بهبود تشخيص جوامع در شبكه‌هاي پيچيده با استفاده از تعريف درجه عضويت براي هر گره

الگوريتم IsoFdp براي تشخيص جوامع در شبكه‌هاي پيچيده از تركيب الگوريتم IsoMap براي كاهش ابعاد غيرخطي و الگوريتم خوشه‌بندي مبتني بر چگالي FDP استفاده كرده است. يكي از مشكلات اين روش انتخاب مراكز خوشه‌ها و يا جوامع با استفاده از گراف تصميم مي‌باشد، كه در شرايطي كه جوامع داراي همپوشاني باشند دچار مشكل خواهد شد، در اين پژوهش روشي ارائه شده، براي رفع مشكل فوق است. در روش پيشنهادي براي خوشه‌بندي از الگوريتم خوشه‌بندي غير پارامتريك MeanShift استفاده شده است، كه برخلاف الگوريتم FDP نيازمند تعيين مراكز خوشه نمي‌باشد و با تعريف بردار درجه عضويت گره‌ها سعي در رفع مشكل همپوشاني خوشه‌ها و مشكل عضويت گره‌ها در هر خوشه دارد. همچنين با تعريف توابع كرنل مختلف باعث انتخاب متفاوت بيشينه براي تعيين مراكز خوشه‌ها و وزن‌دهي متفاوت همسايگان آنها شده است. در اين پژوهش براي بررسي روش پيشنهادي و روش‌هاي پيشين از 5 گراف شبكه واقعيFootball ، Les Miserables،Dolphins و مصنوعيLFR ،GN استفاده شده است. همچنين براي ارزيابي از معيارهاي ACC، NMIو Modularity استفاده شده است. نتايج آزمايشات با استفاده از معيارهاي فوق بر روي شبكه‌هاي واقعي و مصنوعي حاكي از آن است كه روش پيشنهادي تشخيص جوامع در مقايسه با روش‌هاي پيشين داراي بهبود قابل توجهي را نشان مي‌دهد.