[发明专利]一种采用深度卷积神经网络建立动态网络模型的方法

权利要求书

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：

R(T)=1NΣi=1N[x(i+T)-x‾][x(i)-x‾]1NΣi=1N[x(i)-x‾]2---(1)]]>

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，τ^k<i，j>表示节点对<i，j>第k次连接的持续时长。