基于时空相关性的传感器感知数据缺失重建方法研究
发布时间：2021-04-22 06:43
随着信息技术的发展,各种自动化和智能化管理控制技术都得到广泛应用。物联网作为信息化的重要组成部分,已成为重点研究的问题之一。而传感器感知数据对物联网的应用有非常重要的意义,物联网的价值之一就是为上层应用提供有用可靠的数据。由于传感器自身结构的特点以及一些外界的影响,传感器数据缺失不可避免。为了更好挖掘有效的数据信息,对缺失数据进行重建就显得尤为必要。目前多数数据重建方法都是基于单一属性,具有一定的局限。本文通过分析各个属性之间的特征以及时-空相关性,并对几种数据重建方法进行分析,建立能够更加准确重建缺失数据的模型。首先,分析真实感知数据集中的数据特征。本文针对数据的时间稳定性以及空间相关性进行分析,通过数据可视化的方式对同一节点不同时刻的数据以及不同节点同一时刻感知数据的关系进行描述并具体分析。其次,建立缺失数据重建模型。本文在上述相关性分析的基础上,基于时间稳定性建立多元线性回归LR模型,基于空间相关性建立BP神经网络模型,并确定模型参数。然后利用两种模型分别对缺失数据进行估计。接着对其估计结果通过Softmax函数赋予相应的权重,建立基于时-空相关性的重建模型。最后,基于数据缺失重...
【文章来源】：长安大学陕西省 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.3 本文内容安排及主要贡献
1.3.1 主要内容
1.3.2 论文安排
第二章 感知数据缺失问题及特征分析
2.1 传感器数据缺失问题分析
2.1.1 缺失数据的定义
2.1.2 传感器数据缺失问题
2.2 传感器数据特征描述
2.3 传感器数据特征分析
2.3.1 时间相关性分析
2.3.2 空间相关性分析
2.4 本章小结
第三章 缺失数据重建算法分析
3.1 基于多元线性回归的数据重建方法
3.1.1 多元线性回归理论分析
3.1.2 多元线性回归设计要素
3.2 基于BP算法的数据缺失重建方法分析及改进
3.2.1 BP神经网络结构
3.2.2 BP网络设计要素
3.2.3 BP神经网络算法步骤
3.2.4 BP神经网络改进
3.3 本章小结
第四章 缺失数据重建模型
4.1 LR缺失数据重建模型
4.2 BP缺失数据重建模型
4.2.1 BP数据重建模型构建
4.2.2 BP设计要素
BP数据重建模型"> 4.3 LRBP数据重建模型
BP模型构建"> 4.3.1 LRBP模型构建
BP模型参数"> 4.3.2 LRBP模型参数
4.4 本章小结
第五章 基于真实感知数据集的实验分析
5.1 实验环境
5.2 数据集的选择及预处理
5.2.1 实验数据集介绍
5.2.2 实验数据集选取
5.2.3 实验数据集预处理
5.3 IntelIndoor数据集实验及结果分析
5.3.1 基于LR模型的实验及结果分析
5.3.2 基于BP模型的实验及结果分析
BP模型的实验及结果分析"> 5.3.3 基于LRBP模型的实验及结果分析
5.4 本章小结
总结与展望
总结
展望
参考文献
致谢
【参考文献】：
期刊论文
[1]多元回归分析模型及其教学水平预测应用[J]. 赵家正. 科技风. 2018(33)
[2]基于卷积神经网络的极光图像分类[J]. 王菲,杨秋菊. 极地研究. 2018(02)
[3]交通流缺失数据处理方法比较分析[J]. 孟鸿程,陈淑燕. 交通信息与安全. 2018(02)
[4]浅析数据挖掘中的数据预处理技术[J]. 张治斌,刘威. 数字技术与应用. 2017(10)
[5]物联网应用感知层关键技术[J]. 许弘. 电子技术与软件工程. 2016(20)
[6]基于嵌套滑动窗口的数据流缺失数据填充算法[J]. 许江,陈志奎,张清辰. 西南师范大学学报(自然科学版). 2015(11)
[7]WSN中基于多属性协助和压缩感知的数据恢复算法[J]. 赵巾帼. 计算机应用与软件. 2015(07)
[8]多元线性回归与BP神经网络预测模型对比与运用研究[J]. 张景阳,潘光友. 昆明理工大学学报(自然科学版). 2013(06)
[9]基于二次规划的无线传感器网络数据恢复算法[J]. 吴桂峰,王轩. 计算机应用. 2013(04)
[10]灰色多元线性回归模型及其应用[J]. 李培哲. 统计与决策. 2012(24)
博士论文
[1]民航发动机性能可靠性评估与在翼寿命预测方法研究[D]. 任淑红.南京航空航天大学 2010
硕士论文
[1]基于随机森林的大数据下数据缺失插补方法[D]. 余泽禹.长江大学 2018
[2]无线传感器网络中基于特征分析的缺失数据恢复方法研究[D]. 陈军伟.重庆邮电大学 2016
[3]Logistic回归模型中缺失数据的处理[D]. 汪静波.南京大学 2015
[4]基于改进BP神经网络的产品质量合格率预测研究[D]. 温文.华南理工大学 2014
[5]基于压缩感知技术的传感器网络数据丢失和恢复的研究[D]. 陈光烁.上海交通大学 2014
[6]基于BP神经网络的交通流量预测[D]. 曹虹.长安大学 2012
[7]改进型BP神经网络方法在会计舞弊识别中的应用研究[D]. 聂丹丹.华北电力大学（河北） 2007
[8]文峪河水库洪水预报计算机应用系统的开发研究[D]. 刘京铄.太原理工大学 2006
本文编号：3153327
【文章来源】：长安大学陕西省 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.3 本文内容安排及主要贡献
1.3.1 主要内容
1.3.2 论文安排
第二章 感知数据缺失问题及特征分析
2.1 传感器数据缺失问题分析
2.1.1 缺失数据的定义
2.1.2 传感器数据缺失问题
2.2 传感器数据特征描述
2.3 传感器数据特征分析
2.3.1 时间相关性分析
2.3.2 空间相关性分析
2.4 本章小结
第三章 缺失数据重建算法分析
3.1 基于多元线性回归的数据重建方法
3.1.1 多元线性回归理论分析
3.1.2 多元线性回归设计要素
3.2 基于BP算法的数据缺失重建方法分析及改进
3.2.1 BP神经网络结构
3.2.2 BP网络设计要素
3.2.3 BP神经网络算法步骤
3.2.4 BP神经网络改进
3.3 本章小结
第四章 缺失数据重建模型
4.1 LR缺失数据重建模型
4.2 BP缺失数据重建模型
4.2.1 BP数据重建模型构建
4.2.2 BP设计要素
BP数据重建模型"> 4.3 LRBP数据重建模型
BP模型构建"> 4.3.1 LRBP模型构建
BP模型参数"> 4.3.2 LRBP模型参数
4.4 本章小结
第五章 基于真实感知数据集的实验分析
5.1 实验环境
5.2 数据集的选择及预处理
5.2.1 实验数据集介绍
5.2.2 实验数据集选取
5.2.3 实验数据集预处理
5.3 IntelIndoor数据集实验及结果分析
5.3.1 基于LR模型的实验及结果分析
5.3.2 基于BP模型的实验及结果分析
BP模型的实验及结果分析"> 5.3.3 基于LRBP模型的实验及结果分析
5.4 本章小结
总结与展望
总结
展望
参考文献
致谢
【参考文献】：
期刊论文
[1]多元回归分析模型及其教学水平预测应用[J]. 赵家正. 科技风. 2018(33)
[2]基于卷积神经网络的极光图像分类[J]. 王菲,杨秋菊. 极地研究. 2018(02)
[3]交通流缺失数据处理方法比较分析[J]. 孟鸿程,陈淑燕. 交通信息与安全. 2018(02)
[4]浅析数据挖掘中的数据预处理技术[J]. 张治斌,刘威. 数字技术与应用. 2017(10)
[5]物联网应用感知层关键技术[J]. 许弘. 电子技术与软件工程. 2016(20)
[6]基于嵌套滑动窗口的数据流缺失数据填充算法[J]. 许江,陈志奎,张清辰. 西南师范大学学报(自然科学版). 2015(11)
[7]WSN中基于多属性协助和压缩感知的数据恢复算法[J]. 赵巾帼. 计算机应用与软件. 2015(07)
[8]多元线性回归与BP神经网络预测模型对比与运用研究[J]. 张景阳,潘光友. 昆明理工大学学报(自然科学版). 2013(06)
[9]基于二次规划的无线传感器网络数据恢复算法[J]. 吴桂峰,王轩. 计算机应用. 2013(04)
[10]灰色多元线性回归模型及其应用[J]. 李培哲. 统计与决策. 2012(24)
博士论文
[1]民航发动机性能可靠性评估与在翼寿命预测方法研究[D]. 任淑红.南京航空航天大学 2010
硕士论文
[1]基于随机森林的大数据下数据缺失插补方法[D]. 余泽禹.长江大学 2018
[2]无线传感器网络中基于特征分析的缺失数据恢复方法研究[D]. 陈军伟.重庆邮电大学 2016
[3]Logistic回归模型中缺失数据的处理[D]. 汪静波.南京大学 2015
[4]基于改进BP神经网络的产品质量合格率预测研究[D]. 温文.华南理工大学 2014
[5]基于压缩感知技术的传感器网络数据丢失和恢复的研究[D]. 陈光烁.上海交通大学 2014
[6]基于BP神经网络的交通流量预测[D]. 曹虹.长安大学 2012
[7]改进型BP神经网络方法在会计舞弊识别中的应用研究[D]. 聂丹丹.华北电力大学（河北） 2007
[8]文峪河水库洪水预报计算机应用系统的开发研究[D]. 刘京铄.太原理工大学 2006
本文编号：3153327
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3153327.html
