针对大型网络中效率计算时间复杂度高、计算耗时长的问题，提出一种基于分形特性的网络效率估计方法。利用复杂网络拓扑结构的分形特性，分析网络效率与节点关联和的关系，用部分节点关联和来估计网络全局效率。此外，为了快速判断复杂网络的分形特性，提出基于节点关联和的分形特性判别方法。在构造网络和真实网络中进行实验分析，结果表明，所提方法能准确有效地估算网络全局效率，比原始的网络效率计算方法可缩减不低于90%的计算时间。

什么是频繁模式分析？ 频繁模式是频繁的出现在数据集中的模式 如项集、子序或者子结构 动机：发现数据中蕴含的内在规律 那些产品经常被一起购买？---啤酒和尿布？ 买了PC之后接着都会买些什么？ 哪种DNA对这种新药敏感 我们能够自动的分类WEB文档吗？ 应用 购物篮分析、WEB日志（点击流）分析、捆绑销售、DNA序列分析等 频繁模式挖掘的重要性 揭示数据集的内在的、重要的特性 作为很多重要数据挖掘任务的基础 关联、相关和因果分析 序列、结构（e.g.子图）模式分析 时空、多媒体、时序和流数据中的模式分析 分类：关联分类 聚类分析：基于频繁模式的聚类 数据仓库：冰山方体计算

研究了在毫米波（mmWave）频段运行的两层异构网络（HetNet）中的用户关联和无线回程分配。 假定宏小区层基站（BS）配备有大规模天线阵列，而小型小区BS仅具有单天线功能，并且它们依赖到宏BS的无线链路进行回程。 为了平衡吞吐量和公平性，选择对数用户速率之和作为优化问题的网络实用程序。 提出了一种基于层次原始分解和对偶分解的分布式算法。 首先，原始分解将原始问题转换为两个子问题，即无线回程带宽分配子问题和用户关联子问题。 其次，将对接收到的信号干扰加噪声比（SINR）的偏见引入到小蜂窝层中，以实现漫游的流量。 最后，当保持Karush-Kuhn-Tucker条件或Slater条件成立时，可以通过对偶分解从Lagrange对偶函数获得用户关联子问题的最优解X ∗。 在达到相同最佳性能的同时，所提出的分布式算法比穷举搜索方法收敛得更快。 仿真结果表明，随着我们增加大型天线阵列尺寸和增加用户数量，系统吞吐量得到了提高。 更改小型小区BS数量的影响微不足道。 此外，通过分布式算法实现的系统吞吐量要优于传统的基于最大SINR的用户关联策略。

关于航迹关联 及 数据融合方面的论文