1.一种引入特征分量相似度的动态网络状态演化可视化方法，其特征在于，包括以下步骤：首先，采用网络快照之间边界互相重叠的方法对动态网络的原始数据进行离散化处理，构造出一系列的网络快照，获取每个时间步下点边出现的频数，并结合相邻节点间关系强度的权值公式进行加权，最后将各个网络快照向量化；其次，采用最大似然估计法计算出网络快照向量化后的数据的本征维度，使用PCA主成分分析法降维得到每个时间步的d维的特征分量，并根据相似度公式求得时间步之间的特征分量相似度；最后，将时间步特征分量相似度融入力导引布局算法中，加入相似力和万有引力实现节点聚类，同时通过颜色变化来强调时间属性，最终实现一个可视化布局，将动态网络的演化过程呈现给用户。

2.根据权利要求1所述的引入特征分量相似度的动态网络状态演化可视化方法，其特征在于，所述构造出一系列的网络快照，获取每个时间步下点边出现的频数，并结合相邻节点间关系强度的权值公式进行加权的公式如下：f(i，e)＝|{Aj|aj(vm，vn)＝e∩e∈Ei}|

w(vm，vn)＝k*f(i，e)+(1-k)J(vm，vn)

其中，f(i，e)是边e在时间步i下出现的频数，J(vm，vn)是节点vm和vn之间的关系强度，k为常量系数， 表示节点vm的邻居集合 表示节点vn的邻居集合，w(vm，vn)表示最后得到的节点vm和vn之间的权值。

3.根据权利要求1或2所述的引入特征分量相似度的动态网络状态演化可视化方法，其特征在于，所述采用最大似然估计法计算出数据的本征维度，使用PCA降维得到每个时间步的d维的特征分量，并根据相似度公式求得时间步之间的特征分量相似度具体包括；将划分的时间步网络快照进行加权后向量化，即将所有用矩阵|V|×|V|表示的网络快照重新排列成1×|V|2的行向量，再将所有行向量可堆成一个N×|V|2的矩阵，根据相似度公式求得时间步之间的特征分量相似度，特征分量相似度公式如下：其中， 是节点n1第i维的特征分量， 表示节点n2第i维的特征分量，d为本征维度。

4.根据权利要求3所述的引入特征分量相似度的动态网络状态演化可视化方法，其特征在于，所述将时间步特征分量相似度融入力导引布局算法中，加入相似力和万有引力实现节点聚类，同时通过颜色变化来强调时间属性具体包括：随机初始化节点位置；计算节点间的相似力和万有引力，调整位置；将特征分量相似度S(n1，n2)融入力导引布局算法中，加入相似力fs实现节点聚类，当两节点的特征分量相似度高于阈值T时，他们之间存在着引力，当两节点的特征分量小于阈值T时，它们之间的力则为斥力，再加入万有引力限制布局，万有引力公式如下：fg＝k*S(n1，n2)其中，k是常量系数；最后根据时间步节点的时间属性对节点颜色进行编码。

5.根据权利要求4所述的引入特征分量相似度的动态网络状态演化可视化方法，其特征在于，所述相似力fs公式如下：

其中，k是常量系数，S(n1，n2)是节点n1和n2之间的特征分量相似度，d(n1，n2)是节点n1和n2中心位置之间的欧式距离减去各自半径后的距离。

6.根据权利要求1或2或4或5所述的引入特征分量相似度的动态网络状态演化可视化方法，其特征在于，所述最后稳定的可视化布局位置展示动态网络在随时间演化时出现的稳定状态、重现状态、异常状态以及状态之间的转移过程。