XM-620脊髓横断模型 （第五颈椎附脊髓和脊神经放大模型）   XM-620脊髓横断模型（第五颈椎附脊髓和脊神经放大模型）显示第五颈椎、椎动脉、椎静脉与脊髓的横切面以及脊神经组成、硬脊膜、蛛网膜下隙等结构。 尺寸：放大，28×25×9cm 材质：PVC材料

XM-131B女性骨盆附盆底肌和神经模型   XM-131B女性骨盆附盆底肌和神经模型显示骨盆、骨盆的韧带、盆底肌、神经和会阴等结构，共有50个部位数字指示标志及对应文字说明。 尺寸：自然大，21×30×22cm 材质：PVC材料

XM-429眼球与眼眶附血管神经放大模型   XM-429眼球与眼眶附血管神经放大模型可拆分为10部件，由眼眶、眼球壁、巩膜、脉络膜和视网膜、玻璃体、眼球外肌以及眼眶壁和鼻甲等组成，显示眼（包括眼球壁和内容物）、眼副器（包括眼睑、结膜、泪器和眼球外肌）以及眼的血管和神经等结构。 尺寸：放大，28×32×41.5cm 材质：PVC材料

XM-644内囊与基底神经节立体解剖模型   XM-644内囊与基底神经节立体解剖模型可拆分为2部件，左半侧显示丘脑、尾状核、杏仁核、豆状核的形态位置及相互间的关系，右半侧显示内囊。 尺寸：放大，8×11.5×13cm 材质：玻璃钢材料

XM-D004头面部自主神经分布电动模型   XM-D004头面部自主神经分布电动模型显示头面部副交感神经的传导路、脑干中的动眼神经副核、上泌涎核和下泌涎核，脊髓断面上的灰质侧角等传导通路。   一、显示内容： ■ 副交感部低级中枢 ■ 动眼神经副核 ■ 上泌涎核 ■ 下泌涎核 ■ 脊髓灰质侧角   二、技术参数： ■ 尺寸：49×23×65cm ■ 材质：PVC材料+木框   三、标准配置： ■ XM-D004头面部自主神经分布电动模型：1台 ■ 电源线：1根 ■ 说明书：1册 ■ 保修卡合格证：1张

XM-137颈椎模型   XM-137颈椎模型（枕骨颈椎和椎动脉脊神经模型）显示由7节颈椎带枕骨、椎动脉和脊神经串制而成的一个整体，示枕骨颈椎和椎动脉脊神经的关系。 尺寸：自然大 材质：PVC材料

XM-620脊髓横断模型 （第五颈椎附脊髓和脊神经放大模型）   XM-620脊髓横断模型（第五颈椎附脊髓和脊神经放大模型）显示第五颈椎、椎动脉、椎静脉与脊髓的横切面以及脊神经组成、硬脊膜、蛛网膜下隙等结构。 尺寸：放大，28×25×9cm 材质：PVC材料

XM-118头颅骨附血管神经模型（仿真头颅模型10部分）   XM-118头颅骨附血管神经模型（仿真头颅模型10部分）可分解成10个部件，由颅顶、颅底矢状切面、额骨、颞骨、上颌骨、犁骨等10个部件等组成，显示脑颅骨、面颅骨和颅的整体观形态结构，颅顶、颅底的硬脑膜窦和动脉用彩色标志。 尺寸：自然大，20×13×18cm 材质：PVC材料

本发明的主要工作是基于多源异构网络推断主体(用户)之间的社 会关系(包括同类型之间或不同类型之间的主体关系，本发明中只以用 户为例)的方法，异构网络是指网络中主体类型多种或者主体之间的关 系类型多种，关系可以分为好友和其他两种。主要内容包括在两个(例 如 Twitter 网络、通讯网络)异构网络中，两个网络的主体类型都包含有 用户，但不同网络中主体之间的关系链接类型是不同的在 Twitter 网络 中用户之间的关系是

成果描述：通信网络关键节点可视化分析系统提供了Degree、 Betweenness centrality、Closeness centrality、 Eigenvector centrality、 HITS和PageRank等中心性计算算法。 不同的算法适用于不同的场合。Degree算法表示节点的直接影响力强弱。 节点的Degree中心性值越高，该节点的直接影响力越大。 Betweenness centrality算法研究节点之间的通信程度和节点对信息的控制， 使用该算法可以准确找到网络中某些“流量”非常大的重要节点；本算法可用于设计网络的通信协议、 优化网络部署和检测网络瓶颈等。Closeness centrality研究信息传播的独立性和有效性； 本算法反映了节点在网络中居于中心的程度；本算法可用于考察一个节点不依靠其它节点来传播信息的程度。Eigenvector centrality基于特征向量的方法不仅考虑节点邻居数量还考虑了其质量对节点重要性的影响， 这是从网络中节点的地位和名望角度考虑，适用于网页排序。HITS是一种重要的网页重要性排序算法，主要适用于网络信息检索领域。 PageRank是网页排序领域中最著名的算法；该算法基于网页的链接结构给网页排序；它认为万维网中一个页面的重要性取决于指向它的其它页面的数量和质量；本算法适用于网页排序。 在本系统中可以方便、轻松和快捷的使用以上算法；输入数据，选择中心性算法，系统会快速展现算法分析结果；结果中越重要的节点在画面展示中直径越大， 直径越小的节点表示节点的重要性越低；在系统右侧栏目中节点以重要性程度降序排序，前五个节点名字用红色突出标记。 以上展示方式是为了让分析人员方便分 析数据。市场前景分析：发掘网络中重要性节点 （边）一直是图论领域 的一个基本问题。随着 近年来复杂网络研究热 潮的兴起，特别是很多 实际网络所抽象出来的 复杂网络，表现出了与 以往图理论不同的特性， 如小世界特性、无尺度 特性等。如何在复杂网 络环境下，发掘重要性 节点已经成为复杂网络 研究的一个基本问题， 同时网络中节点的重要 性进行评估具有重要的 实用价值。尤其对各种 各样具体的网络，更可 以有针对性地分析其性 质，制定正确的策略和 措施。与同类成果相比的优势分析：本系统提供了更多的中 心性算法，分析人员可 以在本系统上从多角度 分析数据，从而得出更 为准确的分析结果； 本系统提供了数据可视 化的展示方式，并且将 重要的节点突出展示； 本系统提供了不同算法 的对比分析表，方便分 析人员对比分析； 本系统提供重要节点的 进一步分析思路，提供 节点的详细分析页面。