參與感知網(wǎng)絡(luò)抽樣生成及數(shù)據(jù)優(yōu)化策略研究.pdf

1、本文針對參與感知網(wǎng)絡(luò)所涉及的抽樣生成問題，數(shù)據(jù)融合和數(shù)據(jù)處理問題，以及推薦服務(wù)問題展開研究。具體工作主要包括以下幾個方面:
　　本文第一部分針對參與感知網(wǎng)絡(luò)中隨機抽樣算法抽樣結(jié)果不能很好地代表原始網(wǎng)絡(luò)問題，設(shè)計了一種基于Dijkstra最短路徑抽樣算法。首先，利用Dijkstra算法多次抽取網(wǎng)絡(luò)中節(jié)點之間的最短路徑;然后，對抽取到的路徑中邊出現(xiàn)頻率進(jìn)行排序，選擇較高頻率的邊組成抽樣子圖。算法解決了隨機抽樣算法存在的一些問題，實現(xiàn)了

2、較好的生成抽取抽樣網(wǎng)絡(luò)功能。通過仿真實驗與隨機抽樣方法相比，證明了該抽樣算法能更好的反映原始網(wǎng)絡(luò)。
　　本文第二部分針對傳統(tǒng)多傳感器數(shù)據(jù)融合方法計算結(jié)果存在偏差較大和計算復(fù)雜度較高的問題，設(shè)計了一種“兩步走”的方法，第一步利用模糊C均值聚類算法對采集到的數(shù)據(jù)進(jìn)行聚類分析，剔除偏差較大的類;第二步利用數(shù)據(jù)融合的方式，對可靠類數(shù)據(jù)進(jìn)行融合，從而降低數(shù)據(jù)冗余度。通過仿真實驗與傳統(tǒng)數(shù)據(jù)融合算法進(jìn)行對比，證明了本方法能夠使得采集到的數(shù)據(jù)更加

3、貼近真實值，從而實現(xiàn)網(wǎng)絡(luò)中傳感器數(shù)據(jù)的優(yōu)化提取。
　　本文第三部分針對傳統(tǒng)推薦算法系統(tǒng)中數(shù)據(jù)稀疏導(dǎo)致推薦質(zhì)量差的問題，提出了一種基于陰影集粗糙模糊C均值聚類的協(xié)同過濾推薦算法(SRFCM-CF)，解決了由于評分?jǐn)?shù)據(jù)稀疏導(dǎo)致最近鄰選擇誤差大的問題，優(yōu)化了協(xié)同過濾推薦系統(tǒng)中最優(yōu)近鄰集合的篩選，從而實現(xiàn)數(shù)據(jù)的高效推送服務(wù)。通過仿真實驗，與一些傳統(tǒng)的推薦算法相比，證明了該方法能夠更好地進(jìn)行近鄰集合的篩選，也能夠更好的提升推薦系統(tǒng)質(zhì)量。