disparity_filter:基于NetworkX中的图形,在Python中实现视差过滤器,以提取复杂加权网络的多尺度主干(Serrano等,2009)-源码

上传者: 42140710 | 上传时间: 2021-08-24 16:34:06 | 文件大小: 7KB | 文件类型: ZIP
disparity_filter 使用图,基于多尺度骨干网,在Python中实现差异过滤器: “提取复杂加权网络的多尺度主干” M.ÁngelesSerrano,MariánBoguña,Alessandro Vespignani 视差过滤器通过考虑系统中所有尺度下的相关边缘,利用权重之间的局部异质性和局部相关性来提取网络主干。 只要该方法的强度相对于边缘入射到的两个节点中至少一个节点的均匀随机性的零假设在统计学上不兼容,该方法就保留该边缘,这确保了不会忽略强度方面小的节点。 结果,视差过滤器减少了原始网络中的边缘数量,同时显着保持了几乎所有的权重和很大一部分节点。 同样,该过滤器保留了度数分布的截止点,权重分布的形式和聚类系数。 该项目类似于,尽管提供的功能与以下各项不同: 实施细节 如果您不熟悉多尺度骨干分析,可以将其视为类似于在图形边缘而不是其节点上计算出的中心性。 换句话

文件下载

资源详情

[{"title":"( 6 个子文件 7KB ) disparity_filter:基于NetworkX中的图形,在Python中实现视差过滤器,以提取复杂加权网络的多尺度主干(Serrano等,2009)-源码","children":[{"title":"disparity_filter-master","children":[{"title":".github","children":[{"title":"FUNDING.yml <span style='color:#111;'> 15B </span>","children":null,"spread":false}],"spread":true},{"title":"disparity.py <span style='color:#111;'> 7.71KB </span>","children":null,"spread":false},{"title":"LICENSE <span style='color:#111;'> 1.05KB </span>","children":null,"spread":false},{"title":"requirements.txt <span style='color:#111;'> 33B </span>","children":null,"spread":false},{"title":".gitignore <span style='color:#111;'> 1.19KB </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 4.51KB </span>","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

  • weixin_45797145 :
    用户下载后在一定时间内未进行评价,系统默认好评。
    2021-08-18

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明