English
Topology prediction mechanism for pocket switched network based on deep belief network
文件大小：
616k
资源说明：### 基于深度信念网络的口袋交换网络拓扑预测机制
#### 摘要与研究背景
本文提出了一种基于深度信念网络（Deep Belief Network, DBN）的口袋交换网络（Pocket Switched Network, PSN）拓扑预测机制。PSN是一种新型的延迟容忍网络（Delay Tolerant Network, DTN），它由手持设备组成，通过“存储-携带-转发”机制在用户间传输数据。由于手持设备通常随人移动，并且人的移动具有一定的规律性和随机性，因此PSN也具有一些社交网络的特点。
传统的移动自组织网络（Mobile Ad Hoc Network, MANET）的拓扑控制算法和社会网络中的链路预测方法并不适用于PSN，这主要是因为PSN的拓扑结构更加复杂多变，而且节点之间的连接更为依赖于人的行为模式。为了解决这一问题，本文提出了一个名为DBN-LS-SVR的机制。
#### 主要贡献
DBN-LS-SVR机制利用DBN构建特征提取器，并使用最小二乘支持向量回归机（Least Squares Support Vector Regression, LS-SVR）来进行回归预测。该机制首先计算隐藏层节点的数量，然后利用受限玻尔兹曼机（Restricted Boltzmann Machine, RBM）进行训练，通过自适应调整学习率来快速降低RBM的重构误差，从而缩短收敛时间。此外，LS-SVR用于预测节点间的共同邻居强度，进而判断节点之间是否存在连接。
#### 技术细节
1. **深度信念网络(DBN)**：DBN是一种无监督的学习模型，可以自动从原始数据中学习到高层级的抽象表示。在这个机制中，DBN用于提取网络拓扑的关键特征。
2. **受限玻尔兹曼机(RBM)**：RBM是DBN的基础组成部分之一，它可以用来提取特征并减少数据维度。文中提到，隐藏层节点数量的计算基于信息熵理论，这有助于提高模型的泛化能力和预测准确性。
3. **最小二乘支持向量回归机(LS-SVR)**：LS-SVR是一种回归分析方法，能够对复杂的非线性关系进行建模。在本机制中，LS-SVR被用来预测节点之间的共同邻居强度，进而判断它们之间是否存在链接。
4. **共同邻居强度**：这是指两个节点之间的共享邻居数量，可以作为节点之间潜在连接强度的一个指标。通过预测这个指标，可以更准确地预测未来拓扑结构的变化。
#### 实验验证
该机制通过使用来自INFOCOM数据集和MIT数据集的真实数据进行了验证。实验结果表明，DBN-LS-SVR机制能够有效地预测PSN的拓扑结构变化，证明了其在实际应用中的有效性。
#### 结论与展望
本文提出了一种新的PSN拓扑预测机制DBN-LS-SVR，该机制通过结合DBN和LS-SVR的优势，有效地解决了PSN中拓扑结构预测的问题。这种方法不仅提高了预测的准确性，还缩短了模型的训练时间。未来的研究方向可以进一步优化DBN的结构设计以及探索更多适合PSN特性的预测算法。
本文介绍的DBN-LS-SVR机制为解决PSN中的拓扑预测问题提供了一个有效的解决方案，对于推动DTN技术的发展和应用具有重要的意义。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
