介绍了近年来可拓神经网络的发展，对可拓神经网络的基本思想、算法思路、应用研究进行了系统分析，并提出和分析了有待进一步研究的方向和问题。

统计和分析了基于美国科学情报研究所fis9基于Web开发的数据库中近 19490篇复杂网络研究论文文 献 ，研究了复杂网络在各个 自然科学领域中的应用现状，并且利用 pajek软件绘制出目前国际上关于复杂网络研 究的国家与机构分布、热点情况及其变化趋势的知识图谱，总结出当前国际复杂网络研究的现状及发展趋势

作为一个十余年来快速发展的崭新领域，深度学习受到了越来越多研究者的关注，它在特征提取和建模上都有着相较于浅层模型显然的优势．深度学习善于从原始输入数据中挖掘越来越抽象的特征表示，而这些表示具有良好的泛化能力．它克服了过去人工智能中被认为难以解决的一些问题．且随着训练数据集数量的显著增长以及芯片处理能力的剧增，它在目标检测和计算机视觉、自然语言处理、语音识别和语义分析等领域成效卓然，因此也促进了人工智能的发展．深度学习是包含多级非线性变换的层级机器学习方法，深层神经网络是目前的主要形式，其神经元间的连接模式受启发于动物视觉皮层组织，而卷积神经网络则是其中一种经典而广泛应用的结构．卷积神经网络的局部连接、权值共享及池化操作等特性使之可以有效地降低网络的复杂度，减少训练参数的数目，使模型对平移、扭曲、缩放具有一定程度的不变性，并具有强鲁棒性和容错能力，且也易于训练和优化．基于这些优越的特性，它在各种信号和信息处理任务中的性能优于标准的全连接神经网络．该文首先概述了卷积神经网络的发展历史，然后分别描述了神经元模型、多层感知器的结构．接着，详细分析了卷积神经网络的结构，包括卷积层、池化层、全连接层，它们发挥着不同的作用．然后，讨论了网中网模型、空间变换网络等改进的卷积神经网络．同时，还分别介绍了卷积神经网络的监督学习、无监督学习训练方法以及一些常用的开源工具．此外，该文以图像分类、人脸识别、音频检索、心电图分类及目标检测等为例，对卷积神经网络的应用作了归纳．卷积神经网络与递归神经 网络的集成是一个途径．为了给读者以尽可能多的借鉴，该文还设计并试验了不同参数及不同深度的卷积神经网络来分析各参数间的相互关系及不同参数设置对结果的影响．最后，给出了卷积神经网络及其应用中待解决的若干问题

循环神经网络(RNN)是一类非常强大的用于处理和预测序列数据的神经网络模型。循环结构的神经网络克服了传统机器学习方法对输入和输出数据的许多限制,使其成为深度学习领域中一类非常重要的模型。RNN及其变体网络已经被成功应用于多种任务,尤其是当数据中存在一定时间依赖性的时候。语音识别、机器翻译、语言模型、文本分类、词向量生成、信息检索等,都需要一个模型能够将具有序列性质的数据作为输入进行学习;然而,RNN通常难以训练,循环多次之后,大多数情况下梯度往往倾向于消失,也有较少情况会发生梯度爆炸的问题。针对RNN在实际应用中存在的问题,长短期记忆(LSTM)网络被提出,它能够保持信息的长期存储而备受关注,

复杂网络上的渗流和网络鲁棒性 给定度分布P(k)的复杂网络上的点缺陷： 顶点以概率q被随机的占据（工作状态良好） 或以概率1-q被空置 (被破坏) 然后考察系统存在无限大连通集团的临界概率qc 对无标度网络 当 λ<=3, 临界概率 qc 是0或负值. 无标度网络对于顶点的随机移除非常稳健!

复杂网络中对于网络的性质进行研究提出了一系列的理论和指标，如何进行展示、计算，pajek是集成了众多功能的软件，能够帮助复杂网络这一交叉学科研究者更好地展示、理解网络激励。

博士论文哈工大 该作者已出书 混沌神经网络研究及应用 2002 博 哈工 徐耀群

基于Padding权重化的卷积神经网络研究.pdf

斯坦福大牛Jure Leskovec：图神经网络研究最新进展, Jure是斯坦福大学计算机学院的副教授，也是图表示学习方法 node2vec 和 GraphSAGE 作者之一。在谷歌学术搜索（Google Scholar）上，Jure拥有接近4.5万的论文引用数量，H指数为84。以上意味着他在人工智能研究领域占有举足轻重的地位。

复杂网络研究中的一个病毒传播模型matlab代码.zip