更改
跳到导航
跳到搜索
←上一编辑
下一编辑→
复杂网络中的因果涌现
(查看源代码)
2024年4月25日 (四) 02:36的版本
删除13字节
、
2024年4月25日 (星期四)
无编辑摘要
第19行:
第19行:
===谱分解方法===
===谱分解方法===
−
# 输入一个网络<math>A_m</math>,得到其转移矩阵<math>T_{Am}</math>,
然后进行矩阵的特征值分解,得到特征值Λ
={λ_i}与特征向量<math
>
>E={e_i}</math>, 构建新的E^’={λ_ie_i|λ_i≠0}(新的网络节点数量为N^’)
+
# 输入一个网络<math>A_m</math>,得到其转移矩阵<math>T_{Am}</math>,
然后进行矩阵的特征值分解,得到特征值<math>Λ
={λ_i}
</math>
与特征向量<math>E={e_i}</math>, 构建新的E^’={λ_ie_i|λ_i≠0}(新的网络节点数量为N^’)
# 依据E^’计算节点间的距离矩阵D_N^’×N^’:
# 依据E^’计算节点间的距离矩阵D_N^’×N^’:
−
2.1.
如果节点v_i和v_j分别在对方的邻域中(马尔可夫毯),则使用cosine计算两个节点的相似性作为距离;
+
##
如果节点v_i和v_j分别在对方的邻域中(马尔可夫毯),则使用cosine计算两个节点的相似性作为距离;
−
2.2.
否则将两个节点间的距离设为无穷大∞(1000)
+
##
否则将两个节点间的距离设为无穷大∞(1000)
−
3.
基于距离矩阵D_N^’×N^’,使用OPTICS算法进行聚类,同一类里的节点进行粗粒化作为一个宏观节点,存在距离超参ϵ,需要线性搜索,选择EI最大的参数
+
#
基于距离矩阵D_N^’×N^’,使用OPTICS算法进行聚类,同一类里的节点进行粗粒化作为一个宏观节点,存在距离超参ϵ,需要线性搜索,选择EI最大的参数
===机器学习方法===
===机器学习方法===
相信未来
1,177
个编辑
导航菜单
个人工具
登录
名字空间
页面
讨论
变种
视图
阅读
查看源代码
查看历史
更多
搜索
导航
集智百科
集智主页
集智斑图
集智学园
最近更改
所有页面
帮助
工具
特殊页面
可打印版本