针对无线传感网络在实际应用中网络能耗不均匀、传感器节点容易失效以及网络生命周期短的问题,提出一种基于聚类树的负载平衡算法(load balancing algorithm based on cluster tree, LBACT)。基于聚类树将网络中的节点划分为多层结构,...针对无线传感网络在实际应用中网络能耗不均匀、传感器节点容易失效以及网络生命周期短的问题,提出一种基于聚类树的负载平衡算法(load balancing algorithm based on cluster tree, LBACT)。基于聚类树将网络中的节点划分为多层结构,通过立即转发机制降低聚类树的高度;使用平衡算法对构造的聚类树进行多轮次负载平衡,在汇聚节点的控制下,通过每个节点多次运行负载平衡算法,使网络中的节点负载平衡。仿真结果表明,相比LEACH(low-energy adaptive clustering hierarchy)和CBSHA(component based self-healing approach),提出的算法能够有效均衡节点能耗,延长网络的稳定期、生命周期,提高网络的吞吐量。展开更多
为解决一些决策树受到数据噪声等因素的影响,导致它们对随机森林聚类产生有限甚至负面贡献这一问题,提出一种基于聚类集成选择的随机森林聚类方法(random forest clustering method based on cluster ensemble selection,RFCCES)。将每...为解决一些决策树受到数据噪声等因素的影响,导致它们对随机森林聚类产生有限甚至负面贡献这一问题,提出一种基于聚类集成选择的随机森林聚类方法(random forest clustering method based on cluster ensemble selection,RFCCES)。将每一棵决策树视为一个基聚类器,根据基聚类器集合的稳定和不稳定性设计两种不同的聚类集成选择方法,将评估单个决策树对随机森林的增益问题,转化为基聚类器对最终的聚类集成结果的增益问题。该算法与5种对比方法在10个数据集上进行比较,实验结果验证了RFCCES的独特优势和整体有效性。展开更多
为了在复杂多变的电子战场景下对密集重叠的雷达脉冲信号进行快速准确的分选,稀释脉冲流,解决现有基于密度的空间聚类算法(Density-based Spatial Clustering of Applications with Noise,DBSCAN)在分选时易受干扰点影响、聚类参数需要...为了在复杂多变的电子战场景下对密集重叠的雷达脉冲信号进行快速准确的分选,稀释脉冲流,解决现有基于密度的空间聚类算法(Density-based Spatial Clustering of Applications with Noise,DBSCAN)在分选时易受干扰点影响、聚类参数需要人为设置、算法复杂度高的问题,提出了一种面向雷达信号预分选的粒子群快速密度聚类算法(Particle Swarm Fast Density Clustering Algorithm,PSK-DBSCAN)。该算法首先引入数据场理论剔除雷达脉冲信号里的干扰点,提升了分选准确度;其次,引入粒子群算法并设计了基于轮廓系数的适应度函数,自适应地获得最优聚类参数;最后,使用K-D(K-Dimensional)树降低DBSCAN的算法复杂度,减少分选时间。经实验验证,算法可以对复杂交错的雷达脉冲信号实现快速聚类分选,正确率达到98.9%,性能稳定。展开更多
文摘针对无线传感网络在实际应用中网络能耗不均匀、传感器节点容易失效以及网络生命周期短的问题,提出一种基于聚类树的负载平衡算法(load balancing algorithm based on cluster tree, LBACT)。基于聚类树将网络中的节点划分为多层结构,通过立即转发机制降低聚类树的高度;使用平衡算法对构造的聚类树进行多轮次负载平衡,在汇聚节点的控制下,通过每个节点多次运行负载平衡算法,使网络中的节点负载平衡。仿真结果表明,相比LEACH(low-energy adaptive clustering hierarchy)和CBSHA(component based self-healing approach),提出的算法能够有效均衡节点能耗,延长网络的稳定期、生命周期,提高网络的吞吐量。
文摘为解决一些决策树受到数据噪声等因素的影响,导致它们对随机森林聚类产生有限甚至负面贡献这一问题,提出一种基于聚类集成选择的随机森林聚类方法(random forest clustering method based on cluster ensemble selection,RFCCES)。将每一棵决策树视为一个基聚类器,根据基聚类器集合的稳定和不稳定性设计两种不同的聚类集成选择方法,将评估单个决策树对随机森林的增益问题,转化为基聚类器对最终的聚类集成结果的增益问题。该算法与5种对比方法在10个数据集上进行比较,实验结果验证了RFCCES的独特优势和整体有效性。
文摘为了在复杂多变的电子战场景下对密集重叠的雷达脉冲信号进行快速准确的分选,稀释脉冲流,解决现有基于密度的空间聚类算法(Density-based Spatial Clustering of Applications with Noise,DBSCAN)在分选时易受干扰点影响、聚类参数需要人为设置、算法复杂度高的问题,提出了一种面向雷达信号预分选的粒子群快速密度聚类算法(Particle Swarm Fast Density Clustering Algorithm,PSK-DBSCAN)。该算法首先引入数据场理论剔除雷达脉冲信号里的干扰点,提升了分选准确度;其次,引入粒子群算法并设计了基于轮廓系数的适应度函数,自适应地获得最优聚类参数;最后,使用K-D(K-Dimensional)树降低DBSCAN的算法复杂度,减少分选时间。经实验验证,算法可以对复杂交错的雷达脉冲信号实现快速聚类分选,正确率达到98.9%,性能稳定。
