王玲

摘 要： 通過對移動用戶的行為挖掘模型構(gòu)建，并應(yīng)用在E?Learning網(wǎng)絡(luò)學(xué)習(xí)移動中，實(shí)現(xiàn)E?Learning系統(tǒng)的優(yōu)化設(shè)計(jì)。提出一種基于頻繁項(xiàng)集關(guān)聯(lián)規(guī)則分析的移動網(wǎng)絡(luò)用戶行為挖掘模型，結(jié)合嵌入式Linux進(jìn)行E?Learning系統(tǒng)的開發(fā)設(shè)計(jì)。進(jìn)行E?Learning系統(tǒng)的總體設(shè)計(jì)描述，開啟SQL驅(qū)動支持來編譯基于ARM平臺的QWT庫，構(gòu)建TinyOS的通信機(jī)制，實(shí)現(xiàn)無線消息包組的傳輸。軟件開發(fā)主要包括移動網(wǎng)絡(luò)用戶節(jié)點(diǎn)程序設(shè)計(jì)、節(jié)點(diǎn)程序開發(fā)、上位機(jī)通信。在嵌入式Linux系統(tǒng)下的程序引導(dǎo)和軟件的移植實(shí)現(xiàn)了對移動網(wǎng)絡(luò)用戶行為模型挖掘和E?Learning系統(tǒng)的軟件開發(fā)設(shè)計(jì)。實(shí)驗(yàn)結(jié)果表明，該移動網(wǎng)絡(luò)用戶行為挖掘模型具有較好的數(shù)據(jù)挖掘性能，系統(tǒng)優(yōu)化設(shè)計(jì)提高了E?Learning系統(tǒng)對移動網(wǎng)絡(luò)用戶的服務(wù)質(zhì)量，展示了較好的應(yīng)用價(jià)值。

關(guān)鍵詞： 移動網(wǎng)絡(luò)用戶； 行為挖掘； E?Learning系統(tǒng)； 優(yōu)化設(shè)計(jì)

中圖分類號： TN926?34； TP393 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2016）24?0083?05

Mobile network user behavior mining model and its application in E?Learning system

WANG Ling

（School of Continuing Education， Guizhou University of Finance and Economics， Guiyang 550003， China）

Abstract： The optimization design of the E?Learning system was realized by the mobile user′s behavior mining model construction and application in the E?Learning network learning movement. A mobile network user′s behavior mining model based on association rules of frequent item sets is proposed. The development and design of E?Learning system is conducted based on embedded Linux. The overall design of the E?Learning system is described. The QWT library based on ARM platform is compiled by opening SQL driver support. The TinyOS communication mechanism is constructed to realize the wireless message transmission packet group. The software development mainly includes the mobile network user node program design， node program development and PC communication. The mobile network user behavior model mining and E?Learning system software development and design were implemented by means of the program guide and software porting in the embedded Linux system. The experimental results show that the mobile network user behavior mining model has good data mining performance， and system optimization design improves the service quality of E?Learning system for mobile network users. It has the good application value.

Keywords： mobile network user； behavior mining； E?Learning system； optimization design

0 引 言

移動網(wǎng)絡(luò)用戶在網(wǎng)絡(luò)空間中進(jìn)行業(yè)務(wù)處理、數(shù)據(jù)收發(fā)和信息交換，產(chǎn)生各種與網(wǎng)絡(luò)用戶相關(guān)的業(yè)務(wù)流交互行為，移動網(wǎng)絡(luò)用戶的行為通過承載用戶業(yè)務(wù)和數(shù)據(jù)信息流數(shù)據(jù)特征流來體現(xiàn)，移動網(wǎng)絡(luò)用戶的行為特征信息流是一組時(shí)間序列，表現(xiàn)為具有某些特征量的統(tǒng)計(jì)特征和用戶關(guān)聯(lián)信息特征，通過對移動網(wǎng)絡(luò)用戶行為的特征提取和模式挖掘，可以定量控制和分析移動網(wǎng)絡(luò)的用戶行為，對移動網(wǎng)絡(luò)用戶行為的時(shí)間序列進(jìn)行分段聚類挖掘處理，考慮利用不同業(yè)務(wù)流的相鄰分組和大數(shù)據(jù)信息特征，最大程度地實(shí)現(xiàn)存儲空間的均勻遍歷，提高移動網(wǎng)絡(luò)用戶的監(jiān)控能力。Electronic Learning （E?Learning）是一種全新的網(wǎng)絡(luò)學(xué)習(xí)方法，隨著移動網(wǎng)絡(luò)用戶行為挖掘模型的有效構(gòu)建，并應(yīng)用在E?Learning的學(xué)習(xí)系統(tǒng)設(shè)計(jì)中，實(shí)現(xiàn)對資源庫的綜合集成，提高應(yīng)用信息科技和互聯(lián)網(wǎng)技術(shù)進(jìn)行內(nèi)容傳播的能力。因此，移動網(wǎng)絡(luò)用戶行為的挖掘模型在E?Learning系統(tǒng)的構(gòu)建具有重要的應(yīng)用價(jià)值[1]。

E?Learning系統(tǒng)是建立在移動網(wǎng)絡(luò)用戶行為模型挖掘的基礎(chǔ)上，通過對承載用戶業(yè)務(wù)的數(shù)據(jù)流進(jìn)行信息模型構(gòu)建和特征分析，實(shí)現(xiàn)在某個(gè)時(shí)間點(diǎn)或時(shí)間段內(nèi)的流量分析和查詢，以此為輸入嵌入到E?Learning系統(tǒng)中實(shí)現(xiàn)移動網(wǎng)絡(luò)用戶行為模型分析和構(gòu)建。傳統(tǒng)方法中，對移動網(wǎng)絡(luò)用戶行為模型的挖掘方法主要有基于ARM硬件平臺開發(fā)的E?Learning系統(tǒng)下移動網(wǎng)絡(luò)用戶行為模型的挖掘、基于經(jīng)驗(yàn)?zāi)B(tài)分解的移動網(wǎng)絡(luò)用戶行為模型的挖掘方法、基于報(bào)文長度和時(shí)間間隔分段接收的移動網(wǎng)絡(luò)用戶行為模型挖掘方法等[2?4]，并取得了一定的研究成果。

1 移動網(wǎng)絡(luò)用戶行為挖掘模型及E?Learning系

系統(tǒng)總體設(shè)計(jì)

1.1 移動網(wǎng)絡(luò)用戶行為挖掘模型設(shè)計(jì)

通過研究移動網(wǎng)絡(luò)用戶行為挖掘模型，應(yīng)用在E?Learning系統(tǒng)的構(gòu)建中[5?7]，提高學(xué)習(xí)效率，首先構(gòu)建移動網(wǎng)絡(luò)用戶行為挖掘模型，假設(shè)不同的用戶行為節(jié)點(diǎn)之間在通信狀態(tài)會產(chǎn)生MAC層與業(yè)務(wù)流關(guān)聯(lián)的時(shí)間序列[P=（p1，p2，…，pn）]，不同類型的業(yè)務(wù)流通過時(shí)間序列進(jìn)行聚類調(diào)度分析，根據(jù)主機(jī)Agent與分析中心的協(xié)議規(guī)定，在主機(jī)Agent發(fā)送的各種監(jiān)測數(shù)據(jù)是構(gòu)建一段業(yè)務(wù)流進(jìn)行移動網(wǎng)絡(luò)用戶行為監(jiān)測，通過旁路方式捕獲計(jì)算機(jī)中主要負(fù)責(zé)數(shù)據(jù)收發(fā)的報(bào)文長度和時(shí)間間隔等用戶行為特征，進(jìn)行移動網(wǎng)絡(luò)用戶行為特征挖掘，在移動網(wǎng)絡(luò)用戶行為挖掘過程中，用戶終端節(jié)點(diǎn)通過通信模塊收到服務(wù)請求后，監(jiān)控模塊負(fù)責(zé)提供服務(wù)器端的底層的通信機(jī)制，移動網(wǎng)絡(luò)用戶行為挖掘模型的總體流程如圖1所示。

由圖1可見，移動網(wǎng)絡(luò)用戶行為挖掘通過信息檢索模塊負(fù)責(zé)提供服務(wù)器端用戶行為的規(guī)律特征，主服務(wù)器節(jié)點(diǎn)收到移動網(wǎng)絡(luò)用戶報(bào)文序列[P=（p1，p2，…，pn）]后，選取的報(bào)文子序列請求調(diào)度到存儲該文件的服務(wù)器服務(wù)隊(duì)列，文件信息資源接收時(shí)間戳后將根據(jù)報(bào)文長度加入服務(wù)器服務(wù)隊(duì)列對移動網(wǎng)絡(luò)用戶的行為進(jìn)行時(shí)序關(guān)聯(lián)矩特征提取，每一行的各屬性由網(wǎng)絡(luò)行為決定，業(yè)務(wù)流段[Qi]和[Qi+1]之間存在兩個(gè)屬性值時(shí)，每一個(gè)行為屬性樣本[Xi]至各類屬性的狀態(tài)特征[Zj]的流量特征。

設(shè)移動網(wǎng)絡(luò)用戶的主機(jī)節(jié)點(diǎn)與特定外部對象持續(xù)指標(biāo)[]為基本觀測窗口，為了準(zhǔn)確觀察主機(jī)通信行為，計(jì)算用戶時(shí)間信息，采用關(guān)聯(lián)規(guī)則分析方法挖掘主機(jī)運(yùn)行工作時(shí)間[W=te-ts]，[W]為移動網(wǎng)絡(luò)用戶的主機(jī)節(jié)點(diǎn)觀測的最大長度，系統(tǒng)通過頻繁項(xiàng)集設(shè)定觀測間隔[Δw]，將時(shí)間窗口[W]劃分為[n+1]個(gè)基本觀測窗口， 由此挖掘出移動網(wǎng)絡(luò)用戶的行為空間軸上的關(guān)聯(lián)特征信息：[{w0，w1，w2，…，wn}，n=WΔw]。假設(shè)[S={s1，s2，…，sm}]為移動網(wǎng)絡(luò)用戶相對獨(dú)立的子序列[D]在[]期間的截獲時(shí)間記錄，給定信息系統(tǒng)[S=（U，C?D，V，f）]，其中[]為參數(shù)的單項(xiàng)數(shù)據(jù)項(xiàng)[si]的開始、結(jié)束時(shí)間。通過[S]中貝葉斯粗糙集項(xiàng)信息[si]特征提取，計(jì)算移動網(wǎng)絡(luò)用戶行為的非空有限論域：

[wi′=tsi′-tsΔw， wi″=tei′-tsΔw]

引入粗糙集向量數(shù)據(jù)合并技術(shù)，進(jìn)行移動網(wǎng)絡(luò)用戶行為的[P]分段分割處理，使得每一個(gè)[Qj]都是一個(gè)相對獨(dú)立關(guān)聯(lián)時(shí)間信息，則特定類型的用戶行為業(yè)務(wù)流在時(shí)間軸上的展寬為[W=te-ts]，[W]為本次主機(jī)行為觀測的最大長度，系統(tǒng)通過基本觀測間隔[Δw]將[W]劃分為[n+1]個(gè)基本觀測窗口：[{w0，w1，w2，…，wn}，n=WΔw]，見圖2。

假定[xm+1]為移動網(wǎng)絡(luò)用戶行為決策屬性的預(yù)測誤差，計(jì)算公式為[xm+1=x1]，在有限個(gè)mass函數(shù)中擴(kuò)充論域[U′]。通過上述算法設(shè)計(jì)，實(shí)現(xiàn)了移動網(wǎng)絡(luò)用戶行為挖掘，通過行為挖掘，把移動網(wǎng)絡(luò)用戶的時(shí)序關(guān)系的支持度特征分為[h]個(gè)連續(xù)的段[Q1，Q2，…，Qh]：

[Q1=（p1，p2，…，pc1），Q2=（pc1+1，pc1+2，…，pc2）， ?Qh=（pch-1+1，pch-1+2，…，pch）， ch=n]

并嵌入E?Learning系統(tǒng)中，提高E?Learning系統(tǒng)的可靠性和學(xué)習(xí)自適應(yīng)性。

1.2 基于移動網(wǎng)絡(luò)用戶行為挖掘模型的E?Learning系統(tǒng)總體設(shè)計(jì)

在上述進(jìn)行了移動網(wǎng)絡(luò)用戶行為挖掘的基礎(chǔ)上，進(jìn)行E?Learning系統(tǒng)設(shè)計(jì)，E?Learning系統(tǒng)設(shè)計(jì)主要是進(jìn)行軟件開發(fā)設(shè)計(jì)。采用模塊化編程設(shè)計(jì)方法，將移動網(wǎng)絡(luò)用戶行為挖掘模型加載到Linux內(nèi)核中， 利用虛擬文件系統(tǒng)VFS將驅(qū)動程序嵌入內(nèi)核，實(shí)現(xiàn)流程主要有模塊的注冊，自動配置、初始化設(shè)備參數(shù)，中斷服務(wù)程序和模塊注銷四個(gè)步驟。設(shè)備驅(qū)動程序開發(fā)過程中在dev目錄下建立目錄filesystem，在該目錄下將linuxrc文件拷貝到filesystem/etc目錄下保存基本的用戶命令工具。

E?Learning系統(tǒng)的ARM硬件平臺采用CCS （Code Composer Studio）設(shè)計(jì)，CCS是TI公司推出的集成開發(fā)平臺，采用“自下而上”的設(shè)計(jì)方法，在用戶主目錄C5409 Device Simulator仿真環(huán)境下將系統(tǒng)管理程序分析向量的地址加載到PC，在E?Learning系統(tǒng)中，網(wǎng)絡(luò)設(shè)備通過嵌入式Linux的系統(tǒng)開發(fā)進(jìn)行報(bào)文接收和信息調(diào)理，通過對移動網(wǎng)絡(luò)用戶行為的模式挖掘，結(jié)合密集通信采樣，識別用戶行為特征，輸入輸出系統(tǒng)給用戶提供一個(gè)簡單、統(tǒng)一的系統(tǒng)調(diào)用接口，實(shí)現(xiàn)用戶的在線學(xué)習(xí)，通過上述分析，E?Learning系統(tǒng)設(shè)計(jì)包括了程序驅(qū)動模塊、自動配置模塊、中斷模塊、時(shí)鐘模塊、I/O端口模塊等，得到本文設(shè)計(jì)的基于移動網(wǎng)絡(luò)用戶行為模型挖掘的E?Learning系統(tǒng)的總體設(shè)計(jì)結(jié)構(gòu)圖如圖3所示。

根據(jù)上述設(shè)計(jì)結(jié)構(gòu)框圖，進(jìn)行E?Learning系統(tǒng)的軟件開發(fā)設(shè)計(jì)，在嵌入式開發(fā)環(huán)境下，在E?Learning系統(tǒng)中實(shí)現(xiàn)移動網(wǎng)絡(luò)用戶行為挖掘。

2 系統(tǒng)開發(fā)設(shè)計(jì)與實(shí)現(xiàn)

2.1 基于移動網(wǎng)絡(luò)用戶行為挖掘的E?Learning系統(tǒng)應(yīng)用程序開發(fā)

在上述進(jìn)行了移動網(wǎng)絡(luò)用戶行為挖掘模型設(shè)計(jì)的基礎(chǔ)上，進(jìn)行E?Learning系統(tǒng)應(yīng)用程序開發(fā)，采用交叉編譯以及使用標(biāo)準(zhǔn)GCC編譯的方式構(gòu)建基于移動網(wǎng)絡(luò)用戶行為挖掘的E?Learning系統(tǒng)應(yīng)用程序開發(fā)環(huán)境，編譯鏈接生成腳本名為install?qt?x11.sh的open source，在宿主機(jī)上進(jìn)行編譯、仿真。開啟SQL驅(qū)動支持來編譯基于ARM平臺的QWT庫。運(yùn)行make命令，開始編譯，移動網(wǎng)絡(luò)用戶行為挖掘的E?Learning系統(tǒng)應(yīng)用程序?qū)WS的LIB庫放入rootfs的/lib下，文件編輯過程如圖4所示。

基于移動網(wǎng)絡(luò)用戶行為挖掘的E?Learning系統(tǒng)應(yīng)用程序開發(fā)過程中，在軟件系統(tǒng)中使用的FFT函數(shù)，作為觸摸屏驅(qū)動進(jìn)行人機(jī)通信，使用JTAG 板（一般借助H?JTAG 軟件） 把Linux 內(nèi)核文件zImage直接燒寫入NOR FLASH。在虛擬文件系統(tǒng)中負(fù)責(zé)管理和存儲文件信息，從而引導(dǎo)加載程序（Boot loader），內(nèi)核通過一個(gè)加載模塊來動態(tài)地加載或移除模塊（module），得到程序加載的接口代碼如下：

interface Scheduler {

The state of runNextTask running the taskvoid init（）；

command NesC keyword statement component task （bool sleep）； //調(diào)用runNextTask（TRUE）

command void taskLoop（）； //使用TaskBasic接口

}

在對移動網(wǎng)絡(luò)用戶行為挖掘中，運(yùn)行的任務(wù)通過TaskBasic的接口聲明runNextTask（）的狀態(tài)。當(dāng)E?Learning系統(tǒng)的一個(gè)組件使用post關(guān)鍵詞投遞一個(gè)移動網(wǎng)絡(luò)用戶行為特征時(shí)，它調(diào)用的是postTask命令。每一個(gè)TaskBasic（基本任務(wù)）必接收通知上層的射頻字節(jié)的ID作為參數(shù)連線到調(diào)度程序。并發(fā)信號通知高層次的主動消息組件（Active Message），調(diào)用unique函數(shù)獲得下一個(gè)任務(wù)的ID。自動地對聲明的任務(wù)進(jìn)行連線，程序組件SchedulerBasicP用task或者post關(guān)鍵詞聲明射頻字節(jié)組件內(nèi)部的任務(wù)，nesC編譯器會自動完成連線工作。通過構(gòu)建TinyOS的通信機(jī)制，實(shí)現(xiàn)無線消息包組的傳輸，得到TinyOS的通信機(jī)制模塊如圖5所示。

在本文系統(tǒng)中，TinyOS是用匯編和C語言編寫的，整個(gè)程序由多個(gè)組件（component）連接（wired）構(gòu)成，可通過對同一接口不同的句柄事件進(jìn)行分別處理，asyc申明的命令或事件申明語法如下：

interface name {

commandSimple interface and parameterized interface （void）；

event result_t Logic function module （void）；

}

通過上述分析，完成了基于移動網(wǎng)絡(luò)用戶行為挖掘的E?Learning系統(tǒng)應(yīng)用程序開發(fā)。

2.2 E?Learning系統(tǒng)的軟件平臺設(shè)計(jì)優(yōu)化實(shí)現(xiàn)

在上述完成對E?Learning系統(tǒng)的移動網(wǎng)絡(luò)用為行為模式加載和嵌入式設(shè)計(jì)的基礎(chǔ)上，進(jìn)行E?Learning系統(tǒng)的軟件平臺開發(fā)優(yōu)化。軟件開發(fā)主要包括移動網(wǎng)絡(luò)用戶節(jié)點(diǎn)程序設(shè)計(jì)、節(jié)點(diǎn)程序開發(fā)、上位機(jī)通信等。E?Learning系統(tǒng)的節(jié)點(diǎn)程序主要支出TCP/IP協(xié)議棧，文件MinePressureCollectionC.nc里面完成在嵌入式Linux系統(tǒng)下的程序引導(dǎo)和軟件的移植，充分利用開源Linux操作系統(tǒng)的交叉編譯功能，在程序使用如下接口：

interface Embedded target systemr as Check；

//交叉編譯計(jì)數(shù)器設(shè)定

interface Read； //通過串口作為控制臺

interface Virtual machine installation；

//編譯出ARM上運(yùn)行的代碼

interfacearm920t?eabi.tgz； //Indication

interface Boot；

interface DisseminationValue as SettingsValue；

interface export PATH=$PATH；

interface Init as SensorInit；

interface configuration file as SensorControl；

interface Overallcontrol compilation as Collection Control；

interface Linux kernel image as DisseminationControl；

//目錄下生成Linux內(nèi)核映像文件

interface SplitControl as RadioControl；

interface LoUNIX class operating system； //UNIX類操作系統(tǒng)

interface Mount； //Persistent storage

interface ConfigStorage；

在上述接口程序配置的基礎(chǔ)上，執(zhí)行“Make menuconfig”后，在主菜單里選擇退出，并選“Yes”保存，編譯結(jié)束后，會在arch/arm/boot目錄下進(jìn)行添加、修改等操作。

采用的交叉編譯以及使用標(biāo)準(zhǔn)GCC編譯方式構(gòu)建開發(fā)編譯環(huán)境，轉(zhuǎn)到腳本存放的目錄，輸入命令source install?qt?x11.sh，在E?Learning系統(tǒng)中，編譯phonon 模塊+ ?phonon?prefix

3 系統(tǒng)性能測試仿真實(shí)驗(yàn)

為了測試本文模型在實(shí)現(xiàn)移動網(wǎng)絡(luò)用戶行為挖掘和E?Learning學(xué)習(xí)中的性能，進(jìn)行系統(tǒng)性能測試，實(shí)驗(yàn)中，采用Matlab數(shù)學(xué)編程工具進(jìn)行移動網(wǎng)絡(luò)用戶行為挖掘模型的算法設(shè)計(jì)[8?10]，在程序設(shè)計(jì)的基礎(chǔ)上，采用s3c2440_adc_open（）函數(shù)進(jìn)行移動網(wǎng)絡(luò)用戶行為挖掘的程序加載，I2C總線采用硬件設(shè)置器件地址實(shí)現(xiàn)同步通信尋址，編譯包括26個(gè)基本命令和8個(gè)專用命令進(jìn)行總線寬度和數(shù)據(jù)傳輸開始位的設(shè)定，設(shè)置SDICON寄存器，運(yùn)行Qt/Embedded實(shí)現(xiàn)移動網(wǎng)絡(luò)用戶行為挖掘，移動網(wǎng)絡(luò)用戶行為表現(xiàn)為一組承載用戶業(yè)務(wù)的數(shù)據(jù)流，得到挖掘到的移動網(wǎng)絡(luò)用戶行為數(shù)據(jù)流時(shí)間序列如圖6所示。

以上述挖掘到的移動網(wǎng)絡(luò)用戶行為的研究為對象，加載到本文設(shè)計(jì)的E?Learning系統(tǒng)中，進(jìn)行E?Learning系統(tǒng)的學(xué)習(xí)服務(wù)質(zhì)量對比分析，得到仿真結(jié)果如圖7所示。由圖7可見，采用本文方法進(jìn)行E?Learning系統(tǒng)設(shè)計(jì)，通過對移動網(wǎng)絡(luò)用戶行為有效挖掘，提高了E?Learning系統(tǒng)對移動網(wǎng)絡(luò)用戶的服務(wù)質(zhì)量，展示了較好的應(yīng)用性能。

4 結(jié) 語

E?Learning系統(tǒng)是建立在移動網(wǎng)絡(luò)用戶行為模型挖掘的基礎(chǔ)上，通過對承載用戶業(yè)務(wù)的數(shù)據(jù)流進(jìn)行信息模型構(gòu)建和特征分析，實(shí)現(xiàn)在某個(gè)時(shí)間點(diǎn)或時(shí)間段內(nèi)的流量分析和查詢，以此為輸入嵌入到E?Learning系統(tǒng)中實(shí)現(xiàn)移動網(wǎng)絡(luò)用戶行為模型分析和構(gòu)建。本文提出一種基于頻繁項(xiàng)集關(guān)聯(lián)規(guī)則分析的移動網(wǎng)絡(luò)用戶行為挖掘模型，在嵌入式Linux系統(tǒng)下進(jìn)行系統(tǒng)設(shè)計(jì)和軟件開發(fā)。實(shí)驗(yàn)分析表明，該移動網(wǎng)絡(luò)用戶行為挖掘模型和E?Learning系統(tǒng)具有較好的行為挖掘準(zhǔn)確性，提高了E?Learning系統(tǒng)對移動網(wǎng)絡(luò)用戶的服務(wù)質(zhì)量，展示了較好的應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 崔永君，張永花.基于特征尺度均衡的Linux系統(tǒng)雙閾值任務(wù)調(diào)度算法[J].計(jì)算機(jī)科學(xué)，2015，42（6）：181?184.

[2] MAHMOUD E E. Complex complete synchronization of two nonidentical hyperchaotic complex nonlinear systems [J]. Mathematical methods in the applied sciences， 2014， 37（3）： 321?328.

[3] PALOMARES I， MARTINEZ L， HERRERA F. A consensus model to detect and manage non?cooperative behaviors in large scale group decision making [J]. IEEE transactions on fuzzy system， 2014， 22（3）： 516?530.

[4] ELDEMERDASH Y A， DOBRE O A， LIAO B J. Blind identification of SM and Alamouti STBC?OFDM signals [J]. IEEE transactions on wireless communications， 2015， 14（2）： 972?982.

[5] KARAMI E， DOBRE O A. Identification of SM?OFDM and AL?OFDM signals based on their second?order cyclostationarity [J]. IEEE transactions on vehicular technology， 2015， 64（3）： 942?953.

[6] MOHAMMADKARIMI M， DOBRE O A. Blind identification of spatial multiplexing and Alamouti space?time block code via Kolmogorov?Smirnov（K?S） test [J]. IEEE communications letters， 2014， 18（10）： 1711?1714.

[7] ELDEMERDASH Y A， DOBRE O A， MAREY M， et al. An efficient algorithm for space?time block code classification [C]// Proceedings of IEEE Global Communications Conference. Atlanta， USA： IEEE， 2013： 3329?3334.

[8] 郭帥，馬書根，李斌，等.VorSLAM算法中基于多規(guī)則的數(shù)據(jù)關(guān)聯(lián)方法[J].自動化學(xué)報(bào)，2011，39（6）：883?894.

[9] 楊明，盧青，蘇標(biāo).基于環(huán)境承載力的連續(xù)型交通網(wǎng)絡(luò)設(shè)計(jì)雙層規(guī)劃模型與算法[J].長沙理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2015（1）：23?28.

[10] 王茜，陳輝元，王士元.城市交通管控系統(tǒng)在應(yīng)急處置體系中的研究與應(yīng)用[J].中國電子商務(wù)，2014（16）：306.