近年來(lái),隨著城市智能化建設(shè),復(fù)雜網(wǎng)絡(luò)的應(yīng)用越來(lái)越廣泛。隨處可見的復(fù)雜網(wǎng)絡(luò),如交通網(wǎng)絡(luò)、電網(wǎng)等,為我們的生活提供了極大的便利。復(fù)雜網(wǎng)絡(luò)中的關(guān)鍵節(jié)點(diǎn)和社區(qū)發(fā)現(xiàn)對(duì)于信息擴(kuò)散、疾病控制、險(xiǎn)情恢復(fù)等具有非常重要的作用。隨著網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大,一些傳統(tǒng)的關(guān)鍵節(jié)點(diǎn)和社區(qū)發(fā)現(xiàn)算法由于時(shí)間復(fù)雜度高以及網(wǎng)絡(luò)全局信息不易獲取等原因難以適用于大規(guī)模復(fù)雜網(wǎng)絡(luò)。經(jīng)典的關(guān)鍵節(jié)點(diǎn)識(shí)別方法雖然能在一定程度上識(shí)別關(guān)鍵節(jié)點(diǎn),但也存在著局限性,此外將社區(qū)發(fā)現(xiàn)問題與聚類分析結(jié)合研究還有潛在空間。因此,如何更加精確高效地識(shí)別關(guān)鍵節(jié)點(diǎn)和發(fā)現(xiàn)社區(qū)結(jié)構(gòu)仍然是一項(xiàng)重要的研究課題。本文基于復(fù)雜網(wǎng)絡(luò)理論,綜合考慮了網(wǎng)絡(luò)的局部信息與位置屬性,提出了節(jié)點(diǎn)熵的概念,并在經(jīng)典算法基礎(chǔ)上提出兩種改進(jìn)的關(guān)鍵節(jié)點(diǎn)識(shí)別方法。鑒于社區(qū)發(fā)現(xiàn)算法和聚類算法有一定的關(guān)聯(lián),本文將聚類作為輔助手段用于社區(qū)發(fā)現(xiàn),提出了改進(jìn)的社區(qū)發(fā)現(xiàn)算法。本文的主要研究?jī)?nèi)容包括以下三個(gè)部分:(1)提出了基于局部屬性的結(jié)構(gòu)洞節(jié)點(diǎn)檢測(cè)算法ESH。原始的結(jié)構(gòu)洞約束系數(shù)雖然可以找到橋節(jié)點(diǎn),但約束系數(shù)相同的節(jié)點(diǎn)的重要性無(wú)法區(qū)分。加入考慮局部信息后,在新系數(shù)的計(jì)算中同時(shí)體現(xiàn)了節(jié)點(diǎn)的局部屬性和位置屬性。該...

【文章頁(yè)數(shù)】：90 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國(guó)內(nèi)外研究歷史與現(xiàn)狀
        1.2.1 關(guān)鍵節(jié)點(diǎn)的研究進(jìn)展與現(xiàn)狀
        1.2.2 社區(qū)檢測(cè)的研究現(xiàn)狀及發(fā)展趨勢(shì)
    1.3 論文的章節(jié)安排
第二章 復(fù)雜網(wǎng)絡(luò)的理論基礎(chǔ)
    2.1 復(fù)雜網(wǎng)絡(luò)基本理論
        2.1.1 復(fù)雜網(wǎng)絡(luò)的概念與表示
        2.1.2 圖的相關(guān)概念
    2.2 復(fù)雜網(wǎng)絡(luò)的統(tǒng)計(jì)特征
        2.2.1 節(jié)點(diǎn)的度和度分布
        2.2.2 聚類系數(shù)
        2.2.3 平均路徑長(zhǎng)度
        2.2.4 復(fù)雜網(wǎng)絡(luò)模型
    2.3 關(guān)鍵節(jié)點(diǎn)識(shí)別算法
        2.3.1 經(jīng)典算法
        2.3.2 傳播模型
    2.4 復(fù)雜網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法
        2.4.1 KL算法
        2.4.2 GN算法
        2.4.3 FN算法
        2.4.4 Normalized Cut算法
    2.5 本章小結(jié)
第三章 基于局部信息的結(jié)構(gòu)洞節(jié)點(diǎn)識(shí)別算法
    3.1 問題描述
        3.1.1 結(jié)構(gòu)洞理論
        3.1.2 約束系數(shù)存在的問題
    3.2 改進(jìn)的約束系數(shù)ESH
        3.2.1 節(jié)點(diǎn)熵
        3.2.2 關(guān)鍵節(jié)點(diǎn)評(píng)價(jià)算法ESH
        3.2.3 計(jì)算實(shí)例
        3.2.4 復(fù)雜度分析
    3.3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        3.3.1 數(shù)據(jù)集
        3.3.2 檢驗(yàn)指標(biāo)
        3.3.3 小規(guī)模網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果分析
        3.3.4 大規(guī)模網(wǎng)絡(luò)仿真結(jié)果分析
        3.3.5 排序結(jié)果與節(jié)點(diǎn)傳播能力的相關(guān)性分析
    3.4 本章小結(jié)
第四章 基于節(jié)點(diǎn)熵的改進(jìn)的K-shell算法
    4.1 算法思路
    4.2 傳統(tǒng)改進(jìn)算法
        4.2.1 混合度分解法
        4.2.2 改進(jìn)的K-shell索引
        4.2.3 鄰居核數(shù)中心性
        4.2.4 加權(quán)鄰域中心性
        4.2.5 混合核度熵
    4.3 基于局部信息的K-shell算法
    4.4 計(jì)算實(shí)例
    4.5 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        4.5.1 數(shù)據(jù)集
        4.5.2 檢驗(yàn)指標(biāo)
        4.5.3 仿真結(jié)果分析
        4.5.4 算法復(fù)雜度分析
    4.6 本章小結(jié)
第五章 基于網(wǎng)絡(luò)表示學(xué)習(xí)的社區(qū)發(fā)現(xiàn)算法
    5.1 社區(qū)發(fā)現(xiàn)和聚類算法
    5.2 基于網(wǎng)絡(luò)表示學(xué)習(xí)的社區(qū)發(fā)現(xiàn)算法
        5.2.1 K-means算法
        5.2.2 網(wǎng)絡(luò)表示學(xué)習(xí)
        5.2.3 種子節(jié)點(diǎn)選取方案
        5.2.4 社區(qū)發(fā)現(xiàn)算法K-clustering
        5.2.5 K-clustering算法的時(shí)間復(fù)雜度
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 社區(qū)檢測(cè)數(shù)據(jù)集
        5.3.2 評(píng)價(jià)指標(biāo)
        5.3.3 實(shí)驗(yàn)結(jié)果與分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 研究展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果



本文編號(hào)：4014780