云模式事件混沌关联特征提取的物联网大数据聚类算法

目前的聚类方法单纯从某个角度研究数据聚类问题,对基于云模式的混沌的物联网大数据聚类的考虑不足,聚类质量不高。为实现敏捷、智能、平稳的物联网大数据聚类,基于开展物联网事件的云模式通用描述模型、物联网事件混沌关联特征的云模式通用解析模型、基于云模式的物联网事件混沌关联特征提取算法、基于云模式混沌关联特征的物联网大数据关联挖掘研究,改进分解奇异值算法、网格耦合聚类算法、K-means算法、决策树学习法、分析主成分法、分层合并法等算法和分布概率函数,设计了一种基于事件混沌关联特征、敏捷、智能、平稳的物联网大数据聚类算法。最后,开展实验验证,并与传统算法进行性能对比分析。实验结果表明,相比传统算法,该算法聚类时间短、误差小,且敏捷性、智能性、动态演化性和平稳性高。因此,该算法实现了基于云模式的具有混沌关联特征的物联网事件大数据的有效聚类,具有较高的应用价值。     

一种改进的加权复杂网络聚类方法

在复杂网络聚类中,为了克服聚类结果局部收敛和对多维数据聚类效果差的缺点,通过对复杂网络聚类方法 的应用分析,将NJ W算法和粒子群聚类算法应用到加权复杂网络簇结构的探测中,设计和实现了一种改进的加权复 杂网络聚类方法。实验验证了该方法在簇结构较复杂的网络中具有较高的执行效率和较好的执行效果。     

基于SOM神经网和K-均值算法的图像分割

提出了一种基于SOM神经网络和K-均值的图像分割算法。SOM网络将多维数据映射到低维规则网格中,可以有效地用于大型数据的挖掘;而K-均值是一种动态聚类算法,适用于中小型数据的聚类。文中算法利用SOM网络将具有相似特征的象素S点映射到一个2-D神经网上,再根据神经元间的相似性,利用K-均值算法将神经元聚类。文中将该算法用于彩色图像的分割,并给出了经SOM神经网初聚类后,不同K值下神经元聚类对图像分割的结果及与单纯K-均值分割图像进行对比。     

基于多维聚类挖掘的异常检测方法研究

网络异常检测是网络管理中非常重要的课题,因此已在近年来得到广泛研究.人们在该领域提出了许多先进的网络流量异常检测方法,但是自动准确地对网络流量进行分类和识别来发现网络中的异常流量仍然是一个非常具有挑战性的问题.文中提出了一种基于多维聚类挖掘的异常检测方法,通过两个阶段来实现异常检测.第一阶段先通过多维聚类挖掘算法,自动对网络中的流量进行多维聚类,第二阶段通过计算多维聚类的异常度来实现异常检测.通过文中的方法,网络中的异常流量被自动归类到不同的有意义的聚类中,通过对这些聚类进行分析可以发现网络中的异常行为.最后通过实验对算法进行了验证,结果表明该方法能够有效检测网络中的异常流量.     

基于网络社团划分方法的多维数据聚类研究

为了解决传统聚类方法在多维数据集中聚类效果不佳的问题,提出了将网络社团划分的方法,并应用到多维数据聚类分析中。对于一个多维数据集,首先对分析对象进行特征提取,构建出每个对象的特征向量,通过计算皮尔森相关系数来度量不同特征向量之间的相似性,从而构建出一个相似性网络,采用Blondel算法对该网络进行社团划分达到聚类的效果。实验结果表明该方法可以在多维数据聚类中得到较好的聚类结果,准确率达到92.5%,优于K-means算法的75%。     

模糊颜色聚类在颜色传输中的应用

提出一种自动的、基于模糊颜色聚类的自适应颜色传输算法．首先将源图像和目标图像从RGB空间转换到tαβ空间,在tαβ空间对2幅图像进行模糊颜色聚类分析;根据目标图像特征属性对每个聚类域计算相应的匹配权值,图像间匹配权值相近的聚类域确定为图像传输的匹配方向;最后将隶属度控制引入传输方程,实现图像间自适应颜色传输．实验结果表明,该算法比原有颜色传输算法的传输效果更加平滑、自然．     

基于模糊C均值的在线协作学习混合分组研究

在构建了学习者多维特征模型的基础上,设计了基于模糊C均值的在线协作学习混合分组算法。提取学习者多维特征分量,通过模糊C均值算法以学习风格、知识水平、学习目标和兴趣爱好为主要特征进行同质聚类,根据活跃度和性别特征进行异质聚类以实现混合性质分组。该算法将异质和同质分组相结合,既保证了学习风格、知识水平、学习目标和兴趣爱好具有相似性的学习者划分到同一组,同时考虑到了活跃度和性别差异对学习效果的影响,使得小组划分更加合理。实验表明,该算法优于传统分组方法,学习者的学习效果和学习满意度都有较大提升。     

基于Ncut的SIFT特征匹配算法

经典尺度不变特征变换(SIFT)特征匹配算法存在实时性差、纹理相似区域易发生误匹配的问题。为此,提出一种基于归一化分割(Ncut)的SIFT特征匹配算法。针对相同背景的运动视频,将归一化分割算法的图论聚类思想融入SIFT特征匹配中,根据运动趋势相似度对特征点进行Ncut运动聚类,再逐类分别匹配,通过缩小各特征点匹配过程中的搜索范围,减少匹配时间及不同特征类之间的误匹配。实验结果表明,该算法能提高匹配效率,对纹理相似区域的误匹配现象有较好的抑制作用,实现了相邻图像帧的特征稳定匹配。     

面向校园网的IP地址逐步优化层次聚类算法

对校园网主干数据流中IP地址进行聚类,可以得到网络用户访问地址的分布概况从而了解用户行为特征。已有聚类算法大都将IP地址作为普通数字考虑，忽略了其特征属性以致聚类结果不合理。为此提出一种改进算法：首先基于最长前缀匹配和改进的最近邻规则算法得到初始聚类，然后运用逐步优化层次聚类的思想进一步聚合最靠近子类，最终得到基于IP地址特征属性的聚类。实验结果表明该算法与以往算法相比，提高了聚类效果，具有较好的准确性和可行性。     

基于特征匹配和距离加权的蓝牙定位算法

针对传统iBeacon指纹定位技术中接收信号强度值（RSSI）波动较大、指纹库聚类复杂、存在较大跳变性定位误差等问题,提出一种基于排序特征匹配和距离加权的蓝牙定位算法。在离线阶段,该算法先对RSSI进行加权滑动窗处理,然后根据RSSI向量大小生成排序特征码等值,并与位置坐标等信息组成指纹信息,形成指纹库;在在线定位阶段,根据排序特征向量指纹匹配定位算法和基于距离的最优加权K最邻近法（WKNN）实现室内行人定位。在定位仿真实验中,该算法可以自动根据特征码进行聚类,从而降低了聚类的复杂度,能实现最大误差在0.952 m内的室内行人定位精度。     

基于BTM的物联网服务发现方法

针对物联网（IoT）服务描述文本篇幅较短、特征稀疏,直接采用传统的主题模型对IoT服务建模得到的聚类效果不佳,从而导致无法发现最佳服务的问题,提出了一种基于BTM的IoT服务发现方法。该方法首先利用BTM挖掘现有IoT服务的隐含主题,并通过全局主题分布和主题-词分布计算推理得到服务文档-主题概率分布;其次利用K-means算法对服务进行聚类,并返回服务请求的最佳匹配结果。实验结果分析表明,该方法能够有效提高IoT服务的聚类效果,从而得到匹配的最佳服务。与现有的HDP（Hierarchical Dirichlet Process）、基于K-means的隐狄利克雷分配（LDA-K）等方法相比,该方法进行最佳服务发现的准确度（Precision）和归一化折损累积增益（NDCG）均有一定幅度的提高。     

智慧城市中QOE感知服务组合策略的研究

无线传感器的发展和物联网技术的应用,配有物联网的设备正以一种全新的“智能终端服务”的形式进入人类生活,要想在复杂冗余的物联网环境中寻得满足不同用户需求的服务,需要考虑服务组合的概念。为此,在对传统服务组合研究方法深入分析的基础上,提出了智慧城市的服务组合选择策略。首先根据物联网应用服务的多样性,通过改进蚁群算法获得用户对服务的偏好顺序,然后使用层次化QOE评价模型量化客户体验质量,进而选出最优服务组合提供给用户。根据提出的服务组合策略,给出服务选择具体的实施流程,通过仿真模拟表明基于改进蚁群算法的服务组合策略在服务选择问题上具有一定的推广价值。     

基于意图的物联网服务描述与发现

在物联网服务发现过程中,用户通常用自己的意图表达需求,而服务描述是对服务功能的说明,因此两者的不匹配会影响服务发现的准确率。同时随着服务的种类不断增多,服务发现的准确率不断降低。为了解决上述问题,提出在物联网服务描述中引入意图服务本体的方法,并在意图服务本体中扩展服务上下文和QoS。扩展后的意图服务本体存储在语义化服务描述OWL-S文件中,能够以意图的方式表达服务功能,丰富物联网服务描述的语义,提高服务发现的准确率。仿真结果表明,所提服务描述方法以及相应的服务发现算法相对于传统服务发现方法能提升6.7%的准确率。     

物联网环境下基于情境的语义Web服务选择

当前Web服务海量增加，物联网应用技术快速发展、不断普及，而现有的Web服务选择算法低效、用户匹配度低。针对该问题提出一种物联网环境下基于情境的语义Web服务选择方法。该方法应用QoS参数的无量纲化与语义Web服务动态选择方式，将物联网环境下服务与语义Web服务相结合，并根据用户需求针对QoS选择最优的服务集。实验表明，该方法能有效地提高用户服务动态选择的成功率。     

一种基于Chord的物联网信息服务方法

文章提出了一种物联网中基于Chord的信息服务方法。文章首先根据物联网中信息产生的特点提出了物联网中的基本信息产生模型,然后通过分析物联网信息服务的特点并以Chord网络模型为基础,提出了一种基于Chord的信息服务节点组织方法,并给出了相应的信息存储和查询方法。经过与EPC网络架构进行的分析比较,这种基于Chord的P2P信息服务方法能够有效消除系统性能瓶颈,并能提高系统的安全性,健壮性和工作效率。     

物联网环境下基于用户满意度的实时调度算法

随着3G网络和移动技术的发展,物联网已经深入到人们的工作和生活中,提供无所不在的服务。用户作为服务对象,以追求满意的高品质服务为目标,对服务具有选择权,对服务品质具有最直接、最重要的评判权。系统作为服务提供者,其服务品质取决于每个用户的满意度。因此,如何通过调度算法合理分配系统资源,让每个用户获得满意度更高的服务,成为了研究的重点。首先,构建个人满意度和系统满意度的评价标准;其次,依据用户期望的服务水平,为任务分配优先级;最后,通过反馈调节机制来调整任务优先级的分配,让更多用户对服务满意。实验表明,物联网环境下基于用户满意度的实时调度算法能够根据用户的需求,为用户提供满意的差别化服务,并提高系统满意度。     

Cordova-NodeJS混合式物联网信息服务系统

针对传统物联网信息服务系统不能实现物联网终端汇聚节点和物联网应用服务器兼容，无法利用现有的互联网生态圈这两大问题，提出了一种新型Cordova-NodeJS混合式物联网信息服务系统。该系统由基于改进内核的Cordova框架构成的物联网终端汇聚节点和基于Node.js并配合最优点产生算法构成的物联网应用服务器所组成。结合所提出的混合式信息服务架构，该系统运行良好。实验仿真结果也表明，使用该系统架构的物联网信息服务系统相关数据指标较传统信息服务系统表现优异，接近于互联网信息服务系统数据指标，证明该系统具有研究价值。     

语义物联网中一种基于QoS的动态服务组合方法

针对语义物联网中实体设备所提供的原子服务的资源有限性及其所处环境的动态变化性等问题,提出了一种语义物联网中基于QoS的动态服务组合方法。该方法依据添加情境的QoS本体,在对语义物联网中的服务进行动态地语义标注后,对待选择服务集进行动态地选择与组合,并将组合后的新服务通过服务ID映射到对应的实体设备上,最后通过实体设备将结果反馈给服务请求者。通过对具体实例的对比分析表明,该方法可以针对不同的服务对象以及不同的服务环境动态地为服务请求者提供更加准确的服务。     

基于服务簇的空间信息服务自动发现

现有Web服务自动发现方法中存在服务匹配程度区分不明显、服务发现精度不高等问题。为此,提出一种基于服务簇的空间信息服务自动发现算法。对发布的空间信息服务进行聚类分析,计算服务请求与各服务簇中心的相似度,由此确定最优匹配簇,根据服务请求与最优匹配簇中服务的语义相似度,得出服务请求的最优匹配服务。实验结果表明,该算法在实现对Web服务匹配程度定量表示的同时,能有效提高匹配程度的区分度和服务发现的查全率和效率。