分块自适应加权改进大规模概率模糊聚类

为解决传统基于贝叶斯理论的概率模糊聚类(BayesianFuzzyClustering,BFC)算法在处理大规模数据集聚类时的时间开销和存储代价瓶颈,提出基于数据分块的单程自适应加权BFC算法,算法在大规模数据集分块的基础上,设计了基于数据加权的改进BFC算法,用于数据分块内数据聚类,以挑选出对聚类贡献最具代表的标识数据及其自适应权值,在块间迭代聚类过程中,将标识数据及其权值合并到下一数据块中并参与聚类,从而将上一数据块的聚类信息有效地传递到下一数据块中,最后分析算法的收敛性和时间复杂度。实验结果表明,算法在继承传统BFC算法良好聚类性能基础上,减少计算复杂度,有效提高聚类效率,适用于大规模数据集聚类。

子图融合修正WSN节点分布式定位算法

针对大规模WSN节点定位精度不能满足要求的问题,提出了基于误差加权和与融合修正的分布式迭代节点定位算法。算法首先将WSN表示为无向图形式,根据参考节点通信半径将其划分为多个子图,在子图内构建距离误差加权目标函数,通过相位搜索粗定位和遗传蚁群算法精定位迭代计算未知节点的精确位置信息,然后通过子图间融合对节点位置进一步修正,以加速算法收敛和提高定位精度。仿真实验表明,与现有算法相比,文中算法对参考节点的数量与通信半径要求较低,但仍可以取得最优的定位精度,且具有较好的适应性。