无线传感器网络中的分簇算法研究

分簇算法是无线传感器网络中实施分层路由所采用的重要方法,如何合理、有效地利用分簇算法使得网络中节点的能量消耗最小,成为当前无线传感器网络研究领域内的热点问题之一。为了对分簇算法进行研究,系统地分析了当前几种典型的分簇路由算法,着重分析了簇头的产生、簇的形成过程。并把超图理论引入大规模无线传感器网络中,使网络控制信息大为减少,从而延长网络的生命周期。     

无线传感器网络中的分簇算法研究

分簇算法是无线传感器网络中实施分层路由所采用的重要方法,如何合理、有效地利用分簇算法使得网络中节点的能量消耗最小,成为当前无线传感器网络研究领域内的热点问题之一。为了对分簇算法进行研究,系统地分析了当前几种典型的分簇路由算法,着重分析了簇头的产生、簇的形成过程。并把超图理论引入大规模无线传感器网络中,使网络控制信息大为减少,从而延长网络的生命周期。     

无线传感器网络分簇路由协议

在无线传感器网络体系结构中,网络层的路由技术至关重要.分簇路由具有拓扑管理方便、能量利用高效、数据融合简单等优点,成为当前重点研究的路由技术.分析了无线传感器网络分簇路由机制,着重从簇头的产生、簇的形成和簇的路由角度系统地描述了当前典型的分簇路由算法,并比较和分析了这些算法的特点和适用情况.最后结合该领域当前研究现状,指出分簇路由算法未来的研究重点.     

无线传感器网络分簇算法研究

无线传感器网络是当前研究和应用的热点,拓扑控制是其研究的重要领域。在与其他传统无线网络拓扑控制机制比较的基础上,归纳了无线传感器网络分簇算法应具有的特性,并对近年来针对无线传感器网络提出的有代表性的分簇算法进行了研究,总结了各种分簇算法的特点和适合的应用场合,重点分析了它们的不足之处,最后指出了无线传感器网络分簇算法未来发展的趋势。     

无线传感器网络分簇路由协议分析

网络层的路由技术在无线传感器网络体系结构中的重要性不可忽略。方便的拓扑管理、高效的能量利用和简单的数据融合是分簇路由的优点,这也是该路由技术成为当前重点研究的原因。本文将分析无线传感器网络分簇路由机制,描述路由协议设计的好与坏直接影响WSN总体的性能,比较和分析了几种算法的优缺点。将该领域当前研究现状和分簇路由算法的发展趋势相结合。     

无线传感器网络中分布式多跳路由算法研究

在对无线传感器网络路由算法深入研究的基础上,设计出了一种完全分布式的、能量有效的无线传感器网络多跳路由算法,主要内容包括:(1)在成簇方面,给出了一种基于时间延迟机制的无线传感器网络成簇算法CHTD,解决了相同能量节点在产生簇头时的碰撞问题。并通过仿真验证了CHTD成簇算法比LEACH和目前已有的基于定时器的成簇算法TB-LEACH对网络性能有明显改善;(2)在簇头数据传输方面,给出CHTD-M簇间多跳路由算法。该算法将网络中均匀分布的簇头构造成一棵路由树,通过多跳传输的方式减少直接与基站通信的簇头节点数量。最后对整体算法进行仿真,实验结果表明,CHTD-M把节约网络能量和保持网络负载平衡很好的结合起来,显著地延长了网络的生命周期。     

无线传感器网络成簇路由算法研究

无线传感器网络被用于很多应用中,已经成为无线网络研究的重点方向.为了得到广泛分布于空间节点的感知信息,需要为传感器网络提供可靠的传输路由.本文提出了无线传感器网络的分层架构,分析了网络中成簇路由的形成过程,比较了成簇路由对应平面路由的优势,最后介绍了典型的成簇路由算法.     

无线传感网络中基于综合因素的分布式路由算法

近年来由于在多方面的广泛应用,无线传感器网络受到了越来越多的关注.然而限于无线传感器网络自身的限制,如何更好地节省能量,仍为无线传感器路由协议设计中面临的主要问题之一.LEACH等基于分簇的路由协议通过成簇来减少能量消耗,但是成簇过程却带来额外消耗以及冗余.对LEACH协议中簇头生成算法进行了研究并提出了改进,提出了基于节点能量、节点距离以及节点度的分布式优化算法,并对优化算法进行分析与仿真.仿真试验表明,基于综合因素的分布式簇头选举算法优化了簇头选举方式和簇头的分布,从而节省了能量消耗,延长了网络生存周期.     

无线传感器网络分簇拓扑控制算法

通过对经典的分簇算法HEED和EEUC进行研究与分析,对它们不足之处进行了改进,提出了一种新的基于双簇首节能的无线传感器网络分簇拓扑控制算法,即DCHEB算法。该算法提出了一种新的簇划分方案,通过此方案可以对无线传感器网络进行合理分簇,使得簇首节点位于合适的位置上,平均了各个簇的节点个数,可以避免簇内的边缘节点过早死亡。最后通过理论分析和仿真工具验证了该算法对减少无线传感器网络的能量消耗和延长其生存时间有很好的作用。     

DSCO：一种无线传感器网络分布式简单簇组织算法

提出了一种适用于无线传感器网络的分布式简单簇组织算法DSCO,对算法基本思想和具体实现进行了论述,并对仿真结果做了详细分析.逻辑简单、不需要时间同步、完全依赖本地信息,是DSCO的重要特点.仿真表明,DSCO在成簇率、簇成员分布、成簇时间和拓扑控制等方面,取得了较好的结果,尤其对大规模无线传感器网络,有良好的适应能力,可以获得较高的成簇率和较快的成簇速度.     

一种基于离群点信息的新型无监督聚类方法

在图像检索领域，聚类分析技术有着广泛应用。因为在对图像进行聚类分析时，通常缺少可资利用的先验知识，所以需要采用无监督的聚类算法。为了适应图像检索的需要，提出了一种新型的无监督聚类方法，即根据离群点信息来自动确定聚类算法的终止时机。此方法还弥补了现有聚类算法在离群点识别、使用上的缺欠。为验证其可行性，用其改进了CURE和ROCK两个经典算法。实验表明，改进后的两个算法都能自动终止，并能取得优于以往的聚类效果。     

基于图的多视角聚类算法综述

多视角聚类通过利用多视角之间的互补性和一致性信息来提高聚类的性能.近年来受到越来越多的关注.为了及时掌握目前基于图的多视角聚类算法的研究现状与最新技术,对大量的、最新的多视角图聚类进行调查、归纳整理、分类及总结.根据多视角聚类涉及的算法机制和数学原理,并进一步分为基于图、基于网络和基于谱的聚类方法.不仅详细介绍了每一类...     

不确定性数据聚类挖掘研究综述

根据目前数据挖掘研究的现状,分析不确定数据的聚类挖掘算法。针对不确定数据聚类挖掘存在的问题,提出改进传统的数据挖掘算法来适合不确定数据的聚类挖掘或找出新的聚类挖掘算法,来解决不确定数据聚类挖掘问题的新思路。     

基于自编码器的深度聚类算法综述

聚类分析作为一种常见的分析方法,广泛应用于各种场景。随着机器学习技术的发展,深度聚类算法也成了当下研究的热点,基于自编码器的深度聚类算法是其中的代表算法。为了及时了解掌握基于自编码器的深度聚类算法的发展,介绍了四种自编码器的模型,对近些年代表性的算法依照自编码器的结构进行了分类。在MNIST、USPS、Fashion-MNIST数据集上,针对传统聚类算法和基于自编码器的深度聚类算法进行了实验对比、分析,最后对基于自编码器的深度聚类算法目前存在的问题进行了总结,展望了深度聚类算法的研究方向。     

组移动模型下MANET网络单跳簇生成算法性能分析

在移动自组网络中，许多应用都依赖层次结构的支持。簇结构是移动自组网络中应用最为广泛的层次结构。针对现有簇生成算法在具有群组特性应用中性能分析不足的问题，本文在分析随机移动模型和组移动模型特性以及主要簇生成算法优缺点的基础上，通过扩展ns2分析了五种典型簇生成算法在组移动模型下存在的不足，并提出了适应具有群
组特性应用的簇生成算法研究思路。     

基于语义区域提取的图像重排

针对目前图像搜索引擎难以正确把握用户真正意图的问题, 从爬虫Web图像搜索引擎检索结果入手,提出三种聚类算法来提取海量Web图像中的语义区域. 这三种聚类算法包括确定初始化中心的K-means聚类、确定参数的最大期望聚类以及基于半监督的K-means聚类算法. 然后选取显著值较大的显著区域作为语义区域.实验分析比较了三种聚类算法的有效性, 最终实现的图像重排系统能比网络搜索引擎更好地反馈给用户精确而且有序的查询结果.     

Distributed data mining and agents

Multi-agent systems (MAS) offer an architecture for distributed problem solving. Distributed data mining (DDM) algorithms focus on one class of such distributed problem solving tasks—analysis and modeling of distributed data. This paper offers a perspective on DDM algorithms in the context of multi-agents systems. It discusses broadly the connection between DDM and MAS. It provides a high-level survey of DDM, then focuses on distributed clustering algorithms and some potential applications in multi-agent-based problem solving scenarios. It reviews algorithms for distributed clustering, including privacy-preserving ones. It describes challenges for clustering in sensor-network environments, potential shortcomings of the current algorithms, and future work accordingly. It also discusses confidentiality (privacy preservation) and presents a new algorithm for privacy-preserving density-based clustering.     

谱聚类的现状及其在社会网络中的应用

近年来,凭借其重要的研究意义,采用数据聚类去分析社会网络已成为时下最热门的话题之一。这些研究最直接应用的是防止恐怖袭击和社区通过检测疾病的传播。此外,由于社会网络是动态的,而社会关系的变化是可以通过数据聚类方法预测的。从而使得清楚了解社会网络结构将有助于促进社会发展和社会成员间的合作。从数据挖掘角度来看,社交网络是一种不完全的,庞大的,复杂的,动态的网络。而这些特性使得传统的数据聚类方法并不能成功应用在社会网络中。相反,作为一个最流行的现代数据的聚类算法,谱聚类在对社交网络的问题提供了一种系统的,灵活实用的解决方案。理论和实验证明,谱聚类在寻找全局最优解和处理大型数据集方面的性能优于传统聚类算法。一方面审视讨论当今谱聚类的理论和算法,及其优于传统聚类算法的特点。另一方面,也涵盖了社会网络的基本知识及两个典型的谱聚类在社会网络中的应用。     

Spectral clustering: A semi-supervised approach

Recently, graph-based spectral clustering algorithms have been developing rapidly, which are proposed as discrete combinatorial optimization problems and approximately solved by relaxing them into tractable eigenvalue decomposition problems. In this paper, we first review the current existing spectral clustering algorithms in a unified-framework way and give a straightforward explanation about spectral clustering. We also present a novel model for generalizing the unsupervised spectral clustering to semi-supervised spectral clustering. Under this model, prior information given by some instance-level constraints can be generalized to space-level constraints. We find that (undirected) graph built on the enlarged prior information is more meaningful, hence the boundaries of the clusters are more correct. Experimental results based on toy data, real-world data and image segmentation demonstrate the advantages of the proposed model.     

高维数据聚类方法综述*

总结了高维数据聚类算法的研究现状,分析比较了算法性能的主要差异,并指出其今后的发展趋势,即在子空间聚类过程中融入其他传统聚类方法的思想,以提高聚类性能。