复杂网络度分布估计方法在预测流感病毒发生上的应用
| 中文摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第一章 引言 | 第11-21页 |
| 第一节 复杂网络的发展历程 | 第12-15页 |
| 第二节 研究的机遇和挑战 | 第15-18页 |
| 第三节 本论文的主要内容及结果 | 第18-21页 |
| 第二章 复杂网络图表示及统计特性 | 第21-41页 |
| 第一节 网络的图表示 | 第22-26页 |
| ·图的基本定义 | 第22-24页 |
| ·图的矩阵表示 | 第24-26页 |
| ·图的谱 | 第26页 |
| 第二节 复杂网络的属性 | 第26-29页 |
| ·静态属性 | 第27-29页 |
| ·动态属性 | 第29页 |
| 第三节 复杂网络的几个经典模型 | 第29-39页 |
| ·规则网络 | 第30-31页 |
| ·ER随机图 | 第31-34页 |
| ·小世界网络 | 第34-36页 |
| ·无标度网络 | 第36-38页 |
| ·适应度模型 | 第38-39页 |
| 第四节 小结 | 第39-41页 |
| 第三章 基于相对熵测度判定复杂网络的度分布 | 第41-73页 |
| 第一节 背景 | 第42-44页 |
| 第二节 判定网络度分布的新算法NEPEDRE | 第44-59页 |
| ·信息论中的相对熵 | 第45-46页 |
| ·随机数的生成方法 | 第46-47页 |
| ·基于相对熵的距离测度 | 第47-54页 |
| ·基于相对熵的算法NEPEDRE | 第54-59页 |
| 第三节 算法NEPEDRE的效果 | 第59-71页 |
| ·真实数据的整理 | 第59-60页 |
| ·模拟数据上的效果 | 第60-63页 |
| ·真实数据上的效果 | 第63-71页 |
| 第四节 小结 | 第71-73页 |
| 第四章 流感病毒分类机制的新视角 | 第73-89页 |
| 第一节 数据的收集和处理 | 第75-76页 |
| 第二节 流感病毒传统的分类机制 | 第76-78页 |
| 第三节 序列比对算法MCABMSA | 第78-81页 |
| 第四节 流感病毒分类的新视角 | 第81-83页 |
| 第五节 利用HA序列进行分类的合理性 | 第83-88页 |
| ·HA与NA的协同性 | 第84-85页 |
| ·剩余6个基因与HA的协同性 | 第85-88页 |
| 第六节 小结 | 第88-89页 |
| 第五章 家族分类机制下流感病毒传播机制的探索 | 第89-107页 |
| 第一节 流感病毒发生的时间间隔的幂律特性 | 第89-102页 |
| ·数据的处理和分析 | 第90-96页 |
| ·流感病毒家族的幂律行为特征 | 第96-97页 |
| ·增长模型的提出 | 第97-99页 |
| ·增长模型的效果 | 第99-102页 |
| 第二节 对H7N9病毒所在的家族下次爆发的预测 | 第102-105页 |
| 第三节 小结 | 第105-107页 |
| 第六章 结束语 | 第107-109页 |
| 参考文献 | 第109-119页 |
| 致谢 | 第119-121页 |
| 附录 | 第121-125页 |
| 个人简历 | 第125页 |
