基于影响度的标签传播算法

大数据时代的迅速发展促进了网络结构的诞生。数据分析领域的一个重要问题就是寻找合适的网络结构进行社区检测。标签传播算法(LPA,Label Propagation Algorithm)是最公认的检测不相交社区的方法之一。它方便快捷,但是缺点就是随机更新导致的不稳定性。提出一种基于影响力的标签传播算法,选择高节点度的种子节点社区,提出影响度改进LPA算法的标签迭代顺序,邻居节点的相似度进行标签更新,最后进行社区合并。在真实网络上进行实验验证,结果表明了该方法对社区检测的有效性。

基于场景边缘优化的自适应新生强度JLMB滤波器

雷达多目标的有效检测与跟踪一直是雷达领域的研究热点,在多目标跟踪过程中存在诸多因素影响着跟踪算法的性能。本文针对雷达多目标跟踪问题中的未知目标新生问题,基于JLMB滤波器,结合场景边缘优化,提出了一种适用于线性高斯条件下的自适应目标新生强度估计方法,该方法针对雷达长时间持续监测高概率监测场景,以实际应用场景为牵引,通过融入监测区域以及目标状态的部分先验信息,将监测区域考虑为目标新生考量区域与非目标新生考量区域,并针对目标新生考量区强化目标新生过程,同时剔除来自非目标新生考量区域的杂波干扰,以此达到提升目标跟踪性能和算法处理效率的目的。最后通过实验仿真与结果分析验证了所提算法的有效性。

利用改进蚁群算法的重叠社团检测分析方法

针对重叠社团检测准确率提升问题,提出了一种基于改进蚁群算法的新型重叠社团检测算法。该算法包含位置初始化、运动和后处理三个阶段,分别通过初始位置识别与标签列表存储、基于节点间相似度的启发式信息重定义、合作保持标签列表等方式,使算法在合成数据集与现实世界数据集中的重叠社团与节点检测方面具有更好的性能。实验结果表明,在合成网络与现实世界网络平台上使用不同检测算法,提出方法对重叠社团与重叠节点的检测准确率较传统检测方法更高,因而对重叠社区检测问题求解与理解网络功能结构具有重要的参考与借鉴意义。