独角兽 pyunicorn （统一田间钴mplex网络和R ecurreÑCE分析工具箱）是完全面向对象的Python封装为先进的分析和复杂网络的建模。 在复杂网络理论的标准度量（例如程度，中间性和聚类系数）之上，它提供了一些不常见但有趣的统计数据，例如纽曼的随机游走中间性。 pyunicorn具有新颖的节点加权（节点分裂不变式）网络统计信息，以及用于分析交互/相互依赖网络的网络的措施。 此外， pyunicorn允许根据单变量和多元时间序列和事件数据（功能（气候）网络和递归网络）轻松构建网络。 这涉及时间序列分析的线性和非线性度量，用于从多元数据构建功能网络（例如Pearson相关，互信息，事件同步和事件符合分析）。 pyunicorn还具有对单个和成对时间序列进行非线性分析的现代技术，例如递归量化分析（RQA），递归网络分析和可见性图。 参考 在出版物或其他地方使用结果时，请确认并

复杂网络聚类系数的matlab编程代码,将复杂网络存储为矩阵,再对其matLab编程,求得复杂网络的集类系数 复杂网络聚类系数的matlab编程代码,将复杂网络存储为矩阵,再对其matLab编程,求得复杂网络的集类系数

为解决在网络环境复杂的条件下套接字传输数据被分块抵达，导致一次接收不能正确接收完的问题，封装了一个传输类模块，可以保证一次发送的数据，能被一次正确完全接收。 包含模块代码和用例，对外接口简单，使用方便

现有复杂网络节点重要性评估研究主要集中在无向、无权复杂网络上,未能全面客观反映真实复杂网络的情况。本文基于有向加权复杂网络模型,借鉴PageRank排名算法,并结合复杂网络节点重要性评估特点,提出节点重要性评估的新指标―――DWCN - NodeRank和相应评估方法,该指标既反映出节点局部连接的特性,又从全局体现了有向加权复杂网络中整体链接关系对节点重要性的影响。采用真实的复杂网络数据集所进行的仿真实验结果表明,该方法能快速、有效地评估有向加权复杂网络节点的重要性,提高了复杂网络节点重要性评估的实用价值

发掘网络中重要性1 节点( 边) 一直是图论领域的一个基本问题。随着近年来复杂网络研究热潮的兴起, 特 别是很多实际网络所抽象出来的复杂网络, 表现出了与以往图理论不同的特性, 如小世界特性、无尺度特性等。如何 在复杂网络环境下, 发掘重要性节点已经成为复杂网络研究的一个基本问题。本文简要介绍了复杂网络的基本概念, 详细总结、分析了在复杂网络环境下几个领域中发掘重要性节点的方法, 最后提出了这一领域内几个有待深入研究的 问题和可能的应用方向。

安全技术-网络信息-中国入境旅游流复杂网络的结构特征与角色定位研究.pdf

安全技术-网络信息-心电信号时间序列的复杂网络拓扑研究.pdf

应用复杂网络方法研究数学认知的一个基本过程――背诵过程中大脑功能连接的特征。利用功能磁共振成像(fMRI)得到的数据，建立了不同认知任务下的大脑功能网络。对不同网络的分析表明，不同认知任务下，大脑功能连接虽然有一定的区别，但都具有相同的特性：功能连接的度分布呈power-law分布，网络的平均最短距离与对应的随机网络相差不大，而平均集聚系数却大很多，表明此网络具有小世界特性。对网络核心节点定位分析的结果与传统心理学和认知神经科学研究的结果得到很好的吻合。

安全技术-网络信息-随机复杂网络的同步性分析_应用及数据处理的若干问题.pdf

安全技术-网络信息-随机复杂网络的同步性分析应用及数据处理的若干问题.pdf