复杂电力网络拓扑特征分析及模型研究

本文定义了电力网络结构的均匀性质与规则性质,用于表征网络基本拓扑结构与电气特性的变化,分析了两种性质对电力网络功率分布的影响,给出了电力网络拓扑模型与电气拓扑特征参数需要满足的必要条件。     

舰艇编队电磁态势预测的动态贝叶斯网络方法

对敌舰艇编队进行电磁态势预测是我方指挥员选择电子战作战方法、制定电子战资源分配方案的基础.引入DBN算法实现电磁态势预测过程中大量不确定、不精确、不完全的知识表示与推理,在分析舰艇编队电磁攻防事件类型基础上,依据事件间因果关系构造了舰艇编队电磁态势预测DBN模型,研究了DBN的推理算法.理论分析和实验结果表明:该方法具有较高的预测准确性,能在一定程度上为指挥员电子战决策提供辅助支持.     

基于复杂网络抗毁性与ADMPDE算法的网络拓扑结构优化

复杂网络抗毁性研究的重要内容之一,就是优化网络拓扑结构。在分析常用复杂网络抗毁性测度不足基础上,提出了以自然连通度为复杂网络抗毁性测度,建立了其拓扑结构优化模型;综合运用ADMPDE算法收敛好、寻优速度快等优点,通过适当改进用于求解复杂网络拓扑结构优化模型。通过仿真分析,验证了复杂网络拓扑优化模型及其求解算法的科学性与可行性,得出了拓扑优化过程网络结构变化一般性规律,并分析了网络拓扑结构优化前后,在不同攻击策略下复杂网络抗毁攻击能力。     

基于网络方法的疾病基因预测算法分析

目的 分析基于各类生物网络的复杂疾病致病基因预测算法,总结其优势及不足之处,提出改进思路及未来的研究方向。方法 深入分析当前基于网络的疾病基因预测算法原理,包括不同生物网络的构建、算法原理的基本假设、3个代表性算法及基于其发展出的最新方法。结果与结论 分析发现当前算法存在的3个不足并指出解决此不足的2种思路。     

基于关联规则的态势预测方法

态势预测是网络态势感知的重要环节,可以为网络管理员提供必要的决策支撑。为了实现对网络的大数据管理模式,针对当前预测算法无法充分利用大数据优势的局限,提出了基于关联规则的态势预测方法。该方法综合考虑了大数据的特点和态势预测的需求,给出了方法的基本思想和实现流程。实验结果表明,提出的方法与传统预测方法相比,通过寻找数据间的关联物而不是非线性匹配来达到预测的目的,大大降低了计算的时间复杂度,提高了预测效率。     

网络态势预测的广义回归神经网络模型

网络态势预测作为网络态势感知的必要环节, 能够加强网络管理员对网络状态的认知与理解,为威胁分析和网络规划提供决策支持。在分析现状以及预测方法的基础上, 讨论了反向传播、径向基、反馈等神经网络模型用于预测的特点与优势,提出了网络态势预测的广义回归神经网络模型GRNNSF, 给出了GRNNSF模型的网络设计原则以及网络态势预测方法。基于真实数据集的实验,验证了GRNNSF模型的准确性和时效性,与其他神经网络模型相比,能更准确地预测网络态势的发展趋势。     

信息网络的复杂网络拓扑

综合介绍近几年来在信息网络中所观察到的复杂网络拓扑,包括因特网、WWW网页链和BBS讨论社区的幂律概率分布;对比分析了复杂网络的生长模型及统计模型,并从应用的角度讨论了"小世界"、大群集和容错性等主要的拓扑性质。     

基于复杂网络的武汉市公交网络特性研究

基于复杂网络的思想,以Gephi软件为分析工具,对武汉市公共汽车交通系统建立了邻近站点、公交线路和公交换乘3种复杂网络,获得了这3种网络的拓扑结构和几个静态几何量参数,并分析了这些网络的拓扑结构特性。结果显示,武汉公交基本可以满足当前需求,但是仍存在分布不均、乘客候车时间过长、个别站点不能通过换乘到达等问题。针对此类问题提出了优化建议。     

基于时间序列的网络安全态势预测方法研究

现有网络安全态势预测方法只能预测单位时间的态势值,然后根据连续单位时间的态势值进行网络安全态势评估.本文中,根据网络安全事件发生的统计规律性,首先通过分段曲线拟合来分析目前网络态势的变化趋势,然后研究了基于时间序列的神经网络对未来一段时间内安全态势变化趋势进行预测的方法.通过实验仿真表明,该方法能够准确有效地预测出未来一段时间内的安全态势的变化趋势.     

基于复杂网络的欧洲航空公司网络特征分析

为探究区域层级的航线网络特征与演变,以汉莎航空和瑞安航空在欧盟区域内的航线网络为研究对象,运用复杂网络理论从航空公司角度构建航线网络模型,分析网络的拓扑结构特性,不仅对同一航空公司不同时期的网络结构变化进行纵向对比,而且对不同航司之间的网络特征进行横向对比.研究表明,两家航空公司的运营性质不同导致航线网络的发展变化上有明显差异,航线网络的度分布均服从幂律分布,无标度特性显著,机场覆盖范围都在扩大,相比之下瑞安航空的航线数和机场平均度更高,且注重提高对机场的使用率,而汉莎航空的紧密中心性和中间中心性都明显高于瑞安航空,个别枢纽机场对整个网络具有绝对的控制能力.     

一种基于AC-RBF神经网络的网络安全态势预测方法

为了准确地把握网络安全发展态势,提出了一种基于自适应聚类径向基函数(adaptive clustering radical basis function,AC-RBF)神经网络的网络安全态势预测(network security situation prediction, NSSP)方法?该方法对网络安全态势样本自适应聚类,获得了神经网络隐层节点数,采用梯度下降法训练神经网络,寻找网络安全态势样本之间的非线性映射关系,利用该关系对未来时刻网络安全态势进行了预测? 仿真实验表明,相对于 K-均值 RBF 神经网络及支持向量机(support vector machine,SVM)预测模型,该方法在神经网络规模较小的情况下,不仅能够反映网络安全态势的总体趋势,而且还提高了预测精度,能够提供给网络安全管理员一个直观的网络安全态势图 ?     

基于Transformer的网络安全态势预测

针对当下网络安全态势预测准确率低的问题,将Transformer用于网络安全态势预测．首先,引入门控循环单元(GRU)来降低样本特征的维度,维度的下降有利于减少训练Transformer的代价和缓解Transformer过拟合问题;然后,将降维后的特征输入Transformer层,通过编码器提取具有时序关系的特征;最后,使用全局平均池化处理提取的特征,以减少全连接层的参数量,减缓过拟合问题．在两个网络安全数据集上的实验表明：该方法可以降低训练时间,并且在准确率、精确率和F1值三个指标上的综合表现优于其他方法．     

基于复杂网络理论的网络容量估算

基于复杂网络理论统计参数的介数概念,给出了网络在发生随机故障后,网络中边的最大介数估算公式.边的介数是指通过该边的最短路径数量,网络中拥有最大介数的边在通信过程中最容易出现拥塞,提出估计公式的意义在于:能够更好的估算在各种情形下网络所能容纳的通信连接的数量,即可以更准确的估计网络容量.实验表明,所提出的估计公式具有合理性,为边的介数估算提供了一种新的方法,也可以为流量工程的设计及网络规划等提供重要依据.     

基于MapX的分层路网拓扑结构的构建方法

最优路径规划是车载导航系统最主要的功能之一,而实现这一功能的关键在于构建道路网络的拓扑结构.针对这一问题,首先利用MapInfo对道路网络进行分层处理,添加道路的等级、方向等与导航密切相关的属性信息;再通过MapX控件及其基本分析函数,在Visual C++6.0平台上完成道路网络的预处理;最后按层次提取道路的交叉口、路段的拓扑信息和属性信息,并自动存储于Access数据库中,以便供最优路径规划计算所用.实验结果表明,经过分层抽象处理之后,重建的高层路网数据规模骤减,这为路径规划的实时性提供了良好的基础.     

蚁群算法优化RBF神经网络的网络流量预测

传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低。采用蚁群算法优化RBF神经网络参数来进行网络流量预测。利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力。实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,模型预测准确度更高,能够很好地描述网络流的变化规律。具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

基于小波神经网络的实际业务流预测方法

针对无线传感器网络传输过程中容易受到噪音干扰的问题,提出了一种新的业务流预测算法AWNNP(Ant colony-based Wavelet Neural Network Prediction).该算法首先利用小波变换对业务流进行分解,并将其小波系数和尺度系数作为样本数据.其次,结合蚁群算法和神经网络来训练样本数据,采用小波模型重构进行重构,以此获得业务流的预测数据.同时,通过仿真实验对比,并分析了小波神经网络预测算法和BP神经网络预测算法,实验结果表明,AWNNP算法性能较优,其误差为16.21%.     

基于PCA的RBF神经网络预测方法研究

主成分分析(PCA)法可以提取样本集的主成分,实现样本的最优压缩,从而降低样本的维数。针对用RBF神经网络进行多因素时间序列预测时样本特征指标过多的问题,提出用统计理论的PCA方法对数据进行预处理,再选出几个主成分作为神经网络的输入节点.仿真实验表明,基于PCA的RBF神经网络模型在拟合预测中与一般的RBF神经网络模型相比有较好效果,简化了网络结构,改善了预测精度.     

一种基于模糊神经网络的ncRNA基因预测方法

提出了一种基于模糊神经网络的ncRNA基因预测方法.该方法由预处理、具有结构学习的模糊神经网络预测器、后处理3个部分组成.预处理模块将比对后的输入序列进行滑动窗处理,并顺序提取有效的特征信息.模糊神经网络预测器采用了基于Takagi-Sugeno模型的5层模糊神经网络结构,通过输入层、模糊化层、点火强度层、归一化点火强度层、输出层的计算,得到预测结果;并进一步给出了一种模糊神经网络的结构学习算法,可有效地降低参数空间的维度,提高计算效率,并避免过学习情况的产生.后处理过程可对有交叠的预测结果进行拼接.实验结果表明,较之其他预测工具,本方法的ncRNA基因预测精度有所提高.     

基于改进G-K算法的多节点网络安全态势预测模型研究

影响多节点网络安全态势的因素有很多,传统方法未考虑影响因素,导致预测精度低。为此,构建一种新的改进G-K算法的多节点网络安全态势预测模型。通过灰熵均衡关联度实现关联分析,通过关联分析法对影响多节点网络安全态势的因素进行研究,按照关联程度大小获取重要因素。依据多节点网络日志信息,从主机层、服务层和系统层对多节点网络安全态势值进行计算。分析改进G-K算法预测基本思想:通过多节点网络安全态势重要影响因子值与安全态势值计算状态向量,利用当前状态矢量观测向量对多节点网络安全态势在下一段时间的值进行描述。在此基础上,构建改进G-K算法的多节点网络安全态势预测模型。实验结果表明,采用构建的模型对多节点网络安全态势进行预测,有很高的预测精度,对突变态势也可有效预测。