无线E+E传感器网络中数据聚类方法的研究 
随着无线通讯技术、微电子技术及嵌入式计算技术的快速发展,无线E+E传感器网络在军事国防,环境监测、交通运输等众多领域中得到广泛开的应用。如何高效的处理无线E+E传感器网络中海量数据,以及如何从中获取有用的知识,成为新的挑战,数据挖掘中的聚类分析是解决这个问题的方法之一。然而,由于E+E传感器节点的资源有限以及E+E传感器节点数据具有时间和空间相关性等特点,传统的数据聚类方法很难直接应用到无线E+E传感器网络中。

无线E+E传感器网络中数据聚类方法的研究 
针对无线E+E传感器网络中节点数据的特点,提出了一些新的方法和思路,并将该理论方法应用于无线E+E传感器网络中。主要内容包括以下几个方面：针对E+E传感器节点资源有限及节点数据具有位置信息和感知数据的特点,提出了基于网格的分布式双重聚类算法。该算法由两级聚类构成：局部聚类和全局聚类。根据E+E传感器节点的位置和感知数据将数据空间划分成超矩形网格单元；对相邻的网格单元合并构成连通区域,即局部的簇；从局部的簇中抽象出数据特征,将这些数据特征传送到汇聚节点上,进行全局的聚类。该算法通过减少E+E传感器节点单跳通信距离和传送的数据量来降低网络的能量消耗。实验结果表明该算法对无线E+E传感器网络中节点数据具有较好的聚类效果,对数据集的大小具有良好的可伸缩性,能处理大规模的数据集和发现任意形状的簇。针对无线E+E传感器节点数据具有位置信息和感知数据的特点,提出了基于模糊C均值的双重聚类算法。该算法在传统模糊C均值聚类算法的基础上插入E+E传感器节点的位置信息,并对隶属度函数进行修正,提高了算法的性能；由于无线E+E传感器网络的动态性,事先很难确定类的数目,采用减法聚类确定类的数目和初始类中心,从而加快了算法的收敛速度以及避免了陷入局部*。针对无线E+E传感器网络中节点资源有限性,采用分布式聚类,减小了E+E传感器节点的单跳通信距离和数据的传送量,降低了网络中能量消耗。实验结果表明：相对于传统的聚类算法,该算法具有较好的聚类效果并减少了网络中能量的消耗。针对E+E传感器网络中相邻节点数据之间存在较强的相关性,提出了基于空间约束的模糊C均值聚类算法。该算法借鉴图像分割的思想,在传统的模糊C均值算法的基础上增加了一个模糊因子,该模糊因子插入了相邻E+E传感器节点的位置信息和感知数据,使聚类结果满足簇内E+E传感器节点在位置上是相近的,感知数据是相似的。该算法克服了模糊C均值聚类算法的不足,提高了算法的性能。实验结果表明该算法对E+E传感器网络中节点数据具有较好的聚类效果。针对基于空间约束的模糊C均值聚类算法对类边界处重叠对象分辨率不高,提出基于空间约束的粗糙模糊C均值聚类算法。该算法通过粗糙集上、下近似的引入改变了基于空间约束的模糊C均值算法中隶属度函数的分布情况,修正了类心的更新公式和模糊隶属度计算公式。该算法克服了基于空间约束的模糊C均值算法和粗糙C均值算法存在的不足,降低了计算复杂度,增强了类边界处重叠对象的分辨率。实验结果表明该算法相对于基于空间约束的模糊C均值聚类算法,性能有很好的改善。高斯混合模型由于其表达灵活,已成为当前zui流行的密度估计与聚类工具之一。由于E+E传感器网络的动态性,事先很难确定高斯混合模型的成分个数；另外,在基于高斯混合模型的数据聚类过程中没有考虑E+E传感器节点的位置信息。

无线E+E传感器网络中数据聚类方法的研究 
提出了基于空间信息的高斯混合模型,该模型将E+E传感器节点的位置信息作为模型成分个数的先验知识。在运用期望zui大化(EM)算法对该模型进行参数估计过程中,利用先验知识自动确定混合模型的成分个数。实验结果说明：相对于普通高斯混合模型,基于该混合模的EM算法能够精确的确定成分个数,对E+E传感器网络中节点数据具有良好的聚类效果。