无人系统多模态视觉感知单元测试与评估方法的研究

提出一种通用的基于视觉传感器的无人系统多模态视觉感知平台的测试与评估的方法,研究了可见光波段和红外光波段下的动态测距实验与复杂光变测距实验. 整个过程采用基于北斗卫星实时授时的时间同步技术和真值采集设备,输出带有时间戳的无人系统多模态感知单元的测量数据和真值数据,并保证了不同设备之间的时间同步误差小于10 ms. 最后,对比测量数据和真值数据,给出测试设备的性能与功能的量化评估. 实验结果表明,该测试评估方法有效地获取了真值,并进行了时间同步,满足实际的需求,具备推广性.     

基于移动社交网络的群智感知社群化任务分发

针对传统的“平台-用户”移动群智感知任务分发方式在任务执行鲁棒性以及数据回收方面存在的缺陷与不足,以群智感知参与用户的群体社会属性为基础,提出一种“平台-社群-用户”的社群化任务分发方法.基于参与用户时空移动特征分布的近似度计算对用户进行动态社群划分聚类,通过在社群中设置社群组织者与社群从属者角色,同时引入社交亲密度连接关系网络等模型,构建移动群智感知任务初次社群分发与二次用户选择的方法.基于WTD公开数据集上的实验结果表明,与传统的任务分发方式相比,所提方法可可有效提升任务完成率,增强执行过程的鲁棒性,同时可减少任务分发次数、降低通信负载.     

基于消错决策理论的数据质量评估方法

针对移动群智感知中数据质量难以保障和评估的问题,从规避错误的角度出发,提出了一种基于消错决策理论的移动群智感知数据质量评估方法。通过引入消错决策理论来评估移动用户所提供的感知数据质量,对低质量及异常数据进行识别;考虑到不同感知任务具有不同的数据质量需求,引入权值因子实现数据质量的排序与优化评估。实验结果表明:所提出的方法不仅达到了对低质量和异常数据的准确识别的目标,还实现了对不同任务下的数据质量按需排序。在对低质量和异常数据识别方面,相对于拉依达准则,具有更高的识别准确性;在对数据质量排序上,相对于理想点法、TOPSIS法,具有准确性高和简单高效的优点。     

基于SNR比较的协作感知用户选择问题的研究

在实际情况的认知无线电环境下,由于认知用户的感知可靠性存在差异,并不是参与协作的认知用户越多,感知性能越好.综合考虑协作的必要性与协作的增益两方面因素,提出了一种基于信噪比(SNR)比较的协作感知用户选择方案.理论分析及仿真结果一致表明:该方法在有效地提高频谱感知检测性能的同时,减小了参与协作感知的用户数目,提高了协作效率.     

基于证据预处理的协作频谱感知方法

针对传统基于DS证据理论的协作频谱感知方法中,由于信道环境的复杂性和DS合成公式的弊端,导致的证据悖论问题,本文提出了基于证据预处理的协作频谱感知方法。该方法对证据值预处理,利用静态权重提高自身可靠性,并利用动态权重确定冲突数据并修正,提出的合成公式对预处理后的证据值进行融合并判决。仿真结果表明:该方法能有效解决证据悖论问题,提高检测性能,鲁棒性强,适用于故障感知用户少于正常感知用户的情况。     

认知无线电网络中压缩协作频谱感知

低频谱利用率条件下的信道状态向量具有稀疏性,为降低认知无线电网络中各个认知用户的频谱感知冗余,基于压缩感知技术提出了一种低复杂度的协作频谱感知方法. 仿真结果表明,通过稀疏观测矩阵提高了单个认知用户感知过程的速度和效率;在融合中心对观测数据进行重构过程中使用因子图迭代算法,大幅降低了计算难度;同时可以根据认知网络中的频率使用情况,自适应调整认知用户的感知点数,确保整个网络的高效感知.     

基于TCP数据包层分析的移动互联网用户体验的评估方法

根据现有移动互联网管理体系架构,在网络边缘节点测量的基础上提出了一种基于传输控制协议（TCP）数据包层分析的用户体验评估方法.该方法可适用于单用户粒度,从用户行为以及用户感知两个方面定性和定量评估用户体验.在用户行为评估中,通过分析TCP数据包标志位的交互序列,着重关注网页刷新这一重要行为.在用户感知评估中,通过3套粗细粒度各不相同的计算方法覆盖不同粒度的管理需求,测量结果可最终通过相应的数学模型与平均意见得分值关联.     

认知无线电网络中安全的合作频谱感知

在建立认知无线电网络威胁模型的基础上,分析了恶意攻击下传统合作频谱感知算法性能的下降程度. 为了对抗恶意用户对频谱感知协议的攻击,提出了一种基于信誉的加权合作频谱感知算法. 该算法根据每个认知用户的历史行为更新其信誉值,再利用信誉值为每个认知用户分配加权因子,最后进行加权融合及判决. 仿真结果表明,在威胁环境下新算法优于传统合作频谱感知算法.     

基于多尺度特征Transformer的细粒度图像分类方法

针对细粒度图像分类任务的长尾分布问题，提出了一种基于多尺度特征Transformer的细粒度图像分类方法，实现了底层与深层特征的保护并优化了长尾分布。首先，设计了混合数据采样方法，获取用于优化表征学习、长尾分布和细粒度特征的三元组数据；然后，设计了Transformer多尺度特征优化方法，分别通过底层特征对比学习方法与深层特征平衡学习方法优化特征学习过程，改善类别混淆和细粒度特征的提取，在保护头部类别特征学习的同时增加对尾部类别的关注。仿真结果表明，所提方法可以有效地改善细粒度图像分类任务中长尾分布带来的影响，优化特征分布，提高分类准确率。     

基于贝叶斯和Bootstrap方法的传感器网络节点可靠性评估

针对传感器节点故障样本数据较少和传统可靠性评估方法无法有效进行评估的问题,提出了基于贝叶斯理论在小样本数据下采用Bootstrap方法依据原生样本平均无故障间隔时间进行多次抽样生成再生样本的分布,选取Weibull分布为验前分布,推导确定可靠性的验后分布.通过仿真分析,验证了小样本数据下传感器节点可靠性评估结果的准确性,为小样本数据下的可靠性评估提供了新的思路和方法.     

移动群智感知平台设计与实现

为了利用移动智能设备上闲置的传感器资源,对移动群智感知平台应用进行设计,在Android系统下完成应用开发工作. 应用程序可以适配移动智能设备具备的传感器类型,获取多源传感数据完成感知任务;使用任务模版引导用户发布任务的方式,简化任务发布过程,能够面向多领域、多类型的感知任务完成传感数据收集. 框架设计模型－视图－控制器（MVC）模式,设计了2个用户界面层次和5个功能模块. 核心功能为感知任务的发布与接收,能够让使用者作为任务发布者,将当前待解决的问题作为感知任务在移动群智感知平台上发布;能够让使用者作为任务接受者领取并完成感知任务. 应用程序在1 000个感知任务显示的仿真实验下,保持良好的响应速度和性能.     

Recommending Personalized POIs from Location Based Social Network

Location based social networks (LBSNs) provide location specific data generated from smart phone into online social networks thus people can share their points of interest (POIs).POI collections are complex and can be influenced by various factors,such as user preferences,social relationships and geographical influence.Therefore,recommending new locations in LBSNs requires to take all these factors into consideration.However,one problem is how to determine optimal weights of influencing factors in an algorithm in which these factors are combined.The user similarity can be obtained from the user check-in data,or from the user friend information,or based on the different geographical influences on each user's check-in activities.In this paper,we propose an algorithm that calculates the user similarity based on check-in records and social relationships,using a proposed weighting function to adjust the weights of these two kinds of similarities based on the geographical distance between users.In addition,a non-parametric density estimation method is applied to predict the unique geographical influence on each user by getting the density probability plot of the distance between every pair of user's check-in locations.Experimental results,using foursquare datasets,have shown that comparisons between the proposed algorithm and the other five baseline recommendation algorithms in LBSNs demonstrate that our proposed algorithm is superior in accuracy and recall,furthermore solving the sparsity problem.     

Recommending Personalized POIs from Location Based Social Network

Location based social networks (LBSNs) provide location specific data generated from smart phone into online social networks thus people can share their points of interest (POIs).POI collections are complex and can be influenced by various factors,such as user preferences,social relationships and geographical influence.Therefore,recommending new locations in LBSNs requires to take all these factors into consideration.However,one problem is how to determine optimal weights of influencing factors in an algorithm in which these factors are combined.The user similarity can be obtained from the user check-in data,or from the user friend information,or based on the different geographical influences on each user's check-in activities.In this paper,we propose an algorithm that calculates the user similarity based on check-in records and social relationships,using a proposed weighting function to adjust the weights of these two kinds of similarities based on the geographical distance between users.In addition,a non-parametric density estimation method is applied to predict the unique geographical influence on each user by getting the density probability plot of the distance between every pair of user's check-in locations.Experimental results,using foursquare datasets,have shown that comparisons between the proposed algorithm and the other five baseline recommendation algorithms in LBSNs demonstrate that our proposed algorithm is superior in accuracy and recall,furthermore solving the sparsity problem.     

基于LSTM的内部用户安全行为评估方法

内部用户安全行为评估方法由于较少考虑用户操作行为的前后关联性,导致用户操作行为评估的准确率受到影响。针对该情况,结合长短期记忆网络（LSTM）适合处理时间序列问题的特性,提出了一种基于LSTM的内部用户安全行为评估方法。该方法首先对数据作向量化处理;然后按照N vs 1方案进行数据划分,利用LSTM算法对已知用户操作行为习惯进行统一建模;最后使用双峰阈值（bimodal threshold）机制来确定判决阈值,并对用户操作行为进行评估。实验结果表明,该方法的数据划分方案提升了其检测未知用户操作异常的能力,而且通过引入双峰阈值机制,提高了其检测未知用户异常操作的查准率与查全率。     

一种基于信誉度量的点对点资源共享机制与实现

信息资源共享的效果取决于用户分享信息的动因和分享信息的质量.在移动互联网场景下,为了激励用户分享高质量的信息资源,设计了基于信誉度量的资源共享机制,提出了基于信誉度量的资源与用户匹配方法实现用户信息需求的精确匹配,通过用户信誉的更新方法实现用户分享动因和分享资源质量的动态评价.构建移动互联网点对点信息资源共享平台,实现基于信誉度量的资源共享机制.大规模仿真实验和基于真实平台的实验结果表明,该机制有效提高了用户的资源共享率和共享资源的质量.     

微博个性化转发行为预测新算法

目前,对微博转发行为预测主要是对所有微博用户的历史数据进行学习,从而得到转发模型.但是这类模型需要对所有用户的转发行为进行全局预测,存在同质性且无法对具体用户进行个性化预测的缺陷.针对这些问题,提出了基于多任务学习的个性化微博转发行为预测算法.对新浪微博进行了数据抓取、分析和特征选择,根据社会学中影响力的理论,针对微博用户之间进行社交信息交流而导致相互影响的特点,引入了多任务学习方法,以逻辑回归预测模型作为基准算法,将预测模型分为全局模型与个性模型进行学习.预测模型把对每个用户转发行为的预测对应为多个任务,根据微博用户间的社交交互对这些任务进行关联.实验结果表明,所提出的模型能够有效地对单个用户的微博转发行为进行预测,并且提高了转发行为预测的准确率.     

基于门控循环单元与主动学习的协同过滤推荐算法

针对传统协同过滤推荐算法存在无法反映用户短时兴趣的问题,提出一种基于门控循环单元(gated recurrent unit, GRU)神经网络与主动学习的协同过滤推荐算法。在采用GRU神经网络的基础上,将数据进行时序化处理,反映用户兴趣变化,并利用主动学习动态采样数据中的高质量的数据进行GRU神经网络的训练,使模型快速建立。在MovieLens1M数据集上的试验结果表明:加入主动学习的GRU模型的推荐算法比基于用户的协同过滤推荐算法(user-based collaborative filtering, UCF)、基于马尔科夫模型的协同过滤推荐算法(markov chain, MC)、基于隐语义模型的协同过滤推荐算法(latent factor model, LFM)算法有更高的短时预测率、召回率、项目覆盖率以及用户覆盖数,能够有效预测用户短时兴趣,提升精度,发掘长尾物品,且与原始GRU模型相比能够以更少的迭代次数达到相同效果。     

具有隐私保护的车联网空间众包任务分配方法

为了解决传统车联网空间众包中集中式空间众包服务器不可信和易遭受攻击给用户隐私带来极大威胁的问题,提出区块链架构下具有隐私保护的车联网空间众包任务分配方法. 基于区块链技术,设计分布式可信的车联网空间众包系统. 采用多密钥全同态加密算法实现任务分配,支持对不同车辆用户 (密钥) 的密文数据进行任务分配,降低隐私泄露的可能性. 实验分析表明,采用该方法能够有效地保护用户隐私信息,任务分配的计算时间开销与现有研究方法相比下降了34.3%,提高了任务分配的效率.     

面向6G网络的联邦学习资源协作激励机制设计

第6代(6G)移动通信在满足人类智能通信需求的同时, 也给用户数据的安全与隐私保护带来了极大挑战。为此, 基于联邦学习的分布式机器学习架构应运而生。然而, 在联邦的模型训练过程中, 移动设备会产生大量计算和通信开销。自私的移动设备不愿意参与模型训练, 这将降低联邦学习性能。本文基于迭代双边拍卖设计了一种有效的联邦学习资源协作激励机制, 任务计算终端作为卖方, 任务请求终端作为买方, 本地接入点根据买卖双方的出价做出模型训练时延和相应定价决策, 在买卖双方信息非对称情况下最大化联邦学习市场总效用。仿真实验表明, 所提机制具有良好的收敛性, 可显著提高联邦学习的准确率, 同时降低训练损失。     

差分隐私轨迹数据保护方案

针对当前用户轨迹隐私信息易泄露的问题,提出了一种差分隐私轨迹数据保护方案。该方案在基于位置服务请求用户身份匿名化处理的基础上,采用差分隐私技术对用户的轨迹数据集进行加噪生成轨迹噪声数据集;然后用轨迹加噪后的伪用户替代真实用户执行基于位置的服务请求,从而实现用户身份、轨迹和查询信息的隐私保护。通过安全性分析,所提方案具有匿名性、不可伪造性和抗假冒攻击等安全特性。仿真实验表明,所提方案不仅具有较好的数据可用性,也有一定的效率优越性。