面向脑网络分类的图卷积神经网络方法及其扩展研究

发布时间：2020-12-21 02:03

　　近年来,人工智能发展迅速。基于大脑影像数据对脑疾病进行诊断和分析获得了大量医生和人工智能研究学者们的关注。从大脑影像数据出发,可以构建其对应的脑网络。许多的研究集中在子图挖掘技术上,然而脑网络的潜在结构非常复杂,仅仅依靠子图挖掘这一浅层模型无法捕捉脑网络中存在的高度非线性结构。如何基于脑网络利用人工智能技术进行非线性数据挖掘和分析,从而帮助医生理解、认识和预防多种目前难以根治的脑疾病,具有重大的意义。本文的研究正是基于上述挑战和机遇,主要研究工作安排如下:一、针对如何将深度学习应用到图拓扑数据的挖掘和分类以及现有的卷积模式无法有效地捕捉图数据中的节点局部模式的缺点。本文利用图节点和周围相邻节点的直接相连关系,导出了适合于卷积神经网络的图局部模式,再在此基础上定义了行卷积滤波器。为了保证网络层次堆叠的过程中不会损失过多的图拓扑结构信息,提出了相应的结构保持池化操作,解决了行卷积神经网络在堆叠的时候因为损失过多的图结构信息而出现严重的过拟合现象。最后,通过在真实的脑网络数据集上进行的脑疾病诊断分类实验,验证了本文的方法在所有代表性方法中都获得了最好的结果。并且扩展实验也表明,该方法具有特征... 

【文章来源】：南京航空航天大学江苏省 211工程院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

Boosting算法原理

图 2. 2 Bagging 算法原理Bagging 的动机在于我们利用弱学习器之间的独立性，通过集成这些独立的弱学习器，集成学习器的误差可以极大地降低。该方法先从原始数据集当中采样得到与原始数据集样本个数同样大小的采样集合，再利用这些不同的采样集合学习得到不同的学习器，并最终对输出的弱学习器集合得到强学习器。在二分类模型中，假定我们的每个弱分类器⊕ 有如下误差： ( ( ) ( )) ( - ▄)则当我们集成所有的 个分类后，强分类器为： ( ) (◎ ( ) ) ( - ▅)此时，只要多数（超过一半）的弱分类器能给出正确决策，则我们的集成分类器 ( )能给出正确决策。并且根据 Hoeffding 不等式，集成学习器的泛化误差为： ( ) ( ) ◎ ( ) ≤ ⊥ ( ) ( - ▆)这表明，集成分类器的泛化误差会随着基分类器的个数的增加而指数下降，并趋向于零。Bagging

应用于脑网络分类，因为社会网络或分子网络通常对每个节点具有不同的标签信息，有自己的整体类别标签。并且脑网络具有很多从低阶到高阶的结构信息，有效地利用可以极大地帮助脑网络类别的分类[28]。因此，在大多数 DNN 方法中，卷积神经网络（C很好的方法，CNN 可以识别简单的结构，然后利用这些简单的结构来识别更复杂的结在人脸识别中，他们首先在前几个卷积层中发现人眼、嘴和其他小器官，然后在最后层中构成整个人脸。然而，由于脑网络的局部性不同于传统的欧氏网格结构数据，为图像设计的卷积通常不适合用于脑网络。在欧几里得网格结构数据中，一个点的邻接周围的点。不同的是，这个属性在图拓扑数据中并不总是有效的。如图 3.1 所示，节点 在图 3.1(a)中很接近，它们是图 3.1 (b)中的近邻。然而它们不是图 3.1 (c)中的近邻，尽 (b)和图 3.1 (c)表示相同的图拓扑，即图 3.1 (a)。因此，王等人[32]提出了图重排序，使中的边更紧密。它可以缓解这种情况，但不能保证我们可以捕获所有的局部节点。另许多方法[52,53]在图数据分类上有很好的性能，但是即使它们在脑网络分类上有效，也病变区域，而这对于理解疾病非常有帮助。因此，我们的目标是定义一个合适的卷积它不仅可以找到局部结构，并且有助于识别疾病区域。从而对整个脑精神疾病有更好也更有利于帮助我们预防甚至根治这些脑精神疾病。


本文编号：2928977