特征向量的核方法检测网络社团结构

为在权重的复杂网络中检测社团结构,推广模块密度函数到权重形式,并优化权重形式的权重密度函数到谱分聚类形式及权重的核聚类形式．证明了基于权重密度的两类聚类方法在数学上的等价性,利用这种等价性,提出了一种新的基于特征向量核聚类检测复杂网络社团方法．实验结果表明,这种方法比直接的谱分方法或直接的核方法检测社团更加准确．     

基于中心节点的动态扩散社团划分算法

社团划分是复杂网络研究中的关键研究方向之一。现有的绝大多数工作都聚焦于网络拓扑而忽略网络上的动态过程,针对此问题提出一种基于中心节点的动态扩散社团划分算法。首先,提出基于非回溯游走路径数的节点中心性评价指标;其次,为了对网络上发生的多尺度社交互动模式进行建模,找到一种新的边隶属度向量表示节点的社团归属情况,将中心节点与社团划分联系在一起,用动态系统表示社团成员的动态分配过程进而完成重叠社团划分;最后,为验证所提算法的有效性,将其应用于真实网络和人工网络,实验结果表明,所提算法在划分精度上有很大的优势。     

一种基于四元加权消减的复杂网络社团划分算法

延续广泛应用的社团结构分级聚类方法,提出了衡量网络社团结构的社团稠密度概念,从而反映了网络结构整体性质的重要特征,并将参数应用于对网络社团聚类的研究当中．特别是基于社团稠密的四元结构提出了基于四元加权消减的社团划分算法．通过复杂网络实例验证了该算法的有效性,并对实验结果进行了比较分析,得出该算法在准确性方面对加权网络有较好效果．     

改进的Louvain社团划分算法

社团划分在生物化学、社会学、生态系统等方面有广泛的应用. 划分结果的可靠性和算法效率是研究的重点. Louvain算法是一个划分结果相对可靠、算法效率较高的算法. 该文针对Louvain算法在处理叶节点方面进行了改进. 通过研究叶节点的特性和Louvain算法的不足之处, 在改进算法中基于叶节点特性进行提前剪枝, 以避免多余运算. 用改进算法和Louvain算法分别对18组人工数据和一组某个机构的实际邮件数据进行处理, 将结果进行对比发现改进算法在保持划分结果准确度不变的情况下, 有效地提高了处理速度.     

社团结构生长网络模型研究

在有社团结构的网络中,为了研究社团之间的连接方式及社团内部个体之间的连接方式对整个网络结构的影响,建立了一个带有社团结构的网络模型.在社团内部仍采取度优先选择机制,在社团之间采取了社团平均度优先选择的方式.基于这样的选择方式生成了一个新的网络,获得了网络节点的度分布与联合度分布,并且发现该网络仍是一个无标度网络.最后利用数值模拟很好地验证了理论计算结果.     

双曲空间中的网络社团结构

通过对双曲空间中网络节点与其所在局部空间隶属性的分析,指出网络节点的边集中于其周围扇区中.在此基础上,引入区域介度来度量双曲空间中的边密度,并将社团定义为双曲空间中具有较高区域介度的扇区.接下来提出一种基于区域介度的快速社团发现方法.根据双曲空间中节点间的连接概率,进一步引入区域概率介度,在此基础上提出一种动态网络社团发现方法.最后,通过对比实验证实了该方法的效果,同时表明扇区模型能够有效地描述双曲空间中的社团结构.     

谱聚类中特征向量的Bagging选取方法

谱聚类算法中用亲和矩阵特征值最大的k个特征向量并不总是能有效地发现数据集的结构。为了选取较好特征向量,提出了一种特征向量的Bagging选取算法。以成对约束计分方法为评价标准,对特征向量进行评价并选出较好的特征向量,将多次选择的特征向量进行Bagging集成(Bootstrap aggregating),得出k个特征向量的组合。该算法能够较好地选取出特征向量,根据UCI实验数据集的测试,证实该算法对测试数据集可以得出较好的预测结果。     

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.     

基于社团结构的文本聚类算法研究

为了提高文本聚类的有效性,提出一种基于网络社团结构的文本聚类算法。基于语义知识库理论,利用文本集与词语间的关系,引入文本相似度概念,再结合Newman社团聚类算法特性,将文本集作为独立社团,用文本相似度表示社团联系的紧密程度,对网络文本进行聚类。实验结果表明,该方法有效可行。     

复杂网络中的社团结构算法综述

社团结构是复杂网络的一个极其重要的特性,网络社团结构挖掘在生物学、计算机科学和社会学等多个领域都具有很重要的意义。近年来,针对不同类型的大规模复杂网络,人们提出了很多寻找社团结构的算法。该文综述了该领域最新的比较有代表性的一些算法,重点分析了基于模块度指标的改进算法,能够体现社团层次性和重叠性的新算法,衡量社团划分算法好坏的基准图。最后展望了该领域的未来研究方向。     

动态社会网络的社团结构检测与分析

真实社会网络如邮件、科学合作、对等网络等均可以用图进行建模. 近年来, 基于图的社团挖掘吸引了人们越来越多的研究兴趣, 它不仅可以帮助识别网络的整体结构, 还可以发现社团演变的隐藏规律. 尽管使用静态图进行社团挖掘已经被广泛采用, 但基于动态图的研究还比较少. 通过使用时间序列, 对动态图上的社团挖掘包括社团检测与分析进行研究, 提出了一个新的动态社团结构检测模型, 并采用真实网络数据集进行了实验. 实验结果显示该模型在社团结构发现的有效性和效率性方面均有着良好的表现.     

机会网络节点兴趣社区检测及路由策略

根据机会网络中节点较稳定的社会属性,提出了一种兴趣社区检测机制,将机会网络中节点的兴趣爱好量化,根据节点间兴趣爱好相似性进行兴趣社区划分. 利用节点在运动过程中形成的社区,综合考虑节点的社区属性和节点间历史接触信息,设计了兴趣社区路由算法. 兴趣社区路由由社区内路由和社区间路由组成,路由机制是选择与目标节点在同一兴趣社区且与目标节点接触较多的节点作为中继节点完成数据包转发. 通过仿真实验验证兴趣社区路由策略的合理性和有效性. 仿真结果表明,所提出的兴趣社区路由算法能有效降低网络开销和时延,提高了投递率.     

考虑社群结构的复杂网络的级联故障抵制模型

研究复杂网络的级联故障对评估网络系统的稳定性具有重大意义.在经典的线性负载容量模型基础上,通过探测网络的社群结构,有选择地对社群边界节点的容量附加二次容忍值,建立级联故障抵制模型.在级联故障仿真中,采用不同干扰策略对IEEE118标准电网、国内现实电网等模拟故障过程.仿真结果表明,所建抵制模型通过对社群边界节点的容量进行二次扩容,能以较小的成本提高网络的稳定性,同时发现社群边界节点具备“防火墙”和“引爆点”的双重功能.通过将单一网络推广到两层耦合网络,发现在成本可控下新模型对相依网络的级联故障依然具备较好的抵制能力,说明本文所提模型具备一定的适应性.     

网络自然密度社团结构模块度函数

针对常用的NG模块度存在分辨率限制,不能识别小于一定规模的社团的问题,提出了网络自然密度的定义,用以衡量网络的连接紧密程度,在此基础上构造了密度模块度函数来评估社团结构的划分;进一步分3种情况证明了密度模块度函数,克服了NG模块度函数的分辨率限制问题;最后通过人工网络和经典现实网络验证了密度模块度函数的有效性。     

针对重叠社团结构的复杂网络多靶向攻击策略

现实世界复杂网络普遍存在内部社团相互重叠关联的结构特征。基于此,提出了一种针对高社团成员值节点的多靶向攻击方法。该方法在攻击单个节点的同时,能够影响网络中多个社团的内部结构并改变社团间的重叠关系,从而导致网络整体性能的下降。针对KE网络的攻击不仅验证了所提方法的优越性能,还揭示了其独有的网络社团数随受攻击节点数增加而急剧减少的特殊现象。此外,与随机攻击和度选择攻击的比较进一步验证了多靶向攻击方法对网络性能和结构的高破坏性。     

忆阻网络分析一状态变量法

本文通过状态变量法分析含有忆阻元件的非线性网络,文中将含有忆阻元件的非线性网络分为存在受控源与不存在受控源两种情况,尔后对两种情况分別进行讨论。     

异构蜂窝网络中一种基于匈牙利算法的用户关联方法

在异构蜂窝网络中使用传统的小区选择方法会导致宏基站和小基站的负载失衡,而与小基站关联的用户面临服务质量 (QoS) 的降低的问题。针对该问题,提出了一种基于效用函数最大化的用户与基站关联方法。该方法将用户与基站的关联过程建模为双目标优化问题并且线性化为系数可调的效用函数最大化问题,以实现基站负载均衡和用户QoS之间的折中。通过设计权值系数,将该效用函数最大化问题转化为基于二部图的最大匹配,并用匈牙利算法求得最优解。仿真结果表明,该方法实现了异构蜂窝网络中宏基站与小基站之间的负载均衡,并且通过系数调节,达到了基站负载均衡和用户QoS之间的折中。     

关于多重有向根树的一种乘法运算

有向根树就是只有一个顶点的出度为0,其余顶点的出度均为1的有向树.张福基等人提出了有向根树之间的一种乘法运算(记为 ),并指出有限个有向根树经这种运算后仍为一个有向根树.在此把这种运算推广到多重有向根树上,证明了这种运算对多重有向根树的封闭性,并证明了有限个多重有向根树经这种运算后为一棵有向根树当且仅当每个多重有向根树为一棵有向根树.另外,计算了这种运算结果(多重有向根树)的分支个数及每个分支的树高与树宽.