[發(fā)明專利]一種基于自適應(yīng)優(yōu)化線性鄰域集選擇的降維方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011201551.6
• 申請(qǐng)日: 2020-11-02
• 公開（公告）號(hào): CN112257807B
• 公開（公告）日: 2022-05-27
• 發(fā)明（設(shè)計(jì)）人: 吳俊華;曹佳彬;李光順;鄭天歌;王茂勵(lì);任新榮;于海莉;禹繼國(guó);成秀珍
• 申請(qǐng)（專利權(quán)）人: 曲阜師范大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06V10/77
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 王立普

本發(fā)明涉及一種基于自適應(yīng)優(yōu)化線性鄰域集選擇的降維方法及系統(tǒng)。該方法包括：獲取邊緣設(shè)備模塊發(fā)送的通信數(shù)據(jù)；判斷所述通信數(shù)據(jù)是否大于等于通信上限閾值；若是，則對(duì)所述通信數(shù)據(jù)進(jìn)行降維處理，得到降維后的通信數(shù)據(jù)；將所述降維后的通信數(shù)據(jù)上傳到云服務(wù)器；若否，則判斷所述通信數(shù)據(jù)是否大于等于通信下限閾值；若是，則將所述通信數(shù)據(jù)直接上傳到云服務(wù)器；若否，則將所述通信數(shù)據(jù)過濾。本發(fā)明能夠有效避免流形結(jié)構(gòu)的變形，獲得更好的嵌入效果，提高數(shù)據(jù)傳輸效率和用戶體驗(yàn)。

技術(shù)領(lǐng)域

本發(fā)明涉及邊緣計(jì)算領(lǐng)域，特別是涉及一種基于自適應(yīng)優(yōu)化線性鄰域集選擇的降維方法及系統(tǒng)。

背景技術(shù)

隨著物聯(lián)網(wǎng)和云服務(wù)的發(fā)展，邊緣計(jì)算作為一種新的數(shù)據(jù)處理模式應(yīng)運(yùn)而生，它將傳統(tǒng)的云計(jì)算模型擴(kuò)展到了網(wǎng)絡(luò)的邊緣。最近的研究表明，到2025年，將有超過500億個(gè)終端和設(shè)備連接到互聯(lián)網(wǎng)上，超過50％的數(shù)據(jù)需要在網(wǎng)絡(luò)邊緣進(jìn)行分析、處理和存儲(chǔ)。因此提出了一個(gè)數(shù)據(jù)降維中心，通過部署在網(wǎng)絡(luò)邊緣提供實(shí)時(shí)數(shù)據(jù)計(jì)算、存儲(chǔ)等功能。于它靠近用戶和數(shù)據(jù)源，海量數(shù)據(jù)不再需要直接上傳到云服務(wù)器進(jìn)行處理，大大降低了網(wǎng)絡(luò)時(shí)延，提高了用戶體驗(yàn)。對(duì)于數(shù)據(jù)降維問題，傳統(tǒng)的方法，如主成分分析(PCA)和線性判別分析(LDA)，通常假設(shè)數(shù)據(jù)具有低維的線性分布。然而，這些方法很少考慮真實(shí)數(shù)據(jù)的表示維數(shù)與本質(zhì)特征維數(shù)之間的非線性關(guān)系。為了解決這一問題，流形學(xué)習(xí)方法近年來被提出，并逐漸成為數(shù)據(jù)特征提取領(lǐng)域的熱點(diǎn)問題。這種方法假設(shè)高維數(shù)據(jù)分布在本質(zhì)上是低維的非線性流形上，并且基于原始數(shù)據(jù)表示空間和低維流形的不變特征，對(duì)維數(shù)進(jìn)行非線性降維。代表性算法包括基于譜分析的算法、Isomap、LLE、KPCA、Laplacian和Hessian。

與傳統(tǒng)的PCA和LDA方法相比，LLE注重保持樣本的局部線性特征。LLE在圖像識(shí)別、高維數(shù)據(jù)可視化等領(lǐng)域得到了廣泛的應(yīng)用，因?yàn)樗诮稻S過程中保持了樣本的局部特征，其主要思想是尋找每個(gè)樣本點(diǎn)的k個(gè)最近鄰點(diǎn)。然后，從每個(gè)采樣點(diǎn)的最近鄰點(diǎn)計(jì)算其局部重建權(quán)重矩陣。最后，利用采樣點(diǎn)及其相鄰點(diǎn)的局部重建權(quán)值矩陣計(jì)算采樣點(diǎn)的輸出值。可以看出，線性關(guān)系只在樣本附近起作用，而遠(yuǎn)離樣本的樣本對(duì)局部線性關(guān)系沒有影響。因此，降維的復(fù)雜性大大降低。它的主要特點(diǎn)是在不改變局部數(shù)學(xué)性質(zhì)的情況下，使全局非線性逼近局部線性。它通過局部鄰域提供整體信息，并最終反映數(shù)據(jù)集的幾何特征。

Guan等人基于工作模式分析比較和評(píng)估了四種數(shù)據(jù)驅(qū)動(dòng)方法。討論了Hilbert變換和隨機(jī)減量技術(shù)在模態(tài)阻尼比識(shí)別中的應(yīng)用。Li等人提出了邊緣設(shè)備之間協(xié)作的計(jì)算方案。采用Kruskal算法計(jì)算邊緣節(jié)點(diǎn)的任務(wù)分配延遲。Yang等人引入異構(gòu)無線傳感器網(wǎng)絡(luò)，在傳感器網(wǎng)絡(luò)中部署健壯的存儲(chǔ)節(jié)點(diǎn)，并通過編碼技術(shù)利用數(shù)據(jù)冗余來提高數(shù)據(jù)存儲(chǔ)的可靠性。這些方法為任務(wù)分配算法提供了思路。

Aazam等人提出了一種基于光纖陀螺的微數(shù)據(jù)中心物聯(lián)網(wǎng)動(dòng)態(tài)資源估算和定價(jià)模型。然而，數(shù)據(jù)去噪并沒有實(shí)現(xiàn)。為此，Wang等人提出了列高階奇異值分解算法，實(shí)現(xiàn)了代表大數(shù)據(jù)的張量的降維、提取和降噪。然而，數(shù)據(jù)傳輸?shù)陌踩詤s被忽視了。為此，Tang等人對(duì)最新的保護(hù)技術(shù)進(jìn)行了總結(jié)和分析。本文描述了云環(huán)境下數(shù)據(jù)服務(wù)外包的安全威脅和需求。

Su等人提出了一種基于增量增強(qiáng)有監(jiān)督局部線性嵌入(I-ESLLE)和自適應(yīng)最近鄰分類器(ANNC)的故障診斷方法。其中，低維故障樣本被引入到該算法中故障類型識(shí)別的神經(jīng)網(wǎng)絡(luò)。Qin等人提出了一種基于譜子空間和LLE算法的相似性度量方法SSLLE。通過引入測(cè)地線對(duì)LLE算法進(jìn)行了改進(jìn)，用以解決高維空間中歐氏距離的測(cè)量問題。然而，使用單一的權(quán)值向量來構(gòu)造線性結(jié)構(gòu)并不能達(dá)到很好的嵌入效果。項(xiàng)等從局部線性變換的角度給出了LLE算法和LTSA算法的回歸公式。但可能導(dǎo)致流形結(jié)構(gòu)的變形。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于自適應(yīng)優(yōu)化線性鄰域集選擇的降維方法及系統(tǒng)，能夠有效避免流形結(jié)構(gòu)的變形，獲得更好的嵌入效果，提高數(shù)據(jù)傳輸效率和用戶體驗(yàn)。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：