-
公开(公告)号：CN110858225B
公开(公告)日：2022-06-17
申请号：CN201810914247.2
申请日：2018-08-13
Applicant: 中南大学
IPC: G06F16/901 , G06F16/904
Abstract: 本发明公开了一种基于模块度的动态网络边采样方法，包括：初始化接受边集合、拒绝边集合、接收边顶点集合并获取图流；将所述第一条边加入至接受边集合并按照时间序列将图流中的下一条边作为待处理的边，再获取当前的社区数据集合并进行社区划分以及计算出模块度；将图流上的滑动窗口移动至待处理的边后再加入待处理的边重构新社区并计算出模块度；计算两个模块度的差值的绝对值并判断是否大于或等于预设阈值，若是则将所述待处理的边加入至接受边集合；再重复上述步骤继续处理下一条边直至所有边均被处理完；均处理完后依据最新更新的接受边集合和接受边顶点集合生成精简图流。通过该方法能够保留原始动态网络特性同时减少视图中的视觉混杂程度。
-
公开(公告)号：CN108090145A
公开(公告)日：2018-05-29
申请号：CN201711282520.6
申请日：2017-12-07
Applicant: 中南大学
IPC: G06F17/30
Abstract: 本发明提供一种动态网络边采样及其可视化方法，包含以下步骤：1)选取动态网络中任意一组节点对，利用核密度估计方法计算该对节点间边的概率密度函数；2)根据节点对的边的概率密度函数构建合适的参考分布函数，近似表示真实的概率密度分布；3)针对目标节点对的每一条边，使用0-1均匀分布分别获得一个随机值，并计算该边所处时刻概率密度与第二步构建的参考分布函数值的比值，比较该比值与随机值的大小关系，判断是否接受该样本；4)遍历动态网络中的所有节点对，重复步骤1)～3)，获得动态网络经采样后的边样本集。本发明能够在降低动态网络的规模的同时，还能基本保持原始动态网络的结构特征。
-
公开(公告)号：CN107276807A
公开(公告)日：2017-10-20
申请号：CN201710474904.1
申请日：2017-06-21
Applicant: 中南大学
Abstract: 本发明提供了一种基于社区动态紧密度的层次化网络社区树剪枝方法，包括以下步骤，首先，获取网络数据；其次，使用聚类算法对网络节点进行社区划分，得到层次化网络社区树结构；再对层次化网络社区树中每个社区，计算该社区内部节点之间连接的边的数量；并划分时间片，计算社区内部节点在各个时间片内连接的边的数量；最后使用信息熵度量社区节点在各个时间片的紧密度的差异性，若该社区的熵值较大，表示社区的紧密度随时间变化程度较小，应该对其进行收缩；否则，判定该社区的紧密度随时间变化程度较大，对其进行展开。本发明实现了将网络中的重要变化信息突出显示出来，更好更有效的展示了动态网络的多特征时变模式。
-
公开(公告)号：CN105897488A
公开(公告)日：2016-08-24
申请号：CN201610419842.X
申请日：2016-06-13
Applicant: 中南大学
IPC: H04L12/24 , H04B17/309 , H04B17/318
CPC classification number: H04L41/22 , H04B17/309 , H04B17/318
Abstract: 本发明提供了一种无线电信号数据的可视化方法，步骤1：获取从频谱数据和原始电平采样数据中提取的无线电信号数据；步骤2：绘制频率‐带宽散点图；步骤3：使用聚类算法对无线电信号数据进行聚类；步骤4：划分时间片；步骤5：对每个聚类计算每个时间片的平均中心频率、平均带宽、平均信噪比和平均信号强度；步骤:6：绘制信号流图。利用信号流图有效编码无线电信号的多种特征，将时频上较离散的信号数据的多种重要特征平滑地展示出来，更好的展现无线电信号的多特征时变模式，加快分析人员对无线电信号时变模式的宏观感知效率。
-
公开(公告)号：CN105897488B
公开(公告)日：2019-04-09
申请号：CN201610419842.X
申请日：2016-06-13
Applicant: 中南大学
IPC: H04L12/24 , H04B17/309 , H04B17/318
Abstract: 本发明提供了一种无线电信号数据的可视化方法，步骤1：获取从频谱数据和原始电平采样数据中提取的无线电信号数据；步骤2：绘制频率‐带宽散点图；步骤3：使用聚类算法对无线电信号数据进行聚类；步骤4：划分时间片；步骤5：对每个聚类计算每个时间片的平均中心频率、平均带宽、平均信噪比和平均信号强度；步骤:6：绘制信号流图。利用信号流图有效编码无线电信号的多种特征，将时频上较离散的信号数据的多种重要特征平滑地展示出来，更好的展现无线电信号的多特征时变模式，加快分析人员对无线电信号时变模式的宏观感知效率。
-
Patent Agency Ranking
公开(公告)号：CN109101628A
公开(公告)日：2018-12-28
申请号：CN201810922471.6
申请日：2018-08-14
Applicant: 中南大学
IPC: G06F17/30
Abstract: 本发明公开了一种量化评价MSV的边级视觉混杂程度指标计算方法，包括以下步骤：1)获取MSV中的任意一条边e，并计算其不可区分的像素距离值IPD，从边e的中心位置向左右方向分别扩展IPD的宽度，形成不可区分的像素区域IPA；2)将IPA中与边e相互交错的边加入交错边集合；3)对交错边集合按节点顺序进行分解，得到若干等距且相邻的节点对集合，利用并集操作消除重叠覆盖，得到消除重叠覆盖的交错边集合；4)根据消除覆盖的交错边集合与节点对集合计算边e的视觉混杂程度指标。本发明对MSV中边的视觉混杂程度进行定量评价，有助于为后续边采样工作提供可靠依据，进而有助于减少MSV中的视觉混杂程度，提高其可读性。
-
公开(公告)号：CN109101628B
公开(公告)日：2021-11-26
申请号：CN201810922471.6
申请日：2018-08-14
Applicant: 中南大学
IPC: G06F16/958
Abstract: 本发明公开了一种量化评价MSV的边级视觉混杂程度指标计算方法，包括以下步骤：1)获取MSV中的任意一条边e，并计算其不可区分的像素距离值IPD，从边e的中心位置向左右方向分别扩展IPD的宽度，形成不可区分的像素区域IPA；2)将IPA中与边e相互交错的边加入交错边集合；3)对交错边集合按节点顺序进行分解，得到若干等距且相邻的节点对集合，利用并集操作消除重叠覆盖，得到消除重叠覆盖的交错边集合；4)根据消除覆盖的交错边集合与节点对集合计算边e的视觉混杂程度指标。本发明对MSV中边的视觉混杂程度进行定量评价，有助于为后续边采样工作提供可靠依据，进而有助于减少MSV中的视觉混杂程度，提高其可读性。
-
公开(公告)号：CN108090145B
公开(公告)日：2021-11-02
申请号：CN201711282520.6
申请日：2017-12-07
Applicant: 中南大学
IPC: G06F16/901 , G06F16/904
Abstract: 本发明提供一种动态网络边采样及其可视化方法，包含以下步骤：1)选取动态网络中任意一组节点对，利用核密度估计方法计算该对节点间边的概率密度函数；2)根据节点对的边的概率密度函数构建合适的参考分布函数，近似表示真实的概率密度分布；3)针对目标节点对的每一条边，使用0‑1均匀分布分别获得一个随机值，并计算该边所处时刻概率密度与第二步构建的参考分布函数值的比值，比较该比值与随机值的大小关系，判断是否接受该样本；4)遍历动态网络中的所有节点对，重复步骤1)～3)，获得动态网络经采样后的边样本集。本发明能够在降低动态网络的规模的同时，还能基本保持原始动态网络的结构特征。
-
公开(公告)号：CN107276807B
公开(公告)日：2020-06-09
申请号：CN201710474904.1
申请日：2017-06-21
Applicant: 中南大学
Abstract: 本发明提供了一种基于社区动态紧密度的层次化网络社区树剪枝方法，包括以下步骤，首先，获取网络数据；其次，使用聚类算法对网络节点进行社区划分，得到层次化网络社区树结构；再对层次化网络社区树中每个社区，计算该社区内部节点之间连接的边的数量；并划分时间片，计算社区内部节点在各个时间片内连接的边的数量；最后使用信息熵度量社区节点在各个时间片的紧密度的差异性，若该社区的熵值较大，表示社区的紧密度随时间变化程度较小，应该对其进行收缩；否则，判定该社区的紧密度随时间变化程度较大，对其进行展开。本发明实现了将网络中的重要变化信息突出显示出来，更好更有效的展示了动态网络的多特征时变模式。
-
公开(公告)号：CN110858225A
公开(公告)日：2020-03-03
申请号：CN201810914247.2
申请日：2018-08-13
Applicant: 中南大学
IPC: G06F16/901 , G06F16/904
Abstract: 本发明公开了一种基于模块度的动态网络边采样方法，包括：初始化接受边集合、拒绝边集合、接收边顶点集合并获取图流；将所述第一条边加入至接受边集合并按照时间序列将图流中的下一条边作为待处理的边，再获取当前的社区数据集合并进行社区划分以及计算出模块度；将图流上的滑动窗口移动至待处理的边后再加入待处理的边重构新社区并计算出模块度；计算两个模块度的差值的绝对值并判断是否大于或等于预设阈值，若是则将所述待处理的边加入至接受边集合；再重复上述步骤继续处理下一条边直至所有边均被处理完；均处理完后依据最新更新的接受边集合和接受边顶点集合生成精简图流。通过该方法能够保留原始动态网络特性同时减少视图中的视觉混杂程度。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.015 seconds)
