多类型复杂网络的随机模型构建与分析方法研究
发布时间：2021-09-03 13:49
复杂网络随机模型指与实际网络具有某些相同特征,其它网络特征完全随机化的网络模型。以统计推断为基础,复杂网络随机模型作为参考系,能够定量化凸显实际网络难以直观解释的复杂结构特性,并在比较与推断的过程中,帮助科研人员深入理解实际网络的内在规律,为复杂系统的描述与分析提供更加深刻的科学认知。近年来随着复杂网络研究的发展,其研究对象愈加复杂、规模愈加庞大,具有单一类型节点与边的简单同质网络已无法对多对象、多关系的大规模复杂系统进行描述,需要采用如多元网络、边网络、大规模稀疏网络、异质网络等更为复杂的网络结构对这些系统进行准确的抽象与分析。现有针对简单同质网络的随机模型研究,并不适用于结构更为复杂、规模更为庞大的网络结构分析,因此需要针对上述多类型复杂网络的随机模型开展深入研究,为分析与表征其复杂结构特性提供支撑。为了填补复杂网络随机模型在多类型复杂网络研究中的空白,进一步解决网络稀疏性对网络随机模型构建的挑战,本文提出了多元网络冗余度随机模型、边网络随机模型、网络稀疏随机模型、异质网络零模型与异质稀疏随机模型,覆盖了复杂网络的全部类型,为多类型复杂网络提供了有效的分析与表征工具,为建立以随机模...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：149 页
【学位级别】：博士
【部分图文】：
多元网络边冗余度与节点冗余度示意图:(a)原网络;(b)聚合后网络;(c)边冗余度计算结果;(d)节点冗余度计算结果
第二章多元网络冗余度随机模型25图2-3三层多元网络及其1阶多元网络冗余度随机模型示意:(a)原网络;(b)冗余度随机模型。图2-3展示了一个三层多元网络及其1阶多元网络冗余度随机模型。图2-3(a)为一个三层多元网络，图2-3(b)为图2-3(a)中多元网络的一个1阶多元网络冗余度随机模型。模型中的所有节点的1阶冗余度均与原网络相同，每一层网络中的节点的连接是在这种约束下半随机的，这造成了模型中的连接结构与原网络中连接结构的不同。多元网络冗余度随机模型是在全局冗余度分布的约束下随机生成的，而不是每一层的单独约束。因此，该模型体现了多元网络的聚合信息，而如果通过简单的聚合多网络，会造成这种聚合信息的丢失。然而，由于全局的节点冗余度分布制约了各层的连接，多元网络冗余度随机模型中每一层网络的连接也不是完全独立随机的。在图2-3中，每一层网络中的连接也不是完全随机的。因此，节点冗余度是多元网络的一个全局参数，它描述了层与层之间节点的相互制约关系，也保证了各层之间不是完全相互独立的。这种在节点冗余度制约下的随机化，既是融合信息的随机化，也是每层网络连接信息的随机化，它保留了多元网络中节点在各层之间的基本连接信息。注意到在多元网络中，冗余度分布代替了单网络中的度分布，并且“相同规模”意味着模型与原网络具有相同的节点数N以及网络层数M。这里，我们提供k阶多元网络冗余度随机模型的详细解释，并将其总结于表2-2。0阶：与原网络具有相同节点数N，网络层数M以及平均节点冗余度的随机化多元网络模型；1阶：与原网络具有相同节点数N，网络层数M以及节点冗余度()的随机化多元网络模型；
第二章多元网络冗余度随机模型33推特事件关联网络中每一个节点代表了推特空间中的一个事件，该网络以事件为节点，针对事件之间的三种关联关系构建了三层推特事件关联网络：第一层网络：关键词相似度网络；边代表关系：两个事件之间关键词相似度；成边条件：如果两个节点之间关键词集合的余弦相似度大于0.3，则在两个节点之间生成一条边；第二层网络：地理位置相关性网络；边代表关系：两个事件之间地理位置相关性；成边条件：如果两个事件发生在同一地点，则在两个节点之间生成一条边；第三层网络：推文相关性网络；边代表关系：两个事件推文集合的相关性；成边条件：如果两个事件的推文集合相同推文大于10条，则在两个节点之间生成一条边；该网络包含了一天当中的300个事件，并可视化如图2-4，图2-4(a)为第一层网络：关键词相似度网络；图2-4(b)为第二层网络：地理位置相关性网络；图2-4(c)为第三层网络：推文相关性网络。图2-4三层推特事件关联网络示意图:(a)-(c)三种关系网络。（2）恐怖分子关系网络通过Noordin恐怖分子数据集[126]获取了6种恐怖分子之间的关系，以每个恐怖分子为节点，构建了恐怖分子多元网络，具体成图规则如下：第一层网络：组织相关性网络；边代表关系：两个恐怖分子之间的组织相关性；成边条件：如果两个恐怖分子属于同一恐怖组织，则在他们两个节点之间生成一条边；(a)(b)(c)
【参考文献】：
期刊论文
[1]Terrorist attacks in the largest metropolitan city of Pakistan: Profile of soft tissue and skeletal injuries from a single trauma center[J]. Muhammad Shahid Khan,Shahan Waheed,Arif Ali,Narjis Mumtaz,Asher Feroze,Shahryar Noordin. World Journal of Emergency Medicine. 2015(03)
本文编号：3381229
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：149 页
【学位级别】：博士
【部分图文】：
多元网络边冗余度与节点冗余度示意图:(a)原网络;(b)聚合后网络;(c)边冗余度计算结果;(d)节点冗余度计算结果
第二章多元网络冗余度随机模型25图2-3三层多元网络及其1阶多元网络冗余度随机模型示意:(a)原网络;(b)冗余度随机模型。图2-3展示了一个三层多元网络及其1阶多元网络冗余度随机模型。图2-3(a)为一个三层多元网络，图2-3(b)为图2-3(a)中多元网络的一个1阶多元网络冗余度随机模型。模型中的所有节点的1阶冗余度均与原网络相同，每一层网络中的节点的连接是在这种约束下半随机的，这造成了模型中的连接结构与原网络中连接结构的不同。多元网络冗余度随机模型是在全局冗余度分布的约束下随机生成的，而不是每一层的单独约束。因此，该模型体现了多元网络的聚合信息，而如果通过简单的聚合多网络，会造成这种聚合信息的丢失。然而，由于全局的节点冗余度分布制约了各层的连接，多元网络冗余度随机模型中每一层网络的连接也不是完全独立随机的。在图2-3中，每一层网络中的连接也不是完全随机的。因此，节点冗余度是多元网络的一个全局参数，它描述了层与层之间节点的相互制约关系，也保证了各层之间不是完全相互独立的。这种在节点冗余度制约下的随机化，既是融合信息的随机化，也是每层网络连接信息的随机化，它保留了多元网络中节点在各层之间的基本连接信息。注意到在多元网络中，冗余度分布代替了单网络中的度分布，并且“相同规模”意味着模型与原网络具有相同的节点数N以及网络层数M。这里，我们提供k阶多元网络冗余度随机模型的详细解释，并将其总结于表2-2。0阶：与原网络具有相同节点数N，网络层数M以及平均节点冗余度的随机化多元网络模型；1阶：与原网络具有相同节点数N，网络层数M以及节点冗余度()的随机化多元网络模型；
第二章多元网络冗余度随机模型33推特事件关联网络中每一个节点代表了推特空间中的一个事件，该网络以事件为节点，针对事件之间的三种关联关系构建了三层推特事件关联网络：第一层网络：关键词相似度网络；边代表关系：两个事件之间关键词相似度；成边条件：如果两个节点之间关键词集合的余弦相似度大于0.3，则在两个节点之间生成一条边；第二层网络：地理位置相关性网络；边代表关系：两个事件之间地理位置相关性；成边条件：如果两个事件发生在同一地点，则在两个节点之间生成一条边；第三层网络：推文相关性网络；边代表关系：两个事件推文集合的相关性；成边条件：如果两个事件的推文集合相同推文大于10条，则在两个节点之间生成一条边；该网络包含了一天当中的300个事件，并可视化如图2-4，图2-4(a)为第一层网络：关键词相似度网络；图2-4(b)为第二层网络：地理位置相关性网络；图2-4(c)为第三层网络：推文相关性网络。图2-4三层推特事件关联网络示意图:(a)-(c)三种关系网络。（2）恐怖分子关系网络通过Noordin恐怖分子数据集[126]获取了6种恐怖分子之间的关系，以每个恐怖分子为节点，构建了恐怖分子多元网络，具体成图规则如下：第一层网络：组织相关性网络；边代表关系：两个恐怖分子之间的组织相关性；成边条件：如果两个恐怖分子属于同一恐怖组织，则在他们两个节点之间生成一条边；(a)(b)(c)
【参考文献】：
期刊论文
[1]Terrorist attacks in the largest metropolitan city of Pakistan: Profile of soft tissue and skeletal injuries from a single trauma center[J]. Muhammad Shahid Khan,Shahan Waheed,Arif Ali,Narjis Mumtaz,Asher Feroze,Shahryar Noordin. World Journal of Emergency Medicine. 2015(03)
本文编号：3381229
本文链接：https://www.wllwen.com/shoufeilunwen/jckxbs/3381229.html
教材专著
