注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 常见复杂网络网络模型的实现代码

  2. 该程序可以生成无标度网络，并可以计算网络的度分布及聚集系数．复杂网络 complex network基本参数计算 边权重计算 根据定义不同 可以选择不同的计算方法可变聚类无标度网络源代码

  3. 所属分类：网络基础

    • 发布日期：2010-03-10
    • 文件大小：10kb
    • 提供者：plmoknhlg

  1. 基于K_means聚类算法的复杂网络社团发现新方法.pdf

  2. 基于K_means聚类算法的复杂网络社团发现新方法

  3. 所属分类：其它

    • 发布日期：2011-07-27
    • 文件大小：439kb
    • 提供者：sunshine_fang

  1. Cluster Coefficient

  2. 特别好的求复杂网络聚类系数的方法，这个纯粹是自己编的，完全按照定义，逻辑非常好，求取结果正确，是m文件，需要用matlab运行。

  3. 所属分类：PHP

    • 发布日期：2013-12-19
    • 文件大小：1kb
    • 提供者：alice904

  1. 复杂网络聚类方法

  2. 网络簇结构是复杂网络最普遍和最重要的拓扑属性之一,具有同簇节点相互连接密集、异簇节点相互连 接稀疏的特点.揭示网络簇结构的复杂网络聚类方法对分析复杂网络拓扑结构、理解其功能、发现其隐含模式、预 测其行为都具有十分重要的理论意义,在社会网、生物网和万维网中具有广泛应用.综述了复杂网络聚类方法的研 究背景、研究意义

  3. 所属分类：其它

    • 发布日期：2015-01-21
    • 文件大小：1mb
    • 提供者：jlumarvin

  1. 一种改进的加权复杂网络聚类方法

  2. 在复杂网络聚类中，为了克服聚类结果局部收敛和对多维数据聚类效果差的缺点，通过对复杂网络聚类方法 的应用分析，将ＮＪＷ 算法和粒子群聚类算法应用到加权复杂网络簇结构的探测中，设计和实现了一种改进的加权复 杂网络聚类方法

  3. 所属分类：其它

    • 发布日期：2015-01-21
    • 文件大小：656kb
    • 提供者：jlumarvin

  1. 复杂网络聚类方法

  2. 网络簇结构是复杂网络最普遍和最重要的拓扑属性之一,具有同簇节点相互连接密集、异簇节点相互连 接稀疏的特点.揭示网络簇结构的复杂网络聚类方法对分析复杂网络拓扑结构、理解其功能、发现其隐含模式、预 测其行为都具有十分重要的理论意义,在社会网、生物网和万维网中具有广泛应用

  3. 所属分类：讲义

    • 发布日期：2015-11-09
    • 文件大小：1mb
    • 提供者：qq_32669813

  1. 高能核碰撞中的方位各向异性：一种基于复杂网络分析的方法

  2. 近来，已经应用基于复杂网络的可见性图的方法来确认多重波动过程中的无标度和分形特性的存在。 分析从强子-核和核-核相互作用的实验中获得的数据，得出从可见度图中提取的可见度图的无标度功率（PSVG）参数值。 在此，通过扩展可见性图方法并从图中提取重要聚类参数之一的平均聚类系数，分析了相对论性核-核相互作用数据以检测方位各向异性。 利用该参数分析与围绕中央伪快速度值的不同伪快速度区域相对应的方位角分布。 在这里，我们尝试将这种系数相对于复杂网络系统的常规物理意义与粒子生成现象学的一些基本概念（如聚类和

  3. 所属分类：其它

  1. 复杂网络研究二.docx

  2. 现在，我们将介绍推导和理解正文中给出的方法的背景和理论。我们将首先回顾图的拉普拉斯变换和图中顶点集的切割和体积度量。然后我们在S1.2节定义了网络母题，并将裁剪和体积的概念推广到母题上。我们的新理论在S1.6节中给出，然后我们总结了该方法的一些扩展。最后，我们将我们的方法与现有的有向图聚类和超图划分方法相关联。

  3. 所属分类：算法与数据结构

    • 发布日期：2019-06-30
    • 文件大小：3mb
    • 提供者：cc_aibiancheng

  1. Python利用邻接矩阵绘制复杂网络图并分析网络基本拓扑特征

  2. 利用python载入邻接矩阵绘制网络图，基于python语言的特点，对邻接矩阵加以处理后再进行应用，即将邻接矩阵去除第一列（节点序号列），复杂网络的基本拓扑结构可以用图论的方法表示成G =(V，E)，V中元素称为节点或顶点，E中元素称为边。在图论框架下, 可用不同的全局参量来表示复杂网络的特征, 最基本特征包括度分布 P(k)和聚类系数C。

  3. 所属分类：Python

    • 发布日期：2020-07-12
    • 文件大小：2kb
    • 提供者：FGH333xwy

  1. 一种基于改进K-means算法的网络流量分类方法

  2. 针对网络流量分类识别系统尤其是实时识别系统对实现复杂度和分类准确率的要求，提出一种复杂度和准确率的折中方案。通过基于密度的思想对K-means算法随机选取初始聚类中心这一关键缺陷进行改进，以及引入聚类有效性判别准则函数确定最终聚类个数实现对算法的全面优化，进而提出基于改进K-means算法的网络流量分类方法，在兼顾K-means算法简单易实现、分类快速特点的同时，提高了分类的准确率。在公开的权威网络流量数据集上的实验表明，与普通K-means方法相比，该方法在网络流量分类方面具有更高的分类准确率

  3. 所属分类：其它

    • 发布日期：2020-10-16
    • 文件大小：548kb
    • 提供者：weixin_38609247

  1. 基于局部信息的复杂网络社团结构发现算法

  2. 发现网络中的社团结构有助于更好地理解网络结构和分析网络属性。通过定义边的聚类系数和基于局部信息的方法，提出了一种寻找复杂网络中社团结构的算法。该算法首先在网络的剩余节点中寻找度最大的节点，然后利用该节点的局部信息、边的聚类系数和凝聚的思想，得到复杂网络的社团结构。在两个典型网络上的测试结果表明了该方法的可行性。

  3. 所属分类：其它

    • 发布日期：2020-10-20
    • 文件大小：326kb
    • 提供者：weixin_38514523

  1. 复杂网络社区挖掘——改进的层次聚类算法

  2. 社区挖掘算法研究是复杂网络分析领域的热点问题。传统层次聚类算法在复杂网络社区挖掘过程中，需要计算所有顶点对之间的相似度。针对这一缺点，在详述了常见相似度计算方法和顶点重要性度量方法的基础上，将ego角色的探测过程引入层次聚类算法，而后只计算其他顶点与ego顶点之间的相似度，提高了社区挖掘效率。最后在不同类型的现实网络中验证了算法的有效性。

  3. 所属分类：其它

    • 发布日期：2020-10-20
    • 文件大小：444kb
    • 提供者：weixin_38558623

  1. 基于随机聚类采样算法的复杂网络社团探测

  2. 根据网络节点的局部拓扑信息构建稀疏相似网络。基于稀疏相似网络,提出了一种改进后的随机聚类采样算法对网络社团进行探测。在人工和真实网络上,将算法与未改进的随机聚类采样算法以及几种典型的社团探测算法进行了准确率和时间复杂度的比较。实验结果表明,该方法在时间复杂度上具有明显的优势,并且具有较好的准确率。

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：382kb
    • 提供者：weixin_38625048

  1. JLMC：基于拉普拉斯矩阵的约旦形式的聚类方法

  2. 在当前的复杂网络聚类算法中，基于拉普拉斯算子的谱聚类算法具有严格的数学基础和较高的精度。 但是，由于它们依赖于先验知识（例如集群数），因此其应用受到限制。 对于大多数应用场景，很难获得预先群集。 为了解决这个问题，我们提出了一种新颖的聚类算法-基于拉普拉斯矩阵的聚类算法（JLMC）的乔丹形式。 在JLMC中，我们提出了一个模型，该模型基于复杂网络中相应拉普拉斯矩阵的Jordan形式来计算簇的数量（n）。 JLMC通过使用我们建议的模块化密度函数（P函数）将网络分为n个集群。 我们对真实和综合数据

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：321kb
    • 提供者：weixin_38735899

  1. 基于节点核心影响的复杂网络聚类新算法

  2. 在复杂的网络中，由节点的异构性标识的集群结构已成为一种常见且重要的拓扑属性。 因此，网络聚类方法对于研究复杂网络具有重要意义。 当前，许多典型的聚类算法都有一些缺点，例如不准确和收敛缓慢。 在本文中，我们通过计算节点的核心影响力提出了一种聚类算法。 聚类过程是对社会学中聚类形成过程的模拟。 该算法通过节点之间的中心性来检测具有核心影响的节点，并通过判别函数构建集群的核心结构。 接下来，通过优化方法对网络中的其余节点进行聚类后，该算法将获得最终的聚类结构。 在不同数据集上的实验表明，该算法的聚类精

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：896kb
    • 提供者：weixin_38729685

  1. 复杂网络聚类方法

  2. 复杂网络聚类方法

  3. 所属分类：其它

  1. 基于网络聚类选择的神经网络集成方法及应用

  2. 摘要：面向农作物精准施肥量确定问题,提出一种基于复杂网络聚类选择的神经网络集成方法。在该方法中,首先采用回放取样方法来生成多个神经网络个体,其次利用网络聚类算法FEC从这些神经网络个体集中选出部分个体,再次对选出的神经网络个体分别用线性加权方法和非线性方法进行集成,最后对两个集成结果进行融合得到预测结果。于2008年在吉林省榆树玉米试验田七号地对该方法进行了应用。实验结果表明：该方法不仅优于传统的施肥模型、神经网络线性加权集成和神经网络非线性集成方法,而且还具有较强的泛化能力。

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：703kb
    • 提供者：weixin_38570278

  1. 复杂网络簇结构探测——基于随机游走的蚁群算法

  2. 摘 要: 网络簇结构是复杂网络最普遍和最重要的拓扑属性之一,网络聚类问题就是要找出给定网络中的所有类簇.有很多实际应用问题可被建模成网络聚类问题.尽管目前已有许多网络聚类方法被提出,但如何进一步提高聚类精度,特别是在没有先验知识(如网络簇个数)的情况下如何发现合理的网络簇结构,仍是一个未能很好解决的难题.针对该问题,在马尔可夫随机游走思想的启发下,从仿生角度出发提出一种全新的网络聚类算法——基于随机游走的蚁群算法 RWACO.该算法将蚁群算法的框架作为 RWACO

  3. 所属分类：其它

    • 发布日期：2021-02-21
    • 文件大小：824kb
    • 提供者：weixin_38733875

  1. 基于Laplace矩阵Jordan型的复杂网络聚类算法

  2. 在目前复杂网络聚类算法中，基于Laplace特征值的谱聚类方法具有严密的数学理论和较高的精度，但受限于该方法对簇结构数量、规模等先验知识的依赖，难以实际应用。针对这一问题，基于Laplace矩阵的Jordan型变换，提出了一种先验知识的自动获取方法，实现了基于Jordan矩阵特征向量的初始划分。基于Jordan型特征值定义了簇结构的模块化密度函数，并使用该函数和初始划分结果完成了高精度聚类算法。该算法在多个数据集中的实验结果表明，与目前主流的Fast-Newman算法、Girvan-Newman

  3. 所属分类：其它

  1. 基于Laplace矩阵Jordan型的复杂网络聚类算法

  2. 在目前复杂网络聚类算法中，基于 Laplace 特征值的谱聚类方法具有严密的数学理论和较高的精度，但受限于该方法对簇结构数量、规模等先验知识的依赖，难以实际应用。针对这一问题，基于Laplace矩阵的Jordan型变换，提出了一种先验知识的自动获取方法，实现了基于Jordan矩阵特征向量的初始划分。基于Jordan型特征值定义了簇结构的模块化密度函数，并使用该函数和初始划分结果完成了高精度聚类算法。该算法在多个数据集中的实验结果表明，与目前主流的Fast-Newman算法、Girvan-Newm

  3. 所属分类：其它

« 12 3 4 »