《基于深度学习模型的无线传感器网络数据融合算法》PDF+DOC
作者:邱立达,刘天键,林南,黄章超
单位:中国微米纳米技术学会;东南大学
出版:《传感技术学报》2014年第12期
页数:6页 (PDF与DOC格式可能不同)
PDF编号:PDFCGJS2014120220
DOC编号:DOCCGJS2014120229
下载格式:PDF + Word/doc 文字可复制、可编辑
《基于稀疏滤波的无线传感器网络数据融合》PDF+DOC2015年第03期 邱立达,刘天键,傅平
《基于深度学习的无线传感器网络数据融合算法》PDF+DOC2017年第09期 朱彦
《一种基于深度学习模型的数据融合处理算法》PDF+DOC2017年第04期 马永军,薛永浩,刘洋,李亚军
《基于神经网络的无线传感器网络数据融合算法》PDF+DOC2011年第01期 孙凌逸,黄先祥,蔡伟,夏梅尼
《无线传感器网络基于定向扩散与分批估计的数据融合算法》PDF+DOC2006年第25期 张西良,孙优
《基于PSO-BP的无线传感器网络数据融合算法研究》PDF+DOC2014年第04期 陈秋红,郭猛
《基于SOFM神经网络的无线传感器网络数据融合算法》PDF+DOC2013年第12期 杨永健,刘帅
《无线传感器网络簇内分级数据融合算法》PDF+DOC2011年第12期 李海永,李晓,张岩
《基于虚拟网格的无线传感器网络数据融合算法》PDF+DOC2010年第09期 甄志军,鲁士文
《无线传感器网络测试系统数据融合研究》PDF+DOC2010年第07期 蔡科,左宪章,康健,方育奇
为了在无线传感器网络中提高数据融合性能,基于深度学习模型,提出一种将层叠自动编码器(SAE)和分簇协议相结合的数据融合算法SAEMDA,该算法在各个簇内构建特征提取分类模型SAEM,通过SAEM对节点数据进行特征提取和分类,之后将同类特征融合并发送给汇聚节点。SAEM的训练既可以采用离线有监督学习也可以采用在线无监督学习。仿真实验表明:和BPFDA,SOFMDA算法相比,SAEMDA在网络能耗大致相当的情况下能将数据融合正确率提高最多7.5%。
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。