- 相關(guān)推薦
復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)挖掘論文
在平平淡淡的日常中，大家或多或少都會接觸過論文吧，論文可以推廣經(jīng)驗，交流認識。怎么寫論文才能避免踩雷呢？以下是小編精心整理的復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)挖掘論文，供大家參考借鑒，希望可以幫助到有需要的朋友。
1、復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)流密度分析
對于一個多種網(wǎng)絡(luò)形式并存的復(fù)雜網(wǎng)絡(luò)，假設(shè)復(fù)雜網(wǎng)絡(luò)作為一個網(wǎng)絡(luò)社區(qū)，在復(fù)雜網(wǎng)絡(luò)中存在的網(wǎng)絡(luò)類型數(shù)即社區(qū)數(shù)。我們用一個無向遍歷圖GV,E來表示整個網(wǎng)絡(luò)社區(qū)，如果網(wǎng)絡(luò)中有兩個節(jié)點有兩條不重合的網(wǎng)絡(luò)路徑，則說明這兩個節(jié)點處于一個網(wǎng)絡(luò)環(huán)路當中，網(wǎng)絡(luò)中的數(shù)據(jù)流需要經(jīng)過網(wǎng)絡(luò)環(huán)路到達特定的節(jié)點。當在某個時間段里需要傳送的數(shù)據(jù)流個數(shù)大于網(wǎng)絡(luò)節(jié)點數(shù)時，則說明該網(wǎng)絡(luò)的數(shù)據(jù)流密度較大，為了能夠準確地在復(fù)雜網(wǎng)絡(luò)中挖掘出所需的數(shù)據(jù)流，則需要根據(jù)數(shù)據(jù)流密度來劃分整個網(wǎng)絡(luò)社區(qū)，尋找數(shù)據(jù)流處于哪個社區(qū)，再確定數(shù)據(jù)流所在社區(qū)的環(huán)路。在這里我們通過設(shè)計算法確定網(wǎng)絡(luò)數(shù)據(jù)流密度，來對復(fù)雜網(wǎng)絡(luò)進行社區(qū)劃分，再對社區(qū)進行無向環(huán)路遍歷，并通過遍歷得到該社區(qū)網(wǎng)絡(luò)的所環(huán)路，確定所需查詢的數(shù)據(jù)流位于哪個環(huán)路。以下為復(fù)雜網(wǎng)絡(luò)中需要用到的符號說明。
2、增量子空間數(shù)據(jù)挖掘算法
為了能夠有效地在復(fù)雜網(wǎng)絡(luò)中挖掘出目的數(shù)據(jù)流，使用了復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)流密度的分析方法在對復(fù)雜網(wǎng)絡(luò)進行社區(qū)劃分后，通過對社區(qū)網(wǎng)絡(luò)進行無向環(huán)路遍歷并得到社區(qū)網(wǎng)絡(luò)的所有環(huán)路。接下來挖掘算法先后挖掘出目的數(shù)據(jù)流所屬的社區(qū)以及環(huán)路，最終確定目的數(shù)據(jù)流的具體位置。
2.1基于社區(qū)網(wǎng)絡(luò)遍歷的數(shù)據(jù)流挖掘
當數(shù)據(jù)流i與社區(qū)k的相關(guān)度最大時，說明數(shù)據(jù)流i位于社區(qū)k的可能性就最大。但是當多個數(shù)據(jù)流的大小區(qū)別不大時，以數(shù)據(jù)流的大小作為指標來定義相關(guān)度會導(dǎo)致挖掘精度較低。這里我們也引入數(shù)據(jù)流的特征集和數(shù)據(jù)流中的分組隊列長度來計算相關(guān)度。
2.2基于多增量空間的數(shù)據(jù)流挖掘
在采用基于社區(qū)網(wǎng)絡(luò)遍歷的數(shù)據(jù)流挖掘方法得到數(shù)據(jù)流的所屬社區(qū)后，我們接著采用基于多增量空間的數(shù)據(jù)流挖掘方法來挖掘出數(shù)據(jù)流的所屬環(huán)路。先將社區(qū)網(wǎng)絡(luò)的環(huán)路進行多增量空間擴展，即先得到
目標數(shù)據(jù)流所經(jīng)過的環(huán)路，再得到數(shù)據(jù)流所經(jīng)過的節(jié)點與時間的相關(guān)系數(shù)，這樣就可以在時空上確定目的數(shù)據(jù)流位于環(huán)路的哪個節(jié)點中。
3、實驗結(jié)果
為了驗證本文提出的基于復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)流密度的增量子空間數(shù)據(jù)挖掘算法的效果，我們通過matlab7.0軟件進行算法仿真，其中仿真的復(fù)雜網(wǎng)絡(luò)由多種網(wǎng)絡(luò)形式組成，網(wǎng)絡(luò)節(jié)點有200個，數(shù)據(jù)流大小為500bytes，節(jié)點的接收能耗為10nJ/bit，發(fā)射能耗為50nJ/bit，進行信號處理和功率放大的能耗為10nJ/bit。其他節(jié)點干擾而產(chǎn)生的能量消耗為5nJ/bit。在對本文算法進行分析的過程中，我們采用了對比分析的方法，Lopez-Yanez等人提出一種基于時間序列數(shù)據(jù)挖掘的新的關(guān)聯(lián)模型，該模型是基于伽瑪分類，是一種監(jiān)督模式識別模型，目的是為了挖掘已知模式中的時間序列，以預(yù)測未知的值。由Negrevergne等人提出的一種PARAMINER算法：一個通用的模式挖掘算法的多核架構(gòu)。多核架構(gòu)采用的是一種新的數(shù)據(jù)集縮減技術(shù)（稱之為EL-還原），在算法中通過結(jié)合新的技術(shù)用于處理多核心架構(gòu)的并行執(zhí)行數(shù)據(jù)集。為了驗證本文算法的挖掘有效性，我們分別在增多節(jié)點數(shù)量和社區(qū)網(wǎng)絡(luò)數(shù)的情況下獲取算法的數(shù)據(jù)挖掘精度。實驗采用的精度為NMI[16]，實驗結(jié)果如圖3和圖4所示。在不同節(jié)點數(shù)量下基于復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)流密度的增量子空間數(shù)據(jù)挖掘算法的挖掘精度更高，挖掘精度高于85%，而文獻[14]的挖掘精度在77%以上，挖掘精度在76%以上。因為、提出的關(guān)聯(lián)模型、提出的多核架構(gòu)沒有準確把握數(shù)據(jù)流在不同時間段里與環(huán)路位置的相關(guān)情況。而本文算法采用社區(qū)網(wǎng)絡(luò)遍歷和多增量空間的方法可以有效地確定這種相關(guān)性。圖4為不同社區(qū)數(shù)下的算法挖掘精度，從圖中可以看出，當社區(qū)網(wǎng)絡(luò)的種類增多時，會對算法的挖掘精度造成影響，本文算法的挖掘精度在社區(qū)數(shù)為10時是95.7%，當社區(qū)數(shù)增加到50時為87.5%。而基于時間序列數(shù)據(jù)挖掘方法的挖掘精度在社區(qū)數(shù)為10時是88.6%，在社區(qū)數(shù)為50時是77.4%，而PARAMINER算法在社區(qū)數(shù)為10時是86.7%，社區(qū)數(shù)為50時是78.2%。因此從數(shù)據(jù)分析來看，本文算法的數(shù)據(jù)挖掘精度在社區(qū)數(shù)增多時仍能保持在較高水平。
4、結(jié)論
為了提高網(wǎng)絡(luò)數(shù)據(jù)流的挖掘精度，本文提出了一種基于復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)流密度的增量子空間數(shù)據(jù)挖掘算法，該算法對復(fù)雜網(wǎng)絡(luò)進行數(shù)據(jù)流密度分析，根據(jù)數(shù)據(jù)流密度并采用無向環(huán)路遍歷的方法來劃分整個網(wǎng)絡(luò)社區(qū)，確定數(shù)據(jù)流所屬社區(qū)。利用基于社區(qū)網(wǎng)絡(luò)遍歷的數(shù)據(jù)流挖掘方法來挖掘出數(shù)據(jù)流位于哪一個社區(qū)，接著采用基于多增量空間的數(shù)據(jù)流挖掘方法來挖掘出數(shù)據(jù)流的所屬環(huán)路，并最終確定數(shù)據(jù)流在某一刻時間里位于哪個節(jié)點。在實驗中通過數(shù)據(jù)分析和對比，證明了算法在數(shù)據(jù)挖掘精度上的有效性。
【復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)挖掘論文】相關(guān)文章：
復(fù)雜網(wǎng)絡(luò)交疊團模糊分析與信息挖掘論文（精選8篇）06-13
旅游管理下數(shù)據(jù)挖掘運用論文（精選11篇）09-22
計算機數(shù)據(jù)庫論文07-24
計算機網(wǎng)絡(luò)安全中的數(shù)據(jù)加密技術(shù)論文（精選7篇）06-13
分析電子商務(wù)中的數(shù)據(jù)安全論文04-26
簡單與復(fù)雜作文04-20
形容心情復(fù)雜的詞語09-01
形容心情復(fù)雜的詩詞07-29