物聯(lián)網下人工神經網絡前饋LS-SVM研究

1、    物聯(lián)網下人工神經網絡前饋lssvm研究    侯義斌王進摘要：物聯(lián)網包括互聯(lián)網技術。研究物聯(lián)網下人工神經網絡前饋ls-svm，研究的目的主要是建立精確的ls-svm數據評估模型，研究方法主要是采用svm基礎之上加上ls也就是最小二乘的方法，研究結果是建立ls-svm的數據模型，研究結論是這種ls-svm模型比其他算法模型精確效果好。關鍵詞：物聯(lián)網；ls-svm；數據模型：tp393：a：1009-3044（2017）10-0145-021.引言前饋神經網絡（feedforwardneuralnetwork），簡稱前饋網絡，是人工神經網絡的一種。2

2、.概念相關概述2.1前饋人工神經網絡現實基礎模型首先，生物神經元模型。人的大腦中有眾多神經元，而神經元之間需要神經突觸連接，進而構成了復雜有序的神經網絡。而神經元主要由樹突、軸突和細胞體組成。一個神經元有一個細胞體和軸突，但是卻有很多樹突。樹突是神經元的輸入端，用于接受信息，并向細胞體財團對信息。而細胞體是神經元的信息處理中心，能夠對信號進行處理。軸突相當于信息輸出端口，負責向下一個神經元傳遞信息；其次，人工神經元。人工神經元的信息處理能力十分有限，但是，由眾多人工神經元構成的神經網絡系統(tǒng)龐大，具有巨大的潛力，能夠解決復雜問題。人工神經網絡與生物神經網絡具有相似之處，人工神經網絡能夠從環(huán)境中獲

3、取知識，并存儲信息。前饋人工神經網絡主要包括隱含層、輸入層和輸出層。在前饋人工神經網絡中，神經元將信號進行非線性轉換之后，將信號傳遞給下一層，信息傳播是單向的。并且，前饋人工神經網絡是人們應用最多的網絡模型，常見的有bp神經網絡、單層感知器、rbf神經網絡等模型。2.2 ls-svm相關概述支撐向量機是一種基于統(tǒng)計學習理論的機器學習方法，能夠根據樣本信息進行非現象映射，解回歸問題的高度非現象問題。并且，支撐向量機在解決非線性、局部極小點方問題上有很大的優(yōu)勢。ls-svm也叫最小二乘支撐向量機，是支撐向量機的一種，遵循支撐向量機算法的結構風險最小化的原則，能夠將支撐向量機算法中的不等式約束改為等

4、式約束，進而將二次問題轉換為線性方程問題，大大降低了計算的復雜性。并且，ls-svm在運算速度上遠遠高于支持向量機。但是，ls-svm也存在一定的缺點，在計算的過程中，ls-svm的忽視了全局最優(yōu)，只能實現局部最優(yōu)。并且，ls-svm在處理噪聲污染嚴重的樣本時，會將所有的干擾信息都擬合到模型系統(tǒng)中，導致模型的魯棒性降低。另外，ls-svm的在線建模算法、特征提取方法以及l(fā)s-svm的支持向量稀疏性都有待改進。2.3物聯(lián)網下人工神經網絡前饋ls-svm研究的意義物聯(lián)網是互聯(lián)網技術的發(fā)展趨勢，為前饋人工神經網絡的發(fā)展與ls-svm研究提供了技術保障，在物聯(lián)網背景下，研究人工神經網絡前饋ls-svm

5、不僅能夠創(chuàng)新人工神經網絡的計算方法，完善人工神經網絡在現實生活中的應用，而且對人們生活的自動化和智能化發(fā)展有著重要意義。另外，物聯(lián)網為人們對ls-svm的研究提供了條件，在物聯(lián)網環(huán)境下，人們能夠運用信息技術深化最小二乘支撐向量機研究，不斷提高ls-svm回歸模型的魯棒性，改進ls-svm的特征提取方法和在線建模算法，完善計算機學習方法，提升計算機的運算速度。3基于lssvm的丟包數據模型在選擇的參數的基礎上，運用is-svm方法，建立評估模型。本文選用ls-svm回歸方法的原因，svm優(yōu)于神經網絡的方法主要是以下幾點：首先，了解數據挖掘，數據挖掘前景廣闊，svm是數據挖掘中的新方法。其次，選擇

6、合適的數據分析方法根據數據集的大小和特征。小樣本訓練適合svm，樣本大情況的訓練適宜神經網絡，這里用svm。然后，就是文獻使用svm和pca建立跨層的評估qoe，實驗結果表明主觀mos評分和此評價結果具有很好的一致性。最后，本文采用svm基礎上的進一步拔高，ls-svm，比svm運行快，精確度高。srcl3_hrcl_525.yuv實驗素材的特征是具有高清性質。525序列60hz，幀大小為1440x486字節(jié)/幀，625序列50hz，大小同上。yuv格式是422格式即4：2：2格式的。時域復雜度的模型如下，視頻的時域復雜度；編碼量化參數是q；編碼速率為r；待定模型的參數為a和b。=q（ar+b

7、）。通過大量的實驗和理論分析，得到模型的參數：a=l 260，b=0.003。其中，編碼速率和幀率可以看作是視頻的固有屬性。高清視頻編碼速率r是512kb/s，最大幀速率為30000/1001=29.97幅，秒。量化參數是根據實驗的具體情況確定的。計算的值如下所示：當量化參數為31時，=19998720.1，當量化參數為10時，=6451200.03，當量化參數為5時，=3225600.02，當量化參數為62時，=39997440.2，當量化參數為100時，=64512000.3，當量化參數為200時，=129024001，當量化參數為255時，=164505601。對于srcl3網絡環(huán)境建立

8、考慮網絡丟包的視頻質量無參評估模型使用ls-svm方法。（1）輸入x的值。xi是量化參數，x2封包遺失率，x3單工鏈路速度，x4雙工鏈路速度，x5視頻的時域復雜度。等權的參數。ls-svm要求調用的參數只有兩個gam和sig2并且他們是ls-svm的參數，其中決定適應誤差的最小化和平滑程度的正則化參數是gam，rbf函數的參數是sig2。type有兩種類型，一種是elassfieation用于分類的，一種是function estimation用于函數回歸的。4.機器學習和物聯(lián)網的結合物聯(lián)網中也用到人工智能，人工智能中有機器學習，機器學習中有神經網絡。機器學習是人工智能研究的核心問題之一，也是當前人工智能研究的一個熱門方向。5.總結和展望人工神經網絡