基于相邻节点聚类的社团划分算法

社团结构是复杂网络中的拓扑属性之一,具有同一社团内的节点连接紧密而不同社团的节点连接疏松的性质.作者基于复杂网络中的社团结构的性质并根据网络中相邻节点的距离关系,提出了一种社团划分算法--基于相邻节点聚类的社团划分算法.笔者对算法的基本概念以及实现进行了详细的描述,通过应用在实例上所得结果说明算法的可行性.     

基于边信任度的混合参数自适应重叠社区发现算法

网络中的社区结构有助于简化网络拓扑结构分析,揭示系统内部的规律,能够为信息推荐和信息传播控制提供有力的支撑.网络重叠社区结构与真实生活更加接近,但其分析较非重叠社区结构更加困难.因此,针对重叠社区发现问题,在对网络的边进行峰值聚类的基础上提出了一种基于边信任度的混合参数的自适应重叠社区发现算法.定义了网络边的邻居边集合及与其邻居边之间的信任度函数,通过信息传递获取边的总信息量,并且基于此引入混合参数的概念.基于k-means算法使用混合参数对网络中的边进行聚类,即将网络中的边划分为核心边集与非核心边集,每个核心边作为一个聚类中心.根据非核心边到核心边的距离将所有非核心边划分至距离其最近的聚类中心所在社区.再根据网络中边与节点的关系实现重叠节点发现,最终实现重叠社区的发现.该算法的优点是每条边通过独立地完成信息扩散找到社区的结构,相比于传统的峰值聚类算法,不需要人为设置相关参数,实现重叠社区的自适应发现.为验证算法的可行性,对算法复杂度进行了分析,并且使用两种社区划分评价指标——标准化互信息和模块度,分别在人工数据集及6种真实数据集上进行实验,通过与其他算法进行对比分析,实验结果表明该算法更具可行性和有效性.     

基于Choquet积分的复杂机电系统可靠性测度及应用

为了分析对复杂机电系统可靠性影响程度大的部件进而保障系统安全运行,首先构建复杂机电系统全局拓扑网络模型研究节点的拓扑属性;依据系统可靠性理论,结合故障维修数据计算网络中节点和边的功能属性;综合考虑部件保持功能属性的能力(节点可靠性属性)、部件间耦合作用关系(连接边可靠性属性)以及节点在全局系统中的拓扑地位(节点拓扑属性),提出基于Choquet积分的可靠性测度,包括功能度、功能接近度和功能介数.以CRHX型高速列车转向架系统为例的研究结果表明,所构建的可靠性测度能够从不同的角度辨识出对转向架系统可靠性影响较大的部件,以适应复杂运行工况下对系统可靠性分析关注侧重点不同的需求.     

一种基于广度优先搜索的社区发现方法

由于当前的算法不能很好地将网络的联通性和单个节点的属性综合考虑,分析了凝聚和分裂层次聚类经典算法的局限性,从而给出边的载荷、边的权重、连接度门限、图形分割等定义.综合考虑网络的拓扑结构和边的权重关系,提出了基于广度优先搜索的社会网络社区发现算法SoNetCD.算法通过删除社区之间的边而得到社区结构,它对社区之间的边判断准确,对社区内部的边误删率低.运用经典数据集进行实验的结果表明,该算法具有比经典GN算法更好的结果.     

用遗传算法优化模块密度探测社团结构

为更精确地探测社团结构,通过选择优化函数,分析社团结构特性,设计适合社团检测的选择、交叉、变异等遗传算子,提出了基于遗传算法和模块密度的社团结构探测算法.该算法未采用传统的分裂或聚合方法用减边或加边的策略,没有引入其他中间变量,直接通过优化模块密度函数发现网络社团结构.分析和仿真结果表明,该算法探测的社团结构与模块度探...     

基于节点连接模式的缺失节点识别方法

提出了一种基于节点连接模式的缺失节点识别方法.首先通过一组占位符节点及其与已知节点之间的连接,对网络中缺失节点的信息进行了表示;接着结合不同的链路预测指标,为占位符定义了一个节点连接模式向量用于表示占位符与其他节点之间的连接关系;最后基于节点连接模式向量的相关性,对占位符进行聚类,从而完成缺失节点的识别.实验结果表明:提出的方法在Purity和NMI两个评价标准上的性能优于竞争算法.     

基于节点属性的功能脑网络连接方法比较研究

为了比较构建功能脑网络时,不同功能连接定义方法所构建脑网络的可信度,弥补传统方法忽略网络结构特征的不足,提出了基于节点属性,通过多种网络结构属性,研究不同功能连接定义方法所构建功能脑网络差异的方法,比较功能脑网络的可靠性。实验结果说明,本方法对衡量网络连接定义之优劣非常有效。此外,实验结果还表明对于使用皮尔逊相关、偏相关与小波相关方法所构建功能脑网络边的可靠性而言,皮尔逊方法优于小波相关方法,偏相关方法略差于小波相关方法。     

节点属性的功能脑网络连接方法比较研究

为了比较构建功能脑网络时,不同功能连接定义方法所构建脑网络的可信度,弥补传统方法忽略网络结构特征的不足,提出了基于节点属性,通过多种网络结构属性,研究不同功能连接定义方法所构建功能脑网络差异的方法,比较功能脑网络的可靠性。实验结果说明,本方法对衡量网络连接定义之优劣非常有效。此外,实验结果还表明对于使用皮尔逊相关、偏相关与小波相关方法所构建功能脑网络边的可靠性而言,皮尔逊方法优于小波相关方法,偏相关方法略差于小波相关方法。     

实践社群中知识转移的网络分析方法建构

实践社群是一个复杂的知识网络,针对其复杂性,可以将社会网络分析方法应用于实践社群研究.将社群成员抽象为网络节点,将成员之间的知识转移关系抽象为网络边,提出了实践社群知识转移网络的构建及分析方法.     

白马鸡繁殖期等级行为和社群结构的社会网络分析

【目的】白马鸡(Crossoptilon crossoptilon)是一种大型鸟类,集群中个体相互作用形成复杂的社会结构,笔者从社会网络视角分析白马鸡等级行为和社群结构,探明白马鸡在繁殖期的社群状况,为集群鸟类社会行为和群体结构研究提供科学依据。【方法】运用社会网络分析方法,对育雏前期和育雏期的白马鸡群体开展野外调查,总共标记个体49只,记录白马鸡群体成员聚集频次和等级支配频次,计算了支配关系矩阵的线性程度和个体等级分数,并将个体聚集强度关系矩阵和等级支配关系矩阵实现了网络可视化。同时,建立人工模拟群体随机聚合矩阵,检验观察矩阵是否由随机因素导致。计算网络参数和模块度值,方差分析检验模块内部和各模块之间个体支配关系强度差异。【结果】①等级关系网络显示白马鸡集群中个体间存在等级制度,且为线性支配式; ②育雏前期和育雏期集群中均存在3个模块,但两个时期模块成员发生了变化; ③接近中心度对模块性影响显著,育雏期群体凝聚力高于育雏前期,且育雏期模块化程度高于育雏前期; ④育雏期配偶对的分布受到模块化的限制,所有配偶对分布在相同模块内; ⑤模块内部个体等级支配关系强于各模块间个体支配关系,且高等级个体群体凝聚能力较强。【结论】对白马鸡集群关系和等级行为观察实现了网络可视化,揭示了白马鸡繁殖期集群中存在模块化结构,且模块内部和模块间个体等级支配关系强度不同。