声明
摘要
第一章 绪论
1.1 研究背景与意义
1.2 研究概况
1.3 主要研究内容
1.4 论文组织结构
第二章 社区检测理论基础
2.1 复杂网络相关基础
2.1.1 复杂网络的描述方式
2.1.2 平均路径长度与节点度
2.1.3 集聚系数
2.1.4 小世界性质
2.1.5 无标度性
2.2 社区检测的相关基础
2.2.1 社区的定义及评价标准
2.2.2 社区检测的经典算法
2.3 最小生成树算法
2.3.1 最小生成树定义
2.3.2 最小生成树算法
2.4 本章小结
第三章 基于启发式距离矩阵的社区检测
3.1 启发式距离矩阵
3.1.1 边介数
3.1.2 距离矩阵的创建
3.1.3 无叶子结构的距离矩阵
3.2 算法具体步骤
3.3 仿真实例
3.4 本章小结
第四章 基于最小生成树的社区检测
4.1 聚类算法的启发
4.2 距离矩阵改进
4.3 社区检测具体算法
4.3.1 二层MSTs
4.3.2 基于二层MST算法
4.4 仿真
4.4.1 社会网络
4.4.2 模块度最大化无法正确检测出社区的网络
4.4.3 LFR社区检测基准网络
4.5 本章小结
第五章 基于分水岭-最小生成树的图像分割
5.1 图像分割的研究背景和意义
5.1.1 研究背景
5.1.2 图像分割研究意义
5.2 图像分割的定义和分水岭算法
5.2.1 定义
5.2.2 分水岭算法
5.3 小波能量特征
5.4 相似性矩阵
5.5 图像分割具体步骤
5.6 具体仿真
5.6.1 简单自然图像
5.6.2 复杂自然图像
5.7 本章小结
第六章 总结与展望
6.1 本文工作总结
6.2 工作展望
致谢
参考文献
研究生在读期间研究成果