融合深度学习模型的时序网络重要节点识别方法研究

针对传统网络重要节点识别方法中数据获取成本高、数量和来源等具有局限性等问题,提出一种融合深度学习模型的时序网络重要节点识别方法。基于Workspace数据集,首先根据相关性系数选取合适的特征组合作为模型输入,构建基于深度学习的节点排序模型,再将其与传统基于层间相似度方法得到的节点排序共同作为输入,通过构建线性模型加权得到最终的节点重要性排名。通过对比序列间的肯德尔相关系数,证明相比单一使用基于层间相似度的方法,通过融合深度学习模型得到节点重要性排名,Kendall'sτ系数平均值能提升到52.01%,其不仅可更准确地挖掘出时序网络中的重要节点,而且能够有效改善传统层间相似度方法在时序网络序列中后期识别准确率大幅下降的问题。

基于多层时序网络模型的中国机场网络特征分析

为克服静态网络模型在分析动态系统时出现网络结构特性反映不全面和数据表达失真的问题,引入时间属性,提出一种基于时序复杂网络模型的中国机场网络(CAN)结构分析方法。通过分析节点时序度、时序度中心性、时序介数中心性和时序接近中心性等网络特征指标,探究中国机场时序网络的结构特征,筛选和排序网络中的重要机场节点,并分析异质节点产生的原因。结果表明:CAN结构呈现出无标度网络特性;CAN的平均时序距离值差距较大,最大值是最小值的6.06倍;乌鲁木齐地窝堡国际机场(ZWWW)、呼和浩特白塔国际机场(ZBHH)的时序介数中心性相对其他指标较高,其在网络中起到重要的中心作用,而深圳宝安国际机场(ZGSZ)相对其他指标具有较高的时序度中心性。

基于Matlab的时序数据两种建模和预测方法比较

利用Matlab工具箱,对时序数据进行了两种不同形式的建模和预测。一是利用系统辨识方法来建立AR模型,利用所建模型进行预测；二是利用单隐层BP神经网络,对数据进行非线性拟合和预测。通过可视化,比较了两种方法的优劣。

其它计算机理论与技术

Y2001-62724-393 0117523蜂窝神经网络的分析和设计:时空频谱方法=Analysisand design of cellular neural networks,through a space-time spectral approach[会,英]/Civalleri,P.P.& Gilli,M.//2000 IEEE International Symposium on Circuitsand Systems.Vol.2.—393～396(HC)Y2001-62724-641 0117524有限状态机的低功率状态分配技术=Low-power stateassignment techniques for finite state machines[会,英]/Bacchetta,P.& Daldoss,L.//2000 IEEE InternationalSymposium on Circuits and Systems,Vol.2.—641～644(HC)本文研究了同步时序电路使功耗最小问题,描述了解决有限状态机(FSM)