發(fā)布時(shí)間：2019-09-18 01:16

【摘要】：隨著無(wú)線(xiàn)通訊技術(shù)、微電子技術(shù)及嵌入式計(jì)算技術(shù)的快速發(fā)展,無(wú)線(xiàn)傳感器網(wǎng)絡(luò)在軍事國(guó)防,環(huán)境監(jiān)測(cè)、交通運(yùn)輸?shù)缺姸囝I(lǐng)域中得到廣泛開(kāi)的應(yīng)用。如何高效的處理無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中海量數(shù)據(jù),以及如何從中獲取有用的知識(shí),成為新的挑戰(zhàn),數(shù)據(jù)挖掘中的聚類(lèi)分析是解決這個(gè)問(wèn)題的方法之一。然而,由于傳感器節(jié)點(diǎn)的資源有限以及傳感器節(jié)點(diǎn)數(shù)據(jù)具有時(shí)間和空間相關(guān)性等特點(diǎn),傳統(tǒng)的數(shù)據(jù)聚類(lèi)方法很難直接應(yīng)用到無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中。 本文針對(duì)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)據(jù)的特點(diǎn),提出了一些新的方法和思路,并將該理論方法應(yīng)用于無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中。主要內(nèi)容包括以下幾個(gè)方面： 1.針對(duì)傳感器節(jié)點(diǎn)資源有限及節(jié)點(diǎn)數(shù)據(jù)具有位置信息和感知數(shù)據(jù)的特點(diǎn),提出了基于網(wǎng)格的分布式雙重聚類(lèi)算法。該算法由兩級(jí)聚類(lèi)構(gòu)成：局部聚類(lèi)和全局聚類(lèi)。根據(jù)傳感器節(jié)點(diǎn)的位置和感知數(shù)據(jù)將數(shù)據(jù)空間劃分成超矩形網(wǎng)格單元；對(duì)相鄰的網(wǎng)格單元合并構(gòu)成連通區(qū)域,即局部的簇；從局部的簇中抽象出數(shù)據(jù)特征,將這些數(shù)據(jù)特征傳送到匯聚節(jié)點(diǎn)上,進(jìn)行全局的聚類(lèi)。該算法通過(guò)減少傳感器節(jié)點(diǎn)單跳通信距離和傳送的數(shù)據(jù)量來(lái)降低網(wǎng)絡(luò)的能量消耗。實(shí)驗(yàn)結(jié)果表明該算法對(duì)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)據(jù)具有較好的聚類(lèi)效果,對(duì)數(shù)據(jù)集的大小具有良好的可伸縮性,能處理大規(guī)模的數(shù)據(jù)集和發(fā)現(xiàn)任意形狀的簇。 2.針對(duì)無(wú)線(xiàn)傳感器節(jié)點(diǎn)數(shù)據(jù)具有位置信息和感知數(shù)據(jù)的特點(diǎn),提出了基于模糊C均值的雙重聚類(lèi)算法。該算法在傳統(tǒng)模糊C均值聚類(lèi)算法的基礎(chǔ)上插入傳感器節(jié)點(diǎn)的位置信息,并對(duì)隸屬度函數(shù)進(jìn)行修正,提高了算法的性能；由于無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的動(dòng)態(tài)性,事先很難確定類(lèi)的數(shù)目,采用減法聚類(lèi)確定類(lèi)的數(shù)目和初始類(lèi)中心,從而加快了算法的收斂速度以及避免了陷入局部最優(yōu)。針對(duì)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中節(jié)點(diǎn)資源有限性,采用分布式聚類(lèi),減小了傳感器節(jié)點(diǎn)的單跳通信距離和數(shù)據(jù)的傳送量,降低了網(wǎng)絡(luò)中能量消耗。實(shí)驗(yàn)結(jié)果表明：相對(duì)于傳統(tǒng)的聚類(lèi)算法,該算法具有較好的聚類(lèi)效果并減少了網(wǎng)絡(luò)中能量的消耗。 3.針對(duì)傳感器網(wǎng)絡(luò)中相鄰節(jié)點(diǎn)數(shù)據(jù)之間存在較強(qiáng)的相關(guān)性,提出了基于空間約束的模糊C均值聚類(lèi)算法。該算法借鑒圖像分割的思想,在傳統(tǒng)的模糊C均值算法的基礎(chǔ)上增加了一個(gè)模糊因子,該模糊因子插入了相鄰傳感器節(jié)點(diǎn)的位置信息和感知數(shù)據(jù),使聚類(lèi)結(jié)果滿(mǎn)足簇內(nèi)傳感器節(jié)點(diǎn)在位置上是相近的,感知數(shù)據(jù)是相似的。該算法克服了模糊C均值聚類(lèi)算法的不足,提高了算法的性能。實(shí)驗(yàn)結(jié)果表明該算法對(duì)傳感器網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)據(jù)具有較好的聚類(lèi)效果。 4.針對(duì)基于空間約束的模糊C均值聚類(lèi)算法對(duì)類(lèi)邊界處重疊對(duì)象分辨率不高,提出基于空間約束的粗糙模糊C均值聚類(lèi)算法。該算法通過(guò)粗糙集上、下近似的引入改變了基于空間約束的模糊C均值算法中隸屬度函數(shù)的分布情況,修正了類(lèi)心的更新公式和模糊隸屬度計(jì)算公式。該算法克服了基于空間約束的模糊C均值算法和粗糙C均值算法存在的不足,降低了計(jì)算復(fù)雜度,增強(qiáng)了類(lèi)邊界處重疊對(duì)象的分辨率。實(shí)驗(yàn)結(jié)果表明該算法相對(duì)于基于空間約束的模糊C均值聚類(lèi)算法,性能有很好的改善。 5.高斯混合模型由于其表達(dá)靈活,已成為當(dāng)前最流行的密度估計(jì)與聚類(lèi)工具之一。由于傳感器網(wǎng)絡(luò)的動(dòng)態(tài)性,事先很難確定高斯混合模型的成分個(gè)數(shù)；另外,在基于高斯混合模型的數(shù)據(jù)聚類(lèi)過(guò)程中沒(méi)有考慮傳感器節(jié)點(diǎn)的位置信息。針對(duì)上述兩個(gè)問(wèn)題提出了基于空間信息的高斯混合模型,該模型將傳感器節(jié)點(diǎn)的位置信息作為模型成分個(gè)數(shù)的先驗(yàn)知識(shí)。在運(yùn)用期望最大化(EM)算法對(duì)該模型進(jìn)行參數(shù)估計(jì)過(guò)程中,利用先驗(yàn)知識(shí)自動(dòng)確定混合模型的成分個(gè)數(shù)。實(shí)驗(yàn)結(jié)果說(shuō)明：相對(duì)于普通高斯混合模型,基于該混合模的EM算法能夠精確的確定成分個(gè)數(shù),對(duì)傳感器網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)據(jù)具有良好的聚類(lèi)效果。
【圖文】：

效果不一定理想。圖1.1總結(jié)了無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中聚類(lèi)方法的類(lèi)型。本文所提出的聚類(lèi)算法屬于雙重聚類(lèi)方法和有約束的聚類(lèi)方法，這些方法在解決無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中分布式處理和節(jié)點(diǎn)資源有限的基礎(chǔ)上重點(diǎn)分析了無(wú)線(xiàn)傳感網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)據(jù)具有空間數(shù)據(jù)的特點(diǎn)，，例如傳感器節(jié)點(diǎn)的數(shù)據(jù)具有雙重屬性(位置屬性和非位置屬性)和空間相關(guān)性的特征。無(wú)線(xiàn)傳感器網(wǎng)絡(luò)聚類(lèi)‘ ~~I基于節(jié)點(diǎn)聚類(lèi) 基于節(jié)點(diǎn)數(shù)據(jù)聚類(lèi)I I 基于感知數(shù)據(jù)的聚類(lèi) 雙重聚類(lèi)、有約束聚類(lèi)I I I 丨 i ‘聚類(lèi)對(duì)象：| 傳感器節(jié)點(diǎn) 丨‘ 感知數(shù)據(jù) 丨 ‘感知數(shù)據(jù)和節(jié)點(diǎn)位置丨i 1 1 ！ I ‘L I L I U ！聚類(lèi)結(jié)果_點(diǎn)：丨__結(jié)霞■化丨’：獲得gJllf

本文編號(hào)：2537202