基于Hopfield网络的复杂网络社团提取

针对复杂网络中的社团提取问题,提出了一种基于离散Hopfield神经网络的社团结构提取算法,该算法的思想为:首先,对复杂网络数据的进行处理;其次,结合社团提取准则模块度函数Q的形式设计Hopfield神经网络的权值向量W和阈值T;最后,根据网络稳定点的输出值提取出网络中的社团结构.仿真实验表明,本文中的Hopfield神经网络算法比谱分算法得出的Q值更优,对网络的划分更接近实际网络.针对复杂网络中的社团提取问题,提出了一种基于离散Hopfield神经网络的社团结构提取算法,该算法的思想为:首先,对复杂网络数据的进行处理;其次,结合社团提取准则模块度函数Q的形式设计Hopfield神经网络的权值向量W和阈值T;最后,根据网络稳定点的输出值提取出网络中的社团结构.仿真实验表明,文中的离散Hopfield神经网络算法比谱分算法得出的Q值更优。

高斯混合模型算法提取复杂网络社团

基于复杂网络中的社团划分问题,提出了一种基于主成分分析的高斯混合模型社团提取算法。利用主成分分析对网络的邻接矩阵进行降维处理,假设一个网络中的社团由不同高斯模型生成,用期望最大化算法对模型的参数进行了求解。结果表明,当主成分的贡献率达90%以上时,网络的划分和实际网络非常吻合,所用时间也较短,表明该算法与以往方法相比具有明显优越性。