掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
復雜網絡:結構與動態演化分析:analysis of structure and dynamic evolution 版權信息
- ISBN：9787111712091
- 條形碼：9787111712091 ; 978-7-111-71209-1
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
復雜網絡:結構與動態演化分析:analysis of structure and dynamic evolution 內容簡介
在信息智能技術的支撐下，大數據、云計算、物聯網、人工智能等技術正成為當下社會*鮮明的時代特征，在這個時代中，人們爭相利用網絡數據提煉有效信息以催生服務價值。研究動態網絡上的動態過程屬于典型的交叉學科領域研究。本書主要從計算機科學角度介紹并討論網絡結構認知和演化動力學方面的研究成果，通過對經典的網絡模型和其中的典型應用進行詳細的討論和解析分析，探索隱藏在其中的模式規律。
復雜網絡:結構與動態演化分析:analysis of structure and dynamic evolution 目錄
目錄
第 1 章 緒論 1
1.1 網絡視角下的現實世界 2
1.1.1 隨機網絡 2
1.1.2 小世界網絡 3
1.1.3 無標度網絡 4
1.2 網絡結構與性能分析 5
1.2.1 網絡結構重構問題 5
1.2.2 網絡特征表示學習問題 6
1.2.3 網絡結構的脆弱性 6
1.3 網絡的動態性 7
1.3.1 網絡中的動態過程 7
1.3.2 網絡中的信息阻斷 9
1.3.3 網絡演化過程分析 11
1.4 本書組織結構 13
參考文獻 14
第 2 章 網絡中的結構重構方法 19
2.1 部分結構已知條件下的重構方法 19
2.1.1 基于節點相似性的鏈路預測模型 20
2.1.2 基于 GCN 的鏈路預測模型 21
2.1.3 基于微分圖方程組的動態結構預測22
2.2 基于動態時序數據的結構重構方法 24
2.2.1 時序數據網絡重構概念 24
2.2.2 時序數據網絡重構常用方法 25
2.3 應用：基于離散信息的網絡拓撲還原方法 27
2.3.1 網絡重構算法 27
2.3.2 子圖重構 30
2.3.3 子圖疊加 30
2.3.4 網絡重構實驗分析 31
2.4 本章小結 38
參考文獻 38
第 3 章 網絡結構與屬性的表示學習方法 42
3.1 網絡表示學習問題 42
3.1.1 網絡表示學習的定義 42
3.1.2 網絡表示學習的方法 43
3.2 網絡結構信息的表示學習方法 45
3.2.1 基于隨機游走的表示學習 45
3.2.2 基于矩陣分解的表示學習 48
3.2.3 基于深度學習的表示學習 52
3.3 網絡屬性信息的表示學習方法 54
3.3.1 結合文本信息的網絡表示學習 54
3.3.2 半監督的網絡表示學習 57
3.3.3 結合邊上標簽信息的網絡表示學習 61
3.4 異構網絡的表示學習方法 64
3.4.1 基于元路徑的異構網絡表示學習 64
3.4.2 基于*優化的異構網絡表示學習 68
3.4.3 屬性多重異構網絡表示學習 69
3.5 應用：電影網絡中的表示學習 72
3.5.1 數據集情況 72
3.5.2 數據預處理及構建電影網絡 73
3.5.3 基于 Node2Vec 的節點表示學習 74
3.5.4 基于結構與屬性的節點表示學習 75
3.6 本章小結 75
參考文獻 76
第 4 章 網絡結構的脆弱性分析 79
4.1 網絡結構脆弱性問題 79
4.1.1 基于網絡結構特征的脆弱節點識別 80
4.1.2 基于鄰接信息熵的關鍵點識別算法 81
4.1.3 基于誤差重構的節點價值分析模型 85
4.2 相互依存網絡中的級聯失效性分析 90
4.2.1 相互依存網絡中的級聯失效問題 91
4.2.2 基于相繼故障滲流模型的網絡脆弱性分析 95
4.2.3 基于馬爾可夫模型的網絡脆弱性分析 97
4.3 應用：公用網絡中的關鍵節點識別 108
4.3.1 基于鄰接信息熵的關鍵點識別 108
4.3.2 基于誤差重構的關鍵節點識別 113
4.4 本章小結 118
參考文獻 118
第 5 章 網絡中的信息傳播 123
5.1 背景介紹 124
5.1.1 傳播動力學 124
5.1.2 群體動力學 132
5.1.3 自適應選舉者模型 137
5.1.4 自適應群體博弈模型 143
5.1.5 自適應系統協同模型 149
5.2 自適應信息傳播模型 155
5.2.1 理論分析 156
5.2.2 偶對近似 159
5.2.3 高階變量 160
5.2.4 從歸一到分裂 162
5.3 基于距離的結構重連 166
5.3.1 rewire-to-foaf 策略 166
5.3.2 近似微分方程 167
5.3.3 案例分析 169
5.4 基于近似多數模型的動態過程 173
5.4.1 近似多數模型 173
5.4.2 近似微分方程 174
5.4.3 案例分析 177
5.5 基于加權狀態演化的信息傳播 179
5.5.1 加權狀態演化 180
5.5.2 近似微分方程 181
5.5.3 案例分析 182
5.6 應用：選舉者網絡的演化與近似 185
5.6.1 從偶對近似到交接近似 186
5.6.2 從近似主方程到雙星近似 190
5.7 本章小結 200
參考文獻 200
第 6 章 網絡中的信息阻斷 210
6.1 網絡阻斷問題 210
6.1.1 網絡阻斷的應用背景 211
6.1.2 網絡阻斷的基礎模型 212
6.1.3 網絡阻斷的變種類別 216
6.2 依賴網絡中的網絡阻斷 218
6.2.1 依賴網絡及其阻斷問題的應用背景 219
6.2.2 依賴網絡中的依賴關系模型 219
6.2.3 包含依賴關系的流阻斷模型 220
6.2.4 邏輯–物理雙層網絡*短路阻斷 223
6.3 動態對抗條件下的阻斷 226
6.3.1 網絡阻斷的動態假設 227
6.3.2 動態多重網絡*短路阻斷模型框架 227
6.3.3 網間反饋關系建模 230
6.3.4 動態網絡阻斷模型 235
6.3.5 動態網絡阻斷模型實驗驗證 237
6.4 應用：動態雙層網絡*短路阻斷實驗 239
6.4.1 動態雙層網絡實驗數據 239
6.4.2 實驗分析 240
6.5 本章小結 244
參考文獻 244
第 7 章 網絡中的群體演化 246
7.1 背景介紹 247
7.2 演化群體模型 249
7.2.1 無博弈演化 251
7.2.2 長期連續演化過程 254
7.2.3 合作群體的衰退 254
7.3 擾動作用下的合作群體瓦解 259
7.3.1 擾動實驗 259
7.3.2 合作的韌性 261
7.3.3 擾動規模的影響 264
7.3.4 嵌入系數 p 的影響 266
7.4 應用：合作群體瓦解預測 267
7.4.1 預警信號挖掘 267
7.4.2 預警信號的動態模式 269
7.4.3 基于 Kendall 相關系數的一致性分析 272
7.4.4 預警信號的準確性分析 277
7.5 本章小結 281
參考文獻 282
第 8 章 網絡中的智能協同 285
8.1 背景介紹 286
8.2 智能體網絡任務分組 288
8.2.1 研究動機 288
8.2.2 模型定義 290
8.2.3 勞動力分工 292
8.3 基于分布式學習的自適應動態性 293
8.3.1 節點角色演化 293
8.3.2 風險規避學習 295
8.3.3 網絡結構調整 297
8.3.4 圖轉移的完備性 300
8.3.5 算法流程 303
8.4 自適應協同理論分析 304
8.4.1 學習率的影響 306
8.4.2 任務規模越大，資源浪費率越小 307
8.4.3 功能集合越大，任務成功率越小 308
8.5 應用：分布式任務分組中自適應協同 309
8.5.1 基準實驗 310
8.5.2 功能服務集合的擴大 314
8.5.3 任務規模的增長 314
8.5.4 動態任務下的動態分組 317
8.6 本章小結 318
參考文獻 319
第 1 章 緒論 1
1.1 網絡視角下的現實世界 2
1.1.1 隨機網絡 2
1.1.2 小世界網絡 3
1.1.3 無標度網絡 4
1.2 網絡結構與性能分析 5
1.2.1 網絡結構重構問題 5
1.2.2 網絡特征表示學習問題 6
1.2.3 網絡結構的脆弱性 6
1.3 網絡的動態性 7
1.3.1 網絡中的動態過程 7
1.3.2 網絡中的信息阻斷 9
1.3.3 網絡演化過程分析 11
1.4 本書組織結構 13
參考文獻 14
第 2 章 網絡中的結構重構方法 19
2.1 部分結構已知條件下的重構方法 19
2.1.1 基于節點相似性的鏈路預測模型 20
2.1.2 基于 GCN 的鏈路預測模型 21
2.1.3 基于微分圖方程組的動態結構預測22
2.2 基于動態時序數據的結構重構方法 24
2.2.1 時序數據網絡重構概念 24
2.2.2 時序數據網絡重構常用方法 25
2.3 應用：基于離散信息的網絡拓撲還原方法 27
2.3.1 網絡重構算法 27
2.3.2 子圖重構 30
2.3.3 子圖疊加 30
2.3.4 網絡重構實驗分析 31
2.4 本章小結 38
參考文獻 38
第 3 章 網絡結構與屬性的表示學習方法 42
3.1 網絡表示學習問題 42
3.1.1 網絡表示學習的定義 42
3.1.2 網絡表示學習的方法 43
3.2 網絡結構信息的表示學習方法 45
3.2.1 基于隨機游走的表示學習 45
3.2.2 基于矩陣分解的表示學習 48
3.2.3 基于深度學習的表示學習 52
3.3 網絡屬性信息的表示學習方法 54
3.3.1 結合文本信息的網絡表示學習 54
3.3.2 半監督的網絡表示學習 57
3.3.3 結合邊上標簽信息的網絡表示學習 61
3.4 異構網絡的表示學習方法 64
3.4.1 基于元路徑的異構網絡表示學習 64
3.4.2 基于*優化的異構網絡表示學習 68
3.4.3 屬性多重異構網絡表示學習 69
3.5 應用：電影網絡中的表示學習 72
3.5.1 數據集情況 72
3.5.2 數據預處理及構建電影網絡 73
3.5.3 基于 Node2Vec 的節點表示學習 74
3.5.4 基于結構與屬性的節點表示學習 75
3.6 本章小結 75
參考文獻 76
第 4 章 網絡結構的脆弱性分析 79
4.1 網絡結構脆弱性問題 79
4.1.1 基于網絡結構特征的脆弱節點識別 80
4.1.2 基于鄰接信息熵的關鍵點識別算法 81
4.1.3 基于誤差重構的節點價值分析模型 85
4.2 相互依存網絡中的級聯失效性分析 90
4.2.1 相互依存網絡中的級聯失效問題 91
4.2.2 基于相繼故障滲流模型的網絡脆弱性分析 95
4.2.3 基于馬爾可夫模型的網絡脆弱性分析 97
4.3 應用：公用網絡中的關鍵節點識別 108
4.3.1 基于鄰接信息熵的關鍵點識別 108
4.3.2 基于誤差重構的關鍵節點識別 113
4.4 本章小結 118
參考文獻 118
第 5 章 網絡中的信息傳播 123
5.1 背景介紹 124
5.1.1 傳播動力學 124
5.1.2 群體動力學 132
5.1.3 自適應選舉者模型 137
5.1.4 自適應群體博弈模型 143
5.1.5 自適應系統協同模型 149
5.2 自適應信息傳播模型 155
5.2.1 理論分析 156
5.2.2 偶對近似 159
5.2.3 高階變量 160
5.2.4 從歸一到分裂 162
5.3 基于距離的結構重連 166
5.3.1 rewire-to-foaf 策略 166
5.3.2 近似微分方程 167
5.3.3 案例分析 169
5.4 基于近似多數模型的動態過程 173
5.4.1 近似多數模型 173
5.4.2 近似微分方程 174
5.4.3 案例分析 177
5.5 基于加權狀態演化的信息傳播 179
5.5.1 加權狀態演化 180
5.5.2 近似微分方程 181
5.5.3 案例分析 182
5.6 應用：選舉者網絡的演化與近似 185
5.6.1 從偶對近似到交接近似 186
5.6.2 從近似主方程到雙星近似 190
5.7 本章小結 200
參考文獻 200
第 6 章 網絡中的信息阻斷 210
6.1 網絡阻斷問題 210
6.1.1 網絡阻斷的應用背景 211
6.1.2 網絡阻斷的基礎模型 212
6.1.3 網絡阻斷的變種類別 216
6.2 依賴網絡中的網絡阻斷 218
6.2.1 依賴網絡及其阻斷問題的應用背景 219
6.2.2 依賴網絡中的依賴關系模型 219
6.2.3 包含依賴關系的流阻斷模型 220
6.2.4 邏輯–物理雙層網絡*短路阻斷 223
6.3 動態對抗條件下的阻斷 226
6.3.1 網絡阻斷的動態假設 227
6.3.2 動態多重網絡*短路阻斷模型框架 227
6.3.3 網間反饋關系建模 230
6.3.4 動態網絡阻斷模型 235
6.3.5 動態網絡阻斷模型實驗驗證 237
6.4 應用：動態雙層網絡*短路阻斷實驗 239
6.4.1 動態雙層網絡實驗數據 239
6.4.2 實驗分析 240
6.5 本章小結 244
參考文獻 244
第 7 章 網絡中的群體演化 246
7.1 背景介紹 247
7.2 演化群體模型 249
7.2.1 無博弈演化 251
7.2.2 長期連續演化過程 254
7.2.3 合作群體的衰退 254
7.3 擾動作用下的合作群體瓦解 259
7.3.1 擾動實驗 259
7.3.2 合作的韌性 261
7.3.3 擾動規模的影響 264
7.3.4 嵌入系數 p 的影響 266
7.4 應用：合作群體瓦解預測 267
7.4.1 預警信號挖掘 267
7.4.2 預警信號的動態模式 269
7.4.3 基于 Kendall 相關系數的一致性分析 272
7.4.4 預警信號的準確性分析 277
7.5 本章小結 281
參考文獻 282
第 8 章 網絡中的智能協同 285
8.1 背景介紹 286
8.2 智能體網絡任務分組 288
8.2.1 研究動機 288
8.2.2 模型定義 290
8.2.3 勞動力分工 292
8.3 基于分布式學習的自適應動態性 293
8.3.1 節點角色演化 293
8.3.2 風險規避學習 295
8.3.3 網絡結構調整 297
8.3.4 圖轉移的完備性 300
8.3.5 算法流程 303
8.4 自適應協同理論分析 304
8.4.1 學習率的影響 306
8.4.2 任務規模越大，資源浪費率越小 307
8.4.3 功能集合越大，任務成功率越小 308
8.5 應用：分布式任務分組中自適應協同 309
8.5.1 基準實驗 310
8.5.2 功能服務集合的擴大 314
8.5.3 任務規模的增長 314
8.5.4 動態任務下的動態分組 317
8.6 本章小結 318
參考文獻 319
展開全部
復雜網絡:結構與動態演化分析:analysis of structure and dynamic evolution 作者簡介
朱先強，博士，國防科技大學系統工程學院副研究員，長期從事網絡化體系建模、網絡脆弱性分析相關研究工作。在IEEE InfoCOMM、中國圖形圖像學報、Sensor Review等高水平國際會議、期刊雜志上發表論文二十余篇，主持國家自然科學基金青年基金、博士后基金、裝備發展部預研課題、軍委科技委創新特區課題等項目8項，在火箭軍某型號項目、國家高新工程某型號項目中擔任主任設計師，參與其他科研課題20余項目，獲軍隊科技進步三等獎2項。
書友推薦
- >
伯納黛特,你要去哪(2021新版)
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
我從未如此眷戀人間
- >
姑媽的寶刀
- >
李白與唐代文化
- >
月亮與六便士
- >
煙與鏡
- >
小考拉的故事-套裝共3冊
本類暢銷
