基于均衡化函数的k均值优化算法

传统的k-means算法要求用户事先给定k值，限制了很多应用，初始中心点随机选择，容易导致局部极值点，常用的评价函数对于求解最优聚类数目也不理想。针对这些问题，该文提出一种新的评价函数——均衡化函数，采用基于密度的初始化中心点选择算法，自动生成聚类数目，实验结果表明了改进算法的有效性。  

MANET分簇节点组通信功能的设计与实现

提出一种将源路由(DSR)协议与自适应按需加权(AOW)分簇算法相结合的Ad hoc网络体系结构设计方案。利用AOW算法进行分簇，将簇半径严格控制在1跳以内，簇内成员无需路由功能，大大减少了网络路由信息的冗余。簇头运行DSR协议充当路由转发器，使不同簇节点之间的通信依赖于各簇的簇头。模拟结果显示该方案具有良好的性能，并已在Windows XP中实现。  

基于哈希技术和MapReduce的大数据集K-近邻算法

K-近邻是一种著名的分类算法。由于简单且易于实现,因此其被广泛应用于许多领域,如人脸识别、基因分类、决策支持等。然而,在大数据环境中,K-近邻算法变得非常低效,甚至不可行。针对这一问题,提出了一种基于哈希技术和MapReduce的大数据集K-近邻分类算法。为了验证算法的有效性,在4个大数据集上进行了实验,结果显示,在保持分类能力的前提下,所提算法可以大幅度地提高K-近邻算法的效率。  

基于WSN的数据融合在水质监测中的研究

多传感器数据融合是一种数据处理方法，可以对来自多个传感器的数据进行多方面、多层次的处理，从而产生更有意义的信息，而这种信息是单一传感器难以获得的。通过在水质监测应用背景下研究基于WSN的数据融合，提出了一种针对水质监测的两级数据融合模型：处理传感器所采集到的监测数据时，对于同类型的数据采用自适应加权理论进行第一级数据融合；对于不同类型的数据采用模糊综合评价理论进行第二级数据融合。对巢湖流域水样监测的实验结果表明，这种采用自适应加权理论和模糊综合评价理论相结合的数据融合模型，能够有效降低监测网络的数据传输量，降低监测数据的误差，提高水质状态监测的可信度。  

基于MapReduce和上采样的两类非平衡大数据集成分类

提出了一种基于MapReduce和上采样的两类非平衡大数据分类方法，该方法分为5步：（1）对于每一个正类样例，用MapReduce寻找其异类最近临；（2）在两个样例点之间的直线上生成若干个正类样例；（3）以新的正类样例子集的大小为基准，将负类样例随机划分为若干子集；（4）用负类样例子集和正类样例子集构造若干个平衡数据子集；（5）用平衡数据子集训练若干个分类器，并对训练好的分类器进行集成。在5个两类非平衡大数据集上与3种相关方法进行了实验比较，实验结果表明本文提出的优于这3种方法。  

板级自动测试系统在航空电子装备中的应用

航空装备大修厂承修的机载电子装备中，常遇到较早期设计的电路板产品，这类产品相对而言可测性较低，测试方案不明确且产品维修资料较少，若遇到因电路板故障引起装备失效的情况，维修周期较长且故障排除效果不稳定，对维修单位而言在电路板级故障诊断带来很大困难。国内早期板级自动测试系统的研究偏向于专板专用，专业性较强通用性较弱，与实际维修保障应用方面相结合的案例较少，本文针对这一短板，对通用性较强的板级产品自动测试系统及其在航空电子装备中的应用进行了研究，选取故障较高的视频信号处理板为样本，用实例阐述了如何以板级测试系统为平台，确定了板级故障诊断设计方案，设计了测试开发流程，增强了维修行业对板级故障诊断技术的完备性与多样性。