协同感知的框架研究

协同感知的框架研究（共6篇）

协同感知的框架研究 篇1

1. 引言

随着计算机技术和通信技术的进步, 社会分工越来越细, 企业要降低成本、提高工作效率和工作质量, 这些随着协同工作的运用我们已经得到改善。如何解决人和协同工作环境、人与人之间的交互过程的自然性和方便性, 首要解决的问题就是协同工作环境中的协同感知。

2. 协同感知的概况

计算机支持的协同工作 (Computer Supported Cooperative Work, CSCW) 这一概念最早是在1984年由美国MIT的Irene Greif和原DEC公司的Paul Cashman等在描述他们所组织的有关如何用计算机来支持来自不同领域与学科的人们共同合作的课题时提出的[1]。CSCW--计算机支持的协同工作, 指的是地域分散的一个群体借助计算机及其网络技术, 共同协调与协作来完成一项任务。随着协同技术在计算机辅助设计领域内的重要应用, 计算机支持的协同设计 (Computer Supported Cooperative Design, CSCD) 逐渐崭露头角。CSCD主要是解决地域分散的设计人员, 借助计算机网络、多媒体技术等工具和技术, 相互合作交流, 共同完成一个设计任务。CSCD使得在时间上分离、空间上分布而工作又相互依赖的协作成员能够协同工作, 使计算机系统从传统的只能提高个体工作效率转变成能提高群体工作的效率。

感知, 通俗地讲, 是了解目前所有与自己有关的信息, 为自己下一步的决策和行动提供指导。在计算机支持的协同工作中关于协同感知的研究, 并非是随着CSCW的出现而出现, 而是起源于对群体的研究, 但逐步成为CSCW的一个研究热点。通讯、协调和协作是CSCW的三要素[2], 协同感知在这三要素中具有一个中心的地位[3]。在通讯、协调、协作的过程中发生的每一件事情都代表一定的意义, 产生一定的信息, 协作成员利用这些信息进行协作, 协同感知就是帮助协作成员获取这些信息, 提供他们下一步工作的工作环境。因此, 协同感知是CSCW系统成败的关键所在。

在工程设计过程中, 约束无处不在, 而在网络环境下进行协同设计时, 约束信息[4]更是不可避免。这些约束可能源自于设计图纸, 也可能源自于各设计成员间的冲突, 或者仅只是客户的个性化需求。随着系统的扩大和作业的复杂, 约束呈指数性增长。为了有效控制设计流程, 尽早地发现约束冲突, 降低矛盾膨胀的速度, 都迫切地需要更加直观、形象、亲切的方式来加以解决, 约束信息可视化方法正是解决这些问题的一个行之有效的方法。

3. 框架设计

3.1 图结构设计

基于图结构的约束信息可视化表现方式, 采用二维空间的可视化元素与相应的可视化属性配合实现, 其具体设计思路如下:

首先是基于Windows MFC[5]实现;然后采用滚动视图, 保证显示区域可以扩展;接下来第一层节点采用圆角矩形加文字的方式表现, 呈星状辐射排布于中心图元四周;往后的层次采用底线标识, 并利用树状结构, 节省同层之间的空间;每一层图元采用同一种颜色标识, 保证设计过程层次分明。生成的视图可以保存成文件, 在需要的时候打开并恢复数据, 这样生成文件体积小。

我们把设计实现的图结构称为星状图。星状图以中心图元表示设计对象, 星状图提供的各节点属性编辑等功能, 用以标识具有约束关系的信息节点或是设计者尤其关注的设计信息, 智能布局等功能, 确保了结点之间不会因重叠而造成视觉上的混淆。

3.2 感知框架的设计

协同设计下的感知框架, 要实现如下工作流程:总设计者分析复杂约束信息进行任务划分并公布子设计任务信息;子设计者申请并竞争子设计任务;总设计者分配设计任务, 将生成的任务需求文件一并传输;子设计者根据得到的设计需求完成设计任务以设计参数形式向总设计者提交, 以便总设计者完成合并操作, 减少网络传输量;总设计者检查可视化设计结果并决定完成的设计任务能否通过, 总设计者复合各个子设计结果, 完成可视化设计产品。

从中可以看到协同感知的实现不可避免的要完成网络通信功能, 因此本系统基于Win Sock实现了消息传送、文本传输[6]等功能, 以保证各个设计者之间的交流沟通, 保证设计任务的准确性和真实性, 降低返工率, 进而提高设计效率。

3.3 数据库的设计

协同设计的工作环境, 设计者是主体, 其划分为两种角色:总设计者与子设计者。总设计者在任务的发布、分配、复合等各个环节都起到了不可忽视的作用, 尤其在任务分配中, 为了任务设计的合理性与效率需求, 其有必要对各子设计者的自身信息和设计任务的相关特点有清醒的把握。因此本系统采用了Access数据库, 使得服务器端可以迅速、方便、准确地调用和管理所需的数据, 为总设计者的英明决策实施提供了保证。

4. 总结

本文探讨了协同感知的框架设计, 旨在将工程设计中的大量、抽象的约束信息采用可视化方式形象地表现出来。而后鉴于协同合作的前提是信息交流共享, 系统又提供了消息传送、文件传输等功能, 搭建了CSCD环境下协同感知的工作平台, 为目前协同感知的研究提供了一定的借鉴意义。

参考文献

[1]史美林, 向勇, 杨光信.计算机支持的协同工作理论与应用.北京:电子工业出版社, 2000.15～16

[2]HILL J, GUTWIN A C.The maul toolkit:groupware widgets for group awareness.Computer Supported Cooperative Work, 2004, 13 (5-6) :539～571.

[3]夏正华.协同设计中协同感知问题的研究[D].硕士学位论文西北大学计算机应用专业.2006.5.

[4]刘晓平, 石慧, 毛峥强.基于信息可式化的协同感知模型.通信学报, 2006.27 (11) :24～29

[5]任哲.MFC Windows应用程序设计.北京:清华大学出版社, 2004.279～281

[6]任泰明.TCP/IP协议与网络编程.西安:西安电子科技大学出版社, 2005.3-5

协同感知的框架研究 篇2

分析了复杂多变的外部环境对传统管理的.挑战,提出了横向基于流程对主流变革管理方法协同,避免多重举措的冲突,提供多重方法的协同效应;研究了纵向基于流程价值逻辑关系从战略到执行的综合,为企业整体战略的实现、整体绩效的提高和运行管理提供了对准与综合的主线;构建了基于流程的协同与综合的框架体系,为全面应对快速变化的挑战和复杂性提供了科学有效的手段.

作 者：张新国 Zhang Xinguo  作者单位：中国航空工业第一集团公司 刊 名：航空制造技术  ISTIC英文刊名：AERONAUTICAL MANUFACTURING TECHNOLOGY 年，卷(期)： “”(2) 分类号：V2 关键词：流程   协同   综合管理  

协同感知的框架研究 篇3

关键词：协同工作；工作流管理系统；协同工作流模型；应用代理

0引言

工作流技术应用已经非常广泛，它为各领域的工作流程自动化作出了贡献。但从目前来看，工作流技术主要着眼于管理或者商业流程的自动化，它对工作流程的开始和结束进行协调和管理。但工作流管理系统并不适合于需要多人协作和频繁交互的工作流程中的任务，例如多人协同设计或者协同商务谈判等。目前，IBM MQ Series Workflow，Lotus Notes等系统都只支持工作组的概念，但不支持群体协作活动。其中Notes利用消息机制和邮件服务器支持了松散的异步协同工作，但并不真正支持交互式协同工作。标准化组织WFMC(工作流管理联盟)也缺少相关对群体协作支持的标准。

协同工作系统在当前的单任务环境中已经比较成熟，但缺少对业务逻辑的支持，如大型群件系统BSCW。若将协同工作技术和工作流技术相结合，则可同时发挥两者优势，支持一类全新的应用，例如，企业内部的协同工作，以及用于电子商务系统的实时协调和交互等。本文将首先针对这类应用提出一个工作模型，并给出了基于WFMC工作流元模型的支持协同工作的工作流模型；接着给出支持此模型的系统框架并分析其关键技术；最后给出一个应用实例，并对本文进行总结。

1支持协同工作的工作过程模型

在传统的工作流工作模型中，工作任务分配由过程定义及其和角色的对应来完成，各任务之间只在时间上有基于某个条件的同步或者先后关系，它并不支持多人进行同步交互协作来完成同一个任务。但随着效率要求的提高以及一些先进的协同设计和并行工程系统的出现，迫切需要支持多用户同步交互。例如，在一个设计企业内部，分配设计工作的时候可能需要根据内部组织结构进行头脑风暴式的讨论，而每一个设计子任务需要一个组的设计人员来完成，各设计小组内部需要进行协作和讨论，同时对最终设计结果还需要进行评价。

我们可以用图1所示的工作过程模型来描述此类应用。图中，圆形部分为工作流系统的流程定义，与工作流定义一致。但在每一个任务内部所进行的活动与通常的工作流系统不同，每一个任务由多个活动组成，每一个活动由—个或者多个组成员来协作完成。这种协作在任务内部进行，组内部成员间通过协同工具进行同步交流与合作，而任务间的异步协作则通过工作

2支持协同工作的工作流元模型

这里，我们提出一个新的工作流模型来支持上述工作过程。此工作流模型须增加对如下两方面的支持：一是对工作组概念的支持，二是对协同工具等资源的支持。基于WFMC的工作流元模型，我们给出了如图2所示的支持协同工作的工作流模型。

上述模型与WFMC的工作流模型的差异在于支持了组的概念，同时提供了对协同工具的支持，从而能够支持各小组的协同工作。组是为了完成工作流程中某一任务而设置的，是资源的集合，通常包括人及其完成任务所需的其他资源。例如，一个组包含一个管理者，三个图案设计师，一个软件工程师，以及某些资源，这个组可以完成某个图案设计任务。这些组可以是固定的，也可以是为了完成某个活动而临时产生的。一个组必然属于某一种组类型。组类型是工作流系统和组之间相互联系的纽带，它是根据工作流程中的任务要求而产生的，包含了一系列的任务角色，提供了组和具体资源的动态映射。

此模型中的资源既包括了人，也包括了协同工具和其他资源。与传统的支持组概念的工作流系统不同，传统的系统中支持组成员在流程定义完毕后单独完成一个子任务，而在此模型中，则支持多人在某一活动中的横向协作。因此该模型提供了多人协作交流的支持工具，如群体协作工具和群体决策工具，如图2(3)所示。

3支持协同工作的工作流系统框架

3.1设计原则

支持协同工作的工作流系统框架将为工作流管理系统和协同工作系统的结合提供公共基础服务，以便在此框架上快速构建应用系统。Le Pallec等人使用多重继承方式的工作流系统DARE和协作系统COW集成在一起，但存在类的二义性问题和命名问题，而且该方法只针对两个面向对象系统：Selmin Nurean提出了一个简单的工作流和群件系统相结合的描述性的框架结构，但对其部件缺少深入阐述。本框架的设计将支持上述工作流元模型，综合考虑工作流系统和协同系统结合的特点，最终使两者无缝集成。

框架设计将遵循如下原则：

(1)框架必须适应协同工作系统的动态变化。协同工作系统与应用有关，而且随着协同工作的进行，协同工具的种类，功能都可能动态变化，此框架必须能够适应这种变化。

(2)工作流系统和协同工作系统功能上协调。工作流系统强调的是在流程上的自动化，而协同工作强调的是在工作过程中的协作和共享，这两者之间可自由切换。

(3)工作流系统和协同工作系统的数据交换的快速和一致性。工作流系统和协同工作系统的互操作必然涉及到这两者的数据交换，协同工作系统需要实时取得工作流系统的当前数据，同时协同工作系统的修改数据必须能及时正确地反馈给工作流系统。

3.2系统框架

根据以上设计原则，我们采用组件设计的思想，把整个框架划分为应用系统、应用代理和协同工作流引擎三大组件模块，如图3所示。其中，应用系统分为两类：一类是工作流应用系统，它是工作流系统本身运行过程所需的应用；另一类是协同应用系统，它是支撑协同应用的工具。

工作流应用系统和协同应用系统都通过各自的应用代理创建起与协同工作流引擎之间的会话，其中工作流应用代理还完成工作流应用系统和工作流引擎之间的数据交换。在协同工作流引擎内部，工作流引擎和协同系统服务引擎通过数据交换接口进行协同工作。工作流引擎则封装了WFMS的基本功能，并增加了组管理等内容。

3.3关键技术

协同感知的框架研究 篇4

随着汽车保有量的增长, 如何对大量的汽车进行一个合理的调度已经成为一个急需解决的问题。智能交通系统应运而生, 交通参数的检测作为智能交通系统重要的一环, 有着多种形式, 传统的检测方式有虚拟线圈、微波车辆检测器等等。但是, 这些方法安装维护成本很高, 需要耗费大量的人力物力[1]。近几年来飞速发展的计算机视觉技术使得通过视频感知交通参数成为了可能, 利用公路上已有的摄像头监控网络, 对所拍摄的视频进行处理获取交通参数, 不仅节省了安装和维护成本, 而且相比于传统的检测方法可以得到更多的信息, 更加方便实现交通管理系统的自动化、智能化。

计算机视觉技术是通过对常见的图像、视频进行操作, 从而提取其中的信息的技术。本文总结出了一套将Open CV算法应用于Win32对话框程序中的标准方法, 通过定义C++类创建对象, 轻松实现对公路交通视频中的交通参数的提取。

1 视频车辆检测器的基本功能

本程序以MFC+Open CV的方式进行开发, 以实用为准则, 通过可视化的界面和按钮的方式, 实现了以下几方面的功能:

1.1 原始视频的播放

本程序可以读取原始视频, 并且可以对视频进行播放和暂停的操作。

1.2 视频信息的分析

通过与播放同步的逐帧视频的读取, 本程序可以对视频中的信息进行分析, 提取背景, 从而提取并且识别出视频中的车辆。

1.3 自定义观测点和车流量计数周期

本程序可以让用户自定义车辆检测的观测点和车流量计数周期, 提高软件的实用性和灵活性。

1.4 交通参数的测量

通过车辆的识别和观测点的设定, 软件可以对视频中的车辆数进行实时的统计。

1.5 统计结果的存储和重现

本程序通过加入表格控件, 既可以将车辆数据清楚地实时呈现出来, 也可以对数据进行统计, 以方便统计和进一步的操作。

2 视频车辆检测器的技术实现

要实现上述系统, 主要有两方面问题:一是如何构建视频对象, 通过操作视频对象来对视频信息进行提取:二是如何对视频进行操作来实现上述的各个功能。

2.1 创建视频对象

使用创建对象的方式操作视频, 首先要定义视频的类。在视频处理中, 通常先提取出一帧一帧的图像, 然后对所提取的图像进行处理, 再将其保存或者播放至应用程序的控件中。跟据此原理, 定义一个视频的类, 类中包含上述过程所涉及的属性和操作方法。定义好了视频的类之后, 便可以通过此类所定义的对象中的各个数据和方法对视频进行常见的操作。

2.2 视频对象的处理

在可视化的界面中通常通过按钮触发事件。假设我们定义了一个myvideo的对象, 以下将对按下相应按钮时, 所执行的功能加以说明:

1) 打开视频

将对话框中播放原始视频的设备的ID和播放处理后视频设备的ID分别读入myvideo相应的成员中;通过MFC中的CFile Dialog类读取文件, 将文件的路径存储在myvideo.m_file中, 调用myviedo.Openfile () 方法打开视频。初始化当前播放位置, 初始化对话框。此时该视频处于待播放和待转换状态。

2) 播放和分析视频

播放和分析的过程可以通过定时器来实现, 当点击播放后, 设置并启动定时器。定时器每隔一定时间中断一次, 其中断频率通过视频对象中myvideo.m_fps调节。定时器在一个中断中, 首先使用myvideo.play () 函数将当前帧推送至原始视频播放设备中播放, 将当前帧 (即myvideo.pframe) 放入自己定义的图像分析处理函数中进行处理, 将处理结果放至myvideo.cframe中, 然后使用myvideo.Convertedplay () 函数将处理后的帧推送到处理后的视频播放设备中播放, 帧位置加一。至此, 一个中断执行完毕。

3) 停止播放

当点击停止播放按钮时, 调用myvideo.Closefile () 函数关闭文件, 释放内存。同时还要销毁定时器, 清理相关中间变量。

4) 定义观测线, 计数周期

为了实现车辆数量的测量, 必须首先定义车辆的观测线。观测线的设定是在背景图像上进行点击的方式来实现的。记录下点击下的观测线两端的坐标, 即可确定观测线的位置, 当有车辆越过观测线时, 对车辆数加一。每一个计数周期过后, 输出本周期内车流量检测结果。

5) 检测结果的显示

检测的车流量统计结果可以通过VC++中的一个list控件呈现出来[2]。每隔所设定的计数周期时间将本时间段检测的结果条目加入list控件之中, 可以通过表格的方式将结果展现出来, 便于进行统计和进一步处理。

6) 检测结果的导出

通过按键操作, 程序可以将车辆检测结果导出为txt格式的文本文件或者excel表格保存, 方便统计工作。

3 视频处理算法

在检测系统中必须要设计良好的识别算法来提取交通信息, 以下将对本系统所使用的视频处理算法进行简要介绍。当提取出一帧原始图像之后, 首先使用高斯背景建模, 得到背景图像[3], 再用当前图像减去背景图像并进行如图3所示的变换提取出运动车辆的二值图像, 识别出车辆的轮廓就可以实现对车辆的跟踪, 最后将跟踪结果放入处理后的图像中[4], 这一系列的处理便放在定时器中断的图像处理函数中。在此处理过程中, 每一步的处理方法和参数必须经过反复的试验和测试, 才能达到最好的效果。

4 结语

为了实现交通视频信息的感知和提取, 本文采用基于MFC使用Open CV进行视频处理的可视化编程的方法, 通过构造一个包含常见操作的C++类, 以Open CV中的相关函数为接口, 建立一个视频处理程序架构, 实现MFC应用程序对Open CV算法的融合, 可以智能地感知和处理交通视频中的信息。在此框架上进行合理的扩展, 可以胜任当前大部分的交通视频的交通参数提取工作。此设计方法有较高的稳定性, 达到了预期的效果。但是, 本系统在架构和算法方面仍然有待完善的地方:

4.1 在夜晚时, 由于光照, 车灯等条件的影响, 检测算法不能对车辆进行很好的识别, 在进一步改进中, 应该加入相关处理的算法。

可以通过检测车灯来检测车辆数。

4.2 车辆重叠时, 有可能将两辆车识别成为一辆, 不能很好的分开。

4.3 识别的准确率可以有进一步提高, 计数方法有待改进。S

参考文献

[1]王红琴.智能交通在我国的发展状况及对策[J].统计与管理, 2011, 03:54.

[2]刘维杰, 梁志剑.基于OpenCV的视频图像序列的运动目标检测[J].电子测试, 2010, 07:27-29, 33.

[3]詹群峰.基于OpenCV的视频道路车辆检测与跟踪[D].厦门:厦门大学, 2009.

协同感知的框架研究 篇5

随着大量新的无线设备的出现,近十年来对无线频谱资源的需求有了突飞猛进的增长,使得官方的频谱管理部门不得不重新审视对无线频谱资源的利用策略。现有的频带持有者即授权用户对频带的利用率非常低[1],频谱管理部门已经开始考虑将公开授权的频带给非授权用户使用,即在不干扰授权用户使用信道的情况下,当非授权用户感知到信道空闲时,利用空闲的信道传输数据[2]。如何使非授权用户感知授权频带是否空闲的频谱感知技术,是认知网络实现的关键点。频谱感知指通过非授权用户直接感知授权频带来辨识空闲频段,并在频带空闲时传输自身数据。由于频谱感知相对低廉的结构成本以及良好的兼容性,已被包含在IEEE 802.11标准之中[3]。

多数研究频谱感知的文献,都假设每个非授权用户完全自愿进行频谱感知,然后把各自的感知结果发送到中心控制单元[4],由中心控制单元根据合适的决策规则进行决策,得到最终结果并通知各个非授权用户。然而,感知频带的空闲情况需要耗费一定的时间和能量,会减少非授权用户的数据传输时间,如果非授权用户不进行频谱感知而选择利用其他用户的感知结果,就可以提高自己的数据吞吐量。在保证检测概率的情况下,如果选择进行协同频谱感知的非授权用户的数目多,那么每个选择进行协同频谱感知的非授权用户进行频谱感知所用的时间就少,数据吞吐率(即一个周期传输的数据量)就大,反之,数据吞吐率就小[5]。如何合理地协调各个非授权用户的感知积极性,从而使每个非授权用户在得到各自满意的数据吞吐率的基础上,同时提高频带整体的利用率,是一个亟待解决的问题。

本文在已建立的频谱感知系统模型的基础上,证明了所有非授权用户共同进行协同频谱感知可以最大化每个非授权用户的数据传输速率。那么问题就转化为如何设计合理的博弈策略,使各个非授权用户都积极地选择进行协同频谱感知。本文根据理论分析结果,设计不同的策略来提高非授权用户进行协同频谱感知的积极性。仿真结果表明,本文所提出的策略可以有效地促进非授权用户进行协同频谱感知,提高信道的整体利用率。

1 频谱感知系统模型和频谱感知博弈模型

1.1 信道感知模型

非授权用户对信道的感知,分为两种情况:授权用户在使用信道和信道空闲,分别用H1和H0来表示,感知结果用r(t)来表示,则:

$r(t)=\{\begin{array}{l}hs(t)+w(t)\text{i}\text{f}{\rm H}{}_1\\ w(t),\text{i}\text{f}{\rm H}{}_0\end{array}(1)$

式中,h是信道从授权用户的发射机到非授权用户接收机之间的信道增益,假设为慢平坦衰落;s(t)是授权用户的信号,假设为独立同分布随机过程,方差为σ${}_s^2$,均值为0;w(t)是加性高斯白噪声,方差为σ${}_w^2$,均值为0; s(t)和w(t)相互独立。

利用能量检测器来感知频带的利用情况,采样次数为N次,那么用于判决的检测统计结果为:

${\rm T}(r)=\frac{1}{{\rm N}}{\displaystyle \sum _{i=1}^{{\rm N}}|}r(t)|{}^2(2)$

利用中心极限定理可以得到检测统计结果T(r)的概率密度函数,在假设H0下,${\rm T}(r)\sim {\rm N}\left(\sigma {}_w^2,\frac{1}{{\rm N}}\sigma {}_w^4\right)$;假设授权用户的信号为复相移键控(PSK)信号,在假设H1下,${\rm T}(r)\sim {\rm N}((\gamma +1)\sigma {}_w^2,\frac{1}{{\rm N}}(2\gamma +1)\sigma {}_w^4)$,其中$\gamma =\frac{|h|{}^2\sigma {}_s^2}{\sigma {}_w^2}$为信噪比[6]。

定义1PD为假设授权用户正在使用的情况下,正确检测到信道忙的概率;PF为假设信道空闲的情况下,检测到信道忙的概率。

那么误检概率PF和检测概率PD分别表示为[6]:

${\rm P}{}_F(\lambda )=\frac{1}{2}erfc\left(\left(\frac{\lambda }{\sigma {}_w^2}-1\right)\sqrt{\frac{{\rm N}}{2}}\right)(3)$

${\rm P}{}_D(\lambda )=\frac{1}{2}erfc\left(\left(\frac{\lambda }{\sigma {}_w^2}-\gamma -1\right)\sqrt{\frac{{\rm N}}{2(2\gamma +1)}}\right)(4)$

其中λ为能量检测器的阈值,erfc(·)为互补误差函数。

为了最大限度地保证授权用户的通信质量,给定目标检测概率$\overline{{\rm P}}{}_D$后,能量检测器的阈值λ可以根据下式结合式(3)求出式(5):

${\rm P}{}_F(\stackrel{-}{{\displaystyle {\rm P}{}_D}},{\rm N},\gamma )=\frac{1}{2}erfc\left(\sqrt{2\gamma +1}erf{}^{-1}(1-2\overline{{\rm P}}{}_D)+\sqrt{\frac{{\rm N}}{2}}\gamma \right)(5)$

其中erf-1(·)为误差函数erf(·)的反函数。

假设非授权用户感知频谱的采样频谱为fs(Hz),帧周期为T(s),由于感知频谱时占用帧周期时间,且频谱的状态未知,感知频谱时非授权用户不能传输数据,那么一个周期中,用于传送数据的时间为T-δ(N),其中$\delta ({\rm N})=\frac{{\rm N}}{f{}_s}$为在一个周期中进行频谱感知所用的时间。当频带空闲和授权用户占用频带两种情况下,非授权用户数据传输速率分别为:

$R{}_{{\rm H}{}_0}({\rm N})=\frac{{\rm T}-\delta ({\rm N})}{{\rm T}}(1-{\rm P}{}_F)C{}_{{\rm H}{}_0}(6)$

$R{}_{{\rm H}{}_1}({\rm N})=\frac{{\rm T}-\delta ({\rm N})}{{\rm T}}(1-{\rm P}{}_D)C{}_{{\rm H}{}_1}(7)$

其中RH0(N)和RH1(N)分别表示信道空闲和授权用户占用信道两种情况下非授权用户的数据传输速率。CH0和CH1分别代表非授权用户在假设H0和H1下的数据传输速率。若以PH0代表授权用户不占用频带的概率,则非授权用户平均数据传输速率R(N)可以表示为:

R(N)=PH0RH0(N)+(1-PHo)RH1(N) (8)

理想的情况下,要求非授权用户不能对授权用户的通信造成任何干扰,即PD=1,但是根据式(5),当PD=1时,PF也为1,由式(8)得非授权用户数据传输速率为0。因此为了尽量不干扰授权用户的通信,同时兼顾非授权用户的数据传输速率,目标检测概率$\stackrel{-}{{\displaystyle {\rm P}{}_D}}$要尽可能接近1,要求${\rm P}{}_D>\stackrel{-}{{\displaystyle {\rm P}{}_D}}$,否则非授权用户的通信要求将会被拒绝。考虑到在误检的情况下,由于受到授权用户的干扰,非授权用户的数据传输速率将会非常低,即CH1趋近于0,式(8)的第二项可以去掉,即非授权用户的数据传输速率R(N)可以近似为$\overline{R}({\rm N})$:

$\overline{R}({\rm N})\approx {\rm P}{}_{{\rm H}{}_0}\frac{{\rm T}-\delta ({\rm N})}{{\rm T}}(1-{\rm P}{}_F)C{}_{{\rm H}{}_0}(9)$

1.2 协同频谱感知博弈

考虑在彼此通信数据可达范围的一组K个非授权用户,如果把授权频带分为K个子频带,当授权用户没有进行数据传输时,每个非授权用户可以选择在K个子频带中的一个频带进行数据传输,由于各个子频带的空闲情况是一致的,那么,各个非授权用户可以相互交换自己的感知结果,从而减少每个用户的感知时间,提高数据传输速率[7]。

非授权用户集合用S={s1,…,sk}表示,每个非授权用户sk有相同的策略集合:Α={C,D},其中C代表非授权用户选择进行频谱感知,D代表非授权用户选择不进行频谱感知,通过监听其他用户的感知结果来提高自己的数据传输速率。同一个周期中选择策略C的非授权用户构成集合Sc={s1,…,sJ}。定义收益函数为非授权用户数据传输速率。

若非授权用户sj∈Sc,即选择策略C,收益函数为[5]:

$\tilde{U}{}_{C,s{}_j}={\rm P}{}_{{\rm H}{}_0}\left(1-\frac{\delta ({\rm N})}{|S{}_c|{\rm T}}\right)(1-{\rm P}{}_F^{S{}_c})C{}_{s{}_j}|S{}_c|\in [1,{\rm K}](10)$

若非授权用户si∉Sc,即选择策略D,且|Sc|≥1,收益函数为:

$\tilde{U}{}_{D,s{}_i}={\rm P}{}_{{\rm H}{}_0}(1-{\rm P}{}_F^{S{}_c})C{}_{s{}_i}|S{}_c|\in [1,{\rm K}-1](11)$

在式(10)和式(11)中,Csj和Csi为非授权用户sj和si在假设H0下的数据传输速率。

若|Sc|=0,即所有的用户都选择策略D,那么所有用户的收益函数相同,都为:

$\tilde{U}{}_{D,s{}_i}=0|S{}_c|=0(12)$

在本文中PD和PF根据多数裁定原则进行确定[8]:

PD=Pr[在集合Sc中大于一半

成员感知结果为H1|H1] (13)

PF=Pr[在集合Sc中大于一半

成员感知结果为H1|H0] (14)

其中Pr表示概率。

2 多用户协同频谱感知博弈分析

2.1 多用户协同频谱感知模型

每个非授权用户在数据传输的过程中,有两种策略可以选择:进行协同频谱感知和不进行协同频谱感知利用其他用户的感知结果。如果某一用户不进行协同频谱感知而选择利用其他用户的感知结果,那么它就可以有更多的时间来进行数据传输,从而提高自身的数据吞吐率,如果所有用户都不进行协同频谱感知,那么由于没有协同频谱感知结果从而使得每个用户的数据吞吐率都下降。如何选择策略是每个用户都面临的问题,在多用户博弈的环境中,每个用户的策略选择不仅影响自身的数据传输速率,也在一定程度上影响着其他用户的数据传输速率,这种策略的选择和相互影响构成了一个多维的博弈问题。

在多个用户进行协同频谱感知的情况下,有多少用户参与协同频谱感知可以使得每个用户的数据传输速率最大?因为频谱感知耗费一定的时间和资源,如果过多的用户参与协同频谱感知是否会使花在频谱感知上的时间过多而导致整体的数据传输速率下降,如果过少的用户参与协同频谱感知是否会使得所有用户等待的时间过长而降低每个用户的数据传输速率?下面的定理回答了这些问题。

定理 在多用户协同频谱感知博弈中,所有用户参与协同频谱感知所得到的数据传输速率最高。

证明 假设有N个用户参与协同频谱感知(N>2,N∈N+)博弈,在参与协同频谱感知博弈的用户中有K个用户选择进行协同频谱感知,即|Sc|=K,(0<K<N)。

从式(10)中可以得到参加协同频谱感知的用户总数据传输速率为:

$payoff{}_k=|S{}_c|{\rm P}{}_{{\rm H}{}_0}\left(1-\frac{\delta ({\rm N})}{|S{}_c|{\rm T}}\right)(1-{\rm P}{}_F{}^{S{}_c})C{}_{{\rm H}{}_0}$

不参加协同频谱感知用户总数据传输速率为:

payoffN-k = (N-|Sc|)PH0 (1-PFSc)CH0

所有N个用户的总数据传输速率为:

$\begin{array}{l}payoff{}_{{\rm N},{\rm K}}=payoff{}_{{\rm K}}+payoff{}_{{\rm N}-{\rm K}}\\ =\left({\rm N}-\frac{\delta ({\rm N})}{{\rm T}}\right){\rm P}{}_{{\rm H}{}_0}(1-{\rm P}{}_F{}^{S{}_c})C{}_{{\rm H}{}_0}\end{array}$

where |Sc| < N

当所有N个用户都参加协同频谱感知时,总体的数据传输速率为:

$payoff{}_{{\rm N},{\rm N}}=\left({\rm N}-\frac{\delta ({\rm N})}{{\rm T}}\right){\rm P}{}_{{\rm H}{}_0}(1-{\rm P}{}_F{}^{S{}_c{}^{{\rm T}}})C{}_{{\rm H}{}_0}$

where |ScT| = N

从式(5)和式(14)可知,当|ScT| > |Sc|时, PFScT < PFSc那么必有:

payoffN,K<payoffN,NK<N

通过以上定理可知,所有非授权用户参与协同频谱感知可以使得每个非授权用户的数据传输速率最大,下面我们通过仿真结果对所得到的结论进行检验。

仿真中假设授权用户所发射的信号为基带正交相移键控(QPSK)调制信号,采样频率为fs=1MHz,帧周期T=20ms,频带空闲的概率为PH0=0.9,检测概率为$\overline{{\rm P}}{}_D=0.96$,噪声信号为零均值循环对称复高斯(CSCG)随机过程,通常情况下,授权用户的基站和非授权用户的基站距离比较远,为低信噪比模式,信噪比设为γsj=-12dB;数据传输速率Cs1=Cs2=1,假设有N=30个非授权用户参与协同频谱感知博弈,博弈的收益为数据传输速率,收益(payoff)由收益函数式(10)-式(12)计算。假设每个博弈者选择协同频谱感知的概率x从0.01开始增加到1,在变化的过程中观察总体收益的变化。仿真结果如图1所示。

可以看出,当所有用户都选择不参加频谱感知,即x=0时,由于没有频谱感知结果,达不到授权用户对目标检测概率的要求,所有的非授权用户都不能进行数据传输,总的数据传输速率为0;随着非授权用户选择参加协同频谱感知概率的增加,总体数据传输速率也逐渐增大;当所有用户都选择进行协同频谱感知时,总数据传输速率达到最大,约为18.75个单位。实验结果很好地验证了定理关于在协同频谱感知博弈中所有用户都选择参与协同频谱感知可以最大化总体数据传输速率的结论。

2.2 多用户协同频谱感知策略分析

在每个用户的单次博弈的过程中,由收益函数式(10)-式(12)知,在有用户进行协同频谱感知的情况下,用户选择不进行协同频谱感知而得到的收益比进行协同频谱感知而得到的收益多,用户自然会选择不进行协同频谱感知而提高自身的单次博弈所得到的收益,而如果没有用户选择进行协同频谱感知,那么所有用户的收益都为零。如果使所有用户都按照最大化单次博弈收益的方式来进行策略选择,那么博弈的均衡必然停留在整体效率较低的水平,这是由于博弈者仅仅考虑了单次博弈而没有从多次博弈的总体结果上进行考虑造成的。

如何使用户能从总体上把握博弈的结果,从总体出发来选择每次的博弈策略,并且能够快速收敛到几乎所有用户都参与协同频谱感知的均衡状态,是本文着重考虑的问题。考虑到集中控制和分布式控制各自的优缺点,本文采用自由博弈和固定引导的方式来解决完全自由博弈所造成的总体数据传输速率低下的问题。一部分用户固定的进行协同频谱感知,另一部分用户根据上次进行协同频谱感知的比例来选择自身的策略,以上次进行协同频谱感知的用户比例作为此次选择进行协同频谱感知策略的概率,那么从总体来看,相比于上次博弈,每次博弈选择进行协同频谱感知的用户数量在不断增加,根据上文的定理和仿真结果,总体的数据传输速率也在增加,从而提高了频谱的利用效率。这部分固定选择进行频谱感知的用户可以是政府机构采取的集中式控制策略,而新进入的自由博弈用户,可以有自由选择的权利,从而较好地协调了用户的自由选择权与资源的合理利用之间的矛盾。

本文首先从理论上进行分析,然后以仿真结果来进行验证这一结论。

假设在协同频谱感知博弈中,有占总数比例为x的非授权用户在每次博弈中固定的选择进行协同频谱感知,其他用户把上一次博弈结果中选择进行协同频谱感知的用户所占的比例作为此次博弈自身选择进行协同频谱感知的概率,每次博弈完成后,参与协同频谱感知的非授权用户占所有非授权用户的比例用y1,y2,y3…,yn…来表示,则初始时,参与协同频谱感知的非授权用户所占的比例为y0=x,那么:

y1=y0+(1-y0)y0

y2=y0+(1-y1)y1

y3=y0+(1-y2)y2

…

yn=y0+(1-yn-1)yn-1 (n≥1)

假设x=0.05,迭代结果如图2所示。可以看出,第5次迭代结果相比于初始的0.05已经有了很大的提高,但是迭代结果第10次之后就没有了变化,这是因为迭代过程中当yn=yn-1时,达到了系统的平衡点,此时$y{}_n=\sqrt{y{}_0}=\sqrt{0.05}$。然而,方程f(yn)=-y${}_n^2$+y0的导数为f′(yn)=-2yn,在$y{}_n=\sqrt{0.05}$时f′(yn)<0,即在物理上是一个不稳定的平衡点。如何跳出此平衡点,跳出平衡点后系统会达到怎样的新平衡?考虑到在协同频谱感知博弈中,非授权用户的数目是有限的,那么系统中进行协同频谱感知的概率变化的步长是有限的,假如系统中非授权用户的数目是30个,那么概率变化的最小值为1/30,在此变化步长和0.05的初始化概率之下,即使考虑到仿真结果中计算机位数的限制所造成的计算误差,系统的迭代结果永远达不到无理数$\sqrt{0.05}$, 下面本文以实际的仿真结果来验证理论推理的过程。

仍采用2.1节中的信道参数,仿真流程如图3所示,初始化固定参与协同频谱感知的非授权用户比例为x=0.05,在非授权用户数目为30时,非授权用户的总收益即总的数据传输速率和迭代次数的关系如图4所示,非授权用户选择进行协同频谱感知的概率和迭代次数的关系如图5所示。

从仿真结果可以看出,在进行大约70次迭代后,在非授权用户数目为30,初始概率为0.05的情况下,非授权用户进行协同频谱感知的概率为1,即所有的非授权用户都进行协同频谱感知,同时用户的总收益也达到了最大值18.75,与2.1节中的证明结果相符合。

3 结 语

本文通过分析典型的协同频谱感知模型,证明了所有非授权用户都进行协同频谱感知可以最大化总体数据传输速率的结论,进而最大化每个用户的数据传输速率。同时本文通过分析单次的协同频谱感知博弈,得出非授权用户会选择不进行协同频谱感知而最大化自身在单次博弈中的收益,从而造成总体的数据传输速率大大降低,进而使每个用户的数据传输速率都维持在较低的水平。为了解决这一问题,本文通过提出相应的模型,将集中式控制和分布式控制有效地结合起来,并分析了理论结果和实际工程的差别,得到了良好的结果。本文所提出的模型可以有效地应用于非授权用户的协同频谱感知,大大提高频带的利用率,为解决频谱资源紧张的问题提供一种思路。

摘要：认知无线电技术被公认是下一代无线网络的核心架构之一,频谱感知是认知无线电实现的核心手段。通过分析现有的协同频谱感知模型,证明了在多用户进行协同频谱感知的情况下,所有用户进行协同频谱感知所得到总体信道利用率是最高的;进而设计策略促使所有的非授权用户积极进行协同频谱感知,并对所设计的策略进行仿真验证。仿真结果表明,所设计的策略可以有效地促进非授权用户进行协同频谱感知,从而提高频谱资源的整体利用率。

关键词：认知无线电,博弈论,频谱感知,信道利用率,协同策略

参考文献

[1]Force S P T.Spectrum policy task force report[R].Federal Communi-cations Commission ET Docket02,2002,135.

[2]Mitola J.Cognitive radio:An integrated agent architecture for software defined radio[D].Doctor of Technology,Royal Inst.Technol.(KTH),Stockholm,Sweden,2000:271-350.

[3]Ghasemi A,Sousa E S.Spectrum sensing in cognitive radio networks:requirements,challenges and design trade-offs[J].Communications Magazine,IEEE,2008,46(4):32-39.

[4]杨磊,殷福亮,陈喆.认知无线电动态频谱分配新算法[J].信号处理,2010,26(8):1211-1216.

[5]Wang B,Liu R,Clancy T C.Evolutionary cooperative spectrum sensing game:how to collaborate[J].IEEE Transactions on,Communications,2010,58(3):890-900.

[6]Liang Y C.Sensing-throughput tradeoff for cognitive radio networks[J].Wireless Communications IEEE on Transactions,2008,7(4):1326-1337.

[7]Mishra S M,Sahai A,Brodersen R W.Cooperative sensing among cog-nitive radios[C]//Communications IEEE International Conference on.Dec2006,Istanbul.

协同感知的框架研究 篇6

当今的网络信息类型繁杂、数量众多,应用也越来越广泛,但我们对社会信息网络的研究尚处于起步阶段,缺乏长期的理论化、系统化研究。针对这一问题,我们应该适当开展社会信息网络的构建、演化分析、建模、突发检测等方面的研究。一项科学研究的终极目标是对其研究对象进行开发和应用,以便其能更好地为人类服务。这方面的研究可以着眼点在于为政府相关部门和机构提供及时处理社会信息网络上的突发事件的方法并提供决策支持,从而缓解社会矛盾,保障社会的和谐、稳定、健康发展[1]。研究的落脚点可以放在社会信息网络的构建、演化分析、建模三个方面。在这三个落脚点中,构建研究将为可靠的检测结果提供准确、完备的数据保障,同时也为进行可靠的演化分析和建模研究提供数据保障,而演化分析研究和建模研究则为可靠的检测结果提供理论保障。

2 数 据 精 准 感 知 型 核 协 同 社 会 信 息 网 络 构 建(Accurate data aware nuclear cooperative social information network construction)

社会信息网络演化信息和突发事件线索往往同时存在于多个数据源中,并且在多维空间中相互影响。全面提取跨数据源的网络信息,是网络具有准确性、可靠性的前提和基础。因此,多数据源协同互动感知机制研究是实现社会群体关系发掘与分析、突发事件态势预测与预警等过程中不可或缺的重要步骤。研究对多源异构社会信息网络网内的相关知识进行提取、协同统一,并在保证聚类平滑性这一前提下进行动态融合,对不完备链接进行填补,克服单源社会信息网络数据局限性,实现网络信息的精准感知。具体地说,社会信息网络构建研究将在以下三方面展开:

(1)基于核协同的多源异构社会信息网络极大相似子关系挖掘方法研究。在为具体应用设计核时,加入尽可能多的领域知识是极为重要的。社会信息网络知识同时存在于不同的数据源中,传统的基于图的核方法及较先进的随机游走核方法都存在着无法处理高阶数据这一限制。因此,我们拟基于节点信息的扩散行为,构建一个适用于多网协同关系提取的新核,发现进而融合极大相似子关系,消除单源网络信息片面性、不精准性这一限制。研究重点在于:1基于图节点上的信息扩散,构建多源异构网络信息协同扩散核,挖掘多数据源中的极大相似子关系;2控制扩散路径的长度,提高挖掘精度,实现网络数据精准感知。

(2)数据精准感知型社会信息网络不完备多社会关系填补方法研究。在社会信息网络中,许多节点之间的关系是未知的,从数据精准感知的角度来讲,有必要对未知的、不完备的社会关系进行补全。社会信息网络不完备社会关系填补,实际上是一种基于给定的图以及已知边来预测未知边的问题。进一步讲,它可以转化为传统的机器学习问题——矩阵补全(Matrix Completion)。最常见的矩阵补全方法是矩阵分解。矩阵分解在矩阵缺失值较少的情况下非常有效,其重构矩阵能保留原始矩阵大部分信息,然而真实的社会信息网络往往是一个稀疏矩阵,仅仅拟合少量值来分解大规模稀疏矩阵,容易引起“过拟合”问题,进而影响模型的泛化能力,对未知元素的预测能力减弱[2]。因此,我们需要另辟蹊径,寻求大型稀疏矩阵填补新方法。为了消除稀疏矩阵结构约束,实现对任意类型关系矩阵进行填补,我们研究的重点是利用多源网络知识的协同共享,发现相似知识间的潜在关联,构建潜在关系矩阵,提高大型稀疏矩阵填补的性能。

(3)动态核协同社会信息网络群体关系融合方法研究。基于核协同挖掘的极大相似子关系具有动态性及连续性,从聚类的角度来讲,处理动态数据目前主要有两种手段。一种忽略了数据随时间的变化,在随时间累积的整体数据上直接应用传统聚类方法。但是,在社会网络演变过程中,突发事件的产生使得每一网络快照上的聚类是明显的,因此整体聚类结果可能是毫无意义的。另一种则忽略了不同时刻数据之间的关联性而在每一个网络快照上单独应用传统聚类方法,这导致了不同时刻的聚类结果相差甚远。针对研究需要,我们的目标是设计具有普适性的在线式动态群体关系融合算法,以聚类结果精准为前提,实现时变条件下聚类结果仍然能够保持光滑性。

3 多维协同感知型社会信息网络演化分析(Analysison the evolution of cooperative awareness societymultidimensional information network)

这部分的研究可以概括为演化特征分析、共栖属性提取、协同演化分析三个层面。具体地说:

(1)基于Time Line的感知型社会信息网络演化特征研究。基于Time Line的感知型社会信息网络演化特征研究的主要内容是对其时序特征进行分析。因为社会信息网络中存在着多变性、瞬时性、Churn特性,因而从已有社会感知数据中获取Time Line的准确程度将直接影响时序特征的分析结果。抽取Time Line的时序间隔过大、过小或过于平缓,都不能准确的反映出该时间区间所发生事件的明显特征[3]。如图1所示,Time Line上有五个时序区间T1、T2、T3、T4、T5,其中T1与T2、T2与T3之间存在着相对的变化特征,T1与T5之间属于绝对变化特征。因此,如何通过已有的社会感知数据,提取理想状态下的Time Line,并通过演化分析算法,对Time Line上的不同时序进行演化特征分析是本研究的研究重点之一。

(2)感知型社会信息网协同共栖属性提取。该研究将通过对感知型社会信息网协同共栖属性提取,对其演化属性进行分析。目前的研究,大多以静态或时序网络快照为主。因此在实现连续动态的演化环境中,需要重新定义协同演化度量指标。其中,共栖属性可以区分出社会信息网络中感知对象之间是共生关系,还是竞争关系等。设计个体和群体的共栖属性提取方法,总结属性变化规律,是分析社会信息网络协同演化关系的重要前提和基础。

(3)动态嵌套多向关联的协同演化关系分析。该研究将设计感知型社会信息网络的自适应表达式,提出协同演化关系分析方法,对多维协同演化关系进行分析。

社会信息包括了各种维度的信息,信息之间起着协同作用,构成了整个社会信息网络的运行过程。它的协同演化过程是一个跨界现象,不仅发生在一个层级中,还可能发生在其他较低或较高层级中,而且还会发生在层级之间;既包括内部微观对象的协同演化,也包括与外部环境的宏观协同演化,并且这些不同层次的演化是交互嵌套、难以区分的。微观行为主体的活动经常会产生宏观上的效果,宏观层的演化也会对微观层的演化产生影响[4]。层级间互动的演化,是多层级协同演化的重要特征。图2展示了一个社会信息网络中多维信息的协同。

这部分还将利用各个子网络的属性值,重点研究通过社会数据感知计算技术,对动态嵌套多向关联的协同演化关系进行分析,提出对社会信息网络中的单方主导演化关系、共同主导演化关系和无主导演化关系的协同演化关系分析方法。

4 动态社会信息网络建模(Dynamic social networkinformation modeling)

建立动态的社会信息网络模型,首先需要确定描述网络模型的时间片特征值,即对时间轴进行足够细的分割,使得每一时间片上至多有一个节点变更其连接策略,而同时保证其他节点保持其原有连接状态不变。其次,需要设计网络模型的动态连接策略。连接策略的正确选择,决定着最终模型成功的与否。按照以上思路,模型建立部分的研究内容分为以下三个方面:

(1)以节点社会上下文(Social Context)为效用值,消除网络噪音。研究表明,人的行为活动具有重复性与周期性,这样就可以将人的多种行为特征表示为网络节点的不同社会属性,将节点的社会属性进行归纳就可以得到节点的社会上下文知识[5]。根据社会上下文,可以得到节点的信誉评价值。真实的社会信息网络中会存在一些由恶意节点引起的一定概率的误连接,因此在建模之前预处理网络数据可以降低由于个体行为的不确定性所带来的网络演化噪音。本部分内容研究应用社会上下文来评价节点的信誉度,并通过累计信誉记录得到节点的最终信誉值。由于恶意节点在社会信息网络中会恶意破坏社会信息网络中的正常连接,对网络研究的负面影响较大,所以可以根据节点的信誉评价值,孤立恶意节点并删减其连接。

(2)基于社会特征的时间片发现算法:Time sectiondiscover approach based on social information(TSI)。根据信息网络中节点的社会学特性,引入社会信息网络中节点的社会信息属性。因为当某个节点社会信息值发生一定变化时可能会引起社会信息网络结构的变化,所以时间片的划分应以节点社会信息属性的较大变化为划分依据,细化时间轴,使得每个时间片内只有一个节点的社会信息值发生变化,而其他节点按照惯性保持其社会信息属性值不变。经过这样处理之后,网络结构的变化过程就可以看成是一个马尔可夫过程。

(3)基于半随机游走策略的动态连接。社会信息网络中节点的连接过程可以看成是节点对社会信息进行追逐的过程。当网络中某些节点的社会信息值发生较大变化时,网络中的结构一般会发生相应的变化,其变化表现为网络中的某些节点会相应地连接到目前社会信息价值较大的节点上。这部分将研究在建模中应用随机游走策略,并设置连接阈值α。游走从网络的某一节点开始执行,当游走到目前社会信息值较大的节点时进行连接,之后继续游走到下一个目标节点,直到多次搜索并无更大社会信息值节点,完成一次随机游走。在每个时间片中模型要完成多次随机游走的动态重链。在随机游走的过程中由于应用了连接阈值α限定连接操作,所以此操作可以看作是半随机连接,连接阈值α的设定与网络中节点的社会信息价值有关,α的具体值应高于网络中节点的社会信息价值的平均值,并可设置α的浮动范围δ(δ是一个较小的值)。

由于社会信息网络研究的数据精准感知型核协同社会信息网络的网络结构是动态演化的结果,所以网络结构将随着网络中节点数量、节点的社会信息属性及节点社会上下文的变化而发生相应变化。上述三个方面的研究可以综合表述为动态半随机重连策略,应用这种策略建立的网络模型可以表现出网络由不稳定到相对稳定,再到不稳定的演变过程。

5 社会信息网络上突发检测方法(Social networkinformation burst detection method)

由于社会信息网络同时具有信息网络的实时性和社会网络的交互性的特点,因此可以通过研究社会信息网络拓扑结构的演化行为,研究突发事件的检测与预警方法。主要研究问题如下:

(1)网络节点影响力分析方法。针对社会信息网络不同于传统网络的集聚特性,提出网络节点的影响力分析方法。首先,基于拓扑势理论对社会信息网络进行社区发现,并对网络中的节点进行分类;其次,针对不同类型节点的不同结构特征,分别对其进行影响力分析。

(2)网络节点的可信度评估方法。研究社会信息网络中节点的可信度,一方面采用云模型对社区内和社区间的节点进行全局信任评估,另一方面通过引入时间窗及构造时间函数实现对可信度的动态更新。

(3)突发检测方法与预警方法。由于突发事件具有的海量数据积聚、爆发的瞬时性及偶然性等特点,因此首先引入滑动窗口的思想对监测到的数据流进行分析,然后分析网络拓扑的演化行为,进而对网络上的突发事件进行检测和预警。

在这些需要解决的科学问题中,基于网络拓扑演化的突发事件检测与预警方法研究为社会信息网络研究目标实现的最后一环,而且带有更大的探索性和前瞻性,所以基于网络拓扑演化的突发事件检测与预警方法研究可是说是我们需要解决的关键科学问题。

6 结论(Conclusion)

社会信息网络是兼具社会网络和信息网络特征的新型网络,一方面其节点间表现出强交互特征,另一方面其拓扑结构呈现强时变特征。由于社会信息网络的数据具有多源性、异构性,拓扑结构具有多变性、瞬时性、Churn特性以及不同层级之间存在着交互嵌套演化等现象,因此社会信息网络是一个异常复杂的系统,社会网络和信息网络上的传统研究方法很难直接应用或迁移到社会信息网络上。目前来看,社会信息网络上的理论研究还比较匮乏,开发、应用等活动尚缺乏合适的实践方法和指导理论。真正建立一个面向数据精准感知的动态社会信息网络研究平台,还需要我们不断努力。

摘要：目前,社会计算和面向网络化社会的研究在许多国家都被提升到了国家战略层次,成为了学术界的研究热点和前沿课题。社会信息网络(SIN)作为社会计算的重要研究内容也是我们应该关注的对象。内容包括数据精准感知型核协同SIN构建、多维协同感知型SIN演化分析、动态SIN建模和SIN上的突发检测进行了系统描述,不但可以为SIN研究提供理论支持,而且也可为涉及社会和谐发展的SIN上的突发检测应用提供新方法。