一种自动确定特征向量与类别数目的谱聚类算法

目前大多数应用于复杂网络社团划分的算法都不能自动确定类别数目.为了解决该问题,在计算出复杂网络的拉普拉斯矩阵特征值之后,利用特征值间隔提出一种自动确定特征向量与类别数目的谱聚类算法.该算法通过数据构造拉普拉斯矩阵,得到一系列特征值,再利用特征值差值确定聚类数目以及特征向量,然后利用K-means算法对特征向量进行处理最终得到社团划分结果.用MATLAB软件对常用网络进行测试,实验结果表明,该算法对复杂网络社团的划分具有较好的分类准确性.     

基于最短路径相似度的复杂网社团识别算法

基于最短路径的思想,定义新的节点相似度,利用谱平分算法来识别复杂网络的社团结构.首先根据节点间最短路径的思想计算改进的共享最近邻(SNN)相似度,将其标准化后求出标准化矩阵的特征值及特征向量,然后根据网络选取一定数目的第一非平凡特征向量作为聚类样本,利用FCM算法可识别网络的社团.实验结果表明,该算法对于社团结构不明显的网络划分效果很好.     

基于加权谱分析的用户网络社团协作推荐方法

推荐技术是解决信息过载的一种有效方法.为将纷杂的网络世界中人的行为和信息服务粘合在一起,提出了基于网络社团的协作推荐方法.利用加权谱分析提高特征向量的社团划分贡献度,充分考虑社团内用户的评价风格,将社团内用户的评价值依照用户评价偏好进行了均一化处理,最后按项目相似度对目标项目的评价进行预测.实验结果表明该方法具有较好的推荐性能.     

社团结构改变对振子网络同步行为的影响

以二阶类Kuramoto振子为节点的振子电网为研究对象,研究了社团结构对振子电网同步能力的影响.借助于数值仿真,讨论了社团强度、社团数目改变对网络同步能力的影响.结果表明,社团强度对网络的同步能力有很大的影响.在一定范围内社团强度越大,网络的同步能力就越强;在社团强度和网络规模一定的条件下,社团数目越多,网络的同步能力越弱.网络规模扩大,社团数目越多,网络的同步能力反而越强.     

基于转移矩阵P的复杂网络聚类方法

提出了一种相对简单、有效的划分复杂网络社团结构的方法.该算法利用复杂网络的转移矩阵P和K均值聚类算法来划分社团结构,并且用F统计量判定最优的聚类结果,在探测社团结构明显的人工网时具有较高的准确度.     

面向大规模在线社交网络的社团抽取算法

针对现有的社团分析算法无法在大规模网络上应用的问题,提出一种社团抽取算法,可以高效地分析网络的社团特征.该方法无需事先获取网络的全部拓扑结构,采用网络搜索与社团判定相结合的思路,可有效地抽取结构未知的社交网络上的某个特定社团,从而使分析超大规模网络社团结构成为可能.在仿真数据集上进行实验,分析抽取准确率的影响因素,得出网络平均度越大抽取准确率越高.进一步实验结果表明,社团抽取算法的准确率与现有方法接近,并且执行效率明显高于现有方法,验证了该算法的可行性和有效性.     

谱聚类在社团发现中的应用

在分析谱聚类原理的基础上,研究了其在社团发现中的应用,提出了快速估计社团数量的新方法.该方法通过计算和分析Laplacian矩阵特征值的分布来估计社团的数量,利用K-means算法对Laplacian矩阵特征向量构造的向量空间进行聚类,实现社团的发现.该算法在真实社会网络和合成网络上做了测试,验证了在社团发现中的准确性和有效性.      

基于改进相邻节点相似度的社团划分算法

目前复杂网络中的社团划分算法很多,其中大多数是在社团数目已知的前提下进行的.通过定义社团强度和计算相邻节点的邻居集合,提出改进的相邻节点相似度矩阵.然后通过不断地删除矩阵中相似度最小值对应的连边,在社团数目未知的前提下,符合已定义的社团强度的社团就可以产生.实验结果表明,该算法在社团数目未知的前提下,不仅时间复杂度较低,而且又能够准确地识别网络中的社团.     

一种向量划分的网络社团发现方法

为有效地检测复杂网络中的社团结构,对评估与发现社团的模块密度函数(即D值)进行了优化.通过模块密度函数的优化进程,展示了模块密度函数被优化到向量划分方法中的社团向量幅度最大化,并且提出了一种新的向量划分方法.在一个经典的真实世界网络中检验了该算法.实验结果暗示这种新的算法在发现复杂网络社团上是有效的.     

社会网络中基于路径的社团划分方法

针对社会网络中用户信息时的传播路径，提出一种社会网络中基于路径的社团划分方法.首先，采用边介数中心性来进行社团划分，接着设计了一种基于重要路径的社团更新方法来解决初步划分社团之后的碎片问题，最后针对信息传播中用户态度发生变化的问题，提出基于PSO算法的社团动态更新方法.实验分析说明，本方案时间复杂度较小，性能也具有一定的优势.     

基于先验知识与模块性的网络社区结构探测算法

在分析模块性指标和Newman有关网络社区结构探测算法的基础上，提出了一种基于先验知识与模块性的社区结构探测算法．利用节点度等社会网络结构先验知识，获得一个社区结构的基本划分，然后进行社区的合并，以此获得一个清晰的社区结构．经计算机模拟网络、Ucinet软件网络和中国农民工社会网络的社区结构探测，结果表明所提算法比Newman的迭代次数减少近50％，并且可以获得更好的模块性指标．     

基于共邻节点相似度的加权网络社区发现方法

为实现加权网络的准确划分,发现真实的社区结构,提出一种基于模块度和共邻节点相似性的层次聚类社区划分方法IEM.首先,定义两节点间基于共邻节点的相似度.之后,基于该度量快速聚合当前节点和与其关联紧密度最强的邻居节点以形成初始社区,并进行社区扩展.最后,以最大化网络模块度为目标进行社区合并以优化划分结果.算法通过形成初始社区、扩展社区、合并社区三步,实现了加权网络合理有效的社区划分.以加权模块度作为社区划分质量的评价标准,在多个数据集上的实验结果表明,IEM算法优于加权CN、加权AA、加权RA.同时,与CRMA算法相比,IEM算法对加权网络社区划分的有效性和正确性更高.     

无线传感器网络中基于能量的簇首选择改进算法

针对LEACH分簇路由协议在选簇首时没有考虑节点能量而影响网络寿命的问题，提出了一种根据节点的剩余能量来调节节点生成随机数的大小，从而调整节点成为簇首概率的簇首选择算法，剩余能量越多的节点成为簇首的概率越大。仿真结果表明，此改进算法比LEACH算法能延长网络寿命10%以上,网络性能得到了提高。     

无线传感网中分簇分层k-medoids协议研究

研究了大规模高密度节点部署的无线传感器网络(Wireless Sensor Networks),提出了一种具有可扩展性的分层分簇k-medoids协议.在簇的建立阶段采用改进的k-medoids聚类算法分簇,并将多级分层技术和k-medoids分簇算法融合形成多个层次的分层分簇网,在层0完成全部分簇之后,启动第1层的分簇,并以此类推直到用户指定的层数.仿真实验表明,多层k-medoids分簇算法缩减了网络节点与sink节点之间的通信量,降低了能耗,最终延长了网络生存期.     

基于社区森林模型的分布式重叠社区发现算法

重叠社区发现是复杂网络挖掘中的重要基础工作,可以应用于社交网络、通讯网络、蛋白质相互作用网络、代谢路径网络、交通网络等多种网络的数据分析,从而服务智慧交通、传染病防治、舆情分析、新药研制和人力资源管理等领域.传统的单机运算架构已经难以满足各类大规模复杂网络的分析和计算要求.人工智能领域的研究人员提出将社区发现应用到网络...     

基于聚类的超闭球CMAC神经网络改进算法

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,提出了基于模糊聚类的超闭球CMAC神经网络改进算法。该算法通过对输入数据进行模糊聚类确定网络节点数和节点值,并根据输入输出数据通过模糊推理优化算法计算神经网络初始权值。与原算法比较,该算法可有效降低神经网络节点数,提高系统的学习精度。对一个多步时延的非线性系统的辨识仿真结果表明了该算法的可行性与有效性。     

卫星网络中多因素均衡的分簇算法

根据卫星运动的规律性,将卫星的运行周期离散化为若干时间片,采用每个时间片内网络拓扑固定不变的原理,对簇的稳定性、抗毁性和传输效率等因素进行均衡和优化;提出低地球轨道(LE0)卫星网络分簇算法,并将算法应用于Iridium模型中.仿真结果表明,应用该分簇算法后网络层的信令开销、可扩展性等指标明显优于平面网络结构下的性能.     

基于移动代理的无线传感器网络路由算法研究

在无线传感网络中,簇的划分以及簇内节点访问顺序对网络生存周期具有重要影响。为了提高分簇网络生存周期,提出一种分簇融合的方法。采用ISODATA聚类法实现网络的分簇,在簇内由移动代理对数据进行融合。将移动代理路由归结为一个优化问题,采用蚁群算法求出移动代理迁移的最优路径序列。实验以能耗和网络延时作为评价指标,结果表明该算法可以有效的降低网络能耗,提高网络生存周期。     

基于模糊划分的神经网络集成

基于模糊聚类思想,提出了一种神经网络集成方法.由训练数据的模糊聚类结果,把训练数据划分成相交子集,基于各子集生成集成的个体神经网络.由于各子集所包含的数据和数据的类别各不相同,因而个体神经网络性能和结构存在差异.子集个数确定集成中个体神经网络个数.另外,基于隶属度函数计算公式,提出了个体神经网络输出结论结合方法.理论分析和实验结果表明,此方法对模式分类能取得较好的效果.