无线传感器网络中极限学习机回归优化预测模型
数据融合是无线传感器网络中减少节点能量消耗的一个基本方法.在基于预测的时域数据融合中,通过对传感器节点采集的时间序列数据进行分析,建立能够反映时间序列中所包含的动态依存关系的数学模型,从而减少节点间冗余数据的传输.本文引入流行学习中局部线性重构的思想,结合改进的极限学习机(Extreme Learning Machine),提出KNN-PSOELM数据预测模型.首先运用K近邻的方法对输入样本点进行局部线性重构,然后采用粒子群优化算法(Particle Swarm Optimization)改进极限学习机回归方法产生最优的初始参数.优化之后的模型不仅使得原始非线性传感器数据具有线性的特征,而且避免由异常数据样本引起的病态隐层输出矩阵,提高了模型的预测精度和泛化能力.实验结果表明了算法的有效性.
无线传感器网络、粒子群优化、局部线性重构、极限学习机
37
TP391(计算技术、计算机技术)
国家自然科学基金项目61103175,61300104;福建省科技创新平台建设基金项目2009J10007;福建省自然科学基金项目2013J01230;福建省杰出青年科学基金项目2014J06017;福建省高等学校新世纪优秀人才支持计划基金项目JA13021
2017-04-26(万方平台首次上网日期,不代表论文的发表时间)
共5页
2478-2482