密集用户校园无线网优化设计研究

本文简略阐述了高校网络建设现状,从用户容量规划、网络上层总宽带规划、无线链路规划以及无线信道规划等内容着手,对密集用户校园无线网规划设计进行了详细分析,并明确了无线AP以及POE交换机的部署.     

一种改进的基于用户聚类的协同过滤推荐算法

为克服在线视频网站中出现的数据稀疏性和推荐实时性不佳的问题,本文提出一种基于用户聚类的改进算法.首先该算法以商品属性为辅助预填充矩阵空白,然后采用初始聚类中心优化的k-means算法在矩阵上对用户进行离线聚类,将兴趣点相同的用户聚集到同一类别中,最后在线寻找目标用户最近邻并产生推荐.本文采用MovieLens作为测试数据集,实验结果表明,本文算法可以有效缓解数据稀疏性及改善实时性,并在一定程度上提高推荐精度.     

支持用户属性特征联合聚类的协同过滤算法

个性推荐技术,可针对海量的数据实现快速准确的推荐。目前,协同过滤算法作为主流推荐技术,却存在着冷启动、数据稀疏和可扩展性等问题。虽然联合聚类协同过滤算法在解决可扩展性与数据稀疏方面有一定的效果,实时性高,但很难获得全局最优结果。因此,文中提出支持用户属性特征联合聚类的协同过滤算法以联合聚类为基础,融合了基于内容的推荐算法的优点,并经进一步改进以完成高准确率的推荐。实验结果表明,该算法实时响应快,一定程度上克服了冷启动和数据稀疏问题,且推荐质量较高。     

基于ISODATA的用户访问路径聚类算法

文章提出了一种基于ISODATA的用户访问路径聚类算法，根据用户的访问兴趣定义了相似性测量手段和聚类中心。在对Web站点的访问日志进行事务识别后，根据群体用户对Web站点的访问顺序进行聚类，则每一个聚类集反映出该聚类集中的全体用户具有相似的访问兴趣。     

基于用户特征的聚类方法在人机交互中的应用研究

随着网络技术飞速发展,对搜索引擎的要求也越来越高,然而对人机交互的的支持却没有充分体现出来。本文通过分析Web用户的不同检索需求,提出了以用户为中心的用户事务聚类方法,在聚类的相似性度量上,不仅考虑了用户在Web事务中对某页面的访问次数,还考虑了在该页面上的浏览时间。对用户查询请求不断进行修正后反复进行检索,从而有效提高了信息检索系统的精度和信息检索的协同工作能力,使得人机交互更加高效。     

基于特征事务元素的用户事务聚类方法研究

针对现有用户访问事务聚类算法复杂度较高的问题，文章提出了一种新的用户事务聚类算法。首先对用户事务中访问过的页面浏览次数和时间进行综合统计，并定义了函数，将其映射为页面访问时间属性值；其次通过抽取事务的特征事务元素集，建立新的聚类对象集事务，实现对原有事务的降维。最后给出计算事务相似度的方法．并得到一个模糊相似度矩阵以实现事务聚类。该算法具有较高的准确性，计算复杂度低，扩展性好，可以广泛地应用于电子商务领域。     

基于朴素贝叶斯和层次聚类的两阶段垃圾邮件过滤方法

为降低对合法邮件的误判，提出一种基于朴素贝叶斯和层次聚类的两阶段垃圾邮件过滤方法。该方法将邮件划分为“合法邮件”、“可疑邮件”和“垃圾邮件”3类，在第一阶段，利用朴素贝叶斯算法速度快、分类性能好的优点，对邮件进行初步分类；在第二阶段，基于垃圾邮件的发送特征，利用层次聚类算法进行相似性比较。实验表明，该方法能够显著提高垃圾邮件的查准率，降低对合法邮件的误判，更加符合实际应用需求。     

基于聚类的隐式用户兴趣建模

随着Internet的迅速发展,人们必须面对信息爆炸的现实。描述了一种关键词向量的方式表达用户兴趣。将BIRCH聚类算法应用于用户访问的网络文档上来建立用户兴趣模型。基于Myspace用户日志,又实现了一个用户兴趣建模系统,该系统验证了提出方法的有效性。     

基于对称KL距离的用户行为时序聚类方法

网络用户随时间变化的行为分析是近年来用户行为分析的热点,通常为了发现用户行为的特征需要对用户做聚类处理。针对用户时序数据的聚类问题,现有研究方法存在计算性能差,距离度量不准确的缺点,无法处理大规模数据。为了解决上述问题,该文提出基于对称KL距离的用户行为时序聚类方法。首先将时序数据转化为概率模型,从划分聚类的角度出发,在距离度量中引入KL距离,用以衡量不同用户间的时间分布差异。针对实网数据中数据规模大的特点,该方法在聚类的各个环节针对KL距离的特点做了优化,并证明了一种高效率的聚类质心求解办法。实验结果证明,该算法相比采用欧式距离和DTW距离度量的聚类算法能提高4%的准确度,与采用medoids聚类质心的聚类算法相比计算时间少了一个量级。采用该算法对实网环境中获取的用户流量数据处理证明了该算法拥有可行的应用价值。     

基于遗传算法的Web用户聚类模型的研究

本文提出了一种基于遗传算法．结合网站拓朴分析．对URL实行树型层次编码为基础的Web用户聚类计算模型。讨论了描述、跟踪用户行为，实现Web用户聚类的方法。阐述聚类所要考虑的相关问题，并给出聚类的实验分析。     

基于谱聚类的用户关联关系挖掘

为了从用户地理空间分布数据中挖掘用户间关联关系,提出了一种基于谱聚类的关联关系挖掘算法.首先定义了关联度,用以衡量用户之间空间分布的相似性,基于关联度构造相似矩阵,再利用谱聚类方法对用户进行聚类分析,聚类结果表征了用户的关联关系.采用Silhouette指标和聚类准确率来衡量用户关系挖掘质量,同时与传统的K-Means方法进行了比较,通过真实数据集实验,结果表明该算法在实验数据集上能达到90％以上的聚类准确率,证明方法有效、可行.     

一种基于用户感知的WLAN网络质量评估方法

中国移动通信集团广东有限公司(以下简称广东移动)的WLAN(无线局域网络,Wireless Local Area Networks)网络的质量评估通常有多种评估指标,单一评估指标容易导致结果不客观。本文通过对WLAN网络质量评估各种指标进行分析,设计了一套不以单一的某项指标来评估WLAN的网络质量,而是用一套新的评估方案,整合6个影响用户使用感知的关键指标,通过层次分析法和神经网络算法的计算,逐步得出量化的值来评估WLAN网络的好坏和用户使用的满意度的评估算法。能够较全面地评估WLAN网络质量,有效地指导WLAN网络优化。     

基于WLAN技术的无线校园网组网研究

无线局域网(WLAN)使用无线多址信道方法来支持计算机间通信。简要介绍了IEEE802.11g标准协议以及无线局域网基本原理和拓扑结构，并结合无线局域网组网特点，详细阐述设计规划无线校园网的原则、方法和步骤。最后介绍一个可行的802．11g无线校园网设计方案。     

基于WLAN的无线校园网的设计与实现

随着IEEE 802.11无线局域网技术标准的不断推出以及基于这些标准的无线产品的出现,无线局域网的应用和普及已发展到了一个新阶段,基于WLAN的无线网络构建已成为组建无线校园网的主流技术,是有线校园网网络延伸的重要手段之一。结合东北石油大学无线校园网建设的工程实践,采用无线控制器＋＂瘦＂AP的无线网络解决方案,组建了基于WLAN的校园无线网络,并对相关的设计方法进行了详细说明。经过长期实践应用证明,该网络运行高速、稳定。     

基于改进指纹聚类的WLAN定位优化方法

将K-means聚类算法应用到无线局域网（WLAN）位置指纹定位中,虽然可以缩短定位时间,但是容易降低定位精度。为了解决此问题,提出了基于改进指纹聚类的WLAN定位优化方法。首先根据接收信号强度标准差来优化初始聚类中心的选取,然后对指纹数据进行聚类处理,最后进行在线定位。实验结果表明,与传统的WLAN位置指纹定位方法和K-means聚类定位方法相比,基于改进指纹聚类的定位优化方法不仅缩短了定位时间,还能有效提高定位精度。     

基于用户感知的WLAN网络优化

侧重于用户感知的WLAN网络优化,其目的是弥补当前网络优化仅从网络覆盖面及射频角度出发,而忽略真实环境网络质量,用户体验也存在漏洞。方法是首先在经过分析WLAN传统优化指标的基础上,提出影响用户体验感知的因素,然后通过利用Veriwave进行仿真实验,模拟用户对网络的真实效果,验证出影响因素的效果并且确定网络优化指标,最终提出基于用户感知的WLAN网络优化方案。     

校园WLAN办公场景优化策略研究

针对无线局域网（wireless local area networks,WLAN）随着覆盖区域逐渐增多出现的网速慢、频繁掉线和网络连接困难等问题,以某高校的校园办公场景为样本,通过对校园办公场景特点的深入分析,抓住重点参数予以优化.具体优化方案有功率调整、合理设置客户端闲置时间、broadcast-probe reply关闭、beacon帧发送间隔和低速率报文关闭等,以实现对WLAN无线侧参数的优化,给予用户更好的体验.本文的研究对其他相类似场景的网络优化有一定的参考价值.     

基于用户相似度的协同过滤推荐算法简

协同过滤推荐算法通过研究用户的喜好,实现从海量数据资源中为用户推荐其感兴趣的内容,在电子商务中得到了广泛的应用。然而,当此类算法应用到社交网络时,传统的评价指标与相似度计算的重点发生了变化,从而出现推荐算法效率偏低,推荐准确度下降问题,导致社交网络中用户交友推荐满意度偏低。针对这一问题,引入用户相似度概念,定义社交网络中属性相似度,相似度构成与计算方法,提出一种改进的协同过滤推荐算法,并给出推荐质量与用户满意度评价方法。实验结果表明：改进算法能有效改善社交网络中的推荐准确性并提高推荐效率,全面提高用户满意度。     

用于WLAN室内定位的PCA聚类算法

在WLAN室内定位系统中,针对接收信号强度(RSS)的时变特征降低室内定位精度的问题,提出一种基于主成分分析(PCA)白化RSS的聚类算法,该算法首先对信号强度进行PCA白化处理,去除RSS信息的相关性,提高聚类中心的可靠性和合理性,然后通过K-means聚类方式对RSS信息进行聚类,能够有效地提高聚类精度,以此来提高定位精度.实验结果表明,该算法相比于没有经过PCA的传统聚类算法,能够使定位误差在2m内的概率提高44.8％,性能更优良.     

非正交多址技术中利用对称矩阵的用户分组

现有非正交多址接入技术中,用户分组算法的实现首先对信道相似度门限值进行判断,选出候选成组用户;进而对候选成组用户的信道增益差进行比较,选出最优的成组用户。然而,上述分步求解算法中信道相似度门限值的设置存在一定的随机性,导致候选成组用户的选取不准确,从而影响分组结果,限制系统性能的提升。针对上述问题,提出利用对称矩阵的用户分组算法,对用户信道相似度进行非线性变换,而后将用户信道相似度和增益差线性求和构建成新的信道信息矩阵,进一步利用该矩阵的对称性进行求解。仿真分析表明该方法分组结果比设置门限的传统方法更优,在不同用户数目时系统容量均得到提升。在传统方法门限值为0.95时,所提算法系统容量在用户数为16时提升了13.4 Mb/s。