《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 其他 > 設(shè)計(jì)應(yīng)用 > 面向傳感網(wǎng)絡(luò)多源數(shù)據(jù)融合的SVM方法
面向傳感網(wǎng)絡(luò)多源數(shù)據(jù)融合的SVM方法
2021年電子技術(shù)應(yīng)用第11期
陳 燕1，顧大剛1，陳亞林2
1.貴陽(yáng)學(xué)院 數(shù)學(xué)與信息科學(xué)學(xué)院，貴州 貴陽(yáng)550002；2.南京財(cái)經(jīng)大學(xué) 管理科學(xué)與工程學(xué)院，江蘇 南京210046
摘要： 由于多源傳感數(shù)據(jù)及其噪聲構(gòu)成復(fù)雜的非線性可分空間，數(shù)據(jù)融合是目前在資源受限的傳感網(wǎng)絡(luò)中安全、準(zhǔn)確和高效地消除冗余數(shù)據(jù)的重要方法。結(jié)合SVM泛化能力強(qiáng)、凸優(yōu)化的特點(diǎn)，側(cè)重分析了非線性可分多源數(shù)據(jù)集轉(zhuǎn)化為高維線性可分空間的可行性方法。仿真實(shí)驗(yàn)結(jié)果表明，寬度參數(shù)范圍預(yù)估方法可以加速高斯核寬度參數(shù)的確定。針對(duì)多分類情形，仿真實(shí)驗(yàn)結(jié)果表明，通過控制誤差積累，更能確保分類的有效性。
中圖分類號(hào)： TN925；TP391.4
文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.201073
中文引用格式： 陳燕，顧大剛，陳亞林. 面向傳感網(wǎng)絡(luò)多源數(shù)據(jù)融合的SVM方法[J].電子技術(shù)應(yīng)用，2021，47(11)：25-28.
英文引用格式： Chen Yan，Gu Dagang，Chen Yalin. SVM method for multi-source data fusion of sensor networks[J]. Application of Electronic Technique，2021，47(11)：25-28.
SVM method for multi-source data fusion of sensor networks
Chen Yan1，Gu Dagang1，Chen Yalin2
1.School of Mathematics and Information Science，Guiyang University，Guiyang 550002，China； 2.School of Management Science，Nanjing University of Finance & Economics，Nanjing 210046，China
Abstract： The complex nonlinear separable space is composed of multi-source sensing data and its noise. Data fusion is an important method for eliminating redundant data safely, accurately and efficiently in resource-constrained sensor networks. Because of SVM generalization ability and its convex optimization, this paper focuses on the feasibility of transforming nonlinearly separable multi-source data sets into high-dimensional linear separable spaces, based on the simulation experiment. The method based on the width parameter range estimation can accurately determine the width parameter of Gaussian kernel. For the multiple classification, the stimulation experiment show, by controlling the accumulation of errors,it is more effective to ensure the classification.
Key words : data fusion；support vector machine(SVM)；Gaussian kernel；DAG-SVMs

0 引言

    為了提高傳感網(wǎng)絡(luò)觀測(cè)數(shù)據(jù)的可靠性和準(zhǔn)確度，需要復(fù)置傳感器，使得多個(gè)節(jié)點(diǎn)有相互交叉的觀測(cè)范圍，這將導(dǎo)致采集的數(shù)據(jù)存在大量冗余，極大地增加了數(shù)據(jù)存儲(chǔ)、處理和傳輸?shù)馁Y源消耗。如何在傳感網(wǎng)絡(luò)數(shù)據(jù)聚集過程中安全、準(zhǔn)確和高效地消除冗余數(shù)據(jù)，是資源受限的傳感網(wǎng)絡(luò)應(yīng)用研究中的核心問題之一，而數(shù)據(jù)融合是目前解決這一問題較為有效的一種方法。所謂數(shù)據(jù)融合是指將同一目標(biāo)的多個(gè)觀測(cè)結(jié)果整合成一個(gè)統(tǒng)一的結(jié)果[1]。數(shù)據(jù)融合技術(shù)主要是通過壓縮數(shù)據(jù)、提取特征和數(shù)據(jù)關(guān)聯(lián)等手段降低數(shù)據(jù)中的信息冗余，從而降低傳感網(wǎng)絡(luò)的資源消耗，增加置信度[2]。

    數(shù)據(jù)融合的質(zhì)量和效率主要體現(xiàn)在融合算法上。目前常用的數(shù)據(jù)融合算法有：基于時(shí)間序列的加權(quán)平均法，其方法簡(jiǎn)單，處理速度快，但融合質(zhì)量較差[3－4]；利用概率分布求融合值的貝葉斯估計(jì)法，提高了融合結(jié)果的精度，但誤差較難控制[5－6]；充分利用概率分布函數(shù)、似然函數(shù)和信任函數(shù)的D-S推理方法[7-8]，將多個(gè)信息融合的不確定性推理過程融合于模糊邏輯推理過程中，但信息描述依賴于主觀因素，不利于特征提取[9-10]；神經(jīng)網(wǎng)絡(luò)算法，針對(duì)數(shù)據(jù)融合不確定性推理過程，通過訓(xùn)練，能擁有相應(yīng)傳感網(wǎng)絡(luò)的規(guī)律，再利用規(guī)律進(jìn)行數(shù)據(jù)融合[11-13]。




本文詳細(xì)內(nèi)容請(qǐng)下載：http://ihrv.cn/resource/share/2000003820。




作者信息：

陳  燕1，顧大剛1，陳亞林2

(1.貴陽(yáng)學(xué)院 數(shù)學(xué)與信息科學(xué)學(xué)院，貴州 貴陽(yáng)550002；2.南京財(cái)經(jīng)大學(xué) 管理科學(xué)與工程學(xué)院，江蘇 南京210046)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。