基于稀疏贝叶斯学习的不确定性数据处理方法研究

摘要

随着传感技术、定位技术和通信技术的发展，近年来从物理世界中获取信息的系统的研究引起了学术界和产业界的广泛兴趣。例如：传感器网络和全球定位系统GPS，它们从物理世界中采集信息，并支持基于这些信息的新的应用。通过部署在自然环境中的传感器节点对外部世界当前的状态如温度、湿度、气压、危险气体含量等进行监测，监测到的数据通过网络传送到后台管理系统，以对数据库更新的形式记录下这些数据以供用户查询。在传感监测网络的大部分应用情况下，传感数据的采集和更新都是以一定周期进行的，数据采集和更新的频率大小直接关系到内部世界(数据库)与外部世界(自然界的物理量)之间是否一致。　　 数据的不确定性是传感网络、移动物体定位和生物化学等领域中的数据固有的属性。数据的不确定性是由于网络传输的延迟、丢包、外界数据变化不能实时更新到数据库中等多种因素造成，与测量、计算等过程产生的误差得到不精确的数据有本质区别。数据的不确定性是数据库研究的新方向，而不确定性数据对生产生活各个方面都有不同程度的影响，所以对它进行研究具有十分重要的意义。　　 本文以武钢光纤光栅在线温度监测传感网络中采集的温度值作为研究背景，温度值受到多种因素影响，采集到的数据带有不确定性。利用具有概率性预测的相关向量机对数据进行预测，改善了支持向量机对噪音处理的缺陷，同时使用比支持向量机更少的向量。通过改进稀疏贝叶斯学习算法，从分类和回归两方面同改进前的算法进行比较，来验证改进后算法效率明显提高。同时对在四个传感器中采集到的波长-温度值进行模拟，根据数据的趋势进行简单的预测。