复杂网络综述

本人毕业设计是关于复杂网络的,之前完全没听说过的概念,于是就在网上找了一些论文来看,顺便做下笔记,这篇文章主要讲了复杂网络的一些基础概述。
这里的网络不是(不仅仅是)计算机网络这门课中的网络,它表示的是任何一个可以用节点和节点之间连线来代表的一个系统,如:神经系统可以看做是大量神经细胞通过神经纤维相互连接形成的网络。

  • 拓扑结构
    拓扑结构就是们把网络不依赖于节点的具体位置 和边的具体形态就能表现出来的性质叫做网络的拓扑性质 ,相应的结构叫做网络的拓扑结构。
    通俗点说就是任何网络结构不管他的节点是什么,边是怎样的,把节点当做点,把点当做线,只关心它是怎样连接的,这就是网络的拓扑结构。

  • 复杂网络的由来
    科学家们企图用一种通用的拓扑结构来将真实世界中的各种系统表示出来,期间经历了三个阶段:

    • 1 用一种固定的规则的结构表示:如二维平面上的欧几里得网格
    • 2 节点之间的边不再是确定的,而是用一个概率决定,也就是随机网络
    • 3 真实网络既不是规则的也不是随机的,而是一种与前两种不同的统计特征网络,即复杂网络。
  • 复杂网络概念
    百度百科给出的复杂网络的定义是:复杂网络(Complex Network),具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络称为复杂网络。

    下面先给出小世界效应和无标度网络的概念:

  • 小世界效应
    在给出小世界概念效应之前,先说一下什么是簇系数和网络的平均距离:

    • 平均距离
      两点间的距离被定义为连接两点的最短路所包含的边的数目&#x
  • 30
    点赞
  • 192
    收藏
    觉得还不错? 一键收藏
  • 9
    评论
最新的神经网络进展非常多样化和广泛。以下是一些重要的进展综述: 1. 深度学习模型的进步:深度学习模型在各个领域取得了显著的突破,包括计算机视觉、自然语言处理和语音识别等。模型的复杂性和性能大幅提升,例如,图像分类、目标检测和图像生成等任务的性能都得到了改进。 2. 迁移学习和预训练模型:迁移学习和预训练模型已成为神经网络领域的重要研究方向。通过在大规模数据上进行预训练,可以将知识迁移到其他相关任务上,从而加速学习和提高性能。BERT、GPT和ELMo等预训练模型的出现极大地推动了自然语言处理领域的发展。 3. 强化学习的突破:强化学习在游戏、机器人控制和自动驾驶等领域取得了重要突破。例如,AlphaGo在围棋领域战胜了世界冠军,DeepMind的Agent成功学会了多种Atari游戏和复杂的策略游戏。 4. 对抗性生成网络(GAN):GAN是一种生成模型,可以生成逼真的数据样本。GAN已应用于图像生成、视频合成和语音合成等领域。近年来,GAN的稳定性得到了改善,并且产生了各种令人印象深刻的结果。 5. 自监督学习:自监督学习是一种无监督学习方法,利用数据自身的信息进行训练。通过自动生成目标标签,自监督学习可以在缺乏标注数据的情况下进行训练。这种方法已被应用于图像和语言领域,并取得了一些重要的结果。 以上只是一部分最新的神经网络进展综述,领域内仍有许多其他重要的研究方向和进展值得关注。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 9
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值