针对标签传播算法中节点启动顺序和更新标签的随机性造成的结果不稳定问题,提出一种新标签传播算法用于复杂网络社区检测(density peaks and node similarity,DPNS-LPA),包括社区中心的确定和外围节点的标签传播。首先利用大度节点不利...针对标签传播算法中节点启动顺序和更新标签的随机性造成的结果不稳定问题,提出一种新标签传播算法用于复杂网络社区检测(density peaks and node similarity,DPNS-LPA),包括社区中心的确定和外围节点的标签传播。首先利用大度节点不利指标、Jaccard指标和度为1节点的结构特性刻画节点局部相似性指标,并用此指标度量节点间距离和解决最大标签相同时的随机选择;然后引入改进的密度峰值聚类算法寻找社区中心,确定社区数量;最后基于社区中心和外围节点的标签传播,得到最终的社区划分结果。通过人工网络和真实网络上的实验,结果表明标准化互信息、模块度和D-score指标值优于对比算法,所提出的算法可以有效发现复杂网络中的社区结构,且鲁棒性更高。展开更多
针对传统DBSCAN算法可以发现任意形状的聚类簇,但很难选择出合适参数的问题,将快速搜索高密度点的方法应用到轨迹聚类.融合流失量概念,采用Hausdorff距离替代传统的欧式距离,并用轨迹子段代替轨迹中的点,提出一种快速搜索的移动对象高...针对传统DBSCAN算法可以发现任意形状的聚类簇,但很难选择出合适参数的问题,将快速搜索高密度点的方法应用到轨迹聚类.融合流失量概念,采用Hausdorff距离替代传统的欧式距离,并用轨迹子段代替轨迹中的点,提出一种快速搜索的移动对象高密度子轨迹聚类算法(HFDST).HFDST算法通过两个参数theRho和the Delta确定聚类中心,利用递归函数Nearest Neighbor确定其它未被分类的轨迹子段,从而解决了DBSCAN算法因两个参数和M in Lns选取过大或过小而影响聚类结果的问题.在真实移动对象轨迹数据上的大量对比实验结果表明,HFDST算法能够在轨迹子段集中发掘出更多隐藏信息,具有更好的聚类效果和更高的时间效率,并且对参数有很好的鲁棒性.展开更多
文摘针对标签传播算法中节点启动顺序和更新标签的随机性造成的结果不稳定问题,提出一种新标签传播算法用于复杂网络社区检测(density peaks and node similarity,DPNS-LPA),包括社区中心的确定和外围节点的标签传播。首先利用大度节点不利指标、Jaccard指标和度为1节点的结构特性刻画节点局部相似性指标,并用此指标度量节点间距离和解决最大标签相同时的随机选择;然后引入改进的密度峰值聚类算法寻找社区中心,确定社区数量;最后基于社区中心和外围节点的标签传播,得到最终的社区划分结果。通过人工网络和真实网络上的实验,结果表明标准化互信息、模块度和D-score指标值优于对比算法,所提出的算法可以有效发现复杂网络中的社区结构,且鲁棒性更高。
文摘针对传统DBSCAN算法可以发现任意形状的聚类簇,但很难选择出合适参数的问题,将快速搜索高密度点的方法应用到轨迹聚类.融合流失量概念,采用Hausdorff距离替代传统的欧式距离,并用轨迹子段代替轨迹中的点,提出一种快速搜索的移动对象高密度子轨迹聚类算法(HFDST).HFDST算法通过两个参数theRho和the Delta确定聚类中心,利用递归函数Nearest Neighbor确定其它未被分类的轨迹子段,从而解决了DBSCAN算法因两个参数和M in Lns选取过大或过小而影响聚类结果的问题.在真实移动对象轨迹数据上的大量对比实验结果表明,HFDST算法能够在轨迹子段集中发掘出更多隐藏信息,具有更好的聚类效果和更高的时间效率,并且对参数有很好的鲁棒性.
