面向WSN的相关向量核学习机增量学习方法研究

发布时间：2021-11-17 20:35

　　无线传感器网络（Wireless Sensor Network,WSN）是一种新兴的信息获取方式和处理技术,因其部署方便、功耗低、成本低等特点,已被应用于诸多领域,而且给更多的应用空间和应用价值提供了可能性。WSN的最大特点是面向应用和以数据为中心。因此,部署WSN的目的不仅仅是采集数据并将数据传输给观测者,而且还要完成特定的任务,如跟踪、识别、预警等。分类和回归问题是WSN要完成的众多任务中最基础也是最重要的一类任务。因此,用于解决分类和回归问题的机器学习方法在WSN中得到了越来越广泛的应用。在WSN中,训练样本都分散在传感器节点上,而且样本数据存在不断产生、序列到达等特点,利用传统机器学习方法很难对WSN中的训练样本进行有效的训练。因此,如何在节点能量和通信能力严格受限的WSN中进行机器学习方法的训练成为WSN领域数据融合技术亟待解决的关键问题。本论文面向WSN,基于核学习机的特点,利用增量学习思想和数据降维理论,以降低WSN中机器学习方法模型训练和传输代价、平衡模型训练过程中节点能量消耗、降低参与模型训练的样本数量,提升模型训练效率为目标,研究了稀疏核学习机的增量学习方法、训练样... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究进展
    1.3 论文主要研究内容
    1.4 论文组织结构
第2章 无线传感器网络和核学习机理论
    2.1 无线传感器网络
        2.1.1 无线传感器网络架构特点
        2.1.2 无线传感器网络与机器学习
    2.2 核学习机理论
        2.2.1 线性支持向量机
        2.2.2 非线性支持向量机
        2.2.3 相关向量机
    2.3 本章小结
第3章 基于相关向量核学习机的增量学习方法研究
    3.1 稀疏贝叶斯模型
        3.1.1 模型描述
        3.1.2 自上而下的基函数选择学习方法
    3.2 核学习机增量学习方法
        3.2.1 增量学习基础理论
        3.2.2 经典增量算法
    3.3 一种基于相关向量机的增量学习算法
        3.3.1 增量过程分析
        3.3.2 相关向量核学习机增量学习算法
    3.4 仿真实验与结果分析
    3.5 本章小结
第4章 基于数据降维的核学习机增量学习算法研究
    4.1 核主成分分析降维方法
        4.1.1 核主成分分析
        4.1.2 核主成分算法
    4.2 基于数据降维的相关向量核学习机增量学习算法
        4.2.1 数据降维过程分析
        4.2.2 基于核主成分分析方法的相关向量核学习机增量算法
    4.3 仿真实验与结果分析
    4.4 本章小结
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 问题提出
        5.1.2 WSN非平均分簇策略
    5.2 一种基于非平均分簇策略的分簇算法
    5.3 仿真实验与结果分析
    5.4 本章小结
结论
参考文献
攻读硕士学位期间发表的学术论文
致谢



本文编号：3501606