基于稀疏子空间聚类的多层网络社团检测

现有的子空间聚类方法大多只适用于单层网络,或者仅对多层网络中每层的聚类结果简单地进行平均,未考虑每层网络中包含信息量不同的特点,致使聚类性能受限。针对该问题,提出一种面向多层网络的稀疏子空间聚类方法。将距离正则项和非负约束条件集成到稀疏子空间聚类框架中,从而在聚类时能够同时利用数据的全局信息和局部信息进行图学习。此外,通过引入稀疏约束使学习到的图具有更清晰的聚类结构,并设计迭代算法进行优化求解。在多个真实数据集上的实验结果表明,该方法能够挖掘网络不同层的互补信息,得到准确的一致性联合稀疏表示,有效提高社团聚类性能。     

基于膜计算模型的点集匹配算法

点集匹配是计算机视觉和模式识别领域中的一个经典NP问题。膜计算为自然计算的新分支,旨在从单个细胞或组织及器官等细胞群的结构和功能中抽象出新的计算模型或计算思想。在嵌套结构膜优化算法的基础上,提出了一种新的基于膜计算模型的点集匹配算法,结合点集匹配问题的特点,算法引入了三种新的启发式搜索规则,在一定程度上进一步提高了匹配的正确率。与传统优化算法相比,这种新的方法具有更好的全局搜索能力,因此,能够获得点集匹配问题的较好解。实验结果表明,该方法对点集匹配问题的求解是有效的,具有较高的匹配精度和较好的稳定性。