下行RIS-NOMA的用户集群方法

为提高用户分布非均匀的场景下可重构智能表面(RIS)辅助下行非正交多址(NOMA)通信系统的性能,提出了一种分布式RIS辅助下行NOMA的用户聚类方案。首先,采用自适应几何分布(AGD)聚类算法划分用户集群(UCs),从而为各UC匹配RIS。然后,利用分式规划(FP)方法将非凸最大化频谱效率问题转换为凸优化问题。最后,为UC内用户逐级进行功率分配(PA)与被动波束形成(PB)。仿真结果表明,与谱聚类(SPC)、K均值(K-means)、高斯混合模型(GMM)聚类方案和正交多址(OMA)方案相比,在AGD方案下,功率对频谱效率提升了7%、14%、19%和42%的增益,反射面对频谱效率提升了16%、19%、26%和40%的增益。

面向多用户NOMA-IRS系统的公平性优化

多用户非正交多址接入-智能反射面系统,可通过多天线发射机与智能反射面间“发射-反射”联合波束成形,改善系统的用户接入能力。针对多用户非正交多址接入-智能反射面系统用户公平性问题,尝试在射频链路受限的实际场景中,最大限度提升用户最小接收信干噪比,从而无差别地保证各用户的通信质量。为此,根据射频链路数对用户进行分簇,构建了最大-最小接收信干噪比分式规划问题,此问题的发射波束矢量与反射阵元矩阵在接收信干噪比处高度耦合。因此,提出了一种基于半定松弛与算术几何平均算法,通过在每次迭代中交替优化发射波束矢量与反射阵元矩阵,实现各簇中最小信道容量的最大化。并进一步采用二分搜索算法求解簇内功率分配问题,以提升用户最小接收信干噪比。仿真结果表明,相对于迫零方案,提出方案能够以较低的计算复杂度提升用户最小接收信干噪比,从而改善各用户通信质量;且区别于最大比传输方案,提出方案中用户最小接收信干噪比不会随基站发射功率增加而呈现饱和现象,从而实现各用户通信质量的稳定增长。

一种新的Web用户群体和URL聚类算法的研究

提出一个基于Web日志的Web用户群体和站点URL聚类算法.使用用户浏览行为描述和用户浏览时间离散化方法建立了Web站点的用户事务矩阵,并在此基础上对Web用户群体和站点URL进行聚类.由于在聚类过程中同时考虑了用户对URL的浏览时间和访问次数,使算法的精度和效率都大大提高.同时,该算法能较好地处理类间重叠问题,使算法具有较好的实用性.最后对算法的有效性和可伸缩性进行了研究.

电子商务网站的用户访问模式挖掘

对电子商务网站的用户访问模式挖掘的方法和模式的应用做了系统的论述。在数据的预处理技术方面,提出了新的框架过滤算法、识别搜索引擎Robot产生的访问记录的技术和会话子序列生成算法,并就站点性能改善、个性化服务、实现商业智能三方面的应用对用户访问模式的挖掘做了探讨,最后给出了从语义上理解和挖掘用户访问行为的方法。

智能Web工具的体系结构

1 前言 Internet正在迅猛发展，每天不仅有大量新的信息进入其中，而且有大量旧的信息经常被更新，有一些还以非常高的频率被更新。对个人来说，不可能得到所有这些信息和对这些信息做出的更新，这样就产生了帮助用户来获取、定位和管理Web文档的软件工具，称为Web工具[1]。

集群Web服务器预取机制中用户会话聚类的研究与实现

本文研究了使用集群环境下的用户访问日志数据生成用户会话聚类的方法编制Perl脚本从用户访问日志中生成用户会话,以新的相似度度量取代欧几里德距离改进Leader算法对用户会话集合进行聚类,并计算聚类的内部距离和间隔距离来验证算法的有效性。实验结果表明,这种实现能有效地对用户访问日志进行聚类,并能满足服务器预取机制在线分析的时间、空间要求。

基于模糊粗糙近似的web浏览模式的聚类

提出一种模糊的粗糙近似法用于对web日志中的用户浏览模式进行聚类.在聚类过程中,一个网页是否被访问反映了用户的浏览兴趣,一个网页上的浏览时间反映了用户浏览兴趣的程度,它被刻画成模糊语言变量以忽略时间值之间的细小差别.每个用户浏览模式被表示成等长的模糊向量的形式以表示该用户访问过的网页及网页上的浏览时间.最后使用粗糙近似的方法对这些表示用户浏览模式的模糊向量进行聚类.这种方法可以把具有相似浏览行为的用户聚成一类.

基于兴趣度的Web用户访问模式分析

Web日志隐含了用户访问Web行为的动因和规律,如何有效地从中挖掘出用户访问模式是Web日志挖掘的重要研究内容。构造了User_ID-URL矩阵,矩阵元素为用户访问页面的兴趣度。应用经典的模糊C-均值聚类算法进行用户访问模式分析,通过在真实数据集上的实验,结果表明引入了用户兴趣度的日志挖掘算法是行之有效的。

基于粗集和神经网络的用户访问模式挖掘

用户访问模式发现是构建自适应网站的关键技术.提出了一种基于粗糙集和神经网络相结合的用户访问模式的发现方法,建立了用户访问模式的一般模型.针对Web日志数据通常数据量大、冗余,以及页面之间关系不确定的特点,将粗糙集作为前端预处理器,简化信息处理空间,去掉冗余,采用神经网络聚类分类用户群,从而发现用户访问页面的方式.最后,通过实验分析表明文中方法的有效性.

基于双层聚类方法的网页推荐模型

研究web用户访问模式的聚类问题,提出了双层的用户访问模式的聚类方法.第一层采用简单易实现的LVQ(学习向量量化)神经网络方法对日志中的用户访问模式进行简单聚类,在第二层的聚类中,采用加权的模糊c-均值的方法对第一层的聚类结果进行聚类.最后根据聚类结果产生描述该类用户行为的加权访问模式,并以此作为网页推荐依据.实验结果验证了该算法的有效性和可行性.

Web日志中用户存取模式的聚类研究

基于用户访问网页的不同序列反映了用户特定的兴趣，提出了Web日志中用户存取模式的聚类算法。利用传统的Leade，算法只扫描数据集一遍的优点，以及粗糙理论在处理含有不确定信息问题上的优势，给出了结合粗糙理论的改进Leader算法对用户存取模式进行聚类方法，使得同一类中的用户存取模式尽可能的相近或相似，不同类中的模式尽可能的相异。实验结果表明，该算法在可承受的计算时间内可对Web日志中的用户存取模式进行有效聚类。

基于ISODATA的用户访问路径聚类算法

文章提出了一种基于ISODATA的用户访问路径聚类算法,根据用户的访问兴趣定义了相似性测量手段和聚类中心。在对Web站点的访问日志进行事务识别后,根据群体用户对Web站点的访问顺序进行聚类,则每一个聚类集反映出该聚类集中的全体用户具有相似的访问兴趣。

基于用户访问兴趣的Web站点路径聚类研究

用户对Web站点的访问代表了用户对Web站点上页面的访问兴趣。这种兴趣程度可以通过用户对Web站点上页面的浏览顺序表现出来。Web站点的访问日志记录了用户访问页面的详细信息。在对Web站点的访问日志进行事务识别后,按照访问兴趣对群体用户对Web站点的访问顺序进行聚类分析,则每一个聚类集反映出该聚类集中的全体用户具有相似的访问兴趣。文中在用户访问兴趣度量中综合考虑用户访问路径、网页内容、在此页面的驻留时间、此页面浏览频度因素,提出了一种基于用户访问兴趣的路径聚类算法。最后通过实验来验证这种算法的有效性。

一种有效的Web用户访问模式聚类算法

用户在一个网站的访问行为反映了用户特定的兴趣,本文提出了一种用户访问模式的聚类算法.利用传统的Leader算法只扫描数据集一遍的优点,以及粗糙理论在处理含有不确定信息问题上的优势,给出了结合粗糙理论的改进Leader算法对用户存取模式进行聚类方法.通过一系列的实验分析,结果表明,该算法在可承受的计算时间内可对web日志中的用户存取模式进行有效聚类.聚类结果可应用于山西师范大学网站,对相应用户进行分析,给出个性化的服务等.

基于不规则路径聚类算法的用户访问模式挖掘

通过分析目前主流的Web用户访问模式挖掘的技术方法,针对各种挖掘算法存在复杂度高、灵活性低的缺陷,本文提出一种能对不规则用户访问路径进行用户访问模式挖掘的聚类算法,该算法可以简单高效地挖掘不定长度的用户兴趣模式。

数据挖掘技术在用户操作模式抽取中的应用

Frequent operation pattern is an important characteristics of user operati,m. It measures thedegree of user dependencies and preferences upon the software functionality. This paper focuses on theapplication of data mining techniques in the design and implementation of interlace Agent, and presentsthe concept of frequent user operation pattern and its discovery algorthm. The algorithm is well suitedfor time-restrict data mining tasks.

基于模糊理论的远程教育网站自调整策略

互联网应用和信息技术在教育领域的高速发展,使得人们不再局限于传统的教室学习,数字图书馆和基于Web与多媒体技术的远程教育模式得到了迅速推广。建立反映学习状况水平的个性化学习网站对于远程教育有着重要意义,是一个新的研究领域。本文将模糊理论运用到远程教育网站的服务模型中,使网站具有自我调整的功能,能够为学生提供一个良好的学习平台。文中提出了一种自调整的远程教育网站的体系结构和改进的CA算法。

基于模糊粗糙k-均值的用户访问模式的聚类

Web用户访问过的网页以及在该网页上的浏览时间体现了用户的访问兴趣.为了更好的衡量任意两个用户访问模式之间的相似/相异度,每个用户访问模式都被转换成具有相等长度的模糊向量,其中每个元素要么是0要么是模糊语言变量,它体现了用户是否访问过该网页及在该网页上的浏览时间.由于类的边界可能是模糊的,因而使用粗糙k-均值法对这些代表用户浏览特征的模糊向量进行聚类.最后使用Davies-Bouldin指标来衡量聚类的效果.