大型复杂项目组织网络模型及实证分析

将大型复杂项目组织视为一种动态和复杂关联的社会网络,分析了社会学视角和传统视角下项目管理理念的区别;利用社会网络分析(SNA)方法,分析了复杂项目组织的网络模型元素,研究了大型复杂项目组织网络的基本模型和建模方法;通过2010年上海世博会案例实证分析,建立了相应模型,利用Ucinet软件进行了计算分析并与传统正式组织结构模型下的计算进行了比较,给出了组织管理和控制的结论.     

复杂金融网络建模研究

以复杂网络理论为基础研究不同赋权意义下的金融网络.首先利用社会网络分析方法(SNA)进行初步复杂金融网络模型的构建与分析,然后通过进一步构造的转账频率金融网络图,研究网络中某两账户节点间的协作关系,以探悉其最可能的关联路径,为进一步研究金融网络提供一定的理论基础.     

基于可拓基元理论的复杂社会网络分析模型

 针对传统社会网络分析模型存在的不足, 根据可拓学中的基元理论, 结合社会网络分析理念及方法, 研究一种新的复杂社会网络分析模型。利用多维物元表示复杂社会网络的整体特征、节点属性和网络分析测度, 丰富节点的现实涵义;利用多维关系元表示节点之间的关系, 充分体现网络中关系的多重性;利用多维事元表示网络结构及环境变化的细节信息, 构建了复杂社会网络的多维可拓基元分析模型。通过实例分析, 验证了该模型的实用性及优越性。     

一种基于Agent模拟的反犯罪网络分析方法

将智能信息技术应用于反犯罪和反恐怖是目前各国安全部门的研究热点.其中,社会网络分析(Social Network Analysis)是一种分析犯罪网络特性很有希望的方法.然而,社会网络分析方法不能处理犯罪网络动态变化的特性.因此,提出一种多Agent模拟与社会网络分析相结合的方法.以便应对犯罪网络动态变化的情形.利用真实犯罪网络数据,对提出的方法进行了一系列的实验.实验结果表明,所提出的方法能够有效地找出对打击犯罪组织有指导意义的策略.     

SC网络信号流图分析法

本文介绍一种适合手工分析复杂ＳＣ网络的方法，这种方法是把经传输阵表示的四端口分析变为信号流图（ＳＦＧ）分析．ＳＦＧ不仅适用于ＳＣ网络分析，而且也是一种综合ＳＣ网络的有效方法。     

面向有组织犯罪分析的人际关系网络节点重要性评价研究

在有组织犯罪的侦查过程中，首先需要解决的是基于相关人员的各种联系方式，还原涉案人员的人际网络。面向有组织犯罪案件分析，传统的社会网络节点重要性评价研究主要集中在有向关系和无向关系中心度的计算。结合有组织犯罪人际关系网络核心节点的构成规律，提出基于随机游走模型的涉案人员人际关系网络的节点重要性评价方法，并结合有组织犯罪实际分析需求，提出多来源信息的关联信息融合方式，该方法为办案人员开展有组织犯罪人际关系网络分析提供了一种新的可供选择的分析方法。     

基于社会网络分析的E-mail内容安全动态监测模型

为减少有害信息的传播,运用白名单、黑名单、主题词和关键词多种过滤方法,将社会网络分析技术引入E-mail信息安全领域,提出一种基于社会网络分析的E-mail内容安全动态监测模型.通过分析被过滤出的人员构成的信息传递网络,社会网络分析技术可以辅助安全调查人员把表面毫无联系的邮件信息内容关联起来,从而确定相关人员之间的联系,动态识别网络组织构成,并可以发现骨干网络及其中心人物,以便对其进行有效监控.     

基于AHP的贝叶斯网络故障诊断方法研究

针对基于专家知识的故障诊断方法依赖经验的局限,提出一种基于层次分析法（AHP）的贝叶斯网络化工过程故障诊断方法。通过基于关联函数的AHP得到所有变量的权值,对22个变量节点的权值进行排序并将该排序作为K2算法的学习输入建立贝叶斯网络模型,同时结合复杂网络分析指标进行化工过程的故障诊断。通过TE过程故障诊断实例证明本文方法不仅避免了K2算法专家知识的主观因素影响,同时能很好地进行故障定位,找到故障源。     

一种基于节点路径信息相似性的预测方法

链路预测计算是在复杂网络分析任务中最重要和最具挑战性的任务之一,能根据网络中现有的链接预测缺失的链接并广泛应用于多种学科领域,包括社会网络分析、推荐系统和生物网络等.文中提出一种基于路径节点信息相似性的预测方法,该预测方法是利用节点共有的特征信息来推测下一个相关的路径节点信息,从而优化现有的基于路径预测方法.首先,由于...     

基于复杂网络的分类器融合

分类器融合指使用一系列学习器进行学习得到个体分类器,并使用某种规则把各个学习结果进行整合从而获得比单个学习器更好的学习效果。结合统计机器学习理论及复杂网络分析技术,提出了一种基于复杂网络的分类器融合算法。该方法利用“边”（个体分类器输出的共现关系）的先验分布信息及个体分类器对新样本输出的共现关系信息,计算新样本属于各类别的后验概率。     

基于复杂性理论的军事通信网络中心化方法比较

 复杂网络的中心化有助于发现复杂网络中的重要节点,具有重要的应用价值。本文介绍了中心化指标的验证条件,讨论了常用的度中心、偏心率中心、邻近中心、子图中心和信息中心5种中心化方法,并以某一具体的军事通信网络为例进行了实例仿真应用。仿真结果显示,不同方法下得到的网络中心节点不同,反映出各种中心化方法侧重点的差异。分析表明,在实际网络中单一方法不能准确反映网络的重要节点;对于复杂网络的中心化问题,应结合具体应用背景,综合考虑几种中心化方法。     

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.     

互联网AS级拓扑中心化度量方法

针对如何能够在规模庞大、结构复杂的互联网AS级中准确而迅速地发现中心节点这一问题,展开对互联网AS级拓扑中心化度量方法的研究.应用三种现在普遍应用的中心化指标——度中心化、紧密度中心化、介数中心化,同时提出一种核中心化的度量法来度量网络中的高核数节点集合.采用节点删除法,通过删除某个节点对网络连通的破坏程度来度量网络中该节点的重要性.经研究发现紧密度中心化在互联网AS级度量上弱于度中心化和介数中心化指标;度中心化和介数中心化在攻击节点数小于0.5%时,有很强的相似性;核中心化度量方法非常适用于查找到网络中度值较高且连接紧密节点所构成的社团.     

基于复杂网络的大型互联网企业高管分析

采用复杂网络分析特定属性群体。以互联网企业高管简历作为原始数据,以高管姓名和分词系统抽取实体关键词作为节点,个人简历中是否包含关键词作为连接边的条件进行建模,使用复杂网络理论对所建网络进行分析。实验结果表明,部分关键词节点度值存在明显差异,归一化后的特征向量明显大于介数。通过统计分析发现,美国和北京相关背景很重要,同时对比归一化后的介数和特征向量证明两点:第一,社会关系中个体涉及的实体对象比在社会关系网络中的位置更为重要;第二,跨行业跳槽人员的职业背景经历可能会给其在新的企业中的个人发展带来不利影响。     

空铁综合运输网络结构特征实证分析

为探究中国空铁综合运输网络结构特性,以城市为节点,若城市间有航班或高铁则连边,以航班数量和高铁数量为权重,分别建立了3个加权网络：高铁子网络、航空子网络和空铁综合运输网络。首先,通过均值关联、三角中介中心度、加权谐波中心度指标对比研究了不同网络的关键节点;其次,通过聚类系数和平均最短路径长度研究了三个网络的小世界特性;再次,通过Newman算法研究了三个网络的社团结构;最后,通过加权网络效率为指标,研究了三个网络的鲁棒性。研究结果表明,北上广深是三个网络的三种不同加权中心度的排名都很靠前,是共有的最为关键的节点。三个网络都具有小世界特性,但只有高铁子网络的模块度值大于0.3,存在明显的社团结构,并被划分为了10个社团。空铁综合运输网络具有更好的加权网络效率,约为0.32,为三个网络中最高,节点失效时的加权效率变化最小,鲁棒性最强。可见空铁综合运输网络集成了高铁网络、航空网络的互补优势,网络结构特征优于单一运输网络。     

基于分布式流的复杂网络上边级联失效

考虑现实网络中流的分布式传输方式和边的负载-容量关系,提出了一个带有可调权重参数的边级联失效模型.依据新的度量网络鲁棒性指标,探讨了两种典型复杂网络由蓄意边攻击而引发的级联失效行为.仿真结果表明,存在最优参数值使得网络达到最强抵制边级联失效的鲁棒性,能够显著降低灾害动力学发生的可能性.而且,网络的拓扑结构和平均度均对网络鲁棒性产生了影响。     

一种新型直联小世界网络模型

现有计算机网络存在一定程度冗余和效率低等问题,提出一种新的直联小世界(DSW)网络模型以优化网络.首先将节点构成正则网络,然后取任意节点重画,通过迭代生成DSW网络.在该模型下,平均距离和聚集系数与原网络相同,但是网络的跳数等性能有所改变.实验证明,DSW网络的度数、平均度中心性以及平均最近距离中心性均低于原有小世界(SW)网络.表明DSW网络两节点的紧密程度高于SW网络.该模型不仅可以有效应用于社区信息的传播,还可以用于流行病传播的研究.     

网络脆弱性以及鲁棒性理论的近期研究发展

针对近几年来网络脆弱性的研究和发展进行分析,并介绍了一些基本概念及相关概念在复杂网络中的应用.同时,还对供应链和交通运输网络的鲁棒性进行了探讨.研究表明:在研究网络脆弱性和鲁棒性时,单纯依靠网络的结构来检验网络脆弱性是不够的,特别是某些网络的特性、用户的行为和成本等重要信息必须加以认真细致的研究.     

陶瓷涂层材料多模态数据表征学习

陶瓷涂层具有耐高温、耐腐蚀、耐磨损等特性, 其热膨胀系数和热导率等参数与其性能息息相关. 为解决陶瓷涂层性能实验成本高、测试困难等问题, 提出了陶瓷涂层材料多模态数据表征学习的性能预测方法. 首先利用高斯混合模型虚拟样本生成(Gaussian mixture model virtual sample generation, GMMVSG)算法生成符合真实陶瓷涂层数据分布的样本来扩充数据集; 其次利用卷积神经网络 VGG16 对陶瓷涂层的显微结构图像数据进行特征提取, 利用 TabNet 对结构化数据进行特征提取, 将提取到的图像数据特征与结构化数据特征融合; 最终根据多模态数据表征建立基于K-最近邻(K-nearest neighbor, KNN)、支持向量机回归(support vector regression, SVR)和多层感知机(multi-layer perceptron, MLP) 3 种机器学习算法的预测模型, 对陶瓷涂层的性能指标, 即热膨胀系数和热导率进行了预测. 实验结果表明: 提出的多模态数据表征学习模型的预测结果要优于单模态数据表征学习模型, 其中基于 MLP 算法训练的多模态数据表征学习模型对陶瓷涂层性能的预测效果最好; 在测试集中, 对陶瓷涂层热膨胀系数预测的平均绝对误差(mean absolute error, MAE)和均方误差(mean square error, MSE)分别为 0.026 6 和 0.001 7, 对热导率预测的 MAE 和 MSE 分别为 0.017 9 和 0.000 7. 所提出的陶瓷涂层材料多模态数据表征学习方法有效融合了结构化数据与非结构化数据, 联合学习了各模态数据的潜在共享信息, 成功提升了对陶瓷涂料层材料性能预测的准确度.     

基于邻介熵和邻度熵的复杂网络中心性算法

识别复杂网络的重要节点是复杂网络研究的关键点,也是网络稳定性判定的重要理论基础.常用的识别节点影响力的中心性指标有介数中心性、度中心性、特征向量中心性和K-core 中心性等,这些指标在识别重要节点时存在一定的局限性.为了解决以上问题,将节点v_i的邻居节点集划分成关联邻居节点集(MR)和非关联邻居节点集(M_UR),结合图的信息熵以及节点的介数中心性和度中心性,提出新的中心性指标,即基于邻介熵(NBE)和邻度熵(NDE)的关联邻居中心性RNC 和非关联邻居中心性URNC.实验通过动态攻击来评估新的中心性指标在一个实验网络模型和五个真实网络上的效率,结果表明,新的中心性比传统的中心性具有更高的识别重要节点的效率.