一种基于邻域信息的多信道自适应建网算法

为实现多信道无线自组网的高效建网,针对节点难以感知全网拓扑、其他所有节点的可用频谱以及无法获得同步信息的实际场景,提出了一种基于邻域信息的多信道自适应建网算法。该算法首先设计基于邻域信息的建网策略,使节点能够以自身信息为基础,充分利用可用信道情况、邻居簇首情况等有限的邻域信息进行自适应决策,以建立分簇结构的网络;然后提出基于最大熵原理的信道质量评价算法和基于多头绒泡菌模型的邻居簇首评价算法,分别对节点的可用信道和邻居簇首进行排序,指导节点在建网过程中选择合理的信道和簇首。仿真结果表明,所提建网算法能够使节点在实际场景通信受限的条件下以较小的通信开销完成建网,建立的网络在公共信道数量和簇规模方面也取得了较好的均衡。      

基于最小生成树的分簇协作频谱感知改进算法

为减少分簇过程中的时延,基于最小生成树的单向比较优势提出簇首快速推举方法,并提出改进的分簇协作频谱感知算法,分析了算法的时间复杂度。算法首先基于最小划分对所有次用户节点进行分簇,簇内节点根据设置的评价条件进行性能比较,推举簇首。由簇首进行本地簇内频谱检测,并上传检测结果,最后融合中心在簇首间实现协作的频谱检测。在瑞利信道条件下,仿真显示在大信噪比时,融合中心应用AND规则,系统具有较小的虚警率,所提算法检测性能优;小信噪比时,应用OR规则能扩展系统的有效检测区间,所提算法在满足系统要求的前提下检测性能较差,但簇内信道效率提高了n-1倍。     

认知车载网中基于簇和MAB模型的信道接入算法

针对高密度车流环境下认知车载网中车辆节点对认知信道的接入问题,提出了基于簇和MAB模型的clusters-UCB信道接入算法,通过簇内成员协作提高感知学习结果的准确性,提升算法学习速度,并且簇首通过clusters-UCB算法分布式地快速搜索出最佳信道,渐近地实现最大的时隙吞吐量.仿真实验表明,提出的算法相对于多用户的UCB算法和ε-greedy算法,遗憾值更低,并且趋近于对数形式的收敛速度更快,能够有效减少访问碰撞数,保证信道接人的公平性,提高时隙吞吐量.     

无人机蜂群网络非合作博弈的功率控制

无人机蜂群网络是一种由大量节点组成的分层、多簇结构的无线通信网络。重点研究了多信道条件下功率优化控制问题及措施，提出了一种基于非合作博弈的分布式功率控制方法。该博弈问题的价格因子设计考虑了网络节点重要度因子的影响，每个节点根据连接关系评估得到全网节点的重要度因子。给出了分布式价格功率控制算法。对所提出的算法进行典型场景下的仿真分析，结果表明该算法能够快速收敛，保证簇首、核心节点等高重要度节点的干扰容限，提高网络的可靠性，达到系统总体效用最优。     

MANET网络分簇组网协议比较与分析

基于分簇结构的MANET网络不依赖固定基础设施即可以实现动态组网与数据传输,可以通过跨簇节点实现大规模组网。对分簇组网协议与算法进行了分析与介绍,在此基础上基于最大连接度算法提出了一种解决分簇组网中跨簇处理的双信道跨簇策略。最大连接度算法能够在保障网络的稳定性的同时提高跨簇通信的效率,双信道跨簇处理有利于实现网络的分层管理与控制,组成与逻辑关系一致的实体网络,网络之间在保持通联的同时具备较高的独立性,传输效率更高。     

多跳无线网络中信道接入与分布式路由的结合

本文为多跳分布式无线网络(Ad Hoc网络)提出了一种信道多址接入与分布式路由相结合的方案.在该方案中,由扩频码实现多信道系统,各节点竞争公共信道,利用RTS/CTS对话形式来预约各业务信道,成功预约后的分组传输不会受到其他节点的干扰.并且该动态预约方法可以提供用于建立分布式路由机制的网络连通性信息.这种方案打破了信道接入层和网络层的分层概念,并以两者的结合带来了更高的带宽利用率和对网络拓扑变化的更快反应.     

一种基于融合规则的自适应分簇协作频谱感知算法

为适应无线信道的动态性,提出了一种基于融合规则的自适应分簇协作频谱感知算法.首先,根据融合中心应用的融合规则推导分簇协作时能满足系统检测性能的信道门限值.然后,由簇首检测当前信道状态,当信道条件好于分簇门限值时,仅簇首进行本地检测,并上传检测结果至数据融合中心,实现分簇协作;否则,由本簇节点进行全节点协作检测,并分别上传检测结果至数据融合中心,或选择退出协作检测,仅接收融合中心的判决信息.最终,由数据融合中心进行融合计算,并做出系统全局判决.仿真结果显示,采用OR融合方法时,所提算法能极大地提高控制信道资源效率;采用AND融合方法时,算法能将系统有效工作区间扩大30％左右,且能选择信道状态好的簇进行协作频谱检测.     

基于静态分簇的LEACH算法改进研究

LEACH算法是为满足高效节能需要而提出的一种典型的分簇协议.在此基础上,提出了一种改进算法：主要体现在在网络开始工作时使用静态分簇,以簇为单位进行簇内节点轮换当选为簇首,簇间以及簇与基站间的通讯采用单跳与多跳结合的方式.最后使用NS2对LEACH算法和改进的算法进行仿真对比,证实了改进后的算法在与LEACH算法相比性能有了很大的提高.     

基于BWAS的无线传感器网络静态分簇路由算法

为提高路径搜索效率,避免动态分簇较多的能量消耗,提出了基于最优-最差蚂蚁系统(BWAS)的无线传感器网络静态分簇路由算法.BWAS是对蚁群算法的改进,在路径搜寻过程中评价出最优最差蚂蚁,引入奖惩机制,加快了路径搜索速度.通过无线传感器网络静态分簇、簇内动态选举簇头,在簇头节点间运用BWAS算法搜寻从簇头节点到汇聚节点的多跳最优路径,能减少路径寻优能量消耗,实现均衡能量管理,延长网络寿命,且具有较强的鲁棒性.通过与基于BWAS的动态分簇和基于蚁群算法的动态分簇路由的仿真实验相比较,证实了本算法的有效性.     

基于MapReduce的SimRank算法在图聚类中的应用

由Jeh和Widom提出的SimRank算法是一种普适"结构相似度"计算模型。由于SimRank算法采用迭代方式计算图节点间相似性,因此时间复杂度和空间复杂度都非常高。随着数据量的激增,单机运算能力不能满足大规模数据的计算要求。本文提出了基于MapReduce计算模型的分布式SimRank算法,利用该算法对RDF图进行相似度度量,然后利用分布式的AP聚类算法对图节点进行聚类分析。实验结果表明,该方法能够高效的完成图节点的相似度度量,实现图的有效聚类。     

Channel access-based self-organized clustering in ad hoc networks

An ad hoc network is a self-organized and distributed entity consisting of a number of mobile stations (MS) without the coordination of any centralized access point. Clustering is one of the fundamental problems in ad hoc networks. In this context, we describe a distributed clustering algorithm for multihop ad hoc networks. We first propose a randomized control channel broadcast access method to maximize the worst-case control channel efficiency, based on which a distributed clustering algorithm is proposed. Both theoretical analysis and simulations indicate that the proposed clustering algorithm takes much less time and overhead to cluster a given network with more stable cluster structure, while incurring very small maintenance overhead in a dynamic network resulting from the mobility of the MS.     

基于动态集群和DKF的协作式目标跟踪

针对具有有限感知范围的无线传感器网络中的动态目标跟踪问题,提出了一种将卡尔曼一致滤波和动态集群自组织相结合的协作式动态目标跟踪算法。首先,算法采用一个由群头挑选阶段和集群重新配置阶段构成的动态集群协议来限制参与目标状态估计过程中节点间的信息交换,然后用一个分布式加权估计预测算法即卡尔曼一致滤波来估计目标状态并预测其下一个位置,这样有助于唤醒最合适的节点来进行目标跟踪并最恰当地组织网络通信,而其他节点保持在睡眠状态。仿真结果表明,提出的算法相比于集中式和其他2种常用的分布式动态目标跟踪算法,不仅能够降低网络的平均能耗,而且能够明显提高跟踪过程中的误差估计质量。     

用EDA和禁忌搜索算法进行文本聚类

基于VSM的文本聚类忽略了文本关键词稀疏带来的相似度漂移问题和关键词之间的语义信息和各维度之间的关系,致使文本的相似度计算不精确,文中对相似度计算方法TF—IDF进行了改进,并提出一种新的聚类方法,利用分布式估计算法和禁忌搜索算法进行聚类,融合分布式估计算法的收敛速度快和禁忌搜索算法能跳出局部搜索的优点,首先对文本进行预处理,然后用分布式估计算法和禁忌搜索算法聚类,既能快速聚类又能防止聚类收敛到局部最优。测试结果表明这种算法行之有效。     

基于优化粒计算下微粒子动态搜索的K-medoids聚类算法

K?medoids算法具有对初始聚类中心敏感,聚类准确度不高及时间复杂度大的缺点。基于此,文中提出一种优化的K?medoids算法;该算法在已有的粒计算初始化基础上进行了改进,以对象之间的相似性作为判断依据,结合最大最小法初始化聚类中心,能有效地获取最佳或近似最佳的聚类中心;在优化的粒计算前提下,提出了基于微粒子动态搜索策略,以初始中心点作为基点,粒子内所有对象到其中心的平均距离为半径,形成一个微粒子;在微粒子内部,采用离中心点先近后远的原则进行搜索,能有效地缩小搜索范围,提高聚类准确率。实验结果表明：在UCI多个标准数据集中测试,且与其他改进的K?medoids算法比较分析,该算法在有效缩短收敛时间的同时保证了算法聚类准确率。     

Graph cut based clustering for cognitive radio ad hoc networks without common control channels

Clustering is an efficient tool to improve the routing and data transmission performance in large scale networks. However, in cognitive radio ad hoc networks (CRAHNs), clustering design is challenging due to the dynamic spectrum access and the blind information environment. In this paper, we propose a novel distributed clustering algorithm for CRAHNs, where neither a dedicated common control channel (CCC) nor prior topology information is required. First, a neighbor discovery protocol without relying on CCC is proposed to construct the local topology. Then, we model the network as a undirected graph and formulate the clustering process as a graph cut problem. We design a mincut based heuristic algorithm to approximate the optimal clustering solution. After this, we also present a synchronize protocol to achieve the global consistency of cluster memberships. Finally, we propose a proactive cluster maintenance mechanism to reduce the interferences caused by PU activities. We validate our work through comparisons with other clustering methods. The simulation results show that, by adjusting the cluster structure according to the changing spectrum, the proposed method reduces the interference and improves the network efficiency.     

非正交多址技术中利用对称矩阵的用户分组

现有非正交多址接入技术中,用户分组算法的实现首先对信道相似度门限值进行判断,选出候选成组用户;进而对候选成组用户的信道增益差进行比较,选出最优的成组用户。然而,上述分步求解算法中信道相似度门限值的设置存在一定的随机性,导致候选成组用户的选取不准确,从而影响分组结果,限制系统性能的提升。针对上述问题,提出利用对称矩阵的用户分组算法,对用户信道相似度进行非线性变换,而后将用户信道相似度和增益差线性求和构建成新的信道信息矩阵,进一步利用该矩阵的对称性进行求解。仿真分析表明该方法分组结果比设置门限的传统方法更优,在不同用户数目时系统容量均得到提升。在传统方法门限值为0.95时,所提算法系统容量在用户数为16时提升了13.4 Mb/s。     

一种基于距离调节的聚类算法

针对k-means算法不适合凹形样本空间的问题,提出了一种基于距离调节的聚类算法.算法中引入了一种调节最短路径距离作为算法的相似度函数,该函数可以使经过高密度数据区域的两点距离缩短,而经过低密度数据区域的两点距离加长,由此来缩小类间样本的相似度,同时加大类间的相似度,以及更好的聚类.实验结果证明,该算法对凹状的聚类样本空间具有很好的聚类效果.     

Distributed dynamic fault-tolerant channel allocation for cellularnetworks

Efficient allocation of communication channels is critical for the performance of cellular systems. The centralized channel allocation algorithms proposed in literature are neither robust nor scalable. Several of these algorithms are unable to dynamically adjust to spatial and temporal fluctuations in channel demand (load). We present a distributed dynamic channel allocation (DCA) algorithm in which heavily loaded regions acquire a large number of communication channels, while their lightly loaded neighbors get assigned fewer channels. As the spatial distribution of channel demand changes with time, the spatial distribution of allocated channels adjusts accordingly. The algorithm described in this paper requires minimal involvement of the mobile nodes, thus conserving their limited energy supply. The algorithm is proved to be deadlock free, starvation free, and fair. It prevents cochannel interference and can tolerate the failure of mobile as well as static nodes without any significant degradation in service. Simulation experiments demonstrate that the performance of the proposed distributed dynamic algorithm is comparable to, and for some metrics, better than that of efficient centralized dynamic algorithms where the central switch has complete and latest information about channel availability. The major advantages of the proposed algorithm over its dynamic centralized counterparts are its scalability, flexibility, and low computation and communication overheads     

MIMO-OFDM系统中基于簇的有限反馈方法

本文针对有限反馈MIMO-OFDM波束形成系统,研究了基于簇的有限反馈方法。利用簇内相邻子载波信道的频率相干性,提出了一种低复杂度的信道均值分簇法,该方法以平均信道响应在给定码本中选择最佳簇波束形成向量。此外,利用簇波束形成向量之间的剩余相关性,还提出了递归反馈和基于格的反馈两种反馈速率降低方法,即将前一簇码字的邻域内码字作为当前簇的新码本,从而大幅度降低反馈比特数。仿真结果表明信道均值分簇法能以较低的计算复杂度获得较佳的BER性能,反馈降低方法相对传统分簇方法能进一步降低反馈速率,递归反馈方法有一定性能损失,而基于格的反馈方法性能损失可忽略不计。      

基于蚁群和模拟退火算法的聚类新方法

模拟退火算法具有良好的全局搜索能力,而蚁群算法具有良好的分布式并行性和正反馈能力.针对样本维数大、数目多时聚类效果不满意的问题,提出了混合的蚁群模拟退火算法,思路是利用K-均值算法的结果作为初值,再使用蚁群算法和模拟退火算法对初值进行调整聚类,结果表明这种算法比较有效.