基于电量均衡的无线传感器网络分簇算法

为了延长无线传感器网络的生命期,针对节点能耗分布不均匀的问题,提出一种电量均衡的分簇算法.该算法将节点剩余能量作为构建分簇结构的依据,对剩余能量较少的节点赋予一定的约束,使之成为普通节点,并使电量多的节点成为簇头节点,均衡网络电量负载,解决了网络中部分低电量节点担任骨干节点而导致能耗的问题,从而有效延长了网络的生命期.仿真实验证明了该算法的有效性.     

WSN中能量有效分簇多跳路由算法

针对现有无线传感器网络(WSN)分簇路由算法存在的能耗不均衡问题,提出一种能量有效分簇多跳路由算法,该算法包括两个方面:一是选举簇首时引入簇内平均剩余能量因子,根据上一轮结束后簇内各节点剩余能量和簇内节点的平均剩余能量的比值更新簇首在所有节点中所占的百分比;二是要求簇首根据MTE多跳路由协议与基站通信,从而均衡WSN整...     

基于抽样估计的能量异构无线传感器网络分簇算法

提出一种基于抽样估计的能量异构无线传感器网络分簇算法.采取对网络中节点抽样的办法估计出网络中的平均剩余能量,节点根据剩余能量与网络平均能量的比例来进行簇首竞争,使簇首选择更加合理.仿真实验表明:该算法可以更好地实现负载均衡,延长的网络生存时间.     

无线传感器网络中簇首选择算法研究

传统的低功耗自适应集簇分层型协议（LEACH）算法在选择簇首时未能考虑到节点剩余能量对网络寿命的影响,使得簇首分布不够合理。为了克服该问题,在完全分布式成簇算法（HEED）协议的基础上,设计了一种根据节点剩余能量选择簇首的算法。在该算法中,剩余能量越大的节点越有可能成为簇首,进而承担更多数据传输责任,能量消耗更加平均,增强了算法的健壮性。仿真结果证实,提出的算法可以有效提高网络能量的使用效率,减少功耗,延长网络生存时间。     

一种新的无线可充电传感器网络分簇算法

为了弥补现有无线可充电传感器网络充电效率低下和节点能量冗余并存的问题,提出了一种基于节点信息的分簇算法。首先,根据传感器节点的剩余能量状态,选择候选簇首。其次,计算候选簇首集合中节点之间的距离,并与基于节点密度的距离阈值比较,最终筛选出合适的簇首。其他节点根据就近原则选择簇首,形成对应的簇。该算法由于同时考虑节点剩余能量和簇首之间的距离,可以使得具有较多剩余能量的节点成为簇首,且簇首均匀分布整个网络中。仿真结果表明,提出的算法可以提高充电效率,减少节点的能量冗余或节点能量消耗过快而死亡的现象,从而有效延长整个网络的寿命。     

一种能量有效的无线传感器网络路由算法

无线传感器网络中传感器节点能量有限,为了提高能量利用率,针对现有算法随机选择簇首、簇结构不合理等缺陷提出了一种新的能量有效的分簇路由算法EERA.EERA采用新的簇首选举、成簇,以及构建簇间路由算法,基于节点剩余能量与节点的相对位置选择簇首、成簇,使剩余能量较多的节点优先成为簇首并且各簇首能较均匀的分布在网络区域内;构建簇间路由时将最小跳数路由算法与改进的MTE算法结合起来,在簇间形成最小跳数、最小能耗路径.仿真结果表明,EERA算法可以均衡全网能量消耗,延长网络的生命周期.     

一种基于历史信息的簇头选取机制

无线传感器网络（WSN,Wireless Sensor Network）中,如何减少节点的能耗一直是簇头选择机制的研究目标。现提出了一种基于历史能耗信息选择机制的簇头选择算法（CHCM,Cluster Head Choosing Mechanism）,该算法通过节点历史能耗信息和节点分布密度参数预测簇头能耗速度,并将该预测方法融入簇头选取过程当中,使网络生命期延长。最后利用CHCM对LEACH路由协议进行改进,得到CHCM＋LEACH路由协议。仿真结果表明CHCM＋LEACH在网络生命期和网络总剩余能量上分别比LEACH算法分别提高了27%和14%。     

基于扇形分簇的无线传感器网络路由算法

无线传感网络中低功耗自适应聚类分簇(LEACH)路由算法等概率选取簇首节点,容易导致整个网络节点能量损耗出现极端化,减少网络生存时间。为此,提出一种针对簇首节点选取和分簇的改进LEACH算法。该算法把整个网络区域分为四个扇形区域,在每个区域内独立进行分簇路由;然后基站根据节点剩余能量和与基站的距离进行簇首节点选择,节点根据簇首节点和基站接收信号强度选择路由方式,以均衡网络能量消耗。仿真结果表明,改进LEACH算法的网络寿命是原有LEACH算法的150%,数据吞吐量提升了3倍。     

基于簇头间距均匀部署的LEACH协议改进算法

针对无线传感器网络中各节点能量消耗和簇头节点位置分布不均导致网络寿命下降的问题,在LEACH协议基础上提出一种改进算法。首先增加高剩余能量节点成为簇头的概率,其次设定备选簇头节点间最小距离,以降低簇内节点与簇头节点的通信能耗。通过理论分析和仿真实验,提出的算法能实现网络能耗均衡,有效延长网络的生存周期。     

一种半集中式低能耗自适应无线传感器网络成簇算法

基于对LEACH等算法的研究,提出一种半集中式,综合利用节点位置信息与剩余能量的无线传感器网络分簇及簇头选举算法。利用节点位置信息,在簇头选举阶段和传感数据传输阶段使用不同的拓扑划分,在尽可能选取剩余能量较高的节点作为簇头的前提下,能够既保证簇均匀分布,又尽量做到簇头在簇内处于相对中心位置,并且避免了成簇阶段的碰撞。仿真结果表明,该算法有效延长了网络生存周期,收集了更多的传感数据,并且适合大范围覆盖的传感器网络。     

基于主题概念聚类的中文文本聚类

文本聚类技术在文本挖掘和信息检索系统中发挥着重要的作用。目前,文本聚类方法大多数采用基于关键词集的经典向量模型来表征文本,这种方式忽略了词与词之间的语义关系,存在词频维数过高,聚类算法计算复杂度高等问题。为了解决这些问题,提出一种基于主题概念聚类的中文文本聚类方法,该方法利用HowNet提取文本的主题概念,然后使用Chameleon算法将主题概念聚类,再依据主题概念的聚类结果完成对文本的聚类。该方法用概念代替单个词条表示文本,减少文本特征之间的依赖关系,有效地降低了文本聚类的时间复杂度。     

Clustering by compression

We present a new method for clustering based on compression. The method does not use subject-specific features or background knowledge, and works as follows: First, we determine a parameter-free, universal, similarity distance, the normalized compression distance or NCD, computed from the lengths of compressed data files (singly and in pairwise concatenation). Second, we apply a hierarchical clustering method. The NCD is not restricted to a specific application area, and works across application area boundaries. A theoretical precursor, the normalized information distance, co-developed by one of the authors, is provably optimal. However, the optimality comes at the price of using the noncomputable notion of Kolmogorov complexity. We propose axioms to capture the real-world setting, and show that the NCD approximates optimality. To extract a hierarchy of clusters from the distance matrix, we determine a dendrogram (ternary tree) by a new quartet method and a fast heuristic to implement it. The method is implemented and available as public software, and is robust under choice of different compressors. To substantiate our claims of universality and robustness, we report evidence of successful application in areas as diverse as genomics, virology, languages, literature, music, handwritten digits, astronomy, and combinations of objects from completely different domains, using statistical, dictionary, and block sorting compressors. In genomics, we presented new evidence for major questions in Mammalian evolution, based on whole-mitochondrial genomic analysis: the Eutherian orders and the Marsupionta hypothesis against the Theria hypothesis.     

密度敏感的谱聚类

谱聚类是近来出现的一种性能极具竞争力的聚类方法,它的成功很大程度依赖于相似性度量的选择.本文通过分析这一性质并结合数据聚类特性,提出一种数据依赖的相似性度量--密度敏感的相似性度量.该相似性度量可以有效描述数据的实际聚类分布.将其引入谱聚类得到密度敏感的谱聚类算法.与原有的谱聚类算法相比,新算法不仅能够处理多尺度聚类问题,而且对参数选择相对不敏感.算法有效性分析以及实验验证了所提算法的有效性和可行性.     

Kernel-based Maximum Entropy Clustering

With the development of Support Vector Machine (SVM),the "kernel method" has been studied in a general way.In this paper,we present a novel Kernel-based Maximum Entropy Clustering algorithm (KMEC).By using mercer kernel functions,the proposed algorithm is firstly map the data from their original space to high dimensional space where the data are expected to be more separable,then perform MEC clustering in the feature space.The experimental results show that the proposed method has better performance in the non-hyperspherical and complex data structure.     

约束蚂蚁聚类算法

通过对真实世界蚁群的模拟仿真,提出一种基于随机游走的约束蚂蚁聚类算法来处理以must-link和can-not-link形式出现的约束聚类问题.在人工数据集和UCI标准数据集上的实验结果表明我们的算法优于无监督的蚁群聚类算法和COP-Kmeans算法.     

基于覆盖的粗糙聚类算法

传统的聚类算法大都得到了样本集的一个划分,类之间是严格的互斥关系,而现实世界中类与类之间往往没有明确的边界。该文将粗糙集理论引入到聚类分析中,提出了一种基于覆盖的粗糙聚类算法KMMRSC,它用多个中心点代表一个类,并用上、下近似来刻画样本的归属,类与类之间是一种覆盖关系。实验结果表明,该算法聚类质量优于k-均值算法,且能发现非球状簇。     

拉普拉斯加权聚类算法

 本文提出了一种用于聚类分析的加权聚类算法,通过利用拉普拉斯权,将聚类对象之间的结构信息自动转换为对象的权重.由于拉普拉斯权能够描述数据的邻域结构,从而能够更好的聚类.该加权聚类算法在性能上比经典聚类算法有较大改进,还具有对孤立点鲁棒、适合类别不平衡数据聚类、对聚类个数不敏感等优点.人工数据集以及UCI标准数据集上的实验证实了本文算法的可行性和有效性.     

一种分布式的K-means聚类算法

提出一种适用于大型数据集的分布式聚类算法。该算法以传统的K-means算法为基础进行合理的改进,使之更适用于分布式环境,并从算法的复杂度分析,将该算法与传统的集中式K-means算法及其他分布式算法进行比较。实验表明,该算法在保持了集中式K-means算法所有必要特性的同时,提高了数据处理速度。     

基于自组织映射网络的图像分割算法

针对K—Means图像聚类分割算法需要预先知道图像分割数,且对初始聚类中心较为敏感等问题,提出了一种基于SOFM（自组织特征映射网络）的图像聚类分割算法。该算法结合SOFM聚类及合并聚类分析,能够自动确定分割块数并得到有效的K-Means初始聚类中心。实验结果表明该算法具有运行效率高、分割效果好等优点,在实际应用中是可行的。     

面向异常检测的人体行为聚类

We presented a novel framework for automatic behavior clustering and unsupervised anomaly detection in a large video set. The framework consisted of the following key components: 1) Drawing from natural language processing, we introduced a compact and effective behavior representation method as a stochastic sequence of spatiotemporal events, where we analyzed the global structural information of behaviors using their local action statistics. 2) The natural grouping of behavior patterns was discovered through a novel clustering algorithm. 3) A run-time accumulative anomaly measure was introduced to detect abnormal behavior, whereas normal behavior patterns were recognized when sufficient visual evidence had become available based on an online Likelihood Ratio Test (LRT) method. This ensured robust and reliable anomaly detection and normal behavior recognition at the shortest possible time. Experimental results demonstrated the effectiveness and robustness of our approach using noisy and sparse data sets collected from a real surveillance scenario.