基于模糊强化学习和果蝇优化的WSN数据聚合算法

在无线传感器网络中,传感器的能量时有限的,如果传感器的能量耗尽,那么无线传感网络的鲁棒性和寿命就会大大降低.因此,提出了基于模糊强化学习和果蝇优化的数据聚合机制,以最大限度地延长网络寿命,并进行高效数据聚合.首先,网格聚类用于簇的形成和簇头的选择,接着评估各个网格簇所有可能的数据聚合节点,然后采用模糊强化学习选取最佳数据聚合节点,最后利用果蝇优化算法动态定位整个无线传感网络的数据汇聚节点.仿真结果表明,提出的数据聚合方案在能耗和网络鲁棒性方面优于对比方案.     

基于大数据挖掘处理的多维数据去重聚类算法分析模型仿真

本文设计了基于大数据挖掘处理的多维数据去重聚类算法分析模型.通过详细介绍多维聚类算法,基于大数据内部关联性分析,实现了去重聚类算法分析模型构建.最后通过算法优化与仿真研究,得出结论,多维数据去重聚类算法采样时复杂度偏低,数据分析结果准确率较高,可有效分析处理数据,避免冗余繁杂,保障数据分析效率与水平,评估判定结果较好,值得大力推广应用.     

机载LiDAR输电线路杆塔快速定位方法研究

杆塔位置是机载激光雷达电力巡检应用中进行输电线路点云分段、杆塔提取、变化检测的基础。为了提高其自动定位的精度和效率,提出了一种适用于复杂地形的高压输电线路杆塔自动定位方法。首先在分析了输电线路点云相对高度、垂直和水平分布特征基础上,采用格网预处理剔除低位点格网、聚类分析确定候选类簇,然后利用格网垂直连续分布系数、高程分布系数和凸包系数等识别杆塔点所在格网,并以邻近格网中心作为杆塔水平位置。实验结果表明：相比前人的方法,算法的杆塔定位精度提高了11.7%,查准率和召回率分别提高了50%和20%,尤其是在地形起伏大且不连续的情况下具有较好的普适性。     

FHN神经元小世界网络随机共振下的弱信号增强�

考虑到生物神经系统显著的弱信号感知能力,提出一种基于概率随机重连的神经元动态连接小世界网络.首先为提高计算神经模型工作效率,本文改变了FHN神经元恢复变量和膜电位特征时间默认相等的思路,可灵活调整膜电位势函数的势垒高度以提高状态的跃迁概率;其次将改进后的FHN神经元作为网络节点,引入基于距离连接权重的动态突触的神经元节点互连模式,通过调整外部干扰和网络内部的噪声强度,使系统进入随机共振状态;最后根据FHN神经元输入输出信号之间的互相关系数,对网络各节点输出进行筛选和融合,从而实现弱信号增强还原.对多种形式的输入弱信号进行了实验,结果表明,本方案可以有效实现弱信号的还原和增强,不仅能保持周期信号频谱的一致性,还能使原始弱信号和系统输出信号的互相关系数保持在0.92以上.因此,基于FHN神经元的小世界网络,能够充分利用随机共振特性,为弱信号的增强复原也提供了一种新的思路.     

一种面向实验室安全监测WSN的自适应分段聚类多跳路由协议研究

本文研究了一种面向实验室安全监测WSN的自适应分段聚类多跳路由协议,该协议由两个层次组成:异常数据预处理和WSN网络参数优化.异常数据预处理包括瞬时性异常数据分析、故障性数据预处理和数据有效性判断.然后本研究通过优化自适应参数(如跳跃次数、跳跃距离等),寻求发现一种降低系统能耗的最优方案,并且可以平衡系统其他指标来降低能量消耗从而延长网络系统的生命周期.根据实验室安全监测的结构特点,研究体系基于多个实验室房间的空间结构,设立多个隔离子单元的结构(如防火区、隔离门等).相应的,基于子单元结构设计而本研究引入等间隔多跳的传输方案.该设计便于有效地将灾害隐患隔离在防护区内,提高实验室整体安全系数.     

基于多视角聚类的WiFi指纹定位方法研究

为了解决在基于聚类方法的WiFi指纹定位中视角单一所导致的定位精度较低的问题,提出了基于多视角聚类的WiFi指纹定位方法.利用阈值-均值滤波方法对原始数据进行处理;结合K-means聚类算法对多视角信号(信号强度和位置)进行区划,并建立离线指纹库;使用基础分类器对实测信号分类,待测信号依据分类结果在其所属区域内估计K个邻近信号点,用近邻以及相应的权重值综合确定该信号的实际位置.通过对比实验分析可知,在考虑多视角的情况下,WiFi指纹定位精度在4 m以内的概率为83％,相比于单视角聚类的定位精度提高了12％.结果表明,该方法提高了定位精度,也为定位领域的研究提供了多元化思路.     

基于FCM聚类和卷积神经网络的跌倒识别算法

为了提高传统跌倒检测系统的识别准确度和运算速度,减小误报率和漏报率,本文提出了一种基于模糊C均值（Fuzzy C-means, FCM）聚类算法和卷积神经网络算法的实时跌倒检测算法。该算法以深度视觉传感器为数据获取源,提取聚类中心点速度、高度、加速度以及夹角为跌倒识别特征向量,采用阈值分析和机器算法相结合的方式实现人体跌倒识别。实验表明,该算法的识别精度达到99%,运算速度为0.178 s,相对于传统算法具有更高的识别精度和运算速度。     

基于改进DBSCAN算法估计欠定混合矩阵的应用研究

针对欠定盲源分离（Underdetermined blind source separation, UBSS）问题,采用基于密度的空间聚类（Density based spatial clustering of applications with noise, DBSCAN）算法估计聚类中心时易陷入局部最优,因此由聚类中心坐标构成的混合矩阵的精度降低,导致信号分离结果不理想。本文在DBSCAN基础上提出布谷鸟自适应搜索群优化算法（Cuckoo adaptive search swarm optimization of density based spatial clustering of applications with noise, CASSO-DBSCAN）,该算法依据Levy飞行策略增强全局自适应搜索能力,并利用群体学习思想精细寻优得到最优解,从而更加精准地估计聚类中心。通过语音信号的盲源分离仿真实验对该算法进行验证,结果表明,该算法能够有效改善欠定混合矩阵的估计精度,具有良好的鲁棒性,证明了其可行性。     

基于布隆过滤器属性基的多关键词可搜索方案

在云计算环境下,基于属性加密的多关键词可搜索加密能够同时实现对加密数据的访问控制和加密数据可搜索。为提高密文检索效率、降低关键词索引代价,本文提出一种基于布隆过滤器属性基的多关键词搜索方案。首先,对于文件关键词集合,利用布隆过滤器生成对应于关键词集合的固定长度索引向量,从而降低关键词索引的存储复杂度。然后,为防止敌手对索引的统计分析,利用置换将索引向量中元素随机化,同时利用属性加密技术将此置换进行共享,只有合法用户才能获取此置换并构建查询关键词的陷门。最后,通过安全性分析和实验分析,表明本文方案的安全性、高效性和实用性。     

基于改进随机森林的电力通信网脆弱性诊断分析

通信网脆弱性的识别对电力系统的稳定运行至关重要.利用大数据和机器学习算法识别电力通信网中节点的脆弱性,可为降低网络风险提供动态的技术支持和智能的辅助决策.对随机森林算法的简单投票机制进行改进,引入表征决策树对最佳决策树辅助决策效果的加成因子,提出了一种电力通信网节点脆弱性诊断方法,并结合某市的电力通信网数据进行实验.结果表明,在诊断贴近度、ROC曲线积分等指标下,改进算法比传统随机森林、支持向量机、逻辑回归等算法具有更优越的诊断性能,有助于推动电力通信网规划的辅助决策.