基于FCM的复杂网络重叠社团结构发现算法

复杂网络中的社团结构发现是对网络数据集进行数据挖掘的普遍性问题.针对网络中大量存在的重叠社团现象,提出了基于FCM的发现重叠社团结构算法,并进一步在NG模块度的基础上,给出了评价重叠社团结构的模块度函数.算法首先将网络的节点映射成欧氏空间的节点,再以此做模糊聚类得到各重叠社团结构,根据模块度函数选择最佳重叠社团结构.最后,在经典网络上的实验结果表明,算法能够得到满意度高的重叠社团结构,而且时间复杂度较低.     

基于局部探测的快速复杂网络聚类算法

目前复杂网络的规模越来越庞大,且呈现天然的分布式特性,因此从局部观点出发提出快速网络聚类算法就成为迫切需要.为解决这一问题,本文基于对网络模块性函数Q的分析,推导出一个针对于单个结点的局部目标函数f,并证明Q函数随网络中任一结点的f函数呈单调递增趋势,进而提出一个基于局部优化的近线性网络聚类算法FNCA.在该算法中,每...     

基于用户节点相似度的局部社团挖掘

随着Web2.0的迅速发展,社交网络规模变得越来越庞大,包含的信息量也越来越多。传统的从全局角度出发进行社团挖掘的算法由于较高的复杂度以及获取全网信息的困难度,不适用于大型复杂网络的社团挖掘。文中提出了一种基于节点相似度和局部中心点的社团挖掘算法,实验结果表明,该算法在保证较高准确度的同时具有线性时间复杂度。     

基于团的频繁项集挖掘算法

高效地找出所有的频繁项集是关联规则挖掘中的核心问题。通过对已有的基于矩阵的频繁项集挖掘算法的研究,提出一种基于团的频繁项集快速生成算法。该算法采用关联图存储频繁两项集信息,找关联图中团,逐步减少团中项来搜索所有最大频繁项集,并且其扫描数据库仅需一次。通过使用标准数据集进行验证测试并与其他算法进行比较,实验结果表明,该算法具有较快的挖掘速度。     

基于稠密局部自相似特征流的图像配准算法

针对基于稠密SIFT流图像配准算法执行效率和配准准确率有待提高的不足,提出了一 种基于稠密局部自 相似(LSS)描述符构建的稠密改进的LSS(ILSS)特征流的图像配准算法。算法通过颜色空间转 换分离出彩色图像中的 颜色和亮度信息,只在亮度通道上提取稠密LSS特征以大幅度提高图像特征提取阶段 执行效率。随后以 保持特征流场光滑性为约束条件,采用金字塔多分辨率迭代法提高LSS特征流场估计 阶段的执行效率。 多分辨率迭代法的基本思想是先在图像粗粒度网格上快速估算出初步的特征流场,然后再逐 步求精获得最 终精确的特征流场。大量实验表明,与稠密SIFT流相比,基于稠密ILSS特征流的图像 配准算法在图像内容发生较大变化时具有更好的鲁棒性,同时具有更高的执行效率和图像配 准确率。     

识别稳定的局部社区结构算法

通过提取出具有高链接密度的局部团,从局部团出发进行扩展社区,设计自动选择社区扩展的终止条件,以保留最优社区结构,提出一种社会网络局部社区识别算法。在人工生成网络和真实网络上的实验结果表明,与同类算法相比,该算法能够识别出稳定的局部社区结构,提升了局部社区识别结果的准确率。     

一种新的属性图重叠聚类挖掘算法

属性图各节点附有的节点属性标签,为节点提供了更加丰富的信息,在数据挖掘应用,特别是数据聚类问题中如何有效利用这些丰富的信息,已经成为开展此类研究的研究目的。不同于传统图聚类,属性图上的聚类要同时考虑图的结构信息和节点的属性信息,因此如何平衡两者之间的关系,这是属性图聚类主要关注所在。目前已提出的属性图聚类算法,部分算法的效率很高,然而聚类质量较差,同时一些算法可以得到较好的聚类结构,然而算法消耗大量的系统资源,效率也较低。这些算法均没有考虑簇之间存在重叠的情况,这导致无法得到更高精度的聚类结构。因而提出一种属性图上的重叠聚类挖掘算法,实验表明,提出的算法可以得到更高的聚类精度,特别是可以提升聚类内部节点的属性相似度。     

面向大规模网络的快速重叠社团挖掘算法

重叠社团在社交网络大数据中普遍存在.针对现有重叠社团挖掘算法易将重叠区域错误地划分为独立的社团且计算复杂的问题,提出了一种基于局部信息度量的快速重叠社团挖掘算法（Local information based Fast Overlapped Communities Detection,Li-FOCD）.首先,为节点定义局部信息度量指标——社团连接度和邻居连接度,建模节点与社团的关系,缩小了计算范围;然后,每次并行地迭代执行缩减、扩展、去重等操作,并更新局部度量指标,通过松弛每次迭代的终止条件,发现近似最优社团集合而不是最优社团,最终算法复杂度为O（m+n）.基于真实的大规模社交网络数据的试验分析表明：与当前流行的重叠社团挖掘算法相比,Li-FOCD在不损失检测质量的前提下,大幅提升了计算效率.     

一种基于Jaccard相似度的社团发现方法

在复杂网络中自动发现社团具有重要的实际应用价值。本文提出一种基于Jaccard相似度的社团发现方法,首先使用结点的相似度寻找优先邻居结点,再从优先邻居结点中获得最佳邻居结点,最后将互为友好结点的两个结点合并,最终得到若干个结点的组成小社团,然后利用CNM算法凝聚小社团,完成社团发现聚类。实验表明本算法执行时间缩短,所发现社团模块度增加,是一个有效的社团发现算法。     

基于变差系数的SAR图像非局部均值滤波算法

SAR(synthetic aperture radar)图像有固有的乘性相干斑噪声,抑制相干斑噪声和保护边缘信息是研究的重要内容。文章提出了一种变差系数差构建的非局部平均滤波算法DCV-NLM(differenceof coefficient of variation non-local means)。首先,搜索窗口中的变差系数的像素与中心像素在相似窗口中之间的局部差,其次,局部差由两个范数构造的相似性参数,用负指数形式得到每个像素的加权系数,最后是对SAR图像的噪声执行加权滤波。通过提出的算法与IDPAD算法对比,从抑制相干斑图像视觉效果方面对比,DCV-NLM算法比起IDPAD算法有更好的相干斑抑制性能。     

复杂网络中k-核与网络聚集系数的关联性研究

选取复杂网络特征变量—聚集系数为研究目标,通过数学推导与证明,清晰描述了k-核与聚集系数的关联性。通过仿真实验证明,随着k-核的不断解析、k值的不断增加,网络聚集系数亦呈现逐步增加的趋势。该结论为k-核解析在复杂网络中的进一步应用提供相应的理论基础与指导。     

超密集网中一种基于人工蜂群的节能分簇算法

超密集网络中,密集部署的低功率基站将会加大系统的能耗,并且造成紧缺频谱资源的浪费.探寻干扰协调和系统节能的可行性方法在超密集网络架构下提出基站的休眠—唤醒—活跃机制,减小了休眠基站直接转为活跃状态的开启时间;另外,提出一种基于人工蜂群染色分簇算法,尽可能使用最少的颜色给拓扑图中的小区染色,并对簇内活跃基站进行优化功率分配.经仿真表明,休眠—唤醒—活跃机制能够提升系统的能源效率,染色分簇算法也可以改善用户的频谱效率和吞吐量.     

无线自组织网络RGG模型聚类系数研究

在影响无线网络同步的因素中,网络拓扑结构逐渐引起人们的关注。通过研究RGG模型中网络聚类系数和网络次大特征值之间的关系,来探索聚类系数对网络收敛性能的影响程度,并希望从有边界效应和无边界效应两种情况入手对其进行研究。通过仿真实验发现在无边界情况下的聚类系数是一个常数,与其他因素无关,有边界情况下其值与环境参数相关。从理论上推导了无边界聚类系数的理论值,并给出了有边界情况下的推导思路。     

基于边生命周期的短波IP网络随机图模型

针对短波IP网络中物理连接存在生命周期和接收节点选择方式不同对网络拓扑结构和性能产生的影响,提出了一种基于边生命周期和接收节点多种选择方式的随机图模型。模型中节点之间边生命周期服从正态分布,而新边建立的节点选择方式按照随机选择、度值择优选择和度值反择优选择的方式,用来模拟短波IP网络不同的通信过程。理论分析和仿真也发现,接收节点选择方式的不同将会对网络的度分布、平均最短距离、网络总的度值和节点最大度值及聚集系数都产生影响,而小的连接生命周期将显著减少网络中总的度值和节点的最大度值,减少对物理层资源的占用,提升网络的效能。     

融合节点分析与边分析的复杂网络社区识别算法

针对边社区识别与节点型社区识别两类算法在识别社区过程中均存在相应缺陷,影响复杂网络社区识别质量的问题,提出融合节点分析与边分析的复杂网络社区识别（CDHNE）算法。该算法首先运用边在网络中较为稳定的特点,在算法执行初期通过边社区识别构建较为准确的社区结构;然后利用节点较为灵活的特点,在边社区形成后,对边社区的边缘进行精确识别,更准确地识别出复杂网络中的社区结构。在计算机生成网络实验中,当网络的社区结构逐渐变得模糊、重叠节点数量与重叠节点归属社区数量不断增加时,CDHNE算法的社区识别精度较传统算法平均提高10%,在重叠节点识别精度上较传统算法平均提高15%;在真实网络实验中,算法识别的社区结构紧密度较好,特别是面对拥有十几万个节点的大规模网络时,CDHNE算法高质量地完成了识别任务,EQ值达到0.412 1。实验结果表明,CDHNE算法在运行稳定性和处理大规模网络方面具有优势。     

Automatic modulation classification based on the combination of clustering and neural network

In this paper,we propose a new modulation classification method based on the combination of clustering and neural network,in which a new algorithm is introduced to extract key features.In order to recognize modulation types based on the constellation diagram such as phase shift keying(PSK)and quadrature amplitude modulation(QAM),fuzzy C-means(FCM)clustering is adopted for recovering the constellation under different number of clusters.Then cluster validity measure is applied to extract key features which di...     

基于采样点聚类和切换象限划分核查小区方位角

工参数据主要依赖于人工维护,其低准确性制约了网络规划优化工作的开展.针对工参数据中的小区方位角,通过采集网管系统的测量报告数据和切换统计数据,综合运用采样点聚类算法和切换象限划分算法,计算对应小区的模拟方位角.进一步对比模拟方位角和实际方位角,发现存在的问题,从而指导工参数据更新以及工程整改.通过现网的实际验证,该研究方法取得了良好的应用效果.同样,该研究可以推广应用到工参数据的经纬度方面的核查工作中,具有较强的借鉴价值.     

基于中潜伏期听觉诱发电位的听觉注意特征提取与识别

针对目前研究听觉注意的实验范式采用电极数量较多,且使用P3电位诱发时间比较长等问题,设计了一种基于听觉诱发中潜伏期反应（MLR）的实验范式。首先在注意与非注意两种状态下诱发出相应的MLR,再分别计算MLR的能量、方差、面积、AR模型系数和波形峰值作为特征值。最后,通过模式识别算法进行分类。实验结果表明：8位受试者以人工神经网络（ANN）为分类器的平均正确率可达到77.2%,本范式对于大部分受试者的效果较理想。