[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

说明书

本发明公开了无线传感网络中基于多示例多标记学习的区域监测方法，利用Fisher Kernel对同一时刻的多个传感器节点数据压缩。压缩后，某一时刻，整个无线传感器网络对应一个单示例数据而不再是多示例数据。利用MMD对历史包数据压缩，挑选出最具代表性的包数据，构成一个数据子集。利用快速多示例多标记算法完成对压缩数据的训练和监测区域状态的评估。本发明在经过两层压缩后的传感数据集上构建传感器网络状态预测模型，能够实现快速的网络状态预测。

技术领域

本发明属于无线传感网络技术和机器学习技术领域，特别涉及了一种基于多示例多标记学习的区域监测方法。

背景技术

作为一种能够对人类未来生活产生深远影响的新兴技术，无线传感器网络(WSNs)技术近年来受到了普遍关注。WSNs技术的应用涉及到了诸多领域，包括国防科技、物联网技术、环境监测、远程控制、星际探索等。对于WSNs的研究意义重大。

大数据时代的一个重要数据来源就是传感器网络。传感器网络的任务在于帮助人们监测某个区域内监测对象的情况，而非具体某个节点的情况，传感器网络中的节点脱离了传感器网络就没有意义了。传感器网络将各节点收集到的数据汇总，人们对这些汇总数据进行处理，从而了解整个监测区域或者某个区块所处状态。WSNs除了拥有分布式、自组织，网络拓扑结构动态变化，可靠性和安全性较差诸多特点外，还包括以下两个显著特点。第一，WSNs产生的传感数据中包含大量冗余信息。由于传感器节点无时无刻都在产生数据的，所以其产生的是流数据，流数据的特点是短时间内数据相关性比较大，包含了大量冗余数据，如何将冗余数据筛选掉，而只对关键数据进行挖掘，这是WSNs技术的重要研究方向。第二，传感器规模大、密度高。传感器网络产生的原因就在于，随着无线通信技术、传感技术以及微电子技术的发展，传感器的体积、能耗变得越来越小，功能变得越来越强大，已经可以实现大批量的传感器生产和部署。数目众多的传感器节点每时每刻都在感知环境并产生数据，一个大型的WSNs汇集的数据量是巨大的。如何对这些海量的传感数据进行筛选和处理已经成为WSNs研究者关注的问题。

传感器是大数据的一个重要来源之一，传感数据是数据挖掘的重要研究对象。数据挖掘是一个过程，其目的在于利用模式识别、统计学理论、机器学习等领域的算法和知识，从大量的数据中搜索隐藏于其中信息。在数据挖掘所利用的众多机器学习算法中，有监督的分类学习是其中的一个重要分支。分类算法是在类别已知的训练样本集上学习得到一个分类模型，然后利用分类模型预测新样本的类别，这类似于人类利用生活经验来预测未来可能发生的事。在WSNs中，可以利用历史的传感数据，训练出一个分类器，当新的传感数据到来，就可以利用分类器对当期传感器网络所处的状态进行评估。

传统的分类算法中，每个样本只有一个类别或标记，但是现实当中一个样本或对象可能同时与多个标记相对应。例如，一则新闻报道可能同时对应『经济』『政治』『环境』三个主题；一张关于沙滩的图片，可能同时还包含有海鸥、天空、轮船等内容；同样的情形在生物领域的蛋白质功能预测中也存在，一种蛋白质分子可能同时具有抗癌、抗感冒等功能；在WSNs中，监测区域出现的状况可能不只一种，否则传感器网络的功能就太过单一了，比如，我们往往希望传感器网络能够同时判断监测区域中是否存在火灾、外来入侵、交通堵塞等情况，如果出现火灾，那么火灾大概出现在监测区域内的哪个部分。由此，产生了多标记学习(MLL)以解决一个样本拥有多个标记的问题。多标记算法已经被成熟地应用到文本分类、图片注释等传统分类领域，并且在一系列新的领域亦取得了成功，包括大分子功能预测、Web挖掘、信息检索和视频语义注释，而多标记学习在WSNs领域的直接应用还未引起足够重视。基于决策树、神经网络、K近邻、支持向量机等传统的分类算法，研究者们提出了许多相应的多标记算法，多标记问题的解决工具已经种类繁多。