复杂网络图中高密度子图检测方法与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 基于子图计算的方法 | 第15-16页 |
| 1.2.2 基于节点聚类的方法 | 第16-17页 |
| 1.3 本文主要工作及创新点 | 第17页 |
| 1.4 论文结构安排 | 第17-20页 |
| 第二章 问题形式化描述 | 第20-28页 |
| 2.1 问题的描述 | 第20-21页 |
| 2.2 已有算法的求解 | 第21-27页 |
| 2.2.1 子图计算方法 | 第21-24页 |
| 2.2.2 聚类方法 | 第24-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于图分割的k-边连通子图检测 | 第28-38页 |
| 3.1 图分割模型 | 第28-30页 |
| 3.1.1 相关概念 | 第28页 |
| 3.1.2 最小割模型 | 第28-30页 |
| 3.2 基于图分割的k-边连通子图计算 | 第30-37页 |
| 3.2.1 算法思想 | 第30-32页 |
| 3.2.2 算法正确性 | 第32-34页 |
| 3.2.3 算法描述 | 第34-36页 |
| 3.2.4 算法运行时间复杂度分析 | 第36页 |
| 3.2.5 近似算法 | 第36-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 基于同步动力学模型的社团检测 | 第38-50页 |
| 4.1 同步动力学模型 | 第38-41页 |
| 4.1.1 广义Kuramoto模型 | 第38-39页 |
| 4.1.2 广义Kuramoto模型的图聚类 | 第39-41页 |
| 4.2 基于同步原理的图聚类过程 | 第41-43页 |
| 4.3 基于同步动力学模型的聚类算法 | 第43-48页 |
| 4.3.1 算法思想 | 第43-46页 |
| 4.3.2 算法描述 | 第46-47页 |
| 4.3.3 算法运行时间复杂度分析 | 第47-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第五章 实验结果与分析 | 第50-60页 |
| 5.1 k-边连通子图计算方法的实验 | 第50-53页 |
| 5.1.1 实验数据集 | 第50-51页 |
| 5.1.2 算法性能分析 | 第51-53页 |
| 5.2 基于同步动力学模型聚类方法的实验 | 第53-58页 |
| 5.2.1 实验数据集 | 第53-54页 |
| 5.2.2 质量评价标准 | 第54页 |
| 5.2.3 算法性能分析 | 第54-58页 |
| 5.3 本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 本文总结 | 第60-61页 |
| 6.2 未来展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 作者简介 | 第68-69页 |
