智能穿戴网络数据实时融合算法研究

Intelligent wearable network data are becoming more and more diversified, heterogeneous and massive. Implementing the real-time fusion of multi-source heterogeneous data and then discriminating, analyzing or monitoring user behaviors can effectively protect the users' safety, which is the hot topic in the field of intelligent wearable networks. Multi-level data fusion technology research is the core of this project. We first design highly efficient, robust and accurate real-time data fusion algorithms by combining the traditional information fusion technology for online streaming data real-time fusion with the low processing capacity of intelligent wearable devices. Moreover, we explore a universal effective behavior recognition model based on existing classifiers and deep learning recognition technology, aiming for the effective use of a large number of diverse data. We also explore an ultimate learning model based on incremental learning and ensemble learning dynamic fusion technique, which can improve the efficiency and reduce the time-consumption of learning process while assuring the performance. Based on the above research results, we design a real-time data fusion system for intelligent wearable networks, which can fuse, analyze and monitor user behaviors, ensuring the safety of the users.

智能穿戴网络数据向着多元化、异构化和海量化发展，通过实时融合穿戴网络的多源异构数据，以及在此基础上监测、判别和分析穿戴者的行为来保障穿戴者的安全，是目前该领域的热点研究问题。本项目以多层次数据融合技术研究为核心，研究智能穿戴网络中的在线流数据实时融合问题，在传统信息融合技术的基础上，针对智能穿戴设备处理能力小的特点，设计高效、精确、高鲁棒性的实时数据融合算法；研究深度学习技术，在已有分类器理论基础上，充分利用采集的大量多样数据，挖掘潜在特征信息，设计具有普适性的有效行为识别模型；研究增量学习技术，在现有增量学习框架基础上，结合基于集成学习的动态融合技术，设计具有极限学习能力的模型，在保证性能的前提下提高学习的效率和实时性。综合以上研究成果，最终设计一套针对智能穿戴网络的数据实时融合系统，能对穿戴者行为进行融合分析和监测，保证穿戴者的安全。

智能穿戴网络数据实时融合算法针对穿戴网络中数据的海量性、多源异构性，在保障融合结果满足高可靠性需求的同时，降低数据处理算法的时延、提升网络中有限能源设备的使用寿命，具有重要的研究意义。本项目主要对智能穿戴网络数据的在线决策融合、识别分析、实时融合和异常数据检测预警技术进行研究，研究成果均达到或超出预期目标。.在数据的在线决策融合方面，针对穿戴网络数据噪声，提出基于混合H2/H∞的节能融合估计模型，分析量化方法中的参数取值问题，采用优化方法和迭代计算思想，提高估计的稳定性和容错能力，同时引入可靠性评估，从内部可靠性和相对可靠性评价两方面提出协同融合策略，提高决策融合性能，同时降低数据传输能耗和带宽要求；.在数据的识别分析方面，研究提出了一种基于概率密度估计的非参数核混合模型，以此为基础构建包含分区、结构学习和概率密度函数估计的贝叶斯分类器，对复杂分类问题有更好的性能，提出了基于有界随机特征映射的期望核数据分类算法，综合高斯随机分布、sigmoid有界函数和随机特征映射核函数，提高对小样本条件下穿戴网络数据的识别分析能力；.在数据的实时融合方面，以边缘计算为基础建立智能穿戴网络框架，构建多算法服务能量延迟优化模型，应对复杂度和所需数据量可变的场景，提出了一种新的随机工作负载的能量消耗模型，能有效降低网络模型能耗，考虑平均延迟和延迟抖动的最大可容忍延迟，优化具有随机时间成本的高效任务处理，在保障任务精度要求的前提下，降低延迟成本；.在数据的异常检测预警方面，以数据变化的非线性为基础，建立应激机制处理突发事件，对探测模块中的突发事件判断阈值，重置模块中的增益系数进行分析，得到一些有效的参数设计方案，并提出基于无迹卡尔曼滤波的数据处理模型，降低突发事件对后续数据处理的影响。