中文摘要：

随着计算机及通信网络的快速发展，分布式数据挖掘受到越来越多的关注。作为数据挖掘的重要工具，支持向量机的分布化近年来已成为模式识别领域的研究热点。本项目拟针对传感器网络进行分布式支持向量机学习研究，重点考虑资源受限情况下基于压缩感知的样本获取、压缩感知支持向量机的求解与优化、以及应用于分布式SVM的动态协同策略等问题。本项目的宗旨在于提出一整套基于压缩感知和动态协同策略的完全分布式支持向量机学习方法，使得所提出的方法具有规模可扩展、分类精度较高、能量消耗较低、通信代价较小等优势，同时对网络拓扑具有较强的健壮性。此外，本项目将开发出基于传感器网络的分布式学习系统原型，以验证所提出算法的有效性。本项目的目标是在申请人前期工作的基础上，引入压缩感知理论，进一步减少网络节点间的通信代价，延长网络的生命周期，从而丰富传感器网络分布式模式识别理论，并为其工程化与实用化奠定基础。

结论摘要：

本项目针对分布式支持向量机（SVM）学习进行相关研究，重点考虑资源受限情况下基于压缩感知的样本收集及节点调度、基于压缩感知的稀疏后验概率SVM、压缩感知SVM的求解与优化、以及应用于分布式SVM的动态协同策略等问题。本项目的宗旨在于提出一整套基于压缩感知和动态协同策略的完全分布式SVM学习方法，使得所提出的方法具有规模可扩展、分类精度较高、能量消耗较低等优势，同时对网络拓扑具有较强的健壮性。此外，本项目在Android平台下开发了基于压缩采样的位置指纹室内定位系统，采用SVM、K-NN和稀疏表示方法对移动终端进行实时定位。项目研究成果包括SCI期刊论文4篇、EI收录论文6篇；先后派出4人次参加国内外学术会议，培养研究生5名。