基于图多层感知机的节点分类算法

多数图神经网络(Graph Neural Networks, GNN)通过设计复杂的节点信息传递和聚合方式,以提升节点分类等图分析任务的实验表现,而本文提出了一种无需信息传递和聚合的图多层感知机(Multi-Layer Perceptron, MLP)模型A&T-MLP,利用属性和拓扑信息引导的对比损失来增强模型表征能力。A&T-MLP首先使用属性矩阵和邻接矩阵计算节点间的属性和拓扑相似度;然后使用基于相似度信息引导的对比损失,增大特征空间中相似节点的一致性和不相似节点的差异性;最后构建多层感知机模型并引入交叉熵损失进行端到端训练。在节点分类任务中,A&T-MLP表现优于基线模型,Wikipedia数据集上的Micro-F1和Macro-F1相较GNN模型图卷积网络(Graph Convolutional Network, GCN)提升了15.86%和13.64%。实验结果表明,A&T-MLP能够通过对比损失保留丰富原始图的信息,提升模型性能。此外,A&T-MLP在处理拓扑信息不准确的图数据时具有较为明显的优势,即使在缺失80%拓扑信息的极端情况...     

基于传输贡献矩阵的城市路网节点重要性评估方法

 在城市道路中,通常采用交叉口流量或道路连接数等单一指标确定路口重要性,很难保证突发事件下道路网络运行的可靠性。鉴于城市道路网络的无标度特性,以交通阻抗为权重,将城市道路网络抽象为加权网络,提出节点重要度传输贡献矩阵方法,评估道路交叉口重要性。该方法综合考虑交叉口所处路网位置、道路连接数及关联路段交通阻抗,采用节点效率值表示其位置信息,通过融合节点度值和交通阻抗值,构建交通信息传播过程中节点之间的重要度关联,以表示相邻路口间重要性依赖关系。以天津市区域路网为例计算各交叉口重要度,采取连续移除重要节点方式,模拟连锁故障过程,并将结果与节点收缩法进行对比。实证分析表明：在移除最重要的8个节点后,路网最大连通子图规模较节点收缩法降低9.10%,验证了该方法的有效性。     

恐怖网络中基于节点割集分层的组织结构发现方法

“911”等一系列恐怖事件导致越来越多的国家开始重视恐怖组织网络的研究,但社会网络分析中的一些典型度量,如节点的度、介数、接近度等,不能很好地适应具有高度组织性的社会网络.文中针对层次结构性较强的恐怖组织网络,提出了一种新的节点重要性度量,其综合了节点的全局信息与局部信息,利用割集算法对网络节点进行分层获得节点全局信息,局部信息则直接利用了节点的出/入度,并使用BP神经网络方法对综合度量进行参数优化.针对“911”恐怖事件成员网络实际数据的分析结果验证了这种度量的有效性.     

基于DynamicRank的重要节点集挖掘算法

为了更为有效地挖掘复杂网络中综合影响力高的节点集、提高重要节点集挖掘算法的准确性,针对节点集中各节点在信息传播中不同程度的相互促进和相互抑制作用,基于DynamicRank算法设计了一种新的级联概率计算模型。通过增强贪心策略,优先从种子集邻居以外的节点中选取备选节点,减小种子集内重叠邻居对信息传播引发的抑制作用;利用级联概率计算模型,增强种子集对信息传播的级联促进作用。在4个实际网络上采用SIR模型进行了测试,实验结果表明,相较于已有重要节点挖掘方法H-index、Degree、DynamicRank、VoteRank和EnRenew,提出的算法挖掘出的节点集具有更高影响力。特别地,在Grid数据集上,本文方法挖掘出的种子集的传播范围比对比算法平均提升了49.3%。提出的算法针对信息传播概率和贪心策略的改进有利于重要节点集的挖掘和识别。     

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.      

融合实体信息的图卷积神经网络的短文本分类模型

提出一种融合实体信息的图卷积神经网络模型（ETGCN），用于短文本分类.首先，使用实体链接工具抽取短文本中的实体；然后，利用图卷积神经网络对文档、实体和单词进行建模，丰富文本的潜在语义特征；将学习到的单词节点表示与BERT词嵌入进行拼接，通过双向长短期记忆网络，进一步挖掘文本上下文语义特征，再与图神经网络模型得到的文本特征进行融合，用于分类.实验结果表明，该模型在数据集AGNews、R52和MR上的分类准确率分别为88.38%、93.87%和82.87%，优于大部分主流的基线方法.     

时序超网络上重要节点挖掘方法研究

在如何识别时序超网络上的重要节点方面取得了一定的进展。定义了该类网络上度量节点重要性程度的8个中心性方法及随机移除节点的基线方法，分别侧重于网络不同的拓扑结构性质和时间特征，从多个角度综合考虑了该类网络上节点的重要性。同时，构建了时序超网络上的SI传播模型，基于该模型提出了新的评估方法来衡量所提出的中心性方法的有效性。研究表明，在时序超网络上，基于最快到达路径的介数中心性方法是评价该类网络上节点重要性的良好指标。此外，基于时间分辨率的度和超度中心性方法通过寻找网络的最佳时间分辨率，可以进一步优化普通的度和超度中心性方法，弥补了普通方法不能有效考虑网络时间信息的缺点，且在多个真实网络上表现出与介数中心性方法相当的性能。     

多尺度改进Xception的花卉图像分类方法

针对传统图像分类方法在花卉图像上存在分类效果不佳的问题,提出一种改进Xception网络的方法。首先结合Res2net中的多尺度模块来提高模型特征信息的丰富度,提出Multi＿Xception网络,接着使用1×1卷积核对多尺度深度可分离卷积模块的输入特征图进行信道压缩,减少模型参数的同时进一步丰富模型特征信息,提出Multi2＿Xception网络。将改进模型应用于Flowers Recognition花卉数据集分类,实验结果表明,该方法相较于原算法分类准确率提升了1.64%,F1-score提升了0.018,验证了多尺度Xception网络的有效性。     

基于3D金字塔残差网络的高光谱图像分类方法

鉴于提取高光谱图像深层次特征时,深度学习网络面临的网络层数加深、特征图数量增多、计算量增大、梯度消失等问题,提出了一种3D金字塔残差卷积神经网络,通过将3D卷积块引入金字塔残差模型中,实现了高光谱图像空谱特征的同时提取,并利用金字塔残差网络逐级增加特征图维度,大大降低了模型的参数量.Pavia University和Salinas数据集测试结果显示,该方法分别取得了99.936%和99.879%的总体分类精度,分类效果优于SVM、3D-CNN、ResNet18等3D卷积模型,且网络参数仅为ResNet18等模型的1%.可见,该方法达到了网络参数和图像分类精度的双优表现,是一种有效的高光谱遥感影像分类方法.     

基于压缩卷积神经网络的交通标志分类算法

针对车载计算系统很难满足大型卷积神经网络对计算资源和存储空间需求的问题,提出了一种基于压缩卷积神经网络的交通标志分类算法.首先挑选原始VGG-16和AlexNet在GTSRB数据集上进行分类训练;然后对网络模型进行基于泰勒展开的通道剪枝删除冗余的特征图通道;接着使用三值量化方法对剪枝后的网络模型进行参数量化;最后进行了通道剪枝、参数量化和组合压缩的实验.结果表明:本算法有效地压缩了网络模型,减少了运算次数.最终组合压缩的VGG-16网络模型的存储空间减少一半,参数数量为原始模型的9%,每秒浮点运算次数减少为原始模型的1/5,模型加载速度提升了5倍,测试速度提升了2倍,精度为原始模型的97%.     

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.     

基于边介数的信息系统网络节点重要性评估方法

 网络中节点的重要性评估是复杂网络研究中的一项重要内容.针对已有复杂网络节点重要性评估方法中片面强调节点的度而忽略了边对与之相连节点的支撑作用的缺陷,构建了基于边介数的信息系统网络节点重要性评估的数学模型.该模型在充分考虑节点度的基础上,为体现边对其端节点的支撑作用,引入边介数概念,形成了节点度和边介数共同作用下的评估数学模型.以某信息系统网络为例进行了仿真验证.仿真结果表明：考虑边的支撑作用后评估结果更切合实际,进一步印证了构建的评估模型对于评估信息系统网络节点重要性的有效性.     

大数据中网络节点拓扑不稳定性的评估模型设计

大数据中网络节点拓扑结构复杂且具有明显的不稳定性,当前网络节点拓扑不稳定性评估模型大多依据社会网络分析方法理论,从不同角度表示具有不同拓扑结构特性的网络元件,获取的评估结果不充分、不可靠。为此,提出一种新的大数据中网络节点拓扑不稳定性评估模型,通过节点收缩法对大数据中网络节点重要性进行评估。针对大数据中网络节点拓扑不稳定性的评估,结合风险函数丰富熵的内涵,将事件的风险函数在效用系数空间中的平均值看作网络的效用风险熵,依据得到的效用风险熵对效用风险熵权重进行计算。将节点收缩法和效用风险熵权重结合在一起,重新考虑权重的影响,给出新的大数据中网络凝聚度,得到大数据中网络节点拓扑不稳定性评估模型。实验结果表明,所提方法评估可靠性很高。     

一种基于层次分析法的超级节点选取机制

在非结构化P2P中,为了使得普通节点能够综合考虑各方面的因素,并根据自身要求选择一个合适的超级节点,提出了基于层次分析法(AHP)的超级节点选取机制SNSM.该机制综合考虑了网络传输往返时延(RTT)、节点兴趣向量相似性以及节点带宽三方面的性能,并在区域组成、资源搜索平均路径长度和网络带宽消耗3个方面和传统的超级节点的随机选取机制进行了比较.仿真实验表明,和随机选取机制相比,SNSM能够在一定程度上提高网络的性能.SNSM能将物理位置上较为靠近的、兴趣较为相似的节点组成了一个区域;不仅减少了25%的信息检索平均路径长度,同时还降低了11%的网络消耗.     

基于节点重要度动态评估的复杂网络级联失效分析

级联失效前的评估和检测是预防和控制级联失效现象的关键,对充分把握整个网络系统的稳定运行至关重要。为深入探究级联失效传播过程的内在机理,提出一种考虑网络动态特性的节点重要度评估模型;在此基础上,采用一种更符合真实复杂系统的非线性容量负载模型,利用该模型进行不同攻击策略下的级联失效仿真,以网络的最大连通子图比例为测度量化网络抵御级联失效的抗毁性,仿真结果表明,节点41所在的广安市与节点55所在的重庆市,无论是在静态节点重要度评估,还是动态节点重要度评估下,均是成渝铁路网络中最关键的节点;此外,不考虑级联失效情况下,在网络的静态拓扑结构中,节点的度中心性更能代表节点的关键程度;而在动态的网络拓扑结构中,节点的介数中心性更能代表节点的重要性,与度值攻击相比,采用重要度攻击策略能以更快的速度击溃网络;考虑级联失效情况下,与其他攻击策略比较,采用重要度攻击策略时,在级联失效的作用下,仅攻击2个节点,网络便会迅速崩溃,验证了节点重要度动态评估模型的有效性;同时探讨了网络在不同模型参数下抵御级联失效的抗毁性,实验结果表明,在一定范围内提高负载系数、容量系数可以有效提高网络抵制级联失效的抗毁性;受网络拓扑结构和攻击策略的影响,需设置较大的节点容量,来预防网络的级联失效。     

基于粗糙集的传感网络节点故障诊断方法研究

传感网络节点一般分布于环境复杂的区域,当前故障诊断方法诊断精度低,虚警率高,整体性能低。提出一种基于粗糙集的传感网络节点故障诊断方法,给出传感网络结构图,采用粗糙集方法,通过过滤传感网络节点故障数据不关键属性集,得到简化的节点故障属性集,保持了分类能力,提高了运行效率。通过对传感网络故障节点数据进行约简,减少传感网络节点故障数据特征向量维数。建立简化层次各异的传感网络节点故障诊断决策网络,对故障诊断决策规则覆盖度进行分析,求出所有符合既定采集规定的诊断决策规则集,完成新故障状态的处理,实现传感网络节点的故障诊断。实验结果表明,所提方法不仅具有很高的诊断精度,而且虚警率低、整体性能高。     

分布式机电仪器网络微损坏移动节点检测研究

分布式机电仪器网络中容易发生移动节点微损坏现象,影响移动节点间的正常通信。传统的检测方法忽略了移动节点能量参数对检测结果的影响,使部分正常节点被错误滤除,降低检测精度。提出一种新的基于节点剩余能量等级的分布式机电仪器网络微损坏移动节点检测方法。建立分布式机电仪器网络模型,在此基础上构建移动节点能耗模型,计算分布式机电仪器网络安全阈值。同时计算剩余能量级别,获取分布式机电仪器网络微损坏移动节点标准值。当移动节点间出现报警信息时,基站会计算参与报警的移动节点标准值。将获取的数据和移动节点能级的临界值相比,判断出微损坏节点,完成网络微损坏移动节点的检测。实验结果表明,所提方法检测精度高。     

基于正则约束的分层仿射图神经网络文本分类模型

文本分类是自然语言处理中一个重要的研究课题。近年来，图神经网络（graph neural network，GNN）在这一典型任务中取得了良好的效果。目前基于图结构的文本分类方法存在边噪声和节点噪声干扰、缺乏文本层次信息和位置信息等问题。为了解决这些问题，提出了一种基于正则约束的分层仿射图神经网络文本分类模型Text-HARC，该模型融合了图注意力网络（graph attention network，GAT）与门控图神经网络（gated graph neural network，GGNN），引入正则约束过滤节点与边噪声，分别使用仿射模块与相对位置编码补充词语表示。通过实验，该方法在TREC、SST1、SST2、R8四个基准数据集上的准确率提升明显，消融实验结果也验证了该方法的有效性。