更全的杂志信息网

复杂网络聚类及其在神经网络中的应用

更新时间:2016-07-05

计算机网络技术的出现,推动了人类社会文明的快速发展,大数据时代以指数增长的速度创造着越来越多的数据。在以数据库为核心的信息技术背景下,聚类分析在数据挖掘中的使用,能够有效加快对信息的定位,并且,结合神经网络的发展需要,聚类分析法的应用范围更加广阔。

凉州区作为全国水利改革试点县(区),2014年组建成立凉州区水利工程质量监督与安全管理站,负责全区水利工程建设质量监督与安全管理工作,委派监督员,对辖区内在建水利工程进行监督管理。近年来,按照质量监督分级管理权限,先后承担了全区高效节水灌溉、农村饮水安全、水环境综合治理、水库移民后期扶持、农业水价综合改革、抗旱应急、山洪灾害和山洪沟治理等工程的质量监督任务,质量监督管理工作取得了一定成绩。

1 复杂网络研究概述

所谓复杂网络,是指具有一定组织性、吸引子、小世界、无标度中部分或全部性质的网络,并在结构与形式方面存在较高的自相似性。这一概念早在上个世纪90年代就已经得到广泛认同,计算机网络技术的发展,验证了复杂网络中的节点度分布服从幂律分布的特点,并在此基础上建立了无标度网络模型。自此,关于复杂网络结构的研究进入到新的技术领域。

对数据采取SPSS 26.0统计学软件进行分析,其中计数资料以百分比(%)表示,进行χ2检验;计量资料应用(±s)表示,进行 t检验,P<0.05 为差异有统计学意义。

关于复杂网络的研究,我国虽然起步较晚,但是,凭借众多研究人员的努力,我国复杂网络研究的进展速度惊人,在相关领域的渗透速度令世界各国瞩目。经过长期的研究发现,复杂网络普遍具有的社团结构特征,以及与之相对应的社团结构算法,为复杂网络聚类分析法的提出奠定了基础。

2 人工神经网络的研究现状

然而,K-Lin算法也存在的一定的缺陷,这就是必须事先知道两个社团的大小,否则,计算结果将存在不确定性。正因为此,K-Lin算法不能够应用于位置网络大小的实际网络之中。

在神经网络技术实现过程中,所使用到的复杂网络聚类分析法主要包括K-Lin算法、传统谱平分法、分裂算法。

3 几种常见的复杂网络聚类分析方法

早期人工神经网络的发展受技术条件的限制,多停留在理论研究阶段,直至1957年,ERosenblat所提出的感知器模型,为人工神经网络技术的工程化应用创造了可能。在此之后,关于人工神经网络的研究进入到了“黄金时期”,各种具有创新性的理论研究成果,为人工神经网络的实践应用提供了理论支撑,实验室中的相关研究结果,同样证明了这一技术的可行性。

3.1 K-Lin算法

在计算机图形分割的实现过程中,基于Laplace矩阵特征值的谱平分法得到了较为广泛的应用,这是由于传统谱平分法能够严格执行数学理论的各项要求。基于Laplace矩阵特征值的谱平分法根据无向量图G对应的对称矩阵L的不同特征值与特征向量进行网络区分,其复杂程度较高,其中主要运算内容是对特征矩阵向量的求解。

互联网技术的出现,重新定义了人类所了解的世界,与现实世界相似,互联网创造了一个虚拟的世界,并且,在这一虚拟世界中,也要严格遵守相关“生存规则”。随着互联网技术在生物技术、人工智能等领域的不断渗透,关于人工神经网络的研究逐渐浮出水面。

3.2 传统谱平分法

基于对贪婪算法的研究,B.W.kernighan和S.Lin提出了一个新的聚类算法“K-Lin算法”,该算法将已知网络进行社团划分,利用增益函数表达两个大小已知社团内部变数与连接两个社团变数的差值Q。通过对比Q值,其中Q值最大的划分网络就是最佳的社团结构,在不断的试探过程中,得到最佳算法。

后来,那个柯察金也曾请教过江大亮,问江大亮是用什么法子让吉尔金娜倾倒的呢?江大亮就不怀好意地说:“你若是戴上个绿帽子,就会把你的男人功能增强好几倍。”这个呆头呆脑的柯察金真就买了顶绿帽子戴上了,过些日子又愁眉苦脸地对江大亮说:“我戴上绿帽子了,怎么还是吸引不住吉尔金娜呀?”江大亮就笑个稀软,心里暗暗地说,真他妈的傻老毛子,骂人的话也当真。

由于传统谱平分法在使用过程中需要将网络进行一定比例的划分,因此,对复杂网络的首次二分结果,将直接影响到今后网络划分的正确性,所以,采用传统谱平分法存在一定的算法冗余情况,其效果也并不理想。

3.3 分裂算法

在实际使用过程中,分列算法则依据网络节点对的相似程度对节点对的边进行删除,在这一行为的不断重复过程中,整个复杂网络也就被划分成了多个社团。研究人员可以根据社团划分的情况,随时终止算法进程,以避免复杂网络过度分割后的情况出现。如图1所示,在水平虚线逐渐下移的过程中,复杂网络中的社团个数不断增加,当水平虚线移至最底端时,也就达到了这一复杂网络的最小社团划分单位。

图1:基于树状图记录算法的复杂网络社团分割结果

图2:CNM聚类优化下的RBF神经网络算法思想流程示意图

4 基于CNM聚类优化的RBF神经网络算法

由于RBF网络中隐含基层函数的中心选取会对整体网络的收敛特性造成一定的影响,同时也会降低网络精度,这导致了RBF神经网络所具有的优势得不到有效发挥。然而,研究人员发现,在使用了CNM聚类算法的情况下,RBF神经网络原本存在的问题得到了明显改善,网络质量、稳定性、精度均得到了不同程度的提高。

基于CNM聚类优化下的RBF神经网络算法思想如图2所示。

5 总结

在计算机网络信息技术快速发展的今天,大数据技术的应用范围不断扩大,为实现对数据的有效管理和使用,则需要采用科学的复杂网络聚类分析方法,对神经网络进行优化,使其在实际应用中的范围更加广阔。

另外,对于802.11这类多速率无线网络,在不同的链路状态下应该选择不同的MCS(Modulation and Coding Scheme)发送数据以提高链路吞吐率,即进行速率调整.但是速率调整给编码带来很大困难,不同MCS下,丢包率和误比特率不同, 如果采用固定的编码参数会极大降低编码的容错性能,因此要求编码也是链路自适应的.

参考文献

[1]孙丹,万里明,孙延风,梁艳春.一种改进的RBF神经网络混合学习算法[J].吉林大学学报(理学版),2010(05).

[2]安娜,谢福鼎,张永,刘绍海.一种基于GN算法的文本概念聚类新方法[J].计算机工程与应用,2008(14).

[3]杨博,刘大有,金弟,马海宾.复杂网络聚类方法[J].软件学报,2009(01).

高超
《电子技术与软件工程》2018年第10期文献

服务严谨可靠 7×14小时在线支持 支持宝特邀商家 不满意退款

本站非杂志社官网,上千家国家级期刊、省级期刊、北大核心、南大核心、专业的职称论文发表网站。
职称论文发表、杂志论文发表、期刊征稿、期刊投稿,论文发表指导正规机构。是您首选最可靠,最快速的期刊论文发表网站。
免责声明:本网站部分资源、信息来源于网络,完全免费共享,仅供学习和研究使用,版权和著作权归原作者所有
如有不愿意被转载的情况,请通知我们删除已转载的信息 粤ICP备2023046998号