无线传感器网络中基于闭合环包围的边界节点检测

由于无线传感器网络中可能会出现覆盖漏洞,导致网络无法提供高质量的数据,所以需要检测边界节点以准确找到覆盖漏洞进行修复。已有研究大多是通过传感器的坐标或者依据大量节点信息进行检测, 现提出算法通过检测每个节点的邻居节点是否能形成包围检测节点的闭合环来判别当前节点是否为边界节点。该算法使得节点能够仅基于小邻域的信息自主地决定它是否是边界节点,使其适用于节点分布不均匀的网络中。仿真实验验证了该算法在识别准确率、降低通信量等方面的有效性。     

基于拓扑的WSNs边界节点检测算法设计

无线传感器网络(WSNs)边界的检测是传感器应用的一个基础问题.针对降低通信量和提高边界节点检测的准确性2个方面考虑,设计了一种改进的边界节点检测(ABRSN-TM)算法,该算法采用网络纬度线取代最短路径树用于检测网络中的洞结构;当网络中洞的个数比较多时,采用构造多个环分别包围网络中的单洞;同时引入环上节点动态替换方法,把环转换为网络的边界,从而降低交换数据量,提高边界节点检测的准确性与时效性.实验验证了该算法在识别准确率、检测速度等指标上的有效性.     

传感器网络失效节点识别技术研究

本文提出一种基于Bloom Filter的传感器网络失效节点的识别方法,该方法在不增加传感器网络节点负担的情况下,对传感器网络中无法正常工作的传感器节点进行识别.分析了算法中不同参数选取对于识别性能的影响,并通过仿真对算法准确性进行了验证.     

基于面翻转三维传感器网络边界节点识别算法

针对三维环境下的传感器网络边界节点识别问题,提出了一种基于面翻转的传感器网络边界节点分布式识别方法。算法在已知三个相邻边界节点的基础上,以三个相邻边界节点构成的三角形的各边为轴,以有限面积的面向网络外侧翻转,扫描到的第一个点为新的边界节点,该节点与翻转轴上的两个节点构建成新三角形,迭代上述过程,最终识别出边界节点,获取边界包络。实验结果表明,与Alpha-shape3D算法相比,所提算法能大大减少冗余边界节点。     

一种改进的边界节点检测算法

无线传感器网络边界节点的检测是传感器应用的一个基础问题。针对降低通信量、提高边界节点检测的准确性两个方面考虑,设计一种改进的边界节点检测算法(AIBNDA),该算法采用竞争方法选取领导节点,利用空洞的大小计算纬度线的条数;当网络中空洞的个数比较多时,构造多个环分别包围网络中的空洞;采用环上节点动态替换方法,把环转换为网络的边界。实验验证了该算法在识别准确率、降低通信量等方面的有效性。     

分布式无线传感器网络容错事件边界检测

事件监测是无线传感器网络的一种重要应用。针对该应用中软故障节点提供的错误数据会降低监测的准确性的问题,提出了一种分布式的容错事件边界检测算法。节点只需与邻节点交换一次传感数据,通过简单地计算识别故障;正常的事件节点利用统计比较的方法判断其是否处于事件边界,边界宽度可根据网络用户的要求调节。该算法执行时所需的通信量小,计算复杂度低,时延小,对大规模网络具有很好的可扩展性。仿真结果表明即使节点故障率很高,应用该算法仍可以获得很好的检测效果。     

EeRCCA：一种能量有效的传感器网络覆盖控制算法

针对已有算法中边界节点过早死亡和网络能耗不均问题,本文提出了一种能量有效的分布式覆盖控制算法EeRC-CA.EeRCCA采用多启动和能量自适应竞争相结合的策略,减缓边界节点过早死亡;在协同节点选举中,依据当前节点与启动节点、邻居协同节点间的距离和剩余能量的权值,合理调整避退时间,均衡网络能耗,延长网络生存周期.仿真结果表明EeRCCA可以保证完全覆盖和连通,在工作节点数目和覆盖率方面与RBSS算法基本相当,在不增加额外控制开销的条件下,可以显著延长网络生命期.     

移动无线传感器网络连通性自主恢复算法

无线传感器网络(WSNs)中关键节点故障会将网络分割成多个不连通的分区,给网络性能带来严重影响.而无线传感器网络往往布置在人工难以干预的偏僻恶劣环境中,网络连通性的自主恢复尤其重要.提出一种自主网络分区检测和连通性恢复(APDCR)策略,容忍无线传感器网络中关键节点的故障.APDCR首先基于1跳邻居和部分2跳邻居信息提出一种新的关键节点识别算法,然后给出关键节点的备用节点的选取算法和网络连通性恢复算法,最后扩展算法处理两个节点同时故障时网络不连通问题(2-APDCR).模拟实验结果表明了算法APDCR的有效性.     

一种改进的基于加权网络的蛋白质复合物识别算法

不断增长的蛋白质相互作用数据使我们能够采用计算方法预测蛋白质复合物。然而,由于实验条件和技术的限制,现有的PPI网络中包含噪声。为了降低噪声对复合物识别所产生的负面影响,提出了一种改进的名为WPC的算法,用于从加权网络中识别蛋白质复合物。给定一个选定节点,所有邻居节点组成候选集,候选集中节点的邻居节点组成邻居集。对于候选集中的节点,若该节点在候选集与邻居集间的加权比低于设定阈值,则将该点剔除。处理后的候选集被标记为复合物。对于没有包含在任何复合物中的节点,如果节点在某一复合物内的平均加权度超过一个自适应的阈值,则将其补充到该复合物中。对WPC算法和现有的几种经典蛋白质复合物识别算法的性能进行了综合比较。实验结果表明,WPC算法的性能优于几种对比的复合物识别算法。     

基于骨架层次分解的目标的图表示

基于骨架的目标表示技术是模式识别和计算机视觉的重要研究内容,近年来人们提出了许多骨架化算法,但是有关利用骨架信息表示并识别目标的研究还非常有限。Ablameyko等1996年提出了通过分解由距离标号的骨架为有意义的结构基元从而获得目标的层次结构图的方法。该图可以准确地刻画基元之间的拓扑关系,但是它对于骨架中的噪声比较敏感。主要表现为噪声基元破坏其它基元的完整性和图的稳定性。该文采用将分支编组为分支链以及构造多尺度结构图的改进策略来克服这些缺点,最终获得了目标的节点数更小、节点显著度更高、节点间连接关系更稳定的多尺度图,从而显著地提高后续利用不精确图匹配技术进行目标识别的效率。这项技术已经被应用于一个基于形状特征的图像数据库检索系统中。     

基于分簇结构的无线移动网络多播路由协议

移动自组网（MANET,Mobile Ad hoc Networks）是一种特殊的、应用前景广阔的新型移动无线网络。特有的网络特性使它在诸如灾难救助、战场、传感器网络、分布式计算等领域有着广泛的应用前景。结合在移动自组网络中应用最为广泛的分层结构——簇结构的特点,提出了一种基于簇结构的移动自组网多播波路由协议。协议通过对移动自组网进行簇划分,形成由簇头、簇间节点和簇内节点构成的分簇网络结构,并且在由簇头和簇间节点形成的虚拟骨干网基础上,对其进行回路检测和冗余剪枝算法处理,最终得到一个能满足多播要求的多播树,从而实现在移动自组网中的多播路由。通过对仿真实验结果的分析,该协议具有稳定的数据包发送率和较低的路由建立时间。     

无线传感器网络中基于骨架的路由协议*

传感器节点能量有限且通常不可补给,有效的路由协议有助于降低网络的能量消耗,延长网络寿命。提出了无线传感器网络中基于骨架的路由协议,在仅利用连接信息的基础上,首先提取出传感器网络的骨架,然后利用骨架对每个传感器节点命名,利用节点名称就可以实现源节点与目标节点间的路由。仿真实验表明了算法的有效性。     

基于三角形的重叠社团发现算法

社区结构是复杂网络的重要属性之一, 有效挖掘出复杂网络中隐藏的社区结构具有重要的理论研究意义和广泛的应用前景。真实网络在一定程度上都表现为重叠的社区结构, 针对这一问题, 提出了一种基于三角形的重叠社区发现算法。通过判断两个节点与其共享邻居节点能否构成一个三角形来判断, 若能构成三角形, 则这两个节点属于同一社区。在计算机生成网络与真实网络上进行了实验, 都正确地识别出了社区结构以及重叠节点, 表明了此算法对于发现重叠社区结构的有效性和可行性。     

基于隐藏标签节点挖掘的跨网络用户身份识别

随着各种社交网络不断涌现,以及针对社交网络的安全和商业应用的不断普及,跨网络用户身份识别成为当前的研究热点。针对现有的基于自中心网络环境算法(Ego-UI)对标签节点利用率不高的缺点,该文提出一种基于隐藏标签节点挖掘的跨网络用户身份识别算法(HLNM-UI)。该算法通过给待匹配节点添加社团聚类信息,将挖掘出的隐藏标签节点加入到自中心网络里,通过对潜在的关系信息加以利用,提高待匹配节点的辨识度,然后利用标签节点找寻最佳匹配,最后通过迭代运算实现全网络所有节点的身份识别。在多个人工随机网络和真实社交网络实验结果表明,该文提出的算法相比现有的基于自中心网络算法具有更高的召回率和F-1值。     

Heuristic algorithm for finding boundary cycles in location-free low density wireless sensor networks

Wireless sensor networks (WSNs) comprise a large number of sensor nodes, which are spread out within a region to be monitored and communicate using wireless links. In some WSN applications, recognizing boundary nodes is important for topology discovery, geographic routing, tracking and guiding. In this paper, we study the problem of identifying the boundary nodes of a WSN. In a WSN, close-by nodes can establish direct communications with their neighbors and have the ability to estimate distances to nearby nodes, but not necessarily the true distances. Our objective is to find the boundary nodes by using only the connectivity relation and neighbor distance information without any other knowledge of node locations. Moreover, our main aim is to design a distributed algorithm that works even when the average degree is low. We propose a heuristic algorithm to find the boundary nodes which are connected in a boundary cycle of a location-free, low density (average degree 5–6), randomly deployed WSN. We develop the key ideas of our boundary detection algorithm in the centralized scenario and extend these ideas to the distributed scenario. The distributed implementation is more realistic for real WSNs, especially for sparse networks when all local information cannot be collected very well due to sparse connectivity. In addition, the distributed implementation can tolerate faults by recomputing the boundary locally when a boundary node is faulty. Simulations in ns-2 show that the distributed implementation outperforms the centralized one with higher quality of boundaries.     

一种学习稀疏BN最优结构的改进K均值分块学习算法

目前贝叶斯网络(Bayesian networks, BN)的传统结构学习算法在处理高维数据时呈现出计算负担过大、在合理时间内难以得到期望精度结果的问题.为了在高维数据下学习稀疏BN的最优结构, 本文提出了一种学习稀疏BN最优结构的改进K均值分块学习算法.该算法采用分而治之的策略, 首先采用互信息作为节点间距离度量, 利用融合互信息的改进K均值算法对网络分块; 其次, 使用MMPC (Max-min parent and children)算法得到整个网络的架构, 根据架构找到块间所有边的可能连接方向, 从而找到所有可能的图结构; 之后, 对所有图结构依次进行结构学习; 最终利用评分找到最优BN.实验证明, 相比现有分块结构学习算法, 本文提出的算法不仅习得了网络的精确结构, 且学习速度有一定提高; 相比非分块经典结构学习算法, 本文提出的算法在保证精度基础上, 学习速度大幅提高, 解决了非分块经典结构学习算法无法在合理时间内处理高维数据的难题.     

基于LeaderRank的多标签传播重叠社区发现算法*

针对多标签传播重叠社区发现算法COPRA存在的的随机性强、鲁棒性差等问题,提出一种基于多标签传播思想的重叠社区发现算法。该算法通过LeaderRank算法来量化网络中节点的重要性,再根据量化值大小对节点进行团扩展,得到可重叠的最具重要性的粗糙团,分别对粗糙团和非粗糙团中的节点进行标签初始化,再通过合理的标签迭代顺序和改进的标签删选策略进行标签更新,直到达到标签传播的终止条件结束迭代过程。在人工网络图和真实数据集上进行实验,结果表明所提算法不仅有效地增强了社区发现结果的稳定性,同时提高了准确率。     

基于分层结构的Ad Hoc多播路由算法

根据Ad Hoc移动网络采用多级分层结构管理体系的特点,提出了一种Ad Hoc移动网络的多播路由算法。通过对移动自组网进行簇划分,形成由簇节点、簇桥节点和簇内节点构成的分簇网络结构,并且在由簇节点和簇桥节点形成的虚拟骨干网基础上,通过回路检测和冗余剪枝算法处理,最终得到一个能满足多播要求的多播树。仿真实验说明,该多播路由算法具有稳定的数据包发送率,减少了路由建立时间。     

An improved contraction-based method for mesh skeleton extraction

Contraction-based skeleton extraction methods have the feature that during skeleton extraction process, the correspondence between skeleton and mesh regions can be obtained, which makes this class of algorithm attractive. Besides, among all mesh skeleton extraction methods, contraction-based methods possesses the merits of robustness to noise, rotation invariant and no requirement on additional boundary conditions. However, contraction-based methods still suffer some flaws such as not promising homotopy or centeredness, or not capable of processing non-closed meshes, etc. In this paper, an improved contraction-based skeleton extraction method is proposed which covers the failure of existing methods at non-closed part of a model and increases the rationality of the centeredness correction of the skeleton: First, non-closed models are virtually closed by a preprocessing stage such that models with boundaries can be contracted in the same way as the closed ones. Second, to improve the centeredness of the skeleton, we present a simpler and more effective one-ring area sequence weighting scheme by which the displacements measuring the shift of skeleton nodes can be calculated. Experimental results show the effectiveness of our work.     

骨架驱动的三维模型变形方法

为发展三维网格模型的变形技术,研究了多种三维模型变形算法,通过对骨架驱动变形算法的深入研究,针对现行算法多是以单一骨架驱动变形的不足,提出了一种新的基于多骨架点驱动的交互式局部变形方法.有效结合模型的骨架图结构,确定各骨架点对应的局部区域.并将骨架点拟合为二次Bézier曲线,通过交互式拖动任意骨架点计算与之相连的多骨架点的动态变化,实现模型局部区域的自然形变.实验结果表明了该算法的有效性和直观性.