文摘

为了提高危机传播模式的识别效果,本文研究社交网络的危机传播模式,并使用一个聪明的方法来识别危机传播模式。此外,分析和推导出调制信号的特征谱和自相关函数的两个方面,提取并模拟不同调制类型信号的特点。此外,本文验证了提出的识别方法通过理论实验和实测数据,从两个方面构建一个智能模型。通过实验研究,可以看出,识别效果和控制效果的基于社交网络的危机传播模型提出了相对明显。

1。介绍

在现实世界中,共同进化的现象之间的危机沟通不同的危机沟通过程是常见的。也是一个巨大的挑战,学者模型和分析这些复杂的共同进化危机沟通流程并提出相应可行的干预策略。

社交网络的安全和privacy-hidden危险给用户带来麻烦,这吸引了研究人员的关注1]。例如,在社交平台上,当谈到敏感话题,如金钱交易和隐私披露,用户需要清楚地判断其他用户的信任。另一个例子,当一个移动社交网络应用于一个基于地理位置的服务,人们特别关注私人信息,如位置周围的用户。也就是说,当一个用户显示或隐藏位置信息从其他个人用户或一个特定的群体,需要设置一个适当的安全级别(2]。不熟悉的用户之间的相互作用在社交网络有时候是会发生的,和在社交平台上,经济学或隐私等敏感的交互常常发生,所以信任扮演重要的角色。可以说,社交网络的正常运行依赖于用户之间的信任水平,和一个真实的社交网络用户之间的信任是人民沟通的基础(3]。

特别重要的研究模型,以确保一个适当的信任关系社交网络的安全。具体来说,用户需要测量其他用户的信任程度来决定如何公开和共享个人隐私信息和如何选择与用户交互。然而,现有的社交网络信任模型仍然有一定的缺陷;例如,没有明确的描述可信赖的计算规则(定量表示的信任)。提出了一种基于森马代数理论的信任模型(4],它可以描述可信度计算规则和表达其他信任模型灵活,所以它变成了一个非常重要的信任模型。文献[5)提出了一个信任路径搜索算法,建立了一个隐私保护森马的信任模型。然而,信任模型仍有一些缺点,例如它不定义和描述了基于时间的动态变化问题。《社交网络》的典型特征之一是它的动态特性,例如,用户添加和删除任何时候社交网络。这样,网络的拓扑结构变化,导致节点之间链接的变化,和用户的信任是传播和通过计算用户之间的链接,以便用户的信任也会动态变化(6]。因此,从客观的观点来看,计算用户的信任模型可信度需要反映这种动态特性,及时反映用户的行为,提高适应性的变化。

识别关键用户在网络是复杂网络的一个重要研究内容,包括社交网络。例如,在各种社交网络,常常需要知道哪些用户最活跃,最具影响力,为了提供一个有用的依据移动社交网络的内容分发或为运营商提供指导的营销策略7]。在社会网络分析中,“中心”是用来描述网络中节点的重要性(8]。建立一个精确的中心测量模型是一个重要的方法来识别关键用户。早期网络研究没有考虑用户之间的联系的重量,但只有用户是否连接。这将会失去大量的网络信息,导致不准确的向心性的措施。近年来,研究人员发现,为了更准确地识别关键用户,有必要将权重集成到用户之间的联系(如链接强度,亲密,和信誉),这样的一个社交网络被称为加权社会网络(9]。

社交网络的一个重要特性是由多个社区。然后,最重要的社交网络中的节点应该属于不同的社区。上面的加权网络的中心测量方法有一定的缺陷,因为它不能有效识别每个社区的重要节点在《社交网络》(10]。由于加权网络可以看作是油印映射到未加权的网络,经典的中心加权网络的措施继承自己的弱点在未加权的网络。学位中心是最简单的方法,只考虑局部结构信息但不考虑全球的网络结构,包括multicommunity特性(11]。然后,主导节点排名基于学位中心很可能不是最有影响力的节点在每个社区。加权网络的亲密和介数中心是基于节点的最短路径算法的局限性,并不在任何两个节点之间的最短路径会有相同的中心价值(即0)(12]。然后,当应用于大型稀疏网络,有效为大多数节点中心值基于他们将不可用。更重要的是,他们没有明确国家中心和社区之间的关系结构。基于EVC,最具影响力的节点是集群在失重的网络社区,也遭受同样的缺陷在加权网络13]。

真正的网络上传播的信息可以影响人类社会的方方面面。鉴于大多数当前的复杂网络上的信息传播的理论分析方法是基于边缘节点和基于网络的理论研究仍相对缺乏,一组信息传播分析方法基于动态的边缘了14]。在此基础上,提出了一个指标来衡量潜在的连接在促进信息传播的影响。这个指标可以有效地筛选出最优网络中潜在的链接,可以促进信息传播。此外,基于最优的分析潜在的优势,文献[15)提出了一种基于最优的信息传播干预策略潜在的优势。一组信息传播的理论分析方法基于动态连接的边缘,和传播干预策略相结合的网络结构的特点,在网络传播的动态系统,提出传播动力学本身的特点。

共同进化与单一的信息传播,信息传播具有更复杂的进化机制,及其相应的理论研究仍然是罕见的。是非常具有挑战性的有效干预信息共同进化复杂网络上的传播动力学结合网络结构的特点和传播动力学(16]。文献[17)提出了一个指数来定量描述的影响共同进化网络在促进信息传播的潜在联系,针对对称传播共同进化的两种类型的信息系统。文献[18)提出了一个共同进化信息传播干预策略基于最佳潜在的联系。策略有效地结合了共同进化的网络传播系统的结构特点和共同进化传播动力学本身的特点,优于启发式策略,只有依赖于网络拓扑在干预中心共同进化信息在网络上传播。摘要信息共同演化复杂网络上的传播机理研究,以及共同进化传播干预策略,有效地结合了网络结构的特征和传播动力学提出了两种类型的信息的对称传播共同进化系统。

本文研究了危机沟通模式的社会网络,通过智能方法识别危机沟通模式,构建一个智能模型来促进危机沟通的有效控制。

2。人工数据识别特征参数提取的社交网络危机

2.1。信号提取

从社交网络危机信号特征提取的理论极大地补充了数十年的研究数据。最早使用特性参数的特性获得了基于瞬时信息的信号。这个功能大大被噪声和几乎没有分类的影响条件下的低信噪比的信号。本文中使用的特征参数被分为三个类别,共有11种,和所有特征向量图所示1。

一个社交网络危机的时域波形数据信号包含大量的瞬时信号的信息。通过分析和计算社交网络危机的波形数据信号,信号的幅值、频率、相位,和其他信息,构成最基本的社交网络危机的特性数据信号。

实验中使用的信号是一个复杂的信号,信号和信号建模为一个分析年代(t实验前):

虚部的解析表达式年代(t)是真正的信号的希尔伯特变换x(t)。希尔伯特变换与傅里叶变换不同。傅里叶变换后的信号保持积极的和消极的频率和冗余信息。希尔伯特变换可以消除冗余的频率和降低频带占领。的解析表达式年代(t)信号采样的采样频率 ,和采样信号表示如下:

其中,一个(我)代表信号的瞬时幅度序列,这是表示如下:

实验用的瞬时相位展开的阶段,和代表的相序的信号。是瞬时相序,根据反三角函数,可以表示如下:

值范围的折叠阶段之间的是 。在实验中使用的阶段是展开阶段,并展开阶段需要获得通过相位校正。修正序列 在这一过程中使用如下:

根据上述定义,第一个值C(1)修正序列不能给出默认值C(1)为0。瞬时展开阶段通过添加折叠相序和修改后的序列:

连续信号的频率差的阶段。采样信号的微分关系是用来代替微分的关系。瞬时频率f(我)可以定义如下:

其中,是采样周期。

后获得瞬时振幅、瞬时相位和瞬时频率社交网络危机的数据信号,四个瞬时特征基于上述三种基本信息根据统计计算原则。他们是最大的谱密度基于包络振幅幅值的标准偏差振幅绝对值的更的高阶社交网络危机的数据类型,标准差振幅的绝对值,更多的高阶社交网络危机的数据类型,标准偏差的绝对值阶段基于相位信息,和标准偏差基于频率的绝对值的频率信息。

社交网络危机数据信号基于振幅社交网络数据有很大的不同在信封的瞬时振幅,振幅调制信号的不同的社会网络危机数据参数可以通过使用基于统计特性区分瞬时振幅。本文主要使用了两个统计特性基于瞬时振幅,规范化最大振幅谱密度和规范化的振幅绝对值标准偏差 。

2.1.1。标准化的最大振幅谱密度

是一个功能,可以区分信封变动信息。能感觉到小信号包络的变化,最明显的信封是面具信号和MQAM信号变化。同时,MFSK信号和MPSK信号也产生微妙的信封当相位不连续变化。根据公式(3),瞬时振幅序列一个(我)社交网络危机的数据信号,和瞬时振幅平均值计算如下:

其中,表示数量的采样点,中心零位正常化一个(我获取执行) :

规范化的最大振幅谱密度定义的信号 ,这是如下:

图2显示了归一化幅度最大谱密度特性13信号社交网络危机的数据类型作为信噪比信噪比的函数。的功能是生成基于瞬时振幅和具有良好的影响区分的面具信号振幅的变化在社交网络危机期间数据处理,可以完全独立的2问,4问,和8问信号的信号。当信噪比> 10 dB,特性可以区分2 8 qam信号相移键控信号,同时,和特性剩下的是相似但不同的信号。

2.1.2。归一化幅度绝对值标准偏差

该特性用于描述社交网络危机的绝对振幅信息数据信号。通过计算不同振幅调制信号的振幅绝对值偏差,完成信号的分类有明显变化的绝对值信封。尤其有效地识别高阶信号,可以区分不同的面具和MQAM信号。

图3描述的分布特性13个社交网络危机的数据信号在不同信噪比下,和用于描述绝对瞬时信号的振幅信息,这显然是高阶调幅信号区分开来。当信噪比> 6 dB,特性可以成功区分面具的信号。与此同时,该功能能够区分MQAM信号在高信噪比。

标准偏差阶段的绝对值是瞬时相位特性描述社交网络危机的绝对值数据信号。它是用来区分信号大绝对相位信息的变化和对高阶MPSK信号有更好的效果。首先,我们对相位信息执行零定心。

为了确保计算结果的准确性,选择信号段,并有很强的能量检测,和强和弱信号判断阈值设置;这个功能表示如下:

和代表信号的载波频率和采样频率,分别和C代表数量的信号值,满足nonweak信号阈值决定。

图4描述了不同信号之间的区别 。在信噪比的情况下> 15分贝,特性可以准确区分2和4相移键控信号相移键控信号,但8相移键控信号和其他信号混叠产生特性。受到噪声的影响,功能不是高度区别的MPSK信号在较低的信噪比。

标准偏差使用的频率的绝对值表示社交网络危机的频率信息数据信号,用于区分社会网络危机数据信号中不同频率维度。首先,处理获得的频率信息中心零位归一化频率 :

其中,是信号速率,定义如下:

图5显示的变化特性不同的社交网络危机数据的信噪比的方法。从图可以看出,功能MFSK信号的显然不同于其他社交网络危机数据方法,和功能有很好的区分影响2问信号信噪比> 5分贝。

2.2。高阶累积量特征参数

研究中使用的另一个特点是基于的一代,高斯白噪声的累积量为零,和高阶累积量特征可以减少高斯白噪声的干扰信号。高阶累积量是一个高阶统计理论的重要组成部分。高阶统计理论旨在统计二阶以上,其主要内容包括高阶的时刻,高阶累积量和高阶谱。信号识别的目的是通过计算不同的社交网络危机数据信号的累积量在不同阶段和使用不同设置的累积量的阈值来区分社会网络危机数据信号。目前,基于特殊的识别算法通常使用二阶、四阶,sixth-order累积量和累积量高于tenth-order并不经常使用由于计算的复杂性。在这项实验中,基于特殊的特性获得的复合使用二阶、四阶,sixth-order, eighth-order累积量。

连续随机变量x,其概率密度函数f(x)。函数的数学期望如下:

特别是,当 ,有 被称为第一个特征函数。k-order起源的时刻和中央的时刻的一个随机连续变量x定义如下:

其中, 表示随机变量的一阶矩x。从随机变量x零均值,其k-order起源时刻和中央是等价的。我们设置 并使用kth第一本征函数的导数来获取的kth x的时刻:

的kth顺序随机变量的时刻x是由第一个特征函数,也被称为矩生成函数。自然对数的被称为第二个特征函数,表示如下:

类似的定义k-order时刻,k顺序随机变量的累积量x可以定义如下:

第二个特征函数也称为累积生成函数。

目前和累积量是用来计算高阶累积量特征。固定的连续随机信号X(t),我们组 和定义k顺序随机信号的累积量如下:

其k-order混合矩可以表示如下:

其中,代表的接合X(t)。高阶的时刻和累积量有以下转换关系:

零均值平稳的高阶累积量复杂的随机过程X(t)表示如下:

二阶累积量是

四阶累积量是

的sixth-order累积量是

的eighth-order累积量是

通常,数字社交网络危机的复杂信号噪声干扰的数据表达如下:

其中, 代表传播符号序列的长度,代表符号序列,p(t)是基带波形,是符号持续时间,E是信号能量,噪音吗n(t)是为复杂的高斯白噪声。接收方预处理获得的信号年代(t)如下:

根据数字社交网络危机数据信号的基本原理,在各种数字数据社交网络危机信号可以表示如下:屏蔽信号

MPSK信号

MFSK信号

其中, 。

MQAM信号

其中, 。

实验使用第二,第四,第六个和eighth-order数字社交网络危机数据信号的累积量生成四个高阶cumulant-based特性T1,T2,T3,T4,分别。

四个高阶累积量特征社交网络危机的数据随信噪比的信号信噪比,如图6。

根据理论,四阶累积量C40 | | MFSK信号的是0。基于这个特点,MFSK信号可以区别于其他社交网络危机的数据信号。这个功能可以成功分离两问信号4问和8问和三种QAM信号的16 QAM, 32 QAM, 64 QAM条件下的信噪比> 5分贝。这个功能可以完全区分MFSK信号,2相移键控信号,4问信号信噪比> 15分贝。这个功能2日要求有很好的识别效果,2移频键控,和8时移频键控信号信噪比>−2 dB,可以完全区分MPSK信号信噪比的情况下> 15分贝,同时也对MFSK和MQAM信号有良好的识别效果。这个功能有很好的区分13种社交网络危机影响数据信号参与实验。当信噪比> 10 dB,每个社交网络危机的特征数据信号可以清楚地分开,分化程度高和整体信号。

2.3。变换域特征参数

规范化的谱密度是一个变换域特性基于光谱分析。信号的频谱是P,规范化的谱密度 ,和规范化的谱密度统计通过统计计算定义如下:

规范化的谱密度可以有效地实现掩模信号和MFSK信号的区别。当信噪比> 0分贝,特性已经可以区分面具的信号。在信噪比的情况下> 15分贝,可以准确的单独的面具和MFSK,即。,two types of social network crisis data signals.

根据社交网络危机的描述数据信号,特征提取是进行使用分析信号序列通过社交网络危机信号的希尔伯特变换后的数据。的自相关函数傅里叶转换,表示吗然后归一化傅里叶变换后得到归一化瞬时振幅,表示 ,和特性通过统计计算如下: 当信噪比> 3分贝,可以区分2和8 qam信号相移键控信号,和2移频键控信号的歧视程度也非常高在高信噪比,同时,它可以区分大类别面具的信号。

是一种基于自相关函数的功率谱特性。傅里叶变换的自相关函数执行年代(我)获得功率谱 ,然后,标准差系数计算获得如下:

这个功能有一个不同的信号高度的歧视类别,和面具信号和MFSK信号明显属于不同的地区。面具信号信噪比时可以有效地区别≤10 dB,和8移频键控信号可以区别于其他MFSK信号的信噪比≥7 dB。

3所示。危机传播模式的识别模型基于社交网络

系统流程图是指模型图代表每个状态变量及其交互形式的流量变量和反馈回路在整个系统之间的互连。必须确定在系统流程图是什么流水平变量和流率变量。流级别变量是指一个变量的累积效应,它的值是原来的时间加上变量的值发生变化时,和流水平变量从原来的值更改为当前时间价值流量变量的作用。此外,流量变量变量影响状态变量随时间不断变化的。基于确定系统边界问题和因果循环图分析,系统流程图,影响网络谣言传播的移动社交平台终于确定,如图7。

结合第二部分的算法,社会网络危机传播的影响模型提出了验证和识别效果和控制效果的危机传播模型计算,结果见表1终于获得。

从上面的研究,我们可以看到,危机传播模型本文提出了基于社会网络的识别和控制具有明显的影响。

4所示。结论

危机沟通的研究动态复杂网络取得了丰富的成果。然而,由于网络拓扑结构的复杂性和演化机制的危机沟通在网络危机沟通系统,仍有许多缺点和困难在危机沟通的研究复杂网络上的动力学。首先,大多数当前的干预网络危机沟通策略只考虑网络的拓扑结构而忽视危机沟通动力学的特征信息本身。如何干预网络危机沟通动力学基于网络结构的特点和危机沟通的特点动力学本身需要进一步探索的学者。本文研究了危机沟通的社交网络模式,通过智能方法识别危机沟通模式,构建一个智能模型。通过实验研究,我们可以看到,危机传播模型本文提出了基于社会网络的识别和控制具有明显的影响。

数据可用性

标签数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由黄河交通大学。