无线传感器网络中一种基于聚合层次聚类的分簇路由算法

针对无线传感器网络中节点连接以及能量受限不足的问题,为了延长网络寿命,提出了一种基于AHC的分簇路由算法(HACCRA)。该算法首先运用AHC对网络节点分簇,接着为簇首选择、簇形成和路径构建分别定义了恰当的决策目标函数,运用能量阈值、提出距离阈值、并且路由过程优先考虑簇首节点之间的一对一连接,有效解决了路由算法中分簇和路由不衔接的问题。仿真结果表明,与JCR、ICR以及DCK-LEACH相比,HACCRA能够更好地实现网络节点的能耗均衡,保证网络数据传输的连接性,从而延长网络寿命。

利用等边长正交格网进行层次聚合聚类

层次聚合聚类的典型算法可以体现研究数据的多尺度特征,但是典型算法的时空复杂度太高。通过将数据所在空间划分成等边长正交格网,结合3点间距离的传递性排除冗余计算,并将其推广到N维空间。设计了一种与典型算法遵循相同的单链规则,可即时计算类间距离且无需计算距离矩阵的算法,在获得与典型算法相同的多尺度聚类序列的同时,所需内存远小于典型算法。实验结果表明,该算法无需人工干预且不使用距离矩阵,能大幅降低层次聚合聚类的运行时间,但是效率优势随空间维数增长逐渐降低。

基于Cloude-Pottier目标分解和聚合的层次聚类算法的全极化SAR数据的非监督分类算法研究

本文提出了一种新的基于Cloude-Pottier分解和聚合的层次聚类的全极化SAR(Synthetic Aperture Radar)数据的非监督分类算法.作者使用极化总功率SPAN来改进常规的初始化方法,并采用聚合的层次聚类算法对初始化结果进行类的合并,提高非监督分类器的性能.实验表明,该算法能获得有效的分类中心,分类结果明显优于常规的WishartH/α/A分类算法.

Renyi信息熵指导下的聚合层次化聚类

聚合层次化聚类是聚类分析中发现数据集潜在结构的一类重要方法.在这类方法中,影响聚类质量的一个关键问题是如何度量子类之间的距离.作为子类间的相似性度量,不但可以通过非参数估计的方式进行计算,还可有效地利用子类数据集中所有样本提供的信息,对子类中数据分布的描述更加充分.实验结果显示,在两种具有代表性的人造数据集上,基于Renyi熵的类间距离度量比3种传统度量方法有更好的层次化聚类效果.并且,在图像过分割的情况下,通过Renyi熵距离对子分割区域进行合并可以找到合理的分割目标.

基于层次化聚类的稀疏谓词语义角色标注方法

中文语义角色标注中,稀疏谓词的标注性能要远远低于其它谓词,而在实际应用中,标注系统经常需要处理大量的稀疏谓词,因此,稀疏谓词问题大大限制了语义角色标注系统的应用效果。为解决上述问题,提出一种基于聚合层次化聚类的方法。通过聚合层次化聚类建立起稀疏谓词与常见谓词的联系,稀疏谓词可以泛化为与之语义相近的常用谓词,缓和语义角色标注系统中的稀疏谓词问题。在中文命题库上的实验结果表明,该方法可有效处理中文语义角色标注中的稀疏谓词问题。

一种基于日志聚类的多类型故障预测方法

现有故障预测方法的日志事件多数是无规律交错存在的,且不同类型的故障事件所涉及的事件数量与时间范围存在一定差异。为在故障预测时能够提供故障相关信息,提出一种基于频繁日志事件序列对多种不同类型的故障进行预测的方法。以日志事件序列之间的最长公共子序列作为其相似性度量,使用聚合层次聚类算法挖掘与故障事件相关的频繁事件序列。在频繁事件序列的基础上生成故障事件预测规则,并给出一种对故障事件预测规则进行过滤的方法,将过滤后的规则应用到测试集上进行故障预测。实验结果表明,该方法不仅能够进行有效的故障预测,而且可以平衡故障预测的准确率和召回率。

具有群组固定效应的函数型面板分位数回归模型

面板数据分析和函数型数据分析是统计学和计量经济学等领域中非常热门的研究问题.随着实际应用的复杂化,数据的类型变得越来越多样化.通常数据的同质性和异质性会同时存在,为了进行正确和有效的统计推断,对二者进行识别是非常有必要的,因此本文提出一类具有未知群组固定效应的函数型面板分位数回归模型.由于面板数据是时间序列数据与截面数据的综合,函数型数据具有无穷维特征,所以函数型面板数据分位数回归的计算会面临极大的挑战.为了处理此类大样本和高维度数据带来的计算复杂度,本文采用最新提出的卷积方法对目标函数进行光滑化处理,并且结合贝叶斯信息准则和聚合层次聚类算法来识别潜在群组结构.基于识别出的群组结构信息,本文创新性地提出了二元时变系数函数的有效估计,同时,本文证明了群组识别方法的相合性以及相应估计量的渐近正态性.最后,本文通过数值模拟结果与对江西省87个县的居民用电数据和基尼系数的分析,说明模型的合理性以及推断方法的有效性.