考虑后车的车辆跟驰模型框架 |
4.1.2 考虑后车的车辆跟驰模型建立 |
4.2 仿真实验设计 |
4.2.1 模型调整 |
4.2.2 实验数据 |
4.2.3 模型标定 |
4.3 评价方法 |
4.3.1 标定结果评价 |
4.3.2 前向控制和后向控制行为比较分析 |
4.4 结果分析 |
4.4.1 模型标定结果分析 |
4.4.2 前向控制和后向控制加速度特点分析 |
4.5 小节 |
第5章 考虑后车的车辆跟驰模型稳定性分析 |
5.1 车辆跟驰模型稳定性分析方法 |
5.1.1 理论分析法 |
5.1.2 虚拟环形路仿真分析 |
5.2 CA模型线性稳定性理论分析 |
5.2.1 考虑后车的Gipps车辆跟驰模型 |
5.2.2 考虑后车的Gipps车辆跟驰模型线性稳定性分析 |
5.2.3 数值仿真 |
5.3 RV和OV模型虚拟环形路仿真分析 |
5.4 小结 |
结论 |
致谢 |
参考文献 |
攻读博士期间发表的论文 |
(7)信息网络中的相似度搜索问题研究(论文提纲范文)
摘要 |
Abstract |
目录 |
表格 |
插图 |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 研究现状 |
1.2.1 相似度计算问题 |
1.2.2 基于离线计算相似度的搜索方案 |
1.2.3 基于在线计算相似度的搜索方案 |
1.3 X-Star网络中的相似度搜索方案 |
1.3.1 基本概念 |
1.3.2 方案描述 |
1.3.3 研究中存在的问题 |
1.4 论文主要工作 |
1.5 论文组织结构 |
1.6 本章小结 |
第二章 相关工作 |
2.1 相似度计算模型概述 |
2.1.1 基于直接共同邻居的相似度计算模型 |
2.1.2 基于间接共同邻居的相似度计算模型 |
2.1.3 基于随机游走的相似度计算模型 |
2.2 相似度计算效率优化方法概述 |
2.3 相似度搜索研究概述 |
2.4 本章小结 |
第三章 NetSim:一种X-Star网络中的相似度计算方法 |
3.1 引言 |
3.2 异构信息网络的权值调整方法 |
3.2.1 关系重要性 |
3.2.2 链接关系权值 |
3.2.3 时间复杂度分析 |
3.3 构建属性网络 |
3.3.1 属性网络定义 |
3.3.2 属性实体的链接关系 |
3.3.3 属性网络构建算法 |
3.3.4 时间复杂度分析 |
3.4 属性实体相似度计算 |
3.4.1 转移概率 |
3.4.2 计算公式 |
3.5 NetSim |
3.5.1 NetSim基本公式 |
3.5.2 NetSim计算公式 |
3.5.3 复杂度分析 |
3.5.4 分析与讨论 |
3.6 实验 |
3.6.1 实验设置 |
3.6.2 效率测试 |
3.6.3 存储开销 |
3.6.4 效果测试 |
3.6.5 网络规模增加时的开销情况 |
3.7 本章小结 |
第四章 X-Star网络中的top-k相似度搜索问题研究 |
4.1 引言 |
4.2 问题定义 |
4.3 NetSim-baseline:基于NetSim的在线查询处理基本算法 |
4.3.1 NetSim-baseline算法描述 |
4.3.2 NetSim-baseline复杂度分析 |
4.4 NetSim-pruning:一种基于NetSim的在线查询处理剪枝算法 |
4.4.1 NetSim相似度计算公式的等价定义 |
4.4.2 剪枝索引 |
4.4.3 剪枝策略 |
4.4.4 剪枝索引构建算法 |
4.4.5 NetSim-pruning算法描述 |
4.4.6 NetSim-pruning时间复杂度分析 |
4.4.7 相关定理及其证明 |
4.5 实验 |
4.5.1 实验设置 |
4.5.2 效果测试 |
4.5.3 效率测试 |
4.5.4 网络规模变化增加时的开销情况 |
4.6 本章小结 |
第五章 E-Rank:一种信息网络中的相似度计算方法 |
5.1 引言 |
5.2 E-Rank |
5.2.1 基本概念 |
5.2.2 可达概率 |
5.2.3 E-Rank基本公式 |
5.2.4 E-Rank计算算法 |
5.2.5 权值调整 |
5.2.6 时间复杂度分析 |
5.3 E-Rank在真实数据集中的实验效果 |
5.3.1 实验设置 |
5.3.2 邮件网络 |
5.3.3 论文引用网络 |
5.3.4 关系强度计算的时间开销 |
5.4 ENetSim:E-Rank在NetSim中的应用 |
5.4.1 ENetSim基本公式 |
5.4.2 基于ENetSim的在线查询处理 |
5.5 ENetSim在真实数据集中的实验效果 |
5.6 本章小结 |
第六章 结束语 |
6.1 总结 |
6.2 展望 |
参考文献 |
发表文章目录 |
致谢 |
(8)M-MAC:一种新型的无线传感器网络MAC协议(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题背景及课题来源 |
1.1.1 课题来源 |
1.1.2 选题背景 |
1.1.3 研究目标与意义 |
1.2 研究内容 |
1.3 本文组织结构 |
第2章 无线传感器网络的 MAC 协议研究现状 |
2.1 WSN MAC 协议分析 |
2.2 基于竞争的 MAC 协议 |
2.2.1 S-MAC(Sensor-MAC) |
2.2.2 S-MAC 的改进——T-MAC(Timeout-MAC)协议 |
2.2.3 B-MAC 协议 |
2.2.4 B-MAC 的改进 |
2.2.5 Sift 和 P-MAC 协议 |
2.3 基于调度的 MAC 协议 |
2.3.1 基于簇的调度协议 |
2.3.2 流量自适应 MAC 协议(Traffic-adaptive MAC,TRAMA)及其改进 |
2.3.3 DMAC 协议 |
2.4 混合的 MAC 协议 |
2.4.1 Z-MAC(zebra MAC)[27] |
2.5 其他 MAC 协议及相关研究工作 |
2.6 总结和展望 |
第3章 M-MAC 协议算法设计 |
3.1 M-MAC 简介 |
3.2 帧流程 |
3.2.1 丢失的 ACK |
3.2.2 数据包请求阈值α |
3.3 MAC 层单跳子网 |
3.3.1 链路质量和链路相关性 |
3.3.2 机会性转发 |
3.4 通信时序 |
3.4.1 时序 |
3.4.2 MAC 中的接收方公平 |
3.4.3 基于效率的发送者竞争 |
3.5 帧设计 |
3.5.1 帧类型 |
3.5.2 帧聚合和编码 |
3.5.3 报文格式 |
3.6 小结 |
第4章 M-MAC 仿真系统设计与实现 |
4.1 现有的网络仿真软件分析 |
4.2 网络仿真软件架构 |
4.3 网络仿真软件模块介绍 |
4.3.1 Simulator 模块 |
4.3.2 Sim_parameters 模块 |
4.3.3 Printout 模块 |
4.3.4 Trace_parser 模块 |
4.3.5 Packet 模块 |
4.3.6 Node 模块 |
4.3.7 Mac 模块 |
4.4 小结 |
第5章 仿真实验结果与分析 |
5.1 评价参数 |
5.1.1 实验参数 |
5.1.2 吞吐量 |
5.1.3 公平 |
5.2 基于吞吐量的实验结果及分析 |
5.2.1 单跳网络 |
5.2.2 多跳网络 |
5.3 基于公平性的实验结果及分析 |
5.4 小结 |
第6章 全文总结及展望 |
6.1 工作总结 |
6.2 下一步的工作展望 |
参考文献 |
攻读硕士学位期间已参与的项目、发表文章及专利 |
致谢 |
附件 |
四、NETSIM模型的分析研究(论文参考文献)
- [1]基因本体和生物通路数据在筛选潜在疾病基因中的应用[D]. 何戈锐. 南华大学, 2020(01)
- [2]基因本体术语相似度计算方法研究[D]. 唐智. 南华大学, 2019(01)
- [3]一种改进的基因功能网络术语相似度计算方法[J]. 唐智,刘志明,罗凌云,欧阳纯萍,万亚平. 医学信息学杂志, 2019(02)
- [4]基因本体术语相似度计算和扩展方法研究[D]. 彭佳杰. 哈尔滨工业大学, 2015(02)
- [5]基于低碳交通的信号交叉口优化控制研究[D]. 王芳. 湖南大学, 2014(04)
- [6]考虑后车的车辆跟驰行为建模及分析[D]. 杨达. 西南交通大学, 2013(10)
- [7]信息网络中的相似度搜索问题研究[D]. 张明西. 复旦大学, 2013(03)
- [8]M-MAC:一种新型的无线传感器网络MAC协议[D]. 杨浩. 上海交通大学, 2013(07)
- [9]OMICRON测试仪NetSim网络模拟软件在CT饱和测试中的应用[J]. 朱军红,张晓波,胡宝,吴梦丽. 华电技术, 2012(09)
- [10]基于三层交换技术的不同VLAN间互联的虚拟仿真实验研究[J]. 朱毅. 电脑知识与技术, 2010(28)