基于多属性融合策略的复杂网络社团划分算法

为解决目前社团划分算法依赖于单一度量方法,划分结果不够准确,无法适应不同类型的网络划分需求的问题,通过一种多属性融合策略方法研究社团划分。该算法首先基于节点连接,综合度量了多个影响社团划分的属性,并引入模块度概念确定各属性融合的权重,为划分增加了客观的参考信息,从而提高划分准确率;其次,针对传统划分方法迭代次数过多、效率低的问题,利用人工免疫网络内在的全局并行搜索能力实现对社团核心节点的快速寻优,并提出动态算子、免疫检测因子和反向学习机制对人工免疫网络的收敛速度和局部最优问题加以改进,从而提高寻优效率,缩短算法执行时间。最后,在三个经典真实数据集(Zachary、Dolphin、College Football)上进行实验,并将结果与经典算法对比。结果表明,该算法能适应不同的网络,且在较短的执行时间里实现更加精确的划分。可见,相比传统算法,本文算法具有更高的划分效率。     

基于子团规模的社团划分算法与地理位置

针对以往社团划分算法中存在的子团规模过大的问题,在CNM算法的基础上重新定义子团规模,提出了CLCNM社团划分算法.社团划分结果表明,改进后的算法在子团数量和模块度方面要优于CNM算法.在此基础上,研究社团划分与地理位置间的关系,提出地址前缀相似度的概念,子团地址前缀相似度越大,说明社团划分后的地理效应越明显.CLCNM社团划分结果表明:IPv6网络子团具有明显的地理效应,即子团中节点分布在相邻的地理位置.这一结论可对网络拓扑的再部署提供借鉴性意见.     

一种基于局部密度的k-means算法

针对k-means算法必须事先指定初始聚类数k,并且对初始聚类中心点比较敏感,聚类准则函数对求解的最优聚类数评价不理想,提出一种基于局部密度的启发式生成初始聚类中心方法,在此基础上设计一种准则函数自动生成聚类数目,改进了传统k-means算法.实验表明改进的算法比传统k-means算法提高了聚类效率.     

基于吸收度的三支决策社团划分算法

该文针对社团划分存在的重叠区域问题引入三支决策思想,提出了一种基于吸收度的社团划分算法(3WD-PPOC).3WD-PPOC首先根据网络结构的重要度矩阵进行社团的初始划分,再利用F吸收度来构建社团间的重叠区,即社团边界域,并得到各社团的正域,最后通过P吸收度来完成对在社团边界域中节点的再次划分和社团正域的更新.对比同类算法,3WD-PPOC具有较低的时间复杂度.实验结果进一步表明:3WD-PPOC能够有效地进行社团划分,相比其他社团划分算法,3WD-PPOC表现出更好的社团划分质量,划分后的各社团结构更紧密.该算法对社团重叠节点的划分具有较好的稳定性.     

基于贝叶斯后验模型的局部社团发现

基于节点的局部社团发现在大数据社会网络分析中非常重要。针对Newman模块度在社团发现中的局限性,基于贝叶斯后验模型提出了BS模块度度量法。该方法结合节点的模块度和推荐概率进行建模,并以邻接并入为框架得到了一种新的局部社团发现算法。该方法克服了Newman模块度在稀疏网络中区分度低的问题以及社团结构差异大的分辨率问题,有效地寻找大规模网络中的局部社团。通过与Newman模块度在真实社团中的比较,验证了该度量方法的有效性。     

基于虚拟力牵引的社团划分算法

文中基于虚拟引力的思想,提出了一种新的社团划分算法.其基本思想是将相连节点之间看作是引力,不相连节点看作是斥力,让节点之间进行相互作用,直到节点以社团的形式聚集起来,从而达到划分社团的目的.通过在计算机生成网络和已知社团结构的现实网络中对本算法进行仿真,发现算法具有较高可靠性和接近线性的时间复杂度.     

基于相邻节点聚类的社团划分算法

社团结构是复杂网络中的拓扑属性之一,具有同一社团内的节点连接紧密而不同社团的节点连接疏松的性质.作者基于复杂网络中的社团结构的性质并根据网络中相邻节点的距离关系,提出了一种社团划分算法--基于相邻节点聚类的社团划分算法.笔者对算法的基本概念以及实现进行了详细的描述,通过应用在实例上所得结果说明算法的可行性.     

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.     

基于节点向量和密度峰值的重叠社团检测方法

在真实世界网络中,数据量往往较大、维度较高,这使得数据难以处理,并且所包含的社团大多重叠,而大多数已经存在的算法针对的是非重叠社团,基于改进的密度峰值和标签传播的重叠社团检测算法(DPCL算法).采用低维向量表示网络中节点信息,根据节点的局部密度和相对距离选出中心节点.将只与一个中心节点直接相邻的节点分配到该中心节点所在的社团内,对剩余节点通过计算归属度进行分配,从而实现对重叠社团进行检测;在真实世界网络和LFR基准合成网络上与其他社团检测方法进行比较,实验结果表明能够有效的检测重叠社团.     

基于局部边缘密度和局部熵的图像拼接算法

针对传统图像拼接算法中存在的缺点,采用了基于局部边缘密度和局部熵的图像拼接算法.该算法综合考虑了图像拼接的精度和速度,在特征区域的提取上,采用了模糊聚类算法和局部边缘密度LED算法,实现了特征区域的自动选取;在匹配搜索上,采用了图像的局部熵和序贯相似性检测算法(SSDA),提高了图像拼接的速度和精度;在图像融合上,采用了动态最佳缝合线算法,保证了全景图像的质量.实验表明该算法有效的提高了全景图像生成的效率和准确性.     

基于改进的局部方向模式人脸表情识别算法

针对LDP利用Kirsch算子计算8方向的边缘响应值并排序,特征提取速度慢的问题,提出了一种改进的分解局部方向模式DLDP(divided local directional pattern)特征提取方法。将Kirsch算子的8个方向掩模分成2个子方向掩模再分别计算边缘响应值,获得2个编码(DLDP1和DLDP2),级联两个编码的直方图得到表情特征DLDP。然后利用主成分分析法(PCA,principal component analysis)降维处理。最后用支持向量机进行表情识别,在JAFFE数据库上的实验表明,本文方法与近几年效果较好的特征提取算法相比,不仅缩短了特征提取的运算时间,而且提高了识别率。     

利用局部集聚特性的聚类算法的研究

基于SNN相似性和密度的聚类算法是当前主要的无监督聚类方法之一,该类算法在发现不同大小形状簇的聚类过程中都取得了较好的结果。但是该类算法也存在局限性,如Jarvis-Pat-rick算法通过单连结的方式发现簇,可能分割真正的簇或者合并应该保持分离的簇,而SNN密度类算法的Eps,MinPts参数的确定对用户来说是比较困难的。针对该类问题,本文对聚类过程中的局部集聚特征进行了分析和定义,提出了利用数据的局部集聚特征来控制聚类过程的的聚类算法。通过验证,该算法对发现不同密度以及任意形状的数据集合的聚类分析问题是有效的,突出了数据分析的局部集聚特征,改进了数据聚类的质量。     

基于边聚类系数的谱聚类社区划分方法研究

针对图谱划分方法在划分社区结构不是很明显的网络时,不能得到好的划分效果,该文提出了基于边聚类系数的谱聚类社区划分方法.由于社区内部节点之间的连接比各个社区间节点的连接稠密,边聚类系数的大小反映了节点的聚集程度,因而通过网络中的边所构三角形的数量定义了聚类系数矩阵,矩阵中的元素即处于网络中的边实际构成三角形的数量.在增益函数最大化的过程中,使用了矩阵的特征值和特征向量,以此来进行社区划分.通过在真实网络数据中进行实验,结果表明该算法可行.     

基于注意力网络特征的社区发现算法

现实世界中许多网络都是根据社区结构紧密组织起来的,发现社区对于了解复杂网络的结构及其关系有很大的帮助,文中提出了一种基于注意力网络特征的社区发现(community discovery algorithm based on attention network features,CANF)算法,利用标记节点频率和反示例节...     

基于局域波分解的非参数概率密度估计

局域波分解在提取信号趋势方面具有异乎寻常的效果.根据局域波缓变趋势提取算法,在小波概率密度估计思路的基础上,结合密度估计的直方图法,建立了局域波概率密度估计新方法.此方法能有效去除样本数据直方图中的高频成分,获得低频趋势,即概率密度.在混合高斯概率密度估计中的应用表明,对于无断点的密度函数,其具有计算简单、精度较高的优点.     

基于标记注意力机制的社区发现算法

针对网络的聚类进行研究,提出了一种基于标记注意力机制的社区发现算法,网络特征通过标记节点频率及反示例节点频率联合度量,为使网络特征的度量更加关注于示例节点的细节信息,引入注意力机制来处理网络特征。社区划分由复杂网络预处理、网络节点的策略、社区博弈归并三个部分组成,其中网络节点的策略由无贡献节点归并、节点到社区的判断以及节点逻辑标记和的判断三个步骤组成。实验借助于真实网络进行验证,在归一化互信息、模块度、社区划分数量及运行时间四个方面,基于标记注意力机制的社区发现算法都优于其它社区发现算法。在实际生活中应用此算法,能够更加直观地显示网络内部之间存在的联系。     

基于局部多元判决的稳健的分布式检测算法

为提高基于二元判决的N雷达分布式检测算法在各个雷达的信噪比未知且可能时变条件下的检测性能,提出了基于局部N门限量化的分布式检测算法和衡量不同检测算法性能的一般性方法。仿真结果表明:该算法性能优于各种基于"N选k"融合的检测算法,在特定情况下比基于OR融合的方案有2-2.5dB的信噪比改善,相对于极大似然准则下的集中式检测器的信噪比损失不到0.8dB。在各个传感器的信噪比差异明显时,和基于OR融合的方法有同样的稳健性,因而是一种稳健且高性能的检测算法。     

基于局部多元判决的稳健的分布式检测算法

为提高基于二元判决的N雷达分布式检测算法在各个雷达的信噪比未知且可能时变条件下的检测性能,提出了基于局部N门限量化的分布式检测算法和衡量不同检测算法性能的一般性方法。仿真结果表明:该算法性能优于各种基于"N选k"融合的检测算法,在特定情况下比基于OR融合的方案有2~2.5 dB的信噪比改善,相对于极大似然准则下的集中式检测器的信噪比损失不到0.8 dB。在各个传感器的信噪比差异明显时,与基于OR融合的方法有同样的稳健性,因而是一种稳健且高性能的检测算法。     

基于局部线性嵌入的半监督仿射传播聚类算法

针对运用半监督仿射传播聚类算法处理高维数据时聚类精度低和计算量大的问题,提出一种基于局部线性嵌入的半监督仿射传播聚类算法.该算法首先通过LLE算法将高维输入数据集映射到低维空间得到低维数据集,计算低维数据集的相似度矩阵,再用半监督算法调整相似度矩阵,最后用仿射传播聚类算法对低维数据进行聚类分析.仿真结果表明,本文提出的算法与半监督仿射传播聚类算法相比,在处理高维数据时聚类效果更好,精度更高,迭代次数更少.