基于最优路径相似度传输矩阵的链路预测方法北大核心CSCD

为解决现有的基于相似性的链路预测方法忽略了最优路径在节点间传递相似性的能力的问题,提出一种基于最优路径相似度传输矩阵的链路预测方法。首先,分析节点间最优路径对信息传输能力的影响,进而对节点间紧密中心性进行定义;其次,依据最优路径数和中心性构建相似度传输矩阵,综合节点间局部信息和全局属性衡量节点间相似度。最后,将所提方法与其他相似性指标,在6个真实网络上进行实证对比研究。结果表明,所提算法预测精度较高,且算法更加稳定。     

复杂网络中链路的可预测性

为从理论上比较各种预测方法的优劣,分析多个网络演化过程中形成链接的两个节点之间的拓扑距离分布,阐明了传统基于共同邻居相似性指标可有效进行链路预测的机理,从理论上分析了9种基于共同邻居相似性算法的预测上限(可预测性)。通过分析一阶邻居预测算法的局限性和影响链路可预测性的因素,提出了两种基于高阶路径信息的链路预测算法并计算了他们的可预测性指标。从理论上提出了链路的可预测性指标,也通过对实际网络的预测证明了所提链路预测算法的有效性。     

基于元路径的武器装备体系作战网络链路预测方法

链路预测是网络科学研究的基本问题,武器装备体系作战网络链路预测有助于识别异构作战网络中的隐含信息,对网络重构、关键节点识别以及作战计划制定等具有重要意义。从体系视角出发,基于元路径思想,提出了一种基于元路径的武器装备体系作战网络链路预测方法。首先,针对武器装备与装备间关系的异质性,分别抽象为作战网络中不同类型的节点与边,建立武器装备体系异构作战网络模型。其次,异构作战网络中不同元路径具有特定语义含义,梳理异构作战网络中存在的元路径并对其具体物理含义进行描述,提出基于元路径冗余度的节点相似性指标,在此基础上构建武器装备体系作战网络链路预测模型。最后,与选取的典型链路预测模型及算法进行对比,证明所提方法的可行性和有效性,并结合具体军事应用需求进行应用实例研究。     

基于WNN-RAGA 的非线性组合预测方法

将小波变换与神经网络结合构成WNN非线性组合模型,弥补单一预测方法的不足,利用RAGA 的全局优化能力,优化WNN 学习的网络参数,解决传统WNN网络学习算法在学习后期收敛速度慢、存在局部最小值以及训练结果不稳定的问题。实例的预测结果显示出这种基于WNN-RAGA 非线性组合预测的良好预测性能。     

基于链路动态变化的产业网络预测模型研究

根据历年的产业网络,提出了一种预测任意两个产业将来发生链接可能性的新方法.利用网络分析方法,以中国的投入产出表为研究对象,构建了基于链路动态变化的产业网络预测模型,对比分析了该模型与相似性链路预测模型的预测精度.研究结果表明,历年产业网络的拓扑结构非常接近.依据正交试验设计,在参数选择合理的前提下,本文提出的预测模型具有理想的预测精度.相比于相似性链路预测算法,基于链路动态变化的产业网络预测算法体现了过往信息对产业网络链路预测的重要性,具有更好的预测结果.     

PSO-BP模型在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测BP神经网络法对初始权值敏感、易陷入局部极小点和收敛速度慢等问题,通过对城市时用水量数据特征的分析,应用基于全局随机优化思想的粒子群优化(PSO)算法对BP网络的初始权值进行优化,建立了PSO-BP城市时用水量预测模型.在算例分析中与传统BP神经网络预测法进行对比,发现该方法的收敛速度明显提高,且平均预测精度提高了2%,在用水量短期预测中非常有效.     

基于距离熵的应急决策层信息融合方法

通过分析决策层信息融合和应急决策的特点,并考虑到应急决策对客观性、科学性的要求,提出了基于距离熵的应急决策层信息融合方法.首先基于知识元模型进行融合集的获取,并实例化知识元形成信息单元,为融合提供基础信息对象;然后在传统熵权法的基础上,添加对信息间欧式距离的测度,提出"距离熵"的概念,并据此实现局部融合权重和全局融合权重的获取,利用线性加权分别计算局部融合结果和全局融合结果.最后,通过算例验证了方法的优越性和在应急领域的适用性.同其他方法相比,本文提出的方法能有效解决决策层信息融合中融合知识库巨量性和融合结果的客观性、科学性不足等问题.     

基于能量流的产业网络链路预测

随着产业部门间经济协作不断深入，形成了以产业部门为节点的产业网络。对产业网络中的产业部门未来发生关联的可能性进行预测，有助于推进产业结构升级、实现经济高质量发展。基于生态学的能值理论，挖掘产业部门间的能量流动关系，提出了一种新的基于能量流的产业网络链路预测算法。运用我国2002-2017年期间五个年度的产业关联表为实证数据，验证了算法的有效性和精确度，并且预测了2022年产业网络结构，由此分析各年度产业网络结构演变规律，识别产业网络中的关键产业部门，提出产业结构升级建议。结果表明，相比于经典链路预测算法，基于能量流的产业网络链路预测体现了产业部门间能量流动对产业网络预测的重要性，具有更好的预测精度。     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

基于多层网络链路预测的潜在合作关系识别研究

知识-合作网络广泛存在于创新活动中,挖掘多层网络中的链接信息,识别个体的潜在合作机会与揭示合作关系的形成机理,有助于构建更完整和丰富的合作网络.链路预测方法可以最大限度的保留网络信息的完整性,预测合作关系的生成概率,挖掘合作关系的丰富内涵.本文针对知识-合作网络提出了一种混合加权的多层链路预测算法,首先,在包含知识转移和协作过程的知识网络与合作网络中,给出了五种知识属性的类型和形态定义;然后,利用节点共同邻居与知识属性信息对链路生成概率进行预测,构建混合加权算法,分析不同知识属性对合作链路生成的影响;最后,在专利数据集的实验表明:混合加权的多层链路预测算法能够更准确地预测多领域合作网络的链路和形成机理,为合作伙伴的识别和推荐提供指导性建议.     

On the Relationship Between Network Structure Features and Link Prediction Algorithms北大核心CSCD

This paper experimented with five virtual networks, such as the Air network of US, the Coauthorship network of Scientists, the Neural network of the nematode C, etc. and quantified the relationship between the network structure features and the link prediction algorithms by the experiment's data. The network structure features could be measured by assortativity coefficient, clustering coefficient, etc. and the link prediction algorithms could be divided into local-information based and global-information based. After analyzed the data, we found that if the value of network's assortativity coefficient is positive and the value of network's clustering coefficient is greater than the threshold which is about 0.1, the local-information based would be the better choice, otherwise the global-information based would be better. And the clustering coefficient and the network efficiency is proportional to the result of link prediction algorithms based local information and is reverse proportional to the result of algorithms based global information. These conclusions provide quantitative basis for selecting the right algorithm. © 2017, The Journal of Agency of Complex Systems and Complexity Science. All right reserved.     

卷积神经网络复杂性质与准确率的关系研究

卷积神经网络的结构也会对其性能造成影响,设计卷积神经网络更多的是依靠经验和强大的算力,如何设计出性能更好的卷积神经网络目前缺少有效的理论支撑.为了解决这一问题,在分析典型卷积神经网络拓扑复杂性的基础上,为快速实现满足给定复杂性特征的卷积神经网络,给出了由复杂网络拓扑到卷积神经网络的生成算法,通过建立系列不同拓扑特征的卷...     

一种高聚类幂律可调网络异质配置模式下的公共品博弈研究

为了研究网络结构与演化博弈之间的关系,提出了一种基于网络内部"三角结构"与"内部演化"演化机制的高聚类幂律可调的网络模型。该网络模型具有无标度网络幂律分布的特性,且具有更高的聚类系数。在该网络模型的基础上,研究了异质配置模式的公共品博弈,即根据网络中的节点与其一层邻居和二层邻居中合作者数目的多少来决定公共品博弈中合作者的投入差异,并通过一个调节因子来调节投入差异的异质性程度。最后仿真证明,该异质配置模式演化博弈模型在高聚类幂律可调网络模型上可以快速达到纳什均衡,且存在一个调节因子的最佳范围能够促进合作的涌现。     

基扩展模型下基于LSTM神经网络的时变信道预测方法

针对高速移动正交频分复用系统, 提出了一种基扩展模型(basis expansion model, BEM)下基于长短期记忆(long short-term memory, LSTM)神经网络的时变信道预测方法。为了降低传统BEM的建模误差, 根据高速移动环境中不同列车在相同位置处的无线信道具有强相关性的特点, 首先基于历史时刻的信道状态信息获取最优的基函数, 并利用该基函数对信道进行建模。然后, 通过LSTM神经网络对信道基系数进行线下训练与线上预测来获取未来时刻信道信息, 大大降低了计算复杂度。在线下训练中, 将网络的逼近目标设置为信道估计值, 而不是理想的信道信息, 以增强预测模型的实用性。仿真结果表明, 相比现有方法, 新方法的计算复杂度较低, 且预测精度较高。     

中国大陆电影网络的实证统计研究

对中国大陆近80年的电影网络进行了实证研究.采用二分图及其投影来描述大陆电影合作竞争网,得到了平均距离、距离分布、平均群聚系数、群聚系数分布、度分布、点强度分布、项目度分布、项目大小分布、同类性等统计性质,并根据这些统计性质进行了初步分析.结论表明这种复杂网络描述方法有助于发现和理解一大类合作-竞争系统的共性.     

相振子网络中集聚系数和度分布对复杂度的影响

分析了复杂网络的集聚系数和度分布的异质性这两个重要的描述复杂网络结构特点的特征量对复杂度的影响。研究发现,增大集聚系数能增大复杂度的最大值以及增大复杂度钟形曲线的宽度,而增大度分布的异质性不能增大复杂度的最大值却可以明显增大复杂度在上升段和下降段的取值。对于小世界网络集聚系数对复杂度的影响更明显,而对于无标度网络,度分布的异质性更能显著的改变复杂度的取值。进一步加深了人们对描述网络部分同步状态的复杂度的认识,为设计合理的网络结构提供了理论基础。     

拓扑可调无标度网络上的雪堆博弈研究

复杂网络上博弈个体间合作行为的涌现具有重要的现实意义.为了研究无标度网络拓扑结构对合作涌现的影响,结合雪堆博弈模型和比例模仿策略,研究了拓扑结构可调的无标度网络上的博弈动力学演化,具体研究内容为网络的幂律指数、平均度和平均聚类系数与合作密度的关系.仿真结果表明,无标度网络的合作密度与网络度分布的均匀程度正相关,高聚类结构可以有效增强网络上的合作密度,即幂律指数越高,平均聚类系数越小时,合作水平越低;另外,平均度与合作密度呈现非单调关系,存在一个最佳平均度.     

基于比例关系加速退化建模的设备剩余寿命在线预测

针对传统基于加速退化建模的剩余寿命在线预测方法需在特定共轭分布条件下才能实现漂移系数和扩散系数同步更新的问题,提出一种基于比例关系加速退化建模的设备剩余寿命在线预测方法。首先,在传统Wiener退化模型中引入扩散系数与漂移系数的比例关系,从建模角度保证了扩散系数与漂移系数同步更新的可能性。其次,提出一种基于两步极大似然的参数估计方法,实现对模型参数的合理估计。然后,基于加速因子不变原则制定退化数据折算规则,并采用卡尔曼滤波原理在线更新设备退化状态。最后,基于全概率公式,推导出常应力条件下设备剩余寿命的概率密度函数。以某型加速度计加速退化数据为例进行分析验证,证明了所提方法能够有效提升剩余寿命预测的准确性,具备工程应用价值。     

基于灰色模型与LSTM网络的旋转机械轴承寿命预测

大型机械设备中旋转机械占到总量的80%, 为及时掌握其工作状态, 开展如何旋转机械轴承的寿命预测精度的仿真研究。首先, 通过可靠性数值(confidential value, CV)量化评估工作状态; 然后, 利用数据变换和累加积分的方法优化数据平滑性与背景值来改进灰色模型; 并与长短时记忆网络结合为新预测模型来预测系统工作状态; 最后, 将平均绝对百分比误差等3种性能指标与单一模型对比, 将预测失效时刻与全卷积层神经网络算法和无迹粒子滤波算法对比。结果表明, 组合模型预测退化趋势3种指标的平均值优于3种单一模型; 组合模型预测的失效时刻相比于另外两种改进算法更准确。