基于動力學(xué)的符號網(wǎng)絡(luò)社區(qū)檢測.pdf

1、隨著人類社會的不斷發(fā)展,復(fù)雜網(wǎng)絡(luò)理論知識越來越廣泛的應(yīng)用到社會的各個領(lǐng)域。在復(fù)雜網(wǎng)絡(luò)研究中,網(wǎng)絡(luò)拓?fù)鋵W(xué)拓展了人們對復(fù)雜系統(tǒng)的認(rèn)識,而網(wǎng)絡(luò)動力學(xué)則更深入地刻畫了復(fù)雜系統(tǒng)的本質(zhì)。
　　本文在對社區(qū)檢測算法進(jìn)行廣泛研究的基礎(chǔ)上,從網(wǎng)絡(luò)動力學(xué)的角度提出一種符號網(wǎng)絡(luò)社區(qū)檢測方法。該方法使用改進(jìn)的Kuramoto模型,基于振蕩器相位同步原理,通過微分方程的并行處理方式使節(jié)點(diǎn)相位快速進(jìn)行更新并達(dá)到同步,根據(jù)各個節(jié)點(diǎn)穩(wěn)定時的相位,可快速有效地檢測

2、出符號網(wǎng)絡(luò)的各個社區(qū)和社區(qū)間的重疊節(jié)點(diǎn)。同時,基于網(wǎng)絡(luò)中節(jié)點(diǎn)相位的動力學(xué)演化結(jié)果,我們提出了一種新的鏈路預(yù)測方法,并通過實(shí)驗(yàn)與傳統(tǒng)算法進(jìn)行了對比?，F(xiàn)將全文的內(nèi)容總結(jié)如下:
　　(1)符號網(wǎng)絡(luò)的振蕩器相位同步。本章中提出了改進(jìn)了的 Kuramoto模型,引入了負(fù)耦合強(qiáng)度,根據(jù)符號網(wǎng)絡(luò)社區(qū)內(nèi)部節(jié)點(diǎn)正向鏈接稠密,鄰接矩陣中對應(yīng)元素多數(shù)為1,作用的正耦合系數(shù)較多,優(yōu)先使社區(qū)內(nèi)部的節(jié)點(diǎn)的相位趨于同步;而不同社區(qū)之間節(jié)點(diǎn)負(fù)向鏈接稠密,鄰接矩陣

3、中對應(yīng)元素多數(shù)為-1,作用的負(fù)耦合系數(shù)較多,使不同社區(qū)的節(jié)點(diǎn)相位相互遠(yuǎn)離。這樣就使得符號網(wǎng)絡(luò)中同一個社區(qū)內(nèi)的節(jié)點(diǎn)的相位聚集,形成一個同步組,而不同社區(qū)間的節(jié)點(diǎn)的相位分離。通過這種網(wǎng)絡(luò)動力學(xué)行為,符號網(wǎng)絡(luò)節(jié)點(diǎn)的相位會被分為幾個不同的同步簇。
　　(2)基于網(wǎng)絡(luò)動力學(xué)的符號網(wǎng)絡(luò)社區(qū)檢測。第一,根據(jù)上一章的推斷,利用了振蕩器的相位同步原理,符號網(wǎng)絡(luò)最終會形成幾個同步簇,每個同步簇即是符號網(wǎng)絡(luò)的一個社區(qū),符號網(wǎng)絡(luò)通過這種聚類機(jī)制最終會被劃

4、分為幾個社區(qū)。為了驗(yàn)證我們提出的方法的可行性與準(zhǔn)確性,我們對幾個有代表性的符號網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn),最終證明此方法是一種高效,準(zhǔn)確的方法。第二,提出了針對加權(quán)符號網(wǎng)絡(luò)社區(qū)檢測模型,并對典型的加權(quán)符號網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn),驗(yàn)證了方法的可行性和有效性。第三,將基于網(wǎng)絡(luò)動力學(xué)的符號網(wǎng)絡(luò)社區(qū)檢測方法與FEC算法在計算機(jī)產(chǎn)生網(wǎng)絡(luò)中進(jìn)行了對比,得出我們算法的檢測效果是優(yōu)于FEC算法的,然后總結(jié)了算法的正負(fù)耦合系數(shù)對符號網(wǎng)絡(luò)社區(qū)檢測效果的影響。
　　(3)基于