资源描述：
《基于深度学习的无线传感器网络数据融合算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、基于深度学习的无线传感器网络数据融合算法朱彦基于深度学习的无线传感器网络数据融合算法朱彦(云南机电职业技术学院云南昆明,650203)摘要:数据融合算法能够实现对海量数据的整合和特征提取,以便形成更为清晰、可靠的数据,满足不同用户需求,但传统基于BP神经网络的数据融合算存在局部最优及泛化能力差的问题,本文引入了一种无监督学习技术自动编码器,并将其与分簇协议相结合衍生出了新型数据融合算法SAEMAD,最终经过实验对比,在同等条件下,该算法较BPNDA算法具有更好的数据特征提取优势。关键词:深度学习;数据融合技术;层叠自动编码器;分簇协议中图分类号:TP27
2、3文献标识码:BDOI编码:10.14016/j.cnki.1001-9227.2017.09.028Abstract:datafusionalgorithmcanrealizetheintegrationandfeatureextractionofthehugedata,soastoformamoreclearandreliabledata,tomeetdifferentuserrequirements,butthetraditionaldatafusionalgorithmbasedontheBPneuralnetworkhastheproblems
3、oflocaloptimumandpoorgeneralizationability,thisarticleintroducesakindofunsupervisedlearningtechnologyautomaticencoder,andcombineswithclusteringprotocoltoderiveannewalgorithm,finallythroughexperimentcontrast,underthesamecondition,thealgorithmhasbetterdatafeatureextractionthanBPNDA
4、algorithm.Keywords:deeplearning;datafusiontechnology;cascadingautomaticencoder;clusteringprotocols利用BF的反向传播算法对AE网络训练,而且,为了确保逆0引言T变换的准确性限定W=W。若AE模型可将原始输入从a中ya无线网络传感器网络是由诸多传感器节点构成的应用相完全恢复,则代表其存留了输入的足够内藏信息,由此,可将关型网络,其承载着信息收集、目标监测和环境感知的重要任由偏置和权重决定的非线性网络定义为优质的特征提取器,务,集成了数据采集、传输和分析等对多重
5、数据处理环节,但其在信息损失最小的前提下可实现原始数据特征的提取。其数据量大而繁杂,需要借助数据融合技术才能实现对海量将AE级联即可形成层叠自动编码器SAE,SAE的输出数据收集、整合和特征提取,而传统的基于BP神经网络的数可以视为输入数据多次降维后的特征呈现,SAE可利用贪婪据融合算法随着网络层数的逐渐增加,模型训练常常会出现算法逐层无监督训练来获取各层参数,首先训练出一个AE,局部僵局,从而影响了特征提取分类的效果,且存在泛化能力而后将其隐藏层输出作为后一个AE的输入,依照此类方法差的问题,针对此,本文创造性地以了层叠自动编码器(实现逐层训练,则最终
6、可在顶层获取高层级的特征参数。SAE)和分簇协议相结合的方式,提出了一种新型的2基于深度学习的数据融合算法SAESMDA数据融合算法,该算法在汇聚节点训练SAESM并完成网络分簇,各分簇节点再利用SAESM提取数据特征,而数据融合效果取决于特征提取分类性,为此,本文引入了后由簇首将分类融合后的特征传输至汇聚节点,由此实现了一种WSN特征提取分类模型SAEM,其由SAE特征提取模块数据实时、准确的特征提取,且经过实验验证,该方法较和内含分类器的特征分类模块级联形成,这里的分类器可应BPNDA算法更具优势性。用SAEM1无监督分类器及SAEM2有监督分类器两
7、种,鉴于无监督分类算法K-means参数少,计算简单,具有较快收敛1深度学习模型性,而有监督分类器Softmax和SAE在逐层训练及整体“微深度神经网络结构包含深度信念网络DBNs、深度波尔兹调”时均可利用BP算法完成残差推导并通过梯度下降算法曼机DBMs及层级去噪AE构成,在特征提取中多采用自动编求解,简化了模式复杂性,为此,将这两种均应用到特征提取码器AE深度模型和SAE网络结构,AE若要在隐藏层获取隐模型SAEM中。m含数据特征的激励a∈R,需要对无类别标签的输入数据x∈特征提取分类模型的训练是对传感器节点数据分类融合ddR编码。在输出层解码获取重
8、构信号y∈R,使得输出y尽的必要前提,而训练样本存在有无标签信息的分类,针对此,
