[發(fā)明專利]一種采用深度卷積神經(jīng)網(wǎng)絡(luò)建立動態(tài)網(wǎng)絡(luò)模型的方法

在審

• 申請?zhí)枺?/td>: 201710644647.1
• 申請日: 2017-07-31
• 公開（公告）號: CN107423814A
• 公開（公告）日: 2017-12-01
• 發(fā)明（設(shè)計）人: 舒堅;張學(xué)佩;蔡許林;劉琳嵐
• 申請（專利權(quán)）人: 南昌航空大學(xué)
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 南昌洪達(dá)專利事務(wù)所36111
• 代理人: 劉凌峰

1.一種采用深度卷積神經(jīng)網(wǎng)絡(luò)建立動態(tài)網(wǎng)絡(luò)模型的方法，其特征在于：動態(tài)網(wǎng)絡(luò)中鏈路狀態(tài)的變化受節(jié)點移動的影響，而網(wǎng)絡(luò)拓?fù)涞母唠A特征蘊含了節(jié)點間的復(fù)雜關(guān)系，這些特征在一定程度上影響著鏈路的變化，發(fā)明的研究重點在于以合適的方法來表示網(wǎng)絡(luò)拓?fù)涞母唠A特征。

2.根據(jù)權(quán)利要求1所述的采用深度卷積神經(jīng)網(wǎng)絡(luò)建立動態(tài)網(wǎng)絡(luò)模型的方法，其特征在于：依據(jù)時間切片的方法將動態(tài)網(wǎng)絡(luò)分割成一系列靜態(tài)的網(wǎng)絡(luò)快照，然后對快照進(jìn)行變換處理以適應(yīng)模型的輸入，最后通過深度卷積模型來提取輸入數(shù)據(jù)中隱藏的高階特征，整個建模過程的具體步驟如下：

①依據(jù)混沌時間序列理論，借鑒相空間重構(gòu)技術(shù)中時間延遲的確定方法，采用自相關(guān)函數(shù)法確定網(wǎng)絡(luò)快照的切片時長；

②將動態(tài)網(wǎng)絡(luò)的連續(xù)數(shù)據(jù)按切片時長分割成一組離散數(shù)據(jù)，再將每份離散數(shù)據(jù)轉(zhuǎn)換成對應(yīng)的狀態(tài)矩陣，從而實現(xiàn)網(wǎng)絡(luò)拓?fù)湫畔⒌牧炕?/p>

③對所得狀態(tài)矩陣進(jìn)行灰度圖像化，得到的圖像稱之為“觀測圖”，觀測圖中像素的深淺代表對應(yīng)節(jié)點之間的權(quán)重；

④確定卷積神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)、超參數(shù)及優(yōu)化算法等，將部分觀測圖作為模型的原始輸入，經(jīng)過不斷地迭代訓(xùn)練并測試以獲取最優(yōu)模型。

3.根據(jù)權(quán)利要求2中所述的采用深度卷積神經(jīng)網(wǎng)絡(luò)建立動態(tài)網(wǎng)絡(luò)模型的方法，步驟一，其特征在于：動態(tài)網(wǎng)絡(luò)的鏈路變化看似是完全隨機(jī)的，其中卻包含了一定的規(guī)律性，是一個介于完全隨機(jī)和完全確定之間的混沌系統(tǒng)。

4.根據(jù)權(quán)利要求2中所述采用深度卷積神經(jīng)網(wǎng)絡(luò)建立動態(tài)網(wǎng)絡(luò)模型的方法，步驟一，其特征在于：切片時長的選擇對動態(tài)網(wǎng)絡(luò)模型的性能有一定的影響，所述時長滿足以下公式：

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

式中，T表示切片時長，R(T)表示全部網(wǎng)絡(luò)快照間的自相關(guān)性，N表示分割后的快照數(shù)量，x(i)表示第i時刻快照中節(jié)點的平均連接數(shù)，表示全部快照時間內(nèi)的平均連接數(shù)。

5.根據(jù)權(quán)利要求2中所述采用深度卷積神經(jīng)網(wǎng)絡(luò)建立動態(tài)網(wǎng)絡(luò)模型的方法，步驟二，其特征在于：將網(wǎng)絡(luò)快照轉(zhuǎn)換成狀態(tài)矩陣時，依據(jù)節(jié)點的連接總時長確定矩陣元素的權(quán)重，具體的構(gòu)造公式為：式中M為快照轉(zhuǎn)換后的狀態(tài)矩陣，i、j為矩陣對應(yīng)的行列坐標(biāo)，N為該快照時間內(nèi)連接的總次數(shù)，τ^k<i，j>表示節(jié)點對<i，j>第k次連接的持續(xù)時長。