一种基于完全子图与标签传播的重叠社区检测算法

提出了一种基于完全子图和标签传播的重叠社区检测ＣＬＰＯＡ算法。该算法首先搜寻完全子图,并为每个子图分配唯一标签,实现快速标签预处理;然后根据每个节点的邻接节点标签来更新该节点的标签,同时提出接触频数优化标签选择策略降低标签随机传播概率;最后,通过网络标签分布情况进行社区划分。选取两个小规模标准数据集和两个大规模网络数据集进行实验,结果表明ＣＬＰＯＡ算法能保持和ＣＯＰＲＡ算法相同社区划分质量,同时具有更好的算法稳定性和时间性能。     

一种基于复杂网络属性值的K-means聚类算法

传统K-means聚类算法的性能依赖于初始聚类中心的选择。本文将复杂网络节点的属性值作为节点的度、聚集度与聚集系数的加权值,通过计算所有节点的加权综合聚集特征值,选取综合聚集特征值高,并且彼此之间无高聚集性特征的个节点作为聚类的初始聚类中心,然后进行聚类迭代过程。实验结果表明,新算法对初始聚类中心的选取更迅速有效,避免了传统K-means算法初始聚类节点选取的敏感性,进而提高K-means算法的聚类质量。     

基于点距离和密度峰值聚类的社区发现方法

在复杂网络中节点相似度度量以及密度峰值聚类算法的基础上,提出了一种基于点距离和密度峰值聚类的社区发现方法。首先,提出了基于节点相似度和节点间最短距离的节点距离度量。然后,应用密度峰值聚类方法探究网络中的社区结构,密度峰值聚类算法不仅能够检测出各个社区中心并进行相应的社区扩展,而且能够避免参数选择过程。最后,通过与经典算法在真实数据集和人工合成数据集上的比较实验,充分验证了本文方法的可行性和有效性。     

一种优化初始化中心的k均值web信息聚类算法

k-means算法是一种重要的聚类算法,在网络信息处理领域有着广泛的应用。由于k-means算法终止于一个局部最优状态,所以初始类中心点的选择会在很大程度上影响其聚类效果。针对k-means算法所存在的问题,构造了文本集合的相似度矩阵,基于平均相似度集合通过排序迭代优选出了初始中心点。实验表明此算法可以有效减少迭代次数并提高聚类精度,最终获得较好的聚类效果。     

结合概率矩阵的改进谱聚类社区发现算法

针对目前谱聚类算法的相似图包含较多错误社区信息的问题,引入了概率矩阵的概念,提出了一种改进的谱聚类社区发现算法。该算法首先利用马尔可夫过程计算节点间的转移概率,并基于转移概率构建复杂网络的概率矩阵;然后以均值概率矩阵重新构造相似图;最后通过优化归一化切割函数实现社区划分。采用人工网络和现实网络与其他典型算法进行对比实验,实验结果表明,该算法能够更加精准地划分社区,具有更加良好的聚类性能。     

面向标注的局部中心度传播聚类算法

现有的标注聚类算法大多采用传统的K-means或Single-linkage算法对标注数据直接聚类,但是K-means或Sin-gle-linkage本身固有的缺陷严重影响了聚类结果的质量.给出了一种局部中心度传播聚类算法LCIPC(local centrality in-formation passing clustering),该算法首先在标注相似度的基础上建立标注数据的KNN有向邻居图G;然后利用核密度估计方法计算每个标注的局部中心度;再通过随机游走方法在图G中传播局部中心度,以产生全局中心度等级;最后,调用图深度优先搜索算法发现标注聚类结果.在3个真实数据集上的聚类结果显示,LCIPC算法具有够获得高质量标注聚类结果的能力.     

基于节点聚类系数的网络社区结构发现

研究了节点聚类系数与网络社区结构之间的关系.直接使用节点聚类系数不易刻画社区子图的高聚集特性,定义了一些基于节点聚类系数的社区度量,据此识别网络中的社区.首先,给出了基于聚类系数增大的社区间边判定规则,简称CCE规则;然后,利用CCE规则引出相似度矩阵,即网络密度矩阵;最后,通过网络密度矩阵来构造Laplacian矩阵,并进一步推导出通过计算Laplacian矩阵的特征值以及特征向量来实现社区结构划分的算法.三个真实网络数据的实验结果表明,算法不仅获得了令人满意的划分结果,而且还提高了算法的时间效率.     

P2P流媒体直播系统自适应邻居节点选择算法

针对P2P网络中节点的异构性,提出了一种基于节点动态服务能力的自适应邻居节点选择算法．首先,为分析节点的动态服务能力特性,对流媒体直播系统进行建模,并根据该模型将系统节点按照服务能力分为不同的级别．再采取随机行走的方式选择邻居节点,随机行走过程结束时的节点被加入备选邻居列表．为保证备选邻居节点拥有较强能力,根据节点服务能力动态调整随机行走的期望静止概率分布,采用Metropolis-Hastings算法计算转移矩阵以满足期望静止概率分布．详细描述了节点加入、退出过程以及邻居节点更新策略,以确保节点负载的均衡及系统稳定性．实验结果表明,该算法能显著提高系统性能,降低系统延时,同时对动态网络环境有良好的鲁棒性．     

基于GEM-PHD粒子滤波的移动定位自更新传播算法

为了实现无线传感器网络(Wireless Sensor Networks, WSN)中移动节点的实时动态定位和更新,提出了一种基于广义运动概率假设密度粒子滤波的移动定位自更新传播算法,该算法利用锚节点作为观测者探测周围环境中存在的未知节点,收集探测到的信息,利用广义运动概率假设密度粒子滤波算法对未知节点定位。基于反向定位策略选择未知节点的最优位置,将已获得定位信息的节点升级为虚锚节点继续对周围邻居节点实施定位,再进行定位传播和位置更新,最终实现全网络移动节点实时定位和位置更新。仿真结果表明,在锚节点单一存在时,所提算法可以预估未知节点的位置,且定位精度高,可以对整个移动群体进行实时定位。     

与位置无关的节点调度算法比较分析

无线传感器网络中,通过对节点的合理调度,可以实现节点能耗均衡、延长网络生命周期的目的.分析与位置无关的节点调度算法发现,随机独立休眠算法(RIS)不需要调度时间同步,未考虑节点死亡对工作概率值p的影响,适应性差;基于部署特征的轻量级节点调度算法(LDAS),考虑覆盖率的影响,但需要频繁交换邻居节点信息;基于测距的睡眠调度算法(RBSS),通过测距寻找正六边形覆盖模型,具有较高的覆盖度,需要时间同步,未考虑能量均衡.从初始节点数、工作节点数和网络覆盖率3方面仿真验证说明其性能,为选择节点调度算法以及后续改进提供指导.     

稳定标签传播的社区发现方法

为提高标签传播算法的稳定性,解决标签传播算法随机性导致社区发现结果相差较大的问题,对标签初始化、随机队列设置和标签传播中随机选择过程进行了改进,提出一种稳定的标签传播社区发现方法.该方法首先通过寻找不重叠三角形进行标签初始化,然后以节点标签的熵确定节点队列并分段随机排序,最后考虑邻接点的邻接点标签分布情况进行标签选择.实验结果表明,在Zachary’s Karate Club、Dolphin Social Network和American College Football 3个社会网络上,本文方法的稳定指标和质量指标结果均高于其他方法.稳定标签传播的社区发现方法保持了标签传播算法优点的同时,提高了社区发现结果的质量和稳定性.     

谣言短信传播网络拓扑性质研究

作者分析了谣言短信传播的特点及方式,把谣言短信的传播过程抽象成一个网络的生长过程.根据谣言短信传播的特点,以星形网络表示初始网络,在局域世界中选择新增节点的连接节点.局域世界的选取,采用了依据节点之间的网络路径值作为选取局域世界的原则.给出了生成谣言短信传播网络模型的算法,并且通过理论推导说明网络模型的度分布为幂律函数,模拟了网络节点的度分布、聚类系数和平均路径长度,通过GN算法对模型的社团结构进行分析,发现谣言短信传播网络具有明显的社团结构特征.仿真结果表明,谣言短信传播网络具有无标度特性、小世界特性以及明显的社团结构特征.     

基于平均差异度的改进k-prototypes聚类算法

针对k-prototypes聚类算法随机选取初始聚类中心导致聚类结果不稳定,以及现有的大多数混合属性数据聚类算法聚类质量不高等问题,提出了基于平均差异度的改进k-prototypes聚类算法.通过利用平均差异度选取初始聚类中心,避免了初始聚类中心点选取的随机性,同时利用信息熵确定数值数据的属性权重,并对分类属性度量公式进行改进,给出了一种混合属性数据度量公式.结果表明,改进后的算法具有较高的准确率,能够有效处理混合属性数据.     

改进的共享型最近邻居聚类算法

聚类效果往往依赖于密度和相似度的定义,并且当数据的维增加时,其复杂度也随之增加。该文基于共享型最近邻居聚类算法SNN,提出了一种改进的共享型最近邻居聚类算法RSNN,并将RSNN应用于高速公路交通数据集上,解决了SNN算法在"去噪"、孤立点和代表点的判断、聚类效果等方面的不足之处。实验结果表明,RSNN算法比SNN算法在时空数据集上具有更好的聚类效果。     

基于相交度比的无线传感器网络迭代定位算法

为提高免测距无线传感器网络节点定位算法的性能,针对免测距定位算法利用最小跳路径距离替代节点间欧氏距离,和信标节点近似共线引入较大定位误差的缺陷,提出基于相交度比的无线传感器网络迭代定位算法,首先利用定位单元拓扑分布质量函数选择1-跳邻居参考节点,组成高质量的定位单元;其次采用基于相交度比的距离计算估计距离精度;最后采用双曲线定位方法减少误差.仿真结果表明,在节点均匀随机部署,非均匀C-型分布的网络场景中,与DV-Hop、Amorphous等已有改进算法相比,新算法具有更小的定位误差,可提供更加精确的传感器节点位置.     

基于标签与评分个性化课程推荐算法

首先根据课程的标签对课程进行聚类,找到相似度高的课程;其次根据学生对课程的已有评价和课程的聚类结果对未选课程进行评分预测,构建无缺失的课程评价矩阵,在此基础上再次对课程进行相似度计算,找到相似度较高的K项向目标用户进行推荐。通过实验验证,本算法与基于标签协同过滤算法以及基于评分推荐算法相比,具有更准确的推荐效果。     

基于P-Rank的RDF有向图的分布式存储

随着语义网数据的迅猛增长,RDF大数据存储成为数据存储领域研究的热点问题,而分布式存储是解决RDF大数据可扩展性的一种有效途径,数据分割则是实现分布式存储的关键。利用图聚类思想实现RDF数据的有效分割,基于RDF数据模型的图特性,首先利用PRank节点相似度算法计算RDF图结点间的相似度,然后使用AP聚类算法对相似度矩阵进行聚类,进而实现RDF数据的分割和分布式存储。实验结果表明:该方法能有效完成RDF数据的聚类分割,使得聚类结果中类间相似度较小,而类内相似度较大。     

基于萤火虫算法优化FCM的WSN路由算法

针对无线传感器网络节点能源有限,容易出现能量负载不均衡的问题,提出了一种基于萤火虫算法优化模糊C均值(FCM)的无线传感器网络(WSN)路由算法(FFACM),优化了分簇路由算法中的分簇阶段和簇间路由建立阶段。在分簇阶段,使用萤火虫算法计算初始聚类中心,避免模糊C均值算法因初始聚类中心而陷入局部最优的问题。在选择簇首节点上,建立关于剩余能量和距离的适应度函数,选取适应度值最大的节点作为簇首节点并动态更新。通过计算节点间的链路代价并根据剩余能量和到sink节点的距离建立代价函数,选择代价函数值最小的节点建立簇间多跳路由,使得簇首节点的负载降到最低。从仿真实验结果可知,相比于其他无线传感器网络的路由算法,FFACM算法能有效均衡网络负载,降低节点能耗,从而延长网络的使用周期。     

基于角度聚类的无线传感器网络分簇路由算法

将节点角度信息引入分簇路由算法,通过改善簇首选取来增长无线传感器网络的生命周期。计算各节点与基站的角度信息,以此改进模糊C均值聚类算法中的初始隶属度矩阵,从而对节点进行均匀分类,并选取初始簇首,形成初始簇。再利用灰狼优化器对初始簇进行优化,以选取实际簇首并划定实际簇。在100 m×100 m的网络范围内部署100个传感器节点,实验结果显示,与LEACH、SEP、FIGWO等算法相比,改进算法可使网络生命周期分别延长63.4%,35.0%和8.6%。     

可抵御节点恶意行为的锚节点型IP坐标系统

锚节点型IP坐标系统的性能受锚节点选择与布局情况以及节点恶意行为的影响较大,由此提出了一种新的可抵御节点恶意行为的锚节点型IP坐标系统(LCSD),锚节点按聚类最优化选择与布局,并采用协作推荐信任评估机制限制恶意节点对其他节点坐标更新的影响。从相对误差、邻居度和最近邻居可信度等方面分析了LCSD.结果表明与ICS相比,LCSD相对误差更小;不论恶意节点比例大小,LCSD邻居度和最近邻居可信度都较优越。