共查询到20条相似文献,搜索用时 171 毫秒
1.
本文首先讨论了大规模MIMO-OFDM(Multiple-Input Multiple-Output Orthogonal Frequency Division Multiplexing)系统信道的空间相关性,提出了一种基于隐聚类假设的信道建模方法,利用概率参数模拟不同的传播环境.然后,将机器学习领域的狄利特雷过程(Dirichlet Process,DP)引入到稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)模型中,建立了DP-SBL结构,在信道估计的同时挖掘并利用大规模MIMO系统所特有的隐聚类特征.接着,将DP-SBL结构应用于大规模MIMO-OFDM系统中,在因子图上利用消息传递算法推导了一种基于隐聚类和狄利特雷过程的接收机算法.最后,将本文提出的接收机算法和现有算法进行对比分析.结果表明,本文提出的接收机算法充分利用了大规模MIMO-OFDM系统特有的空间相关性,能够以较低的计算复杂度获得较强的鲁棒性和显著的性能增益. 相似文献
2.
3.
4.
针对HTE(Hierarchical Topology Estimation)算法计算复杂度较高的问题及其在节点相关性估计方差较大条件下性能下降的问题,提出基于合并分层聚类的网络拓扑推断算法.该算法采用自底向上的合并分层聚类,每次聚类仅使用与最大相关节点对有关的数据,相对HTE算法降低了运算复杂度;建立了改进的有限混合模型,增加了参数推断的有效数据,提高了算法的参数估计精度.仿真结果表明相对HTE算法,本文方法可以更快地推断出网络拓扑,且在节点相关性估计方差较大条件下,有更高的拓扑推断精度. 相似文献
5.
由Jeh和Widom提出的SimRank算法是一种普适"结构相似度"计算模型。由于SimRank算法采用迭代方式计算图节点间相似性,因此时间复杂度和空间复杂度都非常高。随着数据量的激增,单机运算能力不能满足大规模数据的计算要求。本文提出了基于MapReduce计算模型的分布式SimRank算法,利用该算法对RDF图进行相似度度量,然后利用分布式的AP聚类算法对图节点进行聚类分析。实验结果表明,该方法能够高效的完成图节点的相似度度量,实现图的有效聚类。 相似文献
6.
点云配准是大规模城市三维重建中的重点问题。考虑到楼宇与地面是城市的主要组成部分,而平面是构成它们的重要几何元素,本文提出了一种通过匹配平面结构来进行大规模城市点云数据配准的新方法。为了准确获得点云平面,本文针对现有聚类方法仅依靠数据点的相关性而导致平面结构错误提取的情况,提出了一种同时结合数据点相关性和模型假设相关性的联合聚类算法。获得平面结构后,论文采用随机采样策略将提取的平面结构匹配,获取点云间的变换矩阵,完成点云的配准。实验结果表明了本文联合聚类算法可以很好地提取点云中平面,同时也验证了利用平面结构匹配对城市点云配准的有效性。由于本文算法仅需对稀疏点云进行处理来完成配准,降低了配准中的计算量与复杂度,所以十分适合应用于大规模城市三维重建。 相似文献
7.
为实现遥感影像分割中类别数的准确、自动判别,提出了一种可变类谱聚类算法.根据影像的相似图构建权值矩阵和标准Laplacians矩阵,计算Laplacians矩阵较小特征值对应的特征向量生成特征向量矩阵,并视其与像素对应的向量行为像素特征点集;研究Laplacians矩阵处于不同(近似)块对角结构时类属同一目标类像素特征点的聚集性,定义聚类度指标,计算不同分割类别数对应聚类度;选择聚类度将发生最后一次较大跳变时的分割类别数作为算法估计类别数,并采用FCM(Fuzzy C-Means)算法划分该类别数对应像素特征点集实现影像分割.分别采用提出算法和基于特征间隙的算法分割合成及真实遥感影像.实验结果表明提出算法可准确地判别影像类别数. 相似文献
8.
针对大规模日志数据的聚类问题,提出了DBk-means算法。该算法使用Hadoop对原始日志数据进行预处理,并结合了k-means和DBSCAN聚类算法各自的优势。实验结果表明,相比k-means算法进行聚类分析,文中使用DBk-means算法进行聚类,能够取得更好的聚类效果,正确率可以达到83%以上。 相似文献
9.
10.
属性图各节点附有的节点属性标签,为节点提供了更加丰富的信息,在数据挖掘应用,特别是数据聚类问题中如何有效利用这些丰富的信息,已经成为开展此类研究的研究目的。不同于传统图聚类,属性图上的聚类要同时考虑图的结构信息和节点的属性信息,因此如何平衡两者之间的关系,这是属性图聚类主要关注所在。目前已提出的属性图聚类算法,部分算法的效率很高,然而聚类质量较差,同时一些算法可以得到较好的聚类结构,然而算法消耗大量的系统资源,效率也较低。这些算法均没有考虑簇之间存在重叠的情况,这导致无法得到更高精度的聚类结构。因而提出一种属性图上的重叠聚类挖掘算法,实验表明,提出的算法可以得到更高的聚类精度,特别是可以提升聚类内部节点的属性相似度。 相似文献
11.
12.
在分析经典谱聚目标函数与加权核k-means目标函数等价基础上,设计了一种基于抽样子空间约束的改进大规模数据谱聚类算法,算法通过加权核k-means迭代优化避免矩阵特征分解的大量资源被占用,通过数据抽样及聚类中心的子空间约束,避免全部核矩阵都被使用,从而降低经典算法的时间空间复杂度。理论分析和实验结果表明,改进算法保持与经典算法相近聚类精度,提高了聚类效率,验证了改进算法的有效性。 相似文献
13.
14.
高光谱图像聚类问题一直是图像处理领域的研究热点。谱聚类算法是最流行的聚类算法之一,但其计算复杂度较大,难以处理大规模的高光谱图像数据。由于二叉树能够较快地选取锚点,因此基于二叉树锚点图,充分利用高光谱图像的光谱和空间特性,可保证聚类性能并降低计算复杂度。然而,该聚类算法一般采用有核的聚类方法,因此不可避免地引入了参数调节。在二叉树锚点选取的基础上,提出了一种基于二叉树锚点的高光谱快速聚类算法,该算法创新性地将二叉树锚点选取和无核聚类方法应用于高光谱图像中。首先,利用二叉树从高光谱数据中选取一些具有代表性的锚点;紧接着构造基于锚点的无核相似图,有效避免了通过人为调节热核参数来构造相似图;然后进行谱聚类分析获得聚类结果;最后,将该算法应用到高光谱图像聚类中。该算法不仅提高了聚类速度,还减少了原有热核参数调节。实验结果表明,与传统的聚类算法相比,所提算法能够在较短的时间内获得更佳的聚类精度。 相似文献
15.
16.
17.
18.
The prime focus of the Cloud Service Providers is enhancing the service delivery performance of the distributed cloud data centers. The clustering and load balancing of distributed cloud data centers have significant impact on its service delivery performance. Hence, this paper models distributed cloud data center environment as a network graph and proposes a two‐phase cluster‐based load balancing (CLB) algorithm based on a graph model. The first phase proposes a Cloud Data Center Clustering algorithm to cluster the distributed cloud data centers based on their proximity. The second phase proposes a Client‐Cluster Assignment algorithm to perform uniform distribution of the client requests across the clusters to enable load balancing. To assess the performance, the proposed algorithms are compared with other K‐constrained graph‐based clustering algorithms namely, graph‐based K‐means and K‐spanning tree algorithms on a simulated distributed cloud data center environment. The experimental results reveal that the proposed CLB algorithm outperforms the compared algorithms in terms of the average clustering time, load distribution, and fairness index and hence improves the service delivery performance of the distributed cloud data centers. 相似文献
19.
20.
随机森林是近些年发展起来的新集成学习算法,具有较好的分类准确率。针对该算法计算复杂度较高的不足,提出了一种基于谱聚类划分的随机森林算法。首先,利用聚类效果较好的谱聚类算法对原始样本集的每一类进行聚类处理。然后,在每一聚类簇中随机选取一个样本作为代表,组成新训练样本集合。最后,在新训练样本集上训练随机森林分类器。该算法通过谱聚类技术对原始样本进行了初步划分,将位置相近的多个样本用簇内的一个样本代表,较大程度地减少了训练样本的个数。在Corel Image图像识别数据集上的实验表明,算法可以用较少的分类时间达到较高的分类精度。 相似文献