恐怖分子网络中节点重要性评价

如何有效的分析网络中哪些节点最重要,删除哪些节点会对整个网络的结构造成严重破坏,是复杂网络研究的一个基本问题。而对于恐怖分子网络来说,如何正确的定位重要节点的位置,对打击恐怖犯罪具有重要意义。目前的重要性评价方法只能单一的描述节点某一方面的重要性,不能全面的对节点重要性进行评价。本文考虑6种基本的评价指标,采用多属性决策的方法进行综合,得到关于网络节点重要性的一个综合评价,并通过计算机在恐怖分子网络上进行模拟。结果证明,相对于基本的评价指标,多属性决策的评价方法具有更好的优越性和实用性,能更加准确的确定恐怖分子网络中重要节点的位置。     

复杂网络中节点重要性Damage度量分析

为从网络健壮性角度研究复杂网络中节点重要性指标Damage问题,理论分析了各类模拟网络包括Barabasi-Albert无标度网络、Erdos-Renyi随机网络以及树形网络上的Damage度量.实证分析了真实网络上Damage指标对于网络功能的影响以及Damage与度的相关性.通过统计分析比较了真实网络在面对Damage攻击及度攻击时的抵御能力.理论与实证分析结果表明:各类复杂网络中存在着数量不可忽视的Damage较大的节点;Damage是一种不可代替的衡量网络节点重要性的指标;Damage较大的节点对于真实网络的功能有重要影响.对于各种不同的网络,对比度攻击和Damage攻击过程,发现存在1个交叉点,在此点之前Damage攻击比度攻击更具破坏性.     

复杂网络上节点重要度的确定方法

采用综合考虑节点的局部特性和全局特性的方法来评价复杂网络的节点重要度,给出基于邻域的节点重要度算法及基于关键域的节点重要度算法.前一种算法有效地降低了计算的复杂度;后一种算法能更有效地刻画节点的重要度且适用于加权图.然后通过实例验证两种算法的有效性.     

基于灰色关联分析的复杂网络节点重要性综合评价方法

针对现有复杂网络节点重要性评价存在的问题:(1)单一指标评价的片面性;(2)多指标评价时各指标选取的主观性;(3)往往忽视指标间的关联信息,该文提出一种基于灰色关联分析的综合评价方法.在对多类常用评价指标的特性分析的基础上,采用极大不相关法实现指标筛选,利用改进熵权法确定各指标的权重,最终以灰色关联分析方法确定各节点的重要性.采用美国航空网数据集进行的实验结果表明,该方法具有较好的节点重要性区分能力,这项工作对于进一步完善节点重要性评价理论框架具有启发意义和实用价值.     

交通运输网络节点重要度评价体系研究

节点重要度评价是交通运输网络规划的基础性工作.交通运输网络是复杂加权网络,它的节点重要度不仅与路网拓扑结构有关,还与阻抗和运输能力密切相关.借鉴复杂网络和通信网络的研究成果,结合交通运输网络特性,提出交通运输网络的节点重要度应该从拓扑结构、最短路径和运输能力三个层次上分析.并根据交通分担率和失效后果来界定节点重要度,分别引入和建立了相应的重要性指标,形成较为完整的评价指标体系.     

基于遗传算法的复杂网络节点匹配问题

为提高已知匹配节点较少情况下的网络节点匹配精度,提出一种基于遗传算法的复杂网络节点匹配方法。该方法根据网络结构以及已知的部分节点匹配信息,计算节点相似度矩阵,再由遗传算法求得网络间相似度之和最大的节点匹配方案。将其应用于EA随机网络、WS小世界网络和BA无标度网络,结果表明,三种复杂网络的匹配精度均有提高。该结果验证了文中方法的有效性。     

基于GCN的复杂网络关键节点识别研究

准确识别出网络中的关键节点是复杂网络研究的重要内容之一.现存的关键节点识别方法多数是基于网络结构提出的中心性度量方法,识别准确率低且适用范围具有局限性.因此本文提出了基于图卷积网络的关键节点识别方法,不仅考虑了节点属性,还考虑了网络结构和邻居节点结构.首先,根据网络图例数据提取多维度特征并构建特征向量;其次,将节点特征向量输入到GCN层学习;最后,通过回归损失函数计算出最小损失,识别出关键节点.本文选取传播动力学中的SIR模拟实验和牵制控制实验作为评价方式,在不同类型的真实网络上进行验证.结果表明本文提出的方法在适用范围和准确率方面较其他方法更具优势.     

基于K-shell的复杂网络关键节点识别方法

针对复杂网络中关键节点识别方法的分辨率和准确性不足的问题,该文提出了一种基于K-shell的复杂网络关键节点识别方法（K-shell based key node recognition method, KBKNR）。首先,采用K-shell方法将网络分层,获取每个节点的K壳（K-shell,K_s）值,通过K_s值衡量复杂网络全局结构的影响。其次,提出综合度（comprehensive degree, CD）的概念,并设定可动态调整的影响系数μ_i,通过平衡邻居节点和次邻居节点的不同影响程度,获取每个节点的综合度。在该方法中,当节点K_s值相同时,综合度较大的节点更重要。对比几种经典关键节点识别方法和一种风险评估方法,实验结果表明,该方法能够有效识别关键节点,在不同复杂网络中具有较高的准确率和分辨率。除此之外,KBKNR方法可以为网络节点的风险评估、重要节点保护和网络中节点的风险处置优先级排序提供依据。     

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.      

节点为混沌系统的延迟复杂网络混合复函数投影同步

提出了具有扰动且节点为复混沌系统的延迟复杂网络的一种同步方法——复函数投影同步,即投影比例函数为复数,复函数投影同步把函数投影同步的投影比例函数推广到复数域.通过数值模拟验证了该方法的正确性.     

基于RSSI的无线传感器网络环境参数分析与修正方案

定位技术是无线传感器网络数据采集的基础服务,而定位精度的高低在很大程度上取决于距离测量的精度.基于RSSI(接收信号强度)测距技术无须添加任何硬件设施、用较少的通信开销和较低的实现复杂度,十分适应于能量受限的无线传感器网络.通过对RSSI测距模型进行分析,并提出一种针对室内环境的参数修正方案.通过自行研发的传感器节点Ubicell上进行验证分析,实验表明,采用环境参数修正方案后,明显提高了测距的精度.     

ISODATA方法在配网状态估计不良数据辨识中的应用

采用ISODATA技术（迭代自组织数据分析技术A），利用标准残差Rn和相邻采样时刻量测值之差△Z作为特征值，对量测数据进行模糊聚类分析，并根据隶属变的大小来辨识其是否属于不良数据，数字仿真表明，该计算方法简单、快速、可靠。     

无迹卡尔曼滤波在无线传感器网络节点定位中的应用

传统的基于距离的无线传感器网络节点定位技术,由于测距过程产生较大的误差,从而使定位精度不高.文中在基于接收信号强度(RSSI)测距、三边测量法初始定位的基础上,提出以接收信号强度为观测量,将无迹卡尔曼滤波(UKF)算法应用到节点精确定位中.通过仿真验证使用该方法后,相比以距离为观测量的UKF定位方法,节点的定位精度有一定的提高,并进一步定量的分析比较了两种实现模型下节点定位算法的误差概率分布.在此算法的基础上,通过权衡平均定位误差与算法运算复杂度之间的关系,给出最佳定位锚节点数量,并模拟具体环境,验证了文中节点定位算法的实用性.     

对比教学方法在工科复变函数课程中的应用

本文凭借多年复变函数教学经验,总结在复变函数课程中使用对比教学方法的知识点,将高等数学作为复变函数的参照物,形象地解读复变函数理论,加深学生对复变函数的理解,培养学生的分析理解问题的能力.     

数学分析与复变函数课程教学内容的类比分析

本文将数学分析引入复变函数的课程教学,类比了这两门课程的主要教学内容,指出其内在联系和差异之处,并应用数学分析知识证明了复变函数的若干结论,以期为复变函数课程的教与学提供一些便利,帮助学生联系新旧知识,提高他们运用知识、发现知识的能力.     

复变函数法解析在轴对称变形问题中的应用

对于轴对称变形问题,如果能取合适的坐标系就可变换成用复变函数法能够解析的平面流动问题,即将平面流动问题广义地理解为只与两个坐标有关的流动问题。基于这种处理方法,本文对圆柱体的镦粗和圆棒、线材的挤压、拉拔进行了解析。结果证明,在实践上与采用同样变形区形状的其它上界法解析的结果完全一致,在理论上证明了只要坐标选取适当、复变函数选取合适,就可利用复变函数法进行塑性加工问题的解析。     

复杂网络在新闻网页关键词提取中的应用

通过分析新闻网页文档的特征,引入节点权重、有向网络加权聚类系数、中心介数等特征量,并结合传统关键词提取算法的一些优点及网页文档的部分特征,提出了一种改进的基于加权复杂网络的新闻网页关键词提取算法,并通过实验证实了该算法的正确性.     

深度信念网在油井功图识别中的应用

针对油井功图识别中存在的一些问题,提出了一种基于深度信念网的油井功图识别方法。首先通过实验对比的结果确定网络结构,然后使用无监督学习的手段初始化网络权值,最后用有监督的误差反向传播算法微调整个网络,从而实现功图图像到油井工况之间的映射关系。实验结果表明:深度信念网能够自动学习功图特征,提高识别效率;与传统分类模型相比,使用深度信念网进行油井功图识别的过程更简便,更能够达到理想的效果。