【社会网络分析第1期】社会网络分析的节点测量和整体网络测量概念

本博客参考来源:社会网络分析

1、什么是社会网络分析?

(1)社会网络分析的介绍

在这里插入图片描述

在这里插入图片描述

点:可以是任何一个社会单位或者社会实体;

关系:多类型、多向度表现;

(2)社会网络的形式化表达

在这里插入图片描述

在这里插入图片描述

(3)社会网络分类

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

四种关系的细粒化程度是在不断提升的。

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
左图是完全去中心化的节点,就是在该网络当中,是无法找到一个中心节点的,因此也是相对理想化的图片。

在这里插入图片描述

在这里插入图片描述

连通图的任意两个结点之间是可达的。

在这里插入图片描述

在这里插入图片描述

通过添加附加属性值,使得节点有一个更多层次的呈现。

在这里插入图片描述

2、关键测量指标(节点测量)

  • 通过量化的方式衡量一个节点的重要性
  • 怎么样在一个社会网络当中快速的发现一个关键性的节点

都是需要通过一个量化的指标来进行筛选的

(1)度、入度、出度

  • 度:直接相连的节点数。孤立点的度数为0。在社会网络分析当中,有时候会去除一些孤立点。(在Ucinet软件当中也可以进行去除孤立点这样的操作)。
  • 入度和出度:这里两个度是有方向的。
    在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

(2)中心性的分类

在这里插入图片描述

(3)点度中心度

在这里插入图片描述

(4)中介中心度

在这里插入图片描述

(5)接近中心度

在这里插入图片描述
关于接近中心度:如果某个节点能够与其他所有的节点都能够有比较接近的距离的话,说明该节点其实不受其他结点的控制。

在这里插入图片描述

在这里插入图片描述

(6)结构洞

结构洞是信息流动的“鸿沟”。比如说主流文化与亚文化之间可能存在着某块空地。在空地当中,往往有少数节点,既能连接到主流文化的网络,也能连接到亚文化的网络。

在这里插入图片描述

  • 在上图当中,A和B两个节点的信息传导路径是完全相同的,因为这两个结点所连接的其他结点都是相同的。
  • 对于这种情况来说,A和B节点就是冗余的要素。如果此时把A节点删除,并不会影响整个网络当中信息的传递和获取。
  • 因此如下图所示,有效规模就是去除了冗余要素之后的有效节点因素的整体规模。

在这里插入图片描述

在这里插入图片描述

  • 将实际网络变成有效网络之后,效率会提升,存在结构洞的可能性也会越大。

在这里插入图片描述

3、关键指标测量(整体网络测量)

(1)关系测量

在这里插入图片描述

(2)整体网络测量:网络规模、网络密度

在这里插入图片描述

(3)点度中心势

在这里插入图片描述

中心度和中心势是对应的,区别在于,中心度测量的节点的属性,而中心势测量的是整个网络的属性。

(4)中间中心势

在这里插入图片描述

(5)其他影响力测算指标

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

  • 20
    点赞
  • 80
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
### 回答1: 基于bp神经网络的模糊控制算法程序是一种利用bp神经网络与模糊控制相结合的控制方法。该算法程序通过训练bp神经网络,将输入变量与输出变量之间的映射关系建立起来,使得输入变量的模糊语义能够转化为具体的控制命令。 首先,该算法程序需要对输入变量和输出变量进行模糊化处理。通过将输入变量进行隶属度分配,将其转化为模糊语义,可以更好地描述实际问题。然后,利用bp神经网络对输入变量和输出变量之间的关系进行训练,得到输入变量与输出变量之间的映射关系,建立模糊控制模型。 接下来,通过输入变量的模糊化处理,将模糊语义转化为具体的输入值。利用训练好的bp神经网络,将输入值映射为相应的输出值。最终,通过解模糊化处理,将输出值转化为具体的控制命令。 基于bp神经网络的模糊控制算法程序具有较高的适应性和智能性。通过训练神经网络,该算法程序能够根据实际问题动态调整模糊控制模型,提供更加准确的控制命令。同时,bp神经网络具有自学习和自适应能力,能够适应不同环境和实际问题的变化。 总之,基于bp神经网络的模糊控制算法程序是一种利用神经网络与模糊控制相结合的控制方法。通过训练神经网络,建立输入变量与输出变量之间的映射关系,将模糊语义转化为具体的控制命令,实现智能化的控制。这种算法程序具有较高的适应性和智能性,能够适应不同环境和实际问题的变化。 ### 回答2: 基于BP神经网络的模糊控制算法是一种基于模糊逻辑和神经网络相结合的智能控制方法。这种算法的程序实现主要包括以下几个步骤: 第一步是建立BP神经网络模型。需要确定输入层、隐藏层和输出层的节点数量,并建立神经网络的连接权重。输入层接收模糊控制的输入信号,经过隐藏层的处理后,输出给输出层进行最终的输出。 第二步是进行模糊化处理。将输入信号进行模糊化,将模糊量映射到一个模糊集合上。这个过程主要是根据具体的问题,选择适当的模糊化方法和模糊集合。 第三步是进行训练过程。在这个过程中,利用已知的输入和输出数据对神经网络进行训练,更新连接权重,使得神经网络能够根据输入信号输出正确的结果。使用BP算法进行反向传播误差的计算,不断调整权值和阈值,直到误差满足要求。 第四步是进行解模糊化处理。将神经网络输出的结果进行解模糊化,将模糊量转化为具体的控制量。这个过程主要包括将模糊量映射到具体的输出范围。 第五步是将解模糊化后的控制量应用到实际控制系统中。根据需要,将控制量转化为具体的控制指令,对被控对象进行控制。 通过以上几个步骤,基于BP神经网络的模糊控制算法的程序实现可以实现自适应控制,能够根据输入输出数据对神经网络进行训练,并将训练后的网络应用于实际控制中。这种算法具有较好的适应性和鲁棒性,可以在复杂和不确定的控制环境中实现较好的控制效果。 ### 回答3: 基于BP神经网络的模糊控制算法程序是一种控制算法,它结合了神经网络和模糊控制的方法。该算法的目的是通过训练神经网络来建立一个模糊控制器,实现对系统的控制。 首先,基于BP神经网络的模糊控制算法程序需要收集到的输入和输出数据,以建立输入-输出模型。然后,通过训练神经网络,将输入数据映射到输出数据。训练过程使用的是反向传播算法,通过调整网络的权重和偏置来最小化模型的误差。 在训练完成后,模糊控制器将使用神经网络来进行实时控制。它接收系统当前的输入信息,并通过神经网络计算出相应的模糊控制输出。这些输出通过一系列的模糊规则和模糊推理进行转换,以生成最终的控制信号。 模糊控制器的输入通常是系统的测量值,如温度、压力等,而输出则是控制信号,如阀门的开度或电机的转速。神经网络作为核心部分,负责对系统的状态信息进行建模和预测,以便进行准确的控制。 基于BP神经网络的模糊控制算法程序具有一定的优势。首先,它可以通过训练过程自动地学习系统的动态特性,从而提高控制的精度和效果。其次,模糊控制器可以处理模糊、不确定和非线性的系统,具有很高的鲁棒性和适应性。 综上所述,基于BP神经网络的模糊控制算法程序是一种通过训练神经网络来建立模糊控制器的方法。它可以有效地对系统进行控制,适用于各种模糊、不确定和非线性的系统。
评论 2
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

打赏作者

温欣2030

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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