无线传感器网络中数据聚类方法的研究
作者简介 | 第2-4页 |
摘要 | 第4-6页 |
ABSTRACT | 第6-8页 |
第一章 绪论 | 第12-24页 |
1.1 研究背景与意义 | 第12-14页 |
1.2 聚类方法概述 | 第14-16页 |
1.3 无线传感器网络中数据聚类方法 | 第16-21页 |
1.3.1 机遇与挑战 | 第16-18页 |
1.3.2 研究现状 | 第18-21页 |
1.4 本文主要工作及内容安排 | 第21-24页 |
1.4.1 主要工作 | 第21-22页 |
1.4.2 内容安排 | 第22-24页 |
第二章 相关理论和技术 | 第24-30页 |
2.1 无线传感器网络的数据传送模型 | 第24-27页 |
2.2 聚类算法性能指标 | 第27-30页 |
第三章 基于网格的分布式双重聚类算法 | 第30-48页 |
3.1 引言 | 第30-31页 |
3.2 空间网格的划分方法 | 第31-33页 |
3.2.1 均匀网格划分 | 第31-32页 |
3.2.2 非均匀网格划分 | 第32-33页 |
3.2.3 聚类方法中的网格划分 | 第33页 |
3.3 基于网格的双重聚类算法 | 第33-40页 |
3.3.1 问题的描述 | 第33-34页 |
3.3.2 基于网格的双重聚类算法 | 第34-38页 |
3.3.3 算法性能分析 | 第38-40页 |
3.4 基于网格的分布式双重聚类算法 | 第40-42页 |
3.5 实验分析 | 第42-46页 |
3.6 算法的优缺点 | 第46-47页 |
3.7 小结 | 第47-48页 |
第四章 基于模糊C均值的分布式双重聚类算法 | 第48-68页 |
4.1 引言 | 第48页 |
4.2 基于模糊C均值的双重聚类算法 | 第48-57页 |
4.2.1 模糊C均值聚类算法 | 第48-51页 |
4.2.2 减法聚类 | 第51-52页 |
4.2.3 基于模糊C均值的双重聚类算法 | 第52-57页 |
4.3 基于模糊C均值的分布式双重聚类算法 | 第57-59页 |
4.3.1 算法的描述 | 第57页 |
4.3.2 网络能量消耗分析 | 第57-59页 |
4.4 算法性能分析与实验分析 | 第59-65页 |
4.4.1 算法复杂性分析 | 第59页 |
4.4.2 实验结果与分析 | 第59-65页 |
4.5 算法的优缺点 | 第65-66页 |
4.6 小结 | 第66-68页 |
第五章 基于空间约束的C均值聚类算法 | 第68-86页 |
5.1 引言 | 第68-69页 |
5.2 硬C均值聚类方法 | 第69-71页 |
5.2.1 数据集的划分 | 第69-70页 |
5.2.2 硬聚类和软聚类原理及关系 | 第70-71页 |
5.3 基于空间约束的模糊C均值聚类算法 | 第71-73页 |
5.4 基于空间约束的粗糙模糊C均值聚类算法 | 第73-79页 |
5.4.1 粗糙C均值聚类算法 | 第74-76页 |
5.4.2 粗糙模糊C均值聚类算法 | 第76-77页 |
5.4.3 基于空间约束的粗糙模糊C均值聚类算法 | 第77-79页 |
5.5 算法性能分析与实验分析 | 第79-84页 |
5.6 小结 | 第84-86页 |
第六章 基于空间信息的高斯混合模型 | 第86-98页 |
6.1 引言 | 第86页 |
6.2 高斯混合模型及参数估计 | 第86-88页 |
6.2.1 高斯混合模型的一般形式 | 第86-87页 |
6.2.2 高斯混合模型的参数估计 | 第87-88页 |
6.3 基于空间信息的高斯混合模型及参数估计 | 第88-91页 |
6.3.1 基于空间约束的高斯混合模型 | 第88-89页 |
6.3.2 模型参数的估计 | 第89-90页 |
6.3.3 混合模型成分个数的估计 | 第90-91页 |
6.4 算法性能分析与实验分析 | 第91-96页 |
6.4.1 算法复杂性分析 | 第91-92页 |
6.4.2 实验结果与分析 | 第92-96页 |
6.5 小结 | 第96-98页 |
第七章 总结与展望 | 第98-102页 |
7.1 总结 | 第98-99页 |
7.2 展望 | 第99-102页 |
致谢 | 第102-104页 |
参考文献 | 第104-116页 |
攻读博士学位期间的研究成果 | 第116-118页 |
攻读博士学位期间的研究成果 | 第118-119页 |