[发明专利]一种高效的果蝇神经网络哈希搜索WMSN数据方法

说明书

本发明公开一种高效的果蝇神经网络哈希搜索WMSN数据方法，首先，对数据集进行预处理，使数据集的特征转化为数值数据，其次利用Fast Johnson‑Lindenstrauss Transform(FJLT)投影矩阵将数据投影到更高维度的度量空间，以确保原始数据对象之间的内容相似度，有利于准确地进行搜索；最后，采用果蝇嗅觉神经的局部敏感哈希方法中赢者通吃的特征选择策略降低数据集的维度，提高搜索效率。本发明利用果蝇嗅觉神经模拟局部敏感哈希过程时，具有更好的普适应，提高了搜索结果的准确度，有效地解决了高维大数据的近似近邻查询问题，有效应用于基于WMSN应用系统中WMSN数据搜索事务。

技术领域

本发明涉及无线多媒体传感器，尤其涉及一种高效的果蝇神经网络哈希搜索WMSN数据方法。

背景技术

无线多媒体传感器(Wireless Multimedia Sensor Networks，WMSN)是在无线传感器网络(WSN)上发展起来的具有视频、音频、图像等多媒体信息的新型无线传感器网络。到目前为止，WMSN十分广泛应用于安全监控、智能交通、环境监测等，WMSN多媒体数据查询是WMSN应用系统研发中的一项重要的核心技术。WMSN多媒体数据通常具有高维度、大规模、多类型的特点，常规的近邻搜索算法不能满足系统的需求，近年来，研究WMSN数据的有效搜索方法以提升搜索性能，已成为产业界与学术界共同关注的热点问题。

通常，人们需要对WMSN多媒体数据进行降维处理，一般有二类降维方法：一是特征选择，二是特征提取。特征选择是在监督学习过程中根据特征与标签的相关性，选择最能代表数据点的特征来表示数据。这种方法能够有效的处理分类的问题，但同时因为需要对比数据集中数据对象的每个特征在分类过程中的贡献的大小，选择相对最具影响的特征，该方法通常具有较高的时间复杂度，并且需要数据集带有标签，因此该方法在近似搜索问题上应用的比较少。而特征提取[1]和特征选择方法不同，最大的不同在于特征提取通过投影在数据对象的特征之上进行转换，创造一个全新的特征集来表示数据，该过程不需要标签数据，并且在投影过程中可以适当降低数据集原有的维数，因此，该方法被广泛应用于近邻搜索问题，在多媒体数据的近邻搜索问题中也常用该方法。最常用的特征提取方法有主成分分析法(PCA)，Linear Discriminant Analysis(LDA)，Locally linear embedding(LLE)，Laplacian Eigenmaps(LE)等方法。

目前，已有许多基于大规模高维数据搜索方法的研究，并取得了标志性的显著进展。2017年8月加州大学Sanjoy Dasgupta，CharlesF.Stevens和SaketNavlakha在《Science》提出了一种新颖的基于随机投影的局部敏感哈希FLSH(Fly Local SensitiveHash,FLSH)方法[2]，用果蝇的嗅觉神经模拟数据集的哈希过程，他们所提出的方法对感知神经元的感知过程和的局部敏感哈希LSH(Local Sensitive Hash,LSH)的处理方法提供了非常有效的融合方案，该方法突破了长期以来学者们对LSH研究的桎梏，对相关领域的研究产生了重要影响。在FLSH方法提出之前，人们习惯在LSH的常规领域进行研究以产生创新性的搜索方法。