基于多尺度时效模体度的虚假信息传播机制

将时效网络引入虚假信息传播研究中，提出一种通过时效模体度刻画传播网络的方法来探究虚假信息的传播机制。该方法将传播网络的结构特性和信息的时间属性相融合，使用多个真实数据集检验了该方法在虚假信息检测中的普适性。数据结果表明，真假信息在不同的时间尺度下时效模体度的变化规律不同，在大时间尺度上虚假信息比真实信息的传播速度更快且传播深度更深，利用基于时效模体度的方法可以更准确地检测出虚假信息。该研究揭示了虚假信息的多时间尺度传播机制，可用于预防虚假信息的传播。     

复杂网络视角下国际贸易研究综述

对国际贸易网络的相关研究进行了综述。首先从国际贸易经典网络模型、适应度模型、双曲模型、流网络模型、多层贸易耦合网络模型和二分网络模型等6个模型，介绍了国际贸易网络的建模方式；然后从国际贸易网络统计特征、社团结构、演化模型和动力学行为等方面，梳理了国际贸易网络结构与功能的相关研究，最后总结了对国际贸易网络的研究并探讨了未来值得研究的课题。     

中国航空网络时序特征分析

该文着重研究时序信息对中国航空网络拓扑结构和传播行为的影响。将网络分割为24个时间窗口,研究拓扑结构在序列中的变化特性;考虑网络中事件发生的时间间隔,建立时序网络上的SIR传播模型以及基于时间特性的节点分类方法。结果表明,度-集聚系数和介数-集聚系数在8:00时出现正相关向负相关的转变;节点上航班出港行为的时间爆发性存在明显差异,但整体上可降低网络的传播速度和感染范围。该研究成果对进一步认识航空网络及受航空网络影响的疾病传播等动力学过程具有重要意义。     

复杂网络动力学与智能控制

智能如何产生, 其动力学行为如何演化、如何控制? 针对这些问题, 本文从复杂网络和动力学系统的角度简要综述智能控制的相关研究: 讨论复杂网络、动力学系统、神经科学和智能控制交叉研究的内涵和挑战问题; 概述牵制控制、混杂控制、自适应控制及复杂网络可控性等研究进展。并探讨复杂网络动力学与智能控制在脑科学与机器行为学中的相关应用及研究方向。     

两种不同机制自适应网络的对比研究

研究提出了较为实际的自适应网络的一种无选点断边重连机制,采用数值模拟的方法对该机制的自适应网络拓扑特性和传播动力学进行了研究,并与全局选点断边重连的自适应网络进行了对比.模拟结果发现:采取两种重连机制结合的疾病控制方法会更有效;另外,两种自适应网络的断边重连概率变化的过程中带来的拓扑特性差异较大,而传播动力学方面表现出一定的相似性.     

互联网复杂性研究进展

从复杂网络动力学的角度整理并总结了复杂网络目前的主要研究结果,并对将来的研究工作做了展望,着重阐述了它们在网络工程中的应用背景和对网络技术未来发展的深远影响. 结合网络整体动力学方面研究的阶段性成果,强调了网络动力学研究的重要意义.     

未来计算机网络和下一代网研究的核心问题

阐述了未来计算机网络研究的核心问题。指出把混沌理论、随机过程、灾难理论和控制理论等理论工具集成网络行为的分析中，从而对网络行为进行测量；强调了必须效新的协议和技术集成到目前的因特网体系结构中，以满足因特网日益增长的不同性能的要求；介绍了面向网络应用的基础研究所包含的具体内容；提出要彻底解决网络安全的问题，必须探索一种全新的计算机网络体系结构；在移动网络技术的研究中，应系统地研究移动网络体系结构和网络基础设施构架理论和方法 。统一开放的分布对象计算平台体系结构和实现技术以及基于分布对象计算平台分布式软件系统的开发模式和开发方法将是未来开放应用平台研究的重点。最后提出了下一代网研究的建议。     

基于脑电事件相关电位的功能性网络分析

利用视觉空间注意事件相关电位(ERP)构建了功能性网络;计算并分析了该网络的聚类系数;提出了一个适用的复杂网络统计参数即成对区域连接边数百分比;研究了ERP网络的特性及注意、刺激视野区域对该网络的影响。该聚类系数显著大于相应的随机网络的聚类系数,验证了网络的小世界特性。成对区域连接边数百分比显示刺激对侧大脑前后部的连接显著比刺激同侧大脑前后部的连接强。发现注意和非注意条件下的两个复杂网络参数有明显的不同,说明这两个参数能反映不同实验条件的大脑动力学特性。新的复杂网络统计参数的提出是研究各种认知任务下大脑动力学特性的一种有效的方法。     

基于因果模型的社交网络用户购物行为研究

社交网络用户的购物行为体现用户在社交影响下自身物质需求和社交需求的意愿,是社交网络营销的重要研究内容。传统的网络购物行为分析仅关注用户行为间的相似度,忽略了用户的社交需求及同伴行为的影响。对此,结合反从众理论和社交需求特性,对用户购物行为进行特征构建;其次,针对社交网络用户数据不完全观察特性,提出了基于快速因果推断（Fast Causal Inference,FCI）的用户行为因果机制发现算法;最后,基于模型的实验分析和实证分析验证了模型因果机制的合理性。     

信号转导网络的动态敏感性与振荡特性分析

为了理解细胞信号转导网络作为非线性动态自治系统的复杂性、系统内在的控制机理和系统的鲁棒性,提出从信息科学和控制工程的观点出发研究细胞网络的系统动态特性.以NF-κB信号转导网络为例,利用动态敏感性分析和非线性动力学分析等方法,研究细胞信号转导网络的参数敏感性和系统输出的振荡特性.仿真结果表明,8个关键的反应速率常数是系统输出信号NF-κB_n的敏感参数,IKK的负反馈调节作用显著影响着系统输出NF-κBn的振荡行为.     

时序网络中关键节点的识别方法研究进展

相对静态网络,时序网络可以更准确地刻画现实网络的动态过程。基于时序网络模型,如何有效地识别重要节点或者评价时序网络中一个节点对其他节点的影响力,已成为时序网络研究领域中的一个亟待解决的问题。该文分别从时序网络拓扑结构和动力学的角度,对现有的时序网络中的关键节点识别方法进行了系统的回顾,详细比较各种方法的计算思路、应用场景和优缺点。最后总结了这一研究方向几个待解决的问题,并指出未来可能的发展方向。     

大数据分析的神经网络方法

大数据蕴含巨大的社会、经济、科学价值,已成为学术界与企业界关注的重点。其关键技术可划分为三大层次：数据平台、分析平台和展示平台,其中分析平台是大数据转化为价值的桥梁。一般来说,大数据拥有体量浩大（volume）、多源异构（variety）、生成快速（velocity）、价值稀疏（value）的“4V”特性,扩大了大数据的价值空间,同时也为大数据的分析技术带来巨大挑战。其中三大挑战比较显著,即多源异构大数据、大量非结构化数据存储、大数据价值稀疏且变化快。其三大核心科学问题为大数据的表达、存储和预测问题。由于传统的数据分析方法难以胜任,发展新的大数据分析方法势在必然。人脑是天然的大数据处理引擎。神经网络是一种模拟人脑大数据分析机制的计算方法,是目前大数据分析中最成功的方法。神经网络的研究主要包括：模拟大脑神经网络结构,构建神经网络结构模型;模拟大脑神经网络的记忆机制,发展学习算法。神经网络的研究历史历经波折。近年来,随着当代计算机计算能力的不断提升,基于神经网络的大数据分析方法取得了巨大成功,尤其是在各应用领域,如语音大数据分析、图像大数据分析、医学大数据分析等,引领了人工智能的发展。AlphaGo在人机围棋大战中获胜,引起了广泛关注。“大数据+神经网络”已成为驱动创新、推动社会发展和改变人类生产生活方式的一种重要力量。以大数据和神经网络为线索,回顾大数据的基本概念与关键技术,梳理神经网络研究的基本框架,可以发现它们之间默契切合、互相促进的关系。一方面,神经网络具有强大的特征提取与抽象能力,能够整合多源信息,处理异构数据,捕捉变化动态,是大数据实现价值转化的桥梁。另一方面,体量浩大的大数据为神经网络提供了充足的训练样本,使得训练越来越大规模的神经网络成为可能。尽管“大数据+神经网络”在众多应用领域已经取得了突破,但是,仍然存在需要解决的核心科学问题。面向神经网络的研究中,神经网络的结构尚需进一步研究,神经网络的大小依然缺少理论性的指导,神经网络的学习算法仍然存在一些内在的问题。围绕大数据分析的三大核心科学问题,需要研究如何保证在高维空间中稀疏表达仍可维持数据的一致性,如何实现“只存储知识而不存储原始数据”,如何刻画数据的时空关联以实现大数据的预测。因此,仍然需要对该领域持续投入,加强应用研究和理论研究,尤其应进行跨领域的研究,即与人脑的大数据处理相呼应,结合认知科学、神经科学等相关学科的知识,以解决神经网络和大数据应用中的核心科学问题,推动基于神经网络方法的大数据分析研究。     

基于子图交互关系的网络结构增强算法

已有研究基于子图交互关系构造子图网络来实现网络结构增强,然而其算法复杂度高.鉴于此,基于不同阶子图网络的拓扑属性分别对原始网络进行赋权,得到一阶和二阶加权网络,以权重的形式直观体现子图交互关系.同时,这两种加权网络的权重可以直接通过原始网络的拓扑结构计算得出,从而避免了子图网络的构造过程,大大降低了算法复杂度.最后,以...     

基于复杂网络的质量系统分析

从复杂网络的角度,对由许多相互关联的质量组织所构成的质量系统建模。利用复杂网络的理论方法研究了质量系统的结构属性和动力学特征,并以计算机信息产业质量系统为例,借助网络分析软件UCINET和MATLAB统计工具进行了分析。结果表明:质量系统网络的度数和介数较集中,聚集系数小,度分布服从对数正态分布。说明计算机信息产业质量系统的关键点是微软等六大公司,对他们的质量管理和控制对于整个系统的稳定和发展具有重大的意义。     

Functional modular organization unfolded by chimera-like dynamics in a large-scale brain network model

The brain is organized as a complex network architecture, which can be mapped into structural (SC) and functional connectivity (FC) by advanced neuroimaging techniques. Achievements in brain network research have revealed that modularity is a universal trait in brain networks and may be vital for cognitive segregation and integration. Large-scale brain network modeling is a promising computational approach to combine neuroimaging data with generative rules for brain dynamics. Recently, it has been proposed that chimera states, a type of dynamics referring to the coexistence of coherent and incoherent participants, have traits in common with cognitive functions like segregated and integrated brain processing. Previous studies have reported the existence of chimera-like dynamics in large-scale brain network models, whereas they did not account for the relationship between chimera-like dynamics and corresponding functional modular organizations of the brain network. By specifying qualitatively different network dynamics in an anatomically-constrained brain network model, we compare the different modular organizations of FC unfolded by network dynamics. Our simulations reveal that chimera-like dynamics support a meaningful pattern of functional modular organization, which promotes a diversity of node roles with a distributed pattern of functional cartography. The distinct node roles in modular FC are also found to occur with a spatial preference in specific brain regions, and, to some extent, reflect the underlying structure constraints. Our results support the view that chimera-like dynamics is a functionally meaningful scenario that may play a fundamental role in the segregation and integration of brain functioning.

     

高铁-普铁的实证双层网络结构与鲁棒性分析

双层乃至多层网络的结构与功能研究是近年来复杂网络研究的一个重要方向。该文根据2016年中国列车时刻运行表,提取全国453个高速车站和2 293个普通车站作为研究对象,构建了高铁-普铁交通双层复杂网络,接着对单层高铁网络、单层普铁网络及高铁-普铁双层网络的拓扑静态指标进行分析。最后利用网络的最大连通子图这一指标对这3种铁路网络模型进行可靠性分析,研究发现交通多层复杂网络的可靠性在高速铁路网络和普通铁路网络之间。此研究为双层网络的实证研究提供了新证据,而且有利于交通部门管理和规划交通网络。     

基于结构平衡的社交网络舆情正向引导学习方法探讨

社交网络已经成为人们获取信息和进行社会交往的重要平台。一个话题经过众多网民评论与传播, 可能演变成社会关注的热点舆情。在社交网络文本大数据背景下, 从话题产生源头把握其演化趋势和发展规律, 对负向或弱正向话题采用适当的策略加以引导, 使其朝着正向发展, 对社会稳定具有重要意义。当前国内外相关研究尚处于起步阶段, 理论方法和研究手段还不成熟。在综述的基础上, 文章系统地提出网络舆情引导策略的理论与方法, 包括社交网络舆情生命周期与结构平衡协同演化模型;基于网络结构平衡的结构洞分析、关键节点人物识别、同质化分析的舆情引导模型特征参数分析;社交网络舆情正向引导式学习模型、算法及系统。     

复杂网络中尺度研究揭开网络同步化过程

复杂网络的中尺度研究是目前复杂网络研究中的一个前沿方向。本文主要介绍复杂网络的Laplacian矩阵的特征值谱的性质,指出特征值谱与度序列的强相关性。并且,在中尺度意义下,研究了不同拓扑结构的复杂网络的同步以及广义同步过程,发现同步是从度大的区域开始。进一步揭示了社团结构和同步时间尺度都与网络的特征值谱有关,社团网络的同步过程表现为部分同步—聚类同步—全局完全同步,该过程有助于网络社团结构的识别。最后介绍了与网络中尺度研究相关的一些前沿工作。     

复杂网络的度分布研究

复杂网络的度分布与其拓扑结构紧密相关。绝大多数复杂网络具有无标度性(Scale free),其幂律度分布完全由度分布指数所确定。文中全面研究了复杂网络的度分布指数与其拓扑结构、形成原因以及传播动力学之间的关系,获得了下列结论:实际网络的度分布指数不会低于1;度分布指数介于1~2之间的复杂网络中存在数量较多的HUB节点,其边数与节点数之间的关系是非线性的,节点数的增加将导致边数的大幅度增加;度分布指数介于2~3之间的复杂网络中存在一定数量的HUB节点,其边数与节点数之间的关系是线性的,大多数受成本制约的网络属于这种类型;度分布指数大于3的复杂网络近似于均质网络;度分布指数3构成了复杂网络中病毒防治方式的临界点。