【摘 要】
：
针对无线多跳网络会出现多维异常数据,导致网络无法正常运行问题,提出一种基于相似度统计检测的多维异常数据动态隔离方法。通过相似度统计算法对多维异常数据检测,获取其特征分布情况;利用粗过滤方法对多维异常数据做特征提取,从而获得完整的异常数据特征和线路区段特征信息;根据无线多跳网络运行轨迹为DG多边形,融合当前的网络拓扑构架来搜索特征开断开关,从而切断多维异常数据的位置节点,达到无线多跳网络多维异常数据
【基金项目】
：
2017年度河南省高等学校青年骨干教师培养计划项目(2017GGJS292),2019年河南省高等教育教学改革研究与实践立项项目(2019SJGLX666)。
论文部分内容阅读
针对无线多跳网络会出现多维异常数据,导致网络无法正常运行问题,提出一种基于相似度统计检测的多维异常数据动态隔离方法。通过相似度统计算法对多维异常数据检测,获取其特征分布情况;利用粗过滤方法对多维异常数据做特征提取,从而获得完整的异常数据特征和线路区段特征信息;根据无线多跳网络运行轨迹为DG多边形,融合当前的网络拓扑构架来搜索特征开断开关,从而切断多维异常数据的位置节点,达到无线多跳网络多维异常数据动态隔离的目的。仿真结果证明,文中方法能够快速的对多维异常数据进行隔离,并且在运行过程中数据完整度高,吞
其他文献
主要研究了在复数域中的复杂网络的修正延时投影同步问题,不仅考虑到了系统参数具有复数性质,还考虑到了修正投影的参数也为复数的情况。基于Lyapunov稳定性理论,通过设定带有延时的复数Lyapunov函数,设计了复杂网络的修正延时投影同步控制器,证明了系统实部和系统虚部将分别达到同步。通过对不同类型的复杂网络的模拟,发现尽管网络的拓扑结构和网络规模不同,均可达到复数延时投影同步。数值仿真的结果证明了
目的:探究分析基于行为护理在冠心病护理中的效果和应用价值.方法:将我院于2020年1月—2021年2月收治的134例冠心病患者纳入本组研究,按照随机数字表法将其均分为两组并对其
目的:针对宫颈癌患者实施聚焦式护理对术后尿潴留的影响.方法:选择2019年5月至2020年4月我院收治的70例宫颈癌患者,采用随机数字表法分为参照组与实验组,各35例.参照组实施常
传统曲线分形插值存在地理弯曲特征约束少、在分形过程中容易失去控制的问题,为此提出了曲线信息隐藏特征约束可控分形插值算法。分析并提取曲线中的信息隐藏特征,并以此作为分形插值算法的运行约束条件,从而设置约束控制参数。在约束控制条件下,计算曲线分形插值点的基值,并确定插值的次数和维数,并结合仿射变换原理实现曲线的可控分形插值。通过与传统插值算法的对比发现,设计插值算法得出的结果更加接近实际结果,能够最大
建筑构件位置分布建模存在可用度较低,建模时间较长,总造价较高的问题,为提高建筑物的整体质量,节约建筑成本,增强建筑结构的适用性,提出基于遗传算法的建筑构件位置分布建模方法,单层建筑主体构件以建筑主体构件横截面的轮廓曲线为基础,由单层建筑主体经过复制生成多层建筑主体完成建筑主体构件建模。通过分析建筑构件的组成,将遗传算法应用在建筑构件位置分布建模中,在适应度函数构建方面增加了对称度、均匀度的度量,对
目的:探究延续护理对肾功能衰竭腹膜透析患者生活质量及生存率的影响.方法:将2020年4月--2021年4月我院收治的肾功能衰竭腹膜透析患者(n=76)作为研究对象.双盲法分为研究组(n
针对传统方法数据融合精度不高、簇头节点输送数据时能耗较高的问题,为了提升数据融合的安全性,提出基于节点信誉度的传感器数据安全融合方法。对参加安全数据融合的传感器节点进行信任计算,利用传感器一致性方差获得节点行为信任可靠属性值,构建节点行为信任模型,并使用Josang信任模型处理数据流中的不确定因素问题,对融合节点进行信誉度分组,对安全数据实施评估,在统计规律结果的基础上分析节点可信任水平,实现对传
采用目前方法挖掘网络入侵数据时未考虑数据之间的关联规则,导致网络入侵数据挖掘过程的检测时间长、检测效率低、误报效率高。提出基于改进Apriori算法的网络入侵数据挖掘方法,利用改进后的Apriori算法产生网络入侵数据之间的关联规则,依据产生的关联规则对网络入侵数据进行特征抽取,最后将抽取出的特征放入贝叶斯数据分类器中进行数据分类,实现网络入侵数据挖掘。实验表明,基于改进的Apriori算法在网络
目的:分析在老年高血压患者护理过程中应用综合护理干预的作用.方法:在2020年5月～2021年5月期间我院收治的老年高血压患者中选取72例作为研究对象并分为两组,其中,对照组采用
由于数据集规模、维数,以及复杂程度的不断提高,导致对其离群点的挖掘难度越来越大,提出了基于邻域密度的局部离群点挖掘算法。首先依据节点计算性能对高维数据进行区域分割,通过各个维度的数据分布来评价区域分割的效果。然后采取核密度来描述局部密度,根据高斯分布得到数据出现次数,进一步计算出数据邻域密度。再由邻域及密度关系计算得到各数据离群度,从而判断异构数据中的离群点。最后针对可能存在的离群误判情况,采取离