收藏本站
《北京工业大学》 2017年
收藏 | 手机打开
二维码
手机客户端打开本文

面向无线传感器网络的核学习机分布式训练方法研究

及歆荣  
【摘要】:无线传感器网络(Wireless Sensor Network,WSN)作为一种全新的信息获取方式和处理技术,已经被广泛应用于诸多领域,而且有着广阔的应用前景。WSN的最大特点是面向应用和以数据为中心,因此其部署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。在WSN要完成的众多任务中,对监测信息进行分类和回归分析是最基础也是最重要的一类任务。因此,许多用于解决分类和回归问题的机器学习方法在WSN中得到了日益广泛的应用。然而,在WSN中,数据都分散在传感器节点上,单独基于单个节点上的数据学习效果较差;而通过多跳路由将分散在传感器节点上的数据传输到数据中心集中学习分类器或回归机又要消耗大量的能量、占用大量的带宽,这与WSN上能源替换代价非常高甚至不可替换、带宽资源非常有限相冲突,同时也容易使数据中心周围的节点成为整个系统的瓶颈。针对上述问题,本论文面向WSN,结合核学习机的特点,基于分布式优化理论、L1正则化技术和Markov链随机理论,以降低WSN中的数据传输代价和延长网络生存时间为目标,研究了仅依靠相邻节点之间的协作,利用节点的处理能力,在网内分布式协同学习核学习机的方法。具体从核学习机优化问题的分解策略、分布式优化问题的求解、相邻节点间的协作方式、核学习机增量学习优化问题构建、基于Markov链的节点选择策略,以及能量平衡的节点选择策略等方面进行了深入研究。本论文的主要研究内容及研究成果主要包括:(1)针对线性核学习机的模型表示特征,以经典核学习机——支持向量机(Support Vector Machine,SVM)的线性情况为例,研究了SVM优化问题的分解策略、求解方法和相邻节点间的协作机制,提出了一种基于权向量全局平均一致性的线性SVM分布式协同训练方法;为了降低权向量全局平均一致性的通信开销,提出了一种基于一次权向量全局平均一致性的线性SVM分布式协同训练方法。仿真实验验证了基于一次权向量全局平均一致性的线性SVM分布式协同训练方法在模型收敛精度、收敛速度和数据传输量上的显著优势。为WSN应用中使用核学习机解决线性分类和回归问题提供了一种快速的低能耗方法。(2)针对非线性核学习机的模型表示特征,以经典核学习机——核最小均方误差学习机(Kernel Minimum Mean Square Error,KM2SE)的非线性情况为例,研究了L1正则化核最小均方误差学习机,即稀疏核最小均方误差学习机的分解策略、求解方法和相邻节点间的协作机制,提出了一种基于模型平均一致性的稀疏核学习机分布式协同训练方法。为了进一步降低数据传输代价,提出了一种样本筛选机制,进而提出了一种基于样本筛选机制的稀疏核学习机分布式协同训练方法。仿真实验验证了提出的非线性稀疏核学习机分布式协同训练方法能够得到与批处理学习方法基本一致的模型预测正确率,而且在模型稀疏率和数据传输量上具有显著优势。为WSN应用中使用核学习机解决非线性分类和回归问题提供了一种低能耗方法。(3)针对非线性稀疏核学习机计算代价高的问题,研究了非线性稀疏核学习机增量学习优化问题的构建、推导和求解,提出了一种非线性稀疏核学习机增量学习方法。针对WSN链路结构不稳定的特点,研究了基于Markov链的节点协作方式,提出了一种基于改进Markov链协作方式的非线性稀疏核学习机分布式增量学习方法。仿真实验验证了非线性稀疏核学习机增量学习方法能够得到与批处理学习方法基本一致的模型预测精度,而且能够显著降低节点上的计算代价和对内存空间大小的需求;基于改进Markov链协作方式的非线性稀疏核学习机分布式增量学习方法可以显著降低节点上的计算代价和数据传输代价,并能适应链路结构不稳定的WSN。(4)针对非线性稀疏核学习机分布式增量学习过程中引起的节点能量消耗不平衡问题,研究了能动态平衡节点剩余能量的节点选择策略,提出了一种能量平衡的节点选择策略,进而提出了一种能量平衡的非线性稀疏核学习机分布式增量学习方法。仿真实验验证了能量平衡的非线性稀疏核学习机分布式增量学习方法既能明显降低数据传输代价也能显著平衡节点上的能量消耗。WSN平台实验进一步验证了本论文提出的多个核学习机分布式协同训练方法在数据传输能耗上的优势表现。最后,分析总结了WSN平台上发送数据和接收数据的能量消耗特点,为进一步深入研究WSN下核学习机分布式协同训练方法奠定了基础。
【学位授予单位】:北京工业大学
【学位级别】:博士
【学位授予年份】:2017
【分类号】:TP212.9;TN929.5

【相似文献】
中国期刊全文数据库 前10条
1 卢家海;;基于在线增量学习支持向量机的径流预测[J];水利科技与经济;2017年07期
2 秦玉平;陈一荻;王春立;王秀坤;;一种新的类增量学习方法[J];计算机工程与应用;2011年34期
3 秦玉平;王秀坤;王春立;;实现兼类样本类增量学习的一种算法[J];控制与决策;2009年01期
4 秦玉平;李祥纳;王秀坤;王春立;;支持向量机加权类增量学习算法研究[J];计算机工程与应用;2007年34期
5 朱婷;滕桂法;陆浩;张长利;曾大军;;基于在线增量学习的自适应聚焦爬虫研究[J];计算机应用与软件;2009年05期
6 秦玉平;李祥纳;王秀坤;王春立;;基于超球支持向量机的类增量学习算法研究[J];计算机科学;2008年08期
7 刘新旺;殷建平;张国敏;罗棻;詹宇斌;;基于最小二乘支持向量机的特征增量学习算法[J];计算机工程与科学;2008年12期
8 郭雪松;孙林岩;徐晟;;基于超球结构的支持向量机增量学习算法[J];运筹与管理;2007年04期
9 忽丽莎;王素贞;陈益强;胡春雨;蒋鑫龙;陈振宇;高兴宇;;基于目标均衡度量的核增量学习跌倒检测方法[J];计算机应用;2018年04期
10 李曼;李云;;云计算平台上基于选择性集成的增量学习研究[J];南京邮电大学学报(自然科学版);2012年05期
中国重要会议论文全文数据库 前7条
1 张庆彬;吴惕华;刘波;;一种改进的基于群体的增量学习算法[A];第二十六届中国控制会议论文集[C];2007年
2 张健沛;李忠伟;杨静;;一种基于多支持向量机的并行增量学习方法(英文)[A];第二十二届中国数据库学术会议论文集(技术报告篇)[C];2005年
3 马后锋;樊兴华;;一种改进的增量贝叶斯分类算法[A];2007'仪表,自动化及先进集成技术大会论文集(一)[C];2007年
4 刘欣;章勇;王娟;;增量学习的TFIDF_NB协同训练分类算法[A];中国电子学会第十六届信息论学术年会论文集[C];2009年
5 王悦凯;吴晓峰;翁巨扬;;Where-What网络增量学习特性探究[A];第一届全国神经动力学学术会议程序手册 & 论文摘要集[C];2012年
6 秦亮;唐静;史贤俊;肖支才;;一种改进的支持向量机增量学习算法[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
7 王会珍;朱靖波;季铎;叶娜;张斌;;基于反馈学习自适应的中文话题追踪[A];第二届全国信息检索与内容安全学术会议(NCIRCS-2005)论文集[C];2005年
中国博士学位论文全文数据库 前10条
1 及歆荣;面向无线传感器网络的核学习机分布式训练方法研究[D];北京工业大学;2017年
2 胡蓉;增量机器学习算法研究[D];南京理工大学;2013年
3 孙宇;针对含有概念漂移问题的增量学习算法研究[D];中国科学技术大学;2017年
4 李斌;概率混合模型的研究及其应用[D];复旦大学;2009年
5 程淼;基于数据局部结构信息的特征提取中的关键问题研究[D];重庆大学;2009年
6 黄静华;支持向量机算法研究及在气象数据挖掘中的应用[D];中国矿业大学(北京);2011年
7 吴刚;基于粒子滤波与增量学习的车辆跟踪方法研究[D];南京理工大学;2014年
8 李敬;增量学习及其在图像识别中的应用[D];上海交通大学;2008年
9 杨敏;复杂场景中的在线多目标跟踪方法研究[D];北京理工大学;2016年
10 王健;基于隐私保护的数据挖掘若干关键技术研究[D];东华大学;2011年
中国硕士学位论文全文数据库 前10条
1 孙静;面向情报大数据的决策树增量学习算法研究[D];哈尔滨工程大学;2017年
2 李鲁英;基于鲁棒性的支持向量机增量学习的研究[D];武汉纺织大学;2018年
3 徐保鑫;分布式环境下企业新闻信息分类子系统的设计与实现[D];延边大学;2017年
4 李昕;基于文本分类的增量学习算法研究[D];中国地质大学(北京);2013年
5 李曼;云计算平台上的增量学习研究[D];南京邮电大学;2012年
6 吴慧;新的支持向量机增量学习算法[D];西安电子科技大学;2009年
7 林宣民;基于局部敏感哈希和支持向量机的半监督增量学习研究[D];浙江工业大学;2017年
8 王会波;基于支持向量机的混合增量学习算法与应用[D];华中师范大学;2016年
9 刘向;支持向量机增量学习算法的研究与应用[D];长沙理工大学;2016年
10 王艳虎;支持向量回归增量学习算法研究及在碳酸钙结晶模拟计算中的应用[D];河北工业大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026