基于聚类选取参考节点的改进型网络距离预测机制

随着大规模的分布式网络应用对网络主机间距离信息的需求,深入研究了基于虚拟坐标的IP网络距离预测机制.在基于固定landmarks的网络坐标系统中,普通主机通过测量到所有landmarks的距离来计算自己的坐标,其中landmarks的个数将影响到系统的距离预测准确度和测量开销.网络坐标系统(network coordinate system,NCS)综合了Vivaldi和GNP的优势,具有良好的网络距离预测性能,然而它没有讨论landmarks的选取问题.因此.提出一种改进型网络距离预测算法-INCS,该算法首先选定网络中的一组主机作为landmarks,然后按照land-marks之间的相互距离对其进行聚类,最终从每个聚类中按照所提出的策略选择一个节点作为普通主机的实际参考节点.仿真结果表明:与NCS算法相比较,INCS算法在牺牲0-24%(根据90%相对误差)预测准确度的情况下,能够大大减小系统的测量开销;同时INCS可以使参考节点的选择灵活化,分散参考节点处的负载,从而提高系统的稳定性.     

基于聚类选取参考节点的改进型网络距离预测机制

随着大规模的分布式网络应用对网络主机间距离信息的需求,深入研究了基于虚拟坐标的IP网络距离预测机制。在基于固定landmarks的网络坐标系统中,普通主机通过测量到所有landmarks的距离来计算自己的坐标,其中landmarks的个数将影响到系统的距离预测准确度和测量开销网络坐标系统(network coordinate system, NCS)综合了Vivaldi和GNP的优势,具有良好的网络距离预测性能,然而它没有讨论landmarks的选取问题因此,提出一种改进型网络距离预测算法—INCS,该算法首先选定网络中的一组主机作为landmarks,然后按照landmarks之间的相互距离对其进行聚类,最终从每个聚类中按照所提出的策略选择一个节点作为普通主机的实际参考节点。仿真结果表明:与NCS算法相比较,INCS算法在牺牲0～24%(根据90%相对误差)预测准确度的情况下,能够大大减小系统的测量开销;同时INCS可以使参考节点的选择灵活化,分散参考节点处的负载,从而提高系统的稳定性。     

基于聚类系数和节点中心性的链路预测算法

目前复杂网络领域受到越来越多人的广泛关注.其中链路预测是复杂网络研究中的一个热门的分支,被作为预测缺失链路和识别虚假链路的有效手段.传统基于相似性的复杂网络链路预测主要考虑每个节点的某个相似性指标,而该文提出一种基于聚类系数和节点中心性(CCNC)的链路预测算法,将度、聚类系数和节点中心性3个相似度指标结合,引入到复杂...     

基于节点相似性的复杂网络聚类特征层次布局算法

针对当前现有布局算法在实际应用中存在布局耗时时间长的问题,引入节点相似性理论,开展对复杂网络聚类特征层次布局算法的设计研究。结合个性化PageRank,对节点相似度计算,完成对复杂网络的粗化处理。在此基础上,利用复杂网络中提取的节点,实现聚类特征多层次分布。通过对比实验证明,新的布局算法在实际应用中完成布局的耗时时间更短,有效促进特征层次布局的效率提升。     

网络聚类同步的数值实验研究

针对一类含时变时滞的线性耦合动力学网络,本文利用数学软件Matlab对其上的聚类同步进行数值实验研究,研究结果表明本文提出的自适应控制方法相当有效,此项工作为现实网络的同步控制问题提供了一定的数值实验指导。     

基于相邻节点聚类的社团划分算法

社团结构是复杂网络中的拓扑属性之一,具有同一社团内的节点连接紧密而不同社团的节点连接疏松的性质.作者基于复杂网络中的社团结构的性质并根据网络中相邻节点的距离关系,提出了一种社团划分算法--基于相邻节点聚类的社团划分算法.笔者对算法的基本概念以及实现进行了详细的描述,通过应用在实例上所得结果说明算法的可行性.     

无线Mesh网络节点聚类属性分析

通过分析无线Mesh网络节点空间属性,提出了一种改进的k-medoids网络节点聚类算法.该算法基于聚类思想,将无线Mesh网络中的网关部署问题转化为空间节点数据聚类问题.构建了网络拓扑图的邻接矩阵,并利用邻接矩阵选择具有最多一跳连接节点数的对象作为初始簇中心.然后以网络跳数代替传统聚类算法中的距离参数,将最小化跳数之和作为优化目标,通过迭代方法获得稳定的聚类和分组结果.实验结果表明,离散的网络节点在空间上具有聚类特性,利用该方法可以获得更小的平均跳数和最大跳数,因此可以较好地实现网络节点分组和网关发现.     

聚类分析法在公交网络评价中的应用

依据公交网络优化调整的原则,提出了分别用于交通分区公交线网和公交线路的聚类指标,应用聚类分析法对城市公交网络和单条公交线路的特征进行了分析、评价,归纳出了各类线路的特征,分析了不合理线路及其原因。在此基础上,提出了现有公交线网的改进措施。     

基于聚类的神经网络及其在预测中的应用

提出了一种基于聚类的神经网络算法，可以很好解决大样本情况引起的网络结构复杂、收敛性和泛化能力差等神经网络的固有问题．算法采用聚类算法为分类器，进行模式空间分解，以分类后的模式子空间为各样本集合，用神经网络集学习，最后根据重力模型计算检测样本对各样本子集的隶属度，整合各子空间的输出结果．通过实验对比表明该算法精度较高，容错性好．     

基于节点划分的无线传感器网络自适应分簇算法

为延长网络的生命周期,针对随机部署的无线传感器网络节点均匀分布和能量有限的特点,提出了一种基于节点划分的分布式自适应分簇算法.通过节点的划分均衡簇内负载,利用节点的剩余能量与通信距离信息的自适应加权来优化调整节点竞选簇头的概率.模拟实验结果表明,该算法可有效延长网络的稳定周期和生存时间,数据传输量比LEACH-E算法增加了近20%.     

基于远近距离的说话人聚类算法

提出了基于远近距离的说话人聚类算法:首先,使用端点检测算法把语音分割成读音段,然后,采用T2公式对近距离的说话人语音段进行聚类得到语音块,最后,使用谱聚类的方法估计说话人数目,对远距离的说话人(语音块)进行聚类。实验结果表明,在近距离的说话人聚类中,使用T2公式比使用BIC和KL在语音块准确率方面分别高出2.62%和13.84%,在远距离的说话人聚类中,使用谱聚类算法基本上可以把语音中的说话人数目计算出来,当说话人数目为15时,类纯度和说话人纯度可以达到78%,说明该算法可以有效地对说话人进行聚类。     

基于改进G-K算法的多节点网络安全态势预测模型研究

影响多节点网络安全态势的因素有很多,传统方法未考虑影响因素,导致预测精度低。为此,构建一种新的改进G-K算法的多节点网络安全态势预测模型。通过灰熵均衡关联度实现关联分析,通过关联分析法对影响多节点网络安全态势的因素进行研究,按照关联程度大小获取重要因素。依据多节点网络日志信息,从主机层、服务层和系统层对多节点网络安全态势值进行计算。分析改进G-K算法预测基本思想:通过多节点网络安全态势重要影响因子值与安全态势值计算状态向量,利用当前状态矢量观测向量对多节点网络安全态势在下一段时间的值进行描述。在此基础上,构建改进G-K算法的多节点网络安全态势预测模型。实验结果表明,采用构建的模型对多节点网络安全态势进行预测,有很高的预测精度,对突变态势也可有效预测。     

基于GraphSage节点度重要性聚合的网络节点分类研究

传统的图嵌入算法及图神经网络模型在对网络节点分类时仅使用了节点本身的属性信息或者特征信息,很少使用节点在网络中的结构信息。如何在图神经网络聚合时引入节点网络结构信息来提升分类准确性也是一个值得深入研究的问题。因此,在GraphSage模型的基础上,根据网络中节点度及节点重要性设计了新的聚合函数并提出了GraphSage-Degree模型。首先,模型根据节点度获得节点在邻域中的重要性,然后再以重要性为依据来聚合节点的特征,使得网络中重要的节点能够尽可能的聚合更多的特征信息,并且在GraphSage-Degree中设置了一个与节点度有关的超参数D,能够通过调节该参数D使得在不同的数据集上达到最佳分类状态。在Cora、Citeseer和Pubmed 3个公开数据集上进行了测试,GraphSage-Degree与其他方法相比,macro-F1的平均提升值分别为8.72%、10.37%和8.29%,在Pubmed上有最大提升值38.84%;micro-F1的平均提升值分别为8.97%、11.16%和6.9%,在Pubmed上有最大提升值38.39%。     

系统聚类树算法在网络拓扑判定中的研究

网络拓扑结构的判定是网络层析成像技术在大规模网络中应用的关键问题.主要讨论通过对网络上的主机进行单播的测量来获得网络的逻辑拓扑,提出运用系统聚类分析法进行拓扑判定的新方案.首先介绍了基于延时的“三明治”网络测量方案及相关网络拓扑判定方案,在此基础上提出更为高效准确的运用统计聚类模型进行拓扑判定的系统聚类树算法,最后通过实验将该算法与合并似然树算法进行了比较与分析.     

基于节点属性的功能脑网络连接方法比较研究

为了比较构建功能脑网络时,不同功能连接定义方法所构建脑网络的可信度,弥补传统方法忽略网络结构特征的不足,提出了基于节点属性,通过多种网络结构属性,研究不同功能连接定义方法所构建功能脑网络差异的方法,比较功能脑网络的可靠性。实验结果说明,本方法对衡量网络连接定义之优劣非常有效。此外,实验结果还表明对于使用皮尔逊相关、偏相关与小波相关方法所构建功能脑网络边的可靠性而言,皮尔逊方法优于小波相关方法,偏相关方法略差于小波相关方法。     

基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法。聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测。结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较。结果表明,加入聚类分析的神经网络模型平均绝对误差降低3.13 kg/t,平均相对误差降低5.19%。     

Fusion prediction based on the attribute clustering network and the radial basis function

A fusion prediction method is introduced on the basis of attribute clustering network and radial basis functions. An algorithm of quasi-self organization for developing the model for the fusion prediction is introduced. Some simulation results for chaotic time series are presented to show the performance of the method.