CN107094284B - 一种基于谱聚类算法的机会网络群组移动方法 - Google Patents
一种基于谱聚类算法的机会网络群组移动方法 Download PDFInfo
- Publication number
- CN107094284B CN107094284B CN201710298799.0A CN201710298799A CN107094284B CN 107094284 B CN107094284 B CN 107094284B CN 201710298799 A CN201710298799 A CN 201710298799A CN 107094284 B CN107094284 B CN 107094284B
- Authority
- CN
- China
- Prior art keywords
- matrix
- node
- clustering
- nodes
- clustering algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 16
- 230000003595 spectral effect Effects 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 230000033001 locomotion Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 230000002776 aggregation Effects 0.000 claims abstract description 6
- 238000004220 aggregation Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于谱聚类算法的机会网络群组移动的方法,其步骤如下:首先设定机会网络节点个数,所有节点开始做随机移动;仿真一段时间后,通过节点空间位置建立节点相似矩阵、度矩阵;设定聚类数目,计算拉普拉斯矩阵并构建特征向量矩阵;根据节点特征向量矩阵重新进行距离权重计算,得到聚类划分结果;最后节点根据聚类结果,前往相应聚类中心点进行聚集,并跟随中心点进行群组移动,群组中心节点仍然按原个体移动方法进行随机移动。本方法利用谱聚类算法在群组聚类上的优势和良好效果,充分体现了移动节点的群组聚集移动行为,对网络性能产生巨大影响,因此在很多应用领域都可以进行研究和应用。
Description
技术领域
本发明涉及一种基于谱聚类算法的机会网络群组移动方法。
背景技术
目前在机会网络中,节点多数是由人所携带智能移动设备进行自由移动,相互之间利用短距离无线通信技术进行消息传输的一种特殊自组织网络。这种特殊网络不仅具有移动自组织网络的基本特征,另外还具有人的社会性,网络拓扑结构各种不同变化与人的移动特征有关。在网络研究中,网络协议是否有效、数据的传输率是否高以及安全性等等我们关心的问题都与移动方式密切相关。群组移动考虑的是节点之间的移动影响,在现实生活中节点很多时候不是单个形式出现在移动区域。以往提出的群组移动方法包括参考点群组移动、队列移动、游牧群体移动、指数相关移动等,有的方法对节点运动状态描述很少,有的模型在机会网络中运行,由于节点运动的很大不确定性而不能进行合理操作,或者形成的群体是静止的,不能反映真实地图群体行为特征等等缺点。
对于群组移动方法,文献《基于加权最小二乘预测模型的群组移动位置更新研究》(马晓蕊.基于加权最小二乘预测模型的群组移动位置更新研究[D].西安电子科技大学,2008)运用遗忘因子在参数估计中对新旧数据分配不同的权值,提出基于加权最小二乘算法的定位方法。该方法假设群组移动节点是阶段性匀速直线运动,且假设各群组中的节点数目恒定不变。这往往与实际应用不符。文献《自组网的组移动位置服务》(国文成.移动自组网的组移动位置服务[D].国防科学技术大学,2009.)提出一种基于节点位置和速度相似度的组移动位置服务。当需要预知节点位置信息时,需依次确定目标节点所在的组及其组长,目标节点相对于本组组长的位置,再由组长通过自身位置和目标得到目标节点的确切位置,定位过程较复杂,受网络拓扑结构变化影响大。本发明专利通过使用谱聚类算法与基于地图的最短路径节点移动方法相结合的方法,能够在现实环境中,真实有效的描述节点运动的群体特征,聚类划分时间快,并且能处理任意形状的节点分布,效果良好。
发明内容
针对现有技术中存在的不足,本发明提供一种基于谱聚类算法的机会网络群组移动方法,采用谱聚类算法与传统群组移动方法相结合的方式,能较好的根据节点的相关特征使节点完成群体聚类、群组移动行为,包括如下步骤:
1)生成n个移动节点S={s1,s2,...sn},仿真开始时,n个节点在地图上做个体随机运动;
2)每个节点获取自身空间位置,构造节点相似矩阵A,表示如下:
其中d(si,sj)表示si和sj的空间距离,σ为尺度参数;
3)通过步骤2)得到矩阵A,计算拉普拉斯矩阵Lsym=I-D-1/2AD-1/2,其中I为单位矩阵,D为对角矩阵,且其余值为0,设定聚类数目为k,计算Lsym的特征值和特征向量,提取前k个最小特征值的特征向量构造矩阵X,矩阵X的大小为n*k,归一化处理得到矩阵Y;
4)根据步骤3计算得到的Y的每一行代表一个节点,随机选取k个聚类中心点,计算Y的每个节点到k个聚类中心点的距离权重,若节点与某个聚类中心点距离权重值最短,则该节点与此聚类中心点划为一个类,最后得到节点聚类划分结果;
5)节点根据划分结果,前往相应聚类中心点进行聚集,并跟随中心点进行群组移动。
2、上述的一种基于谱聚类算法的机会网络群组移动方法,所述步骤2)中,其特征是,d(si,sj)表示si和sj的空间距离,表示为:
其中,节点si和sj的空间坐标分别为(xi1,xj1)和(xi2,xj2)。
3、上述的一种基于谱聚类算法的机会网络群组移动方法,所述步骤3)中,其特征是,所述特征值λ1,λ2,…,λn和非零特征列向量xi由方程(Lsym-λiI)xi=0求解得到,提取前k个最小特征值所对应的k个n维特征列向量x1,x2,…,xk,特征向量矩阵X表示为:
X=[x1,x2,…,xk]∈Rn*k
n*k为矩阵X的大小;
所述步骤3)中,对X的行向量做归一化处理,得到Y矩阵为:
应用本发明的技术方案,具有以下有益效果:因为在机会网络中节点的数据转发成功率和网络负载等性能都受到节点移动方式的影响,因此本发明提供一种基于谱聚类算法的机会网络群组移动方法,能够灵活有效的与传统的网络节点移动方法相结合,真实有效的完成了节点聚集和群组移动的行为,算法开销时间复杂度不高,聚类划分时间快,并且能处理任意形状的节点分布,效果良好并且具备灵活的可扩展性,在特殊场合具有一定应用性。
附图说明
图1为本发明的群体节点聚集的流程图;
图2为本发明仿真节点在1600秒时刻的个体移动示意图;
图3为本发明仿真节点在2700秒时刻的群体移动示意图。
具体实施方式
本次实施的实验地为地图仿真,场景范围4500x3400(m^2),所有节点携带蓝牙设备进行数据传输,传输采用Epidemic路由协议,仿真时间为5000s,节点数量为240个,节点通信范围为10m,节点自身缓存5M,节点速度6.5m/s,并且设定聚类数目为6个,聚集开始时间为1600s,本发明技术方案的流程框图如图1所示。
1)先生成240个移动节点S={s1,s2,...sn}在地图上随机分布,并按照自己的设定做个体随机移动,如图2所示;
2)指定聚类开始后,获取节点空间位置,计算节点欧式距离d(si,sj),构造节点相似矩阵A,计算度矩阵D。该步骤在实施过程中,d(si,sj)表示si和sj的空间距离,用欧式距离表达式:
其中,节点si和sj的空间坐标分别为(xi1,xj1)和(xi2,xj2),距离单位为m。实施过程为减少数据误差,提高精度,位置坐标分别除以1000,求解得到d(si,sj)如表1所示:
表1节点空间距离d(si,sj)
i | 0 | 0 | 0 | … | 239 | 239 |
j | 0 | 1 | 2 | … | 238 | 239 |
d(s<sub>i</sub>,s<sub>j</sub>) | 0 | 1.863 | 1.455 | … | 2.106 | 0 |
节点相似矩阵的表达式为:
其中σ为尺度参数,取值σ=0.48。实施过程中求的相似矩阵A如下:
3)设定聚类数目k=6,然后计算拉普拉斯矩阵Lsym,其特征是,计算拉普拉斯矩阵Lsym的表达式为:
Lsym=I-D-1/2AD-1/2
实施过程中,根据矩阵D和矩阵A,可求得拉普拉斯矩阵Lsym如下:
特征值λ1,λ2,…,λn和非零特征列向量xi由方程求解(Lsym-λiI)xi=0,提取前k个最小特征值所对应的k个n维特征列向量x1,x2,…,xk如下:
x1=(-0.051,-0.066,-0.070,…)T
x2=(0.066,0.084,-0.032,…)T
x3=(-0.094,0.060,-0.090,…)T
x6=(-0.027,-0.044,-9.070,…)T
构造矩阵X=[x1,x2,…,xk]∈Rn*k,n*k为矩阵X的大小。对X的行向量做归一化处理,得到Y矩阵,其中:
实施过程中求的Y矩阵如下:
4)根据计算得到的Y的每一行代表一个节点,随机选取k个聚类中心点,计算Y的每个节点到k个聚类中心点的距离权重,若该节点与聚类中心点的距离权重值最短,这将聚类中心点与该节点与划为一类。若Y的第i行数据归入第j类,则表示原数据节点si也就划分到第j类;得到节点聚类划分结果,如表2所示。
5)节点根据划分结果,前往相应聚类中心点进行聚集,并跟随中心点进行群组移动。如图3所示,本次聚类时间只用了18分钟,就聚集并开始群组移动,证实了本方法的有效性。
表2节点聚类划分结果
Claims (3)
1.一种基于谱聚类算法的机会网络群组移动方法,包括如下步骤:
1)生成n个移动节点S={s1,s2,...sn},仿真开始时,n个节点在地图上做个体随机运动;
2)每个节点获取自身空间位置,构造节点相似矩阵A,表示如下:
其中d(si,sj)表示si和sj的空间距离,σ为尺度参数;
3)通过步骤2)得到矩阵A,计算拉普拉斯矩阵Lsym=I-D-1/2AD-1/2,其中I为单位矩阵,D为对角矩阵,且其余值为0,设定聚类数目为k,计算Lsym的特征值和特征向量,提取前k个最小特征值的特征向量构造矩阵X,矩阵X的大小为n*k,归一化处理得到矩阵Y;
4)根据步骤3)计算得到的Y的每一行代表一个节点,随机选取k个聚类中心点,计算Y的每个节点到k个聚类中心点的距离权重,若节点与某个聚类中心点距离权重值最短,则该节点与此聚类中心点划为一个类,最后得到节点聚类划分结果;
5)节点根据划分结果,前往相应聚类中心点进行聚集,并跟随中心点进行群组移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710298799.0A CN107094284B (zh) | 2017-05-02 | 2017-05-02 | 一种基于谱聚类算法的机会网络群组移动方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710298799.0A CN107094284B (zh) | 2017-05-02 | 2017-05-02 | 一种基于谱聚类算法的机会网络群组移动方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107094284A CN107094284A (zh) | 2017-08-25 |
CN107094284B true CN107094284B (zh) | 2020-05-19 |
Family
ID=59637469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710298799.0A Expired - Fee Related CN107094284B (zh) | 2017-05-02 | 2017-05-02 | 一种基于谱聚类算法的机会网络群组移动方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107094284B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107682904A (zh) * | 2017-09-20 | 2018-02-09 | 南阳师范学院 | 移动自组织网络群组移动行为判定方法 |
CN111246535B (zh) * | 2019-12-18 | 2022-06-28 | 南京航空航天大学 | 一种基于谱聚类的车联网车辆节点分簇方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281740A (zh) * | 2013-06-06 | 2013-09-04 | 重庆邮电大学 | 一种机会网络中的兴趣社区路由方法 |
CN103414711A (zh) * | 2013-08-05 | 2013-11-27 | 哈尔滨工业大学 | 基于信任的网络群体异常感知方法 |
CN105469315A (zh) * | 2015-08-04 | 2016-04-06 | 电子科技大学 | 基于增量聚类的动态社会网络社团结构演化方法 |
CN105704776A (zh) * | 2016-01-14 | 2016-06-22 | 河南科技大学 | 一种兼顾网络节点能量和缓存的节点消息转发方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9984334B2 (en) * | 2014-06-16 | 2018-05-29 | Mitsubishi Electric Research Laboratories, Inc. | Method for anomaly detection in time series data based on spectral partitioning |
-
2017
- 2017-05-02 CN CN201710298799.0A patent/CN107094284B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281740A (zh) * | 2013-06-06 | 2013-09-04 | 重庆邮电大学 | 一种机会网络中的兴趣社区路由方法 |
CN103414711A (zh) * | 2013-08-05 | 2013-11-27 | 哈尔滨工业大学 | 基于信任的网络群体异常感知方法 |
CN105469315A (zh) * | 2015-08-04 | 2016-04-06 | 电子科技大学 | 基于增量聚类的动态社会网络社团结构演化方法 |
CN105704776A (zh) * | 2016-01-14 | 2016-06-22 | 河南科技大学 | 一种兼顾网络节点能量和缓存的节点消息转发方法 |
Non-Patent Citations (1)
Title |
---|
基于K_means聚类算法的机会网络群组移动模型及其长相关性研究;陈智;《硕士论文电子期刊》;20161231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107094284A (zh) | 2017-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Regular topology formation based on artificial forces for distributed mobile robotic networks | |
Yang et al. | Obstacle avoidance path planning for UAV based on improved RRT algorithm | |
CN107094284B (zh) | 一种基于谱聚类算法的机会网络群组移动方法 | |
Wu et al. | A Hybrid Mobile Node Localization Algorithm Based on Adaptive MCB‐PSO Approach in Wireless Sensor Networks | |
CN111460234A (zh) | 图查询方法、装置、电子设备及计算机可读存储介质 | |
Ding et al. | Fingerprinting localization based on affinity propagation clustering and artificial neural networks | |
CN112071122A (zh) | 一种用于信息采集的无人机群路径规划方法 | |
CN112000126B (zh) | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 | |
CN110691396B (zh) | 一种采用灰色马尔科夫模型的无人机自组网路由选择方法与系统 | |
Li et al. | Unmanned combat aerial vehicles path planning using a novel probability density model based on artificial bee colony algorithm | |
CN117369495A (zh) | 一种基于模型预测控制的无人机编队轨迹规划方法 | |
Yu et al. | Distributed generation and control of persistent formation for multi-agent systems | |
Anjum et al. | Mobility modeling and stochastic property analysis of airborne network | |
CN108614889B (zh) | 基于混合高斯模型的移动对象连续k近邻查询方法及系统 | |
Qiao et al. | Location prediction based on user mobile behavior similarity | |
CN113495574B (zh) | 一种无人机群飞行的控制方法、装置 | |
CN114493106A (zh) | 一种基于地理划分的空间众包任务分配方法 | |
CN105243207B (zh) | 一种基于粒子群算法的单频点上的天线布局优化 | |
Mou et al. | Three-dimensional area coverage with uav swarm based on deep reinforcement learning | |
Li | PSO based wireless sensor networks coverage optimization on DEMs | |
Han et al. | An improved hybrid PSO based on ARPSO and the Quasi-Newton method | |
Islam et al. | Wireless sensor network using particle swarm optimization | |
Liang et al. | Improved grey wolf optimizer and their applications | |
CN101655712A (zh) | 移动机器人群集控制方法 | |
Jain et al. | Modified discrete binary PSO based sensor placement for coverage in WSN networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200519 |