无人机自组网快速稳定加权分簇算法

在无人机自组网中,网络规模增大会使节点间平均跳数增加,网络管理和路由协议运行更艰难。分簇结构可用来优化网络管理,提高网络的可拓展性。针对无人机高移动造成的簇结构不稳定以及分簇结构鲁棒性差的问题,提出了一种快速稳定加权分簇算法。该算法对比现有的加权分簇算法,对链路保持率、节点度和相对速度三个指标的选取进行改进。针对战场和应急场景下簇头节点掉线带来的簇振荡,提出了一种高效的簇维护机制。最后通过仿真验证该算法的性能,结果表明,与现有改进型加权分簇算法相比,该算法可以有效降低成簇的时间,同时在簇头节点掉线的情况下快速恢复,更适用于复杂环境下的网络部署。     

基于移动保持时间的无线自组网分簇算法

无线自组网不依赖固定的基础设施．其最主要的特点是无中心结构和高度的动态变化。本文提出一种新的节点移动保持时间计算方法．并在此基础上开发了最大稳定性加权分簇算法MSWCA，在稳定性、能耗、负栽平衡等因素权衡中，侧重考虑簇结构的稳定性，从而进一步提高网络可靠性，有利于更大规模网络的组建。最后探讨了进一步的需要进行研究和改进的问题。     

高速飞行器自组网快速高效加权分簇算法

针对高速飞行器自组织网络中组网时间较长、维护开销较大、网络恢复较慢等问题,提出了一种快速高效的加权分簇算法。该算法与现有的加权分簇算法进行了比较,对平均节点间距离、平均移动相似度以及节点度三个指标进行了改进;针对梯度抑制导致的组网周期延长问题,优化了现有的组网流程;针对备用簇首维护开销较大的问题,提出了一种高效备用簇首选举和跨层通告机制;针对簇首节点突发损坏的情况下,簇成员反应较慢的问题,提出了一种簇成员快速响应切换机制。通过OPNET软件进行仿真模拟,该算法在组网时间、控制开销及恢复时间等指标上,相较于现有加权分簇算法均有一定提升。仿真结果表明,该算法能够有效提升网络性能,更加适用于复杂环境下的高速飞行器自组织网络。     

基于能耗负载平衡的自组网分簇算法

针对Ad Hoc网络的节点能量受限问题,改进分布式高效分簇算法(DECA),提出一种适用于自组网的分簇算法。该算法建立簇头能耗模型,利用簇头能耗和簇头平均能耗方差描述能耗负载平衡度。仿真实验表明,相比DECA算法,改进算法能有效平衡簇头节点的能耗负载,延长网络生命周期。     

基于移动保持时间的无线自组网分簇算法

无线自组网不依赖固定的基础设施,其最主要的特点是无中心结构和高度的动态变化。本文提出一种新的节点移动保持时间计算方法,并在此基础上开发了最大稳定性加权分簇算法MSWCA,在稳定性、能耗、负载平衡等因素权衡中,侧重考虑簇结构的稳定性,从而进一步提高网络可靠性,有利于更大规模网络的组建。最后探讨了进一步的需要进行研究和改进的问题。     

自组网分簇算法仿真设计

自组网是一种由移动节点自组织形成的、不需要任何基础设施的网络，针对其随机的拓扑结构研究人员提出了基于分簇结构的拓扑机制，用于网络路由优化和安全控制。然而，这些算法在不同的移动环境中面临着不同的挑战，因而所表现出来的性能也各不相同，为进一步验证这些算法在不同移动环境中的有效性，文中使用Delphi设计了自组网的几个典型分簇算法，通过随机环境的仿真实验，得到相关仿真数据，分析比较了这些算法的性能，为进一步的研究提供依据。     

自组网分簇算法仿真设计

自组网是一种由移动节点自组织形成的、不需要任何基础设施的网络,针对其随机的拓扑结构研究人员提出了基于分簇结构的拓扑机制,用于网络路由优化和安全控制。然而,这些算法在不同的移动环境中面临着不同的挑战,因而所表现出来的性能也各不相同,为进一步验证这些算法在不同移动环境中的有效性,文中使用Delphi设计了自组网的几个典型分簇算法,通过随机环境的仿真实验,得到相关仿真数据,分析比较了这些算法的性能,为进一步的研究提供依据。     

一种适合移动自组网的分簇算法

分级结构的Ad hoc网络可以减少路由开销,满足网络规模扩充的需要。提出了一种基于最小ID分簇算法的改进算法,根据节点移动性和电量消耗重新分配ID,然后利用分簇快速、操作简单、效率高的最小ID分簇算法进行重新分簇,仿真实验显示与传统最小ID分簇算法（LID）、最大节点度分簇算法（HD）和基于权值的分簇算法（WCA）相比,算法能使网内节点电量消耗更平衡,簇结构更稳定,能够延长网络的服务时间。     

自组网中一种基于网格的分簇算法

自组网是一种不需要任何基础设施的新型无线网络,分簇技术对于自组网的路由优化,能量保护和资源分配具有重要的作用,本文基于网格的思想,提出了一种新的分簇算法。它将全网地理住置用多个小六边形覆盖,再由其标号算法选举出簇头并对全网进行分簇,理论分析了此算法收敛速度快且分簇性能良好。     

基于分簇的车载自组网路由协议研究

为了减少开销和方便网络管理,车载网络通常采用分簇网络结构.针对国内外现有车载分簇协议的优缺点从多个角度进行了分析比较,研究了车载场景下各种条件对分簇算法的影响,并总结出车载分簇算法的设计要素.     

模糊K-Prototypes算法中的加权指数研究

模糊K Prototypes(FKP)算法融合了K Means和K Modes对数值型和符号型数据的处理方法,适合于混合类型数据的聚类分析。同时,模糊技术使得FKP适合于处理含有噪声和缺少数据的数据库。但是,在使用FCM(FuzzyC Meansalgorithm)或FKP算法时,如何选取加权指数α仍是悬而未决的问题。许多研究者基于他们的实验结果给出FCM中的最佳加权指数可能位于区间 [1. 5,2. 5],本文则提出了一个FKP中加权指数的探寻算法。在多个实际数据集上的实验结果表明,为进行有效的聚类,FKP中加权指数应该小于 1. 5。     

基于加权的无人机集群组网分簇算法

在无人机集群组网中,节点的高速移动会造成网络拓扑结构更新频繁,使网络管理变得更加复杂。分簇能够增大网络容量,实现空间资源的复用,是优化网络管理的有效手段之一。针对大规模、高速移动的环境进行了研究,提出了一种多参数加权分簇算法。该算法将最大速度相似度分簇算法中的分簇指标引入到加权分簇算法中,并且对链路保持率、节点度差、节点剩余能量进行改进,综合考虑这四种参数,通过加权组合的方式选举具有最大权重的网络节点作为簇头。仿真结果表明,该分簇算法不仅能够减少簇的数量和簇间切换率,提高分簇的稳定性,而且能够延长最小节点生存时间,改善网络的整体续航能力。     

基于加权模糊c均值聚类的快速图像自动分割算法

图像分割是指将一幅图像分解为若干互不交迭的区域的集合,是图像处理和计算机视觉的基本问题之一。为了提高图像分割的效率,提出了一种基于2维直方图加权的塔形模糊c均值（FCM）聚类图像快速分割算法。该方法先通过构造合理的2维直方图对噪声进行抑制;然后通过塔形分解来缩减聚类样本集;最后利用加权FCM聚类算法进行分类。仿真结果表明,该方法的效率明显优于标准的FCM算法。此外,为确定分割的最优类别数c,还引入了一种基于该快速算法的聚类有效性评价函数——修正划分模糊度,实现了最佳图像分割类别数c的自动确定。基于人造图像和实际图像的测试实验结果表明该方法是有效的。     

一种基于R-树的空间索引结构

为了有效构建R-树,通过分析数据矩形的性质,结合改进的K-均值算法,提出一种用于构建R-树的数据矩形聚类新方法,给出基于R-树和四叉树的空间索引结构以及该空间索引结构的构造算法和节点插入算法。研究结果表明,该索引结构具有更紧凑的结构和更高的空间查询效率。     

基于占空比的聚类算法评价指标研究

基于密度的聚类算法（DBSCAN）是最有效的轨迹数据挖掘方法之一,但基于密度的聚类算法往往受到输入参数选择的限制。在轨迹数据挖掘中,聚类结果不仅受到类内距离和类间距离的影响,还受到聚类中坐标点个数的影响。因此,提出了一种新的基于内外占空比的集群有效性指标来平衡这三个因素,该指标可以自动选择密度聚类的输入参数,并在不同的数据集上形成有效的聚类,优化后的聚类方法可应用于出行者行为轨迹的深度分析和挖掘。实验结果证明,与传统的有效性指标相比,提出的基于占空比的评价指标能够优化输入参数,获得较好的出行者位置信息聚类结果。     

考虑分群结构稳定性的自组网无中心分群算法

为了降低路由维护开销,使无中心分群结构很好地适用于大规模自组网,最首要的任务是使分群结构尽量稳定。现有无中心分群算法尚未考虑上述问题,因此,提出一种考虑分群结构稳定性的无中心分群算法及群维护策略。该算法基于移动预测思想,综合考虑群内结构稳定性、群间结构稳定性和分群结构优化。对算法的性能和复杂度分别进行了分析,仿真结果表明：该算法比现有算法更有利于分群结构的稳定,降低了分群维护开销,进而将降低路由维护开销。     

一种采用新型聚类方法的最佳类簇数确定算法

聚类分析是统计学、模式识别和机器学习等领域的研究热点.通过有效的聚类分析,数据集的内在结构与特征可以被很好地发掘出来.然而,无监督学习的特性使得当前已有的聚类方法依旧面临着聚类效果不稳定、无法对多种结构的数据集进行正确聚类等问题.针对这些问题,首先将K-means算法和层次聚类算法的聚类思想相结合,提出了一种混合聚类算...     

基于智能优化算法的模糊软子空间聚类方法

为解决选定特征上的聚类问题和模糊C-均值聚类存在的初始值敏感、易陷入局部最优的问题,提出了一种基于改进萤火虫算法的模糊软子空间聚类方法。该方法在模糊C-均值聚类算法的基础上,采用基于数据可靠性的k-均值算法中特征权值的计算方法,并结合萤火虫算法的全局搜索能力对所有的特征子空间进行搜索;设计了一种目标函数来对聚类结果和子空间所包含的特征维进行评估,并利用目标函数改进了萤火虫算法的搜索公式。实验结果表明,该方法能有效地收敛于全局最优解,具有良好的聚类效果和抗噪性。     

An interval weighed fuzzy c-means clustering by genetically guided alternating optimization

The fuzzy c-means (FCM) algorithm is a widely applied clustering technique, but the implicit assumption that each attribute of the object data has equal importance affects the clustering performance. At present, attribute weighted fuzzy clustering has became a very active area of research, and numerous approaches that develop numerical weights have been combined into fuzzy clustering. In this paper, interval number is introduced for attribute weighting in the weighted fuzzy c-means (WFCM) clustering, and it is illustrated that interval weighting can obtain appropriate weights more easily from the viewpoint of geometric probability. Moreover, a genetic heuristic strategy for attribute weight searching is proposed to guide the alternating optimization (AO) of WFCM, and improved attribute weights in interval-constrained ranges and reasonable data partition can be obtained simultaneously. The experimental results demonstrate that the proposed algorithm is superior in clustering performance. It reveals that the interval weighted clustering can act as an optimization operator on the basis of the traditional numerical weighted clustering, and the effects of interval weight perturbation on clustering performance can be decreased.