light box
امتیاز 2.65 الگوریتم مبتنی بر کامینز (K-means) برای مدل سازی بلوکی">

نوع فایل : word
تعداد صفحات : 25
تعداد کلمات : 13000
مجله : Social Networks
انتشار : 2020
ترجمه ی متون جدول : ترجمه شده است
درج جداول در فایل ترجمه : درج شده است
منابع داخل متن : به صورت فارسی درج شده است
کیفیت ترجمه : طلایی
فونت ترجمه : ب نازنین 12
دسته بندی :
برچسب ها : ، ، ، ، ، ، ، ، ، ، ، ، ،

 عنوان فارسی مقاله:الگوریتم مبتنی بر کامینز (K-means) برای مدل سازی بلوکی شبکه‌های به هم پیوسته

 چکیده

 این مقاله، الگوریتم مبتنی بر کامینز (K-means) را برای مدل سازی بلوکی شبکه‌هایی ارائه می‌کند که در آن شبکه‌های مرتبط و به هم پیوسته به صورت مجموعه‌ای از شبکه‌های تک مدی و دو مدی تعریف می‌شوند که در آن‌ها واحدهایی از شبکه‌های مختلف از طریق شبکه‌های دو حالتی یا دو مدی به هم متصل می‌شوند. دلیل این است که الگوریتم سریع‌تری برای مدل سازی بلوکی شبکه‌های به هم پیوسته برای افزایش مقیاس شبکه لازم است. نمونه‌هایی از شبکه‌های مرتبط شامل شبکه‌های چند سطحی، شبکه‌های پویا، شبکه‌های چند سطحی پویا و شبکه‌های متا هستند. بلاک مدل سازی عمومی برای شبکه‌های پیوندی / چند سطحی توسعه یافته است، اما رویکرد مدل سازی بلوکی کلی برای تحلیل شبکه‌های بزرگتر خیلی کند است. بنابراین، انعطاف پذیری مدل سازی بلوکی کلی برای سرعت رویکردهای مبتنی بر کامینز می‌شود، بنابراین امکان تجزیه و تحلیل شبکه‌های بزرگتر را فراهم می‌آورد. الگوریتم ارائه شده بر اساس الگوریتم دو حالت k برای شبکه‌ها یا ماتریس‌های دو حالته استوار است. به عنوان یک محصول جانبی، الگوریتمی برای مسدود کردن یک حالته شبکه‌های یک حالت ارائه شده است. استفاده از این الگوریتم در یک شبکه چندسطحی پویا با بیش از ۴۰۰ واحد ارائه شده است. یک مطالعه وضعیتی نیز انجام شده است که نشان می‌دهد الگوریتم‌های مبتنی بر کامینز نسبت به روش‌های مبتنی بر الگوریتم جابجایی برای شبکه‌های بزرگتر (به عنوان مثال بزرگتر از ۸۰۰ واحد) برتری دارند.

 

 

TITLE: k-means-based algorithm for blockmodeling linked networks

The paper presents a k-means-based algorithm for blockmodeling linked networks where linked networks are defined as a collection of one-mode and two-mode networks in which units from different one-mode networks are connected through two-mode networks. The reason for this is that a faster algorithm is needed for blockmodeling linked networks that can better scale to larger networks. Examples of linked networks include multilevel networks, dynamic networks, dynamic multilevel networks, and meta-networks. Generalized blockmodeling has been developed for linked/multilevel networks, yet the generalized blockmodeling approach is too slow for analyzing larger networks. Therefore, the flexibility of generalized blockmodeling is sacrificed for the speed of k-means-based approaches, thus allowing the analysis of larger networks. The presented algorithm is based on the two-mode k-means (or KL-means) algorithm for two-mode networks or matrices. As a side product, an algorithm for one-mode blockmodeling of one-mode networks is presented. The algorithm’s use on a dynamic multilevel network with more than 400 units is presented. A situation study is also conducted which shows that k-means based algorithms are superior to relocation algorithm-based methods for larger networks (e.g. larger than 800 units) and never much worse.

    ثبت دیدگاه

      • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
      • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
      • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.

    برای ارسال دیدگاه شما باید وارد سایت شوید.

    محصولات مشابه
    ارزیابی ومرور جامع ریسک ها و مزایای مصرف قهوه
    خـریـد محـصـول
    غذاهای فراسودمند: مزایا ، نگرانی ها و چالش ها – مقاله مربوط به شورای علوم و سلامت آمریکا
    خـریـد محـصـول
    انرژی، اکسرژی و تجزیه و تحلیل اقتصادی دیگهای بخار صنعتی
    خـریـد محـصـول
    تجزیه و تحلیل انرژی و اکسرژی نیروگاه بخار در اردن
    خـریـد محـصـول
    NICE: سیستم بیان برای لاکتوکوکوس لاکتیس: سیستم بیان ژن کنترل شده نایسین
    خـریـد محـصـول
    پروژه بررسی خوشه بندی مبتنی بر منطق فازی شبکه های حسگر بیسیم
    خـریـد محـصـول
    اثرات سرریز افشای MD&A برای سرمایه گذاری حقیقی: نقش رقابت صنعتی
    خـریـد محـصـول
    آیا کاهش نرخ مالیات موثر نشان دهنده اجتناب مالیاتی است؟
    خـریـد محـصـول
    تغییرات رشدی در اثرات اندازه برای مسائل جمع ساده
    خـریـد محـصـول
    زیرساخت مدیریت دارایی (IAM): تکامل و ارزیابی
    خـریـد محـصـول
    ثبت اختراع یا انتشار مقاله

    در اولین مرحله از شروع یک تحقیق جدید نیاز است منابع مختلفی جستجو شود تا جدید بودن ایده مورد بررسی قرار گیرد. یکی از بهترین منابع جهت جستجو، لیست اختراع های ثبت شده است. پایگاه های جستجوی پتنت به محقق کمک میکند پیشینه تحقیق خود را مورد بررسی قرار دهد تا مطمئن شود کار تکراری انجام نمیدهد. لیست اختراعات ثبت شده در اداره ثبت اختراعات ایران دارای طبقه بندی های متفاوتی است. در طبقه بندی بین المللی B که شامل اختراعات حوزه نیاز ها بشری شامل عملیات اجرایی، حمل و نقل شامل: کشتیرانی، ترابری و دیگر موارد را میتوانید در پایگاه جستجوی دارایی های فکری دارکوب مشاهده کنید.

    ثبت اختراع یا انتشار مقاله کدام اول باید انجام شود؟ پژوهشگران منابع مالی و غیر مالی بسیاری را صرف انجام تحقیقات و پژوهش ها میکنند و امکان دارد تعدادی از آنها تبدیل به دستاوردها و فناوری های نو گردد. محققان این نتایج را به سرعت در مقالات علمی ملی و بین المللی منتشر و به آن افتخار میکنند. اما باید مد نظر داشت، چنانچه دستاورد پژوهشی امکان تبدیل شدن به یک محصول یا فرآیند قابل استفاده و تولید در صنعت را داشته باشد، هر گونه انتشار عمومی از جمله مقاله باعث از دست رفتن شرط جدید بودن و در نتیجه عدم امکان ثبت فناوری به عنوان اختراع خواهد شد.

    در نتیجه محققان و پژوهشگران باید پیش از هرگونه افشاء عمومی آن دسته از نتایج تحقیقاتی که شرایط ثبت اختراع را دارا می باشد به صورت اظهارنامه اختراع در اداره مربوطه ثبت و سپس نسبت به انتشار آنها اقدام کنند. امکان دارد مراحل ثبت اختراع چندین ماه به طول بیانجامد که انتشار مقاله (و مانند آن) پس از تاریخ ثبت اظهارنامه اختراع مشکلی را در فرآیند ثبت اختراع بوجود نمی آورد.

    از آنجا که برخی دستاورد ها مانند روشهای تشخیص بیماری و نوآوری های مدیریتی قابلیت ثبت اختراع بین المللی و ملی را ندارند، محققان بدون نگرانی میتوانند انتشار در مقالات داخلی و خارجی را به عنوان اولین گزینه جهت کسب افتخار دست یابی به این قبیل پژوهشها انتخاب کنند.

     
    برو بالا