基于Laplace矩阵Jordan型的复杂网络聚类算法

TP301.6; 在目前复杂网络聚类算法中，基于 Laplace 特征值的谱聚类方法具有严密的数学理论和较高的精度，但受限于该方法对簇结构数量、规模等先验知识的依赖，难以实际应用。针对这一问题，基于Laplace矩阵的Jordan型变换，提出了一种先验知识的自动获取方法，实现了基于Jordan矩阵特征向量的初始划分。基于Jordan型特征值定义了簇结构的模块化密度函数，并使用该函数和初始划分结果完成了高精度聚类算法。该算法在多个数据集中的实验结果表明，与目前主流的Fast-Newman算法、Girvan-Newman算法相比，基于Laplace矩阵Jordan型聚类算法在不依赖先验知识的情况下...

Full description

Saved in:
Bibliographic Details
Published in通信学报 no. 3; pp. 11 - 21
Main Authors 牛建伟, 戴彬, 童超, 霍冠英, 彭井
Format Journal Article
LanguageChinese
Published 北京航空航天大学 虚拟现实技术与系统国家重点实验室,北京,100191 2014
Subjects
Laplace矩阵
clustering algorithm
Jordan-form
聚类算法
Laplace-matrix
prior knowledge
先验知识获取
complex network
Jordan型
复杂网络
Online AccessGet full text
ISSN1000-436X
DOI10.3969/j.issn.1000-436x.2014.03.002

Cover

More Information
Summary:TP301.6; 在目前复杂网络聚类算法中，基于 Laplace 特征值的谱聚类方法具有严密的数学理论和较高的精度，但受限于该方法对簇结构数量、规模等先验知识的依赖，难以实际应用。针对这一问题，基于Laplace矩阵的Jordan型变换，提出了一种先验知识的自动获取方法，实现了基于Jordan矩阵特征向量的初始划分。基于Jordan型特征值定义了簇结构的模块化密度函数，并使用该函数和初始划分结果完成了高精度聚类算法。该算法在多个数据集中的实验结果表明，与目前主流的Fast-Newman算法、Girvan-Newman算法相比，基于Laplace矩阵Jordan型聚类算法在不依赖先验知识的情况下，实现了更高的聚类精度，验证了先验知识获取方法的有效性和合理性。
ISSN:1000-436X
DOI:10.3969/j.issn.1000-436x.2014.03.002