CN112583723B - 一种基于fcm的大规模路由网络表达方法 - Google Patents
一种基于fcm的大规模路由网络表达方法 Download PDFInfo
- Publication number
- CN112583723B CN112583723B CN202011471340.4A CN202011471340A CN112583723B CN 112583723 B CN112583723 B CN 112583723B CN 202011471340 A CN202011471340 A CN 202011471340A CN 112583723 B CN112583723 B CN 112583723B
- Authority
- CN
- China
- Prior art keywords
- sphere
- vector
- representing
- equipment
- spheres
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000005295 random walk Methods 0.000 claims abstract description 14
- 238000009795 derivation Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 235000019580 granularity Nutrition 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
- H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于网络拓扑结构分析领域,具体涉及一种基于FCM的大规模路由网络表达方法,该方法包括:通过模糊均值聚类对大规模网络拓扑结构进行分解,得到粒度粗化的球体。在各个球体间进行随机游走得到宏观序列,在球体内进行随机游走得到局部序列。最后使用无监督学习算法Skip‑Gram进行训练,得到每个设备的低维向量表达;本发明采用多粒度的思想,将初始网络根据性质进行划分,需要计算网络设备的三种性质:度中心性、中介中心性、特征向量中心性,从不同粒度上进行考虑可以提高效率和提升效果;相较于传统算法,本发明的算法复杂度低,并行能力强,适合于大规模的复杂网络。
Description
技术领域
本发明属于网络拓扑结构分析领域,具体涉及一种基于FCM的大规模路由网络表达方法。
背景技术
随着卫星通信和互联网的发展,网络结构的规模呈指数增加,针对复杂的大规模网络分析成为当前的重要问题。传统用邻接矩阵表示网络的结构,它的维度为设备数n的平方,对于真实世界的大规模网络是不能接受的。而且大部分网络是稀疏的,用邻接矩阵表示会有很多的冗余信息。基于嵌入的网络表达方法旨在学习设备在低维空间中的连续稠密表示,从而减少噪声和冗余信息。
如果直接针对原网络进行训练复杂度会很高,通过分而治之的思想,将原网络进行粒度分层,然后采用并行计算的思想,加快模型训练速度。提出用FCM进行模糊聚类,相比于硬聚类算法,FCM对于孤立点是敏感的。先对聚类的每个球体进行宏观的训练,它可以让模型在前期快速的收敛;然后针对具体设备进行局部的训练,对每个设备的向量进行细微调整。
发明内容
为解决以上现有技术存在的问题,本发明提出了一种基于FCM的大规模路由网络表达方法,该方法包括:
S1:获取大规模路由拓扑结构,将大规模路由拓扑结构输入到FCM模型中,得到大规模路由拓扑结构中每个设备的特征zj;
S4:对目标函数中的变量求导,根据求导结果更新目标函数J的值;
S5:重复步骤S4,当目标函数J的值固定时停止更新,输出此时的隶属度uij;
S6:根据隶属度uij将各个设备划到对应的球体中;
S7:计算各个球体间的相似度以及球体内各个设备之间的相似度;
S8:根据球体间的相似度和宏观随机游走模型对球体序列进行处理,得到球体向量Φ(ci);根据球体内各个设备之间的相似度和局部随机游走模型对设备序列进行处理,得到设备向量Φ(zj);
S9:初始化球体向量Φ(ci)和设备向量Φ(zj);采用无监督算法Skip-Gram更新球体向量和设备向量,得到包含语义信息的低维向量。
优选的,构建大规模路由拓扑结构图包括:获取网络中的各个设备的位置以及设备间的连接关系,将各个设备作为节点,设备的连接作为通信链路;设备的特征包括:每个设备在网络中的度中心性、中介中心性和特征向量中心性。
进一步的,度中心性的公式为:
中介中心性的公式为:
特征向量中心性的公式为:
优选的,确定模糊均值聚类算法的目标函数J的公式为:
约束条件为:
进一步的,将目标函数J及其约束条件采用拉格朗日乘数法进行融合:
优选的,目标函数中的变量为隶属度uij和球体的特征向量ci,对变量uij求导,解出μij的值为:
对ci求导,得到球的迭代中心:
优选的,球体间的相似性公式为:
优选的,球体内设备之间的相似性公式为:
Net(u,v)=||zu-zv||2+edge(u,v)
优选的,采用Skip-Gram模型训练球序列和设备序列包括:初始化每个球体的向量Φ(ci),将球体的向量赋值给球体内部的设备Φ(zj);采用Skip-Gram模型对球体序列进行训练,在训练过程中更新球体向量,根据更新后的球体向量对设备变量进行更新;采用Skip-Gram模型对更新后的设备序列进行训练,使每个球体内部的设备向量产生分离和聚合,得到包含语义信息的低维向量。
本发明的效果:
1)本发明采用多粒度的思想,将初始网络根据性质进行划分,需要计算网络设备的三种性质:度中心性(DC)、中介中心性(BC)、特征向量中心性(EC),从不同粒度上进行考虑可以提高效率和提升效果;
2)本发明采用FCM进行模糊聚类,相比于传统的硬聚类算法,FCM可以有更好的聚类效果,它对孤立点更加敏感;
3)本发明采用宏观和局部双线游走方式,粗细结合,捕获更加全面的网络信息;
4)本发明采用Skip-Gram无监督训练算法,不需要借助标签信息,利用游走序列本身的关系,得到设备的低维向量表示。
5)本发明的一种基于FCM的大规模路由网络表达技术,相较于传统算法,算法复杂度低,并行能力强,适合于大规模的复杂网络表达。
附图说明
图1是本发明基于FCM的大规模路由网络表达方法的实现流程图;
图2是本发明基于FCM的大规模路由网络表达方法的设备分布图;
图3是本发明基于FCM的大规模路由网络表达方法的低维可视化效果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明通过糊均值聚类对大规模网络拓扑结构进行分解,得到粒度粗化的球体。在各个球体间进行随机游走得到宏观序列,在球体内进行随机游走得到局部序列。最后使用无监督学习算法Skip-Gram进行训练,得到每个设备的低维向量表达。
一种基于FCM的大规模路由网络表达方法,如图1所示,该方法包括:
S1:获取大规模路由拓扑结构,计算大规模路由拓扑结构中每个设备的特征zj;
S4:对目标函数中的变量求导,根据求导结果更新目标函数J的值;
S5:重复步骤S4,当目标函数J的值固定时停止更新,输出此时的隶属度uij;
S6:根据此时的隶属度uij将每个设备划对应的球体中;
S7:计算各个球体间的相似度以及球体内各个设备之间的相似度;
S8:根据球体间的相似度采用宏观随机游走模型对粗粒度球体序列进行处理,得到球体向量Φ(ci);根据球体内各个设备之间的相似度采用局部随机游走模型对设备序列进行处理,得到设备向量Φ(zj);
S9:初始化球体向量Φ(ci)和设备向量Φ(zj);采用无监督算法Skip-Gram更新球体向量和设备向量,得到包含语义信息的低维向量。
获取网络中的各个设备的位置以及设备间的连接关系,将网络中各个设备作为节点,设备的连接作为通信链路,构建大规模路由拓扑结构图。
由于大规模拓扑网络的结构复杂,本发明提出了分而治之的思想,根据每个设备的结构性质,将拥有相似性质的设备划分到更粗粒度的球体。首先,需要计算设备的特征zj;设备的特征包括:每个设备在网络中的度中心性(DC)、中介中心性(BC)、特征向量中心性(EC),其计算表达式如下:
其中,xjk表示设备j和k是否存在边关系,如果有边,则xjk=1否则xjk=0,j和k分别为设备的编号;σst(j)表示设备s和设备t之间经过中间设备j的最短路径数,t表示第t个设备,V表示网络中的所有设备,k表示比例常数,αvj表示设备v对设备j的影响力,EC(v)表示设备v的特征向量中心性,v表示第v个设备。
求取FCM目标函数J及其约束条件的公式为:
采用拉格朗日乘数法将目标函数J及其约束条件融合,得到优化后的目标函数J,其公式为:
其中,λ1,...,λj,...,λn为条件约束的系数。
对目标函数中的变量求导的过程包括:首先,对隶属度变量μij求导,并让求导结果为0,求出隶属度μij;即:
采用约束条件对上述表达式中的变量进行替代,最终得到的μij表示如下:
其次,对球体的特征向量ci求导,得到球的迭代中心:
其中,uij和ci是相互关联的,在迭代的时候先更新uij,然后更新ci,当目标函数J不再变化时,FCM算法的目标函数收敛,将设备划分为了c个球体。
在球体间进行随机游走,首先要构造球体间的相似性,计算球体间的相似度的过程包括:首先获取两个球体间存在的边数,两个球体间的边数为两个球体间的连接数量;其次,获取球体内各个设备的边数,设备的边数为各个设备之间的连接数;最后,根据球体间的边数和球体内各个设备的边数计算球体间的相似性。其计算公式如下:
其中,be_edge表示两个球体之间存在的边数,in_edge表示球体内部设备间的边数。
在球体内进行随机游走,首先要构造球体内设备之间的相似性,其计算公式如下:
Net(u,v)=||zu-zv||2+edge(u,v)
其中,u表示设备,v表示设备,zu表示设备u的特征向量,zv表示设备v的特征向量,edge(u,v)表示设备u和v之间的关联性,如果存在关联则为1,否则为0。即:如果设备u,v之间存在边,则edge(u,v)=1,否则edge(u,v)=0。
采用Skip-Gram模型训练球序列和设备序列包括:初始化每个球体的向量Φ(ci),将球体的向量赋值给球体内部的设备Φ(zj);采用Skip-Gram模型对球体序列进行训练,在训练过程中更新球体向量,根据更新后的球体向量对设备变量进行更新;采用Skip-Gram模型对更新后的设备序列进行训练,使每个球体内部的设备向量产生分离和聚合,得到包含语义信息的低维向量;含语义信息的低维向量的结果如图3所示。
进行训练的具体过程如如表1、表2所示:
表1球体向量更新
表2设备向量更新
球体(设备)的损失函数J为:
其中,w为为训练窗口的大小,d表示向量维度,|B|表示划分的球体个数,seq_ball表示球体游走得到的序列,seq_equ表示设备游走得到的序列,i表示要学习的中心球体,k表示序列中i的上下文球体,γ表示学习率,Pr(k|Φ(i))表示球体向量随机分布的概率,Φ(i)表示球体向量。
本发明的拓扑网络如图2所示,网络中存在各种类型的设备,包括路由器、服务器、主机,还有参与使用的普通用户。
随着卫星互联网的快速发展,针对目前越来越复杂的地面路由网络结构,传统网络分析方法已经无法满足当前任务需求的问题,提出用机器学习的方法对路由网络进行分析。首先采用分而治之的思想对大规模网络拓扑结构进行分解,分解的方法为模糊C均值聚类(FCM),它是对传统聚类的一种改进,当损失函数收敛后,说明聚类已经完成。接下来,通过计算隶属度来衡量设备属于哪一个中心,根据中心的不同可以将整个网络结构划分为多个簇。每个簇可以理解为包含多个设备的球体,球体之间相似性由球体间设备连接度决定。然后在每个球体之间进行全局随机游走,得到球体序列;在球体内的设备间进行局部随机游走,得到设备序列。最后,将球体序列和设备序列按照先后顺序输入到自然语言处理模型Skip-Gram进行迭代训练,得到每个设备的向量表达。在此基础上,可以更加智能和准确地完成链路分析、重要设备发现、设备分类等任务。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于FCM的大规模路由网络表达方法,其特征在于,包括:
S1:获取大规模路由拓扑结构,计算大规模路由拓扑结构中每个设备的特征zj;
S4:对目标函数中的变量求导,根据求导结果更新目标函数J的值;
S5:重复步骤S4,当目标函数J的值固定时停止更新,输出此时的隶属度uij;
S6:根据隶属度uij将各个设备划到对应的球体中;
S7:计算各个球体间的相似度以及球体内各个设备之间的相似度;
球体间的相似性公式为:
其中,be_edge(i,j)表示球体i和球体j之间的设备关联数,in_edge(i)表示球体i内的设备关联数,in_edge(j)表示球体j内的设备关联数;
球体内设备之间的相似性公式为:
Net(u,v)=||zu-zv||2+edge(u,v)
其中,u表示设备,v表示设备,zu表示设备u的特征向量,zv表示设备v的特征向量,edge(u,v)表示设备u和v之间的关联性;
S8:根据球体间的相似度和宏观随机游走模型对球体序列进行处理,得到球体向量Φ(ci);根据球体内各个设备之间的相似度和局部随机游走模型对设备序列进行处理,得到设备向量Φ(zj);
S9:初始化球体向量Φ(ci)和设备向量Φ(zj);采用无监督算法Skip-Gram更新球体向量和设备向量,得到包含语义信息的低维向量。
2.根据权利要求1所述的一种基于FCM的大规模路由网络表达方法,其特征在于,构建大规模路由拓扑结构图包括:获取网络中的各个设备的位置以及设备间的连接关系,将各个设备作为节点,设备的连接作为通信链路;设备的特征包括:每个设备在网络中的度中心性、中介中心性和特征向量中心性。
7.根据权利要求1所述的一种基于FCM的大规模路由网络表达方法,其特征在于,采用Skip-Gram模型训练球序列和设备序列包括:初始化每个球体的向量Φ(ci),将球体的向量赋值给球体内部的设备Φ(zj);采用Skip-Gram模型对球体序列进行训练,在训练过程中更新球体向量,根据更新后的球体向量对设备变量进行更新;采用Skip-Gram模型对更新后的设备序列进行训练,使每个球体内部的设备向量产生分离和聚合,得到包含语义信息的低维向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011471340.4A CN112583723B (zh) | 2020-12-15 | 2020-12-15 | 一种基于fcm的大规模路由网络表达方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011471340.4A CN112583723B (zh) | 2020-12-15 | 2020-12-15 | 一种基于fcm的大规模路由网络表达方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112583723A CN112583723A (zh) | 2021-03-30 |
CN112583723B true CN112583723B (zh) | 2022-08-26 |
Family
ID=75135163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011471340.4A Active CN112583723B (zh) | 2020-12-15 | 2020-12-15 | 一种基于fcm的大规模路由网络表达方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112583723B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505459A (zh) * | 2021-07-29 | 2021-10-15 | 东方红卫星移动通信有限公司 | 一种基于动态随机游走的多粒度路由网络表达方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239800A (zh) * | 2017-06-06 | 2017-10-10 | 常州工学院 | 松弛模糊c均值聚类算法 |
CN108710914A (zh) * | 2018-05-22 | 2018-10-26 | 常州工学院 | 一种基于广义模糊聚类算法的无监督数据分类方法 |
CN109143848A (zh) * | 2017-06-27 | 2019-01-04 | 中国科学院沈阳自动化研究所 | 基于fcm-gasvm的工业控制系统入侵检测方法 |
CN110070177A (zh) * | 2019-04-24 | 2019-07-30 | 大连民族大学 | 一种非重叠网络和重叠网络中社团结构检测方法 |
CN110312278A (zh) * | 2019-04-22 | 2019-10-08 | 北京邮电大学 | 基于模糊c均值聚类算法的圆环模型路由方法 |
US10489789B1 (en) * | 2019-05-02 | 2019-11-26 | Capital One Services, Llc | Systems and methods for providing notifications to devices |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301430A (zh) * | 2017-06-29 | 2017-10-27 | 常州工学院 | 广义多变量模糊c均值聚类算法 |
-
2020
- 2020-12-15 CN CN202011471340.4A patent/CN112583723B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239800A (zh) * | 2017-06-06 | 2017-10-10 | 常州工学院 | 松弛模糊c均值聚类算法 |
CN109143848A (zh) * | 2017-06-27 | 2019-01-04 | 中国科学院沈阳自动化研究所 | 基于fcm-gasvm的工业控制系统入侵检测方法 |
CN108710914A (zh) * | 2018-05-22 | 2018-10-26 | 常州工学院 | 一种基于广义模糊聚类算法的无监督数据分类方法 |
CN110312278A (zh) * | 2019-04-22 | 2019-10-08 | 北京邮电大学 | 基于模糊c均值聚类算法的圆环模型路由方法 |
CN110070177A (zh) * | 2019-04-24 | 2019-07-30 | 大连民族大学 | 一种非重叠网络和重叠网络中社团结构检测方法 |
US10489789B1 (en) * | 2019-05-02 | 2019-11-26 | Capital One Services, Llc | Systems and methods for providing notifications to devices |
Also Published As
Publication number | Publication date |
---|---|
CN112583723A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Malach et al. | Proving the lottery ticket hypothesis: Pruning is all you need | |
CN109858390B (zh) | 基于端到端时空图学习神经网络的人体骨架行为识别方法 | |
CN111368888B (zh) | 基于深度动态贝叶斯网络的服务功能链故障诊断方法 | |
CN112181971A (zh) | 一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质 | |
CN113496247B (zh) | 估计生成对抗网络的隐含似然 | |
Zhang et al. | Mapping Koch curves into scale-free small-world networks | |
WO2023035691A1 (zh) | 一种数据处理方法、系统、存储介质及电子设备 | |
CN113190939B (zh) | 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 | |
CN112583723B (zh) | 一种基于fcm的大规模路由网络表达方法 | |
CN113987236B (zh) | 基于图卷积网络的视觉检索模型的无监督训练方法和装置 | |
CN116681104B (zh) | 分布式空间图神经网络的模型建立及实现方法 | |
WO2023207013A1 (zh) | 一种基于图嵌入的关系图谱关键人员分析方法及系统 | |
CN113162787B (zh) | 电信网络中故障定位的方法、节点分类方法以及相关设备 | |
CN111950611A (zh) | 基于随机梯度追踪技术的大数据二分类分布式优化方法 | |
CN115359298A (zh) | 基于稀疏神经网络的联邦元学习图像分类方法 | |
CN117829307A (zh) | 一种面向数据异构性的联邦学习方法及系统 | |
CN111898763A (zh) | 一种鲁棒的拜占庭容错分布式梯度下降算法 | |
CN108898227A (zh) | 学习率计算方法及装置、分类模型计算方法及装置 | |
CN109118483A (zh) | 一种标签质量检测方法及装置 | |
CN116010832A (zh) | 联邦聚类方法、装置、中心服务器、系统和电子设备 | |
CN115146788A (zh) | 分布式机器学习模型的训练方法、装置、电设备存储介质 | |
CN108279564B (zh) | 一种鲁棒的稀疏多任务自适应系统及迭代方法 | |
CN112256935A (zh) | 基于优化的复杂网络聚类方法 | |
Hamzaoui et al. | Classification Algorithm Based on Nodes Similarity for MANETs. | |
CN114186691B (zh) | 一种网络社区挖掘方法及其在零件加工区域识别中的应用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 401120 39-1, Building 1, No. 64, Middle Huangshan Avenue, Yubei District, Chongqing Patentee after: China Star Network Application Co.,Ltd. Address before: 618 Liangjiang Avenue, Longxing Town, Yubei District, Chongqing Patentee before: Dongfanghong Satellite Mobile Communication Co.,Ltd. |