CN107423814A - 一种采用深度卷积神经网络建立动态网络模型的方法 - Google Patents
一种采用深度卷积神经网络建立动态网络模型的方法 Download PDFInfo
- Publication number
- CN107423814A CN107423814A CN201710644647.1A CN201710644647A CN107423814A CN 107423814 A CN107423814 A CN 107423814A CN 201710644647 A CN201710644647 A CN 201710644647A CN 107423814 A CN107423814 A CN 107423814A
- Authority
- CN
- China
- Prior art keywords
- mrow
- network
- dynamic network
- convolutional neural
- neural networks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种采用深度卷积神经网络建立动态网络模型的方法。针对动态网络中节点移动存在的时序性和社会性,通过挖掘网络拓扑与链路状态的关系,提出一种使用卷积神经网络来提取网络结构特征的方法。该方法应用混沌时间序列理论对动态的时序数据进行切片,通过状态矩阵来表示分段的网络拓扑信息,再将状态矩阵转换成观测图,利用深度卷积神经网络提取出观测图中能够影响链路变化的高阶特征。本发明充分考虑了动态网络中节点之间的复杂关系,通过采用深度学习模型从大量的时序数据间学习到网络结构随时间变化的规律,从而有效提取动态网络拓扑变化下的潜在模式,为动态网络的结构演化分析等相关研究提供一定的支撑。
Description
技术领域
本发明属于网络科学研究领域,主要涉及深度学习、混沌理论、动态网络分析等研究方向。
背景技术
依据网络拓扑结构变化的快慢通常可以将传统网络归结为三类:静态网络、稳态网络及动态网络。静态网络中的节点状态基本不会改变,其拓扑结构具有最高的稳定性,如:计算机网络;稳态网络相比静态网络,其拓扑的稳定性不高,但节点状态的变化情况则相对稳定,如:移动社交网络,无线传感器网络等;动态网络属于复杂网络的重点研究范畴,相比前两者,该类网络中的节点移动频繁,网络结构具有较高的动态性和复杂性,如:生物网络、社会网络、机会网络等。动态网络结构演化分析的目的是为了挖掘动态网络随时间演化的特点,由于网络结构本身比较复杂,难以表示和量化,动态网络时序、多变的演化过程更增加了分析的难度。本发明通过构建合适的模型来表达出动态网络中节点之间的复杂关系以及节点移动的潜在模式,进而推测出网络结构的演化规律。
网络分析作为网络科学领域热点研究方向之一,很早就已受到众多来自不同领域、拥有不同背景的科学家们的关注,对于动态网络分析的相关研究主要集中在生物网络、社会网络、机会网络等领域。如:(1)贾珺等人在“网络结构特征与链路预测算法关系研究”【复杂系统与复杂性科学[J],2017,14(1):28-37。】中使用网络密度、同配系数和聚集系数等参数来衡量政治博客网络、科学家合作网络等社会网络的结构特征,用以分析不同网络下链路预测算法的性能;(2)Rossi R等人在“Role-Dynamics:Fast mining of largedynamic networks”【Proc。of the 21st Int’l Conf。on Companion on World Wide Web[C]。ACM Press,2012。997-1006。】以角色来量化动态网络的结构,提出了一种基于自学习方法来挖掘动态网络角色的混合模型,并分析了网络整体角色随时间的动态变化情况以及角色演化的几种特点。
上述方法中使用了常见的网络结构参数和指标来度量动态网络的结构特征,对于特定网络下的表现效果较优。但这些方法要求相关领域的专业经验,无法在不同情景下的真实网络数据中自发地找到网络结构特征合适的表征方式,其普适性不高。
为了在满足普适性的情况下更加有效地挖掘出动态网络的结构特征,本发明应用混沌时间序列理论来处理原始的网络数据,并利用特征提取能力强、数据表征效果好的深度卷积模型来从数据中自发地提取网络结构的高阶特征。
发明内容
本发明的目在于设计一种动态网络结构特征的非参数化的表征方式,以达到对不同情景下的动态网络演化过程的统一分析。应用混沌时间序列分析法处理原始的连续数据,通过深度卷积神经网络模型对数据进行建模分析和特征提取,从而准确地把握动态网络结构的演变规律。
本发明采用的技术方案如下:一种采用深度卷积神经网络建立动态网络模型的方法,其特征在于:动态网络中链路状态的变化受节点移动的影响,而网络拓扑的高阶特征蕴含了节点间的复杂关系,这些特征在一定程度上影响着链路的变化,发明的研究重点在于以合适的方法来表示网络拓扑的高阶特征。
依据时间切片的方法将动态网络分割成一系列静态的网络快照,然后对快照进行变换处理以适应模型的输入,最后通过深度卷积模型来提取输入数据中隐藏的高阶特征,整个建模过程的具体步骤如下:
①依据混沌时间序列理论,参考相空间重构中时间延迟的确定方法,采用自相关函数法确定网络快照的切片时长;
②将动态网络的连续数据按切片时长分割成一组离散数据,再将每份离散数据转换成对应的状态矩阵,从而实现网络拓扑信息的量化;
③对所得状态矩阵进行灰度图像化,得到的图像称之为“观测图”,观测图中像素的深浅代表对应节点之间的权重;
④确定卷积神经网络的模型结构、超参数及优化算法等,将部分观测图作为模型的原始输入,经过不断地迭代训练并测试以获取最优模型。
步骤一,其特征在于:动态网络的链路变化看似是完全随机的,其中却包含了一定的规律性,是一个介于完全随机和完全确定之间的混沌系统。
步骤一,其特征在于:切片时长的选择对动态网络模型的性能有一定的影响,所述时长满足以下公式:
式中,T表示切片时长,R(T)表示全部网络快照间的自相关性,N表示分割后的快照数量,x(i)表示第i时刻快照中节点的平均连接数,表示全部快照时间内的平均连接数。
步骤二,其特征在于:将网络快照转换成状态矩阵时,依据节点的连接总时长确定矩阵元素的权重,具体的构造公式为:式中M为快照转换后的状态矩阵,i、j为矩阵对应的行列坐标,N为该快照时间内连接的总次数,τk<i,j>表示节点对<i,j>第k次连接的持续时长。
步骤四,其特征在于:将全部的观测图按照一定比例进行分割为训练集和测试集,训练集用于训练模型的参数,测试集用于测试特定参数下模型的性能。
对于不同类型的动态网络,卷积神经网络的结构和超参数会随着具体网络数据的不同而有所不同。
本发明的具体方案的步骤如下:
(1)依据混沌时间序列分析法,依据切片时长将原始的连续数据分割成一系列状态矩阵,其中最重要的两步是切片时长的确定和网络拓扑的量化。
确定切片时长:大多数真实场景中,动态网络的演化规律类似于混沌系统。因此,借鉴混沌时间序列理论中的坐标延迟相空间重构技术,采用自相关函数法来确定切片时长的大小。
量化网络拓扑:对原始数据作切片处理后,得到一系列的网络快照,确定快照内的节点数量,依据范围内的拓扑状态来构建对应的状态矩阵。
(2)利用矩阵可视化函数将状态矩阵转换成对应的图像特征数据,此图像中包含模型可读取的量化信息,用作深度模型的输入。
(3)针对实际动态网络的特点,考虑从模型结构与性能、超参数、训练算法等方面来构建合适的深度卷积神经网络,通过训练集用来训练最优的卷积模型,测试集用来测试模型对数据特征提取能力的优劣。
本发明的优点是:充分考虑了动态网络中节点之间的复杂关系,通过采用深度学习模型从大量的时序数据间学习到网络结构随时间变化的规律,从而有效提取动态网络拓扑变化中的潜在模式,为动态网络的结构演化分析等相关研究提供一定的支撑。
附图说明
图1-图3为动态网络拓扑的演化示意图。
图4-图6为网络拓扑数据的量化与图像化。
图7为深度卷积神经网络的模型结构图。
图8为深度卷积神经网络的训练示意图。
具体实施方式
本发明是一种使用深度卷积模型来提取动态网络结构的高阶特征的方法。动态网络的拓扑结构一直受复杂多变的环境因素的影响,而深度卷积模型旨在准确地把握各变量因素间的潜在关系以有效地分析出网络结构动态变化的规律。下面结合附图和具体的实施方式作进一步的说明。
如图1至图3所示,将G=<N,E>定义为一个动态网络,其中N为节点集合,E为边集合,集合S={G1,G2,…,Gt}定义为动态网络的时序子图,表示网络随时间的演化过程。本发明中,是通过建立深度学习模型来实现自发地网络分析过程,具体步骤如下:
S1、原始数据处理:时间序列分析是一种处理动态数据的有效方法:通过一定时长T对动态网络产生的连续数据进行切片,从而获取一系列离散且静态的拓扑快照图。然而在实际应用中,时长T的大小对实验结果的精度有较大影响,如何合理选取T值成了切片的关键问题。本发明中是通过自相关函数法来确定T的大小:
式(1)中R(T)表示全部网络快照间的自相关性,N表示分割的快照数量,x(i)表示第i时刻快照中节点的平均连接数,表示全部快照时间内的平均连接数。
S2、状态矩阵转换:如图4至图5所示,依据快照内所有节点的连接总时长确定矩阵元素的权重,具体的构造公式为:式中M为快照转换后的状态矩阵,i、j为矩阵对应的行列坐标,N为该快照时间内连接的总次数,τk<i,j>表示节点对<i,j>第k次连接的持续时长。
S3、矩阵图像化:如图5至图6所示,对矩阵进行图像化处理,利用矩阵可视化函数将状态矩阵转换成对应的图像数据(灰度图),图像中每个像素点代表节点产生的链路,像素颜色深浅对应的是该快照内链路的连接总时长。
S4、构建深度卷积模型:卷积神经网络通过发现图像数据的表征模式来学习隐藏在图像中的高阶特征。在本发明中,使用卷积模型的目的就是为了提取动态网络不断变化的拓扑信息中潜藏的模式特征,但不同结构和参数的模型对特征的提取效果不同,针对实际数据集的特点,考虑从模型结构、超参数、优化算法等方面来构建合适的卷积神经网络模型。
本发明中使用的神经网络模型为8层网络AlexNet,具体结构如图7所示。超参数主要包括激活函数、初始权值、卷积核数、卷积核大小等,激活函数为ReLU,权值初始化方式为Xavier,卷积核数和大小采用AlexNet默认配置,针对模型中存在的计算复杂度高和易过拟合问题,使用了dropout算法进行优化。
S5、模型训练与测试:动态网络结构演化分析的目的是判断未来网络大致的结构,本发明中使用局部网络结构的预测精度来衡量特征提取的优劣,选用Caffe框架作为模型训练工具,将原始数据集按7:3的比例划分为训练集和测试集,训练集中的图像数据作为模型的输入,下一时刻的局部链路状态作为输出,具体过程如图8所示。训练结束后,通过测试集来验证模型,若测试结果满足一定的精度则建模成功,即可使用该模型来提取类似动态网络的结构特征。
Claims (7)
1.一种采用深度卷积神经网络建立动态网络模型的方法,其特征在于:动态网络中链路状态的变化受节点移动的影响,而网络拓扑的高阶特征蕴含了节点间的复杂关系,这些特征在一定程度上影响着链路的变化,发明的研究重点在于以合适的方法来表示网络拓扑的高阶特征。
2.根据权利要求1所述的采用深度卷积神经网络建立动态网络模型的方法,其特征在于:依据时间切片的方法将动态网络分割成一系列静态的网络快照,然后对快照进行变换处理以适应模型的输入,最后通过深度卷积模型来提取输入数据中隐藏的高阶特征,整个建模过程的具体步骤如下:
①依据混沌时间序列理论,借鉴相空间重构技术中时间延迟的确定方法,采用自相关函数法确定网络快照的切片时长;
②将动态网络的连续数据按切片时长分割成一组离散数据,再将每份离散数据转换成对应的状态矩阵,从而实现网络拓扑信息的量化;
③对所得状态矩阵进行灰度图像化,得到的图像称之为“观测图”,观测图中像素的深浅代表对应节点之间的权重;
④确定卷积神经网络的模型结构、超参数及优化算法等,将部分观测图作为模型的原始输入,经过不断地迭代训练并测试以获取最优模型。
3.根据权利要求2中所述的采用深度卷积神经网络建立动态网络模型的方法,步骤一,其特征在于:动态网络的链路变化看似是完全随机的,其中却包含了一定的规律性,是一个介于完全随机和完全确定之间的混沌系统。
4.根据权利要求2中所述采用深度卷积神经网络建立动态网络模型的方法,步骤一,其特征在于:切片时长的选择对动态网络模型的性能有一定的影响,所述时长满足以下公式:
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>&lsqb;</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
<mo>&lsqb;</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,T表示切片时长,R(T)表示全部网络快照间的自相关性,N表示分割后的快照数量,x(i)表示第i时刻快照中节点的平均连接数,表示全部快照时间内的平均连接数。
5.根据权利要求2中所述采用深度卷积神经网络建立动态网络模型的方法,步骤二,其特征在于:将网络快照转换成状态矩阵时,依据节点的连接总时长确定矩阵元素的权重,具体的构造公式为:式中M为快照转换后的状态矩阵,i、j为矩阵对应的行列坐标,N为该快照时间内连接的总次数,τk<i,j>表示节点对<i,j>第k次连接的持续时长。
6.根据权利要求2中所述采用深度卷积神经网络建立动态网络模型的方法,步骤四,其特征在于:将全部的观测图按照一定比例进行分割为训练集和测试集,训练集用于训练模型的参数,测试集用于测试特定参数下模型的性能。
7.根据权利要求1所述的基于深度卷积神经网络的动态网络建模分析方法,其特征在于:对于不同类型的动态网络,卷积神经网络的结构和超参数会随着具体网络数据的不同而有所不同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710644647.1A CN107423814A (zh) | 2017-07-31 | 2017-07-31 | 一种采用深度卷积神经网络建立动态网络模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710644647.1A CN107423814A (zh) | 2017-07-31 | 2017-07-31 | 一种采用深度卷积神经网络建立动态网络模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107423814A true CN107423814A (zh) | 2017-12-01 |
Family
ID=60430872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710644647.1A Pending CN107423814A (zh) | 2017-07-31 | 2017-07-31 | 一种采用深度卷积神经网络建立动态网络模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423814A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991878A (zh) * | 2017-12-20 | 2018-05-04 | 湘潭大学 | 一种基于深度信念网络的混沌追踪控制方法 |
CN108923983A (zh) * | 2018-07-13 | 2018-11-30 | 南昌航空大学 | 机会网络链路的预测方法、装置及可读存储介质 |
CN109344893A (zh) * | 2018-09-25 | 2019-02-15 | 华中师范大学 | 一种基于移动终端的图像分类方法及系统 |
CN109523021A (zh) * | 2018-09-28 | 2019-03-26 | 浙江工业大学 | 一种基于长短时记忆网络的动态网络结构预测方法 |
CN109638826A (zh) * | 2018-12-24 | 2019-04-16 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于cnn的电网拓扑辨识方法及系统 |
CN109787699A (zh) * | 2018-10-18 | 2019-05-21 | 国网江苏省电力有限公司信息通信分公司 | 一种基于混合深度模型的无线传感器网络路由链路状态预测方法 |
CN110398370A (zh) * | 2019-08-20 | 2019-11-01 | 贵州大学 | 一种基于hts-cnn模型的轴承故障诊断方法 |
CN110557294A (zh) * | 2019-09-25 | 2019-12-10 | 南昌航空大学 | 一种基于网络变化度的psn网络的时间切片方法 |
CN111461907A (zh) * | 2020-03-13 | 2020-07-28 | 南京邮电大学 | 一种面向社交网络平台的动态网络表征学习方法 |
CN111669373A (zh) * | 2020-05-25 | 2020-09-15 | 山东理工大学 | 基于时空卷积网络和拓扑感知的网络异常检测方法及系统 |
CN112489453A (zh) * | 2020-11-18 | 2021-03-12 | 安徽四创电子股份有限公司 | 一种基于神经网络的交通信号智能调节方法 |
CN112567389A (zh) * | 2018-06-11 | 2021-03-26 | 英艾特股份公司 | 将循环人工神经网络中的活动特征化以及编码和解码信息 |
CN113190939A (zh) * | 2021-03-22 | 2021-07-30 | 桂林航天工业学院 | 基于多边形系数的大型稀疏复杂网络拓扑分析和简化方法 |
CN113496558A (zh) * | 2020-04-03 | 2021-10-12 | 美光科技公司 | 车辆数据记录器中对压倒性刺激的处理 |
CN115761240A (zh) * | 2023-01-10 | 2023-03-07 | 国科大杭州高等研究院 | 一种混沌反向传播图神经网络的图像语义分割方法及装置 |
CN117151279A (zh) * | 2023-08-15 | 2023-12-01 | 哈尔滨工业大学 | 一种基于线图神经网络的同构网络链路预测方法及系统 |
CN118337634A (zh) * | 2024-05-08 | 2024-07-12 | 中国电子科技集团公司第十五研究所 | 一种基于链路关系发现的网络拓扑快速重构方法及装置 |
US12113891B2 (en) | 2019-03-18 | 2024-10-08 | Inait Sa | Encrypting and decrypting information |
-
2017
- 2017-07-31 CN CN201710644647.1A patent/CN107423814A/zh active Pending
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991878A (zh) * | 2017-12-20 | 2018-05-04 | 湘潭大学 | 一种基于深度信念网络的混沌追踪控制方法 |
CN112567389A (zh) * | 2018-06-11 | 2021-03-26 | 英艾特股份公司 | 将循环人工神经网络中的活动特征化以及编码和解码信息 |
CN108923983B (zh) * | 2018-07-13 | 2021-01-12 | 南昌航空大学 | 机会网络链路的预测方法、装置及可读存储介质 |
CN108923983A (zh) * | 2018-07-13 | 2018-11-30 | 南昌航空大学 | 机会网络链路的预测方法、装置及可读存储介质 |
CN109344893A (zh) * | 2018-09-25 | 2019-02-15 | 华中师范大学 | 一种基于移动终端的图像分类方法及系统 |
CN109523021A (zh) * | 2018-09-28 | 2019-03-26 | 浙江工业大学 | 一种基于长短时记忆网络的动态网络结构预测方法 |
CN109787699A (zh) * | 2018-10-18 | 2019-05-21 | 国网江苏省电力有限公司信息通信分公司 | 一种基于混合深度模型的无线传感器网络路由链路状态预测方法 |
CN109787699B (zh) * | 2018-10-18 | 2020-09-08 | 国网江苏省电力有限公司信息通信分公司 | 一种基于混合深度模型的无线传感器网络路由链路状态预测方法 |
CN109638826A (zh) * | 2018-12-24 | 2019-04-16 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于cnn的电网拓扑辨识方法及系统 |
CN109638826B (zh) * | 2018-12-24 | 2022-10-14 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于cnn的电网拓扑辨识方法及系统 |
US12113891B2 (en) | 2019-03-18 | 2024-10-08 | Inait Sa | Encrypting and decrypting information |
CN110398370A (zh) * | 2019-08-20 | 2019-11-01 | 贵州大学 | 一种基于hts-cnn模型的轴承故障诊断方法 |
CN110398370B (zh) * | 2019-08-20 | 2021-02-05 | 贵州大学 | 一种基于hts-cnn模型的轴承故障诊断方法 |
CN111464371B (zh) * | 2019-09-25 | 2022-09-02 | 南昌航空大学 | 一种基于网络变化度的psn网络的时间切片方法 |
CN110557294A (zh) * | 2019-09-25 | 2019-12-10 | 南昌航空大学 | 一种基于网络变化度的psn网络的时间切片方法 |
CN111464371A (zh) * | 2019-09-25 | 2020-07-28 | 南昌航空大学 | 一种基于网络变化度的psn网络的时间切片方法 |
CN111461907A (zh) * | 2020-03-13 | 2020-07-28 | 南京邮电大学 | 一种面向社交网络平台的动态网络表征学习方法 |
CN113496558A (zh) * | 2020-04-03 | 2021-10-12 | 美光科技公司 | 车辆数据记录器中对压倒性刺激的处理 |
US11562237B2 (en) | 2020-04-03 | 2023-01-24 | Micron Technology, Inc. | Processing of overwhelming stimuli in vehicle data recorders |
CN111669373B (zh) * | 2020-05-25 | 2022-04-01 | 山东理工大学 | 基于时空卷积网络和拓扑感知的网络异常检测方法及系统 |
CN111669373A (zh) * | 2020-05-25 | 2020-09-15 | 山东理工大学 | 基于时空卷积网络和拓扑感知的网络异常检测方法及系统 |
CN112489453A (zh) * | 2020-11-18 | 2021-03-12 | 安徽四创电子股份有限公司 | 一种基于神经网络的交通信号智能调节方法 |
CN113190939A (zh) * | 2021-03-22 | 2021-07-30 | 桂林航天工业学院 | 基于多边形系数的大型稀疏复杂网络拓扑分析和简化方法 |
CN113190939B (zh) * | 2021-03-22 | 2022-09-06 | 桂林航天工业学院 | 基于多边形系数的大型稀疏复杂网络拓扑分析和简化方法 |
CN115761240A (zh) * | 2023-01-10 | 2023-03-07 | 国科大杭州高等研究院 | 一种混沌反向传播图神经网络的图像语义分割方法及装置 |
CN117151279A (zh) * | 2023-08-15 | 2023-12-01 | 哈尔滨工业大学 | 一种基于线图神经网络的同构网络链路预测方法及系统 |
CN118337634A (zh) * | 2024-05-08 | 2024-07-12 | 中国电子科技集团公司第十五研究所 | 一种基于链路关系发现的网络拓扑快速重构方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423814A (zh) | 一种采用深度卷积神经网络建立动态网络模型的方法 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN108416755A (zh) | 一种基于深度学习的图像去噪方法及系统 | |
CN109886358A (zh) | 基于多时空信息融合卷积神经网络的人体行为识别方法 | |
CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
CN111079977A (zh) | 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法 | |
CA2392063A1 (en) | Method and program for simulating a physical system using object-oriented programming | |
CN104036550B (zh) | 基于形状语义的建筑立面激光雷达点云解译与重建的方法 | |
CN109299701A (zh) | 基于gan扩充多人种特征协同选择的人脸年龄估计方法 | |
CN108304357A (zh) | 一种基于字体流形的中文字库自动生成方法 | |
CN105787557A (zh) | 一种计算机智能识别的深层神经网络结构设计方法 | |
CN110991690A (zh) | 一种基于深度卷积神经网络的多时次风速预测方法 | |
CN104103093B (zh) | 一种基于深度卷积神经网络的三维网格语义标记方法 | |
CN109766995A (zh) | 深度神经网络的压缩方法与装置 | |
WO2022257190A1 (zh) | 一种基于量子游走的行为轨迹序列多特征模拟方法 | |
CN111428678A (zh) | 一种面向地物变化检测的空间约束条件下生成对抗网络遥感影像样本扩充方法 | |
CN109657794A (zh) | 一种基于指令队列的分布式深度神经网络性能建模方法 | |
CN117454495A (zh) | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 | |
CN113449878B (zh) | 数据分布式的增量学习方法、系统、设备及存储介质 | |
CN107995278B (zh) | 一种基于城域级物联网感知数据的场景智能分析系统与方法 | |
Wang et al. | A deep learning based surrogate model for reservoir dynamic performance prediction | |
CN103678888A (zh) | 一种基于欧拉流体模拟算法的心脏血液流动示意显示方法 | |
CN104182558B (zh) | 一种缝洞野外露头水驱油数值模拟方法 | |
CN103020984B (zh) | 基于稀疏表达的三维人体运动数据补全方法 | |
CN103578120B (zh) | 保持时序平稳与低秩结构特性的三维人体运动数据补全方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171201 |
|
RJ01 | Rejection of invention patent application after publication |