基于SVM的物聯網大數據有效信息過濾挖掘

陳國靖 詹躍明

摘 要：隨著信息化時代的到來，信息爆炸給世界信息化帶來了巨大的改變，同時對人們的生活造成極大的影響。在生活中，人們常常會遇到很多信息，卻難以發現其中的有效信息。如何將有效信息從眾多信息中過濾挖掘出來就成為一個值得探究的問題。本文從物聯網與大數據的關系入手，結合SVM算法的特征，分析SVM算法相比于其他數據挖掘方法的優勢。

關鍵詞：SVM算法;支持向量機;物聯網;大數據

中圖分類號：TP311.13文獻標識碼：A文章編號：1003-5168（2020）26-0008-03

Absrtact： With the advent of the information age， the information explosion has brought tremendous changes to the world's informationization， and has a great impact on people's lives. In life， people often encounter a lot of information， but it is difficult to find effective information among them. How to filter and dig out effective information from a large amount of information has become a question worth exploring. This paper started with the relationship between the Internet of Things and big data， combined with the characteristics of the SVM algorithm， and analyzed the advantages of the SVM algorithm compared to other data mining methods.

Keywords： SVM algorithm;support vector machine;Internet of Things;big data

數據處理和有效信息挖掘是現代信息技術的重要組成部分，能夠在巨大的信息流中為用戶提取所需的信息[1-2]。數據轉化為價值是當今時代重要的財富創造途徑，許多企業通過應用大數據技術實現良好的發展。由此可見，大數據技術能夠利用數據，為多個行業提供服務。其中，物聯網行業因與大數據技術的結合而發生許多變化，這些變化又反過來促進了大數據領域的變革。

1 大數據與物聯網概述

1.1 物聯網的概念

物聯網是現代信息技術的重要組成部分，其主要思想是對物品進行信息化管理。通常用局域網或互聯網將某個區域中的人、傳感器、機器、計算機系統連成一個整體，進行遠程化、信息化、智能化的整體管理。其將真實物品的控制信息轉變為機器所能識別的語言，最終通過計算機系統對物品進行遠程管理。

1.2 大數據的概念

當今社會，大數據能夠集合廣大的數據信息，而這些信息中必然存在對某個領域有效的信息，能夠促進這個領域的發展。大數據算法對于有效信息的提取和分析具有重要作用。現代社會，大數據呈現出三種新特征。一是信息增長速度加快。當前，電子設備逐漸進入千家萬戶，個人擁有的電子設備通常超過兩個，電子設備使用過程中必將產生一定的信息。二是數據類型的廣泛性。由于數據來源不同、參數和形態的不同，數據類型趨于多樣化，數據表現出異構化特征，而多類數據往往難以進行整合分析，這種特征催生了多種大數據分類算法。三是數據信息規模不斷擴大。數據量的擴大使得信息規模不斷擴大，尤其是企業信息，往往需要依托較大規模的數據庫來進行管理。

1.3 大數據與物聯網的關系

大數據由物聯網中各個運行的設備或某種操作產生，不斷發展和完善。這種完善將推動社會的發展和生活方式的改變，再反向促進大數據的變革。這樣的相互作用形成了良好的循環，使得兩者雙向進步、快速發展。

2 大數據的有效信息挖掘對物聯網的意義

2.1 有效提升數據的價值

隨著信息產業的不斷發展，數據產生價值已經成為迫切需求，大數據中的有效信息挖掘能夠為這個問題提供一定的解決方法[3-4]。例如，大數據技術從終端信息渠道采集大量用戶數據，在計算機系統中加以分析，對最核心的信息予以深入研究和分析預測，最終使大量數據變成數量少卻有價值的信息。

2.2 促進多個領域的發展

在物聯網行業，大數據的應用隨處可見。無論是常見的移動數據設備，還是高科技的智能物流、智能家居等領域，都與大數據的應用密不可分。同時，大數據的飛速發展使得高精尖芯片的需求增加，使得芯片的核心技術加速提升成為重要的研究課題。因此，物聯網與大數據的結合能促進多個領域的發展，極大地改變了人們的生活方式。

2.3 變革故障處理方式

當物聯網中某個設備發生故障時，大數據系統能夠實時將最后的運行數據反饋出來，便于發現故障原因。收到數據后，診斷系統能夠及時進行分析，找到適宜的解決辦法，并且將信息存入數據庫，以便在下一次發生相似故障時有據可查，迅速做出反應。

2.4 進行定位感知

大數據分離的有效信息不僅能夠簡單地定位設備位置和故障位置，還能定位產品運行的健康狀態。定位感知技術可以察覺設備的一舉一動，一旦出現問題，就能及時定位現場，幫助技術人員及時處理問題，提高故障處理效率。同時，定位感知技術有利于感知設備的效能、負載等，優化設備性能。

2.5 進行數據感知

大數據能夠通過數據進行一定的預測。計算機云端存儲各種設備數據后，再進行數據挖掘，利用有效信息形成回歸曲線，預測數據走向。這一作用不僅能幫助信息使用者優化相關產品，還能通過分析運行數據和已出現的故障，診斷設備存在的隱患，及時預測問題發展方向，解除隱患，避免產生更大的經濟損失。

3 SVM的內涵及特征

3.1 SVM的定義

SVM指的是支持向量機，是一種常見的判別方法。在機器學習領域，它是一個有監督的學習模型，通常用來進行模式識別、分類以及回歸分析。

3.2 SVM的主要思想

SVM的主要思想可以概括為兩點。SVM將數據劃分為兩類，一種是線性可分的數據，一種是線性不可分的數據。對于線性可分的情況，直接采用線性回歸方式進行數據分析和擬合。而對于線性不可分的情況，通過使用非線性映射算法，將數據從低維特征空間輸入高維特征空間，使得原本線性不可分的數據轉化為高維可分數據，進而采用一般算法進行分析和處理。

3.3 SVM的主要特征

SVM是一種全局優化方式。其目的是建立一種模型，對目標函數進行分析，發現目標函數全局最小值。相比其他算法，SVM更注重全局優化，而不是尋求局部最優值。其通過最大決策邊界的邊緣方式來控制模型，對模型進行約束和限制，需要用戶為其提供相應的參數，如使用核函數類型和引入松弛變量等。SVM在數據分類方面具有良好的特性，能夠對每一組被分析出來的數據設置一個啞變量，對每組數據進行有效的標識。SVM一般用于二類問題，對于多類問題使用效果不佳。

4 基于SVM的物聯網大數據信息過濾挖掘主要內容

4.1 數據采集

不同類型的數據均可采用多源信息資源云檢索機制進行監管，每個發布者收集一組下層傳感器數據，并將相關數據流發布給相應子集，數據采集前端接收相關信號，這時，數據管理系統就開始對下層傳感器匯報的數據進行分發統計，對采集的信息進行編碼，得到其物聯網環境下的編碼特征。

4.2 數據清洗及預處理

在物聯網架構中，首先將各終端設備的數據信息和邏輯傳感器收集的實時數據收集起來，放置在數據庫中。如果原數據中有太多無用的數據，就會干擾算法的判斷，人們要采用人工方法清洗數據，分離有價值的數據特征。然后，基于SVM程序的腳本文件，從清洗后的數據中提取適量的特征，再把數據特征放入一個腳本生成的表格中等待下一步運算。在真實試驗中，當數據量較小、價值量較高時，可以不使用這一步。

4.3 數據中信息特征的提取及處理

物聯網大數據普遍具有離散性，較難發現規律，往往需要進行降維設計。

本研究采用差分進化算法，將數據劃分為數個子列，采用SVM算法進行降維，得到其相應的二維表達式，物聯網傳感器數據特征滿足相關條件，再監測數據關聯性，得到相應數據關聯特征，然后設計干擾濾波對數據噪聲進行清除，得到濾波函數，最后采用多個樣本進行訓練，根據重要程度，對非主要因素與主要因素的關聯序列進行排列，通過以上分析對數據進行關聯特征提取和降維映射，有效提高數據過濾的成功率。

4.4 SVM算法的引入和數據挖掘的實現

對于上述過程已經處理過的數據，人們需要設計有效信息的過濾算法。傳統的數據過濾采用粒子濾波算法，該算法對粒子初始軌跡要求較高，日常采集或提取的數據噪聲較大，通常無法達到要求。SVM算法改進了這一技術，可以有效清理大數據技術獲得的信息，篩選和濾除異常數據，如噪聲數據、無用數據、缺失數據、錯誤數據等，隨后將數據整合，對于不同設備和不同來源的數據，根據其數據特性進行分類，將能采用相同處理方法的數據聚合到一起。對于較少的特殊數據，可以通過轉化運算將其轉化為相同區間、便于處理的數據。人們要制定一定的數據挖掘規則并設計濾波器參數，將非關聯信息濾除，保留有效信息特征，提高信息挖掘效率。基于以上改進思想，人們可以引入SVM算法進行數據挖掘。

首先，定義SVM算法失真敏感參數，求出具有最小距離的SVM節點。對于所求出的有效數據，人們要設定數據聚集樹關聯性強度。然后，假定標準支持向量機解，采用SVM算法，得到有效信息的關聯情況，通過篩選有效數據類型，不斷簡化數據，將物聯網所在結點區域劃分為若干個互不重疊的塊，得到數據挖掘最短無偏時延，進而得到物聯網大數據的數據聚集樹上的父結點的數據無偏相位特征。

5 基于SVM的物聯網大數據有效信息過濾挖掘的優勢

5.1 高效提取主相關因素

與傳統的物聯網大數據信息過濾方法相比，基于SVM的物聯網大數據挖掘提高了物聯網大數據特征的提取效率，SVM算法能夠對有效信息的關聯因子進行排序，提取主相關因素作為過濾的主要內容，通過設計一定的模型架構，建成適當的濾波器將非關聯因素進行整合過濾，實現對數據的整體約束和仿真。

5.2 分類規整處理

SVM算法可以對數據進行統一規整，統一處理相同類型的信息，有效挖掘信息特征。對于不同類型的信息，SVM算法可以采用不同的分析方法，最終進行有效信息的整合，實現有效信息的挖掘。

5.3 有效進行數據預測

SVM算法通過對現有數據進行線性分析、回歸擬合等，得出數據的函數預測模型，對未來的數據進行有效預測。對物聯網設備而言，SVM算法能夠根據其運行狀況、參數、用戶使用習慣等數據，預測其未來一段時間的運行數據，及時進行適應性調整。

6 結論

通過分析物聯網大數據的特征和SVM算法特性，筆者發現，基于SVM的物聯網大數據有效信息過濾挖掘方法可以顯著提高物聯網信息挖掘速度。未來，該技術將廣泛應用到互聯網行業和更多使用大數據的行業中。

參考文獻：

[1]李明皓，劉曉偉，于楊，等.大數據物聯網信息交互與數據感知[J].機械設計與制造，2017（11）：263-265.

[2]郭濤，高米翔，韓鵬.工業物聯網感知層協議分析與應用展望[J].物聯網技術，2016（6）：52-55.

[3]吳勇毅.虛擬現實、量子信息引領中國科技未來發展[J].通信世界，2016（3）：37-38.

[4]彭曉珊.關于物聯網技術發展及應用前景研究[J].汕頭科技，2010（1）：25-30.