展示复杂网络社团结构的社团引力导引的布局算法EI北大核心CSCD

由于传统的力导引布局方法大都无法展示复杂网络的社团结构,提出一种可有效展示复杂网络社团结构的布局算法——社团引力导引的布局算法.该算法在力导引布局算法的基础上对每个节点加入社团引力,并引入k-means算法,使同一社团的节点能够向社团的中心位置聚拢.不同于先网络聚类再可视化布局的传统做法,该算法不需要预先对节点分类,可以在布局的同时完成节点聚类.实验中使用模块度指标评估社团结构的强弱程度,结果表明,文中算法可以呈现明显的聚类效果,简单、易于实现,且收敛速度快.     

MSNV:基于多层次社团划分的网络结构可视化方法

针对大规模网络节点数目庞大、结构复杂性高,有限的屏幕空间难以展示其结构特征的问题,提出了一种基于社团划分的多层次网络可视化方法。首先,使用基于网络模块度的社团划分算法对网络节点进行划分,并采用贪婪算法寻找最大模块度的社团划分,得到不同层次粒度的社团;其次,通过设置层次约束力以改进经典力导引算法(FDA),使改进的算法能对不同层次粒度的社团实现分层布局,解决FDA无法展示网络节点层次性的问题;最后,使用多窗口视图、Overview+Detail等交互方法分别展示高层社团和底层节点,实现兼顾网络高层次宏观结构和低层次局部细节的显示。仿真实验中,该算法的社团划分相较于自包含GN算法在效率和准确率上有所提高。案例分析表明,所提方法在大规模网络结构的显示和交互方面具有良好的效果和性能。     

基于社团划分的网络聚类布局算法

复杂网络日益受到广大专家和学者们的关注,对其进行可视化展示可以帮助用户发现复杂网络表征的复杂系统中隐藏的知识信息,对计算机科学、社会学、生物学等领域具有重要的意义。力导引布局算法是复杂网络可视化领域的主流算法,它用节点连接图的形式对复杂网络进行抽象表示,布局遵循一定的美学标准如节点的均匀分布、边长尽量一致等,这在一定程度上阻碍了对复杂网络的社团结构的展示。针对以上问题,本文提出引入基于度中心性的社团斥力与引力对力导引算法进行改进,以对复杂网络进行聚类布局。实验结果表明,本文算法可有效地展示复杂网络的社团结构,同时又能保留社团之间边缘节点的信息。     

一种基于分层Mesh网络的层次化NoC拓扑结构

针对片上网络中距离较远节点之间通信延迟过大的问题,提出一种层次化HDMesh拓扑结构。该拓扑结构采用分层设计,底层网络使用Mesh结构互连进行临近节点通信,顶层网络在Mesh结构的基础上增加2条对角链路以降低通信延迟。为避免顶层网络的拥塞,设计相应的HDXY路由算法,对各层流量进行合理分配。实验结果表明,在Rent流量模式下,相比Mesh,CMesh和CHMesh拓扑结构,HDMesh拓扑结构具有更低的通信延迟和更高的网络吞吐量。     

基于领域本体的社会网络信息分析与可视化

社会网络分析与可视化是当前的热门研究领域,但是针对社会网络信息的高效理解与组织的研究成果却十分缺乏。本文提出一种针对社会网络信息的领域本体模型,它对社会网络信息领域的客观存在及其关系进行描述。该模型适合于描述各种社会网络分析与可视化方法,并能针对不同社会网络信息可视化应用进行扩展,克服了传统力导引布局算法在社会网络结构分析与可视化上的不足。其可视化结果能够清晰显示子群分布,表现行动者间的密切程度,显示行动者关键属性分布以及子群内部的角色分布等信息。最后通过恐怖活动信息实例,验证了领域本体模型在社会网络信息分析与显示方面的优越性。     

一种多变元网络可视化方法

提出一种多变元网络可视化方法MulNetVisBasc,根据节点的多变元属性,使用高级星形坐标法布局网络节点,以边融合及路由技术为基础设计算法,自动有效布局网络边,实现友好的人机交互界面辅助用户进一步对数据进行分析挖掘.实验结果表明,MulNetVisBasc的可视化结果能够在直观揭示数据集多变元分布特性的同时清晰展现其网络关联特性,有助于用户发掘多变元网络数据集中潜在的隐性知识.边布局算法能够有效减少视图中的边交叉数量,且复杂度较低,适用于较大规模数据集,人机交互界面灵活方便.     

基于GPU的大尺度网络布局显示

复杂网络的可视化是复杂网络研究中的重要手段.随着Web2.0时代和大数据时代的来临,作为研究对象的复杂网络的规模越来越大,这对复杂网络可视化布局算法的布局效果和运算速度提出了新的挑战.本文针对复杂网络布局的力导引算法,从布局效果和算法效率两方面对该算法进行了改进和实现.布局效果方面,利用复杂网络中的关节点,对网络数据进行抽象合并,从而实现分层次的网络布局显示.算法效率方面,针对压缩后的网络采用具有强大浮点运算能力的GPU进行计算,对力导引算法需要斥力计算、引力计算和坐标更新三个部分均实现了基于GPU的并行计算,大大提高了计算效率.     

适于社会网络结构分析与可视化的布局算法

力导引布局算法是社会网络信息可视化领域的主流布局算法,但却在结构分析显示方面存在缺陷.产生的图像经常是节点聚集在屏幕中央,难以分辨结构信息.因此,提出了子群分析布局SAL(subgroup analysis layout)算法来解决这一问题.该算法通过角色分析和关键属性分析,对社会网络中的子群进行划分与分析,然后根据子群分析结果对力导引布局算法加以改进,包括2D和3D可视化.以对恐怖组织信息进行分析作为实例,也验证了SAL算法在社会网络结构分析与显示方面具有一定的优越性.     

一种基于超网络视角的复杂网络社团区划算法

社团结构是复杂网络最普遍和最重要的属性之一, 复杂网络的社团区划研究就是要合理地划分出复杂网络中真实存在的社团结构。主要将超网络的思想及理论方法应用于复杂网络的社团区划研究, 针对当前GN算法的一些不足, 从超网络视角出发, 结合标准化程度中心性理论方法, 构建了一种新的复杂网络社团区划算法, 通过算例对新算法进行了验证与分析。实验结果表明, 与GN算法相比, 新算法在区划结果上有所改进和完善。     

一种网络社团划分的评价及改进方法

主要从节点在所属群体内的相对重要程度出发, 尝试性地给出一种网络社团结构的新定义, 并在此基础上构建了一种网络社团划分的评价及改进方法。该方法既可以与现有的社团划分算法进行组合, 形成新的网络社团划分算法, 也可以独立使用, 对网络社团的划分结果进行评价与改进。最后, 通过MCL、GN、Factions等方法及算例对提出的算法进行了验证与分析。     

一种基于层级信息优化的有向网络表示学习方法

网络表示方法旨在将每个节点映射到低维向量空间,并保留节点在网络中的结构关系。有向网络的环中节点相互可达,破坏了非对称传递性,影响了模型对网络整体结构信息的学习。为削弱有向网络的环在表示学习中的影响,增强模型对全局结构信息的感知,文中提出了一种针对有向网络表示学习的优化方法。该方法借助TrueSkill方法获取节点的层级信息,将该信息转化为边权重并引入表示学习过程。文中将此方法应用到已有的多种有向网络表示学习方法中,多个有向网络数据集上的链接预测和节点分类任务的实验结果表明,所提方法的性能相比原有方法得到了明显提升。     

基于层次稀疏DBN的瓶颈特征提取方法

针对现有语音特征无法有效利用长时段语音和监督性类别信息,及现有瓶颈特征提取方法耗时过长等缺陷,提出基于层次结构稀疏深度可信神经网络的瓶颈特征提取方法.该方法将重叠组套索作为深度可信神经网络目标函数的稀疏正则项使用,从而构建训练速度更快的稀疏深度可信神经网络.然后利用层次结构的网络架构方式,将两个稀疏深度可信神经网络串联后使用,进一步增强瓶颈特征的判决能力.文中将此瓶颈特征应用于音素识别中,实验表明该特征的有效性.     

复杂网络可视化研究综述

当今万维网、社会关系网等复杂网络的规模迅速发展,一方面导致人们很难用数字和表格来对这些复杂网络进行全局规划和管理,另一方面复杂网络包含了非常丰富的信息资源但都难于被发现。可视化技术提供了有效的方法来理解复杂网络的结构并从中挖掘有效信息。本文全面介绍了复杂网络可视化技术的研究进展,讨论了可视化布点算法和压缩算法,并介绍了若干具有代表性的复杂网络可视化工具、列举了复杂网络可视化技术在相关领域的应用。     

基于邻域相似的层次粒化的网络表示学习方法

捕获更多的结构特征给网络表示学习方法带来较高的复杂度.基于分层递阶思想,文中提出基于邻域相似的层次粒化的网络表示学习方法,降低已有网络表示学习方法的复杂度.首先利用节点邻域相似性将网络逐步压缩至粗粒度的表示空间中.然后利用已有的网络表示学习方法学习粗粒的特征表示.最后利用图卷积网络将已学习的粗粒特征逐步细化为原始网络的节点表示.在多个数据集上的实验表明,文中方法可以快速有效大幅压缩网络,降低算法的运行时间.针对节点分类和链接预测任务,当粒化层次较低时,文中方法可以较大幅度提升原有算法的性能.     

从TCP／IP层次化思想到层次化网络管理体系结构

本文剖析了ＴＣＰ／ＩＰ结构的层次化设计思想，介绍了传统的集中式网络管理架构，提出了一种基于层次化的新的网络管理结构。     

一种基于知识进化的多层次结构产品整体方案创新设计方法

研究并提出了一种基于知识进化的多层次结构产品整体方案创新设计系统模型,该模型根据机械产品都具有多层次结构的特点,通过把机械方案设计过程看作是一个状态空间的求解问题,用基因算法（DGA）从整体上控制其搜索过程,构建了新的多层次基因编码体系。为了适应新的编码体系重新构建了交叉和变异等基因操作,并利用复制、交换和变异等操作进行一次次迭代,最终自动生成一组最优的设计方案。该系统经过实例验证具有很高的有效性、准确性和实用性。     

社交网络中top-K相关社区查询方法

查找与查询点相关的top-K相关社区具有现实的研究意义。文中定义团和相关社区的概念,探寻一种快速检测查询点的top-K相关社区的方法。提出一个向下探测扩展算法,从查询点出发探测团结构,由团结构向外延伸扩展得到社区,通过循环迭代快速得到查询点的top-K相关社区。同时为减少搜索空间和计算时间,改进提出的向下探测搜索算法。通过全面的实验对比,验证算法的有效性和改进算法的高效性。     

基于GIS的园区网络链路管理可视化研究

本文研究了将GIS引入到园区网络链路管理系统中实现可视化的主要技术问题。设计了一个基于GIS的园区网络链路管理的原型系统,探讨了其对网络底层管理的便利性,并分析了基于GIS的链路管理系统和基于MIS的网络管理系统的异同。     

基于网络的可视化仿真研究

本文首先讨论了可视化技术的概念和意义，然后重点针对工作站上复杂仿真数学模型，介绍了一种基于异构网络的通用可视化仿真方法。该方法充分应用ＰＣ机，工作站和各自优势，共同协作完成复杂对象的可视化仿真重点讨论如何实现系统各个部分之间的数据通讯与同步问题。     

引入偏移量递阶控制的网络入侵HHT检测算法

在强干扰背景低信噪比下对网络潜质入侵信号的准确检测是决定网络安全的关键。传统的Hilbert-Huang变换(HHT)入侵信号检测算法在求解入侵信号的瞬时频率特征时,因包络线失真引起的边界控制误差,会造成频谱泄漏,从而导致检测性能较差。提出了一种基于时间-频率联合分布特征和偏移量递阶控制HHT匹配的网络入侵信号检测算法,即构建网络潜质入侵数学演化模型,把复杂的入侵信号分解成IMF单频信号,得到入侵检测系统的状态转移方程,基于Hilbert变换对入侵信号进行离散解析化处理,构建入侵信号解析模型。对每个入侵信号经验模态分解后的解析模型IMF分量用Hilbert变换进行谱分析,通过递阶控制调整HHT频谱偏移,将残差信号投影与入侵信号的Hilbert边际谱进行匹配,减小包络线失真引起的边界控制误差,抑制频谱泄漏,实现对入侵信号的精确检测和参数估计。实验表明,该算法进行网络入侵信号检测时,具有较强的抗干扰性,能从低信噪比背景下有效检测出入侵信号,检测性能有较大提高。