神经网络与复杂网络的分析
网络科学中的复杂网络研究
网络科学中的复杂网络研究随着互联网技术的不断发展，人们的生活方式和工作方式也在发生着巨大的变化。
同时，人们对于互联网的极度依赖也使得网络科学变得越来越重要。
网络科学是一门研究网络结构、行为和演化的学科，其中复杂网络研究是网络科学中的重要方向之一。
本文将探讨网络科学中的复杂网络研究。
一、复杂网络的定义复杂网络是指由大量节点（node）和连接（link）构成的一种网络结构。
在复杂网络中，节点可以代表不同的事物，如人、公司、物品等，而连接则代表节点之间的关系，如交互、联系、传递等。
复杂网络的结构往往是非常复杂的，节点和连接数量很大，而且连接关系存在着很多的变化和不确定性。
二、复杂网络的特征复杂网络具有许多独特的特征，其中比较重要的特征包括：1.小世界性：复杂网络的节点之间往往会形成一些短路径，这些短路径将整个网络连接在了一起。
这种现象称为小世界性。
小世界性意味着网络的信息传递能力很强。
2.无标度性：复杂网络中的节点往往分布不均匀，只有少数节点连接了大量的其他节点，而大多数节点只连接了少量的节点。
这种现象称为无标度性。
无标度性意味着网络的节点之间存在着重要的枢纽节点。
3.聚集性：复杂网络中的节点往往呈现出聚集集中的现象，这些节点之间存在着很多的三角形连接关系。
这种现象称为聚集性。
聚集性意味着网络的节点之间存在着很多的社区结构。
三、复杂网络的研究方法复杂网络的研究方法主要包括两类，一类是基于统计物理学的方法，另一类是基于图论的方法。
基于统计物理学的方法通常用于描述网络中的相变现象，如网络的阈值、相等温转变等。
而基于图论的方法通常用于描述网络中节点之间的联系和关系，如节点之间的距离、聚集系数等。
四、复杂网络的应用复杂网络的应用非常广泛，其中比较重要的应用包括：1.社交网络分析：通过对社交网络进行复杂网络分析，可以深入了解社交网络中的节点之间的关系、信息传播和社区结构等。
2.互联网搜索引擎：搜索引擎可以通过对互联网进行复杂网络分析，提高搜索的效果和精度。
复杂网络的分析及优化
复杂网络的分析及优化随着互联网的迅速发展，越来越多的数据在网络中传输，网络结构也越来越复杂。
如何分析和优化这些复杂的网络成为一个关键问题。
本文将介绍复杂网络的分析及优化方法，包括网络拓扑结构分析、网络连通性研究、网络优化算法等。
一、网络拓扑结构分析网络的拓扑结构是指网络中节点和边的分布规律。
通过对网络拓扑结构的分析可以了解网络的整体特征和局部特征，从而深刻地认识网络内部的相互关系。
1.1 度分布度是指一个节点的直接连接数，度分布是指网络中节点度数的频率分布。
通常情况下，度分布呈现长尾分布，即有少数节点的度数非常大，而大多数节点的度数较小。
度分布的形态对网络的性质和行为有很大影响，因此度分布是复杂网络拓扑结构分析的重要指标。
1.2 聚集系数聚集系数是指网络中三角形的数量与所有可能的三角形数量的比值。
聚集系数可以用来描述网络的密集程度和连通性。
在社交网络和生物网络中，聚集系数通常比较高，而在物理和技术网络中，聚集系数较低。
1.3 特征路径长度特征路径长度是指网络中任意两个节点之间的最短路径的平均数。
网络的特征路径长度反映了网络内部连接的紧密程度，对于描述物理网络和社交网络的距离关系非常有用。
二、网络连通性研究网络连通性是指在网络结构中通过节点和边互相连接所形成的整体连通性。
网络连通性是复杂网络中最重要和最基本的特性之一。
2.1 连通性分析连通性分析是指通过对网络中节点和边的连接性进行分析，确定网络的连通性。
在无向网络中，如果任意两个节点都可以通过路径相互连接，则该网络是连通的。
在有向网络中，如果所有节点都可以到达任意另一个节点，则该网络是强连通的。
2.2 最大连通子图最大连通子图是指网络中最大的连通子集，其中任意两个节点都可以通过路径相互连接。
最大连通子图是分析网络组成和功能的关键。
2.3 非连通子图非连通子图是指网络中不属于任何连通子图的节点或边。
非连通子图可以通过增加新的节点或边，改变网络的拓扑结构，从而使网络成为连通的。
网络分析：探索和理解复杂网络的结构和行为
网络分析：探索和理解复杂网络的结构和行为"网络如此之复杂，仿佛是一张错综复杂的蜘蛛网。
我们如何理解和探索这些复杂网络的结构和行为呢？网络分析就是我们的绳索和放大镜。
让我们一起来了解网络分析的概念、方法和应用吧！"网络在现代社会中无处不在，它连接了人与人，企业与企业，甚至是机器与机器。
不仅仅是互联网，我们生活中的各个方面都有着网络的存在。
这些网络承载着巨大的信息和互动，它们的结构和行为有时候又如此复杂和难以理解。
面对这样的复杂性，人们需要一种方法来解析和理解网络的结构和行为，这就是网络分析。
什么是网络分析？网络分析是一种通过数量化和视觉化网络中的关系、结构和特征的方法，以探索和理解网络的功能和行为。
它基于数学、统计学和计算机科学等多个学科，旨在揭示网络中的隐藏模式和规律。
在网络分析中，重点研究的对象是节点（节点可以是人、企业、网页等）和边（边表示节点之间的连接关系）。
通过分析节点之间的连接关系和属性，我们可以揭示出网络的结构和行为。
例如，我们可以通过分析社交网络中的节点连接模式来了解人际关系的特征；通过分析链路网络中的节点之间的传播过程来研究信息传播的规律。
网络分析的方法和工具要进行网络分析，我们需要使用一些方法和工具来处理和解读网络数据。
下面是一些常用的网络分析方法和工具：1. 数据收集和预处理网络分析的第一步是收集网络数据。
网络数据可以是社交媒体的用户关系、互联网页面之间的超链接、物流网络中的货物流动等等。
一旦收集到数据，我们需要对其进行预处理，例如去除噪声、处理缺失值和异常值等，以确保数据的质量和可用性。
2. 可视化可视化是网络分析中的重要工具，通过可视化可以将复杂的网络结构转化为直观的图形展示。
通过节点和边的位置、大小、颜色等属性，我们可以更好地理解网络的拓扑结构和连接关系。
常见的网络可视化工具包括Gephi、Cytoscape等。
3. 社区发现网络中的社区是节点的集合，这些节点之间的连接更加密集，而与其他社区之间的连接相对稀疏。
复杂网络的分析方法及其应用
复杂网络的分析方法及其应用作为信息时代的焦点，网络已经成为人们生活和工作中不可或缺的一部分。
不同于传统的线性关系，网络关系呈现出复杂的非线性特征。
复杂网络在社交网络、生物网络、物理网络等方面有广泛的应用，因而对复杂网络的研究显得尤为重要。
本文将着重介绍复杂网络的分析方法及其应用。
1. 复杂网络的基本特征复杂网络主要特征包括：规模大、拓扑结构多样、动态性强、非线性特性明显。
复杂网络的规模远远超越了人们的想象，例如Facebook里面就包含了数十亿的用户，而Twitter和微博则分别拥有了超过3亿和2亿的用户。
而不同的网络就会呈现出拓扑结构多样的特征，例如，社交网络中存在着星形拓扑，生物网络中则有着小世界结构，物理网络则对应着无标度网络等。
复杂网络的动态性主要表现在其拓扑结构及其元素的不断演化，这同样也就让复杂网络具备了非线性特性的表现。
2. 复杂网络的分析方法为了能够更加准确地描述和分析复杂网络的特征和性质，研究人员一直在探索各种适用的分析方法。
以下是几种常用的分析方法：（1）复杂网络的聚类分析：聚类分析是指根据元素之间的相似度或距离建立起元素之间关系的方法。
在复杂网络中，聚类分析是将节点按照拓扑结构聚类成相对稳定的社团或子网络。
（2）复杂网络的中心性分析：中心性分析主要是通过计算节点相对于整个网络的重要程度进行的，包括度中心性、接近度中心性、介数中心性等。
（3）复杂网络的结构分析：结构分析主要是通过分析网络的一些拓扑结构指标，包括平均路径长度、簇系数、度分布等来描述和分析复杂网络的特征和性质。
3. 复杂网络的应用（1）社交网络中的应用：社交网络是目前应用最广泛的网络之一，它可以用于研究社会网络、个人间的关系等。
通过聚类分析和中心性分析，可以有效地对社交网络进行刻画。
（2）生物网络中的应用：生物网络主要是指生物体内生物分子之间相互作用的网络。
在生物网络中，结构分析和聚类分析都可以用于对网络进行分析和研究。
复杂网络动力学分析
复杂网络动力学分析一、引言复杂网络动力学分析是一种用于研究复杂网络结构和网络动力学特征的分析方法。
随着信息技术的发展和应用场景的不断扩大，复杂网络动力学分析逐渐成为网络科学领域的热门研究方向。
本文将从基础概念、网络结构分析、网络动力学分析等方面进行探讨，旨在深入了解复杂网络动力学分析的相关知识。
二、基础概念1. 复杂网络复杂网络是指由大量节点和相互连接的边构成的网络，具有随机性、动态性、节点异构性和拓扑结构复杂性等特点。
常见的复杂网络包括社交网络、生物网络、交通网络、互联网等。
2. 节点度节点度是指节点在网络中的相邻节点数，与节点相连的边数称为节点的度。
节点度越大，代表节点在网络中的重要程度越高。
3. 小世界效应小世界效应是指在大规模的随机网络中，任意两个节点之间的距离很短，具有“六度分隔理论”的特点。
即任意两个节点之间的距离最多只需要经过六个中间节点。
4. 群体聚类系数群体聚类系数是指网络中任意一个节点的邻居节点之间存在联系的概率。
群体聚类系数越高，代表网络中存在更多的紧密联系的节点群体。
三、网络结构分析1. 度分布度分布描述网络中各个节点的度数分布情况，可以用横坐标表示节点的度，纵坐标表示该度出现的节点数目。
通过度分布可以发现网络的度分布是否呈现幂律分布的特点。
2. 网络中心性网络中心性是指节点在复杂网络中的重要性程度，包括介数中心性、接近中心性和度中心性等。
介数中心性表示一个节点与其他节点之间的最短路径数目之和，接近中心性表示一个节点到其他节点的平均路径长度，度中心性表示节点的度。
3. 网络聚类系数网络聚类系数是指复杂网络中群体聚集性的量化指标，反映了网络中节点间联系的紧密程度。
常见的网络聚类系数包括全局聚类系数和局部聚类系数，全局聚类系数是指网络中所有节点的聚类系数均值，局部聚类系数是指每个节点的聚类系数均值。
4. 强连通分量强连通分量是指在有向图中，所有节点之间均可相互到达的最大节点集合。
复杂网络结构的建模及分析方法
复杂网络结构的建模及分析方法随着信息时代的到来，人们越来越多地关注网络结构的建模及分析方法，这也涵盖了复杂网络。
复杂网络是指由大量节点和边构成的具有非线性关系、多层次结构、动态扰动等特征的网络系统。
对于复杂网络的建模及分析方法，我们需要掌握以下几个方面的知识。
一、复杂网络的建模方法复杂网络的建模方法有很多种，但主要可以分为三类：统计物理模型、人工神经网络模型和图论模型。
1. 统计物理模型：将复杂网络看作是一种非常类似于物理系统的结构来进行分析。
这种建模方法的主要思想是，将复杂网络中的节点和边看作是具有特定物理意义的粒子和相互作用，然后将这些粒子和相互作用的能量转化为网络的“势能”和“熵”，通过计算这些能量的变化来描述复杂网络的演化过程。
2. 人工神经网络模型：将复杂网络看作是神经元和突触的连接，并将各个神经元之间的关系分析成权值和连接函数。
这种建模方法的主要思想是，通过不断地调节权值和连接函数来实现神经元之间的信息传输和处理，从而构建一个巨大的人工智能网络。
3. 图论模型：将复杂网络看作是一个图，通过对其连通性、度分布、聚类系数等统计特性进行分析，然后研究这些统计特性之间的关系，来揭示复杂网络的重要结构信息。
二、复杂网络的分析方法复杂网络的分析方法也有很多种，但主要可以分为三类：图论分析方法、动力学分析方法和信息度量分析方法。
1. 图论分析方法：利用图论模型对复杂网络的连接情况和基本统计特性进行分析，从而揭示网络的重要结构信息，如大规模社区结构、网络的缩进层次等。
2. 动力学分析方法：运用动力学模型对复杂网络的演化和变化进行模拟和分析，解释这些演化现象的内在机理，如可变拓扑结构、非线性耗散与耗尽等。
3. 信息度量分析方法：通过各种信息度量方法，如熵、极值、相互信息等，对复杂网络的信息传输和信息流动进行分析，特别是对于复杂网络中不同尺度的信息传输和信息流动进行分析，例如小世界网络、无标度网络等。
总之，复杂网络的建模和分析是研究网络科学的重要方向，不断深入研究和发展复杂网络的建模和分析方法，对于掌握网络科学的核心理论和方法、提高学术水平和实际应用都有着重要的意义。
复杂网络的结构分析及应用
复杂网络的结构分析及应用随着互联网的迅速发展，网络已经成为人类交流和信息传递的主要渠道之一。
而网络的结构也逐渐变得越来越复杂，这就需要我们对复杂网络的结构进行分析和研究，以更好地理解网络并应用于实际生活和工作中。
一、复杂网络的定义和结构复杂网络是由多个节点和链接构成的，节点表示网络中的个体或对象，链接表示它们之间的关系。
复杂网络的结构可以是完全随机的也可以是高度有组织的，网络结构的不同会对网络的性质和功能有着重要的影响。
例如，完全随机的网络结构拥有极低的聚类系数和较短的平均路径长度，这意味着节点之间很难形成短途和长途关系。
相反，高度有组织的网络结构，如小世界网络和无标度网络，具有较高的聚类系数和较短的平均路径长度，这使得节点之间能够形成短途和长途关系。
二、复杂网络的分析方法为了更好地理解和应用复杂网络，需要对网络的结构进行分析。
下面是几种对复杂网络结构分析的常用方法：1. 聚类系数(Coefficient of Clustering)聚类系数描述了网络中节点之间的聚集程度，通常用于描述小世界网络和社交网络中的社区结构。
2. 平均路径长度(Average Path Length)平均路径长度描述了网络中从一个节点到其他节点的平均最短路径长度，通常用于描述无标度网络中节点之间的联系。
3. 节点度数分布(Degree Distribution)节点度数分布描述了网络中节点度数的分布情况，通常用于描述无标度网络中节点的枢纽性质。
4. 中心性(Centrality)中心性描述了网络中节点的重要性程度，通常分为度中心性、接近中心性、介数中心性等。
以上各种分析方法都可以从不同的角度和维度上揭示网络结构的特征和规律，并为网络的应用提供有价值的参考和指导。
三、复杂网络的应用复杂网络在实际生活和工作中有着广泛的应用，下面是几个具体例子：1. 社交网络社交网络是人们在线上交流、分享和交友的主要平台之一。
通过对社交网络的结构分析，可以发现不同的社区结构、节点特性和联系方式等，从而更好地理解社交网络的功能和影响，为在线营销、舆情监测和社会分析提供数据支持。
复杂网络的建模和分析
复杂网络的建模和分析复杂网络研究是当今科学领域中的热点之一，它涉及到社会、生物、物理、信息等多个领域。
复杂网络模型能够帮助我们更好地理解网络结构和演化规律。
本文主要讨论复杂网络的建模和分析方法。
一、复杂网络的基本概念复杂网络是由大量节点和连接所组成的网络，它的确切定义是一个非常复杂的问题，因此我们需要对其进行具体的描述和定义。
一般来说，复杂网络具有以下特点：1. 大规模性：复杂网络中节点数目非常庞大，通常超过数百甚至上万个。
2. 非线性性：复杂网络的演化过程存在非线性的关系，而这种非线性关系是复杂网络分析中的一个重要问题。
3. 动态性：复杂网络不断地产生新的连接，整个网络在不断地演化，形成更为复杂的结构。
4. 自相似性：复杂网络的局部结构和整体结构之间存在自相似性，即某些局部结构在整体结构中重复出现。
5. 非均质性：复杂网络中不同节点和连接的权重、度数、邻居数等参数都存在一定程度的不均质性。
基于以上特点，我们可以将复杂网络建模成为一个包含大量节点和连接的网络结构，通过分析网络的演化过程以及节点和连接之间的关系，来研究其运作机制和规律。
二、复杂网络的建模方法为了研究复杂网络的特性和演化过程，需要对其进行建模。
复杂网络的建模方法主要可以分为两类：统计模型和物理模型。
1. 统计模型统计模型是利用大量的数据进行拟合，而得到的数学模型。
统计模型通常把复杂网络建模成一个随机图，其中节点、连边、度数等概率都是随机的。
根据这些概率可以推出整个网络的拓扑结构。
统计模型中比较常见的是随机图模型和小世界模型。
随机图模型是一种最简单的复杂网络模型，该模型中所有节点的度分布都是相同的，没有统计规律可言。
随机图模型不仅适合描述现实中的网络，而且可以作为一种基准，评估现实中复杂网络的性质和特点。
相比随机图模型，小世界模型更加符合现实中复杂网络的分布规律。
小世界模型主要基于「小世界效应」，即复杂网络中任意两个节点之间距离较短，由少数中心节点所控制。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
神经网络与复杂网络的分析摘要复杂网络在现实生活中是无处不在的，生物网络是它的一个分类。
神经网络是很重要的生物网络。
利用神经网络是可以研究一些其他的方向，如网络安全、人工智能等。
而神经网络又可以因为它是复杂的网络，可以利用复杂网络的部分性质里进行研究，比如小世界效应的。
本文只要介绍了几篇应用复杂网络的研究，并进行简单的介绍和分析。
关键词：复杂网络、神经网络AbstractThe Complex network is in everywhere in real life, while Biological network is one of kinds of it. And neural network is one of the most important of biological network. The neural network could be used to research other subjects such as network security, artificial intelligence and so on. However we also use some properties of complex network to study neural network. Foe example we could use small-world to study it.This paper introduces and analysis five articles that use complex network.Key word：complex network、neural network神经网络与复杂网络的分析在神经网络的研究中，除了根据神经生物学实验得到基本组成单元的数学模型以及使用动力学对于模型系统的活动进行认识以外，神经网络的结构也是一个重要的方面。
网络的结构对于大多数复杂系统整体的动力学具有重要的影响，这已经是一个被普遍接受的观点。
复杂网络一开始就是一个交叉学科研究。
在复杂网络研究兴起之前，网络概念就已经在几个研究领域出现并发挥着重要的作用，例如社会学研究，计算机网络和互联网，数学中的一个分支图论，以及神经系统活动。
在现实世界中复杂网络是无处不在的。
在现实社会中复杂网络主要分为四类：社交网络、生物网络、技术网络和信息网络。
在现实生活中很多生物系统都可以被表示成网络的形式，并利用这种形成的网络结构来研究相应的生物系统。
生物网络的典型例子可能是代谢路径网络，它是代谢基质和代谢产物的刻画，如果一已知代谢反应存在，其作用于给定基质并产生指定产物，两者之间由有向边连接。
如一个不同的网络是蛋白质之间的力学物理相互作用网络（与代谢物中的化学反应相对），它经常被指为蛋白质相互作用网络。
而在生物网络中还有几个重要的应用如：基因调节网络、食物链网、血管网络等。
在其中还有一个相当重要的生物网络就是神经网络。
就是对现实中的神经网络进行模拟，但是对现实神经网络的拓扑结构进行测度极为困难，但在一些案个别的案例中得到成功实施。
人工神经网络也简称为神经网络或称作连接模型，它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。
这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。
在工程与学术界也常直接简称为神经网络或类神经网络。
神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。
每个节点代表一种特定的输出函数，称为激励函数（activation function）。
每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。
网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。
而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
在研究神经网络时，有几个重要的研究方向。
可以研究复杂网络的拓扑属性来研究神经网络。
在王胜军[1]的论文《复杂网络上神经动力学研究》中主要是研究了复杂网络的拓扑属性对神经网络动力学的影响，神经网络中限制同步性的一种动力学机制，并且使用神经网络研究了复杂网络本身的一个普遍性问题：稀疏性特征的意义。
他是分为几个方面来进行研究的。
一、研究了复杂网络结构对于两层神经网络之间的同步的影响。
二、研究了神经元之间突触耦合的效能对于兴奋性神经网络中放电同步的影响。
三、研究了度关联无标度吸引子网络对刺激的响应。
四、使用吸引子网络模型作为例子研究复杂网络稀疏特征的功能意义。
从这几个方面来研究神经网络，和理解一个稀疏的连接密度上网络的拓扑属性对于网络上动力学的影响最明显。
使用信噪比分析，我们证明非单调的差异是由网络度分布的差异性和信号强度的竞争导致的。
此工作有助于深刻理解具有网络结构的复杂系统往往是稀疏的这一普遍现象。
在研究神经网络时，并不一定是从网络的结构来研究的，也可以从小世界的方向进行对神经网络的研。
小世界效应是复杂网络的一个性质。
在主要是指在一个网络中的任意两个节点之间的距离是很短的。
著名的六度分割的实验就表明了在真实世界存在一种小世界效应的。
而神经网络是属于生物网络的，而生物网络是复杂网络在现实世界中的一个重要的分类，所以神经网络也应该具有小世界效应的。
但是真是的神经网络是不容易进行研究的，所以通过研究人工神经网络来进行对真实的神经网络的研究。
而LI Shou-wei [3]在Analysis of Contrasting Neural Network with Small-world Network文章，对三类网络进行比较，即比较人工神经网络、脑神经网络和小世界网络。
根据和脑神经网络进行比较分析，可以观测到典型的人工神经网络时规则的，它的功能有很对缺陷和限制；脑神经网络是一个小世界网络；人工神经网络和小世界网络的不同组成它们复杂性的三个等级：点、边和行为。
还讨论了如何重构人工神经网络到小世界网络。
小世界神经网络可以通过以一定概率p进行重连，而对于最好的模拟是这个重连的概率是满足0<p<0.1的。
对小世界网络和神经网络的关系的研究不止这样，还有很多人是基于小世界神经网络进行研究的。
在王小虎等人[2]的文章《多层前向小世界神经网络的逼近与容错性能》中就是借助了小世界效应来研究神经网络的。
他们的基本思想是基于Watts—Strogatz网络模型的构造思想，对多层前向神经网络中的规则连接依重连概率进行重连，构建了一种多层前向小世界神经网络模型．对该网络模型进行简要的数学描述，并以函数逼近和网络容错仿真考察了构建的小世界神经网络的性能。
神经网络是一个大的领域，在其中联想记忆是一个重要的组成部分，也是神经网络用于智能控制、模式识别与人工智能等领域的一个重要功能。
它主要利用神经网络的良好容错性．能使不完整的、污损的、畸变的输入样本恢复成完整的原型，适于识别、分类等用途。
在徐志[4]的《基于复杂网络的联想记忆网络研究》中就是应用复杂网络的拓扑结构来研究神经网络中的联想记忆网络。
他们是建立一个具有稀疏拓扑连接结构的网络来完成联想记忆的功能。
他们首先对传统的研究方法进行里总结，如：离散Hopfield网络和连续Hopfield网络进行了分析。
基于复杂网络的新型联想记忆网络。
即出于降低连接复杂度的目的，同时根据生物学中神经系统中的复杂网络的特性的发现，基于小世界模型建立具有复杂网络特性的新型联想记忆网络，是该新型网络能再整体中连接较少的情况下仍使得网络具有良好的记忆回想功能，同时减少连边数。
结果这种情况下，即连边数数很小的情况下，能够完成联想记忆功能，并与其它的相比，具有一定的优势。
不同的人在研究时有着不同的思路和方向的。
而在研究不同的理论时可以是相互利用的。
所以可以用复杂网络的理论来进行对神经网络的研究，同样也可以用神经网络的理论来研究复杂网络。
张兰华等人[5]通过应用BP网络来进行对社团分类的研究。
BP网络是向后传播网络是在1986年由Rumelhart和McCelland 为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。
它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。
在张兰华等人的文章是将神经网络分类特性应用到社团结构的分类之中的，以BP网络为模型，用社团节点与神经网络节点的相似性来模拟社团分类结果，构建成员关系图的邻接矩阵，利用邻接矩阵来进行实验设计建立BP 神经网络,通过已知样本学习和检验样本检验,实现成员关系网络的分类模拟。
在进行神经网络和复杂网络的研究时，有着大量的研究。
总结在这短短几周的时间的学习，了解到了神经网络的一些知识，对此，感谢蒲老师的教导。
并对为完成这篇文章给予帮助的同学表示感谢参考文献[1].王胜军. 复杂网络上神经动力学研究. 2009[2].王小虎. 多层前向小世界神经网络的逼近与容错性能. 西安交通大学学报第44卷第7期.2010[3].LI Shou-wei. Analysis of Contrasting Neural Network with Small-world Network. DOI10.1109/FITME.2008.55[4].徐志. 基于复杂网络的联想记忆网络研究.2007[5].张兰华. 基于BP 神经网络的社团分类研究. 微电子学与计算机第28卷第6期.2011[6].M. E. J. Newman. The structure and function of complex networks.[7].汪小帆，李翔，陈关荣．复杂网络理论及其应用[M]．北京：清华大学出版社，2006：3—8。