基于组稀疏贝叶斯学习的时空监控网络挖掘方法

《基于组稀疏贝叶斯学习的时空监控网络挖掘方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号ＴＰｌ拍单位代码，１０１拍：研巧生学号ｔ如１３巧２０５３巧级ｔ公开馨巧林大学硕古学位论文学术（基于组稀疏贝叶斯学习的时空监控网络挖掘方法－ｕａｎｃｅＮｅｔｗｏｒｋＭｉｏｅｍｒａｌＳｒｖｅｉｌｌｉｎｉｎｇＳｐａｔｔｐｏｂａｓｅｄｏｎＧｒｏｕＳａｒｓｅＢａｙｅｓｉａｎＬｅａｒｎｉｎｐｐｇ作者姓名：王馨营专业：计算化软件与理论研究方向：数据巧捆指导教师：杨巧教授培养单位：计算机科学与技术学院２０１６年４月未经本论文作者的书

2、面授权，依法收存和保管本论文书面版本、电子版本的任何单位和个人，均不得对本论文的全部或部分内容进行任何形式的复制、修改、发行、出租、改编等有碍作者著作权的商业性使用。（但纯学术性使用不在此限）否则，应承担侵权的法律责任。吉林大学硕古学位论文原创性声明本人郑重声明：所呈交的硕±学位论文，是本人在指导教师的指导下，。独立进行研巧工作所取得的成果除文中己经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均己在文

3、中ｔｉｌ明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：ｉｒ日期：２０１６年至月日基于组稀疏贝叶斯学习的时空监控网络挖掘方法MiningSpatio-temporalSurveillanceNetworkbasedonGroupSparseBayesianLearning作者姓名：王馨蕾专业名称：计算机软件与理论指导教师：杨博教授学位类别：工学硕士答辩日期：2016年5月25日摘要摘要基于组稀疏贝叶斯学习的时空监控网络挖掘方法现实世界中存在诸如流行病传播和信息扩散

4、等各种各样的传播现象。传播预测对于人们深入理解这些传播过程的复杂机理具有十分重要的意义。简言之，传播预测是指：根据当前时刻观察到的系统状态，预测下一时刻未知的系统状态。现有的传播预测方法大都基于如下两个假设：（1）传播过程所依赖的传播网络结构已知；（2）不考虑监控成本，认为传播网络中所有节点的状态都可被获取。然而，以上两个假设在实际应用中通常难以成立。一方面，真实世界中的传播过程复杂多变，传播网络节点间的交互结构往往是异构的，隐含的，动态改变的，不能被直接观察到，因而具体的传播网络结构通常很难获取；另一方

5、面，真实世界中的传播过程往往会覆盖的较大的时空范围，如席卷全球的流行病传播和互联网上的信息扩散，因而实时监控所有网络节点开销巨大，特别在监控资源十分有限的条件下，监控全部传播空间尤为困难。针对上述两个问题，本文提出了时空监控网络的概念和从数据中挖掘出时空监控网络的方法。本文将时空监控网络定义为真实隐含传播网络的一个近似，其拓扑结构具有如下特征：（1）该网络是有向网络，有向边表示传播过程中节点间的相互影响关系；（2）该网络包含了真实传播网络的所有节点；（3）该网络存在少数哨兵节点，基于哨兵节点当前的状态可近

6、似地预测出网络中所有节点的下一时刻状态。基于以上概念，本文针对两类常见的传播系统分别提出了两种时空监控网络学习方法。（1）针对线性传播系统（节点状态表示为连续的实数），本文将时空监控网络学习问题建模为线性回归问题，提出了基于组稀疏贝叶斯回归模型的时空监控网络挖掘方法；（2）针对传播数据稀疏的非线性传播系统（节点状态表示为离散的整数），本文将时空监控网络学习问题建模为分类问题，提出了基于组稀疏贝叶斯分类模型的时空监控网络挖掘方法。本文对提出的上述方法进行了理论分析，并设计了多种实验方案，分别采用人工合成数据

7、和真实数据对它们进行了充分验证。I摘要关键词：复杂系统，数据挖掘，传播网络推断，时空监控网络，组稀疏贝叶斯学习IIAbstractAbstractMiningSpatio-temporalSurveillanceNetworkbasedonGroupSparseBayesianLearningThereareavarietyofdiffusionsystemsintherealworld,suchasepidemicspreadingsystemsandinformationdiffusionsystem

8、s.Inordertounderstandthecomplexmechanismsofthesediffusionprocess,researchersbegantostudythepredictionindiffusionsystem.Inshort,thepredictionofdiffusionsystemmeans:accordingtothecurrentobservedsystemstate,wecanpredic