佘　斌， 沈海斌

(浙江大学 超大规模集成电路设计研究所，浙江 杭州 310027)



一种基于Bagging-SVM的智能传感器集成学习方法

佘斌， 沈海斌

(浙江大学 超大规模集成电路设计研究所，浙江 杭州 310027)

摘要:集成多个传感器的智能片上系统(SoC)在物联网得到了广泛的应用。在融合多个传感器数据的分类算法方面，传统的支持向量机(SVM)单分类器不能直接对传感器数据流进行小样本增量学习。针对上述问题，提出一种基于Bagging-SVM的集成增量算法，该算法通过在增量数据中采用Bootstrap方式抽取训练集，构造能够反映新信息变化的集成分类器，然后将新老分类器集成，实现集成增量学习。实验结果表明：该算法相比SVM单分类器能够有效降低分类误差，提高分类准确率，且具有较好的泛化能力，可以满足当下智能传感器系统基于小样本数据流的在线学习需求。

关键词:智能传感器； 集成学习； 增量学习； 支持向量机； Bagging算法

0引言

目前，以传感器技术与机器学习为基础发展出来的智能硬件已经广泛应用到人们生活的方方面面，如智能手环、智能家居、智能医疗设备等。尤其是随着集成电路工艺的不断进步，集成多个传感器的片上系统(system on chip，SoC)已成为一种发展趋势，因此,有必要对以传感器技术与机器学习结合为基础的智能传感器[1]SoC系统进行研究。

支持向量机(support vector machine，SVM)[2]技术是常见的多传感器数据融合算法，该分类算法能够利用小样本数据进行学习分类，具有较好的泛化性能。但是，单个SVM分类器无法对传感器数据流进行增量学习，因此，需要利用新样本对已有的单分类器的参数与内部结构进行调整，使分类器能够适应新样本。……