EasiTOD:一种降低传感器网络时效障碍物干扰的检测调节机制

时效障碍物是一类由于传感器网络周围环境因素的改变所造成无线链路通信质量下降的障碍物.针对周期性时效障碍物对传感器网络所产生的影响提出了EasiTOD(EasiNet timeliness obstacle detection)检测调节机制,该机制利用时效障碍物对传感器网络链路产生周期性干扰的特点,将链路质量的周期划分为链路稳定时期与链路波动时期,并针对不同时期的链路状态采取相应的检测调节方法.通过实测验证,无线链路采用EasiTOD机制可以有效地检测并降低周期性时效障碍物对无线网络通信的干扰,同时在保证无线链路通信可靠性的前提下尽可能地降低网络能耗,从而提高传感器网络的整体性能.     

基于新息理论的变点检测及其在长输管道泄漏监测中的应用

在ESPRT检测方法的基础上,结合新息过程给出了一种新的变点检测方法.利用ESPRT方法检测经新息模型产生的新息过程,实现了模型参数变点的非参数检测,扩展了ESPRT方法在实际应用中的适用范围.将该方法应用于长输管道泄漏故障监测时,利用基于BP神经网络的非线性时间序列预测方法建立了管道泄漏监测系统的新息模型以及泄漏检测模型.将上述监测方法应用于实验泄漏水管道,能在线实时有效地发现泄漏.     

基于出行方式及语义轨迹的位置预测模型

现有位置预测方法的研究多集中于对轨迹数据的挖掘和分析,而在如何通过轨迹数据中含有的信息内容以及外源数据以提高位置预测精确度方面的研究尚不深入,有很大研究空间.提出了一种挖掘语义轨迹信息并结合出行方式的未来位置预测模型,该模型首先可实现根据语义轨迹进行相似用户挖掘,并结合个人语义轨迹和相似用户位置轨迹得到频繁模式集合,最后结合2个集合对目标轨迹得到未来位置预测候选集;然后可实现对未来出行方式进行识别,同时结合历史出行方式和位置轨迹数据,建立Markov模型对未来位置进行预测得到候选集,最后结合前一部分的候选集得到最终未来位置结果.此模型不仅能结合语义轨迹挖掘相似用户的行为活动,还可同时融合出行方式的外源数据克服位置轨迹的局限性.实验验证表明：该模型能对日常生活中的轨迹位置数据进行预测并达到86%的精确度,同时在不同的频繁模式支持度下,其精确度都比未结合出行方式模型时平均高出5%,因此本模型对位置预测结果的提高具有有效性.     

EasiFFRA:一种基于邻域粗糙集的属性快速约简算法

从高维异构感知信息中提取有效特征是支撑物联网系统预测与识别的基础.物联网场景中通常包括多个多种感知节点,系统通常会从感知数据中提取大量特征,其中不乏部分无关和冗余特征.这些无关及冗余特征会降低系统的运行速度,引入冗余计算,更会影响后续的分类及预测等机器学习操作的性能.因而高效识别并提取低维有效的特征子集是物联网数据分析所面临的一大挑战.邻域粗糙集方法能够在保持数据集可分性的前提下,识别和去除无关及冗余特征子集,从而达到降维效果.但由于现有基于邻域粗糙集的特征约简算法的计算开销大、运行时间长,故而并未得到广泛应用.提出了一种基于邻域关系对称性及决策值过滤策略的特征快速约简算法EasiFFRA.EasiFFRA可通过改进的散列分桶方法加速正域样本计算,可检验并过滤冗余决策值样本,从而降低现有方法中由于重复距离评估所带来的冗余计算.实验结果表明：EasiFFRA在实际采集的水质数据集和多个不同样本量及维度的公开数据集中平均加快75.45%的特征约简时间,其约简结果和已有邻域粗糙集特征约简算法等效,可有效解决物联网数据分析中由冗余及无关特征导致的分类及预测精度下降问题,有重要应用价值.     

无线传感器网络研究进展

无线传感器网络因其巨大的应用前景而受到学术界和工业界越来越广泛的重视.介绍了无线传感器网络的基本概念以及具有应用代表性的研究项目,总结提出了网络协议体系结构框架并简要介绍了各主要研究方向的最新进展,本文还针对最受关注的数据链路层协议、网络层路由协议、协议栈优化、能耗管理以及网络仿真技术等几个研究热点做了比较详细的研究进展综述.     

EasiRCC：面向智能家居的规则匹配与冲突消除方法

在智能家居中,规则间的冲突问题会直接影响系统的稳定性,针对智能家居的规则冲突问题,提出了一种新型的快速规则匹配和冲突消除方法EasiRCC.解决冲突问题,首先要解决规则的匹配问题,现有的规则匹配方法频发重复匹配现象,造成了系统资源的浪费,针对规则的重复匹配问题,提出了一种基于散列函数寻址方式的快速规则匹配算法EasiRMA,提高了规则匹配效率.其次要解决冲突的消除问题,现有的方法都是采用固定优先级方法来消除冲突,但是却增加了用户制定规则的复杂度,因此提出了一种混合优先级调度机制,使系统可以实时地自适应调整规则的执行优先级.实验结果显示:EasiRCC的规则匹配效率不会随着规则数的增多而变化,其时间复杂度为常数,而传统的匹配方法为O(N),并且在不影响用户正常家居生活的前提下,能够有效地消除规则冲突.     

一种针对移动全覆盖问题的节点移动策略

在传感网和物联网的大力发展过程中,覆盖问题始终是该领域关注的核心问题.目前在诸多应用中,网络部署受各类影响因素的制约以及传感设备自身条件的限制,无法实现监测区域的完全覆盖.但如果借助某些特定的移动设备并按照有针对性的移动策略实施移动覆盖,就可以实现监测区域内的补全覆盖.基于此应用提出了一类新的覆盖问题——移动全覆盖问题,即在网络稀疏覆盖的环境下,利用移动节点的移动覆盖实现监测区域的全覆盖问题.针对该问题提出了分而治之的节点移动策略.首先,按照移动节点通信半径将整个监测区域划分成多个子区域;其次,以四叉树分层遍历的策略作为移动节点在子区域间的移动方案;最后,针对每个子区域内静态节点的覆盖状况制定相应的区域内的移动策略.实验结果表明采用本文提出的移动策略可以实现在移动节点移动较小距离的前提下达到整个区域的全覆盖,从而解决了稀疏网络环境下的全覆盖问题.     

酶解与发酵联合处理对牛蒡根风味的影响

用酶解和发酵联合处理新鲜牛蒡根,在活性多糖充分溶出的基础上,通过乳酸菌发酵改善牛蒡根的不良风味。以牛蒡酶解液中多糖含量和风味评分为指标,通过正交试验确定酶解最佳条件为:纤维素酶添加量4%,料液比1∶6,温度55 ℃,酶解时间1.5 h,超声功率200 W。气相色谱-质谱联用(GC-MS)分析显示,醛类及萜烯类化合物例如苯乙醛、Β-瑟林烯、A-姜黄烯是引起牛蒡不良风味的主要来源,在酶解、发酵过程中会转化为具有愉悦风味的酮类和醇类。主成分分析和聚类分析结果表明,经不同方式处理的牛蒡液中挥发性风味物质苯乙醛、Β-瑟林烯、A-姜黄烯存在较大差异,酶解与发酵联合处理可有效改善牛蒡根不良风味。     

一种低计算复杂度的无线传感器网络分簇定位算法

针对已有的集中式定位算法定位精度低,而分布式定位算法计算复杂度高、通信量大的问题,提出了一种适用于无线传感器网络的计算复杂度低的节点分簇定位算法.首先,提出满足最大连通度的多边界节点分簇算法,采用此算法把网络划分为若干个簇,各簇分别进行簇内节点定位;其次,各簇进行融合,最终实现全网节点的定位.仿真结果表明,这种分簇定位算法比分布式定位算法计算复杂度低、通信量小、定位精度相当或略差,比集中式定位算法计算复杂度低、通信量小、定位精度高.采用该算法可以降低传感器网络节点定位过程中的能耗,提高计算效率,延长网络寿命.     

推荐系统中稀疏情景预测的特征-类别交互因子分解机

随着Web信息的不断增长与发展,对用户稀疏行为的预测已成为目前推荐系统的研究热点.近年来,因子分解机(factorization machine, FM)的提出在一定程度上缓解了稀疏场景下预测精度不准确的问题.它的主要思想是通过2阶特征交互来获取特征间丰富的语义关系.随后,感知交互因子分解机(interaction-aware factorization machines, IFM)在FM的特征交互基础上引入类别交互的概念来扩展潜在的交互特性,通过把特征和类别分别进行交互后再融合来得到更准确的预测结果.在IFM的基础上,提出了一种特征-类别交互因子分解机(FIFM)模型.FIFM不仅保留了特征交互和类别交互机制,还设计了一种新的特征-类别交互机制(FIM)来进一步挖掘交互信息中的有效信息,并利用融合交互感知来预测不同稀疏场景下的用户行为模式.此外,还基于深度学习提出了一种实现FIFM的神经网络模型GFIM.相比于FIFM,GFIM的参数量和时间复杂度更高,但同时也能捕获更多高阶的非线性特征交互信息,能适合算力较高的应用场景.在4个真实数据集上的实验结果表明,FIFM和GFIM在RMSE指标上超越了当前最好的方法IFM.实验工作探究了多类稀疏场景下的预测结果,记录了时间和空间复杂度的消耗情况,并进行了分析讨论.