-
公开(公告)号：CN117669680A
公开(公告)日：2024-03-08
申请号：CN202311649266.4
申请日：2023-12-04
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明提供一种高阶网络特征值调整方法及装置，属于高阶网络特征值调整技术领域，所述方法包括如下步骤：获取目标高阶单纯复形网络，并基于拉普拉斯矩阵特征值调整方向确定d阶单纯形结构的优化目标；计算目标高阶单纯复形网络中每个已标记d阶单纯形对d阶拉普拉斯矩阵特征值的贡献值，并依据贡献值大小对目标高阶单纯形网络中d阶单纯形结构进行重新标记。本发明通过对拉普拉斯矩阵进行分解，计算出每个单纯形对于拉普拉斯矩阵特征值的贡献，并依据贡献大小对单纯形结构进行重新标记，在不改变单纯形数量的情况下，通过特征值改变最快的方向对单纯形分布进行调整，最终实现特征值的调整，收敛速度块、优化效率高，大大节省了计算硬件资源。
-
公开(公告)号：CN117614832A
公开(公告)日：2024-02-27
申请号：CN202311656621.0
申请日：2023-12-05
Applicant: 电子科技大学长三角研究院(湖州)
IPC: H04L41/0823 , H04L7/027 , H04L67/12 , G06F30/27 , G06F119/14
Abstract: 本发明属于网络技术领域，具体提供一种基于单纯复形网络的同步优化方法、装置、设备及介质，所述方法包括如下步骤：将待优化的系统建模为单纯复形网络；计算单纯复形网络的d阶度向量、d阶度矩阵和d阶邻接矩阵；根据d阶度向量、d阶度矩阵和d阶邻接矩阵构造复合拉普拉斯矩阵；对复合拉普拉斯矩阵进行处理，并结合控制固有频率方差的参数和构建单纯复形网络的系统中节点的数量计算最优固有频率；根据计算的最优固有频率对系统中的节点进行调节以实现各节点频率的匹配。通过本发明计算出固有频率，通过外界刺激反馈调整神经元活动，可以有效提升同步程度。或者在电网同步中，通过调整发电机的功率，可以使系统达到更好的同步状态。
-
公开(公告)号：CN117556896A
公开(公告)日：2024-02-13
申请号：CN202311647875.6
申请日：2023-12-04
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06N5/02
Abstract: 本发明提供一种高阶网络相簇同步能力刻画方法及装置，属于高阶网络相簇同步技术领域，包括如下步骤：将目标高阶网络建模为单纯复形网络，并计算出目标高阶网络中一阶度序列和二阶度序列；根据目标高阶网络的一阶度序列和二阶度序列计算各节点的第一关联比，并根据各节点的第一关联比计算目标高阶网络的第二关联比；根据第一关联比对同一目标高阶网络的各节点的相簇同步能力进行比较，以及根据第二关联比对各目标高阶网络的相簇同步能力进行比较。本发明实现高阶网络中各节点以及整个网络的相簇同步能力计算，有效结合了网络结构与功能之间的联系，避免了序参量计算复杂度高、动力学仿真耗费时间长、对计算机性能要求高的弊端。
-
公开(公告)号：CN117556305A
公开(公告)日：2024-02-13
申请号：CN202311599043.1
申请日：2023-11-27
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06F18/24 , G06F18/213
Abstract: 本发明实施例提供一种网络节点的识别方法、系统及电子设备，属于互联网领域。该方法包括：构建待识别网络节点图数据集；将待识别网络节点图数据集输入至预先构建的网络关键节点识别模型进行测试，获得各节点对应的测试得分，其中，网络关键节点识别模型是基于聚合邻居节点信息的多层参数化量子电路对应的Q函数构建的；根据各节点对应的测试得分，确定待识别网络节点图数据集中的关键节点。通过网络关键节点识别模型对待识别网络节点图数据集合进行测试，获得图中各节点的测试得分，基于各节点的测试得分确定图中关键节点，不仅可以快速确定关键节点而且其准确度更高，而且构建的网络关键节点识别模型应用范围较广。
-
公开(公告)号：CN117539923A
公开(公告)日：2024-02-09
申请号：CN202311428334.4
申请日：2023-10-31
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06F16/2458 , G06F17/16 , G06N3/0464 , G06N3/045 , G06N3/0985
Abstract: 本发明提供了一高阶结构嵌入及重要性排序的方法、设备及存储介质。通过收集现实场景中实体间的合作数据，构建基于合作数据的高阶网络；通过构建的高阶网络计算高阶关联矩阵；根据高阶关联矩阵计算高阶邻接矩阵；根据高阶邻接矩阵进行高阶随机游走采样，得到若干h‑胞腔序列并生成h‑胞腔的特征；将输入中的非中心层胞腔的特征转换为中心层h‑胞腔的特征；利用高阶卷积神经网络计算中心层h‑胞腔的嵌入矩阵Y；利用上一步中计算得到的高阶结构嵌入矩阵Y，对合作网络中的不同胞腔进行重要性打分，得到h阶胞腔的影响力分数并进行排名，确定合作数据中的重要高阶结构。相比于现有技术，结合高阶结构嵌入的方法来实现合作网络中高阶结构的嵌入和排序，能够更加准确的挖掘出合作网络中的重要高阶结构。
-
Patent Agency Ranking
公开(公告)号：CN117236373A
公开(公告)日：2023-12-15
申请号：CN202311027755.6
申请日：2023-08-14
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06N3/04
Abstract: 本发明提供了一种高阶图表示方法、以及高阶图神经网络模型生成方法。通过根据网络的拓扑信息，遍历整个网络，找到网络中各个阶的单纯形；将不同阶数的单纯形放在同一层中；建立花心‑花瓣模型，建立花心和不同花瓣的二部图；基于高阶二部图，建立高阶关联矩阵；在二部图上进行两步随机游走；将两步随机游走进行结合，得到整体随机游走动力学方程，构建高阶邻接矩阵，根据高阶邻接矩阵构建高阶拉普拉斯矩阵。相比于现有技术，通过找到网络中的高阶结构构建新的图表示方法，从而建立包含高阶结构的图神经网络，并且在图神经网络不同的下游任务中表现出突出的效果，本发明能够更好的量化高阶结构的强度。
-
公开(公告)号：CN116319352A
公开(公告)日：2023-06-23
申请号：CN202211563058.8
申请日：2022-12-06
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明涉及网络技术领域，公开了一种广义度分布连续可调的高阶网络生成方法及系统，所述方法利用配置模型生成广义度为异质性分布的高阶网络，在生成的高阶网络上利用重连方法调节广义度分布，重新生成平均广义度不变的高阶网络。解决了现有技术无法在改变广义度分布同时保持平均广义度不变的缺陷。
-
公开(公告)号：CN115037630A
公开(公告)日：2022-09-09
申请号：CN202210465545.4
申请日：2022-04-29
Applicant: 电子科技大学长三角研究院(湖州)
IPC: H04L41/14 , H04L41/147
Abstract: 本发明提供了一种基于结构扰动模型的加权网络链路预测方法，涉及链路预测技术领域，能够有效提高加权结构扰动模型的预测精度，满足加权网络链路预测的精度要求；该方法步骤包括：S1、对现有无权结构扰动模型进行加权，得到加权结构扰动模型；S2、对所述加权结构扰动模型进行权重调整，得到调整后加权结构扰动模型；所述权重调整为权重分布范围调整和/或权重种类调整；S3、采用所述调整后加权结构扰动模型对待预测加权网络进行链路预测；步骤S1中采用邻接矩阵对所述无权结构扰动模型进行加权，并对所述邻接矩阵中的权重值进行调整，并通过权重分布范围调节函数、权重种类调节函数以及两者同时调节函数进行权重调整。
-
公开(公告)号：CN115018060A
公开(公告)日：2022-09-06
申请号：CN202210466670.7
申请日：2022-04-29
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明提供了一种重要神经循环回路计算方法，涉及脑神经技术领域，能够计算出真实神经元网络中不同阶的非平凡圈‑‑洞的结构，为神经环路研究提供计算方法和结构基础；该方法包括：S1、计算神经元网络的贝蒂数；S2、根据S1的计算结果找到一颗生成树；S3、根据找到的生成树生成对应的无关圈；S4、判断生成的无关圈是否为空心圈；若是，进入下一步，否则判断该无关圈是否包含空心圈；若是，对无关圈进行化简直至找出空心圈，并进入下一步，否则返回S2；S5、判断等价类是否等于贝蒂数；若是，进入下一步，否则回到步骤S2；S6、找到该生成树的所有空心圈，并选取等价类中的最短圈作为最终结果，完成计算。
-
公开(公告)号：CN113806642A
公开(公告)日：2021-12-17
申请号：CN202111126133.X
申请日：2021-09-26
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明公开了一种社交网络快速最大团和极大团搜索方法，包括将社交网络的节点按照核数值进行分层；对分层后的节点构造对应的上界完全导出子图；采用最大团搜索算法搜索上界完全导出子图中的最大团；和/或采用极大团搜索算法搜索上界完全导出子图中的极大团。本发明通过将大型社交网络分层拆分成小型社交网络，解决大规模社交网络难以计算和计算时间太长的问题；与此同时，由拆分后的小型社交网络所构造的上界完全导出子图在保留了原始大型社交网络团结构的同时，还可进行并行分析，进一步降低了现有的社交网络团分析方法的时间复杂度和对设备的要求。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.03 seconds)
