网络分析_网络分析法 - CSDN
网络分析 订阅
网络分析(network analysis)是关于网络的图论分析、最优化分析以及动力学分析的总称。网络分析是对网络中所有传输的数据进行检测、分析、诊断,帮助用户排除网络事故,规避安全风险,提高网络性能,增大网络可用性价值。 网络分析是网络管理的关键部份,也是最重要的技术。网络分析一般包含以下分析情况:快速查找和排除网络故障; 找到网络瓶颈提升网络性能; 发现和解决各种网络异常危机,提高安全性; 管理资源,统计和记录每个节点的流量与带宽; 规范网络,查看各种应用,服务,主机的连接,监视网络活动; 分析各种网络协议,管理网络应用质量。网络分析(network analysis) 在激励和网络已知的情况下计箅网络响应的方法,也称电路分析。其最基本的计算法则是基尔霍夫电压定律(KVL)和电流定律(KCL),再加上网络中各元器件的电流电压关系(简记作VCR),就可以得出足够的网络方程(通常是微积分方程组)来求出所需的响应。依照激励源和网络种类以及所需求解响应的不同,有多种不同的分析方法。直接求解网络微积分方程的方法属于时域分析或时域解,这里激励和响应都是时间t的函数;采用拉普拉斯变换或傅里叶变换来求解网络方程的方法属于频域分析或频域解,这里网络方程变换成了代数方程,其中激励和响应都是复频率变量s或jω的函数。 展开全文
网络分析(network analysis)是关于网络的图论分析、最优化分析以及动力学分析的总称。网络分析是对网络中所有传输的数据进行检测、分析、诊断,帮助用户排除网络事故,规避安全风险,提高网络性能,增大网络可用性价值。 网络分析是网络管理的关键部份,也是最重要的技术。网络分析一般包含以下分析情况:快速查找和排除网络故障; 找到网络瓶颈提升网络性能; 发现和解决各种网络异常危机,提高安全性; 管理资源,统计和记录每个节点的流量与带宽; 规范网络,查看各种应用,服务,主机的连接,监视网络活动; 分析各种网络协议,管理网络应用质量。网络分析(network analysis) 在激励和网络已知的情况下计箅网络响应的方法,也称电路分析。其最基本的计算法则是基尔霍夫电压定律(KVL)和电流定律(KCL),再加上网络中各元器件的电流电压关系(简记作VCR),就可以得出足够的网络方程(通常是微积分方程组)来求出所需的响应。依照激励源和网络种类以及所需求解响应的不同,有多种不同的分析方法。直接求解网络微积分方程的方法属于时域分析或时域解,这里激励和响应都是时间t的函数;采用拉普拉斯变换或傅里叶变换来求解网络方程的方法属于频域分析或频域解,这里网络方程变换成了代数方程,其中激励和响应都是复频率变量s或jω的函数。
信息
内    容
图论分析、最优化以及动力学分析
作    用
排除网络事故,规避安全风险
应用学科
网络安全、管理、电信
中文名
网络分析
外文名
network analysis
网络分析稳态分析
激励为正弦信号是一种常见而且重要的情况,求解其稳态响应的方法是相量法(又称符号法)。这时的激励和响应都是同频率的正弦函数,都可用只包含其幅度和初相的相量来表示。例如: 用电压相量 表示, 用电流相量 表示。采用相量法可以把微积分方程变换成代数方程,把网络元件的电流电压关系用阻抗或导纳来表示。根据所求响应的不同,有多种分析方法,它们都是在KVL、KCL和VCR基础上导出其相应的网络方程。对于简单的网络,可用观察法列出网络方程,并可利用网络定理以及等效变换等来简化求解过程。对于复杂的网络,则往往需借助于网络图论和矩阵等方法来系统地列出其网络方程,并用计算机求解。常用的有下面的6种方法。2.1节点电压法以网络中每个节点对某一参考节点间的电压作待求量,这种网络方程叫节点方程,其矩阵式为: 式中Un为待求的各节点电压的矢量;Ig为各节点上的电流激励源矢量为节点导纳矩阵。2.2回路电流法是以每个独立回路中流动的假想电流为待求量,这时的网络方程叫回路方程,其矩阵式为: 式中Im为待求的回路电流的矢量;Ug为各回路的电压激励源矢量;Zm为回路阻抗矩阵。2.3端口分析法有时并不要求求出网络中各处的电流和电压,而只是关心该网络与外部连接的那些端子上的电流电压,这时可把该网络作为多端网络来处理,最常见的是双口网络,联系这些端口上电流电压的方程组一般较小,比较容易求解(双口网络只需两个方程)。2.4网络函数法 当网络中只有一个激励源(设其相量为x)并且只求一个响应(设其相量为可导出联系这两个量的网络方程为: 式中H(jω)称网络函数,一般是频率ω的函数,其量纲可以是阻抗、导纳,或无量纲的电流比、电压比,视工和7的量纲而定。一旦知道了H(jω),就可由给定的x求出响应y,且便于考查其频率特性。2.5不定导纳矩阵法以网络外接端子对网络外部某参考点的电压为待求量,其网络方程的矩阵式为: 式中U是各个外接端子对参考点电压的矢量;I是各端子电流的矢量;Yind是方程的系数矩阵,并称作不定导纳矩阵(是奇异矩阵)。由于它有简单而系统的列写和求解方法,且适合于用计算机处理,因此是分析线性无源和有源网络的重要方法。2.6拓扑分析法一类拓扑方法是把电网络中各电流电压等物理量之间的关系用线图表示出来,再按线图的简化规则或公式求出网络函数,其中典型的方法是信号流图法。另一类是根据电网络的线图和网络中元件参数,通过计算其各种树的树支导纳乘积来求得网络函数。这种方法称作树枚举法或K-树法。拓扑分析方法适合于用计算机处理,易于导出含符号的网络函数,但它们能处理的电网络规模较小。直流激励可作为正弦激励ω等于零的特例来处理,对于周期信号,可借助于傅里叶级数将它分解为许多不同频率的正弦分量,由于线性网络服从叠加定理,可以用相量法分别求出其各个正弦分量的响应后再叠加即可。非周期信号激励下的线性网络分析可借助拉普拉斯变换来求解,这种变换将网络的微积分方程转换成代数方程,将网络元件的电流电压关系用运算阻抗和运算导纳来表示,将网络中的和转换为复数的变换式V(s)和I(s)。该法可视为相量法的推广,它将相量法中的jω换成了复频率s(这里s=δ+jω),故称作运算法。它可沿用在相量法中的各种解法。若还需求得响应的时域函数式,则应对响应的变换式作拉普拉斯反变换来求得。3.1状态变量分析 既适用于线性时不变网络,也可用于时变和非线性网络。对于线性时不变网络,通常以电容、电压和电感、电流作为状态变量,并导出一组以它们为待求量的一阶微分方程组——状态方程。状态方程可由网络的拓扑图形得出,也可由网络的高阶微分方程或网络函数导出。这种方法的优点在于对这种一阶微分方程组已有丰富的求解方法,且适于用计算机处理。此外它还易于应用到时变网络和非线性网络。线性时变网络分析除了采用状态变量法之外,还可采用时变网络函数来分析。对非线性网络,由KVL、KCL和VCR导出的网络方程为非线性方程,一般无封闭解,通常用数值解法或图解法求解。3.2网络的计算机辅助分析随着计算机技术的发展,20世纪60年代出现了通用的网络分析程序,它不仅便于计算,而且促进了网络理论的发展。这类通用的网络分析程序可用于直流分析、正弦稳态分析、瞬态分析、噪声分析、容差分析以及非线性网络分析等。程序中采用较多的方法有改进节点法、状态变量法和混合分析法等,并引入稀疏矩阵等技术以提高解方程的效率。
收起全文
精华内容
参与话题
  • ArcGIS网络分析

    万次阅读 2016-10-08 11:23:42
    什么是网络数据集网络数据集非常适合于构建交通网络。它们由包含了简单要素 (线和点) 和转弯要素的源要素创建而成,而且存储了源要素的连通性。使用 ArcGIS Network Analyst 扩展模块执行分析时,该分析始终作用于...

    什么是网络数据集

    网络数据集非常适合于构建交通网络。它们由包含了简单要素 (线和点) 和转弯要素的源要素创建而成,而且存储了源要素的连通性。使用 ArcGIS Network Analyst 扩展模块执行分析时,该分析始终作用于网络数据集。
    下图显示了如何由网络数据集构建街道网络。图形中高亮显示了可以构建的单行道、转弯限制和天桥/隧道。对网络执行的分析(例如从停靠点 1 到停靠点 2 的路径)将遵照这些属性和其他网络数据集属性。

    为了理解连通性及其重要性,假设要素相互之间通常不能识别。如,两个线要素相交时,任何一条线都不能识别到另一条线。类似地,线要素末端的点要素也不具有能识别线要素的任何固有信息。而网络数据集则会对重合的源要素进行追踪。而且它还具有连通性策略,可进一步定义哪些重合要素是真正连接在一起的(您可以修改该策略)。这样无需将道路连接到一起,就可以构建天桥和地下通道。因此,执行网络分析时,求解程序就会知道沿该网络的哪些路径是可行的。

    多模式网络数据集

    诸如多模式交通网络之类的更复杂的连通性情况也是可能的。下面是一个位于巴黎市区的交通网络示例,其中显示了公路、铁路和公交网。

    网络数据集还有一个丰富的网络属性模型,它有助于为该网络构建阻抗、约束和等级。

    网络元素

    网络数据集是由网络元素组成的。网络元素是由创建网络数据集时添加的源要素生成的。源要素的几何有助于连通性的构建。此外,网络元素中包含用于控制网络导航的属性。
    网络元素共分为三种类型:
    边 - 连接到其他元素(交汇点),同时是代理行驶时经过的链接
    交汇点 - 连接边并使边与边之间的导航变得更容易
    转弯 - 存储可影响两条或多条边之间的移动的信息
    所有网络的基本结构均由边和交汇点组成。网络中的连通性将处理边和交汇点彼此之间的相互连接。转弯是一种可选元素,用于存储与特定转弯移动方式有关的信息;例如,限制从一条特定边左转到另一条边。

    网络源

    可参与创建网络数据集的网络源有三种类型:
    边要素源 - 线要素类可作为边要素源。
    交汇点要素源 - 点要素类可作为交汇点要素源。
    转弯要素源 - 转弯要素类可作为网络中的转弯要素源。转弯要素源会在导航期间明确建立边元素之间可能存在的过渡子集的模型。
    每个以源形式参与到网络中的要素类都会基于自身指定的角色来生成元素。例如,线要素类可用作边元素的源,而点要素类可用于生成交汇点元素。转弯元素可根据转弯要素类来创建。生成的交汇点、边和转弯元素将组成基础图表(即网络)。
    由于几何网络要素类被动态连接到几何网络,因此不可作为网络数据集源。要素类若作为网络数据集中的源,则可参与到拓扑中。
    以一个简单交通网和参与该交通网创建的源为例。该网络中具有可充当边源的街道要素类、可充当交汇点源的街道交叉点要素类、可充当边(铁路线和公交线路)的附加线要素类以及可充当交汇点(火车站和公共汽车站)的点要素类。

    位于要素数据集(包含网络数据集)中的所有要素类均可作为网络源。只有两种源可参与 shapefile 网络数据集,即线 shapefile 和 shapefile 转弯要素类。

    系统交汇点

    在网络数据集中,边的每个端点处都必须存在交汇点。因此,如果没有在边的端点处创建交汇点源要素,则构建网络数据集时,将自动创建系统交汇点。
    系统交汇点作为源要素类中的点存储,在首次构建操作期间自动生成。源要素类命名为 [网络名称]_Junctions,其中 [网络名称] 表示网路数据集名称。

    了解连通性

    创建网络数据集时,需要选择将根据源要素创建哪些边或交汇点元素。确保正确形成边和交汇点对于获得准确的网络分析结果而言非常重要。
    网络数据集中的连通性基于线端点、线折点和点的几何重叠建立,并遵循设置为网络数据集属性的连通性规则。

    连通性组

    建立 ArcGIS Network Analyst 扩展模块中的连通性要从定义连通性组开始。每个边源只能被分配到一个连通性组中,每个交汇点源可被分配到一个或多个连通性组中。一个连通性组中可以包含任意数量的源。网络元素的连接方式取决于元素所在的连通性组。例如,对于创建自两个不同源要素类的两条边,如果它们处在相同连通性组中,则可以进行连接。如果处在不同连通性组中,除非用同时参与了这两个连通性组的交汇点连接这两条边,否则这两条边不连通。
    连通性组可用于构建多模式运输系统模型。您可以为各个连通性组选择要相互连接的网络源。在下面的地铁和街道多模式网络示例中,地铁线和地铁入口全部被分配到了同一连通性组中。请注意,Metro_Entrance 同时还处在街道所处的连通性组中。它构成了两个连通性组间的连接。两组中的所有路径都必须至少经由一个共享地铁入口。例如,路径求解程序可能会为行人确定城市两个位置之间的最佳路径为:从街道步行到地铁入口,然后乘地铁,再在换乘站换乘另一趟地铁,最后走出另一个地铁入口。连通性组既区别了两个网络,又通过共享交汇点(地铁入口)把二者连接在一起。

    连接连通性组内部的边

    同一连通性组内的边可以以两种不同方式进行连接,具体方式取决于边源上采用的连通性策略。
    如果设置的是端点连通规则,则线要素将变成仅在重合端点处进行连接的边。

    在此示例中,线要素 l1 变成了边要素 e1,线要素 l2 变成了边要素 e2。遵照此连通性策略,将始终针对一个线要素创建一个边要素。构建具有端点连通性的网络是构建交叉式对象模型(如桥梁)的一种方式。为构建此示例的模型,桥和街道被放置在了同一连通性组 (1) 中。街道源被指定了“任意折点”连通规则,以便街道要素可以与其他街道要素在重合折点处相连接。桥源被指定为端点连通。这意味着桥只可在端点处与其他边要素相连通。因此,从桥下方穿过的任何街道都不与桥相连通。桥将在端点处与其他街道连通。

    如果要用于构建天桥(桥)和地下通道(隧道)模型的网络中仅包含一个源,则可以考虑在平面数据上使用高程字段。有关详细信息,请参阅下文的“高程字段”部分。
    如果设置了“任意折点”连通规则,则线要素将在重合折点处被分成多条边。如果构建街道数据的目的是要让街道在折点处与其他街道相交,则设置这一策略非常重要。

    在此示例中,两条在共享折点位置相交的折线被分成了四条边,并在该共享折点处形成了交汇点。边 e1 和 e3 用线要素 l1 的源要素类和对象 ID 进行标识。边 e2 和 e4 用线要素 l2 的源要素类和对象 ID 进行标识。交汇点 j3 将是新建系统交汇点。交汇点 j1、j2、j4 和 j5 要么会是系统交汇点,要么会是源要素类重合点的交汇点。
    警告:
    并非所有交叉线要素都可以生成连接的边。如果它们不共享任何重合端点或折点,则通过任何连通性策略也无法在交点处创建交汇点。因此必须事先对网络数据集的街道数据进行清理,以确保无论折点还是端点都显示在所有所需交汇点处。

    如果需要改进街道数据,可以使用地理处理工具(如整合),分割交叉线,或在这些要素类上建立拓扑并应用在编辑街道要素时强制要素在交叉点处进行分割的拓扑规则。

    通过各连通性组间的交汇点连接边

    处于不同连通性组中的边仅可通过两个连通性组共享的交汇点进行连接。
    在组合了公交网和街道网的多模式系统示例中,公交站是从点源中添加的,并且同时处于两个连通性组中。然后,公交站的点位置在空间上必须与相连的公交线和街道线重合。添加公交站的点位置后,该点是否可以成为交汇点将取决于交汇点连通性策略。对于边,交汇点与边要么在端点处要么在折点处相连通,具体取决于目标边源的连通性策略。然而,在某些情况下您可能希望覆盖此行为。

    构建高程模型

    网络元素的连通性不仅可取决于它们在 x 和 y 空间中是否重合,还可取决于它们是否共享相同的高程。构建高程模型的可选方式有两种:使用高程字段和使用几何的 z 坐标值。
    高程字段
    在网络数据集中,高程字段用于优化线端点处的连通性。他们包含从参与网络的要素类的字段中获取的高程信息。这一点与基于 z 坐标值建立连通性有所不同,后者的物理高程信息存储在要素的各个折点中。高程字段适用于边和交汇点源。使用高程字段的边要素源用两个字段来描述高程(线要素的每个端点对应一个字段)。
    在下面的示例中,EF1、EF2、EF3 和 EF4 四个线要素属于同一连通性组,并遵守端点连通性规则。EF3 和 EF4 的高程值为 0;EF1 和 EF2 的高程值为 1。因此,在交点处,EF3 只连接 EF4(而不连接 EF1 或 EF2)。同样,EF1 只连接 EF2,而不连接 EF3 或 EF4。值得注意的是,高程字段用于优化连通性;它们不会覆盖连通性。两个边元素即便具有相同高程字段且相互重合,但如果处在两个不同的连通性组中,它们仍不会相互连接。

    许多数据供应商都提供用于构建连通性模型的高程字段数据。ArcGIS 网络数据集连通性模型可以使用此高程字段数据来增强连通性。而且,在构建桥梁和隧道等特殊方案时,高程字段与连通性模型之间的交互同样是至关重要的一个方面。
    几何的 Z 坐标值
    如果源要素的几何中存储了 z 值,则可以创建三维网络。
    室内人行道的模型通常就用 3D 网络构建。想一想,多层建筑中的很多走廊在 2D (x,y) 空间中都是无法区分的,但在 3D 空间中,却可以根据它们的 z 坐标值对其加以区分。同样,电梯是靠垂直移动来连接各楼层的。在 x,y 空间中电梯是点,但在 3D 空间中却完全可以将其作为线进行建模。
    Z 坐标值使得以三维形式构建点和线要素的连通性模型成为可能。在 3D 网络数据集中,要想建立连通性,源要素(具体而言是点、线端点和线折点)必须共享全部三个坐标值:x、y 和 z 值。
    原文

    构建网络数据集

    ArcGIS网络分析之构建网络分析数据集(一)

    发布网络分析服务

    10.1 教程

    10.2 教程

    ArcGIS网络分析之发布网络分析服务(二)

    展开全文
  • 网络分析(Network Analysis)入门篇(一) 网络节点的性质

    万次阅读 多人点赞 2018-08-13 16:29:22
    网络分析是数据挖掘中重要的一部分,涉及到的知识和图论有一定的联系,这里讲到的网络分析更倾向于社交网络分析,可以是人与人之间的好友关系,电子邮件的发送关系,也可以推广到互联网网站之间的关系等等。...

    目录

    1. 网络节点的性质
    2. 网络的性质
    3. 网络层次性评价
    4. 动态网络演化——随机图模型
    5. 动态网络演化——有偏好的交友模型

    网络分析是数据挖掘中重要的一部分,涉及到的知识和图论有一定的联系,这里讲到的网络分析更倾向于社交网络分析,可以是人与人之间的好友关系,电子邮件的发送关系,也可以推广到互联网网站之间的关系等等。

    为什么我们要研究网络分析呢,随着大数据时代的到来,人们积累数据的意识也越来越强烈,那么如何在积累到的数据中获得我们想要的信息,越来越受到人们的关注。社交网络,QQ空间或者朋友圈的公开评价,公司电子邮件的记录,疾病的发展,网站的访问,等等。越来越多的可以连成网络的数据被保存下来,那么学会分析这些数据可以帮助我们在杂乱的连接关系中找到我们所需要的信息。

    比如说有人研究一个公司在繁盛时期的邮件发送网络以及工作往来的联系,与其和该公司破产前夕的网络进行对比分析,从中发现在破产前公司的邮件往来变得复杂,而且一个员工开始面对多个上司的指令,进而整个公司的管理开始从一个层次明晰的组织(可以用层次hierarchy度量)发展为一个结构不清晰的组织,而在这时业绩也出现了不断下滑的趋势,因此构成了公司倒闭的重要原因之一。

    为了入门网络分析,我们先直观的看一个网络的结构图,下图就是一个经典的网络,其中每个节点(Node)代表着人,而每个边(Edge)代表着朋友关系。
    简单社交网络示意图
    图分为有向(directed)图无向(undirected)图。所谓的有向图就是连接两个节点之间的边是有方向的,比如说一个代表债务的图,一个人A欠另一个B钱,那么B是债主A是欠债人,这个关系就是单向的,因此边就用带箭头的线来表示。无向图,例如代表婚姻关系的图,那么A是B的配偶,B自然也是A的配偶,因此二者关系平等就用没有箭头或者双向箭头的线来表示。有的时候边也是有权重的,这个权重可以代表二者连接关系的紧密程度,节点为ip地址,你经常访问百度,那么你的ip地址和百度的ip地址的连接更紧密,边的权重也就更大。

    下面介绍三个网络中节点的重要的性质。

    1. 度中心性(Degree Centrality): 一个节点直接相连的节点的个数。假如在一个社交网络中,节点代表的是人,边代表的是好友关系,那么一个节点的度中心性越大,就说明这个人的好友越多。这样的人可能是比较有名望的人物,如果需要散布一些消息的话,这样的人最适合,因为他的一条状态可以被很多很多的人看到。
    2. 紧密中心性(Closeness Centrality): 一个节点到其他所有节点的最短距离的加和,或者是加和的倒数。通常来讲紧密中心性是加和的倒数,也就是说紧密中心性的值在0到1之间,紧密中心性越大则说明这个节点到其他所有的节点的距离越近,越小说明越远。在一些定义中不取倒数,就是该节点到其他节点的最短距离加和,这样定义的话紧密中心性越小说明该点到其他点的距离越近。紧密中心性刻画了一个节点到其他所有节点的性质,在社交网络中,一个人的紧密中心性越大说明这个人能快速的联系到所有的人,可能自己认识的不多,但是有很知名的朋友,可以通过他们快速的找到其他人。
    3. 中介中心性(Betweenness Centrality): 一个点位于网络中多少个两两联通节点的最短路径上,就好像“咽喉要道”一样,如果联通两个节点A和B的最短路径一定经过点C,那么C的中介中心性就加一,如果说A和B最短路径有很多,其中有的最短路径不经过C,那么C的中介中心性不增加。中介中心性刻画了一个节点掌握的资源多少,在社交网络中,一个人的中介中心性越大说明这个人掌握了更多的资源而且不可替代(必须经过他,不存在其他的最短路径),就好像房屋中介一样,一边是买房的人一边是卖房的人,买卖双方要想联系就要经过中介。

    以上是节点的重要的性质,在下一节中我们会介绍整个网络的性质。

    展开全文
  • 【社会网络分析图】python实现

    千次阅读 多人点赞 2019-10-24 13:55:37
    这里写自定义目录标题社会网络分析图---Python实现社会网络分析包networkx网络图之知识图谱共现矩阵 社会网络分析图—Python实现 主要记录学习《Python数据挖掘方法及应用》(王斌会 著)第八章的内容。 社会网络...

    社会网络分析图—Python实现

    主要记录学习《Python数据挖掘方法及应用》(王斌会 著)第八章的内容。

    社会网络分析主要有两大要素:
    ①行动者,在社会网络中用节点(node)表示;②关系,在社会网络中用连线(edge)表示,关系的内容可以是友谊、借贷或沟通,其关系可以是单向或双方的,切关系强度存在强度的差异。

    社会网络分析包networkx

    networkx是python语言开发的图论与复杂网络建模工具,内置了常用的图与复杂网络分析算法,可以方便进行复杂网络数据分析和仿真建模等工作。

    网络图之知识图谱

    知识图谱,又称为科学知识图谱,在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。

    共现矩阵

    图谱共现矩阵是把数据进行整合筛选等操作后,将所要的某一列数据进行处理。这一列中出现的数据,通过矩阵的方式表示它们之间的联系。矩阵中的数字代表相关联的次数。
    程序中出现的数据都是本书所给实例。
    下载数据的网站[\《Python数据分析》暨南大学 王斌会](http://blog.leanote.com/DaPy)

    附上程序
    
    #!/usr/bin/env python
    #   -*-   coding:   cp936   -*-  使用中文
    import networkx as nx
    import matplotlib.pyplot as plt
    nG=nx.Graph();#创建一个空的图
    nG
    

    一定要加前两行,要不然后面画图会显示不了中文

    
    import pandas as pd   
    #分解信息
    def list_split(content,separator): 
        new_list=[]
        for i in range(len(content)):
            new_list.append(list(filter(None,content[i].split(separator))))#以separator为分隔符
        return new_list
    #清除信息中的空格
    def list_replace(content,old,new):            
        return[content[i].replace(old,new) for i in range(len(content))]
    
    WXdata=pd.read_excel('PyDm_data.xlsx','WXdata');
    

    设置一个分解信息函数list_split(content,separator)和清除空格的函数list_replace(content,old,new),由于原始文本数据中含标点符号,对数据进行预处理,去掉这些干扰的东西。

    def find_words(content,pattern): #寻找关键词
        return[content[i] for i in range(len(content)) if (pattern in content[i])==True]
        
    def search_university(content,pattern):#寻找大学
        return len([find_words(content[i],pattern) for i in range(len(content))
                   if find_words(content[i],pattern)!=[]])
    university=pd.read_excel('PyDm_data.xlsx','university');
    #university1=sum(university,[])
    
    organ=list_split(WXdata['Organ'],';')
    
    data1=pd.DataFrame([[i,search_university(organ,i)] for i in university['学校名称']])
    
    keyword=list_split(WXdata['Keyword'].dropna(axis=0,how='all').tolist(),';;')
    keyword1=sum(keyword,[])
    author=list_replace(WXdata['Author'].dropna(axis=0,how='all').tolist(),',',';')
    author1=list_split(author,';')
    author2=sum(author1,[])
    data1;
    

    查找函数find_words(content,pattern)用于查找每一列中所要元素
    由于后面要画三个图,分别是作者,大学和关键词,这里先提取出数据

    #获取前30名的高频数据
    data_author=pd.DataFrame(author2)[0].value_counts()[:30].index.tolist()
    
    data_keyword=pd.DataFrame(keyword1)[0].value_counts()[:30].index.tolist()
    
    data_university=data1.sort_values(by = 1,ascending=False,axis=0)[0:30][0].tolist()
    #data_university=data1.sort_values(by=1,ascending=False,axis=0)[0:30]['学校名称'].tolist()
    data_university;
    

    由于数据较多,这里设置一个提取高频数据的函数,只选取每一列中出现次数最多的三十个来进行研究。

    
    ```python
    def occurence(data,document): #定义共现矩阵
        empty1=[];empty2=[];empty3=[]
        for a in data:
            for b in data:
                count = 0
                for x in document:
                    if [a in i for i in x].count(True)>0 and [b in i for i in x].count(True)>0:
                        count=count+1
                empty1.append(a);empty2.append(b);empty3.append(count)#append() 方法向列表的尾部添加一个新的元素。只接受一个参数
        df=pd.DataFrame({'from':empty1,'to':empty2,'weight':empty3})
        #具有标注轴(行和列)的二维大小可变的表格数据结构
        G=nx.from_pandas_edgelist(df,'from','to','weight')
        #返回包含边列表的图形
        return (nx.to_pandas_adjacency(G,dtype=int))#注意对齐
    

    自定义用于画图的共现矩阵的函数 occurence(data,document)

    Matrix1=occurence(data_author,author1)
    Matrix1;
    Matrix2=occurence(data_university,organ)
    Matrix2;
    Matrix3=occurence(data_keyword,keyword)
    Matrix3;
    

    作者矩阵Matrix1
    作者矩阵Matrix1的结果
    大学矩阵 Matrix2
    大学矩阵 Matrix2的结果
    关键词矩阵 Matrix3
    关键词矩阵 Matrix3的结果

    import networkx as nx
    import matplotlib.pyplot as plt              #加入中文汉字
    plt.rcParams['font.sans-serif']=['SimHei']   #设置字体为SimHei显示中文
    plt.rcParams['axes.unicode_minus']=False     #设置正常显示字符
    #设置线条样式  plt.rcParams['lines.linestyle'] = '-.'
    #设置线条宽度 plt.rcParams['lines.linewidth'] = 3
    
    nf1=nx.from_pandas_adjacency(Matrix1)
    #建立布局,对图进行布局美化,networkx 提供的布局方式有:
    #- circular_layout:节点在一个圆环上均匀分布;   - random_layout:节点随机分布
    #- shell_layout:节点在同心圆上分布;     - spring_layout: 用Fruchterman-Reingold算法排列节点(类似多中心放射状)
    #- spectral_layout:根据图的拉普拉斯特征向量排列节
    
    #以下语句绘制以带宽为线的宽度的图
    
    nx.draw(nf1,with_labels=True,node_color='yellow')
    

    作者列的网络图高频作者之间合作情况
    高频作者之间合作情况

    nf2=nx.from_pandas_adjacency(Matrix2)
    nx.draw(nf2,with_labels=True,node_color='yellow')
    

    高校之间合作图谱
    高校之间合作图谱

    graph3=nx.from_pandas_adjacency(Matrix3)
    nx.draw(graph3,with_labels=True,node_color='yellow')
    

    关键词知识图谱
    关键词知识图谱

    最后,附上一些程序实现过程中参考的网站
    1.入门|始于Jupyter Notebooks:一份全面的初学者实用指南http://baijiahao.baidu.com/s?id=1601883438842526311&wfr=spider&for=pc
    2.Networkx参考手册 - qingqingpiaoguo的专栏 - CSDN博客
    https://blog.csdn.net/qingqingpiaoguo/article/details/60570894
    3.python复杂网络库networkx:绘图draw - 皮皮blog - CSDN博客
    https://blog.csdn.net/pipisorry/article/details/54291831
    4.Drawing — NetworkX 1.10 documentation
    https://networkx.github.io/documentation/networkx-1.10/reference/drawing.html
    5.《数据挖掘方法》
    http://blog.leanote.com/cate/dapy/%E7%9B%AE%E5%BD%95

    展开全文
  • 复杂网络分析总结

    万次阅读 2018-04-08 16:02:29
    参考文献 在我们的现实生活中,许多复杂系统都可以建模成一种复杂网络进行分析,比如常见的电力网络、航空网络、交通网络、计算机网络以及社交网络等等。复杂网络不仅是一种数据的表现形式,它同样也是一种科学...

      在我们的现实生活中,许多复杂系统都可以建模成一种复杂网络进行分析,比如常见的电力网络、航空网络、交通网络、计算机网络以及社交网络等等。复杂网络不仅是一种数据的表现形式,它同样也是一种科学研究的手段。复杂网络方面的研究目前受到了广泛的关注和研究,尤其是随着各种在线社交平台的蓬勃发展,各领域对于在线社交网络的研究也越来越火。研究生期间,本人的研究方向也是一直与复杂网络打交道,现在马上就要毕业了,写一篇博文简单介绍一下复杂网络特点以及一些有关复杂网络研究内容的介绍,希望感兴趣的博友可以一起讨论,一起学习。

      下图分别是一个航空网络(上图)和Facebook网络全球友谊图(下图)。


    1. 复杂网络的特点

      钱学森对于复杂网络给出了一种严格的定义:具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络称之为复杂网络。言外之意,复杂网络就是指一种呈现高度复杂性的网络,其特点主要具体体现在如下几个方面:

      1.1 小世界特性

      小世界特性(Small world theory)又被称之为是六度空间理论或者是六度分割理论(Six degrees of separation)。小世界特性指出:社交网络中的任何一个成员和任何一个陌生人之间所间隔的人不会超过六个,如下图所示:

      在考虑网络特征的时候,通常使用两个特征来衡量网络:
      特征路径长度(characteristic path length):在网络中,任选两个节点,连通这两个节点的最少边数,定义为这两个节点的路径长度,网络中所有节点对的路径长度的平均值,定义为网络的特征路径长度。这是网络的全局特征。
      聚合系数(clustering coefficient):假设某个节点有kk条边,则这kk条边连接的节点(kk个)之间最多可能存在的边的条数为k(k1)/2k(k−1)/2,用实际存在的边数除以最多可能存在的边数得到的分数值,定义为这个节点的聚合系数。所有节点的聚合系数的均值定义为网络的聚合系数。聚合系数是网络的局部特征,反映了相邻两个人之间朋友圈子的重合度,即该节点的朋友之间也是朋友的程度。
      对于规则网络,任意两个点(个体)之间的特征路径长度长(通过多少个体联系在一起),但聚合系数高(你是朋友的朋友的朋友的几率高)。对于随机网络,任意两个点之间的特征路径长度短,但聚合系数低。而小世界网络,点之间特征路径长度小,接近随机网络,而聚合系数依旧相当高,接近规则网络。
      复杂网络的小世界特性跟网络中的信息传播有着密切的联系。实际的社会、生态、等网络都是小世界网络,在这样的系统里,信息传递速度快,并且少量改变几个连接,就可以剧烈地改变网络的性能,如对已存在的网络进行调整,如蜂窝电话网,改动很少几条线路,就可以显著提高性能。

      1.2 无标度特性

      现实世界的网络大部分都不是随机网络,少数的节点往往拥有大量的连接,而大部分节点却很少,节点的度数分布符合幂率分布,而这就被称为是网络的无标度特性(Scale-free)。将度分布符合幂律分布的复杂网络称为无标度网络。

      下图为一个具有10万个节点的BA无标度网络的度数分布示意图:

      无标度特性反映了复杂网络具有严重的异质性,其各节点之间的连接状况(度数)具有严重的不均匀分布性:网络中少数称之为Hub点的节点拥有极其多的连接,而大多数节点只有很少量的连接。少数Hub点对无标度网络的运行起着主导的作用。从广义上说,无标度网络的无标度性是描述大量复杂系统整体上严重不均匀分布的一种内在性质。

      其实复杂网络的无标度特性与网络的鲁棒性分析具有密切的关系。无标度网络中幂律分布特性的存在极大地提高了高度数节点存在的可能性,因此,无标度网络同时显现出针对随机故障的鲁棒性和针对蓄意攻击的脆弱性。这种鲁棒且脆弱性对网络容错和抗攻击能力有很大影响。研究表明,无标度网络具有很强的容错性,但是对基于节点度值的选择性攻击而言,其抗攻击能力相当差,高度数节点的存在极大地削弱了网络的鲁棒性,一个恶意攻击者只需选择攻击网络很少的一部分高度数节点,就能使网络迅速瘫痪。

      1.3 社区结构特性

      人以类聚,物以群分。复杂网络中的节点往往也呈现出集群特性。例如,社会网络中总是存在熟人圈或朋友圈,其中每个成员都认识其他成员。集群程度的意义是网络集团化的程度;这是一种网络的内聚倾向。连通集团概念反映的是一个大网络中各集聚的小网络分布和相互联系的状况。例如,它可以反映这个朋友圈与另一个朋友圈的相互关系。

      下图为网络聚集现象的一种描述:


    2. 社区检测

      社区检测(community detection)又被称为是社区发现,它是用来揭示网络聚集行为的一种技术。社区检测实际就是一种网络聚类的方法,这里的“社区”在文献中并没有一种严格的定义,我们可以将其理解为一类具有相同特性的节点的集合。近年来,社区检测得到了快速的发展,这主要是由于复杂网络领域中的大牛Newman提出了一种模块度(modularity)的概念,从而使得网络社区划分的优劣可以有一个明确的评价指标来衡量。一个网络不通情况下的社区划分对应不同的模块度,模块度越大,对应的社区划分也就越合理;如果模块度越小,则对应的网络社区划分也就越模糊。

      下图描述了网络中的社区结构:

      Newman提出的模块度计算公式如下:



    其中mm为网络中总的边数,A是网络对应的邻接矩阵,Aij=1Aij=1代表节点ii和节点jj之间存在连边,否则不存在连边。kiki为节点ii的度数,CiCi为节点ii属于某个社区的标号,而δ(Ci,Cj)=1δ(Ci,Cj)=1当且仅当Ci=CjCi=Cj

      上述的模块度定义其实很好理解,我们可以根据一个网络的空模型去进行理解。网络的空模型可以理解为只有节点的而没有连边,这时候一个节点可以和图中的任意其他节点相连,并且节点iijj相连的概率可以通过计算得到。随机选择一个节点与节点ii相连的概率为kj/2mkj/2m,随机选择一个节点与节点jj相连的概率为kj/2mkj/2m,那么节点ii和节点jj相连的概率为pipj=kikj/(4m2)pipj=kikj/(4m2),边数的期望值Pij=2mpipj=kikj/(2m)Pij=2mpipj=kikj/(2m)所以模块度其实就是指一个网络在某种社区划分下与随机网络的差异,因为随机网络并不具有社区结构,对应的差异越大说明该社区划分越好。

      Newman提出的模块度具有两方面的意义:

      (1)模块度的提出成为了社区检测评价一种常用指标,它是度量网络社区划分优劣的量化指标;

      (2)模块度的提出极大地促进了各种优化算法应用于社区检测领域的发展。在模块度的基础之上,许多优化算法以模块度为优化的目标方程进行优化,从而使得目标函数达到最大时得到不错的社区划分结果。

      当然,模块度的概念不是绝对合理的,它也有弊端,比如分辨率限制问题等,后期国内学者在模块度的基础上提出了模块度密度的概念,可以很好的解决模块度的弊端,这里就不详细介绍了。

      常用的社区检测方法主要有如下几种:

      (1)基于图分割的方法,如Kernighan-Lin算法,谱平分法等;

      (2)基于层次聚类的方法,如GN算法、Newman快速算法等;

      (3)基于模块度优化的方法,如贪婪算法、模拟退火算法、Memetic算法、PSO算法、进化多目标优化算法等。


    3. 结构平衡

      结构平衡(Structural Balance)主要是针对社交网络的研究而被提出的,它最早源于社会心理学家Heider提出的一个结构平衡理论。

      3.1 网络平衡的发展

      网络平衡有时也称社会平衡(Social Balance),就网络平衡的发展来说,我们可以将其分为三个发展阶段。
      3.1.1 网络平衡理论的提出
      “网络平衡”一词最早是由Heider基于对社会心理学的研究而提出的,Heider在1946年的文章Attitudes and cognitive organization[1]中针对网络平衡的概念提出了最早的平衡理论:
      (1)朋友的朋友是朋友;
      (2)朋友的敌人是敌人;
      (3)敌人的朋友是敌人;
      (4)敌人的敌人是朋友。
      用常见的三元组合来表示上述的Heider理论如下:

      上述的平衡理论是有关网络平衡提出的最早的理论,它后来也被称为是强平衡理论。

      1956年,Cartwright和Harary对Heider的平衡理论进行了推广,并将其用在了图理论中(STRUCTURAL BALANCE: A GENERALIZATION OF HEIDER'S THEORY[2])。Cartwright和Harary指出对于一个符号网络而言,网络平衡的充要条件是网络中的所有三元组都是平衡的,该结论也可以陈述为一个符号网络平衡的充要条件是它所包含的所有回路(cycles)都是平衡的(“-”号的个数为整数个)。而且,在这篇文章中,他们还提出了著名的结构平衡理论:如果一个符号网络是平衡的,那么这个网络就可以分为两部分子网络,其中每个子网络内部中节点的连接都是正连接,网络之间的连接均为负连接。

      在这各阶段网络平衡的发展的重心主要在于构建网络平衡的心理学和社会学模型。

      3.1.2 网络平衡的数学模型

      在有了Heider等人的奠基工作后,有关网络平衡的发展主要是构建其数学模型,比如网络的动态表现,一个网络连接如何随时间的变化而变化,网络中节点之间的朋友或者敌人的关系如何演化等等。

      3.1.3 网络平衡的应用

      最新关于网络平衡方面的研究大都是研究一些在线网络,比如对某个网站用户属性的分析等等。而且,目前我们身处大数据时代,我们所要研究的网络规模也变为了大型甚至可以说是超大型网络,这这个背景下,如何计算一个网络是否平衡便成为该领域的主要热点问题。

      3.2 网络平衡的基本理论

      (1) Heider理论(强平衡理论SBT)。

      (2) 结构平衡理论(Structural Balance Theroem):在完全符号网络中,网络平衡的充要条件是其所有的三元组(回路)都平衡。

      结构平衡的推论:一个完全符号网络平衡的充要条件是它可以被分为两部分X和Y,X和Y内部的节点连接均为正连接,X和Y之间的连接均为负连接。

      (3) 弱平衡理论(A weaker form of structural balance,WSBT):如果完全符号网络中不存在这样的三元组:两个边为正,一边为负,则该网络称为是弱平衡网络。

      对于弱平衡理论而言,上图的三元组中,三边均为负连接的三元组也属于平衡三元组,也就是三元组的四种情况有三种属于平衡状态,一个属于不平衡状态(两边为正,一边为负)。

      弱平衡网络推论:如果一个网络为弱平衡理论,那么它可以分为多个部分,每部分内的连接为正,部分之间的连接为负。

      (4) 对任意网络平衡的定义.

      1) 对于一个任意网络而言,如果我们可以将它所缺失的边填充使它成为一个平衡的完全符号网络,那么原网络就是平衡网络;
      2) 对于一个任意网络而言,如果我们可以将它分为两部分,使得每个部分内的连接均为实线,部分之间的连接均为虚线。
      以上的两种定义是等价的。
      一个符号网络平衡的充要条件是它不包括含有奇数个负连接的回路。

      (5) 近似平衡网络(略)。

      3.3 网络平衡的计算(A spectral algorithm for computing social balance)
      命题1:节点i参与的三元组数目

      A为邻接矩阵,元素取值可能为:1,-1,0;
      G为邻接矩阵,元素取值可能为:0,1.
      命题2:对于节点i而言,bi为其参与的平衡三元组数目,ui为其参与的不平衡三元组数目,则

      理论1:对于完全符号图而言,

      平衡三元组所占的比例为

      理论2:对于任意符号网络,平衡三元组所占的比例为

      
      注:以上两个计算网络平衡的公式中,特征值可以随大到小选择前几个比较大的,就像PCA那样,这样可以使得计算的复杂度大大减小。


    4. 影响最大化

      随着各种在线社交平台的发展,社交平台(比如QQ、微博、朋友圈等)已经不仅仅是一种用户进行沟通的社交平台,它们更是社会信息产生和传播的一种主要的媒介。影响最大化(Influence Maximization)同结构平衡一样,也是针对社会网络的研究而被提出的,它来源于经济学的市场营销。2001年,影响最大化被Domins首次以一种算法问题的形式被提出。而影响最大化受到广泛的关注是在2003年Kempe等人在当年的KDD会议上发表的一篇有关影响最大化的论文之后,随后各种影响最大化算法被迅速提出,最近的十几年里,影响最大化的相关文章达到了上千篇,可见这个问题还是很值得关注的。

      影响最大化问题可以这样来描述:一个商家或者企业利用一种社交平台(比如为新浪微博)为自己的新产品或者新服务进行推广,如何在资金有限的情况下雇佣微博达人来做推广可以使得推广范围达到最大?

      我们再给出影响最大化的一般定义:

      给定一个网络GG和一个整数KK(一般小于50),如何在GG中找出KK个节点,使得这KK的节点组成的节点集合SS的影响传播范围σ(S)σ(S)达到最大。

      根据上述影响最大化的定义我们很容易可以知道,影响最大化本身属于一种组合优化问题。常用的影响最大化传播模型有独立级联传播模型(ICM)和线性阈值传播模型(LTM)。

      影响最大化方面的主要算法可以分为如下几类:

      (1)基于网络中心性的启发式方法:比如最大度方法、最短平均距离方法、PageRank方法等;

      (2)基于子模块性的贪婪方法:比如最经典的Greedy算法,CELF算法以及后来的NewGreedy和CELF++等;

      (3)基于社区结构的方法:比如CGA算法、CIM算法等;

      (4)基于目标函数优化的方法:比如模拟退火算法等。

    5. 网络传播

       网络传播领域涉及很多方面,比如网络节点重要性排序、网络鲁棒性分析、网络信息爆发阈值优化等。这些领域都很有意思,感兴趣的博友可以好好深入研究一下。

    6. 补充

      6.1 网络可视化工具

      首先在这里推荐两款我常用的网络可视化工具:Pajek (点击进入官方网站)、Gephi(点击进入官方网站)。

      下边为pajek可视化窗口下的一个网络拓扑结构图:

     

      这是Gephi的一个可视化效果:


      6.2 网络数据集

      常用的一些公开数据集整理:

      Pajek(可视化工具)数据集:http://vladowiki.fmf.uni-lj.si/doku.php?id=pajek:data:index;

      Newman(复杂网络科学领域大牛)个人数据集:http://www-personal.umich.edu/~mejn/netdata/

      Stanford大学大规模网络数据集:http://snap.stanford.edu/data/

      复旦大学网络数据集整理:http://gdm.fudan.edu.cn/GDMWiki/Wiki.jsp?page=Network%20DataSet

      KONECT数据集整理:http://konect.uni-koblenz.de/


    7. 参考文献

      [1] Grivan and Newman. Community structure in social and biological networks. PNAS, 2002.

      [2] Newman and Grivan. Finding and evaluating community structure in networks. PRE, 2004.

      [3] Newman. Networks: an introduction. 2010.

      [4] Cartwright and Harary. Structural balance: a generalization of Heider's theory. 1956.

      [5] Facchetti et al. Computing global structural balance in large-scale signed social networks. 2011.

      [6] Kempe et al. Maximizing the spread of influence through a social network. 2003.

      [7] Chen et al. Efficient influence maximization in social networks. 2009. 

      [8] 任晓龙,吕琳媛. 网络重要节点排序方法综述. 2014.


    出处:http://www.cnblogs.com/maybe2030/p/4665847.html#_labelTop


    展开全文
  • [ArcGIS] 空间分析(五) 网络分析

    万次阅读 2017-11-17 17:42:28
    详细介绍ArcGIS中网络分析模块,包括网络分析与几何分析。
  • 之前的内容,我们了解的都是一个静态的网络,比如在某一个时刻中,网络节点之间的连接关系,而这里我们要说的是一个动态的网络,即网络的结构随着时间的变化而变化。这样的例子在实际中相当的常见,比如分析随着时间...
  • 针对每个节点,我们可以研究一个个体在网络中的不同表现和性质,而针对整个网络的研究,能让我们不局限于群体中的个体,而是对一个群体所表现出来的特征进行分析,进而对一个群体组织进行量化的分析网络的大小...
  • 社会网络分析SNA

    万次阅读 2019-04-16 13:00:23
    网络学习平台和移动学习平台协作学习效果比较研究——基于社会网络分析的视角[J]. 中国远程教育, 2016(11):43-52. 【2】常咏梅, 张雅雅, 金仙芝. 基于量化视角的STEM教育现状研究[J]. 中国电化教育, 2017(6):114-...
  • UCINET简介   UCINET为菜单驱动的Windows程序,可能是最知名和最经常被使用的处理社会网络数据和其他相似性数据的综合性分析程序。与UCINET捆绑在一 起的还有Pajek、Mage和NetDraw等三个软件。UCINET...
  • 网络分析是arcgis提供的重要的空间分析的功能,利用它可以模拟现实世界的网络问题。例如多个地点的最短路径问题。 在arcgis中,将地理网络模型分为两种:几何网络模型和网络数据集模型。由于本片文章研究的是网络...
  • 矢量网络分析仪--测天线时使用技巧

    万次阅读 2016-06-28 20:43:09
    1. 第一步首先按开机键,等待失网启动完毕。 ... 3.接下来的工作时对失网进行较准,点击校准,选择智能校准,接着选择端口(测天线时是单端口,我们我们选择连接天线的那一段为35mm的母头,选择另一个端口为invalid)...
  • 如何使用python进行社交网络分析

    万次阅读 2017-03-13 17:06:44
    Social Network Analysis for Startups 是一本介绍如何使用python进行社交网络分析的入门书,主要使用了NetworkX、numpy等插件进行网络分析,前端可以使用Matplotlib进行可视化展示,一个展示效果图如下所示: ...
  • 十大免费网络分析工具推荐

    千次阅读 2018-12-10 17:20:20
    http://network.51cto.com/art/201401/426792.htm
  • 网络数据包分析与抓取

    万次阅读 2017-04-05 09:14:37
    多年的网络数据包分析与抓取经验,闲话少说,上干货。 先列举数据包的种类:1、Http数据包;2、UDP数据包;3、TCP数据包;4、ARP数据包;其实数据包的概念是很泛的,在软件可逆领域,数据包抓取、分析、破解、二次...
  • 所以在此不会深入讨论网络分析服务的每一个细节,本文的目的就是让初学者学会使用网络分析服务进行基本的分析(主要针对后续的WEB开发):路径分析,最近设施点分析,以及服务区分析。 2.关于OD成本矩阵分析,多路径...
  • 引言 发布网络分析服务 1利用ArcMap创建网络 2将创建的地图进行符号化 3开启网络分析权限并添加分析图层 4修改属性并将其发布为网络服务
  • [GIS原理] 8.1 空间分析-网络分析

    千次阅读 2019-11-03 08:19:31
    网络分析(Network Analysis) 【背景】现实世界中,若干线状要素相互连接成网状结构,资源沿着这个线性网流动,这样就构成了一个网络 【网络】就是指现实世界中,由链和结点组成的、带有环路,并伴随着一系列支配...
  • UCINET 社会网络分析工具

    千次阅读 2009-11-20 17:22:00
    UCINET软件是由加州大学欧文(Irvine)分校的一群网络分析者编写的。现在对该软件进行扩展的团队是由斯蒂芬·博加提(Stephen Borgatti)、马丁·埃弗里特(Martin·Everett)和林顿·弗里曼(Linton Freeman)组成...
  • 网络分析仪原理详解

    万次阅读 2018-07-12 10:48:08
    网络分析仪组成框图图1所示为网络分析仪内部组成框图。 为完成被测件传输/反射特性测试,网络分析仪包含:1.激励信号源;提供被测件激励输入信号2.信号分离装置,含功分器和定向耦合器件,分别提取被测试件输入和...
  • 网络流量分析netflow

    万次阅读 2017-09-08 14:05:41
    电信运营商需要通过可靠、有效的网络业务流量监测系统对其网络以及网络所承载的各类业务进行及时、准确的流量和流向分析,进而挖掘网络资源潜力,控制网络互联成本,并为网络规划、优化调整和业务发展提供基础依据。...
1 2 3 4 5 ... 20
收藏数 1,156,454
精华内容 462,581
关键字:

网络分析