移动计算中基于Mobile Agent的数据库访问技术

本文针对传统基于应用程序方式的数据库机制在移动计算环境中所存在的不足，分别提出了移动计算环境中基于Mobile Agent的集中式数据库和分布式异种数据库访问技术，并利用IBM开发的Aglets在一个宽带无线IP网络上进行了原理实验，实验结果表明这种技术在移动计算环境中明显提高了数据库访问的性能。     

一种基于身份的不可传递性环签名

网络环境中的某些应用(如匿名电子举报)要求数字签名同时具备签名者身份模糊性和签名不可传递性,而现存的签名方案都不能完全满足此类需求.为此,提出了一种新的签名方案即基于身份的不可传递性环签名方案,设计了一个基于双线性对的特殊哈希函数,并将该哈希函数引入到环签名中,使方案很好地满足了上述需求.形式化分析表明,方案生成的签名在随机预言模型(Random Oracle Model,ROM)下具有不可伪造性.     

基于聚类的无线传感器网络相对定位算法

提出一种基于聚类的无限传感器网络相对定位算法,包括3个步骤,即将网络分簇、各簇建立局部坐标系并计算簇内节点自身在局部坐标系内位置以及各局部坐标系合并成全局坐标系。仿真结果表明,与SDGPSN算法相比,该算法通信和时间开销更少,更适用于能量受限、规模大的无线传感器网络。     

一种改进的径向基神经网络预测算法

神经网络是数据挖掘的常用的方法之一,主成分分析方法是统计学多元分析中的一种分析多个变量间内在关系的方法。将主成分分析预处理方法与神经网络结合起来使用,可以分析原始变量间关系,将原始数据降维,减少数据规模。对神经网络算法和主成分分析相关理论进行了研究,在此基础上,结合大量的气象数据和北京的传染病数据,提出了一种改进的基于主成分分析预处理结合神经网络算法的数据挖掘方法。通过对比实验测试,本文提出的组合算法在收敛速度及预测准确性方面的性能有了很大程度提高。结合国家重大专项疾病预测项目,将该方法应用于其中的流行性传染病的预测上。     

基于中垂面分割的WSN三维定位方法

针对无线传感器网络中节点定位精度不高的问题,提出基于中垂面分割空间的三维定位方法。将待定位节点所在区域划分为若干空间立方体,利用中垂面排除不存在待定位节点的立方体,结合锚节点通信半径进一步缩小待定位节点所在区域,并取其质心作为定位结果。实验结果表明,该方法在锚节点数大于12时,误差率维持在0.02左右。     

WSN中一种改进的边界盒定位算法

边界盒算法利用通信范围内锚节点的区域位置信息实现自身定位.基于此,提出一种适用于无线传感器网络的改进边界盒定位算法,待定位节点利用边界盒算法得到初始区域位置信息后,广播该区域位置信息,并结合通信范围内其他待定位节点的区域位置信息实现二次定位.实验结果表明,改进算法的运算量较小,定位精度较高.     

一种基于虚拟网格位置的分簇算法

为了延长无线传感器网络生命周期, 提出一种基于虚拟网格的分簇路由算法RPLG. 该算法将监测区域划分为若干虚拟网格, 同一网格内节点自组织成簇. 根据节点所在网格位置和剩余能量启动计时器选取本地簇首, 且簇内成员可以根据局部的信息调整簇的大小, 达到节省能量的目的. 仿真实验和分析表明: 该协议能均衡网络能量, 延长网络的生存时间.     

移动自组网中基于多跳步加密签名 函数签名的分布式认证

移动自组网Manet(Mobile Ad Hoc Network)是一种新型的无线移动网络,由于其具有网络的自组性、拓扑的动态性、控制的分布性以及路由的多跳性,所以,传统的安全机制还不能完全保证Manet的安全,必须增加一些新的安全防范措施.本文探讨了Manet所特有的各种安全威胁,提出了一种基于多跳步加密签名函数签名的安全分布式认证方案,即将移动密码学与(n,t)门槛加密分布式认证相结合,并采用了分布式容错处理算法和私钥分量刷新技术以发现和避免攻击者假冒认证私钥进行非法认证以及保护私钥分量和认证私钥不外泄.     

一种改进的密度加权的模糊C聚类算法

模糊C均值聚类算法(FCM)是一种流行的聚类算法,在许多工程领域有着广泛的应用.密度加权的模糊C均值算法(Density Weighted FCM)是对传统FCM的一种改进,它可以很好的解决FCM对噪声敏感的问题.但是DWFCM与FCM都没有解决聚类结果很大程度上依赖初始聚类中心的选择好坏的问题.提出一种基于最近邻居节点对密度的FCM改进算法Improved-DWFCM,通过最近邻居节点估计节点密度的方法解决聚类结果对初始簇中心依赖的问题.仿真结果表明这种算法选择出来的初始聚类中心与最终结果的簇中心非常接近,大大提高了算法收敛的速度以及聚类的效果.     

一种解决组合优化问题的量子遗传算法QGA

本文在量子变异的基础上,提出了一种解决组合优化问题的量子遗传算法QGA,它融合了遗传量子算法GQA和经典遗传算法的优点,只用一个个体就可在很短的时间内搜索到最优解,并针对一个典型的组合优化问题——0/1背包问题进行了对比实验,实验结果表明本文所提出的量子遗传算法QGA优于传统遗传算法和遗传量子算法GQA.