.png){kind=icon}
返回
Structure-based node selection for capturing complex system states
.png){kind=icon}
PRE
AI
DOI：10.1016/j.chaos.2025.117760.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确刻画复杂网络动态系统的状态对于理解、预测和控制这些系统至关重要，然而这通常因无法获取系统中所有节点的状态而受到阻碍。本研究中，我们引入了基于中心性的节点选择策略，能够基于选定节点的状态对系统范围内的平均状态进行精确近似。值得注意的是，我们的方法仅利用基础网络的结构信息，无需了解节点详细的动态特性。在多种实证网络和动态模型上的全面仿真表明，尤其是特征向量中心性是一种稳健的选择。它生成的节点集合能够以极低误差可靠地捕捉全局系统状态，在交互拓扑、网络动态、观测节点集规模以及参数空间中不同系统动态模式下，均优于基于其他中心性测度的已知策略。因此，本研究为复杂网络动态系统的全局状态高效准确估计提供了一种基于结构的节点选择策略。
期刊
C
IF:
0
论文数:
851
被引数:
1
机构
引用论文
A mathematical theory of the functional dynamics of cortical and thalamic nervous tissue.png)
Kybernetik
KybernetikIF0
PREAI
分享收藏
分享收藏Beyond network centrality: individual-level behavioral traits for predicting information superspreaders in social media超越网络中心性: 预测社交媒体中信息超级传播者的个人行为特征NATIONAL SCIENCE REVIEW
OAAI
NATIONAL SCIENCE REVIEWIF17.1
OAAI分享收藏
查看更多内容