侯義斌　王進(jìn)

摘要：物聯(lián)網(wǎng)包括互聯(lián)網(wǎng)技術(shù)。研究物聯(lián)網(wǎng)下人工神經(jīng)網(wǎng)絡(luò)前饋LS-SVM，研究的目的主要是建立精確的LS-SVM數(shù)據(jù)評估模型，研究方法主要是采用SVM基礎(chǔ)之上加上Ls也就是最小二乘的方法，研究結(jié)果是建立LS-SVM的數(shù)據(jù)模型，研究結(jié)論是這種LS-SVM模型比其他算法模型精確效果好。

關(guān)鍵詞：物聯(lián)網(wǎng)；LS-SVM；數(shù)據(jù)模型

中圖分類號：TP393

文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2017）10-0145-02

1.引言

前饋神經(jīng)網(wǎng)絡(luò)（feedforwardneuralnetwork），簡稱前饋網(wǎng)絡(luò)，是人工神經(jīng)網(wǎng)絡(luò)的一種。

2.概念相關(guān)概述

2.1前饋人工神經(jīng)網(wǎng)絡(luò)現(xiàn)實基礎(chǔ)模型

首先，生物神經(jīng)元模型。人的大腦中有眾多神經(jīng)元，而神經(jīng)元之間需要神經(jīng)突觸連接，進(jìn)而構(gòu)成了復(fù)雜有序的神經(jīng)網(wǎng)絡(luò)。而神經(jīng)元主要由樹突、軸突和細(xì)胞體組成。一個神經(jīng)元有一個細(xì)胞體和軸突，但是卻有很多樹突。樹突是神經(jīng)元的輸入端，用于接受信息，并向細(xì)胞體財團對信息。而細(xì)胞體是神經(jīng)元的信息處理中心，能夠?qū)π盘栠M(jìn)行處理。軸突相當(dāng)于信息輸出端口，負(fù)責(zé)向下一個神經(jīng)元傳遞信息；其次，人工神經(jīng)元。人工神經(jīng)元的信息處理能力十分有限，但是，由眾多人工神經(jīng)元構(gòu)成的神經(jīng)網(wǎng)絡(luò)系統(tǒng)龐大，具有巨大的潛力，能夠解決復(fù)雜問題。人工神經(jīng)網(wǎng)絡(luò)與生物神經(jīng)網(wǎng)絡(luò)具有相似之處，人工神經(jīng)網(wǎng)絡(luò)能夠從環(huán)境中獲取知識，并存儲信息。前饋人工神經(jīng)網(wǎng)絡(luò)主要包括隱含層、輸入層和輸出層。在前饋人工神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元將信號進(jìn)行非線性轉(zhuǎn)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(jīng)網(wǎng)絡(luò)是人們應(yīng)用最多的網(wǎng)絡(luò)模型，常見的有BP神經(jīng)網(wǎng)絡(luò)、單層感知器、RBF神經(jīng)網(wǎng)絡(luò)等模型。

2.2 LS-SVM相關(guān)概述

支撐向量機是一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)方法，能夠根據(jù)樣本信息進(jìn)行非現(xiàn)象映射，解回歸問題的高度非現(xiàn)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(jié)構(gòu)風(fēng)險最小化的原則，能夠?qū)⒅蜗蛄繖C算法中的不等式約束改為等式約束，進(jìn)而將二次問題轉(zhuǎn)換為線性方程問題，大大降低了計算的復(fù)雜性。并且，LS-SVM在運算速度上遠(yuǎn)遠(yuǎn)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(xiàn)局部最優(yōu)。并且，LS-SVM在處理噪聲污染嚴(yán)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(dǎo)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LS-SVM的支持向量稀疏性都有待改進(jìn)。

2.3物聯(lián)網(wǎng)下人工神經(jīng)網(wǎng)絡(luò)前饋LS-SVM研究的意義

物聯(lián)網(wǎng)是互聯(lián)網(wǎng)技術(shù)的發(fā)展趨勢，為前饋人工神經(jīng)網(wǎng)絡(luò)的發(fā)展與LS-SVM研究提供了技術(shù)保障，在物聯(lián)網(wǎng)背景下，研究人工神經(jīng)網(wǎng)絡(luò)前饋LS-SVM不僅能夠創(chuàng)新人工神經(jīng)網(wǎng)絡(luò)的計算方法，完善人工神經(jīng)網(wǎng)絡(luò)在現(xiàn)實生活中的應(yīng)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(wǎng)為人們對LS-SVM的研究提供了條件，在物聯(lián)網(wǎng)環(huán)境下，人們能夠運用信息技術(shù)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(jìn)LS-SVM的特征提取方法和在線建模算法，完善計算機學(xué)習(xí)方法，提升計算機的運算速度。3基于LS—SVM的丟包數(shù)據(jù)模型

在選擇的參數(shù)的基礎(chǔ)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(jīng)網(wǎng)絡(luò)的方法主要是以下幾點：

首先，了解數(shù)據(jù)挖掘，數(shù)據(jù)挖掘前景廣闊，SVM是數(shù)據(jù)挖掘中的新方法。其次，選擇合適的數(shù)據(jù)分析方法根據(jù)數(shù)據(jù)集的大小和特征。小樣本訓(xùn)練適合SVM，樣本大情況的訓(xùn)練適宜神經(jīng)網(wǎng)絡(luò)，這里用SVM。

然后，就是文獻(xiàn)使用SVM和PCA建立跨層的評估QOE，實驗結(jié)果表明主觀MOS評分和此評價結(jié)果具有很好的一致性。

最后，本文采用SVM基礎(chǔ)上的進(jìn)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(zhì)。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(fù)雜度的模型如下，視頻的時域復(fù)雜度σ；編碼量化參數(shù)是Q；編碼速率為R；待定模型的參數(shù)為a和b。σ=Q（aR+b）。通過大量的實驗和理論分析，得到模型的參數(shù)：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(shù)是根據(jù)實驗的具體情況確定的。計算σ的值如下所示：當(dāng)量化參數(shù)為31時，σ=19998720.1，當(dāng)量化參數(shù)為10時，σ=6451200.03，當(dāng)量化參數(shù)為5時，σ=3225600.02，當(dāng)量化參數(shù)為62時，σ=39997440.2，當(dāng)量化參數(shù)為100時，σ=64512000.3，當(dāng)量化參數(shù)為200時，σ=129024001，當(dāng)量化參數(shù)為255時，σ=164505601。

對于srcl3網(wǎng)絡(luò)環(huán)境建立考慮網(wǎng)絡(luò)丟包的視頻質(zhì)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(shù)，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(fù)雜度。等權(quán)的參數(shù)。

LS-SVM要求調(diào)用的參數(shù)只有兩個gam和sig2并且他們是LS-SVM的參數(shù)，其中決定適應(yīng)誤差的最小化和平滑程度的正則化參數(shù)是gam，RBF函數(shù)的參數(shù)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(shù)回歸的。

4.機器學(xué)習(xí)和物聯(lián)網(wǎng)的結(jié)合

物聯(lián)網(wǎng)中也用到人工智能，人工智能中有機器學(xué)習(xí)，機器學(xué)習(xí)中有神經(jīng)網(wǎng)絡(luò)。機器學(xué)習(xí)是人工智能研究的核心問題之一，也是當(dāng)前人工智能研究的一個熱門方向。

5.總結(jié)和展望

人工神經(jīng)網(wǎng)絡(luò)（Artifieial neural network）是一種被廣泛使用的基礎(chǔ)模型，其靈感來自于生物的神經(jīng)網(wǎng)絡(luò)，用于對某事物或某指標(biāo)進(jìn)行評估或預(yù)測。BP神經(jīng)網(wǎng)絡(luò)還可以進(jìn)行人體面部識別、車輛牌照識別、數(shù)據(jù)預(yù)測、機器學(xué)習(xí)等方面的研究。