| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 论文的主要工作 | 第15-16页 |
| 1.4 论文的组织结构 | 第16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 复杂网络和经典社团分析算法概述 | 第17-30页 |
| 2.1 复杂网络简介 | 第17-21页 |
| 2.2 经典社团分析算法 | 第21-26页 |
| 2.2.1 GN算法 | 第21-23页 |
| 2.2.2 Newman快速算法 | 第23-24页 |
| 2.2.3 随机游走算法 | 第24-25页 |
| 2.2.4 标签传播算法 | 第25-26页 |
| 2.3 社团结构划分的衡量标准 | 第26-28页 |
| 2.3.1 模块度Q | 第26-27页 |
| 2.3.2 基于信息论的精度测量标准Normalized Mutual Information(NMI) | 第27-28页 |
| 2.3.3 正确划分节点数占节点总数的比例方法 | 第28页 |
| 2.4 关键节点评估算法 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 改进的蚁群聚类算法 | 第30-42页 |
| 3.1 蚁群聚类算法概述 | 第30-33页 |
| 3.1.1 根据蚂蚁在觅食过程中的原理,利用蚂蚁的信息素来实现聚类 | 第30-31页 |
| 3.1.2 利用蚂蚁自我聚集行为聚类 | 第31页 |
| 3.1.3 利用蚂蚁的化学信息识别和蚂蚁巢穴分类模型进行聚类 | 第31-32页 |
| 3.1.4 本文采用的蚁群聚类思想 | 第32-33页 |
| 3.2 算法描述 | 第33-37页 |
| 3.2.1 适应度和移动改进策略 | 第33-34页 |
| 3.2.2 蚂蚁信息素模型 | 第34-35页 |
| 3.2.3 适应度阈值调整策略 | 第35-36页 |
| 3.2.4 算法流程 | 第36-37页 |
| 3.3 大规模复杂网络的蚁群聚类算法 | 第37-40页 |
| 3.3.1 基本思想 | 第37-39页 |
| 3.3.2 算法描述 | 第39页 |
| 3.3.3 抽样过程 | 第39页 |
| 3.3.4 类标签更新策略 | 第39-40页 |
| 3.3.5 剩余节点的指派和社团合并 | 第40页 |
| 3.4 本章小结 | 第40-42页 |
| 第4章 实验验证及结果分析 | 第42-51页 |
| 4.1 实验环境 | 第42页 |
| 4.2 数据集 | 第42-44页 |
| 4.3 参数设置 | 第44-45页 |
| 4.4 对比试验 | 第45-50页 |
| 4.4.1 真实网络实验结果对比分析 | 第45-47页 |
| 4.4.2 计算机生成实验结果对比分析 | 第47-49页 |
| 4.4.3 大规模复杂网络的对比试验 | 第49-50页 |
| 4.5 小结 | 第50-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51-52页 |
| 5.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57页 |
