为了解决空间数据流中任意形状簇的聚类问题,提出了一种基于密度的空间数据流在线聚类算法(On-line density-based clustering algorithm for spatial data stream,OLDStream),该算法在先前聚类结果上聚类增量空间数据,仅对新增空间点及其满足核心点条件的邻域数据做局部聚类更新,降低聚类更新的时间复杂度,实现对空间数据流的在线聚类.OLDStream算法具有快速处理大规模空间数据流、实时获取全局任意形状的聚类簇结果、对数据流的输入顺序不敏感、并能发现孤立点数据等优势.在真实数据和合成数据上的综合实验验证了算法的聚类效果、高效率性和较高的可伸缩性,同时实验结果的统计分析显示仅有4%的空间点消耗最坏运行时间,对每个空间点的平均聚类时间约为0.033ms.
在无线传感器网络的应用中,对无线链路质量进行有效地评估和预测是网络协议设计中的一个基础性问题,特别是对于提高数据的传输可靠性.从刻画无线链路质量的多维角度出发,基于模糊逻辑设计了一个综合性链路质量指标(fuzzy-logic based link quality index,FLI),体现了无线链路的可靠性、波动性和丢包突发性对于链路数据传输可靠性的影响.然后基于FLI准则,利用贝叶斯网络设计了一种对无线链路质量进行分类预测的机制.通过3个实际无线传感器网络研究平台的链路数据集进行实验分析和对比,该机制中的分类预测器的平均预测精度约为85%.相比于4C预测器,在保证平均预测精度的同时,克服了其预测精度在分类界限处的畸变下滑现象,使预测精度的分布均匀化.
在室内TOA(time of arrival)定位中,严重的多径和非视距现象造成测距误差较大。如何降低测距误差对定位精度的影响是室内精确定位系统的重要挑战。首先介绍了基于RSSI的室内TOA测距误差分级模型(RSSI based indoor TOA ranging errormodel,RITEM),该模型根据测距过程的RSSI值大小,将测距误差划分为4个等级,且各个等级的误差区间和对应的RSSI值区间可以通过现场测试获得。将RITEM应用到定位算法中,提出一种基于误差分级的室内TOA定位算法(ranging error classi-fication based indoor TOA localization algorithm,REC)。算法根据TOA测距过程中的RSSI值和RITEM实时估计测距误差级别和误差范围,利用极大似然法求得定位区域中标签最大概率位置作为定位结果。仿真和实际测试结果显示,在实际室内环境中,REC定位算法具有较高的定位精度,且平均定位误差、定位误差均方差和90%定位误差、最大定位误差等性能明显好于LS、CN-TOAG、Nano算法。
