复杂网络上免疫技术的研究

基于复杂网络中已有的三种网络免疫策略,从免疫效率、代价等方面分析免疫策略,根据它们的免疫特性,本文提出了一种新的免疫策略——二阶双免疫策略,主要是在网络中随机选取一部分节点,然后对所选取的节点中最大度的节点和二阶邻居节点进行节点免疫,是对熟人免疫和双免疫策略的改进和完善。实验结果表明,在无标度网络中,本文采用的二阶双免疫在网络免疫中的效果更好,与传统的随机免疫、熟人免疫和双免疫,还有最大度免疫策略,其免疫效果有了很大的提高。     

复杂网络社区划分理论应用于web链接的探讨

随着Internet的发展,复杂网络的理论逐渐成为Internet各种问题解法的支撑理论。而社区划分问题是复杂网络中的核心问题,社区划分对之后的对社区内部各种免疫、搜索等操作启到决定性的作用。本文在基于Web本身的结构之上,提出一种新的划分算法,并且将划分算法分为两个模块,便于以后的优化。第一模块固定并且效果较好,而第二模块本文只做探讨性叙述,之后可供更改优化。较经典的GN划分算法,本算法可以达到更好的时间复杂度。     

不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究

由于传统轴承故障诊断方法依赖于信号处理能力且模型泛化能力差的问题,提出一种不均衡数据集下基于深度对抗网络的故障诊断方法,该方法首先通过构建小样本训练集进行生成对抗网络训练,将生成样本加入到原始小类别样本训练集中,得到样本训练集,降低不同类别样本的不平衡性;然后引入深度学习的模型优化技术,提出适合轴承故障诊断的深度卷积神经网络模型,该模型直接作用于训练样本集,自适应地从原始数据中逐层学习故障特征,实现不同故障的准确识别;为了增强诊断系统最终分类预测的准确性,引入Focal损失函数对分类层进行故障识别。大量的定性定量实验表明,所提的改进网络在检测率与误检率方面均优于现有的其他深度模型,并且拥有较快的收敛速度与泛化能力。