karate_gngraph.zip_GNmatlab_karate_gngraph_site:www.pudn.com

共1个文件

m：1个

版权申诉

60 浏览量 2022-07-13 19:51:44 上传评论收藏 1KB ZIP 举报

《网络karate的GN算法与模块度计算》在信息技术领域，网络分析是研究复杂系统结构和功能的重要工具。本文将深入探讨一个基于MATLAB实现的网络分析案例——"karate_gngraph"，该案例主要关注的是网络的模块度计算和分裂图的生成。 "karate_gngraph.zip"是一个包含MATLAB代码的压缩文件，其核心程序为"karate_gngraph.m"。这个程序是对著名的“Karate Club”网络的分析，这是一个经典的社交网络实例，常用于测试和展示社区检测算法。在这个网络中，节点代表俱乐部成员，边则表示他们之间的互动关系。 GN算法，全称为Girvan-Newman算法，是由M. E. J. Girvan和M. Newman于2002年提出的，是一种社区检测算法。它的基本思想是通过计算并去除网络中具有最高介数中心性的边，以此来揭示网络中的模块结构。介数中心性是指一个节点在网络中作为其他节点间最短路径的“桥梁”的程度，高的介数中心性意味着这条边可能连接了不同的社区。在"karate_gngraph.m"文件中，我们首先可以期待看到对"Karate Club"网络数据的导入，这通常是以邻接矩阵的形式存在。然后，程序会执行GN算法，计算每个边的介数中心性，并按照这一度量标准排序边。接着，算法会选择具有最高介数中心性的边进行删除，重复此过程，直到网络完全分割成多个不相交的子集，即社区。在每次迭代后，都会计算整个网络的模块度，它是衡量网络中社区结构强度的一个指标。模块度（Modularity）是社区结构质量的一种量化度量，由L. A. Newman和M. E. J. Girvan在2004年提出。其计算公式是网络中各模块内部边的数量减去随机网络预期的内部边数量，再除以网络总边数。高模块度意味着网络有明显的社区划分，而低模块度则表示网络的社区结构不明显。在"karate_gngraph"的实现中，模块度计算的结果可以展示网络的社区结构和分裂过程。通过观察模块度的变化，我们可以了解随着边的删除，网络如何从一个整体逐渐分解为多个独立的社区，这对于理解社交网络的动态演化和结构特性有着重要的意义。 "karate_gngraph"案例是理解和实践GN算法、计算模块度以及分析网络社区结构的宝贵资源。它不仅提供了对经典网络数据的处理方式，还展示了如何在MATLAB环境中实现这些复杂的网络分析任务。对于学习和研究网络科学、社会网络分析或数据挖掘的学者来说，这是一个非常实用的工具和案例。

资源详情

资源评论

资源推荐

收起资源包目录

karate_gngraph.zip （1个子文件）

karate_gngraph.m 2KB

clc;clear; e(1,1)=3;e(1,2)=14; e(2,1)=3;e(2,2)=10; e(3,1)=1;e(3,2)=11; e(4,1)=3;e(4,2)=9; e(5,1)=1;e(5,2)=12; e(6,1)=27;e(6,2)=30; e(7,1)=4;e(7,2)=13; e(8,1)=15;e(8,2)=34; e(9,1)=16;e(9,2)=34; e(10,1)=29;e(10,2)=32; e(11,1)=19;e(11,2)=34; e(12,1)=2;e(12,2)=18; e(13,1)=21;e(13,2)=34; e(14,1)=2;e(14,2)=20; e(15,1)=6;e(15,2)=11; e(16,1)=23;e(16,2)=34; e(17,1)=2;e(17,2)=22; e(18,1)=3;e(18,2)=28; e(19,1)=9;e(19,2)=31; e(20,1)=31;e(20,2)=34; e(21,1)=4;e(21,2)=8; e(22,1)=1;e(22,2)=14; e(23,1)=2;e(23,2)=14; e(24,1)=3;e(24,2)=29; e(25,1)=4;e(25,2)=14; e(26,1)=5;e(26,2)=11; e(27,1)=6;e(27,2)=17; e(28,1)=7;e(28,2)=17; e(29,1)=24;e(29,2)=34; e(30,1)=25;e(30,2)=32; e(31,1)=26;e(31,2)=32; e(32,1)=30;e(32,2)=34; e(33,1)=33;e(33,2)=34; mo(1,1)=1;mo(1,2)=0.000000; mo(2,1)=2;mo(2,2)=0.371466; mo(3,1)=3;mo(3,2)=0.371795; mo(4,1)=4;mo(4,2)=0.377137; mo(5,1)=5;mo(5,2)=0.375000; mo(6,1)=6;mo(6,2)=0.375000; mo(7,1)=7;mo(7,2)=0.346400; mo(8,1)=8;mo(8,2)=0.346400; mo(9,1)=9;mo(9,2)=0.317143; mo(10,1)=10;mo(10,2)=0.287229; mo(11,1)=11;mo(11,2)=0.226331; mo(12,1)=12;mo(12,2)=0.195266; mo(13,1)=13;mo(13,2)=0.195266; mo(14,1)=14;mo(14,2)=0.163544; mo(15,1)=15;mo(15,2)=0.163544; mo(16,1)=16;mo(16,2)=0.115056; mo(17,1)=17;mo(17,2)=0.082018; mo(18,1)=18;mo(18,2)=0.082018; mo(19,1)=19;mo(19,2)=0.079389; mo(20,1)=20;mo(20,2)=0.030736; mo(21,1)=21;mo(21,2)=0.009369; mo(22,1)=22;mo(22,2)=0.009369; mo(23,1)=23;mo(23,2)=-0.010930; mo(24,1)=24;mo(24,2)=-0.002055; mo(25,1)=25;mo(25,2)=-0.013149; mo(26,1)=26;mo(26,2)=-0.002959; mo(27,1)=27;mo(27,2)=0.009615; mo(28,1)=28;mo(28,2)=0.000411; mo(29,1)=29;mo(29,2)=0.007643; mo(30,1)=30;mo(30,2)=-0.020299; mo(31,1)=31;mo(31,2)=-0.035092; mo(32,1)=32;mo(32,2)=-0.043475; mo(33,1)=33;mo(33,2)=-0.023751; mo(34,1)=34;mo(34,2)=0.000000; i=1;while i<=(34-1)/2 temp=e(i,1);e(i,1)=e(34-i,1);e(34-i,1)=temp; temp=e(i,2);e(i,2)=e(34-i,2);e(34-i,2)=temp;i=i+1; end for i=1:34-1 chekx=e(i,1);cheky=e(i,2); j=1; while(j<i) if (chekx==e(j,1))|(chekx==e(j,2)) chekx=34+j; end if (cheky==e(j,1))|(cheky==e(j,2)) cheky=34+j; end j=j+1; end e(i,1)=chekx;e(i,2)=cheky;e(i,3)=i; end figure(1);dendrogram(e,0); title('网络karate的GN算法分裂图(N=34)') figure(2);subplot(2,1,1); plot(mo(:,1),mo(:,2)); title('网络karate的GN算法下的模块度值与分裂图(N=34)') subplot(2,1,2); dendrogram(e,0,'orientation','left'); hold off;