一种基于层次化社团结构的复杂网络可视化平台

基于层次化的网络社团结构,提出了一种可以应用于大型复杂网络的可视化方法,并编程实现了交互平台.该平台采用圆环布局,能提供大量的交互功能,使用户从不同层次上查看网络结构信息.平台还实现了重叠节点的找寻,以及社团动态演化等与网络社团分析有密切关系的功能.     

Self-similarity of complex networks

Complex networks have been studied extensively owing to their relevance to many real systems such as the world-wide web, the Internet, energy landscapes and biological and social networks. A large number of real networks are referred to as 'scale-free' because they show a power-law distribution of the number of links per node. However, it is widely believed that complex networks are not invariant or self-similar under a length-scale transformation. This conclusion originates from the 'small-world' property of these networks, which implies that the number of nodes increases exponentially with the 'diameter' of the network, rather than the power-law relation expected for a self-similar structure. Here we analyse a variety of real complex networks and find that, on the contrary, they consist of self-repeating patterns on all length scales. This result is achieved by the application of a renormalization procedure that coarse-grains the system into boxes containing nodes within a given 'size'. We identify a power-law relation between the number of boxes needed to cover the network and the size of the box, defining a finite self-similar exponent. These fundamental properties help to explain the scale-free nature of complex networks and suggest a common self-organization dynamics.     

损伤位置分步识别法中参数选择、样本简化等问题的探究

对于多层多跨的框架结构,构件数量众多,直接确定损伤位置十分困难。基于神经网络的损伤位置分步识别法是先构建一个网络来确定结构损伤层的位置,然后针对每层再分别构建一个网络,确定损伤层中损伤柱的编号,于是一个复杂的神经网络被分解简化为几个简单的子网络,这样可以根据模态参数的性质合理选择损伤识别指标,并降低训练样本的数量,从而提高了网络的识别精度。结合分步识别法,建立了详细的多层多跨框架结构数值模型,对模态参数的性质和选择,如何减少训练样本．样本的构造方法等影响识别的因素做了初步探究。     

基于Multi-Agent技术的三层信息融合系统研究

针对传统传感器网络管理复杂,系统信息融合智能化不高、精度低和模式单一、结构不清晰等不足,首先分析了Multi-Agent技术、传感器网络技术以及信息融合技术的独特优势,然后采用计算机网络分层结构思想和基于人工智能本体的知识表达理念,在信息融合过程中采用改进的SVM分类方法,构建了一种基于Multi-Agent技术的多传感器三层信息融合系统并对其具体融合过程进行了分析。最后对分类过程用MATLAB进行了分析。实验结果表明:系统分类精度较高,一定程度上不仅明显弥补了传统传感器的诸多不足,而且为后期决策提供了较为精准的目标参数。     

基于序列分析的制造车间平面布局设计

给定一个制造车间,把生产每一产品所需要的所有零部件的工序合并构成了一个有序图，即物流网络，称为加工装配图(OPC)，其对应的图结构可以抽象为有向树.以这样的有向树为基础，提出通过树的旋转处理算法和序列聚类分析，得到车间的平面布局，并通过一个实际使用范例证实这一方法的有效性.     

基于节点吸引力的可调参数复杂网络模型

针对真实网络的生长演化规律,以及BA无标度网络模型和原始的节点吸引力模型在择优连接以及生成网络统计特征方面所存在的问题,综合考虑复杂网络生长演化过程中节点度和节点吸引力的择优连接特性,提出了一种基于节点吸引力的可调参数复杂网络模型. 理论研究与仿真实验分析表明,基于节点吸引力的可调参数复杂网络模型可以有效生成结构稳定并与实际网络统计特征很接近的复杂网络,通过调节模型参数可以灵活调整网络的生长演化过程. 模型生成的网络度分布仍然服从幂律分布,并且具有较高的群集系数和平均路径长度.      

基于复杂网络的城市路网可靠性分析

为分析城市路网中线路的重要程度,采用对偶拓扑方法,将路段抽象为节点,将交叉口抽象为网络边,对实际路网进行拓扑结构转换。应用复杂网络节点度、边介数等特征指标及网络可靠性指标评价城市路网结构特征。最后,分别在蓄意攻击和随机故障条件下,对济南市区路网的连通可靠性进行了实证研究。     

基于SOFM网络的多层模糊关联规则挖掘算法

为了表示复杂庞大的概念层次树,文中提出了一种更加通用的编码方案,将概念分层应用于模糊关联规则的挖掘.此外,为解决隶属度函数难以主观确定的问题,引入一种SOFM网络来确定样本数据的隶属度函数.基于改进的概念层次树的编码方案和SOFM网络,将模糊集引入关联规则挖掘中,设计了一种新的多层模糊关联规则挖掘算法.实验结果表明,该算法可以有效地挖掘出易于理解的、有意义的多层次模糊关联规则,具有很好的效率和伸缩性.     

随机派系生长网络模型及其传输能力研究?

本文提出一种基于随机选择的派系生长网络模型,该网络从一个a-派系模体开始,每个时间步t,在网络中随机选择m个节点构建一个新的a-派系,由此网络生长演化.模拟研究表明:该网络具有高的聚类系数和短的平均路径长度是一个小世界网络,并且比值ρ=m/a越小,聚类系数越大.而度分布则呈指数分布,这些特征与许多交通系统的复杂网络的实证研究结果相符.该网络的聚类系数与节点度呈幂律变化,显示网络具有模块化层次结构的特征,这一特征与近年来人们研究的大多数复杂网络具有模块化层次结构特征的实证研究结果相符.我们还研究了该网络的传输能力,研究表明该网络的传输能力随着比值ρ=m/a的减小而增大.这些研究结果对城市公共交通网络的构建具有一定的指导意义.     

一种基于社团和分层思想的无标度演化模型

针对复杂网络节点度分布服从幂律分布问题, 给出一种基于社团和分层思想的无标度演化模型. 该模型利用转轮思想和限制节点度改进了无标度模型的优先连接策略; 加入分层结构优化了无标度网络的搜索; 将局域世界模型中的局域世界思想引入到模型中, 并利用社团结构改进了局域世界模型中局域世界的不确定性问题.  理论分析证明了模型的度分布服从幂律分布, 且幂律指数可调.  模拟实验结果表明, 模型有较小的平均路径长度和较大的聚类系数,  且两层网络搜索效率优于单层网络搜索.     

一种构造正则表达式更小ε-NFA的方法

基于有限自动机的正则表达式匹配技术在网络信息领域得到了广泛应用,提出了一种构造正则表达式的更小NFA的方法——基于闭包的分片构造法GREC.GREC方法基于正则表达式中同态运算的封闭性以及闭包运算的层次特性和递归性进行构造.首先对正则表达式进行分片处理,然后构造每个分片的NFA,最后利用栈对各分片NFA进行重组获得最终的NFA.GREC方法在正则表达式层次结构复杂或包含有大量闭包运算的情况下,能够快速地构造出空间效率比传统的Thompson构造法高得多的NFA.     

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.     

基于动态平衡流的网络赋权

实际研究表明,复杂网络的主体结构在相当长的一段时间内是较为稳定的,并且网络的拓扑结构隐含着网络权的信息.为了从拓扑结构中得到权,首先在网络上建立了一种常见的物质流机制,该物质流会在网络上达到一种动态平衡,并且这种平衡状态与物质流的初始状态无关,只取决于网络的拓扑结构.借助这个物质流可以得到网络的权,这个权既体现了各个点和边在网络中的全局地位,也很好地揭示了每个点和它相邻节点之间的相互关系.     

权值直接确定的三角型模糊前向神经网络

为了确定前向神经网络的网络结构,提出了一种基于采样数据的含单隐层神经元的模糊前向神经网络,反映了构造数据所蕴含的系统信息,其隐层神经元激励函数选择为三角型隶属函数和构造数据相应输出的乘积。该网络模型可以随采样数据的多少自主选择构造数据,自主设定隐层神经元,利用权值直接确定法得到网络最优权值。数值仿真实验表明,相比于现有文献的已有网络模型,模糊前向神经网络具有逼近精度高、网络结构可调、较好的预测性和实时性高的优点。     

基于多准则决策方法的WSNs不等簇数据收集算法

针对多对一的无线传感器网络"热点"问题,提出了一种基于多准则决策方法的不等簇数据收集算法(unequal clustering data gathering algorithm based on multiple criteria decision,UCDGAMCD).采用直觉模糊层次分析法和层次模糊积分的多准则决策方法来竞选簇首,提出了一个新的簇首竞争半径,使其能够适应节点能量异构及节点非均匀分布的网络环境.根据邻居簇首的剩余能量和传输能耗,提出了簇首间按比例分配传输数据的路由方式,使其能量消耗更加均衡.仿真结果表明UCDGAMCD在节点均匀和非均匀分布的两种实验场景中都获得了较长的网络寿命.     

无线传感器网络的层次化故障模型

为了在无线传感器网络可靠性研究中对故障检测等容错机制进行准确评价和量化分析,有必要进行网络故障模型的研究。该文提出了1种具有高覆盖度特点的网络层次化故障模型。在4种网络故障类型研究基础上利用图论方法提出面向节点层和子网络层的层次化故障模型设计方法,基于复杂网络聚类系数给出1个面向故障模型的单点型关键节点判定定理,并以此为例通过子模型有效性原则对该类模型进行了证明,结果表明该故障模型有效。     

基于双主干网络的雾天交通目标检测方法研究

车辆和行人安全监测是城市交通监测的一项重要任务。 针对雾霾等复杂恶劣天气条件下,监测采集的图像视觉效果差、噪声高、目标检测困难等问题,提出了一种双主干网络(MobileNets VGG-DCBM Network, MVNet)用于雾天交通目标检测,结构受 PCCN 和 CBNet 网络结构的启发,由改进的深度可分离卷积神经网络 MobileNets 和基于 VGGNet 构建的 VGG-DCBM 网络组成;采用并行方式构建双主干目标检测网络结构,以改进的 MobileNets 为主主干网络,VGG-DCBM 为辅助主干网络,共同提取特征信息,实现不同网络间特征层信息的融合;MVNet 网络结构采用并行方式获取两个不同网络提取的不同特征层信息,通过采用通道拼接的方法实现不同网络特征信息之间的融合,以获得更丰富的细节特征;在 RTTS 和 HazePerson 数据集上,平均精度均值(mean Average Precision, mAP)分别达到 71. 50%和 89. 84%;实验结果表明:在雾霾等复杂恶劣天气条件下具有较强的鲁棒性且能够准确的检测到车辆和行人,在目标检测性能上优于对比方法。     

基于品质度量的移动自组织网络安全分簇算法

为解决移动自组织网络中分簇存在的恶意簇首和簇首不稳定问题,通过在簇首选择中引入节点品质度量模型和分布式TA选择机制,提出了一种移动自组织网络安全分簇算法。该算法能生成适应不同通信模式、通信距离和移动速度的稳定簇结构,保持可信权威机构TA成员的相对稳定性。仿真分析表明：SCAQM能抵御外部恶意节点的入侵和内部合谋节点的威胁。相比其他分簇算法,SCAQM能有效抑制节点的恶意行为,以较小的算法控制开销生成更稳定的分簇结构。     

基于空间影响域的虫害关系网络构造与分析

网络科学已成为研究生态学相关重大问题的重要手段.基于生态位法则和竞争排除原理提出虫害的空间影响域模型,并利用该模型提取2009~2013年的长白山脉虫害关系网络拓扑结构,进而研究该网络结构的无标度性、节点重要性和层次性.统计结果表明,长白山脉虫害关系网络的出度分布服从幂律性,而入度分布较均匀;网络中稳定存在的大出度值节点的介数较大,而大入度值节点局部上呈现高聚集性;网络的层次结构基本稳定,辽东半岛是虫害频发的高核区和危害程度的重灾区.     

复杂网络子图中心性分析

许多现实网络虽然具有小世界和无标度的全局结构特征,但可能具有非常不同的局部结构特征,子图从局部层次刻画了网络内部相互连接的特定模式.本文通过仿真分析的方法研究了ER随机网络、WS小世界网络和BA无标度网络模型的子图中心性的特点,得出了这三类网络模型的子图中心性与网络密度、重连概率和网络规模之间的关系.仿真结果表明,子图中心性能够刻画复杂网络的拓扑结构.