一、基于VC++的网络拓扑图中环的自动识别算法（论文文献综述）
李海啸[1]（2021）在《面向智能工厂的无线传感器网络定位技术研究》文中研究指明随着传感技术、无线通信技术、嵌入式技术、分布式处理技术和微电子技术等快速发展和成熟,无线传感器网络应运而生并广泛应用在智慧医疗、智能交通、军事侦查、智能家居、绿色环保、智能工业等领域。无线传感器网络由大量传感器节点组成,形成一个自组织、可扩展、点到点通信、多跳传输的无线网络,通过环境感知、信息融合和数据传输,将大量感知信息传递给观测者。在无线传感器网络的众多应用中,感知信息不仅仅包括感知数据,还应包括感知数据所在的具体位置信息,没有具体位置信息的感知数据是毫无意义的,因此节点定位技术是无线传感器网络的重要的、基础性的技术之一。而以无线传感器网络为主体的泛在感知计算网络是智能工厂的重要感知和监测基础。在智能工厂中,决策者或智能分析系统能够准确分析当前情况和决策采取下一步有效措施的重要依据是需要感知、采集大量的环境、人员、设备和能源等重要参数信息。大部分感知信息都是位置相关的,所以在智能工厂中,对自动引导小车的定位和轨迹追踪、对内部人员或外来人员的定位、对监测区域特征参数或事件的定位都离不开无线传感器网络定位技术。根据监测对象的数量和性质以及采用定位技术的不同,无线传感器网络定位算法主要分为:静态定位和动态定位、基于测距定位和基于非测距定位、单目标定位和多目标定位。此外定位技术还应满足定位时间和定位精度的要求。通过对国内外大量关于无线传感器网络定位技术相关文献的研究,掌握了当前备受大家认可的无线传感器网络定位技术,对无线传感器网络在智能工厂的不同应用领域中如何提高定位精度、减小定位时间、如何改善算法鲁棒性等方面进行研究。本文主要的研究内容和改进如下:（1）基于非测距的距离矢量—跳段（Distance Vector-Hop,DV-Hop）定位算法的研究。针对DV-Hop定位算法定位误差大的问题,本文提出了基于一般误差向量修正和基于模糊聚类的误差向量修正的DV-Hop定位算法。改进算法根据无线传感器网络拓扑结构（节点单一区域分布和节点分区域分布）构建相似度函数,利用锚节点与未知节点的最小跳数得到节点间的相似度值,再利用预设的相似度阈值选择与未知节点相似度达到一定条件的锚节点组成锚节点集合,对集合中的锚节点进行重定位得到锚节点的位置估计值,根据锚节点的真实位置和估计位置依据仿射空间原理得到每个锚节点的定位误差向量或修正向量,最后利用多个锚节点的误差向量或修正向量加权平均得到未知节点的定位误差向量或修正向量,进一步优化未知节点的估计位置。实验表明,改进算法能有效提高无线传感器网络不同网络拓扑下DV-Hop非测距定位算法的定位精度。（2）基于测距的三边加权质心定位算法的研究。针对基于RSSI测距的定位算法的定位精度受信号噪声和环境干扰较大的问题,对基于RSSI测距定位算法进行了三个方面的改进:首先,针对传统三边加权质心定位算法锚节点的选择不当导致定位误差大的问题,提出了双集合组合法寻找满足一定条件的三个锚节点用于三边定位。其次,针对RSSI测距容易受到环境噪声和设备脉冲信号的小概率大干扰事件影响造成RSSI测距精准度低的问题,提出了结合量子粒子群优化的模糊C均值聚类过滤算法以消除基于RSSI测距的小概率大干扰事件,再利用假设检验方法检验过滤后的RSSI三元组的准确性。最后,提出参考点加权质心定位算法解决了传统三边加权质心算法在噪声和脉冲干扰下定位成功率不高且误差较大的问题。实验通过CC2530传输模块和Tiny OS2开发平台验证了改进的三边加权质心定位算法的有效性。（3）针对移动无线传感器网络的蒙特卡罗定位盒子算法的研究。蒙特卡罗定位盒子算法是一种基于锚节点信息限制的蒙特卡罗样本抽样定位算法,可用于智能工厂中对移动目标的定位和跟踪。为解决蒙特卡罗盒子定位算法的采样效率低、迭代次数多、样本退化、采样随机性的问题,本文在传统蒙特卡罗定盒子定位算法的采样阶段,根据灰色系统预测理论增加了灰色模型预测采样功能,将在样本盒子中随机采样过程改进为根据前期的样本位置进行灰色模型预测采样,使预测样本与未知节点当前的真实位置更接近,因此采样预测更具有目的性、针对性和方向性,提高了采样效率,减少了迭代次数。实验仿真表明,改进算法能够有效防止随着时间段的增加而采样样本退化,显着提高智能工厂移动目标的定位精度,减少定位响应时间。（4）基于压缩感知的稀疏多目标定位算法研究。针对传统基于压缩感知多目标定位算法感知矩阵维数大、计算复杂度高、网格边长难以细化等问题,本文提出了基于压缩感知的两阶段多目标定位算法。在大规模定位阶段,将监测区域依据部署的传感器进行Voronoi图划分,将多目标确定在每个子区域中,并在所有子区域中进行贪婪匹配追踪算法重构目标稀疏位置向量,得到包含目标的候选网格。在精细定位阶段,对选出的候选网格依据网格最小边长定理进行细化,对每个子区域中候选网格组成的本地区域内采用1-稀疏度位置向量贪婪匹配重构算法得到目标所在的细化网格,并以细化网格作为目标的最终位置。基于压缩感知的两阶段多目标定位算法既提高了的定位精度,也减小了稀疏重构感知矩阵的维数,降低了算法复杂度,减小了定位响应时间。最后通过实验仿真验证了改进算法的效果,可以用于对智能工厂监测区域的稀疏多目标进行有效定位。（5）基于多维标度的协作式多目标定位算法研究。为解决无线传感网络多维标度定位精度容易受最短路径估计距离误差影响的问题,改善多维标度定位算法的初始估计位置,提出一种基于模拟退火优化的无线传感器网络多维标度定位算法。首先利用RSSI接受信号强度测距并建立距离矩阵,使用多维标度方法和锚节点信息得到节点的初始估计绝对坐标,再利用测距信息和节点的权重系数构造模拟退火优化算法的胁强系数,通过模拟退火优化算法良好的全局搜索能力不断迭代优化求解节点的最优位置。通过实验仿真验证了基于模拟退火优化的多维标度定位算法即使在C型网络和测距噪声存在的情况下也能够具有较低的平均定位误差和较高的网络覆盖率,而且非常适于应用在智能工厂基站数量少的环境。本文系统地研究了无线传感器网络基于测距定位和基于非测距定位、静态定位和动态定位、单目标定位和多目标定位的相关技术,提出了5种创新和改进方案,并通过大量的实验验证了所提算法的有效性和可行性。实验结果表明,本文所提的5种定位方案是无线传感器网络定位技术的重要创新和改进,可以应用在智能工厂无线传感器网络多个定位领域,有非常重要的现实意义和应用价值。
吴兴堂[2]（2020）在《轨道交通网络特性及时刻表协调优化》文中提出作为国民经济的大动脉和综合交通运输体系的骨干,城市轨道交通以其运输能力大、快速正点和环境友好等特点,近年来得到了蓬勃发展,在北京、上海等特大型城市的公共交通客运量占比均已超过50%,运营里程及完成客运量均居世界第一。目前,城市轨道交通运营环境日趋复杂,呈现出运营网络化和超大规模客流常态化等新特征。为此,迫切需要研究在保障运行安全前提下,如何提高轨道交通网络的乘客出行效率,从而有效提升运营效率。本文从网络化角度针对轨道交通出行路径、轨道交通网络特性、时刻表优化展开研究,具体工作如下:1、考虑乘客出行换乘特性,研究轨道交通网络出行路径选择问题。考虑乘客出行换乘对广义出行费用的影响,分别从网络拓扑角度和数据驱动角度出发,提出了结构路径算法和基于混合高斯聚类的乘客出行路径算法来计算乘客的出行路径。其中结构路径算法以无权L空间模型为基础,乘客从最短路径和最小换乘路径中选择出行路径,该算法从结构角度融合了换乘行为,为准确刻画网络拓扑结构打下基础;后者以增广有权L空间模型基础,考虑乘客出行阻抗和有效路径规则得到有效路径集,再对乘客刷卡数据进行聚类,得到每条有效路径被选择的概率,该算法以较低的计算复杂度有效的保证了路径结果的精度。2.考虑乘客出行路径特征,对轨道交通网络特性展开研究。考虑城市轨道交通网络乘客出行路径特征,首先针对网络乘客出行的便捷性,提出拓扑结构效率指标来刻画乘客在网络中出行的速率;进一步针对节点中心性,提出节点占有率指标来表征每个节点在全网出行路径中所占的比例;最后对于网络鲁棒性,提出路径损坏率和出行路径长度调整率刻画在随机故障和特定攻击下网络性能的演化特征。通过对不同的城市轨道交通网络数据进行算例仿真和对比实验,分析了各城市轨道交通的网络特性并验证了所提方法的有效性。3.基于城市轨道交通网络三层结构,提出基于客流传播特性的网络负载均衡优化方法。针对城市轨道交通系统线路网络、列车资源和乘客需求三层结构,从宏观角度对网络的交通动态特性进行研究,并建立列车容量受限下面向不同乘客出行路径模式的城市轨道交通客流传播动态模型。以该模型为基础进一步提出时间效率和最大平均列车负载率来刻画乘客出行速率、列车运行间隔与交通性能之间的演化关系,揭示网络交通从自由态到拥挤态再过渡到饱和态的演变规律,并对给定客流下的发车间隔进行优化以保证系统的出行效率和负载压力达到均衡。通过对多个城市轨道交通网络进行算例仿真验证了网络交通状态与客流需求和列车资源的演化机理,并且给出一定客流下的最优发车间隔,有效保证了网络的宏观交通性能。4.考虑城市轨道交通系统的运营成本和服务质量,提出面向动态负载均衡的线路时刻表优化方法。针对客流需求时变特性,以降低乘客的等候时间和运营能耗、提升乘客舒适度和列车资源利用率为目标,设计保障列车资源利用率和车内拥挤度水平的平均最大负载偏移量指标,建立面向负载均衡的最优能耗时刻表多目标优模型。针对该模型特点设计基于模拟退火的粒子群算法来对该模型进行求解,并通过实际线路数据及乘客刷卡数据进行算例仿真,结果表明优化后时刻表能分别降低等候时间5.14%、运营能耗14.68%、平均最大负载偏移量69.69%,有效提升了时刻表的整体性能。5.考虑城市轨道交通网络乘客换乘协调,提出基于节点中心性的网络时刻表加权协调优化方法。针对城市轨道交通网络异质性,以降低全网乘客换乘等候时间和提升全网时空连通度为目标,提出以车站中心性为权值的换乘时间指标,建立基于节点中性的加权协调时刻表优化模型。进一步设计基于模拟退火的粒子群算法,并以城市轨道交通网络的实际运行时刻表数据及线路结构数据进行算例仿真,结果表明优化后的时刻表能够降低12.97%平均换乘等候时间,提升6.12%的耦合对数目,有效的提升了网络的交通效率和连通性。
李青[3]（2020）在《多层网络耦合视角下城市地铁网络脆弱性动态演化研究》文中进行了进一步梳理地铁不仅是一个城市公共交通的主要组成部分,也担任着城市居民日常出行最为依赖的交通工具这一角色。随着各大城市地铁建设速度的快速提高,关于地铁运行的安全问题也日益受到人们的关注和重视,车辆故障、突发大客流、自然灾害、恐怖袭击等突发事件频频造成地铁站点或线路的瘫痪,引发地铁网络的脆弱性,破坏城市整体交通网络的正常运行。在此背景下,对地铁网络脆弱性问题的防控和治理也更为迫切和必要。本文在大量阅读和梳理文献的基础上,以城市地铁的运营和发展现状为背景,搜集了90起国内外地铁运行事故的案例,对案例资料进行统计分析并结合地铁实际访谈的结果,得到当前地铁运行过程中存在的主要问题。其次,为了确定激发地铁网络脆弱性的主要因素,首先借助扎根理论对上述90起事故案例进行更为深入地分析,通过开放性编码、主轴编码和选择性编码等步骤建立起地铁网络脆弱性的理论模型,并从中识别出影响地铁网络脆弱性的基本因素:再次利用DEMATEL方法对所有基本因素进行筛选,最终得出人员、设备、环境、管理四个影响地铁网络脆弱性的一级因素,及其所包含的9个二级因素与20个三级因素。在此基础上,为深入研究我国城市地铁网络脆弱性的演化路径,从多层耦合网络理论入手,构建了以影响因素为节点、因素之间的逻辑作用关系为连边的城市地铁的多层因素网络模型,并利用事故链分析法对各因素之间的相互作用关系进行了辨识,同时基于这些关系确定了该多层网络模型的层间耦合作用方式及路径。紧接着,为了进一步探究城市地铁网络脆弱性的动态演化过程,在城市地铁的多层因素网络模型的基础上,利用系统动力学分析的方法建立了城市地铁网络脆弱性的SD结构模型,一方面确定了系统边界和系统中所包含的要素,给出了系统因果关系图和系统流图,另一方面借助模糊层次分析法、回归分析法和专家打分法得到了系统中各变量的差分方程。最后,以西安地铁为例,将其相关数据输入上述模型中,对西安地铁网络脆弱性的变化趋势。首先对模型中各变量的取值进行调控,观察西安地铁网络脆弱性的动态深化规律,及其对于不同影响因素的敏感性水平:然后仿真分析不同网络层之间的耦合作用关系对地铁网络脆弱性的影响趋势和影响程度。研究发现,西安地铁网络的脆弱性水平存在峰值,呈现出先增加后逐步降低的变化趋势;在分析了地铁运行事故对各因素的敏感性程度之后,发现地铁设备系统、安全管理水平和员工综合职能水平等因素对西安地铁网络脆弱性的影响最为显着:另外,网络层之间的耦合作用强度与地铁网络脆弱性水平成正比,层间耦合作用越小,地铁网络的脆弱性就越低,其中人员-设备层与人员-管理层之间的耦合关系强度对激发地铁网络的脆弱性有着较高的影响。最后,综合西安地铁网络脆弱性的动态仿真结果,提出了相应的脆弱性防控策略。本文的研究对我国城市地铁网络脆弱性的动态演化过程进行了辨识,也扩展了多层耦合网络理论在地铁脆弱性领域的应用研究。与此同时,本文给出了如何从地铁网络脆弱性的主要影响因素入手去有效地预防、控制和降低地铁运行过程中的脆弱性,具有一定的实际意义。
朱海湾[4]（2020）在《基于动态PPI网络的蛋白质复合物和关键蛋白质挖掘算法研究》文中研究指明随着生物信息学和高通量技术的迅猛发展,使得全面分析蛋白质网络的结构、功能成为新的研究热点,尤其是基于PPI网络的蛋白质复合物和关键蛋白质识别,不仅为解释生命进程和探索生命奥秘提供理论基础,而且对疾病诊断和药物研制有重要意义。目前,蛋白质复合物和关键蛋白质挖掘算法虽然取得了一定成效,但由于PPI网络的不可靠性、小世界性和复杂性,以及目前聚类算法自身的局限性,导致现有挖掘算法的识别精度不高。本文在蛋白质复合物挖掘上主要从两个方向着手,一是结合PPI网络的结构,通过模拟蚁群清理蚁穴行为构建聚类模型;二是利用人工蜂群算法ABC解决DBSCAN聚类算法参数选取和设置敏感的问题。在识别关键蛋白质方法上,利用蛋白质的保守性和动态性,结合拓扑特性和共表达复合物中心性来提升关键蛋白质预测的准确度。本文主要研究工作如下:针对静态蛋白质网络无法真实模拟细胞的动态性,蚁群聚类算法挖掘蛋白质复合物准确性不高、速度慢等问题,提出一种基于模糊粒度和紧密度的蚁群聚类动态蛋白质复合物算法FGCDACC。首先,该算法基于PPI网络的拓扑特性和生物特性设计了综合性权值度量CWM,准确描述了蛋白质之间的相互作用;然后结合复合物的模块特性,构建一组连接高度紧密且连续共表达的核心团,再改进基于拾起放下的蚁群聚类模型并完成聚类,提升了聚类速度和准确率;最后利用时序功能相关和功能信息传递机制设计了具有正反馈机制的权值更新策略,实现不同代蚁群和不同时刻网络之间的最优解传递。针对DBSCAN算法全局参数设置不合理问题,以及人工蜂群算法ABC后期迭代慢、易陷入局部最优等不足展开了研究,提出一种基于改进人工蜂群算法优化DBSCAN的动态复合物挖掘算法IABC-DBSCAN。该算法首先设计截断-锦标赛选择机制TCSM,自适应和全局引导的搜索策略AGS优化人工蜂群算法ABC,以增强蜂群多样性,并加强跟随蜂寻找全局最优解能力;然后根据改进的人工蜂群算法IABC来动态调节DBSCAN算法中的参数,并将最优参数作为DBSCAN的输入,并在动态DIP数据集上检测蛋白质复合物,以优化聚类效果。现有的关键蛋白质预测算法大多应用在静态PPI网络上,忽略了蛋白质的动态性、保守性以及生物特性,并且未能完全解决假阳性和假阴性问题。针对以上问题,构建一种混合动态-保守蛋白质的时序加权PPI网络,并提出一种名为JTBC的关键蛋白质识别算法。该方法首先利用基因表达数据提取动态和保守蛋白质的活性信息,以动态调整静态PPI网络进而构建时序-保守PPI网络;其次设计一种点边凝聚度DEcc,并结合生物属性数据为动态网络加权。最后设计一种共表达复合物中心性方法。该算法整合权重信息和蛋白质复合物信息,从全局和局部两方面准确地挖掘关键蛋白质。
王荣全[5]（2020）在《基于蛋白质相互作用网络的蛋白质复合物识别算法研究》文中认为人类基因组计划的完成拉开了蛋白质组学研究的序幕。蛋白质不仅是生命活动的物质基础而且还是细胞活动的直接体现者。研究表明绝大多数蛋白质很少单独参与生命活动,而是通过彼此相互作用形成蛋白质复合物来完成的。蛋白质复合物是一组在特定的时间和空间上通过彼此相互作用聚集在一起完成特定生物功能或生物过程的蛋白质集合。当前通过实验方法得到的蛋白质复合物不仅耗时和成本较高且获得的数目有限。随着高通量实验技术的发展,大量的蛋白质相互作用网络产生,因此利用图聚类算法从蛋白质相互作用网络中识别蛋白质复合物成为可能。蛋白质复合物是细胞功能实现和生物过程的载体,所以精准高效地识别蛋白质复合物不仅能够加深人们对系统生物学中细胞组织原理和功能机制的理解而且有助于各种复杂疾病的诊断和治疗。本文以真实蛋白质相互作用网络作为研究的基础,并以蛋白质相互作用网络的拓扑结构和生物信息数据为切入点,利用复杂网络理论和机器学习方法对蛋白质复合物的识别进行研究。考虑到目前蛋白质复合物识别方法的不足和蛋白质复合物识别所面临的挑战,本文设计了不同的蛋白质复合物识别算法,其主要研究内容如下:第一,首先对国内外研究现状、蛋白质相互作用网络的拓扑特征和生物特征进行介绍,然后对蛋白质复合物识别问题进行描述,以便为设计不同的蛋白质复合物识别方法提供依据。第二,针对噪音的存在以及现有方法识别精度和效率有待提高的事实,我们提出一种基于核-附属结构的蛋白质复合物识别算法EWCA。该算法首先利用公共邻居相似性给蛋白质相互作用边赋权。然后,通过结构相似性识别蛋白质复合物的核。紧接着,基于提出的重叠蛋白质和外围蛋白质的识别方法挖掘附属蛋白质。最后,结合已识别的蛋白质复合物的核和它的附属蛋白质形成蛋白质复合物,并舍弃冗余的蛋白质复合物。实验结果表明,EWCA算法在F-度量、最大匹配率和覆盖率方面均有效地提升蛋白质复合物的识别性能。同时,它能识别更多具有生物学意义的蛋白质复合物。随后,我们在较大规模的蛋白质相互作用网络上进行实验,实验结果表明与一些高精度识别算法相比,EWCA算法识别精度更高,运行效率更好。第三,为了挖掘不同密度和模块的蛋白质复合物以及重叠蛋白质复合物,我们提出一种基于种子延伸的蛋白质复合物识别算法SE-DMTG。该算法首先定义基于公共邻居相似性和功能注释相似性的方法计算相互作用边的权重。然后,提出一个结合权重度和局部权重聚集系数的打分函数,并用它构造一个种子队列。最后,为了进一步提高蛋白质复合物的识别精度,我们提出了新的蛋白质复合物模型和种子延伸算法用于挖掘蛋白质复合物。在酵母蛋白质相互作用网络上与其它十三种不同类型的识别算法进行实验比较,实验结果表明SE-DMTG算法具有更好的识别性能且具有更高的匹配率。同时在人类和老鼠的蛋白质相互作用网络上的实验结果进一步说明该算法对不同物种数据集有较强的适应能力。此外,功能富集度分析表明SE-DMTG算法识别的蛋白质复合物具有明显的生物学意义。第四,考虑到现有识别算法只识别静态蛋白质复合物或动态蛋白质复合物以及已有蛋白质复合物模型不能真实反应蛋白质复合物的拓扑结构。我们提出一种基于贪婪启发式搜索的蛋白质复合物识别算法MPC-C。该算法首先利用基因表达数据构造一个概率动态蛋白质相互作用网络,并通过蛋白质对的拓扑结构相似性和功能注释相似性构造权重的动态和静态蛋白质相互作用网络。然后,基于核蛋白质和多功能蛋白质的识别从权重的动态和静态蛋白质相互作用网络中获得初始集合簇。随后,利用提出的贪婪启发式搜索方法和新颖的聚类模型挖掘动态和静态的蛋白质复合物。最后,根据聚类模型过滤掉不可靠和高度重叠的蛋白质复合物。为了验证MPC-C算法的性能,该算法和十个优异的识别算法在五个蛋白质相互作用网络上进行实验,并用多种计算评估指标和生物相关评价指标分析实验结果,实验结果表明MPC-C算法的识别性能明显优于其它对比算法。综上所述,本文提出的识别算法和其它优异的对比算法在不同物种的蛋白质相互作用网络上进行实验,实验结果充分说明这些识别算法具有出色的性能。同时,本文还枚举一些识别的蛋白质复合物,并对它们进行功能富集度分析,分析结果显示它们很有可能是真实的蛋白质复合物。此外,我们提出的蛋白质复合物识别算法对其它类似的复杂网络中社区结构的识别具有一定的拓展应用意义并将在未来工作中继续探究。
张琳[6]（2020）在《大型综合客运枢纽大客流下的多模式公交系统级联可靠性研究》文中研究指明坚持公交优先是构建现代综合交通体系的主要支撑。随着轨道交通、常规公交、出租车等多种公交模式之间耦合效能提升需求的不断增大,多模式公交系统的可靠运行至关重要。城市公交网络可靠性研究目前多集中于车头时距可靠性和运行时间可靠性等服务可靠性层面,缺乏基于网络拓扑结构的系统层面研究。复杂网络理论和相互依存视角下复杂网络抗毁性建模技术的引入,带来多模式公交系统可靠性研究的进一步发展。传统城市公交网络抗毁性研究侧重于物理拓扑结构和系统科学层面,对城市公交网络的特殊关键节点-大型综合客运枢纽关注不够,未考虑与实际公交运行紧密联系的拥挤、时滞和自组织效应,缺乏中观系统可靠性的定量控制优化方法。本研究在分析多模式公交系统时变复杂性和脆弱性的基础上,基于复杂网络级联失效模型,对大型综合客运枢纽大客流情境下的多模式公交系统级联可靠性进行研究,建立了级联可靠性模型、演化算法以及定量控制优化方法,为解析城市公交网络可靠性提供了新视角-基于复杂网络理论的中观系统可靠性。主要研究内容概括如下:（1）多模式公交系统时变复杂性分析确定了多模式公交系统时变复杂性与大型综合客运枢纽大客流的关联性,提出了时变复杂性通用测试框架;基于实例分析,分别验证了通用测试框架在轨道交通网络和常规公交网络中的适应性;最后,给出了不同公交模式时变复杂性的关联方法。为解析级联失效复杂动力学演化的内在动因提供了基础。（2）多模式公交系统脆弱性分析确定了多模式公交系统脆弱性与大型综合客运枢纽大客流的关联性,提出了基于Arc GIS的耦合站点定量化快速识别方法;给出了耦合站点脆弱性规则,建立了复合网络脆弱性改进分析模型;最后,基于实例仿真分析,验证了改进分析模型的适应性。为解析级联失效复杂动力学演化提供了宏观抗毁性认识基础。（3）多模式公交系统级联可靠性模型确定了多模式公交系统级联失效与大型综合客运枢纽大客流的关联性,建立了考虑不同公交模式间负荷量纲差异性的三层网络集计客流模式,并将其理解为多模式公交系统交通需求分布;引入了拥挤、时滞和自组织效应,建立了级联可靠性模型,并设计了相应演化算法。为描述级联失效复杂动力学演化提供了可定量化控制和接近实际运行的级联可靠性模型。（4）基于模型控制参数的多模式公交系统级联可靠性控制优化给出了大型综合客运枢纽大客流下的多模式公交系统常态级联失效整体演化概念图;对各模型控制参数的控制特性进行了实例仿真分析,定性评估了各级联可靠性度量指标的可靠性;最后,构建了基于层次分析法（AHP）的模型控制参数量化分级模型,并生成了相应控制优化对策。从级联可靠性模型内部给出了级联可靠性控制优化方法。（5）基于主动调控措施的多模式公交系统级联可靠性控制优化提出了基于失效负荷动态重分配机制的控制优化方法,基于实例仿真分析,验证了基于链路预测的失效负荷动态重分配机制的可靠性,并生成了相应控制优化对策;提出了基于系统应急处置能力的控制优化方法,基于实例仿真分析,测试了各系统应急处置能力加载策略的控制优化能力,并生成了相应控制优化对策;最后,给出了主动调控措施控制效果的定量化评价方法。从具体的主动调控措施给出了级联可靠性控制优化方法。
胡书齐[7]（2020）在《CAN网络间歇性连接故障恶化程度的估计》文中研究说明CAN网络作为一种现场总线广泛应用于各种工业生产领域。然而,受各种环境因素的影响,CAN网络的传输线缆会出现松动,磨损,老化等现象,从而导致间歇性连接（IC）故障的产生。同一 CAN网络中,存在IC故障的线缆连接可能处于网络中的多个不同位置。在同一时间点,不同位置的IC故障的严重程度也可能不尽相同。IC故障会随着时间推移呈现出逐渐恶化的趋势。在早期阶段,IC故障产生的频率较低,由于CAN协议本身良好的容错性,其对系统运行造成的影响在可容忍的范围内,此时并不一定需要对故障部件采取修复措施。随着时间的推移,IC故障逐渐恶化,其产生会越来越频繁,最终对系统运行造成严重影响。为了降低系统生命周期的维护成本,有必要对各个位置的IC故障的恶化程度进行评估,从而确定各个部件的维护优先级,指导维护人员更有策略地执行修复流程。本文围绕多故障源情况下对各处IC故障恶化程度进行评估这一目标展开研究。首先,提出了利用总线上的错误事件症状信息来实现故障的定位的方法,然后在已知网络中的故障源位置的前提下,建立了错误事件与各故障源关联的方法,最后提出了根据由各故障源导致的错误事件发生时刻序列反推各处IC故障产生速率的方法。通过在CAN网络实验平台上的模拟实验,验证了本文所提出方法的有效性。本文共分五章,各章内容概述如下:第一章阐述了本文的研究背景,分层次介绍了关于解决工业系统中间歇性故障问题方法的相关研究,分析了已有方法的不足,同时找到了开展本课题研究的可借鉴的思路。最后,对本课题的研究目标和意义进行了论述,提出了本课题研究内容的整体框架。第二章对CAN网络多故障源的定位方法展开了研究。首先阐述了 IC故障定位方法的原理。然后定义了与CAN网络具有一一映射关系的无向图以更好地描述CAN网络的拓扑结构。定义了传输路径的概念,并阐述了根据无向图来求取任意一条传输路径的算法。定义了症状和症状域的概念,以及根据症状求取症状域的方法。阐述了基于症状-故障关联模型的故障定位算法的执行过程。最后通过不同情形的实验验证了多故障源定位方法的有效性。第三章基于第二章已经定位出网络中的所有故障源的的前提,研究了将网络中的错误事件与各故障源进行关联的方法。首先,提出了在已知所有故障源位置的前提下对CAN网络的结构进行简化的方法。定义了端口组,节点组,简化路径等概念,使得网络中节点之间的通信简化成了节点组之间的通信。然后,基于简化的网络提出了组错误事件的概念以及组错误事件症状表的生成方法。最后以组错误事件症状表为数据基础生成决策树模型。得到的决策树一方面为CAN网络中传感器的添加位置提供了指导,另一方面也直观地展示出对于任一错误事件,根据其各种表征信息逐步判断出与之关联的故障源的流程。最后通过不同实例演示了决策树模型的生成流程。第四章研究了对各故障源恶化程度进行评估的方法。首先阐述了错误事件信息的采集过程,以及错误事件信息的组成部分,分析了错误事件信息不完整的情况,以及其可能带来的影响。然后提出了错误事件产生过程服从泊松过程的假设。基于此假设,提出了错误事件分布参数的估计方法。该方法首先利用信息完整的错误事件产生时刻序列对错误事件分布参数进行初步估计,然后利用初步估计的参数为信息不完整的错误事件确定最有可能与之关联的故障源,从而更新错误事件产生时刻序列以及分布参数。然后,基于完整的错误事件发生时刻序列,提出了各IC故障速率的区间估计方法。最后通过实验验证了 IC故障速率估计方法的有效性。第五章对本论文主要工作和创新点进行了总结,并对进一步可以开展的研究工作进行了展望。
王佩恒[8]（2019）在《面向蛋白质相互作用网络的蛋白质复合物识别算法研究与实现》文中指出蛋白质复合物是细胞内进行生物过程最重要的功能单元之一,因此识别蛋白质复合物对于理解细胞组织和功能的原理非常重要。传统的实验识别蛋白质复合物方法过于复杂,而基于计算的方法识别出的蛋白质复合物不能避免出现高假阳性的测试结果。在本文中考虑了蛋白质相互作用（Protein-Protein Interaction,PPI）网络的拓扑特性和生物学特性,针对蛋白质复合物存在噪声和重叠结构的识别效率较低等问题进行研究与分析。针对现有蛋白质相互作用数据假阳性高的问题,考虑PPI网络节点拓扑特征,构建加权蛋白质相互作用网络,提出了一种基于加权蛋白质相互作用网络的蛋白质复合物识别算法（Clustering algorithm of backbone-degree tree based on weighted protein-protein interaction network for protein complex identification,BTW）。该算法首先通过分析PPI网络节点拓扑特征,利用加权骨干度算法来权衡PPI网络,然后通过Walktrap算法对PPI网络执行聚类,分别在多个酿酒酵母的PPI网络数据集中进行实验,聚类实验结果显示算法较MCL、Walktrap等算法假阳性高的问题,识别精度和性能都有显着提升。针对不能识别重叠蛋白质复合物并且忽略了蛋白质之间的功能信息。提出了一种基于拓扑特征和和基因本体信息识别重叠蛋白质复合物算法（Clustering algorithm based on topological features and gene ontology information for protein functional module identification,WCFM）。通过选取基因本体语义相似性度量蛋白质对相互作用不同程度的强弱关系,建立加权网络模型。该方法对PPI网络中的边进行加权,从而减少了对网络拓扑结构的依赖性。实验结果表明,将基因本体信息与PPI数据相结合可以提高识别蛋白质复合物的准确性,使结果更具有生物学意义。设计并开发了PPI网络可视化分析平台Cluster C。该平台目前已集成了实现了ClusterONE、SPICi和MCL等8个聚类算法和F-measure、Accuracy等5个评估方法。同时将D3.js可视化技术应用到大型的蛋白质相互作用网络上,对PPI网络和聚类的结果进行可视化,以更好的方式解释生物现象。
范星冉[9]（2019）在《基于片上网络的神经网络加速器研究》文中指出芯片技术的飞速发展使得在单一芯片内集成多个处理单元成为可能,片上网络（Network-on-Chip,No C）被认为是现代多核系统的互联通信架构,它在通信效率、并行性和功率效率等方面优于传统总线。神经网络已被广泛应用于人工智能应用当中,例如图像处理,语音识别,机器翻译等,当代的人工神经网络包括数十层和数百万个参数,神经网络愈加复杂,计算量急剧上升,使用常规的传统计算机会花费大量时间。为了解决这些问题,人们通过改进通用芯片的结构,研发专用的神经网络加速器,也称为人工智能芯片来加速神经网络。由于神经网络的神经元之间不仅存在着复杂的互连而且还有密集的计算和通信,现代神经网络加速器多为由大量的处理单元构成,它们之间的通信架构采用了片上网络,来实现神经网络之间的数据传输。因此,研究片上网络的各个方面成为优化基于片上网络的神经网络加速器的重要方向。研究基于片上网络的神经网络加速器的过程中,本文主要从片上网络的映射、拓扑结构来优化基于片上网络的神经网络加速器。重点研究了基于三维片上网络的映射算法,提出了将混合混沌大爆炸算法来解决三维片上网络映射问题,并与经典的遗传算法和粒子群算法做对比,无论是在经典的任务图映射下还是神经网络拓扑映射下,该算法都能够有更快的收敛速度,并且降低功耗。在此基础上,本文提出将神经网络加速器应用于3D Mesh No C拓扑结构上,与基于2D Mesh No C拓扑结构的神经网络加速器相比,能够有更低的功耗,同时使用了混合混沌大爆炸映射算法能够使神经网络映射的功耗进一步降低。
李小鹏[10]（2019）在《能源互联网电力信息融合风险传递模型与仿真系统研究》文中认为能源互联网被认为是解决电力系统清洁能源兼容和深度高效控制的未来电力系统发展方向,针对能源互联网的研究和实践目前还处于发展起步阶段,其发展路径愈发共识、建设标准逐步制定、科技攻关分步开展。电力信息融合是能源互联网发展必然趋势,但在电力信息融合过程中,多元设备、异构网络、实时共享以及开放协议等将在结构演化、电力信息交互及信息空间安全等方面带来更多的风险和挑战。本文前瞻性的思考了耦合能源互联网发展方向的电力系统结构演化路径,并从拓扑结构、交互风险和系统运行等层面对其可能面临的动态风险进行识别和传递仿真,提出能源互联网电力信息融合风险传递仿真平台规划设计思路。本文主要研究内容如下:（1）考虑到电力系统建设的连续性和经济性,依托现有网架结构,研究能源互联网宏观拓扑结构仿真演化机制及网络特征。首先,对目前能源互联网宏观拓扑结构研究现状和国外先进电网的典型拓扑特征进行对比分析;在此基础上构建依托现有网架结构的能源互联网“双环骨架、分层环网、微网互联”宏观拓扑结构演化模型;最后,以北京电网为例,进行分层分区网格化,并分析演化的能源互联网骨干网络和完全网络宏观拓扑特征。（2）面向能源互联网电力信息融合趋势,构建电力CPS典型二元网络结构并分析网络的脆弱性特征。首先,分析典型电力CPS结构电力侧和信息侧网络拓扑分型以及节点对应依靠策略;在此基础上,以北京市220KV网络为蓝本构建典型电力CPS结构,并分析其复杂网络特征;最后,从节点交互系数、网络结构熵、节点中心性等3个不同侧面分析典型电力CPS网络静态脆弱性特征,构建网络动态脆弱性分析流程,分析不同电力CPS网络的动态脆弱性。（3）构建电力系统事故案例库和风险扰动关系分析专家库,分析电力信息融合系统风险扰动关系。首先,对传统电力系统国内外运行事故进行统计形成案例库,分析大停电事故的一般触发演化过程,分析大停电事故演化中电力和信息交互趋势;在此基础上,从环境扰动、部件失效、交互紊乱、适应性衰退和管理认知缺乏等方面建立电力CPS运行风险体系;最后,构建面向能源互联网的电力CPS事故系统,采用DEMATEL-ISM模型分析电力CPS运行风险扰动关系和层次结构。（4）以网络攻击风险为例,对面向能源互联网的电力CPS风险传递演化过程进行仿真。首先,分析面向能源互联网的电力CPS风险传递交互点及路径,在此基础上建立电力CPS运行风险传递仿真流程;其次,基于元胞自动机构建风险传递仿真架构,并对电力CPS运行和风险传递过程进行数学解析;最后,以传统但也是未来将普遍面临的网络攻击风险为例,采用元胞自动机仿真模型,运行于构建的“分层自治、二元依存”局域网络结构,对不同攻防策略、不同节点自愈率和不同超限阈值下的风险传递情况进行仿真。（5）在模型研究基础上,提出能源互联网电力信息融合风险传递仿真平台规划设计思路。从平台建设的原则和目标等宏观问题出发,结合研究需要对平台进行中长期规划展望,在此基础上分析平台实施需求,并对框架结构、数据模型库、接口等核心部分进行设计分析,将研究成果逐步结合电网真实数据进行仿真,为能源互联网科学发展提供仿真论证、决策支持。本文的开展,丰富了能源互联网信息物理融合和风险传递相关理论研究成果,对于指导能源互联网架构的科学、有序发展,前瞻能源互联网电力信息融合的动态风险,提升能源互联网风险提前、主动防控水平具有一定实践指导意义。
二、基于VC++的网络拓扑图中环的自动识别算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于VC++的网络拓扑图中环的自动识别算法（论文提纲范文）
（1）面向智能工厂的无线传感器网络定位技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文研究背景 |
| 1.1.1 智能工厂概述 |
| 1.1.2 智能工厂实时定位系统 |
| 1.2 无线传感器网络技术 |
| 1.2.1 无线传感器网络概述 |
| 1.2.2 无线传感器网络组成 |
| 1.2.3 无线传感器网络特点 |
| 1.3 无线传感器网络定位技术 |
| 1.3.1 无线传感器网络定位原理 |
| 1.3.2 无线传感器网络定位种类 |
| 1.3.3 测距和非测距定位技术 |
| 1.3.4 无线传感器网络定位算法的性能指标 |
| 1.4 本文的研究内容及结构安排 |
| 1.4.1 研究内容及意义 |
| 1.4.2 本文的组织结构 |
| 第2章 基于非测距的DV-Hop定位算法研究 |
| 2.1 引言 |
| 2.2 基于非测距的定位算法 |
| 2.2.1 非测距定位算法原理 |
| 2.2.2 常见非测距定位算法 |
| 2.2.3 DV-Hop定位算法的相关研究 |
| 2.3 DV-Hop定位算法原理 |
| 2.4 DV-Hop定位算法的误差来源 |
| 2.4.1 网络结构原因 |
| 2.4.2 定位算法原因 |
| 2.4.3 信号传输原因 |
| 2.5 仿射空间原理 |
| 2.6 基于误差向量修正的DV-Hop定位算法 |
| 2.6.1 建立锚节点信息列表 |
| 2.6.2 修正锚节点的选择策略 |
| 2.6.3 修正初始估计位置 |
| 2.6.4 基于误差向量修正的DV-Hop定位算法流程 |
| 2.6.5 基于模糊聚类误差向量修正的DV-Hop定位算法流程 |
| 2.6.6 两种改进的DV-Hop定位算法分析 |
| 2.7 实验分析 |
| 2.7.1 实验环境设置 |
| 2.7.2 实验结果分析 |
| 2.8 本章总结 |
| 第3章 基于测距的三边加权质心定位算法研究 |
| 3.1 引言 |
| 3.2 基于测距的无线传感器网络定位算法 |
| 3.3 三边加权质心定位算法 |
| 3.3.1 基于RSSI测距的定位原理 |
| 3.3.2 三边加权质心定位算法原理 |
| 3.4 量子粒子群优化算法 |
| 3.5 模糊C均值聚类算法 |
| 3.6 改进的三边加权质心定位算法 |
| 3.6.1 双集合组合法 |
| 3.6.2 利用模糊C均值聚类法计算RSSI准确值 |
| 3.6.3 参考点加权质心定位算法 |
| 3.7 实验分析 |
| 3.7.1 实验环境设置 |
| 3.7.2 实验结果分析 |
| 3.8 本章总结 |
| 第4章 基于灰色模型预测的蒙特卡罗盒子定位算法研究 |
| 4.1 引言 |
| 4.2 移动无线传感器网络 |
| 4.2.1 移动无线传感器网络概述 |
| 4.2.2 移动无线传感器网络在智能工厂的应用 |
| 4.2.3 移动无线传感器网络定位 |
| 4.3 动态定位算法和静态定位算法的比较 |
| 4.4 移动无线传感器网络定位算法的研究 |
| 4.5 动态定位算法的特点 |
| 4.6 灰色模型预测原理 |
| 4.7 蒙特卡罗定位和蒙特卡罗定位盒子原理 |
| 4.7.1 蒙特卡罗定位算法 |
| 4.7.2 蒙特卡罗定位盒子算法 |
| 4.8 基于灰色模型预测的蒙特卡罗定位盒子算法 |
| 4.8.1 GMMCB定位算法原理 |
| 4.8.2 GMMCB定位算法流程 |
| 4.9 实验分析 |
| 4.9.1 实验环境设置 |
| 4.9.2 实验结果分析 |
| 4.10 本章总结 |
| 第5章 基于压缩感知的多目标定位算法研究 |
| 5.1 引言 |
| 5.2 无线传感器网络稀疏多目标非协作式定位 |
| 5.3 压缩感知技术原理 |
| 5.3.1 压缩感知技术 |
| 5.3.2 稀疏信号表达 |
| 5.3.3 稀疏信号采样 |
| 5.3.4 稀疏信号重构 |
| 5.4 压缩感知技术的应用 |
| 5.5 基于压缩感知的定位研究 |
| 5.6 基于压缩感知的定位原理 |
| 5.6.1 基于压缩感知的定位模型 |
| 5.6.2 信号传播衰减测距模型 |
| 5.7 基于压缩感知的两阶段定位算法 |
| 5.7.1 大尺度定位阶段 |
| 5.7.2 精细化定位阶段 |
| 5.8 实验分析 |
| 5.8.1 实验环境设置 |
| 5.8.2 实验结果分析 |
| 5.9 本章总结 |
| 第6章 基于模拟退火优化的多维标度定位算法研究 |
| 6.1 引言 |
| 6.2 无线传感器网络少基站多目标协作式定位 |
| 6.3 多维标度定位算法及相关研究 |
| 6.3.1 多维标度定位相关研究 |
| 6.3.2 信号强度距离衰减模型 |
| 6.3.3 多维标度定位原理 |
| 6.3.4 MDS-MAP定位误差分析 |
| 6.4 模拟退火优化算法 |
| 6.5 基于模拟退火优化的多维标度定位算法 |
| 6.5.1 改进定位算法原理 |
| 6.5.2 改进定位算法流程 |
| 6.6 实验分析 |
| 6.6.1 实验环境设置 |
| 6.6.2 实验结果分析 |
| 6.7 本章总结 |
| 第7章 总结和展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（2）轨道交通网络特性及时刻表协调优化（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 2 预备知识 |
| 2.1 轨道交通网络建模及性能指标 |
| 2.2 轨道交通列车运行图 |
| 2.3 本章小结 |
| 3 基于换乘特性的网络出行路径算法 |
| 3.1 问题描述 |
| 3.2 基于换乘的结构路径算法 |
| 3.3 基于混合高斯聚类的出行路径算法 |
| 3.4 算例仿真 |
| 3.5 本章小结 |
| 4 基于出行路径的轨道交通网络特性 |
| 4.1 问题描述 |
| 4.2 考虑换乘特性的网络拓扑效率评估 |
| 4.3 基于节点占有率的关键车站识别 |
| 4.4 网络鲁棒性评估及其指标 |
| 4.5 算例仿真 |
| 4.6 本章小结 |
| 5 基于客流传播特性的网络负载均衡优化 |
| 5.1 问题描述 |
| 5.2 客流传播动态模型及均衡优化 |
| 5.3 仿真算例分析 |
| 5.4 本章小结 |
| 6 面向动态负载均衡的线路时刻表优化 |
| 6.1 问题描述 |
| 6.2 面向动态负载均衡的最优能耗时刻表优化建模 |
| 6.3 求解算法设计 |
| 6.4 仿真算例分析 |
| 6.5 本章小结 |
| 7 基于节点中心性的网络时刻表加权协调优化 |
| 7.1 问题描述 |
| 7.2 面向换乘协调的网络时刻表优化建模 |
| 7.3 求解算法设计 |
| 7.4 仿真算例分析 |
| 7.5 本章小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间所取得的成果 |
（3）多层网络耦合视角下城市地铁网络脆弱性动态演化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多层网络的研究 |
| 1.2.2 城市地铁网络的脆弱性研究 |
| 1.2.3 系统动力学模型在交通系统中的应用研究 |
| 1.3 研究内容及框架 |
| 1.4 研究方案和技术路线 |
| 1.4.1 研究方案 |
| 1.4.2 技术路线 |
| 1.5 研究创新点 |
| 2.概念界定与理论基础 |
| 2.1 相关概念的界定 |
| 2.1.1 城市地铁网络脆弱性的概念 |
| 2.1.2 城市地铁网络脆弱性的特征 |
| 2.2 复杂网络理论 |
| 2.2.1 复杂网络的定义 |
| 2.2.2 复杂网络的基本类型 |
| 2.3 多层网络理论 |
| 2.3.1 多层网络概述 |
| 2.3.2 多层网络的统计指标 |
| 2.4 系统动力学理论 |
| 2.4.1 系统动力学概述 |
| 2.4.2 系统动力学建模原理及步骤 |
| 3.城市地铁网络脆弱性现状及存在问题分析 |
| 3.1 我国城市地铁的概况 |
| 3.1.1 城市地铁建设发展概况 |
| 3.1.2 地铁运营安全及投资概况 |
| 3.2 城市地铁网络脆弱性典型案例梳理及分析 |
| 3.2.1 案例的收集与分析 |
| 3.2.2 案例分析的结果 |
| 3.3 城市地铁网络脆弱性实际调查 |
| 3.3.1 调查方法和步骤 |
| 3.3.2 调查结果及分析 |
| 3.4 城市地铁网络脆弱性存在问题的确定 |
| 4.城市地铁网络脆弱性影响因素的辨识 |
| 4.1 城市地铁网络脆弱性基本影响因素的确定 |
| 4.1.1 扎根理论及其研究步骤 |
| 4.1.2 基于文献的因素梳理 |
| 4.1.3 资料编码 |
| 4.1.4 数据饱和性检验 |
| 4.2 城市地铁网络脆弱性主要影响因素的确定 |
| 4.2.1 基于DEMATEL方法的因素筛选 |
| 4.2.2 主要影响因素的确定 |
| 5.基于多层网络模型的城市地铁网络脆弱性动态演化的SD建模 |
| 5.1 城市地铁脆弱性的多层网络模型构建 |
| 5.1.1 城市地铁多层网络的辨识 |
| 5.1.2 城市地铁的多层网络模型 |
| 5.2 城市地铁网络脆弱性的系统动力学模型的构建 |
| 5.2.1 建模思路 |
| 5.2.2 建模目标 |
| 5.2.3 系统边界及系统要素 |
| 5.3 模型的因果关系图和流程图 |
| 5.3.1 系统内因果关系分析 |
| 5.3.2 系统流程图 |
| 5.4 系统方程的确定 |
| 5.4.1 系统中各要素权重的确定 |
| 5.4.2 构造系统方程 |
| 6.城市地铁网络脆弱性动态演化实证研究——以西安地铁为例 |
| 6.1 西安地铁运营概况 |
| 6.1.1 西安市公共交通概况 |
| 6.1.2 西安市地铁发展现状 |
| 6.2 西安地铁脆弱性系统动力学模型参数估计与检验 |
| 6.2.1 模型初值的选取 |
| 6.2.2 模型的有效性检验 |
| 6.3 西安地铁脆弱性系统动力学模型仿真分析 |
| 6.3.1 基础情景仿真 |
| 6.3.2 变量仿真 |
| 6.3.3 层间耦合作用的动态仿真 |
| 6.4 西安地铁脆弱性的防控策略 |
| 7.研究结论和未来展望 |
| 7.1 研究结论 |
| 7.2 未来研究方向 |
| 致谢 |
| 参考文献 |
| 附录1 地铁运营事故案例汇总 |
| 附录2 关于城市地铁网络脆弱性现状及存在问题的专家访谈提纲 |
| 附录3 关于地铁网络脆弱性的各影响因素之间作用强度的调查问卷 |
| 附录4 地铁网络脆弱性各影响因素的相对重要性问卷调查表 |
| 附录5 针对“西安地铁网络脆弱性”的调查问卷 |
| 附录6 2012-2019年西安地铁运行过程中发生的延误和事故 |
| 攻读学位期间主要研究成果 |
（4）基于动态PPI网络的蛋白质复合物和关键蛋白质挖掘算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 动态蛋白质网络研究现状 |
| 1.2.2 蛋白质复合物研究现状 |
| 1.2.3 关键蛋白质研究现状 |
| 1.3 研究内容 |
| 1.4 论文的组织结构 |
| 第二章 算法及相关概念介绍 |
| 2.1 群智能优化算法简介 |
| 2.1.1 蚁群聚类算法 |
| 2.1.2 人工蜂群觅食算法 |
| 2.2 DBSCAN聚类算法 |
| 2.3 PPI网络 |
| 2.3.1 PPI网络概述 |
| 2.3.2 评价指标 |
| 2.4 本章小结 |
| 第三章 基于拾起放下的蚁群算法聚类蛋白质复合物 |
| 3.1 动态加权PPI网络构建 |
| 3.1.1 动态PPI网络构建 |
| 3.1.2 动态PPI网络加权 |
| 3.2 FGCDACC算法检测蛋白质复合物 |
| 3.2.1 核心团的构建 |
| 3.2.2 改进蚁群算法检测蛋白质复合物 |
| 3.2.3 局部和全局权值更新策略 |
| 3.2.4 算法步骤 |
| 3.2.5 算法时间复杂度 |
| 3.3 实验结果与分析 |
| 3.3.1 数据预处理 |
| 3.3.2 参数设置 |
| 3.3.3 权值更新策略有效性分析 |
| 3.3.4 聚类性能分析 |
| 3.3.5 聚类结果分析 |
| 3.4 本章小结 |
| 第四章 蜂群优化DBSCAN算法挖掘蛋白质复合物 |
| 4.1 改进的人工蜂群ABC算法 |
| 4.1.1 蜜源初始化 |
| 4.1.2 蜜源更新策略 |
| 4.1.3 自适应和全局引导的搜索策略 |
| 4.1.4 蜂群算法的适应度函数 |
| 4.2 改进的DBSCAN聚类算法 |
| 4.2.1 FD距离测度 |
| 4.2.2 修正更新策略 |
| 4.3 IABC-DBSCAN算法挖掘蛋白质功能模块 |
| 4.3.1 IABC算法寻找最优参数 |
| 4.3.2 算法实现 |
| 4.3.3 算法时间复杂度 |
| 4.4 实验结果与分析 |
| 4.4.1 数据来源 |
| 4.4.2 参数选择 |
| 4.4.3 IABC-DBSCAN算法有效性分析 |
| 4.4.4 与其他算法对比分析 |
| 4.4.5 聚类结果分析 |
| 4.4.6 富集程度分析 |
| 4.5 本章小结 |
| 第五章 混合动态-保守蛋白质网络的关键蛋白质识别算法 |
| 5.1 TW-PIN的构建 |
| 5.1.1 混合动态-保守蛋白质网络的构建 |
| 5.1.2 混合动态-保守蛋白质网络的加权 |
| 5.2 JTBC算法识别关键蛋白质 |
| 5.2.1 共表达复合物中心性 |
| 5.2.2 关键蛋白质识别 |
| 5.3 实验结果与分析 |
| 5.3.1 实验数据 |
| 5.3.2 TW-PIN有效性分析 |
| 5.3.3 不同复合物下JTBC算法的识别结果 |
| 5.3.4 JTBC算法与其他算法性能分析 |
| 5.3.5 可视化分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间的科研成果 |
（5）基于蛋白质相互作用网络的蛋白质复合物识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 课题的研究意义 |
| 1.3 研究内容概述 |
| 1.4 本文的组织结构 |
| 第2章 相关研究和知识 |
| 2.1 国内外研究现状 |
| 2.2 蛋白质相互作用网络的拓扑特征 |
| 2.3 蛋白质相互作用网络的生物特征 |
| 2.4 问题描述 |
| 第3章 基于核-附属结构的蛋白质复合物识别方法 |
| 3.1 引言 |
| 3.2 EWCA算法 |
| 3.2.1 构造一个权重蛋白质相互作用网络 |
| 3.2.2 识别蛋白质复合物的核 |
| 3.2.3 识别附属蛋白质 |
| 3.2.4 识别蛋白质复合物 |
| 3.2.5 时间复杂度分析 |
| 3.3 实验设计 |
| 3.3.1 实验数据 |
| 3.3.2 评估方法 |
| 3.4 实验结果与分析 |
| 3.4.1 比较不同算法的对比结果 |
| 3.4.2 功能富集度分析的对比结果 |
| 3.4.3 参数选择 |
| 3.4.4 EWCA算法求解精度和效率对比结果 |
| 3.5 本章小结 |
| 第4章 基于种子延伸的蛋白质复合物识别方法 |
| 4.1 引言 |
| 4.2 SE-DMTG算法 |
| 4.2.1 构建一个权重蛋白质相互作用网络 |
| 4.2.2 构造一个种子队列 |
| 4.2.3 定义蛋白质复合物模型 |
| 4.2.4 种子延伸算法 |
| 4.2.5 识别蛋白质复合物 |
| 4.2.6 时间复杂度分析 |
| 4.3 实验设计 |
| 4.3.1 实验数据 |
| 4.3.2 评估方法 |
| 4.4 实验结果与分析 |
| 4.4.1 基于计算指标的对比结果 |
| 4.4.2 功能富集度分析的对比结果 |
| 4.4.3 有生物学意义的例子 |
| 4.4.4 讨论蛋白质复合物的大小和p-value的关系 |
| 4.5 本章小结 |
| 第5章 基于贪婪启发式搜索的蛋白质复合物识别方法 |
| 5.1 引言 |
| 5.2 MPC-C算法 |
| 5.2.1 构造一个概率动态蛋白质相互作用网络 |
| 5.2.2 构造权重蛋白质相互作用网络 |
| 5.2.3 初始集合簇的产生 |
| 5.2.4 挖掘一个蛋白质复合物的过程 |
| 5.2.5 识别蛋白质复合物 |
| 5.2.6 时间复杂度分析 |
| 5.3 实验设计 |
| 5.3.1 实验数据 |
| 5.3.2 评估方法 |
| 5.3.3 生物相关评价指标 |
| 5.4 实验结果与分析 |
| 5.4.1 基于计算指标的对比结果 |
| 5.4.2 不同模型性能的对比结果 |
| 5.4.3 基于生物相关评价指标的对比结果 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究总结和创新点 |
| 6.2 未来研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（6）大型综合客运枢纽大客流下的多模式公交系统级联可靠性研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 重要概念的界定 |
| 1.2.1 相近概念的界定 |
| 1.2.2 级联可靠性 |
| 1.2.3 大型综合客运枢纽大客流 |
| 1.2.4 多模式公交系统 |
| 1.2.5 时变复杂性 |
| 1.2.6 脆弱性 |
| 1.3 国内外文献综述 |
| 1.3.1 公交网络复杂性研究综述 |
| 1.3.2 公交网络静态抗毁性研究综述 |
| 1.3.3 单层公交网络动态抗毁性研究综述 |
| 1.3.4 相互依存视角下公交网络动态抗毁性研究综述 |
| 1.4 研究目的及主要内容 |
| 1.4.1 研究目的 |
| 1.4.2 主要研究内容 |
| 1.5 技术路线 |
| 1.6 本章小结 |
| 第二章 多模式公交系统时变复杂性分析 |
| 2.1 多模式公交系统时变复杂性与大型综合客运枢纽大客流的关联性 |
| 2.2 公交网络通用建模方法 |
| 2.3 时变复杂性通用测试框架 |
| 2.3.1 通用测试框架的组成及一般操作步骤 |
| 2.3.2 时变复杂性的候选测试指标集 |
| 2.4 轨道交通网络时变复杂性 |
| 2.4.1 实例轨道交通网络简介 |
| 2.4.2 时变站点强度和平均站点强度的演化分析 |
| 2.4.3 时变累积站点强度分布的演化分析 |
| 2.4.4 时变站点单位强度和平均站点单位强度的演化分析 |
| 2.4.5 时变站点权重分布差异性和平均站点权重分布差异性的演化分析 |
| 2.4.6 时变站点强度-强度相关性的演化分析 |
| 2.4.7 时变累积最短距离分布和平均最短距离的演化分析 |
| 2.4.8 时变站点加权聚类系数和平均站点加权聚类系数的演化分析 |
| 2.4.9 时变网络结构熵的演化分析 |
| 2.5 常规公交网络时变复杂性 |
| 2.5.1 实例常规公交网络简介 |
| 2.5.2 时变站点强度和平均站点强度的演化分析 |
| 2.5.3 时变累积站点强度分布的演化分析 |
| 2.5.4 时变站点单位强度和平均站点单位强度的演化分析 |
| 2.5.5 时变站点权重分布差异性和平均站点权重分布差异性的演化分析 |
| 2.5.6 时变站点强度-强度相关性的演化分析 |
| 2.5.7 时变累积最短距离分布和平均最短距离的演化分析 |
| 2.5.8 时变站点加权聚类系数和平均站点加权聚类系数的演化分析 |
| 2.5.9 时变网络结构熵的演化分析 |
| 2.6 不同公交模式时变复杂性的关联方法 |
| 2.7 本章小结 |
| 第三章 多模式公交系统脆弱性分析 |
| 3.1 多模式公交系统脆弱性与大型综合客运枢纽大客流的关联性 |
| 3.2 常规公交-轨道交通复合网络建模方法 |
| 3.2.1 子网络建模方法 |
| 3.2.2 基于ArcGIS的耦合站点定量化快速识别方法 |
| 3.2.3 复合网络表示方法 |
| 3.3 复合网络脆弱性改进分析模型 |
| 3.3.1 耦合站点脆弱性规则 |
| 3.3.2 仿真攻击策略 |
| 3.3.3 脆弱性度量指标 |
| 3.4 实例仿真分析 |
| 3.4.1 耦合站点统计特征分析 |
| 3.4.2 脆弱性仿真分析 |
| 3.5 本章小结 |
| 第四章 多模式公交系统级联可靠性模型 |
| 4.1 多模式公交系统级联失效与大型综合客运枢纽大客流的关联性 |
| 4.2 多模式公交系统建模方法 |
| 4.2.1 建模过程 |
| 4.2.2 网络客流模式 |
| 4.2.3 建模机理解析 |
| 4.2.4 各层子网络的负荷量纲差异性 |
| 4.3 多模式公交系统级联失效的一般过程 |
| 4.4 考虑拥挤效应的失效负荷动态重分配 |
| 4.4.1 时段描述尺度下的失效负荷动态重分配 |
| 4.4.2 连边拥挤效应 |
| 4.4.3 遵循用户均衡机制的失效负荷动态重分配 |
| 4.4.4 各层子网络的失效负荷动态重分配速率差异 |
| 4.5 基于耦合站点的交互作用 |
| 4.5.1 耦合站点失效负荷转换系数 |
| 4.5.2 典型交互作用示例 |
| 4.6 考虑时滞效应的交互作用 |
| 4.6.1 站点承载压力与耦合强度的联系 |
| 4.6.2 当量影响系数与交互作用的联系 |
| 4.6.3 时滞效应 |
| 4.7 考虑自组织效应的级联失效判定方法 |
| 4.7.1 站点状态与自组织效应 |
| 4.7.2 站点级联状态 |
| 4.7.3 级联失效判定准则 |
| 4.8 级联可靠性多视角度量指标体系 |
| 4.8.1 级联失效站点比率 |
| 4.8.2 时段级联失效规模全局和局部比率 |
| 4.8.3 时段级联失效负荷损失率 |
| 4.9 级联可靠性模型的演化算法设计 |
| 4.10 本章小结 |
| 第五章 基于模型控制参数的多模式公交系统级联可靠性控制优化 |
| 5.1 大型综合客运枢纽大客流下的常态级联失效演化机理 |
| 5.1.1 大型综合客运枢纽大客流的作用机制 |
| 5.1.2 大型综合客运枢纽大客流下的常态级联失效整体演化概念图 |
| 5.2 模型控制参数和级联可靠性度量指标仿真特性解析 |
| 5.2.1 模型控制参数仿真特性解析 |
| 5.2.2 级联可靠性多视角度量指标体系仿真特性解析 |
| 5.3 实例仿真分析 |
| 5.3.1 实例城市多模式公交系统简介及仿真初始化 |
| 5.3.2 路段零流阻抗控制参数τ的演化分析 |
| 5.3.3 连边传输能力控制参数θ的演化分析 |
| 5.3.4 耦合强度控制参数μ的演化分析 |
| 5.3.5 站点过载调节能力控制参数γ的演化分析 |
| 5.3.6 站点失效负荷动态重分配系数σ的演化分析 |
| 5.3.7 耦合站点失效负荷转换系数δ的演化分析 |
| 5.4 模型控制参数量化分级及控制优化对策生成 |
| 5.4.1 基于AHP的模型控制参数量化分级模型 |
| 5.4.2 基于模型控制参数的控制优化对策 |
| 5.5 本章小结 |
| 第六章 基于主动调控措施的多模式公交系统级联可靠性控制优化 |
| 6.1 基于失效负荷动态重分配机制的控制优化 |
| 6.1.1 遵循用户均衡的失效负荷动态重分配 |
| 6.1.2 基于平均疏散的失效负荷动态重分配 |
| 6.1.3 基于站点容量比例的失效负荷动态重分配 |
| 6.1.4 基于链路预测的失效负荷动态重分配 |
| 6.1.5 实例仿真分析 |
| 6.1.6 控制优化对策 |
| 6.2 基于系统应急处理能力的控制优化 |
| 6.2.1 系统应急处置能力的概念界定 |
| 6.2.2 系统应急处理能力确定方法 |
| 6.2.3 加载系统应急处置能力的一般过程 |
| 6.2.4 系统应急处置能力的加载策略设计 |
| 6.2.5 基于加载策略组1的实例仿真分析 |
| 6.2.6 基于加载策略组2的实例仿真分析 |
| 6.2.7 基于加载策略组3的实例仿真分析 |
| 6.2.8 控制优化对策 |
| 6.3 主动调控措施控制效果的定量化评价 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究成果与结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 附图 |
| 第五章附图 |
| 第六章附图 |
| 致谢 |
| 攻读博士学位期间发表论文及参与科研情况 |
（7）CAN网络间歇性连接故障恶化程度的估计（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 CAN总线介绍 |
| 1.1.2 CAN协议的故障界定和错误处理机制 |
| 1.1.3 CAN网络中的间歇性连接故障 |
| 1.2 国内外研究现状 |
| 1.2.1 工业网络性能评估和优化 |
| 1.2.2 间歇性故障特性及建模方法研究 |
| 1.2.3 工业系统的故障管理方法研究 |
| 1.2.4 工业网络通信可靠性的监控预警 |
| 1.2.5 工业网络连接故障定位方法研究 |
| 1.3 课题研究目标和意义 |
| 1.3.1 研究目标 |
| 1.3.2 研究意义 |
| 1.4 论文的主要研究内容 |
| 1.5 本章小结 |
| 2 多故障源的定位 |
| 2.1 CAN网络IC故障定位问题的阐释 |
| 2.1.1 IC故障的定义 |
| 2.1.2 IC故障导致错误的机制 |
| 2.2 IC故障的定位方法 |
| 2.2.1 CAN网络结构的描述方法 |
| 2.2.2 路径的定义 |
| 2.2.3 错误事件的定义 |
| 2.2.4 数据的采集 |
| 2.2.5 症状的生成 |
| 2.2.6 症状域的定义 |
| 2.2.7 症状-故障关联模型 |
| 2.2.8 基于症状-故障关联模型的故障定位算法 |
| 2.3 多故障源定位实例研究 |
| 2.3.1 实验台的设置 |
| 2.3.2 三处支路IC故障定位实验 |
| 2.3.3 两处支路IC故障与两处干路IC故障定位实验 |
| 2.3.4 两种模型参数确定方法的比较 |
| 2.4 本章小结 |
| 3 错误事件与故障源的关联 |
| 3.1 CAN网络结构的简化 |
| 3.1.1 端口组与节点组 |
| 3.1.2 简化路径 |
| 3.2 组错误事件的症状表 |
| 3.2.1 组错误事件 |
| 3.2.2 组错误事件的症状 |
| 3.2.3 症状表的生成 |
| 3.3 基于决策树的错误事件与故障源关联流程 |
| 3.3.1 决策树的基本概念 |
| 3.3.2 决策树划分属性的选择 |
| 3.3.3 决策树生成算法 |
| 3.3.4 决策树生成过程举例 |
| 3.4 错误事件与故障源关联过程实例演示 |
| 3.4.1 网络中有三处支路IC故障的情形 |
| 3.4.2 网络中有两处支路IC故障和一处干路IC故障的情形 |
| 3.5 实验验证 |
| 3.6 本章小结 |
| 4 多处故障源恶化程度的估计 |
| 4.1 错误事件信息的采集 |
| 4.2 错误事件分布参数的估计 |
| 4.2.1 错误事件产生时刻序列的建立 |
| 4.2.2 错误事件产生过程的假设 |
| 4.2.3 与各故障源关联的错误事件分布参数的初步估计 |
| 4.2.4 错误事件分布参数的更新 |
| 4.3 各IC故障发生频率的估计 |
| 4.3.1 IC故障和错误事件发生过程的建模 |
| 4.3.2 由错误事件产生过程反推IC故障的产生速率 |
| 4.4 IC故障产生速率估计实验验证 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 论文总结 |
| 5.2 研究展望 |
| 参考文献 |
（8）面向蛋白质相互作用网络的蛋白质复合物识别算法研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究工作 |
| 1.4 论文组织结构 |
| 第2章 相关工作综述 |
| 2.1 前言 |
| 2.2 复杂网络的相关理论 |
| 2.2.1 常见的复杂网络模型 |
| 2.2.2 网络的图表示 |
| 2.3 蛋白质相互作用网络 |
| 2.3.1 蛋白质复合物 |
| 2.3.2 蛋白质复合物识别算法 |
| 2.4 基因本体数据库 |
| 2.5 本章小结 |
| 第3章 基于随机游走的蛋白质复合物识别算法 |
| 3.1 前言 |
| 3.2 理论基础 |
| 3.2.1 拓扑特征描述 |
| 3.2.2 基于随机游走的算法 |
| 3.3 算法描述 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据集 |
| 3.4.2 评价标准 |
| 3.4.3 各种算法性能比较 |
| 3.5 本章小结 |
| 第4章 基于拓扑特征和和基因本体信息的蛋白质复合物识别算法 |
| 4.1 引言 |
| 4.2 构建加权图 |
| 4.2.1 基因本体论 |
| 4.2.2 GO术语的相似性计算 |
| 4.3 算法描述 |
| 4.4 实验结果分析及讨论 |
| 4.4.1 数据集 |
| 4.4.2 算法参数设置 |
| 4.4.3 评估指标 |
| 4.5 实验结果分析及讨论 |
| 4.6 本章小结 |
| 第5章 蛋白质网络聚类方法综合分析平台的实现 |
| 5.1 前言 |
| 5.2 系统原理及总体架构 |
| 5.3 系统聚类分析及评估 |
| 5.3.1 蛋白质相互作用网络可视化 |
| 5.3.2 聚类算法及评估方法 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
| 致谢 |
（9）基于片上网络的神经网络加速器研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 二维片上网络的产生 |
| 1.1.2 三维片上网络的产生 |
| 1.1.3 神经网络加速器的产生 |
| 1.1.4 基于NoC的神经网络加速器的产生 |
| 1.2 国内外研究现状 |
| 1.2.1 NoC研究现状 |
| 1.2.2 神经网络加速器研究现状 |
| 1.2.3 基于NoC的神经网络加速器研究现状 |
| 1.3 课题研究目标和意义 |
| 1.4 研究内容与组织结构 |
| 第二章 基于NoC设计的神经网络加速器的相关技术研究 |
| 2.1 NoC拓扑结构 |
| 2.1.1 NoC拓扑结构介绍 |
| 2.1.2 基于NoC的神经网络加速器的拓扑结构 |
| 2.2 NoC映射算法 |
| 2.2.1 3DNoC映射定义 |
| 2.2.2 3DNoC映射算法功耗模型 |
| 2.2.3 3DNoC映射算法实例 |
| 2.2.4 基于NoC的神经网络加速器映射算法 |
| 2.3 NoC仿真平台 |
| 2.4 基于NoC的神经网络加速器仿真器 |
| 2.4.1 NN-Noxim仿真器 |
| 2.4.2 CNN-Noxim仿真器 |
| 2.5 其它神经网络仿真器 |
| 2.6 本章小结 |
| 第三章 基于混合混沌大爆炸算法的3DNoC映射算法研究 |
| 3.1 基于NoC的神经网络加速器的映射算法研究 |
| 3.2 大爆炸算法 |
| 3.2.1 大爆炸算法原理 |
| 3.2.2 混合混沌大爆炸算法原理 |
| 3.3 基于混合混沌大爆炸算法的三维片上网络映射算法 |
| 3.3.1 基于混合混沌大爆炸算法的3DNoC映射原理 |
| 3.3.2 基于混合混沌大爆炸算法的3DNoC映射算法设计与实现 |
| 3.4 仿真实验 |
| 3.4.1 Access Noxim_0.3 仿真器参数设定 |
| 3.4.2 映射仿真实验参数设计 |
| 3.4.3 不同算法的收敛速度对比 |
| 3.4.4 不同算法的功耗对比 |
| 3.5 本章小结 |
| 第四章 基于3DNoC的神经网络加速器研究 |
| 4.1 基于NoC的神经网络硬件加速器架构 |
| 4.2 NoC在神经网络硬件加速器中参数设计 |
| 4.2.1 拓扑选择 |
| 4.2.2 映射方法 |
| 4.2.3 路由器架构 |
| 4.3 仿真实验 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（10）能源互联网电力信息融合风险传递模型与仿真系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 能源互联网国内外研究综述 |
| 1.2.2 电力信息融合国内外研究综述 |
| 1.2.3 电力系统连锁故障国内外研究综述 |
| 1.2.4 电力信息安全风险管理研究国内外研究综述 |
| 1.2.5 电力信息融合风险传递国内外研究综述 |
| 1.2.6 风险传递理论国内外研究现状综述 |
| 1.3 论文主要内容及结构 |
| 1.3.1 论文研究内容 |
| 1.3.2 主要技术路线 |
| 1.4 本文主要创新点 |
| 第2章 能源互联网电力信息融合风险传递基础 |
| 2.1 能源互联网电力信息融合及其挑战 |
| 2.1.1 能源互联网架构及特征 |
| 2.1.2 能源互联网电力信息融合发展趋势 |
| 2.1.3 能源互联网信息物理融合面临的挑战 |
| 2.2 能源互联网电力信息融合风险传递研究架构 |
| 2.2.1 对象解析维 |
| 2.2.2 传递路径维 |
| 2.2.3 分析方法维 |
| 2.3 本章小结 |
| 第3章 能源互联网宏观拓扑结构演化模型构建 |
| 3.1 能源互联网宏观拓扑结构演化模型及先进网架对比分析 |
| 3.1.1 宏观拓扑结构演化模型对比分析 |
| 3.1.2 国际先进网架结构特征分析 |
| 3.2 能源互联网DRF-LRN-MNI宏观拓扑结构构建 |
| 3.2.1 能源互联网分层分区结构 |
| 3.2.2 能源互联网DRF-LRN-MNI宏观拓扑结构 |
| 3.2.3 能源互联网DRF-LRN-MNI宏观拓扑构建流程 |
| 3.3 能源互联网DRF-LRN-MNI拓扑演化机制 |
| 3.3.1 电网分层网格化 |
| 3.3.2 节点及参数设置 |
| 3.3.3 骨干网络生成 |
| 3.3.4 底层微网互联 |
| 3.3.5 复杂网络特征计算 |
| 3.4 以北京电网为例的能源互联网宏观拓扑结构演化分析 |
| 3.4.1 以北京电网为例的仿真参数设置 |
| 3.4.2 北京能源互联网骨干网络宏观结构分析 |
| 3.4.3 北京能源互联网完全网络宏观结构分析 |
| 3.5 本章小结 |
| 第4章 能源互联网电力CPS网络结构脆弱性分析 |
| 4.1 电力信息网络拓扑分型及节点对应机制分析 |
| 4.1.1 电力信息节点对应机制 |
| 4.1.2 典型电力CPS拓扑分型 |
| 4.2 电力CPS典型网络构建及特征分析 |
| 4.2.1 电力CPS典型结构构建 |
| 4.2.2 电力CPS典型结构复杂网络特征分析 |
| 4.3 电力CPS结构脆弱性评估模型 |
| 4.3.1 节点交互系数 |
| 4.3.2 网络结构熵 |
| 4.3.3 节点中心性 |
| 4.3.4 结构动态脆弱性 |
| 4.4 典型电力CPS网络脆弱性分析 |
| 4.4.1 节点交互系数结果分析 |
| 4.4.2 网络结构熵结果分析 |
| 4.4.3 节点中心性结果分析 |
| 4.4.4 动态脆弱性结果分析 |
| 4.5 本章小结 |
| 第5章 能源互联网电力CPS运行风险扰动关系分析 |
| 5.1 电力系统运行风险触发演化分析 |
| 5.1.1 电力系统运行事故触发风险分析 |
| 5.1.2 电力系统运行事故风险演化过程分析 |
| 5.1.3 电力事故风险演化中电力信息交互分析 |
| 5.2 基于DEMATEL-ISM模型的电力CPS运行风险扰动分析 |
| 5.2.1 电力CPS事故系统构建 |
| 5.2.2 电力CPS事故系统致因因素提取 |
| 5.2.3 DEMATEL-ISM方法步骤 |
| 5.3 模型结果分析 |
| 5.3.1 计算过程 |
| 5.3.2 结果分析 |
| 5.4 本章小结 |
| 第6章 能源互联网电力CPS风险传递建模及仿真 |
| 6.1 电力CPS风险传递仿真基础分析 |
| 6.1.1 电力信息交互融合作用点 |
| 6.1.2 电力CPS风险传递路径 |
| 6.1.3 电力CPS风险传递仿真流程 |
| 6.2 基于元胞自动机的电力CPS网络攻击风险传递仿真模型 |
| 6.2.1 元胞自动机概述 |
| 6.2.2 元胞及其状态转换 |
| 6.2.3 元胞空间及邻接矩阵 |
| 6.2.4 状态转换规则 |
| 6.3 电力CPS运行及风险传递的数学解析 |
| 6.3.1 电力节点切除机制 |
| 6.3.2 感染与防御模式分析 |
| 6.3.3 仿真分析指标 |
| 6.4 仿真步骤及案例构建 |
| 6.4.1 仿真步骤 |
| 6.4.2 仿真案例 |
| 6.4.3 仿真参数设置 |
| 6.5 仿真过程及结果分析 |
| 6.5.1 风险的传递和演化仿真过程 |
| 6.5.2 不同攻防御策略下仿真结果分析 |
| 6.5.3 不同节点自愈率下仿真结果分析 |
| 6.5.4 不同功率超限阈值下仿真结果分析 |
| 6.6 本章小结 |
| 第7章 能源互联网电力信息融合风险传递仿真系统需求分析与设计 |
| 7.1 能源互联网电力信息融合风险传递仿真平台概述 |
| 7.1.1 平台设计原则 |
| 7.1.2 平台设计目标 |
| 7.1.3 平台中远期设计规划 |
| 7.2 能源互联网电力信息融合风险传递仿真平台需求分析 |
| 7.2.1 平台业务流程需求 |
| 7.2.2 业务功能模块需求 |
| 7.2.3 非功能模块需求 |
| 7.3 能源互联网电力信息融合风险传递仿真平台架构设计 |
| 7.3.1 J2EE/SOA架构设计 |
| 7.3.2 资源数据库设计 |
| 7.3.3 平台接口设计 |
| 7.3.4 可视化展示设计 |
| 7.4 本章小结 |
| 第8章 研究成果与结论 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
四、基于VC++的网络拓扑图中环的自动识别算法（论文参考文献）
- [1]面向智能工厂的无线传感器网络定位技术研究[D]. 李海啸. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(09)
- [2]轨道交通网络特性及时刻表协调优化[D]. 吴兴堂. 北京交通大学, 2020(03)
- [3]多层网络耦合视角下城市地铁网络脆弱性动态演化研究[D]. 李青. 西安理工大学, 2020(01)
- [4]基于动态PPI网络的蛋白质复合物和关键蛋白质挖掘算法研究[D]. 朱海湾. 江西理工大学, 2020(01)
- [5]基于蛋白质相互作用网络的蛋白质复合物识别算法研究[D]. 王荣全. 吉林大学, 2020(08)
- [6]大型综合客运枢纽大客流下的多模式公交系统级联可靠性研究[D]. 张琳. 东南大学, 2020
- [7]CAN网络间歇性连接故障恶化程度的估计[D]. 胡书齐. 浙江大学, 2020(07)
- [8]面向蛋白质相互作用网络的蛋白质复合物识别算法研究与实现[D]. 王佩恒. 河北科技大学, 2019(07)
- [9]基于片上网络的神经网络加速器研究[D]. 范星冉. 天津工业大学, 2019(02)
- [10]能源互联网电力信息融合风险传递模型与仿真系统研究[D]. 李小鹏. 华北电力大学(北京), 2019(01)