Identifying topologies and system parameters of uncertaintime-varying delayed complex networks

Node dynamics and network topologies play vital roles in determining the network features and network dynamical behaviors.Thus it is of great theoretical significance and practical value to recover the topology structures and system parameters of uncertain complex networks with available information. This paper presents an adaptive anticipatory synchronization-based approach to identify the unknown system parameters and network topological structures of uncertain time-varying delayed complex networks in the presence of noise. Moreover, during the identification process, our proposed scheme guarantees anticipatory synchronization between the uncertain drive and constructed auxiliary response network simultaneously. Particularly, our method can be extended to several special cases. Furthermore, numerical simulations are provided to verify the effectiveness and applicability of our method for reconstructing network topologies and node parameters. We hope our method can provide basic insight into future research on addressing reconstruction issues of uncertain realistic and large-scale complex networks.     

Recovering unknown topology in a two-layer multiplex network: One layer infers the other layer

There have been increasing interests in studying multiplex dynamical networks recently. This paper focuses on topology identification of two-layer multiplex networks with peer-to-peer interlayer couplings. For a two-layer network model in which different layers have different coupling patterns, we propose novel methods to recover unknown topological structure of one layer, using the information of the other layer known as a prior. The proposed methods make full use of the measured evolutional states of the multiplex network itself, and treat the layer with a known structure as an auxiliary layer which is designed to identify the unknown topological layer. Compared with the traditional synchronization-based identification method, the proposed methods are in no need of constructing an additional auxiliary network to identify the unknown topological layer, and thus greatly reduce the cost of topology identification. Finally, numerical simulations validate the effectiveness of the proposed methods.

     

时变时滞耦合复杂网络的函数投影同步

为了探索时变时滞耦合复杂网络的函数投影同步及参数辨识问题,构造时变时滞耦合的节点参数未知和拓扑结构未知的2类复杂网络.利用牵制控制方法,分别设计这2类网络各自的自适应控制器,使得2类网络和其孤立节点实现函数投影同步.分别利用网络节点未知参数的辨识法则和网络未知拓扑结构的辨识法则,对网络的节点参数和拓扑结构进行辨识.最后给出数值仿真例子验证自适应控制器和辨识法则的有效性.     

拓扑结构时变的复杂动态网络的自适应同步

对具有周期时变拓扑结构的复杂动态网络,设计了自适应同步方案.在所研究的复杂动态网络中,拓扑结构是未知的.采用周期自适应学习律对未知的时变耦合参数进行估计,同时加入自适应控制策略,使得复杂动态网络的状态达到同步.通过构造复合能量函数,得到同步的一个充分条件.通过数值算例表明所提出方案的有效性.     

不连续耦合的时滞复杂动态网络的同步

基于李雅普诺夫稳定性理论,对不连续耦合的时滞复杂动态网络进行分析,得到网络同步的充分条件,并且给出网络实现同步时滞的上界估计。研究表明:即使网络之间的耦合是不连续的,只要时滞满足一定条件,网络也可以实现同步,且网络容许的时滞上界与耦合强度、网络代数连通性以及耦合的开关率相关。数值模拟中利用Ikeda系统作为节点动力学,采用误差函数作为网络同步性指标,给出网络同步误差演化轨迹和各状态的演化轨迹,并进一步分析控制参数对同步速度的影响,模拟结果验证了理论结果的正确性。     

用于动力系统控制的时滞神经网络

提出了一种连续回归时滞神经元网络,并将其用于动力系统控制。通过在隐层神经元中引入时滞,构造了一种新的时滞神经网络模型。应用Lyapunov稳定性方法,给出了此神经网络权值的修正算法和系统的控制输入,保证了控制系统的稳定性。本文建立的控制方法不需要系统任何的先验知识,并能保证控制误差收敛到零点附近的一个小的邻域,并始终保持在这个区域内。最后通过对一种超声马达进行控制实验,验证了本方法的有效性。     

时滞动态网络自适应同步的研究

研究了节点带有时滞且节点之间的通信也带有时滞的复杂动态网络的自适应同步问题。基于稳定性理论,设计了复杂网络同步的自适应控制器。该控制器结构简单,易于应用。最后,以环状耦合的时滞Lorenz系统为例进行数值仿真,检验了结果的正确性和设计方法的有效性。     

采用一种新型神经网络的动态系统辨识与控制

目的研究动态系统的神经网络辨识与控制问题.方法为了减小网络的固有逼近误差,提出一种新型的神经网络模型,利用动态误差反馈来修正网络输入.结果得到了由新型网络和稳定滤波器构成的神经网络辨识模型及基于该网络模型的自适应控制方案.结论理论和仿真结果都证明了该神经网络模型能够有效地应用于一类非线性系统的控制.     

朋友关系网络的实证统计研究

为了探究节点的动力学行为如何对网络拓扑结构造成影响,构建了4个节点相同但拓扑结构不同的朋友网络. 对比研究发现,普通朋友网络是一个小世界网络,但随着朋友关系亲密度的增加,网络拓扑结构由连通到不连通,平均度和集聚系数在减少而平均路径长度在增加. 此外,前3个网络的度相关性呈现负相关.     

并行中继网络中复数域网络编码的优化设计方案

在并行中继网络中,基于复数域网络编码的并行中继方案具有较大的传输时延以及目的节点检测复杂度,提出了一种复数域网络编码的优化设计方案,性能分析和仿真结果表明,优化设计方案具有与并行中继方案相同的网络吞吐量和分集增益性能,且该方案进一步减少了信源符号的传输时延,降低了目的节点检测复杂度,与并行中继方案相比,符号错误概率有所...     

基于网络时延的SDN逻辑一致性策略研究

对SDN网络更新过程中的暂时中间态进行了研究, 阐述了因网络时延导致的控制逻辑不一致问题, 并提出了一种解决方案. 该方案通过在控制平面上调整安装控制规则的时序, 使网络达到控制逻辑一致的目的, 进一步建立了一种基于节点平均网络时延的目标优化模型, 通过对模型求解得到SDN网络逻辑一致的时延最小路由路径. 最后通过仿真实验验证了该方案的可行性和有效性.     

An SPN analysis method for parallel scheduling in Ad Hoc networks

In this paper, a new analytic method for modeling and evaluating mobile ad hoc networks (MANET)is proposed. Petri nets technique is introduced into MANET and a packet-flow parallel scheduling scheme is presented using Stochastic Petri Nets (SPN). The flowing of tokens is used in graphics mode to characterize dynamical features of sharing a single wireless channel. Through SPN reachability analysis and isomorphic continuous time Markov process equations, some network parameters, such as channel efficiency, one-hop transmission delay etc. , can be obtained. Compared with conventional performance evaluation methods, the above parameters are mathematical expressions instead of test results from a simulator.     

存在房形事件的故障树向贝叶斯网络的转化

为完善基于贝叶斯网络的故障树分析方法,提出了保持贝叶斯网络拓扑结构不变、扩展某些事件节点的状态空间、保持事件节点状态空间不变、调整贝叶斯网络的拓扑结构,两种将存在房形事件的故障树转化为贝叶斯网络的方法.对这两种方法的优劣进行了比较,通过对简化的核电站辅助给水系统的分析,验证了上述方法的正确性.     

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。     

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。     

环状自相似结构复杂动力网络模型及其同步

提出了一种新型的复杂动力网络及其演化网络模型——环状自相似结构复杂动力网络模型,这是一种由动力节点通过单变量线性耦合构成的复合环状网络,只需要适当调整耦合强度就可以实现网络的完全同步。从理论上分析了网络的同步能力,并以节点为混沌Lorenz系统的网络为例,通过数值仿真验证了网络的同步能力。     

具有时变耦合强度复杂动态网络的同步

首先,构造一类具有时变耦合强度的复杂动态网络,进而针对这类网络自身难以实现同步的情况,根据Lyapunov稳定性定理,设计一个自适应控制器;其次,构造一Lyapunov函数证明了该控制器能够使这类网络实现同步;最后,Matlab数值仿真的结果证实了该控制器的有效性和其对噪音具有较强的抗干扰性。     

有标记网络中的病毒传播机理及动态特性

大数据环境下传播行为及动态演化形式是多元化的,其模型构建也各不相同.因此针对存在不同性质个体的有标记网络,探索了病毒传播模型与动态演化机制.首先将改进的有标记-易感染-已感染-易感染（S-SIS）传播模型应用到有标记网络,通过调节参数研究其对病毒传播的影响.改进了传统模型中传染概率为常数的假设,更好地模拟了感染状态的动态演化,构建了感染状态实时变化的感染概率方程,准确模拟了有标记网络中的病毒传播行为.最后利用平均场理论和蒙特卡洛方法进行仿真,对比检验不同参数变化对模型的影响.为了观察具有不同拓扑结构网络上的表现,对埃尔德什-雷尼随机网络与无标度网络进行了深入实验,得出了一系列新颖的结论.     

基于RBF网络的模型参考自适应控制

针对一类非线性动态系统给出了一种基于RBF(径向基函数)神经网络的模型参考自适应控制算法,控制器的结构中使用RBF网络来动态的补偿系统的非线性性。基于Lyapnuov稳定性理论,给出了控制器参数的调整机制——σ-modification-type修正律,并根据神经网络的逼近误差给出了控制误差的估计,控制误差渐近收敛于0附近的一个紧集。仿真实例说明了所给出的算法切实可行。     

稀疏移动网络中时延软约束的低能耗路由算法

针对稀疏移动网络中能量高效的数据传输问题,提出一种满足时延软约束的路由算法.将多个时隙的静态网络拓扑建模为虚拟的空时图模型.该空时图模型既包含网络拓扑在每一时隙的连通信息,也包含由移动性引起的链路变化信息.重新定义端到端的路由问题为寻找一条低能耗空时路径,并满足时延软约束.根据重新定义的路由问题,提出一种满足时延软约束的低能耗路由算法.仿真结果表明,该算法可以实现能量消耗与传输时延的权衡.