• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Asilomar Conference on Signals, Systems and Computers >Multiscale network analysis through tail-greedy bottom-up approximation, with applications in neuroscience
【24h】

Multiscale network analysis through tail-greedy bottom-up approximation, with applications in neuroscience

机译：通过尾部贪婪自下而上逼近进行多尺度网络分析，并将其应用于神经科学

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

We propose the TGUH (Tail-Greedy Unbalanced Haar) transform for networks, which results in an orthonormal, adaptive decomposition of the network adjacency matrix into Haar-wavelet like components. The `tail-greediness' of the algorithm - indicating multiple greedy steps are taken in a single pass through the data - enables both fast computation and consistent estimation of network signals. We focus on development of our multiscale network decomposition and a corresponding method for network signal denoising. Moreover, we establish consistency of our resulting denoising methodology, present numerical simulations illustrating compression, and illustrate through application to signals on diffusion tensor imaging (DTI) networks.
机译：我们提出了针对网络的TGUH（尾部-格雷德不平衡Haar）变换，该变换将网络邻接矩阵进行正交，自适应分解为类似Haar小波的分量。该算法的“尾巴贪婪性”（表示在一次通过数据过程中采取了多个贪婪步骤）可以实现网络信号的快速计算和一致的估计。我们专注于多尺度网络分解的发展以及网络信号去噪的相应方法。此外，我们建立了所得降噪方法的一致性，提供了说明压缩的数值模拟，并通过应用于扩散张量成像（DTI）网络上的信号进行了说明。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号