文档介绍：页眉..页脚WSN海量数据处理读书报告杨立摘要:目前对无线传感器网络中的海量数据处理的研究大致分为基于海量数据的研究、基于数据处理的研究以及最终的分类识别。在数据处理层面,人们主要的研究方向是对数据的特征提取与选择,数据的融合技术。最终的分类识别着重关注对特征进行分类识别或对特征进行组合建模后分类识别以达到最终的判定。而在对无线传感器网络所产生的海量数据的研究中,人们主要对数据流与海量数据的存储做了深入细致的研究。本文通过对近年来WSN数据处理相关文献的研读对其海量数据处理的整个过程进行了一个系统的概述。关键词:特征提取与选择数据融合WSN流数据模式识别0引言传感器网络中不论是传感器的数量还是类型都是多种多样的,它包括目标的探测、数据关联、跟踪识别、情况评估与预测几个层面。目前对无线传感器网络中的海量数据处理的研究大致分为基于海量数据的研究、基于数据处理的研究以及最终的分类识别。在数据处理层面,人们主要的研究方向是对数据的特征提取与选择,数据的融合技术。最终的分类识别着重关注对特征进行分类识别或对特征进行组合建模后分类识别以达到最终的判定。而在对无线传感器网络所产生的海量数据的研究中,人们主要对数据流与海量数据的存储做了深入细致的研究。1数据处理在数据处理层面上主要分为两部分,首先是对数据进行特征的提取与选择。这里的特征是对于不同信号来说的。在无线传感器网络中,其各类传感器所产生的信号类型也是多种多样的。因此对不同类型的信号分别进行特征的提取与选择就显得尤为重要了。其分析了各种特征的有效性并选出最有代表性的特征。这些特征有效地降低了特征空间的维度。其次是对数据的融合,无线传感器网络信息采集的过程中,会产生大量的冗余信息。为了使大量的通信带宽和宝贵的能量资源得以节省,数据融合技术就显得尤为重要了。,是信息感知的第一步也是至关重要的一部。特征选择的适当与否直接影响到整个信息处理系统的设计复杂度,并决定了系统的准确性。,即在原始特征中挑出一些有代表性分类性能最好的特征。特征提取的方法有很多,总结起来可以归为四大类:基于基本统计方法的特征提取,基于模型的特征提取,基于变换的特征提取基于分形、维数的特征提取。通过这些特征提取后的特征矢量能够达到较好的分类效果。文献[1]中介绍了一种基于小波包分析的拉索损伤声发射信号特征提取方法,采用ANSYS/KS—DYNA模拟得到拉索损伤声发射信号的仿真信号,从小波包分解层次、特征频带数量的选择及特征参数的噪声鲁棒性三个方面开展了讨论分析。小波包能量谱的特征参数具有较强的损伤类型敏感性及噪声鲁棒性,当选取合适的小波包分解层次时,可以在强噪声影响下实现对拉索不同损伤类型的判别。对于非平稳性、非线性过程的信号处理,文献[2]中提出一种基于经验模态分解的目标特征提取与选择方法,可以自适应地将信号的局部特征逐级分解出来。将本征模态函数IMF分量及其瞬时频率作为特征,并选择其判别熵作为特征向量的可分性度量。与小波变换相比IMF不需要预先设定基函数,可根据信号自身的特征进行分解,具有自适应性,所得的本征模态分量突出了数据的局部特征,非常适用于非平稳性G非线性过程的信号处理中。文献[3]中提出了使用功率谱二次处理对地震信号进行特征提取的方法。将页眉..页脚