无线Mesh网络节点聚类属性分析

通过分析无线Mesh网络节点空间属性,提出了一种改进的k-medoids网络节点聚类算法.该算法基于聚类思想,将无线Mesh网络中的网关部署问题转化为空间节点数据聚类问题.构建了网络拓扑图的邻接矩阵,并利用邻接矩阵选择具有最多一跳连接节点数的对象作为初始簇中心.然后以网络跳数代替传统聚类算法中的距离参数,将最小化跳数之和作为优化目标,通过迭代方法获得稳定的聚类和分组结果.实验结果表明,离散的网络节点在空间上具有聚类特性,利用该方法可以获得更小的平均跳数和最大跳数,因此可以较好地实现网络节点分组和网关发现.     

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.     

基于用户相似度的随机游走社交网络事件推荐算法

针对基于社交网络的事件推荐覆盖性和准确性不够高的问题,提出了基于用户相似度Si-user Walker算法.该算法利用基于事件的社交网络特征,将线上用户群组数据抽象为图,以重启随机游走算法为基础,改变了传统的完全基于图的拓扑结构进行随机游走的策略.根据地理位置划分事件类型,提出了新的用户相似度计算方法,然后根据用户相似度矩阵作为随机游走的转移概率,既保留了图的传递性,又保证了图节点游走的真实性.与其他推荐算法在真实的数据集上实验表明,该算法在均方根误差、准确率及覆盖率上均得到提升.     

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。     

基于用户社交网络的最短距离聚类算法

如何提高大数据环境下推荐系统的推荐效率是一个值得关注的课题.本文提出了一种基于用户社交网络的最短距离聚类算法.该算法在推荐之前预先对用户进行聚类,降低邻域搜索空间,提高推荐效率.本聚类算法将用户分为分簇用户和离群簇用户两大类,推荐时以簇为单位输入.离群簇用户可实现对社交网络的简单扩展.最后通过对真实社交网络的模拟,证明了算法的可行性与有效性.     

基于分簇结构的P2P流媒体混合分发算法

提出了一种基于分簇结构的混合分发算法,算法采用分簇的方法将流媒体中的节点资源进行簇划分,形成由簇头、簇内节点构成的分簇网络结构,簇头与簇内节点通过拉拽算法来获得数据,而簇头间采用推送分发算法.仿真结果表明,该算法能提高数据块复制速度,减少数据传播时延,有效降低系统的控制开销,提高了播放连续度.     

传感器网络中一种基于簇的路由算法的研究

为了降低无线传感器网络中节点的能量消耗,提高网络生存期,提出了一种基于簇的路由算法.该算法首先采用K均值动态聚类算法将网络分簇,靠近Sink节点处具有更多的簇;其次利用数据汇聚路由算法寻找从簇头节点到Sink节点的路由;最后由当前簇头根据节点剩余能量及邻居节点的位置重新选择下一轮的簇头,并由新簇头形成簇间路由.仿真计算证明该算法是合理有效的,达到簇内节点能量均衡消耗的目的,同传统分簇算法相比,具有更长的网络生存期和更低的通信能耗.     

基于密度峰值和网络嵌入的重叠社区发现

密度峰值是一种基于密度的聚类算法,该算法假设类簇中心点具有较高的密度且被密度较小的节点包围。由于图结构的性质,密度峰值无法直接适用于网络结构,现有的基于密度峰值的社区发现算法大部分是基于图的拓扑结构或者邻接矩阵度量节点近似度,这种方法往往引入较大的计算复杂度。文中结合网络嵌入方法通过低维向量表示网络中的节点信息,提出了一种基于密度峰值和网络嵌入的重叠社区发现算法(overlapping community detection based on density network embedding, OCDDNE)。该算法首先通过网络嵌入获取节点的网络结构特征,然后基于改进的密度峰值的方法对嵌入后的节点向量进行多标签聚类,使编码后的向量之间的结构关系得到更好的揭示,从而发现网络中的重叠社区结构。在人工网络和真实网络的验证实验表明,该算法可以有效的挖掘网络中的重叠社区结构,并在结构复杂度较高的网络中优于其他算法。     

一种基于节点重要度的社团划分算法

指出了通过挖掘复杂网络中存在的社团结构,可以分析整个复杂网络的拓扑结构和功能,还可以发现网络中隐藏的规律.为了得到最佳社团划分结构,定义了网络的节点重要度矩阵和聚类矩阵,结合图的特征谱平分法和模块度函数,提出了一种基于节点重要度的社团划分算法(CDNIM).通过在空手道俱乐部、海豚关系网络等多个经典数据集上应用,结果表明:该算法能够有效提高发现社团结构的准确率.     

基于位置感知的无线传感器网络聚类算法

针对以能量有效的方式收集传感器网络空间相关性数据的问题,本文提出了一种新的基于位置感知的无线传感器网络聚类算法.算法根据用户查询误差门限和基于位置信息的节点感知数据相异度矩阵,进行无监督数据挖掘,将监测区域划分成信息等价域.每个等价域选取域内当前剩余能量最大的节点作为簇头,网络通过移动代理收集簇头感知信息,从而减少了传输数据量,有效节省了网络能量.     

一种基于流形距离核的谱聚类和量子聚类融合算法

谱聚类是一种基于图谱划分理论的聚类算法,本质上是将聚类问题转化为图的最优划分问题;量子聚类可以充分挖掘数据样本的内在信息,是一种基于划分的无监督聚类算法.为了充分发挥谱聚类算法和量子聚类算法的优势,本文提出了一种基于流形距离核的谱聚类和量子聚类融合算法(MFD-NJW-QC).首先,计算数据集的流形距离核矩阵,构造相应的拉普拉斯矩阵;其次,根据拉普拉斯矩阵的若干最大特征值对应的特征向量构造新数据集,并使用量子聚类算法对新构造的数据集进行聚类,从而得到原始数据的类标签;最后,基于7个人工数据集和5个UCI数据集验证MFD-NJW-QC算法的聚类性能.结果显示,MFD-NJW-QC算法能够明显提高聚类性能,尤其对于具有流形结构,且类簇大小不平衡、密度分布不均匀的数据集优势更为突出.     

一种基于节点稳定性的社区发现算法

许多成功的社区发现算法已经被广泛应用于复杂网络社区发现任务中.随着数据复杂性的增加,网络中节点间的关系也呈现多样化的特点,因此提出一种基于信息熵的节点稳定性度量方法,衡量网络中节点在社区划分中的稳定性;并在此基础上提出一种基于节点稳定性的社区发现算法(Node Stability-based Algorithm,NSA).首先得到网络的t种社区划分,计算各节点的标签熵,选择熵小于一定阈值的节点作为网络的稳定节点集S;然后,利用所得到的稳定节点集S从原网络中抽取一个包含S的连通子图Gs,使Gs中节点的不稳定性尽可能低;在连通子图Gs上进行社区发现,得到初始聚类结果,再计算其他未聚类节点与初始类簇的距离,确定其社区归属,得到最终聚类结果 .在四个带标签真实网络数据集和八个不带标签的真实网络数据集上,与LPA,Infomap,Walktrap,BGLL,LPA-S等经典算法的比较实验表明,所提出的NSA算法能够较好地进行社区发现,在NMI和模块度等方面表现良好.     

基于分簇的传感器网络异常检测算法

针对传感器网络中集中式异常检测算法能耗过高的问题,提出了基于分簇的传感器网络异常检测算法.对网络进行分簇,簇内节点将采样数据传至簇头,簇头节点保持节点的部分历史数据并进行节点间相似性比较,没有达到给定支持度的数据就是异常数据.对于异常数据可以直接丢弃,不用传回基站以节约能量开销.该算法在网内对传感器网络进行数据处理,避免将所有采样数据传往基站.实验结果表明:该算法可以有效节约节点能量开销,延长传感器网络生命周期.     

基于复杂网络的社交网络用户影响力研究

基于复杂网络理论对社交网络用户影响力进行分析,可以为社会营销、舆情监测、信息检索等众多领域的研究提供支持.传统的网页排序算法虽然可以对有向社交网络的用户影响力进行分析,但仍存在缺陷且复杂度较高.本文提出了一种对无向社交网络进行用户影响力评价的方法,弱化了将有向网络视为无向网络研究而带来的误差,并可以高效地得到重要节点,适用范围更广.首先,本文采用网络节点的度中心性、介数中心性、接近中心性、聚类系数作为节点重要度评价指标,通过对计算数据归一化处理并取均值得到用户影响力排序的基准.其次,采用k-核分解法粗粒化地将重要度相似的节点进行归类,来检验排序的合理性.最后,通过仿真实验以及k-核分解、与HITS算法比较验证了此方法的科学性和正确性.     

融合隐性社交网络社团划分和协同过滤的推荐算法

协同过滤算法是个性化推荐系统中广泛使用的经典算法。针对传统协同过滤算法存在的相似度计算不准确、可扩展性差等问题,设计了一种融合隐性社交网络社团划分和协同过滤的推荐算法ICDCF。该方法将用户对项目的共同兴趣视为社交关系。首先用考虑了用户隐性关系的改进的Jaccard相似系数衡量用户间的社交关系强弱,以用户为顶点、以用户相似度为连边的权值,构建无向加权的隐性社交网络;然后基于隐性社交网络,用谱聚类思想对用户进行社团划分;最后在社团内实施基于用户的协同过滤推荐。该方法可以避免协同过滤推荐阶段因共同评分项目少而导致的相似度计算不准确问题,同时可以减少搜索近邻的计算量,提高时间效率。在数据集MovieLens-100K和FilmTrust上的实验结果体现了ICDCF算法在推荐准确性和可扩展性方面的优势。     

基于密度峰值聚类标签传播的社区发现方法

社区发现的目标是发现复杂网络的结构、行为和组织形式。标签传播算法是一种快速有效的社区发现算法,然而在初始的标签传播算法中,节点的结构信息和特征信息没有得到充分利用,且存在标签传播过程不稳定的问题。针对上述问题,文章提出了一种基于改进的密度峰值聚类算法和标签传播算法的有向加权复杂网络社区发现算法(DPC-LPA)。该算法首先根据节点的结构和特征对其进行加权,充分利用了结构信息和特征信息;然后,采用改进的密度峰值聚类算法来寻找网络的社区中心,并据此构建初始社区,提高了社区划分的质量;其次,基于节点相似度和节点权重,合理确定标签传播的更新顺序,并通过衡量节点间标签传播的强度来完成标签传播,解决了标签传播算法不稳定的问题。最后,在CiteSeer、Cora、WebKB和SCHOLAT真实数据集上,将DPC-LPA算法与DCN、WCF-LPA、CLPE算法进行对比实验。实验结果证明了DPC-LPA算法的可行性和有效性：从模块度来看,利用DPC-LPA算法划分的社区具有更加显著的社区结构;从调整兰德系数来看,DPC-LPA算法的社区划分质量更稳定;从运行时间来看,DPC-LPA算法具有较高的效率。     

不完整数据的聚类研究

数据采集过程中存在大量缺失数据,即不完整数据.传统方法在聚类不完整数据时采用填充或丢弃缺失数据方式实现数据的聚类.依据不完整信息系统理论提出一种基于K-means的不完整数据聚类算法,算法首先将数据集划分成完整数据集和非完整数据集两部分,对完整数据集采用K-means算法进行聚类,然后将不完整数据依据设计的相似度度量方法划分到对应的簇中,实现数据集的聚类.实验结果表明,提出的方法能够高效、精确地实现不完整数据聚类.     

基于SIS模型的群体社交网络舆情演化仿真

针对群体社交网络舆情演化时,目前方法获取关键节点中的数据较为困难,导致无法准确获得舆情传播次数、搜索指数、达到舆情峰值所用时间等参数,存在演化精度低的问题,提出基于聚类算法与易感-感染-易感(SIS:Susceptible Infected Susceptible Model)模型的群体社交网络舆情演化仿真方法。在群体社交网络中采用PageRank算法获取关键节点,利用聚类算法对关键节点中的数据聚类进行处理,在此基础上构建SIS模型,并通过其完成群体社交网络的舆情演化仿真。实验结果表明,该方法可准确地获得舆情传播次数、搜索指数、达到舆情峰值所用时间等参数,演化仿真精度高。     

基于边信任度的混合参数自适应重叠社区发现算法

网络中的社区结构有助于简化网络拓扑结构分析,揭示系统内部的规律,能够为信息推荐和信息传播控制提供有力的支撑.网络重叠社区结构与真实生活更加接近,但其分析较非重叠社区结构更加困难.因此,针对重叠社区发现问题,在对网络的边进行峰值聚类的基础上提出了一种基于边信任度的混合参数的自适应重叠社区发现算法.定义了网络边的邻居边集合及与其邻居边之间的信任度函数,通过信息传递获取边的总信息量,并且基于此引入混合参数的概念.基于k-means算法使用混合参数对网络中的边进行聚类,即将网络中的边划分为核心边集与非核心边集,每个核心边作为一个聚类中心.根据非核心边到核心边的距离将所有非核心边划分至距离其最近的聚类中心所在社区.再根据网络中边与节点的关系实现重叠节点发现,最终实现重叠社区的发现.该算法的优点是每条边通过独立地完成信息扩散找到社区的结构,相比于传统的峰值聚类算法,不需要人为设置相关参数,实现重叠社区的自适应发现.为验证算法的可行性,对算法复杂度进行了分析,并且使用两种社区划分评价指标——标准化互信息和模块度,分别在人工数据集及6种真实数据集上进行实验,通过与其他算法进行对比分析,实验结果表明该算法更具可行性和有效性.     

KACO:基于分簇算法的高能效路由协议

针对无线传感器网络中存在的节点能量受限、网络循环利用周期短、吞吐量少等问题,提出了基于分簇的动态路由协议KACO。算法初始阶段采用改进的K-means聚类和蚁群聚类算法获得网络分簇;综合考虑节点的能量效率、当前节点与基站的距离、节点与簇内其他节点间的距离3个方面的因素选择簇头节点。在数据传输阶段,根据节点间的距离动态调整传输路径,有效地减少了节点在数据传输时的能量消耗。实验结果表明,与其他基于分簇的网络节能方法相比较,该方法取得了较好的性能。