数据中心光网络资源分配方法与优化

数据中心采用光网络传输模式有利于提高系统的灵活性和拓展性,进而降低整体的能耗水平,但在实践中发现光网络资源存在分配不合理、应用效率较低等问题,不利于数据中心应对流量增加、宽带资源紧张等挑战。通过机器学习建立流量分类算法模型,并将其设计为流量分类器,使其融入光网络的流量传输环节,实现流量自动分类。借助遗传算法模型重构光网络的拓扑结构,从而优化传输路径。通过以上两项措施改进光网络的资源分配方式,并借助软件模拟检验算法模型的性能,结果显示经过以上算法处理的光网络缩短了传输路径的长度,提高了网络资源的利用率。     

基于深度信念网络的K-means聚类算法研究

针对传统K-means聚类算法对高维非线性数据聚类效果不佳、聚类时间消耗大的问题,文中对高维数据的预处理进行研究,提出一种基于深度信念网络(DBN)的K-means聚类算法(DBNOK)。此算法首先使用多层受限玻尔兹曼机(RBM)对数据进行特征学习,并将学习到的隐含特征进行K-means相关参数和初始聚类中心进行交叉迭代优化。用DBNOK算法分别在低维数据集和高维数据集上进行实验,结果表明,DB-NOK算法聚类准确率优于标准的K-means算法和模糊均值聚类(FCM)算法。     

基于机器学习的光纤窃听检测方法

光纤窃听是信息安全的重大隐患之一,但其隐蔽性较高的特点导致筛查困难。针对通信网络中面临的光纤窃听问题,提出了基于机器学习的光纤窃听检测方法。首先基于窃听对传输物理层的影响,设计了 7 个维度的特征向量提取方法;其次通过实验,模拟窃听并收集特征向量,利用两种机器学习算法进行分类检测和模型优化。实验证明,神经网络分类算法的性能优于K近邻分类算法,其在10%分光窃听中可以实现98.1%的窃听识别率。     

基于聚类算法的叠加星座图可见光通信系统

简述了利用叠加星座图调制的方法来解决可见光多输入多输出通信系统容易受高信道相干性影响的问题,同时探究了机器学习中的聚类算法,以降低系统的误码率,提高通信传输的可靠性。研究结果表明,当星座图因受到非线性效应影响而发生旋转时,与不加入任何算法的系统相比,采用了K-means和模糊C均值算法的通信系统的误码率有了大幅度的下降,且不会受到旋转角度的影响。此外,对比分析2种聚类算法发现,K-means的原理和运算过程相对而言更加简便,可以更好地提高数据传输速率,提供更可靠安全的通信传输。     

基于PSO的K-means聚类优化

针对机器学习中聚类算法参数多样调参复杂的问题,分析了基于PSO算法在机器学习参数组合寻优方面的可行性,设计了一种基于PSO算法的K-means机器学习聚类算法的参数寻优策略。通过PSO算法找到模型最佳的参数组合,提高K-means机器学习模型的性能。通过对算法调优策略进行测试结果表明,使用PSO算法对K-means机器学习聚类算法进行参数调优,不仅能够找到适于该数据的最佳参数组合提高聚类算法的性能,也可以减少经验调参所带来的误差和成本。     

基于灰色关联聚类的光纤传感网络异常数据隔离方法

为解决光纤传感网络异常传输数据影响信号安全传输的问题,提出基于灰色关联聚类的光纤传感网络异常数据隔离方法.构建光纤传感网络传输中异常断点数据采样模型,在采样模型基础上提取光纤传感网络传输中大数据异常谱特征,最后基于灰色关联聚类方法优化的光纤传感网络传输中异常数据隔离算法,实现对异常数据的有效隔离.实验结果表明,所设计的...     

半失能老人远程健康监测大数据缺失处理

本文对传统蚂蚁聚类算法易出现早熟和收敛速度慢的问题,提出了基于改进K-means蚂蚁聚类算法,并将优化后的聚类算法与优化填充策略结合,对半失能老人远程健康监测缺失数据进行填充。仿真结果说明：改进K-means蚂蚁聚类算法的分类精度有所提高,基于改进K-means蚂蚁聚类的缺失数据填充算法的填充效果有所改善,可以有效填充半失能老人远程健康监测的缺失数据。     

改进的K-means网络入侵检测算法

针对K-means算法对于初始聚类中心选择敏感问题,提出了一种改进的K-means算法,该算法优化了聚类中心选择问题,能够获得全局最优的聚类划分,同时减少了算法的时间复杂度。实验结果表明,采用本文的算法进行网络入侵检测,相对于经典的聚类算法,能获得理想的网络入侵检测率和网络误报率。     

K-means算法的优化及应用

针对K-means算法易受初始值和异常点影响,以及聚类数选取依靠人工经验和初始聚类中心选取随机等缺点,提出一种基于改进Canopy算法的K-means聚类算法。首先将初始数据集进行预处理和分类,然后选取特殊的阈值利用改进的Canopy算法得到聚类数和初始聚类中心,再运行K-means算法实现最终聚类。经检验得知,改进后的算法减少了对人工选择的依赖,并且聚类准确度有了明显的提高。最后将改进后的算法应用于顾客细分实例,取得了良好的分类效果,证明了优化算法的实用性。     

K-means聚类算法研究综述

总结评述了K-means聚类算法的研究现状,指出K-means聚类算法是一个NP难优化问题,无法获得全局最优。介绍了K-means聚类算法的目标函数、算法流程,并列举了一个实例,指出了数据子集的数目K、初始聚类中心选取、相似性度量和距离矩阵为K-means聚类算法的3个基本参数。总结了K-means聚类算法存在的问题及其改进算法,指出了K-means聚类的进一步研究方向。