物聯(lián)網(wǎng)（internet of things,IoT）技術(shù)中結(jié)合多個數(shù)據(jù)源互補信息提高數(shù)據(jù)分類準確率的研究受到了越來越多的關(guān)注。針對物聯(lián)網(wǎng)無線傳感器采集到數(shù)據(jù)的多源異構(gòu)特性,給出了一種基于改進多核學習支持向量機（improved multi-kernel learning-support vector machine,IMKL-SVM）的IoT數(shù)據(jù)分類方法。傳統(tǒng)的多核學習方法中核函數(shù)主要是采用經(jīng)驗法選取核函數(shù)類型及參數(shù),本文改進方法在確定核函數(shù)類型及參數(shù)時分為兩步:首先采用交叉驗證方法初步確定核函數(shù)類型及參數(shù);其次在第一步結(jié)果中利用支持向量機（SVM）同時訓練樣本和優(yōu)化多核函數(shù)的類型及參數(shù)。實驗中針對溫度、濕度、光照、大氣壓力等4種數(shù)據(jù)設(shè)計了兩組數(shù)據(jù)——第一組數(shù)據(jù)被標記為上午、中下午、傍晚、夜間4類,第二組數(shù)據(jù)被標記為白天、傍晚、夜間3類,比較了本文的IMKL-SVM方法、單核SVM方法及傳統(tǒng)MKL-SVM方法在兩組數(shù)據(jù)集上的分類準確率。此外,針對UCI公開數(shù)據(jù)集AReM進行了分類實驗,實驗結(jié)果表明IMKL-SVM方法針對具有多源異構(gòu)特性的物聯(lián)網(wǎng)數(shù)據(jù)實現(xiàn)了較高的分類準確率。 

【文章來源】：北京化工大學學報(自然科學版). 2020,47(03)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

傳統(tǒng)多核學習框圖

圖5 第二組數(shù)據(jù)的可視化混淆矩陣觀察圖5混淆矩陣可發(fā)現(xiàn),有近一多半(超過50%)的夜間被誤分類為傍晚,且有一定數(shù)量的傍晚被誤分類為夜間與白天。這與其每個類別之間均存在少量過渡樣本密不可分,即過渡樣本的特征與其兩端類別的特征都有相似的部分;其次,這些誤分類與其對應類別的樣本數(shù)量較小也有直接關(guān)系。反觀類別白天均被準確分類,這是由于其樣本數(shù)量龐大且特征明顯區(qū)別于其他兩類。

表4 AReM數(shù)據(jù)集上的性能度量比較Table 4 Comparison of performance metrics using the AReM dataset 方法 分類準確率/% AUC micro macro 單核SVM(平均) 73.47 0.95 0.95 多核學習SVM 70.71 0.94 0.93 本文改進方法 77.20 0.97 0.97圖8 AReM數(shù)據(jù)集的ROC曲線

【參考文獻】：
期刊論文
[1]實現(xiàn)影響因素多源異構(gòu)融合的短期負荷預測支持向量機算法[J]. 吳倩紅,高軍,侯廣松,韓蓓,汪可友,李國杰.  電力系統(tǒng)自動化. 2016(15)
[2]物聯(lián)網(wǎng)概念和演進路徑[J]. 孔曉波.  電信工程技術(shù)與標準化. 2009(12)



本文編號：3074371