基于层次聚类法的网络延迟监测点放置

针对Internet网络延迟监测点的放置问题,将其转化为网络拓扑图聚类问题。根据网络层次结构特性,使用层次聚类法对网络节点进行聚类。利用网络节点的差异性,提出使用递归去除1度异常节点算法,在保证网络拓扑结构基本不变的前提下减少异常节点对聚类结果的影响。提出在聚类结果的每个类中选取度数最大的节点作为对应的类中心,监测点被放置在类中心位置上。实验结果表明,层次聚类法中最长距离法更适合对网络节点进行聚类,递归去除1度异常节点算法能够进一步提高聚类效果,有效地解决了监测点的放置问题。     

基于三元组信息的网络流量检测点选取算法

为了有效地选取网络流量检测点,根据流守恒假设,提出一种网络流量检测点选取算法．该算法将网络流量检测点选取问题抽象为图的弱顶点覆盖问题,使用三元组信息标记网络节点,通过比较和替换节点的三元组信息并根据最后的三元组信息,完成网络流量检测点的选取．仿真结果表明,新算法不需要了解网络拓扑的全局信息,能动态地排除无法部署的网络节点,有效地解决了网络流量检测点的选取问题．     

基于三元组信息的网络流量检测点选取算法

为了有效地选取网络流量检测点,根据流守恒假设,提出一种网络流量检测点选取算法．该算法将网络流量检测点选取问题抽象为图的弱顶点覆盖问题,使用三元组信息标记网络节点,通过比较和替换节点的三元组信息并根据最后的三元组信息,完成网络流量检测点的选取．仿真结果表明,新算法不需要了解网络拓扑的全局信息,能动态地排除无法部署的网络节点,有效地解决了网络流量检测点的选取问题．     

基于萤火虫算法优化FCM的WSN路由算法

针对无线传感器网络节点能源有限,容易出现能量负载不均衡的问题,提出了一种基于萤火虫算法优化模糊C均值(FCM)的无线传感器网络(WSN)路由算法(FFACM),优化了分簇路由算法中的分簇阶段和簇间路由建立阶段。在分簇阶段,使用萤火虫算法计算初始聚类中心,避免模糊C均值算法因初始聚类中心而陷入局部最优的问题。在选择簇首节点上,建立关于剩余能量和距离的适应度函数,选取适应度值最大的节点作为簇首节点并动态更新。通过计算节点间的链路代价并根据剩余能量和到sink节点的距离建立代价函数,选择代价函数值最小的节点建立簇间多跳路由,使得簇首节点的负载降到最低。从仿真实验结果可知,相比于其他无线传感器网络的路由算法,FFACM算法能有效均衡网络负载,降低节点能耗,从而延长网络的使用周期。     

基于点距离和密度峰值聚类的社区发现方法

在复杂网络中节点相似度度量以及密度峰值聚类算法的基础上,提出了一种基于点距离和密度峰值聚类的社区发现方法。首先,提出了基于节点相似度和节点间最短距离的节点距离度量。然后,应用密度峰值聚类方法探究网络中的社区结构,密度峰值聚类算法不仅能够检测出各个社区中心并进行相应的社区扩展,而且能够避免参数选择过程。最后,通过与经典算法在真实数据集和人工合成数据集上的比较实验,充分验证了本文方法的可行性和有效性。     

电厂主汽温的模糊逆控制

采用模糊辨识的方法建立了电厂主汽温系统的T-S模糊逆模型.该模型的前提结构采用模糊均值聚类方法辨识,结论参数由最小二乘法辨识,并结合最小均方根算法在线调节逆模型,将其作为系统控制器,以解决电厂主汽温系统的大惯性、大延迟的动态特性.仿真结果表明,该方法可以提高电厂主汽温系统的鲁棒性和动态稳定性.     

无线传感器网络中的动态聚类分簇算法研究

能耗问题是无线传感器网络的关键问题之一。通过深入分析已有算法存在的诸多不足,该文提出了一种基于动态聚类的分簇算法。该算法首先分析了低能耗自适应分簇的一阶能耗模型,给出了基于最小能耗的簇首数计算公式,然后在此基础上引入动态聚类思想,以最优簇首数将传感器网络内的所有节点进行聚类,得到最优的簇首节点及其内部簇成员。仿真结果表明：算法划分的网络具有低能耗、高稳定性等特点,弥补了已有算法的不足。     

可靠传感网聚类路由算法研究

为延缓传感器网络寿命，提高能量使用效率，提出一种新的能效高的可靠聚类路由算法--多类头方法的传感网 聚类路由算法.该算法采用每个类多类头节点共同承担类头节点的作用--收集数据、融合数据并发送数据包到基站，来 解决单类头节点因故障等原因带来的不可靠而导致的能量损失，以及改善网络能量使用效率和提高数据传输可靠性.在仿 真环境下，该算法与单类头方法的聚类路由算法进行了比较，结果表明，该算法改善了能量消耗均衡性，提高了能量使 用效率以及类头节点数据传输可靠性，从而也延长了网络寿命.     

一种改进的K-means算法

通过分析传统K-means算法难以确定聚类中心数目的问题,提出了一种改进的K-means聚类算法(CS-kmeans).该算法分析当聚类效果较好时最大类内距离与最小类间距离之间的关系,使用类内距离小于最小类间距离以及类间距离大于最大类内距离实现对类别数的自动分割与合并,从而确定适当的聚类数目.实验结果表示,文中改进后的算法相比传统K-means算法和其他改进算法,对于确定聚类中心数目、提高聚类质量是更为有效的.     

对等网中基于语义相似度聚类

语义相似度是研究语义交互的一个重要基础,语义交互的结果就是对实例进行语义描述的模型和方法.对网络中的活动节点在局部进行聚类.基于语义相似度聚类成为语义Web发展并被广泛使用必须解决的关键问题,同时也是语义Web智能化的重要研究手段.本文介绍了通过计算语义相似度,到达网络节点聚类的目的.     

基于节点权值的簇头选举优化算法

LEACH是无线传感器网络中一种经典的降低网络耗能的分簇路由算法,该算法可有效的延长网络的生命周期,具有平面路由协议无可比拟的优越性。但其簇头选举机制是随机的,没有考虑候选节点的剩余能量等因素。本文基于LEACH提出了一种改进算法,通过节点权值来选择簇头,权值是本轮候选节点的剩余能量、节点密度和距离基站远近的一种数学关系的度量。依此来均衡网络负载,延长整个网络的生命周期。     

一种双层结构的分簇算法在VANET中的应用

为了解决车辆自组织网络中信息传递质量较差的问题,提出了一种基于权重的本地通信质量保证分簇算法,将分簇后的车辆节点划分为自组织层和对等层两层,自组织层节点使用车间通信方式进行通信,对等层节点利用3G、LTE等更可靠的传统通信方式进行通信。该算法对经典的权重分簇算法进行改进,以本地最优化代替全局最优化,引入保障通信质量最大可接受通信距离的概念,并提出了新的簇结构维护策略。仿真实验结果表明,与经典的权重分簇算法相比,该算法具有更高的簇结构稳定性和更高的分组投递率以及更低的开销。     

基于低能耗的无线传感器网络路由协议的研究

无线传感器网络是目前计算机领域的一项研究热点,但是节点能量问题一直是个难点.该文将视点放在了分簇技术和节能技术上,在现有的分簇路由协议基础上,提出了一种节能的负载均衡的分簇路由协议.协议采用分簇的形式,根据最优簇头比例计算出簇头个数,然后根据一定的规则划分区域,并分配每个子域内簇头个数;之后,每个子域根据能量的高低选举...     

无线传感器网络LEACH协议的研究改进

无线传感器网络(WSN)数据传输离不开路由协议,路由协议是其组网的基础。由于WSN是一种资源受限网络,尤其是能量的受阻,因此路由协议必须维持较小的路由信息并尽可能的减少能耗。对于LEACH算法没有考虑节点的剩余能量、簇头位置分布、簇头与汇聚节点间直接传输数据等缺点,提出了一种改进协议LEACH-LOMUC。改进协议主要思想是在候选簇头选举时考虑节点剩余能量、节点到基站距离,簇在形成时考虑了簇头规模、能量以及簇头与基站的间距。同时在簇头之间通信距离过大时引入中继节点协助数据传输。MATALB仿真结果表明,LEACH-LOMUC协议有效节约能量,延长网络生存周期。     

基于密度聚类的容迟网络路由协议

为了克服现有容迟网络消息冗余副本过多,数据传输时延较大的问题,对基于历史预测的Prophet路由协议进行优化,提出基于密度聚类的路由协议,采用聚类分析理论和生灭过程理论,准确构建和维护密度聚类簇,使网络中的消息副本得到实时控制.在此基础上,提出基于Q学习的随机线性网络编码策略,采用增强学习领域中的值函数估计法,通过中间节点高效获得线性独立的编码包,以提高网络编码效益.仿真实验结果表明,相比Epidemic和Prophet路由算法,该算法可以获得较高的消息投递率;在有足够缓存的情况下,数据传输时延得到了很好的控制,对容迟网络具有较强的动态适应性.     

基于地理位置划分的无线传感器网络分簇算法

利用分簇算法延长无线传感器网络的生命周期是一个研究热点。基于经典的LEACH路由算法,提出了改进：主要体现在对节点地理位置的划分和在成簇过程中考虑传感器节点的剩余能量以及簇头与非簇头之间的距离。最后用Matlab对LEACH算法和改进后的算法进行仿真,证实了改进后的算法在网络生存时间上比LEACH算法有了很大提高。     

无线传感器网络LEACH算法的研究

无线传感器网络能够实时监测、采集和处理环境信息,应用前景十分广阔。目前,路由算法已成为无线传感器网络的关键技术之一。LEACH算法是一种典型的分簇路由算法,簇头的选取直接影响到算法性能的优劣。通过对LEACH算法的分析,在簇头节点的选取方面提出了改进方案。     

改进的Peer-to-Peer环境下的聚类算法

在P2PK-Means算法的基础上,提出了一种改进的数据聚类算法DK-Means。该算法不需要所有节点进行全局同步,只需要在直接相连的节点间进行通信,同时利用本地保存的直接相邻节点聚类信息来减少节点间的通信次数,从而减少整个网络的通信开销。与P2PK-Means算法的实验结果对比表明,改进后的算法通信量要小于P2PK-Means算法的通信量,并且在聚类准确度方面也没有损失,此外,随着节点的增多,DK-Means算法所需通信量的增长速度要明显低于P2PK-Means算法。