径流时间序列的网络拓扑模态研究

为揭示径流时间序列的复杂动力学特征和非线性规律,借助可视图方法将径流时间序列转化为复杂网络,利用网络拓扑分析理论对网络的点强度、中间中心性、平均路径长度、聚类系数等参数进行分析,探明径流时间序列的网络拓扑特征与模态。采集北江流域石角站和赣江流域外洲站的水文数据,对北江与赣江径流时间序列的网络拓扑模态进行验证分析。结果表明：北江与赣江径流时间序列网络的聚类系数均较大而平均路径长度均较小,2个网络均具有小世界特性和无标度网络特性,中心性大的节点均对应年中月径流,北江与赣江的径流时间序列非线性动力特征及拓扑模态基本相似。从新的维度刻画径流时间序列的结构特征以及内在动力学特性,更有利于揭示径流时间序列的多维度非线性特征。     

径流时间序列复杂网络的动力学拓扑性质

以金沙江和美国Ocumlgee河日径流序列为对象,利用复杂网络理论对径流序列的波动性特征进行了初步探讨。通过粗粒化方法将径流时间序列转化为符号序列,进而构建相应的复杂网络。对网络的聚类系数、平均路径长度和中介中心性测度等动力学统计特征量和拓扑参数的讨论发现,网络的聚类系数较大而平均路径长度较小,不同的波动模式之间存在着短程相关性;不同顶点的中介中心性测度具有明显的差异,表明某些顶点所代表的波动模式有着重要的意义,在一定程度上可以作为各种波动模式之间转换的前兆。这些结论有助于更好地把握径流变化的规律,对于径流的短期预测具有一定的参考价值。     

基于重要性抽样的图卷积社团发现方法

根据图论将复杂网络转化为图结构数据,使卷积神经网络能够高效方便地处理;通过将图像上的卷积操作延伸到图结构数据上来定义卷积核,并通过卷积层对图的粗粒化和池化操作,提取不规则数据复杂网络的特征. 在采用随机梯度下降法训练网络时,设计一种重要性抽样方法改变样本的分布来缩减方差,从而节省梯度计算时间. 实验结果表明,与现有的图卷积网络相比,该方法在社会网络、引文网络、知识图谱数据集中,均能够以较低的计算复杂度获得较好的社团发现准确率;而且能够减少计算时的内存占用,可扩展到更大规模的复杂网络中使用.     

基于特征符号表示的网络异常流量检测算法

为了准确检测网络中的流量异常情况,确保网络正常运行,提出基于特征符号表示的网络异常流量检测算法（NAAD-FD）. NAAD-FD算法利用趋势转折点将网络流量数据按照基于趋势特征的符号表示方法进行转化,按照表示结果将原始数据转化为包含7项特征值的子序列,将7项特征值运用到提出的距离计算方法中;结合基于密度的算法,按照时间序列的网络异常流量定义执行异常检测. 通过对算法参数、仿真数据和真实网络流量数据的实验与分析可知,该算法具有较强的鲁棒性,验证了该算法的有效性和稳定性. 该算法通过降维简化表示,显著降低了算法的时间复杂度,有效加速异常检测过程约40%.     

考虑静态能量分布的电力系统复杂网络特性研究

电力系统具有强非线性和时变性,电网结构在状态过渡中是否具有某种关键特性值得深入研究。在复杂网络研究基础上,结合静态能量函数理论,将支路静态势能作为边权引入电力系统复杂网络建模中,明确计入能量信息的网络参数物理意义。大量仿真表明,与结构拓扑特征相似,电力系统过渡状态亦在一定程度上具有如标度与小世界等典型的复杂网络特性,其支路势能分布存在指数型与幂律型统计特征,说明在电网状态转化过程中,某些线路或局部元件起到了比其他元件重要得多的作用。这一现象的发现将为研究电力系统不同稳定运行点过渡过程中,能量分布视角下的复杂电网动态演化过程提供新的思路。     

基于时间序列分析的工业控制以太网流量异常检测

为提高工业网络中异常流量的检测精度,提出了基于结构时间序列分析的流量异常检测方案,将工业以太网流量分解成不同组分,并辅以状态空间模型,将复杂的网络流量进行分层建模,从而有效提高了工业网络异常流量检测精度,降低了误报率.与传统的X-12结构时间序列分析法相比,其平均精度上升38%,所以本文方法对于异常检测系统的效率改善明显.     

交通时间序列分形测量方法研究

为了研究交通数据的分形特征,引入一种新的分形测量方法,分析了2006年8月1日0时11分到8月10日14时11分的北京玉泉营高速路的交通流量时间序列.计算结果发现交通时间序列在不同的标度区间具有不同的分形维数.进一步借助多重分形谱的宽度和极大值对交通时间序列进行研究,结果发现,多重分形谱宽度为0.603 1、极大值为0.966 4.因此,交通流量具有明显多重分形特性,这将为多重分形在交通时间序列分析的非线性研究提供重要的理论基础.     

基于复杂网络的癫痫脑电分类与分析

为提取癫痫发作与间歇期脑电信号的特征,提出利用构建癫痫EEG(electroencephalogram)网络的方法来刻画脑电信号。研究各变量均可测情况下的Lorenz和Rössler混沌系统,利用其各变量的输出混沌时间序列构建复杂网络,发现构建的复杂网络拓扑图与其混沌吸引子存在形态相似性,说明由时间序列构建的复杂网络能刻画其原信号特征。对于多维系统中仅有一维可测时,多维时间序列由相空间重构得到。利用相空间重构方法对癫痫发作和间歇期脑电信号构建复杂网络进行分析。研究结果表明,癫痫发作时其网络拓扑较间歇期存在明显不同,且其平均路径长度显著增加,而递归率及其波动范围都显著降低,这些网络特性可以用来刻画脑电信号的特征,从而为癫痫疾病的自动辨识与预测提供基础。     

基于复杂网络和模糊理论的金融市场波动研究

股票市场的预测对于投资机构以及个人都至关重要,但其具有的波动性以及非平稳性的特点使其难以预测,为解决上述问题,本文利用股票市场的复杂网络特性,以及在不确定性和协同组合方面发挥了优越性的模糊逻辑理论,提出了一种基于复杂网络模糊时间序列的股票价格指数预测模型,对全局耦合的股票网络开展研究。通过对基于复杂网络的模糊时间序列模型与加权自适应期望模糊时间序列模型的比较,发现基于复杂网络的模糊时间序列模型比加权自适应期望模糊时间序列模型具有更小的平均方均根误差(RMSE)值,且发现在合理的范围内,不同的加权参数h对股价预测结果的影响是非常相似的。     

基于模糊C-均值的模糊时间序列模型

将模糊C-均值聚类算法引入到模糊时间序列模型,提出了一个新的模糊预测模型.该模型首先将观察的时间序列转化为w维的时间序列数据集,然后利用FCM算法对构造的时间序列数据集进行聚类,最后根据聚类结果进行预测,并将其应用到中国的能源预测中,实验结果表明了该模型的可行性和有效性.     

Application research of multivariate linkage fluctuation analysis on condition evaluation in process industry

Abnormal conditions are hazardous in complex process systems, and the aim of condition recognition is to detect abnormal conditions and thus avoid severe accidents. The relationship of linkage fluctuation between monitoring variables can characterize the operation state of the system. In this study, we present a straightforward and fast computational method, the multivariable linkage coarse graining (MLCG) algorithm, which converts the linkage fluctuation relationship of multivariate time series into a directed and weighted complex network. The directed and weighted complex network thus constructed inherits several properties of the series in its structure. Thereby, periodic series convert into regular networks, and random series convert into random networks. Moreover, chaotic time series convert into scale-free networks. It demonstrates that the MLCG algorithm permits us to distinguish, identify, and describe in detail various time series. Finally, we apply the MLCG algorithm to practical observations series, the monitoring time series from a compressor unit, and identify its dynamic characteristics. Empirical results demonstrate that the MLCG algorithm is suitable for analyzing the multivariable linkage fluctuation relationship in complex electromechanical system. This method can be used to detect specific or abnormal operation condition, which is relevant to condition identification and information quality control of complex electromechanical system in the process industry.     

应用概率神经网络预测股市的方向变化

预测股票价格的方向变化是一个分类问题,可以有效的指导投资决策,获取投资利润。运用概率神经网络能够有效的进行模式识别,具有训练速度快,可以实时更新数据的优势,因此在金融时间序列的分析预测中有一定的应用价值。通过概率神经网络提供的贝叶斯分类器,应用概率神经网络作用原理,对上证180指数的变化方面进行了预测,结果表明了概率神经网络在预测股标市场的方向变化方面具有实用性。     

钢管砼轴心受压柱的可靠性研究

规程所给钢管砼轴心受压柱的计算公式比较复杂，给可靠度的计算带来一定的困难，尝试利用神经网络-蒙特卡罗法计算钢管砼柱可靠度，利用一实例的轴心受压试验结果，训练了四层BP网络，进行了柱轴压承载力的预报，预报值和试验值吻合良好，进而利用实例柱网络模型结合蒙特卡罗法，算出柱的可靠度，为结构可靠度计算提供了一种新的方法和思路。     

一种基于四元加权消减的复杂网络社团划分算法

延续广泛应用的社团结构分级聚类方法,提出了衡量网络社团结构的社团稠密度概念,从而反映了网络结构整体性质的重要特征,并将参数应用于对网络社团聚类的研究当中．特别是基于社团稠密的四元结构提出了基于四元加权消减的社团划分算法．通过复杂网络实例验证了该算法的有效性,并对实验结果进行了比较分析,得出该算法在准确性方面对加权网络有较好效果．     

概率神经网络在可疑交易监测中的应用及效率比较

通过概率神经网络PNN对金融交易时间序列数据的预测偏移误差分类实现对交易异常与否的分类,并将其与前馈神经网络BP、后馈神经网络Elman、竞争型神经网络LVQ、SOM等4种经典类型的分类效率进行比较,结果发现PNN在相近预测精度前提下在网络结构、运行效率方面都有明显优势,适合金融交易海量数据的监测分析.     

一种改进的网络鲁棒性与有效性增强方法

针对无标度网络面临恶意攻击时的脆弱性问题,提出了一种改进的网络鲁棒性与有效性增强算法．首先,在已有鲁棒性指标和有效性指标的基础上,将两者合理地融合在一起构造了新的目标函数; 然后,利用高鲁棒性网络的类洋葱结构信息,构造了高效的启发式混合搜索算子,结合模拟退火算法并采用一种基于变化率的评价模型来迭代优化网络的结构,实现了对网络鲁棒性和有效性的同时优化．实验结果表明,该方法能够较好地同时提高网络的鲁棒性与有效性．     

社会困境下双重度偏好社团网络合作涌现研究

考虑复杂社会网络中的“社团结构”特征,基于经典的囚徒困境博弈和累积收益策略更新规则,构建社会困境下具有双重度偏好的社团网络演化博弈模型,系统研究静态社团网络外部连接密度、动态社团网络中策略与结构共演化时间尺度以及策略更新中噪声对合作涌现的影响及其作用机理。研究发现,社团网络间连接密度对合作涌现具有负向影响;尽管静态社团网络合作水平在数值上是明显高于动态社团网络,但其合作演化的策略构成、策略稳定性及其演化动态性存在显著差异;动态社团网络中策略与结构共演化的时间尺度对合作涌现的影响呈现相对优劣互转的变化趋势,具体表现为在低背叛诱惑值下时间尺度越小越不利于合作,而在高背叛诱惑值下时间尺度越小越有利于合作;策略更新过程中噪声对静态和动态社团网络合作涌现的影响是单调的,且适度的引入噪声能够显著提高合作水平。     

企业集团财务治理指数评价体系研究

企业集团在日常经营中会出现很多特殊、复杂的问题,财务治理就显得尤为重要。借鉴国内外关于财务治理的评价指标体系,根据财务治理评价指标选取的原则和依据,结合公司治理因素和内部控制评价因素,构建了基于公司治理指数的企业集团财务治理指数评价模型,通过对该指数进行分析探索,能够判断我国企业集团的财务治理状况,完善企业集团财务治理结构与治理机制。     

寻找复杂网络社团的稠密集算法

通过引入稠密集的概念,该文提出了一种基于稠密集的寻找复杂网络中社团结构的算法.算法的主要思想是在网络中不断构思稠密集,并判断后生成的稠密集能否导致产生一个新社团,还是将其与一个已有的社团合并.利用该算法可以将具有明显社团结构的网络进行比较合理的划分.在一般情况下,该算法的复杂度约为O(n+m),对于稀疏网络的时间复杂度...