CN105701511B - 一种提取网络节点社区属性的自适应谱聚类方法 - Google Patents

一种提取网络节点社区属性的自适应谱聚类方法 Download PDF

Info

Publication number
CN105701511B
CN105701511B CN201610022755.0A CN201610022755A CN105701511B CN 105701511 B CN105701511 B CN 105701511B CN 201610022755 A CN201610022755 A CN 201610022755A CN 105701511 B CN105701511 B CN 105701511B
Authority
CN
China
Prior art keywords
node
community
attributes
max
community attributes
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.)
Expired - Fee Related
Application number
CN201610022755.0A
Other languages
English (en)
Other versions
CN105701511A (zh
Inventor
马华红
郑国强
吴红海
冀保峰
祁志娟
徐素莉
李济顺
李阳
袁德颖
周立鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baoding Shengmo Information Technology Co ltd
Original Assignee
Henan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN201610022755.0A priority Critical patent/CN105701511B/zh
Publication of CN105701511A publication Critical patent/CN105701511A/zh
Application granted granted Critical
Publication of CN105701511B publication Critical patent/CN105701511B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (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

一种提取网络节点社区属性的自适应谱聚类方法，1、设定移动群智感知网络中的节点个数是M，初始化社区个数N=1，标记节点v的社区属性是，定义M个节点组成一个社区的模块度Qmax=0；2、由节点v相对全部M个节点的亲密度向量得到相似度矩阵；3、将相似度矩阵的特征值按从大到小排列，对前N个特征值构建的特征向量空间进行聚类，标记每个节点的社区属性；4、由聚类后所有节点的社区属性计算模块度Q，如果Q≥Qmax，则令Qmax=Q，最佳社区分类个数Nop=N，否则，直接进入5；5、令N=N+1；6、重复3‑5，直至N=M，Nop值是最佳社区分类个数，社区中的节点具有最佳的社区属性。本发明方法可提高网络节点社区分类的准确度。

Description

一种提取网络节点社区属性的自适应谱聚类方法
技术领域
本发明涉及移动群智感知网络（MCSN）， 尤其是一种提取网络节点社区属性的自适应谱聚类方法。
背景技术
在移动群智感知网络MCSN中经常利用基于存储-携带-转发的无线多跳的机会数据传输模式来进行感知数据的收集。在MCSN的弱连接状态下，机会数据传输的关键在于发现一个较好的中继节点选择策略。现有技术中，中继节点的选择策略是：移动群智感知网络中的所有节点分成多个社区，在消息转发过程中优先将消息转发给目的节点所在社区的节点，在目的节点所在社区之外通过对比节点的全局中心度，将消息转发给全局中心度高的节点，在目的节点所在社区之内通过对比节点的局部中心度，将消息转发给局部中心度高的节点。可以看出，将网络中的节点分成多个社区是非常关键的步骤。现有技术采用谱聚类方法提取节点的社区属性，具体方法是：
（1）、根据数据集，构建相似度矩阵；
（2）、将相似度矩阵的特征值按从大到小排列，由前N个特征值构建特征向量空间；
（3）、定义聚类个数N，利用K-means方法对特征向量空间中的特征向量进行聚类。
从上述步骤可以看出，现有谱聚类方法必须事先给出聚类个数N，而矛盾的是我们不可能事先知道聚类个数，只能根据实际情况和经验进行盲目的设定，这样定义的聚类个数是不准确的，导致提取的节点社区属性也不准确，进而影响网络节点消息的转发。
发明内容
本发明的主要目的是公开一种提取网络节点社区属性的自适应谱聚类方法，克服现有技术中节点聚类不准确的问题，获得较佳的节点社区属性，提高网络节点社区分类的准确度。
本发明采用的技术方案是：一种提取网络节点社区属性的自适应谱聚类方法，包括如下步骤：
步骤1、设定移动群智感知网络中的节点个数是M，将M个节点看作是一个社区，即初始化社区个数N=1，并标记节点v的社区属性是，，，定义M个节点组成的一个社区的模块度Qmax =0；
步骤2、由节点v相对全部M个节点的亲密度向量到相似度矩阵，其中，，是节点v和节点w之间的亲密度，当节点之间不存在接触时，=0；
步骤3、将相似度矩阵的特征值按从大到小排列，取前N个特征值构建特征向量空间，利用K-means方法对所述特征向量空间进行聚类，标记每个节点的社区属性；
步骤4、根据聚类后所有节点的社区属性，代入模块度计算公式得到模块度Q的值，其中，是节点w的社区属性，，，，如果Q≥Qmax，则令Qmax=Q，最佳社区分类个数Nop=N，否则，直接进行下一步；
步骤5、令N=N+1；
步骤6、重复步骤3-步骤5，直至N=M，Nop值是最佳社区分类个数，社区中的节点具有最佳的社区属性。
较佳的，所述节点v和节点w之间的亲密度，其中，是节点v和节点w的接触次数，是节点v和节点w的平均接触时长，和是调节因子。
较佳的，所述社区个数N的最大值为节点总数的，步骤6中，重复步骤3-步骤5，直至。
与现有技术相比，本发明至少具有下列优点及有益效果：
本发明提出的自适应谱聚类方法，避开了常规聚类方法中必须事先给出聚类个数而我们又不可能事先知道聚类个数的这个矛盾，针对社区个数从1到最大节点数的每次谱聚类数据集都进行模块度计算，利用模块度取得最大值的判断准则得到最佳的谱聚类结果，当模块度达到最大值Qmax时，Nop值是最佳社区分类个数，Nop个社区是最佳的谱聚类结果，社区中的节点具有最佳的社区属性Cop。本发明的谱聚类方法可以不需要事先设定分类个数即可自动获得最佳的聚类效果，避免了现有谱聚类方法需要设定分类个数的缺陷，提高了分类的准确度，得到的局部中心度和全局中心度的数值更加准确，准确的节点群聚类为节点消息转发判断奠定了坚实的基础。
附图说明
图1是本发明的一实施例自适应谱聚类方法的流程图。
下面结合附图和实施例对本发明进一步说明。
实施例一
参考图1，本发明一实施例的自适应谱聚类方法包括如下步骤：
步骤1、设定移动群智感知网络中的节点个数是M，将M个节点看作是一个社区，即初始化社区个数N=1，并标记节点v的社区属性是，，，定义M个节点组成的一个社区的模块度Qmax =0；
步骤2、由节点v相对全部M个节点的亲密度向量得到相似度矩阵：
，
其中，是节点v和节点w之间的亲密度，当节点之间不存在接触时，=0；
步骤3、将相似度矩阵的特征值按从大到小排列，取前N个特征值构建特征向量空间，利用K-means方法对所述特征向量空间进行聚类，标记每个节点的社区属性；
步骤4、根据聚类后所有节点的社区属性，代入模块度计算公式：
，
得到模块度Q的值，其中，是节点w的社区属性，，，，如果Q≥Qmax ，则令Qmax =Q，最佳社区分类个数Nop=N，否则，直接进行下一步；
步骤5、令N=N+1；
步骤6、重复步骤3-步骤5，直至N=M，Nop值是最佳社区分类个数，Nop个社区是最佳的谱聚类结果，社区中的节点具有最佳的社区属性Cop。
所述节点v和节点w之间的亲密度是：
，
其中，是节点v和节点w的接触次数，是节点v和节点w的平均接触时长，和是调节因子。
实施例二
本发明另一实施例的自适应谱聚类方法包括如下步骤：
步骤1、设定移动群智感知网络中的节点个数是M，将M个节点看作是一个社区，即初始化社区个数N=1，并标记节点v的社区属性是，，，定义M个节点组成的一个社区的模块度Qmax =0；
步骤2、由节点v相对全部M个节点的亲密度向量得到相似度矩阵：
，
其中，是节点v和节点w之间的亲密度，当节点之间不存在接触时，=0；
步骤3、将相似度矩阵的特征值按从大到小排列，取前N个特征值构建特征向量空间，利用K-means方法对所述特征向量空间进行聚类，标记每个节点的社区属性；
步骤4、根据聚类后所有节点的社区属性，代入模块度计算公式：
，
得到模块度Q的值，其中，是节点w的社区属性，，，，如果Q≥Qmax ，则令Qmax =Q，最佳社区分类个数Nop=N，否则，直接进行下一步；
步骤5、令N=N+1；
步骤6、重复步骤3-步骤5，直至，Nop值是最佳社区分类个数，Nop个社区是最佳的谱聚类结果，社区中的节点具有最佳的社区属性Cop。
需要说明的是，如果节点个数M不是3的整数倍，那么对向下取整，即舍去的小数部分。例如，M=98,则N=32。
下面是两个具体的实验数据。
1、Cambridge数据集
选取Cambridge数据集，该数据集共有36个节点。设定N从1到12变化，计算每一个N值对应的Q。亲密度中的调节因子取0.9，调节因子取0.1。表1是Cambridge数据集的模块度取值表。
表1 Cambridge数据集的模块度取值表
从表1中可以看出，在N=3时,模块度取得最大值Qmax =0.4713，因此,取Cambridge的最佳分类个数为3。
2、Reality数据集
选取Reality数据集，该数据集共有97个节点。设定N从1到32变化，计算每一个N值对应的Q。亲密度中的调节因子取1，调节因子取0。表2是Reality数据集的模块度取值表。
表2 Reality数据集的模块度取值表
从表2中可以看出，在N=5时,模块度取得最大值Qmax =0.2737，因此，取Reality的最佳分类个数为5。
模块度表征了社区划分偏离随机的程度，聚类模块度值在0.3或以上被认为是比较好的聚类，因此，在此基础上取最大模块度值时对应的聚类结果为最佳聚类结果，社区中的节点具有最佳的社区属性。
本发明的上述自适应谱聚类方法可以不需要事先设定分类个数即可自动获得最佳的聚类结果，避免了现有谱聚类方法需要设定分类个数的缺陷，提高了分类的准确度，准确的节点群聚类为节点消息转发判断奠定了坚实的基础。
以上描述仅是本发明的一个较佳实施例，本发明还可以广泛地用在其他实施例中，并且本发明的保护范围并不受实施例的限定，以权利要求的保护范围为准。任何熟悉本专业的技术人员，可以在不偏离本发明技术思想的范围内，进行多样的变更以及修改，仍属于本发明技术方案的保护范围。

Claims (2)

1.一种提取网络节点社区属性的自适应谱聚类方法，其特征在于，包括如下步骤：
步骤1、设定移动群智感知网络中的节点个数是M，将M个节点看作是一个社区，即初始化社区个数N＝1，并标记节点v的社区属性是cv，1≤cv≤N，1≤v≤M，定义M个节点组成的一个社区的模块度Qmax＝0；
步骤2、由节点v相对全部M个节点的亲密度向量得到相似度矩阵其中，Av,w是节点v和节点w之间的亲密度，Av,w＝α·N(v,w)+β·AD(v,w)，其中，N(v,w)是节点v和节点w的接触次数，AD(v,w)是节点v和节点w的平均接触时长，α和β是调节因子，当节点之间不存在接触时，Av,w＝0；
步骤3、将相似度矩阵Cl的特征值按从大到小排列，取前N个特征值构建特征向量空间，利用K-means方法对所述特征向量空间进行聚类，标记每个节点的社区属性；
步骤4、根据聚类后所有节点的社区属性，代入模块度计算公式得到模块度Q的值，其中，cw是节点w的社区属性，Kv＝∑wAv,w，Kw＝∑vAw,v，如果Q≥Qmax，则令Qmax＝Q，最佳社区分类个数Nop＝N，否则，直接进行下一步；
步骤5、令N＝N+1；
步骤6、重复步骤3-步骤5，直至N＝M，Nop值是最佳社区分类个数，社区中的节点具有最佳的社区属性。
2.如权利要求1所述的一种提取网络节点社区属性的自适应谱聚类方法，其特征在于，所述社区个数N的最大值为节点总数的步骤6中，重复步骤3-步骤5，直至
CN201610022755.0A 2016-01-14 2016-01-14 一种提取网络节点社区属性的自适应谱聚类方法 Expired - Fee Related CN105701511B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610022755.0A CN105701511B (zh) 2016-01-14 2016-01-14 一种提取网络节点社区属性的自适应谱聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610022755.0A CN105701511B (zh) 2016-01-14 2016-01-14 一种提取网络节点社区属性的自适应谱聚类方法

Publications (2)

Publication Number Publication Date
CN105701511A CN105701511A (zh) 2016-06-22
CN105701511B true CN105701511B (zh) 2019-04-02

Family

ID=56227311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610022755.0A Expired - Fee Related CN105701511B (zh) 2016-01-14 2016-01-14 一种提取网络节点社区属性的自适应谱聚类方法

Country Status (1)

Country Link
CN (1) CN105701511B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107071844A (zh) * 2017-06-13 2017-08-18 湘潭大学 一种基于谱聚类社区划分的机会网络路由方法
CN107391856A (zh) * 2017-07-27 2017-11-24 燕山大学 一种给水管网分区中优化水表和阀门位置的方法
CN113365323A (zh) * 2021-05-10 2021-09-07 华东桐柏抽水蓄能发电有限责任公司 一种用于无线传感网络中的低能耗多径传输方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103325061A (zh) * 2012-11-02 2013-09-25 中国人民解放军国防科学技术大学 一种社区发现方法和系统
CN104346481A (zh) * 2014-11-28 2015-02-11 西安电子科技大学 一种基于动态同步模型的社区检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100442288C (zh) * 2006-04-04 2008-12-10 华为技术有限公司 一种确定变量相关关系的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103325061A (zh) * 2012-11-02 2013-09-25 中国人民解放军国防科学技术大学 一种社区发现方法和系统
CN104346481A (zh) * 2014-11-28 2015-02-11 西安电子科技大学 一种基于动态同步模型的社区检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于本征间隙与正交特征向量的自动谱聚类;孔万增 等;《电子学报》;20100830;第38卷(第8期);第1880-1886页
复杂网络社团发现算法研究新进展;骆志刚 等;《国防科技大学学报》;20110228;第33卷(第1期);第47-52页

Also Published As

Publication number Publication date
CN105701511A (zh) 2016-06-22

Similar Documents

Publication Publication Date Title
US9185677B2 (en) Method device and system for estimating access points using log data
CN105701511B (zh) 一种提取网络节点社区属性的自适应谱聚类方法
CN102737057B (zh) 一种商品类目信息的确定方法及装置
CN105959987B (zh) 一种提高无线传感器网络能量利用率和服务性能的数据融合算法
DE112006000373B4 (de) Verfahren und Vorrichtung zur Übertragung von Standortdaten innerhalb eines Kommunikationssystems
CN103974369A (zh) 一种基于wlan无线信道评分机制的信道选择方法及其系统
CN103326904B (zh) 一种基于多参数认知的快速网络拓扑推断方法
CN107786449B (zh) 基于fsr协议的路径选择方法、装置、服务器和存储介质
US20190200318A1 (en) Supporting an update of stored information
US9612313B2 (en) Supporting coverage area modeling
CN113422695B (zh) 一种提高物联网拓扑结构鲁棒性能的优化方法
CN108875815A (zh) 特征工程变量确定方法及装置
CN103888541A (zh) 一种融合拓扑势和谱聚类的社区发现方法及系统
CN114040272B (zh) 一种路径确定方法、装置和存储介质
CN113411766B (zh) 智慧物联网综合感知系统及方法
CN104866558A (zh) 一种社交网络账号映射模型训练方法及映射方法和系统
CN108268603A (zh) 一种基于核心成员识别的社区发现方法
CN110445654A (zh) 一种基于社区划分的社交网络多源谣言溯源方法及系统
CN106922017B (zh) 定位方法以及终端
US10524195B2 (en) Access point availability prediction
CN108183834B (zh) 一种基于dfi和dpi的网络流量管控方法及管控系统
WO2018233139A1 (zh) 一种选举簇头节点的方法、基站和存储介质
CN106055568B (zh) 一种基于单步添加团的社交网络的朋友自动分组方法
CN107801227B (zh) 一种面向无线传感器网层次化分析的路由调度方法
CN105873183B (zh) 一种搜网方法及用户设备

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20211029

Address after: 511400 Nansha street public collective house, Room 501, no.15-2, Yinchuan street, Nansha District, Guangzhou City, Guangdong Province

Patentee after: Liu Guoying

Address before: 471000 No. 48, Xiyuan Road, Jianxi District, Henan, Luoyang

Patentee before: HENAN University OF SCIENCE AND TECHNOLOGY

TR01 Transfer of patent right
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220525

Address after: 071000 No. 2838, Chuangke building, 3S shuangchuang community, No. 888, Hengyuan West Road, Baoding City, Hebei Province

Patentee after: Baoding Xuxu Information Technology Service Co.,Ltd.

Address before: 511400 Nansha street public collective house, Room 501, no.15-2, Yinchuan street, Nansha District, Guangzhou City, Guangdong Province

Patentee before: Liu Guoying

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220713

Address after: 071000 room 901, 9 / F, building 1, 289 Xingye Road, Baoding City, Hebei Province

Patentee after: Baoding Shengmo Information Technology Co.,Ltd.

Address before: 071000 No. 2838, Chuangke building, 3S shuangchuang community, No. 888, Hengyuan West Road, Baoding City, Hebei Province

Patentee before: Baoding Xuxu Information Technology Service Co.,Ltd.

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190402