CN104573730A - 一种基于决定路径权重的不确定图分割方法及系统 - Google Patents
一种基于决定路径权重的不确定图分割方法及系统 Download PDFInfo
- Publication number
- CN104573730A CN104573730A CN201510046765.3A CN201510046765A CN104573730A CN 104573730 A CN104573730 A CN 104573730A CN 201510046765 A CN201510046765 A CN 201510046765A CN 104573730 A CN104573730 A CN 104573730A
- Authority
- CN
- China
- Prior art keywords
- node
- distance
- uncertain
- centroid
- weight value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/2163—Partitioning the feature space
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明适用于数据分析技术领域,提供了一种基于决定路径权重的不确定图分割方法及系统,所述方法包括:建立不确定加权图;以邻接矩阵的形式对所述不确定加权图进行存储;计算存储后的所述不确定加权图中各节点之间的决定路径权重;(决定路径权重计算各个节点之间的距离并且循环更新各个节点之间的距离,直到所述距离达到最小);利用k-means算法对所述不确定加权图中的节点进行划分,获得多个节点子集。通过发明,可对不确定网络分割更准确。
Description
技术领域
本发明属于数据分析技术领域,尤其涉及一种基于决定路径权重的不确定图分割方法及系统。
背景技术
不确定图是特殊的带权图,其上每条边的权值为0到1之间的实数。该权值通常代表对应边的存在概率。对于图数据来说,不确定图的特征不仅图的边以一定的概率存在,甚至节点也可以以一定的概率存在。由于不确定性无处不在,相关研究又不能忽略不确定的存在,因此业界普遍认为针对不确定图的研究具有重要的现实意义。
然而,现有对不确定图的研究存在以下问题:1)现实中的很多图数据都是不确定的,不考虑图数据的不确定性,研究的现实意义和应用价值不大;2)社会网络中有部分是带权的网络,以无权网络方式进行划分,聚类不准确;3)大型网络抽象的图中节点与边的数量非常大,计算最短路径时只考虑一条边的权值,不精确。
发明内容
鉴于此,本发明实施例提供一种基于决定路径权重的不确定图分割方法及系统,以解决现有技术存在的上述问题。
本发明实施例是这样实现的,一种基于决定路径权重的不确定图分割方法,所述方法包括:
建立不确定加权图;
以邻接矩阵的形式对所述不确定加权图进行存储;
计算存储后的所述不确定加权图中各节点之间的决定路径权重;
基于所述决定路径权重,利用k-means算法对所述不确定加权图中的节点进行划分,获得多个节点子集。
本发明实施例的另一目的在于提供一种基于决定路径权重的不确定图分割系统,所述系统包括:
不确定图建立单元,用于建立不确定加权图;
存储单元,用于以邻接矩阵的形式对所述不确定加权图进行存储;
决定路径权重计算单元,用于计算存储后的所述不确定加权图中各节点之间的决定路径权重;
聚类单元,用于基于所述决定路径权重,利用k-means算法对所述不确定加权图中的节点进行划分,获得多个节点子集。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例针对现实网络数据的不确定性,对现实网络进行不确定加权图的建立,根据所述不确定加权图的决定路径权重计算各个节点之间的距离并且循环更新各个节点之间的距离,直到达到最小,并利用k-means算法对所述不确定加权图中的节点进行划分,获得多个节点子集。本发明实施例使用不确定图数据更具有应用价值和现实意义,使用加权的不确定图更能说明节点之间的关联程度,使得对不确定图的分割更准确。而且本发明实施例在实现上述过程中,不需要增加额外的硬件,可有效降低成本,具有较强的易用性和实用性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的基于决定路径权重的不确定图分割方法的实现流程图;
图2是本发明实施例一提供的不确定加权图的示例图;
图3是本发明实施例一提供的以邻接矩阵存储的不确定加权图的示例图;
图4是本发明实施例二提供的基于决定路径权重的不确定图分割系统的组成结构图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透切理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
图1示出了本发明实施例一提供的基于决定路径权重的不确定图分割方法的实现流程,该方法过程详述如下:
在步骤S101中,建立不确定加权图。
在本发明实施例中,以社会网络社区发现的经典例子Zachary网络为起始实例建立不确定加权图(如图2所示),在所述不确定加权图中每个成员(即节点,如图2中的V1、V2…V34)之间加上权重(如V1和V2之间的0.9),所述权重表示各个成员之间的联系频繁度,权重越大表示成员之间的联系越频繁。
在步骤S102中,以邻接矩阵的形式对所述不确定加权图进行存储。
在本发明实施例中,所述不确定加权图可以用元素不是0或1的邻接矩阵表示(如图3所示),在不确定图分割方法中直接用每条边的存在度表示,如图3,0表示两个节点之间权重为无穷小,即没有关联;小于1的小数表示两节点之间边的存在度;1表示两节点之间存在度是1,即确定图中的边。
在步骤S103中,计算存储后的所述不确定加权图中各节点之间的决定路径权重。
在本发明实施例中,对于不确定图上的任意两节点u和v,连接节点u和v的路径的权重定义为该路径上所有边的权重之积。在所有这样的路径中,存在度最大的一条路径即为节点u和v之间的决定路径。定义节点u和v之间的距离d(u,v)为u和v在所述不确定加权图上的决定路径权重。
具体的是,计算各个节点之间的距离并且循环更新各个节点之间的距离,直到所述距离达到最小,各节点之间的最小距离即为所述决定路径权重;具体包括步骤1:从所述不确定加权图中选择任意两节点u、v;
步骤2:初始化,令所述节点u到节点v的决定路径权重为零,即节点u与节点v没有边连接;
步骤3:访问节点u的每一个邻居节点,以节点u到邻居节点的距离乘以邻居节点到节点v的距离;在该步骤中,为每个节点设置标记字段mark=0,对每一个被访问过的邻居节点更改标记字段mark=1。在访问节点u的邻居节点时,首先对邻居节点进行判断,如果邻居节点的mark=0,则继续访问该邻居节点,如果邻居节点的mark=1,则选择其他的邻居节点进行访问,通过该方法可有效避免在一次路径计算中的重复计算。
步骤4:取最小的乘积作为节点u到节点v的距离;更新节点u到v的距离即决定路径权重。在该步骤中,每计算得到一个最小距离(即最短路径),用数组存储该路径的节点集,并且把该路径中所有的节点的标记mark变量都重新置为0。
步骤5:重复步骤3和4,直到计算的距离不再发生变化时,将该距离作为节点u到节点v的最小距离。在此步骤中,每一次循环计算出一个最小数组节点集后,选择出所有生成的且数组节点中最短路径的数组,以供与下次生成的数组进行比较。直到所有的路径都遍历完全后,获得最小距离--即为最终的决定路径权重。
在步骤S105中,基于所述决定路径权重,利用k-means算法对所述不确定加权图中的节点进行划分,获得多个节点子集。
具体的可以是,
步骤1:初始化,令所述不确定加权图中每个节点的标签值都为空;
步骤2:从所述不确定加权图中随机选择k个节点作为k个子集的中心节点,分别为k个中心节点标签值赋值1,2,3…k,所述k为大于零的整数;
步骤3:对于除中心节点之外的每个节点,计算该节点到每个中心节点的距离(根据决定路径权重计算各个节点之间的最短距离),选择距离最小的一个中心节点所属的子集,并将该节点的标签值更新为该子集的标签值;
在该步骤中,所述计算该节点到每个中心节点的距离具体为:
在该节点的邻居节点中查找属于目标子集且距离所述目标子集的中心点最近的邻居节点,若不存在该邻居节点,则跳过该目标子集;若存在该邻居节点,则该节点到所述目标子集的中心节点的距离等于该节点到该邻居节点的距离乘以该邻居节点到所述目标子集的中心点的距离。
步骤4,重新选择中心节点,并重复步骤3,直到所有节点的标签值,以及该节点到各个子集的中心节点的距离不再发生变化。
实施例二:
图4示出了本发明实施例二提供的基于决定路径权重的不确定图分割系统的组成结构,为了便于说明,仅示出了与本发明实施例相关的部分。
该基于决定路径权重的不确定图分割系统可以是内置于终端设备(如个人计算机、笔记本电脑、平板电脑、智能手机等)中的软件单元、硬件单元或者软硬件相结合的单元,或者作为独立的挂件集成到终端设备或者终端设备的应用系统中。
该基于决定路径权重的不确定图分割系统包括:
不确定图建立单元41,用于建立不确定加权图;
存储单元42,用于以邻接矩阵的形式对所述不确定加权图进行存储;
决定路径权重计算单元43,用于计算存储后的所述不确定加权图中各节点之间的决定路径权重;
聚类单元44,用于基于所述决定路径权重,利用k-maens算法对所述不确定加权图中的节点进行划分,获得多个节点子集。
进一步的,所述决定路径权重计算单元43具体用于,计算各个节点之间的距离并且循环更新各个节点之间的距离,直到所述距离达到最小,各节点之间的最小距离即为所述决定路径权重;所述决定路径权重计算单元43包括:
选择模块431,用于从所述不确定加权图中选择任意两节点u、v;
初始化模块432,用于初始化,令所述节点u到节点v的决定路径权重为零;
计算模块433,用于访问节点u的每一个邻居节点,以节点u到邻居节点的距离乘以邻居节点到节点v的距离;
确定模块434,用于取最小的乘积作为节点u到节点v的距离;
控制模块435,用于控制所述计算模块433以及确定模块434的执行,直到计算的距离不再发生变化时,将该距离作为节点u到节点v的最小距离。
进一步的,所述决定路径权重计算单元43还包括:
标记字段更改模块436,用于为每个节点设置标记字段mark=0,对每一个被访问过的邻居节点更改标记字段mark=1。
进一步的,所述聚类单元44包括:
初始化模块441,用于初始化,令所述不确定加权图中每个节点的标签值都为空;
选择模块442,用于从所述不确定加权图中随机选择k个节点作为k个子集的中心节点,分别为k个中心节点标签值赋值1,2,3…k,所述k为大于零的整数;
计算模块443,用于对于除中心节点之外的每个节点,计算该节点到每个中心节点的距离,选择距离最小的一个中心节点所属的子集,并将该节点的标签值更新为该子集的标签值;
控制模块444,用于重新选择中心节点,并控制计算模块443的执行,直到所有节点的标签值,以及该节点到各个子集的中心节点的距离不再发生变化。
进一步的,所述计算模块443具体用于:
在该节点的邻居节点中查找属于目标子集且距离所述目标子集的中心点最近的邻居节点,若不存在该邻居节点,则跳过该目标子集;若存在该邻居节点,则该节点到所述目标子集的中心节点的距离等于该节点到该邻居节点的距离乘以该邻居节点到所述目标子集的中心点的距离。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元、模块既可以采用硬件的形式实现,也可以采用软件功能单元、模块的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
综上所述,本发明实施例考虑了图数据的不确定性,研究的现实意义和应用价值更大;以带权网络方式进行划分,聚类更准确;根据决定路径权重计算各个节点之间的最短路径,计算结果更准确。而且,本发明实施例在实现上述过程中,不需要增加额外的硬件,可有效降低成本,具有较强的易用性和实用性。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述单元、模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元、模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。
Claims (10)
1.一种基于决定路径权重的不确定图分割方法,其特征在于,所述方法包括:
建立不确定加权图;
以邻接矩阵的形式对所述不确定加权图进行存储;
计算存储后的所述不确定加权图中各节点之间的决定路径权重;
基于所述决定路径权重,利用k-means算法对所述不确定加权图中的节点进行划分,获得多个节点子集。
2.如权利要求1所述的方法,其特征在于,所述计算存储后的所述不确定加权图中各节点之间的决定路径权重包括:
计算各个节点之间的距离并且循环更新各个节点之间的距离,直到所述距离达到最小,各节点之间的最小距离即为所述决定路径权重;具体包括:
步骤1:从所述不确定加权图中选择任意两节点u、v;
步骤2:初始化,令所述节点u到节点v的决定路径权重为零;
步骤3:访问节点u的每一个邻居节点,以节点u到邻居节点的距离乘以邻居节点到节点v的距离;
步骤4:取最小的乘积作为节点u到节点v的距离;
步骤5:重复步骤3和4,直到计算的距离不再发生变化时,将该距离作为节点u到节点v的最小距离。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
为每个节点设置标记字段mark=0,对每一个被访问过的邻居节点更改标记字段mark=1。
4.如权利要求1所述的方法,其特征在于,所述基于所述决定路径权重,利用k-means算法对所述不确定加权图中的节点进行划分,获得多个节点子集包括:
步骤1:初始化,令所述不确定加权图中每个节点的标签值都为空;
步骤2:从所述不确定加权图中随机选择k个节点作为k个子集的中心节点,分别为k个中心节点标签值赋值1,2,3…k,所述k为大于零的整数;
步骤3:对于除中心节点之外的每个节点,计算该节点到每个中心节点的距离,选择距离最小的一个中心节点所属的子集,并将该节点的标签值更新为该子集的标签值;
步骤4,重新选择中心节点,并重复步骤3,直到所有节点的标签值,以及该节点到各个子集的中心节点的距离不再发生变化。
5.如权利要求4所述的方法,其特征在于,所述计算该节点到每个中心节点的距离包括:
在该节点的邻居节点中查找属于目标子集且距离所述目标子集的中心点最近的邻居节点,若不存在该邻居节点,则跳过该目标子集;若存在该邻居节点,则该节点到所述目标子集的中心节点的距离等于该节点到该邻居节点的距离乘以该邻居节点到所述目标子集的中心点的距离。
6.一种基于决定路径权重的不确定图分割系统,其特征在于,所述系统包括:
不确定图建立单元,用于建立不确定加权图;
存储单元,用于以邻接矩阵的形式对所述不确定加权图进行存储;
决定路径权重计算单元,用于计算存储后的所述不确定加权图中各节点之间的决定路径权重;
聚类单元,用于基于所述决定路径权重,利用k-means算法对所述不确定加权图中的节点进行划分,获得多个节点子集。
7.如权利要求6所述的系统,其特征在于,所述决定路径权重计算单元具体用于,计算各个节点之间的距离并且循环更新各个节点之间的距离,直到所述距离达到最小,各节点之间的最小距离即为所述决定路径权重;所述决定路径权重计算单元包括:
选择模块,用于从所述不确定加权图中选择任意两节点u、v;
初始化模块,用于初始化,令所述节点u到节点v的决定路径权重为零;
计算模块,用于访问节点u的每一个邻居节点,以节点u到邻居节点的距离乘以邻居节点到节点v的距离;
确定模块,用于取最小的乘积作为节点u到节点v的距离;
控制模块,用于控制所述计算模块以及确定模块的执行,直到计算的距离不再发生变化时,将该距离作为节点u到节点v的最小距离。
8.如权利要求7所述的系统,其特征在于,所述决定路径权重计算单元还包括:
标记字段更改模块,用于为每个节点设置标记字段mark=0,对每一个被访问过的邻居节点更改标记字段mark=1。
9.如权利要求6所述的系统,其特征在于,所述聚类单元包括:
初始化模块,用于初始化,令所述不确定加权图中每个节点的标签值都为空;
选择模块,用于从所述不确定加权图中随机选择k个节点作为k个子集的中心节点,分别为k个中心节点标签值赋值1,2,3…k,所述k为大于零的整数;
计算模块,用于对于除中心节点之外的每个节点,计算该节点到每个中心节点的距离,选择距离最小的一个中心节点所属的子集,并将该节点的标签值更新为该子集的标签值;
控制模块,用于重新选择中心节点,并控制计算模块的执行,直到所有节点的标签值,以及该节点到各个子集的中心节点的距离不再发生变化。
10.如权利要求9所述的系统,其特征在于,所述计算模块具体用于:
在该节点的邻居节点中查找属于目标子集且距离所述目标子集的中心点最近的邻居节点,若不存在该邻居节点,则跳过该目标子集;若存在该邻居节点,则该节点到所述目标子集的中心节点的距离等于该节点到该邻居节点的距离乘以该邻居节点到所述目标子集的中心点的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510046765.3A CN104573730A (zh) | 2015-01-29 | 2015-01-29 | 一种基于决定路径权重的不确定图分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510046765.3A CN104573730A (zh) | 2015-01-29 | 2015-01-29 | 一种基于决定路径权重的不确定图分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104573730A true CN104573730A (zh) | 2015-04-29 |
Family
ID=53089750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510046765.3A Pending CN104573730A (zh) | 2015-01-29 | 2015-01-29 | 一种基于决定路径权重的不确定图分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573730A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106325756A (zh) * | 2015-06-15 | 2017-01-11 | 阿里巴巴集团控股有限公司 | 一种数据存储、数据计算方法和设备 |
CN111596924A (zh) * | 2020-06-18 | 2020-08-28 | 南方电网科学研究院有限责任公司 | 一种微服务划分方法和装置 |
CN112182306A (zh) * | 2020-09-16 | 2021-01-05 | 山东大学 | 一种基于不确定图的社区发现方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7039239B2 (en) * | 2002-02-07 | 2006-05-02 | Eastman Kodak Company | Method for image region classification using unsupervised and supervised learning |
CN101859313A (zh) * | 2009-04-08 | 2010-10-13 | 索尼公司 | 信息处理设备和方法及其程序 |
CN102077580A (zh) * | 2009-04-30 | 2011-05-25 | 索尼公司 | 显示控制设备、显示控制方法以及程序 |
CN102073708A (zh) * | 2010-12-30 | 2011-05-25 | 东北大学 | 面向大规模不确定图数据库的子图查询方法 |
CN102542285A (zh) * | 2011-08-03 | 2012-07-04 | 清华大学 | 基于谱图分析的图像集合的场景分类方法及装置 |
CN102799674A (zh) * | 2012-07-17 | 2012-11-28 | 东北大学 | 面向大规模不确定物流网络的需求概率查询方法 |
CN103823985A (zh) * | 2014-03-05 | 2014-05-28 | 德州学院 | 不确定图的树指数的计算方法 |
-
2015
- 2015-01-29 CN CN201510046765.3A patent/CN104573730A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7039239B2 (en) * | 2002-02-07 | 2006-05-02 | Eastman Kodak Company | Method for image region classification using unsupervised and supervised learning |
CN101859313A (zh) * | 2009-04-08 | 2010-10-13 | 索尼公司 | 信息处理设备和方法及其程序 |
CN102077580A (zh) * | 2009-04-30 | 2011-05-25 | 索尼公司 | 显示控制设备、显示控制方法以及程序 |
CN102073708A (zh) * | 2010-12-30 | 2011-05-25 | 东北大学 | 面向大规模不确定图数据库的子图查询方法 |
CN102542285A (zh) * | 2011-08-03 | 2012-07-04 | 清华大学 | 基于谱图分析的图像集合的场景分类方法及装置 |
CN102799674A (zh) * | 2012-07-17 | 2012-11-28 | 东北大学 | 面向大规模不确定物流网络的需求概率查询方法 |
CN103823985A (zh) * | 2014-03-05 | 2014-05-28 | 德州学院 | 不确定图的树指数的计算方法 |
Non-Patent Citations (1)
Title |
---|
李鸣鹏: "不确定图上期望最短距离的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106325756A (zh) * | 2015-06-15 | 2017-01-11 | 阿里巴巴集团控股有限公司 | 一种数据存储、数据计算方法和设备 |
CN106325756B (zh) * | 2015-06-15 | 2020-04-24 | 阿里巴巴集团控股有限公司 | 一种数据存储、数据计算方法和设备 |
CN111596924A (zh) * | 2020-06-18 | 2020-08-28 | 南方电网科学研究院有限责任公司 | 一种微服务划分方法和装置 |
CN111596924B (zh) * | 2020-06-18 | 2023-08-08 | 南方电网科学研究院有限责任公司 | 一种微服务划分方法和装置 |
CN112182306A (zh) * | 2020-09-16 | 2021-01-05 | 山东大学 | 一种基于不确定图的社区发现方法 |
CN112182306B (zh) * | 2020-09-16 | 2022-03-18 | 山东大学 | 一种基于不确定图的社区发现方法 |
WO2022056955A1 (zh) * | 2020-09-16 | 2022-03-24 | 山东大学 | 一种基于不确定图的社区发现方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wutthisirisart et al. | A two-phased heuristic for relation-based item location | |
CN104850500A (zh) | 用于数据存储的数据处理方法和装置 | |
Li et al. | A novel multiobjective particle swarm optimization algorithm for signed network community detection | |
CN112308313B (zh) | 一种学校连续点选址方法、装置、介质及计算机设备 | |
CN104573730A (zh) | 一种基于决定路径权重的不确定图分割方法及系统 | |
Louhichi et al. | Unsupervised varied density based clustering algorithm using spline | |
Zarei et al. | Detecting community structure in complex networks using genetic algorithm based on object migrating automata | |
CN103810388A (zh) | 基于面向映射的分块技术的大规模本体映射方法 | |
Lugo-Martinez et al. | Classification in biological networks with hypergraphlet kernels | |
Kazakovtsev et al. | Application of algorithms with variable greedy heuristics for k-medoids problems | |
CN115145391A (zh) | 一种基于ai深度学习的虚拟现实跑步机自适应方法及系统 | |
Lakizadeh et al. | PCD-GED: Protein complex detection considering PPI dynamics based on time series gene expression data | |
CN111028092A (zh) | 基于Louvain算法的社区发现方法、计算机设备及其可读存储介质 | |
CN104657216A (zh) | 一种资源池的资源分配方法及装置 | |
CN106407212B (zh) | 一种网络账户的类别确定方法、对象聚类方法及装置 | |
Chai et al. | A node-priority based large-scale overlapping community detection using evolutionary multi-objective optimization | |
Choudhury et al. | Cellular automaton-based algorithms for the dispersion of mobile wireless sensor networks | |
CN110189230B (zh) | 一种动态分区的解析化模型的构建方法 | |
KR101609457B1 (ko) | 대용량 그래프 데이터베이스에서 하한 경계값에 기초하여 메디안 노드를 검색하는 방법 | |
Wang et al. | A novel heuristic algorithm for IP block mapping onto mesh-based networks-on-chip | |
CN115225515B (zh) | 一种网络抗毁性分析方法及相关设备 | |
CN108011735B (zh) | 社区发现方法及装置 | |
Du et al. | Optimization of the critical diameter and average path length of social networks | |
Yeh | Binary-state line assignment optimization to maximize the reliability of an information network under time and budget constraints | |
Rezvanian et al. | Social community detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150429 |