针对三维定位算法中节点坐标转换精度低的问题,在距离重构多维定位算法DR-MDS的基础上,提出了改进的距离重构三维定位算法。该算法在距离重构和MDS-MPA算法的思想下,采用优化的最小均方根偏差几何中心修正算法RMSDGCC(Root Mean Square ...
详细信息
针对三维定位算法中节点坐标转换精度低的问题,在距离重构多维定位算法DR-MDS的基础上,提出了改进的距离重构三维定位算法。该算法在距离重构和MDS-MPA算法的思想下,采用优化的最小均方根偏差几何中心修正算法RMSDGCC(Root Mean Square Deviation-Geometric Center Correction),先计算出坐标转换矩阵,然后利用锚节点的几何中心对所有节点进行修正,实现节点从相对坐标向绝对坐标较高精度的转换。算法可以实现有效的坐标转换,获得较好的定位效果。实验结果显示,与原多维定位算法相比,在不引入测距误差的情况下,改进算法在测距半径为15 m时定位精度提高14%,定位误差缩小至0.63 m,测距半径为35 m时,定位精度提高87%,定位误差几乎为0。该改进算法在三维空间中有更高的节点定位精度。
频繁项集挖掘是数据挖掘中的一个基本问题,在许多数据挖掘应用中发挥着重要作用。针对并行频繁项集挖掘算法MrPrePost在大数据环境存在密集数据集下算法效率下降、计算节点负载量不均衡和冗余搜索等问题,提出了基于N-lists和DiffNodeset两种结构的并行频繁项集挖掘算法(Parallel Mining algorithm of Frequent Itemset based on N-list and DiffNodeset structure, PFIMND)。首先,根据N-list和DiffNodeset在存储不同数据集上的优势,设计了稀疏度估计函数(Sparsity Estimation, SE),根据数据集稀疏程度灵活选取其中之一压缩数据集,相比采用单一存储结构消耗的内存更少;其次,提出了计算量估计函数(Computation Estimation, CE)来估计频繁1项集F-list中每一项的负载量,并根据计算量进行均匀分组;最后采用集合枚举树作为搜索空间,为避免组合爆炸和冗余搜索问题,设计了超集剪枝策略和基于宽度优先搜索的剪枝策略,生成最终的挖掘结果。实验结果表明,相比同类算法HP-FIMBN,PFIMND算法在Susy数据集上挖掘频繁项集的效果提升了12.3%。
暂无评论