基于支持向量描述的无线传感网络离群检测方法研究
发布时间：2021-05-24 06:20
作为物联网产业的核心技术,无线传感网络已被应用于生产生活的许多领域。无线传感网络往往被部署于复杂多变或干扰因素诸多的环境中,常会造成感知数据偏离实际,从而导致感知数据质量下降,影响科学决策。因此,研究无线传感网络的离群检测方法,具有重要的理论意义和实用价值。本文围绕支持向量数据描述（SVDD）的无线传感网络离群检测方法展开了较系统、深入的研究,主要工作如下。（1）提出了一种基于Toeplitz矩阵随机特征映射的SVDD无线传感网络离群检测算法（TRFF）。在传统SVDD算法的框架下,引入了随机傅里叶特征映射近似核函数,降低了SVDD检测算法的时间复杂度,同时使用Toeplitz矩阵的循环特点减少存储随机特征矩阵带来的内存消耗。实验表明,TRFF算法在进行离群检测时,保持了较高的检测率和较低的误报率,在时间性能上也优于传统算法。（2）提出了一种基于模型选择的SVDD无线传感网络离群检测算法（TSRFF）。无线传感网络离群检测算法要求实时性较高,需设计随机特征映射算法,使其在较低维度实现映射。传统随机特征映射算法在特征映射维度较低时,稳定性较差,导致决策模型常出现过拟合或欠拟合的问题。TS...
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外相关研究动态
1.3 论文组织结构
第二章 背景知识
2.1 无线传感网络离群检测特征
2.1.1 无线传感网络感测数据特征
2.1.2 无线传感网络离群检测特性
2.1.3 传统离群检测的问题
2.1.4 无线传感数据的标签技术
2.2 支持向量数据描述
2.2.1 支持向量机
2.2.2 一类支持向量机
2.2.3 支持向量数据描述
2.3 序列最小优化算法
2.3.1 工作集乘子的选择策略
2.3.2 Lagrange乘子的优化策略
2.4 随机特征映射
2.4.1 随机傅里叶特征映射
2.4.2 对数时间内近似核函数
2.5 决策模型优化算法
2.5.1 基于超球模型的决策算法
2.5.2 基于超椭球模型的决策算法
2.6 性能评价指标
2.7 本章小结
第三章 基于Toeplitz矩阵随机特征映射的SVDD离群检测算法
3.1 基于Toeplitz矩阵随机特征映射的SVDD算法
3.1.1 随机特征映射的SVDD算法
3.1.2 Toeplitz矩阵随机特征映射算法
3.2 实验结果与分析
3.2.1 实验数据集
3.2.2 实验环境及参数设置
3.2.3 实验结果
3.3 本章小结
第四章 基于模型选择的SVDD离群检测算法
4.1 基于模型选择的SVDD算法
4.1.1 欠拟合误差
4.1.2 过拟合误差
4.2 实验结果与分析
4.2.1 实验数据集
4.2.2 实验环境及参数设置
4.2.3 实验结果
4.3 本章小结
第五章 基于自适应的SVDD离群检测算法
5.1 基于自适应的SVDD算法
5.1.1 自适应检测机制
5.1.2 训练集约简策略
5.2 实验结果与分析
5.2.1 实验数据集
5.2.2 实验环境及参数设置
5.2.3 实验结果
5.3 本章小结
主要结论与展望
主要结论
展望
致谢
参考文献
附录:作者在攻读硕士学位期间发表的论文
【参考文献】：
期刊论文
[1]一种基于快速k-近邻的最小生成树离群检测方法[J]. 朱利,邱媛媛,于帅,原盛. 计算机学报. 2017(12)
[2]基于超椭球分类面的SVDD快速决策方法[J]. 曲建岭,王小飞,高峰,袁涛. 控制与决策. 2017(04)
[3]异质网中基于张量表示的动态离群点检测方法[J]. 刘露,左万利,彭涛. 计算机研究与发展. 2016(08)
[4]KMA-α:一个支持向量机核矩阵的近似计算算法[J]. 丁立中,廖士中. 计算机研究与发展. 2012(04)
[5]流数据分析与管理综述[J]. 金澈清,钱卫宁,周傲英. 软件学报. 2004(08)
博士论文
[1]无线传感器网络数据离群点检测若干方法研究[D]. 冯震.上海大学 2017
[2]非稳态环境下无线传感网络数据集离群点检测方法研究[D]. 姚海庆.华东理工大学 2016
[3]无线传感器网络性能测试与智能故障诊断技术研究[D]. 黄旭.山东大学 2014
硕士论文
[1]安全高效的无线传感器网络路由协议研究[D]. 林乔军.湖南大学 2009
本文编号：3203706
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外相关研究动态
1.3 论文组织结构
第二章 背景知识
2.1 无线传感网络离群检测特征
2.1.1 无线传感网络感测数据特征
2.1.2 无线传感网络离群检测特性
2.1.3 传统离群检测的问题
2.1.4 无线传感数据的标签技术
2.2 支持向量数据描述
2.2.1 支持向量机
2.2.2 一类支持向量机
2.2.3 支持向量数据描述
2.3 序列最小优化算法
2.3.1 工作集乘子的选择策略
2.3.2 Lagrange乘子的优化策略
2.4 随机特征映射
2.4.1 随机傅里叶特征映射
2.4.2 对数时间内近似核函数
2.5 决策模型优化算法
2.5.1 基于超球模型的决策算法
2.5.2 基于超椭球模型的决策算法
2.6 性能评价指标
2.7 本章小结
第三章 基于Toeplitz矩阵随机特征映射的SVDD离群检测算法
3.1 基于Toeplitz矩阵随机特征映射的SVDD算法
3.1.1 随机特征映射的SVDD算法
3.1.2 Toeplitz矩阵随机特征映射算法
3.2 实验结果与分析
3.2.1 实验数据集
3.2.2 实验环境及参数设置
3.2.3 实验结果
3.3 本章小结
第四章 基于模型选择的SVDD离群检测算法
4.1 基于模型选择的SVDD算法
4.1.1 欠拟合误差
4.1.2 过拟合误差
4.2 实验结果与分析
4.2.1 实验数据集
4.2.2 实验环境及参数设置
4.2.3 实验结果
4.3 本章小结
第五章 基于自适应的SVDD离群检测算法
5.1 基于自适应的SVDD算法
5.1.1 自适应检测机制
5.1.2 训练集约简策略
5.2 实验结果与分析
5.2.1 实验数据集
5.2.2 实验环境及参数设置
5.2.3 实验结果
5.3 本章小结
主要结论与展望
主要结论
展望
致谢
参考文献
附录:作者在攻读硕士学位期间发表的论文
【参考文献】：
期刊论文
[1]一种基于快速k-近邻的最小生成树离群检测方法[J]. 朱利,邱媛媛,于帅,原盛. 计算机学报. 2017(12)
[2]基于超椭球分类面的SVDD快速决策方法[J]. 曲建岭,王小飞,高峰,袁涛. 控制与决策. 2017(04)
[3]异质网中基于张量表示的动态离群点检测方法[J]. 刘露,左万利,彭涛. 计算机研究与发展. 2016(08)
[4]KMA-α:一个支持向量机核矩阵的近似计算算法[J]. 丁立中,廖士中. 计算机研究与发展. 2012(04)
[5]流数据分析与管理综述[J]. 金澈清,钱卫宁,周傲英. 软件学报. 2004(08)
博士论文
[1]无线传感器网络数据离群点检测若干方法研究[D]. 冯震.上海大学 2017
[2]非稳态环境下无线传感网络数据集离群点检测方法研究[D]. 姚海庆.华东理工大学 2016
[3]无线传感器网络性能测试与智能故障诊断技术研究[D]. 黄旭.山东大学 2014
硕士论文
[1]安全高效的无线传感器网络路由协议研究[D]. 林乔军.湖南大学 2009
本文编号：3203706
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3203706.html
