基于干扰模式的无线传感器网络链路调度算法

传感器网络把各种各样的微型传感器设备通过Ad Hoc网络连接起来,以便完成某些特定任务。但是,由于Ad Hoc无线网需要通过共享信道来实现节点间的通信,所以本文基于节点之间可能存在的信道干扰研究了：给定一个源和目的节点对的集合{（si,ti）},怎样在链路层上对从源到目的的数据流进行调度,以使带宽资源得到充分的利用,并设 计了链路的调度算法。     

认知MIMO网络中增强型干扰对齐算法

针对认知多输入多输出（MIMO）网络中传统基于最大信干噪比的干扰对齐算法,在发送多数据流时随着信噪比的增加不易收敛以及数据流之间的干扰突出的问题,提出一种充分考虑数据流间干扰并进行迭代限制的干扰对齐算法。首先,次用户通过编码设计消除主次间的干扰;然后,在消除主用户之间和次用户之间干扰时,根据信道互易性,运用广义瑞利熵计算基于最大信干噪比算法的预编码与干扰抑制矩阵,并在迭代过程中,每次迭代始终使预编码与干扰抑制矩阵先满足干扰功率在期望信号空间最小;最后,结合次用户间MIMO干扰信道、主次用户间构成的MIMO干扰信道以及次用户网络干扰对齐的必要性,推导出次用户可达自由度上限。实验结果表明,相比传统最大信干噪比算法,所提算法在信噪比较低时次用户总容量无明显提高,但随着信干噪比的增加其优势越来越明显;当达到收敛时,所提算法迭代次数比传统最大信干噪比算法约减少40%。因此,所提算法能够提高系统容量且加快收敛。     

基于动态功率分配的子空间干扰对齐算法

为了更好地消除MIMO干扰信道下的多小区干扰,该文采用子空间干扰对齐算法和功率分配相结合的干扰对齐方案,该方案充分利用干扰系统总功率,将多小区干扰尽可能地重叠在相应子空间内,以提高整体系统的性能.仿真结果显示,与传统干扰对齐算法相比,本算法仅以微小的系统容量为代价,却显著地降低了整体系统的干扰总功率。     

基于聚类挖掘的移动通信网络链路优化设计

移动通信网络链路信噪比低且容量小,容易导致通信过程出现中断,通信质量较差,难以实现信息实时传输,为此提出基于聚类挖掘的移动通信网络链路优化设计.首先分析聚类挖掘算法预测失效链路,将相关边聚类信息融入各项指标中,获取边聚类系数定义表达式,结合表达式挖掘节点与周围网络对链路优化形成的价值;利用马尔科夫信道转移法对通信网络链...     

一种基于引力的分层聚类算法

传统的分层聚类算法在聚类过程中,仅使用样本间的距离作为相似度的唯一标准,其描述过于单一.考虑到宇宙中星系的形成过程本质也是一种聚类过程.星系之间吸引力是靠万有引力作用.将万有引力思想引入分层聚类中,提出一种基于引力的层次聚类算法HCBG(Hierarchical Clustering Base Gravity),从样本间的距离和类簇的大小两个方面更加精确地刻画相似度.把分层聚类的过程看成样本点之间依据"万有引力"自发吸引的过程.采用UCI机器学习数据库的Iris,Wine和Glass数据集,实验结果表明,提出的HCBG算法的聚类结果比经典的基于距离的层次聚类HC(Hierarchical Clustering)提高5%～10%左右.     

提升MIMO干扰信道容量的干扰对齐方案

为提高多用户MIMO干扰信道的容量,提出一种干扰对齐方案。在假设已有天线配置情况不变的条件下,将发送端的原有天线划分为数目相当的2个子组,分别设置不同的天线参数,以消除2个子组天线之间的相关性,从而形成2组独立的传输信道。在接收端将经由2组子信道传输后的接收信号进行合并,间接扩展信号空间维数。基于合并处理后的等效信道传输矩阵,分别利用优化预编码向量夹角和正交投影的方法求解预编码矩阵与联合矩阵,以减少已有干扰对齐方案通过迭代求解所需的运算量。仿真结果表明,在总天线配置情况不变时,该方案可以提高多用户MIMO信道的抗干扰能力。     

基于数据预处理的并行分层聚类算法*

分层聚类技术在图像处理、入侵检测和生物信息学等方面有着极为重要的应用,是数据挖掘领域的研究热点之一。针对目前基于SIMD模型的并行分层聚类算法处理海量数据时效果不理想的问题,提出一种基于数据预处理的自适应并行分层聚类算法,在O((λn)2/p)的时间内对n个输入数据点进行聚类。其中1≤p≤n/log n,0.1≤λ≤0.3。将提出的算法与现有文献结论进行的性能对比分析表明,本算法明显改进了现有文献的研究结果。     

结合二层节点度和聚类系数的链路预测算法

研究复杂网络的链路预测算法对分析舆论传播方向、预测舆论演进趋势和控制舆论发展进程具有重要意义。针对现有的基于节点度的链路预测算法存在预测质量偏低的问题,提出了一种结合二层节点度和聚类系数的链路预测算法。算法全面考虑网络局部结构信息以及共同邻居节点之间的差异性,在相似性评价指标的选择上将节点度和聚类系数结合,深度挖掘节点相似性性质并将节点度扩展到二层。最后在三个真实数据集中分别进行仿真实验,结果表明提出的算法相比于Common Neighbors、Adamic-Adar和Resource Allocation等经典算法具有更好的性能。     

基于混合优化和合作接收策略的干扰对齐算法

利用合作接收和混合优化策略,提出了一种干扰对齐算法,该算法可以在最小化泄漏干扰的同时最大化理想接收信号功率.首先通过接收机合作接收技术,接收端可以合作估计出发送端的预编码向量,从而无须事先知道预编码向量;然后利用干扰对齐问题的统计特性仅由干扰协方差矩阵之和就可以描述的原理,可设计出算法的合作接收的结构;最后通过一个基于合作博弈理论的讨价还价过程,可以选出对所有接收机最优的完全合作机制.仿真结果显示,相比传统的分布式干扰对齐机制,基于合作接收和混合优化技术的干扰对齐机制在各种发射功率条件下都具有更好的可行性.     

基于聚类和决策树的链路预测方法

链路预测是数据挖掘研究的主要问题之一.由于网络的复杂性、数据的多样性,根据网络结构及已有信息对异质网络中的不同类型的数据进行链路预测的问题也变得更加复杂.针对双类型异质信息网络,提出了一种基于聚类和决策树的链路预测方法CDTLinks.通过将网络中2种类型对象互为特征的方法得到对象的特征表示,并分别进行聚类.对于双类型异质网络提出了3种启发式规则来构建决策树,根据信息增益来选择树中不同分支.最后,根据聚簇分布结果以及决策树模型来判断任意2个不同类型节点之间是否存在链接.另外,定义了潜在链接节点并引入层数的概念,在降低算法运行时间的同时提高了准确率.在DBLP和AMiner数据集上验证了提出的CDTlinks方法,结果表明:在双类型异质网络中,CDTlinks模型能够有效地进行链路预测.     

基于层次聚类的生物网络全局比对算法

生物网络比对是研究生物进化过程的重要手段,不同物种间的比对不仅有助于理解物种的知识转移,同时也有助于进行功能预测和检测保守功能成分。然而,现有比对算法很难实现拓扑度量和生物度量同时最优。设计JAlign算法,将拓扑相似性与归一化序列相似性相结合构成目标函数,基于种子-扩展算法和模块检测进行全局比对。在种子筛选阶段,利用Jerarca聚类算法划分功能模块,借助目标函数计算模块间的相似性进行最优模块匹配,并从匹配结果中提取部分节点对作为种子节点。在扩展阶段,将比对从种子节点扩展至其邻居节点,在选择节点对进行扩展比对时综合考虑节点之间的连接关系、度差值、节点相似性等因素。在此基础上,为避免遗漏分散节点,找到剩余未匹配的节点构建二分图,以贪心方式进行最大加权二分图匹配,并将匹配结果合并到比对集合中,完成最终匹配。实验结果表明,JAlign算法能够实现拓扑度量和生物度量的良好平衡,其边正确性指标、诱导保守子结构得分、对称子结构得分和生物质量使用功能一致性指标均优于L-GRAAL、SPINAL和ModuleAlign算法,在时间效率上也具有优势。     

一种基于GiST的层次聚类算法

层次聚类方法是聚类分析的一个重要方法。该文利用通用搜索树实现了一种新的层次聚类算法,可以把整个聚类过程中形成的树型结构都保存在硬盘上,支持从宏观到细微的分析过程,便于用户发现各个聚类之间的相互联系。     

基于层次聚类的网络流量异常分类算法

现有的异常流量根源分析技术大多需要人工干预,对异常事件的分类效果不佳。为此,提出基于层次聚类的流量异常分类算法TAC-HC,通过特征属性的训练过程逐步建立分类树,把相似的异常嵌入到子树中,在未知数据集聚类数目的情况下对新的异常进行分类。仿真结果表明,TAC-HC算法的分类平均准确率达到89%,对网络扫描这类小异常事件的分类精确率也能达到95.3%。     

基于凝聚式信息瓶颈的加权层次聚类算法

提出一种针对面向对象软件架构恢复的基于凝聚式信息瓶颈的加权层次聚类算法(ABWHC)。该算法采用信息丢失度作为相似度度量标准,扩充聚类特征和权值,利用面向对象软件的特性,为实体或簇生成用以描述其含义的标签组。实验结果表明,ABWHC算法不仅能改善聚类的性能,还能恢复面向对象软件的架构。     

基于自适应层次化聚类算法的应用层多播协议

自适应层次化聚类算法将单层拓扑映射为一个层次化结构,改善了应用层多播算法的可扩展性。但它也引入了较高的根节点度数,无法有效控制多播树的形态,不适合用于多媒体等内容的多播通信。通过“剪枝重置”和“构建顶层拓扑”操作,可以弥补自适应层次化聚类算法的缺陷。仿真试验表明,前者可以减少树的层数和同一个聚类中的节点密度;后者可以减轻多播树根节点的负担。相对于采用传统路由算法得到的单层拓扑多播树,该文得到的多播树在开销、时延和度数方面都有显著的优化。     

基于模糊聚类的分层强化学习算法

本文提出了一种新的分层强化学习Option自动生成算法,以Agent在学习初始阶段探测到的状态空间为输入,采用模糊逻辑神经元的网络进行聚类,在聚类后的各状态子集上通过经验回放学习产生内部策略集,生成Option,仿真实验结果表明了该算法的有效性。     

一种两阶段的限制层次聚类算法

基于数据对象间的关联限制定义了类间关联系数,本文提出了两阶段的限制层次聚类算法TCCL.算法分为两个阶段,第一阶段主要依据数据对象的自然分布,基于数据对象间的距离把它们合并入一个个小类;在第二阶段,依据背景知识,基于类间关联系数来实现小类的进一步合并.一些实际数据集的实验结果表明,TCCL可以比较有效地利用所给关联限制来改善聚类效果.     

一种新的分裂层次聚类SVM多值分类器

提出一种分裂层次聚类SVM分类树分类方法.该方法通过融合模糊聚类技术和支持向量机算法,利用分裂的层次聚类策略,有选择地重新构造学习样本集和SVM子分类器,得到了一种树形多值分类器.研究结果表明,对于k类别模式识别问题,该方法只需构造k-1个SVM子分类器,克服了SVM子分类器过多以及存在不可区分区域的缺点,具有良好的分类性能.实验结果验证了该方法的优越性.