無線E+E傳感器網絡中數據聚類方法的研究 
隨著無線通訊技術、微電子技術及嵌入式計算技術的快速發展,無線E+E傳感器網絡在軍事國防,環境監測、交通運輸等眾多領域中得到廣泛開的應用。如何高效的處理無線E+E傳感器網絡中海量數據,以及如何從中獲取有用的知識,成為新的挑戰,數據挖掘中的聚類分析是解決這個問題的方法之一。然而,由于E+E傳感器節點的資源有限以及E+E傳感器節點數據具有時間和空間相關性等特點,傳統的數據聚類方法很難直接應用到無線E+E傳感器網絡中。

無線E+E傳感器網絡中數據聚類方法的研究 
針對無線E+E傳感器網絡中節點數據的特點,提出了一些新的方法和思路,并將該理論方法應用于無線E+E傳感器網絡中。主要內容包括以下幾個方面：針對E+E傳感器節點資源有限及節點數據具有位置信息和感知數據的特點,提出了基于網格的分布式雙重聚類算法。該算法由兩級聚類構成：局部聚類和全局聚類。根據E+E傳感器節點的位置和感知數據將數據空間劃分成超矩形網格單元；對相鄰的網格單元合并構成連通區域,即局部的簇；從局部的簇中抽象出數據特征,將這些數據特征傳送到匯聚節點上,進行全局的聚類。該算法通過減少E+E傳感器節點單跳通信距離和傳送的數據量來降低網絡的能量消耗。實驗結果表明該算法對無線E+E傳感器網絡中節點數據具有較好的聚類效果,對數據集的大小具有良好的可伸縮性,能處理大規模的數據集和發現任意形狀的簇。針對無線E+E傳感器節點數據具有位置信息和感知數據的特點,提出了基于模糊C均值的雙重聚類算法。該算法在傳統模糊C均值聚類算法的基礎上插入E+E傳感器節點的位置信息,并對隸屬度函數進行修正,提高了算法的性能；由于無線E+E傳感器網絡的動態性,事先很難確定類的數目,采用減法聚類確定類的數目和初始類中心,從而加快了算法的收斂速度以及避免了陷入局部*。針對無線E+E傳感器網絡中節點資源有限性,采用分布式聚類,減小了E+E傳感器節點的單跳通信距離和數據的傳送量,降低了網絡中能量消耗。實驗結果表明：相對于傳統的聚類算法,該算法具有較好的聚類效果并減少了網絡中能量的消耗。針對E+E傳感器網絡中相鄰節點數據之間存在較強的相關性,提出了基于空間約束的模糊C均值聚類算法。該算法借鑒圖像分割的思想,在傳統的模糊C均值算法的基礎上增加了一個模糊因子,該模糊因子插入了相鄰E+E傳感器節點的位置信息和感知數據,使聚類結果滿足簇內E+E傳感器節點在位置上是相近的,感知數據是相似的。該算法克服了模糊C均值聚類算法的不足,提高了算法的性能。實驗結果表明該算法對E+E傳感器網絡中節點數據具有較好的聚類效果。針對基于空間約束的模糊C均值聚類算法對類邊界處重疊對象分辨率不高,提出基于空間約束的粗糙模糊C均值聚類算法。該算法通過粗糙集上、下近似的引入改變了基于空間約束的模糊C均值算法中隸屬度函數的分布情況,修正了類心的更新公式和模糊隸屬度計算公式。該算法克服了基于空間約束的模糊C均值算法和粗糙C均值算法存在的不足,降低了計算復雜度,增強了類邊界處重疊對象的分辨率。實驗結果表明該算法相對于基于空間約束的模糊C均值聚類算法,性能有很好的改善。高斯混合模型由于其表達靈活,已成為當前zui流行的密度估計與聚類工具之一。由于E+E傳感器網絡的動態性,事先很難確定高斯混合模型的成分個數；另外,在基于高斯混合模型的數據聚類過程中沒有考慮E+E傳感器節點的位置信息。

無線E+E傳感器網絡中數據聚類方法的研究 
提出了基于空間信息的高斯混合模型,該模型將E+E傳感器節點的位置信息作為模型成分個數的先驗知識。在運用期望zui大化(EM)算法對該模型進行參數估計過程中,利用先驗知識自動確定混合模型的成分個數。實驗結果說明：相對于普通高斯混合模型,基于該混合模的EM算法能夠精確的確定成分個數,對E+E傳感器網絡中節點數據具有良好的聚類效果。