基于深度學(xué)習(xí)的機(jī)會(huì)網(wǎng)絡(luò)拓?fù)漕A(yù)測(cè)機(jī)制研究.pdf

1、機(jī)會(huì)網(wǎng)絡(luò)（Opportunity Network，ON）是一種不需要源節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)之間存在完整連通路徑，利用節(jié)點(diǎn)移動(dòng)帶來(lái)的相遇機(jī)會(huì)實(shí)現(xiàn)通信的移動(dòng)自組織網(wǎng)絡(luò)。機(jī)會(huì)網(wǎng)絡(luò)中節(jié)點(diǎn)移動(dòng)頻繁，節(jié)點(diǎn)之間間歇性連接，致使其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)隨時(shí)間頻繁地發(fā)生改變，這給機(jī)會(huì)網(wǎng)絡(luò)研究帶來(lái)了諸多困難，主要包括路由轉(zhuǎn)發(fā)機(jī)制、網(wǎng)絡(luò)負(fù)載與效率、網(wǎng)絡(luò)服務(wù)質(zhì)量、網(wǎng)絡(luò)行為預(yù)測(cè)等。
　　本文來(lái)源國(guó)家自然科學(xué)基金項(xiàng)目，研究機(jī)會(huì)網(wǎng)絡(luò)中網(wǎng)絡(luò)行為預(yù)測(cè)的拓?fù)漕A(yù)測(cè)問(wèn)題，主要內(nèi)容如下：

2、
　　(1)相似性指標(biāo)的建立；
　　(2)深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）模型的建立；
　　(3)支持向量回歸機(jī)的建立。
　　針對(duì)機(jī)會(huì)網(wǎng)絡(luò)的時(shí)變性，基于時(shí)間序列理論和方法，在綜合考慮節(jié)點(diǎn)之間權(quán)值、局部路徑和節(jié)點(diǎn)強(qiáng)度三個(gè)方面的基礎(chǔ)上，構(gòu)建了一種能夠反映機(jī)會(huì)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)隨時(shí)間動(dòng)態(tài)變化的相似性指標(biāo)；基于信息熵理論、自適應(yīng)學(xué)習(xí)率構(gòu)建作為特征提取器的DBN模型，其中基于信息熵理論自動(dòng)計(jì)算得到受

3、限玻爾茲曼機(jī)（Restricted Boltzmann Machine，RBM）隱含層神經(jīng)元數(shù)量，采用自適應(yīng)學(xué)習(xí)率使RBM的重構(gòu)誤差快速達(dá)到平穩(wěn)，縮短網(wǎng)絡(luò)收斂時(shí)間；采用高斯核函數(shù)、K折交叉驗(yàn)證等方法構(gòu)造基于最小二乘支持向量回歸機(jī)（Least Squares Support Vector Regression Machine，LS-SVR）的回歸機(jī)模型（DBN-LS-SVR）。
　　本文采用命中率R_HIT和受試者工作特征曲線（Re

4、ceiver Operating Characteristic Curve，ROC）中的Precision、Accuracy指標(biāo)來(lái)評(píng)價(jià)拓?fù)漕A(yù)測(cè)結(jié)果，并且在INFOCOM05（ INF’05）、MIT數(shù)據(jù)集上設(shè)計(jì)了多組對(duì)比實(shí)驗(yàn)驗(yàn)證DBN-LS-SVR模型。實(shí)驗(yàn)結(jié)果表明信息熵方法可以根據(jù)輸入數(shù)據(jù)找出RBM隱含層神經(jīng)元數(shù)量的合適值，自適應(yīng)學(xué)習(xí)率可以加快RBM網(wǎng)絡(luò)的收斂速度，在一程度上提高了DBN網(wǎng)絡(luò)的計(jì)算效率；與LS-SVR模型相比，DBN-