一种信任关系网络中的社团结构检测算法

针对群智计算和感知服务中不可信服务节点可能引入的安全威胁问题,提出了一种基于节点间信任关系网络的社团结构检测算法。该算法通过分析信任关系网络的功能和结构特点,引入连接的方向和权值因素,建立有向加权网络模型,定义最优路径相似度作为节点聚合标准,提出社团离散指数作为评价函数控制检测过程,从而准确识别信任关系网络中的可信节点集合,为服务节点选择提供参考。算法引入节点相似度阈值和归属判定指数控制社团聚合,与误分类节点再筛选环节配合,有效降低了检测过程中的节点误判概率,有针对性地设计社团离散指数作为评价函数,动态评估检测结果并调节聚合参数,保证了社团结构检测结果的准确率及合理性。实验结果表明:该算法能够有效实现信任关系网络中社团结构的检测与识别,与已有算法相比,检测准确率提高了5.88%。     

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.     

基于相似性模块度最大约束标记传播的网络社团发现算法

提出一种基于相似性模块度最大约束标记传播的快速网络社团发现算法(MLPA)。该方法采用结构相似度计算,通过最大约束标记传播模型更新节点标记,使社团的划分结果更加符合社团内部结构相对紧密、社团之间结构相对稀疏的特点,提高社团划分的精确度。结合标记传播5次循环迭代可以完成95%或者更多节点标记过程的实验结果,判定标记更新过程趋于稳定,从而在稳定时停止更新,降低了运行时间。MLPA避免了传统的邻接矩阵计算方法,适合大规模网络的社团发现。     

基于相似性模块度最大约束标记传播的网络社团发现算法

提出一种基于相似性模块度最大约束标记传播的快速网络社团发现算法(MLPA)。该方法采用结构相似度计算, 通过最大约束标记传播模型更新节点标记, 使社团的划分结果更加符合社团内部结构相对紧密、 社团之间结构相对稀疏的特点, 提高社团划分的精确度。结合标记传播5次循环迭代可以完成95%或者更多节点标记过程的实验结果, 判定标记更新过程趋于稳定, 从而在稳定时停止更新, 降低了运行时间。MLPA避免了传统的邻接矩阵计算方法, 适合大规模网络的社团发现。     

基于局部稠密度的社团划分算法

社团划分是研究复杂网络结构与功能之间关系的基础,提出了一种基于局部稠密度的社团划分算法。算法首先计算网络中节点的局域密度,从局域密度最大的节点v开始,找出以节点v及其邻居如果αlocal(vi)≥γin则将其设为初始社团S。首次定义了节点的入团率β,并且使用整体和单个入团的方式将节点加入到初始社团中,直到αlocalγout时算法停止。然后再使用内部连接P来检测社团划分的效果,并将错误划分的节点重新归类。把这个算法用在三个社会网络中,都得到了正确的划分。并用MATLAB仿真结果表明:划分出的社团内部连接相当紧密,从而达到了内部连接紧外部连接稀疏的划分社团的要求。此算法不需要计算模块度,在找到初始社团后,并不需要对整个网络的所有节点进行计算,只需计算其一阶邻居节点。这样算法所占用时间少,结果精确率高。     

一种三维无线传感网络拓扑控制算法的研究

当前关于三维拓扑控制的研究主要侧重在保证网络的连通性,并没有很好的考虑到邻居节点度和能耗最低路径两者之间的权衡关系.针对该问题提出了一种可调节的无线传感器网络拓扑控制算法,通过调整因子r(0＜r＜1)动态调整网络拓扑结构,使网络具有良好邻居节点度的同时保留了部分能耗最低路径.仿真实验数据表明该算法构造的网络拓扑图具有良好的可调节性和稀疏性,同时算法在优化网络生命周期和节点功率方面都具有较明显的效果.     

基于最大选票的无线传感器网络分簇算法

在分簇的传感器网络中,簇首节点的选取将直接影响网络的生存期。提出了一种基于最大选票的分簇算法(CABMV),该算法综合考虑节点剩余能量及网络拓扑结构对簇首选举的影响,每个节点根据邻居节点的投票数决定是否当选簇首。该算法是完全分布的,不依赖网络大小及结构。仿真实验表明,该算法扩充性强,能量利用率高,能有效的延长网络生存期。     

一种无线传感器网络中的虫洞攻击检测算法

分析了无线传感器网络中的虫洞攻击的特点,根据某些路径变短和某些节点的邻居数增加的特点,提出了一种无线传感器网络中虫洞攻击的检测算法.首先在边界部署一些源、目的节点对,然后利用路由发现过程来发现跳数异常少的可疑路由.通过检查邻居节点数来检测可疑路径上的每个节点,如果节点的邻居数增加,则该节点为被感染节点,网络中存在虫洞攻击.被感染节点被从网络中隔离,以避免更大的破坏.实验结果表明该算法具有较低的漏报率和较高的准确性.     

分离航天器网络动态连接

不同于地面无线传感网络,分离航天器网络拓扑具有动态、随机特性。首先,基于计算机几何理论如Delaunay Triangulation,Voronoi Diagram建立分离航天器动态拓扑网络。通过分析网络拓扑结构的邻接矩阵中节点间的关系设计邻接矩阵算法得出各网络节点对应的感知半径、通信半径、邻接矩阵,最后得到了基于时空演变的节点间邻居关系的"星图",直观地反应了分离航天器网络节点动态连接的连通性和覆盖度。     

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.     

融合节点影响力与多标签传播的重叠社区发现算法

重叠社区发现是复杂网络分析研究的重要目标之一。针对传统多标签传播算法存在的社区发现结果具有随机性、不稳定性,以及忽视节点影响力对标签传播的影响等问题,提出一种基于节点影响力与多标签传播的能够生成稳定社区的重叠社区发现算法。算法在节点影响力的计算、排序和核心节点识别基础上,通过邻居节点初始标签的再处理和基于平衡系数的节点标签异步更新策略,实现复杂网络重叠社区的有效识别。在真实数据集和人工数据集上的实验综合表明,算法性能优于各对比算法,适用于大规模复杂网络。     

基于中心差异度迭代调整机制的 网络社区搜寻算法研究

为解决当前网络社区搜寻算法存在的节点聚类形成困难,搜寻迭代过于复杂,难以实现社区归属的二次更新等不足,提出了一种基于中心差异度迭代调整机制的网络社区搜寻算法。首先,通过领袖节点重叠度来实现初次社区搜寻裁决,有效降低了重复搜寻的概率,且根据加入节点与领袖节点差异度进行聚类匹配;随后,通过待加入节点与领袖节点之间的交互热度方式进行基于热度机制的聚类递归,实现对搜寻误差的二次校正。仿真实验表明,与当前网络社区搜寻算法中常用的差分迭代阈值裁决机制,混沌度一体化成型迭代机制相比,本文算法具有更高的首次成功率,以及更小的搜寻次数与迭代周期,具有很强的实际部署价值。     

基于多波束天线的Mesh网络邻居发现算法

针对基于快速切换多波束天线的无线Mesh网络的MAC层设计中快速有效地发现邻居节点的问题,设计并实现了两种基于快速切换多波束天线的邻居发现算法,分别为直接发现算法和伙伴发现算法,并对其性能进行了仿真验证.理论分析与仿真实验表明,采用提出的两种邻居发现算法均能有效地完成在网络中扫描并发现邻居节点的目的.其中,伙伴发现算法比直接发现算法可更快地发现邻居,尤其适用于节点密度较大、波束宽度较窄的情况.     

一种基于局部信息最小二乘法的节点定位算法

针对一些面积较大、节点分布密度过低的实际应用场景中,由于节点间距离测量误差过大而导致定位算法结果精度较低的问题,提出一种根据各邻居节点相关信息划分为若干个局部网络块的节点定位算法.该算法首先将无线传感器网络节点定位技术与机器学习领域中的降维方法相结合;然后根据节点间的距离越近,测量精度越高的规则及在一定通信半径内的各邻居节点相关信息共建网络块;最后将网络块组建成全局坐标系,利用全局构建以及锚节点的具体信息映射出各节点的坐标.仿真实验结果表明,该算法较其他节点定位算法在节点定位精度方面表现更优.     

虚拟社交网络中节点重要度分析

根据虚拟社交网络本身的特性,提出了采用重要度矩阵迭代方法定量分析网络中各节点的重要度.该方法考虑了虚拟社交网络中各节点重要度的相互影响,以及这种影响的传递性.实验结果表明,该方法能有效分析虚拟社交网络中节点重要度,有助于提高社交网络中信息传播分析、舆情分析等工作的效率和准确性.     

基于小波能量加权的医学图像融合新算法

目前的大多数基于小波变换的医学图像融合算法,由于没有细致考虑低频分量融合规则以及高频分量邻域特征对于融合效果的重要性,因而得到的融合效果有时并不理想.现提出一种小波域按邻域加窗能量加权的融合准则,该准则根据人体颅部18F-FDG和MRI-T1图像的特点,充分考虑到了低频分量和高频分量邻域特征,对原图像高、低频小波系数分别选用具有不同物理意义的窗矩阵进行邻域加窗能量计算,以归一化加窗能量为权值对各小波系数进行加权,得到融合小波系数,经过小波反变换重构出融合图像.实验证明,采用提出的融合算法得到的融合图像很好地包含了源图像的信息,该算法在医学图像融合应用中比传统的小波系数取大算法、加权平均算法及按邻域方差加权算法效果更好.     

基于重要结点的社区发现算法

复杂网络中内部的社区结构是复杂网络结构特征和属性特征的具体体现。首先依据模块度最大化理论计算网络的模块度矩阵的最大k特征向量矩阵;然后提出聚类中心方法,并用于求出k个社团的重要结点作为k聚类中心,利用欧几里得距离计算每一个结点到k个聚类中心的距离,将结点分配到距离聚类中心最近的社区中;最后对网络应用k-means方法进行迭代计算,得到k个社区的划分。分别在Karate Club Network和American College Football数据集上对算法进行了实验验证,实验结果表明该算法可以有效发现潜在社区,其纯度与模块度比已有的社区发现算法都有一定的提高,并且迭代次数较少,效率较高。     

动态社会网络中的社区挖掘算法研究

为解决社区挖掘问题,针对社会网络的动态特性,给出了新的社区定义,并结合连通性和频繁性概念提出一种新的算法DCSMA(Dynamic Community Structure Mining Algorithm)。挖掘时刻连通的个体集合作为社区,采用层状结构模型,根据重要性权重区分社区内个体,使社区结构更加清晰。在标准测试数据集上的实验结果表明了该算法的可行性和有效性。     

一种基于图压缩的重叠社区发现算法

为提高单机处理复杂网络规模的能力,提出一种新的重叠社区发现算法.首先,通过基于图压缩的社区结构表示模型(压缩社区图),对网络进行无损压缩;然后,在压缩社区图上基于种子迭代的思想,通过不断优化社区适应度函数将种子扩展成社区;最后,将相似度高的社区进行合并,得到最终的重叠社区结果.由于压缩后的凝聚图大大降低了待处理的网络规模,并能在一定程度上减少重复计算,该方法可以大大提高计算效率和单机处理的网络规模.     

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...