地訓 練樣本集進行去重處理，得到最新的訓練樣本集合；
[0035] 步驟4. 1 :各節(jié)點接收鄰居節(jié)點發(fā)送過來的數(shù)據(jù)包，然后將數(shù)據(jù)包逐個分解，分解 出稀疏模型和錯分樣本；
[0036] 步驟4. 2:各節(jié)點利用接收到的每個稀疏模型對本地訓練樣本集進行測試，找出 所有鄰居節(jié)點不能正確分類的訓練樣本，記作錯分樣本；
[0037] 步驟4.3:對找到的錯分樣本去除重復處理，并對去重后的錯分樣本依據(jù)is_ sended字段的值進行整理，如果錯分樣本的is_ sended字段為0,表示該樣本還沒有被發(fā)送 過，則將該樣本作為錯分樣本，如果is_Sended字段為1，表示該樣本已經(jīng)發(fā)送過，則該樣本 不作為錯分樣本；
[0038] 步驟4. 4:各節(jié)點將接收到的每個稀疏模型中帶有原始特征信息的訓練樣本加入 到本地訓練樣本集合；
[0039] 步驟4. 5:各節(jié)點將接收到的所有錯分樣本加入到本地訓練集合；
[0040]步驟4. 6 :各節(jié)點對本地訓練樣本集合去重處理，得到最新的訓練樣本集合；
[0041]步驟5 :各節(jié)點循環(huán)優(yōu)化求解
[0042] 這一階段的特征是在各節(jié)點本地訓練樣本集沒有穩(wěn)定之前，按著步驟2、步驟3、 步驟4的順序循環(huán)優(yōu)化求解，直至各節(jié)點本地訓練樣本集和稀疏模型穩(wěn)定。這一階段的具 體步驟如下：
[0043] 步驟5. 1:各節(jié)點按照階段2、階段3、階段4的順序進行優(yōu)化求解；
[0044]步驟5. 2 :各節(jié)點判斷最新本地訓練樣本集與前一次訓練樣本集是否一致，當所 有節(jié)點都前后兩次的訓練數(shù)據(jù)集都一致時，執(zhí)行步驟6,否則，各節(jié)點按照階段2、階段3、階 段4的順序進行優(yōu)化求解；
[0045] 步驟6:節(jié)點模型一致性
[0046] 這一階段的特征是僅依靠相鄰節(jié)點間的相互協(xié)作使各節(jié)點得到所有其他節(jié)點上 的模型，然后在本地對所有模型進行平均，以實現(xiàn)模型一致性。該階段具體步驟如下：
[0047] 步驟6. 1 :各節(jié)點將本地稀疏模型發(fā)送給單跳鄰居節(jié)點；
[0048] 步驟6.2 :各節(jié)點接收鄰居節(jié)點發(fā)送過來的稀疏模型，將模型保存在本地并去重 處理；
[0049] 步驟6.3 :各節(jié)點將新接收到的模型轉(zhuǎn)發(fā)給單跳鄰居節(jié)點；
[0050] 步驟6. 4:當各節(jié)點都得到所有節(jié)點的稀疏模型后，在節(jié)點本地進行平均，得到一 致性模型；
[0051] 與現(xiàn)有的無線傳感器網(wǎng)絡中核分類器分布式訓練方法對比，本發(fā)明具有有益效 果。
[0052] (1)本發(fā)明能夠使各節(jié)點得到完全一致的分類模型，而且得到的分類模型具有與 集中式訓練方法相當?shù)念A測效果，保證了模型的預測精度。
[0053] (2)本發(fā)明僅依靠相鄰節(jié)點間交換稀疏模型和錯分樣本的方式進行協(xié)作，減少了 核分類器訓練過程中的數(shù)據(jù)傳輸量，而且避免了鏈路建立和維護的能量消耗，有效降低了 節(jié)點能量消耗，延長網(wǎng)絡的生命周期。
[0054] (3)本發(fā)明基于L1正則化得到了較稀疏的分類模型，該稀疏模型可以大大降低預 測的時間代價和計算成本，從而能降低節(jié)點在實際預測時的能量消耗。
[0055] (4)本發(fā)明可適用于不同規(guī)模、不同拓撲結(jié)構(gòu)和不同連通度的無線傳感器網(wǎng)絡。
【附圖說明】
[0056] 圖1為本發(fā)明的實施流程圖。
[0057] 圖2為本發(fā)明的預測錯誤率和收斂速度的仿真結(jié)果圖。
[0058] 圖3為本發(fā)明的數(shù)據(jù)傳輸量的仿真效果圖。
[0059] 圖4為本發(fā)明的模型稀疏率的仿真效果圖。
【具體實施方式】
[0060] 如圖1-4所示，下面詳細描述本發(fā)明的實施方式。本發(fā)明的實施基于以下前提條 件：a.網(wǎng)絡中每個節(jié)點都有唯一的ID號；b.網(wǎng)絡中各節(jié)點僅僅與其單跳鄰居節(jié)點通信； c.網(wǎng)絡中各節(jié)點上使用相同的核函數(shù)和相同的參數(shù)值；
[0061]1.節(jié)點本地初始化階段的實施說明
[0062] 本階段要完成節(jié)點本地訓練樣本的歸一化、核參數(shù)〇和正則系數(shù)A的初始化、網(wǎng) 絡規(guī)模N的初始化。
[0063] 各節(jié)點對本地訓練樣本的特征信息進行歸一化處理；
[0064]各節(jié)點對核參數(shù)〇、正則系數(shù)X及網(wǎng)絡規(guī)模N進行初始值設置；
[0065] 2.節(jié)點本地稀疏模型求解階段的實施說明
[0066] 本階段對節(jié)點本地訓練樣本集合構(gòu)建基于L1正則化的核優(yōu)化問題，利用優(yōu)化方 法對構(gòu)建的優(yōu)化問題進行稀疏求解，整理節(jié)點本地稀疏模型。
[0067] 各節(jié)點利用高斯核函數(shù)k(Xi, Xj) = exp(_| |xi_Xj||2/2。2)對本地歸一化后的訓 練樣本進行核矩陣計算；
[0068] 各節(jié)點對得到的核矩陣進行增廣，結(jié)合正則系數(shù)X構(gòu)建核優(yōu)化問題；
[0069] 各節(jié)點利用交替方向乘子方法對本地核優(yōu)化問題進行求解；
[0070] 各節(jié)點從求得的解中提取非零項，并將非零項對應的訓練樣本特征信息提取出 來，整理出本地稀疏模型；
[0071] 3.節(jié)點將本地稀疏模型和錯分樣本發(fā)送給單跳鄰居節(jié)點階段的實施說明
[0072] 本階段各節(jié)點首先根據(jù)訓練樣本的is_Sended標識組織要發(fā)送給鄰居節(jié)點的模 型信息，然后將整理好的模型信息和錯分樣本組合在一起，發(fā)送給其單跳鄰居節(jié)點。
[0073] 各節(jié)點對本地稀疏模型中每個訓練樣本的is_sended標識進行查看，如果某個訓 練樣本的is_Sended標識為0,則該訓練樣本的特征信息保留在稀疏模型中，否則，只將該 訓練樣本的node_ID和example_ID保留在稀疏模型中，而不攜帶樣本的特征信息；
[0074] 各節(jié)點將整理好的稀疏模型和錯分樣本組織在一起，發(fā)送給單跳鄰居節(jié)點；
[0075] 4.節(jié)點接收信息階段的實施說明
[0076] 本階段各節(jié)點對接收到的信息進行存儲、分解，然后利用接收到的模型信息對本 地訓練樣本進行預測，找出不能被鄰居節(jié)點模型正確分類的錯分樣本；最后將接收到的模 型中的訓練樣本和錯分樣本加入到本地訓練樣本集。
[0077] 各節(jié)點將接收到的鄰居節(jié)點信息緩存到本地；
[0078] 各節(jié)點對接收到的每個數(shù)據(jù)包逐一分解，分解出模型信息和錯分樣本；
[0079] 各節(jié)點利用分解出的多個模型對本地訓練樣本進行預測，找出不能被正確分類的 樣本，記作錯分樣本；
[0080] 各節(jié)點對得到的所有錯分樣本去重處理，并查看每個錯分樣本的is_sended標 識，只對is_sended標識為0的訓練樣本記作錯分樣本；
[0081] 各節(jié)點將多個模型信息中帶有訓練樣本特征信息的樣本加入到本地訓練樣本集 中；
[0082] 各節(jié)點將接收到的多個錯分樣本集中帶的訓練樣本加入到本地訓練樣本集中；
[0083] 各節(jié)點對本地訓練樣本集做去重處理，更新本地訓練樣本集；
[0084]5.節(jié)點循環(huán)優(yōu)化階段的實施說明
[0085] 本階段實現(xiàn)各節(jié)點模型的迭代優(yōu)化，直至各節(jié)點模型穩(wěn)定。
[0086] 各節(jié)點按照階段2、階段3、階段4的順序進行優(yōu)化求解；
[0087] 各節(jié)點判斷最新本地訓練樣本集與前一次訓練樣本集是否一致；當兩次訓練樣本 集一致，將node_ID和" 1"組成一條消息發(fā)送給單跳鄰居節(jié)點；當不一致時，節(jié)點按各節(jié)點 按照階段2、階段3、階段4的順序繼續(xù)優(yōu)化求解；
[0088] 當各節(jié)點收到所有node_ID加" 1"的消息時，停止循環(huán)，進入下一個階段；
[0089] 6.節(jié)點模型一致性階段的實施說明
[0090] 本階段工作是消除各節(jié)點模型的不一致，對網(wǎng)內(nèi)所有節(jié)點的模型進行平均，使各 節(jié)點得到一致的模型。
[0091] 各節(jié)點將本地稀疏模型發(fā)送給單跳鄰居節(jié)點；
[0092] 各節(jié)點接收鄰居節(jié)點發(fā)送過來的稀疏