《基于神经网络的信息融合技术【实用文档】doc.doc》由会员分享，可在线阅读，更多相关《基于神经网络的信息融合技术【实用文档】doc.doc（97页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、基于神经网络的信息融合技术【实用文档】doc文档可直接使用可编辑，欢迎下载基于多传感器信息融合的数控机床故障诊断研究1. 引言数控机床具有加工柔性好、加工精度高、加工质量稳定、生产率高等诸多特点，但其结构和运行工况也很复杂，一旦机床发生故障，引起故障的因素众多，有机械方面的，有电气方面的,同时同一种故障往往有不同的表现，同一种症状又常常是几种故障共同作用的结果,故障的多样性、复杂性和各故障之间的复杂联系构成了数控机床故障诊断中的重点和难点。每个传感器都有一定的功能和测量范围，单个传感器的数据从某个侧面反应被测对象或系统的情况，难免带有一定的局限性。仅仅通过单一传感器的特征提取和诊断分析将无法成
2、功完成对数控机床的故障诊断任务。因此多传感器数据融合技术显得尤为重要,它能克服传感器使用的局限性和传感器信息的不准确性,充分地、综合地、更有效地利用多传感器信息,减少信息的模糊性,增加决策可信度，提高对数控机床的故障诊断的准确率.多传感器数据融合是一种重要的传感器信息处理方法,它起源于2世纪0年代,最早被应用于军事领域，用于解决目标识别与跟踪、状态与身份估计、态势和威胁估计等技术问题。它能充分利用不同时间与空间的多传感器数据资源，在一定准则下进行分析、综合、支配和使用,得到对被测对象的一致性解释和描述，并做出相应的判断、估计和决策。多传感器数据融合有多种算法，其中,S证据理论方法的应用最为广泛
3、.本文主要建立了基于多传感器信息融合的数控机床二级故障诊断系统：基于自适应加权算法的一级融合，基于DS证据理论的二级融合。然后利用某一论文中的数控机床的测量数据,通过MATAB软件对其进行分析计算，最后得出结论。基于多传感器信息融合的二级故障诊断系统本文介绍了一种基于多传感器信息融合的二级故障诊断系统：基于自适应加权算法的一级融合,基于D证据理论的二级融合,如图1所示。图1数控机床二级故障诊断系统2。1基于自适应加权算法的一级融合传感器是自动化领域一种重要的检测和测量装置，当传感器出现故障时，其测量值有可能严重偏离实际值，而此时仍对传感器的测量数据进行融合,就会影响数据融合的精度，因此有必要在
4、传感器数据融合之前确保数据的有效性，对其进行一致性检测.21。1 传感器数据一致性检测假设有N个同类（同质)传感器测量同一目标,其中任意两个传感器i、j的测量值分别为、（）,且，均服从正态分布。为检测传感器测量值，之间的偏差大小，引入一个新概念-相融距离测度。反映了i、j两个传感器之间的融合程度。值越大，则、两个传感器的测量值，偏差越大；越小,则偏差越小。的计算公式如下： （1）其中F(X）为标准正太分布函数。所有N个传感器两两之间的相融距离测度构成一个多传感器数据融合度矩阵：(2）设的临界值为,则(3）则多传感器相融矩阵为（4）为、j两个传感器之间的融合度，当时，说明i、j两个传感器测量值偏
5、差较大,互不支持；反之当时,说明i、两个传感器测量值偏差较小,互相支持。如果一个传感器与其他大多数传感器都互不支持,其测量值极有可能为无效数据，应予以剔除。如果该传感器的测量值经常无效,技术人员应该考虑检查是否易发生故障,如果是，应予以更换或维修。相反，一个传感器被大多数传感器所支持，则该传感器数据有效,可以用于后期的融合。自适应加权算法在实际使用中,各个传感器的测量精度不同，导致其置信度也各不相同。局部融合中也采用自适应加权融合算法,其核心思想是：为了获取最优融合结果，基于所有传感器的测量值,自适应地查找总体方差最小情况下各个传感器所对应的最优加权因子。设有n个传感器对某一对象进行测量,其方
6、差分别为，所要估计的真值为X；各传感器的测量值分别为都是的无偏估计，且彼此相互独立；各传感器的加权因子分别为,则融合后的值和各加权因子满足以下条件：(5）则总体方差为（）由式(6）知,总体方差是关于传感器各加权因子的多元二次函数,一定存在最小值,其最小总体方差为（7)其对应的最优加权因子为(8）对于单个传感器，可计算其历史时刻数据的均值，来估计其真值。第p个传感器连续测量k次的平均值为（9）则融合后的计算值为（10）总体方差为（1）此时最小总体方差为（1)。1.3 基于-证据理论的二级融合全局融合中心是基于多传感器信息融合的故障诊断系统的核心部分，它采用了一种混合的DS证据理论算法,即将基于典
7、型样本的信度函数分配方法和改进的D证据组合规则相结合。基于典型样本的信度函数分配方法为局部融合后的各传感器数据信息分配基本概率值,利用-证据组合规则得到各目标故障模式在所有证据信息联合作用下的基本概率分配,最后在一定的决策规则下，选择支持度最大的故障假设。1. D-S证据理论设为X的识别框架，框架内所有元素之间互相排斥。如果存在集函数m：20，满足一下两个条件:(3）其中表示空集，m为命题的基本概率值，也称为识别框架上的信度函数分配，m（A)表示对命题的信任支持程度。对所有的命题:（14）其中，分别称为命题A信任函数、怀疑函数和似真函数。命题A的-S证据的不确定性区间如图2所示.图 DS的不确
8、定性区间对两个独立证据和进行信度融合，其Dempster合成规则公式为：(1）多个独立证据的信度融合公式为(）Dester准则具有交换性和结合性，多于两个证据的情况下,可以对它们进行两两的组合，直到合并为一个证据体，而且合并的顺序不影响最后的组合结果。综上所述,应用D-证据理论进行信息融合分析主要有两个步骤:1）信度函数分配；）DS组合规则的算法实现。2.基于典型样本的信度函数分配将证据理论应用到数控机床的故障诊断中时，需要事先定义每个证据体对目标故障命题的信度函数分配值。为了便于识别实际机床故障，减少对专家经验的过度依赖,本文采用了基于典型样本的证据理论信度函数分配构造方法.在构造信度函数分
9、配时,以置信区间形式的典型样本为参考数据，计算剧本融合后各传感器证据在各个目标故障下的信度密度，并对其进行归一化处理各传感器数据的信度函数分配.设目标故障模式为，能描述故障模式的一组特征变量为，其典型样本的典型值为，置信区间为。特征变量满足正态分布,将其概率密度函数转变为信度密度函数:（17)其中：。取置信概率p=0。9973时，.对所有的信度密度函数统一地进行归一化操作，则证据的n+1个信度密度函数值之和为:(1)其中为不确定的信度密度值,且.证据在所有目标故障模式下的不确定度为:（19）3.应用举例由于实验条件的限制,并未做相关的实验.下面以网上某一论文上的长征8机床关键机械部件的诊断实例
10、为例,详细阐述基于多传感器信息融合的诊断系统模型在数控加工单元故障诊断中的应用。长征71机床方向进给系统包括机床床身、工作台、Y向导轨、Y向滚珠丝杠副、滚动轴承等主要机械结构部件。数控机床进给时,进给驱动电机通过连接的联轴器将驱动力矩传递给滚珠丝杠副，滚珠丝枉副克服旋转的阻力和阻力矩，将自身的旋转运动转变为直线运动实现进给传动.长征71机床Y向进给系统结构简图如图3所示.为了便于监测和诊断机床主轴的工作状态，将压电式加速度传感器、温度传感器和声发射传感器安装在机床的关键机械部件上,所有传感器的整体布局如表1所示。图3长征718机床Y向进给系统结构简图表1机床传感器布置方案部件传感器类型数量传感
11、器安装位置机床主轴振动传感器1主轴箱体前端面温度传感器4主轴箱体圆柱表面均匀分布声发射传感器主轴前端盖附近，尽量靠近主轴前端3。1 基于自适应加权算法的一级融合选取主轴齿轮磨损、丝杠润滑不良、导轨润滑不良出现时的一组传感器测量数据(测量信号均为电压信号，单位为伏特）作为分析的对象,其值如表所示：表2 机床出现故障的一组传感器测量数据机械主轴丝杠导轨aZZvSGaStSGvGatDv4。254。3734。3841.5294.69223.8246。1594。924146.7564.95针对同一测量对象的同质传感器，首先应对其测量数据进行初步融合，即数据一致性检测和自适应加权平均。在本例中指的是温度
12、传感器。MTA程序和结果如下所示：程序:clear；c;=4。37 4。38 1。59 49;ga=var（Z)；Dzeros(4,4);for(i=1:)f(=:4)D（i，）=2ab(nompdf(（(j)Z（i）)/siga,0，1)-05）;ndenbit=0。3；fo（i=:4）for(=1:）f D(i,j）eitaD（i，)=0；elseD(i，j)1;endende结果:= 1 0 1 1 1 0 1 0 0 1 0 1 1由多传感器相容性矩阵分析得知,第三组传感器测量的数据与其他传感器测量的数据偏差较大，予以剔除.将剩余数据进行自适应加权平均,MATLA程序如下所示。程序：m
13、=(Z(1）Z(2）+Z（4）)/3sigm（1)m)2;sima2（Z(2)m）2；sgma=（Z(4）-m）;w1=(sga12（1/sgma1+sigma2+/sima32）);=(igma22*(sigma12+1siga221sigma32)）；w=1/(sigma2(1/sgma12+1/gma2/gm32);Z_el=w1Z()+w2Z(2）+3*Z（)机械主轴上温度传感器测量数据以及对应的方差和加权因子如表3所示。表3机械主轴上温度传感器测量数据以及对应的方差和加权因子传感器Zt1Z2ZZ3ZZ4测量值4.73.3841。594。692方差0。0110.0980.037加权因子
14、。450.58600。0295计算出的融合温度值为。3889。对机床上所有声发射传感器测量值进行自适应加权平均，MATLB程序如下:程序：V=5。262 4。921。953;mmean（)；sigma1=（(1)-)2ima2=（V(2）m）sgm3（V（3)-)211(ima1*(/sigma1+1sig22+1/ma32）w2=1/(sima22*（1/g1+/sima22+1/sigma32）w3=/(sia*（1/sigm1+/sgma2+1/igm32)）V_eal=w1*V(1）+w2V（2）w3*V(3）机床上所有声发射传感器测量值以及相应的方差和加权因子如表4所示。表4 机床上
15、所有声发射传感器测量值以及相应的方差和加权因子传感器ZZvSGvv测量值。2624。921.53方差0。490。01550.005加权因子。0270。207479声发射传感器的融合结果为4.533.2基于S证据理论的二级融合根据机床机械主轴的常见故障类型和专家实际诊断经验，定义机械主轴的故障模式识别框架:其中：主轴处于正常状态:主轴齿轮磨损:主轴轴承研伤,同时涧滑不良：主轴齿轮磨损，同时主轴轴承研伤对主轴上传感器得到的历史数据进行处理,得到各证据传感器对应所有目标故障模式下的典型样本的平均值和标准方差，结果如表5所示。表5各证据传感器对应所有目标故障模式下的典型样本的平均值和标准方差目标模式Z
16、ZaZZtZZv3.011。392.330。670.181.0540210.034。10。955.4621。2304.4091。37。4。625。50513717.98。2454801.0546.87.38然后计算各传感器的信度函数分配.MLAB程序如下：程序：U。13 4。021 4.409 798；S=.399 0。903 1。5 2.45./3;x=5：0。:10;M1=(/（sqt(2*p）)（1）)ep(（(x-U（1)。)/（S（1）)）;M2=(（st（2pi）S（）exp(（2）.2)/（2(2）2）；M3（1/（sq（2*i）*()）x（(-(）)。2）/（2*S()）;4=
17、（/(srt（pi)*S(4)）exp(-(（xU(4)。2）/（*S()2）；plo（x，1)；d nplot（，M）；hod olo(x，M3）；hold nplot（x，4)；hol on图3为ZZ在各目标故障，,，下的信度密度函数分配.图中竖直实线的横坐标值为证据传感器Za所取得测量值，竖直直线与每条曲线交点的坐标的纵坐标值即为证据Z对各目标故障,，,的信度密度函数值。图3 Z在各目标故障下的信度密度函数分配同理可得到证据ZZt，ZZv在各目标故障，下的信度密度函数,分别如图4、图5所示。图ZZt在各目标故障下的信度密度函数图5 Zv在各目标故障下的信度密度函数运用公式(1）(20）进
18、行计算并对其归一化处理,得到各证据ZZa、Zt、ZZv在各目标故障和不确定故障下的基本概率分配值,具体如表6所示。表6 主轴故障各证据传感器的基本概率分配证据m（）m（)(）m()m（）ZZa0.176.440。25。025025t。290。5000.160430。016ZZv0.270。90.20.0820.082根据改进的D-S证据理论对各传感器的基本概率分配值进行融合计算,得到三个传感器的融合结果,具体如表所示。表7 各传感器的基本概率分配值融合后的结果故障率(）m（）(）m（)m（）融合结果0090601151290.00052通过表中各传感器融合结果，可知：故障模式发生的概率最大.故
19、故障类型为，即主轴齿轮磨损.4。 结论本文建立了基于多传感器信息融合的数控机床二级故障诊断系统：基于自适应加权算法的一级融合和基于DS证据理论的二级融合。以长征18机床诊断实例为例，利用振动传感器、温度传感器和声发射传感器采集到的数据首先进行一致性检测和自适应加权平均，然后通过计算得到典型样本的信度函数分配,最后根据改进的D证据理论对各传感器的基本概率分配值进行融合计算得到各传感器融合结果,通过分析得到数控机床故障模式。基于社会网络分析视角的微博学术信息交流实证分析摘 要：微博是伴随20技术迅速发展的网络社区平台，越来越多的学者或用户利用微博进行学术信息交流。以“图书馆学、情报学领域的微博圈”
20、为研究样本，构建关注矩阵，运用社会网络分析法,通过学者之间的关注及交流探寻微博学术信息交流网络的特点，以期为其它领域的学术信息交流提供参考和借鉴，同时为学科发展提供实际应用价值.关键词:学术信息交流；社会网络分析；微博ase NA erspectv Eirical Aalsis Micoblog Academic noraio Ecangebtct：Mirologisasoted with web tecnog ofthe rapid developen ofe netork cmiy ptfom，mr ndmore shlars r user use Microblgfoaaei cng o
21、f inomtin ith ”circleof icobog i tefielo libry nd libry scienc as the research saple，bil onatrix,uing soialntorkalysis mehd, through the cholar attentionnd interactin betweenserch Mioblothe chaceristsof the acdmiinormato exchng network， o as toproide eferenefor tr aeas ofacdemi informtion exhangeand
22、 refrence, at esa te provid practial plication vae for subjetdevomentKe wods：T aadei excges of informton；SNA；Mcoo1研究背景及相关工作。1 研究背景eb2.0的出现和发展，催生了博客（Blog)、人人网、微博客（简称：微博）、网摘、P2P、天涯社区等虚拟社区的形成，它们所具备的即时性、互动性等优势 1引发了学术信息交流环境、范围、方式以及内容的巨大的变化:学术信息交流环境由实体空间逐渐转变为虚拟社区平台,不同学者、专业人士之间的交流比现实生活中交流更为真实;学术信息交流的范围不再局限
23、于固定的学科以及人员结构，从整体上实现了跨空间、跨地区共享;学术信息交流的方式从单一向多样转变，从学术座谈会、研讨会扩展到学术博客、学术论坛、学术微博圈等；学术信息交流的内容也打破了传统学术信息交流话题固定、覆盖面少、内容单一的局限性，不仅实现了显性知识的共享,更推动了隐性知识的利用2。其中，微博独特的设计理念，及时、通畅和广泛的用户信息交流渠道，使其在众多的虚拟社区中脱颖而出。近年来，作为新兴的社交网络应用，微博已经成为网民获取信息的重要途径之一，微博从满足人们弱关系的社交需求逐渐演变为大众化的舆论平台,越来越多机构及公众人物都通过微博来发布或传播信息。截至20年6月底，我国微博网民规模为3
24、31亿，较201年底增长了216万,增长2%.网民中微博使用率达到了50,较2012年底增加了1。3个百分点3。 1。2 相关工作目前,我国学者对于微博信息交流网络的特点的研究主要集中在以下两个方面： （1）微博用户信息交流网络结构的研究。王晓光等人4首先深入研究与实证分析了微博用户形成的交流网络，分别根据社会网络分析中的核心边缘理论和聚类分析方法，界定了微博社区中核心区域与外围区域,描述了聚类群组结构，分析了群组间成员彼此关系.亦有学者5提出了3种信息交流网络结构模型，即圈子模型,嵌套模型和围观模型，并且从微博信息传播机制角度提出了裂变模式和聚合模式，从信息内容分析角度提出了链状模式、环状模
25、式和树状模式.除此之外,袁毅,杨成明6从实证分析的角度出发，跟踪微博用户在时间周期内关于某一话题的交流数据,发现用户在信息交流过程中形成了关注、评论、转发和引用四种社会关系网络，对此,利用社会网络分析软件,测量、比较和分析了四种网络不同的结构形态及其交流特征。（2）微博社区信息传播模式的研究。中国科学院国家科学图书馆利用新浪微博平台设立官方微博“科学人讲坛”，构建了集微博信息发布、微博活动直播、微博大屏幕、微访谈等多种微博服务应用于一体的“微博传播云”模式7。刘丽芳8通过构建微博的信息传播模式,提出微博客的传播方式既不是传统媒体的线性传播，也不是网络媒体的网络传播，而是一种裂变传播。社交网络提
26、供了一种基于关系的网络信息传播方式，社交网络信息传播模式中传播者与受众、传播媒介、传播内容、传播方向、传播效果等要素各有其特殊性。对此,史亚光，袁毅9通过构建社交网络传播模式，准确地描述了社交网络中信息传播的过程以及上述要素的特点.此外，亦有学者0结合社会网络分析方法对传播模式、传播者、传播渠道、传播内容和受众等方面分析了影响网络社区信息传播的因素.随着研究的不断深入，微博信息交流网络模型的建模方法亦倍受关注，微博用户的信息交流机制和微博信息分类技术逐渐走向成熟11.从上述分析可以看出，目前对于信息交流的研究大多都是从信息交流网络结构、信息传播模式等角度进行研究，但以微博为载体的“学术”信息交
27、流研究很鲜见。此外，目前对微博网络结构、相互关系、交流程度等问题研究尚不够深入，而这正是揭示学术信息交流的关键。综合以上因素，本文选取图书馆学、情报学领域的微博圈作为实证,从微博构建者之间学术信息交流与信息传播的角度出发,基于建立的关系矩阵数据，运用社会网络分析法,通过学者之间的交流及关注探寻微博学术信息交流网络的特点，以期为其它领域的学术信息交流提供借鉴2.2 理论方法与数据采集2。理论方法2。1.1社会网络分析方法社会网络分析是从“关系”的角度来研究社会现象和社会结构3,本文采用社会网络分析软件Ucinet6进行中心度分析，研究以微博客为载体的图书情报专业学术信息交流过程中的社会网络及其关
28、系。 21小世界理论0世纪0年代,Stanley Mam利用熟人之间的关系设计了连锁信件实验,开创了“现象量化的先河14。任何两个素不相识的人，通过一定的方式,总能够产生必然联系或关系.最多通过六人的中介,就可以结识任何一个人。这种颇为典型的现象在学术界概括为著名的“小世界”（sma word）理论或“六度分隔（si egrees o sepaation)5。本文结合小世界理论，基于关注矩阵统计数据，利用Ucit 软件，通过“NworChsiontance路径，计算特征路径长度，以判断图情微博学术信息交流是否具有小世界效应，并且从结构特征上判断微博的学术信息传播效率。数据采集2.1确定样本本文
29、研究样本来自“新浪微博”网站，为保证样本的随机性和相关性，本文采用滚雪球抽样法，首先在新浪微博平台上，以图情专业微博为搜索方向,在高级搜索中选择条件“找人，输入“图书馆学”，便可查找到部分图情的微博主，其中微博构建者包括专家教授、图书馆员、专业期刊杂志、图书馆、专业学生。搜索结果显示关注度最高（即粉丝数量最多）的微博主为“竹帛斋主”,本次研究便将该博主作为抽样的起点，通过“竹帛斋主”的“关注和“粉丝”及微博的特色功能-“共同关注”、“我关注的人也关注他”、“他的粉丝还关注了”收集了相关微博主，从而确定了基本样本范围.由于部分微博构建者的“关注”、“粉丝”及“微博数量均较少，为了缩小样本,提高选
30、取的链接的相关性,笔者通过“共同关注”、“我关注的人也关注他”、“他的粉丝还关注了等功能,经过筛选最终确定了3个图情微博关系网络紧密、互动性强的样本。为方便后续的社会网络分析，笔者对用户名称进行顺序编号，如表1所示。表1 微博用户编号编号用户名称编号用户名称编号用户名称1竹帛斋主1图书情报工作上图文献服务立人图书馆12图有其表2图书馆建设黑龙江3书蠹精3书骨精na4彭老图西北老汉0112图书馆观察5图书馆报15初景利25ctwiad6图林老姜6上图赵亮2赖茂生40后老槐7北大图书馆视界27书图同归8陈定权18吉林省图书馆2欧阳名扬武汉图书馆19情报学论坛29蒋永福10超平0图林扫地僧3图林小子
31、2。2.构造关联图 根据筛选的样本构建关注网络矩阵。其中矩阵的行代表关注者，列代表被关注者，如果某一用户关注另一个用户，则对应的元素值为1,如果没有关注另一个用户或行列对应的元素相同，则对应的元素值为016(此次采集的关注数据截至201年6月1日14：00)。所得关注网络矩阵见附件。根据关注网络矩阵值，构造关联图，通过NDa可以将网络关系更直观的地表现出来，如图1所示。图1关注矩阵图3 过程分析3.1中心度分析 根据图1关注矩阵图可以看出，该矩阵反映的是用户之间的有向关系，箭头指向表示“”关注“B”7.一个结点指向其他结点的箭头的数量记做点出度（ outdegree)，一个结点被其他结点所指的
32、箭头的数量记做点入度（indegr）。点出度表示的是用户关注其他用户的程度，点入度则用来表示用户被其他用户关注的程度。通过出度和入度，可以判断出哪些用户在图情微博客圈中处于核心地位，微博更具有影响力。其中“点度中心度刻画的是行动者的局部中心指数，测量网络中行动者自身的交易能力，没有考虑到能否控制他人。“中间中心度研究一个行动者在多大程度上居于其他两个行动者之间，因而是一种“控制能力指数。“接近中心度”考虑的是行动者在多大程度上不受其他行动者的控制。3。1。1点度中心度在Ucinet中调入关注网络矩阵数据，按照以下路径wrCetaltyDegre进行点度中心度分析,得出结果见图。FREMANS
33、GEE CENTRALITYMASUES-Diagna vlid？ Ooe: AYMETRInpu dtase： 关注网络矩阵 （I:关注网络矩阵) 1 2 3 OutDe IDeree rmutDe NrnDeg - - - 4 彭老图 27.00 24.000 93.103 2.52 图林扫地僧 2.00 7。000 93。103 5862 6图林老姜 27。00 3.00 9.103 7。31028 欧阳名扬 26.00 9.00 89655 148 陈定权 5。00 1。000 86。207 2.44 竹帛斋主 25000 25。000 8627 86。20714西北老汉011 250
34、00 22。000 86.207 756 13 书骨精 .00 22。00 8. 5。6227 书图同归 2300 000 7930 34.4822 图书馆建设_黑龙江 2.0 100 79.310 4。82816 上图赵亮 。000 20.000 714 6。967 老槐 21.00 26.00 72。414 96511 图书情报工作 19.00 21.0 65517 7.411 吉林省图书馆 9.00 2。0 65.17 41。79 图书馆报 19.00 20 65517 68.915 初景利 18.00 2000 6209 6。96621 上图文献服务 1.00 100 609 44。2
35、8 3书蠹精 17。000 23。000 58621 79.1010 超平 1。00 2.000 51。7 。7594 图书馆观察 15。000 18.00 51。724 6 武汉图书馆 .000 14。000 5。724 8。723 ii 。00 2。000 。76 5。8622图有其表 14.000 2.00 48.27 8.75926赖茂生40后 4.000 14000 476 27619情报学论坛 1200 1200 4. 1。379 ctiard 11000 1。000 3.931 651730 图林小子 。00 700 31。034 24132 立人图书馆 5.00 11。00 1
36、721 37.9317 北大图书馆视界 000 15。00 3。79 51.229 蒋永福 。000 11。00 。00 37931Netrk Centraiztion （Outegee） 3.056NetwrkCentraization （Idegee） = 29.89图 点度中心度计算结果从图 点度中心度计算结果可以看出,点出度较高的为4号“彭老图”、20号“图林扫地僧”、6号“图林老姜”，点出度均为7，表明他们关注其他用户的程度较高；点入度较高的为7号“老槐（点入度为26）、1号“竹帛斋主”(点入度为25)、4号“彭老图”、0号“超平”、2号“图有其表”（点入度均为24），表明他们更受关
37、注,于图情微博客圈的领袖地位,发布的微博具有较高话语权，容易引起大家的互动,通过评论、转发扩大微博影响力.通过关注号“老槐、1号“竹帛斋主、4号“彭老图”的微博，不难发现,其微博大部分内容都是与图情专业有关的信息。其中,含有专业内容的信息，图情微博客的用户评论、转发最为活跃。例如:“竹帛斋主203年5月2日2:11发布微博“今天下午电话询问书骨精:高校图书馆藏书670万册，位居全国第一，这数据可信吗?答曰：太离谱的不止这一家。.。，截至203年5月31日转发次数便达到3次，评论5次。这在一定程度上，为增进学术信息交流提供了崭新的平台。此外，从相对出度和相对入度的数据分析来看,4号、6号、号、1
38、号用户均靠前，说明在学术信息交流过程中,这些用户的沟通交流相对紧密.从数据描述结果来看,网络点出度中心势和点入度中心势分别为33.05%和29.49%。中心势刻画的是一个网络所具有的中心趋势,从中心势值不难发现，图情微博客中关注他人的用户更具集中趋势。由于样本较小，且数据比较分散,得出被关注中心势24，也表现出比较明显的集中势.3.1。2中间中心度中间中心度测量的是行动者对资源控制的程度.如果一个点处于许多其它点对的捷径（最短的途径）上，该点便具有较高的中间中心度。由此可以看出，位于中间中心的点起到沟通各个行动者的桥梁作用.美国社会学家、加州大学尔湾分校的林顿弗里曼教授认为，如果一个行动者处于多对行动者之间,那么他的度数一般较低。这个相对来说度数比较低的点可能起到重要的“中介”作用,因而处于网络的中心。鉴于此，为获取图情专业微博客用户的中间中心度，判断用户是否处于核心位置，以此定位此用户在学术信息交流中的影响力，笔者在Ucie中根据Ntor ertaltreean BtweneNoe Beweenss路径进行中间中心度分析,计算结果如图3所示。FREEAN ETWEENESS CNTALIY-