-
公开(公告)号：CN107276807A
公开(公告)日：2017-10-20
申请号：CN201710474904.1
申请日：2017-06-21
Applicant: 中南大学
Abstract: 本发明提供了一种基于社区动态紧密度的层次化网络社区树剪枝方法，包括以下步骤，首先，获取网络数据；其次，使用聚类算法对网络节点进行社区划分，得到层次化网络社区树结构；再对层次化网络社区树中每个社区，计算该社区内部节点之间连接的边的数量；并划分时间片，计算社区内部节点在各个时间片内连接的边的数量；最后使用信息熵度量社区节点在各个时间片的紧密度的差异性，若该社区的熵值较大，表示社区的紧密度随时间变化程度较小，应该对其进行收缩；否则，判定该社区的紧密度随时间变化程度较大，对其进行展开。本发明实现了将网络中的重要变化信息突出显示出来，更好更有效的展示了动态网络的多特征时变模式。
-
公开(公告)号：CN115952230A
公开(公告)日：2023-04-11
申请号：CN202211258789.1
申请日：2022-10-14
Applicant: 中南大学
IPC: G06F16/26 , G06F16/22 , G06F16/901 , G06F9/448
Abstract: 本发明公开的一种动态函数调用的可视化方法，属于信息可视化技术领域，具体为获取动态函数调用数据；将原始数据转换为带索引信息的层次结构数据；基于广度优先遍历算法确定函数节点布局及设置调用连边属性；绘制层次化的函数调用概览；将函数调用的索引区间映射到节点高度上；绘制细粒度的函数调用。本发明提出了一种紧凑化和左对齐的层次化函数节点布局方法，提供了函数调用中二元、层次信息的概览；并在函数节点上进行了图元设计，简洁美观地展示了细粒度的函数调用时序信息，方便分析人员快速定位多次发生的调用、高效识别连续或周期调用模式。可以帮助他们精简工作流程，节约工作时间。
-
公开(公告)号：CN110858225B
公开(公告)日：2022-06-17
申请号：CN201810914247.2
申请日：2018-08-13
Applicant: 中南大学
IPC: G06F16/901 , G06F16/904
Abstract: 本发明公开了一种基于模块度的动态网络边采样方法，包括：初始化接受边集合、拒绝边集合、接收边顶点集合并获取图流；将所述第一条边加入至接受边集合并按照时间序列将图流中的下一条边作为待处理的边，再获取当前的社区数据集合并进行社区划分以及计算出模块度；将图流上的滑动窗口移动至待处理的边后再加入待处理的边重构新社区并计算出模块度；计算两个模块度的差值的绝对值并判断是否大于或等于预设阈值，若是则将所述待处理的边加入至接受边集合；再重复上述步骤继续处理下一条边直至所有边均被处理完；均处理完后依据最新更新的接受边集合和接受边顶点集合生成精简图流。通过该方法能够保留原始动态网络特性同时减少视图中的视觉混杂程度。
-
公开(公告)号：CN113191428A
公开(公告)日：2021-07-30
申请号：CN202110474647.8
申请日：2021-04-29
Applicant: 中南大学
IPC: G06K9/62
Abstract: 本发明公开了一种社区图识别及采样方法、电子设备及计算机可读存储介质，所述方法包括：步骤1，采集原始数据，给原始数据添加标记；步骤2，选择量化指标作为训练特征；步骤3，训练分类器；步骤4，利用分类器将待处理图数据划分为社区平衡图和社区不平衡图，对社区平衡图进行采样处理；步骤5，将社区不平衡图划分为两个子图；步骤6，对两个子图进行并行采样，并将采样结果合并得到社区不平衡图的采样结果；本发明采样过程简单、效率高，且能全面保留社区图中的原始图结构和关键图属性。
-
Patent Agency Ranking
公开(公告)号：CN109101628A
公开(公告)日：2018-12-28
申请号：CN201810922471.6
申请日：2018-08-14
Applicant: 中南大学
IPC: G06F17/30
Abstract: 本发明公开了一种量化评价MSV的边级视觉混杂程度指标计算方法，包括以下步骤：1)获取MSV中的任意一条边e，并计算其不可区分的像素距离值IPD，从边e的中心位置向左右方向分别扩展IPD的宽度，形成不可区分的像素区域IPA；2)将IPA中与边e相互交错的边加入交错边集合；3)对交错边集合按节点顺序进行分解，得到若干等距且相邻的节点对集合，利用并集操作消除重叠覆盖，得到消除重叠覆盖的交错边集合；4)根据消除覆盖的交错边集合与节点对集合计算边e的视觉混杂程度指标。本发明对MSV中边的视觉混杂程度进行定量评价，有助于为后续边采样工作提供可靠依据，进而有助于减少MSV中的视觉混杂程度，提高其可读性。
-
公开(公告)号：CN109101628B
公开(公告)日：2021-11-26
申请号：CN201810922471.6
申请日：2018-08-14
Applicant: 中南大学
IPC: G06F16/958
Abstract: 本发明公开了一种量化评价MSV的边级视觉混杂程度指标计算方法，包括以下步骤：1)获取MSV中的任意一条边e，并计算其不可区分的像素距离值IPD，从边e的中心位置向左右方向分别扩展IPD的宽度，形成不可区分的像素区域IPA；2)将IPA中与边e相互交错的边加入交错边集合；3)对交错边集合按节点顺序进行分解，得到若干等距且相邻的节点对集合，利用并集操作消除重叠覆盖，得到消除重叠覆盖的交错边集合；4)根据消除覆盖的交错边集合与节点对集合计算边e的视觉混杂程度指标。本发明对MSV中边的视觉混杂程度进行定量评价，有助于为后续边采样工作提供可靠依据，进而有助于减少MSV中的视觉混杂程度，提高其可读性。
-
公开(公告)号：CN112199563A
公开(公告)日：2021-01-08
申请号：CN202011090374.9
申请日：2020-10-13
Applicant: 中南大学
IPC: G06F16/906 , G06Q50/00
Abstract: 本发明公开了一种基于三角检测的图高度节点检测与分类方法，首先，构建节点与边的原始图G＝(V,E)，并根据原始图的结构信息计算出所有节点的度和邻居列表。然后从任意节点开始采用深度优先策略进行遍历，对遍历到的节点，检查其与父节点及祖父节点是否存在三角关联，如是则标记这三个节点。遍历完成后，所有未标记的高度节点为Star节点，而所有标记的高度节点为Pivot节点。最后，对节点根据度大小排序，位于前5％的Pivot节点为汇聚结构；同时节点度大小高于平均度的Star节点为大型星型结构。本发明实现了将三角检测应用于社交网络和网络脆弱性分析中，具有检测速度快、准确性高的特点，适合推广应用。
-
公开(公告)号：CN107276807B
公开(公告)日：2020-06-09
申请号：CN201710474904.1
申请日：2017-06-21
Applicant: 中南大学
Abstract: 本发明提供了一种基于社区动态紧密度的层次化网络社区树剪枝方法，包括以下步骤，首先，获取网络数据；其次，使用聚类算法对网络节点进行社区划分，得到层次化网络社区树结构；再对层次化网络社区树中每个社区，计算该社区内部节点之间连接的边的数量；并划分时间片，计算社区内部节点在各个时间片内连接的边的数量；最后使用信息熵度量社区节点在各个时间片的紧密度的差异性，若该社区的熵值较大，表示社区的紧密度随时间变化程度较小，应该对其进行收缩；否则，判定该社区的紧密度随时间变化程度较大，对其进行展开。本发明实现了将网络中的重要变化信息突出显示出来，更好更有效的展示了动态网络的多特征时变模式。
-
公开(公告)号：CN110858225A
公开(公告)日：2020-03-03
申请号：CN201810914247.2
申请日：2018-08-13
Applicant: 中南大学
IPC: G06F16/901 , G06F16/904
Abstract: 本发明公开了一种基于模块度的动态网络边采样方法，包括：初始化接受边集合、拒绝边集合、接收边顶点集合并获取图流；将所述第一条边加入至接受边集合并按照时间序列将图流中的下一条边作为待处理的边，再获取当前的社区数据集合并进行社区划分以及计算出模块度；将图流上的滑动窗口移动至待处理的边后再加入待处理的边重构新社区并计算出模块度；计算两个模块度的差值的绝对值并判断是否大于或等于预设阈值，若是则将所述待处理的边加入至接受边集合；再重复上述步骤继续处理下一条边直至所有边均被处理完；均处理完后依据最新更新的接受边集合和接受边顶点集合生成精简图流。通过该方法能够保留原始动态网络特性同时减少视图中的视觉混杂程度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.02 seconds)
