روشی برای بهبود تشخیص جوامع در گرافهای ناهمگن با شبیه سازی در شبکه های عصبی مصنوعی

خوشه بندی طیفی ، یکی از محبوب ترین روش های شناسایی جامعه بر روی گراف ها است که هنوز به طور کامل شناخته نشده است . در این مقاله ، خوشه بندی طیفی براساس ماتریس )In + D - rA۱ - ۲Hr = (r، در گراف های ناهمگن پراکنده، با استفاده از مدل بلوک تصادفی تصحیح شده در یک محیط دو کلاسه ، مورد بررسی قرار گرفته است . نتایج ، نشان می دهد که خوشه بندی برای یک مقدار مشخص از r =، از ناهمگنی درجه ، تاثیر نمی پذیرد. در نهایت ، به بررسی بردار ویژه اطلاعاتی H ، در نتیجه پیش بینی دقت خوشه بندی و بررسی کلی تعمیم بیش از دو کلاس، همراه با شبیه سازیهای گسترده در شبکه های عصبی مصنوعی و واقعی پرداخته شده است .