《电子技术应用》
您所在的位置:首页 > 模拟设计 > 设计应用 > 面向传感网络多源数据融合的SVM方法
面向传感网络多源数据融合的SVM方法
2021年电子技术应用第11期
陈 燕1,顾大刚1,陈亚林2
1.贵阳学院 数学与信息科学学院,贵州 贵阳550002;2.南京财经大学 管理科学与工程学院,江苏 南京210046
摘要: 由于多源传感数据及其噪声构成复杂的非线性可分空间,数据融合是目前在资源受限的传感网络中安全、准确和高效地消除冗余数据的重要方法。结合SVM泛化能力强、凸优化的特点,侧重分析了非线性可分多源数据集转化为高维线性可分空间的可行性方法。仿真实验结果表明,宽度参数范围预估方法可以加速高斯核宽度参数的确定。针对多分类情形,仿真实验结果表明,通过控制误差积累,更能确保分类的有效性。
中图分类号: TN925;TP391.4
文献标识码: A
DOI:10.16157/j.issn.0258-7998.201073
中文引用格式: 陈燕,顾大刚,陈亚林. 面向传感网络多源数据融合的SVM方法[J].电子技术应用,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

    为了提高传感网络观测数据的可靠性和准确度,需要复置传感器,使得多个节点有相互交叉的观测范围,这将导致采集的数据存在大量冗余,极大地增加了数据存储、处理和传输的资源消耗。如何在传感网络数据聚集过程中安全、准确和高效地消除冗余数据,是资源受限的传感网络应用研究中的核心问题之一,而数据融合是目前解决这一问题较为有效的一种方法。所谓数据融合是指将同一目标的多个观测结果整合成一个统一的结果[1]。数据融合技术主要是通过压缩数据、提取特征和数据关联等手段降低数据中的信息冗余,从而降低传感网络的资源消耗,增加置信度[2]

    数据融合的质量和效率主要体现在融合算法上。目前常用的数据融合算法有:基于时间序列的加权平均法,其方法简单,处理速度快,但融合质量较差[3-4];利用概率分布求融合值的贝叶斯估计法,提高了融合结果的精度,但误差较难控制[5-6];充分利用概率分布函数、似然函数和信任函数的D-S推理方法[7-8],将多个信息融合的不确定性推理过程融合于模糊逻辑推理过程中,但信息描述依赖于主观因素,不利于特征提取[9-10];神经网络算法,针对数据融合不确定性推理过程,通过训练,能拥有相应传感网络的规律,再利用规律进行数据融合[11-13]




本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003820




作者信息:

陈  燕1,顾大刚1,陈亚林2

(1.贵阳学院 数学与信息科学学院,贵州 贵阳550002;2.南京财经大学 管理科学与工程学院,江苏 南京210046)




wd.jpg

此内容为AET网站原创,未经授权禁止转载。