论文部分内容阅读
随着网络化信息采集技术和无线信息传输技术在仪器及测试技术领域的普遍应用,由环境干扰、测量误差、测量噪声、数据丢失(或者缺失)以及人为等因素导致的不确定性数据问题逐渐成为影响数据处理可信度和系统可靠性的主导因素之一,并成为研究热点。聚类是数据处理过程中特征形成和提取的重要分析方法,因此很多学者针对不确定性数据聚类问题,从多个角度开展研究,并取得了相应的成果。但是,不确定性信息难以获取、聚类方法效率低、数据流模型与聚类模型间的“失配”,以及实际验证等问题仍然是目前不可回避的研究挑战。鉴于此,本文重点考虑不确定性数据中最普遍的随机特性,针对上述挑战开展不确定性数据聚类方法研究,并结合无线传感器网络(WirelessSensorNetworks,WSN)定位方法研究中必须解决的距离估计问题,实现对研究方法性能的验证和评价,同时开展此类方法的应用研究。研究内容主要包括以下四个方面: (1)针对基于分割的不确定性数据聚类方法存在不确定性信息难以获取、聚类效率低的问题,提出一种基于区间数的多维不确定性数据聚类方法UIDK-means(UncertainIntervalDataK-means)。该方法利用区间数结合统计信息来表示不确定性数据,采用一种低计算量的不确定性数据距离度量方法表示不确定性数据间的距离,实现对静态多维不确定性数据的聚类。实验结果表明,在保证聚类准确度的前提下,与其它相关方法比较,UIDK-means具有更高的聚类效率。 (2)针对动态不确定性数据流聚类方法存在的数据表示过于理想化、聚类模型更新不当,易导致聚类模型和数据流模型之间“失配”的问题,提出一种不确定性数据流聚类方法UIMicro(UncertainIntervalDataMicro)。该方法采用统计信息与区间数相结合的不确定性数据流表示方法,通过可动态调整的两层簇窗口聚类模型结构,实现聚类模型和数据流模型的实时匹配。实验结果表明,相对于其它相关不确定性数据流聚类方法,UIMicro具有良好的模型更新和匹配能力,同时具有较高的聚类质量。 (3)在不确定性数据聚类方法研究的基础上,针对无线传感器网络定位中存在到达信号强度指示(ReceivedSignalStrengthIndicator,RSSI)数据的不确定性分析问题,提出一种基于不确定性数据聚类的静态距离估计方法DEUDC(DistanceEstimationwithUncertainDataClustering),该方法利用RSSI的统计信息来表示其分布特性,并采用UIDK-means算法对RSSI分布特性进行聚类,然后通过模式匹配的方式实现距离估计,以提高无线传感器网络定位算法中的距离估计准确度。在此基础上,进一步开展基于不确定性数据聚类距离估计的WSN定位方法验证。实验分析表明,该距离估计方法能够有效提高距离估计准确度,同时优化基于测距的WSN定位方法,从而得到更高的定位准确度。 (4)针对移动环境中RSSI数据流的动态变化和不确定性等特点导致动态距离估计误差较大的问题,提出一种基于不确定性数据聚类的动态距离估计方法DDEUDC(DynamicDistanceEstimationwithUncertainDataClustering)。在静态距离估计方法基础上,利用动态RSSI数据流序列中数据间的相关特性,通过模式识别方法实现动态距离估计。实验结果表明,相对于目前主流的相关距离估计方法,基于不确定性数据聚类的动态距离估计方法具有更高的估计准确度,为实现高准确度的移动WSN定位提供了数据处理方法基础。