物联网应用技术导论　全套课件（上1-4章）.PPT

4.4 物联网智能信息处理技术 4.4.2 数据融合与数据挖掘 （3）数据挖掘的主要任务 数据挖掘的任务有关联分析、聚类分析、分类、预测、时序模式和偏差分析等，以下分别进行介绍。 ①关联分析(association analysis) 两个或两个以上变量的取值之间存在某种规律性，称为关联。数据关联是数据库中存在的一类重要的、可被发现的知识。关联分为简单关联、时序关联和因果关联。关联分析的目的是找出数据库中隐藏的关联网。一般用支持度和可信度两个阀值来度量关联规则的相关性，还可引入兴趣度、相关性等参数，使得所挖掘的规则更符合需求。 ②聚类分析(clustering) 聚类是把数据按照相似性归纳成若干类别，同一类中的数据彼此相似，不同类中的数据相异。聚类分析可以建立宏观的概念，发现数据的分布模式，以及可能的数据属性之间的相互关系。 4.4 物联网智能信息处理技术 4.4.2 数据融合与数据挖掘 ③分类(classification) 分类是找出一个类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，用这种描述构造模型，一般用规则或决策树模式表示。分类是利用训练数据集通过一定的算法而求得分类规则。分类可被用于规则描述和预测。 ④预测(predication) 预测是利用历史数据找出变化规律，建立模型，并由此模型对未来数据的种类及特征进行预测。预测关心的是精度和不确定性，通常用预测方差来度量。 ⑤时序模式(time-series pattern) 时序模式是指通过时间序列搜索出的重复发生概率较高的模式。与回归一样，它也是用己知的数据预测未来的值，但这些数据的区别是变量所处时间的不同。 ⑥偏差分析(deviation) 在偏差中包括很多有用的知识，数据库中的数据存在很多异常情况，发现数据库中数据存在的异常情况是非常重要的。偏差检验的基本方法就是寻找观察结果与参照之间的差别。 4.4 物联网智能信息处理技术 4.4.2 数据融合与数据挖掘 3、物联网的数据挖掘 数据挖掘时决策支持和过程控制的重要技术手段，是物联网中重要的一环。 针对物联网具有行业应用的特征，对各行各业的、数据格式各不相同的海量数据进行整合、管理、存储，并在整个物联网中提供数据挖掘服务，实现预测、决策，进而反向控制这些传感网络，达到控制物联网中客观事物运动和发展进程的目的。 在物联网中进行数据挖掘已经从传统意义上的数据统计分析、潜在模式发现与挖掘，转向成为物联网中不可缺少的工具和环节。 4.4 物联网智能信息处理技术 4.4.2 数据融合与数据挖掘 （1）物联网的计算模式 物联网一般有两种基本计算模式，即物计算模式和云计算模式。 物计算模式基于嵌入式系统，强调实时控制，对终端设备的性能要求较高，系统的智能主要表现在终端设备上。物计算模式建立在对智能信息结果的利用上，对集中处理能力和系统带宽要求较低。 云计算以互联网为基础，目的是实现资源共享和资源整合，其计算资源是动态、可伸缩、虚拟化的。云计算模式通过分布式的构架采集物联网中的数据，系统的智能主要体现在数据挖掘和处理上，需要较强的集中计算能力和高带宽，但终端设备比较简单。 4.4 物联网智能信息处理技术 4.4.2 数据融合与数据挖掘 （2）两种模式的选择 物联网数据挖掘的结果主要用于决策控制，挖掘出的模 式、 规则、特征指标用于预测、决策和控制。在不同的情况下，可以选用不同的计算模式。 物计算模式： 对于要求实时高效的数据挖掘，物联网任何一个控制端均需要对瞬息万变的环境实时分析、反应和处理，需要物计算模式和利用数据挖掘结果。 基于云计算模式： 以海量数据挖掘为特征的应用要处理海量的数据 ，需要进行数据质量控制，如多源、多模态、多媒体、多格式数据的存储与管理保证数据质量。此外，物联网计算设备和数据具有天然分布的特征。 4.4 物联网智能信息处理技术 4.4.2 数据融合与数据挖掘 （3）数据挖掘算法的选择 一般而言，数据挖掘算法可以分为分布式数据挖掘算法和并行数据挖掘算法等。 分布式数据挖掘算法适合数据垂直划分的算法、重视数据挖掘多任务调度算法。 而并行数据挖掘算法适合数据水平划分、基于任务内并行的挖掘算法。 云计算技术可以认为是物联网应用的一块基石，能够保证分布式并行数据挖掘，高效实时挖掘，云服务模式是数据挖掘的普适模式，可以保证挖掘技术的共享，降低数据挖掘的应用门槛，满足海量挖掘的要求。 4.4 物联网智能信息处理技术 4.4.2 数据融合与数据