基于节点相似度的加权网络社团结构划分算法

针对加权网络的社团结构划分问题,提出了一种基于节点相似度的划分算法.构造一种新型加权网络的节点相似度矩阵,基于该相似度矩阵,随机选取一个节点作为初始社团,搜索与该节点相似度值最大的节点合并成一个新的社团.反复迭代,形成划分.该算法具有较低的计算复杂度.用经典复杂网络的社团划分算例验证了该算法的有效性.     

改进的分布式无线传感器网络多维标度定位算法

为提高无线传感器网络集中式多维标度MDS-MAP算法的定位精度,提出了一种改进的基于MDS的分布式定位算法。该算法在构建距离矩阵时引入Euclidean算法距离估算思想,同时采用一种优化的基于最小二乘逼近的坐标转换方法实现节点由相对坐标到绝对坐标的转换。实验结果显示,与经典MDS-MAP算法相比,改进算法在多种网络拓扑结构下均能有效提高节点的定位精度。     

动态加权网络中的演化社区发现算法研究

在动态网络中发现社区结构是一个非常复杂而有意义的过程,可以更好地观察和分析网络的演化情况。针对动态加权网络中的社区发现问题,提出了一种结合历史网络社区结构的算法,叫做动态加权网络中的演化社区发现算法（ECDA）。该算法分为两步：结合历史社区和网络结构信息,计算当前时间跳的输入矩阵;然后通过该输入矩阵计算得到结合历史时间跳信息的社区划分结果。该算法有以下优点：可以自动发现动态加权网络中每个时间跳的社区结构;对网络结构的变化和社区结构的变化具有较高的敏锐性。在人工数据集和真实数据集中进行了实验,实验结果证明该算法可以有效地发现动态加权网络中的社区结构,与其他算法相比具有较好的竞争力。     

一种基于谱平分法的社团划分算法

基于改进的SNN相似度矩阵与谱平分法,提出了一种寻找复杂网络社团结构的算法.首先计算出网络中各节点之间改进的SNN矩阵并将其标准化,求得该矩阵的特征值及特征向量.然后分别选取不同数目的第一非平凡特征向量作为聚类样本,利用FCM聚类算法对节点进行分类,并计算出每次分类结果所对应的模块度Q值.Q的最大值对应的社团结构即为最佳的网络社团结构.一些实验测试了该方法的可行性,通过与其它方法的结果进行比较,可知该算法划分社团的准确率较高.     

基于PSO的反对称矩阵反问题的最小二乘解

针对在反对称矩阵反问题的最小二乘解求解计算中,难以从问题的原始形式出发,构造出高效的迭代算法的计算难题,提出一种基于PSO算法的反对称矩阵反问题的最小二乘解的计算算法.该算法采用以带约束条件的反问题矩阵范数作为粒子群优化算法的适应度函数,建立起最小二乘解的计算模型.算例仿真结果显示,该算法是一种高效实用的求解算法.     

基于多视图集成的网络表示学习算法

现有的网络表示学习算法主要为基于浅层神经网络的网络表示学习和基于神经矩阵分解的网络表示学习。基于浅层神经网络的网络表示学习又被证实是分解网络结构的特征矩阵。另外,现有的大多数网络表示学习仅仅从网络的结构学习特征,即单视图的表示学习;然而,网络本身蕴含有多种视图。因此,文中提出了一种基于多视图集成的网络表示学习算法(MVENR)。该算法摈弃了神经网络的训练过程,将矩阵的信息融合和分解思想融入到网络表示学习中。另外,将网络的结构视图、连边权重视图和节点属性视图进行了有效的融合,弥补了现有网络表示学习中忽略了网络连边权重的不足,解决了基于单一视图训练时网络特征稀疏的问题。实验结果表明,所提MVENR算法的性能优于网络表示学习中部分常用的联合学习算法和基于结构的网络表示学习算法,是一种简单且高效的网络表示学习算法。     

一种保留社区结构信息的网络嵌入算法

现有网络嵌入算法大多只保留网络的微观结构信息,忽略了网络中普遍存在的社区结构信息。为提高网络表示质量,提出一种保留社区结构信息的网络嵌入算法PCNE。通过最大化节点之间的一阶和二阶相似性,对网络的微观结构进行建模,同时通过分解可反映网络社区结构信息的社区结构嵌入矩阵,对网络的社区结构信息进行建模。将构建的2个模型融合到统一的联合非负矩阵分解框架中,结合相似度矩阵和社区隶属度矩阵得到融合社区结构信息的节点表示向量。在5个真实公开数据集上进行节点分类实验,结果表明,与DeepWalk、Node2vec、LINE算法相比,PCNE可使Micro-F1值提升0.96%~13.1%,验证了算法的有效性。     

基于三峡库区水环境监测的WSN信息融合算法

由于三峡库区水环境监测无线传感器网络的信息量大,为了减小数据传输的能量开销,构建了一种新的无线传感器网络信息融合模型,采用了一种结合基于最小二乘原理的加权和关系矩阵的分布式信息融合算法,分析了该信息融合算法的基本原理和实现方法。实验结果表明:该分布式信息融合算法能有效去除冗余信息,提高了数据的准确度,降低了节点数传的能量消耗,延长了无线传感器网络的生命周期,降低了系统成本。     

Biswapped网络(BSN)的拓扑性质研究:点对称性和极大容错性

Biswapped网络(BSN)是一类两层结构的互连网络,它以任意图为模块且模块间采用一种完全两部图方式互连.BSN的互连形式与OTIS网络(即Swapped网络)类似但互连规则更一致,使得BSN展现出更好的性能.文中主要研究BSN的点传递性和容错性能.首先证明BSN能继承因子网络的点传递性质,为BSN上的分析和算法简单性找到理论依据.其次,通过直接构造网络中两点间最大数目的点不相交路径证明以任意连通图为因子网络的BSN是一致极大容错的.这些结果表明BSN既能继承因子网络的理想性能还展现某些好的新特性.最后,通过与OTIS网络、卡式积网络等层次类网络比较表明,BSN提供了一种构建可扩展性、模块化、容错性的大规模并行计算机系统的潜在有竞争力的体系结构形式.     

基于改进PSO的基因调控网络重构方法

提出一种基于改进粒子群优化算法的基因调控网络重构方法。该方法利用粒子群优化算法确定加权矩阵模型的最优结构及参数,从而推测出与实验数据相吻合的加权矩阵,实现利用重构的加权矩阵模型模拟基因调控网络的相互作用。实验结果表明,该方法能有效推理出复杂的基因调控网络结构。