通信系统的无特征网络链路中,由于忽略了节点的特征属性,导致预测评估结果的曲线下面积(Area Under Curve,AUC)值较低。针对上述现象,提出融合节点重要性的通信系统链路预测方法。提取无特征网络中节点的局部特征,构建节点的时间序列数...通信系统的无特征网络链路中,由于忽略了节点的特征属性,导致预测评估结果的曲线下面积(Area Under Curve,AUC)值较低。针对上述现象,提出融合节点重要性的通信系统链路预测方法。提取无特征网络中节点的局部特征,构建节点的时间序列数据。计算每个节点的重要性,利用节点的重要性和时间序列数据,通过特定的算法,获取每个节点的预测值,从而实现无特征网络链路的预测。实验结果表明,该方法预测评估结果的AUC值较高,能够更准确地预测网络中的链路连接。展开更多
针对现有复杂网络节点重要性排序方法无法处理目标体系网络节点异质连边有向有权的难题,提出一种面向目标体系网络的节点重要性排序方法。利用K-shell算法计算网络节点的初始重要值,并在PageRank算法的节点重要性传递中考虑重要性分配...针对现有复杂网络节点重要性排序方法无法处理目标体系网络节点异质连边有向有权的难题,提出一种面向目标体系网络的节点重要性排序方法。利用K-shell算法计算网络节点的初始重要值,并在PageRank算法的节点重要性传递中考虑重要性分配趋强的特点和连边权重,提出K-shell和PageRank扩展(Extended K-shell and PageRank,EKSPR)算法,并给出EKSPR算法的收敛性证明,进行了作战仿真实验验证和算例对比分析。实验结果表明,EKSPR算法相对于K-shell算法和PageRank算法更适用于处理目标体系网络节点重要性排序,并且效率优于均值EKSPR算法。展开更多
文摘通信系统的无特征网络链路中,由于忽略了节点的特征属性,导致预测评估结果的曲线下面积(Area Under Curve,AUC)值较低。针对上述现象,提出融合节点重要性的通信系统链路预测方法。提取无特征网络中节点的局部特征,构建节点的时间序列数据。计算每个节点的重要性,利用节点的重要性和时间序列数据,通过特定的算法,获取每个节点的预测值,从而实现无特征网络链路的预测。实验结果表明,该方法预测评估结果的AUC值较高,能够更准确地预测网络中的链路连接。
文摘针对现有复杂网络节点重要性排序方法无法处理目标体系网络节点异质连边有向有权的难题,提出一种面向目标体系网络的节点重要性排序方法。利用K-shell算法计算网络节点的初始重要值,并在PageRank算法的节点重要性传递中考虑重要性分配趋强的特点和连边权重,提出K-shell和PageRank扩展(Extended K-shell and PageRank,EKSPR)算法,并给出EKSPR算法的收敛性证明,进行了作战仿真实验验证和算例对比分析。实验结果表明,EKSPR算法相对于K-shell算法和PageRank算法更适用于处理目标体系网络节点重要性排序,并且效率优于均值EKSPR算法。
