面向傳感網絡多源數據融合的SVM方法
2021年電子技術應用第11期
陳 燕1，顧大剛1，陳亞林2
1.貴陽學院 數學與信息科學學院，貴州 貴陽550002；2.南京財經大學 管理科學與工程學院，江蘇 南京210046
摘要： 由于多源傳感數據及其噪聲構成復雜的非線性可分空間，數據融合是目前在資源受限的傳感網絡中安全、準確和高效地消除冗余數據的重要方法。結合SVM泛化能力強、凸優化的特點，側重分析了非線性可分多源數據集轉化為高維線性可分空間的可行性方法。仿真實驗結果表明，寬度參數范圍預估方法可以加速高斯核寬度參數的確定。針對多分類情形，仿真實驗結果表明，通過控制誤差積累，更能確保分類的有效性。
中圖分類號： TN925；TP391.4
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.201073
中文引用格式： 陳燕，顧大剛，陳亞林. 面向傳感網絡多源數據融合的SVM方法[J].電子技術應用，2021，47(11)：25-28.
英文引用格式： Chen Yan，Gu Dagang，Chen Yalin. SVM method for multi-source data fusion of sensor networks[J]. Application of Electronic Technique，2021，47(11)：25-28.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.201073
中文引用格式： 陳燕，顧大剛，陳亞林. 面向傳感網絡多源數據融合的SVM方法[J].電子技術應用，2021，47(11)：25-28.
英文引用格式： Chen Yan，Gu Dagang，Chen Yalin. SVM method for multi-source data fusion of sensor networks[J]. Application of Electronic Technique，2021，47(11)：25-28.
SVM method for multi-source data fusion of sensor networks
Chen Yan1，Gu Dagang1，Chen Yalin2
1.School of Mathematics and Information Science，Guiyang University，Guiyang 550002，China； 2.School of Management Science，Nanjing University of Finance & Economics，Nanjing 210046，China
Abstract： The complex nonlinear separable space is composed of multi-source sensing data and its noise. Data fusion is an important method for eliminating redundant data safely, accurately and efficiently in resource-constrained sensor networks. Because of SVM generalization ability and its convex optimization, this paper focuses on the feasibility of transforming nonlinearly separable multi-source data sets into high-dimensional linear separable spaces, based on the simulation experiment. The method based on the width parameter range estimation can accurately determine the width parameter of Gaussian kernel. For the multiple classification, the stimulation experiment show, by controlling the accumulation of errors,it is more effective to ensure the classification.
Key words : data fusion；support vector machine(SVM)；Gaussian kernel；DAG-SVMs
0 引言
為了提高傳感網絡觀測數據的可靠性和準確度，需要復置傳感器，使得多個節點有相互交叉的觀測范圍，這將導致采集的數據存在大量冗余，極大地增加了數據存儲、處理和傳輸的資源消耗。如何在傳感網絡數據聚集過程中安全、準確和高效地消除冗余數據，是資源受限的傳感網絡應用研究中的核心問題之一，而數據融合是目前解決這一問題較為有效的一種方法。所謂數據融合是指將同一目標的多個觀測結果整合成一個統一的結果[1]。數據融合技術主要是通過壓縮數據、提取特征和數據關聯等手段降低數據中的信息冗余，從而降低傳感網絡的資源消耗，增加置信度[2]。
數據融合的質量和效率主要體現在融合算法上。目前常用的數據融合算法有：基于時間序列的加權平均法，其方法簡單，處理速度快，但融合質量較差[3－4]；利用概率分布求融合值的貝葉斯估計法，提高了融合結果的精度，但誤差較難控制[5－6]；充分利用概率分布函數、似然函數和信任函數的D-S推理方法[7-8]，將多個信息融合的不確定性推理過程融合于模糊邏輯推理過程中，但信息描述依賴于主觀因素，不利于特征提取[9-10]；神經網絡算法，針對數據融合不確定性推理過程，通過訓練，能擁有相應傳感網絡的規律，再利用規律進行數據融合[11-13]。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000003820。
作者信息：
陳 燕1，顧大剛1，陳亞林2
(1.貴陽學院 數學與信息科學學院，貴州 貴陽550002；2.南京財經大學 管理科學與工程學院，江蘇 南京210046)
此內容為AET網站原創，未經授權禁止轉載。