基于模体的模块度优化高阶社区检测算法

为提升现有高阶社区检测算法的性能，提出一种基于模体的模块度优化高阶社区检测算法。通过量化网络模体数量为节点间权重，将高阶基于模体的社区检测转化为低阶基于边的加权网络社区检测，并构造为加权模块度优化问题求解。为保证加权模块度优化性能以获得逼近全局最优的高阶社区划分，一方面优化策略采用典型的生物启发式算法；另一方面综合利用网络低阶和高阶拓扑结构信息，通过节点邻域社区修正操作和局部搜索操作，进一步提升社区划分质量并防止算法陷入局部最优。在人工合成和真实世界网络上的实验表明，利用模体高阶结构信息有助于提升复杂网络社区的检测性能，尤其是在社区结构较为模糊的情况下。该算法能够有效实现基于模体的高阶社区检测，与现有基于模体的典型方法相比在精确性和质量性上表现出一定优势，有助于加深对网络高阶结构及功能特性的理解。     

影响社团特性的微观结构因素解耦分析

现有的网络微观结构对社团特性影响的定性和定量分析,方法上还没有通用可靠的框架,实验数据集一般较小,说服力不强,此外也没有充分拆解各因素之间的耦合性。在定性分析上,采用基于零模型和“显著性检验”的微观结构对社团特性影响的分析方法,对各种类型网络进行了社团结构显著性检测,实现了微观结构对社团特性影响的质性分析。在定量分析上,提出基于零模型和“中介效应分析”的微观结构对社团特性影响的分析方法,将已知社团结构显著性类型网络的原始网络与零模型或零模型与零模型间模块度值作差,剔除微观结构对社团特性的作用,量化出不同社团结构显著性类型网络的不同阶数网络微观结构对社团特性的贡献程度。该文使用社交生物、科技、交通、经济、信息等不同规模的550个实证网络进行实验分析,全面深入分析了微观结构对社团特性产生的作用,有利于理解社团特性的形成机制。     

基于节点尺度特征的重叠社区检测算法

针对社会网络中重叠社区检测问题,在节点尺度特征下量化社区结构,用这些特性更易界定社区划分。利用合理假设来量化节点尺度的期望值,基于节点描述符集和谱算法建立算法模型,从而提出一种重叠社区检测算法。该方法允许节点同时属于多个社区,在社区重叠时同样可行。通过计算验证,算法对于整体边缘密度都有效。在2类网络中实验的结果表明,该算法在重叠社区检测中性能稳定、准确性高,能适用于目标特定的社区概念。     

基于自适应差分演化算法的动态社区发现问题研究

动态社区结构的发现问题已经成为复杂网络中重要的研究方向,其发现算法是一个十分关键的核心问题.为了提高对社区结构进行发现的准确度,提出一种基于差分演化思想的自适应调整差分演化动态社区发现算法.该算法通过最大化当前时间快照上聚类质量和最小化相邻快照间社区演化开销,得到以相邻时刻间网络结构差异度最小化的优化目标.使用自适应调整差分演化算法对人工动态网络实施有效划分,实验结果表明,该算法不仅收敛速度快,而且能够降低复杂网络中的社区结构发现的错误率.     

电力网络结构特性分析

为获得电力网络结构的本质特性,对IEEE标准测试电网和一系列规模不等、发展历程不同、建设水平各异的实际电网,进行复杂网络典型特性分析和结构脆弱性的模拟仿真。分析电力网络节点度数在对数坐标和半对数坐标下的分布特性;探求电力网络特征路径长度、聚类系数的统计特性及与网络规模之间的关联关系;基于凝聚算法考察电力网络不同模型下的模块度。所分析的电网不具无标度特性,小世界特性与网络规模相关,而社团特性明显,表明社团特性是电力网络普适的结构特性。以负荷节点可连接的电源节点比例衡量电力网络的整体性能,考察社团间联络线遭蓄意攻击时网络性能的变化。所分析电网均表现出脆弱性,进一步验证对电力网络结构特性实证分析的结论。     

基于进化计算的贝叶斯网络结构复合学习算法

提出一种贝叶斯网络结构复合学习算法.该算法将EM算法、蒙特卡罗抽样算法、进化算法结合起来,用EM算法、蒙特卡罗抽样算法将不完整的数据集转换成完备的数据集,再利用进化算法进化网络结构.这种算法能够克服EM算法容易陷入局部最大值的缺陷,对于缺省数据处理是基于后验网络的,网络结构随进化计算不断优化,得到的补充数据可信度比较高,网络学习效率高、运算性能好.     

电力网络结构特性分析

为获得电力网络结构的本质特性,对IEEE标准测试电网和一系列规模不等、发展历程不同、建设水平各异的实际电网,进行复杂网络典型特性分析和结构脆弱性的模拟仿真。分析电力网络节点度数在对数坐标和半对数坐标下的分布特性,探求电力网络特征路径长度、聚类系数的统计特性及其与网络规模之间的关联关系,基于凝聚算法考察电力网络不同模型下的模块度。所分析的电网不具有无标度特性,小世界特性与网络规模相关,而社团特性明显,表明社团特性是电力网络普适的结构特性。以负荷节点可连接的电源节点比例衡量电力网络的整体性能,考察社团间联络线遭蓄意攻击时网络性能的变化。所分析的电网均表现出脆弱性,进一步验证了社团特性是电力网络结构普适的特性这一结论。     

基于拓扑控制的异类无线传感器网络分簇算法研究

随着传感器网络的发展,如何减小传感器网络的能量消耗、延长使用寿命已经成为传感器网络结构设计的一个重要问题．研究表明采用分簇结构以及对网络进行适当的拓扑控制可以提高能量利用效率．该文将簇构造方法与拓扑控制结合起来,针对网络具有不同节点,即每个节点具有不同的最大能量传输范围的情况,提出了一种针对异类无线传感器网络,利用局部拓扑控制算法进行优化的分簇算法．实验结果表明了运用该算法的有效性．     

CMAC神经网络结构参数及其结构优化的研究

CMAC神经网络具有学习算法简单、收敛速度快、局域泛化等优点,被广泛应用于机器人控制、信号处理、模式识别以及自适用控制等领域。但是网络的训练过程需要大量的存储单元,最优结构参数的选取是CMAC网络设计中一个重要问题。文中通过对函数逼近问题的研究,说明了量化精度和泛化参数如何影响网络对函数的逼近质量。仿真结果表明,通过对结构参数的调整,可以达到最小的逼近误差。而通过对网络结构的优化不但可以节约网络的训练时间而且可以大幅度减少存储单元的数量。     

基于模体的汽车行业站点网络复杂性测度

为了研究大规模网络结构复杂性测度方法,并针对汽车行业站点网络布局与结构功能优化提出对策,基于万维网页面链接数据,构建汽车行业站点网络拓扑结构图.借助VOSviewer聚类算法及Gephi检测并划分网络社团结构,解析基于主题搜索的汽车行业站点内容分类体系及功能结构,并利用Pajek验证各内容社团结构的小世界性,基于Rand-ESU算法检测各社团的模体结构,提出基于模体的网络结构熵算法测度各社团的复杂性.最后,得出汽车行业站点网络社区中模体结构具有同构性,导致社区结构的信息传播功能具有相似性,模体规模与模体信息传播途径多样化对网络结构复杂性影响的显著性较高.     

Revealing of the hierarchy community of the complex network by decomposition multi-objective optimization

A new algorithm for community detection of complex networks is proposed. The problem of community detection is considered as multi-objective optimization problem. Tradeoff among multi-objectives realizes the detection of the community structure in a wider spread space, the disadvantages of the traditional single optimization algorithm is overcome. The MOEA/D framework is adopted and the Tchebycheff decomposition technique is used. A simulated annealing based weighted-sum method is used to perform local search which can expand the search scope, and not easily fall into local optimal solution. Finally, simulation experiments are done to test the algorithm using artificial and reality networks. The results show that, compared with existing algorithms, the algorithm has a higher detection accuracy and a small amount of computation, and can reveal the hierarchy community structure of the complex network by Pareto optimal solutions.     

无权网络零模型的构造及应用

静态无权网络是目前最常见的复杂网络形式，这种网络零模型也被研究得最广泛和最深入。该文将无权网络分成无权无向网络和无权有向网络两种形式，分别研究了这两类网络的零模型构造及应用，其中重点是无权无向网络。首先根据不同阶数随机图理论阐述了无权无向网络由低到高各阶零模型的定义，然后描述了使用ER随机图、配置模型和基于断边重连等方式构造各阶零模型的过程及相关应用。针对断边重连这种最重要的零模型构造方式，论述了无倾向性断边重连、有倾向性同配或异配断边重连，以及检测网络是否具有富人俱乐部性质的局部断边重连等构造方式，并且首次将高阶零模型扩展到社团检测等网络中尺度特性的分析中。最后，阐述了无权有向网络1阶零模型的构造以及如何基于该零模型检测网络中存在的出入度匹配特性。该文发现网络零模型能为实证无权网络提供一个准确的基准，结合网络的统计量指标定性和定量地描述出实际复杂网络的非平凡特性以及这种非平凡特性的程度及来源。     

小世界效应加速生物地理学优化的社团识别算法

为提高基于优化方法的网络社团结构识别算法的有效性,设计一种利用小世界效应加速生物地理学优化过程的网络社团结构识别算法. 首先基于矩阵随机编码建立网络社团识别生物地理学优化框架,在栖息地中全局进化地搜索对应于最大化模块度的网络社团划分. 然后,给出基于小世界效应的生物地理学迁移策略,可以加速进化算法的信息交换过程. 最后,运用该算法在现实网络和人工合成网络上进行实验. 结果表明:引入小世界效应能够降低网络社团结构识别算法的收敛时间;在典型现实网络与人工合成网络上运行该算法能够获得较高的模块度值与标准化互信息值;信息交换的拓扑结构能够优化进化算法效率. 应用小世界效应加速生物地理学优化的网络社团识别算法具有较好的可行性与有效性.     

密度峰值聚类的自适应社区发现算法

为减少社区发现算法中参数的选择对社区划分的影响,同时使算法能够自适应地进行社区划分,本文提出一种基于核密度估计的密度峰值聚类的社区发现算法KDED.首先,定义一种基于信任度的距离度量,将社交网络中的用户关系量化为距离矩阵,使用矩阵元素的大小度量用户关系的紧密程度;然后对距离矩阵进行核密度估计,统计各个节点在网络中的影响大小,结合热扩散模型改进计算流程,使其自适应不同规模的数据集以提高计算精度;结合密度峰值聚类原理和社区属性确定社区中心节点后,可根据节点间的距离得到社区内部层次结构和社区外部的自然结构;最后将剩余节点按距离分配到相应的社区当中以完成社区划分.仿真结果表明:通过可视化软件可观察到,通过KDED算法得到的社区划分结果具有清晰的自然结构和内部层次结构;随着社区规模的提升以及划分难度增加,KDED算法具有出色的稳定性;在真实数据集以及LFR基准网络上均得到较为接近真实划分结果的社区划分,自适应性良好,验证算法的可行性与有效性.     

结合概率矩阵的改进谱聚类社区发现算法

针对目前谱聚类算法的相似图包含较多错误社区信息的问题,引入了概率矩阵的概念,提出了一种改进的谱聚类社区发现算法。该算法首先利用马尔可夫过程计算节点间的转移概率,并基于转移概率构建复杂网络的概率矩阵;然后以均值概率矩阵重新构造相似图;最后通过优化归一化切割函数实现社区划分。采用人工网络和现实网络与其他典型算法进行对比实验,实验结果表明,该算法能够更加精准地划分社区,具有更加良好的聚类性能。     

基于人工免疫的入侵检测改进模型研究

在前人提出的基于人工免疫的入侵检测模型的基础上,加入了抗体精度匹配阀值和粗糙匹配频度阀值以改进其算法中对于self—nonself的判断处理方法,使得对于正常的突发性网络事件也可以进行合理的判断,从而加强了对网络事件检测的灵活性,并提出了改进后的入侵检测与防御体系模型．最后通过仿真测试,证明本模型在对突发性网络事件判断的灵活性、合理性和可行性,优于前人的基于人工免疫的入侵检测模型．     

Unsupervised Feature Selection Using Structured Self-Representation

基于结构化自表达的无监督特征选择方法

刘彦北1, 刘开华1 ,王啸² ,张长青³ ,唐先超³

（1．天津大学 电子与信息工程学院,天津 300072;

2. 清华大学 计算机科学与技术系, 北京 100084;

3. 天津大学 计算机科学与技术学院,天津 300072）

创新点说明：

1） 将数据特征的局部结构信息引入到特征自表达模型中,使得选取的特征更具有代表性;

2） 提出一种简单而有效的算法以优化所提目标函数。

摘 要：

在机器学习中,面对大量的高维的无标记数据,无监督特征选择已经成为一个重要且具有挑战性的问题。同时考虑数据特征的自表达属性和局部结构信息,提出一种新颖的结构化自表达的无监督特征选择方法。具体地讲,采用数据特征的固有自表达属性,可以选择代表性的特征。同时,为了提高选取的准确性,探索了局部结构信息约束,使得特征相近则特征之间的表达系数也相近。此外,提出一个有效的算法以优化所提目标函数。最后,一个合成数据集和六个实际数据集（包括生物医学数据,数字字母识别数据和图像数据）上的实验结果表明,相比于目前的主流算法,本文所提算法具有优越性。

关键词：无监督特征选择;局部结构;自表达属性;高维数据

     

基于边分类的SVM模型在社区发现中的研究

社区发现是复杂网络研究的重要内容,也是分析网络结构的重要途径。分析了社区发现研究中存在的问题,提出了一种基于边分类的SVM模型。通过边顶点相似度和边介数来表示边的特征,从而构造分类函数。利用LFR生成社区结构已知的人工网络,通过人工网络数据训练基于边分类的SVM模型,对分类函数的参数进行估计,利用训练模型对真实网络进行社区分类并通过标准化互信息(NMI)和整体准确度来评价分类效果。实验得到了较高的整体准确度和NMI值。实验表明基于边分类的SVM训练模型对真实网络数据的社区划分有较高的准确度,表明该方法是可行的。     

重叠社区结构的挖掘算法

针对大多数社区挖掘算法致力于寻找独立不相重叠的社区结构,而实际的网络中,社区结构往往是重叠的问题。基于凝聚方法和贪婪算法原理,提出了一种新的算法来挖掘社会网络中彼此重叠的社区结构。在模拟数据集和标准测试数据集上的实验结果表明了算法的可行性和有效性。     

寻找复杂网络社团的稠密集算法

通过引入稠密集的概念,该文提出了一种基于稠密集的寻找复杂网络中社团结构的算法.算法的主要思想是在网络中不断构思稠密集,并判断后生成的稠密集能否导致产生一个新社团,还是将其与一个已有的社团合并.利用该算法可以将具有明显社团结构的网络进行比较合理的划分.在一般情况下,该算法的复杂度约为O(n+m),对于稀疏网络的时间复杂度...