[发明专利]基于多约束子空间投影的传感器数据分类方法

说明书

本发明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。

技术领域

本发明涉及传感器数据识别技术领域，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。

背景技术

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-Nearest Neighbor(kNN)、K-meansclustering以及Support Vector Machine(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。

为了解决上述问题，人们采用了基于子空间投影的方法来减小不同域(源域和目标域)之间的分布差异。基于子空间投影的方法的基本思想是：寻找一个投影矩阵，使得源域和目标域的新投影子空间的分布尽可能地相似。由于基于子空间投影的方法能够简单有效地表示跨域分布的差异，而且可以容易地通过特征分解来得到优化的投影矩阵，因此它已在源域和目标域分布不同的传感器数据分类问题中得到了应用。基于子空间投影的方法的关键是要找到一个优化的投影矩阵，以实现传感器数据的高准确率分类；虽然现有技术中已经提出了一些优化投影矩阵的方法，但现有这些方法中都还存在不足，需要进一步的改进。

发明内容

有鉴于此，本发明的目的是提供一种基于多约束子空间投影的传感器数据分类方法，以解决因传感器漂移、仪器变动或者测量对象变动等原因造成的传感器数据跨域分布，进而造成传感器数据分类准确率降低的技术难题。

本发明基于多约束子空间投影的传感器数据分类方法，其包括以下步骤：

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，n_s,n_t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,...,x_n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：