1. 研究目的与意义
一．本课题研究的目的：
传感器网络是由许多在空间上分布的自动装置组成的一种计算机网络，这些装置使用传感器协作地监控不同位置的物理或环境状况（比如温度、声音、振动、压力、运动或污染物）。
支持向量机svm（supportvector machine）是一种基于统计学习理论的模式识别方法，该算法主要的目标是找到一个超平面，使得它能够尽可能多的将两类数据点正确的分开，同时使分开的两类数据点距离分类面最远。具体的解决方法为构造一个在约束条件下的优化问题，具体的说是一个受限二次规划问题(constrained quadraticprograming),求解该问题，得到分类器。
2. 国内外研究现状分析
三．国内外同类研究概况：
由于svm有着良好的统计学习理论基础，优良的泛化能力，在模式识别（人脸识别、文本识别、手写体识别等）、函数拟合、建模和控制领域得到了应用，取得了良好的评价。但同时，在目前svm的应用中还存在一些问题，如对不同的应用问题核函数参数的选择比较困难，对较复杂问题其分类精度不是很高，以及对大规模分类问题训练时间长等。由此，促生了对svm算法进行改进的研究热潮，并在从中孕育出了许多具有实用价值的优良改进算法。目前针对svm应用中出现的问题，主要针对svm的一些不足之处进行如下方面的改进和完善：
1. 对学习训练速度的改进：svm的训练速度与支持向量的数量有关，支持向量个数越大，训练的计算量就越大，识别的计算量也同样很大。于是，就需要提高svm的计算速度，以便于处理大规模问题。因此，降低支持向量数目、简化支持向量成为一项非常有意义的工作。
3. 研究的基本内容与计划
四．研究内容及计划：
本次课题研究的内容是针对传感器网络的节点由于低功耗的因素，采集的数据存在一定的误差，所以需要进行数据的校正。支持向量机是一种很强的数据分析的理论，利用支持向量机各种核函数进行数据的分析。为此所需要展开的计划为：
4. 研究创新点
五．特色与创新：
实践是解决问题的根本方法，本次课题通过了解传感器网络的运用，针对解决修正误差问题模拟进行传感器网络数据的测量，比如温度、声音、振动、压力、运动或污染物，其中以温度测量为例，运用支持向量机技术找到回归线，计算出传感器节点由于低消耗而造成的误差，最后进行传感器网络节点测量值的修正。
