论文部分内容阅读
群智感知可分为被动群体计算和主动参与式感知两种场景。在被动群体计算的场景,需要解决的问题是:如何在保证收集感知数据准确性的前提下,大范围细粒度地感知环境。特别是在稀疏感知数据的情况下,如何保证感知数据准确性并且恢复出未感知区域的数据,从而生成高分辨率的空气污染浓度地图,更是一个具有挑战的问题。在主动参与式感知的场景下,很难在样本量不足的情况下从感知数据中提炼出通用的模型完成迁移学习。如何能够在感知数据稀疏的小样本场景下,学习出通用的模型同样也是一个亟待解决的问题。此外,在主动参与式感知场景下,还存在如何吸引更多的用户加入到感知系统中的问题。当感知任务消耗过多用户感知设备电量和计算资源的时候会严重影响到用户加入感知任务的积极性,从而很难吸引更多的用户加入感知任务。为解决上述问题,本文分别对被动群体计算和主动参与式感知场景做了相关的研究,以改进的模拟退火算法、改进的蚁群算法等启发式算法以及贝叶斯估计理论作为理论基础,并结合前沿的深度学习技术,灵活的解决上述两个场景中的问题,主要工作成果如下:第一,为解决被动群体计算场景下,在保证收集感知数据准确性的前提下实现大范围细粒度感知环境的问题,本文提出了一种新的路径选择模型,该模型综合考虑了在线多跳数据校准和时空覆盖,该方法可以应用到被动群体计算场景中公交车作为感知设备的场景。基于路径选择模型,本文首先形式化表述了一种新颖的传感器载体选择问题(sensor carrier selection problem,SCSP)。其次,为了对 SCSP 问题的约束条件进行松弛,提出一种基于在线贝叶斯的协同校准(online Bayesian based collaborative calibration,OBCC)算法。然后,提出一种多跳校准判断算法(multi-hop calibration judgment algorithm,MCJA),基于 MCJA 算法,提出了一种启发式的传感器路径选择算法(sensor route selection algorithm,SRSA)来解决SCSP问题。最后,利用真实的空气污染数据和公交线路数据,对提出的解决方案进行了评估。实验结果表明,与传统方法相比,提出的解决方案可以在减少60%的移动传感器数量的情况下仍然能获得较高的时空覆盖率和数据精度。第二,为解决被动群体计算场景下,在稀疏感知数据情况下,如何保证感知数据准确性并且恢复出高分辨率的空气污染浓度地图的问题,本文主要研究如何在小样本的情况下,利用空气污染物的时空关联性进行数据重建,实现高精度大范围细粒度的空气污染物监测,该方法可以应用到被动群体计算场景中无人车、无人机作为感知设备的场景。为了提高数据重建的精度,提出了一种新的路径规划模型,该模型综合考虑了传感器的数据校准以及数据重建。基于这种路径规划模型,本文首先形式化表述了一种新的传感器路径规划问题(sensor route planning problem,SRPP),在此基础上,提出了一种启发式算法(sensor route planning algorithm,SRPA)来解决SRPP问题。仿真结果表明,与传统方法相比,提出的方法可以降低83%数据重建的均方根误差(RMSE)。第三,为解决主动参与式感知场景下,通过小样本学习出通用模型并完成迁移学习的问题,我们搭建了一个基于IoT的群智感知系统,连续收集了 16个月的拍摄空气污染的图像数据以及相关的手机镜头参数、拍摄位置和角度信息等多元异构数据,并利用异构数据与空气污染物的相关性实现了迁移学习,该方法可以应用到参与式感知场景中通过用户上传的图像推测出空气污染物浓度。进一步,本文对收集的空气污染图像数据与空气污染物浓度之间的关联性进行了深入研究,建立了基于图像信息的智能站点(image based intelligent station,IBIS)。系统将 IBIS分为两类,一类为学习类IBIS;一类为迁移类IBIS。学习类IBIS可以获取高精度的空气污染物浓度且用同样的拍摄角度收集图像。迁移类IBIS对图像的拍摄角度和地点没有任何限制,可以建立在任何地方。学习类IBIS将学习到的知识存储在知识库中,根据知识库,迁移类IBIS可以在不进行任何学习的情况下对空气污染物浓度进行估计。本文使用真实数据集,对迁移学习的性能进行了评估,评估实验结果表明提出的方法在小样本的场景下,很好的实现了迁移学习。第四,为解决主动参与式感知场景下,感知任务消耗过多用户电量及计算资源的问题,提出了一种通用的协同计算架构,该架构下感知用户被分为三种不同的角色,进而设计了协同计算的方法,该方法可以应用到参与式感知系统中降低感知任务对用户设备电量的消耗。群智感知系统会根据感知用户之间的相对位置以及物理连通性,动态为用户分配角色并指定角色持续的时间,不同角色通过协同计算共同完成感知任务。具体来说,本文首先形式化表述了广播者集合选择问题(broadcaster set selection problem,BSSP),并证明了 BSSP问题是NP难问题,然后提出了两个启发式算法来解决BSSP问题。最后,使用真实的用户轨迹数据,对所提出协同计算方法进行了评估。评估实验结果表明,对于需要获取位置信息的感知任务,通过协同计算可以降低68%所有参与者的平均功率。