本文選題：復(fù)雜網(wǎng)絡(luò) + 網(wǎng)絡(luò)模體　； 參考：《昆明理工大學(xué)》2016年碩士論文

【摘要】：目前,復(fù)雜網(wǎng)絡(luò)的研究一個熱點。在生物信息學(xué)領(lǐng)域中,發(fā)現(xiàn)一個又一個非常有意義的結(jié)論。但它不僅僅在生物信息學(xué)領(lǐng)域中廣泛應(yīng)用,還應(yīng)用在社會學(xué),計算機網(wǎng)絡(luò),電子商務(wù)等等涉及到網(wǎng)絡(luò)分析的領(lǐng)域中。有名的“啤酒尿不濕”故事,也是通過對商品銷售網(wǎng)絡(luò)中進行關(guān)聯(lián)規(guī)則挖掘得出的。而網(wǎng)絡(luò)模體又是復(fù)雜網(wǎng)絡(luò)信息挖掘中的一個重要信息之一。因為它能夠反映出社區(qū)團體的規(guī)模及效能。面對動態(tài)網(wǎng)絡(luò)的網(wǎng)絡(luò)模體挖掘這一問題,本文首先用抽象化,形式化的數(shù)學(xué)語言來表述該問題。其次,本文分析研究了傳統(tǒng)動態(tài)網(wǎng)絡(luò)的網(wǎng)絡(luò)模體挖掘算法,研究其運行效率,并得出其算法效率低的原因。再提出一種新的高效的動態(tài)網(wǎng)絡(luò)的網(wǎng)絡(luò)模體挖掘算法。并且提出三個性質(zhì)從理論上來保證本文所提出的動態(tài)網(wǎng)絡(luò)模體挖掘算法的正確性。再次,根據(jù)本文提出的三個性質(zhì),設(shè)計實現(xiàn)了動態(tài)網(wǎng)絡(luò)模體挖掘新算法。在算法設(shè)計中,記錄用時間權(quán)重信息來描述滿足網(wǎng)絡(luò)模體條件的子圖的拓?fù)浣Y(jié)構(gòu),和滿足網(wǎng)絡(luò)模體條件的子圖的頂點信息,以此來保證網(wǎng)絡(luò)模體挖掘的完整性。并從理論上分析本文提出的新算法與傳統(tǒng)算法的時間復(fù)雜度,表明新算法比傳統(tǒng)算法效率要高很多。再次,本文通過對于動態(tài)網(wǎng)絡(luò)與靜態(tài)網(wǎng)絡(luò)的對比分析得出,靜態(tài)網(wǎng)絡(luò)是動態(tài)網(wǎng)絡(luò)的一種特殊情況。從而將動態(tài)網(wǎng)絡(luò)與靜態(tài)網(wǎng)絡(luò)的網(wǎng)絡(luò)模體挖掘建立統(tǒng)一關(guān)系。同時還分析得出,只需要將本文提出的動態(tài)網(wǎng)絡(luò)模體挖掘算法做相應(yīng)的修改就可以應(yīng)用在靜態(tài)網(wǎng)絡(luò)的網(wǎng)絡(luò)模體挖掘中。最后,通過各種實驗來驗證前面的結(jié)論,即新算法的效率高于傳統(tǒng)算法的效率。為此設(shè)計了4種實驗,分別是：度分布服從均勻分布的網(wǎng)絡(luò)、度分布服從Poisson分布的網(wǎng)絡(luò)、度分布服從Power-Law分布的網(wǎng)絡(luò)以及二分圖的網(wǎng)絡(luò)。
[Abstract]:At present, the research of complex network is a hot spot.In the field of bioinformatics, one after another very meaningful conclusions have been found.But it is not only widely used in the field of bioinformatics, but also in the fields of sociology, computer network, electronic commerce and so on.The famous "Beer diaper" story is also derived by mining association rules in commodity sales networks.Network motif is one of the important information in complex network information mining.Because it reflects the size and effectiveness of community groups.Faced with the problem of dynamic network motif mining, this paper first uses abstract and formal mathematical language to express the problem.Secondly, this paper analyzes and studies the traditional dynamic network motif mining algorithm, studies its running efficiency, and obtains the reason of its low efficiency.A new and efficient algorithm for dynamic network motif mining is proposed.Three properties are proposed to ensure the correctness of the dynamic network motif mining algorithm proposed in this paper.Thirdly, according to the three properties proposed in this paper, a new dynamic network motif mining algorithm is designed and implemented.In the algorithm design, time weight information is used to describe the topological structure of the subgraph satisfying the network motif condition and the vertex information of the subgraph satisfying the network motif condition to ensure the integrity of the network motif mining.The time complexity of the new algorithm and the traditional algorithm is analyzed theoretically, which shows that the new algorithm is much more efficient than the traditional algorithm.Thirdly, through the comparative analysis of dynamic network and static network, it is concluded that static network is a special case of dynamic network.In order to establish a unified relationship between dynamic network and static network network motif mining.At the same time, it is concluded that the dynamic network motif mining algorithm proposed in this paper can be applied to static network motif mining only by modifying it.Finally, experiments are conducted to verify the conclusion that the efficiency of the new algorithm is higher than that of the traditional algorithm.Four kinds of experiments are designed for this purpose: the degree distribution follows the uniform distribution network, the degree distribution service follows the Poisson distribution network, the degree distribution service follows the Power-Law distribution network and the bipartite graph network.
【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP311.13;O157.5

【相似文獻】

相關(guān)期刊論文 前10條

1 王春連;胡秀珍;;用二次判別方法識別蛋白質(zhì)β-發(fā)夾模體[J];生物物理學(xué)報;2009年04期

2 李慧敏;胡俊;張靜;;果蠅核糖體蛋白基因中潛在轉(zhuǎn)錄協(xié)同作用模體的統(tǒng)計分析[J];云南大學(xué)學(xué)報(自然科學(xué)版);2010年03期

3 胡秀珍;李前忠;;矩陣打分的方法應(yīng)用于蛋白質(zhì)β-發(fā)夾模體的識別[J];內(nèi)蒙古大學(xué)學(xué)報(自然科學(xué)版);2007年06期

4 姜雪;胡秀珍;;打分矩陣方法在β-發(fā)夾模體識別中的應(yīng)用[J];生物信息學(xué);2008年04期

5 岳俊杰;譚明峰;周圍;王夏;李北平;王月蘭;梁龍;;細(xì)菌黏附素序列模體分析[J];生物技術(shù)通訊;2008年05期

6 姜雪;;蛋白質(zhì)βαβ模體序列的統(tǒng)計分析及其識別[J];昆明理工大學(xué)學(xué)報(理工版);2010年05期

7 賈少春;胡秀珍;;基于添加功能位點信息的組合向量預(yù)測β-發(fā)夾模體[J];內(nèi)蒙古工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2012年03期

8 陳丹;梁振霞;李慧敏;;組合調(diào)控中過表達模體對距離的統(tǒng)計檢驗[J];基因組學(xué)與應(yīng)用生物學(xué);2013年01期

9 宋航宇;胡秀珍;馮振興;姜卓;孫利霞;;基于統(tǒng)計特征的酶蛋白質(zhì)中特殊模體βαβ的預(yù)測[J];生物物理學(xué)報;2013年09期

10 葉玉珍,解濤,丁達夫;蛋白質(zhì)功能基團三維模體及其應(yīng)用[J];科學(xué)通報;2000年12期

相關(guān)會議論文 前4條

1 李彩艷;胡秀珍;;蛋白質(zhì)中兩種Strand-Loop-Strand模體的判斷[A];第十次中國生物物理學(xué)術(shù)大會論文摘要集[C];2006年

2 高燕莉;張鐳;李劍穎;;應(yīng)用64排CT優(yōu)化高分辨CT掃描方案的模體研究[A];中華醫(yī)學(xué)會第十三屆全國放射學(xué)大會論文匯編（下冊）[C];2006年

3 李興東;萬國慶;田中青;;X射線CT檢測標(biāo)準(zhǔn)的研究[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責(zé)任和對策（下冊）[C];2002年

4 安晶剛;;PET質(zhì)量檢測的方法及相應(yīng)模體[A];全國醫(yī)用輻射防護與安全學(xué)術(shù)研討會論文匯編[C];2004年

相關(guān)博士學(xué)位論文 前8條

1 于強;生物序列模體發(fā)現(xiàn)算法研究[D];西安電子科技大學(xué);2014年

2 劉丙強;原核生物中的轉(zhuǎn)錄調(diào)控模體預(yù)測研究[D];山東大學(xué);2010年

3 劉倩;基于貝葉斯統(tǒng)計的基因非編碼區(qū)與模體識別問題研究[D];西安電子科技大學(xué);2014年

4 周川;原核生物調(diào)控模體和調(diào)節(jié)子預(yù)測算法研究[D];山東大學(xué);2014年

5 周鵬;生物非鍵模體[D];浙江大學(xué);2011年

6 張凌慧;基因組中順式調(diào)控模體的特征分析與計算預(yù)測[D];中國協(xié)和醫(yī)科大學(xué);2005年

7 劉立芳;生物信息學(xué)中的多序列比對與模體識別問題研究[D];西安電子科技大學(xué);2006年

8 張懿璞;轉(zhuǎn)錄因子結(jié)合位點識別問題的算法研究[D];西安電子科技大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 周燕;SRK-ARC1識別模體序列多態(tài)性與甘藍親和指數(shù)的相關(guān)性研究[D];西南大學(xué);2015年

2 馬平;基因組序列8-mer模體使用分離與不同序列組成和物種進化的關(guān)系[D];內(nèi)蒙古大學(xué);2015年

3 劉國君;酵母基因組8-mer模體使用的進化分離與功能分析[D];內(nèi)蒙古大學(xué);2015年

4 王晶;ChIP-Seq中DNA模體挖掘工具的比較[D];蘇州大學(xué);2015年

5 蘇潤梅;DNA序列中模體識別算法研究[D];電子科技大學(xué);2014年

6 申軍軍;復(fù)雜超聲模體快速制造及其B超成像[D];石家莊鐵道大學(xué);2015年

7 方慧婷;任務(wù)驅(qū)動社會網(wǎng)絡(luò)的模體分析與研究[D];浙江工業(yè)大學(xué);2015年

8 李俊;基于MapReduce的軟件網(wǎng)絡(luò)模體查找算法研究[D];東北大學(xué);2014年

9 楊志楓;原核生物調(diào)控模體預(yù)測與分析[D];山東大學(xué);2016年

10 唐華陽;復(fù)雜網(wǎng)絡(luò)模體挖掘算法研究[D];昆明理工大學(xué);2016年

，

本文編號：1752588