关键词:
可穿戴网络
数据处理
不确定数据
数据融合
数据估计
聚类算法
分类算法
摘要:
可穿戴网络作为物联网的重要组成部分之一,在军事、医疗、工业等领域均有重要的应用。近些年,随着电子产业以及大数据相关技术的迅猛发展,可穿戴网络与各领域的结合更加紧密与深入,对于可穿戴网络中信息的精度也提出了更高的要求。数据融合技术可以利用原始数据的冗余信息进一步提高数据的精度与可用性;数据估计技术则可以根据原始数据的状态信息进行数据的处理,去除或减少噪声的影响。可穿戴网络数据处理中的高精度数据融合估计技术已经成为可穿戴网络的研究热点之一。可穿戴网络主要是对个人或群体的运动数据和状态数据进行采集和处理。一方面,数据的采集过程中不可避免的混入了噪声,使得数据存在不确定性,如何降低不确定性或充分利用不确定性信息提高数据精度是本领域研究的一个重要课题;另一方面,可穿戴网络采集和处理后的数据,需要进一步的数据分析,以得到最终的、可用的结论,如何将数据的融合估计与后续的数据分析紧密结合,充分利用数据信息,也是本领域研究的一个重要内容。本论文结合可穿戴网络数据处理中存在的实际问题,从上述两个角度分别对高精度融合估计技术进行了深入的研究:(1)针对非平稳过程的出现会导致估计结果存在一定的滞后性和精度出现明显下降的问题,提出了一种基于无损卡尔曼估计的突发事件感知融合估计模型,该模型引入了绝对差阈值用于发现数据流的非平稳过程,并且在非平稳过程出现时主动进行模型参数调整,一定程度上避免了非平稳过程导致的数据精度下降的问题,仿真实验表明,非平稳阶段的出现对所提模型的融合估计精度的影响不大。而且基于本模型的分类算法,其分类精度至少提升了4%。(2)针对采集数据的不确定性差异较大时,基于可能世界聚类算法的精度快速下降甚至失效的问题,提出了一种基于可能世界和K-L散度的融合估计模型。该模型将估计结果看作概率分布进行处理,充分利用了数据的不确定性。模拟数据和真实数据仿真分析表明:模型在采集数据的不确定性差异较大时,提高了聚类精度,避免了聚类算法失效,扩展了聚类算法的应用范围。(3)针对可穿戴网络中已经存在的采集数据具有一定关联性时,算法的复杂度高,估计精度低的问题,提出了一种基于吸引子的二次融合估计模型。该模型利用吸引子思想对未知的状态数据关系进行了近似拟合,得到了状态数据间数值上的关系表达式,并利用该表达式对融合估计结果进行二次处理,进一步提高了数据的融合估计精度。仿真分析表明:模型在一定条件下可以提高数据的精度,并使得同类数据的分布更加集中。(4)针对基于卡尔曼思想的融合估计算法无法处理噪声不服从正态分布下的数据,以及目前基于降维和数据离散化的处理能耗偏大的问题,提出了基于混合H/H的轻量级融合估计模型。该模型使用了混合H/H估计算法对状态转移方程进行融合估计,弱化了模型对噪声的要求;同时考虑到可穿戴设备中能量有限的问题,使用数据压缩方法降低可穿戴设备的数据通信消耗,达到降低能量消耗,延长使用寿命的目的。仿真分析表明:该模型在提高整体估计精度的同时,模型中各设备的通信量较其他同类模型有所降低,并在噪声剧烈变化时保持了较强的鲁棒性。