A. 網路連接中速度和信號強度什麼關系
當然信號強度越高，速度越快，但是一般情況下，不明顯，因為最差信號下的最大網速也要大於你的包月帶寬。。。
B. 度量廊道特點的主要指標有哪些
[論述題] ：
度量廊道特點的主要指標有哪些？試述其含義。
廊道及網路的度量指標 ： 主要有連接度、環度、曲度、間斷。
1.連接度是廊洞轎搏道與廊道網路內所有結點的連帆段接程度，也稱網路連接度。
2.環度是指連接網路中現有結點的環路存在程度。
3.曲度即廊道的彎曲程度。
4.間斷是納祥指連續分布的廊道出現的空隙或裂口。
C. 網路的概念，網路與互聯網的區別
計跡寬算機網路，是指將地理位置不同的具有獨立功能的多台計算機及其外部設備，通過通信線路連接起來，在姿唯亮網路操作系統，網路管理軟體及網路通信協議的管理和協調下，實現資源共享和信息傳遞的計算機系統。\x0d\x0a最龐大的計算機網路就是網際網路。它由非常多的計算機網路通過許多路由器互聯而成。[1]因此網際網路也稱為「網路的網路」。\x0d\x0a\x0d\x0a互聯山樑網，即廣域網、區域網及單機按照一定的通訊協議組成的國際計算機網路。互聯網是指將兩台計算機或者是兩台以上的計算機終端、客戶端、服務端通過計算機信息技術的手段互相聯系起來的結果，人們可以與遠在千里之外的朋友相互發送郵件、共同完成一項工作、共同娛樂。
D. 什麼是交通連接度
這個是經濟地理學上的概念。交通網的連雀梁接度表示的是交通網路的發達程度。簡單點說就是任意兩城市間有多少條道路相連接，連接的道路越多，就表明兩城市間的交薯歲嫌通網很發達。一般都是用β指數，γ指數，或者α指數來表數手示的。
呵呵，希望能幫到你呀。
E. 交通網連接度貝塔指數有什麼不足之處
交通網連接度貝塔指數有不足之處是只考慮了節點度數，沒有考慮道路長度。
1、只考慮了節點度數和鄰居節點度數的影響，沒有考慮節點的重要性和影響力。在實際的城市道路網路中，節點的重要性可能不僅僅取決於其度數，還可能與其位置、交通流量、交通方式等多種因素相關。
2、沒有考慮道路長度和道路拓撲結構對城市交通網路的野攜或影響。實際的城市道路網路中頌伍，道路不僅僅是節點之間的連接，還具有長度、寬度、拓撲結構和交通流量隱掘等多種特徵，這些特徵對城市交通網路的連通性和穩定性都有很大的影響。
F. 請問：網路連接度 是什麼
如需組織一個理想的網狀網， 則各節點間就需要有一定的連接度， 即每個節點最好有3個以上物理連接方向，特別是一些業務量較大的局向要有物理連接。只有網路有了一定連接度的條件下，整個網路在網狀恢復、利用率等方面才能較好發揮優勢。
G. 腦網路分析的指標
1. 邊( link，edge) ，腦區間的功能連接
2. 節點(vertex 或 node) ，腦區
3. 節點度(degree) ，度ki，直接連接在一個節點的邊的個數， 節點的度越大則該節點的連接就越多, 節點在網路中的地位也就越重要.
4. 度分布(degree distribution) ， 度分布P(k) 是網路最基本的一個拓撲性質, 它表示在網路中等概率隨機選取的節點度值正好為k 的概率, 實際分析中一般用 網路中度值為k 的節點占總節點數的比例近似表示 . 擁有不同度分布形式的網路在面對網路攻擊時會表現出截然不同的網路行為。
5. 區域核心節點(provincial hub)
6. 連接中樞點( connector hub)
7. 中心度(centrality) 中間中心度bi(centrality). 一個節點對網路中其他節點的信息流的影響。中心度是一個用來 刻畫網路中節點作用和地位的統計指標 , 中心度最大的節點被認為是網路中的 核心節點(hub) .
8. 度中心度(degree centrality) ，最常用的 度中心度以節點度刻畫其在網路中的中心程度
9. 介數中心度( betweenness centrality) ，介數中心度(betweenness centrality)則從信息流的角度出發定義節點的中心程度. 介數中心性用來確定網路中最中心的節點，即網路中起橋梁作用的節點。hub腦區大多數位於接受多個腦區信息的聯絡皮層，比如豆狀核，海馬，顳中回，頂上回，額上回等。 節點i 的介數 Bi 定義為通過該節點的最短路徑的數目。歸一化介數可通過如下公式計算：
介數越大的節點代表網路中越關鍵的節點（如 hub 節點），在該研究中我們定義網路的hub 節點為 bi 大於 1.5 倍的所有節點的介數平均值。
對於網路G 中的任意一點i, 其介數中心度的計算公式如下
10. 節點強度( node strength) ， 加權網路中由於考慮了邊的權值，無權網路中的度與度的分布特徵在加權網路中進一步推廣為強度與強度的分布。與節點度相比， 節點強度不僅考慮了與節點連接的邊的數目，更進一步考慮了與節點連接的相應的邊的權值 ，能夠更加科學的衡量作者的局部網喊卜絡特徵，在採用累積頻次加權的作者合作加權網路中，節點強度是指作者與其合作對象的累積絕對合作頻次。
11. 最短路徑長度(shortest path length) ，最短路徑長度，(shortest path length).最短路徑鄭或穗對網路的信息傳輸起著重要的作用, 是描述網路內部結構非常重要的一個參數. 最短路徑刻畫了網路中某一節點的信息到達另一節點的最優路徑,通過最短路徑可以更快地傳輸信息, 從而節省系統資源. 兩個節點i,j之間邊數最少的一條通路稱為此兩點之間的最短路徑, 該通路所經過團慶的邊的數目即為節點i,j之間的最短路徑長度, lij. 網路最短路徑長度L 描述了網路中任意兩個節點間的最短路徑長度的平均值
12. 特徵路徑長度( characteristic path length) Lp ，網路整體路由效率的程度。對於特徵路徑長度的計算，有斷鍵重連的標准小世界網路方法和添加長鍵轉化小世界網路方法。 該指標衡量了網路的信息並行處理的能力或全局效率（1/ Lp），特徵路徑長度的增加說明了腦區之間的信息傳輸和交互效率降低。 一個網路的特徵路徑長度 Lp ， 是網路中任意兩節點的最短路徑的平均 ：
13. 聚類系數( clustering coefficient) ，聚類系數Cp，網路的聚類程度，集群系數衡量的是網路的集團化程度, 是度量網路的另一個重要參數, 表示某一節點i 的鄰居間互為鄰居的可能. 節點i 的集群系數Ci的值等於該節點鄰居間實際連接的邊的數目(ei)與可能的最大連接邊數(ki(ki–1)/2)的比值。 該指標衡量了網路的局部聚集性或者信息傳輸的局部效率。 網路中所有節點集群系數的平均值為網路的集群系數。
14.局部效率(local efficiency) ，局部效率Eloc，衡量如何高效的傳播信息通過節點的直接相鄰節點，由於集群系數只考慮了鄰居節點間的直接連接, 後來有人提出局部效率(local efficiency)Eloc的概念. 集群系數和局部效率度量了網路的局部信息傳輸能力, 也在一定程度上反映了網路防禦隨機攻擊的能力。任意節點i 的局部效率為
該指標描述了網路的容錯能力，表明當移除節點 i 後它直接相鄰的節點間的通信效率。
15.全局效率( global efficiency) ，全局效率 Eglob 描述了網路對於信息並行處理的能力，定義為任意兩節點的最短路徑的調和平均值的倒數，全局效率Eglob，衡量如何有效的通過整個網路傳播信息，通常最短路徑長度要在某一個連通圖中進行運算, 因為 如果網路中存在不連通的節點會導致這兩個節點間的最短路徑長度值為無窮 . 因此有人提出了全局效率(global efficiency)Eglob的概念。最短路徑長度和全局效率度量了網路的全局傳輸能力. 最短路徑長度越短, 網路全局效率越高, 則網路節點間傳遞信息的速率就越快. 全局效率的降低說明腦區之間的信息傳輸和交互效率降低。
16.外徑(Diameter) ,The longest of all the geodesics, and the geodesics is a shortest path between two nodes. If we are looking for the diameter of a network, we are really looking at all the shortest paths and then choosing the longest one.
17.平均最短路徑（Average path length） , It's calculated by finding the shortest path between all the nodes, adding them up, and then dividing by the total number of pairs. It will show us the number of steps on average it takes to get from one member to another in the network. For example, 721 million users with an average path length of just 4.74, in these network, we show that it is at once both global and local, it connects nodes which are far away but also has the dense local structure, and this is called the small world phenomena.
18.AAL模板, AAL全稱是Anatomical Automatic Labeling，AAL分區是由 Montreal Neurological Institute (MNI)機構提供的。AAL模板一共有116個區域，但只有90個屬於大腦，剩餘26個屬於小腦結構，研究的較少。
19.MNI空間， 是Montreal Neurological Institute根據一系列正常人腦的磁共振圖像而建立的坐標系統。Native空間就是原始空間。圖像沒有做任何變換時就是在原始空間。在這個空間中圖像的維度、原點、voxel size等都是不同的， 不同被試的圖像之間不具有可比性 ， 計算出來的任何特徵都不能進行統計分析 ，或是用於機器學習。所以 必須對所有被試的圖像進行配准標准化到同一個模板上，這樣所有被試的維度、原點、voxel size就一樣了。 使用MNI標准模板，就表示把圖像轉換至MNI空間了。 一般而言MNI模板是最常用的，研究的比較多。 標准空間的圖像也是指MNI空間的圖像。
20.Talairach空間， 和MNI空間的坐標有對應的關系，很多軟體都提供這個功能，如Mricron、REST等。Talairach空間只要是為了判別當前坐標在什麼結構上，注意Talairach atlas and Talairach coordinates 就是Stereotaxic space.
21.全局網路度Kp ，節點 i 的連接度 Ki 定義為與該節點直接相連的邊的數目，高度連接的節點的度較大。該指標用來描述一個網路的稀疏度。全局網路的度Kp 為網路中所有節點的度的平均：
22.小世界屬性，基於體素和基於腦區的研究都表明人腦功能網路都具有高效的小世界屬性。 For example, 721 million users with an average path length of just 4.74, in these network, we show that it is at once both global and local, it connects nodes which are far away but also has the dense local structure, and this is called t he small world phenomena . 小世界網路( small-world network) 網路的小世界屬性：高的聚類系數和短的特徵路徑長度。小世界的拓撲結構支持大腦信息處理的分化和整合功能，是一種經濟型的結構，支持高度復雜動態結構的同時，使得配線代價最低。具有小世界屬性的動態系統通常有較好的抗攻擊性，而且表現出比較高的信息傳輸速度，計算能力和同步性。
23. 攻擊性， 用來定量描述某個節點的失敗對網路行為的影響。節點 i 的攻擊性Vi 定義為： 當去掉節點 i 及其連接的邊後網路全局效率的變化 ，可通過如下公式計算：
其中 Eglob』表示去掉節點 i 及其連接的邊後網路的全局效率。 攻擊性同介數中心性一樣也是反映了節點在網路中的重要性。
24.節點效率ei， 衡量一個節點與其他節點通信的效率
25.結構性連接，
26.模塊化結構，
27.結構性腦網路( structural brain networks 或anatomical brain networks)
28.功能性腦網路( functional brain networks)
29.因效性腦網路( effective brain networks)
30.無標度網路( scale-free network)
31.隨機網路( random network)
32.規則網路( regular network)
33.無向網路( undirected network)
34.加權網路( weighted network)
35.相位同步( phase synchronization)
36.連接密度(connection density/cost)
37.互相關分析( cross-correlation analysis)
38.因果關系分析( Causality analysis)
39.直接傳遞函數分析( Directed Transfer Function，DTF)
40.部分定向相干分析( Partial Directed Coherence，PDC)
多變數自回歸建模( multivariate autoregressivemodel，MVAR)
獨立成分分析( independent component analysis，ICA)
步似然性(synchronization likelihood, SL)
結構方程建模(structural equationmodeling, SEM)
動態因果建模(dynamic causalmodeling, DCM)
心理生理交互作用模型(Psychophysiological interaction model)
非度量多維定標(non-metric multidimensional scaling)
體素形態學(voxel-based morphometry,VBM)
統計參數映射（statistical parametric mapping，SPM）
皮爾遜相關系數（Pearson correlation）
偏相關系數（Partial correlation）
腦功能連接，度量空間上分離的不同腦區間在時間上和相關性和功能活動的統計依賴關系，是描述腦區之間協同工作模式的有效手段。
方法學：（1）定義被試的節點的方法：AAL模板和自動配准；（2）定義邊：確定性的纖維跟蹤演算法，HARDI,DSI,概率跟蹤演算法；（3）二值網和加權網的選擇；
最大連通子圖大小，SOBCC（Size of Biggest Connected Component），代表網路連通分量的大小。
H. 網路的概念
網路是由若干節點和連接這些節點的鏈路構成，表示胡差諸多對象及其相互聯系。在1999年之前，人們一般認為網路的結構都是隨機的。但隨著Barabasi和Watts在1999年分別發現了網路的無標度和小世界特性並分別在世界著名的晌明《科學》褲謹皮和《自然》雜志上發表了他們的發現之後，人們才認識到網路的復雜性。
I. 計算機網路的概念是什麼
計算機（Computer）是一種能接收和存儲信息，並按照存儲在其內部的程序（這些程序是人們意志的體現）對輸入的信息進行加工、處理，然後把處理結果輸出的高度自動化的電子設備。
==========================================================
計算機網路的概念：
對「計算機網路」這個概念的理解和段培定義，隨著計算機網好陪絡本身的發展，人們提出了各種不同的觀點。
早期的計算機系統是高度集中的，所有的設備安裝在單獨的大房間中，後來出現了批處理和分時系統，
分時系統所連接的多個終端必須緊接著主計算機。50年代中後期，許多系統都將地理上分散的多個終端通過
通信線路連接到一台中心計算機上，這樣就出觀了第一代計算機網路。
第一代計算機網路是以單個計算機為中心的遠程聯機系統。典型應用是由一台計算機和全美范圍內
2000多個終端組成的飛機定票系統。
終端：一台計算機的外部設備包括CRT控制器和鍵盤，無GPU內存。
隨著遠程終端的增多，在主機前增加了前端機FEP當時，人們把計算機網路定義為「以傳輸信息為目的而
連接起來，實現遠程信息處理或近一步達到資源共享的系統」，但這樣的通信系統己具備了通信的雛形。
第二代計算機網路是以多個主機通過通信線路互聯起來，為用戶提供服務，興起於60年代後期，典型代
表是美國國防部高級研究計劃局協助開發的ARPAnet。
主機之間不是直接用線路相連，而是介面報文處理機IMP轉接後互聯的。IMP和它們之間互聯的通信線路
一起負責主機間的通信任務，構成了通信子網。通信子網互聯的主機負責運行程序，提供資源共享，組成了
資源子網。
兩個主機間通信時對傳送信息內容的理解，信息表示形式以及各種情況下的應答信號都必須遵守一個共
同的約定，稱為協議。
在ARPA網中，將協議按功能分成了若干層次，如何分層，以及各層中具體採用的協議的總和，稱為網路
體系結構，體系結構是個抽象的概念，其具體實現是通過特定的硬體和軟體來完成的。
70年代至80年代中第二代網路得到迅猛的發展。
第二代網路以通信子網為中心。這個時期，網路概念為「以能夠相互共享資源為目的互聯起來的具有獨
立功能的計算機之集合體」，形成了計算機網路的基本概念。
第三代計算機網路是具有統一的網路體系結構並遵循國際標準的開放式和標准化的網路。
IS0在1984年頒布了0SI／RM，該模型分為七個層次，也稱為0SI七層模型，公認為新一代計算機網路體系
結構的基礎。為普及區域網奠定了基礎。
70年代後，由於大規模集成電路出現，區域網由於投資少，方便靈活而得到了廣泛的應用和迅猛的發展
，與廣域網相比有共性，如分層的體系結構，又有不同的特性，如區域網為節省費用而不採用存儲轉發的方
式，而是由單個的廣握襪唯播信道來連結網上計算機。
第四代計算機網路從80年代末開始，區域網技術發展成熟，出現光纖及高速網路技術，多媒體，智能網
絡，整個網路就像一個對用戶透明的大的計算機系統，發展為以Internet為代表的互聯網。 計算機網路：將
多個具有獨立工作能力的計算機系統通過通信設備和線路由功能完善的網路軟體實現資源共享和數據通信的
系統。
從定義中看出涉及到三個方面的問題：
(1)至少兩台計算機互聯。
(2)通信設備與線路介質。
(3)網路軟體，通信協議和NOS
J. 2021-03-28 WGCNA
加權基因共表達網路分析 (WGCNA, Weighted correlation network analysis)是基於基因的共表達特性進行基因模塊聚類，以探索基因與性狀之間的關聯性，基因模塊與性狀的關聯性，並篩選網路中的核心基因。
相關概念
co-expression network (共表達網路)： 一種無方向性的，加權網路，網路的節點代表基因（也可以是蛋白質、代謝產物等），網路的變可以描述基因和基因間共表達程度的高低。為了衡量基因間共表達程度的高低，在計算基因間相關系數（例如皮爾森相關系數）的基礎上，對其進行β次方加權，進而可以強化強相關性節點的關系。
Weighted (加權) ：指對相關性值進行冪次運算 。 這種處理方式強化了強相關，弱化了弱相關或負相關，使得相關性數值更符合無標度網路特徵，更具有生物意義。如果沒有合適的 power ，一般是由於部分樣品與其它樣品因為某種原因差別太大導致的，可根據具體問題移除部分樣品或查看後面的經驗值。
Adjacency matrix(鄰接矩陣) ：鄰接矩陣有分布在0-1之間的數值組成，是基因和基因之間的加權相關性值構成的矩陣，用來描述節點間相關性強度。
TOM (Topological overlap matrix) ：拓撲重疊是通過比較兩個節點和網路中其他節點的加權相關性來定量描述節點間相似性的方法。把鄰接矩陣轉換為拓撲重疊矩陣，以降低噪音和假相關，獲得的新距離矩陣，這個信息可拿來構建網路或繪制TOM圖。
Mole(模塊) ：指具有高拓撲重疊相似性的基因集，即高度內連的基因集。共表達模塊是更加非相似性矩陣，利用聚類演算法獲得的。在無向網路中，模塊內是高度 相關 的基因。在有向網路中，模塊內是高度 正相關 的基因。把基因聚類成模塊後，可以對每個模塊進行三個層次的分析：1. 功能富集分析查看其功能特徵是否與研究目的相符；2. 模塊與性狀進行關聯分析，找出與關注性狀相關度最高的模塊；3. 模塊與樣本進行關聯分析，找到樣品特異高表達的模塊。
Mole eigengene （ME） ：給定模塊的第一主成分，代表整個模塊的基因表達譜，用來描述模塊在各樣品中的表達模式。
Mole membership (MM) ：指給定基因和給定ME之間的相關系數，描述基因屬於一個模塊的可靠性。
Intramolar connectivity （模塊內連通性） ：某一個基因的模塊內連通性等同於該基因與模塊內其他基因關聯程度之和，該值越大說明這個基因在模塊中越處於核心位置。
Connectivity (連通性) ：類似於網路中 "度"(degree)的概念。每個基因的連連通性是與其相連的基因的邊屬性之和。
Hub gene ：關鍵基因 (連接度最多或連接多個模塊的基因)。
Gene significance (GS)： 基因顯著性，定義單個基因與外部信息的關聯性，即基因與某個性狀的相關性。
基本分析流程
1.建立關系矩陣：計算兩個基因表達量之間的相關系數，構建成關系矩陣。
2. 建立鄰接矩陣：根據基因表達的相關系數進行加權計算，構建鄰接矩陣。
3. 建橡族立拓撲重疊矩陣：計算節點間的相異程度，將鄰接矩陣轉換為拓撲重疊矩陣。
4.基因模塊識別：基於拓撲鄰接矩陣，進早畢行層級聚類分析，並根據設定標准切分聚類結果，獲得不同的基因模塊，用聚類樹的分枝和不同顏色表示。
5. 核心模塊選擇：根據表型特徵確定核心模塊。
6.核心基因篩選：基於基因連通性篩選核心基因，並圍繞核心基因進行網路構建
WGCNA分析輸入數據
鑒於WGCNA依靠基因的共表達情況進行分析，因此必須要有足夠的樣本數，才能保證相關系數計算的准確性；此外樣本必須包含豐富的變化信息，才能鑒定出有意義的基因模塊。因此WGCNA對於輸入數據有一定的要求：1.不包含生物學重復的獨立樣本組：樣本數>=8；2.包含生物學重復的樣本組：樣本數>=15；3. 輸入數據要求是進行標准化的數據；4. 輸入數據的基因數建議不要超過5000（可以根據陸如芹變化程度或者表達豐度進行篩選；基因越多，運行時間越長）。