1、物聯(lián)網(wǎng)是一個(gè)新穎的概念，在無(wú)線通訊技術(shù)迅速發(fā)展的背景下，很快成為當(dāng)下熱門的課題。它的基本概念是圍繞我們身邊廣泛存在的各種各樣的事物和物體通過(guò)全球唯一的地址模式實(shí)現(xiàn)彼此互相交流、通訊、協(xié)作從而達(dá)到共同的目標(biāo)。物聯(lián)網(wǎng)是一個(gè)很大的概念，通?？梢园阉醋鍪乾F(xiàn)有的互聯(lián)網(wǎng)的一個(gè)擴(kuò)展，因此它將繼承現(xiàn)有網(wǎng)絡(luò)的很多資源和研究成果。然而，由于數(shù)據(jù)量的龐大以及資源、環(huán)境的限制，也帶來(lái)了很多未曾出現(xiàn)的問(wèn)題。
　　 本文中研究的數(shù)據(jù)分類技術(shù)就是為了緩解在

2、物聯(lián)網(wǎng)中龐大的數(shù)據(jù)維度給數(shù)據(jù)采集、數(shù)據(jù)傳輸以及數(shù)據(jù)處理帶來(lái)的壓力。
　　 數(shù)據(jù)分類作為數(shù)據(jù)挖掘中一個(gè)重要課題，旨在生成一個(gè)分類函數(shù)或模型，該函數(shù)或模型能把數(shù)據(jù)映射到指定類別中的某一類。本文選用BP神經(jīng)網(wǎng)絡(luò)算法來(lái)實(shí)現(xiàn)數(shù)據(jù)分類，并且對(duì)其工作原理進(jìn)行了詳細(xì)的推導(dǎo)。針對(duì)該算法存在網(wǎng)絡(luò)收斂慢和容易陷入局部最小值等缺陷，本文采用了使用可變學(xué)習(xí)率和加入動(dòng)量因子相結(jié)合方法來(lái)改進(jìn)傳統(tǒng)的BP算法。在具體的網(wǎng)絡(luò)訓(xùn)練實(shí)驗(yàn)中，發(fā)現(xiàn)該改進(jìn)算法在一定的程度上

3、提高了網(wǎng)絡(luò)的收斂速度。最終數(shù)據(jù)分類結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)在用于物聯(lián)網(wǎng)中的多維數(shù)據(jù)進(jìn)行分類時(shí)有著較高的分類成功率。
　　 盡管對(duì)算法進(jìn)行了改進(jìn)，但本文通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)在網(wǎng)絡(luò)精度下降到一定程度時(shí)，收斂速度還是會(huì)處于一個(gè)很低的程度。并且整個(gè)訓(xùn)練所需要的時(shí)間在很多特殊的物聯(lián)網(wǎng)應(yīng)用中，還是不能被接受的。為此，本文提出了在云計(jì)算平臺(tái)下實(shí)現(xiàn)BP網(wǎng)絡(luò)訓(xùn)練的方案。云計(jì)算技術(shù)作為物聯(lián)網(wǎng)體系的基石，它的應(yīng)用直接加速了物聯(lián)網(wǎng)的拓展。為了在云計(jì)算平臺(tái)Hado

4、op上實(shí)現(xiàn)BP算法，本文提出了針對(duì)數(shù)據(jù)分類應(yīng)用特性的MapReduce化方法。在部署好的Hadoop集群運(yùn)算平臺(tái)上進(jìn)行的網(wǎng)絡(luò)訓(xùn)練表明，MapReduce化后的BP網(wǎng)絡(luò)學(xué)習(xí)算法有效的實(shí)現(xiàn)了對(duì)傳統(tǒng)BP算法的并行化分解。對(duì)比整個(gè)過(guò)程所消耗的時(shí)間，結(jié)果表明云計(jì)算平臺(tái)下的BP神經(jīng)網(wǎng)絡(luò)能夠大大縮短其網(wǎng)絡(luò)訓(xùn)練時(shí)間，這樣在很多能源和處理能力受限的物聯(lián)網(wǎng)基站中，就能用與云計(jì)算技術(shù)相結(jié)合方式實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練了。
　　 神經(jīng)網(wǎng)絡(luò)的基本原理是模仿人的