جستجوی مقالات مرتبط با کلیدواژه "شبکه های پیچیده" در نشریات گروه "برق"
تکرار جستجوی کلیدواژه «شبکه های پیچیده» در نشریات گروه «فنی و مهندسی»-
نشریه مهندسی برق و مهندسی کامپیوتر ایران، سال بیست و پنجم شماره 2 (پیاپی 86، تابستان 1403)، صص 100 -108
ماژولاریتی، یکی از ویژگی های برجسته شبکه های پیچیده است که ساختار این شبکه ها را به صورت گروه های جامعه ای تقسیم می کند. تاکنون، روش های زیادی برای شناسایی جوامع در شبکه های پیچیده به کار گرفته شده است، اما برخی از این روش ها بهینه سازی های محلی دارند که به ترتیب پردازش نودها، جواب نهایی را تحت تاثیر قرار می دهند. در این مقاله، یک روش جدید برای یافتن جوامع در شبکه های پیچیده با استفاده از تقسیم و ادغام پیشنهاد شده است. در این روش، از درخت پوشای کمینه به عنوان یک ابزار برای تشخیص عدم تشابه بین نودها استفاده می شود. در فرایند تقسیم، یال هایی که بیشترین عدم تشابه را نشان می دهند، در درخت پوشای کمینه حذف می شوند تا گروه های کوچکتری از نودهای یک جامعه ایجاد شوند. در فرایند ادغام، هر گروه با گروه همسایه ادغام می شود که ترکیب آنها بیشترین افزایش ماژولاریتی را نسبت به گروه های همسایه دیگر داشته باشند. نتایج آزمایش های انجام شده بر روی شبکه های واقعی و شبکه های ساختگی نشان می دهد که روش پیشنهادی در این مقاله، دقت بهتری برای شناسایی جوامع در شبکه های پیچیده دارد.
کلید واژگان: شبکه های پیچیده, جامعه, درخت پوشای مینیمم, افزایش ماژولاریتیModularity is one of the prominent features of complex networks that divides the structure of these networks into community groups. So far, many methods have been used to identify communities in complex networks, but some of these methods have local optimizations that affect the order of processing nodes and the final solution. In this paper, a new method for finding communities in complex networks using split and merge is proposed. In this method, minimum spanning tree is used as a tool to detect dissimilarity between nodes. In the partitioning process, the edges that show the most dissimilarity are removed in the minimum spanning tree to create smaller groups of nodes in a community. In the merging process, each group is merged with the neighboring group whose combination has the highest increase in modularity compared to other neighboring groups. The results of experiments conducted on real networks and artificial networks show that the method proposed in this article has a good accuracy for identifying communities in complex networks.
Keywords: Complex Networks, Community, Minimum Spanning Tree, Increasing Modularity -
با توسعه شبکه های اجتماعی، چالش های بیشتری در تحلیل آنها ایجاد شده است که نیازمند روش های دقیق تر و سریع تر هستند. یکی از آن چالش ها، یافتن افراد تاثیرگذار در شبکه های اجتماعی است که کاربردهای متنوعی مانند بازاریابی، انتشار اطلاعات و پیشگیری از بیماری ها دارد. بیشتر روش های پیشین این چالش را به عنوان یک مسئله تک هدفه دنبال می کردند؛ به حداکثر رساندن میزان انتشار در شبکه. در این راستا، تعداد مشخصی از افراد به عنوان افراد تاثیرگذار (یا اعضای بذر) انتخاب می شوند و میزان انتشار منجر از انتخاب آنها در شبکه ارزیابی می شود. در حالی که اهداف دیگری مانند هزینه انتخاب هر بذر نیز اهمیت ویژه ای دارد؛ به خصوص در امور تبلیغاتی و راهبرد های مدیریتی. در این مقاله حداکثر رساندن انتشار به عنوان یک مسئله تک هدفه و همچنین کمینه کردن هزینه انتخاب بذرها با توجه به حداکثر رساندن انتشار به عنوان یک مسئله دو هدفه در نظر گرفته شده است. نوآوری مقاله، استفاده از توابع درهم ساز در جهت افزایش سرعت اجرای چالش یافتن اعضای بذر است. در این راستا، الگورتیم H-GA (ترکیب الگوریتم ژنتیک و تابع درهم ساز) برای حل مسئله تک هدفه و الگوریتم H-NSGA-II (ترکیب روش NSGA-II و تابع درهم ساز) برای حل مسئله دو هدفه پیشنهاد می شود. در الگوریتم های پیشنهادی، استفاده از توابع درهم ساز باعث می شود تا از تکرار محاسبات ارزیابی جلوگیری شود. بدین ترتیب، ضمن حفظ دقت حل مساله یافتن اعضای بذر، بهبود قابل توجهی در زمان اجرا ایجاد می شود؛ بهبود زمان اجرا به طور متوسط 8/21% در تمامی آزمایش ها.
کلید واژگان: شبکه های پیچیده, بیشینه سازی انتشار, کمینه کردن هزینه انتخاب بذر, بهینه سازی چند هدفه, الگوریتم ژنتیک -
داده های جریان کلیک سامانه های آموزش الکترونیکی اهمیت زیادی در رابطه با تشخیص سطح علمی دانشجویان آن سامانه ها دارد. بیشتر مطالعات قبلی صورت گرفته بر داده های جریان کلیک، مبتنی بر الگوریتم های یادگیری ماشین بوده است. با توجه به اهمیت الگوریتم های گراف پدیداری و کارایی مطلوب آن ها در تحلیل داده های سری زمانی و تولید آورده های جدید محاسباتی، کارایی مطلوب در پیش بینی و تشخیص قابلیت های متمایز دو سری زمانی مختلف، با نگاشت آن به حیطه داده های آموزشی نیز می توان از این پتانسیل ها بهره برد. هدف این پژوهش تحلیل میانگین کلیک روزانه دانشجویان ممتاز و ضعیف و تبدیل به گراف پدیداری طبیعی و بررسی با معیارهای تحلیل شبکه پیچیده مانند مرکزیت درجه، مرکزیت نزدیکی و توزیع درجه برای تشخیص تفاوت رفتاری آن ها است. داده های پژوهش از سامانه آموزشی متن باز OULAD که حاوی اطلاعات تعامل دانشجویان با سامانه است، انتخاب شده است. نتایج بیانگر این مفهوم است که بالاتر بودن مرکزیت درجه، مرکزیت نزدیکی و توزیع درجه متمایز کننده دانشجو ممتاز از ضعیف و تایید کننده عدم شباهت رفتاری دانشجویان براساس میانگین کلیک هایشان در سامانه است. میانگین دقت این معیارها با الگوریتم های درخت تصمیم، جنگل تصادفی و KNN و... بعد از اجرا در ده لایه صورت گرفته که الگوریتم درخت تصمیم با 78 درصد بهترین میانگین دقت تفکیک کنندگی را داشته است.
کلید واژگان: داده های جریان کلیک, داده های سری زمانی آموزش الکترونیکی, گراف پدیداریطبیعی, تحلیل گراف پدیداری, شبکه های پیچیده, تحلیل شبکه -
سیستم‌های ارتباطی غالبا در معرض انواع خرابی‌های تصادفی و حملات هدفمند قرار دارند. در خرابی‌هایی از نوع تصادفی، گره‌ها با احتمال یکسانی دچار خرابی شده و از شبکه حذف می‌شوند. اما در حملات سیستماتیک، گره‌هایی که بیشترین اهمیت را دارند اول از همه مورد حمله واقع می‌شوند. استحکام در قبال اشکالات و خرابی‌ها و نیز برخورد مناسب با حملات و اشکالات یکی از ملزومات اساسی در اغلب شبکه‌ها و سیستم‌های ارتباطی امروزی به شمار می‌رود. بدین ترتیب، لازم است که سیستم‌های ارتباطی، اطمینان‌پذیری، دسترس‌پذیری و استحکام بالایی را در برابر خرابی‌ها، اشکالات و حملات از خود نشان دهند چرا که ممکن است خود به‌عنوان زیرساختی برای بسیاری از شبکه‌های ارتباطی مورد استفاده قرار بگیرند. همچنین، تبیین شباهت‌ها/عدم شباهت‌ها میان مدل‌های مختلف گراف و مطالعه ناهمگنی گراف‌ها، یکی از مسایل پژوهشی بنیادی در مطالعه شبکه‌های پیچیده و اجتماعی محسوب می‌شود. در این مقاله آسیب‌پذیری و ناهمگنی گراف‌های شبه سرپینسکی را همراه با معرفی مجموعه‌ای از مهم‌ترین معیارهای استحکام و ناهمگنی مورد تجزیه و تحلیل قرار می‌دهیم. در بخش پیاده‌سازی معیارها نشان داده می‌شود که از بین شبکه‌های شبه سرپینسکی، شبکه سرپینسکی تعمیم یافته دارای مستحکم‌ترین و نیز همگن‌ترین ساختار عمل می‌کند. تعداد و نوع اشکالات هیچ محدودیتی را به بررسی‌های انجام شده تحمیل نمی‌کند و تلاش براین بوده تا برای حملات هدفمند الگو‌های متنوعی را مورد آزمون قرار دهیم. با این همه، معیارهای مورد استفاده محدود به شبکه‌های شبه سرپینسکی نبوده و قادرند تا برای انواع مختلفی از معیارهای استحکام و ناهمگنی و نیز طیف گسترده‌ای از شبکه‌ها مورد استفاده واقع شوند.
کلید واژگان: شبکه های پیچیده, شبکه های شبه سرپینسکی, معیارهای استحکام و شاخصهای ناهمگنی -
سیستم های ارتباطی غالبا در معرض انواع خرابی های تصادفی و حملات هدفمند قرار دارند. در خرابی هایی از نوع تصادفی، گره ها (پیوند ها) با احتمال یکسانی دچار خرابی شده و از شبکه حذف می شوند. اما در حملات سیستماتیک، گره هایی که بیشترین اهمیت را (برای مثال درجه، نزدیکی، بینیت) دارند اول از همه مورد حمله واقع می شوند. استحکام در قبال اشکالات و خرابی ها و نیز برخورد مناسب با حملات و اشکالات یکی از ملزومات اساسی در اغلب شبکه ها و سیستم های ارتباطی امروزی به شمار می رود. بدین ترتیب، لازم است که سیستم های ارتباطی، اطمینان پذیری، دسترس پذیری و استحکام بالایی را در برابر خرابی ها، اشکالات و حملات از خود نشان دهند چرا که ممکن است خود به عنوان زیرساختی حیاتی برای بسیاری از شبکه های ارتباطی مورد استفاده قرار بگیرند. تحقیقات انجام شده نشان می دهد که شبکه های پیچیده موجود، که از ساختار مستقل از مقیاس پیروی می کنند، در برابر حملات هدفمند نسبت به حملات تصادفی آسیب پذیرتر هستند. در این مقاله استحکام گراف های هانوی و خانواده سرپینسکی و آپولونین را همراه با معرفی مجموعه ای از مهم ترین معیارهای استحکام مورد تجزیه و تحلیل قرار می دهیم. مشارکت اصلی در مطالعه حاضر این است که با کمک این معیارها بتوانیم اطمینان پذیری و آسیب پذیری این همبندی های کاربردی را در برابر حملات هدفمند آزموده و انواع روش های ساخت آن ها را از منظر ایمنی و استحکام برای ارتباطات میان موجودیت ها مطالعه نماییم. تعداد و نوع اشکالات هیچ محدودیتی را به بررسی های انجام شده تحمیل نمی کند و تلاش براین بوده تا برای حملات هدفمند الگو های متنوعی را مورد آزمون قرار دهیم. با این همه، معیارهای مورد استفاده محدود به شبکه های فوق نبوده و قادرند تا برای انواع مختلفی از اشکالات و نیز طیف گسترده ای از شبکه ها مورد استفاده واقع شوند. در ادامه، یک معماری نوین شبکه های دفاعی با بررسی تاب آوری آنها در مقابل حملات هدفمند، چگونگی تغییرات این شبکه ها در مقابل حملات هدف دار و معیارهای ارزیابی استحکام این شبکه ها پرداخته می شود. نتایج حاصل شده نشان می دهد که شبکه های دفاعی گسترده با الهام از همبندی های توصیف شده توانسته بحران ایجاد شده را مدیریت کند و اتصال پذیری خود را به خوبی حفظ کند.
کلید واژگان: شبکه های پیچیده, حملات هدفمند و بومی سازی شده, بهبود تاب آوری, معیارهای استحکام, شبکه های دفاعیJournal of Command and Control Communications Computer Intelligence, Volume:5 Issue: 4, 2022, PP 105 -128Communication systems are often exposed to a variety of random failures and targeted attacks. In random failures, nodes (links) fail with the same probability and are removed from the network. But in systematic attacks, the nodes that have the most importance (for example, degree, closeness, binit) are attacked first. Robustness against faults and breakdowns, as well as proper handling of attacks and faults, is one of the basic requirements in most of today's networks and communication systems. Thus, it is necessary for communication systems to show high reliability, availability, and robustness against failures, bugs, and attacks because they may be used as critical infrastructure for many communication networks. The research shows that existing complex networks, which follow a scale-independent structure, are more vulnerable to targeted attacks than random attacks. In this article, we analyze the robustness of Hanoi graphs and the Sierpinski and Apollonian families along with the introduction of a set of the most important robustness criteria. The main contribution of the present study is that with the help of these criteria, we can study the reliability and vulnerability of these functional connections against tested targeted attacks and the various methods of their construction from the perspective of safety and strength for communication between entities. The number and type of bugs do not impose any restrictions on the conducted investigations, and the effort was to test various patterns for targeted attacks. However, the criteria used are not limited to the above networks and are able to be used for different types of problems as well as a wide range of networks. In the following, a new architecture of defense networks is discussed by examining their resilience against targeted attacks, how these networks change against targeted attacks and the criteria for evaluating the strength of these networks. The obtained results show that the extensive defense networks inspired by the described connections were able to manage the created crisis and maintain their connectivity well.
Keywords: Complex networks, Targeted, localized attacks, Improvement of resilience, Measures of robustness, Defense networks -
مساله تشخیص اجتماع، یکی از مسایل چالش برانگیز بهینه سازی است که شامل جستجو برای اجتماعاتی است که به یک شبکه یا گراف تعلق دارند و گره های عضو هر یک از آن ها دارای ویژگی های مشترک هستند، که تشخیص ویژگی های جدید یا روابط خاص در شبکه را ممکن می سازند. اگرچه برای مساله تشخیص اجتماع الگوریتم های متعددی ارایه شده است، اما بسیاری از آن ها در مواجه با شبکه های با مقیاس بزرگ قابل استفاده نیستند و از هزینه محاسباتی بسیار بالایی برخوردارند. در این مقاله، الگوریتم جدیدی مبتنی بر یادگیری تقویتی چندعاملی برای تشخیص اجتماع در شبکه های پیچیده ارایه خواهیم کرد که در آن، هر عامل یک موجودیت مستقل با پارامترهای یادگیری متفاوت هستند و بر اساس همکاری بین عامل ها، الگوریتم پیشنهادی به صورت تکرارشونده و بر اساس مکانیزم یادگیری تقویتی، به جستجوی اجتماعات بهینه می پردازد. کارایی الگوریتم پیشنهادی را بر روی چهار شبکه واقعی و تعدادی شبکه مصنوعی ارزیابی شده است، و با تعدادی از الگوریتم های مشهور در این زمینه مقایسه می کنیم. بر اساس ارزیابی انجام گرفته، الگوریتم پیشنهادی علاوه بر دقت بالا در تشخیص اجتماع، از سرعت و پایداری مناسبی برخوردار است و قابلیت رقابت و حتی غلبه بر الگوریتم های مطرح در زمینه تشخیص اجتماع را نیز داشته و نتایج الگوریتم پیشنهادی بر اساس معیارهای Q-ماجولاریتی و NMI متوسط بر روی شبکه های واقعی و مصنوعی به ترتیب 33/12%، 85/9% و بیش از 21 % بهتر از الگوریتم های مورد مقایسه است.
کلید واژگان: شبکه های پیچیده, تشخیص اجتماع, سیستم های چندعاملی, یادگیری تقویتی, Q-ماجولاریتیRecent researches show that diverse systems in many different areas can be represented as complex networks. Examples of these include the Internet, social networks and so on. In each case, the system can be modeled as a complex and very large network consisting of a large number of entities and associations between them. Most of these networks are generally sparse in global yet dense in local. They have vertices in a group structure and the vertices within a group have higher density of edges while vertices among groups have lower density of edges. Such a structure is called community and is one of the important features of the network and is able to reveal many hidden characteristics of the networks. Today, community detection is used to improve the efficiency of search engines and discovery of terrorist organizations on the World Wide Web. Community detection is a challenging NP-hard optimization problem that consists of searching for communities. It is assumed that the nodes of the same community share some properties that enable the detection of new characteristics or functional relationships in a network. Although there are many algorithms developed for community detection, most of them are unsuitable when dealing with large networks due to their computational cost. Nowadays, multiagent systems have been used to solve different problems, such as constraint satisfaction problems and combinatorial optimization problems with satisfactory results. In this paper, a new multiagent reinforcement learning algorithm is proposed for community detection in complex networks. Each agent in the multiagent system is an autonomous entity with different learning parameters. Based on the cooperation among the learning agents and updating the action probabilities of each agent, the algorithm interactively will identify a set of communities in the input network that are more densely connected than other communities. In other words, some independent agents interactively attempt to identify communities and evaluate the quality of the communities found at each stage by the normalized cut as objective function; then, the probability vectors of the agents are updated based on the results of the evaluation. If the quality of the community found by an agent in each of the stages is better than all the results produced so far, then it is referred to as the successful agent and the other agents will update their probability vectors based on the result of the successful agent. In the experiments, the performance of the proposed algorithm is validated on four real-world benchmark networks: the Karate club network, Dolphins network, Political books network and College football network, and synthetic LFR benchmark graphs with scales of 1000 and 5000 nodes. LFR networks are suitable for systematically measuring the property of an algorithm. Experimental results show that proposed approach has a good performance and is able to find suitable communities in large and small scale networks and is capable of detecting the community in complex networks In terms of speed, precision and stability. Moreover, according to the systematic comparison of the results obtained by the proposed algorithm with four state-of-the-art community detection algorithms, our algorithm outperforms the these algorithms in terms of modularity and NMI; also, it can detect communities in small and large scale networks with high speed, accuracy, and stability, where it is capable of managing large-scale networks up to 5000 nodes.
Keywords: Complex networks, Community detection, Multiagent systems, Reinforcement learning, Modularity Q -
Recently, network representation has attracted many research works mostly concentrating on representing of nodes in a dense low-dimensional vector. There exist some network embedding methods focusing only on the node structure and some others considering the content information within the nodes. In this paper, we propose HDNR; a hybrid deep network representation model, which uses a triplet deep neural network architecture that considers both the node structure and content information for network representation. In addition, the author's writing style is also considered as a significant feature in the node content information. Inspired by the application of deep learning in natural language processing, our model utilizes a deep random walk method to exploit inter-node structures and two deep sequence prediction methods to extract nodes' content information. The embedding vectors generated in this manner were shown to have the ability of boosting each other for learning optimal node representation, detecting more informative features and ultimately a better community detection. The experimental results confirm the effectiveness of this model for network representation compared to other baseline methods.
Keywords: Community Detection, deep learning, citation network -
ماهیت فراگیر پلتفرم های شبکه های اجتماعی منجر به تولید حجم زیادی از داده ها شده است. عدم وجود محدودیت برای به اشتراک گذاشتن اطلاعات در این شبکه ها باعث گسترش اطلاعات بدون توجه به اعتبار آنها می شود. چنین اطلاعات غلطی معمولا منجر به تولید و انتشار شایعات می گردد. بنابراین، تشخیص خودکار شایعات در شبکه های اجتماعی یکی از حوزه های تحقیقاتی جذاب برای تجزیه و تحلیل این شبکه ها است. این مقاله روشی را برای مقابله با انتشار شایعات در شبکه های اجتماعی بر پایه مدل شبکه عصبی خودرمزگذار و مدل انتشار اپیدمی ILSR معرفی می کند. در اینجا، مدل شبکه عصبی خودرمزگذار با چندین آستانه ابتکاری برای تشخیص اولیه شایعه اعمال شده و سپس کنترل شایعات توسط یک نسخه توسعه یافته ای از مدل شیوع اپیدمی ILSR انجام می شود. مدل پیشنهادی با نام ILSHR کاربران شبکه اجتماعی را در پنج گروه جاهل، کمین، پخش کننده، خواب زمستانی و سختگیر در نظر می گیرد. با توجه به حالات انتقال در مدل انتشار شایعه ILSHR، این مدل علاوه بر خصوصیات مربوط به گروه افراد کمین، خصوصیات گروه افراد خواب زمستانی را نیز از مدل SIHR لحاظ می کند. مکانیسم های فراموشی و یادآوری از خواب زمستانی میتواند زمان ترمینال شایعه را به تعویق انداخته و در نهایت باعث کاهش تاثیر شایعه در شبکه اجتماعی شود. تجزیه و تحلیل روش پیشنهادی برای مدل سازی انتشار شایعات روی مجموعه داده شبکه اجتماعی سینا ویبو انجام شده است. نتایج نشان دهنده عملکرد بهتر روش پیشنهادی با دقت تشخیص 95.7% نسبت به مدل های DGRU و DLSTM می باشد.کلید واژگان: انتشار شایعه, شبکه های اجتماعی, شبکه های پیچیده, مدل ILSR, درجه گره هاThe pervasive nature of social networking platforms has led to the production of large amounts of data. The lack of restrictions on information sharing on these networks allows information to be spread regardless of their validity. Such misinformation usually leads to the production and dissemination of rumors. Therefore, automatic detection of rumors on social networks is one of the attractive research areas for the analysis of these networks. This paper introduces a way to deal with the spread of rumors on social media based on the autoencoder neural network model and the ILSR epidemic dissemination model. Here, the autoencoder neural network model is applied with several innovative thresholds for initial rumor detection and then rumor control is performed by an extended version of the ILSR epidemic outbreak model. The proposed model called ILSHR considers social network users in five groups: Ignorant, Lurker, Spreader, Hibernator, and Removal. According to the transmission modes in the ILSHR rumor model, in addition to the characteristics of the lurker group, this model also considers the characteristics of the hibernator group of the SIHR model. Mechanisms of forgetfulness and reminders of hibernation can delay the rumor terminal time and ultimately reduce the impact of the rumor on the social network. The proposed method for modeling the spread of rumors has been performed on the Sina Weibo social network dataset. The results show better performance of the proposed method with 95.7% detection accuracy compared to DGRU and DLSTM models.Keywords: Rumor spread, Social networks, Complex networks, ILSR model, degree of nodes
-
در این مقاله به بررسی توپولوژی شبکه های تطبیقی پیچیده مبتنی بر الگوریتم کم ترین مربعات خطا (LMS) برای حالت مشارکت نفوذی و مد تطبیق-ترکیب به منظور تخمین پارامتر پرداخته می شود. مدل های شبکه پیچیده استفاده شده شامل شبکه های منظم، تصادفی و جهان کوچک با شرایط وابستگی مکانی و زمانی دیتا می باشد. مشخصات استفاده شده برای پیاده سازی شبکه های پیچیده علاوه بر میزان دقت تخمین شبکه شامل پارامترهای طول مسیر، ضریب خوشه گرایی و اتصال جبری شبکه خواهد بود. نتایج شبیه سازی ها در تمامی شبکه های پیچیده نشان می دهد که در دو حالت لینک ایده ال و نویزی، شبکه جهان کوچک به دلیل اضافه کردن لینک های تصادفی به شبکه منظم، به دلیل داشتن پارامتر اتصال جبری پایین (میزان مقاوم بودن به از بین رفتن گره)، طول متوسط کوتاه ترین مسیر قابل قبول و ضریب خوشه گرایی بالا (محلی بودن گره ها) در کنار عملکرد تخمین مطلوب دارای برتری نسبی نسبت به سایر شبکه ها دارا است. این از لحاظ طراحی عملی شبکه بسیار مفید می باشد. نتایج شبیه سازی ها برای ضریب ترکیب متروپولیس در ادامه آورده شده است.کلید واژگان: شبکه های تطبیقی, تخمین توزیع شده, مشارکت نفوذی, شبکه های پیچیده, تئوری گراف, الگوریتم LMS, معیار بازدهی شبکه, MSDIn this paper, the topology of complex adaptive networks based on distributed estimation least mean square (LMS) algorithm for the diffusion mode of cooperation (ATC) is studied . The study c overs different network models, including the regular, small - world and random assuming temporal and spatial dependence of data. The parameters used for implementation of complex networks are average path length, cluster coefficient and algebraic connectivi ty in addition to the performance of the network. The simulation results indicate that in all complex networks with ideal and noisy links, the small - world networks (for adding random links) are better candidates for practical implementations due to high al gebraic connectivity (robust to node failure problem) , average path length and cluster coefficients (strong locality). Simulation results are also included for the Metropolis coefficient combination.Keywords: Adaptive networks, distributed estimation, diffusion mode, complex networks, graph theory, LMS Algorithm, mean square deviation (MSD)
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.