【技术实现步骤摘要】
本申请涉及大数据，尤其涉及一种网络结构识别系统及方法。
技术介绍
1、网络识别是通过大数据、深度学习以及动力学控制误差函数的方式，获取网络中的节点数、节点间连接关系、节点状态以及节点状态的变化规律等信息，以基于获取的信息进行更加精确的网络控制。待识别网络可以包括多个终端设备，每个终端设备可视作网络的一个节点，一定数量规模的节点可构成对应规模的网络。基于大数据的复杂动力网络的节点数、节点状态复杂多变，如移动通信网络、大数据用户网络、复杂神经网络等。这些网络的内部结构复杂，对外部而言网络的结构关系难以直接探测。
2、针对网络内部的未知结构，可以基于节点信号深度学习的方式进行识别。基于深度学习识别网络内部未知结构，是按照深度学习算法，采用节点信号作为训练数据构建深度学习模型，从而通过深度学习模型识别网络结构。但是，基于深度学习识别网络内部未知结构的方式，更适用于针对某几类特定的非时变网络，一旦网络中的信号、节点规模有较大的动态变化，深度学习构建的模型就需要进行较大调整，并且对规模庞大的识别率低。
3、为了提高识别率，还可以基于动力学控制误差函数的方式识别网络内部的未知结构。通过设计动力学控制误差函数，可以基于网络系统中每个节点的动力学行为信息，对规模性的节点设计自身的控制器，在控制网络节点行为走向的同时，计算网络内部未知的结构。这种基于控制的结构识别方法具有识别结果精确，并且针对不同模型的适用性更强，在未知网络内部结构产生变化、节点状态变化的情况下，能够保证精确的识别结果。但是，这种基于控制的复杂网络结构识别方
技术实现思路
1、本申请提供一种网络结构识别系统及方法，以解决网络结构识别系统不能识别大数据规模的网络的问题。
2、第一方面，本申请提供一种网络结构识别系统，包括：
3、事件检测器，被配置为收集事件触发时刻所需的事件状态值，以及根据事件状态值和事件判断条件，生成触发指令，所述触发指令包括触发时刻，所述触发时刻用于将所述网络结构识别系统与待识别网络进行通信传输和节点状态更新；
4、估计器，被配置为获取输入信号，以及在非触发时刻根据所述输入信号和所述待识别网络的动力学模型生成状态估计值；
5、控制器，被配置为根据所述状态估计值和所述输入信号计算所述待识别网络的状态误差，并根据所述状态误差生成自适应控制参数，以及，向所述待识别网络中的网络节点输入所述自适应控制参数；
6、观测器，被配置为获取所述待识别网络在所述自适应控制参数下的检测状态值，以及根据所述检测状态值输出所述待识别网络中节点的邻接矩阵。
7、在一些实施例中，所述估计器还被配置为：
8、连接输入信号源，所述输入信号源包括预设数量个输入信号，所述预设数量等于所述待识别网络中的节点数量，所述输入信号为初值不同的混沌信号；
9、从所述输入信号源获取输入信号，以及调用所述待识别网络的动力学模型，所述动力学模型为基于所述待识别网络中节点数量构建的模型；
10、将所述输入信号输入所述动力学模型，以根据所述动力学模型生成所述状态估计值。
11、在一些实施例中，所述事件检测器还被配置为：
12、采集事件监测数据，所述事件监测数据中包括至少一个用于表示所述待识别网络中节点状态的运行参数；
13、将所述事件监测数据转化为事件状态值；
14、获取事件判断条件；
15、如果所述事件状态值满足所述事件判断条件，生成所述触发指令。
16、在一些实施例中，所述事件检测器还被配置为：
17、构建内耦合矩阵，所述内耦合矩阵用于表示所述待识别网络节点内多维状态间的相互影响关系；
18、计算误差值，所述误差值包括状态误差、估计误差以及估计状态误差；所述状态误差为所述待识别网络中节点的实际状态与输入信号状态的误差；所述估计误差为所述待识别网络中节点的实际状态与估计状态的误差；所述估计状态误差为所述状态误差与所述估计误差的和；
19、根据所述误差值与所述内耦合矩阵建立误差函数；
20、按照所述误差函数生成所述触发时刻。
21、在一些实施例中，所述事件检测器还被配置为：
22、获取用于触发检测的阈值参数，所述阈值参数为时变参数或非负常数；
23、根据所述误差函数和所述阈值参数构建误差不等式；
24、如果所述误差函数值大于或等于所述阈值参数，生成所述触发时刻；
25、将所述触发时刻封装至所述触发指令，以及向所述估计器、控制器、观测器以及待识别网络发送所述触发指令。
26、在一些实施例中，所述估计器还被配置为：
27、获取所述触发指令；
28、从所述触发指令中提取所述触发时刻；
29、获取所述待识别网络在所述触发时刻的检测状态值；
30、使用所述检测状态值同步更新所述状态估计值，以调整所述待识别网络的动力学模型输出的估计值结果。
31、在一些实施例中，所述控制器还被配置为：
32、获取所述状态估计值和所述输入信号；
33、基于所述状态估计值与所述输入信号，构建系统误差的状态反馈；
34、根据所述状态反馈控制所述待识别网络的状态演化，以通过状态演化生成所述待识别网络中的节点状态；
35、在所述待识别网络中节点状态趋向线性无关时，向所述观测器发送识别指令，所述识别指令用于控制所述观测器识别网络结构。
36、在一些实施例中，所述控制器还被配置为：
37、基于所述状态估计值与所述输入信号，创建所述观测器的识别算法；
38、将所述识别算法发送至所述观测器；
39、所述观测器还被配置为：
40、获取所述待识别网络的状态演化结果；
41、如果所述状态演化结果与所述输入信号一致，对所述待识别网络执行结构识别，以生成所述待识别网络节点的邻接矩阵。
42、在一些实施例中，所述网络结构识别系统还包括：
43、传感器，被配置为检测所述待识别网络中节点的检测状态值，以及将所述检测状态值发送给所述控制器和所述观测器；
44、触发器，被配置为响应于所述触发指令，接通所述待识别网络与所述控制器和所述观测器的通信传输。
45、第二方面，本申请还提供一种网络结构识别方法，应用于第一方面所述的网络结构识别系统，所述网络结构识别方法包括：
46、通过事件检测器收集事件触发时刻所需的事件状态值，以及根据事件状态值和事件判断条件，生成触发指令，所述触发指令包括触发时刻，所述触发时刻用于将所述网络结构识别系统与待识别网络进行通信传输和节点状态更新；
47、通过估计器获取输入信号，以本文档来自技高网...
【技术保护点】
1.一种网络结构识别系统，其特征在于，包括：
2.根据权利要求1所述的网络结构识别系统，其特征在于，所述估计器还被配置为：
3.根据权利要求1所述的网络结构识别系统，其特征在于，所述事件检测器还被配置为：
4.根据权利要求3所述的网络结构识别系统，其特征在于，所述事件检测器还被配置为：
5.根据权利要求4所述的网络结构识别系统，其特征在于，所述事件检测器还被配置为：
6.根据权利要求5所述的网络结构识别系统，其特征在于，所述估计器还被配置为：
7.根据权利要求1所述的网络结构识别系统，其特征在于，所述控制器还被配置为：
8.根据权利要求1所述的网络结构识别系统，其特征在于，所述控制器还被配置为：
9.根据权利要求1所述的网络结构识别系统，其特征在于，还包括：
10.一种网络结构识别方法，其特征在于，应用于权利要求1-9任一项所述的网络结构识别系统，所述网络结构识别方法包括：
【技术特征摘要】
1.一种网络结构识别系统，其特征在于，包括：
2.根据权利要求1所述的网络结构识别系统，其特征在于，所述估计器还被配置为：
3.根据权利要求1所述的网络结构识别系统，其特征在于，所述事件检测器还被配置为：
4.根据权利要求3所述的网络结构识别系统，其特征在于，所述事件检测器还被配置为：
5.根据权利要求4所述的网络结构识别系统，其特征在于，所述事件检测器还被配置为：
6.根据权利要求...
【专利技术属性】
技术研发人员：尚治成，郭艳丹，
申请(专利权)人：海信电子科技武汉有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。