-
公开(公告)号：CN106295907A
公开(公告)日：2017-01-04
申请号：CN201610712688.5
申请日：2016-08-23
Applicant: 浙江工业大学
Abstract: 一种基于二阶局部社团信息的预测网络未知连边的方法，构建网络模型；获取一对未连接节点的一阶共同邻居节点和二阶共同邻居节点，这些节点及其之间的连边构成二阶局部社团；记录该社团的节点总数和连边总数；计算该社团的边聚类系数、简谐平均距离和二阶局部社团系数；计算节点对之间的相似性分数指标；遍历整个网络，对任意两个未连接节点，计算相应的节点对之间的相似性分数指标，将所有的未连接节点对之间的相似性分数按降序排列，取前m个指标对应的节点对为预测连边。本发明考虑了两个未连接节点之间的含一阶共同邻居和二阶共同邻居的二阶局部社团，充分利用了网络局部结构信息，预测效果好，准确率高。
-
公开(公告)号：CN105136160B
公开(公告)日：2017-08-22
申请号：CN201510452115.9
申请日：2015-07-28
Applicant: 浙江工业大学
Abstract: 一种基于移动终端和增强现实技术的近距离最优公交站点导航方法，包括以下步骤：步骤一：构建城市空间公交网络；步骤二：根据目的地D和当前位置O计算获取最佳上车公交站点；步骤三：根利用方位角实现方向实时感知；步骤四：构建实时引导道路网络模型R；步骤五：采用实时引导方式准确引导至最佳上车站点。本发明加入了增强现实技术后，结合方位感知和公交车的实时信息反馈功能，将信息直观的显示在现实场景中，提供了更加直观准确的导航和实时信息掌握，实现了小范围内的精确导航，为用户的出行提供了更好的便捷出行和用户体验。
-
公开(公告)号：CN105136160A
公开(公告)日：2015-12-09
申请号：CN201510452115.9
申请日：2015-07-28
Applicant: 浙江工业大学
CPC classification number: G01C21/3647 , G01C21/34 , G01C21/3673
Abstract: 一种基于移动终端和增强现实技术的近距离最优公交站点导航方法，包括以下步骤：步骤一：构建城市空间公交网络；步骤二：根据目的地D和当前位置O计算获取最佳上车公交站点；步骤三：根利用方位角实现方向实时感知；步骤四：构建实时引导道路网络模型R；步骤五：采用实时引导方式准确引导至最佳上车站点。本发明加入了增强现实技术后，结合方位感知和公交车的实时信息反馈功能，将信息直观的显示在现实场景中，提供了更加直观准确的导航和实时信息掌握，实现了小范围内的精确导航，为用户的出行提供了更好的便捷出行和用户体验。
-
公开(公告)号：CN106921516A
公开(公告)日：2017-07-04
申请号：CN201710058277.3
申请日：2017-01-23
Applicant: 浙江工业大学
IPC: H04L12/24
CPC classification number: H04L41/12 , H04L41/145 , H04L41/147
Abstract: 一种基于二阶局部群落结构信息和节点相关性的预测网络连边的方法，建立网络模型，提取两个无连边节点的一阶和二阶共同邻居节点及其之间的边组成二阶局部群落，记录该群落的节点和边的总数，计算此群落的边聚类系数、简谐平均距离、连边密度和二阶局部群落系数；计算两个无连边节点间的皮尔逊积矩相关系数，记录节点邻居数，计算两节点间的相似性指标；对整个网络任意两个无连边的节点，计算二者之间的相似性指标，将所有无连边节点对之间的相似性分数按降序排列，取前h个指标对应的两个节点为预测连边。本发明考虑了群落的结构信息和节点之间的皮尔逊相关系数以及局部群落的内部属性，有效利用了网络的相关性信息，准确性较高，预测精度较高。
-
公开(公告)号：CN106886679A
公开(公告)日：2017-06-23
申请号：CN201710058276.9
申请日：2017-01-23
Applicant: 浙江工业大学
IPC: G06F19/00
CPC classification number: G16Z99/00
Abstract: 一种基于二阶局部群落共同邻居比例和节点相关性的预测网络连边的方法，建立网络模型，提取两个无连边节点的一阶和二阶共同邻居节点及其之间的边组成二阶局部群落，记录该群落的节点和边的总数，计算此群落的边聚类系数、简谐平均距离、连边密度和二阶局部群落系数。计算两个无连边节点间的皮尔逊积矩相关系数，计算共同邻居比例，计算两节点间的相似性指标，对整个网络任意两个无连边的节点，计算二者之间的相似性指标，将所有无连边节点对间的相似性分数按降序排列，取前h个指标对应的两个节点为预测连边。本发明考虑了节点之间的共同邻居比例、皮尔逊相关系数以及局部群落的内部属性，有效利用了网络的相关性信息，准确性较高，预测精度较高。
-
Patent Agency Ranking
公开(公告)号：CN106878069A
公开(公告)日：2017-06-20
申请号：CN201710058270.1
申请日：2017-01-23
Applicant: 浙江工业大学
IPC: H04L12/24
CPC classification number: H04L41/14 , H04L41/142 , H04L41/147
Abstract: 一种基于二阶局部群落信息分配和节点相关性的预测网络连边的方法，建立网络模型，提取两个无连边节点的一阶和二阶共同邻居节点及其之间的边组成二阶局部群落，记录该群落的节点和边的总数，计算此群落的边聚类系数、简谐平均距离、连边密度和二阶局部群落系数，计算两个无连边节点间的皮尔逊积矩相关系数和群落信息分配属性，计算两节点间的相似性指标；对整个网络任意两个无连边的节点，计算二者之间的相似性指标，将所有无连边节点对间的相似性分数按降序排列，取前h个指标对应的两个节点为预测连边。本发明考虑节点之间的信息分配、皮尔逊相关系数以及局部群落的内部属性，有效利用了网络的相关性信息，准确性较高，预测精度较高。
-
公开(公告)号：CN106777824A
公开(公告)日：2017-05-31
申请号：CN201710058180.2
申请日：2017-01-23
Applicant: 浙江工业大学
IPC: G06F17/50
Abstract: 一种基于二阶局部群落和节点优先相关性的预测网络连边的方法，建立网络模型，提取两个无连边节点的一阶和二阶共同邻居节点及其之间的边组成二阶局部群落，记录该群落的节点和边的总数，计算此群落的边聚类系数、简谐平均距离、连边密度和二阶局部群落系数，计算两个无连边节点间的皮尔逊积矩相关系数，计算节点优先相关性属性，计算两节点间的相似性指标；对整个网络任意两个无连边的节点，计算二者之间的相似性指标，将所有无连边节点对之间的相似性分数按降序排列，取前h个指标对应的两个节点为预测连边。本发明考虑节点之间的偏好连接、皮尔逊相关系数以及局部群落的内部属性，有效利用了网络的相关性信息，准确性较高，预测精度较高。
-
公开(公告)号：CN106612210A
公开(公告)日：2017-05-03
申请号：CN201710058278.8
申请日：2017-01-23
Applicant: 浙江工业大学
IPC: H04L12/24
CPC classification number: H04L41/14 , H04L41/142 , H04L41/147
Abstract: 一种基于二阶局部群落种子节点度和相关性的预测网络连边的方法，建立网络模型，提取两个无连边节点的一阶和二阶共同邻居节点及其之间的边组成二阶局部群落，记录该群落的节点和边的总数，计算此群落的边聚类系数、简谐平均距离、连边密度和二阶局部群落系数；计算两个无连边节点间的皮尔逊积矩相关系数，记录种子节点度，计算两节点间的相似性指标；对整个网络任意两个无连边的节点，计算二者之间的相似性指标，将所有无连边节点对之间的相似性分数按降序排列，取前h个指标对应的两个节点为预测连边。本发明考虑了种子节点度、节点之间的皮尔逊相关系数以及局部群落的内部属性，有效利用了网络的相关性信息，准确性较高，预测精度较高。
-
公开(公告)号：CN106603313A
公开(公告)日：2017-04-26
申请号：CN201710058230.7
申请日：2017-01-23
Applicant: 浙江工业大学
IPC: H04L12/24
CPC classification number: H04L41/14 , H04L41/142 , H04L41/147
Abstract: 一种基于二阶局部群落和大度节点有利的预测网络连边的方法，建立网络模型，提取两个无连边节点的一阶和二阶共同邻居节点及其之间的边组成二阶局部群落，记录该群落的节点和边的总数，计算此群落的边聚类系数、简谐平均距离、连边密度和二阶局部群落系数；计算两个无连边节点间的皮尔逊积矩相关系数；记录种子节点的邻居数，计算两节点间的相似性指标；对整个网络任意两个无连边的节点，计算二者之间的相似性指标，将所有无连边节点对之间的相似性分数按降序排列，取前h个指标对应的两个节点为预测连边。本发明考虑了大度节点的影响、节点之间的皮尔逊相关系数以及局部群落的内部属性，有效利用了网络的相关性信息，准确性较高，预测精度较高。
-
公开(公告)号：CN106911496A
公开(公告)日：2017-06-30
申请号：CN201710058227.5
申请日：2017-01-23
Applicant: 浙江工业大学
IPC: H04L12/24
CPC classification number: H04L41/14 , H04L41/142 , H04L41/147
Abstract: 一种基于二阶局部群落属性和节点相关性的预测网络连边的方法，建立网络模型,提取两个无连边节点的一阶和二阶共同邻居节点及其之间的边组成二阶局部群落，记录该群落的节点和边的总数，计算此群落的边聚类系数、简谐平均距离、连边密度和二阶局部群落系数，计算两个无连边节点间的皮尔逊积矩相关系数和相似性指标；对整个网络任意两个无连边的节点，计算二者之间的相似性指标，将所有无连边节点对之间的相似性分数按降序排列，取前h个指标对应的两个节点为预测连边。本发明考虑了节点之间的皮尔逊相关系数以及局部群落的内部属性，有效利用了网络的相关性信息，准确性较高，预测精度较高。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.023 seconds)
