通信系统的无特征网络链路中,由于忽略了节点的特征属性,导致预测评估结果的曲线下面积(Area Under Curve,AUC)值较低。针对上述现象,提出融合节点重要性的通信系统链路预测方法。提取无特征网络中节点的局部特征,构建节点的时间序列数...通信系统的无特征网络链路中,由于忽略了节点的特征属性,导致预测评估结果的曲线下面积(Area Under Curve,AUC)值较低。针对上述现象,提出融合节点重要性的通信系统链路预测方法。提取无特征网络中节点的局部特征,构建节点的时间序列数据。计算每个节点的重要性,利用节点的重要性和时间序列数据,通过特定的算法,获取每个节点的预测值,从而实现无特征网络链路的预测。实验结果表明,该方法预测评估结果的AUC值较高,能够更准确地预测网络中的链路连接。展开更多
针对复杂网络中关键节点的识别、评估及排序问题,受物理系统中不同节点间信息的多维度、多层次相互影响过程的启发,提出了一种基于图卷积神经网络的多维参数的节点重要性评估方法.该方法结合了卷积神经网络自动学习的特性,综合考虑节点...针对复杂网络中关键节点的识别、评估及排序问题,受物理系统中不同节点间信息的多维度、多层次相互影响过程的启发,提出了一种基于图卷积神经网络的多维参数的节点重要性评估方法.该方法结合了卷积神经网络自动学习的特性,综合考虑节点的内在特性、与邻近节点的交互关系以及其在整个网络中的功能角色,构建了一种新颖的关键节点识别框架,即多维参数控制图卷积网络(multi-parameter control graph convo-lutional networks,MPC-GCN).通过卷积神经网络对节点及其邻居特征的逐层聚合,自动提取并综合节点的局部特性、全局特性及位置特性,实现对节点重要性的多维度评估,同时引入灵活的参数调整机制,允许调整不同维度信息对评估结果的影响权重,以适应不同结构网络的需求.为验证该方法的有效性,在随机生成的小型网络上验证了参数对模型的作用;并在8个大型网络上利用SIR模型进行仿真实验,以M(R)值、Kendall相关系数、被传染节点占比及最大连通子图相对大小作为评价标准.结果表明,MPC-GCN方法在单调性、准确性、适用性及鲁棒性上都优于其他相关方法,能够显著区分不同节点的重要程度.该方法有效克服了现有方法在评估角度和适应能力上的局限性,提高了评估的全面性和适用性.展开更多
针对现有复杂网络节点重要性排序方法无法处理目标体系网络节点异质连边有向有权的难题,提出一种面向目标体系网络的节点重要性排序方法。利用K-shell算法计算网络节点的初始重要值,并在PageRank算法的节点重要性传递中考虑重要性分配...针对现有复杂网络节点重要性排序方法无法处理目标体系网络节点异质连边有向有权的难题,提出一种面向目标体系网络的节点重要性排序方法。利用K-shell算法计算网络节点的初始重要值,并在PageRank算法的节点重要性传递中考虑重要性分配趋强的特点和连边权重,提出K-shell和PageRank扩展(Extended K-shell and PageRank,EKSPR)算法,并给出EKSPR算法的收敛性证明,进行了作战仿真实验验证和算例对比分析。实验结果表明,EKSPR算法相对于K-shell算法和PageRank算法更适用于处理目标体系网络节点重要性排序,并且效率优于均值EKSPR算法。展开更多
文摘通信系统的无特征网络链路中,由于忽略了节点的特征属性,导致预测评估结果的曲线下面积(Area Under Curve,AUC)值较低。针对上述现象,提出融合节点重要性的通信系统链路预测方法。提取无特征网络中节点的局部特征,构建节点的时间序列数据。计算每个节点的重要性,利用节点的重要性和时间序列数据,通过特定的算法,获取每个节点的预测值,从而实现无特征网络链路的预测。实验结果表明,该方法预测评估结果的AUC值较高,能够更准确地预测网络中的链路连接。
文摘针对复杂网络中关键节点的识别、评估及排序问题,受物理系统中不同节点间信息的多维度、多层次相互影响过程的启发,提出了一种基于图卷积神经网络的多维参数的节点重要性评估方法.该方法结合了卷积神经网络自动学习的特性,综合考虑节点的内在特性、与邻近节点的交互关系以及其在整个网络中的功能角色,构建了一种新颖的关键节点识别框架,即多维参数控制图卷积网络(multi-parameter control graph convo-lutional networks,MPC-GCN).通过卷积神经网络对节点及其邻居特征的逐层聚合,自动提取并综合节点的局部特性、全局特性及位置特性,实现对节点重要性的多维度评估,同时引入灵活的参数调整机制,允许调整不同维度信息对评估结果的影响权重,以适应不同结构网络的需求.为验证该方法的有效性,在随机生成的小型网络上验证了参数对模型的作用;并在8个大型网络上利用SIR模型进行仿真实验,以M(R)值、Kendall相关系数、被传染节点占比及最大连通子图相对大小作为评价标准.结果表明,MPC-GCN方法在单调性、准确性、适用性及鲁棒性上都优于其他相关方法,能够显著区分不同节点的重要程度.该方法有效克服了现有方法在评估角度和适应能力上的局限性,提高了评估的全面性和适用性.
文摘针对现有复杂网络节点重要性排序方法无法处理目标体系网络节点异质连边有向有权的难题,提出一种面向目标体系网络的节点重要性排序方法。利用K-shell算法计算网络节点的初始重要值,并在PageRank算法的节点重要性传递中考虑重要性分配趋强的特点和连边权重,提出K-shell和PageRank扩展(Extended K-shell and PageRank,EKSPR)算法,并给出EKSPR算法的收敛性证明,进行了作战仿真实验验证和算例对比分析。实验结果表明,EKSPR算法相对于K-shell算法和PageRank算法更适用于处理目标体系网络节点重要性排序,并且效率优于均值EKSPR算法。
