【摘 要】
：
多层网络描述了复杂系统之间或强或弱的耦合或联系.为了较为系统和全面地介绍基于渗流理论的多层网络鲁棒性研究,该文综述了多层网络跨层节点的依赖特征、层内节点的连接结构特征、层内节点的耦合特性和攻击方式对级联失效动力学和鲁棒性的影响.与单层网络完全不同,多层网络会在遭受攻击时发生突然性的崩溃;同时度分布异质性较强的多层网络会更为脆弱,在崩溃中会出现多重相变或混合相变现象.此外,弱依赖机制使得多层网络模型能够描述复杂系统更多丰富的细节,如依赖强度的异质性、依赖强度的非对称性及依赖关系的拓扑结构等.这些结果表明,多
【机 构】
：
杭州师范大学复杂科学研究中心 杭州 311121;合肥工业大学物理学院 合肥 230009
论文部分内容阅读
多层网络描述了复杂系统之间或强或弱的耦合或联系.为了较为系统和全面地介绍基于渗流理论的多层网络鲁棒性研究,该文综述了多层网络跨层节点的依赖特征、层内节点的连接结构特征、层内节点的耦合特性和攻击方式对级联失效动力学和鲁棒性的影响.与单层网络完全不同,多层网络会在遭受攻击时发生突然性的崩溃;同时度分布异质性较强的多层网络会更为脆弱,在崩溃中会出现多重相变或混合相变现象.此外,弱依赖机制使得多层网络模型能够描述复杂系统更多丰富的细节,如依赖强度的异质性、依赖强度的非对称性及依赖关系的拓扑结构等.这些结果表明,多层网络的级联失效过程比单层网络更加复杂,忽视复杂系统之间的依赖性可能会高估复杂网络的鲁棒性甚至会带来完全错误的认识.
其他文献
在级联开关变换器中,负载变换器前馈电流纹波可重塑源变换器的输出电压纹波,导致源变换器的稳定性发生变化.以峰值电压纹波(PVR)控制Buck变换器级联峰值电流模式(PCM)控制Boost变换器为例,研究了级联开关变换器中源变换器的稳定性机理.首先,展示了负载变换器前馈电流纹波对源变换器稳定性的影响,分析了源变换器随所选电路参数变化的分岔行为;其次,建立了级联开关变换器具有3种开关状态序列的离散映射模型,推导了其在不动点邻域内的Jacobi矩阵,通过监测Jacobi矩阵的特征根轨迹明晰了源变换器随所选电路参数
传统的级联预测模型不考虑信息传播过程中的动态性且极大依赖于人工标记特征,推广性差,预测准确性低.为此,该文提出一种融合动态图表示和自注意力机制的级联预测模型(DySatCas).该模型采用端到端的方式,避免了人工标记特征造成级联图表示困难的问题;通过子图采样捕获级联图的动态演化过程,引入自注意力机制,更好地融合在观测窗口中学到的信息级联图的动态结构变化和时序特征,为网络合理地分配权重值,减少了信息的损失,提升了预测性能.实验结果表明,DySatCas与现有的基线预测模型相比,预测准确性有明显提升.
事件抽取是构建知识图谱的关键前置任务之一,而事件论元抽取是事件抽取的子任务,对事件抽取质量有显著影响.针对现有的流水线式事件抽取方法在论元抽取时忽略了触发词和论元间、论元和论元间相互关系导致抽取质量低的问题,该文提出了一种基于双向门控循环神经网络(Bi-GRU)的事件论元抽取方法.该方法融合Bert词向量、词性特征、词位置特征和触发词类型特征作为输入,采用Bi-GRU网络对文本中的词进行编码,进而应用改进的多注意力机制为句子不同部分分配权重提取句子级别特征,最后通过全连接层实现论元识别和角色分类.在基准数
从文本大数据中快速准确地抽取文本的实体关系信息是构建知识图谱的关键.针对目前主流的远程监督关系抽取方法常常忽略实体对的类型信息和句子语法信息的问题,该文提出了一种基于深度强化学习的文本实体关系抽取方法.首先,利用结合实体周围词注意力机制的双向长短期记忆网络作为句子编码的第一个模块;然后,在此基础上加入实体类型嵌入模块,利用实体类型来丰富句子编码信息;最后,将一个依存句法分析模块纳入模型,共同组成了关系抽取器.同时,为实现标签级别的降噪,该文结合强化学习方法,设计了一个标签学习器来学习句子的软标签,以纠正错
广义旁瓣对消器GSC在传统的机载相控阵雷达的干扰抑制中有着广泛应用,辅助通道的选择直接影响干扰抑制效果.在共形阵列中,由于各个阵元的摆放方式不同导致每个阵元的单元方向图响应并不相同,选择合适的辅助通道更为重要.该文在共形阵信号模型基础上,提出了一种以最小化广义旁瓣对消输出为目标的优化方法.为了解决非凸的0-1优化问题,该文采用惩罚序列凸规划SCP算法,并基于最大最小MM算法求解.仿真和数值结果证明了该文算法在共形阵下能准确选择出具有良好干扰抑制性能的辅助通道.
基于美国最大的P2P平台Lending Club2019年的个人借款数据,尝试将深度学习方法引入个人信用风险评估领域,与集成学习构建串联结构的组合学习模型.具体做法是将深度神经网络的隐藏层作为“特征提取器”,将原始变量转换为更高层次的抽象特征后输入随机森林、XGBoost、LightGBM和CatBoost 4种集成学习模型进行训练.研究结果表明,4种集成学习模型之间差距不大,随机森林表现最好,LightGBM训练速度最快;稀疏自编码器相比深度神经网络和主成分分析更适合作为集成学习的特征提取器,尤其是对B
由于离子通道的随机波动和突触的相互作用等因素,大脑神经元中不可避免地存在噪声.噪声会影响神经元活动和神经信息处理,但其在神经元振荡模式转换中的作用仍不清楚.为此,该文采用神经计算建模的方法,应用扩展HH模型模拟神经元的电活动,探究噪声对神经元振荡模式的影响.通过数值仿真,结果表明噪声强度的改变会引起神经元不同振荡模式之间的转换,特别是噪声强度增加使神经元更易产生多模式放电.该研究结果为揭示噪声在神经元生理活动中的功能作用提供了理论参考,并有助于理解大脑的信息处理机制.
近年来,量子科技的发展突飞猛进,成为继云计算、大数据、人工智能、区块链技术之后的又一种新兴战略性技术,其中量子理论在智能优化领域的应用被证明是较为成功和富有前景的.该文从量子力学的视角综述了当前智能优化算法的研究进展.将量子力学在智能优化算法中的应用分成了两个方面:1) 将量子理论中的量子比特、量子门等概念应用于构造智能优化算法的相关研究,这些工作通过在智能优化算法中实现量子特性从而获得算法性能的提升;2) 利用薛定谔方程、波函数、叠加态等概念对智能优化算法进行建模,建立了智能优化算法的量子化描述方式,为
针对现有基于信号分组优化的椭圆球面波函数(PSWFs)信号多载波调制方法,存在峰均功率比高的问题,该文提出一种基于连续相位调制(CPM)的椭圆球面波多载波索引调制方法.将具有编码特性的CPM调制作为星座符号映射方式,以椭圆球面波函数信号作为索引载波波形,产生调制信号,并利用最大似然检测与CPM差分解码实现接收端信号的检测与解调.该方法能以较小的误码性能损失和适量增加算法复杂度,有效降低现有方法调制信号峰均功率比值约2.90 dB.
自新冠肺炎疫情爆发以来,口罩佩戴检测成为疫情防控的必备操作.该文针对在光线昏暗条件下口罩佩戴检测准确率较低的问题,提出了将注意力机制引入YOLOv5网络进行口罩佩戴检测的方法.首先对训练集图片使用图像增强算法进行预处理,然后将图片送入到引入了注意力机制的YOLOv5网络中进行迭代训练,完成训练后,将最优权重模型保存并在测试集上测试.实验结果表明,在注意力的加持下,该模型能有效增强人脸和口罩等关键点信息的提取,提高模型的鲁棒性,在光线昏暗条件下对口罩佩戴的检测准确率能达到92%,能够有效满足实际需求.