物联网下人工神经网络前馈LS-SVM研究

1、    物联网下人工神经网络前馈lssvm研究    侯义斌王进摘要：物联网包括互联网技术。研究物联网下人工神经网络前馈ls-svm，研究的目的主要是建立精确的ls-svm数据评估模型，研究方法主要是采用svm基础之上加上ls也就是最小二乘的方法，研究结果是建立ls-svm的数据模型，研究结论是这种ls-svm模型比其他算法模型精确效果好。关键词：物联网；ls-svm；数据模型：tp393：a：1009-3044（2017）10-0145-021.引言前饋神经网络（feedforwardneuralnetwork），简称前馈网络，是人工神经网络的一种。2

2、.概念相关概述2.1前馈人工神经网络现实基础模型首先，生物神经元模型。人的大脑中有众多神经元，而神经元之间需要神经突触连接，进而构成了复杂有序的神经网络。而神经元主要由树突、轴突和细胞体组成。一个神经元有一个细胞体和轴突，但是却有很多树突。树突是神经元的输入端，用于接受信息，并向细胞体财团对信息。而细胞体是神经元的信息处理中心，能够对信号进行处理。轴突相当于信息输出端口，负责向下一个神经元传递信息；其次，人工神经元。人工神经元的信息处理能力十分有限，但是，由众多人工神经元构成的神经网络系统庞大，具有巨大的潜力，能够解决复杂问题。人工神经网络与生物神经网络具有相似之处，人工神经网络能够从环境中获

3、取知识，并存储信息。前馈人工神经网络主要包括隐含层、输入层和输出层。在前馈人工神经网络中，神经元将信号进行非线性转换之后，将信号传递给下一层，信息传播是单向的。并且，前馈人工神经网络是人们应用最多的网络模型，常见的有bp神经网络、单层感知器、rbf神经网络等模型。2.2 ls-svm相关概述支撑向量机是一种基于统计学习理论的机器学习方法，能够根据样本信息进行非现象映射，解回归问题的高度非现象问题。并且，支撑向量机在解决非线性、局部极小点方问题上有很大的优势。ls-svm也叫最小二乘支撑向量机，是支撑向量机的一种，遵循支撑向量机算法的结构风险最小化的原则，能够将支撑向量机算法中的不等式约束改为等

4、式约束，进而将二次问题转换为线性方程问题，大大降低了计算的复杂性。并且，ls-svm在运算速度上远远高于支持向量机。但是，ls-svm也存在一定的缺点，在计算的过程中，ls-svm的忽视了全局最优，只能实现局部最优。并且，ls-svm在处理噪声污染严重的样本时，会将所有的干扰信息都拟合到模型系统中，导致模型的鲁棒性降低。另外，ls-svm的在线建模算法、特征提取方法以及ls-svm的支持向量稀疏性都有待改进。2.3物联网下人工神经网络前馈ls-svm研究的意义物联网是互联网技术的发展趋势，为前馈人工神经网络的发展与ls-svm研究提供了技术保障，在物联网背景下，研究人工神经网络前馈ls-svm

5、不仅能够创新人工神经网络的计算方法，完善人工神经网络在现实生活中的应用，而且对人们生活的自动化和智能化发展有着重要意义。另外，物联网为人们对ls-svm的研究提供了条件，在物联网环境下，人们能够运用信息技术深化最小二乘支撑向量机研究，不断提高ls-svm回归模型的鲁棒性，改进ls-svm的特征提取方法和在线建模算法，完善计算机学习方法，提升计算机的运算速度。3基于lssvm的丢包数据模型在选择的参数的基础上，运用is-svm方法，建立评估模型。本文选用ls-svm回归方法的原因，svm优于神经网络的方法主要是以下几点：首先，了解数据挖掘，数据挖掘前景广阔，svm是数据挖掘中的新方法。其次，选择

6、合适的数据分析方法根据数据集的大小和特征。小样本训练适合svm，样本大情况的训练适宜神经网络，这里用svm。然后，就是文献使用svm和pca建立跨层的评估qoe，实验结果表明主观mos评分和此评价结果具有很好的一致性。最后，本文采用svm基础上的进一步拔高，ls-svm，比svm运行快，精确度高。srcl3_hrcl_525.yuv实验素材的特征是具有高清性质。525序列60hz，帧大小为1440x486字节/帧，625序列50hz，大小同上。yuv格式是422格式即4：2：2格式的。时域复杂度的模型如下，视频的时域复杂度；编码量化参数是q；编码速率为r；待定模型的参数为a和b。=q（ar+b

7、）。通过大量的实验和理论分析，得到模型的参数：a=l 260，b=0.003。其中，编码速率和帧率可以看作是视频的固有属性。高清视频编码速率r是512kb/s，最大帧速率为30000/1001=29.97幅，秒。量化参数是根据实验的具体情况确定的。计算的值如下所示：当量化参数为31时，=19998720.1，当量化参数为10时，=6451200.03，当量化参数为5时，=3225600.02，当量化参数为62时，=39997440.2，当量化参数为100时，=64512000.3，当量化参数为200时，=129024001，当量化参数为255时，=164505601。对于srcl3网络环境建立

8、考虑网络丢包的视频质量无参评估模型使用ls-svm方法。（1）输入x的值。xi是量化参数，x2封包遗失率，x3单工链路速度，x4双工链路速度，x5视频的时域复杂度。等权的参数。ls-svm要求调用的参数只有两个gam和sig2并且他们是ls-svm的参数，其中决定适应误差的最小化和平滑程度的正则化参数是gam，rbf函数的参数是sig2。type有两种类型，一种是elassfieation用于分类的，一种是function estimation用于函数回归的。4.机器学习和物联网的结合物联网中也用到人工智能，人工智能中有机器学习，机器学习中有神经网络。机器学习是人工智能研究的核心问题之一，也是当前人工智能研究的一个热门方向。5.总结和展望人工神经网络