抽象性

物联网被使用为显示互联网和物理域进化关键字,通过渗透分布式商品并嵌入识别、感知和激活能力智能技术正在补贴互联网信息传输物理和自主数字实体内提供修正服务,引导新通信时代多量多硬件设备,如射频识别标签、传感器和各种网络协议都用于支持对象识别和网络通信由这些数字对象生成的数据被称为“大数据”,并包含高维空间和噪声、无关和冗余特征直达高维属性空间可增加成本和复杂性数据分析机制嵌入物联网以允许智能决策能力网络从数据算法角度提出了新的挑战拟研究识别物联网问题并提议新奇库库室外数据管理特征提取技术用于从原始高维数据提取权宜信息实现库库特征提取后,很少引入测试基准来评价突变库库搜索算法的性能相继低维数据优化分类精度并降低复杂性和成本

开工导 言

下一代互联网和计算机会拒绝传统互联网方法,将物理对象与处理和传输技术相整合, 以更可靠、快速和无障碍方式提供大范围服务和应用,此类革命通向无所不在计算中,其中每个对象嵌入微处理器并畅通通信一号..令物理对象“智能化”,并允许它们与世界性网络物理框架相融合这一趋势将为信息通讯技术新开口和创新铺路,通过连接物理和虚拟对象提供新服务和应用正在形成趋势,即大多数环形对象以各种形式联网由传统互联网方法转向互联网连接物理对象2..

范围有限 库库搜索算法应用 维度下降问题与特征选择相比,这项工作更多与特征提取相关深入范围研究基础是通过使用coucko搜索算法挖掘数据转换现有特征室内户外数据服务中,我们的重点是户外数据服务户外数据可多类型化,例如文本、图像、超文本、音频和视频等,但我们仅考虑为拟议模型从文字上或数值上回归数据3..

事物互联网使我们能够与任何人连接 随时随地技术领域正在构建社会,所有事物都可连接事物有独特识别能力 智能环境操作 知识界面帮助 物理世界内连接通信互连智能对象千差万别并配有智能设备(传感器和电动器)。数据感知/捕捉量大可称大数据4..知识发现和数据挖掘技术(分类、集群和模式分析)由研究者推荐上网物学为人提供合适的环境和质量服务大量数据(大数据)由智能商品生成,高维性、吵闹性、无关性和冗余属性产生巨大的搜索空间采掘技术应用到粗糙模糊数据时,可降低性能、提高成本并计算采掘算法预处理技术将原创数据集映射到新减属性子集上,该子集能高精度表示原创空间5..

现时网络应用范围不仅限于社会企业活动正在形成广泛的学科,为多种活动提供先进竞争环境,包括卫生、家事和业务流程数据分析技巧对保持网络强健性和便利熟练服务至关紧要数据净化以减少预处理和采掘模型的计算复杂性是强制性的现有技术复杂,因此需要大量计算6..事实引出研究空白,而拟议研究工作的拟制以下列目标为基础:i)排队直达挑战处理大数据分析问题,用于物联网和性能分析并限制现有技术二)表示初步处理范式对自组织网络的重要性,以减少复杂性并增强采矿技术性能三)以非线性计量学方法基础,即库库搜索算法, 提供框架减少对事物互联网维度的诅咒四)调查拟议框架性能

完成的研究工作辨识物联网户外数据管理的挑战和特征提取目的,通过库库搜索算法技术从原始高维数据提取快速信息7..相继低维数据优化分类精度并降低复杂性和成本8..介绍工作从根本上侧重于建议适当的预处理框架 物联网室外数据服务九九..此外,拟议技术仅与单目标优化相关,可扩展至多目标非线性优化10..文档内实现仅覆盖拟技术基本概念并明确面向物联网户外数据服务11..研究中所用的数据集基于虚拟硬件设备的结果,并可能还包含一些雄心壮志属性12..

1.1.相位性减低

在一个IoT网络中,各种感知实体(例如传感器和RFIDs)收集的数据包括冗余、无关和噪声资料集IoT服务性能提高和效果提高是通过频繁采掘技术实现的。数据以恒定速度收集,提高采掘算法分类器的复杂性,原因是高数据维度[13..数据维度描述数方面或特征描述输入数据集

来 维度, 表示 特征描述数据集 .

如前所述,采矿技术精度可能受高维数据集影响某些预处理策略对高维数据转换为下维是必要的一号)低维度数据将优化分类精度并降低复杂性和成本采掘IoT数据不同于传统数据方法14..

IoT中,采矿问题出自传统数据挖掘算法,因此需要修改处理可缩放性大数据问题15..分类问题象征采矿和机器学习研究领域许多挑战和问题16..从IoT观点看,目的是根据特征所显示的特征对每个归大数据对象分类17..需要适当的数据表示描述物理世界数据18号问题在于辨别优异特征噪声、冗余、无关和扭曲数据可降低性能、降低分类精度、提高成本和计算采矿算法19号..消除这些因素,数据挖掘技术可提高效益和工作效率20码..显示工作建议21号减少数据维度(维度减法)仅通过选择相关和有意义的特征处理问题

if 数据集带维 ,中位数 ,维度减值隐含,以便产生数据集 少维度 , ,并 去哪儿 以这样一种方式 表示数据集 特征小子集或维 .

减值数据集可扩展采掘算法性能和速度,从而实现最优分类结果和网络性能提高多维性减低是一个复杂挑战,因为数据大小指数增量基于属性,因此搜索空间大属性依维度描述属性,在各种假设中可能成为相关或冗余最优搜索技术对穷尽搜索是不可或缺的,当搜索空间无限时是不可能的。提出了全方位搜索技术(例如前后向选择)以选择深度属性,减少数据维度,数据维度可以最适当形式表示数据分类和其他采掘策略尽管有这些方法,属性消减实践从数据和算法角度受到削弱,并经历挑战以动态本地最优化、超成本和计算复杂性22号..

1.2.减少分量技术

减少广搜索空间的维度对当前网络和计算技术是一个挑战性高的要求图2描述知识发现和维度下降的抽象过程特征选择和特征提取是二维性减法,将在下文讨论[23号..

分维化(数据集和机器学习)正在成为大数据问题解决方案域中新领域,绘制新空间原型特征两种映射方法或选择原特征空间子集(特征选择)或利用变换函数组成新空间(特征提取)。从可用数据集选择特征(或特征子集选择)被认为比表示原创数据更有效24码..

1.2.1.特征选择

预处理技术对数据挖掘减少复杂度、处理量、存储量和分类器成本不可或缺IoT中,数据采集层输入数据集由高维变量表示,提高采矿算法处理复杂性特征选择概述从可用候选特征选择特征子集的问题[表示原计量数据集25码..特征选择和提取还广泛用于图像处理和计算机视觉研究领域[26..

更多技术工作局部多表示法使用高光谱图像维度减法领域近似矩阵27号..超光谱维度减少远程发送数据领域,机器学习模型还广泛用于标注图和学习特征28码..

输入采矿或训练分类器 数据集每一数据集 可编集 特征描述原创集实例 内含图例 维值如下表所示 去哪儿 即域 特征和基本性 华府市 ,有维度 .等一等 表示所选维度 内 .

方程(3)和(b)4定义新子集 小于原创集并归同位搜索空间 ,区数特征 内 等于 .图显示特征选择过程3基础分两个阶段进程第一部分从原创空间选择子集,第二部分评价新生成子集等一等 表示向量 选择最优子集标准 .形式上特征选择地图高维空间低维 去哪儿 .

按方程计算5高值 表示增强特征子集所选子集向分类器提供最佳输入并扩展精度特征选择标准给出,只选择子集组成大组变量代表数据集,不包含从现有高维数据集提取新信息的任何变换和映射

1.2.2特征提取

特征提取,即数据预处理必备技术,增加采掘技术值,提高IoT网络性能以变换现有高维数据集,即上传原特征空间高精度数据表示模型[29..

原数据集中存在不适当和冗余事实要求有一个必备过程(特征提取)。特征提取过程破坏两个研究问题:搜索技巧和评价措施搜索空间包括完整特征子集,特征提取变换现有特征以寻找最优解决方案集30码..

方程中7) 表示维度 表示最近特征子集大小各种评价技巧出现以最优子集选择寻找最优特征子集被称为非确定性多元硬题传统搜索算法处理高维搜索空间效率不高进化计算算法最优全局搜索能力突出31号..分维度下降是一个事实性问题,它决定两个基本理由,包括减少特征空间和扩大采掘策略的精度4.

1.3启发式和元式搜索法

物联网需要抽象数据表示,特征数目相对较少,这对数据分析和决策任务至关重要。优化工具必然是寻找由动态最优参数驱动最优求解之方法32码网络直播像IoT动态适配算法可应用时优化多目标化,例如,最大化搜索opima与网络优化目标并行动态网络环境数据流流流畅性、反射性持续性优化成为动态功能需求,因此被动问题算法无法为不间断服务提供持续搜索优化启发式技术依赖问题并隐含地为没有精确度的特定情况提供近似解决办法组合式和低级表示法基于huristic搜索算法三十三提供支持启发式技术的证据,但只有当目标函数不依赖或后继另一个全局小型函数或最大函数时才适用

论文介绍34号,35码提议优化算法以找到最优解法,用某些验证语句保证求解的质量和效率

元武术独立技术可应用到范围广泛的问题中启发式选择随机元素插入Quicksort一metheuristic对问题一无所知,它应用它,但它可以把函数处理成黑盒算法泛分布由两类代表定义:(一) 确定式算法和(二) 随机算法与随机算法相反,确定式技术为线性技术,初始变量控制并判定输出无随机变量,因此不需要随机优化问题调整随机输出可能是相同或随机输入参数的最终结果,视触发操作而定演算法可进一步归为两类算法:进化算法和算法算法原封不动36号meheuristics自然生物启发算法, 提供应用各种全局优化实时问题其中一些为蚁群优化37号粒子群优化和状态转换算法38号,三十九..广度最优性这些算法有一定程度的随机性表示它们会削弱全局搜索能力 并很容易下降到局部opima解决之道,建议变换cuckoo搜索算法,建立求解空间为全局函数

1.4uckoo搜索优化

Cuckoo搜索技术metheuric优化40码受cuckoo生物行为成功特征启发算法增长取决于两个术语:随机化(随机行走)和随机搜索算法开始探索本地搜索空间 )本地opima算法不受局部opima约束取而代之的是,随着问题变得全球性并提供全球最优解决办法而扩展41号..原拟算法调整为相对较少参数并专注目标局部优化,但根据修改和增强CS算法32码可用动态全局优化算法修改性能边界,调整步进尺寸和参数值

1.4.1.宿狗生存行为

宿主寄生生物库库库依赖其他宿主鸟繁衍后代42号..cuckoo搜索受cuckoo遗传活动影响,例如forage(寻找食物)43号..宿主鸟巢中宿主鸡蛋孵化和子孙求宿主注意获取食物44号..并仿佛宿主鸡蛋的外部特征基础有两种方法:探索开发CS使用赋税航班生成新解决方案宿主鸟鸡蛋可能提高自生鸡蛋的孵化概率45码..

1.4.2.算法约束

(a)每一个库库一次投出一个鸡蛋并随机投入巢(b)鸟巢最优鸡蛋 后代会长(c)数巢固定概率大全 异形鸡蛋可识别宿主鸟万一发生,宿主鸟或弃鸡或离巢并建新巢

1.4.3.算法配方

宿主选择巢,把鸡蛋丢进宿主鸟所有选择巢取决于随机步行随机化描述为库库的分叉和飞行行为每一个鸡蛋布谷代表新求解 . 去哪儿 非线性couckoo搜索算法映射现有IoT -维向量 带参数 向相对新向量 .数位观察家推理道库自然飞模式和赋税分布特征相当相似随机散行非异向性,即方向和尺度不尽相同

1.4.4.随机步行

CS算法配方均衡归并本地和全局随机行走因此,它不单优化户外IoT数据,还可以按需归并本地opima随机步行顺序顺序随机或随机过程 去哪儿 表示课税航班 表示每个新步骤顺序乘法,并加进前候选求解在每个新迭代中,通过课税飞行产生解决办法,从赋值分配取步搜索重尾分配与正常分布相比,重尾分布非指数绑定,生成期间的大多数值都符合健康值标准(目标函数)[46号..随机步行错误显示找不到引用源一万步一次 选择比前位更好的位置时,当搜索空间指数式无约束并持续扩展任何维度和大小时,课税飞行比较好库库搜索高推荐度,因为其课税飞行处理网络数据实现全局优化47..

信息和通信技术方面,当数据量大和各种数据分析活动初始化提高网络性能时,快速自组织算法需求是不可或缺的methuristic算法是设计整理当前全局优化问题的全球优化技术之一数大算法中,如和谐搜索和蝙蝠算法中,cuckoo搜索是一种新开发算法,最能匹配未来的智能IoT网络及其持续室外数据以提供有价值的服务并改进机器学习技术48号..图5随机漫步图显示一万步从0开始 -轴表示时间失效 ,时段 -轴显示运动位置

1.4.5参数图灵

库库搜索策略原创式最优局部搜索优化,但其算法约束可调整以拓展应用以解决全局搜索优化问题为了实现最佳性能,库库搜索算法中的若干参数需要调整,即巢尺寸、精英概率(概率选择适配对象)和重复性[49号..和许多自然启发算法相似 算法从随机参数开始阶梯迭代时,参数调适步态大小不一选择阶梯大小对算法趋同或偏差很重要基于不同应用的阶梯大小可增减,以快速求同或性能需求

1.4.6效率

Cuckoo搜索是一种metheuric算法,由自然启发,现在是最常用算法优化与传统算法相比,它有许多优势,这是因为它方法中固有的随机性metheistic算法千差万别,包括遗传算法、模拟退火法、差分进化法、蚂蚁和蜜蜂算法、蝙蝠算法、粒子群优化法、和谐搜索法、飞虫算法和酷酷搜索法50码..算法受自然启发工作 没有任何中心计算范式大部分参数都与相邻节点交互同侪间互连性使他们非穷解难解

1.4.7约束

couckoo搜索算法性能如果问题离散多目即失色,尽管它表现良好可持续优化问题算法处理实时问题时范围有限需要进一步研究以克服其局限性除连续问题外,职阶大小、参数调整、与其他算法相交和用于提高性能标识的其他因素都大有发展同时,算法在适应和获取最佳搜索结果方面也存在问题,而算法解决复杂问题的能力不足以实现实战应用未来研究应侧重于研究和探索新方法和战略,以改进变量间高联动函数51号..

1.5运动动机

无线传感器网络和IoT系统生成数据量巨大庞大量难以分析数据数据分析从数据中产生前 必须在任何阶段清除数据有时,大量数据在非操作数据处理时清洗,现有数据用去除冗余数据更新数据有可能在运行时前清洗52..两种方法都有自己的利弊以科学和数学基础下降维度后,数据安全性随体积下降低维度数据减量始终是一个热题研究,不同实施IoT系统53号..

选择和消减之间的难点差分在于选择运行时间执行特征选择和数据清理阶段放弃不期望和无关特征期间所需特征的折中性差在许多实时应用中,用高维搜索空间搜索大数数据实际上不可行。无关特征的存在引起干扰,原因是数据搜索空间冗余、无关和无关多进化算法缺少精确选择特征的固有属性去减属性论文结果显示,cuckoo搜索效果优异 许多现有应用算法54号..

二叉拟技术实现

在所有IoT网络中,物理世界数据高度非线性,环境动态变化取决于局部或全球活动管理数据预处理采矿和决策净化需要精确分类并降低成本对象可时不时离开或加入网络,需要重新启动采掘算法处理即时和突发变化特征提取可成为提高分类器和其他采矿技术性能的基本策略此外,需要新奇算法来克服传统方法的缺陷55号..

2.1.IoT向量和尺寸

穷尽搜索空间 由巨大的维度组成 通过特征提取减少后再执行数据解析技术后制向量提高预测精度,复杂性和成本最小

2.1.1.问题描述

传感器收集的数据储存在一个数据库中,综合行列每一行表示异向量 或数据集和列 并带相应的维度 .表中给出IoT数据库模式,包括维度和向量一号.

假设IoT中所有奇特对象以矢量集表示 何方向量 单对象多维存储数据 ,数矢量 等量数据库图例数, 数组 矢量可显示为列矩阵如下: 何方向量 可同时表示维度为单行矩阵

if we替换向量维度 矩阵化

关于向量 及其维度 变换原维空间现有特征 分解变换矢量 空间 中位数

绘制特征提取算法前,表内简单描述用词2.

2.2.特征提取

组件 原生向量集 ,并 异型非变换向量维 .我们可以插图 转换向量维 中位数 .特征提取任务划分为下列步骤:i)特征构造或特征变换二)特征子集选择三)结果效率

视这些任务而定,特征提取算法可设计成保持有意义高效特征提取总程序从原创空间提取高质量特征算法如下

2.3特征构建

特征提取技术将广度特征或维化为减值特征集,供各种数据分析任务使用原创特征转换需要某些参数和技术从现有特征构建新特征视拟构造属性类型而定,这些技术可互不相同。下节中算法表示符号属性和数值属性将减少数据维度,提高机器学习任务搜索优化度,例如分类和数据挖掘目标对准适当数据供Iot网络进一步处理矢量综合搭建性能有利于实现高预测精度建构标语属性和数值属性需要不同的运算符和运算符识别隐藏信息,以有利于数据分析决策56号..

2.3.1算法数值属性

IoT数据库包含多维度,每个维度可表示成数字值或字符串组合两种情况都对运算符组作相应修改以构造特征算术运算符(+,/-)为数值属性构建新特征的步骤图6给树表示特征构造并用各种数学运算维度 .选择运算符取决于问题和期望结果57号..

算法起始输入向量 ,中位变量集合字符或字符串优先循环选择非转换向量维度 并拷贝每个特征 转向新矢量 .构造选定属性后,原属性被丢弃以避免相似属性重复内部双环从新向量选择属性 从算术运算符列表中选择运算符上环逐矢量选择并加所有构造特征 面向每个矢量 .

2.3.2.算法名属性

除算术运算外,字符或字符归并用于生成新特征,如果属性类型非数字性算法建构表示属性描述如下

名词属性归并构建新特征 .优先循环从原向量复制值到新向量 .

后两圈从新数组中选择次维 并顺序选择每种矢量构造所有矢量特征 .图7给予Heaviside函数 表示维度定时因子 .

局部随机最优解法为异向性,可表示如下: 去哪儿 并 表示二维向量 并发 时分d维 . 缩放因子控制IoT搜索空间

来 从统一分布取出, 并每步课税飞行取出重尾分布基于重尾分布的赋值分配提高概率选择每一维 矢量内 .

2.4.变异Cuckoo搜索=基于特征提取算法

改进版CS提取新老维度并同时减少整体现有维度算法起始步根据原输入向量构建新特征,并选择表中给出的每个向量增强属性3[58码..

最大优化实现时, 宽距离选择识别方位对齐 .任务基础是维度段执行库库斯策略启发规则可计算为每个新变向量的ds

= .

算法输入参数如下:

数据集环境

数据集数 :

丢弃概率 :

比例因子 :

维度数 :

迭代数 :

输出:全局优化

辅助参数如下: 带维度 ,全局适配 ,和局部适配 .

couckoo查找特征提取算法由下一节提供,其中目标函数根据所引用户外IoT数据问题选择算法将在每次迭代中生成特征子集并持续此过程直至实现优化成本或性能

2.4.1结束程序CSFE

变换库库特征提取算法包括三个程序显示为数属性构造程序_1,标称属性构造程序_2,最后程序_3应用全局选择策略查找描述每种矢量的更适当特征 提高预测精确性程序3启动二功能 全局优化 评估每种向量局部优化,初始设置现有 矢量 )输入程序3首圈计算适配 原创版 矢量顺序选择前通过 CS下一循环选择每一维 时段 直至它不等于原向量空间图例长度并随机选择维度 包括最优维度 .下一步,适配新向量 计算结果最小向量最适配于现有向量时,则进行替换并放弃最差向量,集合所有最适配向量 至 ,并发现适配与现有比较并视必要替换倒数第二IF语句发现新构建向量空间高效决定应丢弃或留待进一步处理

输入算法原创特征集,并按识别输入特征类型执行特征构造(数字或标称特征)。搭建后更新空间重新定位库库搜索随机步行和收费飞行选择适当特征输出为每个矢量新增强特征子集 .

2.5数据集生成

物联网演化为向消费者、商业分析师和行业提供宝贵服务的最优素材,尽管如此快速进化,熟悉和适应IoT网络是相当渐进式的。少数高度可识别行业向消费者提供有价值的服务文献大都只展示基本概念和架构方面当今时代科技进步超出互联网范围, 实时网络正面临挑战, 以容留连续突然收集的数据量供各种采掘和机器学习任务实现智能网络目标,

物联网维护实体收集的数据实体是计算设备(扫描器和自动调温器),可上网通信分享信息服务智能对象与众不同,每个对象EPC可存储为数据库的主密钥以维护记录提高IoT组织不愿意公开分享私有数据以安全保密正因如此,文献和互联网上与IoT网络相关的数据集完全无法使用应用拟求求求求求求维度降入室外IoT数据时,需要适当相关数据集它将促进通过实施MATLAB建议技术产生适当结果,以减少全局搜索空间 特征空间 .

IoTify网络平台使用虚拟硬件设备开发IoT应用,例如传感器帮助虚拟实验并创建JavaScript虚拟ioT设备Iofify数据库使用JavaScript对象命名表24显示数据集实现结果并分析拟议算法基于IoT的设备可以从病人的血液中提取具体和需要的事实,并会在发生惊人情况时向医生分享生成报告图8外延布谷搜索特征提取流程图,包括生成最终稀释特征子集的名义属性和数值属性程序

减少户外IoT数据原型维度通过特征提取任务实现特效提取子任务 从新建特征选择从广新搜索空间选择使用库库搜索优化技术评估推荐研究技术结果时使用IoT数据集技术将减少穷尽搜索空间并生成一个新的有组织搜索空间,提高机器学习任务或采矿分类器的精度

2.6算法结果分析可视化

变换库库特征提取建议算法MATLAB实施,结果用图图、图图、分布图和统计运算(平均值、最小值和最大值)可视化图九九表示新生成空间图 内含 行并 减维度绘图相对距离分散表示从广度搜索空间选择维度子图显示随机代数迭代数,并计算每个维值的剩余值以检验权值选择维度选择通过赋值飞行构建 步阶缩放因子 ,并随机从赋税分布中选择阶梯

CSFE搜索广度搜索空间选择 并 .新对象输入IoT并需要算法自修改以适应即时变化,搜索量成倍增加,因为IoT生成的数据持续持续并需要全局优化解决方案提高网络效率

图10显示重尾分布csfe制作输入数据集IoT基础病人CBC结果峰值最高表示全局优化IoT数据法,尾量成倍增长并持续提供最佳适配性最佳选择估计槽DS和一致性估计因子 .曲线下区域没有指数绑定,这意味着当数据绝存时,它会增加更接近最优适值的适配值数图中11大小条显示,大多数适配值全局最优

并依赖由智能对象整合而成的网络 和开发互联网技术 和各种辅助设备 设备 和机器开发应用和服务以利用这些技术实现新商业趋势并提供日常生活便利IoT基础基础网络智能对象综合网络补充互联网服务,正在形成趋势 环境里的大多数对象 都以各种形式联网从传统互联网方法转向互联网连接物理对象类技术产生大量数据, 当解析和机器学习技术应用来提高智能自组织能力时,它变得至关重要

2.7性能比较和评价

多标准文献测试任何新优化算法的效率、模式或有效性CSFE算法实施后,结果通过全局优化测试函数分析

2.7.1Rastrigin函数

Rastrigin函数非线性优化函数由Rastrigin引入二维并扩展Mühlenbein等对a 维空间,此函数可用图解 去哪儿 范围函数 .图12Rastrigin函数结果显示 带单个维度的维度空间 .与cuckoo查找特征提取比较,散块显示维空间仍然广度,而每个选择维度与前次选择相似,而前次选择不利于表示全部数据。

2.7.2mick函数

macormick函数测试优化算法的基准定义如下: 去哪儿 并 矢量数和维数相继化搜索范围函数 并 .

2.7.3跨线函数

跨线性函数是基于二维空间的持续多式测试标准,初始后扩展方程函数采取下列形式: 去哪儿 算法 维空间和域域跨线性函数 .

2.7.4.Rosenbrock函数

Rosenbrock函数非线性基准测试优化问题性能,Howard H介绍Rosenbrock1960Rosenbrock谷或Rosenbrock香蕉功能

Rosenbrock数学定义如下:

面向

Rosenbrock函数范围 并 .图13表示这些函数的适配性能Rosenbrock局部最大值和全球最小值见图14.

2.7.5Easom函数

Easom是一个多式不可缩放测试函数,为搜索空间寻找全球最小值定义如下数学方程

Eason函数搜索域 .测试函数用来比较粒子群优化和和谐搜索优化算法

图15显示适合局部优化和全球优化曲线面向 几代人,全球适配度在初级阶段实现 表示库库搜索特征提取运行时间微乎其微图16提供图通过协调搜索实现最优成本值图中显示喷火算法最小成本17.与HS、PSO和FFA相比,CSFE提供最小成本值最小迭代和短时

表25概述CSFE对PSO和HS的评估性能根据最小成本和时间对应最大代数算法计算最优健康值(成本)。CSFE与少数全球优化技术比较Kennedy和Eberhart于1995年引进粒子群优化最佳变异结果,但由于结构复杂变异缓慢,不适合复杂任务

与CSFE相比,峰尾正常分布范围狭窄并指数式绑定,从中生成PSO的适配值表示通过PSO提供局部优化点相对少见所有全局优化技术都能够为物联网生成的持续数据提供最佳解决办法,解决特定兴趣问题CSFE以外的算法花更多时间运行并提供更多迭代最小成本

另一种优化技术是新雪杨自2008年启动的消防算法,该算法受萤火虫闪闪行为启发FA随机数取自统一分布 常数概率因常概率关系,优化技术不适合连续多目标优化问题表内6PSO和CSFE在1000次运算后比较上述测试函数图18号显示正常分布 粒子群优化最大尾部高度显示只有最优值限制在这个小区域

PSO进化及其局限性后,Geem et al开发和谐搜索2001年基于音乐组成概念表内7变换CSFE比较HSCSFE和MATLAB协调搜索后,算法根据近1000迭代产生的结果比较

比较后分析CSFE为少数提到的测试函数提供了更多精度和全局适配性两种算法性能均值对等测试函数双均值和标准偏差,而精度则按百分数表示CSFE与PSO和HS相比成功率更高,原因是随机化和探索CSFE可按需归并到全球最大状态

文献中引入多项测试基准评价新优化技术性能本节很少使用测试函数评估拟用couckoe特征提取技术的功能CSFE逐项评价,性能比较使用少数全局优化技术建立归根结底,CSFE交付精度比PSO和HS全球优化稳定一致

2.8贡献

论文的主要贡献是分析维度下降的不同方面,并讨论进化方法,特别侧重于cuckoo搜索算法详细讨论现有维度减法概述特征选择和提取启发式和计量式搜索方法比较见本文件描述Cuckoo搜索是一种优化技术,广泛用于运维资源配置研究,在此,我们用它查找数据属性,数据中可删除属性,同时不影响数据库中的含义和信息一致性酷酷生存行为分析参考我们自己问题配方算法还拥有某些固有特征,限制IoT内维度下降假设值并在此论文中讨论配方算法对应物联网维度下降问题 以深入调查cuckoo搜索优化算法的性能度量

并解释特征选择现象算法用于特征构造并有数字和表示属性我们专门引入变异cuckoo基于特征提取算法 协同生成数据集并比较性能库库搜索优化算法证明在特征选择和维度减法方面非常有效,并可用于类似未来应用

3级推荐未来工作

信息和通信技术方面出现了一些创新趋势,为人、商和产业提供便利,提高服务效率下一代技术显示新的挑战和复杂性同质对象网络 无线传感器网络 寻址程序 可视化搭建iot多路结构数据存储分析是编译网络并强调处理智能对象收集的不可预测的原始数据量的最重要元素之一成本、时间和能量需求 直接成比例 数据数量惊人增长未来时代,科学家正在引进“绿色计算设备网络”,成本降低,时间最小,能量最小化

3.1.绿色物联网精通算法

IoT基本目标是增强智能世界的能力,不受温室影响与现实世界对象交互作用,这些网络装备多传感器、协议和通信技术,高能、高成本和复杂度IoT服务和应用需要高效算法,以减少现有的温室效应或搭建新电耗最小值拟技术可用于获取机器学习任务最大精度,不复杂计算最小成本

库库搜索技术适合建设未来GIOT最大精度低复杂性库库搜索是一种全局优化技术,为实时系统提供全局最大解决方案,实时系统生成连续高量大规模维度数据之所以提出这项建议,是因为CS不包含大量数学计算,肯定会降低系统整体复杂性。

3.2未来物监控互联网

医疗假想中,对病人人工监控,例如病人历史、当前疾病和每日健康报告个人文件与病人数有别,包括心率、血压温度和血样等健康参数相关医生评估这些记录以接受进一步治疗智能健康监控iot设备不使用所有这些人工程序,可智能执行这些动作而无需大规模人工干预

图中架构19号展示全医保系统抽象布局 基础智能IoT设备监测病人健康由智能IoT设备管理并处理的病人记录向相关医生和用户开放由iot设备处理状况监测病人可完全验血报告持续验血报告由智能IoT设备生成 万一情况危急 即触发动作

尽管在ICT方面作出了巨大努力,但仍需要执行新进趋势而不产生负面环境效果,以补偿数量日增的数据,减少能量和计算量。需要进行必要的测量,以尽量减少对健康和社会的负面技术影响。变异cuckoo查找特征提取可成为对最近物联网和对未来事物绿色互联网的有利方法并可用于提高未来IoT设备性能,不间断监控病人Cuckoo搜索优化方法简洁描述,并适用于系统位于本地状态或未来将成长为全球现象的情况

4级结论

iot网络出现并竞相执行强制任务,但要稳定性能,增强未来挑战势在必行。网络不单快速使用杰出服务器,而且智能足以应对不可预测环境时,它就有可能实现。引入高效全局优化算法可帮助实现此目标研究中,建立metheuric全局优化算法,减少IoT户外数据维度库库查找特征提取是一种变异算法,根据无法预测的数据量组织自身并产生一个新的增强特征空间新生成特征空间和拟议算法收益提高分类器和采掘算法精度也使算法在计算上可行、灵活和高效地求同变异算法进一步可泛化Iot室内活动论坛还讨论了培训IoT网络应对未来挑战并增加知识范围的设想问题。在上述所有事实中,CSFE能以最小成本和较少时间执行所有活动算法可进一步改进多目标优化问题它可以提供巨大的支持建设基于IoT的智能世界,不负作用和最少资源

数据可用性

数据集通过IoTify生成网络平台使用虚拟硬件设备开发IoT应用,例如传感器方便像虚拟实验室 并允许在JaavaScript创建虚拟IoT设备Ioticle数据库使用JavaScript对象命名扩展

利益冲突

作者声明他们没有利益冲突