专利交易市场

本发明提供了一种基于全局交互传递性与特征融合的多层调控网络关键节点识别方法，属于生物信息学及计算生物学领域，方法包括：通过构建肿瘤的lncRNA‑miRNA‑mRNA‑TF ceRNA调控网络；选择经典网络拓扑属性以及生物属性（表达变异系数（Corr）和表型相关性（Coef））作为节点特征；利用Bayes算法对节点特征进行融合，将每个节点所得贝叶斯值作为该节点的重要性权重，用PageRank算法在全局网络的相互作用下传递，进一步构建多种特征组合的BPR重要性指标；采用RNADisease数据库中与肿瘤相关的节点作为阳性样本验证BPR指标的预测效果；比较单特征指标、多特征指标与最优BPR指标在RF和Bayes中的预测能力；结果表明，最优BPR指标（包含Degree、EPC、BottleNeck和Coef）在关键节点识别中的能力最强。以肺腺癌为例，本发明成功识别了与肺腺癌进展相关的关键节点，展示了其在生物医学研究及临床应用中的潜在重要价值。

一种基于网络度相关性的信息传播领袖节点提取方法，包括以下步骤：S1：导入网络；S2：选择度最大的节点作为首个领袖节点；S3：提取领袖节点周围的所有邻居节点；S4：邻居节点的度值更新，度值计算去除与领袖节点的连边；S5：迭代选点，找到邻居节点中度值最大的节点作为新的领袖节点，并迭代步骤S2、S3，直到网络中的领袖节点数量达到目标数量ρN；S6:领袖节点分配过滤性能；S7：信息级联传播；S8：计算信息传播范围。本发明提供一种基于网络度相关性的信息传播领袖节点提取方法，考虑到网络的结构特征和网络规模，算法具有较小的时间复杂度，良好的信息过滤性能，在大规模网络上表现更为优异。

本申请涉及一种基于时序路径树的时序网络节点中心性评估方法及装置，基于时序路径树的中心性(SPT‑C)指标来识别时序网路中有影响力的传播者。SPT‑C方法侧重于结合多种时序异构性特征以加速并最大化真实传播。其次，时序路径树(SPT)应用树结构来限制节点之间可能传播路径的数量，压缩了显示路径流模型中的特定传播，并使用接触时间集，将潜在路径集成到从根节点到其他节点的最短路径中，而使提取时序信息变得简单、快速，提高了识别时序网路中有影响力的传播者的效率。

本发明公开了一种河流径流量预测方法，主要是针对无资料水文站点（PUB:Prediction Ungaged Basins）的径流预测。其基本原理是利用复杂网络挖掘水文时空序列的拓扑特性，在此基础上对无资料站点进行径流预测。根据监测网络站点的径流数据构建径流复杂网络模型，在此基础上利用Newman快速算法（FN）进行社团挖掘，以社团挖掘的结果作为基础，进行候选节点的选取，本方法考虑到流域划分与PUB之间的相关性，选取共性节点和特性节点两类节点作为候选节点，最后利用移植法对待预测站点径流量进行预测。本发明提出了一种既考虑了径流数据拓扑结构上的关联，又考虑了径流数据本身的一种对无资料站点的径流预测方法。

本发明提供一种兼顾网络结构和传输性能的边重要性识别方法，属于信息技术领域，包括如下步骤：S1：根据邻居节点计算边两端节点的公共邻居节点个数；S2：计算边两端节点的可达三级路径个数；S3：根据公共邻居节点和可达三级路径得到改进结构洞定义；S4：利用自我网络，定义边的自我网络介数；S5：根据自我网络介数定义边的信息熵；S6：引入调节系数，对边的改进结构洞和信息熵进行加权，计算边的重要度。本发明利用公共邻居节点和可达三级路径，改进传统结构洞方法；基于自我网络介数，定义边的信息熵；引入调节系数对二者进行加权，兼顾了网络结构和传输性能，提高了指挥控制网络边重要性识别精度。

本发明提出了一种基于信息传播概率的复杂网络关键节点识别方法，包括以下步骤：S1，选定源节点，获得源节点到其余节点对应的路径节点集；S2，根据路径节点集计算每个节点的成功获取源节点信息的概率；S3，计算当前源节点的分数；S4，重复步骤S1～S3，直至遍历所有节点作为源节点，S5，给所有源节点的分数进行排序，分数最高的为关键节点。本发明能够使复杂网络中每个节点的中心性都能够使用本发明专利提出的方法被计算到。且通过构建计算节点之间信息传播概率的计算公式，将路径多样性以及信息传播概率引入到复杂网络关键节点识别中。

本发明公开了基于投票机制的复杂网络关键节点识别方法及系统，将产业链抽象为复杂网络，融入集体影响算法，将网络中每个节点的投票得分和投票能力进行初始化；基于初始化后的投票能力，引入每个节点对其不同邻居节点的投票的概率得到其对应的投票得分，将投票得分最高的节点作为关键节点；削弱已选节点一阶和二阶邻居节点的投票能力，对未选节点继续投票，重复步骤，直到选出所有关键节点。

本发明属于复杂网络渗流相变行为分析技术领域，公开了一种基于边耦合的相依网络渗流分析方法及分析系统，基于边耦合的相依网络渗流分析方法包括：构建边‑边相依网络模型；采用自平衡概率理论建立所述边‑边相依网络模型的理论分析框架；基于构建的理论分析框架对其他边边相依网络模型在面临随机失效下的渗流相变行为以及渗流阈值进行分析。本发明采用自平衡概率理论建立该模型的理论分析框架，能够无需跟踪级联失效过程直接写出系统稳定后的状态方程，具有直观简洁的优点。本发明基于该理论框架分析了模型在面临随机失效下的相变行为和渗流阈值，对于理解现实世界中边耦合网络的鲁棒性具有重用的意义。

本发明属于模式识别技术领域，尤其涉及符号网络的结构识别方法及装置，通过获取符号网络的网络邻接矩阵；计算所述网络节点与所述网络块的对应关系，并根据所述网络节点与所述网络块的对应关系，计算网络块之间各类连接类型的连接概率；并最终根据网络块之间各类连接类型的连接概率，识别不止一类符号网络的结构，以提高识别符号网络的结构的效率。

本发明公开了一种OODA环的分层网络分析方法，属于装备体系网络的分析领域。该方法包括步骤：基于OODA环的分层系统在选择节点对敌方节点进行侦察时，根据费用最优原则，优先选择费用较低层的节点；若不满足故障模型，则考虑上一层节点，采用递归法，直到打击节点层无法满足故障模型；此时，进行降级处理，继续逐层考虑分析，计算出侦察敌方节点需要的费用。本发明将由OODA环组成的系统进行分层，根据上述方法，在故障模型下选择侦查节点，保证侦察信息的准确性，并基于费用最低原则，使侦察费用最低。最后计算出侦察敌方节点需要的费用。

本发明公开发明了一种基于渗流模型的影响力最大化种子集合大小确定方法，首先对目标网络进行渗流模拟，求得不同传播概率所对应的目标网络渗流后的最大连通子图大小；对不同传播概率以及其所对应的目标网络渗流模拟后的最大连通子图大小数值进行拟合，求得传播概率与其所对应的目标网络渗流模拟后的最大连通子图大小的拟合函数；通过拟合函数求得目标网络的渗流值；最后通过渗流值求得目标网络影响力最大化种子集合的大小。本发明可以快速求得目标网络影响力最大化种子集合的大小，并且具有很好的鲁棒性。