针对大规模复杂网络的聚类方法技术

本发明专利技术提供一种针对大规模复杂网络的聚类方法，包括以下步骤：步骤S1：对于一个实例，构建其对应的网络，统计整个网络中的所有节点和边；步骤S2：给网络一个初始划分，计算它的模块性；模块性的值为

【技术实现步骤摘要】
针对大规模复杂网络的聚类方法
本专利技术属于复杂网络
，尤其是一种针对大规模复杂网络的聚类方法。
技术介绍
许多复杂系统可以抽象成为由相互作用的个体组成的复杂网络,其中个体抽象为网络节点,个体间的相互作用抽象为网络的边。具有代表性的复杂网络包括：互联网、铁路网、电力网、作者协作网、代谢网、蛋白质相互作用网等等。这些复杂网络通常含有潜在的集团结构(communitystructure)，也就是说这些网络能够划分成内部联系紧密而之间连接比较稀疏的集团(communitiesorclusters)。在结构上，这些集团相互之间是相对独立的，所以人们认为每个集团对应着一个功能元件。例如，在代谢网络中，由分子组成的相对独立的集团可能是功能独立的模块或代谢途径；在万维网中，一组连接稠密的网页可能对应着相关的话题。因此，探测内部联系紧密而之间连接比较稀疏的集团是分析复杂网络的一个重要的方法。图聚类(graphclustering)是社会学、模式识别、生物信息学等众多领域近几十年的研究热点。近年来，基于网络模块性(modularity)的方法在各种本文档来自技高网...

【技术保护点】
1.一种针对大规模复杂网络的聚类方法，其特征在于，包括以下步骤：/n步骤S1：对于一个实例，构建其对应的网络，统计整个网络中的所有节点和边，假设有n个节点和m条边；/n步骤S2：给网络一个初始划分，计算它的模块性；模块性的值为Q值；/n步骤S3：执行单点移动操作；/n步骤S4：执行收缩过程：依次不断地将单个节点移动到使Q值增长最快的集团中，直到Q值不能再增大为止；在这个过程中，节点逐渐聚集到较少数目的集团中，越来越多的集团变空；这个过程为收缩过程；/n步骤S5：执行膨胀过程：使部分节点以扰乱概率p离开它们原来所在的集团到随机选择的集团中；在这个过程中，非空集团的数目猛然增大，这个过程为膨胀过程...

【技术特征摘要】
1.一种针对大规模复杂网络的聚类方法，其特征在于，包括以下步骤：
步骤S1：对于一个实例，构建其对应的网络，统计整个网络中的所有节点和边，假设有n个节点和m条边；
步骤S2：给网络一个初始划分，计算它的模块性；模块性的值为Q值；
步骤S3：执行单点移动操作；
步骤S4：执行收缩过程：依次不断地将单个节点移动到使Q值增长最快的集团中，直到Q值不能再增大为止；在这个过程中，节点逐渐聚集到较少数目的集团中，越来越多的集团变空；这个过程为收缩过程；
步骤S5：执行膨胀过程：使部分节点以扰乱概率p离开它们原来所在的集团到随机选择的集团中；在这个过程中，非空集团的数目猛然增大，这个过程为膨胀过程；
步骤S6：返回步骤S4，执行收缩过程，再进入步骤S5，执行膨胀过程；
步骤S7：交替执行步骤S4和步骤S5，也就是收缩过程和膨胀过程。


2.如权利要求1所述的针对大规模复杂网络的聚类方法，其特征在于，
在收缩过程和膨胀过程停止后，再执行，
步骤S8，提炼过程：先计算好任意两个集团合并引起的Q值的变化量，采用贪心式的集团合并策略，每次将能使Q值增长最快的两个集团合并，直到Q值不能再增大为止。


3.如权利要求1或2所述的针对大规模复杂网络的聚类方法，其特征在于，
步骤S2中，模块性定义为：



其中A是这个网络的邻接矩阵，当节点i和节点j之间有边时，A中的元素Aij等于1，否则为0；di是节点i的度；δ是Kroneckerdelta函数，当x等于y时，δ(x,y)等于1，否则为0；ci表示节点i所在集团的编号，且ci∈{1,2,3,…,cmax}(i＝1,2,...,n)，其中cmax是预先设定的最大的集团个数。


4.如权利要求3所述的针对大规模复杂网络的聚类方法，其特征在于，
步骤S3具体包括：
用一个最小变化算子Tkα，来描述单点移动操作；该算子作用于集团的编号向量c从而产生新的集团结构c'...

【专利技术属性】
技术研发人员：梅娟，
申请(专利权)人：无锡城市职业技术学院，
类型：发明
国别省市：江苏;32