| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 本文主要工作及论文结构 | 第16-18页 |
| 第2章 相关理论 | 第18-38页 |
| 2.1 复杂网络 | 第18-22页 |
| 2.1.1 复杂网络的发展历史 | 第18-21页 |
| 2.1.2 复杂网络的基本概念 | 第21-22页 |
| 2.2 社区发现 | 第22-31页 |
| 2.2.1 社区结构 | 第22-23页 |
| 2.2.2 社区结构评价指标 | 第23-25页 |
| 2.2.3 社区发现算法 | 第25-31页 |
| 2.3 自组织神经网络 | 第31-38页 |
| 2.3.1 自组织神经网络概述 | 第31-32页 |
| 2.3.2 竞争学习原理 | 第32-35页 |
| 2.3.3 自组织特征映射模型 | 第35-38页 |
| 第3章 基于自组织特征映射网络和边向量的社区发现算法 | 第38-49页 |
| 3.1 边向量和相似度计算 | 第39-40页 |
| 3.2 边界边识别 | 第40-42页 |
| 3.3 基于边向量和 k-means 的重叠社区发现算法 EVKM | 第42-44页 |
| 3.3.1 算法思想 | 第42-43页 |
| 3.3.2 算法过程 | 第43-44页 |
| 3.3.3 算法时间复杂度分析 | 第44页 |
| 3.4 基于边向量和自组织神经网络的重叠社区发现算法 SOMEV | 第44-49页 |
| 3.4.1 自组织映射网络拓扑结构 | 第45-46页 |
| 3.4.2 自组织映射网络权值更新规则 | 第46-47页 |
| 3.4.3 SOMEV 算法过程 | 第47-48页 |
| 3.4.4 算法时间复杂度分析 | 第48-49页 |
| 第4章 社区发现实验设计与总结 | 第49-56页 |
| 4.1 实验目的和实验环境 | 第49页 |
| 4.2 实验数据 | 第49-50页 |
| 4.2.1 人工网络数据 | 第50页 |
| 4.2.2 真实网络数据 | 第50页 |
| 4.3 实验设计与结果分析 | 第50-56页 |
| 4.3.1 人工网络实验 | 第50-54页 |
| 4.3.2 真实网络实验 | 第54-56页 |
| 第5章 总结和展望 | 第56-58页 |
| 5.1 本文总结 | 第56-57页 |
| 5.2 研究展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 作者简介及在学期间所取得的科研成果 | 第62-63页 |
| 致谢 | 第63页 |
