CN117998421B - 全局用户速率最优的跨层ap改进聚类方法、介质及装置 - Google Patents
全局用户速率最优的跨层ap改进聚类方法、介质及装置 Download PDFInfo
- Publication number
- CN117998421B CN117998421B CN202410406255.1A CN202410406255A CN117998421B CN 117998421 B CN117998421 B CN 117998421B CN 202410406255 A CN202410406255 A CN 202410406255A CN 117998421 B CN117998421 B CN 117998421B
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- representing
- iteration
- users
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 119
- 230000006399 behavior Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 3
- 241000854291 Dianthus carthusianorum Species 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种全局用户速率最优的跨层AP改进聚类方法、介质及装置,所述方法包括:根据采集到的用户行为特征获取内容请求相似度;根据采集到的用户行为特征获取社交相似度;获取位置信息并计算通信距离,并设置相应的阈值;计算通信速率作为第一个输入矩阵;利用内容请求相似度、社交相似度、通信距离表征AP算法的第二个输入矩阵,两个矩阵带入AP算法中进行迭代,得到对应的两个迭代矩阵,并计算得到矩阵归属度矩阵;通过相互迭代至本轮算法收敛,判断聚类结果是否满足阈值条件,将满足阈值条件的用户保存记录,将不满足条件的用户按照上述方式再次聚类。本发明能够在D2D通信场景中满足跨层AP聚类的条件下实现全局用户速率最优。
Description
技术领域
本发明涉及D2D通信场景(Device-to-Device,设备到设备的直接通信)用户聚类技术领域,具体而言,涉及一种全局用户速率最优的跨层AP改进聚类方法、介质及装置。
背景技术
亲和力传播算法(Affinity Propagation,AP)是2007年由Fery等人提出的,发表于Science杂志中的《Cluster by Passion Messages Between Data Points》文章。该方法是一种基于数据点之间“消息传递”概念的聚类技术,它将数据点之间的相似性作为输入度量,然后在数据点之间交换消息,直到逐渐出现一组高质量的范例(簇头)和相应的聚类结果。AP算法常用于人脸图像聚类、识别文本中的代表性句子,以及生物种群固有结构认知等。与K-means等方法相比,AP算法的复杂度较高,但是AP算法的聚类误差平方要小得多。
但是由于实际聚类场景中,需要考虑用户间不同层次的特性差异,这使得原始聚类算法的聚类结果不满足实际场景。例如,在D2D通信场景的物理层中,需要考虑用户之间存在最大有效通信距离,若聚类结果大于通信距离阈值,D2D用户的通信速率将会极大降低,进而影响用户间的通信质量。在D2D通信场景的社交层中,用户之间存在社交层亲密度,社交层亲密度包含两方面的内容,一方面是一段时间内用户之间的相遇次数,另一方面是用户之间的内容请求相似度。用户间的相遇次数越大,表明用户间彼此更信赖、更亲密,成簇的概率就会越大,提升整个网络的通信速率;用户之间的内容请求相似度越高,同个簇内成员向簇头请求的内容就会越相似,用户间成簇概率也会更大,也能提升网络的通信速率。
发明内容
本发明旨在提供一种全局用户速率最优的跨层AP改进聚类方法,以在D2D通信场景中满足跨层AP聚类的条件下实现全局用户速率最优。
本发明提供的一种全局用户速率最优的跨层AP改进聚类方法,包括如下步骤:
步骤1:在社交层,根据采集到的用户行为特征获取用户和用户/>的内容请求相似度/>;
步骤2:在社交层,根据采集到的用户行为特征获取用户和用户/>的社交相似度;
步骤3: 在物理层,根据全球定位系统获取用户和用户/>当前的位置信息,通过位置信息计算出用户/>与用户/>的距离/>;
步骤 4:分别设置内容请求相似度阈值、社交相似度阈值/>以及通信距离阈值/>;根据用户的初始位置及其当前的信道状态,计算用户/>和用户/>之间的通信速率/>,以此构成AP算法的第一个输入矩阵/>;
步骤 5:利用内容请求相似度、社交相似度/>以及用户/>与用户/>的距离/>,线性表征AP算法的第二个输入矩阵/>;
步骤 6:将第一个输入矩阵带入AP算法中进行迭代,得到对应的迭代矩阵/>;
步骤7,将第二个输入矩阵带入AP算法中进行迭代,得到对应的迭代矩阵/>;
步骤 8:通过迭代矩阵与迭代矩阵/>,计算得到归属度矩阵/>矩阵;
步骤 9 :通过迭代矩阵、迭代矩阵/>与归属度矩阵/>矩阵的相互迭代,迭代至本轮算法收敛,判断聚类结果是否满足阈值条件,将满足阈值条件的用户保存记录,将不满足条件的用户按照步骤1~步骤9再次聚类,直至算法最终收敛或迭代轮次等于最大迭代次数,届时整个通信网络获得最优通信速率。
进一步的,步骤1中,假设有种内容请求,用户/>和用户/>的内容请求相似度/>表示为:
其中:
,/>表示用户/>对/>内容是否感兴趣,若用户/>对/>内容感兴趣,/>;若用户/>对/>内容不感兴趣,/>;依次类推;
,/>表示用户/>对/>内容是否感兴趣,若用户/>对/>内容感兴趣,/>;若用户/>对/>内容不感兴趣,/>;依次类推。
进一步的,步骤2中,所述用户和用户/>的社交相似度/>表示为:
其中,表示用户/>和用户/>之间的相遇次数,/>为手动设置的等级,/>为手动设置的分段值,/>、/>、a、b根据实际情况设置,此处a=1,2,3,4,5,b=1,2,3,4。
进一步的,步骤3中,所述位置信息为以坐标的形式表示的二维位置信息。
进一步的,步骤5包括:
先将内容请求相似度、社交相似度/>以及用户/>与用户/>的距离/>分别归一化,得到内容请求相似度归一化值/>、社交相似度归一化值/>和用户/>与用户/>的距离归一化值/>;
然后线性表征AP算法的第二个输入矩阵如下:
其中,α为内容请求相似度归一化值的系数、β为社交相似度归一化值/>的系数、δ为用户/>与用户/>的距离归一化值/>的系数。
进一步的,步骤6中,迭代矩阵表示为:
其中,表示迭代矩阵/>,/>表示第一个输入矩阵/>,/>表示归属度矩阵A矩阵的第i行中除了第j列用户后剩余的用户,/>表示第一个输入矩阵/>的第i行中除了第j列用户后剩余的用户,max()表示取最大值,s.t.为约束条件,即是指公式中的/>表示除了第j个用户后的剩余用户。
进一步的,步骤7中,迭代矩阵表示为:
其中,表示迭代矩阵/>,/>表示第二个输入矩阵/>,max()表示取最大值,s.t.表示约束条件,即/>是指公式中的/>表示除了第j个用户后的剩余用户,因此,/>表示归属度矩阵A矩阵的第i行中除了第j列用户后剩余的用户,/>表示第二个输入矩阵/>的第i行中除了第j列用户后剩余的用户。
进一步的,步骤8中,归属度矩阵矩阵表示为:
其中,表示归属度矩阵/>矩阵;/>表示迭代矩阵/>的对角线元素,/>表示自行设置的/>的系数;/>表示迭代矩阵/>的对角线元素,/>表示自行设置的/>的系数;s.t.表示约束条件,即/>是指公式中的/>表示除了第i个用户和第j个用户的剩余用户,因此,/>表示迭代矩阵/>的第j列中除了第i行用户后剩余的用户,/>表示自行设置的/>的系数;/>迭代矩阵/>的第j列中除了第i行用户后剩余的用户,/>表示自行设置的/>的系数;min()表示取最小值,max()表示取最大值。
本发明还提供一种计算机终端存储介质,存储有计算机终端可执行指令,所述计算机终端可执行指令用于执行上述的全局用户速率最优的跨层AP改进聚类方法。
本发明还提供一种计算装置,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的全局用户速率最优的跨层AP改进聚类方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明在原始AP算法的基础上改进,解决了现有AP算法在实际D2D通信场景下跨层聚类的问题,能够在D2D通信场景中满足跨层AP聚类的条件下实现全局用户速率最优,并且相比原始AP算法提高了性能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中全局用户速率最优的跨层AP改进聚类方法的原理图。
图2为本发明实施例中全局用户速率最优的跨层AP改进聚类方法的流程图。
图3为本发明实施例中小规模场景下的性能对比图。
图4为本发明实施例中大规模场景下的性能对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图1、图2所示,本实施例提出一种全局用户速率最优的跨层AP改进聚类方法,包括如下步骤:
步骤1:在社交层,根据采集到的用户行为特征获取用户和用户/>的内容请求相似度/>;
假设有种内容请求,/>个用户总数,用户/>和用户/>的内容请求相似度/>表示为:
其中:
,/>表示用户/>对/>内容是否感兴趣,若用户/>对/>内容感兴趣,/>;若用户/>对/>内容不感兴趣,/>;依次类推;
,/>表示用户/>对/>内容是否感兴趣,若用户/>对/>内容感兴趣,/>;若用户/>对/>内容不感兴趣,/>;依次类推。
步骤2:在社交层,根据采集到的用户行为特征获取用户和用户/>的社交相似度;
所述用户和用户/>的社交相似度/>表示为:
其中,表示用户/>和用户/>之间的相遇次数,/>为手动设置的等级,/>为手动设置的分段值,/>、/>、a、b根据实际情况设置,此处a=1,2,3,4,5,b=1,2,3,4。
步骤3: 在物理层,根据全球定位系统(如北斗、GPS等)获取用户和用户/>当前的位置信息,通过位置信息计算出用户/>与用户/>的距离/>;
用户的位置信息/>,以坐标的形式表示,即/>,其中,/>为用户/>的位置信息/>的横坐标,/>为用户/>的位置信息/>的纵坐标;
用户的位置信息/>,以坐标的形式表示,即/>,其中,/>为用户/>的位置信息/>的横坐标,/>为用户/>的位置信息/>的纵坐标;
通过用户的位置信息/>、用户/>的位置信息/>计算出用户/>和用户的距离/>,计算方式在此不再赘述。
步骤 4:分别设置内容请求相似度阈值、社交相似度阈值/>以及通信距离阈值/>;根据用户的初始位置及其当前的信道状态,计算(如使用香农公式计算)用户/>和用户/>之间的通信速率/>,以此构成AP算法的第一个输入矩阵/>;
步骤 5:利用内容请求相似度、社交相似度/>以及用户/>与用户/>的距离/>,线性表征AP算法的第二个输入矩阵/>;
先将内容请求相似度、社交相似度/>以及用户/>与用户/>的距离/>分别归一化,得到内容请求相似度归一化值/>、社交相似度归一化值/>和用户/>与用户/>的距离归一化值/>;
然后线性表征AP算法的第二个输入矩阵如下:
其中,α为内容请求相似度归一化值的系数、β为社交相似度归一化值/>的系数、δ为用户/>与用户/>的距离归一化值/>的系数。
步骤 6:将第一个输入矩阵带入AP算法中进行迭代,得到对应的迭代矩阵/>,表示为:
其中,表示迭代矩阵/>,/>表示第一个输入矩阵/>,/>表示归属度矩阵A矩阵的第i行中除了第j列用户后剩余的用户,/>表示第一个输入矩阵/>的第i行中除了第j列用户后剩余的用户,max()表示取最大值,s.t.为约束条件,即是指公式中的/>表示除了第j个用户后的剩余用户;
步骤7,将第二个输入矩阵带入AP算法中进行迭代,得到对应的迭代矩阵/>,表示为:
其中,表示迭代矩阵/>,/>表示第二个输入矩阵/>,max()表示取最大值,s.t.表示约束条件,即/>是指公式中的/>表示除了第j个用户后的剩余用户,因此,/>表示归属度矩阵A矩阵的第i行中除了第j列用户后剩余的用户,/>表示第二个输入矩阵/>中的第i行中除了第j列用户后剩余的用户;
步骤 8:通过迭代矩阵与迭代矩阵/>,计算得到归属度矩阵/>矩阵,表示为:
其中,表示归属度矩阵/>矩阵;/>表示迭代矩阵/>的对角线元素,/>表示自行设置的/>的系数;/>表示迭代矩阵/>的对角线元素,/>表示自行设置的/>的系数;s.t.表示约束条件,即/>是指公式中的/>表示除了第i个用户和第j个用户的剩余用户,因此,/>表示迭代矩阵/>的第j列中除了第i行用户后剩余的用户,/>表示自行设置的/>的系数;/>迭代矩阵/>的第j列中除了第i行用户后剩余的用户,/>表示自行设置的/>的系数;min()表示取最小值,max()表示取最大值;
步骤 9 :通过迭代矩阵、迭代矩阵/>与归属度矩阵/>矩阵的相互迭代,迭代至本轮算法收敛,判断聚类结果是否满足阈值条件,将满足阈值条件的用户保存记录,将不满足条件的用户按照步骤1~步骤9再次聚类,直至算法最终收敛或迭代轮次等于最大迭代次数,届时整个通信网络获得最优通信速率。
一个示例:
选用实际社交数据集CRAWDAD,该数据集CRAWDAD用于存档无线数据的社区资源,它里面主要是传感器收集的数据,还有无线网络、社交网络、遥感图像等相关数据。该数据集CRAWDAD共有125个数据集,本示例采用数据集CRAWDAD中的mobiclique 数据集。设置内容请求相似度阈值、社交相似度阈值/>、通信距离阈值/>。设置信道由路径衰落和瑞利衰落共同表征。
图2是本发明提供的一种全局用户速率最优的跨层AP改进聚类方法的流程图,包括以下步骤:
步骤1:在社交层,根据采集到的用户行为特征获取用户和用户/>的内容请求相似度/>;
步骤2:在社交层,根据采集到的用户行为特征获取用户和用户/>的社交相似度;
步骤3: 在物理层,根据全球定位系统获取用户和用户/>当前的位置信息,通过位置信息计算出用户/>与用户/>的距离/>;
步骤 4:分别设置内容请求相似度阈值、社交相似度阈值/>以及通信距离阈值/>;根据用户的初始位置及其当前的信道状态,计算用户/>和用户/>之间的通信速率/>,以此构成AP算法的第一个输入矩阵/>;
步骤 5:利用内容请求相似度、社交相似度/>以及用户/>与用户/>的距离/>,线性表征AP算法的第二个输入矩阵/>;
步骤 6:将第一个输入矩阵带入AP算法中进行迭代,得到对应的迭代矩阵/>;
步骤7,将第二个输入矩阵带入AP算法中进行迭代,得到对应的迭代矩阵/>;
步骤 8:通过迭代矩阵与迭代矩阵/>,计算得到归属度矩阵/>矩阵;
步骤 9 :通过迭代矩阵、迭代矩阵/>与归属度矩阵/>矩阵的相互迭代,迭代至本轮算法收敛,判断聚类结果是否满足阈值条件,将满足阈值条件的用户保存记录,将不满足条件的用户按照步骤1~步骤9再次聚类,直至算法最终收敛或迭代轮次等于最大迭代次数,届时整个通信网络获得最优通信速率。
图3是在小规模场景下,当成簇结果满足分层聚类阈值条件时,对比本发明方法(图3、图4中表示为EAP)与原始AP算法的性能。将本发明方法得到的网络吞吐量与暴力搜索法(图3、图4中表示为ESM)得到的吞吐量比值和原始AP算法得到的网络吞吐量与暴力搜索法的吞吐量比值相比较,每组数据都是随机抽取20组数据取均值。从图3中可以看出,在小规模场景下,本发明方法的吞吐量能够达到暴力搜索法的百分之九十四以上。而原始AP算法随着用户数量增加性能降低明显,降至暴力搜索法性能的百分之八十一左右。
图4是在大规模场景下,当成簇结果满足分层聚类阈值条件时,对比本发明方法与原始AP算法的性能。将本发明方法得到的网络吞吐量减去原始AP算法得到的吞吐量的值除以原始AP算法得到的吞吐量,每组数据同样是随机抽取20组数据取均值。从图4中可以看出,随着用户数量增加,本发明方法相较于原始AP算法,本发明方法性能提高了接近百分之四十至百分之五十左右。
此外,在一些实施例中,提出一种计算机终端存储介质,存储有计算机终端可执行指令,所述计算机终端可执行指令用于执行如前文实施例所述的全局用户速率最优的跨层AP改进聚类方法。计算机存储介质的示例包括磁性存储介质(例如,软盘、硬盘等)、光学记录介质(例如,CD-ROM、DVD等)或存储器,如存储卡、ROM或RAM等。计算机存储介质也可以分布在网络连接的计算机系统上,例如是应用程序的商店。
此外,在一些实施例中,提出一种计算装置,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如前文实施例所述的全局用户速率最优的跨层AP改进聚类方法。计算装置的示例包括PC机、平板电脑、智能手机或PDA等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种全局用户速率最优的跨层AP改进聚类方法,其特征在于,包括如下步骤:
步骤1:在社交层,根据采集到的用户行为特征获取用户和用户/>的内容请求相似度;
步骤2:在社交层,根据采集到的用户行为特征获取用户和用户/>的社交相似度/>;
步骤3: 在物理层,根据全球定位系统获取用户和用户/>当前的位置信息,通过位置信息计算出用户/>与用户/>的距离/>;
步骤 4:分别设置内容请求相似度阈值、社交相似度阈值/>以及通信距离阈值;根据用户的初始位置及其当前的信道状态,计算用户/>和用户/>之间的通信速率/>,以此构成AP算法的第一个输入矩阵/>;
步骤 5:利用内容请求相似度、社交相似度/>以及用户/>与用户/>的距离/>,线性表征AP算法的第二个输入矩阵/>;
步骤 6:将第一个输入矩阵带入AP算法中进行迭代,得到对应的迭代矩阵/>;
步骤7,将第二个输入矩阵带入AP算法中进行迭代,得到对应的迭代矩阵/>;
步骤 8:通过迭代矩阵与迭代矩阵/>,计算得到/>矩阵归属度矩阵;
步骤 9 :通过迭代矩阵、迭代矩阵/>与/>矩阵归属度矩阵的相互迭代,迭代至本轮算法收敛,判断聚类结果是否满足阈值条件,将满足阈值条件的用户保存记录,将不满足条件的用户按照步骤1~步骤9再次聚类,直至算法最终收敛或迭代轮次等于最大迭代次数,届时整个通信网络获得最优通信速率;
步骤1中,假设有种内容请求,用户/>和用户/>的内容请求相似度/>表示为:
其中:
,/>表示用户/>对/>内容是否感兴趣,若用户/>对/>内容感兴趣,/>;若用户/>对/>内容不感兴趣,/>;依次类推;
,/>表示用户/>对/>内容是否感兴趣,若用户/>对/>内容感兴趣,/>;若用户/>对/>内容不感兴趣,/>;依次类推;
步骤2中,所述用户和用户/>的社交相似度/>表示为:
其中,表示用户/>和用户/>之间的相遇次数,/>为手动设置的等级,/>为手动设置的分段值,/>、/>、a、b根据实际情况设置,此处a=1,2,3,4,5,b=1,2,3,4;
步骤3中,所述位置信息为以坐标的形式表示的二维位置信息;
步骤5包括:
先将内容请求相似度、社交相似度/>以及用户/>与用户/>的距离/>分别归一化,得到内容请求相似度归一化值/>、社交相似度归一化值/>和用户/>与用户/>的距离归一化值/>;
然后线性表征AP算法的第二个输入矩阵如下:
其中,α为内容请求相似度归一化值的系数、β为社交相似度归一化值/>的系数、δ为用户/>与用户/>的距离归一化值/>的系数;
步骤6中,迭代矩阵表示为:
其中,表示迭代矩阵/>,/>表示第一个输入矩阵/>,/>表示A矩阵归属度矩阵的第i行中除了第j列用户后剩余的用户,/>表示第一个输入矩阵/>的第i行中除了第j列用户后剩余的用户,max()表示取最大值,s.t.为约束条件,即/>是指公式中的/>表示除了第j个用户后的剩余用户;
步骤7中,迭代矩阵表示为:
其中,表示迭代矩阵/>,/>表示第二个输入矩阵/>,max()表示取最大值,s.t.表示约束条件,即/>是指公式中的/>表示除了第j个用户后的剩余用户,因此,/>表示A矩阵归属度矩阵的第i行中除了第j列用户后剩余的用户,/>表示第二个输入矩阵/>的第i行中除了第j列用户后剩余的用户;
步骤8中,矩阵归属度矩阵表示为:
其中,表示/>矩阵归属度矩阵;/>表示迭代矩阵/>的对角线元素,/>表示自行设置的/>的系数;/>表示迭代矩阵/>的对角线元素,/>表示自行设置的的系数;s.t.表示约束条件,即/>是指公式中的/>表示除了第i个用户和第j个用户的剩余用户,因此,/>表示迭代矩阵/>的第j列中除了第i行用户后剩余的用户,/>表示自行设置的/>的系数;/>迭代矩阵/>的第j列中除了第i行用户后剩余的用户,/>表示自行设置的/>的系数;min()表示取最小值,max()表示取最大值。
2.一种计算机终端存储介质,存储有计算机终端可执行指令,其特征在于,所述计算机终端可执行指令用于执行如权利要求1所述的全局用户速率最优的跨层AP改进聚类方法。
3.一种计算装置,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1所述的全局用户速率最优的跨层AP改进聚类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410406255.1A CN117998421B (zh) | 2024-04-07 | 2024-04-07 | 全局用户速率最优的跨层ap改进聚类方法、介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410406255.1A CN117998421B (zh) | 2024-04-07 | 2024-04-07 | 全局用户速率最优的跨层ap改进聚类方法、介质及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117998421A CN117998421A (zh) | 2024-05-07 |
CN117998421B true CN117998421B (zh) | 2024-05-31 |
Family
ID=90889347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410406255.1A Active CN117998421B (zh) | 2024-04-07 | 2024-04-07 | 全局用户速率最优的跨层ap改进聚类方法、介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117998421B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102711285A (zh) * | 2012-04-28 | 2012-10-03 | 西南科技大学 | 一种无线自组织网络表驱动跨层路由学习方法 |
CN109412661A (zh) * | 2018-12-11 | 2019-03-01 | 厦门大学 | 一种大规模mimo系统下的用户分簇方法 |
CN109918562A (zh) * | 2019-01-18 | 2019-06-21 | 重庆邮电大学 | 一种基于用户社区和评分联合社区的推荐方法 |
CN109977979A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团广东有限公司 | 定位种子用户的方法、装置、电子设备和存储介质 |
CN111612650A (zh) * | 2020-05-27 | 2020-09-01 | 福州大学 | 一种基于dtw距离和近邻传播聚类算法的电力用户分群方法及系统 |
CN114666881A (zh) * | 2022-04-14 | 2022-06-24 | 华北电力大学 | 一种基于社交感知d2d网络的功率控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200364001A1 (en) * | 2019-05-15 | 2020-11-19 | Vmware, Inc. | Identical workloads clustering in virtualized computing environments for security services |
US11915614B2 (en) * | 2019-09-05 | 2024-02-27 | Obrizum Group Ltd. | Tracking concepts and presenting content in a learning system |
-
2024
- 2024-04-07 CN CN202410406255.1A patent/CN117998421B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102711285A (zh) * | 2012-04-28 | 2012-10-03 | 西南科技大学 | 一种无线自组织网络表驱动跨层路由学习方法 |
CN109977979A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团广东有限公司 | 定位种子用户的方法、装置、电子设备和存储介质 |
CN109412661A (zh) * | 2018-12-11 | 2019-03-01 | 厦门大学 | 一种大规模mimo系统下的用户分簇方法 |
CN109918562A (zh) * | 2019-01-18 | 2019-06-21 | 重庆邮电大学 | 一种基于用户社区和评分联合社区的推荐方法 |
CN111612650A (zh) * | 2020-05-27 | 2020-09-01 | 福州大学 | 一种基于dtw距离和近邻传播聚类算法的电力用户分群方法及系统 |
CN114666881A (zh) * | 2022-04-14 | 2022-06-24 | 华北电力大学 | 一种基于社交感知d2d网络的功率控制方法 |
Non-Patent Citations (5)
Title |
---|
Improved Affinity Propagation Clustering for D2D Communication in 5G;Anusha Vaishnav等;2022 OITS International Conference on Information Technology (OCIT);20230307;全文 * |
一种基于时序的层次轨迹聚类算法;冷泳林;鲁富宇;;重庆理工大学学报(自然科学);20170315(03);全文 * |
不完整数据聚类算法研究;冷泳林;孙晓红;;计算机技术与发展;20200810(08);全文 * |
基于局部近邻传播及用户特征的社区识别算法;郭昆;郭文忠;邱启荣;张岐山;;通信学报;20150225(02);全文 * |
基于近邻传播聚类的混合推荐系统;王传龙;邵亚斌;;西华大学学报(自然科学版);20200310(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117998421A (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7831111B2 (en) | Method and mechanism for retrieving images | |
US11003896B2 (en) | Entity recognition from an image | |
US7583839B2 (en) | Method and mechanism for analyzing the texture of a digital image | |
US11216459B2 (en) | Multi-layer semantic search | |
CN110502664B (zh) | 视频标签索引库创建方法、视频标签生成方法及装置 | |
US8666992B2 (en) | Privacy preserving method for querying a remote public service | |
CN110334290B (zh) | 一种基于MF-Octree的时空数据快速检索方法 | |
CN113705981B (zh) | 一种基于大数据的异常监测的方法及装置 | |
CN110765286A (zh) | 跨媒体检索方法、装置、计算机设备和存储介质 | |
CN110855648A (zh) | 一种网络攻击的预警控制方法及装置 | |
WO2021143016A1 (zh) | 近似数据处理方法、装置、介质及电子设备 | |
CN111062431A (zh) | 图像聚类方法、图像聚类装置、电子设备及存储介质 | |
US20070098257A1 (en) | Method and mechanism for analyzing the color of a digital image | |
CN110275991B (zh) | 哈希值的确定方法和装置、存储介质、电子装置 | |
CN117998421B (zh) | 全局用户速率最优的跨层ap改进聚类方法、介质及装置 | |
WO2021047664A1 (zh) | 一种生物特征识别的方法及相关设备 | |
CN116630630B (zh) | 语义分割方法、装置、计算机设备及计算机可读存储介质 | |
CN117527369A (zh) | 基于哈希函数的安卓恶意攻击监测方法及系统 | |
WO2020202327A1 (ja) | 学習システム、学習方法、及びプログラム | |
WO2020258509A1 (zh) | 终端设备异常访问的隔离方法和装置 | |
CN112052251A (zh) | 目标数据更新方法和相关装置、设备及存储介质 | |
JP2017162230A (ja) | 情報処理装置、類似データ検索方法、及び類似データ検索プログラム | |
CN115878864A (zh) | 一种数据检索方法、装置、设备及可读存储介质 | |
CN110417744B (zh) | 网络访问的安全判定方法和装置 | |
CN116630629B (zh) | 基于域适应的语义分割方法、装置、设备及存储介质 |
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 |