Ad hoc网络接入技术的研究

Ad hoc网络通常是以一个独立的通信网络形式存在的,但为了满足Ad hoc网络实际应用中移动终端访问有线网络资源的需要,就必须实现Ad hoc网络与其它网络的互连。通过对当前Ad hoc网络互连的几种形式及其技术的研究,针对Ad hoc网络的特点详细对基于移动IP原理的接入技术进行了研究。该技术能够实现Ad hoc网络中移动主机的无缝切换,具有安全、稳定的特点,是一种较好的Ad hoc网络接入技术。     

Ad hoc网络接入技术的研究

Ad hoc网络通常是以一个独立的通信网络形式存在的,但为了满足Ad hoc网络实际应用中移动终端访问有线网络资源的需要,就必须实现Ad hoc网络与其它网络的互连.通过对当前Ad hoc网络互连的几种形式及其技术的研究,针对Ad hoc网络的特点详细对基于移动IP原理的接入技术进行了研究.该技术能够实现Ad hoc网络中移动主机的无缝切换,具有安全、稳定的特点,是一种较好的Ad hoc网络接入技术.     

Ad hoc传感网络的体系结构及其相关问题

Ad hoc传感网络是一种特殊形式的传感网络。首先 ,简单介绍了 Ad hoc传感网络的概念、特点、目标和种类 ;然后 ,讨论了 Ad hoc传感网络的体系结构 ,接着对 Ad hoc传感网络的相关问题进行了详细的阐述和分析 ;最后 ,介绍了一些当前的研究现状     

基于Ad hoc网络监控系统研究

针对Ad hoc网络安全问题研究Ad hoc网络,设计一个Ad hoc网络监控系统,同时提出一种对入网节点进行信任值评估的方法,能有效地防止恶意节点出现,确保Ad hoc网络安全.     

基于按需距离向量与最佳链路状态的Ad hoc网络路由协议

Ad hoc网络是一种无线特定网络,没有固定的路由器,对Ad hoc网络的关注不断的升温并促使其逐步走向实际应用.笔者阐述了Ad hoc网络路由研究现状、路由协议要求及应用,阐述了已被IESG通过并成为RFC标准的基于按需距离向量与最佳链路状态的Ad hoc网络路由协议的技术关键、特点及其应用.     

Ad hoc网络及其路由性能研究

Ad hoc是一组无线移动主机组成的一个无需基础设施或集中管理设备的临时网络.网络拓扑易变、带宽、能源有限是其主要特点.主要介绍Ad hoc网络及其组网关键技术--路由协议,并对现在的具有代表性的协议性能进行了比较分析,有助于从事Ad hoc网络的工作者综合各种路由的优点解决Ad hoc网络中存在的问题.     

一种基于最小费用最大流理论的Ad hoc路由协议

针对Ad hoc网络QoS路由问题,提出了一种基于最小费用最大流理论的Ad hoc路由协议(MCMFP)。将Ad hoc的移动终端作为网络节点,通信链路作为相邻节点之间的边,建立了Ad hoc网络的网络流模型,使Ad hoc网络的路由计算问题转化为图论中的最小费用最大流问题,从而计算出满足多QoS约束的路由路径,优化了网络带宽的使用,提高了通信信道的利用率,实现了网络流量的负载均衡。仿真结果表明,MCMFP协议具有更高的包转发率和更小的平均时延,有效提高了Adhoc网络的QoS性能。     

Ad hoc网络路由抑制方案

Ad hoc网络中,链路因节点的移动而频繁失效重建,形成路由的抖动,恶化了服务质量.由于Ad hoc网络的自身特点,传统的有线网络路由抑制方案已不适用.在其基础上,改变路由惩罚算法,提出适用于Ad hoc网络的路由抑制方案.     

Ad hoc网络抗毁性能分析

本文分析了Ad hoc网络的网络结构,并且定义了网络的网络抗毁性的概念;分析得出了提高网络抗毁性的方法,并通过算例分析了Ad hoc网络的抗毁性。     

移动Adhoc网络的体系结构和分簇算法

Ad hoc网络是一种多跳移动自组织网络,它需要特殊的体系结构来支持路由、管理和其他网络功能.首先介绍了Ad hoc网络的一些显著特点,然后详细分析了Ad hoc网络的体系结构.接着介绍了一种性能较好的分簇算法并讨论了簇维护机制和码字分配等问题.     

基于Chameleon算法和谱平分法的聚类新方法

在分析传统的聚类算法优越性和存在不足的基础上,基于Chameleon算法和谱平分法的思想提出了一种新的聚类方法。相比传统聚类算法而言此算法克服了如k—means算法、EM算法等传统聚类算法在聚类不为凸的样本空间时容易陷入局部最优的缺点,能在任意形状的样本空间上聚类,且收敛于全局最优解,并且可以降低噪声和离群点的影响,提高了算法的有效性。在UCI数据集和5个特殊的二维数据点组成的数据集上进行了实验,证明了本方法的有效性。     

基于密度流形上的空间聚类

对于具备空间特性的数据来说,基于密度的聚类方法是一种基本且行之有效的聚类技术.尽管现有很多基于密度的空间聚类算法和技术,但是这些算法多数都假设数据分布于平滑空间.弯曲空间与平滑空间只局部存在相似性.本文的目的在于探讨一种新的基于密度的流形空间聚类,即基于弯曲空间的算法.此算法主要来源于切空间,并适用于非均匀、非线性的数据分布,同时给出了性能分析和实验测试.     

基于拓扑聚类的密度聚类算法研究

聚类分析是重要的数据挖掘方法,在商务智能、地理信息系统、医学等方面有广泛的应用.随着聚类分析的蓬勃发展,涌现出了许多聚类算法,其中最重要的算法之一是基于密度的空间聚类以及其多种变种——基于密度连通链、基于加权密度、基于引力连通集合的算法.这些算法在概念上相似但没有统一的描述.本文针对基于密度的空间聚类及其变种提出了拓扑的概念.给出了聚类拓扑结构的定义,把簇定义为拓扑连通集合.此外,本文运用全新的拓扑思想改进典型的算法,提出了一种拓扑聚类的新算法.实例证明此算法有效.     

覆盖聚类算法

首先比较几类主要的聚类算法,给出每类算法的基本概念、原理、每类的代表性算法,及这些算法的主要特征。在此分析基础上,提出一种新的聚类算法———覆盖聚类算法,该算法采用覆盖的概念将比较集中的样本聚合在一起,从而发现隐含在样本集中的类,对于周围稀疏的样本结合最短距离法,获得聚类效果,并用实验数据对分层聚类方法、LBG方法与覆盖聚类算法进行比较,证明了覆盖聚类算法的可行性和有效性。最后给出了算法的研究方向。     

聚类算法在基因表达数据分析中的应用

聚类算法在基因表达数据的分析处理中得到日益广泛的应用．文中对几种典型的聚类算法进行描述，对各算法在基因表达数据处理中的特点，进行评价并提出改进的策略．最后，指出聚类算法在生物信息学应用中的发展趋势。     

移动Ad hoc网络中的分簇算法

分簇算法即根据系统要求将节点组成可管理的集合,继而形成满足系统要求的合理的网络结构,它直接影响Ad hoc网络的各种性能指标。首先阐述了Ad hoc网络的体系结构和存在的问题,然后介绍了与分簇算法相关的一些定义和分簇算法的目标。拉着Ad hoc网络中的分簇算法进行了详尽的分类和比较分析。     

考试成绩的频数分布统计算法评述与实验研究

为了对考试分析中频数分布统计算法的选择提供参考,分析了3类考试分析算法的特点与应用条件,即分组算法(传统、正态特征和斯特杰斯)、改进划分点算法(划分聚类)和频数统计算法(简单、模糊频数统计)的分析,并针对考试分析任务的需要提出对划分聚类、模糊频数统计法的改进算法;通过在实际考试样本和模拟样本上组合运用分组算法和频数统计算法,提出从分组质量、分组有效性、算法执行时间、算法适应性4个维度对算法的9种组合进行实验评估.结果表明斯特杰斯(Sturges)法分组效果较好,划分聚类法分组质量较高,模糊频数统计能在一定程度上改善频数统计的效果.     

模糊中心聚类学习方法的比较与改进

~~127、128、134、139、143、147、150分到第二类,总共错分了15个数,错分率为:10%。无导师离线学习方法的聚类中心位置为: 5.0040 3.4133 1.4840 0.2540 =v 5.9090 2.7701 4.4242 1.4114 6.7711 3.0535 5.6626 2.0661 图3 目标函数值随迭代次数变化的曲线 图4 无导师离线学习方法的分类结果 图3中的目标函数J随迭代次数变化依次为 220.7559、179.4781、91.0564、67.3637、63.2108、61.6950、61.0669、60.8013、60.6915、60.6473、60.6299、60.6231、60.6204、60.6194、6…     

K近邻的自适应谱聚类快速算法

谱聚类算法建立在谱图划分理论基础上,与传统的聚类算法相比,它具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点。然而,谱聚类算法涉及如何选取合适的尺度参数σ构造相似度矩阵的问题。并且,在处理大规模数据集时,聚类的过程需要较大的时间和内存开销。研究从构造相似度矩阵入手,以传统NJW算法为基础,提出一种基于K近邻的自适应谱聚类快速算法FA-SC。该算法能自动确定尺度参数σ;同时,对输入数据集分块处理,并用基于K近邻的稀疏相似度矩阵保存样本信息,减少计算的内存开销,提高了运行速度。通过实验,与传统谱聚类算法比较,FA-SC算法在人工数据集和UCI数据集上能够取得更好的聚类效果。     

结合遗传算法的聚类神经网络

许多聚类算法有两个缺点：１）采用某种距离作为相似性测度。类别接受域为球形，不能与复杂模式分布匹配；２）对确定合理类别数不能提供任何帮助。采用最大似然准则的聚类算法其类别接受域为球形或椭球形，可以与模式的分布匹配更好。在计算似然值时使用先验概率，能为确定合理的类别数提供依据。本文的贡献是把遗传算法结合到基于最大似然准则的神经网络聚类算法中，解决聚类中心的初值选择问题并获得最优聚类。