本发明涉及数据挖掘及隐私保护领域，公开了一种具有给定相关性的拉普拉斯噪声序列生成方法及 生成器。本发明中，首先利用均匀分布产生 4 个高斯白噪声序列，然后将高斯白噪声序列通过特定的线 性滤波器产生具有相关性的高斯噪声，最后根据高斯噪声生成拉普拉斯噪声的原理，生成与原始数据相 关特性相同的相关性拉普拉斯噪声序列。解决了相关性数据差分隐私保护机制中，相关性拉普拉斯噪声 的生成问题。

临床肿瘤的诊断和分期依赖于影像学，核医学2-氟-2-脱氧-D-葡萄糖（18F-FDG）正电子发射计算机断层扫描/计算机体层扫描(Positron Emission Computed Tomography / Computed Tomography, PET/CT)技术在肿瘤的诊断及分期（寻找恶性肿瘤原发灶及同步探测转移灶），探测未知原发肿瘤的原发灶，探测肿瘤复发、鉴别肿瘤残留与治疗后瘢痕或坏死组织，监测治疗，帮助制定放疗计划等方面较传统的影像学方法如：CT、MIR、超声等均已显示出独特的优越性。然而，18F-FDG不具有肿瘤特异性。炎症、感染性疾病如活动性肺结核、隐球菌性肉芽肿、肺脓肿、结节病等也可出现18F-FDG高摄取，导致假阳性结果；同时，许多分化良好的低级别肿瘤，包括大多数前列腺癌、肾细胞癌、肝癌、肺类癌、支气管肺泡细胞癌、消化道和结肠粘液性肿瘤、低度恶性淋巴瘤、高分化腺癌等，葡萄糖代谢水平相对较低，更接近正常组织，18F-FDG摄取低或不摄取，可出现假阴性结果。上述18F-FDG PET/CT肿瘤显像的假阳性和假阴性结果无疑会给临床肿瘤的诊断及鉴别诊断带来巨大的挑战。因此，开发新型非18F-FDG肿瘤靶向显像诊断药物势在必行！ 研究发现，黄连素——一种从小檗科植物家族中提取的苄基四异喹啉类生物碱，通过选择性作用于肿瘤细胞的线粒体，包括抑制线粒体复合物I和与腺嘌呤核苷酸转运蛋白相互作用等，诱导线粒体功能障碍，从而抑制肿瘤细胞的生长。肿瘤细胞的线粒体已成为一种优良的抗肿瘤治疗靶标。黄连素似乎可以抑制多种肿瘤细胞，包括结肠癌、前列腺癌、胶质母细胞瘤、胃癌、表皮样癌、肝癌、胰腺癌、乳腺癌、口腔癌、舌癌、白血病和黑色素瘤等多种肿瘤细胞的生长。利用黄连素对肿瘤细胞线粒体的高度靶向性特性，用放射性释放γ射线的放射性核素标记黄连素衍生物可完成活体肿瘤的靶向分子显像；用释放α离子或β等射线的治疗用放射性核素标记该黄连素衍生物，利用黄连素衍生物自身的抗癌活性和放射性核素释放射线的辐射损伤生物学效应，可实现对肿瘤的化学-放射双重治疗。 首次成功合成新的黄连素衍生物并完成18F标记，形成一种新分子——18F标记黄连素衍生物；运用PET/CT技术,初步实现了18F标记黄连素衍生物（新分子）的新用途——活体荷VX2瘤兔的肿瘤靶向分子显像，具有创新性。 查新报告显示：国内外均无相关专利及文献报道。

青白散抗炎作用及对大鼠慢性损伤骨骼肌中炎性细胞因子表达的影响

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

该研究采用污水处理厂改造前后的运行数据，对传统活性污泥法和膜生物反应器（MBR）两种污水处理工艺进行技术经济上的严格配对比较研究，对比分析污水处理厂采用两种工艺时的成本能耗、净利润和技术效率，采用敏感性分析评价计算结果的可靠性，为污水处理工艺的选择和应用提供技术经济方面的理性参考。

西南大学化学化工等三个学院虚拟仿真实验教学平台建设项目竞争性磋商