分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2019-01-28 合作期刊: 《计算机应用研究》
摘要: 大数据时代,利用传统的社区发现算法对大规模复杂网络进行社区结构挖掘显得愈发困难,准确率也较低。因此,提出一种基于平滑L_1范数的深度稀疏自编码器社区发现算法L_1-ECDA(community discovery algorithm for deep sparse self-encoder based on smooth L_1 norm)。该算法首先采用基于s跳的方法对网络图的邻接矩阵进行预处理;然后构建基于平滑L_1范数的深度稀疏自编码器,并通过训练网络图相似度矩阵得到低维特征矩阵;最后采用K-means算法对低维特征矩阵进行聚类得到网络社区结构。通过在仿真网络与真实网络数据集上实验表明,L_1-ECDA算法有效提高了社区识别的准确率,且比DBCS算法准确率平均高4%,比Deepwalk算法和CoDDA算法平均高5.4%。
分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2018-04-17 合作期刊: 《计算机应用研究》
摘要: 在布料动态模拟仿真过程中,收敛速度和模拟效率是两个核心指标,可以很好地反映布料在动态过程中的模拟效果。针对布料动态模拟中的收敛速度慢、模拟效率低的问题,提出了一种基于规则网格的层次化模拟方法,实现了基于位置的层次化动态模拟。在该方法中,利用层次化思想在原始网格的基础上构建层次化约束网格。在这个过程中,可以采用不同的决策函数对网格进行精简,构造出更加满足目标要求的约束网格,在构造完成后利用提出的权值关联模型对各层次进行再矫正。在模拟过程中,原始网格利用层次化约束网格从最粗层到最精细层进行收敛矫正,有效避免了传统为提高收敛速度而单一的增加约束矫正迭代次数的问题。为了检验模拟性能,布料在周期钟摆风场下进行了实验。实验表明,在基于规则网格的层次化方法模拟下,能很好地解决传统模拟的约束震荡问题,并且效率高、稳定性好。