识别复杂网络中的关键节点对优化网络结构以及信息的有效传播起着至关重要的作用。局部结构熵(LE)利用局部网络对整个网络的影响代替节点对整个网络的影响以识别重要节点,然而LE未考虑高聚集性网络和节点与邻居节点形成环的情况,存在一...识别复杂网络中的关键节点对优化网络结构以及信息的有效传播起着至关重要的作用。局部结构熵(LE)利用局部网络对整个网络的影响代替节点对整个网络的影响以识别重要节点,然而LE未考虑高聚集性网络和节点与邻居节点形成环的情况,存在一定的局限性。针对以上不足,首先,提出了改进LE的节点重要性评价方法PLE(Penalized Local structural Entropy),即在LE的基础上引入集聚系数(CC)作为惩罚项,从而适当惩罚网络中的高聚集性节点;其次,由于PLE的惩罚项对三元闭包结构上的节点惩罚力度过大,又提出了PLE的改进方法PLEA(Penalized Local structural Entropy Advancement),即在惩罚项前引入一个控制系数,以控制惩罚力度。对5个不同规模的真实网络进行选择性攻击实验,实验结果表明,在美国西部各州电网和美国航空网两个网络中,与LE方法相比,PLEA的识别准确率分别提升了26.3%和3.2%;与K-Shell(KS)方法相比,PLEA的识别准确率分别提升了380%和5.43%;与DCL(Degree and Clustering coefficient and Location)方法相比,PLEA的识别准确率分别提升了14.4%和24%。同时,PLEA识别的重要节点对网络造成的破坏更大,验证了引入CC作为惩罚项的合理性,以及PLEA的有效性和优越性。PLEA综合考虑了节点的邻居个数和节点的局部网络结构,计算简单,对于刻画大规模网络的可靠性与抗毁性具有十分重要的意义。展开更多
为提升模糊C均值(fuzzy C-means,FCM)聚类算法抑制噪声能力,提出一种改进的模糊聚类图像分割算法。首先,利用非局部空间信息和局部空间信息构建多维图像信息。其次,引入先验概率保证每次迭代前的隶属度考虑图像空间信息。最后,添加隶属...为提升模糊C均值(fuzzy C-means,FCM)聚类算法抑制噪声能力,提出一种改进的模糊聚类图像分割算法。首先,利用非局部空间信息和局部空间信息构建多维图像信息。其次,引入先验概率保证每次迭代前的隶属度考虑图像空间信息。最后,添加隶属度惩罚项改善聚类分割效果。实验结果表明,改进算法与模糊局部信息C均值(fuzzy local information C-means,FLICM)聚类算法、结合核度量及局部信息的模糊C均值(KWFLICM)聚类算法、结合非局部空间信息的模糊C均值(FCM_NLS)聚类算法、粒子群优化非局部模糊C均值聚类图像分割(PSO-WMNLFCM)算法相比,划分系数和划分熵均有较大改善,划分系数提高到0.9573,划分熵降低到0.0596。展开更多
Online gradient algorithm has been widely used as a learning algorithm for feedforward neural network training. In this paper, we prove a weak convergence theorem of an online gradient algorithm with a penalty term, a...Online gradient algorithm has been widely used as a learning algorithm for feedforward neural network training. In this paper, we prove a weak convergence theorem of an online gradient algorithm with a penalty term, assuming that the training examples are input in a stochastic way. The monotonicity of the error function in the iteration and the boundedness of the weight are both guaranteed. We also present a numerical experiment to support our results.展开更多
文摘识别复杂网络中的关键节点对优化网络结构以及信息的有效传播起着至关重要的作用。局部结构熵(LE)利用局部网络对整个网络的影响代替节点对整个网络的影响以识别重要节点,然而LE未考虑高聚集性网络和节点与邻居节点形成环的情况,存在一定的局限性。针对以上不足,首先,提出了改进LE的节点重要性评价方法PLE(Penalized Local structural Entropy),即在LE的基础上引入集聚系数(CC)作为惩罚项,从而适当惩罚网络中的高聚集性节点;其次,由于PLE的惩罚项对三元闭包结构上的节点惩罚力度过大,又提出了PLE的改进方法PLEA(Penalized Local structural Entropy Advancement),即在惩罚项前引入一个控制系数,以控制惩罚力度。对5个不同规模的真实网络进行选择性攻击实验,实验结果表明,在美国西部各州电网和美国航空网两个网络中,与LE方法相比,PLEA的识别准确率分别提升了26.3%和3.2%;与K-Shell(KS)方法相比,PLEA的识别准确率分别提升了380%和5.43%;与DCL(Degree and Clustering coefficient and Location)方法相比,PLEA的识别准确率分别提升了14.4%和24%。同时,PLEA识别的重要节点对网络造成的破坏更大,验证了引入CC作为惩罚项的合理性,以及PLEA的有效性和优越性。PLEA综合考虑了节点的邻居个数和节点的局部网络结构,计算简单,对于刻画大规模网络的可靠性与抗毁性具有十分重要的意义。
文摘为提升模糊C均值(fuzzy C-means,FCM)聚类算法抑制噪声能力,提出一种改进的模糊聚类图像分割算法。首先,利用非局部空间信息和局部空间信息构建多维图像信息。其次,引入先验概率保证每次迭代前的隶属度考虑图像空间信息。最后,添加隶属度惩罚项改善聚类分割效果。实验结果表明,改进算法与模糊局部信息C均值(fuzzy local information C-means,FLICM)聚类算法、结合核度量及局部信息的模糊C均值(KWFLICM)聚类算法、结合非局部空间信息的模糊C均值(FCM_NLS)聚类算法、粒子群优化非局部模糊C均值聚类图像分割(PSO-WMNLFCM)算法相比,划分系数和划分熵均有较大改善,划分系数提高到0.9573,划分熵降低到0.0596。
基金Partly supported by the National Natural Science Foundation of China,and the Basic Research Program of the Committee of ScienceTechnology and Industry of National Defense of China.
文摘Online gradient algorithm has been widely used as a learning algorithm for feedforward neural network training. In this paper, we prove a weak convergence theorem of an online gradient algorithm with a penalty term, assuming that the training examples are input in a stochastic way. The monotonicity of the error function in the iteration and the boundedness of the weight are both guaranteed. We also present a numerical experiment to support our results.
