检索结果-南通市图书馆

作者：南东洋天津大学

学位级别：硕士

现实世界的许多复杂系统可以抽象为复杂网络,社团结构是复杂网络的一个重要性质。研究社团结构对于理解复杂网络的拓扑结构与功能特性具有重要意义。真实的网络结构通常比较稀疏,部分网络的社团结构不够明晰。现有的社团检测算法大多只... 详细信息

现实世界的许多复杂系统可以抽象为复杂网络,社团结构是复杂网络的一个重要性质。研究社团结构对于理解复杂网络的拓扑结构与功能特性具有重要意义。真实的网络结构通常比较稀疏,部分网络的社团结构不够明晰。现有的社团检测算法大多只考虑网络拓扑,在处理稀疏网络和模糊社团时具有局限性。网络中未被充分利用但广泛存在的节点属性与半监督信息,可有效地弥补结构信息的不足。因此本文融合节点属性与半监督信息,对社团检测算法进行研究。主要工作如下:首先,提出了一种融合节点属性的半监督社团检测算法（SCDAN）,基于非负矩阵分解模型,将网络拓扑、节点属性与半监督信息有效地融合在统一的目标函数中,实现了结构与内容信息、半监督与属性信息的互补。其次,推导出目标函数对应的更新规则,利用KKT条件优化目标函数,进而得到较为准确的社团检测结果。并用实验验证了网络结构、节点属性与半监督信息三者均对社团检测结果有不同程度的提升。最后,在真实数据集上对模型进行验证,与多种对比算法进行比较分析,证明SCDAN算法在社团检测的准确度和稳定性上具有优越性。并且该算法可获得社团的具体属性,对社团的真实语义进行解释。另外研究了半监督信息的比例对社团检测结果的影响,同时对实验参数进行了敏感性分析。最后利用Aminer数据集进行实证分析,提取社团语义信息,探究生物方面几个子领域各自的研究重点与研究兴趣,为研究者进行科研活动提供参考。综上,本文基于非负矩阵分解模型,提出了融合属性信息的半监督社团检测算法,具有较高准确率与稳定性,可对社团进行语义解释。

关键词：复杂网络社团检测矩阵分解节点属性半监督信息

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

划分聚类算法的改进研究

划分聚类算法的改进研究

引用

作者：郭凯中国石油大学(北京)

学位级别：硕士

K-means算法和模糊C均值算法是经典的基于划分的聚类算法。该类算法简单易懂,易于实现,可以发现具有清晰边界的簇,在现实生活中得到了广泛的应用。然而,该类算法存在明显的局限性,包括初始簇中心的敏感性、聚类过程中容易陷入局部最优... 详细信息

K-means算法和模糊C均值算法是经典的基于划分的聚类算法。该类算法简单易懂,易于实现,可以发现具有清晰边界的簇,在现实生活中得到了广泛的应用。然而,该类算法存在明显的局限性,包括初始簇中心的敏感性、聚类过程中容易陷入局部最优以及对于非线性可分数据集的处理能力较差等,因此对现有基于划分聚类算法的改进具有较强的研究价值和意义。本文开展了如下工作:(1)通过引入模糊集理论,结合粒计算方法,提出了模糊邻域粒K-means(Fuzzy Neighborhood Granular K-means,FNGK-means)聚类算法,在样本空间对每个样本进行模糊邻域粒化得到模糊邻域粒,使得每个样本都具有全局性,提高了算法在非线性可分数据集上的聚类效果和收敛速度,同时用样本间的隶属度作为邻域关系,降低了异常点的影响。然后根据模糊邻域粒向量的大小和形式提出了新的模糊邻域粒的距离度量方法。此外,算法结合K近邻思想定义了邻域阈值的度量方式,对任意数据集自适应地生成邻域阈值,客观地考虑了数据集规模的大小,减小了人工选取邻域阈值的主观影响。最后,在UCI和人工合成数据集上进行仿真实验,实验结果证明了FNGK-means聚类算法的有效性和可行性。(2)提出了结合密度峰值和自适应权重的半监督的抑制可能性C均值(Combining Density Peak and Adaptive Weighting for Semi-supervised Suppressed Possibilistic C-means,AW-SS-DSPCM)聚类算法。首先在密度峰值聚类算法中引入密度参数代替决策图求解抑制可能性C均值(Suppressed Possibilistic C-means,SPCM)聚类算法的初始簇中心,然后在SPCM聚类算法的基础上,引入半监督信息,使用带标签的样本指导聚类过程,降低了算法在样本类别不均衡数据集上簇中心的偏移程度。最后,通过引入自适应权重信息,根据聚类过程中样本的分布状态,得到样本对每个类别的权重值,减小了对典型值矩阵和初始簇中心的依赖程度,防止算法陷入局部最优,提高了算法的收敛速度。在UCI和人工合成数据集上的实验证明了该算法的先进性。(3)基于Python语言设计开发了数据聚类系统,包含了四种类型的聚类算法,并提供了可视化的聚类结果,使聚类算法的应用更加方便且易于操作。

关键词：模糊邻域粒隶属度邻域阈值半监督信息自适应权重信息

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

半监督平衡化模糊C-means聚类

引用

云南民族大学学报（自然科学版） 2019年第3期28卷 278-284页

作者：朱乐为胡恩良云南师范大学数学学院云南昆明650500

传统模糊C-means聚类(FCM,fuzzy C-means)在处理非平衡数据集时,由于相异类中所含样本数量差异较大,导致类间权值不平衡和"均匀效应",从而易产生聚类错误.另外,FCM属于无监督方法,无法更好地利用已知的部分类标记信息引导聚类.为解决这... 详细信息

传统模糊C-means聚类(FCM,fuzzy C-means)在处理非平衡数据集时,由于相异类中所含样本数量差异较大,导致类间权值不平衡和"均匀效应",从而易产生聚类错误.另外,FCM属于无监督方法,无法更好地利用已知的部分类标记信息引导聚类.为解决这两方面问题,提出一种半监督的平衡化模糊C-means聚类(SBFCM,semi-supervised balanced fuzzy C-means)方法.SBFCM在FCM目标函数的基础上加入了对聚类模糊隶属度矩阵的近似正交约束和半监督约束,从而得到了新的聚类目标函数.实验结果表明,相比于FCM,SBFCM能有效缓解由"均匀效应"导致的聚类错误现象,并能有效地利用部分先验类标记信息,从而可获得更好的聚类效果.

关键词：模糊C-means 类不平衡问题正交约束半监督信息聚类纯度

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：