| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 主要研究内容 | 第14页 |
| 1.4 论文结构 | 第14-17页 |
| 第2章 相关研究的理论基础 | 第17-31页 |
| 2.1 复杂网络理论基础 | 第17-23页 |
| 2.1.1 网络科学的发展 | 第17-18页 |
| 2.1.2 网络的数学基础 | 第18-19页 |
| 2.1.3 常见的网络测度与参数 | 第19-23页 |
| 2.1.4 复杂网络的研究前景 | 第23页 |
| 2.2 网络可视化基本原理 | 第23-26页 |
| 2.2.1 可视化技术分类 | 第24-25页 |
| 2.2.2 可视化在复杂网络背景下的应用 | 第25页 |
| 2.2.3 网络可视化常用工具 | 第25-26页 |
| 2.3 模糊数学相关概念 | 第26-30页 |
| 2.3.1 F集的基本概念 | 第26-27页 |
| 2.3.2 F模式识别原则 | 第27-29页 |
| 2.3.3 确定隶属函数的方法 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 网络中的社区发现 | 第31-39页 |
| 3.1 传统的划分方法 | 第31-34页 |
| 3.1.1 图分割理论 | 第31-32页 |
| 3.1.2 Kernighan-Lin划分算法 | 第32-33页 |
| 3.1.3 谱划分算法 | 第33-34页 |
| 3.1.4 分割聚类法 | 第34页 |
| 3.2 网络中的社团发现方法 | 第34-38页 |
| 3.2.1 社团发现常用测度分析 | 第34-35页 |
| 3.2.2 贪心算法 | 第35-36页 |
| 3.2.3 层次聚类算法 | 第36-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第4章 基于F模式识别复杂网络社区发现算法 | 第39-57页 |
| 4.1 节点测度重要性模糊化处理 | 第39-41页 |
| 4.2 基于度中心性的社区划分算法 | 第41-47页 |
| 4.2.1 以度为参数的核心节点选取 | 第41-42页 |
| 4.2.2 度核心节点影响力传播函数 | 第42-43页 |
| 4.2.3 基于度中心性的隶属函数 | 第43-44页 |
| 4.2.4 实验结果 | 第44-47页 |
| 4.3 基于接近度中心性的社区划分算法 | 第47-53页 |
| 4.3.1 接近度中心性确立核心节点 | 第48页 |
| 4.3.2 基于测地距离的节点隶属函数 | 第48-50页 |
| 4.3.3 实验结果 | 第50-53页 |
| 4.4 综合节点特征参数社区划分算法 | 第53-56页 |
| 4.4.1 特征节点的选取 | 第53-54页 |
| 4.4.2 海明贴进度划分节点特征 | 第54-55页 |
| 4.4.3 实验结果 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 网络社区发现的可视化布局算法 | 第57-75页 |
| 5.1 实验环境介绍 | 第57-58页 |
| 5.2 Ring-Nested Algorithm可视化布局算法 | 第58-66页 |
| 5.2.1 RNA布局算法的实现 | 第58-59页 |
| 5.2.2 RNA算法的特点及优势 | 第59-60页 |
| 5.2.3 实验过程 | 第60-63页 |
| 5.2.4 实验结果 | 第63-66页 |
| 5.3 Traction-Polymerized Algorithm布局算法 | 第66-73页 |
| 5.3.1 算法设计及实现 | 第66-67页 |
| 5.3.2 实验过程 | 第67-69页 |
| 5.3.3 实验结果 | 第69-73页 |
| 5.4 本章小结 | 第73-75页 |
| 第6章 结论与展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81页 |