导读:本文包含了模块度论文开题报告文献综述及选题提纲参考文献，主要关键词:航天测控,地面站网,模块度,相关性
模块度论文文献综述
汪筱阳,朱琳,朱参世,张亚奇,徐浩[1]（2019）在《应用网络模块度的航天测控地面站网分析》一文中研究指出航天测控地面站网作为一个实际网络,它具有网络的相关属性;首先通过复杂网络方法构建了航天测控天地一体化二分网络,然后在二分网络基础上,提出了各专用测控系统的专用性参数α和通用性参数β来描述和区分不同的专用测控系统,利用Kendall相关系数和定义的相关性阈值K_0构建了航天测控地面站相关性网络;以美国航天测控地面站网现状为例,对所提网络模型的有效性进行了仿真验证,应用相关性阈值(K_0)和网络模块度(Q)曲线(K-Q曲线)分析了网络模型参数。研究结果表明,所提的相关性网络模型能较好的模拟测控地面站网络现状;网络模块度的峰值与|α-β|呈正相关,当|α-β|较大时,K-Q曲线整体呈现出正态分布特性。(本文来源于《计算机测量与控制》期刊2019年10期）
魏家辉,马慧芳,贺相春,李志欣[2]（2019）在《一种最大化模块度的可重迭联合聚类算法》一文中研究指出针对许多现实数据集不仅包含行列簇之间的大量重迭,还包含不属于任何簇的异常值,提出了一种最大化模块度的可重迭的联合聚类方法(OMMCC),即行簇和列簇都允许重迭,并且数据矩阵的行列离群值都不分配给任何簇。具体的,设计了统一框架将数据的非穷尽与可重迭的约束加入目标函数,通过使用迭代交替优化过程直接最大化模块度,高效地获得更好的块对角非穷尽可重迭联合聚类,且重迭程度和非穷尽程度的参数易于理解。实验结果表明,本文方法非常有效、稳定并且优于其他联合聚类算法。(本文来源于《陕西师范大学学报(自然科学版)》期刊2019年05期）
伍杰华,沈静,周蓓[3]（2019）在《基于社区特征的平衡模块度最大化社交链接预测模型》一文中研究指出链接预测和社区发现是社交网络分析领域的两大研究方向。如何挖掘社区结构帮助提高链接预测效果具有十分重要的意义。在模块度最大化模型的基础上,提出一种基于社区结构特征提取与选择的链接预测方法。首先,在网络进化模型中引入基于社区结构的相似度指标建立局部特征,并利用影响力节点识别方法构建全局特征;然后,采用最小冗余最大相关度的特征选择算法度量特征之间的相互影响,并筛选出最有表示力的候选特征;最后,将基于经过上述步骤处理后的特征融入模块度最大化链接预测模型中。该算法在人工和真实两类数据集上与相关算法做了对比实验,结果证实了该算法的高效性,也表明了基于社区结构的特征提取与选择步骤的必要性。(本文来源于《计算机科学》期刊2019年03期）
张海涛,刘雅姝,张枭慧,宋拓[4]（2019）在《基于模块度的话题发现及网民情感波动研究——以新浪微博“中美间贸易摩擦”话题为例》一文中研究指出[目的/意义]探索热点事件评论网络中话题社群及网民的情感波动,掌握舆情事件发展过程,对于整体把握热点事件的发展方向,做好新时期网络舆论的引导工作具有重大意义。[方法/过程]以复杂网络理论为基础,基于评论词语间的共现关系构建基于事件发展的子事件网络,通过社群发现算法来识别子事件评论网络中的话题社群,将情感词依据情感词典赋予情感分类属性,基于事件的演化过程动态地跟踪网民意见以及情感波动。[结果/结论]研究结果表明,评论网络群落发现以及变异系数方法可以有效地衡量网民话题讨论的规模与集中程度;评论网络中赋予情感词节点情感分类属性方法可以体现事件演化过程中网民的情感变化;舆论衍生话题对事件的舆情发展有持续性影响;网民话题讨论内容对于事件演化具有一定程度上的前瞻性。(本文来源于《图书情报工作》期刊2019年04期）
王桂山,蒋黎明,方宝庆,夏泽茂,万明富[5]（2019）在《基于复杂网络局域模块度杠杆中心性的社团识别算法研究及协同优化》一文中研究指出针对现在的大规模化网络中局部社团检测存在的对初始节点位置敏感,提出节点的杠杆中心性指标LC(LeverageCentrality)确定社团中心性节点集(LC≥0),然后从中心性指标最大的节点开始,按照社团适应度函数增大不断扩张社团,完成整个局部社团的获取。(本文来源于《中国新通信》期刊2019年02期）
张宸,李发均[6]（2018）在《基于模块度增量的图书借阅二分网络社区划分法研究》一文中研究指出本文在讨论了复杂网络及其社团结构特征的基础之上,构建了图书借阅二分网络,提出了一种基于模块度增量的社团发现凝聚算法,并结合四川大学图书馆借阅情况进行了具体实例论证。该算法突破了BRIM算法的局限性,获得较高的模块度值,取得了较理想的图书借阅二分网络社团结构划分效果,具有一定的实用性。(本文来源于《四川图书馆学报》期刊2018年03期）
戴彩艳,陈崚,胡孔法[7]（2018）在《基于模块度增量的二分网络社区挖掘算法》一文中研究指出针对二分网络的社区挖掘问题,提出了一种基于模块度增量的二分网络社区挖掘算法。该算法假设每个顶点独自构成一个社区,并具有自己的标号。其中,一部分顶点将自己的标号复制并传递到另一部分中的某个顶点上,使之与其位于同一个社区;另一部分的顶点实施同样的操作。如此反复迭代,直至收敛。标号传播时,选择模块度增量最大的边进行传送,使整体模块度不断提高。在真实数据集上进行的测试表明,所提算法能对二分网络进行高质量的社区划分。(本文来源于《计算机科学》期刊2018年S1期）
刘明阳,张曦煌[8]（2019）在《模块度增量与局部模块度引导下的社区发现算法》一文中研究指出社区结构是复杂网络的重要特性之一,基于层次聚类的社区发现算法很好地利用了模块度来挖掘网络中的社区结构,但其局限性也导致算法对社区结构复杂的网络划分不够准确、无法发现小于一定规模的社区。在层次聚类的基础上,提出引入局部模块度来弥补模块度在划分社区时的不足,避免可能出现的划分不合理情况。通过真实数据集和人工网络进行了验证,实验结果证明,该算法具有可行性与有效性。(本文来源于《计算机应用研究》期刊2019年05期）
殷司雯[9]（2017）在《基于模块度优化的社团发现算法》一文中研究指出复杂网络被广泛应用于社交、生物等领域的研究中,在网络中分析出真实存在的社团结构是复杂网络研究的关键。然而,发现许多算法都用最大化边缘概率划分出社团结构,这样会忽视掉结点所在社团之间的联系。还有一部分网络结构是不断演变的,而且大部分都是有向网络。因此针对不同的网络结构,提出了不同的社团发现算法。首先,针对无向静态的复杂网络,本文设计了一种算法MSBP将模块度转换为能量函数,利用信念传播方法最终同时获得所有结点最有可能属于的社团。然后改进了算法的效率,将时间复杂度从立方级降到线性级。从实验结果表明,我们的方法在社区准确度方面远远超过其它同类型的算法。其次,针对有向并且结构演变的复杂网络,我们还设计了以结点为粒度的增量型社团发现算法DNGI。该算法可以有效的解决目前以边为增量粒度的算法对边的添加顺序十分敏感的问题。通过在真实有向网络上的实验结果证明了我们的算法在精度和效率方面表现的都十分出色。表明了以结点为基本单元的增量型方法具有独特的研究价值。综上所述,对于无向静态网络,设计了利用信念传播的社团发现算法。该算法可以找到一个全局最优化的社团划分。另一方面针对有向动态网络结构,提出了有向网络的增量型社团检测算法,社团结果发生变化能实时的划分出社团结构。(本文来源于《天津大学》期刊2017-11-01）
隆华,李宝安[10]（2017）在《基于重迭度与模块度增量的复杂网络社区识别》一文中研究指出在现实网络规模不断增大的同时,其结构也越来越复杂,针对传统社区算法难以高效处理大规模复杂网络数据的问题,提出了一种基于社区重迭度和模块度增量的社区识别方法。首先根据社区节点聚集度较大的特点寻找中心节点,初步划分社区;然后将属于多个社区的重迭节点进行拆分,进而得出社区的重迭度和模块度增量;最后找出模块度增量为零的节点对,从而实现对大规模复杂社区的识别。对重迭度和模块度增量进行了分析,结果表明:所提出的算法能够有效地识别重迭社区,并具有较高的运行效率。(本文来源于《计算机应用》期刊2017年S1期）
模块度论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对许多现实数据集不仅包含行列簇之间的大量重迭,还包含不属于任何簇的异常值,提出了一种最大化模块度的可重迭的联合聚类方法(OMMCC),即行簇和列簇都允许重迭,并且数据矩阵的行列离群值都不分配给任何簇。具体的,设计了统一框架将数据的非穷尽与可重迭的约束加入目标函数,通过使用迭代交替优化过程直接最大化模块度,高效地获得更好的块对角非穷尽可重迭联合聚类,且重迭程度和非穷尽程度的参数易于理解。实验结果表明,本文方法非常有效、稳定并且优于其他联合聚类算法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
模块度论文参考文献
[1].汪筱阳,朱琳,朱参世,张亚奇,徐浩.应用网络模块度的航天测控地面站网分析[J].计算机测量与控制.2019
[2].魏家辉,马慧芳,贺相春,李志欣.一种最大化模块度的可重迭联合聚类算法[J].陕西师范大学学报(自然科学版).2019
[3].伍杰华,沈静,周蓓.基于社区特征的平衡模块度最大化社交链接预测模型[J].计算机科学.2019
[4].张海涛,刘雅姝,张枭慧,宋拓.基于模块度的话题发现及网民情感波动研究——以新浪微博“中美间贸易摩擦”话题为例[J].图书情报工作.2019
[5].王桂山,蒋黎明,方宝庆,夏泽茂,万明富.基于复杂网络局域模块度杠杆中心性的社团识别算法研究及协同优化[J].中国新通信.2019
[6].张宸,李发均.基于模块度增量的图书借阅二分网络社区划分法研究[J].四川图书馆学报.2018
[7].戴彩艳,陈崚,胡孔法.基于模块度增量的二分网络社区挖掘算法[J].计算机科学.2018
[8].刘明阳,张曦煌.模块度增量与局部模块度引导下的社区发现算法[J].计算机应用研究.2019
[9].殷司雯.基于模块度优化的社团发现算法[D].天津大学.2017
[10].隆华,李宝安.基于重迭度与模块度增量的复杂网络社区识别[J].计算机应用.2017