CN109299750A - 分布式模糊c均值数据聚类方法 - Google Patents

分布式模糊c均值数据聚类方法 Download PDF

Info

Publication number
CN109299750A
CN109299750A CN201811397114.9A CN201811397114A CN109299750A CN 109299750 A CN109299750 A CN 109299750A CN 201811397114 A CN201811397114 A CN 201811397114A CN 109299750 A CN109299750 A CN 109299750A
Authority
CN
China
Prior art keywords
sensor node
data
sensor
distributed
stored
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.)
Pending
Application number
CN201811397114.9A
Other languages
English (en)
Inventor
秦家虎
朱英达
付维明
马麒超
陈宇航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN201811397114.9A priority Critical patent/CN109299750A/zh
Publication of CN109299750A publication Critical patent/CN109299750A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本公开提供一种分布式模糊c均值数据聚类方法，用于处理同步传感器网络的数据，该同步传感器网络包含多个传感器节点，包括：步骤A：对同步传感器网络中各个传感器节点内的数据进行正规化；步骤B：基于分布式k++算法确定该同步传感器网络的初始聚类中心；步骤C：计算各个聚类中心与传感器节点所存储的数据之间的隶属度值；步骤D：在整个同步传感器网络中执行平均一致性算法更新聚类中心；步骤E：重复步骤C和步骤D直至聚类中心的值收敛。本公开提供的分布式模糊c均值数据聚类方法可以使得由各个传感器节点获得的数据直接应用在传感器层面进行数据分割，有助于减少通讯消耗，是一种十分高效的做法。

Description

分布式模糊c均值数据聚类方法
技术领域
本公开涉及分布式网络数据挖掘技术领域，尤其涉及一种分布式模糊c均值数据聚类方法。
背景技术
无线传感器网络(WSN)是由大量廉价微型传感器所组成的分布式网络，其由于低成本、低功耗而被广泛应用于军事、航空、环境、生态、农业、工业等领域的监测。单个传感器一般存储小，带宽低，电池容量限制，可以探测震动、温度、湿度、光强、压强等物理量。例如，在野外地区或者不宜人工监测的区域布置WSN可以进行长期无人值守的不间断监测，为生态环境的保护和研究提供实时的数据资料。具体的应用包括：通过跟踪珍稀鸟类等动物的栖息、觅食习惯进行濒危种群的研究。在类似的检测中往往需要获取图像、声音等信息。当获取足够数量的数据后，需要对数据进行挖掘，找出需要的信息。
数据聚类是数据挖掘的核心步骤，它有助于我们了解数据的内在结构及分布模式。数据聚类即把数据对象集合划分成多个不同的类或簇，每个簇内的数据对象之间的相似性要高于与其他簇内的对象的相似性，在各个领域都有着大量应用。
然而，在实现本公开的过程中，本申请发明人发现，传统的聚类算法是集中式的，要求所有数据存储于同一个节点，由一个计算节点集中进行处理。在分布式网络的环境下，由于采集的数据分布存储于各个节点，聚类时需要传输所有数据到一个中心站点进行处理，这样做通讯消耗大且会有存储容量限制。
公开内容
(一)要解决的技术问题
基于上述技术问题，本公开提供一种分布式模糊c均值数据聚类方法，以缓解传统的聚类算法需要将所有数据存储于同一个节点，集中进行处理，导致通讯消耗大且会有存储容量限制的技术问题。
(二)技术方案
本公开提供一种分布式模糊c均值数据聚类方法，用于处理同步传感器网络的数据，该同步传感器网络包含多个传感器节点，包括：
步骤A：对同步传感器网络中各个传感器节点内的数据进行正规化；
步骤B：基于分布式k++算法确定该同步传感器网络的初始聚类中心；
步骤C：计算各个聚类中心与传感器节点所存储的数据之间的隶属度值；
步骤D：在整个同步传感器网络中执行平均一致性算法更新聚类中心；
步骤E：重复步骤C和步骤D直至聚类中心的值收敛。
在本公开的一些实施例中，在执行所述步骤A前，若同步传感器网络的拓补结构是有向图，且权值不平衡，则执行镜像不平衡修正算法修正边的权值使图平衡。
在本公开的一些实施例中，所述步骤A中，将传感器节点中数据各个维度的值放缩到[0，1]之间。
在本公开的一些实施例中，所述步骤A包括：步骤A1：在整个同步传感器网络中执行max-consensus算法找到存储于各个传感器节点中的数据各个维度的最大值，以[max1，...，maxd]’的形式存储于各个传感器节点中；步骤A2：在整个同步传感器网络中执行min-consensus算法找到存储于各个传感器节点中的数据各个维度的最小值，以[min1，...，mind]’的形式存储于各个传感器节点中；步骤A3：在传感器i中，利用下式，从j＝1到d，计算正规化的数据值：
xij＝(xij-minj)/(maxj一minj)
其中，d表示数据的维度，i表示第i个传感器节点，j表示数据xi的第j分量。
在本公开的一些实施例中，所述步骤B中：对整个同步传感器网络执行分布式k++算法得到k个初始的聚类中心，以变量c(1)＝[c1(1)’，...，ck(1)’]’的形式存储于各个传感器节点内，(1)表示当前迭代步为1，包括：
步骤B1：每个传感器节点均生成一个(0，1)之间的随机数tempi；
其中，i是传感器节点下标；
步骤B2：若当前初始聚类中心个数为0，对tempi执行max-consensus算法；
否则，每个传感器节点计算本地数据到各个已有的聚类中心的距离，并找出最小值，记为di，计算tempi＝di 2×tempi，再对tempi执行max-consensus算法，将结果以变量temp的形式存储于各个传感器节点中；
步骤B3：在传感器i中，如果tempi＝＝temp，置xic＝xi，否则，置xic＝[-∞，...，-∞]’；
其中xi是传感器节点i所存储数据；
步骤B4：对xic执行max-consensus算法，将结果以cm(1)的形式存储于传感器节点i内；
其中，m表示所产生的第m个聚类中心；
步骤B5：如果已有聚类中心个数达到预设值k，则分布式k++算法结束，否则m+1并返回步骤B1。
在本公开的一些实施例中，所述步骤C中，从迭代次数T＝1开始，利用下式计算各个聚类中心与传感器节点i所存储的数据之间的隶属度值：
其中，j表示聚类中心序号，l为一实数，表征模糊度。
在本公开的一些实施例中，其中，l＝2。
在本公开的一些实施例中，所述步骤D中，由类别下标j＝1至j＝k依次执行，包括：
步骤D1：在整个同步传感器网络中执行average-consensus算法计算和的平均值，结果分别以变量cj(T)和nj的形式存储在各个传感器节点中；
步骤D2：依据下式公式计算新的聚类中心：
cj(T)＝cj(T)/nj
其中，xi是传感器节点i存储的数据。
在本公开的一些实施例中，所述步骤D1包括：
步骤D1a：在每个传感器节点中，引入矩阵W＝[wij]∈Rn×n，当i≠j时，wij＝τaij，当i＝j时，
其中，n是网络节点数，aij是从节点i到节点j的边的权值，τ是参数，且满足τ≤1/maxi(∑j≠1aij)。
步骤D1b：在每个传感器节点中，计算W的首一最小多项式q(t)，使其满足q(W)＝0；
其中，q(t)的阶次为σ+1，σ+1≤n，q(t)＝tσ+1+ασtσ+…+α1t+α0；
步骤D1c：在传感器节点i中，利用如下式所示的控制律，从t＝0开始迭代σ次，得到[xi(0)，...，xi(σ)]，并存储在传感器节点i中：
其中，xi(0)为或
步骤D1d：在传感器节点i中，利用如下公式计算xi(σ+1)：
其中，
在本公开的一些实施例中，所述步骤E中，在每个传感器节点中，通过下式判断聚类中心的值收敛是否收敛：
||c(T)-c(T-1)||＜δ
其中，δ是预设的值，用于控制收敛。
(三)有益效果
从上述技术方案可以看出，本公开提供的分布式模糊c均值数据聚类方法具有以下有益效果：
本公开提供的分布式模糊c均值数据聚类方法可以使得由各个传感器节点获得的数据直接应用在传感器层面进行数据分割，有助于减少通讯消耗，是一种十分高效的做法。
附图说明
图1为本公开提供的分布式模糊c均值数据聚类方法的步骤流程图。
具体实施方式
本公开提供的分布式模糊c均值数据聚类方法能够使得由各个传感器获得的图像直接应用在传感器层面进行图像分割，有助于减少通讯消耗。
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
本公开提供一种分布式模糊c均值数据聚类方法，如图1所示，包括：步骤A：对同步传感器网络中各个传感器节点的数据进行正规化；步骤B：基于分布式k++算法确定该同步传感器网络的初始聚类中心；步骤C：计算各个聚类中心与传感器节点所存储的数据之间的隶属度值；步骤D：在整个同步传感器网络中执行平均一致性算法(average-consensus)更新聚类中心；步骤E：重复步骤C和步骤D直至聚类中心的值收敛。
同步传感器网络是由许多传感器节点组成的分布式网络，这些传感器节点各自执行探测数据的任务。最终将各个传感器节点探测到的数据传输到一个汇聚节点。由于传感器节点的电池容量限制以及数据传输的巨大能耗，我们需要选择一种能耗较小的数据聚合方法。本公开提供的分布式模糊c均值数据聚类方法根据传感器节点的位置信息对传感器进行聚类，使得距离比较近的传感器节点属于同一簇，距离比较远的传感器分属不同簇，然后可以在各个簇内选择一个电池容量相对比较大的传感器节点，称之为簇头。所有传感器节点先将探测到的数据传输给属于同一簇的簇头，再由簇头传输给汇聚节点。因此，本公开提供的分布式模糊c均值数据聚类方法可以使得由各个传感器节点获得的数据直接应用在传感器层面进行数据分割，有助于减少通讯消耗，是一种十分高效的做法。
在本公开的一些实施例中，在执行步骤A前，若同步传感器网络的拓补结构是有向图，且权值不平衡，则执行镜像不平衡修正算法修正边的权值使图平衡。
在本公开的一些实施例中，步骤A中，将传感器节点中数据各个维度的值放缩到[0，1]之间。
在本公开的一些实施例中，步骤A包括：
步骤A1：在整个同步传感器网络中执行max-consensus(最大一致性算法)算法找到存储于各个传感器节点中的数据各个维度的最大值，以[max1，...，maxd]’的形式存储于各个传感器节点中；
步骤A2：在整个同步传感器网络中执行min-consensus(最小一致性算法)算法找到存储于各个传感器节点中的数据各个维度的最小值，以[min1，...，mind]’的形式存储于各个传感器节点中；
步骤A3：在传感器i中，利用下式，从j＝1到d，计算正规化的数据值：
xij＝(xij-minj)/(maxj-minj)
其中，d表示数据的维度，i表示第i个传感器节点，j表示数据xi的第j分量。
在本公开的一些实施例中，步骤B中：对整个同步传感器网络执行分布式k++算法得到k个初始的聚类中心，以变量c(1)＝[c1(1)’，...，ck(1)’]’的形式存储于各个传感器节点内，(1)表示当前迭代步为1，步骤B包括：
步骤B1：每个传感器节点均生成一个(0，1)之间的随机数tempi，其中，i是传感器节点下标；
步骤B2：若当前初始聚类中心个数为0，对tempi执行max-consensus算法；否则，每个传感器节点计算本地数据到各个已有的聚类中心的距离，并找出最小值，记为di，计算tempi＝di 2×tempi，再对tempi执行max-consensus算法，将结果以变量temp的形式存储于各个传感器节点中；
步骤B3：在传感器i中，如果tempi＝＝temp，置xic＝xi，否则，置xic＝[-∞，...，-∞]’，其中xi是传感器节点i所存储数据；
步骤B4：对xic执行max-consensus算法，将结果以cm(1)的形式存储于传感器节点i内，其中，m表示所产生的第m个聚类中心；
步骤B5：如果已有聚类中心个数达到预设值k，则分布式k++算法结束，否则m+1并返回步骤B1。
在本公开的一些实施例中，步骤C中，从迭代次数T＝1开始，利用下式计算各个聚类中心与传感器节点i所存储的数据之间的隶属度值：
其中，l为一实数，表征模糊度。
在本公开的一些实施例中，l＝2。
在本公开的一些实施例中，步骤D中，由类别下标j＝1至j＝k依次执行，包括：
步骤D1：在整个同步传感器网络中执行average-consensus算法计算和的平均值，结果分别以变量cj(T)和nj的形式存储在各个传感器节点中；
步骤D2：依据下式公式计算新的聚类中心：
cj(T)＝cj(T)/nj
其中，xi是传感器节点i存储的数据。
在本公开的一些实施例中，步骤D1包括：
步骤D1a：在每个传感器节点中，引入矩阵W＝[wij]∈Rn×n，当i≠j时，wij＝τaij，当i＝j时，
其中，n是网络节点数，aij是从节点i到节点j的边的权值，τ是参数，且满足τ≤1/maxi(∑j≠1aij)。
步骤D1b：在每个传感器节点中，计算W的首一最小多项式q(t)，使其满足q(W)＝0；
其中，q(t)的阶次为σ+1，σ+1≤n，q(t)＝tσ+1+ασtσ+…+α1t+α0；
步骤D1c：在传感器节点i中，利用如下式所示的控制律，从t＝0开始迭代σ次，得到[xi(0)，...，xi(σ)]，并存储在传感器节点i中：
其中，xi(0)为或
步骤D1d：在传感器节点i中，利用如下公式计算xi(σ+1)：
其中，
在本公开的一些实施例中，步骤E中，在每个传感器节点中，通过下式判断聚类中心的值收敛是否收敛：
||c(T)-c(T-1)||＜δ
其中，δ是预设的值，用于控制收敛。
依据以上描述，本领域技术人员应当对本公开实施例提供的分布式模糊c均值数据聚类方法有了清楚的认识。
以下以一具体实施例，验证本公开实施例提供的分布式模糊c均值数据聚类方法的有效性：
本公开提供的分布式模糊c均值数据聚类方法可以应用于根据传感器节点的位置信息对传感器节点进行聚类，该聚类方法的输入输出如下：
待聚类数据：xi，表示序号为i的传感器节点所存储的关于它本身的位置坐标；
每个传感器节点所需要的输入参数：网络拓扑矩阵，聚类数k；
每个传感器的输出：k个聚类中心Cj，j＝1，...，k，隶属度值uij，j＝1，...，k，i表示传感器节点序号；
每个传感器根据输出的隶属度值将自己归属到最大的隶属度值对应的簇，聚类过程执行完毕。
本公开提供的分布式模糊c均值数据聚类方法是一种软聚类算法，使用该聚类方法进行数据聚合的优点是当有一个簇头故障时，其所属的簇的其余传感器节点可以选择第二大的隶属度值对应簇头进行数据传输。
综上所述，本公开提供的分布式模糊c均值数据聚类方法能够使得由各个传感器获得的数据直接应用在传感器层面进行数据分割，有助于减少通讯消耗。
还需要说明的是，实施例中提到的方向用语，例如“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向，并非用来限制本公开的保护范围。贯穿附图，相同的元素由相同或相近的附图标记来表示。在可能导致对本公开的理解造成混淆时，将省略常规结构或构造。
并且图中各部件的形状和尺寸不反映真实大小和比例，而仅示意本公开实施例的内容。另外，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。
类似地，应当理解，为了精简本公开并帮助理解各个公开方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如前面的权利要求书所反映的那样，公开方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。
以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种分布式模糊c均值数据聚类方法，用于处理同步传感器网络的数据，该同步传感器网络包含多个传感器节点，包括：
步骤A：对同步传感器网络中各个传感器节点内的数据进行正规化；
步骤B：基于分布式k++算法确定该同步传感器网络的初始聚类中心；
步骤C：计算各个聚类中心与传感器节点所存储的数据之间的隶属度值；
步骤D：在整个同步传感器网络中执行平均一致性算法更新聚类中心；
步骤E：重复步骤C和步骤D直至聚类中心的值收敛。
2.根据权利要求1所述的分布式模糊c均值数据聚类方法，在执行所述步骤A前，若同步传感器网络的拓补结构是有向图，且权值不平衡，则执行镜像不平衡修正算法修正边的权值使图平衡。
3.根据权利要求1所述的分布式模糊c均值数据聚类方法，所述步骤A中，将传感器节点中数据各个维度的值放缩到[0，1]之间。
4.根据权利要求3所述的分布式模糊c均值数据聚类方法，所述步骤A包括：
步骤A1：在整个同步传感器网络中执行max-consensus算法找到存储于各个传感器节点中的数据各个维度的最大值，以[maxl，...，maxd]’的形式存储于各个传感器节点中；
步骤A2：在整个同步传感器网络中执行min-consensus算法找到存储于各个传感器节点中的数据各个维度的最小值，以[minl，...，mind]’的形式存储于各个传感器节点中；
步骤A3：在传感器i中，利用下式，从j＝1到d，计算正规化的数据值：
xij＝(xij-minj)/(maxj-minj)
其中，d表示数据的维度，i表示第i个传感器节点，j表示数据xi的第j分量。
5.根据权利要求3所述的分布式模糊c均值数据聚类方法，所述步骤B中：对整个同步传感器网络执行分布式k++算法得到k个初始的聚类中心，以变量c(1)＝[cl(1)’，...，ck(1)’]’的形式存储于各个传感器节点内，(1)表示当前迭代步为1，包括：
步骤B1：每个传感器节点均生成一个(0，1)之间的随机数tempi；
其中，i是传感器节点下标；
步骤B2：若当前初始聚类中心个数为0，对tempi执行max-consensus算法；
否则，每个传感器节点计算本地数据到各个已有的聚类中心的距离，并找出最小值，记为di，计算tempi＝di 2×tempi，再对tempi执行max-consensus算法，将结果以变量temp的形式存储于各个传感器节点中；
步骤B3：在传感器i中，如果tempi＝＝temp，置xic＝xi，否则，置xic＝[-∞，...，-∞]’；
其中xi是传感器节点i所存储数据；
步骤B4：对xic执行max-consensus算法，将结果以cm(1)的形式存储于传感器节点i内；
其中，m表示所产生的第m个聚类中心；
步骤B5：如果已有聚类中心个数达到预设值k，则分布式k++算法结束，否则m+1并返回步骤B1。
6.根据权利要求5所述的分布式模糊c均值数据聚类方法，所述步骤C中，从迭代次数T＝1开始，利用下式计算各个聚类中心与传感器节点i所存储的数据之间的隶属度值：
其中，j表示聚类中心序号，l为一实数，表征模糊度。
7.根据权利要求6所述的分布式模糊c均值数据聚类方法，其中，l＝2。
8.根据权利要求6所述的分布式模糊c均值数据聚类方法，所述步骤D中，由类别下标j＝1至j＝k依次执行，包括：
步骤D1：在整个同步传感器网络中执行average-consensus算法计算和的平均值，结果分别以变量cj(T)和nj的形式存储在各个传感器节点中；
步骤D2：依据下式公式计算新的聚类中心：
cj(T)＝cj(T)/nj
其中，xi是传感器节点i存储的数据。
9.根据权利要求8所述的分布式模糊c均值数据聚类方法，所述步骤D1包括：
步骤D1a：在每个传感器节点中，引入矩阵W＝[wij]∈Rn×n，当i≠j时，wij＝τaij，当i＝j时，
其中，n是网络节点数，aij是从节点i到节点j的边的权值，τ是参数，且满足τ≤1/maxi(∑j≠1aij)。
步骤D1b：在每个传感器节点中，计算W的首一最小多项式q(t)，使其满足q(W)＝0；
其中，q(t)的阶次为σ+1，σ+1≤n，q(t)＝tσ+1+ασtσ+…+α1t+α0；
步骤D1c：在传感器节点i中，利用如下式所示的控制律，从t＝0开始迭代σ次，得到[xi(0)，...，xi(σ)]，并存储在传感器节点i中：
其中，xi(0)为或
步骤D1d：在传感器节点i中，利用如下公式计算xi(σ+1)：
其中，
10.根据权利要求8所述的分布式模糊c均值数据聚类方法，所述步骤E中，在每个传感器节点中，通过下式判断聚类中心的值收敛是否收敛：
||c(T)-c(T-1)||＜δ
其中，δ是预设的值，用于控制收敛。
CN201811397114.9A 2018-11-20 2018-11-20 分布式模糊c均值数据聚类方法 Pending CN109299750A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811397114.9A CN109299750A (zh) 2018-11-20 2018-11-20 分布式模糊c均值数据聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811397114.9A CN109299750A (zh) 2018-11-20 2018-11-20 分布式模糊c均值数据聚类方法

Publications (1)

Publication Number Publication Date
CN109299750A true CN109299750A (zh) 2019-02-01

Family

ID=65144434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811397114.9A Pending CN109299750A (zh) 2018-11-20 2018-11-20 分布式模糊c均值数据聚类方法

Country Status (1)

Country Link
CN (1) CN109299750A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598783A (zh) * 2019-09-10 2019-12-20 中国科学技术大学 基于分布式移动机器人系统的视觉一致性方法
CN110602716A (zh) * 2019-09-03 2019-12-20 沈阳化工大学 一种基于模糊聚类算法的无线传感器网络节点分簇优化方法
CN111401412A (zh) * 2020-02-29 2020-07-10 同济大学 一种基于平均共识算法的物联网环境下分布式软聚类方法
CN111563922A (zh) * 2020-03-26 2020-08-21 北京迈格威科技有限公司 视觉定位方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049636A (zh) * 2012-09-12 2013-04-17 江苏大学 可能模糊k调和均值聚类方法及系统
CN106897679A (zh) * 2017-02-13 2017-06-27 长江水利委员会长江科学院 一种基于改进模糊c均值聚类的语义变化检测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049636A (zh) * 2012-09-12 2013-04-17 江苏大学 可能模糊k调和均值聚类方法及系统
CN106897679A (zh) * 2017-02-13 2017-06-27 长江水利委员会长江科学院 一种基于改进模糊c均值聚类的语义变化检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
J. QIN等: ""Distributed k-Means Algorithm and Fuzzy c-Means Algorithm for Sensor Networks Based on Multiagent Consensus Theory"", 《IEEE TRANSACTIONS ON CYBERNETICS》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110602716A (zh) * 2019-09-03 2019-12-20 沈阳化工大学 一种基于模糊聚类算法的无线传感器网络节点分簇优化方法
CN110598783A (zh) * 2019-09-10 2019-12-20 中国科学技术大学 基于分布式移动机器人系统的视觉一致性方法
CN111401412A (zh) * 2020-02-29 2020-07-10 同济大学 一种基于平均共识算法的物联网环境下分布式软聚类方法
CN111401412B (zh) * 2020-02-29 2022-06-14 同济大学 一种基于平均共识算法的物联网环境下分布式软聚类方法
CN111563922A (zh) * 2020-03-26 2020-08-21 北京迈格威科技有限公司 视觉定位方法、装置、电子设备及存储介质
CN111563922B (zh) * 2020-03-26 2023-09-26 北京迈格威科技有限公司 视觉定位方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109299750A (zh) 分布式模糊c均值数据聚类方法
CN111722643B (zh) 仿狼群合作狩猎机制的无人机集群动态任务分配方法
CN112329934A (zh) 一种基于改进麻雀搜索算法的rbf神经网络优化算法
CN105488528B (zh) 基于改进自适应遗传算法的神经网络图像分类方法
CN106446959B (zh) 一种云计算资源动态匹配方法及装置
CN111432368B (zh) 一种适用于稀疏锚节点wsn的测距定位方法
Ren et al. A novel clustering algorithm for Wi-Fi indoor positioning
CN111553469B (zh) 一种无线传感器网络数据融合方法、装置和存储介质
CN112291734A (zh) 一种移动传感器网络区域覆盖优化的方法
CN112417770B (zh) 一种基于多模态多目标粒子群优化算法的选址优化方法
CN113240068A (zh) 一种基于改进蚁狮算法的rbf神经网络优化方法
CN110049433A (zh) 一种基于edw-dpso算法的定位性能优化方法
CN104994366A (zh) 一种基于特征加权的fcm视频关键帧提取方法
CN113573322A (zh) 基于改进遗传算法的多目标区域传感器网络覆盖优化方法
CN114597970A (zh) 一种基于图卷积网络的主动配电网分区方法
CN117710312A (zh) 基于联邦学习和YOLOv5的输电网异物检测方法
CN109885082A (zh) 一种基于任务驱动下的无人机航迹规划的方法
CN110109005B (zh) 一种基于序贯测试的模拟电路故障测试方法
CN109583488A (zh) 分布式k均值数据聚类方法
CN114397894B (zh) 一种模仿人类记忆的移动机器人目标搜索方法
CN113705724B (zh) 基于自适应l-bfgs算法的深度神经网络的批量学习方法
CN113516163B (zh) 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质
CN104574368B (zh) 一种自适应的核聚类图像分割方法
CN114885379A (zh) 一种大规模无人机集群自适应分簇组网方法
CN104618852A (zh) 基于层次聚类的数据汇聚方法和系统

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190201