[发明专利]针对传感器采集数据的局部增量式的概率密度估计方法

说明书

技术领域

本发明属于密度估计的技术领域，具体涉及一种针对传感器采集数据的局部增量式的概率密度估计方法。

背景技术

当传感器在启动后就进入了数据采集的过程，这样采集来的数据送到后台电脑中进行处理时，往往就要对传送过来采集来的数据进行估计，而生成这些数据的概率密度函数是一个非常重要的任务。

传统概率密度估计方法大致分为两种：非参数式方法和参数式方法，非参数方法的代表是核概率密度估计方法，它非常灵活，理论上能够收敛到任何光滑的概率概率密度函数。但是这类方法的问题是运行开销极大，面对规模稍大的问题便无能为力。

参数式方法的代表方法是高斯混合模型，它通过预先分配一定数量的高斯分布，然后通过“期望－最大化”方法和训练数据来得到每个高斯分布的参数和组合系数，最终得到的概率密度估计来自这些高斯成分的线性组合，这种方法的缺陷在于需要预先确定高斯成分的数量来取得较好的效果，不合适的数量会导致非常不理想的结果。此外，每次训练需要访问传感器采集来的所有的数据样本，在数据量非常大或者数据本身以数据流的形式存在时无法直接应用。

特别的，在面对数据流的情况下，还存在“概念漂移”(ConceptDrift)的现象：数据的概率密度函数随时间而变化。此时传统的批处理方法无法解决这类问题。

发明内容

本发明的目的提供一种针对传感器采集数据的局部增量式的概率密度估计方法，本方法在不改变传统硬件架构的基础上，综合采用了信道监听、频分、时分、码分技术，并借鉴超高频RFID识别技术中的询问/应答原理建立了网络的询问/应答机制，解决了运行开销极大、面对规模稍大的问题便无能为力、不合适的数量会导致非常不理想、在数据量非常大或者数据本身以数据流的形式存在时无法直接应用以及无法解决“概念漂移”的问题。

为了克服现有技术中的不足，本发明提供了一种针对传感器采集数据的局部增量式的概率密度估计方法的解决方案，具体如下：

一种针对传感器采集数据的局部增量式的概率密度估计方法，步骤如下：

步骤1：首先启动传感器进行数据采集，然后把传感器采集来的数据发送到处理单元中进行处理，该处理单元设置有存储器，存储器中存有以往的高斯分布集合、预设有用于初始化高斯分布的协方差矩阵、；

步骤2：把传感器采集来的数据发送到处理单元中进行处理的方式如下：

a.模型初始化过程，其过程具体为当处理单元接收到的传感器采集来的数据为第一个样本时，把该第一个样本进行向量化表示，把向量化的第一个样本作为均值向量，再结合用于初始化高斯分布的协方差矩阵，以此根据多元高斯分布的概率密度函数得到传感器采集来的数据的概率密度的初步估计，接收下一个新的传感器采集来的数据的新的样本，并对该新的样本进行向量化表示；

b.计算邻域集合，其过程具体为如果存储器中的高斯分布集合已有若干高斯分布，每一个高斯分布都定义了一个如公式(1)所示的接受域：

Vi={x∈Rd|(x-μi)TΣi-1(x-μi)<Ti2}---(1)]]>