[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在审
| 申请号： | 201710644647.1 | 申请日： | 2017-07-31 |
| 公开（公告）号： | CN107423814A | 公开（公告）日： | 2017-12-01 |
| 发明（设计）人： | 舒坚;张学佩;蔡许林;刘琳岚 | 申请（专利权）人： | 南昌航空大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08 |
| 代理公司： | 南昌洪达专利事务所36111 | 代理人： | 刘凌峰 |
| 地址： | 330063 江*** | 国省代码： | 江西;36 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种采用深度卷积神经网络建立动态网络模型的方法。针对动态网络中节点移动存在的时序性和社会性，通过挖掘网络拓扑与链路状态的关系，提出一种使用卷积神经网络来提取网络结构特征的方法。该方法应用混沌时间序列理论对动态的时序数据进行切片，通过状态矩阵来表示分段的网络拓扑信息，再将状态矩阵转换成观测图，利用深度卷积神经网络提取出观测图中能够影响链路变化的高阶特征。本发明充分考虑了动态网络中节点之间的复杂关系，通过采用深度学习模型从大量的时序数据间学习到网络结构随时间变化的规律，从而有效提取动态网络拓扑变化下的潜在模式，为动态网络的结构演化分析等相关研究提供一定的支撑。 | ||
| 搜索关键词： | 一种 采用 深度 卷积 神经网络 建立 动态 网络 模型 方法 | ||
【主权项】：
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。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于南昌航空大学，未经南昌航空大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201710644647.1/，转载请声明来源钻瓜专利网。
- 上一篇：一种植物空气净化器
- 下一篇：一种基于计算机的低质量分类图像数据清洗方法
