基于多约束子空间投影的传感器数据分类方法技术

本发明专利技术基于多约束子空间投影的传感器数据分类方法，包括步骤：1)采集跨域分布的传感器数据，并将所采集的跨域分布的传感器数据分为源域和目标域数据；2)寻找把源域和目标域数据从原始空间映射到某个子空间的投影矩阵P；3)采用P对源域和目标域进行转换，将转换后的数据输入分类器对分类器进行训练和测试，得到训练成功的分类器；4)采用P对传感器实时采集的数据进行转换，并将转换后的数据输入训练成功的分类器进行分类。本发明专利技术基于多约束子空间投影的传感器数据分类方法，其采用了优化的投影矩阵P，通过该投影矩阵P对跨域分布的传感器数据进行转换，能够提高跨域分布的传感器数据的分类准确率。

【技术实现步骤摘要】
基于多约束子空间投影的传感器数据分类方法
本专利技术涉及传感器数据识别
，特别涉及一种基于多约束子空间投影的传感器数据分类方法。
技术介绍
随着传感器技术的快速发展，不同应用领域的传感器产生了大量的传感器数据。对这些传感器数据进行准确地分类是从传感器技术中获得真正利益的关键。目前已有许多机器学习算法被用于传感器数据的分类，例如k-NearestNeighbor(kNN)、K-meansclustering以及SupportVectorMachine(SVM)。当应用这些分类器时，默认假设训练和测试数据是从同一分布中独立且相同地提取的；然而，由于以下主要原因这一假设并不一定成立：(1)传感器漂移。传感器漂移可以由传感器老化、中毒以及环境波动引起；它会导致传感器采集的数据集(域(domain))的分布随时间变化。(2)仪器变动或者测量对象变动。源自不同仪器或者不同测量对象的数据集的分布往往是不同的。由于未能明确减小跨域分布的差异，传统的分类器在处理这些场景的传感器数据分类时可能会遇到困难。减小跨域分布的差异又称为域校正。...

【技术保护点】
1.基于多约束子空间投影的传感器数据分类方法，其特征在于：包括以下步骤：/n1)采集跨域分布的传感器数据，并将所采集的跨域分布的传感器数据分为源域：

【技术特征摘要】
1.基于多约束子空间投影的传感器数据分类方法，其特征在于：包括以下步骤：
1)采集跨域分布的传感器数据，并将所采集的跨域分布的传感器数据分为源域：和目标域为：源域用于分类器的训练，目标域用于分类器的测试；其中d表示特征维度，ns,nt分别表示两个域中的样本数量；
2)寻找把源域和目标域数据从原始空间映射到某个子空间的投影矩阵P，其包括以下步骤：
2a)采用L2范数对源域和目标域数据进行归一化得到X'，公式如下：



其中x1,...,xn表示一个样本中的分量；
2b)使用主成分分析技术最大化源域和目标域数据的方差，其表示如下：






其中：函数Tr(·)表示矩阵的迹，Ss表示源域的散度矩阵，St表示目标域的散度矩阵，Ht和Hs为中心矩阵，1是全为1的矩阵，α为权重系数，I、Is和It都表示单位矩阵；
2c)采用最小化均值分布方法减少源域和目标域数据的差异：



其中μs,μt分别表示源域和目标域的初始中心，||·||2表示矩阵的2范数；将上述优化问题(4)转化为：



2d)利用特征空间和标签空间的线性核，将Hilbert-Schmidt独立性准则描述为：
HSIC＝(l-1)-2Tr(HXTXHYTY)(6)
其中l表示样本数；
采用最小二乘法来构造样本和标签之间的希尔伯特斯密独立性约束，得到优化目标：



式中B是一个过渡表达，||·||F表示矩阵的F数；对公式(7)进行化简，同时对B求偏导并令其等于0，得到：<...

【专利技术属性】
技术研发人员：刘然，陈希，易琳，田逢春，钱君辉，刘亚琼，赵洋，崔珊珊，王斐斐，陈丹，
申请(专利权)人：重庆大学，重庆大学附属肿瘤医院，
类型：发明
国别省市：重庆;50