基于最大熵模型的导师-学生关系推测

导师-学生关系是科研合作网络中重要的关系类型之一, 准确识别此类关系对促进科研交流与合作、评审回避等有重要意义. 以论文合作网络为基础, 依据学生发表论文时通常与导师共同署名的现象, 抽象出能够反映导师-学生合作关系的特征, 提出了基于最大熵模型的导师-学生关系识别算法. 利用DBLP中1990-2011年的论文数据进行实例验证, 结果显示: 1)关系类型识别结果的准确率超过95%; 2)导师-学生关系终止时间的平均误差为1.39年. 该方法在识别关系时避免了特征之间相互独立的约束, 准确率优于其他同类识别算法, 且建模方法对识别社交网络中的其他关系类型也具有借鉴意义. 关键词： 社交网络 关系识别 最大熵模型 特征选择     

基于用户行为的微博网络信息扩散模型

利用新浪微博数据对用户行为进行分析,在此基础上构建了基于用户行为的微博网络信息扩散模型SIRUB,同时计算了模型中各用户阅读微博和转发微博的概率,在微博网络中的实验表明,只有同时考虑阅读和转发概率时模型才能较准确地预测用户的转发行为.SIRUB模型对用户转发行为预测的F-score最高为0.228,高于经典SIR模型和SICR模型,此外该模型对微博扩散范围的预测其误差的均值和标准差也均小于SIR模型和SICR模型.     

复杂网络链路可预测性:基于特征谱视角

近年来链路预测的理论和实证研究发展迅速,大部分工作关注于提出更精确的预测算法.事实上,链路预测的前提是网络的结构本身能够被预测,这种"可被预测的程度"可以看作是网络自身的基本属性.本文拟从特征谱的视角去解释网络的链路可预测性,并刻画网络的拓扑结构信息,通过对网络特征谱进行分析,构造了复杂网络链路可预测性评价指标.通过该指标计算和分析不同网络的链路可预测性,能够在选择算法前获取目标网络能够被预测的难易程度,解决到底是网络本身难以预测还是预测算法不合适的问题,为复杂网络与链路预测算法的选择和匹配问题提供帮助.     

基于平均场理论的微博传播网络模型

微博是在通过用户关注机制建立的用户网络上分享实时信息的社交平台,而微博消息主要通过用户的转发行为使消息在用户网络上传播.掌握微博消息的传播机制,对研究微博上舆论谣言的传播、产品推广等具有指导作用.本文通过对微博传播网络的结构分析来探索微博传播过程,利用新浪微博数据,建立微博传播网络,分析该网络的生成机制,使用平均场论的方法,推导微博传播网络的度分布模型.实验结果表明:微博传播网络的度分布是时间相依的,在特定时间下网络的度分布服从幂律分布.     

一种多用户上行放大转发中继系统中快速收敛的信道估计方法

针对传统交替最小二乘算法存在的收敛缓慢问题,本文在多用户上行放大转发中继系统中基于Levenberg Marquardt(LM)算法,提出了一种能够快速收敛的信道估计方法,实现了用户-中继信道和中继-基站信道的独立估计.在基站,通过对中继多次放大转发的信号进行建模,构造出具有平行因子结构的三维信号张量模型,并采用LM算法对该模型进行拟合,从而得到系统中两跳链路的信道状态信息.理论分析与仿真结果表明,与已有二线性交替最小二乘方法相比,所提方法具有近乎相同的估计精度;当中继放大因子矩阵为随机矩阵或者包含近似共线性相关列时,所提方法具有更快的收敛速度.     

移动Ad Hoc中基于位置辅助的链路稳定性预测算法

在移动Ad Hoc网络中,随着拓扑的动态变化,路由会发生断裂。传统的稳定路由协议通常定性地考虑链路的质量,并未对链路的稳定性进行有效预测。为了适应网络拓扑的变化,建立稳定性较高的路由,提出了基于位置信息辅助的链路稳定性预测算法,并在AODV协议上进行实现,得到了基于位置辅助的按需距离矢量路由协议,即PB-AODV。在路由发现过程中,协议在节点的稳定区内选择稳定度较高的路由进行数据传送;而在路由维护阶段,PB-AODV采取链路中断预测机制,对即将中断的链路进行通告,在路由中断之前进行路由修复,建立起备份路由。实验表明：具有稳定预测算法的PB-AODV协议在综合性能上优于其他两种性能优良的路由协议,提升了网络的性能。     

基于Gibbs-LDA和最小二乘支持向量机的物联网安全预测方法

针对物联网中各类用户的网络行为出现复杂化、多样化和恶意化的特征和趋势,提出了一种基于Gibbs—LDA和最小二乘支持向量机的物联网安全预测方法;首先,提取通信时间、地址和内容等文中信息作为多维的通信记录样本,然后基于LDA模型,将安全事件建模为主题,获取样本特征并得到主题模型,通过Gibbs算法来估算LDA模型中的参数,从而建立了基于LDA的物联网安全多维预模型,最后,在LDA特征空间上建立了特征与安全事件分布的权重,并将此权重用于初始化各个支持向量机的预测结果,将权值最大的最小二乘支持向量的预测结果作为最终的结果;仿真实验证明了文中方法能有效地实现物联网安全预测,在NIPS和VAST数据集上进行仿真实验,结果表明了文中方法较其他方法具有预测精度高和预测时间短的优点,具有较大的优越性。     

一种基于分支过程的信息流行度动力学模型

Web 2.0时代,建模和预测在线信息流行度是信息传播中的重要问题.本文基于社交网络系统信息传播的机制,通过假设和简化,提出了分支过程的概率模型,来描述在线社交网络信息的流行度动力学过程.对典型在线社交网络系统的信息流行度数据和网络结构数据进行了分析,统计结果表明信息流行度衰减遵循幂律分布(幂指数为1.8),微博网络的入度和出度分布也均服从幂律分布(幂指数为1.5).模型仿真结果发现,该模型能够再现真实社交网络数据的若干特征,且信息流行度与网络结构相关.对模型方程进行求解得到理论预测的结果与仿真分析和实际数据结果相符合.     

一种新的复杂网络影响力最大化发现方法

复杂网络中影响力最大化建模与分析是社会网络分析的关键问题之一, 其研究在理论和现实应用中都有重大的意义. 在给定s值的前提下, 如何寻找发现s个最大影响范围的节点集, 这是个组合优化问题, Kempe等已经证明该问题是NP-hard问题. 目前已有的随机算法时间复杂度低, 但是结果最差; 其他贪心算法时间复杂度很高, 不能适用于大型社会网络中, 并且这些典型贪心算法必须以了解网络的全局信息为前提, 而获取整个庞大复杂且不断发展变化的社会网络结构是很难以做到的. 我们提出了一种新的影响力最大化算法模型RMDN, 及改进的模型算法RMDN++, 模型只需要知道随机选择的节点以及其邻居节点信息, 从而巧妙地回避了其他典型贪心算法中必须事先掌握整个网络全局信息的问题, 算法的时间复杂度仅为O(s log(n)); 然后, 我们利用IC模型和LT模型在4种不同的真实复杂网络数据集的实验显示, RMDN, RMDN++算法有着和现有典型算法相近的影响力传播效果, 且有时还略优, 同时在运行时间上则有显著的提高; 我们从理论上推导证明了方法的可行性. 本文所提出的模型算法适用性更广, 可操作性更强, 为这项具有挑战性研究提供了新的思路和方法.     

基于分数阶最大相关熵算法的混沌时间序列预测

为提高最大相关熵算法对混沌时间序列的预测速度和精度,提出了一种新的分数阶最大相关熵算法.在采用最大相关熵准则的基础上,利用分数阶微分设计了一种新的权重更新方法.在alpha噪声环境下,采用新的分数阶最大相关熵算法对Mackey-Glass和Lorenz两类具有代表性的混沌时间序列进行预测,并分析了分数阶的阶数对混沌时间序列预测性能的影响.仿真结果表明:与最小均方算法、最大相关熵算法以及分数阶最小均方算法三类自适应滤波算法相比,所提分数阶最大相关熵算法在混沌时间序列预测中能够有效地抑制非高斯脉冲噪声干扰的影响,具有较快收的敛速度和较低的稳态误差.     

一种基于误差补偿的多元混沌时间序列混合预测模型

针对多元混沌时间序列的预测问题, 考虑到单纯改进储备池算法无法明显地提高预测精度, 提出一种基于误差补偿的时间序列混合预测模型. 实际观测的数据既包含线性特征又包含非线性特征. 首先利用自回归移动平均模型预测线性特征, 使得残差数据仅含非线性特征; 然后, 建立正则化回声状态网络模型预测; 最后, 将非线性部分的预测值与线性部分的预测值相加, 以实现高精度的多元混沌时间序列预测. 基于Lorenz和太阳黑子-黄河径流量时间序列的仿真实验验证了本文所提模型的有效性. 关键词： 回声状态网络 混沌 多元时间序列预测 误差补偿     

Revealing how network structure affects accuracy of link prediction

Link prediction plays an important role in network reconstruction and network evolution. The network structure affects the accuracy of link prediction, which is an interesting problem. In this paper we use common neighbors and the Gini coefficient to reveal the relation between them, which can provide a good reference for the choice of a suitable link prediction algorithm according to the network structure. Moreover, the statistical analysis reveals correlation between the common neighbors index, Gini coefficient index and other indices to describe the network structure, such as Laplacian eigenvalues, clustering coefficient, degree heterogeneity, and assortativity of network. Furthermore, a new method to predict missing links is proposed. The experimental results show that the proposed algorithm yields better prediction accuracy and robustness to the network structure than existing currently used methods for a variety of real-world networks.     

Deep Link-Prediction Based on the Local Structure of Bipartite Networks

Link prediction based on bipartite networks can not only mine hidden relationships between different types of nodes, but also reveal the inherent law of network evolution. Existing bipartite network link prediction is mainly based on the global structure that cannot analyze the role of the local structure in link prediction. To tackle this problem, this paper proposes a deep link-prediction (DLP) method by leveraging the local structure of bipartite networks. The method first extracts the local structure between target nodes and observes structural information between nodes from a local perspective. Then, representation learning of the local structure is performed on the basis of the graph neural network to extract latent features between target nodes. Lastly, a deep-link prediction model is trained on the basis of latent features between target nodes to achieve link prediction. Experimental results on five datasets showed that DLP achieved significant improvement over existing state-of-the-art link prediction methods. In addition, this paper analyzes the relationship between local structure and link prediction, confirming the effectiveness of a local structure in link prediction.     

基于有向渗流理论的关联微博转发网络信息传播研究

微博网络的快速性、爆发性和时效性, 以及用户复杂的行为模式, 使得研究其信息传播模型及影响因素成为网络舆情的热点方向. 利用压缩映射定理, 分析不动点迭代过程的收敛条件, 得到有向网络信息传播过程的渗流阈值和巨出向分支的数值解法; 通过可变同配系数生成模型, 分析关联特征对信息传播的影响; 最后利用微博转发网络数据进行仿真对比实验. 结果表明: 虽然四类关联特征同时体现出同配、异配特征, 但信息传播结果更多受入度-入度相关性、入度-出度相关性影响; 通过删除少量节点的方法, 提取边同配比例, 验证大部分节点的四类关联特征呈现一致性.     

基于大数据分析的移动对象轨迹预测方法

对移动对象的轨迹预测将在移动目标跟踪识别中具有较好的应用价值。移动对象轨迹预测的基础是移动目标运动参量的采集和估计,移动目标的运动参量信息特征规模较大,传统的单分量时间序列分析方法难以实现准确的参量估计和轨迹预测。提出一种基于大数据多传感信息融合跟踪的移动对象轨迹预测算法。首先进行移动目标对象进行轨迹跟踪的控制对象描述和约束参量分析,对轨迹预测的大规模运动参量信息进行信息融合和自正整定性控制,通过大数据分析方法实现对移动对象运动参量的准确估计和检测,由此指导移动对象轨迹的准确预测,提高预测精度。仿真结果表明,采用该算法进行移动对象的运动参量估计和轨迹预测的精度较高,自适应性能较强,稳健性较好,相关的指标性能优于传统方法。     

基于遗传算法的网络安全态势感知研究

对网络安全态势准确感知能实现对网络攻击的提前拦截和防范,针对传统的匹配检测方法对网络安全态势预测的精度不好的问题,提出一种基于遗传算法的网络安全态势感知模型,首先构建复杂网络环境下的病毒入侵的安全状态分布模型,进行网络安全态势的特征信息提取,然后采用遗传算法对提取的病毒入侵信息流进行相关性检测,实现安全态势预测和准确感知。仿真实验结果表明,该方法进行网络病毒入侵的准确检测概率较高,对安全态势预测的精度较高,保障了网络安全。     

Remaining Useful Life Prediction Model for Rolling Bearings Based on MFPE–MACNN

Aiming to resolve the problem of redundant information concerning rolling bearing degradation characteristics and to tackle the difficulty faced by convolutional deep learning models in learning feature information in complex time series, a prediction model for remaining useful life based on multiscale fusion permutation entropy (MFPE) and a multiscale convolutional attention neural network (MACNN) is proposed. The original signal of the rolling bearing was extracted and decomposed by resonance sparse decomposition to obtain the high-resonance and low-resonance components. The multiscale permutation entropy of the low-resonance component was calculated. Moreover, the locally linear-embedding algorithm was used for dimensionality reduction to remove redundant information. The multiscale convolution module was constructed to learn the feature information at different time scales. The attention module was used to fuse the feature information and input it into the remaining useful life prediction module for evaluation. The appropriate network structure and parameter configuration were determined, and a multiscale convolutional attention neural network was designed to determine the remaining useful life prediction model. The results show that the method demonstrates effectiveness and superiority in degrading the feature information representation and improving the remaining useful life prediction accuracy compared with other models.     

多源光谱特征组合的COD光学检测方法研究

水样的化学需氧量大小直接决定水质的污染程度,传统的检测方法都是源于氧化还原反应,对水样会造成二次污染。为此,提出一种基于多源光谱特征组合的水质化学需氧量光学检测方法,以不同地点实际水样为被测对象,分别采集其紫外和近红外光谱曲线,进行预处理后,通过非负矩阵分解算法进行光谱数据的特征提取、数据特征归一化,然后将组合特征输入训练集样本,通过粒子群最小二乘支持向量机算法对验证集水样的化学需氧量进行定量预测。讨论了非负矩阵分解算法中基光谱数目对预测模型的影响。实验结果显示,紫外光谱的最佳基光谱数目为5,近红外光谱的最佳基光谱数目为2;预测模型的验证集平方相关系数为0.999 8,预测均方根误差为3.26 mg·L-1;分别与不同特征提取方法(主成分分析, 独立成分分析)、不同光谱法(紫外光谱法, 近红外光谱法)以及不同的组合方式(数据直接组合, 先组合数据再提取特征)加以比较,表明非负矩阵分解算法更适合光谱数据的特征提取,粒子群最小二乘支持向量机算法作为实际水样的定量模型校正方法可以得到良好的预测精度。     

Examining Supervised Machine Learning Methods for Integer Link Weight Prediction Using Node Metadata

With the goal of understanding if the information contained in node metadata can help in the task of link weight prediction, we investigate herein whether incorporating it as a similarity feature (referred to as metadata similarity) between end nodes of a link improves the prediction accuracy of common supervised machine learning methods. In contrast with previous works, instead of normalizing the link weights, we treat them as count variables representing the number of interactions between end nodes, as this is a natural representation for many datasets in the literature. In this preliminary study, we find no significant evidence that metadata similarity improved the prediction accuracy of the four empirical datasets studied. To further explore the role of node metadata in weight prediction, we synthesized weights to analyze the extreme case where the weights depend solely on the metadata of the end nodes, while encoding different relationships between them using logical operators in the generation process. Under these conditions, the random forest method performed significantly better than other methods in 99.07% of cases, though the prediction accuracy was significantly degraded for the methods analyzed in comparison to the experiments with the original weights.     

Fast prediction of aerodynamic noise induced by the flow around a cylinder based on deep neural network

Accurate and fast prediction of aerodynamic noise has always been a research hotspot in fluid mechanics and aeroacoustics. The conventional prediction methods based on numerical simulation often demand huge computational resources, which are difficult to balance between accuracy and efficiency. Here, we present a data-driven deep neural network (DNN) method to realize fast aerodynamic noise prediction while maintaining accuracy. The proposed deep learning method can predict the spatial distributions of aerodynamic noise information under different working conditions. Based on the large eddy simulation turbulence model and the Ffowcs Williams-Hawkings acoustic analogy theory, a dataset composed of 1216 samples is established. With reference to the deep learning method, a DNN framework is proposed to map the relationship between spatial coordinates, inlet velocity and overall sound pressure level. The root-mean-square-errors of prediction are below 0.82 dB in the test dataset, and the directivity of aerodynamic noise predicted by the DNN framework are basically consistent with the numerical simulation. This work paves a novel way for fast prediction of aerodynamic noise with high accuracy and has application potential in acoustic field prediction.