文摘

基于无线传感器网络的无人驾驶侵权行为识别系统,本文对数据挖掘技术的应用和状态机技术,设计和实现了一个实用和有效的。自动驾驶汽车可以减少交通事故的发生频率,缓解城市交通拥堵,改善人们的出行效率,降低驾驶的阈值和其他社会价值。数据处理程序和算法,和一套完整的数据处理程序和算法提出,包括原始传感器数据的收集,收集的数据的预处理和特征提取的数据处理。在这项实验中,无人驾驶首次设计侵权监测网络进行实时监控无人驾驶的侵权行为在运输和应用程序。针对无人驾驶侵权行为的特点,监测网络平台设计远程控制和大规模的监控。其次,根据无人驾驶侵权的特征监测传感器网络、无人驾驶侵权节点监控终端的设计。监控终端部分主要设计了传感器模块、无线通信模块,显示报警模块电源模块,处理模块和数据挖掘。传感器模块,分别包括温度、湿度、浓度传感器,通信模块主要采用无线通信方式。同时,基于无线传感器网络的研究,结合数据挖掘技术,提出了一种感官数据显示系统模型基于数据挖掘技术,并进行深入的分析,感官数据显示系统模型,包括系统的逻辑层、系统体系结构和功能模块。最后,它侧重于特定的应用程序环境信息数据挖掘技术的分析和预测,使用JAVA编程和实现了一个基于无线传感器网络的数据分析和显示系统,并验证数据挖掘算法的准确性。 The experimental results analyze the application of data mining technology in the driverless infringement determination system and use a large number of unmanned driving infringements to analyze the determination rules, so as to realize the interaction between active people and driverless cars.

1。介绍

无线传感器网络(网络)是由大量的传感器节点,每个传感器节点是一个小的微机电系统,他们是随机部署在监测区域1]。这些传感器节点通过无线通信连接在一起形成多次反射自组织网络系统。这个网络将收集和处理信息的观察对象,并将其发送到监控终端(2]。有三个元素的构成,系统传感器、感知对象和观察者。传感器网络是近年来一个新兴领域的知识。它集成了传感器技术、微机电系统、无线通信等技术。学科,它涉及到高度交叉和集成现代热门研究领域3]。与传统汽车相比,无人驾驶汽车实现智能驾驶、解放人类司机从传统的机动车驾驶。无人驾驶汽车将是未来的主要出行工具。通过研究,本文发现交通事故被称为指无人驾驶汽车和机动车之间的交通事故,nonmotor车辆和行人在自动驾驶模式4]。因此,无人驾驶汽车依赖于无人驾驶系统在操作过程中做出判断和决定,不再依赖于驾驶员识别和判断各种情况下像一个驾驶员在操作。然后,无人驾驶汽车会有交通。事故发生后,故障的识别已经成为一个大问题(5]。

无人驾驶汽车和传统汽车的最大区别是两个不同的运营商。传统汽车依赖人类司机控制转向,速度,和刹车的汽车,而新的无人驾驶汽车依赖没有人类驱动系统;无人驾驶系统完全取代人类司机和传统的状态可以完成大多数任务运行的人类司机的传统汽车(6]。无人驾驶车辆发生交通事故后,它变成了一个困难的问题,以确定故障的本构元素侵权责任的交通事故。换句话说,如何确定断层的本构元素司机的责任和侵权责任成为一个问题更加困难。无人驾驶汽车是一种新型的汽车无人驾驶系统上运行(7]。因为无人驾驶汽车依靠无人驾驶操作系统,它构成了挑战,传统的责任机制为交通事故侵权责任集中在人类的司机。传统的责任机制不能继续被用来识别无人驾驶汽车交通事故侵权责任,尤其是确定责任主体和侵权责任的构成8]。

本文基于无线传感器网络的数据挖掘技术支持下,发现无人驾驶汽车与传统汽车相比有特征。更重要的是,它可以找到无人驾驶汽车和传统汽车的核心区别,这有利于发现。责任机制为无人驾驶汽车交通事故侵权责任有别于传统责任机制为机动车道路交通事故侵权责任。无线传感器网络监测终端节点通过节点收集到的无人驾驶侵权和周围的环境参数,通过无线传输到中间节点,和中间节点的设置相对接近监测站促进能源供应。数据开采的中间节点,然后发送到监控中心。摘要RBF数据挖掘主要用于数据融合、数据挖掘和RBF算法嵌入到中间节点。中间节点进行数据挖掘,输出精确的融合结果,然后将它发送到监控中心,以降低能源消耗的数据传输。通过主机接口的形式,实时监控曲线直观地显示,同时,神经网络算法是添加到我的网络的历史数据来预测网络的趋势。它有助于发现的区别责任机制为无人驾驶车辆交通事故侵权责任和传统的机动车道路交通事故责任机制,关注两者之间的差异。监控人员预测一些方便,无人驾驶的条件侵犯网络尽快和预警模式是改善。

2。相关工作

传感器网络的应用前景非常广阔,可以广泛应用于军事、环境监测和预报、医疗、智能家居、建筑物状态监控、复杂机械监控、城市交通、空间探索、大型车间,仓库管理,以及机场、大型工业园区的安全监测等领域。面对巨大的环境数据,数据挖掘技术可以分析环境数据收集在一个高度自动化的方式,归纳推理,挖掘出潜在的模式来分析环境条件并作出预测进化条件(9- - - - - -11]。与传感器技术的不断发展和进步,无线通信技术和计算技术和无线传感器网络的深入研究和广泛应用,无线传感器网络将逐步渗透到人类生活的各个领域。

Pearah [12]使用小气候传感器和视频传感器网络技术来完成一个小规模的生态环境监测,通过有限的传感器节点和简单的通信软件长期数据收集,旨在研究小气候的影响在鸟巢鸟,也研究了自动分类和实时图像数据收集在偏远的鸟巢和嵌入式网络传感技术在土壤中。Hildebrandt [13)使用数据挖掘的方法来提取属性与入侵检测通过比较正常模式和入侵模式。4中有41个属性类型,这属于几种类型,包括字符枚举类型(如网络协议),二进制类型,连续自然数类型和连续的整数类型。属性的值范围也不同。Scharf [14提出了几种基于集群的异常检测方法。这些方法有两个共同特征:(1)首先,我们使用一个特殊的聚类算法来处理输入数据获取集群,然后检测异常的基础上。(2)它只需要多次扫描数据集,这是更有效的,适合大规模数据集。Alfian et al。15)指出,当有数据集的不同密度,DB (p d)异常往往错过的异常数据的一部分。他们进一步认为,数据是否局外人不仅取决于它和周围的数据之间的距离,但也在附近密度。密度在附近的一个对象可以通过社区的半径描述包含固定数量的节点或节点的数量包含在一个指定半径的社区。

由于高度自治的无人驾驶车辆和司机的缺席,无人驾驶车辆的交通事故会对现行法律有一定影响,并不能确定负上部分责任。一些学者认为,无人驾驶汽车是一个特殊的法律问题,提出了无人驾驶汽车独立承担相应的责任。莫汉蒂et al。16)认为这是不成熟的,不合理的无人机成为法律主体。无人驾驶汽车的核心是人工智能系统。不同的学者有不同的意见的法律地位人工智能。无人驾驶汽车被视为每个人,雇佣的司机在路上和无人驾驶汽车驱动按照主人的指令。一次无人驾驶汽车违反交通规则,造成交通事故,他们应该参考现有的侵权法,员工应提交侵权。雇主应负责侵权责任的主体(17]。一些学者还认为,在交通事故的情况下在一个无人驾驶的汽车,电梯侵权责任的规则可以应用类似地,无人驾驶汽车制造商为主体的责任。无人驾驶汽车和电梯都可以运输用户从一个地方到另一个,也可以控制无人驾驶汽车和电梯的操作过程中从目的地出发的地方18- - - - - -20.]。因此,一次无人驾驶汽车卷入了一场交通事故,电梯侵权责任的规则可以应用类似地,和无人驾驶汽车的生产商被认定为公共承运人,谁负责的无人驾驶汽车交通事故侵权责任(21]。

3所示。建设一个无人驾驶的侵权判断基于无线传感器网络的数据挖掘模型

3.1。无线传感器元素的分布

传感器网络通常有大量的节点,节点处于静止状态,节点的分布也很密集。因为节点大多是在野外和随机分布,很难供应能量。因此,传感器网络主要是受到能源、和节点分布很复杂,导致节点。电源故障或损坏等问题无法及时解决。图1显示了无线传感器分布的拓扑结构。

无线传感器网络是由大量廉价的微传感器节点部署在监测区域。这是一个多次反射形成的自组织网络系统无线通信。其目的是合作的意义、收集和处理传感网络覆盖区域中的对象。信息发送给观察者。

传感器网络由大量微型传感器节点组成的分布式环境中或在对象可以检测这些物理参数的变化引起的用户行为的变化,从而识别用户操作和监控环境,根据环境和用户的上下文信息自动完成指定的任务,实现真正的环境智能。

感知层节点是最基本单元在整个无人驾驶侵权传感器网络的核心功能的实现。主要负责网络信息的集合,决定了整个系统的检测精度,也是系统的最重要的部分。

传感节点被分为5个模块,传感器模块,数据处理模块,无线通信模块,显示报警模块和电源模块。然而,在网络功能方面,每个传感器节点是一个微型的嵌入式系统,和每个节点还有一个路由功能。它不仅可以收集信息,但也与其他节点转发信息,完成任务。

随着传感器网络的深入研究,研究人员提出了协议栈在多个传感器节点。协议栈包括物理层、数据链路层,网络层,传输层,应用层,对应于互联网协议栈的五层协议。

此外,该协议栈还包括能量管理平台、移动管理平台和任务管理平台。这些管理平台使得传感器节点以节能的方式一起工作,提出在节点移动的传感器网络数据,并支持多任务和资源共享。

3.2。数据挖掘算法设计

数据挖掘技术是结合多个来源的信息通过一定的方法和过程分为常规和简化的结果。数据挖掘的硬件支持是传感器微机电系统。融合的目标是多源传感器收集的信息网络。数据挖掘的核心目的是协调,优化,全面处理收集到的多源信息。

也可以以这种方式定义,数据挖掘的过程中融合各种多规格信息来源收集的传感器系统在一起,生成各种有效的全面的信息。基本过程如下:系统的前端传感器测量温度和湿度在当前测量环境和无人驾驶的基本信息侵权和上传每个传感器的测量结果实时控制器通过传输电路。控制器将模拟量转换为数字量,然后对获得的数据执行算术处理。数据处理模块处理收集到的标准信号获得直观、简单的数据的浓度、温度和湿度。系统,报警电路的报警通知负责紧急状态;通信模块负责每个传感器网络节点,每个节点之间的通信和中心节点:电源模块包括两个部分:电源模块和电源管理模块,负责系统的电源和电池的电力供应。表1显示了传感器网络节点的描述。

本文选择AM2301数字温度和湿度传感器来满足温度和湿度测量系统的需求。AM2301直接数字输出,降低了控制器的工作负载。它有低价格的优势,稳定性好,精度高,反馈时间短。它可以完全满足设计温度和湿度的要求测量。开始单片机发送命令时,终端输出水平。传感器接收到启动信号后,它从待机状态切换到工作模式。能源消费总量,即传感器采集的数据的能量消耗,能源消耗的由微处理器、数据处理和无线传输和接收的能量消耗,假设(1)不同的数据查询方法消耗相同的能量,当传感器收集数据。(2)如果数据处理所消耗的能量可以忽略不计,无线电收发器的能源消耗的主要因素是影响能源消费总量的不同的数据查询方法。因此,能源消费总量大致可以根据工作时间测量的无线收发器。传感器接收到启动命令后,将反馈信息收集到的温度和湿度控制器,控制器将排序和解码传感器反馈的数据获得的温度和湿度信息参与计算。 The intermediate node of the sensor network is responsible for processing and forwarding the information collected by the sensing node. An intermediate node usually controls multiple sensing nodes. The middle node will merge the collected data and send it to the relay node, and the relay node will send it to the upper computer for monitoring. The real-time monitoring situation is intuitively displayed in the form of the host computer interface, and the prediction algorithm is calculated at the same time. First, it strengthens the prediction of the concentration trend in the network, which facilitates the monitoring personnel to predict the network status in advance and improve the early warning mode. The transmission circuit makes the fluctuation range of its output signal into a standard signal of 1 V to 3 V through two arithmetic processing of the input signal and completes the standardization of signal output.

3.3。无人驾驶侵权的判断

损伤本构元素的无人驾驶汽车交通事故侵权责任并没有太大的区别从传统的机动车道路交通事故的损害,和确定的规则破坏传统机动车交通事故可以遵循。应该如何构成要素如违法行为,错误,和因果关系的侵权无人驾驶车辆交通事故被确定在不同情况下,不同的归责原则适用根据不同的主题。无人驾驶车辆的驾驶模式的混合性质决定了无人机是否在自动驾驶模式或手动驾驶模式发生交通事故时,和他们的驾驶模式的差异也会影响类型的责任。可以看出,传统的识别标准主体负责机动车事故是有缺陷的,识别导致身体的交通事故时,操作控制理论和运行效益理论应该和全面测量相结合,也就是说,操作控制理论的基础上,强调州长应该承担责任,增加经营收益作为补充在某些情况下。无人驾驶汽车被视为每个人,雇佣的司机在路上和无人驾驶汽车驱动按照主人的指令。一次无人驾驶汽车违反交通规则,造成交通事故,他们应该参考现有的侵权法,员工应提交侵权。雇主应负责侵权责任的主体。

因此,传统的识别规则的身体负责机动车道路交通事故不能继续被用来识别身体负责无人驾驶车辆交通事故。简而言之,无人驾驶汽车事故已经打破了传统的识别标准的主体为机动车交通事故负责。之前分析无人驾驶车辆的组成元素侵权责任,有必要首先判断无人驾驶车辆侵权的责任属性,因为不同的责任属性有不同的侵权责任的构成要素,以及不同的责任主体、归责原则,甚至也不同的责任属性影响举证责任,原告的赢率。图2显示了无人驾驶的赢率的统计分布侵权评估。虽然无人驾驶汽车没有情报,传统的汽车,在本质上,无人驾驶汽车的属性没有改变他们的汽车和仍然属于汽车的类别。因此,在一次交通事故中没有人开车应该归因于交通事故的责任。首先,基于操作控制的理论,在无人操作系统的车,它是无人驾驶系统管理操作。也就是说,无人驾驶系统取代人类司机的地位,和负责任的主题应该无人驾驶系统。作为一种技术,无人驾驶系统可以变得像人类司机责任的主题。在现有的法律框架下,无人驾驶系统显然不能成为无人驾驶系统。原则上,主体负责human-driving汽车交通事故不工作。

3.4。模型数据的因素融合

无线通信模块的端口CON1 CON3内置芯片内部上拉电阻,可以直接连接到控制器。根据芯片手册,CON3终端左浮动。芯片工作时所需的电源电流在低功耗模式下甚至低至0.1,因此,无线传感器网络具有更好的环境适应性。为了使通信模块正常运行,需要以下设置。芯片上电后,默认的工作模式是正常模式,并从正常模式可以切换模块的低功耗模式不断应用低水平超过10毫秒睡眠销。使用数据挖掘的方法,可以分析传感器数据离线或在线识别。它可以有效地解决这个问题,由传感器产生的数据量大幅增加后增加数量的传感器网络中。数据挖掘是数据融合的三个不同层次:原来,功能,和决策的水平,这可以大大提高识别系统的稳定性和鲁棒性。图3给出了无线传感器网络通信模块的电路设计。当控制器和通信模块低功耗,之间的通信节点和通信模块和控制器之间的通信将会停止。当控制器唤醒从低功耗、通信模块将从低功耗。正常模式的能耗变化后,系统通信可以恢复正常。

中间层节点位于监控中心的网络,和每个中间节点控制大量的传感器节点。传感节点通过节点收集到的无人驾驶侵权和周围环境参数传输通过无线通信方法相关的中间节点,和中间节点进行数据挖掘处理,选择合适的、有代表性的数据,并将这些数据转发到中继节点。中间节点的硬件结构相似的感知层节点,和都有通信和报警功能。但与此同时,中间节点是不同的感知节点,和中间节点具有数据挖掘功能。在这个算法中,少量的聚类中心节点的无线收发器总是在工作状态,在大多数非中心节点的无线收发器工作状态只有以下两个时期:(1)每一次,系统reclusters节点。同时,节点需要交换信息与系统中心节点和集群中心节点;(2)发现,当一个节点采样数据已经改变,它需要发送数据到集群中心。但总的来说,这两种情况下所需的时间只占一个很小的系统运行时间的一部分,几乎可以忽略。因此,与其他方法相比,该算法提出的方法可以节省能源消费总量最大程度。在无人驾驶侵权传感器网络,通常中间节点相对接近监测站,和人机交换界面中间节点的设计。 When an alarm circuit prompts that there is an abnormality in the security of the network, or the perception layer node of the network is faulty, the man-machine exchange interface displays the specific location of the fault, and priority is given to transmitting this information to the monitoring base station.

4所示。无人驾驶的应用和分析侵权判断基于无线传感器网络的数据挖掘模型

4.1。无线传感器数据过滤

整合数据量、计算速度和功耗的无线传感器网络的设计,这种设计选择一个典型的低功耗单片机MSP430作为本文的硬件部分的控制器。MSP430在正常操作的数据处理能力完全可以满足本设计的需要,和其内部集成A / D转换器可以节省系统的硬件设备和提高成本效益。更引人注目的是单片机的低功耗。芯片工作时所需的电源电流在低功耗模式下甚至低至0.1,因此无线传感器网络具有更好的环境适应性。供电范围能满足转换的要求外部电源和电池电源的设计在同一时间。其最大输出电流限制参数是3,高转换效率和良好的输出特性。为了确保易于实验和实验结果的准确性,需要设计并建造了一个实验平台。

图4显示的扇形分布的影响因素等极端环境传感器。首先,距离测量实验是在一般环境作为对照组进行极端环境的实验。根据实验计划,极端环境传感器测距实验进行的序列。实验结果对传感器的影响最大的附件的大颗粒,风速和风向和粉尘对其影响最小的稳定工作。由于附件大粒度对象表面的激光雷达将直接导致扫描数据的缺乏在某些领域,它可以认为大粒度的依恋对象对环境影响最大的稳定激光雷达范围。通过改变算法的迭代次数,可以实现一种循序渐进的方法,向目标误差,从而实现优化的培训模式。其次,根据标准偏差分布,它可以被认为是环境因素,影响传感器温度的稳定,粉尘浓度和风速在降序排列。在无人驾驶车辆接收车载传感器收集的数据,将信息传递给中央处理器和引导车辆运行或制动根据处理结果。无人驾驶车辆的制动过程主要包括四个阶段,即制动反应阶段,制动协调阶段,制动力增长阶段,制动时间阶段。

实验表明,不同的环境对传感器的稳定性有不同的影响,但测距误差主要是在1%的测距范围内,不可能专门测量不同的环境因素的影响,传感器的稳定性。图5显示了传感器的工作稳定性曲线。标准差与平均值相比,能更好地反映一组数据的分散程度。因此,在这项研究中,误差分布的标准偏差作为工作指数测量传感器的稳定性。选择的标准偏差范围在一定距离下的结果在不同的实验环境中分布。可以看出,在本章提出的数据挖掘聚类算法明显优于原始聚类算法的运行时间为不同的数据。原因是原算法带来了额外的时间成本数据的不确定区域的离散化。尽管数据挖掘算法是直接基于不确定数据的不确定的概率分布区域,它使用r - tree索引和概率。阈值指数PTI排除大多数对象不符合需求提前,从而改善聚类过程的效率。

4.2。数据挖掘模型的仿真实现

通信电路的设计主要负责接收和发送的数据和传感器之间的信号传输网络。这个系统使用wi - fi模块EMW3180-4作为控制芯片的无线通信模块。这是一个高速串行13无线数据传输模块,它在2.4 G ISM频段工作。TCP / IP协议栈,无线模块驱动程序在同一时间。通过它,连续13的无线功能的设备可以实现。当前小于210 mA在操作和小于1 mA在睡眠中。它有低成本的优点,速度快,可靠的传输,穿透能力强。的参数代表的变化率数据项的值,其上限,除非另有说明,其默认值为5%。虽然价值不大,因为这一章使用所需的时间为无线传感器网络中的一个数据项的单位时间和在移动计算环境中,所需的时间对无线传感器网络中的一个数据项是很短的。数据项值的变化率是不小了,它客观地反映了数据的不确定性。在仿真实验中,每个数据项值的变化率是随机分布在[0,]。的参数代表了服务器端数据更新的时间间隔。的价值不会影响无线传感器网络调度的过程,但只会影响数据的绝对规模的不确定性。不失一般性, 实验中使用的单位时间。

如果多个网络通信通道,数据无线传感器网络调度在多个渠道可以有效地减少数据访问延迟。仿真结果的总平均访问时间对应不同的无线传感器网络渠道的数量显示在文本。从这个角度来看,无线传感器网络渠道的增加可以看作是提高无线传感器网络的带宽。图6显示一个线图的无线传感器网络数据的不确定性比。可以看出UCDB-M方法更有效地改善无线传感器网络数据的不确定性率。因此,可以说,UCDB-M方法牺牲少量的访问时间换取显著减少数据的不确定性,这有利于提高查询基于这些数据的质量。使用多个通道的大小几乎没有影响无线传感器网络数据的平均不确定性率及其趋势 。每个单元获得的错误信息可以作为修正每个单元的重量。重复上述两个过程,等待预定目标误差范围停止了。这一现象的原因是,从之前的讨论多通道无线传感器网络的调度策略,可以看出无论是UCDB-M或VHM,无线传感器网络调度的过程类似于单通道的无线传感器网络调度。结果(即每个数据项的相对顺序出现在传输)无关是否使用多种渠道和总平均不确定性的无线传感器网络数据是由每个数据项的相对顺序出现在无线传感器网络中。因此,多通道无线传感器网络没有优势的单通道无线传感器网络的平均速率的无线传感器网络数据的不确定性。从无线传感器网络调度的角度,多通道无线传感器网络调度可以看作是分配的结果单通道无线传感器网络调度到多个频道。

4.3。示例应用程序和分析

为了分析聚类算法的性能提出了在这一章,进行相关的仿真实验和测试结果进行了比较。的性能指标比较聚类的准确性和效率。仿真测试中使用的数据集来自地理信息基准数据集。确定参数的值根据提出的启发式算法,和参数(概率阈值)设置为0.8。仿真测试是使用Visual c++实现奔腾IV 2.4 GHz, 512 MB的电脑。我们第一次使用训练集和测试集(攻击类型是一样的训练集)的实验。本章中采用的异常判定准则是,当这类集群元素的数量还不到总数的1%数据,确定的是,所有这类元素异常点,也就是一个入侵点。检出率是攻击实验中发现的数量比实际数量的攻击;错误检测率的比值数据检测到攻击的数量但实际上正常正常数据的总数。假设空间对象的最大移动距离上次采样到当前时刻 ,和的值反映出移动物体的位置的不确定性,这种不确定性区间由圆表示的空间对象的空间对象的位置获得在最近的抽样为中心为半径,对象的位置不确定性区间符合正态分布。的数据集包含移动对象的数量, 在实验中。图7显示传感器数据的直方图检出率的无人驾驶汽车。

无人驾驶车辆的工作稳定的传感器将在一定程度上受到影响,所以无人车辆的制动响应时间需要考虑传感器的可靠性的元素。在这项研究中,车辆速度和环境因素在制动反应时间选为调查对象,并使用模糊逻辑控制方法分析两个反应时间的影响,以获得环境因素之间的安全距离。传感器的制动反应时间也不同,当车辆运行速度不同。其中,前面的车辆的速度= 0时,它意味着车辆突然停止。无人车的安全距离是一个动态变化的过程。当一个无人驾驶的车辆以一定的速度运行,与前车速度差异越大,越保持安全距离。当车辆速度高,有必要保持很大的距离后,和制动反应时间相对延长。这个工作条件相应的模糊规则如下:当车辆速度是缓慢的和环境的温度和湿度传感器的位置,车辆响应时间中。由于模糊控制系统包括两个输入元素,车辆的速度和程度的环境对传感器的稳定性的影响,模糊集对应于四个语言运营商和六个语言运营商,总共有24个模糊规则。它可以发现以下车辆后才开始制动前面的车辆采取制动措施。 When the vehicle model is constructed in the simulation process, since the selected models are the same, the speed curve slopes in parallel during the braking process. After the simulation, the distance between the two vehicles is 5 m greater than the safe parking distance, so the model verification is valid.

因为它是不可能知道的确切位置移动对象在当前时刻,实际上是不可能获得,它只是作为一个基准实验。图8显示无线传感器数据的离散的三维分布。广泛使用的调整兰德指数(ARI)是用来比较两个聚类结果的相似性。阿里的价值越大,越相似的两个聚类结果。可以看出,作为的价值的增加,两种算法的聚类结果之间的误差和理想的准确的数据聚类的增加,表明数据的不确定性的增加导致聚类精度降低;同样的,值聚类算法提出了更接近于理想的实际结果(ARI价值)超过最初的聚类算法的结果,表明数据挖掘聚类算法更有效。当用户的过错导致交通事故,不需要考虑制造商的产品责任,和用户应该负责普通交通事故。当一个无人驾驶的汽车产品缺陷导致交通事故在无人驾驶车辆,制造商应当承担产品责任。可以看出,在本章提出的数据挖掘聚类算法明显优于原始聚类算法的运行时间为不同的数据。原因是原算法带来了额外的时间成本数据的不确定区域的离散化。尽管数据挖掘算法是直接基于不确定数据的不确定的概率分布区域,它使用r - tree索引和概率。阈值指数PTI排除大多数对象不符合需求提前,从而改善聚类过程的效率。原因是原始聚类算法计算抽样(离散)的不确定区域的数据,和样本的数量计算精度有很大的影响;但在本章提出的数据挖掘聚类算法没有这样的问题。

5。结论

本文数据挖掘技术主要用于融合的多节点收集的数据传感器网络,以减少冗余数据传输造成的能量损失。我们使用数据挖掘算法来预测,融合,火车,和模拟无人驾驶侵权监控数据,从而达到预测的目的网络提前的趋势。在这篇文章中,一个相关的基于无线监测传感器网络设计的无人驾驶侵权的特点。网络是由最基本的传感节点、中间节点,路由中继节点和上位机监控界面。其中,传感节点是网络中的最小单位。传感节点分布在各个角落的监控环境。他们负责监视周围环境参数和收集到的参数传递到中间节点。本文以无人驾驶汽车交通事故侵权责任为研究对象,采用文献研究方法,数据收集方法、比较分析方法,综合分析方法的比较和研究传统的机动车道路交通事故侵权责任规则与无人驾驶汽车。侵权责任规则的差异给出了交通事故,研究无人驾驶汽车的零部件,突破传统的机动车交通事故侵权责任的规则,以便处理提出了一些自己的想法和意见,并希望提供自动驾驶汽车。生产商和其他系统设计者应给予豁免,和生产者责任的范围和系统设计师应尽可能减少。 Producers and system designers should be encouraged to develop driverless cars with an active and open attitude. According to the characteristics of uncertain data, the concept of average data uncertainty rate is proposed, and then, an online broadcast scheduling strategy for uncertain data in a mobile computing environment is proposed, and simulation experiments are carried out for this strategy to prevent transmission errors and transmission errors. For performance testing under the conditions of error occurrence and multichannel wireless sensor network, the results confirm that the strategy proposed in this chapter can significantly reduce the data uncertainty by sacrificing a small amount of access time, which is conducive to the quality of query based on these data.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者声明没有竞争的经济利益或个人关系可能出现影响工作报告。