Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/3462| Title: | Clasificación de redes complejas usando funciones de caracterización que permitan discriminar entre redes aleatorias, Power-Law y Exponenciales |
| Authors: | Turrubiates Lopez, Tania |
| Issue Date: | 2007-11-01 |
| Publisher: | Tecnológico Nacional de México |
| metadata.dc.publisher.tecnm: | Instituto Tecnológico de Ciudad Madero |
| Description: | Los sistemas complejos pueden ser modelados mediante grafos, conocidos como redes complejas. Las redes complejas poseen una estructura topológica no trivial, lo que ha motivado el estudio de características topológicas de redes del mundo real. El conocimiento de estas características puede ser usado para optimizar el desempeño de los procesos que en ellas se llevan a cabo, tales como la búsqueda de recursos distribuidos, administración de tráfico y diseño de algoritmos de enrutamiento. En este trabajo, el problema de la clasificación de redes complejas usando funciones de caracterización fue abordado. Esto es, dado un conjunto de redes complejas de diferente tipo y un conjunto de funciones de caracterización que permiten estudiar características topológicas de la red, la tarea es identificar cuáles son las funciones permiten de manera cuantitativa clasificar ese conjunto de redes. Hasta ahora, el método para identificar el tipo de red es observando la gráfica de la distribución del grado. Algunos investigadores se han enfocado en clasificar redes del mundo real mediante funciones de caracterización dentro de un tipo de red especifico, sin mostrar evidencias de un análisis detallado de las funciones que pudiera determinar sí el conjunto de funciones utilizadas son suficientes para lograr una clasificación eficiente o cuáles son las funciones que llevan a mejores resultados de clasificación. En esta tesis, se desarrolló una metodología que toma como base la arquitectura de un agente de aprendizaje para identificar, por medio de un diseño experimental y una serie de pruebas estadísticas, el conjunto mínimo de funciones de caracterización relevantes y no redundantes que permitan discriminar cuantitativamente entre diferentes tipos de redes complejas como las redes Aleatorias, Power-Law y Exponenciales. Los resultados de esta investigación muestran que la función de caracterización Coeficiente de Dispersión del Grado (DDC) permite cuantitativamente discriminar entre redes Aleatorias, Power-Law y Exponenciales. La exactitud del proceso de clasificación usando esta función como entrada, es del 99.78% en el conjunto de instancias generadas para este trabajo y 91.25% con instancias de las cuales no se sabe su naturaleza y que fueron generadas independientemente por otros investigadores |
| metadata.dc.type: | info:eu-repo/semantics/masterThesis |
| Appears in Collections: | Maestría en Ciencias de la Computación |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 173226-TANIA TURRUBIATES LOPEZ_donacion_tesis_bib.pdf | 2.98 MB | Adobe PDF | View/Open |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
