双类型异质网中基于排序和聚类的离群点检测方法

挖掘隐藏在网络中不同于正常数据对象的离群点是数据挖掘的重要任务之一.目前,针对双类型异质信息网络离群点检测的研究工作相对较少,原本适用于同质网络的离群点检测方法将很难适用于双类型异质网络.为此,提出了异质信息网络中基于排序和聚类的离群点检测方法（RKBOutlier）.从异质信息网络中抽取两种类型的对象以及链接两种对象的语义信息,将待检测的数据作为属性对象,将另一类型数据作为目标对象,对目标对象进行聚类来检测属性对象在各个聚类中的分布情况,数据分布异常的对象即为离群点.将排序和聚类相结合来显著提高聚类的准确度.实验结果表明,RKBOutlier可以在双类型异质信息网络中有效地检测出离群点.     

基于无线传感器网络的极大似然定位法的分析

对现在普遍应用的极大似然估计定位方法进行了分析,发现极大似然估计法参考方程(第n个方程)的锚节点(参照锚节点)测距误差和参照锚节点在定位区域内的位置对定位误差有重要影响:参照锚节点的测距误差越小,计算得到的定位精度越高;当所有方程所含误差相同时,参照锚节点在定位区域中心时定位误差小,在定位区域边缘时定位误差大;当参照锚...