به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت

جستجوی مقالات مرتبط با کلیدواژه « شبکه پیچیده » در نشریات گروه « فیزیک »

تکرار جستجوی کلیدواژه «شبکه پیچیده» در نشریات گروه «علوم پایه»
  • نازیلا اسعدی*، ادریس خداکرمی، سمیه تاران، حسین صفری، بردیا کاکی

    بسیاری از پدیده های طبیعی (زلزله، شراره های خورشیدی و سیگنال های الکتریکی مغز) همانند یک سامانه پیچیده عمل می کنند. روش های زیادی برای تحلیل و بررسی سامانه های پیچیده معرفی شده اند، از جمله این روش ها می توان به تحلیل سری های زمانی، نظریه آشوب، جبر خطی و شبکه های پیچیده اشاره کرد. در این مقاله برای بررسی رفتار شبکه زلزله های ایران از 12 ژوین 1900 تا 12 دسامبر 2015 از روش شبکه های پیچیده استفاده شده است. منطقه جغرافیایی ایران را با دو روش هیلپیکس و مربعی تقسیم بندی کردیم. در روش شبکه بندی هیلپیکس، منطقه مورد مطالعه به سلول های لوزی-کروی و در روش شبکه بندی مربعی به سلول های مربعی تقسیم بندی شده و در هر دو روش، سلول های ایجاده عرض جغرافیایی و مساحت های یکسانی دارند. برای ساخت شبکه، اگر زلزله ای در داخل یک سلول اتفاق بیفتد، این سلول تبدیل به گره می شود و دو گره برای دو رویداد متوالی با یک یال به هم متصل می شوند. توان هرست محاسبه شده در این کار یک همبستگی زمانی طولانی درسری های زمانی زلزله را نشان می دهد. بنابراین، سامانه زلزله یک سیستم خود سازمانده است. در این مقاله ما نشان دادیم از بین پنج ایالت لرزه زمین ساختی مهم ایران (البرز- آذربایجان، کپه داغ، ایران مرکزی و شرق ایران، زاگرس و مکران) قطب های شبکه زلزله ایران در منطقه زاگرس قرار دارند که از نظر لرزه ای بسیار فعال است. رفتار توانی تابع توزیع احتمال با شبکه ساخته شده با روش هیلپیکس، ویژگی های رفتار بدون مقیاس را نسبت به شبکه ای که بر اساس سلول های مربعی ساخته شده است، بهتر نشان می دهد. ماهیت توانی ضریب خوشه بندی میانگین با شبکه های ساخته شده با دو روش نشان می دهند که شبکه زلزله ایران بدون مقیاس و غیرتصادفی است. با مقایسه نتایج بین دو روش می توان دید که روش شبکه بندی هیلپیکس روش بهتری برای ساخت شبکه زلزله است.

    کلید واژگان: شبکه پیچیده, روش هیلپیکس, روش مربعی, زلزله}
    Nazila Asaadi *, Edris Khodakarami, Somaye Taran, Hossein Safari, Bardia Kaki

    We studied the behavior of the earthquake network using the HEALPix spherical pixelization and square cells methods. In the first method, the geographical region is divided into isolatitude rhombic-spherical cells of the same areas using the HEALPix method. In the second method, we divided the geographical region into isolatitude equal areas of the square cells. To construct a network, if an earthquake happens in a cell, that cell will become a node, and two nodes will be connected with an edge for two successive events. The earthquake network is built from Iran’s seismic data from 1900 June 12 to 2015 December 12. We determined the Hurst exponent (H = 0.6) due to the rescaled range (R/S) analysis. This value reveals a long temporal correlation in earthquake time-series; therefore, the earthquake system is suggested to be self-organized. We showed that among the five major seismotectonic provinces of Iran (Alborz-Azarbayejan, Kope Dagh, Central-East Iran, Zagros, and Makran), the earthquake network hubs are located in the Zagros region, which is a seismically very active region. According to this result, the Zagros earthquakes affect the surrounding earthquakes. The probability distribution function’s power-law behavior with a network built in the pixelization rhombic-spherical cells shows scale free behavior’s properties than a network constructed based on the square cells. The mean clustering coefficient’s power-law nature with networks built using two methods shows that the earthquake network is scale-free and non-random. We concluded that the rhombic-spherical cell pixelization is a more reliable method for building the large geographical region’s earthquake network.

    Keywords: complex network, Earthquake, HEALpix method, square cell method}
  • دانیال پاپی، سید محمدصادق موحد*

    در این مقاله با تکیه بر خوشه یابی در شبکه های پیچیده که می تواند ویژگی های بزرگ مقیاس شبکه را تعیین کند، به مطالعه 48 بازار مالی در سراسر دنیا می پردازیم. برای این منظور روش بیشینه سازی پیمانگی را برای شبکه های جهت دار و وزن دار توسعه می دهیم. با کمک معیار همبستگی خطی، ماتریس مجاورت را تشکیل داده و با استفاده از نظریه ماتریس های تصادفی فضای ویژه مقداری ماتریس خود را به دو بخش نامربوط و مربوط تقسیم بندی می کنیم. با در نظرگرفتن پنجره زمانی و تحول آن در طول سری های زمانی، نتایج ما نشان می دهد که در حوالی بحران های مالی، خوشه هایی که غالبا تحت تاثیر ویژگی های جغرافیایی است، تشکیل می شوند و از منظر شبکه های پیچیده، کاتوره ای ترین رفتار خود را نشان می دهند.

    کلید واژگان: فیزیک اقتصاد, شبکه پیچیده, خوشه یابی, بیشینه سازی پیمانگی, نظریه ماتریس های تصادفی}
    D .Papi, S .M .S. Movahed *

    In this paper, relying on the clustering of complex networks that can determine large scale features of ‎the network, we study 48 financial markets across the world. To this end, we develop a modularity ‎maximization method for directed and weighted networks. According to the linear correlation measure, ‎we construct the adjacency matrix, and by using the theory of random matrices, we divide the space of ‎eigenvalues of our matrix into two irrelevant and relevant fragments. By considering the temporal ‎window and its evolution over time series, our results demonstrate that in the vicinity of so-called ‎financial crisis clusters, which are often affected by geographical characteristics, are formed and from the ‎perspective of complex networks, they show more random behavior‎.‎‎

    Keywords: econophysics, complex network, ‎‏ ‏clustering, modularity maximization, Random matrix theory}
  • عباس کریمی ریزی، مینا زمانی، امیرحسین شیرازی، غلامرضا جعفری*
    سرطان عموما به عنوان بیماری ژن ها شناخته می شود. تلاش های صورت گرفته پیرامون کنترل و درمان سرطان به طور عمده بر اساس شناخت ژن های موثر در سرطان های مختلف، تاکنون با چالش های زیادی همراه بوده است. در نگاه پیچیدگی، حرکت های جمعی برآمده از برهم کنش های سیستم های بس ذره ای (سلول) تنها با مطالعه اجزای آن سیستم (ژن ها) قابل توصیف نیست و با دانستن این که هر جز (ژن) چگونه کار می کند، نمی توان درک کاملی از مقیاسی بزرگ تر (سلول) با سازمان دهی مرتبه - بالاتری پیدا کرد. می دانیم که بیان هر ژن بر بیان سایر ژن ها اثر می گذارد و وجود این همبستگی سبب تشکیل یک حرکت جمعی می شود که خود باعت اثر گذاشتن روی بیان سایر ژن ها می شود. در این مقاله، به جای دنبال کردن نگاه فروکاست گرایانه رایج، با استفاده از تکنیک های فیزیک آماری وارون، شبکه برهم کنشی بین ژن ها استنباط شده و با استفاده از نظریه توازن تفاوت رفتار اجتماعی ژن های سالم و سرطانی، به عنوان یک کل نشان داده شده است، نتایج ما نشان می دهد که توزیع مثلث های ایجاد شده در شبکه از یک الگوی توانی پیروی می کند و انرژی شبکه سالم از شبکه سرطانی بیشتر است.
    کلید واژگان: سرطان, فیزیک آماری وارون, استنباط آماری, شبکه پیچیده, شبکه تنظیم ژن, نظریه توازن}
    A Karimi Rizi_M Zamani_A Shirazi_GH R Jafari *
    Cancer is commonly known as a disease of the genes. Almost all the studies about cancers are based on finding the effective genes for each cancer and most of the efforts for diagnosing or curing cancer have faced several challenges. From the point of view of complexity, collective behaviors that have emerged from the interactions of many-body systems are not solely describable by knowing about the system’s building blocks (genes) and we cannot understand what happens at a higher level of organization by just knowing how each element works at a lower scale! We know, each gene’s expression affects other genes expression levels and this correlation causes a collective behavior which that alters the expression levels of the genes. In this study, instead of following the common reductionist view, we use the techniques of inverse statistical physics and infer the interaction matrix of the genes. Then, by applying the balance theory, we show the differences between the social behavior of cancer genes and normal genes as a whole. Our results show that the energy distribution of triads formed in the interaction networks behaves in a power-law manner and the energy of the normal network is higher than the cancer network.
    Keywords: cancer, inverse statistical physics, inference problem, complex networks, gene regulatory network, balance theory}
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال