[发明专利]一种低时间复杂度的随机机会网络拓扑重构方法

摘要

本发明公开了一种低时间复杂度的随机机会网络拓扑重构方法，结合矩阵与特征值和特征向量的关系给出了应用压缩感知理论进行网络重构时测量值和测量矩阵的选取方法。通过对稀疏信号重构原理分析，基于贪婪算法稀疏信号重构原理实现一种低时间复杂度的随机机会网络拓扑重构方法。本发明与现有的重构方法其重构耗时大大较低，算法性能有所提高。所以能较快的重构出随机机会网络拓扑结构，优化了随机机会网络的性能。

主权项

1.一种低时间复杂度的随机机会网络拓扑重构方法，其特征在于，包括以下步骤：步骤1：已知随机机会网络某时刻网络拓扑邻接矩阵A∈RN×N的所有特征值λ＝(λ1,λ2,...λN)和其对应的特征向量p＝(p1,p2,...,pN)，选取部分特征值和特征向量，获得压缩感知网络重构所需的测量值和测量矩阵；其中，N为随机机会网络中节点的个数，矩阵A元素总个数为N2个；步骤2：输入测量矩阵Φ∈RM×N和测量值y∈RM×N；其中测量矩阵为选定M个特征值对应特征向量的转置并于每一列测量值一一对应，测量值矩阵y的1,2,...N列分别是网络邻接矩阵的第1,2,...N行的测量值；其中，M为网络邻接矩阵每一行重构所使用的测量值数目；步骤3：初始化邻接矩阵A∈RN×N，且矩阵中任意一个元素aij＝0；步骤4：在每一行重构开始时初始化残差；对于第j行，初始化残差其中y_i表示矩阵y中的第j列，Φ_l代表Φ中多列的累加和，即其中φ_l代表测量矩阵中的第l列，且l的取值仅为使a_jl＝1的列号，且l＜j；步骤5：在第K次迭代中残差使用r^K‑1表示，求最相关列那么将最相关列对应矩阵中元素a_jz和其对称位置元素a_zj置为1，将最相关列置为零，更新残差步骤6：判断；若||rK||2＞||rK‑1||2，则迭代终止，矩阵A第j行重构完成，则回转执行步骤4，继续进行第j+1行的重构；否则，回转执行步骤5，继续第K+1次迭代。