认知无线电网络MAC层协议研究

认知网络按照一定的准则划分为若干个簇,簇内共享一条信道用于交换控制信息,这种以分簇的方式实现按区域共享信道是认知无线电MAC层频谱共享问题的解决方法之一.为了使分簇结构更加有效的工作,本文提出了一种针对分簇结构的MAC层协议.在该协议中,信道接入时间被划分成一系列的超级帧,超级帧的各个时段均对应簇节点的具体操作,以此支撑簇结构稳健地应对主用户行为.仿真结果表明,本文提出的MAC协议在中高网络负载情况下能获得较高的网络吞吐量以及较低的传输时延.     

基于近邻传播的认知Ad-hoc网络分簇算法

针对认知Ad-hoc网络中可用信道动态异构和缺乏全网公共信道的特点,提出了一种基于限制消息交互次数的近部传播模型(Affinity Propagation, AP)的分簇算法。该算法通过网络中相邻节点间的消息交互和更新,在相部节点最多的信道上以可用信道最多的节点为簇首建立簇结构。为适应认知Ad-ho。网络环境的变化,降低分簇开销,算法限制AP消息的交互次数,实现了分簇算法的分布式快速收敛。仿真分析表明,算法降低了网络中的簇数目,提高了簇内平均可用信道和公共信道数目,从而为分布式频谱协作提供了高效的网络拓扑环境。     

基于频谱感知的认知Ad hoc网络分簇算法

为了提高认知Ad hoc网络频谱感知效率,解决认知Ad hoc网络分簇问题,本文提出一种基于频谱感知的认知Ad hoc网络分簇算法。通过引入检测因子,综合考虑多个主用户信号交叠与阴影衰落的情况,将认知Ad hoc网络中的次用户节点与需要检测的主用户信道建模为二部图模型,使得分簇问题简化为最大权边二部图（Constraint maximum-weight edge biclique, C-MWEB）分解问题,并设计一种贪婪算法对其求解。仿真结果表明,在多个主用户信号交叠与阴影衰落并存的情况下,相较于传统算法,本文算法分簇更为合理,具有更好的有效性与可靠性。     

基于能耗的分簇频谱感知方法

在协作频谱感知中,当信道经历衰落和阴影时,各用户的感知性能会有不同程度影响,某些受影响严重的次用户甚至可能会严重影响到整个感知网络的性能.同时参与协作的用户数越多,认知传感器网络面临的问题越大.为了解决这些问题,提出了一种基于能耗的分簇协作感知算法.该算法引入基于节点能量的LEACH分簇算法,将认知传感器网络中的各个节点按该分簇算法分入若干簇内;在每个簇内,构造了同时考虑检测性能和能量消耗的效用函数,基于该效用函数对最佳协作用户数和用户进行选择,使每个簇内的检测性能和能耗达到很好的折中;在汇聚节点运用OR规则将簇头发送过来的感知信息进行融合,得到最终判决结果.仿真结果表明,该基于能耗的分簇协作频谱感知算法可以有效地延长认知传感器网络的生存时间,节省网络的能耗,并且保证良好的检测性能.     

高斯分布无线传感器网络簇头选择算法

针对无线传感器网络的能量受限问题,通常采用分簇聚合减少数据传输来实现能量节省。提出了一种基于高斯分布的分簇网络模型的簇头选择算法,构建了簇头选择函数的概率模型。模型以信道增益、剩余能量、簇内节点间距离及节点位置为参数,通过比较节点的概率函数值选择簇头。结果表明该选择算法能较大程度地提高网络能耗效率、延长网络生存时间。     

MPMC:一种无线传感器网络多信道多功率数据聚集调度算法

数据聚集是传感器网络中比较耗时的操作,特别是在高密度网络中.因此,最小化数据聚集延迟问题成为人们研究的热点,该问题已经被证明是NP难问题.提出一个基于分簇思想的多信道多功率数据聚集调度算法MPMC,来降低聚集延迟.该算法采用一种簇内小功率、簇间大功率的分簇思想,结合信道分配来降低数据聚集延迟,簇间可无冲突同步进行数据聚集.并分析了不同网络拓扑下使用的信道个数趋于常数.在模拟实验中,算法MPMC与目前最好的单信道以及多信道数据聚集调度算法进行了比较,验证了MPMC的平均延迟最小.     

WSN中满足公平性的时分复用调度算法

如果网络中的节点不能及时公平地共享信道资源,会造成数据传输延时的增加和节点能量的浪费。为解决这种信道分配不均问题,提出一种基于TDMA的调度算法TSFA。该算法分为网络分簇、节点染色、独立集调度3个步骤,主要思想是在分布式顶点染色算法DVCA的基础上得到最大独立集,其根据每个独立集内的数据流量大小分配时隙。仿真结果表明,TSFA避免了相邻节点间的通信干扰,减少了网络的通信延时,提高了网络的吞吐量,实现了信道分配的公平性。     

大规模认知无线电网络多方密钥交换协议*

提出一种适合大规模认知无线电网络的密钥交换协议,首先利用拓扑位置将网络分簇,簇内使用multi party Diffie-Hellman,簇间使用a conference key distribution,通过旅行商问题为密钥交换协议提供最优路径。该协议不仅防止被动攻击,而且通过减少对广播信道的依赖提高共享密钥协商过程的效率和成功率,运行效率为O(2max(m)), max(m)为节点数最多的簇中节点数量。     

认知Ad hoc网络的频谱接入跨层设计方案*

为提高分布式认知Ad hoc网络的频谱感知精准性和能量有效性,提出了一种基于能量效率的频谱接入跨层设计方案。首先通过基于感知因子的完全二分图分解法对网络进行分簇,进而在簇内联合优化次用户的发射功率和接入概率,最终得到最优信道接入和功率分配方案。仿真结果表明,与传统算法相比该方案可通过合理分簇提高分布式认知网络的感知精度,在保证感知性能的条件下使系统能量效率得到有效提升。     

超密集网络中基于小区分簇的资源分配

针对超密集网络中毫微微小区(Femtocell)之间同层干扰以及毫微微小区与宏小区(Macrocell)之间跨层干扰问题,提出了一种基于小区动态分簇的资源分配算法。该算法分为两步:第一步首先采用了基于速率公平性的子信道分配算法为宏用户分配子信道,接着利用注水算法分配功率;第二步首先根据毫微微小区之间的干扰权值大小,利用遗传模拟退火算法为FAPs分簇,其次利用启发式信道分配算法为FUEs分配子信道,采用KKT条件为用户分配功率。仿真表明,该算法能够有效抑制这两种干扰,满足用户速率需求,提升网络频谱效率。     

使用均值距离与关联性标记的并行OPTICS算法

针对大数据环境下传统并行密度聚类算法中存在的数据划分不合理,聚类结果准确度不高,结果受参数影响较大以及并行效率低等问题,提出一种MapReduce下使用均值距离与关联性标记的并行OPTICS算法——POMDRM-MR。算法使用一种基于维度稀疏度的减少边界点划分策略（DS-PRBP）,划分数据集;针对各个分区,提出标记点排序识别簇算法（MOPTICS）,构建数据点与核心点之间的关联性,并标记数据点迭代次数,在距离度量中,使用领域均值距离策略（FMD）,计算数据点的领域均值距离,代替可达距离排序,输出关联性标记序列;最后结合重排序序列提取簇算法（REC）,对输出序列进行二次排序并提取簇,提高算法局部聚类的准确性和稳定性;在合并全局簇时,算法提出边界密度筛选策略（BD-FLC）,计算筛选密度相近局部簇;又基于n叉树的并集型合并与MapReduce模型,提出并行局部簇合并算法（MCNT-MR）,加快局部簇收敛,并行合并局部簇,提升全局簇合并效率。对照实验表明,POMDRM-MR算法聚类效果更佳,且在大规模数据集下算法的并行化性能更好。     

基于链接率的AdHoc自适应按需加权分簇算法

AdHoc网络通过分簇算法来实现网络分层,以支持高效的资源管理和路由策略。稳定的分簇算法可以减少网络的计算和通信开销。为了提高分簇算法的稳定性,文中提出了一种基于链接率的自适应按需加权分簇算法（AOWLR）。该算法将节点的运动轨迹抽象为直线形和圆弧形两种,并引入邻居节点的平均链接率预测值作为衡量簇稳定性的一个重要标准。NS2仿真结果证明,同AOW相比,AOWLR算法的负载平衡因子较高,连通统治集（CDS）更新频率和节点充当簇头的公平性指数（HFI）较低。     

基于群进化策略的模糊聚类算法

针对传统的聚类算法需要知道类的真实数目,以及容易陷入局部最优的缺陷,提出基于群进化策略的模糊聚类算法,简称fuzzyGAC。该算法将群进化策略与模糊聚类结合起来,通过两个阶段（继承阶段和重新分配阶段）来产生新的聚类结果。将提出的算法与模糊C均值算法、差分算法、粒子群算法进行比较,实验结果表明,就类的数目和聚类中心而言,该算法可以自适应地修正类的数目并且提供最优的聚类中心。     

面向大规模信息网络的高效自适应聚类算法

为解决传统聚类算法在处理大规模信息网络中时间开销过大的问题,基于大规模信息网络的统计学特性,提出了一种将信息网络拓扑结构进行“分而治之”的思想,有效地减少了聚类问题规模和时间开销,并保持了相当的聚类效果。主要贡献包括：提出按照聚类影响力排名来对整个信息网络进行分层切割,然后分别聚类的思想;按照特定信息网络统计学意义上的结构特性,如信息网络的富人集团特性和分层社区结构特性,设计了一套将信息网络进行层次划分的粗略方案,并通过实验证明了其具有一定的合理性;提出了迭代的层级间聚类融合算法,可以实现不同层次聚类的融合。实验表明,该算法在兼具较好聚类效果的同时,非常明显地减少了运算开销。     

大规模无线传感器网络环域多扇区多跳分簇路由算法

无线传感器网络(WSNs)中分簇不均衡会导致一些节点能量过早耗尽,网络生命周期缩短。提出一种环域多扇区多跳分簇路由(MMCR)算法。在RBMC分环模型上,各环域内根据最优分簇数分扇区即分簇,多轮旋转机制产生簇头,簇内单跳通信,簇间根据距离权值、单跳、多跳相结合通信。仿真实验表明:该算法与LEACH,E-LEACH,ERBMC相比,在较大规模网络中,网络生命周期、能量利用率和数据发送效率都具有较好的性能。     

能量均衡的无线传感器网络非均匀分簇算法的研究

在对经典的分簇路由算法LEACH研究的基础之上,提出了一种基于非均匀分簇的新的路由算法EBCA。新算法在簇头的确定和成簇机制上较LEACH做出了一些改进,考虑到节点的剩余能量及最优簇头数目的确定等参数,有效避免低能耗节点被选为簇头。采用非均匀分簇的思想,使远离汇集节点簇的规模大于靠近汇集节点的簇的规模,同一区域内簇头节点间用多跳的方式传输数据。仿真结果表明：新算法EBCA较LEACH算法,从整体上均衡了节点能耗,延长了网络的生命周期。     

无线传感器网络中跨层优化的分簇算法

针对无线传感器网络中节点能量受限问题,提出一种跨出优化的无线传感器网络分簇算法,根据跨层分析方法计算得到的簇数目,将网络区域划分为非均匀的虚拟单元格,采用能量有效策略组织成簇,均衡网络能量消耗.仿真实验证明,采用跨层的方法计算的簇数目可以有效降低节点的能量消耗、延长网络的生存周期.     

神经正切核K‑Means聚类

针对K-Means聚类算法利用均值更新聚类中心,导致聚类结果受样本分布影响的问题,提出了神经正切核K-Means聚类算法（NTKKM）。首先通过神经正切核（NTK）将输入空间的数据映射到高维特征空间,然后在高维特征空间中进行K-Means聚类,并采用兼顾簇间与簇内距离的方法更新聚类中心,最后得到聚类结果。在car和breast-tissue数据集上,对NTKKM聚类算法的准确率、调整兰德系数（ARI）及FM指数这3个评价指标进行统计。实验结果表明,NTKKM聚类算法的聚类效果以及稳定性均优于K?Means聚类算法和高斯核K-Means聚类算法。NTKKM聚类算法与传统的K-Means聚类算法相比,准确率分别提升了14.9%和9.4%,ARI分别提升了9.7%和18.0%,FM指数分别提升了12.0%和12.0%,验证了NTKKM聚类算法良好的聚类性能。     

一种CF树结合KNN图划分的文本聚类算法

为了提升文本聚类效果,改善传统聚类算法在参数设定,稳定性等方面存在的不足,提出新的文本聚类算法TCBIBK（a Text Clustering algorithm Based on Improved BIRCH and K-nearest neighbor）。该算法以BIRCH聚类算法为原型,聚类过程中除判断文本对象与簇的距离外,增加判断簇与簇之间的距离,采取主动的簇合并或分裂,设置动态的阈值。同时结合KNN分类算法,在保证良好聚类效率前提下提升聚类稳定性,将TCBIBK算法应用于文本聚类,能够提高文本聚类效果。对比实验结果表明,该算法聚类有效性与稳定性都得到较大提高。