物联网的目的是为用户提供深自适应的智能服务根据用户的个性化特征。大多数形式的特点提出了高层上下文。但它往往缺乏方法直接获得高层上下文信息在互联网的东西。本文从而达到相应的高层直接使用特定的底层多畴的上下文环境信息通过不同的传感器在物联网,我们目前的机器学习方法构造一个上下文融合模型基于特征选择算法和multiclassification算法。首先,我们提出一个包装器基于遗传算法的特征选择方法来获得一种更简单和更重要的上下文特征子集的低级多畴的背景下,通过定义一个合适的适应度函数,收敛条件。然后,我们使用决策树算法multiclassification算法,基于规则通过训练子集的上下文特征,确定哪些高层上下文的纪录属于低级上下文信息。实验证实,该模型可用于实现更高的分类精度没有更多大量的时间消耗。
物联网技术是一个网络扩展到互联网对象,其主要功能是连接这些对象( 上下文融合流程获得高级上下文通过处理多畴的低级上下文(由监测、遥感数据,等等)基于一些方法和先验知识。如今,大多数研究采用规则推理的方法。例如,中间件的上下文工具包(
没有统一的分类标准上下文。不同的研究者提出了不同的分区方法基于自己的研究背景、应用和研究的要求。戴伊等人提出,上下文信息位置、身份、活动、和时间。上下文被定义为用户和角色,流程和任务,位置,时间,设备由Kaltz et al。 它是用来描述服务的上下文环境物联网( 它主要指的是能力和设备的轮廓。设备是承运人的服务和用户之间的交互,包括静态设备上下文和动态设备上下文。静态关联设备包括设备类型的上下文和显示性能。动态设备上下文包括信号强度、移动速度和电力的设备。 它主要指的是能力和用户的轮廓。用户是指实体可以启动服务的需求物联网(人,一个普通的对象,等等)。它包括静态用户上下文,动态用户上下文,和历史用户上下文。静态用户上下文包括用户的身份,身份,和偏好。动态用户上下文包含用户的位置、姿态许可。位置包括几何位置(特定的纬度、经度和海拔通过GPS,等等)和相对位置(“走廊,”“东教室”,等等)。 主要指与计算属性相关的功能,包括静态计算环境和动态计算环境。静态计算上下文包括计算能力(存储容量、处理器能力等)和网络容量(网络类型、网络带宽、通信成本,等等)。动态计算环境包括CPU利用率、内存利用率和传染性的邻居节点。
上述各种情况下的一些可以直接和最初获得(如光,剩下的电池),这被称为低级上下文。 最初的收购是一个过程,获取各种类型的上下文信息(或数据)直接从各种上下文信息的来源(如传感器、射频识别阅读器和相机)。其他需要集成的低级上下文信息从信息源获取高层获得上下文信息(场景、相对位置等)。例如,一个场景,用户面对无法直接获取,它必须是一个低级上下文的综合分析,如温度、湿度、速度、位置和方向,来推断,现场用户面临(楼上的走廊,等等)。上下文信息的感知往往是复杂和多畴的物联网,,很难总结的有效规则基于专家的经验。所以,不适合使用基于规则的推理方法。本文介绍了机器学习方法和基于遗传算法考虑到上下文融合模型和决策树。模型结构如图 模型包含两个部分:特征选择和分类。特征选择的目的是为了减少训练样本的维数和删除一些功能不相关或弱相关的任务,为了获得简单但重要的特征子集( 贝叶斯分类遵循贝叶斯定理。贝叶斯定理给出了一个计算后验概率的方法。贝叶斯分类提供了一种方法可以结合实际学习算法和先验知识和观测数据。它提供了一个有益的视角对于理解和评估许多学习算法。朴素贝叶斯分类是最常用的方法在贝叶斯分类。顾名思义,这个分类器使用朴素贝叶斯定理的分类对于一个给定的变量值。朴素贝叶斯分类器是一个非常简单的基于概率模型的分类算法和预测之间的独立性假设。独立的假设通常不会对现实产生影响。因此,他们认为是幼稚。朴素贝叶斯模型是非常有用的对于大型数据集,很容易建立,没有复杂的迭代参数。 Despite its simplicity, the naive Bayes classifier is widely used, because it usually behaves well and often outperforms more sophisticated classification methods. 支持向量机(SVM)是一组监督学习方法用于分类、回归分析、异常值检测,来源于统计学习理论。它经常会产生伟大的分类结果从复杂和嘈杂的数据。支持向量机主要用于两类分类问题。尽管一些论文提到<我nl我ne- - - - - -for米ula>
在决策树分类技术,是一种强大的分类方法。它可以用来确定训练数据的特征分割,导致一个好的泛化。决策树算法可以自然地处理二进制或multiclassification问题。和叶节点可以参考的<我nl我ne- - - - - -for米ula>
通过大量的实验,我们发现,决策树分类算法和包装器基于遗传算法的特征选择方法取得了较好的分类结果在物联网的上下文信息。本文实验将在部分
一般来说,有三种模式的特征选择,即过滤模式,包装器模式,混合模式。过滤器模式使用的属性数据本身作为特征子集的评价指标,以及包装使用机器学习算法的准确率作为特征子集的评价指标(
搜索策略一般分为三种类型,即详尽的搜索、启发式搜索,确定搜索( 在图 在( 遗传算子的关键实现最优搜索。有三种操作符,即选择、交叉和变异
数据挖掘的常用方法之一是决策树学习方法。决策树学习方法的目标是创建一个模型,预测目标变量的值基于多个输入变量。每个内部节点对应一个输入变量和有边缘的孩子为每个可能的输入变量的值。每片叶子代表目标变量的值给定的输入变量的值代表了从根到叶子的路径。 顶部节点树的根。决策树可以通过训练建立和重新定义的测试样本。决策树的构建过程是一个机器学习的过程( 目前,有很多经典的决策树算法,如ID3算法C4.5算法和算法。ID3算法只能处理离散数据。C4.5算法做了一些改进ID3算法根据信息增益率用于选择测试属性。其中一些如下:处理连续和离散属性,处理训练数据缺失属性值,处理属性不同成本和修剪树木创建后(
如果该属性的值(记录为“<我nl我ne- - - - - -for米ula>
在(
一个人
在(
提出了构建决策树的方法如下:
S1:创建节点”<我nl我ne- - - - - -for米ula>
S2:如果样品是在同一个类中,节点成为一个叶子节点。与这类标签的节点。 S3:否则,对于每个属性,数据应该是分散的,如果它的数据是连续的。 S4:每个属性的信息增益率计算,然后属性信息增益率最高将被选择和标记。 S5:一致的值计算出每个分支的属性。然后它产生分支相同的值。 S6:让“<我nl我ne- - - - - -for米ula>
S7:如果“<我nl我ne- - - - - -for米ula>
防止过度拟合建立了树木和训练样本之间的加强后续分类的速度和准确性,我们通常需要一个修剪策略。修剪是一个机器学习技术。它降低了决策树的规模通过消除部分提供小功率分类树的实例。修剪不仅降低了最终的分类器的复杂性也减少过度拟合,提高了预测精度。常见的分类错误率的计算方法和决策树的编码长度是用来修剪决策树(
在本文中,我们使用一个上下文信息数据集,探索环境的“传感器信号的数据集识别移动设备”提出了( 在第一个实验中(E1), 2960条记录被选择随机数据集特征选择。剩下的数据被用于分类实验。贝叶斯算法和支持向量机算法用于比较算法。前使用一个更有代表性的方法称为朴素贝叶斯。后者使用SVM multiclassification算法基于投票机制和使用C-SVM每个二进制分类算法,其核函数是一个RBF核函数。测试结果如下所示。 特征子集选择的三个算法的结果如表所示 表 比较三种算法的分类精度图所示 以验证本文提出的融合模型的适应性不同的上下文数据,我们进行另一个实验中(E2)使用980个随机记录的数据集。我们也使用贝叶斯算法和SVM算法比较算法。特征子集选择的三个算法的结果如表所示 仿真结果表明,基于决策树的multiclassification算法可以实现更高的分类精度,相对于经典的贝叶斯和支持向量机分类算法。适用于解决大规模多畴的低级上下文信息的融合。所以,它可以获得高级上下文类所代表的低级上下文信息更加迅速和准确。此外,随机森林是一个决策树的扩展版本,如果决策树是被随机森林在上下文融合模型中,它也可以获得很好的结果。
本文提出了一个基于机器学习方法的上下文融合模型实现多畴的低级上下文信息的融合物联网。首先,原始数据的尺寸是减少使用包装器基于遗传算法的特征选择方法。然后,基于决策树分类算法,它完成的分类和识别低级上下文识别来确定它属于哪一类高层上下文。实验结果证实了该模型的有效性。如果识别精度要求不是特别严格,该模型将为大规模上下文信息是可行的。这还需要进一步的研究在一些相关参数的优化选择算法。
作者宣称没有利益冲突。
这项工作是由中国国家自然科学基金(号。41761086,61640013,61502254),内蒙古大学的高级人才的程序(没有。135138)和内蒙古自治区科技创新引导奖励资金项目批准号20121317。