基于FW-PSO的大区域无线传感网络流量异常检测算法

针对大区域无线传感网络流量特征维度较高,现有神经网络算法只能假设所有区域特征一致,导致一旦网络规模过大,会存在较大误差的问题,采用烟花算法优化粒子群算法的搜索能力,设计了一种烟花算法-粒子群优化(Fireworks Algorithm-Particle Swarm Optimization,FW-PSO)算法,提升了全局搜索能力及收敛速度,并将之应用于大区域无线传感网络流量异常检测。首先采用时间滑动窗口处理大区域无线传感网络数据流信息,通过正态Grubbs法则剔除数据中粗大误差值。然后引入主成分分析法对传感数据特征降维,分段提取有价值的特征。设计FW-PSO算法,提升粒子群算法的搜索能力,实现流量异常检测。实验结果表明,所提方法的无线传感网络流量异常检测率准确率平均为94.8%,训练及检测耗时平均值分别为3.75 s及0.25 s。

FW-PSO算法支持下无线传感网络拓扑结构的优化策略

对无线传感网络结构的复杂性、无标度性等进行了分析,通过上述两项内容的分析结果,构建全新的无线传感网络模型,提升其应用效果,设计了符合实际要求的FW-PSO算法,实现网络拓扑结构的优化,并通过实验进行了性能验证。结果表明:优化后的网络拓扑结构,能够较好地提升无线传感网络运行性能。

基于离散变量和FW-PSO的网络拓扑优化的算法

针对目前算法对网络拓扑进行优化时,由于未能获取网络的离散变量,导致算法在进行网络拓扑优化时,存在网络节点覆盖度低、网络移动能耗大以及优化性能差的问题,提出基于离散变量和FW-PSO的网络拓扑优化的算法。算法依据统计相关系数离散化网络数据,获取网络离散变量;再通过获取的离散变量建立网络拓扑优化模型;最后通过FW-PSO算法对优化模型进行求解,基于求解结果完成网络拓扑优化。实验结果表明,依据上述方法进行网络拓扑优化时,网络节点覆盖度高、网络移动能耗小以及优化性能好。

基于FW-PSO算法优化无线传感网络拓扑结构的方法

无线传感网络(WSN)具有无标度网络的特征,通常工作在无人值守的开放性环境中,极易遭受到各种蓄意攻击。攻击使得网络发生故障,甚至会导致整个网络瘫痪。该文基于复杂网络领域的无标度网络,构建具有无标度特性的无线传感网络模型。利用烟花算法及粒子群算法(PSO)寻优过程中的搜索能力、种群多样性等优点,提出了一种FW-PSO算法,该算法在全局搜索能力和收敛速度上具有较好的性能。针对具有无标度特性的网络模型,用FW-PSO算法对网络拓扑进行优化,在不同的攻击策略下分别从动态抗毁性和静态抗毁性分析优化前后网络的性能。仿真实验表明,与其他同类算法相比,经过该文所提算法优化后的无线传感网络的动态和静态抗毁性能都有明显提升。

无线传感网络拓扑结构的FW-PSO算法优化分析

本文根据无线传感网络的复杂性、无标度性特征,实现对无线传感网络模型的构建和应用,在此基础上,提出一种新型、先进的FW-PSO算法,对网络拓扑结构进行优化和完善,然后,借助不同攻击方案,不断优化和改进无线传感网络性能。仿真实验结果表明:通过利用FW-PSO算法,可以实现对无线传感网络运行性能的全面提高。

基于PSO-FWSVM的糖尿病预测模型

糖尿病是三大慢性病之一,及早发现有利于对该病进行控制。为了提高早期诊断率,提出基于支持向量机(SVM)建立合适的糖尿病预测模型。在分析糖尿病数据特点基础上,提出对核函数进行加权处理,避免弱相关特征对分类结果的影响,从而提高了分类模型的识别率。之后采用自适应粒子群优化算法对FWSVM模型进行参数优化,并对某医院的实际糖尿病数据集进行模型的训练和识别。实验结果表明:相对于其他常用模型,论文的模型识别准确率和运算效率都有一定程度的提高,达到90.36%,性能上优于其他几种模型。