基于社团密合度的复杂网络社团发现算法

传统的社团发现算法大多存在划分效果和复杂度相矛盾的问题,为了解决该问题,提出一种新的单社团结构评价标准——社团密合度(group density).在此基础上,设计了一种基于凝聚思想的社团发现算法,该算法通过不断融合小社团,使网络的社团结构向平均社团密合度最大的方向发展,并使用模块度检测算法的划分结果.通过与经典的GN,Fast Newman,LPA等算法对多个数据集进行实验对比,验证了本文算法在获得较好的划分效果的同时具有较低的时间复杂度.     

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。     

指数模型贝叶斯评估中的验前分布

研究在指数模型中用贝叶斯方法进行参数评估时验前分布的确定问题。文中分别以均方误差尽量小和Buehler准则作为判别估计量θ优劣的尺度,讨论了验前参数的有关性质并给出了确定验前参数取值适合域的方法。     

基于复杂网络局部社团发现的主题爬行研究

从全局上限定采集范围可以有效地提高主题爬虫的查准率.结合Web链接分析和页面内容特征分析,提出了一种基于复杂网络局部社区发现的主题爬行方法,将主题爬行分为两个阶段,第一阶段采用复杂网络的局部社区发现算法进行Web链接分析,构建主题网站群,缩小爬行范围.在第二阶段,在限定的范围内,对爬取到的页面进行主题相似度判定,并对下一步的链接目标进行预测.实验证明,该方法显著提高了主题爬虫的查准率.     

基于贝叶斯方法的知识发现

贝叶斯方法是概率统计学中一种很重要的方法。贝叶斯网络就是根据各个变量之间概率关系用图论方法建立的模型,本将概率统计的贝叶斯规则应用于知识发现,建立图论模型进行数据挖掘,章最后应用贝叶斯网络对于实际的数据库进行知识发现,其结果说明了这种方法的有效性。     

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。     

非线形模型方差的贝叶斯估计

 在均方误差的条件下,系统地研究了非线形模型方差的贝叶斯估计,提出了共轭和无先验信息的最佳贝叶斯估计和最佳无偏贝叶斯估计以及方差的最佳条件无偏贝叶斯估计.还提出了带有共轭和无先验信息的方差的极大后验估计,最后用一个简单的例子来说明上述结论的可行性.     

贝叶斯动态线性模型的一种实用处理方法

推广了ＬｅＣａｍ的一个定理,并将其应用到一般的贝叶基动态线性模型和矩阵动态性模型,作为结果,得到了它们的实用递推模型,在该模型中,给出了一种简洁的预测方法。     

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。     

复杂网络的社团结构发现

社团结构是复杂网络的一个重要拓扑特征,社团结构发现是研究复杂网络的一个基础性问题,近十年来得到了广泛的关注。本文概要了非重叠社团发现的典型算法,较全面地归纳分析了重叠社团发现算法。并指出了社团发现研究尚存在的一些问题和进一步的研究方向。     

时间序列ARMA模型的贝叶斯分析

ARMA模型是时间序列分析中应用比较广泛的一种模型。本文采取贝叶斯估计法估计ARMA模型的各个未知参数,进而利用估计的参数对ARMA模型进行预测,最后对我们采取的贝叶斯估计法进行模拟仿真。     

圆参数的贝叶斯估计

用贝叶斯方法解决圆相邻角已知的情况下的参数估计,并得出圆半径的后验分布和置信区间。     

基于动态贝叶斯网络的公路交通事件算法

利用贝叶斯后验概率函数,通过不断改进有关事件发生概率的权值,充分逼近真实值．其中,对于有关参数数值的获取,我们利用Gibbs抽样,通过随机模拟,即Markov Chain Monte Carlo（MCMC）的方法,来近似得到,尽管是近似,却有很高的精确度．最后,我们用这个方法做了一个交通事件的例子,表明效果很好．     

一种基于最大后验概率与图像局部统计量的磁共振图像去噪模型

提出一种基于最大后验概率与图像局部统计量的磁共振图像去噪模型. 该模型针对射频场所引起的磁共振图像灰度值不均匀问题, 将在Rician噪声模型下的最大后验估计与全变差正则化模型相结合, 在模型中引入了瞬时变化系数. 根据Euler-Lagrange方程, 给出了模型的解及方程解的离散形式. 数值实验验证了所提算法的有效性.     

基于中心度发现的中心社团

使用度中心度与流介数中心度相结合的方法,首先计算出节点的度中心度和流介数中心度,得出网络中的几何中心点和信息、物质或能量在网络上传输时经过路径最多的节点,并将这两个指标作为一个整体考虑,得到这两个指标相对比较大的节点,再在这些节点和其邻居节点上利用CPM社团发现算法,从而发现网络中的中心社团.此方法可以发现网络中相对"重要"的社团,对复杂网络上的传播机理、相继故障等分析都有一定的意义.随后利用该方法分析兰州市公共交通线路网络的中心社团结构,结果表明该社团在网络中的确可以起到比较重要的作用.     

基于参数的贝叶斯先验选择方法

在一个参数的可选先验分布类中选择一个合理先验的问题，类似于从参数空间中估计一个恰当参数的问题．基于这一观点，利用贝叶斯分析的后验分布理论，先求出参数的后验分布，再根据后验分布中各个先验的相对似然选取似然最大的先验为合理先验，从而建立了一个基于参数的后验分布的先验选择方法，它是ML-Ⅱ先验的一个拓广．     

一种改进的多模块贝叶斯网络局部推理算法

针对多模块贝叶斯网络的局部推理的时间和空间复杂度高的问题,提出了一种改进的多模块贝叶斯网络局部推理算法.该算法用面向对象语言重新定义了多模块贝叶斯网络模型,在联合树推理算法的基础上结合图论中"顶点度"的概念对局部推理算法进行了优化,针对三角化结果不唯一的问题,给出了一种一般性的解决方案,使三角化后的结果能够将消息传递得更快,有效地缩短推理时间.给出了算法的仿真实例并进行实验分析,结果表明改进后的推理算法有效减小时间、空间复杂度.     

基于局部分层模型和MAP估计的盲复原

提出了一种基于局部分层先验模型和最大后验估计的盲图像复原算法,其区别于一般的盲复原算法.用不同的先验模型刻画图像与点扩展函数的统计特性.在图像复原阶段,用局部分层模型解决图像及超参数估计问题:第一层局部高斯分布模型用于刻画图像先验统计特征;第二层模型用于对超参数的估计.在估计点扩展函数阶段.用全局平稳高斯模型约束点扩展函数.最后,基于最大后验估计思想.采用交替循环最小化的方式.同时进行原始图像、超参数和点扩展函数的估计.实验结果表明:盲图像复原算法对不同类型模糊和不同量级噪声退化的图像,均能取得很好的复原效果.     

基于分段动态时间规整和后验特征的中文语音模式发现

语音模式发现是从语音流中检测出重复出现的音节、词或短语等语音单元的任务。该文基于分段动态时间规整(segmental dynamic time warping,SDTW)算法,尝试直接在中文语料上进行语音模式发现。Mel频率倒谱系数(Mel frequency cepstral coefficient,MFCC)特征在衡量两个语音片段声学相似度上不够鲁棒,特别是针对多说话人语料,语音模式发现的效果大打折扣。该文尝试了基于音素后验概率(posteriorgram)的特征表示方法。实验表明:在多说话人和单说话人的语料上,音素后验特征均可以得到比MFCC更好的效果。该文尝试了用词边界确定分段进行语音模式发现,这种设置可以看作基于SDTW进行模式发现的效果上限。实验表明:在预知词边界的情况下,效率和正确率都得到了明显提升。     

非参数回归模型的贝叶斯局部线性估计

对于非参数回归模型=m(x)+ε,在局部线性估计中窗宽h的先验分布为Gamma分布的条件下,用未知光滑函数m(x)的后验均值构造了它的贝叶斯估计,并给出了参数的后验分布和抽样方法.模拟算例证明了贝叶斯局部线性估计方法的可行性.