發(fā)布時間：2021-11-17 20:35

　　無線傳感器網(wǎng)絡(luò)（Wireless Sensor Network,WSN）是一種新興的信息獲取方式和處理技術(shù),因其部署方便、功耗低、成本低等特點(diǎn),已被應(yīng)用于諸多領(lǐng)域,而且給更多的應(yīng)用空間和應(yīng)用價值提供了可能性。WSN的最大特點(diǎn)是面向應(yīng)用和以數(shù)據(jù)為中心。因此,部署WSN的目的不僅僅是采集數(shù)據(jù)并將數(shù)據(jù)傳輸給觀測者,而且還要完成特定的任務(wù),如跟蹤、識別、預(yù)警等。分類和回歸問題是WSN要完成的眾多任務(wù)中最基礎(chǔ)也是最重要的一類任務(wù)。因此,用于解決分類和回歸問題的機(jī)器學(xué)習(xí)方法在WSN中得到了越來越廣泛的應(yīng)用。在WSN中,訓(xùn)練樣本都分散在傳感器節(jié)點(diǎn)上,而且樣本數(shù)據(jù)存在不斷產(chǎn)生、序列到達(dá)等特點(diǎn),利用傳統(tǒng)機(jī)器學(xué)習(xí)方法很難對WSN中的訓(xùn)練樣本進(jìn)行有效的訓(xùn)練。因此,如何在節(jié)點(diǎn)能量和通信能力嚴(yán)格受限的WSN中進(jìn)行機(jī)器學(xué)習(xí)方法的訓(xùn)練成為WSN領(lǐng)域數(shù)據(jù)融合技術(shù)亟待解決的關(guān)鍵問題。本論文面向WSN,基于核學(xué)習(xí)機(jī)的特點(diǎn),利用增量學(xué)習(xí)思想和數(shù)據(jù)降維理論,以降低WSN中機(jī)器學(xué)習(xí)方法模型訓(xùn)練和傳輸代價、平衡模型訓(xùn)練過程中節(jié)點(diǎn)能量消耗、降低參與模型訓(xùn)練的樣本數(shù)量,提升模型訓(xùn)練效率為目標(biāo),研究了稀疏核學(xué)習(xí)機(jī)的增量學(xué)習(xí)方法、訓(xùn)練樣... 

【文章來源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究進(jìn)展
    1.3 論文主要研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 無線傳感器網(wǎng)絡(luò)和核學(xué)習(xí)機(jī)理論
    2.1 無線傳感器網(wǎng)絡(luò)
        2.1.1 無線傳感器網(wǎng)絡(luò)架構(gòu)特點(diǎn)
        2.1.2 無線傳感器網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)
    2.2 核學(xué)習(xí)機(jī)理論
        2.2.1 線性支持向量機(jī)
        2.2.2 非線性支持向量機(jī)
        2.2.3 相關(guān)向量機(jī)
    2.3 本章小結(jié)
第3章 基于相關(guān)向量核學(xué)習(xí)機(jī)的增量學(xué)習(xí)方法研究
    3.1 稀疏貝葉斯模型
        3.1.1 模型描述
        3.1.2 自上而下的基函數(shù)選擇學(xué)習(xí)方法
    3.2 核學(xué)習(xí)機(jī)增量學(xué)習(xí)方法
        3.2.1 增量學(xué)習(xí)基礎(chǔ)理論
        3.2.2 經(jīng)典增量算法
    3.3 一種基于相關(guān)向量機(jī)的增量學(xué)習(xí)算法
        3.3.1 增量過程分析
        3.3.2 相關(guān)向量核學(xué)習(xí)機(jī)增量學(xué)習(xí)算法
    3.4 仿真實(shí)驗(yàn)與結(jié)果分析
    3.5 本章小結(jié)
第4章 基于數(shù)據(jù)降維的核學(xué)習(xí)機(jī)增量學(xué)習(xí)算法研究
    4.1 核主成分分析降維方法
        4.1.1 核主成分分析
        4.1.2 核主成分算法
    4.2 基于數(shù)據(jù)降維的相關(guān)向量核學(xué)習(xí)機(jī)增量學(xué)習(xí)算法
        4.2.1 數(shù)據(jù)降維過程分析
        4.2.2 基于核主成分分析方法的相關(guān)向量核學(xué)習(xí)機(jī)增量算法
    4.3 仿真實(shí)驗(yàn)與結(jié)果分析
    4.4 本章小結(jié)
第5章 基于非平均分簇策略的分簇算法研究
    5.1 WSN分簇策略
        5.1.1 問題提出
        5.1.2 WSN非平均分簇策略
    5.2 一種基于非平均分簇策略的分簇算法
    5.3 仿真實(shí)驗(yàn)與結(jié)果分析
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝



本文編號：3501606