作為物聯(lián)網(wǎng)產(chǎn)業(yè)的核心技術(shù),無(wú)線傳感網(wǎng)絡(luò)已被應(yīng)用于生產(chǎn)生活的許多領(lǐng)域。無(wú)線傳感網(wǎng)絡(luò)往往被部署于復(fù)雜多變或干擾因素諸多的環(huán)境中,常會(huì)造成感知數(shù)據(jù)偏離實(shí)際,從而導(dǎo)致感知數(shù)據(jù)質(zhì)量下降,影響科學(xué)決策。因此,研究無(wú)線傳感網(wǎng)絡(luò)的離群檢測(cè)方法,具有重要的理論意義和實(shí)用價(jià)值。本文圍繞支持向量數(shù)據(jù)描述（SVDD）的無(wú)線傳感網(wǎng)絡(luò)離群檢測(cè)方法展開了較系統(tǒng)、深入的研究,主要工作如下。（1）提出了一種基于Toeplitz矩陣隨機(jī)特征映射的SVDD無(wú)線傳感網(wǎng)絡(luò)離群檢測(cè)算法（TRFF）。在傳統(tǒng)SVDD算法的框架下,引入了隨機(jī)傅里葉特征映射近似核函數(shù),降低了SVDD檢測(cè)算法的時(shí)間復(fù)雜度,同時(shí)使用Toeplitz矩陣的循環(huán)特點(diǎn)減少存儲(chǔ)隨機(jī)特征矩陣帶來(lái)的內(nèi)存消耗。實(shí)驗(yàn)表明,TRFF算法在進(jìn)行離群檢測(cè)時(shí),保持了較高的檢測(cè)率和較低的誤報(bào)率,在時(shí)間性能上也優(yōu)于傳統(tǒng)算法。（2）提出了一種基于模型選擇的SVDD無(wú)線傳感網(wǎng)絡(luò)離群檢測(cè)算法（TSRFF）。無(wú)線傳感網(wǎng)絡(luò)離群檢測(cè)算法要求實(shí)時(shí)性較高,需設(shè)計(jì)隨機(jī)特征映射算法,使其在較低維度實(shí)現(xiàn)映射。傳統(tǒng)隨機(jī)特征映射算法在特征映射維度較低時(shí),穩(wěn)定性較差,導(dǎo)致決策模型常出現(xiàn)過擬合或欠擬合的問題。TS... 

【文章來(lái)源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外相關(guān)研究動(dòng)態(tài)
    1.3 論文組織結(jié)構(gòu)
第二章 背景知識(shí)
    2.1 無(wú)線傳感網(wǎng)絡(luò)離群檢測(cè)特征
        2.1.1 無(wú)線傳感網(wǎng)絡(luò)感測(cè)數(shù)據(jù)特征
        2.1.2 無(wú)線傳感網(wǎng)絡(luò)離群檢測(cè)特性
        2.1.3 傳統(tǒng)離群檢測(cè)的問題
        2.1.4 無(wú)線傳感數(shù)據(jù)的標(biāo)簽技術(shù)
    2.2 支持向量數(shù)據(jù)描述
        2.2.1 支持向量機(jī)
        2.2.2 一類支持向量機(jī)
        2.2.3 支持向量數(shù)據(jù)描述
    2.3 序列最小優(yōu)化算法
        2.3.1 工作集乘子的選擇策略
        2.3.2 Lagrange乘子的優(yōu)化策略
    2.4 隨機(jī)特征映射
        2.4.1 隨機(jī)傅里葉特征映射
        2.4.2 對(duì)數(shù)時(shí)間內(nèi)近似核函數(shù)
    2.5 決策模型優(yōu)化算法
        2.5.1 基于超球模型的決策算法
        2.5.2 基于超橢球模型的決策算法
    2.6 性能評(píng)價(jià)指標(biāo)
    2.7 本章小結(jié)
第三章 基于Toeplitz矩陣隨機(jī)特征映射的SVDD離群檢測(cè)算法
    3.1 基于Toeplitz矩陣隨機(jī)特征映射的SVDD算法
        3.1.1 隨機(jī)特征映射的SVDD算法
        3.1.2 Toeplitz矩陣隨機(jī)特征映射算法
    3.2 實(shí)驗(yàn)結(jié)果與分析
        3.2.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.2.2 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置
        3.2.3 實(shí)驗(yàn)結(jié)果
    3.3 本章小結(jié)
第四章 基于模型選擇的SVDD離群檢測(cè)算法
    4.1 基于模型選擇的SVDD算法
        4.1.1 欠擬合誤差
        4.1.2 過擬合誤差
    4.2 實(shí)驗(yàn)結(jié)果與分析
        4.2.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.2.2 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置
        4.2.3 實(shí)驗(yàn)結(jié)果
    4.3 本章小結(jié)
第五章 基于自適應(yīng)的SVDD離群檢測(cè)算法
    5.1 基于自適應(yīng)的SVDD算法
        5.1.1 自適應(yīng)檢測(cè)機(jī)制
        5.1.2 訓(xùn)練集約簡(jiǎn)策略
    5.2 實(shí)驗(yàn)結(jié)果與分析
        5.2.1 實(shí)驗(yàn)數(shù)據(jù)集
        5.2.2 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置
        5.2.3 實(shí)驗(yàn)結(jié)果
    5.3 本章小結(jié)
主要結(jié)論與展望
    主要結(jié)論
    展望
致謝
參考文獻(xiàn)
附錄:作者在攻讀碩士學(xué)位期間發(fā)表的論文


【參考文獻(xiàn)】：
期刊論文
[1]一種基于快速k-近鄰的最小生成樹離群檢測(cè)方法[J]. 朱利,邱媛媛,于帥,原盛.  計(jì)算機(jī)學(xué)報(bào). 2017(12)
[2]基于超橢球分類面的SVDD快速?zèng)Q策方法[J]. 曲建嶺,王小飛,高峰,袁濤.  控制與決策. 2017(04)
[3]異質(zhì)網(wǎng)中基于張量表示的動(dòng)態(tài)離群點(diǎn)檢測(cè)方法[J]. 劉露,左萬(wàn)利,彭濤.  計(jì)算機(jī)研究與發(fā)展. 2016(08)
[4]KMA-α:一個(gè)支持向量機(jī)核矩陣的近似計(jì)算算法[J]. 丁立中,廖士中.  計(jì)算機(jī)研究與發(fā)展. 2012(04)
[5]流數(shù)據(jù)分析與管理綜述[J]. 金澈清,錢衛(wèi)寧,周傲英.  軟件學(xué)報(bào). 2004(08)

博士論文
[1]無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)離群點(diǎn)檢測(cè)若干方法研究[D]. 馮震.上海大學(xué) 2017
[2]非穩(wěn)態(tài)環(huán)境下無(wú)線傳感網(wǎng)絡(luò)數(shù)據(jù)集離群點(diǎn)檢測(cè)方法研究[D]. 姚海慶.華東理工大學(xué) 2016
[3]無(wú)線傳感器網(wǎng)絡(luò)性能測(cè)試與智能故障診斷技術(shù)研究[D]. 黃旭.山東大學(xué) 2014

碩士論文
[1]安全高效的無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議研究[D]. 林喬軍.湖南大學(xué) 2009



本文編號(hào)：3203706