基于WLAN(Wireless Local Area Networks)的无线定位是移动互联网领域的重要研究内容之一.其中,指纹定位方法已成为主流,此类方法的特点之一在于需要离线训练数据与在线测试数据具有严格的一致性.但在实际环境中,无线信号数据波动较大,...基于WLAN(Wireless Local Area Networks)的无线定位是移动互联网领域的重要研究内容之一.其中,指纹定位方法已成为主流,此类方法的特点之一在于需要离线训练数据与在线测试数据具有严格的一致性.但在实际环境中,无线信号数据波动较大,存在显著的时效性问题.这导致一定时间后,定位模型的预测精度不断下降.文中提出一种具有时效机制的增量式定位方法(Timeliness Managing Extreme Learning Machine,TMELM),一方面满足实际系统的应用需求,可随时加入新的训练数据进行在线增量式学习,另一方面融入时效机制,以最大化新增训练数据对定位模型的贡献,保持定位模型的精度.实验表明,在实际WLAN定位数据集上,文中方法相比于传统的几种增量式学习方法,具有明显的时效优势,能获得更好的定位精度.展开更多
在基于基础设施即服务(Infrastructure as a service, IaaS)的云服务模式下,精准的虚拟机能耗预测,对于在众多物理服务器之间进行虚拟机调度策略的制定具有十分重要的意义.针对基于传统的增量型极限学习机(Incremental extreme learning...在基于基础设施即服务(Infrastructure as a service, IaaS)的云服务模式下,精准的虚拟机能耗预测,对于在众多物理服务器之间进行虚拟机调度策略的制定具有十分重要的意义.针对基于传统的增量型极限学习机(Incremental extreme learning machine, I-ELM)的预测模型存在许多降低虚拟机能耗预测准确性和效率的冗余节点,在现有I-ELM模型中加入压缩动量项将网络训练误差反馈到隐含层的输出中使预测结果更逼近输出样本,能够减少I-ELM的冗余隐含层节点,从而加快I-ELM的网络收敛速度,提高I-ELM的泛化性能.展开更多
当前动态数据流下的实时分类问题存在3个难点:针对海量数据的实时处理;概念漂移的跟踪和模型的更新;模型的稳定和鲁棒性.针对上述问题,将极端支持向量机(extreme support vector machine,ESVM)与MapReduce框架结合,提出了带遗忘因子的鲁...当前动态数据流下的实时分类问题存在3个难点:针对海量数据的实时处理;概念漂移的跟踪和模型的更新;模型的稳定和鲁棒性.针对上述问题,将极端支持向量机(extreme support vector machine,ESVM)与MapReduce框架结合,提出了带遗忘因子的鲁棒ESVM算法.该方法通过构造残差权重矩阵,对残差进行修正,同时加入遗忘因子,提高新样本的作用,从而实现对海量数据处理问题的求解.实验结果显示,所提出方法能够快速有效地对动态数据流进行分类,且结果不易受到噪声干扰,稳定性强.展开更多
随着WLAN的普及,基于RSS(Received Signal Strength)的室内定位方法逐渐成为研究与应用的热点。其中,基于指纹的定位方法已成为主流,此类方法的特点之一在于要求离线训练数据与在线测试数据满足独立同分布,然而,在实际环境中,现有的指...随着WLAN的普及,基于RSS(Received Signal Strength)的室内定位方法逐渐成为研究与应用的热点。其中,基于指纹的定位方法已成为主流,此类方法的特点之一在于要求离线训练数据与在线测试数据满足独立同分布,然而,在实际环境中,现有的指纹定位方法或系统存在以下3个问题:1)不同终端设备的无线通讯硬件存在差异性,训练数据和测试数据的采集设备之间的差异性将严重影响定位精度;2)环境中的无线信号呈现高动态性,采集的数据存在显著的时效性,因此由训练数据得到的模型的定位性能将随着时间的推移不断下降;3)传统增量式定位模型需要大量的标定数据,不具有实际可用性。为解决以上问题,提出了一种针对设备差异性问题的增量式室内定位方法,利用终端在持续定位服务中采集的无标记数据来实时更新定位模型。实验表明,在实际蓝牙定位数据集上,相比于传统的定位模型方法,所提方法的整体定位精度更高,误差距离为3～5m时,其优势更为明显;同时,该方法具有时效优势,能够长时间保持有效定位。展开更多
文摘基于WLAN(Wireless Local Area Networks)的无线定位是移动互联网领域的重要研究内容之一.其中,指纹定位方法已成为主流,此类方法的特点之一在于需要离线训练数据与在线测试数据具有严格的一致性.但在实际环境中,无线信号数据波动较大,存在显著的时效性问题.这导致一定时间后,定位模型的预测精度不断下降.文中提出一种具有时效机制的增量式定位方法(Timeliness Managing Extreme Learning Machine,TMELM),一方面满足实际系统的应用需求,可随时加入新的训练数据进行在线增量式学习,另一方面融入时效机制,以最大化新增训练数据对定位模型的贡献,保持定位模型的精度.实验表明,在实际WLAN定位数据集上,文中方法相比于传统的几种增量式学习方法,具有明显的时效优势,能获得更好的定位精度.
文摘在基于基础设施即服务(Infrastructure as a service, IaaS)的云服务模式下,精准的虚拟机能耗预测,对于在众多物理服务器之间进行虚拟机调度策略的制定具有十分重要的意义.针对基于传统的增量型极限学习机(Incremental extreme learning machine, I-ELM)的预测模型存在许多降低虚拟机能耗预测准确性和效率的冗余节点,在现有I-ELM模型中加入压缩动量项将网络训练误差反馈到隐含层的输出中使预测结果更逼近输出样本,能够减少I-ELM的冗余隐含层节点,从而加快I-ELM的网络收敛速度,提高I-ELM的泛化性能.
文摘当前动态数据流下的实时分类问题存在3个难点:针对海量数据的实时处理;概念漂移的跟踪和模型的更新;模型的稳定和鲁棒性.针对上述问题,将极端支持向量机(extreme support vector machine,ESVM)与MapReduce框架结合,提出了带遗忘因子的鲁棒ESVM算法.该方法通过构造残差权重矩阵,对残差进行修正,同时加入遗忘因子,提高新样本的作用,从而实现对海量数据处理问题的求解.实验结果显示,所提出方法能够快速有效地对动态数据流进行分类,且结果不易受到噪声干扰,稳定性强.
文摘随着WLAN的普及,基于RSS(Received Signal Strength)的室内定位方法逐渐成为研究与应用的热点。其中,基于指纹的定位方法已成为主流,此类方法的特点之一在于要求离线训练数据与在线测试数据满足独立同分布,然而,在实际环境中,现有的指纹定位方法或系统存在以下3个问题:1)不同终端设备的无线通讯硬件存在差异性,训练数据和测试数据的采集设备之间的差异性将严重影响定位精度;2)环境中的无线信号呈现高动态性,采集的数据存在显著的时效性,因此由训练数据得到的模型的定位性能将随着时间的推移不断下降;3)传统增量式定位模型需要大量的标定数据,不具有实际可用性。为解决以上问题,提出了一种针对设备差异性问题的增量式室内定位方法,利用终端在持续定位服务中采集的无标记数据来实时更新定位模型。实验表明,在实际蓝牙定位数据集上,相比于传统的定位模型方法,所提方法的整体定位精度更高,误差距离为3～5m时,其优势更为明显;同时,该方法具有时效优势,能够长时间保持有效定位。
