基于背景网格簇的动网格生成方法

提出了基于背景网格簇实现网格变形的新方法。背景网格簇由任一内边界节点和远场边界角点生成的背景网格构成,并随边界运动而变化。通过保持计算网格节点在每一个背景网格中所在单元的面积坐标不变(三维时保持体积坐标不变)而求出一组期望位置,加权平均该组期望位置,确定出该计算网格节点的新位置。其中权值与内边界节点和计算网格节点距离的倒数相关。新方法引入的背景网格簇可以有效地改进单个背景网格的不足之处。算例结果表明:基于背景网格簇的动网格生成方法实现简单,与弹簧近似法相比,新方法因不需要迭代求解方程组而非常高效,且拥有更强的网格变形能力;与Delaunay图映射法相比,该方法背景网格的单元个数极少,因此易于定位,且不会出现背景网格单元交叉的现象,网格变形能力更强,变形后的网格质量更好。

基于双簇头网格调度的WSNs能量空洞缓解

设计了基于双簇头网格调度反馈结构的无线传感器网络(WSNs)非均布节点能量空洞缓解机制,并设计了主副簇头网格聚类算法,形成网格单元;依据节点身份(ID)与网格ID,定义鉴定规则,确定网格中的WSNs节点;构造了网格单元中心点的计算数学模型,依据该中心点坐标确定每个网格单元的簇头,调度网格内的节点;构建了主—副—相邻簇头的数据调度传输结构,有效分散了节点所承担的负载,并对本机制性能进行理论分析。仿真结果表明:与其他机制相比,在非均布节点环境下,该算法更能有效避免网络能量空洞,其节点持续时间最长,显著消除了"漏斗效应"。

基于网格分簇的无线传感器网络节能算法

无线传感器网络中,能量消耗问题一直最受人们关注。为了节省网络能量,针对现有算法存在的冗余节点过多以及能量利用率较低等问题,在以往算法的基础上,提出了一种基于网格分簇的节能算法,即基于网格分簇的无线传感器网络节能算法EABGC(Energy-saving Algorithm Based on Grid Clustering)。该算法采用虚拟网格和贪婪算法等来节约网络能量。通过仿真实验,该算法与LEACH协议相比,能减少网络的能量消耗,从而达到节能的目的。EABGC算法,能有效地降低网络消耗,实现节能效果。

基于簇网格的多源化大数据5G规建维优一体化部署策略

以打造技术先进、覆盖广、网速快、感知好、效能高的5G移动精品网为目标,借力大数据技术,以簇网格为基础,构建网络智能运营体系,制定5G规建维优一体化部署策略。以5G业务特点和共建共享要求为基础,以多视角(用户视角、市场视角、业务视角)多维度数据分析(5G用户,终端和业务)为核心,依托多源化大数据方法论2.0体系,建立"栅格-基站-网格"闭环评估管理流程,搭建规建维优一体化联动桥梁。

复杂外形下网格自动生成及流场计算新框架

针对计算流体力学工程应用中复杂外形下贴体网格难以全自动生成的问题,介绍了一种全新的自动化网格生成及计算新框架。新框架包括网格线允许交错的贴体网格生成、计算模板自由选点的差分计算和差分计算中坐标变换几何诱导误差消除等3个算法模块,实现从物面水密网格导入到流场计算结果输出的全流程自动化处理。网格生成算法从物面点矢量出发,根据给定的贴体网格层高、增长倍率、层数等参数一次性生成贴体网格,删除重叠部分网格,并重构出自由节点有限差分法计算需要的计算模板;自由节点有限差分法利用重构的计算模板,完成流场参数的差分求解;坐标变换几何诱导误差消除算法用于消除差分计算中从物理平面变换到计算平面时引入的几何诱导误差,实现保自由流,提高计算精度。验证结果表明,新框架在复杂外形下能够自动生成网格,显著提高了网格生成效率,同时计算精度与常规方法计算精度相当,具备工程实用价值。

基于方形邻域的网格密度聚类算法

针对大数据聚类低效的问题,提出一种方形邻域快速网格密度聚类算法(square-neighborhood and gridbased DBSCAN,SGBSCAN)。首先给出方形邻域密度聚类定义,利用方形邻域代替圆形邻域,降低时间复杂度;其次提出方形邻域密度聚类的grid概念,快速确定高密度区域内核心点与数据点之间的密度关系;最后提出grid密度簇,利用网格之间的关系加快密度簇的形成。算法应用于16个数据集,分别与已有文献算法进行对比,结果表明所提算法在聚类效率方面有显著提升,数据量越大算法效率提升越明显,且该算法适用于多维数据的聚类。

基于网格和密度的k-means聚类算法

k-means聚类算法中,初始聚类中心的选取与数据中的离群点都对算法的结果有着非常大的影响。针对这一问题,提出一种基于网格和密度的k-means聚类算法GD-k-means,该算法首先将数据集映射到网格上形成网格簇进行初步聚类,利用密度阈值将网格分为低密度网格簇和高密度网格簇,在高密度网格簇中选取初始聚类中心,并利用传统的k-means算法进行迭代,通过评价条件判定是否需要进行网格簇的合并。聚类完成之后按照距离最近的原则对低密度网格簇中的数据进行相应的分配。实验结果表明:GD-k-means算法聚类结果更稳定,并且能够抵抗噪音数据的干扰。

网格优化与模糊逻辑结合的WSNs路由算法

为改善无线传感器网络中簇群成员分布及簇头选取质量,提出网格优化与模糊逻辑相结合的无线传感器网络路由算法。通过对网络区域划分为K个面积大小相同的网格,确定网格重心为初始中心点;根据节点距离划分出K个网络初始簇群,簇群重心随着加入的节点变化,簇群随之改变,直至簇群成员不再有新成员加入形成最终簇群。簇头节点选取利用模糊推理模型,以节点剩余能量率、节点距离率、节点中心率为输入,选出质量更优簇头。实验结果表明,簇群分布及成员数分布均得到明显改善,网络生命周期延长效果明显。

面向位置大数据的快速密度聚类算法

面向位置大数据聚类,提出了一种简单但高效的快速密度聚类算法CBSCAN,以快速发现位置大数据中任意形状的聚类簇模式和噪声.首先,定义了Cell网格概念,并提出了基于Cell的距离分析理论,利用该距离分析,无需距离计算,可快速确定高密度区域的核心点和密度相连关系;其次,给出了网格簇定义,将基于位置点的密度簇映射成基于网格的密度簇,利用排他网格与相邻网格的密度关系,可快速确定网格簇的包含网格;第三,利用基于Cell的距离分析理论和网格簇概念,实现了一个快速密度聚类算法,将DBSCAN基于数据点的密度扩展聚类转换成基于Cell的密度扩展聚类,极大地减少高密度区域的距离计算,利用位置数据的内在特性提高了聚类效率;最后,在基准测试数据上验证了所提算法的聚类效果,在位置大数据上的实验结果统计显示,与DBSCAN、PR-Tree索引和Grid索引优化的DBSCAN相比,CBSCAN分别平均提升了525倍、30倍和11倍效率.