【摘 要】
：
社区结构是复杂网络最重要的结构特性之一,通过优化模块度来进行社区结构发现是目前使用最为广泛的一类方法.通过将网络看做有向图,模块度矩阵可表示为顶点的有向边向量表示的交叉协方差矩阵,但是该矩阵不是正定的.现有方法通过对该矩阵的进行谱分解,提取大于零的特征根对应的成分,将社区发现问题描述为向量划分问题.本文通过修正交叉协方差矩阵的对角线,使之满足正定性条件,将其表示为顶点向量的内积矩阵.因此,无须对模
论文部分内容阅读
社区结构是复杂网络最重要的结构特性之一,通过优化模块度来进行社区结构发现是目前使用最为广泛的一类方法.通过将网络看做有向图,模块度矩阵可表示为顶点的有向边向量表示的交叉协方差矩阵,但是该矩阵不是正定的.现有方法通过对该矩阵的进行谱分解,提取大于零的特征根对应的成分,将社区发现问题描述为向量划分问题.本文通过修正交叉协方差矩阵的对角线,使之满足正定性条件,将其表示为顶点向量的内积矩阵.因此,无须对模块度矩阵进行谱分解,甚至无须显式计算顶点的表示向量,就可以将基于模块度的社区发现问题重构为一个向量划分问
其他文献
等圆Packing问题是一个著名的几何难题,也是全局优化领域的一个天然明白客观公正的算法试金石.文中为等圆Packing问题提出了一个拟物型的全局优化算法.在算法中,N个圆饼在弹性挤压力的作用下平缓地运动,到达某个局部最优格局;适当的时期,又在高强度的引力和斥力的作用下剧烈地运动,跳出局部最优格局的陷阱,到达前景可能更好的地方.使用N(N=1,2,...,150)等圆最紧布局的国际记录对算法进行了
针对多传感器图像融合问题,提出一种基于非下采样轮廓波变换域改进型非负矩阵分解的图像融合方法.首先,采用非下采样轮廓波变换对源图像进行多尺度、多方向稀疏分解;然后对低频子图像采用改进型非负矩阵分解方法进行融合,该过程无需对W和H进行随机化便可快速生成低频融合图像,高频子图像则采用自适应unit-fast-linking脉冲耦合神经网络模型进行融合;最后利用非下采样轮廓波逆变换合成各子图像即可得到最终
图像处理与模式识别技术一样,依赖于高质量的视觉显著性图(saliency map)才能得到较好的处理结果.现有的视觉显著性检测技术通常只能检测得到粗糙的视觉显著性图;这些粗糙的视觉显著性图应用于图像处理中将严重影响图像处理的最终结果.本文提出了一种随机的基于内容的视觉显著性区域检测算法;该算法整合多层次粗糙的视觉显著性图到结果显著性图中,并逐步自适应地精化可信度不高的显著性值,最终得到一个考虑了多
本文采用表面粗糙化的方法,在拉曼背散射配置下观察到SiO2中注入硅离子形成纳米硅的拉曼散射特征峰.运用声子限制模型对纳米硅的特征峰进行曲线拟合,得到纳米硅的平均晶粒尺寸是2.6nm.这个结果与透射电子显微镜直接观测的纳米硅尺寸非常符合.以上研究表明,表面粗糙化是一个非常有效的方法来提高拉曼散射强度,从而方便地研究纳米硅的拉曼特征,不会对纳米硅的物理性质发生影响.
利用病原菌序列差异,对病原菌特定基因和位点进行检测,可以快速发现和鉴别病原菌的分类和特征,对传染病快速诊断和溯源具有基础性意义和重要价值.本文旨在覆盖中国重要传染病的103种病原菌,寻找各分类阶元中特有的同源基因,并从中挑选出适合用于病原菌鉴定、分型的候选基因.利用生物信息学和基因组学方法,对已有全基因组序列的275株病原菌的836415个基因进行比对分析,进一步明确菌株的门、纲、目、科、属各分类
猪繁殖与呼吸综合征病毒PRRSV亚基因组的转录和基因组的复制由病毒复制酶引导.病毒首先合成两个多聚蛋白,随后多聚蛋白被加工分解成若干较小的非结构蛋白(nsps),从而产生了复制酶.病毒复制酶所在的nsp9含有特异性的功能性序列模体,在正链RNA病毒的RNA依赖性RNA聚合酶RdRp中共同含有这些保守的序列模体.为了验证PRRSV所特有的SDD模体是否能够替换为其他RNA病毒相应所含有的保守模体,以
室温常压下,以氢化铝锂为还原剂在溶液中还原烯丙基三氯硅烷和四氯化硅体系,制备了烯丙基功能基团修饰的正六边形硅单晶.采用透射电子显微镜(Transmission Electron Microscopy,TEM)和傅里叶变换红外光谱(Fourier Transform Infrared,FTIR)对产物进行表征.研究了硅晶体的尺寸分布、晶面取向及表面组成,推测了可能的反应机理.结果表明,三氯硅烷与四氯
设实数λ,δ满足02为整数.本文研究了不完整区间[1,[λn]]上整数与其模n逆的差.定义S(n,λ,δ)=#{a:1aλn,(a,n)=1,|a?a|<δn},本文给出了有关S(n,λ,δ)的一些渐近公式.
本文研究完备的局部共形平坦的Riemannian流形Mn.证明了在Yamabe流下,流形在无穷远处曲率趋向于零的性质是随时间保持的.作为应用,可以得到这个流形的渐近体积比是一个常数.
本文证明了非Riemannian(α,β)-空间中的Killing向量场最大维数是n(n-1)/2+1.并且给出了具有最大维数Killing向量场的非Riemannian(α,β)-空间的度量形式.最后,若进一步假定α是一个齐性Riemannian度量,则可确定(α,β)-空间的第二空隙.最后给出几个低维流形上Killing场空间维数的例子,这表明在(α,β)情形下Killing场空间维数的空隙被