近年來(lái),隨著移動(dòng)智能終端迅速普及,大量用戶(hù)隨身攜帶或車(chē)載的智能設(shè)備通過(guò)移動(dòng)網(wǎng)絡(luò)互聯(lián),進(jìn)行有意識(shí)或無(wú)意識(shí)的協(xié)作,共同完成大規(guī)模感知任務(wù),正成為一種物聯(lián)網(wǎng)感知的新模式,即“群智感知”。與傳統(tǒng)主動(dòng)部署的傳感器網(wǎng)絡(luò)相比,群智感知網(wǎng)絡(luò)能夠充分利用現(xiàn)有的網(wǎng)絡(luò)、設(shè)備資源,靈活地完成多樣化的感知任務(wù)。但是由于“以人為中心”的特點(diǎn),群智感知節(jié)點(diǎn)符合人的時(shí)空行為模式,時(shí)空分布呈現(xiàn)出顯著的非均勻性和動(dòng)態(tài)性,導(dǎo)致在群智感知網(wǎng)絡(luò)監(jiān)測(cè)區(qū)域內(nèi)出現(xiàn)許多感知薄弱區(qū)甚至是感知盲區(qū)。如何有效減少感知薄弱區(qū),實(shí)現(xiàn)群智感知質(zhì)量增強(qiáng)成為亟待解決的問(wèn)題。為此,本文從節(jié)點(diǎn)資源配置、相關(guān)感知數(shù)據(jù)融合、感知數(shù)據(jù)結(jié)構(gòu)特征學(xué)習(xí)三個(gè)方面展開(kāi)研究,提出了一系列感知質(zhì)量增強(qiáng)方法。具體來(lái)講,本文的主要貢獻(xiàn)如下:（1）提出群智感知增補(bǔ)節(jié)點(diǎn)規(guī)模預(yù)估方法。增大感知節(jié)點(diǎn)規(guī)模是增強(qiáng)群智感知網(wǎng)絡(luò)時(shí)空覆蓋能力、減少感知薄弱區(qū)域的一種直接方式。然而,現(xiàn)有的研究工作顯示城市人群有其特定的行為模式,群體規(guī)模與網(wǎng)絡(luò)時(shí)空覆蓋能力之間呈現(xiàn)出環(huán)境相關(guān)的復(fù)雜非線性關(guān)系。為此,我們結(jié)合城市場(chǎng)景信息建模與節(jié)點(diǎn)規(guī)模尺度分析,設(shè)計(jì)了場(chǎng)景信息融合的節(jié)點(diǎn)軌跡生成方法,提升了滿(mǎn)足感知質(zhì)量約束... 

【文章來(lái)源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：120 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖１－３非均勻分布節(jié)點(diǎn)采樣與網(wǎng)格化分布節(jié)點(diǎn)采樣??

圖１－４?覆蓋間隔時(shí)間??

第一章緒論??研究問(wèn)題?應(yīng)對(duì)途徑?存在挑戰(zhàn)??￣ｗ￣?丨船ｔ—丄－￣?Ｉ群智感知節(jié)點(diǎn)規(guī)模與感知�。�??智?＾?…＾弱區(qū)之間的關(guān)系難以建模Ｉ??感??知??２?＿?Ｉ不同維度上的感知數(shù)據(jù)信息??５?—＾感知數(shù)據(jù)－合《￣－?難以融合??愁???—Ｉ??知??薄??????弱?１感知數(shù)據(jù)結(jié)構(gòu)｜在非均勻布局節(jié)點(diǎn)的情況下??Ｅ?＾＾?特征學(xué)習(xí)?￣＾?數(shù)據(jù)結(jié)構(gòu)特征難以獲取??圖１－５?論文研究問(wèn)題、應(yīng)對(duì)途徑以及存在的挑戰(zhàn)??相較于傳統(tǒng)表征方式的巨大優(yōu)勢(shì)，必然促進(jìn)壓縮感知技術(shù)的進(jìn)步與發(fā)展。文獻(xiàn)［９６］，??首次證實(shí)了基于稀疏編碼的數(shù)據(jù)重建（填充）過(guò)程［９７］與基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)重建??（填充）過(guò)程的等價(jià)性，并利用基于神經(jīng)網(wǎng)絡(luò)的深度表征技術(shù)取得了優(yōu)于傳統(tǒng)方法??的數(shù)據(jù)重建（填充）效果。文獻(xiàn)［９８］首次將圖像“超分辨率”的概念應(yīng)用于對(duì)交通??流量數(shù)據(jù)感知重建過(guò)程中，研宄人員利用對(duì)抗神經(jīng)網(wǎng)絡(luò)模型（Ｇｅｎｅｒａｔｉｖｅ?Ａｄｖｅｒｓａｒｉａｌ??Ｎｅｔｗｏｒｋｓ，?ＧＡＮ），建立了不同感知粒度下交通流量感知數(shù)據(jù)間的映射關(guān)系，從而實(shí)??現(xiàn)了高質(zhì)量的交通流量感知數(shù)據(jù)填充。類(lèi)似的工作還有文獻(xiàn)［９９］利用卷積神經(jīng)網(wǎng)絡(luò)模??型（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，ＣＮＮ），學(xué)習(xí)城市出租車(chē)交通流的模式，進(jìn)而預(yù)??測(cè)（填充）下一個(gè)時(shí)刻城市交通流的時(shí)空分布矩陣。然而，目前基于深度表征的信??號(hào)重建過(guò)程，皆面向一種“網(wǎng)格化”分布節(jié)點(diǎn)的數(shù)據(jù)感知（采樣）過(guò)程，而這與群??智感知網(wǎng)絡(luò)節(jié)點(diǎn)非均勻感知（采樣）的過(guò)程不符。因此，這類(lèi)方法目前尚不能直接??應(yīng)用于提升群智感知數(shù)據(jù)補(bǔ)全質(zhì)量。??

【參考文獻(xiàn)】：
期刊論文
[1]基于主動(dòng)學(xué)習(xí)和克里金插值的空氣質(zhì)量推測(cè)[J]. �；劬�,於志文,於志勇,安琦,郭斌.  大數(shù)據(jù). 2018(06)
[2]群智大數(shù)據(jù):感知、優(yōu)選與理解[J]. 郭斌,翟書(shū)穎,於志文,周興社.  大數(shù)據(jù). 2017(05)
[3]移動(dòng)群智感知質(zhì)量度量與保障[J]. 趙東,馬華東,劉亮.  中興通訊技術(shù). 2015(06)
[4]全球MODIS氣溫?cái)?shù)據(jù)的修正秩克里金插值分析[J]. 段悅,舒紅,胡泓達(dá),馬國(guó)銳.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2015(08)
[5]城市計(jì)算概述[J]. 鄭宇.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2015(01)
[6]協(xié)同過(guò)濾推薦技術(shù)綜述[J]. 冷亞軍,陸青,梁昌勇.  模式識(shí)別與人工智能. 2014(08)
[7]人類(lèi)行為時(shí)空特性的統(tǒng)計(jì)力學(xué)[J]. 周濤,韓筱璞,閆小勇,楊紫陌,趙志丹,汪秉宏.  電子科技大學(xué)學(xué)報(bào). 2013(04)
[8]利用時(shí)空Kriging進(jìn)行氣溫插值研究[J]. 李莎,舒紅,徐正全.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2012(02)
[9]Internet of Things:Objectives and Scientific Challenges[J]. 馬華東.  Journal of Computer Science & Technology. 2011(06)
[10]壓縮感知研究[J]. 戴瓊海,付長(zhǎng)軍,季向陽(yáng).  計(jì)算機(jī)學(xué)報(bào). 2011(03)



本文編號(hào)：3579644