[發明專利]一種動態網絡微狀態檢測方法

在審

• 申請號: 201710835030.8
• 申請日: 2017-09-15
• 公開（公告）號: CN107944463A
• 公開（公告）日: 2018-04-20
• 發明（設計）人: 陳元園;趙欣;劉亞男;許敏鵬;綦宏志;周鵬;明東
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/30
• 代理公司: 天津市北洋有限責任專利代理事務所12201
• 代理人: 劉玥

技術領域

本發明涉及一種新型動態網絡時間序列的分析方法，具體地涉及一種動態網絡微狀態檢測方法。

背景技術

網絡分析無處不在，而動態網絡分析技術將靜態網絡觀察在時間上進行延伸，進而獲得網絡的動態演變時序和規律。腦網絡是網絡分析中非常重要的一個分支，研究大腦網絡長程或短程的動態改變都十分有利于研究大腦系統性的工作機制。具體地，大腦功能網絡反應的就是大腦各個區域之間的信息溝通和功能聯系。大腦在開展不同的任務時都存在不同的網絡組織模式，盡管處于靜息態下，也能看到功能網絡的動態特性。這種動態特征所反映的就是大腦功能微觀狀態的存在及其之間的轉變。能夠準確獲取、觀測這種微狀態十分重要，并且能夠有利于結果的理解和解釋在目前研究領域依然困難。因而本發明基于圖論結合腦網絡中的信息集散理論提出了微狀態檢測的新方法。

發明內容

針對現有技術存在的問題，本發明提供一種動態網絡微狀態檢測方法，該方法基于圖論和大腦網絡信息集散理論提出基于節點中心度度量的網絡動態監測，以此反應動態網絡時序變化的局部時間聚集現象，并通過聚類分析獲取具有一定生理意義和信息特征的微狀態。

本發明的技術方案如下：

一種動態網絡微狀態檢測方法，包括如下步驟：

步驟1，構建動態網絡時間序列模型{Gt}；

步驟2，計算模型{Gt}中每個時刻下t網絡節點的特征向量中心度C(i,t)；

步驟3，對節點中心度C(i,t)進行歸一化樣本Z(i,t)；

步驟4，通過Kmeans++對歸一化樣本Z(i,t)進行聚類計算。

所述步驟2節點的特征向量中心度C(i,t)采用如下公式(1)獲得：

所述步驟3中歸一化數值Z(i,t)采用如下公式(2)獲得：

Z(i，t)＝[C(i，t)-μ]/σ. (2)

所述步驟4中采用Kmeans++進行聚類計算步驟：

1)對歸一化的特征樣本數據集Z(t),隨機選取一個樣本作為第一個聚類中心c₁；

2)計算樣本中每個樣本與當前聚類中心之間的最短距離D(z)；

3)通過公式(3)計算數據集Z(t)每個樣本成為下一個聚類中心的概率，且概率最高的樣本被選為下一個聚類中心；

4)重復步驟2)～3)直到選擇出k個聚類中心(c₁，c₂，...，c_i，...，c_k)；

5)根據k個聚類中心，計算數據集Z(t)中每個樣本與k個聚類中心的距離，將每個樣本分到與其距離最近的聚類中心ci所對應的類子集C_i中；分類結束后通過公式(4)重新計算聚類中心c_i

6)重復步驟5)直到c_i位置穩定。

本發明的優點

本發明基于節點中心度度量進行微狀態的檢測，其得到的結果能更清晰地反應動態網絡序列的時變規律。由于節點中心度是網絡信息集散程度的一個體現，因而根據節點重要程度的時間變化規律得到的微狀態以及微狀態變化時序是網絡中信息活動的體現。該技術發明不僅能得到穩定的動態網絡微狀態，還能得到具有明確信息學意義的微狀態描述。

附圖說明

圖1是本發明一種動態網絡微狀態聚類檢測方法的流程圖。

具體實施方式

下面結合具體實施例對本發明作進一步說明。

如圖1所示，本發明提供一種動態網絡微狀態檢測方法，包括如下步驟：

101步驟1，構建動態網絡時間序列模型{Gt}；如下內容是本發明中動態網絡時間序列模型{Gt}詳細描述：

V表示一系列節點，是對某個事物的系統性描述。節點之間的功能性或結構性的聯系可以構成相應的節點間連接——邊E。V和E功能構成一個網絡G:＝(V,E)，是對某個事物功能或者結構行為的系統表述。對這些節點在一個連續時間尺度上進行觀測能得到一個時間連續的網絡序列{Gt}(t＝1,2,3,…，M)；Vi(i＝1,2,3,…,N)表示網絡中的N個節點；Ejk(j,k＝1,2,3,…,N)表示節點j和節點k之間的連接(二值或加權)。

102步驟2，計算模型{Gt}中每個時刻下t網絡節點的特征向量中心度C(i,t)；

所述步驟2節點的特征向量中心度C(i,t)采用如下公式(1)獲得：