3 我要好好学习了

尚未进行身份认证

我要认证

暂无相关简介

等级
TA的排名 60w+

论文笔记—— 利用邻接信息熵识别复杂网络中的重要节点

利用邻接信息熵识别复杂网络中的重要节点相关定义定义一:邻接度AiA_iAi​对于无向网络,邻接度AiA_iAi​定义为Ai=∑j∈Γ(i)kjA_i=\sum_{j\in\Gamma(i)}k_jAi​=j∈Γ(i)∑​kj​对于有向网络,邻接度AiA_iAi​定义为Ai=θ∗∑j∈Γ(i)kjin+(1−θ)∗∑j∈Γ(i)kjoutA_i=\theta*\sum_{j\in\Gamma(i)}k_{j_{in}}+(1-\theta)*\sum_{j\in\Gamma(i)}k_{j_{out}}

2020-07-23 15:50:38

论文笔记——加权网络中的WVoteRank

加权网络中的WVoteRankvoterank算法的目的是通过从其邻居投票来选择整个网络上的传播者,选定的传播者不参与随后的选举,其相邻节点的投票能力随后减少。 然而,这种方法只能应用非加权网络,是有局限性的。 各种实际网络都是加权网络,其中边缘的强度表示节点之间的相互作用。 因此,我们将voterank算法从未加权网络扩展到加权网络作为WVoterank。 由于非加权网络是特定的加权网络,它可以处理非加权网络 当每个边的默认权重值为1时的特定情况。给定一个加权网络G=(V,E)G = (V, E)G=

2020-07-23 09:33:17

Python对字典进行排序并返回字典

前段时间写代码总是需要用到字典排序,但返回值一般都为列表,偶尔看到一个返回值为字典的,整理一下,供日后使用查看。直接放代码:import operatordic_instance = {3: 1, 2: 23, 1: 17}sort_key_dic_instance = dict(sorted(dic_instance.items(), key=operator.itemgetter(0))) #按照key值升序sort_val_dic_instance = dict(sorted(dic_ins

2020-07-07 17:54:20

信息熵对复杂网络中影响节点的识别(Enrenew algroithm)以及SIR模型

信息熵对复杂网络中影响节点的识别 识别一组有影响力的节点是复杂网络中的一个重要课题,在市场营销、谣言控制和价值预测等诸多应用中起着至关重要的作用 科学出版物。 在这方面,研究人员已经开发了从简单程度方法到各种复杂方法的算法。 然而,一种更健壮和实用的算法 是任务所必需的在本文中,我们提出了En更新算法,旨在通传播扩展能力。SIR模型影响力最大化一般是通过SIR模型来评估算法的效果的。 SIR模型中的每个节点可以分为三种状态,即感知节点(S)、感染节点(I)和恢复节点®。 首先,将初始选定的节点设置为

2020-06-30 20:04:56

改进的TOPSIS算法-利用拉格朗日计算权重

改进的TOPSIS算法-利用拉格朗日计算权重1 TOPSIS方法1981年由Yoon开发的TOPSIS方法尝试选择与正理想最大值具有最短距离,和负理想最大值有最远距离的候选方案。正理想最大值使效益评价准则最大化,使成本评价准则最小化,而负理想最大值使成本评价准则最大化,使效益评价准则最小化[9]。首先得到由候选方案和评价准则组成的决策矩阵,其中为第m个候选方案的第n个评价准则。对矩阵做归一化处理:其中为第个候选方案的第个评价准则。然后,将归一化决策矩阵的列乘以相关联的权重,以获得加权判决矩阵:

2020-06-23 11:51:58

基于改进的k-shell方法识别复杂网络中有影响力的重要节点

基于改进的k-shell方法识别复杂网络中有影响力的重要节点K-Shell是一种有效的识别有影响的分散体的方法。 然而,K-Shell忽略了关于节点拓扑位置的信息。 本文提出了一种改进的算法基于K-Shell和节点信息熵IKS,从较高的壳层和较低的壳层中识别有影响的扩散器。1、背景知识设G(V,E)G(V,E)G(V,E)是一个无权无向图,N=∣V∣,M=∣E∣N=|V|,M=|E|N=∣V∣,M=∣E∣分别表示节点和边的数目。A=(aij)n∗nA=(a_{ij})_{n*n}A=(aij​)n∗n

2020-06-23 11:24:25

识别社交网络中有影响力的节点:基于邻居核心的投票方法

识别社交网络中有影响力的节点:基于邻居核心的投票方法最近引入了基于投票等级的方法来寻找种子节点。 它根据投票方案选择一组分散器,其中每个节点的投票能力相同,每个节点获得来自邻居的投票。 但我们认为每个节点的投票能力应该是不同的,并且应该取决于它在网络中的拓扑位置。 在本文中,我们提出了一个基于核心的投票 k方法称为NCVote Rank,通过在投票时考虑邻居的核心价值来寻找散布者。背景知识1、MDD混合度分解(MDD)利用K-shell的概念,在K-shell分解的每一次迭代中,根据节点的剩余和移除

2020-06-22 19:49:45

论文笔记—— 基于特征选择和两步分类策略的证据分类器

基于特征选择和两步分类策略的证据分类器本文研究了利用信任函数从不确定数据中高效学习的方法,提出了一种由特征选择过程和两步分类策略组成的监督学习方法。 利用训练信息,提出特征选择过程通过最小化目标函数自动确定信息最丰富的特征子集。 提出的两步分类策略进一步提高了决策精度通过使用在分类过程中获得的互补信息。 在各种合成数据集和真实数据集上对该方法的性能进行了评价。1、背景知识1.1 信任函数1.2 E-KNN2、提出的方法本文提出的特征选择过程和两步分类策略都需要适当处理数据中的不确定性和不精确性

2020-06-09 16:59:44

使用networkx绘制社交网络图

使用networkx绘制社交网络图lot as plt代码如下.import networkx as nx # 导入networkximport matplotlib.pyplot as plt # 导入绘图工具// 绘制社交网络图G = nx.Graph() # 声明一个图G//为图添加节点和边G.add_nodes_from([1, 2, 3, 4, 5, 6, 7, 8...

2020-06-08 20:45:03

论文笔记——一种新的基于信任函数的K近邻分类方法

一种新的基于信任函数的K近邻分类方法1、背景知识1.1 信任函数1.2、EK-NN2、提出的BK_NN方法2.1 构建BK_NN的bpa函数2.2融合bpa函数3、实例1、背景知识1.1 信任函数1.2、EK-NN2、提出的BK_NN方法2.1 构建BK_NN的bpa函数假设识别框架Ω={ω0,ω1,...,ωh}\Omega=\{\omega_0,\omega_1,...,\omega_h\}Ω={ω0​,ω1​,...,ωh​}包含着一个孤立点ω0\omega_0ω0​,首先对对象xi{x_

2020-06-08 20:26:07
勋章 我的勋章
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!
  • 勤写标兵Lv1
    勤写标兵Lv1
    授予每个自然周发布1篇到3篇原创IT博文的用户。本勋章将于次周周三上午根据用户上周的博文发布情况由系统自动颁发。
  • 分享学徒
    分享学徒
    成功上传1个资源即可获取