抽样对复杂网络多重结构特征的影响

针对数据缺失情况下网络的结构特征是否能够保持,在现有文献研究基础上将无偏的随机抽样扩展到有偏抽样,并将对幂律度分布这一单一结构特征的考察扩展到对网络多重结构特征的考察.通过对一个社会网络典型模型的仿真研究发现,不同的抽样方法对网络多重结构特征具有不可忽视的影响作用,而中枢抽样在一定程度上为较优的抽样策略.最后针对中枢抽样策略的实际应用给出了建议.     

钟萼木当年生生长性状与不同生长类型适应性探讨

应用大样本调查方法和正态分布标准差分类法对钟萼木的当年生苗木高与地径生长量的不同生长类型进行分类,结果表明苗木群体高与地径生长划分为8个不同生长类型,群体表现明显的早期生长分化,群体平均值与相邻两区间生长类型个体权重占整体的85%以上,生长较好与较差的生长类型两极分化所占比例较小;不同生长类型分类较好地表明群体生长性状多样性组成和物种潜在生长优势,可为优良生长类型筛选提供依据.对不同生长类型个体适应性研究表明,该树种生长类型差的个体高生长期较短,优良生长类型个体有更长的高生长期,但地径生长期基本是一致的,主要受高生长期与光合作用率影响,说明遗传品质对苗高与地径生长影响显著.     

基于布尔网络的造血细胞谱系分化选择分析

造血干细胞通过分化获得不同的成熟血细胞类型以满足不同的生理需求.通过整合两个已有的基因调控网络并进行修正，构建了综合调控网络以及对应的逻辑模型，可以更全面地反映不同基因在造血干细胞分化过程中的作用.该网络的稳态结果包含了两个小网络中涉及的大部分细胞类型，与实际的ChIP-seq数据结果一致.对综合调控网络进行瞬态扰动与持续扰动，分析了6种主要细胞类型之间正常分化所需要的最简扰动策略.获得的整合调控网络与逻辑模型可以为理解造血干细胞的分化特异性选择提供一些定性的参考依据，同时分析得到的扰动策略可以为实际的细胞培养实验提供一些方案上的建议.     

融合分层抽样和动态抽样的多状态网络可靠度M-C估计算法

基于多状态网络可靠度的Monte-Carlo(M-C)估计算法, 考虑融合分层抽样和动态抽样的M C估计算法. 先在基于状态树搜索分层抽样方法的基础上, 通过设定概率阈值α改变分层原则, 使分层抽样便于实现; 再利用动态抽样, 在产生网络无效状态时动态生成网络各边的容量值, 从而不需对所有边进行抽样即可产生无效网络状态, 缩短了仿真时间. 仿真实验表明, 动态抽样能缩短仿真时间, 但优势会随着网络可靠度的增大而逐步消失, 较适用于可靠度低的多状态网络.     

犯罪与网络行为特征的映射研究

选取美国芝加哥2012—2017年的盗窃、抢劫、毒品案件进行研究.提出一种基于时空影响域的犯罪网络构造方法，并针对犯罪表现的行为特征与网络行为特征进行映射分析.实验结果表明，所提方法构造的犯罪网络在不同犯罪类型、不同网络规模下均表现出无标度性、小世界特征;局部呈现高聚集性，并体现不同的聚集特点;犯罪网络社团化的程度明显.因此，可以利用复杂网络手段，对犯罪网络建模与拓扑特征分析方面作进一步深入探讨，对不同犯罪模式的动力学研究以及预防和资源配置提供新思路.     

基于Potts模型的恶性肿瘤生长的二维随机模拟

使用热力学方法建立了一个癌变细胞在正常细胞组织中生长的计算机仿真模型．初始细胞模型采用二维离散化结构，设置一序列的调控因子，以模拟不同条件下的不同类型的癌细胞的生长过程，并考察了调控因子对癌细胞生长的影响．最后，通过加入细胞增殖机制，扩展了该模型．     

融合网络环境下基于设备指纹的安全管理和加密机制研究

随着融合网络的飞速发展,网络设备类型与数量日益增多,网络结构也越来越复杂,对网络安全保障建的要求也逐渐提高.因此,采用传统的引擎标识参数对网络用户身份合法性进行验证,以及单一的SNMPv3网络理安全模型已经不能满足复杂融合网络中设备安全的实际需求.作者基于以上背景,提出了基于设备指纹的SNMPv安全机制构建方案,具有一定的实际应用价值.     

基于文件分类的非结构化P2P网络搜索算法

为了解决现有的非结构化对等网络的搜索机制不灵活,效率低下的问题,提出了一种新算法.在该算法中,将网络结点按照拓扑分类,同时把要搜索的资源根据其流行程度和位置划分为不同类型,在搜索过程中对不同类型结点在查找不同类型文件时应用不同的搜索策略,提高了搜索效率.实验结果表明,该算法具有较高的灵活性和自治性,且比传统搜索算法有较...     

基于感知控制视角的网络隐私忧虑实证研究

研究不同的网络隐私保障手段对网民们网络隐私忧虑的影响,对于互联网行业未来的发展具有相当重要的意义.以技术威胁规避理论中的控制理论为基础,构建网络隐私忧虑影响机制研究模型,并针对模型提出假设.实证结果表明在中国：1）政府立法与网络隐私忧虑没有关系.2）互联网业界行规的自律与网络隐私忧虑没有关系.3）自我保护手段中的技术性自我保护手段虽然与感知避免能力正相关,但感知避免能力与网络隐私忧虑负相关的假设没有得到证实,无法进一步验证两者关系.4）感知威胁与网络隐私忧虑正相关,提出网络隐私忧虑影响机制模型,对未来相关领域研究提供新的研究视角;影响机制中的因素对网络隐私忧虑测量模型中二阶因子的影响,也可为学术界进一步研究相关问题提供有益参考.     

基于微分进化算法的层间等级网络编码优化

层间等级网络编码是一种联合利用信源分层编码与组播间线性网络编码优势的多速率线性网络编码技术.与分层组播网络编码相比,层间等级网络编码能够进一步提高异构信宿网络的资源利用效率.然而,网络中各链路上进行的编码类型,是影响层间等级网络编码多速率传输性能的决定性因素.本文面向单信源异构信宿网络,研究层间等级网络编码的优化;基于微分进化算法,提出了一种最优编码类型配置的快速搜索方案.该方案充分体现了信源输出链路上进行的层间等级网络编码对整个网络传输性能的影响;具体设计了符合层间等级网络编码本质特性的微分进化操作.实验结果表明,与现有的启发式算法相比,本文提出的基于微分进化算法的层间等级网络编码优化方案,能够为单信源异构信宿网络获得更高的网络总吞吐量.     

基于复杂网络视角的科学文献数据分析

 综述了科学文献数据的复杂网络表现形式,介绍了科学家合作网络和科学引文网络的拓扑结构性质及演化模式和演化机制,概述了论文和科学家的相关评价方法。分析表明,基于复杂网络视角对科学文献数据的分析,能解释很多有意义的研究问题及有趣的现象。     

边定向方法对随机网络抵制级联故障鲁棒性的影响

针对复杂网络抵制级联故障的鲁棒性问题,考虑节点权重和边的方向,通过扩展经典的全局介数方法定义节点负载,提出了新的随机网络级联故障模型.应用三种边方向确定策略,在具有单向边和双向边的随机网络上探讨了级联故障行为,分析了全局负载分布机制下定向边对网络抵制级联攻击鲁棒性的影响.仿真结果表明,对于随机网络,所使用的边定向方法均可以使得网络更加鲁棒.但是,不同的边方向确定策略和单向边比例对随机网络抵制级联故障鲁棒性的优化效果影响不大.     

Complex Network Classification with Convolutional Neural Network

Classifying large-scale networks into several categories and distinguishing them according to their fine structures is of great importance to several real-life applications.However, most studies on complex networks focus on the properties of a single network and seldom on classification, clustering, and comparison between different networks, in which the network is treated as a whole.Conventional methods can hardly be applied on networks directly due to the non-Euclidean properties of data.In this paper, we propose a novel framework of Complex Network Classifier(CNC) by integrating network embedding and convolutional neural network to tackle the problem of network classification.By training the classifier on synthetic complex network data, we show CNC can not only classify networks with high accuracy and robustness but can also extract the features of the networks automatically.We also compare our CNC with baseline methods on benchmark datasets, which shows that our method performs well on large-scale networks.     

基于Fibonacci采样的数据预处理方法研究

提高神经网络(NN)的收敛速率和预测精度一直是人工智能领域的一个挑战性问题,尽管许多研究人员已在研究中使用小批量数据训练神经网络获得了较好的效果,但是这些方法并不够灵活.针对这个问题,该文提出了一种新的数据预处理算法即Fibonacci采样算法.根据Fibonacci数列规则绘制一个新的训练数据序列,这不仅可以恢复小批...     

基于深度学习的砂岩组分显微图像识别

识别砂岩中的石英、长石和岩屑对判断沉积环境具有重要意义,但传统的人工识别方法存在主观性强、对经验依赖程度高等问题。本文利用深度学习、卷积神经网络等技术构建了一种基于Faster R-CNN目标检测算法的砂岩显微组分图像识别方法,实现了正交偏光下对薄片图像中石英、长石、岩屑三种组分的智能识别,三种组分平均识别准确率为89.28%。为了验证模型的可靠性,实验对比了不同算法和特征提取网络,结果表明：Faster R-CNN目标检测算法的识别效果优于YOLO V3、YOLO V4、YOLO V5s,ResNet50特征提取网络的表现效果优于VGG16。采用ResNet50特征提取网络的Faster R-CNN目标检测模型优势显著,它可以更好满足岩石薄片的识别要求,为传统的人工方法提供智能化技术方案。     

基于分形残差网络的单幅图像超分辨率重建

近年来,各种基于卷积神经网络的单幅图像超分辨率方法取得了优异的性能提升.现有的超分辨率网络大多数都是使用单种尺度的卷积核来提取低分辨率图像的特征信息,这样很容易造成细节信息的遗漏,也无法很好地利用低分辨率图像的多尺度特征来提高图像的表达能力.为了解决超分辨率重建中存在的问题,提出了一种新的超分辨重建方法称为分型残差网络...     

一种用于频率跟踪和相角估计的实用算法

电网电压的频率、幅值和谐波含量均随时间发生变化,它们严重影响着电网相量的测量精度．为此,在分析傅氏法计算误差与频偏、起始点相位关系的基础上,提出了一种基于准同步采样和傅氏分析的频率跟踪、相角估计的实用算法．它用离散傅氏法和线性插值法估计任意时刻的相量,用迭代算法寻找相角差为零的相邻周期的两个估计相量进行频率计算,继而对采样数据进行同步化处理以获取信号的真实相量．仿真结果表明,这种方法可使相角误差小于0．2°,并能够满足电网相量实时测量的快速性要求．     

异构网络表示学习方法综述

现实生活中存在的网络大多是包含多种类型节点和边的异构网络,比同构网络融合了更多信息且包含更丰富的语义信息。异构网络表示学习拥有强大的建模能力,可以有效解决异构网络的异质性,并将异构网络中丰富的结构和语义信息嵌入到低维节点表示中,以便于下游任务应用。通过对当前国内外异构网络表示学习方法进行归纳分析,综述了异构网络表示学习方法的研究现状,对比了各类别模型之间的特点,介绍了异构网络表示学习的相关应用,并对异构网络表示学习方法的发展趋势进行了总结与展望,提出今后可在以下方面进行深入探讨:1)避免预先定义元路径,应充分释放模型的自动学习能力;2)设计适用于动态和大规模网络的异构网络表示学习方法。     

寄宿制学校接触网络的生成

根据寄宿制学校的实际情况,针对SIS与SIR2种疾病模型,比较在切换网络和随机网络中疾病的传播结果,从而得到网络对疾病的影响.通过随机模拟的方法证明了在人数不变、平均度也不变的情况下,切换网络可以减缓染病者的增长并且减少染病者的数量,而不同网络对最终规模的影响不大.但是,切换网络会使疾病的最终规模大面积扩散的时间延后.