[发明专利]无线传感网络中基于多示例多标记学习的区域监测方法

权利要求书

1.无线传感网络中基于多示例多标记学习的区域监测方法，其特征在于：包括两个过程：预测模型构建、网络状态预测与模型更新，

所述模型构建过程如下：

(1)收集T个时刻的传感网络数据，构成数据集D_o＝{(N_t,Y_t)，t＝1,2,...,T}，N_t＝{s_t,1,s_t,2,...,s_t,i,...,s_t,M}表示时刻t时传感器网络收集到的数据，s_t,i表示时刻t时第i个传感器收集的数据，M为整个传感器网络的传感器的总数，Y_t＝{y_t,1,y_t,2,...,y_t,l,...,y_t,L}表示时刻t时传感器网络的状态向量，Y_t有L种需要监测的状态y_t,l，l＝1,2,…,L，y_t,l的取值由人为判断，y_t,l取1表示传感器网络正处于l状态，否则y_t,l取0；

(2)利用最大似然估计求解数据集D_o的混合高斯模型；

(3)对D_o中的所有N_t，利用基于混合高斯模型的Fisher Kernel核函数，将多示例数据N_t映射成单示例数据f_t，从而得到数据集D＝{(f_t,Y_t),t＝1,2,...,T}；其中，将多示例数据映射成单示例数据的具体过程如下：

对于某个多示例数据N＝{s₁,s₂,...,s_i,...,s_M}，设整个样本集的概率密度函数p为混合高斯模型，则N取自该混合高斯模型的概率：

式(1a)中，λ为在样本集上进行最大似然估计得到混合高斯模型的参数，λ＝{ω_k,μ_k,Σ_k,k＝1,...,K}，K为混合高斯模型当中包含单高斯模型的个数，ω_k代表第k个高斯模型占整个混合高斯模型的权重，且满足：μ_k和Σ_k分别为第k个高斯模型的均值向量和方差向量；

设p_k为第k个高斯模型的概率密度函数，则有：

式(2a)中，d为传感器数据s_i的维度数目，由贝叶斯定理得到第i个示例取自第k个高斯分布的概率：

根据γ_i(k)求得N的Fisher向量

(4)利用MMD(Maximum Mean Discrepancy，最大平均损失)数据集成技术，将数据集D中的冗余数据筛除，得到D的子数据集D_sub；其具体过程如下：

对于一个数据集D＝{N₁,N₂,...,N_T}，它的子集D_sub＝{α_tN_t|N_t∈D,t＝1,...,T,α_t∈{0,1}}，α_t为样本选择权重，当子集D_sub中包含了N_t时，α_t取1，否则α_t取0；

将数据集D和D_sub之间的最大平均损失平方的最小值作为目标函数：

s.t.T_s＝||α||₁,α＝(α₁,α₂,...,α_T) (5a)

式(5a)中，N′_t表示取自子集D_sub的数据包，T_s为D_sub中的样本个数，是自变量为N_t的非线性特征映射函数；

求出式(5a)的局部最优解，并根据人为设定的阈值σ，得到D_sub＝{N_t|α_t＞σ}；

(5)以D_sub为训练集，训练一个基于快速多示例多标记分类算法的预测模型Y_t＝F_y(f_t)，清空数据集D；其具体过程如下：

(a)从D_sub中随机抽取一个样本f_t和它的一个相关标记

y∈{y_t,l|y_t,l∈Y_t,yt_,l＝1}，计算f_t对标记y的打分值F_y(f_t)＝ω_yWf_t，其中，ω_y是标记y的权重向量，W是信息提取矩阵，用来对f_t降维；

(b)从f_t的标记集合中随机抽取一个无关标记计算如果无关标记没有违规，返回步骤(b)；如果是一个违规的无关标记，记下当前总共抽样次数v，转到步骤(c)；

(c)根据抽样次数v估计模型的误差，利用误差对参数ω_y,W更新；首先估计模型的误差：

然后利用误差error(f_t,y)构建基于三元组的损失函数：

求解梯度，更新参数ω_y,W：

ω_y＝ω_y+γ*error(f_t,y)*Wf_t

上式中，γ为随机梯度下降法的学习速率；

(d)判断模型是否收敛，如果否，返回步骤(a)，如果是，输出最终模型，结束训练；

所述模型更新与网络状态预测过程如下：

(i)收集任意时刻的传感网络数据，利用Fisher Kernel核函数得到其单示例数据f_t；

(ii)将f_t输入到预测模型Y_t＝F_y(f_t)中，估测出网络当前所处状态Y_t，根据估测状态，管理者做出响应动作，同时对Y_t进行人工校验、更正，并将(f_t,Y_t)存入数据集D中；

(iii)重复步骤(ⅰ)、(ⅱ)，直到收集总共T个时刻的传感网络数据，构成新的数据集D＝{(f_t,Y_t),t＝1,...,T}；

(iv)利用MMD数据集成技术，将数据集D中的冗余数据筛除，重新得到D的子数据集D_sub；

(v)根据D_sub更新预测模型Y_t＝F_y(f_t)，清空数据集D。