基于BTM的物联网服务发现方法

针对物联网（IoT）服务描述文本篇幅较短、特征稀疏,直接采用传统的主题模型对IoT服务建模得到的聚类效果不佳,从而导致无法发现最佳服务的问题,提出了一种基于BTM的IoT服务发现方法。该方法首先利用BTM挖掘现有IoT服务的隐含主题,并通过全局主题分布和主题-词分布计算推理得到服务文档-主题概率分布;其次利用K-means算法对服务进行聚类,并返回服务请求的最佳匹配结果。实验结果分析表明,该方法能够有效提高IoT服务的聚类效果,从而得到匹配的最佳服务。与现有的HDP（Hierarchical Dirichlet Process）、基于K-means的隐狄利克雷分配（LDA-K）等方法相比,该方法进行最佳服务发现的准确度（Precision）和归一化折损累积增益（NDCG）均有一定幅度的提高。     

基于DHT分布式的物联网发现服务

针对EPCglobal提出的发现服务,在整个供应链中查找物品的信息存在的缺陷,提出了一个基于DHT分布式的发现服务。该方法采用分布式的散列算法为每个参与的节点分配一个标识符,并且每个节点维护一个缓存表用于存储已经查找过的供应链的相关信息,使每个供应链节点都能参与信息的查找,从而消除了中央服务器的概念。通过程序测试对提出的发现服务进行了分析,表明了该方法能够有效地提高网络容量的利用率,解决了负载不平衡等问题。     

物联网服务发现初探:传统SOA的可行性和局限性

基于SOA(service-oriented architecture)的物联网(Internet of things,IoT)把设备的功能服务化,以一种统一和通用的接口向外界提供服务。由于物联网中设备的海量性、移动性和资源高度受限性,以及无线网络自身的不可靠性,设备服务与传统的Web服务相比具有不同的特点,现有的Web服务发现方法不能有效地满足物联网中服务发现的需求。从Web服务发现体系结构和匹配策略两个方面对典型的Web服务发现方法进行了分析;结合物联网中服务提供的特点,从可扩展性、资源有限性、异构性和环境的动态变化性四个方面,分析了将Web服务发现方法应用于物联网服务提供中所面临的问题,并讨论了可能的解决思路;探讨了物联网中服务发现需要解决的问题。     

基于抽象服务和概率的服务发现方法

服务匹配是Web服务发现中的一个重要部分.随着Internet上Web服务的日益增多,如何从海量的服务中,迅速地找到令请求者满意的Web服务是研究者追求的目标.提出抽象服务的概念,提高了服务发现效率;给出了一种基于概率的Web服务选择算法,考虑了Web服务使用历史,让服务请求者在较短时间内得到所需的Web服务.     

基于Sentence-LDA主题模型的短文本分类

短文本特征稀疏、上下文依赖性强的特点,导致传统长文本分类技术不能有效地被直接应用。为了解决短文本特征稀疏的问题,提出基于Sentence-LDA主题模型进行特征扩展的短文本分类方法。该主题模型是隐含狄利克雷分布模型（Latent Dirichlet Allocation, LDA）的扩展,假设一个句子只产生一个主题分布。利用训练好的Sentence-LDA主题模型预测原始短文本的主题分布,从而将得到的主题词扩展到原始短文本特征中,完成短文本特征扩展。对扩展后的短文本使用支持向量机（Support Vector Machine, SVM）进行最后的分类。实验显示,与传统的基于向量空间模型（Vector Space Model,VSM）直接表示短文本的方法比较,本文提出的方法可以有效地提高短文本分类的准确率。     

基于卡方特征选择和LDA主题模型的中文短文本分类

中文短文本自身包含词汇个数少、描述信息能力弱,常用的文本分类方法对于短文本分类效果不理想。同时传统的文本分类方法在处理大规模文本分类时会出现向量维数很高的情况,造成算法效率低,而且一般用于长文本分类的特征选择方法都是基于数理统计的,忽略了文本中词项之间的语义关系。针对以上问题本文提出基于卡方特征选择和LDA主题模型的中文短文本分类方法,方法使用LDA主题模型的训练结果对传统特征选择方法进行特征扩展,以达到将数理信息和语义信息融入分类算法的目的。对比试验表明,这种方法提高了中文短文本分类效果。     

基于卡方特征选择和LDA主题模型的中文短文本分类

中文短文本自身包含词汇个数少、描述信息能力弱,常用的文本分类方法对于短文本分类效果不理想。同时传统的文本分类方法在处理大规模文本分类时会出现向量维数很高的情况,造成算法效率低,而且一般用于长文本分类的特征选择方法都是基于数理统计的,忽略了文本中词项之间的语义关系。针对以上问题本文提出基于卡方特征选择和LDA主题模型的中文短文本分类方法,方法使用LDA主题模型的训练结果对传统特征选择方法进行特征扩展,以达到将数理信息和语义信息融入分类算法的目的。对比试验表明,这种方法提高了中文短文本分类效果。     

基于意图的物联网服务描述与发现

在物联网服务发现过程中,用户通常用自己的意图表达需求,而服务描述是对服务功能的说明,因此两者的不匹配会影响服务发现的准确率。同时随着服务的种类不断增多,服务发现的准确率不断降低。为了解决上述问题,提出在物联网服务描述中引入意图服务本体的方法,并在意图服务本体中扩展服务上下文和QoS。扩展后的意图服务本体存储在语义化服务描述OWL-S文件中,能够以意图的方式表达服务功能,丰富物联网服务描述的语义,提高服务发现的准确率。仿真结果表明,所提服务描述方法以及相应的服务发现算法相对于传统服务发现方法能提升6.7%的准确率。     

基于WordNet的Web服务发现模型

针对目前语义Web服务发现机制只能基于一个本体发布,查找的缺点,结合WordNet本体库与OWL-S语义描述语言设计一个语义明确的Web服务发现模型。该模型中采用OWL-S对Web服务进行语义描述,对领域相关本体中的概念进行预处理,以WordNet提供的术语语义为基础,建立一个全局领域相关本体。这种全局领域本体建立方法避免了因对概念理解不统一而产生的不一致性,得到的本体易于扩展。     

基于本体的Web服务发现模型研究

针对传统的Web服务发现机制查准率低的缺点，结合本体技术与OWL-S语义描述语言设计一个Web服务发现模型。该模型主要包括查询处理器、领域本体库和发现引擎三个模块，通过在领域内共同的语义理解基础上抽取服务查询信息中所需的功能信息以及对服务广告信息的语义描述，实现针对服务功能信息的语义匹配，从而提高服务的查准率。     

基于无线传感器的物联网网络拓扑发现算法研究

在基于无线传感器的物联网中,由于传感器硬件设备的局限性和动态性,以及组成的网络通信带宽有限等,在网络中准确、及时地获取网络的拓扑信息变得非常困难,而如何全面、准确、快速地进行网络拓扑发现对于物联网的网络管理、故障定位和拥塞控制等研究和更多的上层应用具有重要的意义。提出了一种基于移动代理的模糊动态拓扑发现算法的设计方案。不仅通过构造网络模糊拓扑信息的处理方法和移动代理的迁移、活跃度等相关策略模型,给出了移动代理和传感器节点的最优拓扑发现数量比,而且还根据模糊知识处理已有的研究,获得了完整的基于传感器的物联网网络拓扑发现算法。通过实验验证表明,本算法不仅改进了网络拓扑的发现效率,并且具有较小的网络能耗等。     

基于物联网的旅游安全监测信息服务站的设计与实现

针对高海拔景区安全监测与管理问题,提出了基于物联网的旅游安全监测信息服务站架构,建立了信息服务主站和分站,由景区安全信息服务中心主站和游客位置、地质灾害、视频监控等信息服务分站组成。主站将分站现场实时获取的地质灾害信息、游客位置信息和视频图像存储在本地服务器或经由3G传输到指挥中心,实现为应急救援机构、旅行社与计划出行的游客等提供预警信息服务。     

基于互联网基础的物联网安全问题

对物联网所面临的安全问题进行了分析和总结。针对物联网中存在的各种问题进行了深入研究,希望在发展物联网的同时,首先要重视其安全问题。     

利用概率主题模型的微博热点话题发现方法

微博具有长度短、实时传播、结构复杂以及变形词多等特点,传统的向量空间模型（VSM）文本表示方法和隐含语义分析（LSA）无法很好的对其进行建模。提出了一种基于概率潜在语义分析（pLSA）和 K 均值聚类（Kmeans）的二阶段聚类算法,此外通过定义微博热度分析和排序,有效地支持微博热点话题发现。实验表明,此方法能有效地进行话题聚类并检测出热点话题。     

ACT-LDA:集成话题、社区和影响力分析的概率模型

随着社交网络的发展,社交网络中的用户形成大规模的用户关系图,用户在社交网络中发表内容,这些内容及其链接关系形成大规模的文档图.如何根据用户关系图、文档图,挖掘出用户所形成的社区、社区用户的影响力以及各个社区的话题,是重要的问题,而目前这些工作相对独立.考虑了用户发表内容、用户之间的关系信息,利用话题传播、社区形成和用户影响力之间的关联性,提出了一个基于LDA (latent Dirichlet allocation)的集成话题发现、社区发现和用户影响力分析的统一模型ACT-LDA(author-community-topic LDA).模型采用变分推理的方法解决推理问题.在DBLP数据上进行了实验,取得了非常好的结果,证明了模型的有效性.     

基于RFID技术的物联网应用

从RFID技术出发,结合物联网的应用模式,分析了RFID技术在产品生产和管理上的可行性,结合物联网的应用模式,并对RFID技术在物联网领域的应用进行了探析。     

文本分类中基于概率主题模型的噪声处理方法

训练集中文本质量的好坏直接决定着文本分类的结果。实际应用中训练集的构建不可避免地会产生噪声样本,从而影响文本分类方法的实际应用效果。为此,针对文本分类中的噪声问题,本文提出一种基于概率主题模型的噪声处理方法,首先对训练集中的每个样本计算其类别熵,根据类别熵对噪声样本进行过滤;然后利用主题模型进行数据平滑,进一步减弱噪声样本的影响。这种方法不但能够减弱噪声样本对分类结果的影响,同时还保持了训练集的原有规模。在真实数据上的实验表明,该方法对噪声样本的分布具有较好的鲁棒性,在噪声比例较大的情况下仍能保持较好的分类结果。     

基于物联网的智能矿山体系研究

在分析智能矿山建设现状的基础上,提出了一种基于物联网的智能矿山体系架构方案;详细介绍了矿山物联网的结构及智能矿山应用体系的构建。该方案对煤炭企业建设物联网系统具有一定的参考作用。