基于DBSCAN算法的复杂网络聚类,本文是一篇关于复杂网络聚类论文范文，可作为相关选题参考,和写作参考文献。
复杂网络聚类论文参考文献：
摘 要：复杂网络聚类方法可以挖掘复杂网络的结构,对复杂网络的研究具有重要意义.DBSCAN算法是一种基于密度的聚类算法,主要用于对传统数据点集进行聚类.由于复杂网络的特殊性质,对DBSCAN算法进行改进,采用相似度度量法代替传统算法中的欧式距离度量,对复杂网络进行聚类.其优点是聚类快速、可以发现任意形状的聚类、自动确定聚类数以及有效剔除噪声点.
关键词：复杂网络；网络聚类；密度聚类
中图分类号：TP301 文献标识码：A 文章编号：1009-3044（2018）02-0141-03
Complex Network Clustering Based on DBSCAN Algorithm
JIANG Hao-yue, SHI Meng-tong, GUAN Tong-sheng, WANG Si-qi, CHEN Jia-wei, NING Xue-mei
（Beijing Forestry University College of Science, Beijing 100083, China）
Abstract： The method of complex network clustering can excate the structure of complex network, which is of great significance to the research of complex network.DBSCAN algorithm is a density clustering algorithm, which is used to cluster traditional data points.Due to the special nature of complex network, to improve the DBSCAN algorithm,adopt the method of similarity measure to replace the Euclidean distance measurement in the traditional DBSCAN algorithm to cluster the complex network. .The advantages of this method are clustering fast, finding the clustering of arbitrary shapes, automatically determining the clustering number, and effectively eliminating the noise points.
Key words： complex network； network clustering； density clustering
现实世界中的许多复杂系统直接或间接地以复杂网络的形式存在[1],如社交网络、生物网络.研究者们通过对网络性质的深入研究,发现复杂网络具有集团化的特性.也就是说,整个网络是由若干个“类”构成的[2].聚类算法把一组结构未知的数据进行分类,使每一类之间的相似性尽可能小,每一类之内的相似性尽可能大,其目的是寻找数据中有效的结构.因此,利用聚类算法可揭示出复杂网络中存在的网络社团结构、发现复杂网络中隐藏的规律.
DBSCAN是一种基于密度的聚类算法,要求聚类空间中的一定区域内所包含的对象的数目不小于某一给定阈值[3].DBSCAN算法的优势是可以发现任意形状的聚类、自动确定聚类数以及有效剔除噪声点.因此本文使用DBSCAN算法对复杂网络进行聚类.由于网络与数据点集对距离的定义不同,本文用相似度度量代替传统DBSCAN算法中的距离度量.测试结果表明该算法对复杂网络的聚类是可行的.
1 算法介绍
DBSCAN算法是一种基于密度的空间数据聚类方法,其中心思想是：对于某一聚类中的每个对象,在给定半径 （文中用 Eps表示 ）的邻域内数据对象个数必须大于某个给定值,也就是说,邻域密度必须超过某一阀值 （文中用MinPts表示）[4].
为使用此算法进行复杂网络聚类,在一个网络D中,进行如下定义：
定义1（相似度Sij）Sij代表网络中的节点i和j的连接程度,与节点i,j间的距离成反比,具体定义如下[5]：
首先,对于一个无向无权的网络G 等于（V,E）,G的拉普拉斯算子是矩阵：
[Li,j等于1, for i～j-di, for i等于j0, otherwise ] （1）
其中i?j表示第i个和第j个节点有边相连,di是节点的度.矩阵L的指数定义为：
[Kβ≡exp（βL）等于limn→∞（I+βLn）n ] （2）
其中β是取值为正的常数,通常在 0.1～0.5之间.而这个极限总是存在,将上式展开如下：
[expβL等于I+βL+β22L2+β33！L3+等 ] （3）
得到的矩阵Kβ是对称和正定的.利用Pade逼近方法计算矩阵指数[6].通过归一化核心矩阵Kβ,相似度矩阵Sβ可以定义为：
[Sβij等于KβijKβiiKβ ] （4）
定义2（邻域N（p））：点p的邻域为：
[Np等于{q|dist（p,q≤Eps）}]）（Eps为邻域半径,为给定的相似度Sij的倒数）
定义3（邻域密度Dens（p））：点p的邻域密度是N（p）所包含的点的数目.
定义4（核心点Core Points）网络中,邻域密度大于某一给定阈值MinPts的点.
定义5（边界点Border Points）落在核心点的邻域内且邻域密度小于某一給定MinPts的点.
结论：适合不知如何写复杂网络聚类方面的相关专业大学硕士和本科毕业论文以及关于复杂网络聚类论文开题报告范文和相关职称论文写作参考文献资料下载。
基于人工神经网络的聚类算法
摘要：研究连续型Hopfield神经网络的电路机理，推导出网络的权值计算公式，并运用连续型的神经网络模型构造出聚类算法；对20个随机生成数据计算。
谱聚类算法其在SAR图像分割中应用
摘 要：谱聚类算法作为一种高效的智能聚类算法被广泛地研究与应用，它与传统的聚类算法相比，具有明显的优势。文章首先对谱聚类理论进行了概述，介绍了图。
一种改进模糊聚类算法
摘 要：针对模糊C-均值聚类算法不能很好对非椭球形分布，或结构形状不对称分布的数据进行聚类的问题，文章提出了一种基于点密度的模糊C-均值聚类算法。
聚类稳定性分析方法增强单类学习算法
作者简介：熊玉玲，2003年毕业于湘潭大学信息与计算科学专业；2013～2016，人民大学统计学院；现任职于百度地图大数据团队，专注于交通大数据。