[发明专利]基于模糊C均值聚类算法的无线传感器网络数据聚类方法

摘要

本发明公开了一种基于模糊C均值聚类算法的无线传感器网络数据聚类方法，其首次提出了相对位置相异度公式即公式(2)至(4)，克服了现有区间数距离公式存在区间数距离值与其相对位置不一致的问题，可以定量描述区间数间相对位置，能更准确描述区间数之间相对位置，并通过模糊C均值聚类算法将该相对位置相异度公式应用到无线传感器网络节点的聚类划分上，从而在不影响聚敛速度的前提下，将无线传感器网络的节点更准确的划分成多个聚类，使得每一个聚类内的节点相互之间的感知数据区间数序列差异更小、而各个聚类之间的节点的感知数据区间数序列差异更大，改善了聚类效果。

主权项

一种基于模糊C均值聚类算法的无线传感器网络数据聚类方法，所述无线传感器网络的各个节点的感知数据类型相同，其特征在于：所述无线传感器网络数据聚类方法包括以下步骤：步骤一，获取无线传感器网络的全部节点在同一时刻的感知数据，将获取到的感知数据转换为区间数并置于感知数据区间数集合其中，n为无线传感器网络的节点数量，p为无线传感器网络节点的感知数据类型数量，为无线传感器网络第k个节点所采集到的全部p种类型的感知数据区间数序列，该感知数据区间数序列的第j类感知数据区间数j＝1,2,…,p，a_kj^‑＝m_kj‑η_j，a_kj⁺＝m_kj+η_j，m_kj为无线传感器网络第k个节点所采集到的第j类感知数据，η_j为预设的第j类感知数据的误差系数；步骤二，建立c个簇，该c个簇的簇中心集合第i个簇的簇中心${\stackrel{\→}{g}}_{\mathrm{si}}=(g_{\mathrm{si}1},g_{\mathrm{si}2},\·\·\·g_{\mathrm{sip}})=\left(\right[{{\mathrm{\β}}_{\mathrm{si}1}}^{-},{{\mathrm{\β}}_{\mathrm{si}1}}^{+}],[{{\mathrm{\β}}_{\mathrm{si}2}}^{-},{{\mathrm{\β}}_{\mathrm{si}2}}^{+}],\·\·\·,[{{\mathrm{\β}}_{\mathrm{sip}}}^{-},{{\mathrm{\β}}_{\mathrm{sip}}}^{+}\left]\right),$i＝1,2,…,c，β_sij^‑＝m_sij‑η_j，β_sij⁺＝m_sij+η_j，其中，c的取值等于无线传感器网络节点所需聚类数量，s为迭代计数值；并且，在迭代计数值s＝0时，将初始的簇中心集合G_s中的c个簇中心随机赋值为感知数据区间数集合X中的任意c个感知数据区间数序列步骤三，按照以下公式(1)至公式(4)，计算出在迭代计数值s＝0时，无线传感器网络每一个节点的感知数据区间数序列相对于每一个簇的隶属度，并将计算结果记录为隶属度矩阵$U_s=\left[\begin{array}{ccccc}{u}_{s11}& ...& u_{s1k}& ...& u_{s1n}\\ .& & .& & .\\ .& & .& & .\\ .& & .& & .\\ u_{\mathrm{si}1}& ...& u_{\mathrm{sik}}& ...& u_{\sin }\\ .& & .& & .\\ .& & .& & .\\ .& & .& & .\\ u_{\mathrm{sc}1}& ...& u_{\mathrm{sck}}& ...& u_{\mathrm{scn}}\end{array}\right];$其中，在第s次迭代时，第k个节点的感知数据区间数序列属于第i个簇的隶属度为：公式(1)在第s次迭代时，第k个节点的感知数据区间数序列与第i个簇的簇中心之间的相异度为：$D({\stackrel{\→}{x}}_k,{\stackrel{\→}{g}}_{\mathrm{si}})=\underset{j=1}{\overset{p}{\mathrm{\Π}}}D(x_{\mathrm{kj}},g_{\mathrm{ij}})$                              公式(2)在第s次迭代时，感知数据区间数序列的第j类感知数据区间数x_kj与簇中心的第j类感知数据区间数g_sij之间的相异度为：$D(x_{\mathrm{kj}},g_{\mathrm{sij}})=h^{d(x_{\mathrm{kj}},g_{\mathrm{sij}})}$                             公式(3)$d(x_{\mathrm{kj}},g_{\mathrm{sij}})=\frac{|m_{\mathrm{sij}}-m_{\mathrm{kj}}|-0.5\×(r_x+r_g)}{r_x+r_g+w}$                       公式(4)其中，h为大于1的常数，r_x＝a_kj⁺‑a_kj^‑，r_g＝β_sij⁺‑β_sij^‑，w为趋向于0的正值常数；步骤四，将迭代计数值s加1，并按照以下公式(5)和(6)更新全部c个簇的簇中心其中，在第s次迭代时，第i个簇的簇中心的第j类感知数据区间数g_sij的上限值β_sij⁺下限值和β_sij^‑为：${\mathrm{\β}}_{\mathrm{sij}}^{-}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left(u_{(s-1)\mathrm{ik}}\right)}^2{\mathrm{\β}}_{(s-1)\mathrm{kj}}^{-}}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left(u_{(s-1)\mathrm{ik}}\right)}^2}---\left(5\right)$${\mathrm{\β}}_{\mathrm{sij}}^{+}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left(u_{(s-1)\mathrm{ik}}\right)}^2{\mathrm{\β}}_{(s-1)\mathrm{kj}}^{+}}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left(u_{(s-1)\mathrm{ik}}\right)}^2}---\left(6\right)$步骤五，用步骤四更新的c个簇的簇中心按照公式(1)至公式(4)，计算出第s次迭代时，无线传感器网络每一个节点的感知数据区间数序列相对于每一个簇的隶属度，并将计算结果记录为隶属度矩阵U_s；步骤六，在第s次迭代时，判断U_s与U_s‑1是否满足||U_s‑U_s‑1||＜ε，如是，则终止迭代，如否，则继续进行迭代，即重复步骤四和五，其中，ε为预设的迭代终止门限值，||U_s‑U_s‑1||是指将U_s和U_s‑1该两个矩阵中相应位置的隶属度相减并取绝对值后再将各个绝对值进行相加，即||U_s‑U_s‑1||＝|u_s11‑u_(s‑1)11|+…+|u_sik‑u_(s‑1)ik|+…+|u_scn‑u_(s‑1)cn|；步骤七，在步骤六终止迭代后，对于终止迭代当次获得的隶属度矩阵U_s，将每一个节点的c个隶属度进行比较，以将无线传感器网络的全部节点的感知数据区间数序列归类到c个簇中，从而将无线传感器网络的全部节点相应的划分成c个聚类，其中，对于第k个节点的感知数据区间数序列其归类到其c个隶属度中最大隶属度所对应的簇中。