[发明专利]一种提取网络节点社区属性的自适应谱聚类方法

说明书

一种提取网络节点社区属性的自适应谱聚类方法，1、设定移动群智感知网络中的节点个数是M，初始化社区个数N=1，标记节点v的社区属性是，定义M个节点组成一个社区的模块度Q_max=0；2、由节点v相对全部M个节点的亲密度向量得到相似度矩阵；3、将相似度矩阵的特征值按从大到小排列，对前N个特征值构建的特征向量空间进行聚类，标记每个节点的社区属性；4、由聚类后所有节点的社区属性计算模块度Q，如果Q≥Q_max，则令Q_max=Q，最佳社区分类个数N_op=N，否则，直接进入5；5、令N=N+1；6、重复3‑5，直至N=M，N_op值是最佳社区分类个数，社区中的节点具有最佳的社区属性。本发明方法可提高网络节点社区分类的准确度。

技术领域

本发明涉及移动群智感知网络（MCSN）， 尤其是一种提取网络节点社区属性的自适应谱聚类方法。

背景技术

在移动群智感知网络MCSN中经常利用基于存储-携带-转发的无线多跳的机会数据传输模式来进行感知数据的收集。在MCSN的弱连接状态下，机会数据传输的关键在于发现一个较好的中继节点选择策略。现有技术中，中继节点的选择策略是：移动群智感知网络中的所有节点分成多个社区，在消息转发过程中优先将消息转发给目的节点所在社区的节点，在目的节点所在社区之外通过对比节点的全局中心度，将消息转发给全局中心度高的节点，在目的节点所在社区之内通过对比节点的局部中心度，将消息转发给局部中心度高的节点。可以看出，将网络中的节点分成多个社区是非常关键的步骤。现有技术采用谱聚类方法提取节点的社区属性，具体方法是：

（1）、根据数据集，构建相似度矩阵；

（2）、将相似度矩阵的特征值按从大到小排列，由前N个特征值构建特征向量空间；

（3）、定义聚类个数N，利用K-means方法对特征向量空间中的特征向量进行聚类。

从上述步骤可以看出，现有谱聚类方法必须事先给出聚类个数N，而矛盾的是我们不可能事先知道聚类个数，只能根据实际情况和经验进行盲目的设定，这样定义的聚类个数是不准确的，导致提取的节点社区属性也不准确，进而影响网络节点消息的转发。

发明内容

本发明的主要目的是公开一种提取网络节点社区属性的自适应谱聚类方法，克服现有技术中节点聚类不准确的问题，获得较佳的节点社区属性，提高网络节点社区分类的准确度。

本发明采用的技术方案是：一种提取网络节点社区属性的自适应谱聚类方法，包括如下步骤：

步骤1、设定移动群智感知网络中的节点个数是M，将M个节点看作是一个社区，即初始化社区个数N=1，并标记节点v的社区属性是，，，定义M个节点组成的一个社区的模块度Q_max =0；

步骤2、由节点v相对全部M个节点的亲密度向量到相似度矩阵，其中，，是节点v和节点w之间的亲密度，当节点之间不存在接触时，=0；

步骤3、将相似度矩阵的特征值按从大到小排列，取前N个特征值构建特征向量空间，利用K-means方法对所述特征向量空间进行聚类，标记每个节点的社区属性；

步骤4、根据聚类后所有节点的社区属性，代入模块度计算公式得到模块度Q的值，其中，是节点w的社区属性，，，，如果Q≥Q_max，则令Q_max=Q，最佳社区分类个数N_op=N，否则，直接进行下一步；

步骤5、令N=N+1；

步骤6、重复步骤3-步骤5，直至N=M，N_op值是最佳社区分类个数，社区中的节点具有最佳的社区属性。