异构词的方法算法

① 异构网络的网络选择算法的研究

异构网络中无线资源管理的一个重要研究方向就是网络选择算法，网络选择算法的研究很广泛，这里给出了几个典型的无线网络选择算法的类别。 预切换可以有效的减少不必要的切换，并为是否需要执行切换做好准备。通常情况下可以通过当前接收信号强度来预测将来接收信号强度的变化趋势，来判断是否需要执行切换。
文献 中利用多项式回归算法对接收信号的强度进行预测，这种方法的计算复杂度较大。文献 中，利用模糊神经网络来对接收信号强度进行预测，模糊神经网络的算法最大的问题，收敛较慢，而且计算的复杂度高。文献 中，利用的是最小二乘算法（LMS）来预测接收的信号强度，通过迭代的方法，能够达到快收敛，得到较好的预测。还有在文献 中，直接采用接收信号强度的斜率来预测接收信号强度，用来估计终端在该网络中的生存时间，但是这种方法太简单，精度不是很高。 在垂直切换的过程中，对于相同的切换场景，通常会出现现在的已出现过的切换条件，对于其垂直切换的结果，可以应用到当前条件下，这样可以有效避免的重新执行切换决策所带来的时延。
文献[33]中，提出利用用户连接信息（User Connection Profile，UCP）数据库用来存储以前的网络选择事件。在终端需要执行垂直切换时，首先检查数据库中是否存在相同的网络选择记录，如果存在可以直接接入最合适的网络。在文献[34]中，提出了将切换到该网络的持续服务时间和距离该网络的最后一次阻塞时间间隔作为历史信息记录下来，根据这些信息，选择是否有必要进行切换。 由于用户对网络参数的判断往往是模糊的，而不是确切的概念，所以通常采用模糊逻辑对参数进行定量分析，将其应用到网络选择中显得更加合理。模糊系统组成通常有3个部分组成，分别是模糊化、模糊推理和去模糊化。对于去模糊化的方法通常采用中心平均去模糊化，最后得到网络性能的评价值，根据模糊系统所输出的结果，选择最适合的网络。
通常情况下，模糊逻辑与神经网络是相互结合起来应用的，通过模糊逻辑系统的推理规则，对神经网络进行训练，得到训练好的神经网络。在垂直切换的判决的时候，利用训练好的神经网络，输入相应网络的属性参数，选择最适合的网络接入。
基于模糊逻辑和神经网络的策略，可以对多种因素(尤其动态因素)进行动态地控制，并做出自适应的决策，可以有效提高网络选择的合理性，但该策略最大的缺点是，算法的实现较为复杂，在电池容量和处理能力均受限的移动设备上是不合适的。 在异构网络选择中，博弈论是一个重要的研究方向。在博弈论的模型中，博弈中的参与者在追求自身利益最大化的同时，保证自身付出的代价尽量小。参与者的这两种策略可以通过效用函数和代价函数来衡量。因此通过最大化效用函数和最小化代价函数，来追求利益的最大化。
文献[36]中提出一种基于博弈论的定价策略和网络选择方案，该方案中服务提供商（Service Providers，SPs）为了提高自己的利润需要面临竞争，它是通过用户间的合作或者非合作博弈来获得，在实际的异构网络场景下，用户和服务提供商SPs之间可以利用博弈模型来表示。Dusit Niyato在文献[37]中，通过竞价机制来进行异构网络资源的管理，这里将业务分成两种类型，一种是基本业务，另一种类似高质量业务，基本业务的价格是固定的，而高质量业务的价格是动态变化的，它是随着服务提供商的竞争和合作而变化的。因此这里从合作博弈和非合作博弈两方面来讨论定价机制。Dusit Niyato在文献[38]中基于进化博弈理论，来解决在带宽受限情况下，用户如何在重叠区域进行网络选择。 网络选择的目标通常是通过合理分配无线资源来最大化系统的吞吐量，或者最小化接入阻塞概率等，这样就会涉及网络优化问题。
网络选择算法往往是一种多目标决策，用户希望得到好的服务质量、价格便宜的网络、低的电池功率消耗等。对于多目标决策算法，通常是不可能使得每个目标同时达到最优，通常的有三种做法：其一，把一些目标函数转化为限制条件，从而减少目标函数数目；其二，将不同的目标函数规范化后，将规范化后的目标函数相加，得到一个目标函数，这样就可以利用最优化的方法，得到最优问题的解；其三，将两者结合起来使用。例如文献[39]中，采用的是让系统的带宽受限，最大化网络内的所有用户的手机使用时间，即将部分目标函数转化为限制条件。文献[40]中，采用的是让用户的使用的费用受限，最大化用户的利益和最小化用户的代价，这里采用的是上面介绍的第三种方法。 基于策略的网络选择指的是按照预先规定好的策略进行相应的网络操作。在网络选择中，通常需要考虑网络负荷、终端的移动性和业务特性等因素。如对于车载用户通常选择覆盖范围大的无线网络，如WCDMA、WiMAX等；对于实时性要求不高的业务，并且非车载用户通常选择WLAN接入。这些均是通过策略来进行网络选择。
文献[41, 42]提出了基于业务类型的网络选择算法，根据用户的业务类型为用户选择合适的网络。文献[35]提出基于负载均衡的网络选择算法，用户选择接入或切换到最小负载因子的网络。[43]提出了一种考虑用户移动性和业务类型的网络选择算法。 多属性判决策略（Multiple Attribute Decision Making，MADM）是目前垂直切换方面研究最多的领域。多属性判决策略主要分为基于代价函数的方法和其他方法。
基于代价函数的方法
代价函数一般有两种构造形式，一种是多属性参数值的线性组合，如（2.1）式所示；另一种是多属性参数值的权重指数乘积或者是属性参数值的对数线性组合，如（2.2）式所示。
（2.1）
（2.2）
其中代表规范化的第个网络的第个属性值，代表第个属性的权值。对于属性的规范化，首先对属性进行分类，分为效益型、成本型等，然后根据不同的类型的，对参数进行归一化，采用最多的是线性规范化、极差规范化和向量变换法。关于权值的确定可以分为简单赋权法(Simple Additive Weighting，SAW)、层次分析法（Analytic Hierarchy Process，AHP）、熵权法、基于方差和均值赋权法。
(1) SAW：用户根据自己的偏好，确定每个属性的重要性，通常给出每个参数取值的具体参数值。
(2) AHP：首先分析评价系统中各要素之间关系，建立递阶层次结构；其次对同一层次的各要素之间的重要性进行两两比较，构造判断矩阵；接着由每层判断矩阵计算相对权重；最后计算系统总目标的合成总权重。
(3) 熵权法：通过求解候选网络中的同一属性的熵值，熵值的大小表明网络同一属性的参数值的差异，差别越大，说明该属性对决策影响越大，相应权值的取值就越大。
(4) 基于方差和均值赋权法：通过求解候选网络中同一属性参数的均值和方差，结合这两个参数确定该属性的重要性程度值，然后再对其进行归一化，得到每个属性的参数值。
其他方法
(1) 基于方差和均值赋权法：通过求解候选网络中同一属性参数的均值和方差，结合这两个参数确定该属性的重要性程度值，然后再对其进行归一化，得到每个属性的参数值。
(2) 逼近理想解排序法（TOPSIS）:首先对参数进行归一化，从网络的每组属性参数值里选择最好的参数组成最优的一组属性参数，同样也可以得到最差的一组属性参数。将每个网络与这两组参数比较，距离最优参数组越近，并且与最差组越远，该网络为最合适的网络。
(3) 灰度关联分析法（GRA）：首先对参数进行归一化，再利用GRA方法，求得每个网络的每个属性的关联系数，然后求出每个网络总的关联系数。根据每个网络总的关联系数，选择最适合的网络。
(4) 消去和选择转换法（ELECTRE）：首先对参数进行归一化，构造加权的规范化矩阵，确定属性一致集和不一致集。然后计算一致指数矩阵和劣势矩阵，最后得到一致指数矩阵和不一致指数矩阵。根据这两个矩阵，确定网络的优劣关系，选择最适合的网络。
VIKOR：首先对参数进行归一化，首先确定最优和最差属性参数组，然后计算得到每个网络属性的加权和属性中最大的参数值，然后利用极差规范化对网络的加权和以及最大属性值进行归一化，最后利用归一化的参数进行加权求和，依据这个值，选择最合适的网络。

② 用于数据挖掘的聚类算法有哪些，各有何优势

在数据挖掘的世界里，各种聚类算法犹如璀璨繁星，各有其独特的魅力和优势。要深入了解这些算法，首先得明白它们是如何在数据的海洋中绘制出清晰的轮廓：

③ 化学怎么用不饱和度判断是不是同分异构体

不饱和度不一样的话也可以是同分异构体的（高中内容也是这样的）
举个例子说明如下：如CH3-O-O-NO2和CH2=CH-O-O-NH2
同分异构体的标准判断方法是：结构要不同，但组成的各原子种类及其个数应该相等，这样宏观上就是分子量相等
至于不饱和度算法见下：1.含C，H两种元素的如CnHm，
则不饱和度算法为Ω=（2*n+2-m）/2
2.含C，H，O的，直接等效为没有O
3.含C，H，O，N的，有两种情形，N，O组合，即NO2
以H换之，再如2或1进行计算
N，H组合，即NH2
以氢替代之，再如2或1进行计算
至于不饱和度的数法，即双键，环的不饱和度为1，三键为2，立体结构环数数了之后要减一，在此就不作赘述
希望以上是你想要的