协作多点传输系统中基于图论的动态分簇算法

在蜂窝移动通信系统中,小区间的干扰严重限制着小区边缘用户的性能,而协作多点传输（Coordinated Multi-Point,CoMP）技术可以显著减少小区之间的干扰并改善边缘用户的性能。为了提升小区边缘用户的数据传输速率,本文针对CoMP系统提出一种基于图论的动态分簇算法。该算法利用图论的方法建立蜂窝网络的拓扑结构图,通过对小区间干扰的分析,能够同时生成多个簇大小不固定的协作簇,解决了簇大小固定和依次分簇所造成的系统受限问题。仿真结果表明,相比于其他分簇算法,本文算法在改善分簇的性能的同时降低了计算复杂度,并提高了系统的和速率。     

基于Q学习的多基站分簇拓扑控制算法

为了解决无线传感器网络中单基站附近出现的“能量空洞”和网络时延过高等问题,引入多基站分簇拓扑控制算法。算法根据不同的场景来选择基站数目,结合图论和定向扩散中梯度的思想对网络进行分簇并运用Q学习算法对簇头节点进行周期性的学习训练,比较到达不同基站的不同路径上的Q值进行最优路径的选择。通过仿真分析表明,该算法相对于单基站分簇算法可以有效延长网络的生命周期。     

部分信道状态信息下簇规模均匀的基站群快速分簇方案

在获取的信道状态信息(CSI)失真且信道快变的情况下,现有分簇方案需要获取全部基站的CSI且不能快速得到簇结构。针对以上问题,提出了一种基于近邻传播(AP)聚类思想的基站群快速分簇方案。该方案只需获取近邻基站间（部分）的CSI,通过近邻基站间协同的平均信干比(SIR)增益来构成稀疏化的相似度矩阵;然后,在近邻基站间进行协同信息的交互、更新,快速生成多个协同簇;最后,以簇合并带来的平均信干比增益大小为依据合并较小规模的簇,从而达到簇规模均匀的目的。仿真结果表明,与完全CSI下的现有分簇方案相比,所提方案不但收敛速度快,而且簇规模较均匀。     

Femtocell网络中基于联合传输的分簇与功率分配算法*

针对家庭基站(femtocell)密集部署时的下行干扰问题,提出一种基于多点协作联合传输的分簇与功率分配相结合的算法。首先根据受到的干扰程度进行分簇,将干扰强的家庭基站分到同一个簇,簇内所有家庭基站通过寻找对自身最有利的基站进行协作,将干扰信号转变有用信号,联合传输为用户提供服务,提升用户的信干噪比来保证用户性能,簇间则复用相同的频谱资源。然后通过给用户分配合适的功率使得总传输速率最大。仿真结果表示,所提算法能在抑制系统干扰的同时提高系统的吞吐量。     

一种适用于多基站环境的WSN分簇路由协议

在多基站部署于网络外部的环境下,网络边缘的节点与基站通信所需的能耗相比其他节点更少,但它们与大部分节点距离较远,不适合当簇头。传统LEACH算法每轮簇头数量不等且分布不合理。针对上述问题提出一种适用于多基站环境带有中转节点的分簇路由协议,在优先选靠近簇内质心且能量较高的节点作为簇头的同时,利用靠近基站的普通节点做中转,以此减轻簇头的能耗负担,同时改进了分布式的簇头选举方法来保证每轮的簇头数相同,进一步减少不必要的能耗。经仿真测试,该方法能让节点能耗更加均衡,并有效延长网络的使用寿命。     

基于分簇的小基站用户资源分配方案

为降低密集网络系统层内干扰并提高系统容量,提出一种基于分簇的用户资源分配方案。在分簇阶段,根据小基站到簇头的最大距离方差与簇头间最小距离对初始分簇结果进行消除、合并及分裂操作,实现网络拓扑变化情况下的自适应分簇。在资源分配阶段,通过用户剩余资源有效利用及资源块微调,保障用户业务速率。仿真结果表明,与现有用户资源分配方案相比,该方案提高了系统容量及用户公平性。     

基于基站划分网格的无线传感器网络分簇算法

提出了一种新的无线传感器网络分簇和数据汇聚方法, 即CABSM算法. 在CABSM算法中, 基站通过在网络覆盖区域相互垂直的两个方向发射不同功率半径的信号, 将整个网络划分成近似正方形的单元格, 每个单元格为一个簇. 一级簇头由单元格内剩余能量最大的节点担任, 负责簇内数据收集和融合, 并通过簇间数据汇聚方法将处理数据发送给二级簇头. 最终由二级簇头将整个网络数据发送给基站. 仿真结果显示, 算法在网络生存时间上较低功耗自适应集簇分层型协议(LEACH)有更好的表现.     

基于平均信干比增益的基站群分簇模型

当获取的信道状态信息(CSI)失真时,现有分簇模型不能有效指导分簇,导致得到的簇结构不佳,协同性能降低。针对此问题,提出了一种基于平均信干比增益的基站群分簇模型。模型以基站协同的平均信干比增益来度量基站间协同愿望程度,以平均信干比增益之和最大化为目标进行分簇,从而把分簇后系统协同性能最大化的目标转换为分簇后系统平均信干比增益之和最大化。仿真结果表明,CSI失真时,利益树分簇方案在平均信干比增益分簇模型下得到的性能,相比于协同度模型提升了0.3 bps/Hz。     

基于动态分簇的传感器网络协同算法

该文提出了一种基于动态分簇的协同信息处理算法,并以跟踪问题为具体算例对该算法进行了验证。该方法依据被跟踪对象的预测位置,动态分簇(cluster),并利用传感器节点与该预测位置间的范数来选择合理的测量值,综合利用簇内所有相关节点的信息。仿真结果表明,该方法在有效利用能量的基础上大大提高了系统精度和鲁棒性。     

一种基于地理位置的无线传感器网络分簇路由算法

针对大规模无线传感器网络,提出了一种基于地理位置的双基站分簇路由算法。该算法在网络覆盖区域边缘设置两个基站,按照地理位置将区域划分为若干均匀分布网格。每个网格根据节点剩余能量和到网格内其它节点平均距离远近选择簇头。通过仿真分析,证明该算法能减少网络能耗,延长网络生存时间。     

K-means聚类算法的研究综述

K-均值聚类算法（K-means）是基于划分的聚类算法中的典型算法,针对K-means算法初始聚类中心存在对K依赖的缺陷,提出一种新的选取K-means算法初始聚类中心的方法,该方法提高聚类结果的有效性和稳定性;还提出一种极值选择法,将最大距离法和最小距离法相结合,进一步提高初始聚类中心选择的准确性。     

一种面向基站扇区方向角估计的改进SVM算法

基站扇区方向角是电信运营商进行移动网络运维的重要工参,也是基站信息表的关键要素,以人工方式为主的扇区方向角数据采集和管理方式存在成本高、数据更新不及时等问题.在分析现有方向角估计方法局限性的基础上,通过将方向角估计问题转化为基站站址约束下的最优软间隔边界求解问题,提出一种基于软间隔支持向量机的基站扇区方向角检测方法.利...     

基于传感器网络能量均衡分簇算法仿真研究

研究传感网络能量均衡分簇延长网络寿命问题。针对LEACH算法中簇首分布不均及簇首与基站一跳通信能耗大的问题,造成网络簇头的不均匀分布带来的能耗不均衡问题以及簇头的瓶颈等,为了解决上述问题,提出了一种基于能量高效的无线传感器网络分簇路由算法。算法首先在簇头选择过程中利用节点的能量、邻节点数以及每一轮中簇头的个数等参数设置节点当选簇头的优先度,使簇头均匀地分布在网络中;在簇的组建过程中利用能量参数设置簇的重建条件,达到减小簇的重建频率的目的。     

基于网格的聚类算法的虚拟物流企业伙伴选择方法研究

虚拟物流企业已成为21世纪信息社会生产、物流的主流组织形式。准确地选择和确定合作伙伴是建立虚拟物流企业的关键。本文提出了应用基于网格的聚类算法来选择虚拟物流企业合作伙伴。该算法能对虚拟物流企业信息平台提供的庞大的高维的成员企业信息数据库进行快速有效的数据挖掘,从而在全球范围内寻找潜在的合作伙伴,以供虚拟物流企业核心企业作为下一步精选的根据。实例仿真说明了该算法的有效性。     

分布式关联规则挖掘中的聚类分区算法

在分布式关联规则挖掘中，首先需要解决分布式环境下的聚类分区问题。该文基于CURE的工作原理，提出了D-CURE算法。实验证明，D-CURE算法可以很好地解决在分布式环境下的聚类分区问题。     

分布式关联规则挖掘中的聚类分区算法

在分布式关联规则挖掘中首先需要解决分布武环境下的聚类分区问题,该文基于CURE的工作原理,提出了D-CURE算法。实验证明,D-CURE算法可以很好地解决分布式环境下聚类分区问题。     

协同演化算法在聚类中的应用

提出一种协同演化聚类算法,该算法使用改进的掩码方式动态决定聚类中心的数目。将种群划分成两个子种群,分别采用遗传算法和差分进化算法进行演化,遗传算法侧重于全局寻优,差分进化算法注重于局部搜索。在演化的过程中,利用不同的间隔迁移策略相互交换优良个体,使算法的全局探索能力和局部搜索能力得到均衡。通过性能测试、聚类中心数目和运行时间测试等实验证明该算法的优越性。     

基于能量的WSN多跳簇生成算法

提出一种基于能量的多跳簇生成(EMHC)算法,根据剩余能量争先原则选择簇首,并采用最小通信代价的多跳簇内结构。通过OMNet++模拟器对算法进行实验,结果表明,EMHC形成的簇首分布较为均匀,可以利用最佳多跳路径节约传输能量,提高网络生存时间,与LEACH和HEED算法相比具有较大优势。     

一种用于蛋白质结构聚类的聚类中心选择算法

提出一种对蛋白质结构聚类中心进行选择的算法. 聚类是蛋白质结构预测过程中必不可少的一个后处理步骤, 而目前在蛋白质结构预测中常用的属性阈值(Quality threshold, QT)聚类算法依赖于由经验得出的聚类半径; 其他聚类算法, 如近邻传播(Affinity propagation, AP)聚类算法也存在影响聚类分布的参数. 为克服对主观经验参数的依赖,本文提出一种聚类中心选择算法(Exemplar selection algorithm, ESA), 用于对不同参数下的聚类结果进行分析,从而选择最佳聚类中心,进而确定聚类半径等经验参数. 该算法在真实蛋白质结构数据集上进行了实验,在未知经验参数情况下选择出最佳聚类中心, 同时也为不同聚类算法寻找适合相应数据集的客观聚类参数提供了支持.     

基于聚类的图像检索

如何构建有效的组织和索引、提高图像检索速度是基于内容的图像检索所需解决的关键问题之一。论文采用了一种基于改进的模糊C均值算法的聚类索引。实验表明:该方法应用于图像检索,在准确性和实时性方面均能达到较好的效果,并优于已有的模糊C均值聚类算法。另外,系统实现了基于多特征结合的方法进行检索,并利用基于相关反馈的权重调整方法进一步提高检索性能,使检索结果更加符合用户的视觉效果。