• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      動態(tài)網(wǎng)絡(luò)下的鏈路預(yù)測研究

      2024-09-15 00:00:00杜科
      物聯(lián)網(wǎng)技術(shù) 2024年6期
      關(guān)鍵詞:復雜網(wǎng)絡(luò)物聯(lián)網(wǎng)

      摘 要:隨著物聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,越來越多的設(shè)備和傳感器被部署在各種應(yīng)用場景中,這些設(shè)備之間的通信鏈路質(zhì)量對于物聯(lián)網(wǎng)應(yīng)用的性能和可靠性至關(guān)重要。鏈路預(yù)測是指利用網(wǎng)絡(luò)中已知的部分信息來推測網(wǎng)絡(luò)中未知節(jié)點之間的連接或關(guān)系,是一種基于網(wǎng)絡(luò)拓撲結(jié)構(gòu)分析的方法。因此,鏈路預(yù)測技術(shù)成為了物聯(lián)網(wǎng)領(lǐng)域的研究熱點之一。鏈路預(yù)測經(jīng)過十多年的研究得到了迅速發(fā)展,它能夠發(fā)現(xiàn)網(wǎng)絡(luò)中缺失的鏈路或預(yù)測網(wǎng)絡(luò)中未來鏈路的可能性,但現(xiàn)有的研究大多停留在靜態(tài)網(wǎng)絡(luò)上,沒有考慮網(wǎng)絡(luò)的方向和時間。因此,文中總結(jié)了目前動態(tài)網(wǎng)絡(luò)下的鏈路預(yù)測研究方法,指出了現(xiàn)階段面臨的研究挑戰(zhàn),并做出了展望。

      關(guān)鍵詞:復雜網(wǎng)絡(luò);靜態(tài)網(wǎng)絡(luò);動態(tài)網(wǎng)絡(luò);物聯(lián)網(wǎng);鏈路預(yù)測;時間感知

      中圖分類號:TP39 文獻標識碼:A 文章編號:2095-1302(2024)06-00-04

      0 引 言

      當今社會,物聯(lián)網(wǎng)技術(shù)被廣泛應(yīng)用于各個領(lǐng)域,如智能家居、智能交通、智能醫(yī)療等。這些網(wǎng)絡(luò)最典型的特征是由許多節(jié)點和相互連接的邊組成,節(jié)點代表網(wǎng)絡(luò)中的不同實體,邊代表實體之間的關(guān)系。在物聯(lián)網(wǎng)中,各設(shè)備之間的通信至關(guān)重要,而鏈路預(yù)測技術(shù)是保證設(shè)備通信質(zhì)量的關(guān)鍵。鏈路預(yù)測利用現(xiàn)有信息尋找網(wǎng)絡(luò)中缺失的信息,識別虛假邊緣,預(yù)測未來鏈路的可能性。通過對設(shè)備之間的通信數(shù)據(jù)進行分析和建模,鏈路預(yù)測可以提前預(yù)測未來鏈路的質(zhì)量和穩(wěn)定性,從而采取措施,保證設(shè)備之間的通信質(zhì)量。

      鏈路預(yù)測方法在靜態(tài)網(wǎng)絡(luò)中得到了很好的應(yīng)用。例如,文獻[1]通過局部路徑來預(yù)測網(wǎng)絡(luò)邊緣的方向,可以應(yīng)用于大規(guī)模網(wǎng)絡(luò)。文獻[2]提出一種相位動態(tài)算法,用于分析有向網(wǎng)絡(luò)節(jié)點的鏈路方向,論證了雙向鏈路和單向鏈路在鏈路預(yù)測和網(wǎng)絡(luò)結(jié)構(gòu)形成中的不同作用。文獻[3]在分析微信號網(wǎng)絡(luò)的基礎(chǔ)上,提出了一種基于平均場理論的進化模型,用于解釋網(wǎng)絡(luò)鏈路產(chǎn)生和動態(tài)傳播的機理。

      目前人們已經(jīng)做出了很大的努力來預(yù)測靜態(tài)網(wǎng)絡(luò)中的鏈路,然而實際情況是,世界上很少有網(wǎng)絡(luò)是靜態(tài)的。大部分網(wǎng)絡(luò)隨著時間的推移而變化,并攜帶其他時間信息,例如物聯(lián)網(wǎng)中網(wǎng)絡(luò)節(jié)點和邊緣的變化。由于物聯(lián)網(wǎng)是一個分布式系統(tǒng),其中包含大量節(jié)點和設(shè)備,這些節(jié)點和設(shè)備可以在任何時間加入或離開網(wǎng)絡(luò),導致網(wǎng)絡(luò)的拓撲結(jié)構(gòu)可能會動態(tài)變化,同時鏈路質(zhì)量也會因為干擾、距離、設(shè)備限制和其他因素而變化。因此,動態(tài)網(wǎng)絡(luò)的鏈路預(yù)測研究更具有實際意義?;诖?,文中綜述了動態(tài)網(wǎng)絡(luò)下鏈路預(yù)測的方法。

      1 網(wǎng)絡(luò)表示

      給定一個有向網(wǎng)絡(luò)D(V, E),V表示網(wǎng)絡(luò)中節(jié)點的集合{v1, v2, ..., vn},E表示連接的邊的集合{e1, e2, ..., en},任何一條邊對應(yīng)一對節(jié)點,ex={vi, vj},vi為起點,vj為終點。一個有向網(wǎng)絡(luò)需要滿足以下3個條件:

      (1)有向:網(wǎng)絡(luò)中的邊是有方向的,即從一個節(jié)點指向另一個節(jié)點的箭頭有明確方向;

      (2)有權(quán):網(wǎng)絡(luò)中的邊有權(quán)重或者權(quán)值,表示2個節(jié)點之間的關(guān)系強度或者距離大??;

      (3)有環(huán):網(wǎng)絡(luò)中存在環(huán)路,即從一個節(jié)點出發(fā),經(jīng)過若干條邊后可以回到該節(jié)點。其中,有向網(wǎng)絡(luò)中的環(huán)路必須是有向的,即沿箭頭的方向才能形成環(huán)路。

      節(jié)點vi和節(jié)點vj之間有且只有一條連續(xù)邊,而且不存在ex=ey={vi, vj}的情況。有向網(wǎng)絡(luò)通常用鄰接矩陣和關(guān)聯(lián)矩陣表示。

      (1)鄰接矩陣

      網(wǎng)絡(luò)鄰接矩陣是表示有向節(jié)點以及連接邊之間關(guān)系的非對稱矩陣。其中每個元素表示2個節(jié)點之間是否存在邊。如果節(jié)點i和節(jié)點j之間存在一條邊,則鄰接矩陣中第i行第j列的元素為1,否則為 0。鄰接矩陣可以用于描述復雜網(wǎng)絡(luò)下的拓撲結(jié)構(gòu)。

      (2)關(guān)聯(lián)矩陣

      一個具有N個節(jié)點和M條邊的網(wǎng)絡(luò)可以用關(guān)聯(lián)矩陣N×M表示,表示為AC,矩陣元素ACix=1表示節(jié)點vi是邊ex的開始,矩陣元素ACix=-1表示節(jié)點vi是邊ex的結(jié)束,矩陣元素ACix=0表示節(jié)點vi不與邊ex相鄰。

      (3)出入度

      有向網(wǎng)絡(luò)節(jié)點的度由出度和入度組成。節(jié)點vi的出度等于與起始點相鄰邊的個數(shù),記為。節(jié)點vi的入度等于以vi結(jié)尾的相鄰邊的個數(shù),記為。單個節(jié)點的出入度可能不同,但整個網(wǎng)絡(luò)的平均入度始終等于網(wǎng)絡(luò)的平均出度,表示為:

      (1)

      (4)聚類系數(shù)

      聚類系數(shù)最早由Watts和Strogatz等人提出,定義為相鄰節(jié)點間的邊數(shù)與可能的最大邊數(shù)之比。在無向網(wǎng)絡(luò)中三角形結(jié)構(gòu)是唯一的,而在有向網(wǎng)絡(luò)中考慮連接邊的方向,三角形結(jié)構(gòu)有7種類型,如圖1所示。

      其中一種定義方法是分別計算不同三角形結(jié)構(gòu)的聚類系數(shù)。節(jié)點和2個鄰居(不區(qū)分鄰居的順序)可以形成3個局部結(jié)構(gòu)和4個三角形結(jié)構(gòu),如圖2所示。

      對以上4個三角形結(jié)構(gòu)計算聚類系數(shù),并由下列方程給出:

      (2)

      式中:MiA、MiB、MiC分別表示結(jié)構(gòu)A、B、C的個數(shù);NiFB、NiFFA、NiFFB、NiFFC表示結(jié)構(gòu)FB、FFA、FFB、FFC的個數(shù)。這個定義的優(yōu)點是有利于對有向網(wǎng)絡(luò)的結(jié)構(gòu)和功能特征進行更詳細的研究。研究表明,在某些網(wǎng)絡(luò)中,結(jié)構(gòu)A的聚類因子越小,節(jié)點產(chǎn)生新連接的可能性越大。在此基礎(chǔ)上,陳端兵等人提出了一種算法,該算法考慮節(jié)點的聚類系數(shù),以識別大規(guī)模有向網(wǎng)絡(luò)中傳播影響較大的節(jié)點。

      2 鏈路預(yù)測

      網(wǎng)絡(luò)中的鏈路預(yù)測旨在從已知的網(wǎng)絡(luò)節(jié)點、結(jié)構(gòu)信息[3-4]中預(yù)測網(wǎng)絡(luò)中一對節(jié)點之間建立連接的可能性,其主要任務(wù)為預(yù)測未知鏈路和未來鏈路。下面簡要介紹鏈路預(yù)測的概念和評價方法。

      2.1 鏈路預(yù)測描述

      對于有向網(wǎng)絡(luò)D(V, E),V表示網(wǎng)絡(luò)中節(jié)點的集合,E表示網(wǎng)絡(luò)中連通邊的集合。網(wǎng)絡(luò)中連通邊的總數(shù)M=N(N-1),給定一種預(yù)測方法,Sxy表示vx→vy單向連通邊的預(yù)測分數(shù),通常有Sxy≠Syx。所有節(jié)點對按得分降序排列,排名越高的節(jié)點產(chǎn)生連續(xù)邊的概率越高。

      2.2 評價方法

      為了進行性能比較,將網(wǎng)絡(luò)分為訓練集ET和測試集EP,其中ET∪EP=E,ET∩EP=,將屬于U但不屬于E的邊定義為不存在邊的集合。對于給定的鏈路預(yù)測算法,基于訓練集ET計算節(jié)點對的分數(shù),并在測試集EP中進行驗證。

      3種主流的評價方法是AUC、Precision和Ranking Score。AUC衡量的是算法的整體精度[4];Precision考慮前L排名的預(yù)測精度[5];排名分數(shù)考慮預(yù)測邊緣的排名[6]。

      2.2.1 AUC

      AUC原指接收者工作特征曲線(ROC)下的面積,可以理解為在隨機選擇相鄰邊作為測試集的情況下,分數(shù)值高于隨機選擇不存在邊作為測試集的情況的概率[6]。假設(shè)上述2個測試集中樣本數(shù)量的乘積為n,AUC計算公式定義如下:

      (3)

      式中:n'和n''分別代表在隨機挑選相鄰邊作為測試集的情況下,得分值大于和等于隨機挑選不存在的邊作為測試集的次數(shù)。

      精度定義為在前L個預(yù)測邊中準確預(yù)測的比例[7]。如果有m條連續(xù)邊被準確預(yù)測并根據(jù)預(yù)測得分大小排序,則假設(shè)前L條連續(xù)邊中有m條屬于測試集,其精度定義為:

      (4)

      2.2.2 Ranking Score

      在某些情況下,邊緣在測試集中的位置在最終排名中更為重要,可以通過排名分數(shù)(Ranking Score)來衡量。設(shè)H=U-ET為未知邊的集合,re表示測試邊e∈EP在排序中的排名。測試邊的排名分數(shù)為:。對測試集中的所有邊進行迭代,得到系統(tǒng)排序分數(shù)如下:

      (5)

      3 動態(tài)網(wǎng)絡(luò)下的鏈路預(yù)測

      據(jù)文獻[8]所述,鏈路強度的變化不僅取決于共同鄰居出現(xiàn)的頻率或次數(shù),還取決于共同鄰居接觸到該消息的時間戳。這種互動是有意義的,因為它引入了一種新的時間評分方法來設(shè)計該指標。該方法結(jié)合了共同鄰居的有效性和時間性,并使用以下概念:如果節(jié)點相對于當前時間沒有交互很長時間,那么鏈路強度就會變?nèi)?;如?個節(jié)點與其公共鄰居進行了交互,則鏈路強度表示為在時間上更接近的權(quán)重,且公共鄰居更有效,未來發(fā)生的可能性最大。

      在文獻[9]中,考慮時變二部圖,采用基于矩陣和張量的方法來預(yù)測未來的鏈接。我們提出了一種基于權(quán)重的方法,把多年數(shù)據(jù)折疊成矩陣,將用于鏈路預(yù)測的Katz方法擴展到二部圖,采用截斷的奇異值分解,并以可擴展的方式逼近最終的鏈路預(yù)測值。盡管噪聲水平較高,但CP方法的AUC得分為0.845,遠優(yōu)于“最后一個周期”方法的0.686。我們還考慮了前1 000個返回值的準確性?;贑P方法前

      1 000個分數(shù)的準確率為100%,而Last Period方法的準確率僅為70%。

      在文獻[10]中,提供了一種結(jié)合時間信息的方法。這種方法的靈感來源于一個事實,即近期事件之間的相關(guān)性更強,而早期事件與未來的聯(lián)系則較為薄弱。例如,作者的興趣可能會隨著時間的推移而改變,因此舊出版物可能與他當前的研究領(lǐng)域不太相關(guān)。

      文獻[11]提出了一套新的基于時間距離的指標,用于量化和比較信息的速度(延遲)。相較于過去用于靜態(tài)圖形和社交網(wǎng)絡(luò)數(shù)據(jù)傳播效率的度量,基于距離的度量可以更有效地描述時變圖形的時間動態(tài),例如延遲、連接和交互的時間順序(交互)、本地和全局視圖。通過考慮之前交互的時間戳,可以大大提高鏈路預(yù)測模型的精度。

      文獻[12]呈現(xiàn)了一個詳細的概率模型,其中包括時間感知和使用時間特征來獲得相應(yīng)的邊緣權(quán)重。該模型可用于基于Adam-Adar距離和基于Roger PageRank的技術(shù),并提出了一種評估性能的測試方法,即通過對所選節(jié)點的鄰域進行排序來評估其能力。

      文獻[13]中引入了一種將時間數(shù)據(jù)編碼為圖的表示方法,即時間圖。時間圖將原始數(shù)據(jù)與時間信息一起保留,為獲取內(nèi)在動態(tài)數(shù)據(jù)提供了基礎(chǔ),這些數(shù)據(jù)用于描述和傳遞數(shù)據(jù)本身,并用于分析和理解其屬性。

      文獻[14]提出了一種有效的學習和推理技術(shù),該技術(shù)是通過考慮一組有限的時間相關(guān)性而開發(fā)的。動態(tài)關(guān)系數(shù)據(jù)的表示也采用了兩階段過程,首先使用核平滑的時態(tài)關(guān)系信息,其次使用關(guān)系信息來調(diào)節(jié)屬性依賴關(guān)系。同時,還介紹了時間局部性和時間重現(xiàn)性。時間局部性指的是最近發(fā)生的事件比過去事件對當前的影響更大;時間重現(xiàn)性則指2個實例之間存在規(guī)律的事件序列,這種序列比孤立的事件更有潛在的關(guān)聯(lián)性。此外,他們還將時間信息納入統(tǒng)計關(guān)系模型,來尋找時間局部性和時間遞歸的模式,以便確定更有可能表現(xiàn)出更強關(guān)聯(lián)關(guān)系的相關(guān)屬性的值。

      文獻[15]中提供了一種名為C-Group的工具,它允許用戶隨著時間的推移添加或刪除節(jié)點(角色)和邊(關(guān)系),主要貢獻在于對組成員的承諾進行時間跟蹤。這種方式使用戶能夠研究Pair的臨時組成員關(guān)系的背景信息。C-Group提供了一個靈活的界面,用戶可以交互式定義(和重新定義)組,并支持2種新穎的可視化表示不斷發(fā)展的組成員關(guān)系。這種靈活性為用戶提供了適合不同網(wǎng)絡(luò)規(guī)模的替代視圖,以及關(guān)于群體行為的不同見解??紤]到復雜網(wǎng)絡(luò)的時間行為,每個事件在網(wǎng)絡(luò)中具有以下時間關(guān)聯(lián):

      (1)時間段:定義的時間間隔;

      (2)時間點+時長:起始時間點和時間段;

      (3)多個時間點:起始點和結(jié)束點。

      根據(jù)文獻[16]~文獻[18]的研究結(jié)果可知,鏈路預(yù)測方法存在局限性,它試圖通過獲取前一個時間步的快照,根據(jù)網(wǎng)絡(luò)增長的持續(xù)時間來預(yù)測復雜實體隨時間的演變。因此,我們需要檢查更多的時間步長以獲得更準確的預(yù)測結(jié)果。例如,目前社交網(wǎng)絡(luò)的狀態(tài)是通過傳統(tǒng)的社交網(wǎng)絡(luò)分析度量方法進行快照計算得出的,但是對于更多的時間步長(速度),度量使用網(wǎng)絡(luò)變化歷史來計算,而網(wǎng)絡(luò)變化歷史則通過時間統(tǒng)計來計算。

      文獻[19]提出了一種明確包含時間和順序的網(wǎng)絡(luò)分析方法,適用于處理關(guān)注時間屬性的事件數(shù)據(jù)集(特定時間鏈接預(yù)測問題)。該方法通過節(jié)點排名預(yù)測實體和未來事件的排名,導致個體排名隨時間變化。實驗結(jié)果表明,這些方法可以準確預(yù)測組織結(jié)構(gòu),并對實體未來可能共同參與的情況進行排序。

      文獻[20-21]描述了一種與時間變化相關(guān)的建模方法。其中歷史數(shù)據(jù)用于深化對未來相互作用的理解,從而更準確地預(yù)測未來的變化。這個模型可以用于研究個體關(guān)系的行為,但需要進行調(diào)整以模擬群體行為。

      4 結(jié) 語

      現(xiàn)如今,物聯(lián)網(wǎng)已經(jīng)成為了研究的熱點之一。在物聯(lián)網(wǎng)中,各種設(shè)備和傳感器需要不斷向中心節(jié)點發(fā)送數(shù)據(jù),并且這些數(shù)據(jù)必須及時、準確地到達目標節(jié)點,這個過程可以用網(wǎng)絡(luò)圖很好地描述,節(jié)點代表各終端,節(jié)點之間的邊代表它們的交互。鏈路預(yù)測技術(shù)可以用于優(yōu)化復雜網(wǎng)絡(luò)下的數(shù)據(jù)傳輸鏈路,以保證數(shù)據(jù)能夠高效傳輸,從而提高復雜網(wǎng)絡(luò)的可靠性和性能。此外,鏈接預(yù)測還可用于其他方面,如一些應(yīng)用程序,F(xiàn)acebook、Twitter,刑事調(diào)查,信息檢索等,以預(yù)測鏈接之間的未來關(guān)聯(lián)。在該研究中,鏈接預(yù)測分為2類。

      首先,基于用于預(yù)測鏈接的特征,使用圖的結(jié)構(gòu)屬性(例如節(jié)點度)。一些研究人員使用監(jiān)督機器學習技術(shù)和概率模型來預(yù)測使用這些特征的鏈接。其次,研究人員將基于時間感知的時間特征進行鏈路預(yù)測。以往的鏈路預(yù)測方法精度較低,因為社會服務(wù)呈指數(shù)級增長,使得網(wǎng)絡(luò)具有動態(tài)性,單個快照不足以全面考慮,因此需要考慮特定時間間隔內(nèi)的多個快照。此外,由于網(wǎng)絡(luò)的復雜性,需要更多的計算時間。由于鏈接預(yù)測在各個研究領(lǐng)域都有廣泛的應(yīng)用,一篇文章無法對所有領(lǐng)域的研究進行全面綜述。因此,文中僅就在復雜網(wǎng)絡(luò)下基于局部特征、全局特征和時間感知的時間特征的鏈路預(yù)測研究進行綜述。文中總結(jié)了近年來在各種方法上進行的研究工作,并指出了現(xiàn)有研究所面臨的挑戰(zhàn)。我們希望這份調(diào)查能夠為對基于時間的特征屬性感興趣的研究人員提供有用的指導,這些特征屬性可用于最近的鏈接預(yù)測研究工作,并提供比以往更準確的結(jié)果。

      在未來的工作中,我們將嘗試結(jié)合動態(tài)快速變化的復雜網(wǎng)絡(luò)中的真實數(shù)據(jù),并利用時間感知特征以進行鏈接預(yù)測。我們計劃集成蟻群優(yōu)化算法,以提高鏈路預(yù)測的準確性。

      參考文獻

      [1] FENG Y X,ZHANG Y X. A Method of link prediction intemporal directed net-work [J/OL]. Computer engineering and applications.

      [2] YAN Y,XIN X W. Link prediction in directed network and its application in microblog [J]. Mathematical problems in engineering,2014,2014:1-8.

      [3] NOWELL L D,KLEINBERG J. The link‐prediction problem for social net-works [J]. Journal of the American society for information science and technology,2007,58(7):1019-1031.

      [4] ADAMIC L A,ADAR E. Friends and neighbors on the web [J]. Social networks,2003,25(3):211-230.

      [5] ZHOU T,Lü L Y,ZHANG Y C. Predicting missing links via local information [J]. The European physical journal B,2009,71(4):623-630.

      [6] KATZ L. A new status index derived from sociometric analysis [J]. Psychometrika,1953,18(1):39-43

      [7] Lü L Y,JIN C H,ZHOU T. Similarity index based on local paths for link prediction of complex networks [J]. Physical review E,2009,80(4):046122.

      [8] LEICHT E A,HOLME P,NEWMAN M E J. Vertex similarity in networks [J]. Phys. Rev. E,2005.

      [9] MUNASINGHE L,ICHISE R. Time aware index for link prediction in social net-works-data warehousing and knowledge discovery [Z]. Springer,2011.

      [10] DUNLAVY M D,KOLDA G T,ACAR E. Temporal link prediction using matrix and tensor factorizations [J]. ACM transactions on knowledge discovery from Data (TKDD),2011,5(2):1-27.

      [11] Lü L Y,ZHOU T. Link prediction in complex networks:A survey [J]. in Physica A:Statistical mechanics and its applications,2011,390(6):1150-1170.

      [12] TANG J,MUSOLESI M,MASCOLO C,et al. Temporal distance metrics for social network analysis [Z]. In Proceedings of WOSN ‘09,2009.

      [13] TYLENDA T,ANGELOVA R,BEDATHUR S. Towards time-aware link prediction in evolving Social networks [C]// In:Proceedings 3rd Workshop on Social Network Mining and Analysis (SNA-KDD’ 2009):1-9.

      [14] KOSTAKOS V. Temporal graphs [J]. Physica A,2009,388(6):1007.

      [15] UMANG S,NEVILLE J. Temporal-relational classifiers for predic-tion in evolving domains [C]// In:Proceedings Eighth IEEE International Conference ICDM ’08. On Data Mining,2008.

      [16] HYUNMO K K H,GETOOR L,SINGH L. Visual analysis of dynamic group membership in temporal social networks [J]. SIGKDD explor newsl,2007,9(2):13-21.

      [17] JEREMY R,COOKE E. Link prediction and link detection in se-quences of large social network using temporal and local metrics [Z]. Liben Nowel,2006.

      [18] LIBEN N D,KLEINBERG J. The link prediction problem for social net-works [C]// In:Proceedings 12th International Conference on Information and Knowledge Management,CIKM 2003.

      [19] LIBEN N D,KLEINBERG J. The link prediction problem for social networks [J]. Journal of the American society for information science and technology,2007,58(7):1019-1031.

      [20] JOSHUA O M,HUTCHINS J,PADHRAIC S. Prediction and rank-ing algorithms for event-based network data [J]. SIGKDD explor. newsl.,2005,7(2):23.

      [21] SARKAR P,MOORE A W. Dynamic social network analysis using latent space models [J]. SIGKDD explor. Newsl.,2005,7(2):31-40.

      作者簡介:杜 科(2003—),女,本科在讀,研究方向為信息安全。

      猜你喜歡
      復雜網(wǎng)絡(luò)物聯(lián)網(wǎng)
      基于復雜網(wǎng)絡(luò)節(jié)點重要性的鏈路預(yù)測算法
      基于復雜網(wǎng)絡(luò)視角的海關(guān)物流監(jiān)控網(wǎng)絡(luò)風險管理探索
      基于圖熵聚類的重疊社區(qū)發(fā)現(xiàn)算法
      基于復雜網(wǎng)絡(luò)理論的通用機場保障網(wǎng)絡(luò)研究
      基于物聯(lián)網(wǎng)的煤礦智能倉儲與物流運輸管理系統(tǒng)設(shè)計與應(yīng)用
      基于高職院校物聯(lián)網(wǎng)技術(shù)應(yīng)用人才培養(yǎng)的思考分析
      基于LABVIEW的溫室管理系統(tǒng)的研究與設(shè)計
      論智能油田的發(fā)展趨勢及必要性
      城市群復合交通網(wǎng)絡(luò)復雜性實證研究
      科技視界(2016年20期)2016-09-29 11:19:34
      中國或成“物聯(lián)網(wǎng)”領(lǐng)軍者
      湖北省| 阿拉善盟| 全南县| 喀什市| 金华市| 甘孜县| 厦门市| 大兴区| 惠东县| 武功县| 安岳县| 侯马市| 昆明市| 高雄县| 舒兰市| 张家界市| 巴东县| 洛宁县| 同江市| 黔西| 道孚县| 阳原县| 同仁县| 宁津县| 林芝县| 东台市| 白城市| 正蓝旗| 睢宁县| 龙江县| 班戈县| 西和县| 右玉县| 醴陵市| 林西县| 页游| 隆子县| 阿拉善右旗| 巨野县| 旬邑县| 睢宁县|