基于3D卷积神经网络的多节点间链路预测方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景概述 | 第9-12页 |
| 1.1.1 机会网络 | 第9-11页 |
| 1.1.2 链路预测 | 第11-12页 |
| 1.2 研究目的和意义 | 第12-13页 |
| 1.3 研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 研究现状 | 第15-21页 |
| 2.1 链路预测的相关研究 | 第15-17页 |
| 2.1.1 基于相似性的预测方法 | 第15-16页 |
| 2.1.2 基于概率模型的预测方法 | 第16页 |
| 2.1.3 基于分解混合的预测方法 | 第16-17页 |
| 2.2 深度学习的相关研究 | 第17-19页 |
| 2.2.1 网络模型研究 | 第17-18页 |
| 2.2.2 训练算法改进 | 第18页 |
| 2.2.3 模型性能优化 | 第18-19页 |
| 2.3 深度学习在预测领域的相关研究 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 相关理论 | 第21-29页 |
| 3.1 链路预测方案 | 第21-22页 |
| 3.2 动态网络预处理 | 第22-24页 |
| 3.2.1 时间序列分析 | 第22页 |
| 3.2.2 混沌理论 | 第22-23页 |
| 3.2.3 自相关函数 | 第23-24页 |
| 3.3 卷积神经网络 | 第24-28页 |
| 3.3.1 卷积层 | 第24-26页 |
| 3.3.2 池化层 | 第26页 |
| 3.3.3 全连接层 | 第26-27页 |
| 3.3.4 输出层 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 机会网络的表征方法 | 第29-36页 |
| 4.1 网络特点分析 | 第29-30页 |
| 4.2 动态数据处理 | 第30-31页 |
| 4.2.1 切片时长的选择 | 第30-31页 |
| 4.2.2 机会网络的量化 | 第31页 |
| 4.3 网络属性表征 | 第31-35页 |
| 4.3.1 关系属性的表征方法 | 第32页 |
| 4.3.2 空间属性的表征方法 | 第32-33页 |
| 4.3.3 时间属性的表征方法 | 第33-34页 |
| 4.3.4 多维属性的混合表征方法 | 第34-35页 |
| 4.4 本章小结 | 第35-36页 |
| 第5章 多节点间链路预测模型 | 第36-44页 |
| 5.1 基于模式分类的预测方法 | 第36-38页 |
| 5.1.1 预测模型的确定 | 第36-37页 |
| 5.1.2 预测区域的选择 | 第37页 |
| 5.1.3 链路模式的划分 | 第37-38页 |
| 5.2 三维卷积神经网络 | 第38-40页 |
| 5.2.1 3D卷积 | 第38-39页 |
| 5.2.2 3D-CNN结构 | 第39页 |
| 5.2.3 模型的规则化 | 第39-40页 |
| 5.3 构建3D-CNN预测模型 | 第40-42页 |
| 5.3.1 模型结构的确定 | 第40-41页 |
| 5.3.2 超参数的设置 | 第41-42页 |
| 5.3.3 训练算法的确定 | 第42页 |
| 5.4 本章小结 | 第42-44页 |
| 第6章 实验与分析 | 第44-56页 |
| 6.1 实验设计 | 第44-47页 |
| 6.1.1 实验数据集 | 第44-45页 |
| 6.1.2 实验平台及工具 | 第45-46页 |
| 6.1.3 评价指标 | 第46页 |
| 6.1.4 实验方案 | 第46-47页 |
| 6.2 实验结果与分析 | 第47-55页 |
| 6.2.1 不同参数模型的预测效果实验 | 第47-53页 |
| 6.2.2 不同预测方案的性能对比实验 | 第53-55页 |
| 6.3 本章小结 | 第55-56页 |
| 第7章 总结与展望 | 第56-58页 |
| 7.1 总结 | 第56页 |
| 7.2 展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间参与课题情况 | 第63-64页 |
| 攻读硕士期间发表论文、软件著作权及获奖情况 | 第64-65页 |
| 致谢 | 第65-66页 |
