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学习方法分类器训练数据集与前面各轮的学习结果相关，因此，只能串行运算，需要耗费大量的时间，只能满足实时性要求较低的智能传感器系统需求。而基于Bagging的集成算法的各轮训练集之间相互独立，能并行产生训练数据集，适合并行计算，这点在多核智能传感器SoC中的速度优势将会更加明显。因此，本文由张家港市泰宇机械有限公司扩管机网站采集网络资源整理!   http://www.kuoguanji168.com/本文提出了一种适应于智能传感器SoC小样本数据流增量学习的集成式增量学习算法。1智能传感器SoC模型集MCU、加速度计、陀螺仪、磁力计、温湿度传感器等各种传感器于一身的SoC已成为一种发展趋势。信号处理-液压滚圆机滚弧机价格低电动折弯机滚圆机多少钱其示意图如图1所示。图1多传感器SoC示意图传感器在SoC中会产生大量数据，并且会随着时间的积累，数据量会越来越大。为了有效地管理和利用这些数据，需要对它们进行学习、分类。在智能传感器系统中，传感器的数据流是随时间产生的，在训练时不可能一次将所有的数据准备好，因此，只能逐步将所获取的样本中包含的信息纳入学习系统中，也就是进行小样本增量学习。对于集成多个传感器的SoC，由于片内存储和带宽资源所限，对训练和决策算法有如下要求:1)算法计算规模适中，收敛速度快;2)预测准确度高;3)算法稳定性和泛化能力强;4)传感器时时刻刻都在产生数据，能够在已有数据的基础上学习新的数据，亦即是能够进行增量学习。基于Bagging-SVM的集成式增量学习算法恰好满足上述要求，可以适应智能传感器SoC的小样本增量学习。2基于SVM的集成式增量学习算法2．1SVM理论SVM是建立在统计学习理论的VC维理论和结构风险最小化原理基础上的，能较好解决小样本、非线性、高维数和局部极小点等实际问题，具有较高泛化性能的学习算法。SVM可以描述为如下有约束的二次优化问题m随钻测量过程中,井下随钻测量信号通过钻井液脉冲方式传输到地面,地面采集到的信号往往包含了各种噪声和干扰,为了正确地恢复源信号,采用基于最小均方的自适应噪声对消算法。同时,利用改进锁相环方法来正确地恢复时钟,寻找准确的采样点。通过现场采集的钻井液脉冲信号进行验证,曼码信号处理能成功恢复码子,还原有效信息。信号处理-液压滚圆机滚弧机价格低电动折弯机滚圆机多少钱 本文由张家港市泰宇机械有限公司扩管机网站采集网络资源整理!   http://www.kuoguanji168.com/