导读:本文包含了粗糙图论文开题报告文献综述及选题提纲参考文献，主要关键词:网络风险评估,网络攻击模型,攻击图,粗糙图
粗糙图论文文献综述
黄光球,李艳[1]（2010）在《基于粗糙图的网络风险评估模型》一文中研究指出针对在进行网络安全分析时所获得的信息系统是不完备的、粗糙的这一特性,将网络攻击过程类比于粗糙不确定性问题的关系挖掘过程,提出基于粗糙图的网络风险评估模型。该模型由部件节点粗糙关联网络、攻击图的粗糙图生成算法以及网络风险最大流分析算法叁部分主要内容组成;并以一个具有代表性的网络系统实例阐明了该模型的使用方法,验证了模型的正确性。模型优势分析表明其较以往的攻击图、风险评价模型更能真实地反映实际情况,所获得的评估结论、安全建议等也更加准确、合理。(本文来源于《计算机应用》期刊2010年01期）
何童[2]（2008）在《粗糙图与它的应用》一文中研究指出1982年,Z.Pawlak教授提出了粗糙集理论,为现实世界中粗糙现象的解释及粗糙问题的解决提供了理论工具。2002年,史开泉教授将Z.Pawlak粗糙集推广,提出了具有动态特性的粗糙集——奇异粗糙集(Singular Rough Set),简记为S-粗糙集,这使得粗糙集具有更广泛的应用领域。本文以提高粗糙集、S-粗糙集的计算能力为出发点,分别将粗糙集、S-粗糙集与传统图论相结合构造了粗糙图和S-粗糙图,并进一步给出了它们的理论及应用研究。本文的主要研究内容及创新点如下:·主要研究内容构造了粗糙图和S-粗糙图并分别讨论了它们各自的特性;构造了赋权粗糙图、粗糙网络,又将传统赋权图和传统网络中的经典算法推广到赋权粗糙图和粗糙网络中并给出了新算法的应用;最后,构造了基于代数算子的粗糙图结构,并给出了研究粗糙集之间代数关系的图结构分析法以及该方法的应用。第一章绪论,首先介绍了Z.Pawlak粗糙集理论的提出背景、发展和研究近况,并叙述了Z.Pawlak粗糙集的定义和性质。进一步的,给出了S-粗糙集与函数S-粗糙集的基本概念,为以后各章的讨论提供了理论基础。第二章为了提高粗糙集本身的计算能力并能利用图论知识分析粗糙现象,解决粗糙问题,首先通过将传统图论与Z.Pawlak粗糙集相结合构造了粗糙图并给出了它的基本性质。其基本思想是:从传统图的结构入手,将边的两个顶点看成边的属性,并进一步允许边具有多种属性,从而构造了边的属性集合,进而定义了粗糙图。其次,借鉴传统图的各种表示形式,给出了粗糙图占内存空间较小的两种表示形式:邻接矩阵和边目录,为粗糙图的计算奠定基础。再次,对粗糙图的粗糙性进行了较详细的分析,定义了边精度、粗相似度等概念并给出了它们的一些性质。最后,定义了粗糙图中的几种重要子图,如:类路、类圈、类树等,并对粗糙图的类连通性作了分析。第叁章针对实际应用分析中做比较的需要,首先通过对粗糙图的边增加权重属性构造了赋权粗糙图,同时定义了赋权粗糙图中的类最短路、类最优树。为了便于计算,又给出了赋权粗糙图的两种表示形式:权矩阵和权目录。其次,分别将传统赋权图中的最优树和最短路算法加以推广,得到了赋权粗糙图中类最优树算法(COTA)和类最短路算法(CSPA),并将它们应用于同一关系层面之内的关系挖掘。第四章针对实际应用分析中区分方向性的需要,首先分别通过单独对粗糙图的边增加方向属性和同时对粗糙图的边增加方向属性和权重属性,构造了有向粗糙图和粗糙网络,同时给出了有向粗糙图中的有向类路和粗糙网络中类流等重要概念。为了计算需要,有向粗糙图和粗糙网络也分别有两种表示形式:有向粗糙图的邻接矩阵和弧目录以及粗糙网络的权矩阵和权目录。其次,将传统网络中的最大流算法加以推广,得到了粗糙网络中的类最大流算法(CMFA),并将其应用于不同关系层面之间的关系挖掘。第五章针对分析研究动态粗糙问题的需要,首先将传统图论与S-粗糙集相结合,构造了S-粗糙图并分析了它的基本性质。其次,相对于粗糙图给出了只存在于S-粗糙图中的具有动态特性的子图及其性质,例如:F-类路,(?)-类路,(?)-类路等。最后,借用粗相似度这一概念比较分析了粗糙图与它的S-粗糙图之间的关系,以便利用粗糙图中的信息和结论来研究它的S-粗糙图。第六章以粗糙集为顶点,粗糙集之间经过代数运算后的结果作为边构造了新的基于代数算子的粗糙图结构,同时提出了研究粗糙集之间代数关系的图结构分析法。又结合基于粗糙集的情感模型,将图结构分析法成功的应用于人工智能领域的热门课题——情感计算中。最后一章总结全文。·本文的创新点创新点1.结合传统图论与粗糙集构造了粗糙图。这是首次将粗糙集与图论知识结合,不但为粗糙集理论的研究开辟了新的领域,而且应用图论中的经典算法提高了粗糙集本身的计算能力,同时使得图论可用于粗糙问题的研究,扩大了图论的应用范围。创新点1列于第二章中。创新点2.通过对粗糙图的边增加不同的属性,构造了赋权粗糙图、有向粗糙图和粗糙网络。并且将传统图论中的最优树、最短路以及最大流算法加以推广得到了类最优树算法(COTA)、类最短路算法(CSPA)和类最大流算法(CMFA)。这些新粗糙图的构造及新算法的设计,不但丰富了粗糙图理论,而且新算法的应用还建立了一套较合理的关系分析与挖掘体系。创新点2列于第叁、四章中。创新点3.结合传统图论与S-粗糙集,构造了S-粗糙图,这使粗糙图可应用于具有动态特性粗糙问题的研究。创新点3列于第五章中。创新点4.以粗糙集为顶点,粗糙集之间经过代数运算后的结果作为边构造了新的粗糙图结构,同时提出了粗糙集之间代数关系分析的图结构分析法。进一步的,通过利用粗糙集对情感进行建模,使得该方法成功的应用于情感计算中情感迁移规律的挖掘。创新点4列于第六章中。(本文来源于《山东大学》期刊2008-10-10）
何童,卢昌荆,史开泉[3]（2006）在《粗糙图与它的结构》一文中研究指出将粗糙集理论和传统图论相结合,给出基于粗糙集思想的传统图的等价定义及粗糙图的定义,并进一步给出了粗糙图的矩阵表示及粗糙图的粗糙性分析.粗糙图推广了传统的图论结果,是可用于不确定性问题研究的图,它是分析系统粗特征的有效新工具.(本文来源于《山东大学学报(理学版)》期刊2006年06期）
粗糙图论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
1982年,Z.Pawlak教授提出了粗糙集理论,为现实世界中粗糙现象的解释及粗糙问题的解决提供了理论工具。2002年,史开泉教授将Z.Pawlak粗糙集推广,提出了具有动态特性的粗糙集——奇异粗糙集(Singular Rough Set),简记为S-粗糙集,这使得粗糙集具有更广泛的应用领域。本文以提高粗糙集、S-粗糙集的计算能力为出发点,分别将粗糙集、S-粗糙集与传统图论相结合构造了粗糙图和S-粗糙图,并进一步给出了它们的理论及应用研究。本文的主要研究内容及创新点如下:·主要研究内容构造了粗糙图和S-粗糙图并分别讨论了它们各自的特性;构造了赋权粗糙图、粗糙网络,又将传统赋权图和传统网络中的经典算法推广到赋权粗糙图和粗糙网络中并给出了新算法的应用;最后,构造了基于代数算子的粗糙图结构,并给出了研究粗糙集之间代数关系的图结构分析法以及该方法的应用。第一章绪论,首先介绍了Z.Pawlak粗糙集理论的提出背景、发展和研究近况,并叙述了Z.Pawlak粗糙集的定义和性质。进一步的,给出了S-粗糙集与函数S-粗糙集的基本概念,为以后各章的讨论提供了理论基础。第二章为了提高粗糙集本身的计算能力并能利用图论知识分析粗糙现象,解决粗糙问题,首先通过将传统图论与Z.Pawlak粗糙集相结合构造了粗糙图并给出了它的基本性质。其基本思想是:从传统图的结构入手,将边的两个顶点看成边的属性,并进一步允许边具有多种属性,从而构造了边的属性集合,进而定义了粗糙图。其次,借鉴传统图的各种表示形式,给出了粗糙图占内存空间较小的两种表示形式:邻接矩阵和边目录,为粗糙图的计算奠定基础。再次,对粗糙图的粗糙性进行了较详细的分析,定义了边精度、粗相似度等概念并给出了它们的一些性质。最后,定义了粗糙图中的几种重要子图,如:类路、类圈、类树等,并对粗糙图的类连通性作了分析。第叁章针对实际应用分析中做比较的需要,首先通过对粗糙图的边增加权重属性构造了赋权粗糙图,同时定义了赋权粗糙图中的类最短路、类最优树。为了便于计算,又给出了赋权粗糙图的两种表示形式:权矩阵和权目录。其次,分别将传统赋权图中的最优树和最短路算法加以推广,得到了赋权粗糙图中类最优树算法(COTA)和类最短路算法(CSPA),并将它们应用于同一关系层面之内的关系挖掘。第四章针对实际应用分析中区分方向性的需要,首先分别通过单独对粗糙图的边增加方向属性和同时对粗糙图的边增加方向属性和权重属性,构造了有向粗糙图和粗糙网络,同时给出了有向粗糙图中的有向类路和粗糙网络中类流等重要概念。为了计算需要,有向粗糙图和粗糙网络也分别有两种表示形式:有向粗糙图的邻接矩阵和弧目录以及粗糙网络的权矩阵和权目录。其次,将传统网络中的最大流算法加以推广,得到了粗糙网络中的类最大流算法(CMFA),并将其应用于不同关系层面之间的关系挖掘。第五章针对分析研究动态粗糙问题的需要,首先将传统图论与S-粗糙集相结合,构造了S-粗糙图并分析了它的基本性质。其次,相对于粗糙图给出了只存在于S-粗糙图中的具有动态特性的子图及其性质,例如:F-类路,(?)-类路,(?)-类路等。最后,借用粗相似度这一概念比较分析了粗糙图与它的S-粗糙图之间的关系,以便利用粗糙图中的信息和结论来研究它的S-粗糙图。第六章以粗糙集为顶点,粗糙集之间经过代数运算后的结果作为边构造了新的基于代数算子的粗糙图结构,同时提出了研究粗糙集之间代数关系的图结构分析法。又结合基于粗糙集的情感模型,将图结构分析法成功的应用于人工智能领域的热门课题——情感计算中。最后一章总结全文。·本文的创新点创新点1.结合传统图论与粗糙集构造了粗糙图。这是首次将粗糙集与图论知识结合,不但为粗糙集理论的研究开辟了新的领域,而且应用图论中的经典算法提高了粗糙集本身的计算能力,同时使得图论可用于粗糙问题的研究,扩大了图论的应用范围。创新点1列于第二章中。创新点2.通过对粗糙图的边增加不同的属性,构造了赋权粗糙图、有向粗糙图和粗糙网络。并且将传统图论中的最优树、最短路以及最大流算法加以推广得到了类最优树算法(COTA)、类最短路算法(CSPA)和类最大流算法(CMFA)。这些新粗糙图的构造及新算法的设计,不但丰富了粗糙图理论,而且新算法的应用还建立了一套较合理的关系分析与挖掘体系。创新点2列于第叁、四章中。创新点3.结合传统图论与S-粗糙集,构造了S-粗糙图,这使粗糙图可应用于具有动态特性粗糙问题的研究。创新点3列于第五章中。创新点4.以粗糙集为顶点,粗糙集之间经过代数运算后的结果作为边构造了新的粗糙图结构,同时提出了粗糙集之间代数关系分析的图结构分析法。进一步的,通过利用粗糙集对情感进行建模,使得该方法成功的应用于情感计算中情感迁移规律的挖掘。创新点4列于第六章中。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
粗糙图论文参考文献
[1].黄光球,李艳.基于粗糙图的网络风险评估模型[J].计算机应用.2010
[2].何童.粗糙图与它的应用[D].山东大学.2008
[3].何童,卢昌荆,史开泉.粗糙图与它的结构[J].山东大学学报(理学版).2006