重点: 

1.The constructed graph inherits several properties of the series in its structure.

periodic series --> regular graphs这句话是错的,periodic series 转化成的图并不是regular graphs, 转化成的图的degree distribution是分形的. fractal series --> scale-free networks. random series --> random graph.

此图为100个10周期的随机数形成的图,而得到的每个结点的度分布图表.

图表示乱七八糟,不可解释,但是图的度曲线具有统计意义,在统计上具有一定的规律.

2. characterize time series from a new point of view in the complex network theory (node, link).

目前转换成的图是random graphs, 符合泊松分布;characterize energy consumption from a new point of view.

3. properties of VG: connected临近节点总是相连; undirected; invariant under affine traformations仿射变换下的不变性.

评论: 里面水很深,需要学习大量的知识. 复杂网络,复杂系统.

Basic knowledge: 

1. what is a random graph and scale-free graph.

random graph的度分布, 钟型曲线, 符合泊松分布poisson distribution;scale-free graph的degree distribution 符合幂律分布pow-law distribution;

An example power-law graph, being used to demonstrate ranking of popularity. To the right is the long tail, and to the left are the few that dominate (also known as the 80–20 rule).

node, link 的表述是网络理论中的; vertex (vertices) and edge是数学中图论的表述.

网络理论中,无尺度网络(Scale-free network,或称无标度网络)是带有一类特性的复杂网络,其典型特征是在网络中的大部分节点只和很少节点连接,而有极少的节点与非常多的节点连接。这种关键的节点(称为“枢纽”或“集散节点”)的存在使得无尺度网络对意外故障有强大的承受能力,但面对协同性攻击时则显得脆弱。现实中的许多网络都带有无尺度的特性,例如因特网、金融系统网络、社会人际网络等等。

自二十世纪60年代开始,对复杂网络的研究主要集中在随机网络上。随机网络,又称随机图,是指通过随机过程制造出的复杂网络。最典型的随机网络是保罗·埃尔德什阿尔弗雷德·雷尼提出的ER模型。ER模型是基于一种“自然”的构造方法:假设有个节点,并假设每对节点之间相连的可能性都是常数。这样构造出的网络就是ER模型网络。科学家们最初使用这种模型来解释现实生活中的网络[1]:7-9

在一般的随机网络(如ER模型)中,大部分的节点的度都集中在某个特殊值附近,成钟形的泊松分布规律(见图3)[3]。偏离这个特定值的概率指数性下降,远大于或远小于这个值的可能都是微乎其微的[2]:11,就如一座城市中成年居民的身高大致的分布一样。然而在1998年,Albert-László Barabási、Réka Albert等人合作进行一项描绘万维网的研究时,发现通过超链接与网页、文件所构成的万维网网络并不是如一般的随机网络一样,有着均匀的度分布[4][5]。他们发现,万维网是由少数高连接性的页面串联起来的。绝大多数(超过80%)的网页只有不超过4个超链接,但极少数页面(不到总页面数的万分之一)却拥有极多的链接,超过1000个,有一份文件甚至与超过200万个其他页面相连。与居民身高的例子作类比的话,就是说大多数的节点都是“矮个子”,而却又有极少数的身高百丈的“巨人”。Barabási等人将其称为“无尺度”网络[4]

2. 幂函数与指数函数的区别

3. visibility graph theory

可见性图(Visibility Graph)算法是计算几何中的基础算法,该算法解决n维空间中的多个图形的每个顶点与其他顶点之间的可见性问题。所谓“可见性”,即图中任意两个顶点的连线不会与图中其他边相交,也就是说这两个点之间没有阻碍。

Visibility Graph是将起始节点,所有障碍物的顶点和目标节点相互连接来构建路线图

所有两个节点间的连线,不能碰到障碍物

在建立可视化图表后,可以应用搜索算法来查找从开始到目标的最短路径。

me: 可以将time series想象为一个障碍物,这样VG的含义就大了, The visibility graph of a set of locations that lie in a line can be interpreted as a graph-theoretical representation of a time series.[2] This particular case builds a bridge between time seriesdynamical systems and graph theory.

4. regular graph

In graph theory, a regular graph is a graph where each vertex has the same number of neighbors; i.e. every vertex has the same degree or valency. A regular directed graph must also satisfy the stronger condition that the indegree and outdegree of each vertex are equal to each other.[1] A regular graph with vertices of degree k is called a k‑regular graph or regular graph of degree k.

5. 复杂系统,复杂网络.

新英格兰复杂系统研究所长文综述:复杂系统科学及其应用

paper: VG -- re-read的更多相关文章

  1. Linux LVM学习总结——扩展卷组VG

    Linux服务器由于应用变更或需求的缘故,有可能出现分区空间不足的情况,此时往往需要进行扩容(要增加分区的空间),而采用LVM的好处就是可以在不需停机的情况下可以方便地调整各个分区大小.如下所示,分区 ...

  2. 激光打印机的Color/paper, Xerography介绍

    Color Basic 看见色彩三要素: 光源,物体,视觉 加色色彩模型:R,G,B 多用于显示器 减色色彩模型:C,M,Y,K 多用于打印复印 Paper 东亚地区常用A系列标准用纸,在多功能一体机 ...

  3. Facebook Paper使用的第三方库

    Facebook Paper使用的第三方库 第三方库名 简介 链接 ACE code editor https://github.com/ajaxorg/ace Appirater 用户评分组件 ht ...

  4. Linux LVM学习总结——创建卷组VG

    在Linux平台如何创建一个卷组(VG)呢?下面简单介绍一下卷组(VG)的创建步骤.本文实验平台为Red Hat Enterprise Linux Server release 6.6 (Santia ...

  5. Linux LVM学习总结——删除卷组VG

    在Linux系统中,如何删除一个卷组(VG)呢? 下面我总结了一下如何删除卷组(VG)的具体步骤,仅供参考,如有不足,敬请指出.谢谢!在下面的例子中,我想删除卷组VolGroup05. 步骤1: 查看 ...

  6. paper 118:计算机视觉、模式识别、机器学习常用牛人主页链接

    牛人主页(主页有很多论文代码) Serge Belongie at UC San Diego Antonio Torralba at MIT Alexei Ffros at CMU Ce Liu at ...

  7. #Deep Learning回顾#之2006年的Science Paper

    大家都清楚神经网络在上个世纪七八十年代是着实火过一回的,尤其是后向传播BP算法出来之后,但90年代后被SVM之类抢了风头,再后来大家更熟悉的是SVM.AdaBoost.随机森林.GBDT.LR.FTR ...

  8. LVM原理及PV、VG、LV、PE、LE关系图

    PV(physical volume):物理卷在逻辑卷管理系统最底层,可为整个物理硬盘或实际物理硬盘上的分区.VG(volume group):卷组建立在物理卷上,一卷组中至少要包括一物理卷,卷组建立 ...

  9. LUN/PV/VG/LV

    存储中的几个概念,参考一些网络资料重新画个图梳理下,如下: LUN:lun是针对存储设备(如磁盘阵列)的逻辑概念,物理上可能就是几块硬盘.那么主机的HBA 卡看到的存储上的存储资源就靠主要两个东西定位 ...

随机推荐

  1. adworld python-trade | python反编译

    附件是.pyc格式的文件. Python程序中,原始程序代码存储在.py文件里,而Python会在执行.py文件的时候,会将.py形式的程序编译成中间式文件(byte-compiled)的.pyc文件 ...

  2. 关于GET和POST请求的区别,最通俗全面的回答

    GET和POST是HTTP请求的两种基本方法,要说它们的区别,接触过WEB开发的人都能说出一二. 最直观的区别就是GET把参数包含在URL中,POST通过request body传递参数. 你可能自己 ...

  3. Python学习笔记一:变量、函数

    变量.函数是Python语言的最基本单元,下面是我作为初学者的当前理解,随着学习的深入今后会做刷新. 变量:表示操作对象是谁. 变量的方法:表示能做什么事情. 如何设计变量:先分析需要解决的问题,基于 ...

  4. 轻量级RPC设计与实现第五版(最终版)

    在最近一段时间里,通过搜集有关资料加上自己的理解,设计了一款轻量级RPC,起了一个名字lightWeightRPC.它拥有一个RPC常见的基本功能.主要功能和特点如下: 利用Spring实现依赖注入与 ...

  5. Sass环境安装-Sass sublime 编辑器插件编译方法

    首先官网(http://www.ruby-lang.org/en/downloads/)下载 ruby (1)打开链接进入到下载页面,点击如下位置进行下载 (2)下载页面 (3)进入到各个版本的列表页 ...

  6. ES6 class(基本语法+方法)

    静态属性与静态方法 1. 不会被类实例所拥有的属性与方法 只是类自身拥有2. 只能通过类调用 静态方法与普通方法重名,不会冲突static 关键字(静态方法) 静态属性类名.属性名 = 属性值; 1. ...

  7. LAMP(七)之编译安装php(模块化和fpm两种方式)

    安装前说明: 安装环境: CentOS6 安装应用程序:httpd2.4 + mariadb + php 安装次序: 先编译安装 httpd2.4和mariadb,最后安装php 编译安装 httpd ...

  8. 自适应阈值化操作:adaptiveThreshold()函数

    在图像阈值化操作中,更关注的是从二值化图像中,分离目标区域和背景区域,但是仅仅通过设定固定阈值很难达到理想的分割效果.而自适应阈值,则是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值.这样 ...

  9. MVC5+EF6 入门完整教程八:数据迁移

    https://www.cnblogs.com/miro/p/4164076.html

  10. tcp_demo

    代码讲解: server import socket def main(): # 创建tcp服务器套接字 tcp_server = socket.socket(socket.AF_INET, sock ...