模糊-超图聚类模型在土地评价中的应用研究

针对具体的土地评价问题,构建结构清晰、具有可靠性的土地评价的超图数据聚类模型,应用改进的聚类算法,设计聚类的有效性评价指标。并通过实例验证该方法在城镇土地定级中聚类结果的有效性和准确性。

基于再聚类和离散优化的k路划分算法

为了寻得集成电路更优的k路划分,提出将再聚类和离散优化应用于k路划分算法.首先利用再聚类缩小超图规模,即根据给定划分计算顶点间的评级函数值,依据取值大小进行顶点聚类;然后将超图转换为星型图,并将k路划分问题转换为无约束的离散优化问题;进而设计一个算法迭代移动增益值最大的顶点,在算法求解过程中放宽平衡约束,允许暂时处于不可行域的解,扩大问题的求解空间.在同一平台上使用ISPD98电路测试基准对所提算法、hMETIS-Kway和KaHyPar-K进行测试,并比较最小割值和运行时间.实验结果表明该算法优于hMETIS-Kway,特别是在k=2时,最小割值减少了0.173,速度提升了0.706.此外,该算法对KaHyPar-K也有相应的改进效果.

基于位置的社交网络中双重异质社区的聚类与关联方法

近年来,异质信息网络特别是基于位置的社交网络(Location-Based Social Networks,LBSN)中的社区发现已成为新兴的研究热点.然而,目前大多数社区发现研究仅考虑基于同质结构的社交网络,显然都已无法有效融合LBSN这种异质网络所包含的多模实体及其多维关系.为了应对该挑战性问题,本文提出了一种新的双重社区聚类与关联方法(Communities Clustering and Associating Method,CCAM),该方法先在LBSN的社交媒体层上,通过信息熵度量用户发布主题之间的相似性,进而再将相似用户兴趣聚类问题转换成求解基于模糊聚类的目标函数以获得重叠的兴趣主题簇结构.然后在地理位置层中,将用户-位置签到关系网络形成的二分图转换为超图模型,并采用超边聚类方式得到用户关于地理位置的兴趣点特征簇.最后,在兴趣主题簇与地理位置簇之间借助中间用户层的社交关系建立这两层异质簇间的关联性表示模型,并通过随机梯度下降法求解模型的局部最优解.在两个真实数据集Foursquare(NYC)和Yelp上的实验结果表明,本文提出的CCAM方法有效融合了用户-媒体发布关系、用户间社交关系、用户-位置签到关系等多维度关系,能准确获得LBSN中紧密关联的用户兴趣主题簇与地理位置簇,使得这双层社区结构不仅在外部结构特征与兴趣内聚性指标上都优于传统算法,并且还在兴趣主题推荐与位置兴趣点推荐方面的平均准确率提高至少32%.

基于无向超图的多蚁群聚类组合算法

介绍了一种基于无向超图的多蚁群聚类组合算法,该算法将单蚁群聚类算法的结果聚类组合成多蚁群聚类算法,用无向超图表示,结合超图划分算法Hmetis得到最终的聚类结果。文中给出了实验数据集和实验结果,证明该算法可以提高聚类效果并且减少孤立点。

基于超图模型的复杂视频事件检测

近年来,语义事件分析越来越受到重视,典型语义事件的检测与识别是一个具有挑战性的研究领域。提出了基于超图模型的复杂视频事件检测方法,通过分析对象的运动轨迹,检测出视频中的所有子事件并构建时序关系图及依赖关系图,从而生成子事件超图,并通过谱超图聚类分析来检测相应的复杂事件。采用图变换工具AGG进行模拟实验,其实验结果表明,该方法具有较高的准确率与召回率。

基于超图理论的界面模式推荐方法研究

提出了一种基于超图理论的界面模式推荐方法,在任务分析的基础上,对子任务属性进行标注,结合用户使用模式的历史行为数据,利用超图理论将用户、任务和模式构建成用户超图模型,从而推荐出待选模式列表以便用户为所执行的任务快速、准确选择合适的模式进行界面开发.该方法不仅能提高系统的可用性,还提高了开发效率,为开发者快速找到适合的开发模式.

基于产品服务流的分级模块划分方法

为系统化地分析模块化设计中客户需求映射及模块划分的方法,提出关联超图与质量功能展开相结合的客户需求映射方法和基于超图聚类算法的分级模块划分方法。根据超图模型中各零部件间的关联强度和各零部件与客户需求的联系强度,对服务相关度进行了定义。将超图聚类算法引入到模块划分领域,依据服务相关度进行了分级模块划分,通过计算客户参与复杂度和模块独立性对划分结果进行优化。以某发动机的分级模块划分为例说明了所提方法的可行性和有效性。

基于深度学习的微生物高阶逻辑关系分析方法

微生物群体是所有生物体和生态系统保持健康稳定的核心组分,分析生态系统中微生物的互作用,挖掘微生物群落共现模块,可以加深对微生物群落的认知,提高利用和改造微生物群落的能力,为生态修复、疾病治疗和药物研发提供新的手段。传统的微生物交互关系研究是以“成对关系”为基础的,然而,越来越多的研究发现高阶交互关系对于解释群落的多样性、复杂性具有重要作用。本文提出了一种基于深度学习的超图聚类模型(DeepHC),用来挖掘微生物之间的高阶逻辑关系。DeepHC利用信息熵挖掘微生物间普遍存在的高阶逻辑关系,通过深度神经网络获取样本的低维非线性表示,通过基于最大模块度的K均值聚类来自适应地执行聚类分析。实验结果表明,相对于其他模型,DeepHC具有更好的聚类效果,可以作为高阶逻辑关系挖掘的有效工具。