基于最小生成树的复杂网络社区检测与图像分割
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·研究背景与意义 | 第8-9页 |
| ·研究概况 | 第9-11页 |
| ·主要研究内容 | 第11-12页 |
| ·论文组织结构 | 第12-14页 |
| 第二章 社区检测理论基础 | 第14-22页 |
| ·复杂网络相关基础 | 第14-16页 |
| ·复杂网络的描述方式 | 第14-15页 |
| ·平均路径长度与节点度 | 第15页 |
| ·集聚系数 | 第15页 |
| ·小世界性质 | 第15-16页 |
| ·无标度性 | 第16页 |
| ·社区检测的相关基础 | 第16-19页 |
| ·社区的定义及评价标准 | 第16-17页 |
| ·社区检测的经典算法 | 第17-19页 |
| ·最小生成树算法 | 第19-20页 |
| ·最小生成树定义 | 第19页 |
| ·最小生成树算法 | 第19-20页 |
| ·本章小结 | 第20-22页 |
| 第三章 基于启发式距离矩阵的社区检测 | 第22-32页 |
| ·启发式距离矩阵 | 第22-25页 |
| ·边介数 | 第22页 |
| ·距离矩阵的创建 | 第22-24页 |
| ·无叶子结构的距离矩阵 | 第24-25页 |
| ·算法具体步骤 | 第25-27页 |
| ·仿真实例 | 第27-30页 |
| ·本章小结 | 第30-32页 |
| 第四章 基于最小生成树的社区检测 | 第32-48页 |
| ·聚类算法的启发 | 第32-33页 |
| ·距离矩阵改进 | 第33页 |
| ·社区检测具体算法 | 第33-40页 |
| ·二层 MSTs | 第33-39页 |
| ·基于二层 MST 算法 | 第39-40页 |
| ·仿真 | 第40-46页 |
| ·社会网络 | 第40-43页 |
| ·模块度最大化无法正确检测出社区的网络 | 第43-45页 |
| ·LFR 社区检测基准网络 | 第45-46页 |
| ·本章小结 | 第46-48页 |
| 第五章 基于分水岭-最小生成树的图像分割 | 第48-58页 |
| ·图像分割的研究背景和意义 | 第48-49页 |
| ·研究背景 | 第48页 |
| ·图像分割研究意义 | 第48-49页 |
| ·图像分割的定义和分水岭算法 | 第49-51页 |
| ·定义 | 第49页 |
| ·分水岭算法 | 第49-51页 |
| ·小波能量特征 | 第51页 |
| ·相似性矩阵 | 第51-52页 |
| ·图像分割具体步骤 | 第52-53页 |
| ·具体仿真 | 第53-57页 |
| ·简单自然图像 | 第53-56页 |
| ·复杂自然图像 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| ·本文工作总结 | 第58页 |
| ·工作展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 研究生在读期间研究成果 | 第66-67页 |
