參與感知網絡抽樣生成及數據優(yōu)化策略研究.pdf

1、本文針對參與感知網絡所涉及的抽樣生成問題，數據融合和數據處理問題，以及推薦服務問題展開研究。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絡中隨機抽樣算法抽樣結果不能很好地代表原始網絡問題，設計了一種基于Dijkstra最短路徑抽樣算法。首先，利用Dijkstra算法多次抽取網絡中節(jié)點之間的最短路徑;然后，對抽取到的路徑中邊出現頻率進行排序，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，實現了

2、較好的生成抽取抽樣網絡功能。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絡。
　　本文第二部分針對傳統(tǒng)多傳感器數據融合方法計算結果存在偏差較大和計算復雜度較高的問題，設計了一種“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據進行聚類分析，剔除偏差較大的類;第二步利用數據融合的方式，對可靠類數據進行融合，從而降低數據冗余度。通過仿真實驗與傳統(tǒng)數據融合算法進行對比，證明了本方法能夠使得采集到的數據更加

3、貼近真實值，從而實現網絡中傳感器數據的優(yōu)化提取。
　　本文第三部分針對傳統(tǒng)推薦算法系統(tǒng)中數據稀疏導致推薦質量差的問題，提出了一種基于陰影集粗糙模糊C均值聚類的協同過濾推薦算法(SRFCM-CF)，解決了由于評分數據稀疏導致最近鄰選擇誤差大的問題，優(yōu)化了協同過濾推薦系統(tǒng)中最優(yōu)近鄰集合的篩選，從而實現數據的高效推送服務。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行近鄰集合的篩選，也能夠更好的提升推薦系統(tǒng)質量。