复杂网络中基于数据场的自适应聚类算法研究徐翠毕业论文答辩.PPT

复杂网络中基于数据场的自适应聚类算法研究 答 辩 人: 徐翠 指导老师: 刘玉华 教授 答辩时间： * 目 录 研究背景与意义 1 基于数据场的自适应聚类算法实现 2 基于数据场的多目标自适应聚类算法实现 3 结论与展望 4 计算机学院 研究背景与意义(1/3) 图论 随机图理论 复杂网络 复杂网络发展史 复杂网络簇结构 簇内的节点边的连接相互紧密，簇之间节点边的连接稀疏 发现网络簇结构的意义 当网络复杂化大规模化，我们就很难通过肉眼识别出网络的簇结构，更难预测其行为和功能 网络簇结构的研究在社会学中的社区探测、生物学中新陈代谢功能的理解、互联网各大功能的区分等领域有着广泛的应用 计算机学院 研究背景与意义(2/3) 复杂网络聚类算法分析 图2.1复杂网络中划分簇结构的聚类算法分类示意图 计算机学院 本文研究内容 提出节点的重要性因子的概念 构造聚类评价函数 引入数据场拓扑势划分簇 引入节点的相似度概念 构造多目标聚类评价函数 研究背景与意义(3/3) 计算机学院 基于数据场的自适应聚类算法实现(1/6) 算法思想 指出网络中心节点的评价指标适用于聚类算法中初始节点的选择，提出了节点重要性因子的概念 利用物理场拓扑势和k-means算法的思想成簇 通过构造合适的聚类评价函数来实现算法的自适应性，解决初始簇结构个数难以抉择的问题 计算机学院 基于数据场的自适应聚类算法实现(2/6) 节点的重要性因子 聚类评价函数的构建 簇内相似度(Similarity Within Clusters) 簇间相似度(Similarity Between Clusters) 聚类评价函数 计算机学院 度中心化 紧密度中心化 互信息中心化 基于数据场的自适应聚类算法实现(3/6) 数据场和势 计算机学院 定义1 场强函数。在数据场中，空间Ω中共有n个对象，令x代表对象所处位置，则在该数据场中x处对象xi 所产生的势为： 定义2势函数。数据场是具有叠加性的，因此，任意数据对象vj?V 的拓扑势可定义为： 基于数据场的自适应聚类算法实现(4/6) 算法实现流程 按照上面的思想对算法进行实现，可以分为7个步骤，其流程图如右图所示 图3.3 本算法流程图 表3-2 本算法与GN算法复杂度比较 算法 复杂度 说明 GN 算法 m为边数，n为节点数 本算法 n为节点个数 计算机学院 基于数据场的自适应聚类算法实现(5/6) 图3.7 本算法与GN算法准确度的曲线图 分析仿真结果可以发现，整体来看，本算法的准确度优于GN算法，且稳定性更好。 仿真结果 算法准确性评估 计算机学院 仿真结果 算法有效性评估 基于数据场的自适应聚类算法实现(6/6) 图3.5 Zachary空手道俱乐部成员关系网络 图 3.6 基于GN算法的聚类结果 图3.7 基于本文算法的聚类结果 计算机学院 基于数据场的多目标自适应聚类算法实现(1/6) 算法思想 引入节点相似度概念来发现核心外围结构的网络簇结构的中心节点 利用物理场和k-means算法的思想划分簇 构造多目标评价函数以发现不同网络的拓扑结构，且对各种聚类评价函数进行一个综合考量 计算机学院 节点相似度的选取 基于数据场的多目标自适应聚类算法实现(2/6) 簇中心节点的选取 多目标聚类函数的构造 当c=1时，规定 。 计算机学院 集合中元素的个数 节点u的邻居节点集合 基于数据场的多目标自适应聚类算法实现(3/6) 算法步骤 Step1 设 core = {c1}(聚类中心节点集合，c1为网络中度最大的节点)， V1=V - core (聚类中心以外的节点集合)，c=2 ； Step2 若|core|≠c， V2=V1 ，转 Step3；否则，转 Step4； Step3 若V2??，则选择节点集合V2中度最大的节点c1 ，V2=V1-{c1}，对于 任何v?core，计算S(c1, v) 的值，若S(c1, v)?且S(c1) ?，则将c1作 为一个聚类中心：core=core ?{c1} ，V1=V1 - {c1}，否则转Step7； 计算机学院 基于数据场的多目标自适应聚类算法实现(4/6) Step4 计算集合core中c个节点对集合V1中节点i的影响度，若存在两个中心 节点对某节点i的影响度值相等或小于?，则将该节点i加入到 Temp集中，否则将节点i加入影响度值最大的中心节点j所在的簇中； Step5 若Temp?? ，计算与节点i (i? Temp )相连的d(i) (d(i)为节点的度数)个 节点与集合core中c个节点的势函数之和，并将节点i 加入到势值影 响最大的core中的