近年來,伴隨著云計算技術和人工智能技術日益成熟和廣泛應用,信息科技逐步向物聯(lián)網(wǎng)時代進行轉變,人類社會的生活方式迎來了全新的變革,進入了萬物互聯(lián)的智能社會,萬物具有感知能力,普通的物理設備不只是“冷冰冰的機器”,它擁有類似人類的感知能力和思維方式。與此同時,隨著5G高速時代的到來,物聯(lián)網(wǎng)設備也產(chǎn)生了前所未有的海量數(shù)據(jù),到2025年,全球的數(shù)據(jù)量預計將會增至175澤字節(jié)（ZB）的數(shù)據(jù),對這些數(shù)據(jù)的集成和挖掘,對社會的發(fā)展發(fā)揮著重要的作用。集成學習是一種強而有力的技術,可以訓練和組合多個基學習器,目的是提高整體的性能,比基學習器擁有更好的泛化能力,而現(xiàn)有的集成學習算法已經(jīng)無法高效處理如此海量的數(shù)據(jù)（如隨機森林）,其中每個基學習器的模型都基于整個數(shù)據(jù)集進行采樣和訓練。這樣會導致額外的計算成本,在大數(shù)據(jù)領域是不切實際的。為了獲得更高的效率,本文提出了一個分散式集成學習框架,特別地,利用分布式邊緣計算來整合集成學習技術。在該框架中,利用網(wǎng)絡邊緣節(jié)點來處理、分析和建立分類和預測模型。一個顯然的待研究問題是如何去實現(xiàn)限制每個基學習器訪問一個較小的子數(shù)據(jù)集與實現(xiàn)高精度之間的平衡。本文利用邊緣計算系統(tǒng)的模... 

【文章來源】：西南大學重慶市 211工程院校 教育部直屬院校

【文章頁數(shù)】：87 頁

【學位級別】：碩士

【部分圖文】：

論文組織結構圖

西南大學碩士學位論文122.1大數(shù)據(jù)與邊緣計算物聯(lián)網(wǎng)（InternetofThings,簡稱：IoT）于1999年首次引入社區(qū)，用于管理供應鏈[57]。它通過各種信息傳感器設備和技術收集任何需要實時監(jiān)控、連接和交互的對象或過程[58][59]。云計算是物聯(lián)網(wǎng)發(fā)展的基石，誕生于2005年左右，可以智能處理物聯(lián)網(wǎng)的海量數(shù)據(jù)[60]。這海量的大數(shù)據(jù)表現(xiàn)出高速，多樣，大量，價值的特征[61][62]，隨著5G商業(yè)化進程的不斷推進和發(fā)展，需要在網(wǎng)絡邊緣部署一個小型或便攜式數(shù)據(jù)中心，使終端請求在本地進行處理，以滿足URLLC和mMTC的超低延遲要求[63]。數(shù)據(jù)量的大小和處理速度是云計算兩個無法克服的缺點[64]。在5G通信技術的優(yōu)勢下，邊緣計算一度被視為5G時代的下一個口號[65]。邊緣計算是指在靠近對象或數(shù)據(jù)源的一側集成了網(wǎng)絡計算，存儲和應用程序核心功能的開放平臺，可以在附近提供服務[66]，因此，邊緣計算又被稱為分布式云計算。圖2-1顯示了傳統(tǒng)的云計算架構和邊緣計算架構。邊緣節(jié)點處理完數(shù)據(jù)后，僅向云端上傳有效，準確的數(shù)據(jù)，以生成更快的網(wǎng)絡服務響應，云計算的中心服務器可以訪問邊緣計算的歷史數(shù)據(jù)。邊緣計算位于物理實體的近端，是物理實體與工業(yè)之間的連接。因此，邊緣計算的體系結構為系統(tǒng)研發(fā)帶來了很多好處，例如減少數(shù)據(jù)暴露、較高的數(shù)據(jù)處理效率、較強的靈活性、較低的數(shù)據(jù)管理成本等。圖2-1傳統(tǒng)的云計算架構和邊緣計算架構本文利用多agent系統(tǒng)（在2.2章節(jié)中介紹）在數(shù)據(jù)源上的協(xié)作和自主能力，讓數(shù)據(jù)源就近處理，選擇一些邊緣節(jié)點來幫助解決大數(shù)據(jù)中復雜的集成學習問題。

圖2-2個體和集成之間的關系

【參考文獻】：
期刊論文
[1]K-means聚類算法性能分析與優(yōu)化研究[J]. 楊柳.  火控雷達技術. 2019(02)
[2]基于Kmeans++聚類的樸素貝葉斯集成方法研究[J]. 鐘熙,孫祥娥.  計算機科學. 2019(S1)
[3]聚類算法綜述[J]. 章永來,周耀鑒.  計算機應用. 2019(07)
[4]集成學習之隨機森林算法綜述[J]. 王奕森,夏樹濤.  信息通信技術. 2018(01)
[5]半監(jiān)督集成學習綜述[J]. 蔡毅,朱秀芳,孫章麗,陳阿嬌.  計算機科學. 2017(S1)
[6]基于弱分類器調(diào)整的多分類Adaboost算法[J]. 楊新武,馬壯,袁順.  電子與信息學報. 2016(02)
[7]分類器集成算法研究[J]. 周星,丁立新,萬潤澤,葛強.  武漢大學學報(理學版). 2015(06)
[8]集成學習中的多樣性度量[J]. 孫博,王建東,陳海燕,王寅同.  控制與決策. 2014(03)
[9]AdaBoost算法研究進展與展望[J]. 曹瑩,苗啟廣,劉家辰,高琳.  自動化學報. 2013(06)
[10]數(shù)據(jù)挖掘中聚類算法研究進展[J]. 周濤,陸惠玲.  計算機工程與應用. 2012(12)

博士論文
[1]聚類集成關鍵技術研究[D]. 羅會蘭.浙江大學 2007

碩士論文
[1]Adaptive Boosting算法及組合分類器的構建研究[D]. 王玲娣.江南大學 2018
[2]隨機森林算法的優(yōu)化改進研究[D]. 馬驪.暨南大學 2016



本文編號：3415699