基于邻域K-shell分布的关键节点识别方法

复杂网络中关键节点的精准识别对于网络结构稳定和信息传播起着至关重要的作用。传统K-shell方法仅通过节点在网络中所处位置对节点的重要性进行评估,导致区分度不高。基于此,综合考虑了节点的全局信息和局部信息对节点重要性的影响,提出一种基于邻域K-shell分布的关键节点识别方法。该方法通过节点邻域Ks值定义节点的熵,从而反映邻居节点的K-shell分布特征。通过11个网络数据集上的仿真实验,验证了所提方法能够更准确地识别并区分复杂网络中的关键节点。     

基于邻节点和关系模型优化的网络表示学习

随着图表示学习在多个领域的成功应用,针对不同图数据和问题而设计的图表示学习方法爆发式增长. 然而,图噪声的存在限制了图表示学习的能力. 为有效降低图网络中的噪声比例,首先分析了图节点局部邻接的分布特性,并理论证明在局部邻接拓扑构建时,探索高阶邻近信息能够优化增强图表示学习的性能. 其次,提出“2步骤”局部子图优化策略（local subgraph optimization strategy,LSOS）. 该策略首先根据原始图拓扑结构信息构造出具有多阶信息的局部邻接相似矩阵. 然后基于相似矩阵和图节点局部信息,对图节点进行局部子图的结构优化. 通过局部邻接的合理重构来降低网络中的噪声比例,进而达到图表示学习能力的增强. 在节点分类、链接预测和社区发现3类任务的实验中,结果表明局部子图优化策略能够提升8个基线算法的性能. 其中,在3个航空网络的节点分类任务中,提升效果最高分别达到23.11%,41.58%,24.16%.

     

基于图卷积的异质网络节点分类方法

图神经网络能够有效学习网络语义信息,在节点分类任务上取得了良好的效果.但仍面临挑战：如何充分利用异质网络丰富语义信息和全面结构信息使节点分类更精准.针对上述问题,提出了一种基于图卷积的异质网络节点分类框架(heterogeneous network node classification framework, HNNCF),包括异质网络约简和图卷积节点分类,解决异质网络节点分类问题.通过设计转换规则约简异质网络,将异质网络化简为语义化同质网络,利用节点间的关系表示保留异质网络多语义信息,降低网络结构建模复杂度;基于消息传递框架设计图卷积节点分类方法,在语义化同质网络上学习无1-sum约束的邻居权重等网络结构信息,深入挖掘关系语义特征,发现不同连接关系和邻居语义提取的差异性,生成节点的异质语义表示用于节点分类,识别节点类别标签.在3个公开的节点分类数据集上进行了实验,结果表明HNNCF能够充分利用异质网络多种语义信息,有效学习邻居节点权重等网络结构信息,提升节点分类效果.     

高光谱图像高维多尺度自回归有监督检测

给出一种有监督检测算法以检测高光谱图像中的区域目标. 为利用高光谱图像中的空间尺度维信息, 在高光谱图像多尺度观测不同相连节点之间建立高维多尺度自回归模型, 并利用四叉树节点间的多阶马尔可夫性和高维多尺度回归噪声先验概率密度与高维观测条件概率密度的等价性及其多元 t 分布特性, 构造出适用于检测高光谱图像中区域目标的空间多尺度自回归有监督检测算法. 理论分析及实验中的5种评价方法的结果均表明该检测器可有效检测出高光谱图像中的目标区域.     

一种基于网络拓扑重合度的关键节点识别方法

关键节点识别是分析和掌握复杂网络结构和功能的重要手段,对于研究网络鲁棒性、维持网络稳定性具有重大现实意义.为了探索节点与邻居之间的关联性,提出了一种有关度中心性和公共邻居数量的关键节点识别方法,仅用局部信息就表征出了节点重要性,展现了网络拓扑重合度对关键节点识别的影响,网络拓扑重合度是指节点在通信过程中与其他节点可共用的部分.通过静态和动态攻击的方式对六个真实网络和三个人工网络进行节点移除攻击,以最大连通子图比例和网络效率作为节点识别准确性评价标准.实验表明蓄意攻击比随机攻击更有针对性,此外证明了所提方法与度中心性DC、K-shell分解法、映射熵ME方法、集体影响CI方法以及潜在增益EPG方法相比更能准确评估出节点的重要性.     

移动社会网络中基于多维上下文匹配的数据转发算法

通过研究移动社会网络中的多种上下文信息对节点移动模式的影响,提出了基于多维上下文认知的数据转发算法MCMF。该算法综合考虑物理邻接性、社会相似性以及社会交互性3个维度的上下文信息来进行动态数据转发决策。首先消息携带者节点通过物理邻接匹配获得邻居节点集合;然后通过社会相似性匹配在邻居节点集合中选出候选节点子集,并基于社会网络的社群特征,采用马尔可夫预测方法在候选节点子集中选出最优中继节点;最后设计高效的数据转发算法。仿真实验表明,相比于其他3种著名算法,该算法在交付比率和开销比率方面具有较好的性能。     

基于网络熵的小世界网络形成分析

在小世界网络中,节点或边的改变使网络结构发生了演变,这意味着网络的熵也发生变化,因此可用网络的熵描述网络形成过程。经模拟实验发现:网络熵的变化是U型的;重连概率p决定熵的单调程度,而网络节点度k影响熵由降到增转变的时间。实验结果有助于以后更有效地对网络进行控制以及设计更加有效的网络形成模型。     

P2P流媒体系统覆盖网局部优化研究

P2P流媒体系统覆盖网优化对系统性能有重要影响.现有的优化策略主要从全局角度进行描述,而实际情况中节点仅拥有系统部分节点的信息.为分析局部优化问题,本文首先基于博弈论模型提出一种无协作局部优化策略(Non-CooperationLocal Optimization,NCLO)对流媒体系统进行分析;在此基础上,提出一种协作局部优化策略(Cooperation Local Optimization,CLO),该策略通过交换邻居节点信息,采用投标的方式选择邻居节点,在已知局部信息的情况下调整邻居关系对覆盖网进行优化.实验表明,基于协作的局部优化策略能达到较好的优化效果.     

基于邻居节点带宽监测的P2P内容多播

P2P内容多播系统常常因受到搭便车等自私节点行为的影响而导致性能急剧下降,为此本文采用邻居节点进行带宽监测,并根据监测结果管理彼此间的邻接关系,实现在自私环境下大规模内容的有效多播分发。对所提出的算法协议进行较详细的描述,性能分析与仿真表明该协议所导致的系统中用户节点与分发服务器的网络负载适中且较稳定。     

熵域流形空间中的目标尺度感知策略

针对场景中不同目标的尺度感知问题,提出一种基于熵度量的场景目标尺度感知计算模型。通过对熵域空间中流形分布的统计特性分析,描述图像流形空间中的目标分布规律,在四叉树金字塔描述的基础上,依据尺度感知评价函数,形成了多目标尺度感知计算过程。实验结果说明,四叉树空间金字塔近似人类视觉感知的层次结构,基于熵域流形空间的目标描述可以有效实现目标尺度感知。     

关于混合熵的讨论

分析讨论了其他作者提出的几种混合熵并给出混合熵应遵循的公理。我们还提出了一种新的混合熵形式。指出了混合熵可能的一些应用。     

信息熵在粗糙集中衍生的几个概念

随着对粗糙集理论研究的的深入,基于信息论的信息熵陆续被引入到粗糙集研究中,陆续产生了一些如条件熵、联合熵、知识熵、决策熵、知识粗糙熵、粗集粗糙熵等新的概念,尽管丰富了粗糙集理论和应用,但使用中存在语义不统一的地方,甚至缺乏必要的说明和证明。对这些有价值的新概念作了系统的、严格的、规范的定义及阐述,给出了它们的公式表示,同时,通过相关熵的运算揭示彼此间的关系,最后指出这些熵的应用范畴,以便研究人员在清楚概念的基础上作进一步研究。     

Entropies for detection of epilepsy in EEG

The electroencephalogram (EEG) is a representative signal containing information about the condition of the brain. The shape of the wave may contain useful information about the state of the brain. However, the human observer cannot directly monitor these subtle details. Besides, since bio-signals are highly subjective, the symptoms may appear at random in the time scale. Therefore, the EEG signal parameters, extracted and analyzed using computers, are highly useful in diagnostics. The aim of this work is to compare the different entropy estimators when applied to EEG data from normal and epileptic subjects. The results obtained indicate that entropy estimators can distinguish normal and epileptic EEG data with more than 95% confidence (using t-test). The classification ability of the entropy measures is tested using ANFIS classifier. The results are promising and a classification accuracy of about 90% is achieved.     

睡眠脑电的样本熵分析

在用非线性动力学方法分析EEG信号(睡眠脑电)的过程中,由于近似熵的优点而得到了广泛的应用,但也存在着自身有偏估计、数值和信号长度有关等缺点;在此基础上提出了样品熵的概念,并尝试将样品熵用于睡眠脑电分析,结果表明,它对区分不同的睡眠阶段取得了理想的效果.     

Approaches to knowledge reduction of covering decision systems based on information theory

In this paper, we propose some new approaches for attribute reduction in covering decision systems from the viewpoint of information theory. Firstly, we introduce information entropy and conditional entropy of the covering and define attribute reduction by means of conditional entropy in consistent covering decision systems. Secondly, in inconsistent covering decision systems, the limitary conditional entropy of the covering is proposed and attribute reductions are defined. And finally, by the significance of the covering, some algorithms are designed to compute all the reducts of consistent and inconsistent covering decision systems. We prove that their computational complexity are polynomial. Numerical tests show that the proposed attribute reductions accomplish better classification performance than those of traditional rough sets. In addition, in traditional rough set theory, MIBARK-algorithm [G.Y. Wang, H. Hu, D. Yang, Decision table reduction based on conditional information entropy, Chinese J. Comput., 25 (2002) 1-8] cannot ensure the reduct is the minimal attribute subset which keeps the decision rule invariant in inconsistent decision systems. Here, we solve this problem in inconsistent covering decision systems.     

车载环境下基于样本熵的语音端点检测方法

在语音处理中一个关键性问题是如何准确找到语音的起止位置,目前提出许多的语音端点检测算法不能得到理想的检测结果.由于样本熵是近似熵的改进算法,提出车载环境下基于样本熵的语音端点检测方法.并采用模糊C均值聚类算法和贝叶斯信息判决算法进行样本熵特征门限估计,以及使用双门限法进行语音端点检测.在TIMIT连续语音库上的实验表明,车载噪声环境下,样本熵法和近似熵法的检测正确率均远高于谱熵法和能量谱熵法,而样本熵法相对于近似熵法具有更好的检测效果,特别是当信噪比小于等于OdB时,样本熵法的检测性能优于近似熵法近10%.因此,样本熵法在车栽智能语音领域具有很好的应用前景,能够为车载导航提供准确的语音端点检测技术.     

基于信息熵的风格绘画分类研究

针对艺术风格绘画分类算法中存在的精度和效率不高等问题,提出一种基于信息 熵的艺术风格绘画分类算法。首先选取西方漫画、素描、油画、水彩画,以及国内烙画、水墨 画、壁画具有代表性的 7 种艺术绘画风格作为研究对象,对图像进行去噪、归一化等预处理。 其次,提取绘画艺术作品风格特征,分别求取图像的颜色熵、分块熵、轮廓熵,并合并构成不 同绘画风格的信息熵。信息熵求取时,将色彩空间转换为 Lab 颜色空间,通过 a、b 通道颜色值 及加权函数获得图像的颜色熵;通过对艺术图像分块求取信息熵,求取分块的信息熵均值获得 分块熵;通过 Contourlet 变换,求取艺术图像的轮廓信息,获得轮廓熵。接着,合并提取的颜 色熵、分块熵、轮廓熵,利用支持向量机(SVM)对艺术风格图像学习训练,获得艺术绘画风格 的分类模型;最后,提取待识别绘画风格样本的熵特征,通过 SVM 分类识别获得最终的分类 结果。该方法具有特征维数少、运算速度快、尺度不变性等优势,实验结果表明,其能提高不 同绘画风格的分类精度和效率。     

熵及其在空间数据不确定性研究中的应用

总结了熵的产生、发展、特性及其应用,讨论了熵与不确定性的关系;针对空间数据不确定性问题,总结了基于熵的空问数据不确定性研究成果,提出了应用混合熵作为统一测度来度量空间数据不确定性的设想。     

新的信息熵属性约简

在粗糙集不确定性度量公式中,模糊熵和模糊度是重要的度量方式。根据粗糙集不确定性度量中模糊熵和新的模糊度公式,提出了在决策信息系统中修正条件信息熵和相对模糊熵的概念,并分别用两种方式证明了熵在属性约简过程中的单调性。然后利用向前添加属性算法进行属性约简,约简结果在RIDAS(roughset based intelligent data analysis system)平台上进行识别率测试,通过实验对比分析了两种新的信息熵与条件信息熵的约简结果,为基于信息熵的属性约简提供了参考。     

基于熵的模糊信息测度研究

模糊信息测度(Fuzzy Information Measures,FIM)是度量两个模糊集之间相似性大小的一种量度,在模式识别、机器学习、聚类分析等研究中,起着重要的作用.文中对模糊测度进行了分析,研究了基于熵的模糊信息测度理论:首先,概述了模糊测度理论,指出了其优缺点;其次,基于信息熵理论,研究了模糊熵理论,建立了模糊熵公理化体系,讨论了各种模糊熵,在此基础上,提出了模糊绝对熵测度、模糊相对熵测度等模糊熵测度;最后,基于交互熵理论,建立了模糊交互熵理论,进而提出了模糊交互熵测度.这些测度理论,不仅丰富与发展了 FIM理论,而且为模式识别、机器学习、聚类分析等理论与应用研究提供了新的研究方法.