基于機器學習的網絡節點影響力分析與設計

以下是資料介紹,如需要完整的請充值下載. 本資料已審核過,確保內容和網頁里介紹一致.  
無需注冊登錄,支付后按照提示操作即可獲取該資料.
資料介紹:

基于機器學習的網絡節點影響力分析與設計(任務書,開題報告,外文翻譯,論文16000字)
摘要
在復雜網絡中,對網絡節點的中心性(或稱影響力、重要性)的評估一直以來都是一個重要的研究主題。節點的影響力直接決定了網絡的性質和特點,在搜索引擎、社交網絡、電力系統、生物生態系統等諸多領域有著重要的應用。本文首先對度中心性(Degree centrality)、介數中心性(Betweenness centrality)、Pagerank等方法進行了回顧和分析,接著信息熵/信息維度模型和k-medoid聚類模型進行了深入的分析,并基于這兩種方法的基礎上提出了一種k-path optimization算法,該算法相較于之前的方法,顯著降低了計算復雜度,并且在小世界網絡上效果十分突出。
論文主要研究了對于信息熵/信息維度模型進行簡化的可能性、與k-medoid方法相似的優化方法的可行性,進而對所提出的算法進行優化、測試,并與其它方法進行對比。此外,本文還提出了一種基于雷達圖的多維度節點影響力評估方法,改變了由單一中心性指標進行評價的傳統方式。
研究結果表明:k-path optimization算法相較于之前的方法,顯著降低了計算復雜度,并且在小世界網絡上效果十分突出。
本文的特色:提出了k-path optimization算法、提出了基于雷達圖的多維度節點影響力評估方法。
關鍵詞:機器學習;復雜網絡;節點影響力;小世界網絡;傳播影響力

Abstract
In complex networks, the assessment of the centrality of nodes has always been afundamental issue. The influence of the node directly determines the nature and characteristics of the network, and has important applications in many fields such as search engines, social networks, power systems, and biological ecosystems. In this paper, the methods Degree centrality, Betweenness centrality and Pagerank are reviewed and analyzed. Then the information entropy/information dimension model and k-medoid clustering model are deeply analyzed. Based on these two methods, a k-path optimization algorithm is proposed. Compared withprevious methods, the algorithm in this paper significantly reduces the computational complexity and is very effective on Small-world Networks.
The paper mainly studies the information entropy/information dimension model and the feasibility of the optimization method similar to the k-medoid method. Then the proposed algorithm is optimized, tested and compared with other methods. In addition, this paper also proposes a multi-dimensional node influence evaluation method based on radar chart, which changes the traditional way of evaluation by a single centrality.
The research results show that the k-path optimization algorithm significantly reduces the computational complexity compared with the previous method, and the effect is very prominent on the small world network.
The characteristics of this paper: The k-path optimization algorithm is proposed, and the multi-dimensional node influence evaluation method based on radar chart is proposed.
Key Words:Machine Learning;Complex Network;Node Influence;Small-world Network;Communication Influence

本文研究工作與內容安排
本文首先介紹識別復雜網絡中各個重要節點的方法,然后將會介紹信息維度方法、聚類方法、傳播模型和小世界網絡,最后在此基礎上介紹了本人設計的基于機器學習的復雜網絡節點影響力分析方法和基于該方法之上的一種新的網絡節點重要性評估模型:k-path optimization。本課題將會考慮在小世界網絡上進行快速的中心節點定位,這種方法很容易應用在實際的網絡上,具有很好的研究前景。
本文的主要內容如下:
第一章對復雜網絡的誕生歷史、國內外復雜網絡節點分析的主流研發和發展趨勢做歸納總結,從而引出本文的創新之處和算法設計方法。
第二章簡單地對幾種經典的復雜網絡節點影響力分析理論進行介紹,并分析了它們的性能。
第三章介紹了作為本文基礎的幾項研究成果,包括k-medoid聚類分析、滲透理論、信息熵理論等,還介紹了小世界網絡的基本概念。
第四章介紹如何基于Matlab,測試算法的性能,并將其運用在較大的網絡上。并計算其復雜度。
第五章將對本課題所完成的工作及其達成的目標進行總結分析,并對不足點進行補充,提出未來工作的展望。
總體而言,通過機器學習方法,基于信息熵模型,本文設計了一種復雜網絡中心節點的定位算法。
 

基于機器學習的網絡節點影響力分析與設計


第1章緒論    1
1.1 研究背景    1
1.2 國內外研究現狀    1
1.2.1 復雜網絡節點    1
1.2.2 機器學習    2
1.3 本文研究工作與內容安排    3
第2章基于結構的中心性指標評價方法    4
2.1 度中心性    4
2.2 介數中心性    4
2.3 Pagerank    7
2.4 緊密度中心性    8
2.5 本地中心性    9
2.6 本章小結    10
第3章基于傳播的中心性指標及相關分析    11
3.1信息維度    11
3.1.1局部維度Local dimension    11
3.1.2信息熵    11
3.1.3節點信息維度    12
3.2聚類分析    13
3.2.1信息傳遞概率矩陣    13
3.2.2聚類算法k-medoid方法    14
3.3小世界網絡    15
3.4本章小結    16
第4章 k-path optimization方法    17
4.1最大值迭代算法(k-path optimization)    17
4.2測試    20
4.2.1算法效果    20
4.2.2時間復雜度    22
4.2.3空間復雜度    22
4.3基于雷達圖的多維度影響力分析    23
4.4本章小結    24
第5章總結與討論    25
5.1結論    25
5.2展望    25
參考文獻    26
致謝    31

302宿舍白露全文阅读