[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

摘要

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。

主权项

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。