一种机会网络动态社区检测及演化方法研究

摘要

复杂网络中存在着一个重要的特性，即社区特性。机会网络作为复杂网络的一种特殊形式，也具有相似特征节点聚集的现象，即也呈现出了社区结构的特性。由于机会网络是根据节点相遇的机会进行通信的，因此机会网络的拓扑不断在改变，所以社区结构也随着网络拓扑的改变处于不断地变化之中。研究这些动态社区有利于更好地理解网络结构以及更好的利用网络，针对这个问题，本文主要做了以下研究工作：
　　1、从节点间社会联系，关系强度以及亲密度的综合考虑，提出了一种基于亲密度的社区检测方法(CDMI)。该方法首先根据单个周期内节点间的相遇历史信息计算节点间的社会压力指标以及关系强度的值，从而确定相应周期内网络中哪些节点间有边相连。然后计算节点与节点之间、节点与社区间的亲密度。最后根据聚集系数得出种子节点，从种子节点进行局部扩展从而完成社区结构检测。将仿真结果与节点动态归属性算法（NBDE）比较，验证了该方法的准确性与可行性，此外，该方法还能够得到重叠社区结构。
　　2、节点归属性是机会网络中社区研究的一个重要方面，提出一种基于神经网络的节点归属性判断方法。通过将节点间的相遇频率、相遇持续时间、相遇次数作为神经网络的输入向量，不断地调整模型的权值和阀值来进行模型的训练，训练完成后，把新节点组成的向量输入该模型经过网络计算即可得出获胜的神经元，获胜的神经元就代表输入数据的分类，以此即可判断新节点的归属性。在人工数据集LFK基准网络上测试，结果表明，该方法可以有效地判断新节点的归属性。

目录

第一章 绪论

1.1 课题研究背景与意义

1.2 国内外研究现状

1.3 社区发现面临的挑战性问题

1.4 论文主要研究内容

1.5 论文组织结构

1.6 本章小结

第二章 相关研究

2.1 机会网络概述

2.2 相关概念介绍

2.3 动态社区检测算法

2.5 本章小结

第三章 基于亲密度的社区检测算法

3.1 亲密度介绍

3.2 算法总体思路

3.3 算法涉及的几个定义

3.3 基于亲密度的社区检测算法

3.4 本章小结

第四章 新节点归属性判断

4.1 判别模型

4. 2 算法描述

4.3 节点归属性判断

4.4 本章小结

第五章 仿真实验与结果分析

5.1 仿真实验环境

5.2基于亲密度的社区检测算法仿真评估

5.3新节点归属性判断仿真分析

5.4 本章小结

第六章 总结与展望

6.1 本文工作总结

6.2 未来工作展望

参考文献

在校期间发表论文情况

致谢

声明