时态网络节点相似性度量及链路预测算法

详细分析和阐述了时态网络中的链路预测问题，将时态网络按时间顺序划分为具有相同时间间隔的多层网络快照序列.针对基于共同邻居的相似性指标对网络链路刻画粒度较粗糙的问题，提出了基于邻居节点聚类系数的相似性度量指标NCC和NCCP，并基于此提出时态网络链路预测算法.通过在真实数据集上的对比实验验证了利用邻居节点的聚类信息可以提高预测精度.利用真实邮件数据集验证了所提出的链路预测算法预测效果的优越性，并且实验结果证明越接近预测时间的网络结构对预测结果影响越大.     

基于互信息的动态网络链路预测算法研究

链路预测中关键的问题是如何通过已知的节点属性信息和网络的结构特征来衡量两个节点之间产生连边的可能性.传统的链路预测算法假设网络结构是保持不变的,而实际系统中的时间信息对网络的结构和网络的动态特性有很大的影响,从而导致了传统方法预测精度较低.为此,通过将互信息方法与移动平均模型相结合,提出了移动平均互信息方法.该方法不仅考虑了节点之间的共同邻居信息,还利用历史信息描述了网络的演化模式.在4个动态网络中的实验结果表明,移动平均互信息方法优于传统的对比方法,在预测精度上有了较大的提高.     

中国城市航空网络航线连接机制分析

航空网络具有重要的经济价值和社会价值.该文研究了中国城市航空网络,其中城市是节点,具有直航航班之间的城市相互连接.实证数据发现,该航空网络度分布是双段幂律的.通过对优先连接模型进行数值分析,该文发现无论是以几何距离还是以城市规模做为优先连接的指标,都无法再现该网络的度分布特征.该文猜想城市经济发展程度主要决定了该城市在航空网络中的地位.偏相关分析表明第三产业产值与航空客运量的相关程度最高.基于此,该文建立了以第三产业产值作为优先连接指标的航空网络演化模型,该模型很好地再现了实证网络的拓扑特征.该文成功将网络节点的外部特征引入网络演化模型中,拓广了网络演化模型的研究视野,不仅提出了航空网络演化机制新的解释,而且对于网络建模的理论研究具有一定的借鉴价值.     

符号网络中融合聚集系数与符号影响力的链路预测算法

为快速、准确地实现符号社会网络中的链接预测与符号预测双重目标，提出一种融合共同邻居节点的聚集系数与连边符号影响力的链路预测算法。基于结构平衡理论，有效利用节点的度、聚集系数、路径上的中间传输节点、连边符号及其影响力等信息，分别定义了两节点基于一阶共同邻居和二阶共同邻居的相似性，最终得到两节点的总相似性得分，用其绝对值度量两节点建立链接的可能性，通过其符号获得链接的符号预测结果，从而实现符号网络中的链路预测。在6个有代表性的符号网络数据集上进行了实验，以AUC、调整的Precision’、Accuracy等为评价指标，对比了多个符号网络链接预测算法，并进行了可调步长参数的敏感性分析。实验结果表明，所提算法在符号网络链接预测与符号预测两方面均达到了较好的性能，无论是稀疏网络还是负链接预测，准确性均高于其他算法。     

基于邻居系数的聚集度可调无尺度网络建模

针对聚集系数未涉及间接邻居连通性和无法正确描述大节点度网络节点的问题,提出聚集度的新度量-邻居系数,并基于其统计意义提出邻居系数网络模型.邻居系数从邻居演化的角度描述聚集度,定义为网络节点的间接邻居也是其直接邻居的概率,分析表明邻居系数可有效地描述各种网络节点的聚集度.邻居系数模型是通过引入局域连接这一邻居演化机制对Barabási-Albert(BA) 无尺度网络模型的扩展.仿真结果表明邻居系数网络模型既具有可调的聚集度,又保持节点度的幂率分布.     

基于图注意力和特征融合的链路预测方法

链路预测是一种还原网络缺失信息的方法，通过当前已观察到的链路，预测实际存在但未被观察到的链路或可能出现的新链路.当前链路预测主要是基于图神经网络的深度学习方法，相比基于规则的启发式方法，前者可有效利用网络拓扑结构信息，较大地提升了网络链路预测性能，并可应用到类型更广泛的网络中.但是现有基于图神经网络的方法，仅利用网络中节点相对位置信息，忽视了节点基本属性和链路的邻居信息，且无法区分不同节点对链路形成的重要程度.为此，本文提出一种基于图注意力网络和特征融合的链路预测方法.通过增加节点的度、链路的共同邻居数量和共同邻居最大度等特征，丰富了网络的输入特征信息.本文首先提取以目标节点对为中心的子图，然后将其转化为对应的线图，线图中的节点和原图中的链路一一对应，从而将原图节点和链路信息融合到线图的节点中，提升了特征融合的有效性和可解释性.同时本文使用图注意力机制学习节点的权重，增强了特征融合的灵活性.实验表明，本文所提出的方法，在多个不同领域数据集上的AUC和AP均超过90%,在已观测链路缺失较多时，预测性能保持80%以上，且均优于现有最新方法.     

基于改进TADW的链路预测算法

针对经典的节点相似性链路预测算法只考虑网络拓扑结构或者节点属性信息的问题,使用词嵌入模型Word2vec学习得到节点文本属性信息的表示,进而改进TADW(text-associated deep walk)算法,弥补其语义信息表示能力的不足.基于改进的TADW图嵌入方法提出一种融合网络拓扑结构和节点属性信息的相似性指标,并基于此相似性指标提出链路预测算法.在三个真实数据集上的实验结果表明所提出算法可以提高预测精度,并具有更好的鲁棒性,同时使用图嵌入的方法有效解决了网络数据的稀疏性问题.     

无线传感网络多节点通信链路质量检测算法

为提升无线传感网络的扩展性和通信性能,研究无线传感网络多节点通信链路质量检测算法。基于稳定路由协议设计了无线传感网络多节点通信链路质量检测算法,利用通信节点分析报文确认邻居节点间距,通过非参数局部线性核平滑方法依据邻居节点间距建立信号获取平滑后的信号接收强度。判断无线传感网络中的节点是否来自上游节点分组的平滑后信号接收强度后,采取滑动窗口局部多项式拟合方法建立链路质量检测模型,通过链路质量检测结果判断无线传感网络中该链路中通信节点移动状态,通过通信节点移动状态判断链路质量。实验结果表明,采用该算法可准确检测无线传感网络多节点通信链路质量,且在节点数量增加时检测效果依然良好,具有较好的扩展性。     

基于互信息的复杂网络链路预测

互信息在复杂网络中的应用为解决链路预测问题提供了一个新的思路.传统的互信息方法(MI)不仅考虑了节点的邻居信息,还加入了共同邻居之间的结构信息,这种方法比传统的基于共同邻居的方法预测精度更高;但是该方法没有对共同邻居进行有效的区分,即没有考虑到共同邻居之间的差异性.为此进行了相应的改进,提出了改进的互信息方法(MMI),实验结果表明,MMI方法可以在一定程度上提高链路预测的精度.     

DTN中基于节点邻居变化率预测的数据转发算法

延迟容忍网络(delay tolerant networks, DTNs)是一类特殊的网络,其中端到端的路径通常很难建立,而现有的延迟容忍网络数据转发算法在度量节点的传播能力时大多关注节点的静态属性,忽略了属性随时间的动态变化。文章研究了DTNs中数据转发与节点邻居变化率的关系。首先定义节点在相邻时间段之间邻居变化率,并提出3种关于节点未来邻居变化率的预测方法;然后提出一种基于节点邻居变化率预测的数据转发算法(a node neighbor change ratio prediction-based data forwarding algorithm, NC-based),其主要思想是根据预测的节点邻居变化率来度量节点传播消息能力。仿真结果表明:与现有数据转发算法相比,NC-based算法在保证传输成功率的情况下,能大幅降低网络开销;当时间窗口大小取值为节点接触的平均时间时,NC-based算法整体性能达到最优。     

面向用户的Internet链路状态探测与预报

构造了一个面向Internet一般用户的探测链路当前状态与预报未来状态的框架．利用pathchar和packetpair等探测方法与工具来测量网络路径延迟，得到网络链路的带宽等状态参数，并采用TCPdump对用户所在局域网的网络业务进行收集与建模．用户根据探测的链路带宽和本地网络的业务状态，对未来状态进行预测，并主动控制自己的网络行为．利用EVT，提高了链路带宽估计的精度，使用RARIMA模型，对网络业务和链路状态进行预报．实际到量与预报数据表明本方法是正确有效的．     

一种改进的多处损伤平板的剩余强度模型

进行了多处损伤平板的剩余强度试验研究,得到不同裂纹几何平板的剩余强度.试验结果表明主裂纹长度增加使平板的剩余强度减小;对相同的主裂纹长度,韧带减小,试验件剩余强度也减小.以试验数据为基础,提出了一种修正的塑性区连通准则.用塑性区连通准则和修正的塑性区连通准则分别计算了多处损伤平板的剩余强度,结果表明对不同的主裂纹长度和不同的韧带长度,塑性区连通准则预测的平均误差为16.07%,而修正的swift塑性区连通准则的平均误差为9.24%,大大提高了预测结果的精度.     

局部反馈函数联接网络及其应用

结合时间序列分析提出了一种具有局部反馈回路的函数联接网络（ＬＲＦＬＮ）模型，并利用ＬＲＦＬＮ对非线性时间序列进行了建模与预报，对网络扩展函数选取，初始权集的设定，以及网络结构选择和学习算法进行了研究，同时，通过对模拟数据和机切削颤振数数据的建模与预报，将其与常用的时间序列模型（ＡＲ，ＡＲＭＡ和指数自回归模型）以及ＢＰ网络进行比较，研究结果表明该方法是可行和有效的。     

基于链路预测算法分析虚假链接问题

链路预测与虚假链接是复杂网络的两大研究热点,目前为止,链路预测方法的研究已经非常成熟,而对于虚假链接的研究却仍旧没有得到太多的关注.根据链路预测与虚假链接的联系,用17种经典的链接预测算法,研究了这些算法在8个真实网络数据集中的识别虚假链接效果.实验结果表明,这些算法在识别虚假链接中的AUC值明显低于在链接预测中的AUC值;并且随着测试集比例的增加,在给定某个算法和数据集上,AUC值逐渐降低.     

基于集成学习的复杂网络链路预测及其形成机制分析

为了预测节点与网络中其他现有节点之间的新连接或缺失连接，链路(边)预测近年来引发了越来越多的研究兴趣。最近已经提出各种具有不同特点的算法，以解决链路预测的问题，其中每种算法只考虑一种网络信息，从而产生片面的结果。提出基于集成学习的方法，将所有单一算法集成组合，综合考虑网络的各种信息来解决这一问题。在8个真实网络上进行了实验，利用局部拓扑索引、全局拓扑索引和推荐算法提取了17个不同的特征。结果表明，集成学习的关键性能指标——受试者工作特征曲线 (receiver operating characteristic curve， ROC)下面积(area under curve， AUC)比最佳单一算法提高2%至17%，最高达到0.9624。此外，根据度分布和随机森林得到的特征选择，分析了不同类型网络的结构与形成机制。在形成机制、网络类型和功能之间，获得了一些重要的见解:由某些确定的机制或假设导出的特征，确实是连接2个节点的内在驱动力，也正因为如此，这些特征可以用于链路预测。     

Link Prediction in Brain Networks Based on a Hierarchical Random Graph Model

Link prediction attempts to estimate the likelihood of the existence of links between nodes based on available brain network information, such as node attributes and observed links. In response to the problem of the poor efficiency of general link prediction methods applied to brain networks, this paper proposes a hierarchical random graph model based on maximum likelihood estimation. This algorithm uses brain network data to create a hierarchical random graph model. Then, it samples the space of all possible dendrograms using a Markov-chain Monte Carlo algorithm. Finally, it calculates the average connection probability. It also employs an evaluation index.Comparing link prediction in a brain network with link prediction in three different networks(Treponemapallidum metabolic network, terrorist networks, and grassland species food webs) using the hierarchical random graph model, experimental results show that the algorithm applied to the brain network has the highest prediction accuracy in terms of AUC scores. With the increase of network scale, AUC scores of the brain network reach 0.8 before gradually leveling off. In addition, the results show AUC scores of various algorithms computed in networks of eight different scales in 28 normal people. They show that the HRG algorithm is far better than random prediction and the ACT global index, and slightly inferior to local indexes CN and LP. Although the HRG algorithm does not produce the best results, its forecast effect is obvious, and shows good time complexity.     

矿床定量预测理论与方法体系

矿床定量预测由以下三个体系构成：（１）以相似类比理论和有序度理论为指导的模型定量类比预测;（２）以求异理论和亲合度（求同）理论为指导的无模型预测;（３）以专家集体智慧理论为指导的专家集体智慧预测（主观概率法）。以上三类预测体系可单独使用,也可同时使用或交替使用。在实际应用时,应注意对不同空间、不同时期的数据分别进行统计,定性知识与定量数据相结合是预测成功的重要条件。     

高炉生产过程的智能预测建模

针对高炉生产过程的复杂性、非线性以及强耦合、多变量、难测量等特点,提出铁水硅含量的智能复合多变量预测模型对高炉生产过程进行建模.整个系统分为两部分:首先离线建立不同工况下铁水硅含量的多变量预测模型:然后运用模糊逻辑推理建立各模型输出、实际输出与模型权重之间的对应关系,进行多模型智能融合,生成复合模型,并对其进行在线调整以优化预测过程.研究结果表明:采用此方法计算周期短,对被控对象的变化有较强的鲁棒性:该系统预测误差小,能够快速适应工况的变化,实用性好.