无线传感器网络中面向图像的模糊C均值聚类算法的研究

摘要

无线传感器网络(Wireless Sensor Networks，WSNs)是在一定区域内随机散播大量的传感器节点并自主构成的无线网络。在实际应用中，无线传感器网络会接收海量数据并存在大量的冗余数据，采用数据聚类机制，可以删除冗余数据，同时减少无线传感器网络中传输的数据量，从而减少网络中消耗的能量，从而使网络的生命周期得以延长。模糊C均值聚类算法作为一种软聚类方法，用途广泛而且技术较为成熟。但是，一般的模糊C均值聚类算法对无线传感器网络中节点的图像数据进行分析时仍面临缺乏空间相关性和易陷入局部最优解的问题。为解决这些问题，本文的主要做了以下两方面的工作:
　　首先，针对无线传感器网络的图像数据在模糊C均值聚类算法的分析时缺乏空间相关性的问题，提出一种改变了隶属度函数的模糊C均值聚类算法(MFCM)，MFCM在分析数据时能保留邻域像素点之间的空间相关性信息，使得在聚类迭代过程中能考虑图像的这些信息，从而增强算法的图像处理能力，减少噪声带来的影响并有效纠正错误分类的像素点。
　　其次，以模糊C均值聚类算法易陷入局部最优解这一问题为切入点，在本文已改进的模糊C均值聚类算法MFCM的基础上，提出了基于萤火虫算法的改进的模糊C均值聚类算法（FAMFCM）。FAMFCM利用了萤火虫算法在寻找全局最优解的优势，使用萤火虫算法替代了模糊C均值聚类算法中簇中心的迭代寻找过程，从而减少了算法的迭代次数，降低无线传感器网络的能量消耗，并使得簇中心的定位更准确，算法聚类的准确率得到提高，在处理无线传感器网络图像数据上拥有更好的性能。

目录

声明

摘要

第一章 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 聚类算法的研究现状

1．2．2 模糊C均值聚类算法的研究现状

1．2．3 无线传感网中聚类算法的研究现状

1．2．4 萤火虫算法的研究现状

1．3 论文的研究内容与创新点

1．4 论文的组织结构

第二章 模糊C均值聚类算法介绍

2．1 模糊C均值聚类算法

2．2 模糊C均值聚类算法参数m的选择

2．3 模糊C均值聚类算法函数的鲁棒性分析

2．4 本章小结

第三章 基于邻域隶属度的改进FCM算法

3．1 MFCM算法模型

3．2 目标函数中参数m，α的选择

3．3 MFCM算法步骤

3．4 实验及结果分析

3．4．1 噪声处理分析

3．4．2 运算时间分析

3．5 本章小节

第四章 基于萤火虫算法的改进FCM算法

4．1 萤火虫算法

4．2 FAMFCM算法

4．3 实验及结果分析

4．3．1 能耗实验及分析

4．3．2 聚类效果分析

4．4 本章小结

第五章 总结与展望

5．1 全文总结

5．2 研究展望

参考文献

致谢

攻读硕士学位期间参加的科研项目