深度学习复杂网络传播动力学相变.pdf

华东师大学士文 摘要 年，多工作将器学习方应于域中伊 （Ising ）型变临别。复上易感-感-易感（Susceptible- Infected-Susceptible, SIS ）传播动力学与伊型多似之处，如 个可处于两个微态中一个，动力学具两个位，它们 变型属于二变。，前将器学习方于动力学 工作仍少。一以，复上发值别动 力学中之一。于，文主如何利度学习方 决，分别基于前和卷出了两 SIS 传播动力学 值别型。在不同合成和实上大拟实明，两学习方 均可以准地别出复上 SIS 型发值。 先，文出了一基于前值别型。型可以 学习或“学习”两方对复上 SIS 型发值准 别。基于学习型思接单，度快，并且在一些 中取得了很好效。但基于学习值别方性不，易 受数据对性和准性影响。当中两位数据差太 多或无得准变值作为时，型出值准性会 下。为了升型学习定性，文接使了一合了学习和 学习方：“学习”，使得型摆了对中微态 位信息依。在些异中，于大度存在，导动力学信 息主中在些中心上，大小度存在将会干扰大度信息 影响力，令型学习效低。于，文对性地出了两基于 性抽方，以强化上信息。学习抽 后数据，型在多不同上可以准地别出发 值，并升了学习度。 I 华东师大学士文 其，对基于前型无学习复信息一 ，文出了一基于卷值别型。方可以同时学习 拓扑信息和微动力学信息，无利抽方就够得准 发值。于卷合学习图数据，我们先 学习方将拓扑信息换为二图，后将中各 两微态信息分别在两张图中，形成多图。卷 学习些带动力学信息多图，并合 “学习”方别出 准值。在择上，为了免后图出“中心” 影响学习效，我们使了双影响。大 实数据上实明，在对噪声、对数据和不准 不同情况时，基于卷型学习性，均可以准别出 发值。 文出值别型我们在复动力学与器学习方合 方一尝。文主工作为复中关动力学供了 新思。 关键词：复，SIS 型，变，度学习 II 华东师大学士文 Abstract In recent years, more and more researches are devoted to applying machine learning methods to the identification of phase transition thresholds of Ising models in the field of statistical physics. The dynamics of SIS epidemics on complex networks has some similarities with the dynamics of the Ising model, e.g., there being two phases in these two dynamics, each node having two states, and there occurring second-order phase transition. But currently there are few related studies. Since the research on the identification of epidemic threshold on complex networks has always been a hot and unavoidable topic, this thesis mainly studies the adaptability of deep learning methods to this problem, and proposes two models based on feed-forward neural network and convolutional neur