基于模块度的社团检测算法

1. 社交网络核心，推荐算法有哪些

对好友推荐算法非常熟悉，有些积累。好友推荐算法一般可以分为下面几类：
1、基于关系的推荐
基于关系的推荐，最近写了一个专栏文章，具体介绍了常用算法，可以看下有没有帮助，传送门：http://zhuanlan.hu.com/gongwenjia/20533434
简介：
a.社会网络中，三元闭包理论，以及常用推荐算法
b.Facebook中的推荐算法是如何做的
2、基于用户资料的推荐
3、基于兴趣的推荐
剩下两个方面有时间再写。
近来学习聚类，发现聚类中有一个非常有趣的方向—社交网络分析，分享一下我的大致了解。这篇只是一篇概况，并没有太多的公式推导和代码，基本是用人话解释社交网络分析中的常用的几种算法。详细到每个算法的以后有空再把详细的公式和代码补上。
社区发现算法，GN算法，Louvain算法，LPA与SLPA
Louvain算法思想
1.不断遍历网络中的节点，尝试把单个节点加入能使模块度提升最大的社区，直到所有节点不再改变
2.将第一阶段形成的一个个小的社区并为一个节点，重新构造网络。这时边的权重为两个节点内所有原始节点的边权重之和。
3.重复以上两步
LPA算法思想：
1.初始化每个节点，并赋予唯一标签
2.根据邻居节点最常见的标签更新每个节点的标签
3.最终收敛后标签一致的节点属于同一社区
SLPA算法思想：
SLPA是LPA的扩展。
1.给每个节点设置一个list存储历史标签
2.每个speaker节点带概率选择自己标签列表中标签传播给listener节点。（两个节点互为邻居节点）
3.节点将最热门的标签更新到标签列表中
4.使用阀值去除低频标签，产出标签一致的节点为社区。

2. 什么是角点检测，角点检测能做什么opencv的

目前的角点检测算法可归纳为3类：基于灰度图像的角点检测、基于二值图像的角点检测、基于轮廓曲线的角点检测。基于灰度图像的角点检测又可分为基于梯度、基于模板和基于模板梯度组合3类方法，其中基于模板的方法主要考虑像素领域点的灰度变化，即图像亮度的变化，将与邻点亮度对比足够大的点定义为角点。常见的基于模板的角点检测算法有Kitchen-Rosenfeld角点检测算法，Harris角点检测算法、KLT角点检测算法及SUSAN角点检测算法。和其他角点检测算法相比，SUSAN角点检测算法具有算法简单、位置准确、抗噪声能力强等特点。

3. 单片机按键检测。。。谁有办法做到既能准确只改变一次数值，又不失响应速度。求算法。。。。。

检测到按键被按下后,在消抖延时的过程中反复检测,若延时过程中按键松开(或弹开),则退出,直到再次检测到按键被按下.
并且,关键是,消抖延时最好利用定时中断来做,这样的话,在消抖的过程中,也不会影响其它的工作.
我的一般做法是,将定时器设定为1mS中断一次,假如你采用15mS做按键消抖,那就在按键检测程序中检测到按键被按下时,设一个标志位,然后1mS之内就会进定时中断,在中断中判断按键是否继续被按下,若是,则对一个寄存器加一,若不是,则清除按键的标志位和该寄存器.若寄存器计到15了,就表示该按键已经持续了15个mS是有效的,可以判断为一次有效按键了.
这样做的好处在于,由于在中断中只是判断和设定一两个标志位,因此占用的中断时间很少很少,剩余的时间就可以退出中断去继续干别的.
并且,这个1mS的定时时间,还可以作为系统中其它功能的一个"时基",也可以理解成软件的"节拍",对这个1mS进行计数,可以得到任何想要的定时标志,例如10mS、100mS、1S等等,这对于很多软件来说,比单纯的一个大循环要好调配得多,并且还容易找出有冲突的地方,便于维护和升级.
当然,对于不同速度的芯片来说,定时器1mS的定时周期或许不太合适,那也可以改为2mS或5mS,反正是便于计数和计算的一个基础值就可以.
希望对你有用^_^

--------
按一次会连续加几次的问题,是因为你没有对按键的"松开"进行判断.
也就是说,按键按下后,执行过一次了,就设定一个标志位,直到该按键被松开,才清除这个标志位.这样的话,当再次执行到该按键的时候,就可以判断这一次按键有没有执行过,也就是,这一次按键"有没有用过".用过了就跳过,没用过才用.

4. yolo算法是什么

Yolo是一种目标检测算法。

目标检测的任务是从图片中找出物体并给出其类别和位置，对于单张图片，输出为图片中包含的N个物体的每个物体的中心位置（x,y)、宽（w)、高（h)以及其类别。

Yolo的预测基于整个图片，一次性输出所有检测到的目标信号，包括其类别和位置。Yolo首先将图片分割为sxs个相同大小的grid。

介绍

Yolo只要求grid中识别的物体的中心必须在这个grid内（具体来说，若某个目标的中心点位于一个grid内，该grid输出该目标类别的概率为1，所有其他grid对该目标预测概率设置为0)。

实现方法：让sxs个框每个都预测出B个boungding box，bounding box有5个量，分别为物体的x,y,h,w和预测的置信度；每个grid预测B个bounding box和物体类别，类别使用one-hot表示。

5. 全国数学建模大赛，论文里面的源程序要求写注释吗

综述：

数学建模比赛中使用的方法(如果不是自己提出的)需要注引用,但是程序不需要。

全国大学生数学建模竞赛创办于1992年，每年一届，已成为全国高校规模最大的基础性学科竞赛，也是世界上规模最大的数学建模竞赛。

2018年，来自全国34个省/市/区(包括香港、澳门和台湾)及美国和新加坡的1449所院校/校区、42128个队(本科38573队、专科3555队)、超过12万名大学生报名参加本项竞赛。

全国大学生数学建模竞赛是全国高校规模最大的课外科技活动之一。该竞赛每年9月(一般在上旬某个周末的星期五至下周星期一共3天，72小时)举行，竞赛面向全国大专院校的学生，不分专业(但竞赛分本科、专科两组。

本科组竞赛所有大学生均可参加，专科组竞赛只有专科生(包括高职、高专生)可以参加)。同学可以向该校教务部门咨询，如有必要也可直接与全国竞赛组委会或各省(市、自治区)赛区组委会联系。

6. 阐述基于模块度的社群划分算法有哪些

模块度值的大小主要取决于网络中结点的社区分配C，即网络的社区划分情况，可以用来定量的衡量网络社区划分质量，其值越接近1，表示网络划分出的社区结构的强度越强，也就是划分质量越好。
因此可以通过最大化模块度Q来获得最优的网络社区划分。

7. 基于节点相似度的聚类社团发现算法是fn算法吗

当然可以，算法是一种思想，理论上可以用于任何领域。 其实网络是相当复杂的，如果没有一些算法，通俗的说起来就是上网不会这么便捷。 有的算法可以让路由表优化。 欢迎追问。 还有就是不知道你说的十大算法具体是什么，学术界应该还没有规定。

8. 请教Louvain算法的Java程序（程序小白完全看不懂，希望大神详解）

Louvain算法主要针对文献[1]的一种实现，它是一种基于模块度的图算法模型，与普通的基于模块度和模块度增益不同的是，该算法速度很快，而且对一些点多边少的图，进行聚类效果特别明显，本文用的画图工具是Gephi，从画图的效果来说，提升是很明显的。

文本没有权威，仅是个人工作中的一点总结与思考，能力与时间有限，理解不免有些浅薄，仅做参考。也可能有理解偏差或错误，如有发现，希望不吝指教，多谢！

由于算法中的公式太多，不方便用markdown编辑，所以就将编排好的文档转成图片，如需完整的文档请点击这里下载。

9. 基于matlab的边缘检测的robert算子的算法怎么写

matlab本身有库函数的。直接调用啊
VC代码：
void BianYuanJianCeDib::Robert()
{
LPBYTE p_data; //原图数据区指针
int wide,height; //原图长、宽
int i,j; //循环变量
int pixel[4]; //Robert算子
p_data=this->GetData ();
wide=this->GetWidth ();
height=this->GetHeight ();
LPBYTE temp=new BYTE[wide*height]; //新图像缓冲区
//设定新图像初值为255
memset(temp,255, wide*height);
//由于使用2*2的模板，为防止越界，所以不处理最下边和最右边的两列像素
for(j=0;j<height-1;j++)
for(i=0;i<wide-1;i++)
{
//生成Robert算子
pixel[0]=p_data[j*wide+i];
pixel[1]=p_data[j*wide+i+1];
pixel[2]=p_data[(j+1)*wide+i];
pixel[3]=p_data[(j+1)*wide+i+1];
//处理当前像素
temp[j*wide+i]=(int)sqrt((pixel[0]-pixel[3])*(pixel[0]-pixel[3])
+(pixel[1]-pixel[2])*(pixel[1]-pixel[2]));
}
//将缓冲区中的数据复制到原图数据区
memcpy(p_data, temp,wide*height);
//删除缓冲区
delete temp;
}