-
公开(公告)号：CN104954972B
公开(公告)日：2019-03-29
申请号：CN201510293837.4
申请日：2015-06-01
Applicant: 北京工业大学
Abstract: 基于并行投影方法的L1正则化核学习机的分布式训练方法，属于无线传感器网络中数据融合技术领域。本发明针对无线传感器网络下已有核学习机训练方法存在的高通信代价问题，在节点本地模型与邻居节点间的局部最优模型相一致的约束下，利用并行投影方法构建和求解基于L1正则化的核学习机的分布式训练优化问题，利用交替方向乘子法对节点本地的L1正则化核学习机优化问题进行稀疏模型求解；仅依靠相邻节点间传输稀疏模型的方式进行协作以进一步优化节点局部模型；当各节点收敛到局部稳定模型后，利用平均一致性算法实现各节点模型的全局一致。
-
Patent Agency Ranking
公开(公告)号：CN104954973B
公开(公告)日：2019-01-29
申请号：CN201510294216.8
申请日：2015-06-01
Applicant: 北京工业大学
Abstract: 基于ALMM的L1正则化核学习机的分布式训练方法，属于无线传感器网络中数据融合技术领域，涉及一种核学习机的分布式训练方法。本发明利用增广拉格朗日乘子方法构建和求解基于L1正则化的核学习机的分布式训练优化问题，提出以相邻节点间的局部最优模型近似全局最优模型的优化求解方法，即在节点本地模型与邻居节点间的局部最优模型相一致的约束下，利用ALMM构建和求解基于L1正则化的核学习机的分布式训练优化问题，利用ADMM对节点本地的L1正则化核学习机训练优化问题进行稀疏模型求解，仅依靠相邻节点间传输稀疏模型的方式进行协作，以进一步优化节点局部模型，直至各节点模型收敛。
-
公开(公告)号：CN104573720B
公开(公告)日：2018-01-12
申请号：CN201410853469.X
申请日：2014-12-31
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 一种无线传感器网络中核分类器的分布式训练方法，本发明属于无线传感器网络中数据融合技术领域，涉及一种无线传感器网络中核分类器的分布式训练方法。针对已有的无线传感器网络中核分类器训练方法存在的高通信代价问题，本发明提出了一种网内分布式协同训练核分类器的方法。该方法中各节点对本地基于L1正则化核分类优化问题进行稀疏模型求解，相邻节点间以交换本地稀疏模型和错分样本的方式进行协作，当各节点得到稳定模型后，利用平均一致性方法实现各节点模型的一致性。与现有方法相比，本发明可以得到与集中式训练相当的预测效果、稀疏率明显低于集中式训练模型的稀疏效果，而且能显著降低无线传感器网络中核分类器训练时的数据通信代价。
-
公开(公告)号：CN104954972A
公开(公告)日：2015-09-30
申请号：CN201510293837.4
申请日：2015-06-01
Applicant: 北京工业大学
Abstract: 基于并行投影方法的L1正则化核学习机的分布式训练方法，属于无线传感器网络中数据融合技术领域。本发明针对无线传感器网络下已有核学习机训练方法存在的高通信代价问题，在节点本地模型与邻居节点间的局部最优模型相一致的约束下，利用并行投影方法构建和求解基于L1正则化的核学习机的分布式训练优化问题，利用交替方向乘子法对节点本地的L1正则化核学习机优化问题进行稀疏模型求解；仅依靠相邻节点间传输稀疏模型的方式进行协作以进一步优化节点局部模型；当各节点收敛到局部稳定模型后，利用平均一致性算法实现各节点模型的全局一致。
-
公开(公告)号：CN104954973A
公开(公告)日：2015-09-30
申请号：CN201510294216.8
申请日：2015-06-01
Applicant: 北京工业大学
Abstract: 基于ALMM的L1正则化核学习机的分布式训练方法，属于无线传感器网络中数据融合技术领域，涉及一种核学习机的分布式训练方法。本发明利用增广拉格朗日乘子方法构建和求解基于L1正则化的核学习机的分布式训练优化问题，提出以相邻节点间的局部最优模型近似全局最优模型的优化求解方法，即在节点本地模型与邻居节点间的局部最优模型相一致的约束下，利用ALMM构建和求解基于L1正则化的核学习机的分布式训练优化问题，利用ADMM对节点本地的L1正则化核学习机训练优化问题进行稀疏模型求解，仅依靠相邻节点间传输稀疏模型的方式进行协作，以进一步优化节点局部模型，直至各节点模型收敛。
-
公开(公告)号：CN104573720A
公开(公告)日：2015-04-29
申请号：CN201410853469.X
申请日：2014-12-31
Applicant: 北京工业大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/6269
Abstract: 一种无线传感器网络中核分类器的分布式训练方法，本发明属于无线传感器网络中数据融合技术领域，涉及一种无线传感器网络中核分类器的分布式训练方法。针对已有的无线传感器网络中核分类器训练方法存在的高通信代价问题，本发明提出了一种网内分布式协同训练核分类器的方法。该方法中各节点对本地基于L1正则化核分类优化问题进行稀疏模型求解，相邻节点间以交换本地稀疏模型和错分样本的方式进行协作，当各节点得到稳定模型后，利用平均一致性方法实现各节点模型的一致性。与现有方法相比，本发明可以得到与集中式训练相当的预测效果、稀疏率明显低于集中式训练模型的稀疏效果，而且能显著降低无线传感器网络中核分类器训练时的数据通信代价。
-
-
-
-
-
Search Results
6
records
(took 0.014 seconds)
