發(fā)布時(shí)間：2020-04-09 05:24

【摘要】：21世紀(jì)是數(shù)據(jù)爆發(fā)式增長的年代,從這些海量的數(shù)據(jù)中提取有用的信息變得越來越重要。社區(qū)結(jié)構(gòu)是復(fù)雜網(wǎng)絡(luò)的重要屬性,隨著復(fù)雜網(wǎng)絡(luò)的建立,社區(qū)檢測(cè)研究備受關(guān)注。傳統(tǒng)的社區(qū)檢測(cè)都試圖通過各種算法來獲得一個(gè)高的評(píng)價(jià)函數(shù),模塊度是廣泛使用的評(píng)價(jià)函數(shù),由于模塊度自身的分辨率存在局限性,導(dǎo)致其社區(qū)劃分結(jié)果并不理想。改進(jìn)的模塊度加入可調(diào)參數(shù),避免了分辨率的限制。本文提出了基于基因算法和模擬退火算法的優(yōu)化算法(Genetic Algorithm and Simulated Annealing,GASA)算法,用來提高改進(jìn)的模塊度的最大值。GASA算法是遺傳算法和模擬退火算法的融合,該算法既具有遺傳算法的全局搜索能力,又具有模擬退火算法的局部搜索能力,相比于使用單一算法優(yōu)勢(shì)更加明顯。將GASA算法應(yīng)用在實(shí)例中,以客家傳統(tǒng)村落的社區(qū)劃分為例,對(duì)客家傳統(tǒng)村落的地理環(huán)境因素?cái)?shù)據(jù)進(jìn)行收集整理,在此基礎(chǔ)上對(duì)數(shù)據(jù)進(jìn)行數(shù)字化處理,每個(gè)村落的環(huán)境數(shù)據(jù)用12維的向量表示。復(fù)雜網(wǎng)絡(luò)的節(jié)點(diǎn)代表傳統(tǒng)村落,節(jié)點(diǎn)之間是否存在邊,取決于節(jié)點(diǎn)之間環(huán)境的相似度,從而構(gòu)建復(fù)雜網(wǎng)絡(luò)。利用GASA算法,對(duì)傳統(tǒng)村落構(gòu)建的復(fù)雜網(wǎng)絡(luò)進(jìn)行社區(qū)劃分,將村落劃分為4個(gè)社區(qū)。傳統(tǒng)的單視圖數(shù)據(jù)較為簡單,單一數(shù)據(jù)可能由于數(shù)據(jù)自身的原因,導(dǎo)致社區(qū)劃分效果不理想。多視圖數(shù)據(jù)之間可以相互補(bǔ)充完善,進(jìn)一步提高聚類的效果,很多現(xiàn)實(shí)問題的解決也依賴于多視圖數(shù)據(jù),但是多視圖數(shù)據(jù)的融合是一個(gè)非常復(fù)雜的過程。為了處理多視圖聚類時(shí)存在的問題,我們又提出了一種新的多視圖聚類算法,自動(dòng)加權(quán)的半監(jiān)督聚類(Auto-weighted Multi-view Semi-Supervised graph clustering,AMSS)算法,首先采用無縫集成策略將多視圖數(shù)據(jù)進(jìn)行集成,如拓?fù)浣Y(jié)構(gòu)、節(jié)點(diǎn)、邊的屬性,這些數(shù)據(jù)的集成提高了聚類效果。其次將特征屬性映射到高維空間中,通過圖嵌入的方式賦予每個(gè)節(jié)點(diǎn)一個(gè)屬性函數(shù),函數(shù)可以識(shí)別非線性特征,為每個(gè)屬性分配一個(gè)權(quán)重,實(shí)現(xiàn)對(duì)非線性特征的選擇。這樣,可以將相似節(jié)點(diǎn)聚在一起,不相似的節(jié)點(diǎn)被推開。AMSS算法提出的自動(dòng)加權(quán)的多視圖模型,不僅實(shí)現(xiàn)無縫集成,還可以對(duì)這些帶有屬性的節(jié)點(diǎn)進(jìn)行社區(qū)劃分。在數(shù)據(jù)集上進(jìn)行測(cè)試,結(jié)果表明該算法在解決多視圖聚類問題時(shí)具有一定優(yōu)勢(shì)。
【圖文】：

圖 3.2 不同參數(shù) r 值下，GASA 算法的社區(qū)檢測(cè)結(jié)果 0.5，分別用 GA 算法、MA 算法、GASA 算法進(jìn)行社區(qū)檢值小于 0.1 時(shí)，GA 算法可以檢測(cè)到真實(shí)社區(qū)；當(dāng)u 的值小真實(shí)社區(qū)；當(dāng) u 的值小于 0.3 時(shí)，，GASA 算法都可以檢測(cè)值增大到 0.45 開始都無法檢測(cè)到真實(shí)社區(qū)，但是在 u 值小于A 算法，本文提出的 GASA 算法的社區(qū)劃分效果都更好。

圖 3.2 不同參數(shù) r 值下，GASA 算法的社區(qū)檢測(cè)結(jié)果 0.5，分別用 GA 算法、MA 算法、GASA 算法進(jìn)行社區(qū)檢值小于 0.1 時(shí)，GA 算法可以檢測(cè)到真實(shí)社區(qū)；當(dāng)u 的值小真實(shí)社區(qū)；當(dāng) u 的值小于 0.3 時(shí)，GASA 算法都可以檢測(cè)增大到 0.45 開始都無法檢測(cè)到真實(shí)社區(qū)，但是在 u 值小于A 算法，本文提出的 GASA 算法的社區(qū)劃分效果都更好。
【學(xué)位授予單位】：江西理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：O157.5;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 楊楠;呂紅娟;陳婷;;基于蟻群優(yōu)化的多目標(biāo)社區(qū)檢測(cè)算法[J];計(jì)算技術(shù)與自動(dòng)化;2015年04期

2 廖列法;孟祥茂;;復(fù)雜網(wǎng)絡(luò)上具有多感染階段的傳染病傳播模型[J];計(jì)算機(jī)應(yīng)用;2014年11期

3 吳信東;李毅;李磊;;在線社交網(wǎng)絡(luò)影響力分析[J];計(jì)算機(jī)學(xué)報(bào);2014年04期

4 劉密霞;朱紅蕾;;網(wǎng)絡(luò)彈性研究進(jìn)展[J];計(jì)算機(jī)科學(xué);2013年S2期

5 楊向天;鄔斌;張君;殷郊;靳暢;;六度分割理論下網(wǎng)絡(luò)SNS模式發(fā)展對(duì)策研究[J];新西部(理論版);2013年05期

6 王小云;鄧科;;基于BA模型高團(tuán)聚性網(wǎng)絡(luò)構(gòu)造[J];吉首大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

7 朱小虎;宋文軍;王崇駿;謝俊元;;用于社團(tuán)發(fā)現(xiàn)的Girvan-Newman改進(jìn)算法[J];計(jì)算機(jī)科學(xué)與探索;2010年12期

8 劉松華;張軍英;許進(jìn);賈宏恩;;Kernel-kNN:基于信息能度量的核k-最近鄰算法[J];自動(dòng)化學(xué)報(bào);2010年12期

相關(guān)博士學(xué)位論文 前1條

1 劉松華;核矩陣低秩分解與核空間信息能度量研究及應(yīng)用[D];西安電子科技大學(xué);2011年

相關(guān)碩士學(xué)位論文 前4條

1 杜長江;在線社交網(wǎng)絡(luò)中節(jié)點(diǎn)重要性分析方法研究[D];中國礦業(yè)大學(xué);2018年

2 趙琴琴;多視圖學(xué)習(xí)方法研究[D];西安電子科技大學(xué);2017年

3 周春霞;基于智能優(yōu)化算法的復(fù)雜網(wǎng)絡(luò)社區(qū)檢測(cè)研究[D];南京郵電大學(xué);2016年

4 侯田;基于多目標(biāo)優(yōu)化算法的網(wǎng)絡(luò)社區(qū)檢測(cè)方法研究[D];西安電子科技大學(xué);2012年

本文編號(hào)：2620351