基于非參數(shù)貝葉斯字典學習的丟失數(shù)據(jù)插值方法研究.pdf_第1頁
已閱讀1頁,還剩56頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、無線傳感器網(wǎng)絡(luò)(Wireless Sensors Networks, WSNs)作為一種嶄新的信息感知技術(shù),在智能家居、工業(yè)3.0、軍事國防、遠程監(jiān)測等多領(lǐng)域獲得廣泛應用,并在物聯(lián)網(wǎng)中扮演著信息獲取的重要角色。然而,傳感器節(jié)點易受惡劣環(huán)境氣候等非人為因素影響而損壞,或者為了保證網(wǎng)絡(luò)壽命而將壓縮感知(Compressed Sensing, CS)技術(shù)融入到無線傳感器網(wǎng)絡(luò)中都不可避免地導致原始數(shù)據(jù)丟失。為了保證無線傳感器網(wǎng)絡(luò)感知數(shù)據(jù)的準確性

2、和完整性,本文針對信號本身攜帶的豐富先驗信息,提出了兩種高效的丟失數(shù)據(jù)插值方法。主要工作如下:
  1.研究非參數(shù)貝葉斯方法及其常用模型——狄利克雷過程,針對傳統(tǒng)固定尺寸的正交基或冗余字典在面對稀疏性動態(tài)變化的信號缺乏自適應性,本文提出了一種基于非參數(shù)貝葉斯字典學習的丟失數(shù)據(jù)插值方法。在統(tǒng)計學習的基礎(chǔ)上,引入?yún)?shù)個數(shù)和尺寸不受限制的非參數(shù)貝葉斯先驗,將寬分布與樣本信息相結(jié)合,再通過吉布斯抽樣方法推斷得到最優(yōu)參數(shù),進而插值恢復丟失數(shù)

3、據(jù)。本文采用真實的環(huán)境溫度數(shù)據(jù)進行實驗仿真,實驗結(jié)果表明本文提出的插值算法能有效恢復丟失數(shù)據(jù)。
  2.針對傳感器網(wǎng)絡(luò)數(shù)據(jù)的多樣化,其結(jié)構(gòu)特征復雜,傳統(tǒng)的單一結(jié)構(gòu)字典已難以最優(yōu)表示這類信號。本文提出基于結(jié)構(gòu)信息的的字典學習插值方法,并在該算法基礎(chǔ)上改進了字典訓練方式,提出了基于結(jié)構(gòu)信息的非參數(shù)貝葉斯字典學習插值方法。通過引入小波變換和TV變換來充分挖掘信號本身攜帶的結(jié)構(gòu)先驗信息,并采用非參數(shù)貝葉斯字典學習方法來獲得最優(yōu)的多結(jié)構(gòu)字典

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論