[发明专利]一种基于决策树分类器的跳数矩阵恢复方法

权利要求书

1.一种基于决策树分类器的跳数矩阵恢复方法，其特征在于：所述的方法包括步骤如下：

S1：通过泛洪过程，获取的跳数矩阵中含有缺失项；

S2：根据跳数矩阵中部分被观测到的跳数之间的关系构建训练集，将跳数矩阵中观测到的跳数值建模为训练集的标签，最大跳数值表示为类别数；

S3：根据步骤S2得到的训练样本集合训练决策树分类器；

S4：为没有观测到的跳数值构造特征，得到未知样本；将未知样本输入到训练好的决策树分类器，得到未知样本的类别，即得到矩阵中对应位置的缺失的跳数值，从而恢复出完整的跳数矩阵H；

步骤S4，具体地，

S401：若跳数矩阵中某个位置的跳数值没有被观测到，则进行下一步；否则遍历跳数矩阵中下一个值；

S402：跳数缺失的两个节点分别用节点i和节点j表示，相对于网络中其他所有的节点k,k＝1,2,…,n，计算节点i到节点k的跳数值和节点k到节点j的跳数值的跳数之和的最小值，作为未知样本的第一个特征；

S403：计算节点i的邻居节点到节点j的跳数，和节点j的邻居节点到节点i的跳数的平均值，作为未知样本的第二个特征；

S404：将构造的未知样本的第一个特征、第二个特征组成一个未知样本，输入到训练好的决策树分类器，得到未知样本的类别，即得到该位置的跳数值；

S405：若没有完成对跳数矩阵的遍历，则遍历矩阵中下一个值，并返回步骤S401；若遍历完跳数矩阵得到恢复后的跳数矩阵；

构建所述的未知样本，表达如下：

其中，表示节点i到节点k的跳数值和节点k到节点j的跳数值之和的最小值。

2.根据权利要求1所述的基于决策树分类器的跳数矩阵恢复方法，其特征在于：构造建立任意节点i的跳数向量：h_i＝{h_i1,h_i2,…,h_in}，其中，h_ij表示节点i和节点j之间的跳数值；i＝1,…,n；j＝1,…,n；

所述的缺失的跳数矩阵表示为式(2)：

其中，⊙表示Hadamard乘积；Ω＝[ω_ij]_n*n是一个二元矩阵；ω_ij表示跳数矩阵对应位置是否缺失，表示为：

3.根据权利要求2所述的基于决策树分类器的跳数矩阵恢复方法，其特征在于：在步骤S1之后，步骤S2之前，如果缺失的跳数的对称位置被观测到，使用对称位置跳数将其补齐。

4.根据权利要求3所述的基于决策树分类器的跳数矩阵恢复方法，其特征在于：步骤S2，具体的步骤如下：

S201：对跳数矩阵进行遍历，若某个位置跳数值被观测到，则进行下一步；否则遍历跳数矩阵中下一个值；

S202：跳数缺失的两个节点分别用节点i和节点j表示，相对于网络中其他所有的节点k,k＝1,2,…,n，计算节点i到节点k的之间跳数值和节点k到节点j之间的跳数值的跳数和的最小值，作为训练样本的第一个特征；

S203：计算节点i的邻居节点到节点j的跳数，和节点j的邻居节点到节点i的跳数的平均值，作为训练样本的第二个特征；

S204：将被观测到的跳数作为类别，加上构造的样本的第一个特征和第二个特征形成一个训练样本，加入到训练样本集合中；

S205：遍历整个跳数矩阵遍历结束后，得到训练样本集合。

5.根据权利要求4所述的基于决策树分类器的跳数矩阵恢复方法，其特征在于：步骤S203，具体的，初始化两个邻居列表L_i和L_j，根据跳数向量选择节点i的邻居，根据跳数向量选择节点j的邻居；节点i的邻居节点的索引和节点j的邻居节点的索引分别存储在对应的邻居列表L_i和L_j中；变量n_i表示节点i的可用邻居节点数，变量n_j表示节点j的可用邻居节点数；如果观察到邻居节点L_i(k)与节点j之间的跳数则可用邻居节点n_i加1；

其中，训练样本的第二个特征的计算方式如式(4)：

（4）。