边相似性聚类分析及其在生物网络功能模块识别中的应用

生物网络的功能模块识别有助于理解网络的结构和功能关系,有助于发现网络中的隐藏规律以及预测网络的行为等,是当前生物网络研究方面的一个重要研究主题。然而,当前的功能模块识别方法大多依赖于对网络中的节点进行聚类分析,其主要缺陷在于:每个节点只能属于某一个模块,而生物网络中的节点很难划分到某个独立的模块中。本文介绍了新近发展的基于边相似性的聚类方法,通过2个具体的生物网络功能模块识别实例,考察了这种新兴的方法在生物网络研究中的应用,结果表明了该方法的高效性。     

基于信息论方法的代谢网络模块化分析

预测代谢网络中的功能模块对于理解这些网络的结构与功能关系具有重要的意义。但是,当前的模块化分析方法大多将代谢网络考虑为普通的复杂网络,所得模块的生物学意义较低.本文简单介绍了一种基于信息论的分析技术,该方法通过描述图中信息的扩散过程,考察随机行走轨迹描述长度的变化来识别网络的模块化结构。随后,构建了苏云金杆菌的代谢网络模型,并提取了模型中的核心成分.该部分包含了118个节点和158条连线。最后,使用上述方法对苏云金杆菌代谢网络的核心成分进行了模块化分析,得到了11个功能模块,这些模块均对应于1-2个独特的KEGG途径,结果表明识别的模块均具备较好的生物学意义,该方法可用于识别代谢网络中的功能模块。     

Petri网在代谢网络模块化分析中的应用

代谢网络的模块化分析有助于理解网络的结构和功能。然而,当前众多的模块化分析方法大多将代谢网络考虑为普通的复杂网络,所得模块的生物学意义较低。对枯草芽孢杆菌的核黄素代谢进行Petri网建模分析,研究结果表明：Petri网的T不变量可用于识别代谢网络中的功能模块,具备较好的生物学意义。     

基于边过滤的代谢网络社团结构分析

社团结构分析有助于理解新陈代谢网络的结构和功能关系,是新陈代谢网络研究领域的一个重要研究主题。然而,直接将复杂网络方法应用到新陈代谢网络中时,很难得到具有实际生物学意义的社团。本文首先构建了高质量人类代谢网络模型的巨强连通体,然后采用一种基于边过滤的技术研究了该巨强连通体,得到的8个主要社团均具备较好的生物学意义。研究结果表明:基于边过滤的技术可用于识别新陈代谢网络中的社团。     

基于节点相似度的网络社团检测算法研究

社团结构是众多复杂网络的统计特性之一,挖掘网络中存在的社团结构日益受到人们的普遍关注。网络中的社团结构检测本质上类似于传统机器学习领域的聚类分析,其关键问题在于如何定义网络中节点间的相似度。首先提出了基于节点相似度的节点分裂算法SUN,相比传统的基于边界数(betweenness)的节点分裂算法GN, SGN在速度和精度上都有明显改善;接着,在利用各种节点相似度计算方法得到节点间的相似度之后,采用几种经典的聚类分析算法对网络进行社团划分,在模拟数据和真实数据上的实验表明:基于网络拓扑结构信息的signal和regular方法优于基于网络节点局部信息的Jaccard方法,而且对于复杂网络社团划分问题,如果选择好的网络节点相似度构造方法,已有的基于相似度矩阵的聚类分析算法都能快速有效地对网络社团进行划分。     

基于节点间的依赖程度划分网络中社团的算法

寻找复杂网络中的社团结构对于理解复杂网络的结构和功能有十分重要的意义。本文对节点间的依赖程度进行分析,给出节点是否归属社团的新标准。从节点强度最大的节点开始根据节点间的依赖程度寻找一个初始社团,再依据一些定量条件增加节点扩展社团,由于仅需要用到节点的局部信息,时间复杂度达到了线性。将该算法应用于经典的Zachary网络,验证了其有效性。     

基于极端途径的生化网络模块化分析

近年来,对于复杂生化网络系统进行模块化分析引起了科研人员的极大关注。一般认为,模块化分析有助于理解这些网络的结构与功能关系。但是,当前的模块化分析方法大多将生化网络考虑为普通的复杂网络,所得模块的生物学意义较低。介绍了化学计量矩阵及极端途径分析等基本概念,对苏云金杆菌的丁醇代谢系统进行建模分析,研究结果表明：极端途径分析可用于识别网络中的功能模块,具备较好的生物学意义。     

基于SAA的苏云金杆菌代谢网络功能模块

比较几种常用的社团结构分析方法,讨论它们在代谢网络分析中的不足之处。模拟退火算法在代谢网络模块分析中具有一定优势,选用该算法分析苏云金杆菌代谢网络巨强连通体中的功能模块,并将所得的结果与KEGG数据库中的途径信息进行对比研究,发现大部分的模块都对应于1~2个KEGG途径。进一步的研究表明这些模块均具备重要的生物学功能意义。     

基于节点内聚系数的局部社团发现算法

为了能够快速有效地发现复杂网络中的局部社团,提出一种基于节点内聚系数的局部社团发现算法。该算法选取最大度节点作为起始社团,不断搜索其邻居节点,将满足条件的节点不断加入起始社团从而形成新的社团。在不同规模的真实网络数据集和人工合成数据集上进行实验,并与其他三种局部社团发现算法进行社团划分效果的对比。实验结果表明,该算法能够在较短的运行时间内保持较高模块度来识别复杂网络中的局部社团结构,更适合于大规模复杂网络的社团结构挖掘。     

图重构下大规模网络的社团检测算法

对大型复杂网络进行高质量的社团检测通常依赖图的拓扑结构来划分节点集,然而现实世界的网络通常带有嘈杂且与集群无关的链接,这些链接可能会导致模型将来自不同集群的节点划分在一起。为此,提出了基于图重构的社团检测算法（graph reconstruction based community detection,GRCD）,该方法能够处理大规模复杂网络的社团检测。首先,删除社团之间的相互连接的边来重新构建原始图的社团结构;然后,将网络视为一个社交系统,旨在以更直观的方式揭示社团;提出了一种高效的社团检测策略,即基于话语权的社团组织生成策略;最后,在不同规模数据集上进行实验。实验结果表明,GRCD算法不仅能够处理大规模网络,而且在保持较高稳定性的同时,其社团划分的质量对比现有的几种基准算法都有很强的竞争力。     

一种基于组移动性的战术Ad Hoc网络分群算法

如何合理地保障分群是战术Ad Hoc网络实现分层网络并进行分群路由的前提和核心环节。针对这个核心问题,引入组移动特征,结合本地移动性参数和节点的能量,面向战术Ad Hoc网络,提出了一种基于组移动性的分群算法,并仿真分析了该算法的分群性能。     

基于稳定度的Ad Hoc网络分簇算法

针对现有分簇算法存在全网唯一ID的假设及簇结构稳定性不高等问题,提出一种基于稳定度的分簇算法。该算法可消除全网唯一ID的假设,收敛快,且簇结构具有更好的稳定性和持续性。分析及实验仿真结果证明,该算法具有较高的数据包投递率以及较低的路由开销。     

保持聚类结构的异质网络表示学习

Metapath2vec和Metapath2vec++异质网络表示学习方法只保持了网络原有的拓扑结构,没有考虑异质网络自身存在的聚类结构,从而降低网络中节点表示的准确性。针对此问题,基于元路径随机游走策略提出两种保持聚类结构的异质网络表示学习模型：HINSC和HINSC++。模型将网络中节点的one-hot表示作为前馈神经网络的输入,经过隐层的非线性变换,使其在输出层保持网络中节点的近邻拓扑结构和聚类结构,利用随机梯度下降算法学习异质网络节点的低维表示。在两个真实异质网络上的实验结果表明：相比Metapath2vec和Metapath2vec++,HINSC和HINSC++学到的表示在聚类任务上NMI值提高12.46%~26.22%,在分类任务上Macro-F1、Micro-F1值提高9.32%~17.24%。     

一种基于克隆网络聚类的入侵检测方法

将免疫克隆策略用于网络结构的聚类中，能够得到克隆网络对数据进行合理的聚类分析。采用克隆网络对入侵检测数据进行学习，即用一个小规模网络来表示海量数据，完成数据的压缩表示。再利用图论中的最小生成树对克隆网络的结构进行聚类分析，从而获得描述正常行为和异常行为的数据特征，实现合理的聚类。该算法可实现对大规模无标识原始数据的入侵检测，区分正常和异常行为，并能检测到未知攻击。在KDD CUP99数据集中进行了对比仿真实验，实验结果表明：相对于以前的算法，该算法较大地提高了对已知攻击和未知攻击的入侵检测率，并降低了误警率。     

基于自注意力的自监督深度聚类算法

近年来,基于联合训练的深度聚类方法,如DEC(Deep Embedding Clustering)和DDC(Deep Denoising Clustering)算法,使基于特征提取的图像聚类取得了很多新进展,带来了聚类性能的突破,而且特征提取环节对后续聚类任务有直接影响.但是,这些方法的泛化能力较差,在不同数据集使用不...     

基于信任关系的无线自组网分簇方法

针对传统的分簇方法很少考虑安全因素,或者只考虑安全性而忽视对网络性能影响的问题,提出一种基于信任关系的分簇方法。该方法结合人类记忆的扩散激发模型的思想,能够根据有限的局部信息,自动地对整个网络进行分割,在提高AdHoc网络性能的同时,还可提高其安全性。实验结果表明,该分簇方法在精确度方面与集中式的分簇方法非常接近。     

基于节点平均连接度的Ad Hoc网络分簇算法

Ad Hoc网络是一种多跳的自组织网络,网络是由移动的节点组成。Ad Hoc网络的许多应用都依赖层次结构的支持,簇结构是Ad Hoc网络中应用最为广泛的层次结构,而这种层次结构的形成和维护依赖于某种分簇算法。提出了移动节点的平均连接度计算方法,并在此基础上提出了一种新的分簇算法（MCDA）,通过对算法进行分析和仿真测试,证明了该算法的有效性。     

A mathematical morphology based method for hierarchical clustering analysis of spatial points on street networks

Spatial clustering analysis is an important issue that has been widely studied to extract the meaningful subgroups of geo-referenced data. Although many approaches have been developed in the literature, efficiently modeling the network constraint that objects (e.g. urban facility) are observed on or alongside a street network remains a challenging task for spatial clustering. Based on the techniques of mathematical morphology, this paper presents a new spatial clustering approach NMMSC designed for mining the grouping patterns of network-constrained point objects. NMMSC is essentially a hierarchical clustering approach, and it generally consists of two main steps: first, the original vector data is converted to raster data by utilizing basic linear unit of network as the pixel in network space; second, based on the specified 1-dimensional raster structure, an extended mathematical morphology operator (i.e. dilation) is iteratively performed to identify spatial point agglomerations with hierarchical structure snapped on a network. Compared to existing methods of network-constrained hierarchical clustering, our method is more efficient for cluster similarity computation with linear time complexity. The effectiveness and efficiency of our approach are verified through the experiments with real and synthetic data sets.     

基于电阻网络的异构数据协同聚类算法

传统聚类方法处理的是同构数据,无法满足异构数据同时聚类的应用需求,聚类结果的准确率较低,标签可读性较差。针对上述问题,提出一种基于电阻网络的异构数据协同聚类算法。该算法将异构关联数据抽象为多部图形式的电阻网络,进行特征计算及聚类。在对异构数据进行协同聚类后,可以得到一种聚类结构,其中每一类包含多种异构数据,它们之间可以互为标签,标签可读性高。实验结果证明,该方法是一种切实可行且效果优异的数据聚类算法。     

基于聚类的复杂网络社团发现算法

对基于聚类技术的复杂网络社团发现算法进行研究,分析网络中结点间的相似性度量方法,提出把复杂网络中的结点转化为向量的顶点到向量映射(MVV)算法,把网络中的结点转化成适合聚类算法的数据结构形式.对不同聚类算法及相似性度量方法的性能进行比较分析,结果表明,MVV算法可以提高发现复杂网络中社团的能力.