复杂网络中基于聚集马尔可夫链的模糊聚类的发现与测试

识别群集，即具有相对较强内部连接性的节点组，是深入了解网络的结构和功能的一项基本任务。 通过随机沃克的集总马尔可夫链模型，我们提出了两种新颖的推断集总马尔可夫转移矩阵的方法。 此外，在对集总马尔可夫过程的性质进行分析的基础上，提出了一些有用的结果。 为了找到复杂网络的最佳分区，提出了一种新颖的框架，该框架包括两种基于最优集总马尔可夫动力学的网络划分算法来解决此问题。 在此框架下构造算法以最小化目标函数。 仿真实验表明，我们的算法可以有效地确定学习过程中节点属于不同簇的概率，自然支持模糊划分。 此外，它们已成功应用于现实世界的网络，包括空手道俱乐部成员之间的社交互动。