A. 网络连接中速度和信号强度什么关系
当然信号强度越高，速度越快，但是一般情况下，不明显，因为最差信号下的最大网速也要大于你的包月带宽。。。
B. 度量廊道特点的主要指标有哪些
[论述题] ：
度量廊道特点的主要指标有哪些？试述其含义。
廊道及网络的度量指标 ： 主要有连接度、环度、曲度、间断。
1.连接度是廊洞轿搏道与廊道网络内所有结点的连帆段接程度，也称网络连接度。
2.环度是指连接网络中现有结点的环路存在程度。
3.曲度即廊道的弯曲程度。
4.间断是纳祥指连续分布的廊道出现的空隙或裂口。
C. 网络的概念，网络与互联网的区别
计迹宽算机网络，是指将地理位置不同的具有独立功能的多台计算机及其外部设备，通过通信线路连接起来，在姿唯亮网络操作系统，网络管理软件及网络通信协议的管理和协调下，实现资源共享和信息传递的计算机系统。\x0d\x0a最庞大的计算机网络就是因特网。它由非常多的计算机网络通过许多路由器互联而成。[1]因此因特网也称为“网络的网络”。\x0d\x0a\x0d\x0a互联山梁网，即广域网、局域网及单机按照一定的通讯协议组成的国际计算机网络。互联网是指将两台计算机或者是两台以上的计算机终端、客户端、服务端通过计算机信息技术的手段互相联系起来的结果，人们可以与远在千里之外的朋友相互发送邮件、共同完成一项工作、共同娱乐。
D. 什么是交通连接度
这个是经济地理学上的概念。交通网的连雀梁接度表示的是交通网络的发达程度。简单点说就是任意两城市间有多少条道路相连接，连接的道路越多，就表明两城市间的交薯岁嫌通网很发达。一般都是用β指数，γ指数，或者α指数来表数手示的。
呵呵，希望能帮到你呀。
E. 交通网连接度贝塔指数有什么不足之处
交通网连接度贝塔指数有不足之处是只考虑了节点度数，没有考虑道路长度。
1、只考虑了节点度数和邻居节点度数的影响，没有考虑节点的重要性和影响力。在实际的城市道路网络中，节点的重要性可能不仅仅取决于其度数，还可能与其位置、交通流量、交通方式等多种因素相关。
2、没有考虑道路长度和道路拓扑结构对城市交通网络的野携或影响。实际的城市道路网络中颂伍，道路不仅仅是节点之间的连接，还具有长度、宽度、拓扑结构和交通流量隐掘等多种特征，这些特征对城市交通网络的连通性和稳定性都有很大的影响。
F. 请问：网络连接度 是什么
如需组织一个理想的网状网， 则各节点间就需要有一定的连接度， 即每个节点最好有3个以上物理连接方向，特别是一些业务量较大的局向要有物理连接。只有网络有了一定连接度的条件下，整个网络在网状恢复、利用率等方面才能较好发挥优势。
G. 脑网络分析的指标
1. 边( link，edge) ，脑区间的功能连接
2. 节点(vertex 或 node) ，脑区
3. 节点度(degree) ，度ki，直接连接在一个节点的边的个数， 节点的度越大则该节点的连接就越多, 节点在网络中的地位也就越重要.
4. 度分布(degree distribution) ， 度分布P(k) 是网络最基本的一个拓扑性质, 它表示在网络中等概率随机选取的节点度值正好为k 的概率, 实际分析中一般用 网络中度值为k 的节点占总节点数的比例近似表示 . 拥有不同度分布形式的网络在面对网络攻击时会表现出截然不同的网络行为。
5. 区域核心节点(provincial hub)
6. 连接中枢点( connector hub)
7. 中心度(centrality) 中间中心度bi(centrality). 一个节点对网络中其他节点的信息流的影响。中心度是一个用来 刻画网络中节点作用和地位的统计指标 , 中心度最大的节点被认为是网络中的 核心节点(hub) .
8. 度中心度(degree centrality) ，最常用的 度中心度以节点度刻画其在网络中的中心程度
9. 介数中心度( betweenness centrality) ，介数中心度(betweenness centrality)则从信息流的角度出发定义节点的中心程度. 介数中心性用来确定网络中最中心的节点，即网络中起桥梁作用的节点。hub脑区大多数位于接受多个脑区信息的联络皮层，比如豆状核，海马，颞中回，顶上回，额上回等。 节点i 的介数 Bi 定义为通过该节点的最短路径的数目。归一化介数可通过如下公式计算：
介数越大的节点代表网络中越关键的节点（如 hub 节点），在该研究中我们定义网络的hub 节点为 bi 大于 1.5 倍的所有节点的介数平均值。
对于网络G 中的任意一点i, 其介数中心度的计算公式如下
10. 节点强度( node strength) ， 加权网络中由于考虑了边的权值，无权网络中的度与度的分布特征在加权网络中进一步推广为强度与强度的分布。与节点度相比， 节点强度不仅考虑了与节点连接的边的数目，更进一步考虑了与节点连接的相应的边的权值 ，能够更加科学的衡量作者的局部网喊卜络特征，在采用累积频次加权的作者合作加权网络中，节点强度是指作者与其合作对象的累积绝对合作频次。
11. 最短路径长度(shortest path length) ，最短路径长度，(shortest path length).最短路径郑或穗对网络的信息传输起着重要的作用, 是描述网络内部结构非常重要的一个参数. 最短路径刻画了网络中某一节点的信息到达另一节点的最优路径,通过最短路径可以更快地传输信息, 从而节省系统资源. 两个节点i,j之间边数最少的一条通路称为此两点之间的最短路径, 该通路所经过团庆的边的数目即为节点i,j之间的最短路径长度, lij. 网络最短路径长度L 描述了网络中任意两个节点间的最短路径长度的平均值
12. 特征路径长度( characteristic path length) Lp ，网络整体路由效率的程度。对于特征路径长度的计算，有断键重连的标准小世界网络方法和添加长键转化小世界网络方法。 该指标衡量了网络的信息并行处理的能力或全局效率（1/ Lp），特征路径长度的增加说明了脑区之间的信息传输和交互效率降低。 一个网络的特征路径长度 Lp ， 是网络中任意两节点的最短路径的平均 ：
13. 聚类系数( clustering coefficient) ，聚类系数Cp，网络的聚类程度，集群系数衡量的是网络的集团化程度, 是度量网络的另一个重要参数, 表示某一节点i 的邻居间互为邻居的可能. 节点i 的集群系数Ci的值等于该节点邻居间实际连接的边的数目(ei)与可能的最大连接边数(ki(ki–1)/2)的比值。 该指标衡量了网络的局部聚集性或者信息传输的局部效率。 网络中所有节点集群系数的平均值为网络的集群系数。
14.局部效率(local efficiency) ，局部效率Eloc，衡量如何高效的传播信息通过节点的直接相邻节点，由于集群系数只考虑了邻居节点间的直接连接, 后来有人提出局部效率(local efficiency)Eloc的概念. 集群系数和局部效率度量了网络的局部信息传输能力, 也在一定程度上反映了网络防御随机攻击的能力。任意节点i 的局部效率为
该指标描述了网络的容错能力，表明当移除节点 i 后它直接相邻的节点间的通信效率。
15.全局效率( global efficiency) ，全局效率 Eglob 描述了网络对于信息并行处理的能力，定义为任意两节点的最短路径的调和平均值的倒数，全局效率Eglob，衡量如何有效的通过整个网络传播信息，通常最短路径长度要在某一个连通图中进行运算, 因为 如果网络中存在不连通的节点会导致这两个节点间的最短路径长度值为无穷 . 因此有人提出了全局效率(global efficiency)Eglob的概念。最短路径长度和全局效率度量了网络的全局传输能力. 最短路径长度越短, 网络全局效率越高, 则网络节点间传递信息的速率就越快. 全局效率的降低说明脑区之间的信息传输和交互效率降低。
16.外径(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.平均最短路径（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全称是Anatomical Automatic Labeling，AAL分区是由 Montreal Neurological Institute (MNI)机构提供的。AAL模板一共有116个区域，但只有90个属于大脑，剩余26个属于小脑结构，研究的较少。
19.MNI空间， 是Montreal Neurological Institute根据一系列正常人脑的磁共振图像而建立的坐标系统。Native空间就是原始空间。图像没有做任何变换时就是在原始空间。在这个空间中图像的维度、原点、voxel size等都是不同的， 不同被试的图像之间不具有可比性 ， 计算出来的任何特征都不能进行统计分析 ，或是用于机器学习。所以 必须对所有被试的图像进行配准标准化到同一个模板上，这样所有被试的维度、原点、voxel size就一样了。 使用MNI标准模板，就表示把图像转换至MNI空间了。 一般而言MNI模板是最常用的，研究的比较多。 标准空间的图像也是指MNI空间的图像。
20.Talairach空间， 和MNI空间的坐标有对应的关系，很多软件都提供这个功能，如Mricron、REST等。Talairach空间只要是为了判别当前坐标在什么结构上，注意Talairach atlas and Talairach coordinates 就是Stereotaxic space.
21.全局网络度Kp ，节点 i 的连接度 Ki 定义为与该节点直接相连的边的数目，高度连接的节点的度较大。该指标用来描述一个网络的稀疏度。全局网络的度Kp 为网络中所有节点的度的平均：
22.小世界属性，基于体素和基于脑区的研究都表明人脑功能网络都具有高效的小世界属性。 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 . 小世界网络( small-world network) 网络的小世界属性：高的聚类系数和短的特征路径长度。小世界的拓扑结构支持大脑信息处理的分化和整合功能，是一种经济型的结构，支持高度复杂动态结构的同时，使得配线代价最低。具有小世界属性的动态系统通常有较好的抗攻击性，而且表现出比较高的信息传输速度，计算能力和同步性。
23. 攻击性， 用来定量描述某个节点的失败对网络行为的影响。节点 i 的攻击性Vi 定义为： 当去掉节点 i 及其连接的边后网络全局效率的变化 ，可通过如下公式计算：
其中 Eglob’表示去掉节点 i 及其连接的边后网络的全局效率。 攻击性同介数中心性一样也是反映了节点在网络中的重要性。
24.节点效率ei， 衡量一个节点与其他节点通信的效率
25.结构性连接，
26.模块化结构，
27.结构性脑网络( structural brain networks 或anatomical brain networks)
28.功能性脑网络( functional brain networks)
29.因效性脑网络( effective brain networks)
30.无标度网络( scale-free network)
31.随机网络( random network)
32.规则网络( regular network)
33.无向网络( undirected network)
34.加权网络( weighted network)
35.相位同步( phase synchronization)
36.连接密度(connection density/cost)
37.互相关分析( cross-correlation analysis)
38.因果关系分析( Causality analysis)
39.直接传递函数分析( Directed Transfer Function，DTF)
40.部分定向相干分析( Partial Directed Coherence，PDC)
多变量自回归建模( multivariate autoregressivemodel，MVAR)
独立成分分析( independent component analysis，ICA)
步似然性(synchronization likelihood, SL)
结构方程建模(structural equationmodeling, SEM)
动态因果建模(dynamic causalmodeling, DCM)
心理生理交互作用模型(Psychophysiological interaction model)
非度量多维定标(non-metric multidimensional scaling)
体素形态学(voxel-based morphometry,VBM)
统计参数映射（statistical parametric mapping，SPM）
皮尔逊相关系数（Pearson correlation）
偏相关系数（Partial correlation）
脑功能连接，度量空间上分离的不同脑区间在时间上和相关性和功能活动的统计依赖关系，是描述脑区之间协同工作模式的有效手段。
方法学：（1）定义被试的节点的方法：AAL模板和自动配准；（2）定义边：确定性的纤维跟踪算法，HARDI,DSI,概率跟踪算法；（3）二值网和加权网的选择；
最大连通子图大小，SOBCC（Size of Biggest Connected Component），代表网络连通分量的大小。
H. 网络的概念
网络是由若干节点和连接这些节点的链路构成，表示胡差诸多对象及其相互联系。在1999年之前，人们一般认为网络的结构都是随机的。但随着Barabasi和Watts在1999年分别发现了网络的无标度和小世界特性并分别在世界着名的晌明《科学》裤谨皮和《自然》杂志上发表了他们的发现之后，人们才认识到网络的复杂性。
I. 计算机网络的概念是什么
计算机（Computer）是一种能接收和存储信息，并按照存储在其内部的程序（这些程序是人们意志的体现）对输入的信息进行加工、处理，然后把处理结果输出的高度自动化的电子设备。
==========================================================
计算机网络的概念：
对“计算机网络”这个概念的理解和段培定义，随着计算机网好陪络本身的发展，人们提出了各种不同的观点。
早期的计算机系统是高度集中的，所有的设备安装在单独的大房间中，后来出现了批处理和分时系统，
分时系统所连接的多个终端必须紧接着主计算机。50年代中后期，许多系统都将地理上分散的多个终端通过
通信线路连接到一台中心计算机上，这样就出观了第一代计算机网络。
第一代计算机网络是以单个计算机为中心的远程联机系统。典型应用是由一台计算机和全美范围内
2000多个终端组成的飞机定票系统。
终端：一台计算机的外部设备包括CRT控制器和键盘，无GPU内存。
随着远程终端的增多，在主机前增加了前端机FEP当时，人们把计算机网络定义为“以传输信息为目的而
连接起来，实现远程信息处理或近一步达到资源共享的系统”，但这样的通信系统己具备了通信的雏形。
第二代计算机网络是以多个主机通过通信线路互联起来，为用户提供服务，兴起于60年代后期，典型代
表是美国国防部高级研究计划局协助开发的ARPAnet。
主机之间不是直接用线路相连，而是接口报文处理机IMP转接后互联的。IMP和它们之间互联的通信线路
一起负责主机间的通信任务，构成了通信子网。通信子网互联的主机负责运行程序，提供资源共享，组成了
资源子网。
两个主机间通信时对传送信息内容的理解，信息表示形式以及各种情况下的应答信号都必须遵守一个共
同的约定，称为协议。
在ARPA网中，将协议按功能分成了若干层次，如何分层，以及各层中具体采用的协议的总和，称为网络
体系结构，体系结构是个抽象的概念，其具体实现是通过特定的硬件和软件来完成的。
70年代至80年代中第二代网络得到迅猛的发展。
第二代网络以通信子网为中心。这个时期，网络概念为“以能够相互共享资源为目的互联起来的具有独
立功能的计算机之集合体”，形成了计算机网络的基本概念。
第三代计算机网络是具有统一的网络体系结构并遵循国际标准的开放式和标准化的网络。
IS0在1984年颁布了0SI／RM，该模型分为七个层次，也称为0SI七层模型，公认为新一代计算机网络体系
结构的基础。为普及局域网奠定了基础。
70年代后，由于大规模集成电路出现，局域网由于投资少，方便灵活而得到了广泛的应用和迅猛的发展
，与广域网相比有共性，如分层的体系结构，又有不同的特性，如局域网为节省费用而不采用存储转发的方
式，而是由单个的广握袜唯播信道来连结网上计算机。
第四代计算机网络从80年代末开始，局域网技术发展成熟，出现光纤及高速网络技术，多媒体，智能网
络，整个网络就像一个对用户透明的大的计算机系统，发展为以Internet为代表的互联网。 计算机网络：将
多个具有独立工作能力的计算机系统通过通信设备和线路由功能完善的网络软件实现资源共享和数据通信的
系统。
从定义中看出涉及到三个方面的问题：
(1)至少两台计算机互联。
(2)通信设备与线路介质。
(3)网络软件，通信协议和NOS
J. 2021-03-28 WGCNA
加权基因共表达网络分析 (WGCNA, Weighted correlation network analysis)是基于基因的共表达特性进行基因模块聚类，以探索基因与性状之间的关联性，基因模块与性状的关联性，并筛选网络中的核心基因。
相关概念
co-expression network (共表达网络)： 一种无方向性的，加权网络，网络的节点代表基因（也可以是蛋白质、代谢产物等），网络的变可以描述基因和基因间共表达程度的高低。为了衡量基因间共表达程度的高低，在计算基因间相关系数（例如皮尔森相关系数）的基础上，对其进行β次方加权，进而可以强化强相关性节点的关系。
Weighted (加权) ：指对相关性值进行幂次运算 。 这种处理方式强化了强相关，弱化了弱相关或负相关，使得相关性数值更符合无标度网络特征，更具有生物意义。如果没有合适的 power ，一般是由于部分样品与其它样品因为某种原因差别太大导致的，可根据具体问题移除部分样品或查看后面的经验值。
Adjacency matrix(邻接矩阵) ：邻接矩阵有分布在0-1之间的数值组成，是基因和基因之间的加权相关性值构成的矩阵，用来描述节点间相关性强度。
TOM (Topological overlap matrix) ：拓扑重叠是通过比较两个节点和网络中其他节点的加权相关性来定量描述节点间相似性的方法。把邻接矩阵转换为拓扑重叠矩阵，以降低噪音和假相关，获得的新距离矩阵，这个信息可拿来构建网络或绘制TOM图。
Mole(模块) ：指具有高拓扑重叠相似性的基因集，即高度内连的基因集。共表达模块是更加非相似性矩阵，利用聚类算法获得的。在无向网络中，模块内是高度 相关 的基因。在有向网络中，模块内是高度 正相关 的基因。把基因聚类成模块后，可以对每个模块进行三个层次的分析：1. 功能富集分析查看其功能特征是否与研究目的相符；2. 模块与性状进行关联分析，找出与关注性状相关度最高的模块；3. 模块与样本进行关联分析，找到样品特异高表达的模块。
Mole eigengene （ME） ：给定模块的第一主成分，代表整个模块的基因表达谱，用来描述模块在各样品中的表达模式。
Mole membership (MM) ：指给定基因和给定ME之间的相关系数，描述基因属于一个模块的可靠性。
Intramolar connectivity （模块内连通性） ：某一个基因的模块内连通性等同于该基因与模块内其他基因关联程度之和，该值越大说明这个基因在模块中越处于核心位置。
Connectivity (连通性) ：类似于网络中 "度"(degree)的概念。每个基因的连连通性是与其相连的基因的边属性之和。
Hub gene ：关键基因 (连接度最多或连接多个模块的基因)。
Gene significance (GS)： 基因显着性，定义单个基因与外部信息的关联性，即基因与某个性状的相关性。
基本分析流程
1.建立关系矩阵：计算两个基因表达量之间的相关系数，构建成关系矩阵。
2. 建立邻接矩阵：根据基因表达的相关系数进行加权计算，构建邻接矩阵。
3. 建橡族立拓扑重叠矩阵：计算节点间的相异程度，将邻接矩阵转换为拓扑重叠矩阵。
4.基因模块识别：基于拓扑邻接矩阵，进早毕行层级聚类分析，并根据设定标准切分聚类结果，获得不同的基因模块，用聚类树的分枝和不同颜色表示。
5. 核心模块选择：根据表型特征确定核心模块。
6.核心基因筛选：基于基因连通性筛选核心基因，并围绕核心基因进行网络构建
WGCNA分析输入数据
鉴于WGCNA依靠基因的共表达情况进行分析，因此必须要有足够的样本数，才能保证相关系数计算的准确性；此外样本必须包含丰富的变化信息，才能鉴定出有意义的基因模块。因此WGCNA对于输入数据有一定的要求：1.不包含生物学重复的独立样本组：样本数>=8；2.包含生物学重复的样本组：样本数>=15；3. 输入数据要求是进行标准化的数据；4. 输入数据的基因数建议不要超过5000（可以根据陆如芹变化程度或者表达丰度进行筛选；基因越多，运行时间越长）。