数据挖掘中并行离散化数据准备优化

在海量数据挖掘中,针对元数据的离散化数据准备处理能有效提高数据挖掘效率.本文提出了一种并行比较并获得最优离散化的数据准备算法(AOA),针对不同数据集,先进行数据集的特性检测以获得数据集分布特性,按照分布特性进行数据集的异常值检测和剔除,并行完成与分布特性适配的离散化方法处理,通过比较不同离散化方法的熵、方差指数、稳定性参数的最小欧氏距离,根据三个参数自动化比选,获得最优离散化的预处理成果.仿真表明,对不同样本数据库进行关联规则挖掘结果中,比较四种固定的离散化数据预处理方法,在使用AOA数据准备算法并行比选出最优的离散化来数据预处理后,在不同最小支持度阈值情况下,挖掘得到关联规则数都更少,因此效率得到提高.

距离估计修正的定位算法优化研究

在无线传感器网络(WSNs)节点定位中,定位精度是传感器节点定位的关键因素.提出一种距离估计修正定位算法,通过节点之间的跳数加权和平均每跳距离误差修正的组合优化方法实现节点的距离估计预处理,再使用L-M算法进行节点定位计算.设定不同节点规模、锚节点比例、节点通信半径情况下的仿真分析,与IDV-Hop和TWDV-Hop算法相比较,优化算法在定位精度性能方面有较大提升.