网络距离预测技术研究

P2P网络中节点间的距离信息是实现拓扑感知以优化覆盖网应用以及解决网络监管等问题的基础. P2P网络的大规模、自组织、高度动态等复杂特征使得要准确、完全地测量节点间的距离信息面临着极大的困难.因此,研究者们提出各种预测技术,目前对网络距离预测技术的研究已成为P2P领域的研究热点.首先,提出了一个网络距离预测技术的研究框架,指出了研究的重点以及相关技术问题,分析了研究历史;其次,对各种预测方法加以分类,在分类的基础上,介绍了各种典型的预测方法并进行了对比分析;最后总结了各种精确性度量标准,并指出了未来的研究     

一种新型传感器网络树形分簇方法

研究了无线传感器网络分簇的问题,由于能量控制决定无线传感器网的生命周期,针对传感器网络中,分簇和功率控制是节约能量、延长网络寿命的常用方法,但是,LEACH等经典分簇算法由于成簇方式简单,节点之间能量消耗差异较大,存在许多不足和需要改进的地方.为了改善上述问题,提出了一种在对节点功率控制的基础上再对网络进行分簇的方法(DepBC).方法以某一个节点为树根生成树状簇结构,并且轮换树根与基站通信.通过与LEACH仿真比较表明,方法比传统无限传感器网络生存期平均提高一倍,实际效率得到提高.     

一种基于移动预测的自适应Ad hoc网络分簇算法

在移动Adhoc网络中采用分簇机制可以达到在拓扑结构频繁变化的网络环境中快速部署节点通信的目的。本文在深入研究移动预测技术的基础上,分析已有分簇算法存在的诸多不足,提出了一种基于移动预测的自适应分簇算法,包括分簇算法和分簇保持策略两方面的内容,并通过模拟证明该算法保持了分簇结构的稳定性,提高了网络负载平衡能力,减少了节点之间的通信路由开销,有效防止了通信的中断,弥补了已有分簇算法的不足。     

一种自适应无人机集群网络恢复方法

为解决无人机集群网络因节点失效造成网络性能和网络可靠性下降的问题,提出了一种自适应无人机集群网络恢复方法。通过信号稳定性和链路负载度对集群内部的通信代价进行评估,并结合图论构建无人机集群网络通信模型。同时,通过鲸鱼算法对灰色滚动预测进行优化,利用优化后的预测模型对通信代价进行提前评估。算法根据通信代价矩阵的预测值找到待恢复节点之间的最短路径,并利用负载均衡算法对恢复后的路径进行优化,实现无人机网络的性能恢复。仿真结果表明,该方法在无人机集群网络失效时可以快速进行拓扑重构,恢复通信节点之间的链路连接,并使网络具有良好的生存性和抗毁性。     

传感器网络中一种新的基于能量的分簇算法

传感器网络节点大部分采用电池供电,致使节点能量非常有限。为了节省能量进而延长网络寿命,文中提出了一种新的簇头选择算法EBC,EBC算法除了能够在局部网络内完成数据采集和数据处理外,还能够形成由簇头和网关节点组成的骨干网并完成整个网络通信。通过在Mambo节点上的实验证明,该算法能够有效地均衡整个网络的能量,并很好地应用于实际的传感器网络中。     

一种基于RAQ 的具有拓扑意识的覆盖网络

本文提出一种基于RAQ(Range Queriable)的P2P 多维覆盖网络T-RAQ,RAQ 是一种结构化P2P覆盖网,在RAQ 中,节点可在多维空间上进行精确匹配查询和范围查询;同时,其路由开销并不依赖于查询空间的维数,但是RAQ 并不具备拓扑意识。针对此问题,本文改进了最初的路由算法并使得路由具有拓扑意识,节点加入,节点离开以及节点路由表的构造都考虑到了底层物理网络,从而使得覆盖网与物理网的尽量匹配。     

一种基于被动路标的网络距离预测方法

网络拓扑信息的引导能够显著提高大规模分布式应用程序的性能,然而直接测量节点之间拓扑信息产生的开销远大于其收益.提出一种新的基于被动路标的节点间网络距离预估方法PLNDP,使用Lipschitz变换将普通节点到路标节点的网络延迟映射到度量空间Rn,再利用距离函数计算映射后的网络坐标之间的距离,从而预测节点之间的网络距离....     

一种基于相对移动性的Ad-hoc网络分簇算法

针对Ad-hoc网络中节点移动而导致网络分层结构不稳定的问题,提出一种基于节点间的相对移动性的加权分簇算法RMCA(Relative Mobility Clustering Algorithm)。将局部节点的相关性运用到簇头的选举当中,并考虑距离因素的影响。运用层次分析法计算出各因素的权重,通过NS2仿真工具对该算法进行仿真,并与经典算法进行比较。结果显示该算法在簇头数目方面得到优化,在簇依附关系变化和簇头更新次数方面性能提升10%~15%左右,有效地提高了簇结构的稳定性。     

一种基于能量估计的异构传感器网络分簇算法

分簇算法是一种延长无线传感网络生命期的重要技术,本文提出了一种新的基于分布式能量估计的分簇算法,它可以针对能量异构传感器网络的不同场景而应用,更有效地利用能量。仿真结果表明,这种新的分簇算法能够有效地延长网络生命期,并提高网络的数据吞吐量。     

一种密集部署传感器网络的分簇算法

针对分簇算法中的重新分簇所带来的高负载问题,提出了一种基于完全图的能量有效的分簇算法（CGCA）.系统启动时刻,CGCA把网络划分成多个完全图,每个完全图独立成簇.CGCA利用完全图中节点之间是等价的性质,只是在系统启动的时刻执行分簇算法,而在以后的重新选举簇头阶段,簇头只需要在每个簇的内部节点间进行轮换,而不是像以前的分簇算法需要进行全局性的触发来选举簇头,这使得CGCA的通信和计算负载可以大量减少,它在单个节点的处理复杂度和消息复杂度均为O（1）.另外,通过优先选择距离簇头近的节点加入簇内,CGCA不仅减少了簇头和簇内成员的簇内通信能量,而且使得簇头比较均匀地分布在部署区域.仿真实验表明:在节点密集部署的情况下,CGCA产生的消息交换个数远小于HEED分簇算法.最后在簇头均匀分布方面,CGCA也明显优于LEACH分簇算法.     

一种基于模糊聚类的组合BP网络挖掘方法

介绍了一种基于模糊聚类的组合BP神经网络的数据挖掘方法,并给出了该方法的模型和启发式BP改进算法Heuristicbp,且将其应用于数学函数值预测中,取得了学习时间短和预测精度高的效果,实验证明该方法是有效的,具有较高的实用性。     

一种基于节点聚类的网络坐标系统

网络坐标可通过较少的测量预测出节点间的网络距离,因此可帮助P2P流媒体直播系统进行节点选择。但是目前尚未有针对P2P流媒体直播系统的网络坐标系统。针对该问题,本文提出了一种将节点聚类的网络坐标系统——NCNC,采用两层式的结构,将GNP与PCoord方法结合,并利用GNP计算出的网络坐标将节点重新聚类,使PCoord的参考节点选择更加精确,实验证明系统具有很好的抗扰动性和较好的精度。     

基于神经网络的聚类方法研究

针对常用聚类方法不能有效处理噪声数据的问题,本文结合神经网络具有自适应性的特点,提出基于神经网络的聚类(NN_Cluster)模型,并设计了基于自适应共振理论的神经网络聚类模型(ARTNN_Cluster)和基于自组织特征映射的神经网络聚类模型(SOMNN_Cluster)。标准数据集上的实验结果表明,与传统的K_means聚类方法相比,本文提出的基于神经网络的聚类模型有效地克服了传统方法的噪声问题,得到了较好的聚类效果。     

基于模糊聚类的网络故障预报

文章针对网管告警数据库中时间序列存在的连续性、不确定性和模糊性问题,提出了一种基于模糊聚类的时间序列规则挖掘新方法。该方法引入模糊聚类理论,可预测出一些告警(联合)事件的发生将导致哪些告警(联合)事件的随后产生。通过对某校园网的告警数据库进行规则挖掘实验,表明该方法可以准确、有效地挖掘出隐含在海量网管告警数据库中大量有意义的时序规则,规则中的概率参数(置信度和支持度)可作为网络管理的先验知识用来指导网络故障的诊断和预报。     

一种神经网络自适应PID控制器

应用人工神经网络的原理,设计了一种神经网络的职能PID控制器。仿真结果表明,此PID控制器对非线性时不变系统有比传统的PID好的控制效果。该控制器将神经网络和PID控制规律融为一体,既具有常规PID控制器结构简单、参数物理意义明确之优点,又具有神经网络自学习、自适应之能力,控制效果明显提高。     

基于最近邻聚类算法自适应模糊分类器

以手写体数字识别问题为背景,提出了一种基于最近邻聚类算法的自适应模糊分类器,并用Matlab给出了自适应模糊分类器的实现,进而对其进行了仿真。仿真结果表明,所提出的自适应模糊分类器在手写体数字识别的识别性能、利用语言信息、计算复杂性等方面均优于采用BP算法的三层前馈分类器,体现了自适应模糊处理技术用于模式识别的优越性和潜力。     

模式识别的属性计算网络模型

提出了定性映射诱导的属性计算网络,讨论了属性计算网络中定性基准的学习和反馈调节机制,给出了相应的调节算法,并给出了属性计算网络在模式识别中的应用实例.     

基于三坐标测量机的机器人位姿精度检测方法

针对医疗场合导航引导下的手术机器人定位精度检测问题,提出了基于三坐标测量机的机器人位姿距离精度测量方法。该方法通过放置在一个平面上的三个标准球来实现三坐标测量机对姿态精度的测量,并参照机器人辅助外科手术系统的定位原理构建基于三坐标测量机的机器人位姿检测平台。在此基础上,依据国家标准规定的机器人性能检测方法和过程,完成机器人位姿距离精度的测量。通过该方法对研发的骨科手术定位机器人进行测量的结果表明,所设计机器人位置距离准确度和重复性分别在[10-1]mm和[10-2]mm级别,姿态距离准确度和重复性分别在[10-1]度和[10-2]度级别。最后将该机器人应用于前交叉韧带重建手术实验,结果表明通过这种方法检测的机器人能够满足手术场合要求。     

基于自适应算法的BA网络模型及其聚类分析

BA模型是经典的无标度网络模型,具有一定小世界特性,但聚类系数随着点数增多趋近于零。为进一步优化BA网络模型的平均路径长度和聚类系数的特性,设计了一种基于自适应算法的无标度网络改进模型。改进模型优化了系统与网络节点的关联度,通过计算得到关联度的最优值及此时网络各参数的值,从而获得理想的网络模型。通过对自适应算法中关联度的数学分析,可知系统平均路径长度呈带有条件的收敛状态。仿真结果表明,改进后网络模型在平均路径长度和聚类系数方面,有进一步优化。不同于BA无标度网络的是,改进模型优化后具有较明显的聚类特性,更符合小世界网络特性。