[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

摘要

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，也是一种在线式的方法，每次迭代只需要传感器采集来的单个数据样本，最终得到一个高斯混合模型。当传感器采集来的新数据到来时，根据其与当前模型的关系来确定是否要增加高斯成分，如果不增加则局部地对当前模型进行参数更新。这种增量和局部学习结合的方式使得算法能够检测出传感器采集来的数据流中概率密度分布的变化，而且对局部复杂的密度分布更为敏感，最终得到准确的概率密度估计。最后，使用一种去噪方式使得方法稳定性和抗干扰性能更强。

主权项

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，其特征如下，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：V_i表示第i个高斯分布的接受域，i为大于等于1的整数，x代表当前正在处理的向量化的数据样本，R^d表示d维的实数空间，d为大于等于1的整数，∑_i为用于第i个高斯分布的协方差矩阵，u_i为第i个高斯分布的均值向量，T_i满足如下公式(2)的条件：P(.)表示概率函数，q为实数，范围在0.9‑0.95之内；利用公式(3)：S_x＝{i|(x‑u_x)^T>∑_i^T(x‑u_x)<T_i²}   (3) 找出所有接受域中包含了当前数据样本的那些高斯分布组成的邻域集合S_x；c.增量学习，其过程具体为如果当前所求得的邻域集合S_x为空集，使用当前的数据样本初始化一个新的高斯分布加入到现有的存储器中；d.局部参数更新，其过程具体为根据公式集合(1)对所有在邻域集合内的高斯分布，更新它们的参数来拟合当前的数据样本，其它高斯分布则保持不变，其中r_i^(t)表示第t轮时第i个高斯分布的中间参数，t为大于等于2的整数，第t轮的处理也就是针对第t个样本的处理，(.)表示多元高斯分布的概率密度函数，x_t表示传感器采集到的第t个数据样本的向量化表示，θ_j^(t‑1)＝(r_i^(t‑1),n_i^(t‑1),u_i^(t‑1),∑_i^(t‑1)),n_i^(t)表示针对第t轮时第i个高斯分布的有效数据样本的个数的中间参数，u_i^(t)表示第t轮时第i个高斯分布的均值向量，∑_i^(t‑1)表示第t轮时第i个高斯分布的协方差矩阵；e.去噪处理，其过程具体为每当处理的数据样本达到设定的数量时，就执行一次去噪处理过程，对所有由噪音产生的高斯成分，接收下一个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，返回b中执行。