基于模糊密度峰值聚类的复杂网络社区发现研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 复杂网络的社区发现研究现状 | 第9-10页 |
| 1.2.2 聚类分析研究现状 | 第10-11页 |
| 1.3 本文的主要工作 | 第11页 |
| 1.4 本文的结构安排 | 第11-13页 |
| 第2章 聚类分析与复杂网络的社区发现 | 第13-23页 |
| 2.1 聚类分析 | 第13-16页 |
| 2.1.1 聚类的相似性度量 | 第13-14页 |
| 2.1.2 聚类算法介绍 | 第14-15页 |
| 2.1.3 聚类算法评价指标 | 第15-16页 |
| 2.2 复杂网络的社区发现 | 第16-22页 |
| 2.2.1 复杂网络概念 | 第16-18页 |
| 2.2.2 社区发现算法 | 第18-21页 |
| 2.2.3 社区发现评价指标 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 基于数据场与信息熵改进的密度峰值聚类算法 | 第23-39页 |
| 3.1 密度峰值聚类算法 | 第23-24页 |
| 3.2 密度峰值聚类算法的优化 | 第24-29页 |
| 3.2.1 基于数据场理论确定阈值 | 第24-26页 |
| 3.2.2 基于信息熵理论选择类簇中心 | 第26-28页 |
| 3.2.3 离群点检测 | 第28页 |
| 3.2.4 改进的密度峰值聚类算法步骤 | 第28-29页 |
| 3.3 对比实验分析 | 第29-38页 |
| 3.3.1 实验数据集 | 第29-30页 |
| 3.3.2 人工数据集实验对比 | 第30-35页 |
| 3.3.3 真实数据集实验对比 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于模糊密度峰值聚类的复杂网络的社区发现 | 第39-54页 |
| 4.1 算法思想 | 第39-44页 |
| 4.1.1 计算距离矩阵 | 第39-40页 |
| 4.1.2 选择社区的核心节点 | 第40-42页 |
| 4.1.3 计算隶属度矩阵 | 第42-43页 |
| 4.1.4 区分重叠节点 | 第43-44页 |
| 4.1.5 CDFDPC算法步骤 | 第44页 |
| 4.2 对比实验分析 | 第44-53页 |
| 4.2.1 实验网络 | 第45-47页 |
| 4.2.2 人工网络实验对比 | 第47-49页 |
| 4.2.3 真实网络实验对比 | 第49-53页 |
| 4.3 本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 附录1 攻读硕士学位期间发表的论文 | 第61-62页 |
| 详细摘要 | 第62-66页 |
