《一种基于Bagging-SVM的智能传感器集成学习方法》PDF+DOC
作者:佘斌,沈海斌
单位:中国电子科技集团公司第四十九研究所
出版:《传感器与微系统》2016年第02期
页数:4页 (PDF与DOC格式可能不同)
PDF编号:PDFCGQJ2016020080
DOC编号:DOCCGQJ2016020089
下载格式:PDF + Word/doc 文字可复制、可编辑
《基于MPU6050传感器的包裹运动状态识别》PDF+DOC2018年第03期 单彬,毛丹辉,王勇
《适用于智能传感器系统的SVM集成研究》PDF+DOC2014年第08期 卞桂龙,丁毅,沈海斌
《基于ABC-PSO的ε-SVM在甲烷测量中的应用》PDF+DOC2017年第07期 鲍立,陈红岩,郭晶晶
《基于动态自适应LS-SVM的数控机床热误差建模研究》PDF+DOC2017年第06期 范秋凤,翟雁,邢春芳,石峰
《计算机科学2009年第36卷总目次》PDF+DOC2009年第12期
《基于统计学习预测技术提高传感器稳定度》PDF+DOC2008年第09期 林继鹏,刘君华
《《计算机应用》总目次(2008年1~12期)》PDF+DOC2008年第12期
《基于改进MDLP算法和分子布朗运动优化的传感器节点故障诊断》PDF+DOC2013年第12期 韩小祥,王雪梅
《《计算机应用》2013年第33卷第1~12期总目次》PDF+DOC2013年第12期
《基于协同训练与LS-SVM的集成传感器在线温度补偿》PDF+DOC2013年第11期 刘继华,金敏
集成多个传感器的智能片上系统(So C)在物联网得到了广泛的应用。在融合多个传感器数据的分类算法方面,传统的支持向量机(SVM)单分类器不能直接对传感器数据流进行小样本增量学习。针对上述问题,提出一种基于Bagging-SVM的集成增量算法,该算法通过在增量数据中采用Bootstrap方式抽取训练集,构造能够反映新信息变化的集成分类器,然后将新老分类器集成,实现集成增量学习。实验结果表明:该算法相比SVM单分类器能够有效降低分类误差,提高分类准确率,且具有较好的泛化能力,可以满足当下智能传感器系统基于小样本数据流的在线学习需求。
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。