商品属性感知（精选4篇）
商品属性感知 篇1
引言
店铺印象是消费者形成店铺态度、忠诚及店铺选择的前因。在零售领域中, 店铺印象的研究已有很多, 但大多数是从单个零售店铺属性的感知入手, 测量消费者对店铺印象的形成过程及形成结果。然而, 在现实中, 绝大多数的店铺不是独立存在的, 许多店铺选址相对集中, 形成了各具特色的商业区, 在同一商业区内的店铺以及整个商业区与单个店铺之间必然会相互作用、相互影响。虽然有少数研究提到了店铺间的相互影响 (石原武政, 2006;Chebat等2006, Finn and Louviere, 1996) , 但这些研究并不能清楚的解释商业区是如何影响单个店铺印象的。本文将从消费者对店铺所售商品价格判断和质量感知这两个维度来进行考察, 测量商业区的档次对店铺印象形成的转移作用。
一、文献回顾
1、不同商业集聚的形成
中心地理论及修正中心地理论指出:由于购物需求的多样化及多目的购物出行, 导致在同一城市中的不同商业区的等级及其提供商品和服务也会是不一样的。因此在城市中会出现提供高级商品及服务的高档商业区和提供低档商品及服务的低档商业区。一些学者认为, 购物中心 (管理型商业区) 的物理特征和承租店铺的特征从不同的维度构成了消费者对该购物中心的印象 (Louviere, 1988) 。那么可以认为, 消费者对商业区的整体印象是源于该区域内不同店铺印象的共同作用和商业区自身物理环境的契合。
2、店铺印象的形成
关于店铺印象, 许多学者认为它是消费者对各种店铺属性感知的综合, 而这些属性是消费者从最近的和过去的感知中得到并被加入到他们的意识系统去帮助他判定店铺的客户政策和作出购买预期 (Katherine et.al., 2005) 。在执行购买任务时, 这些属性对消费者店铺印象的影响有主有次, 消费者也只是凭借其主观感知到的这小部分重要属性的刺激 (如产品价格、服务态度、店铺设施等) , 进行店铺选择。一些学者认为, 消费者在店铺选择中产生的对一小部分属性的感知, 可能是基于对其他店铺的对比。即, 消费者对某一个店铺相对于其它商店的看法结合消费者独有的认知框架形成了主观的店铺印象 (Hirschman, 1981) 。
3、店铺印象转移理论
通俗归类理论认为在同一领域内认知相似的物体在人的记忆中是稳定的, 并且主体会根据客体的相似性和社会类别知识对客体进行归类。社会心理学中的刻板印象提到知觉者会将既定的社会信息与潜在的因果关系整合在一起, 获取的信息将决定其对客体形成什么样的印象, 和将客体归为哪一类别 (王沛, 2003) 。而这一心理作用在零售印象形成领域, 则可能表现为商业区印象或商业区内某个主力店铺印象对其他单个店铺印象形成的影响, Burns David (1992) 称其为印象转移。石原武政 (2006) 称这种现象为店铺的外部性。可见, 商业区印象对店铺印象会有一定的影响, 这种影响可能体现为在不同背景下的相同店铺, 消费者对其商品价格和质量的预期会有差别。因此, 我们提出如下四个假设:
H1:不同商业集聚的印象会影响消费者对低档店铺所售商品价格的判断。
H2:不同商业集聚的印象会影响消费者对低档店铺所售商品质量的判断。
H3:不同商业集聚的印象会影响消费者对高档店铺所售商品价格的判断。
H4:不同商业集聚的印象会影响消费者对高档店铺所售商品质量的判断。
二、研究方法和内容
1、实验
本研究采用2 (高档商业集聚;低档商业集聚) ╳2 (高档百货店;专卖店) 单因素混合实验设计, 邀请了68名吉林大学商学院本科四年级学生 (16名男生和52名女生) 参加实验。并按男女比例随机将他们分为四组:实验组1 (高档商业集聚下百货店印象测试) 、实验组2 (高商业集聚下专卖店印象测试) 、实验组3 (低档商业集聚下百货店印象测试) 、实验组4 (低商业集聚下专卖店印象测试) , 每组样本量均为17。测试过程是要求被试者在接受不同的照片刺激以后填写调查表。
2、数据分析
实验设计的调查表是测试被试者对不同商业区背景下商品价格、质量的判断。因此, 商品价格的题项是以被试者对商品标价 (每百元为一个单位, 从0-100元到1000元共10个选择) 的猜测作为依据, 进行测量;对商品质量内容的题项是根据Likert 7级量表进行测量: (1) 质量非常好, 到 (7) 质量非常差。采用配对样本T检验来测量在不同商业区背景下, 消费者对百货店、专卖店商品价格和质量的感知差别, 结果如表1所示:
三、研究结论
从商业集聚档次与店铺档次对商品价格感知的交互作用图, 即图1中可以看到:A点, 在没有集聚及店铺背景下, 仅仅是对商品标价的猜测, A值是居中的;随着店铺类型的出现, 在B和B’点被试者对商品标价的猜测出现了差别:代表高档店铺的百货店所售商品价格判断明显高于代表低档店铺的专卖店所售商品价格判断;在低档商业集聚内, 无论是百货店还是专卖店, 被试对商品价格的猜测都有所降低, 而百货店降低的幅度较大, 可见低档集聚的印象对高档店铺的价格印象会有较大的影响;在高档商业集聚内, 无论百货店还是专卖店的价格判断都有所回升, 百货店价格印象回升幅度较大。可见, 高档店铺所售商品价格受集聚类型的影响要比低档店铺的大。
从商业集聚、店铺档次对商品质量感知的交互作用图, 即图2中可以看到:没有集聚及店铺背景下, 消费者对商品标价的猜测 (C值) 是居中的;随着店铺类型的出现 (在D和D’点) , 被试者对商品质量的猜测出现了差别:百货店所售商品质量感知高于专卖店所售商品质量感知;在低档商业集聚内, 无论是百货店还是专卖店, 被试者对商品质量的猜测都有所降低, 但降低的幅度差不多;在高档商业集聚内, 被试对百货店和专卖店所售商品质量判断都有所回升, 回升幅度差不多。
可见, 消费者对店铺的印象首先会将按其自身属性将店铺归类, 或高级或低级, 但这一归类会受到其所在商业区印象的影响:如果商业区的档次低, 店铺的印象也会随之下降, 表现为顾客认为店铺所售商品的价格水平和质量水平会降低。
摘要：一些研究证明了商业集聚对店铺的印象有影响, 但并没有明确是什么影响和怎样影响。本研究通过实验设计, 对比不同环境下被试者对商品价格和质量感知的变化, 揭示了集聚印象对选址其中的店铺形象的影响, 并依据归类理论得出:消费者对商品属性的感知首先会受店铺高低档次的决定, 但店铺所处集聚的高低档次的形象会促使商品属性感知发生移动, 从而影响消费者对店铺的印象。
关键词：商业集聚,店铺印象,印象转移,商品属性感知
参考文献
[1]、王沛.刻板印象与社会情境因果建构的相互影响[J].心理科学, 2003 (4) : 738-739.
[2]、石原武政. (2006) , 零售业的外部性与城市规划[M].有裴阁.
[3]、BURNS, DAVID J. (1992) , Image transference and retail site selection[ J ].InternationalJ ournalo fR etail& D istribution Management, 20 ( 5) :38-44
[4]、CHEBAT JEAN-CHARLES, SIRGY M.JOSEPH, ST-JAMES VALERIE. ( 2006) , Upscale image transfer from malls to stores:A self-image congruence explanation[ J ].Journal of Business Research, (59) : 12881296
[5]、DIRK MORSCHETT, BERNHARD SWOBODA, THOMAS FOSCHT. (2005) , Perception of store attributes and overall attitude towards grocery retailers: the role of shopping motives[ J ], Int. Rev. of Retail, Distribution and Consumer Research , 15 (4) : 423-447.
音色感知属性的标注方法 篇2
音色属性包括基本属性、统计属性以及感知属性。近年来, 对于基本属性和统计属性, 学者进行了深入细致的研究, 并广泛应用到音符识别、和弦识别、节奏识别、音调识别、旋律识别、音乐检索、音源分离等诸多领域。而对于音色的感知属性, 研究的还很少, 尚缺乏科学客观的评价, 无法应用感知属性。自从1960年ASA给出音色定义以来, 学者一直致力于音色的研究和应用工作。Martins和Ferreira提出了谐波结构轨迹和后期处理相结合的复调音乐标注方法;石立新等通过插值估计获得音色模型, 采用迭代删除的方法进行多基频分析[1];Y.Sakuraba和G.Okuno基于音色相似性以及近邻方向性识别音符;J.Burred, A.Robel以及X.Rodet根据精确的音色模型进行乐器识别;文献[2-7]还将音色模型应用在医疗、交通等行业;Pratt和Doak针对简单的合成音乐给出一个三维空间, 分别是bright-dull, warm-cold以及rich-pure轴。
本文着眼于对描述音色的本质特征的探寻, 建立起音色基本属性与感知属性之间的客观联系, 构建音色感知属性空间, 实现对音乐的赶住属性的标注。
2 音色的基本属性
2.1 基频。
基频是一个音最重要的参数, 决定整个音的音高。乐器的音由基频及其若干次泛音构成, 一般很难用一种统一的方法估算所有音的基频。各种基频检测方法都有各自的使用范围, 也具有相应的优缺点。 (1) 时域检测方法:基音和谐波信号有规律地周期性叠加的结果, 必然是整个波形在时间轴上与基音呈现相同的周期性。最常用的时域基音检测方法有短时自相关法、短时平均幅度差 (AMDF) 法等。 (2) 频域检测方法:最常用的频域检测方法为谐波峰值法。谐波峰值法是基于快速傅里叶变换 (FFT) 的分析法, 将信号通过FFT变换得到离散的频率谱, 最大峰值对应于基频。 (3) 时频域检测方法:时频域检测方法可同时提取信号时域和频域的信息, 特别适于时变信号的分析, 其中最具代表性的就是小波分析。
2.2 响度。
响度 (loudness) 同样是音色中重要的属性, 代表声音的强度, 又称为强度 (intensity) 或能量 (energy) , 可由每帧信号的振幅大小来类比。一般使用“主观音量”来表示人耳所听到的响度大小, 人耳对于同样振幅但不同频率的声音, 所感受的主观音量就非常不同。本文采用了更符合人耳对声音响度感觉的计算方法。其公式如下:
2.3 持续时间。
声音的持续时间包含打击、持续、衰减、释放四个阶段, 当声音逐渐增大, 达到最大值的10%时 (tsa) , 认定为声音的开始, 而当声音由强逐渐减弱到最大值的10%时 (ter) , 确认声音结束, 则声音的持续时间为:t=ter-tsa (2)
3 感知属性空间
现有感知空间一般从音乐工作者的主观判断出发, 经主分量分析降维而得到。显然维度越高该音色库越是细腻, 越能贴切的描述出对应的音色。然而, 维度越高, 计算的复杂度也越高, 应用灵活性也越差。为了便于客观地标注音色的感知属性, 本文从音色的基本属性出发, 构建三维感知属性空间。三个维度分别是频率 (对应音色基本属性的基频参数) 、响度 (对应音色基本属性的帧能量) 以及时间 (对应音色基本属性的音符持续时间) 。
比较英语、德语以及西班牙语的描述感知属性的形容词, 经过归类整理, 得到包括清脆等93个中文形容词的中文感知属性词集。从音乐素材库中选取128个音乐片段, 经音乐系师生、乐器爱好者试听, 并从词集中选择恰当的词加以描述。应用前节方法分别计算出各词对应音乐的基频、响度和持续时间, 合并基本属性相近的词, 最终将感知属性空间划分为64个区间。所构建的三维感知空间如图1所示。
4 实验
实验分两种情况进行, 第一种情况是对同一乐器的不同音符的音色识别, 第二种情况是对不同类乐器的相同音符的音色识别, 采用吉他、钢琴、萨克斯、小号、长笛5种乐器。
4.1 同一乐器的不同音符的音色识别。
在普通房间录制钢琴的88个音符, 采样频率22050Hz, 分辨率16位, 单声道。调整音符的幅度, 使各音响度接近。采用文献[5]方法确定各个音符的起止时刻, 进而得到各音的持续时间。按照公式1计算响度。针对高音音符, 采用谐波峰值法确定基频, 经过频谱插值提高基频估计精度[8];针对中低音, 由于基频衰落甚至丢失原因, 采用最小二乘法拟合估算基频[9]。部分音符的基本属性 (基频、响度、持续时间) , 以及据此标注的感知属性见表1。
4.2 不同乐器的相同音符的音色识别。
选用吉他、钢琴、小提琴、小号、萨克斯五种不同乐器进行测试。由于不同乐器的音域范围不同, 为了便于比较, 选取各乐器均包含的中音部分进行分析和感知属性标注。针对部分音符的实验结果如表2所示。
摘要：音色感知属性是人们对声音的主观认知, 感知属性的标注是指通过计算机识别音色基本属性, 进而得到该声音的感知属性。本文选取基频、响度和持续时间三个基本属性, 构建三维坐标感知坐标空间。实验表明, 该标注方法稳定可靠, 得到了专业音乐人士的认可。
关键词：音色,感知属性,感知坐标空间
参考文献
[1]石立新, 张俊星.基于音色模型的多基频估计方法[J].计算机工程与设计, 2010, 31 (13) :3066-3069.[1]石立新, 张俊星.基于音色模型的多基频估计方法[J].计算机工程与设计, 2010, 31 (13) :3066-3069.
[2]张俊星, 石立新, 王都生, 等.阈值自适应语音自动分割系统模型[J].计算机工程与设计, 2010, 31 (8) :1886-1889.[2]张俊星, 石立新, 王都生, 等.阈值自适应语音自动分割系统模型[J].计算机工程与设计, 2010, 31 (8) :1886-1889.
[3]郑蕊蕊, 赵继印, 赵婷婷, 等.基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断[J].中国电机工程学报, 2011, 31 (7) :56-63.[3]郑蕊蕊, 赵继印, 赵婷婷, 等.基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断[J].中国电机工程学报, 2011, 31 (7) :56-63.
[4]杨亚宁, 李敏, 吴宝春, 等.轮胎爆胎预警系统硬件设计的可靠性研究[J].电子设计工程, 2012, 20 (6) :5-8.[4]杨亚宁, 李敏, 吴宝春, 等.轮胎爆胎预警系统硬件设计的可靠性研究[J].电子设计工程, 2012, 20 (6) :5-8.
[5]张俊星, 石立新, 王都生, 等.阈值自适应有声出版物语音自动分割算法[J].计算机应用, 2010, 30 (2) :567-570[5]张俊星, 石立新, 王都生, 等.阈值自适应有声出版物语音自动分割算法[J].计算机应用, 2010, 30 (2) :567-570
[6]吴宝春, 郑蕊蕊, 李敏, 等.基于遗传灰色GM (1, 1, ρ) 模型的短时交通流量预测[J].电子设计工程, 2012.[6]吴宝春, 郑蕊蕊, 李敏, 等.基于遗传灰色GM (1, 1, ρ) 模型的短时交通流量预测[J].电子设计工程, 2012.
[7]王培昌, 常治学, 韩志敏, 等.多孔同轴度检测系统的研制[J].光电子, 激光, 2010.[7]王培昌, 常治学, 韩志敏, 等.多孔同轴度检测系统的研制[J].光电子, 激光, 2010.
[8]肖瑛, 冯长建.组合窗函数的短时傅里叶变换时频表示方法[J].探测与控制学报, 2010, 32 (3) :43-47.[8]肖瑛, 冯长建.组合窗函数的短时傅里叶变换时频表示方法[J].探测与控制学报, 2010, 32 (3) :43-47.
商品道德属性左右企业文化 篇3
人类在自身发展历程中, 实现了自然性与社会性的统一。作为社会实践主体, 人的自然性要依靠人的社会性才能实现。人类的社会性使人类能接受社会共同体的生活, 商品经济使得这个共同体生活得以维系。人的自然性需商品经济行为结果对自我需要的满足, 社会有组织的生产为人类实现这个满足提供了条件。人类进入到商品经济时期的同时, 也真正地进入到文明时期, 因人类社会性得以存在的基础就是人类文明, 而主导不同时期文明的内在力量是道德的存在。商品经济作为道德规范下的人类文明实践行为之一, 其关键是商品生产, 这决定了商品作为社会存在必然具有道德属性, 商品这一属性是企业家通过企业文化建设将自身道德修养注入到商品之中的行为表现。
对商品属性的再定位
人类的社会生产实践活动是从劳动开始的。劳动是人类得以存在的唯一途径, 居这一途径首位的是生产, 生产把人与人结合在一起。人类的生产行为在不同的社会历史形态中所表现的方式及目的不同, 马克思说:“越追溯历史, 个人, 也就是进行生产的个人就显得越不独立, 越从属于一个更大的整体。最初还是自然的自在家庭和扩大成为氏族的家庭中, 后来由于氏族间的冲突和融合而产生的各种形式的公社中, 到十八世纪‘市民社会’中, 社会结合的各种形式对个人来说, 才只是达到他私人的目的的手段, 才是外在的必然性。”随着社会生产率和组织力量的发展, 人为了自我目的的实现, 在生产中的独立性越来越大, 从而产生了社会分工, 从本质意义上来说, 社会分工是人实现私人目的最有效手段。
生产率的提高使人们意识到生产更多的产品用于换取自身或氏族成员所不能生产的产品, 将会更有利于自身或氏族的生存, 这种交换的结果远比通过战争进行掠夺的效果要好。于是, 社会上出现了一种特殊的产品——以劳动的手段生产出来的用于交换的产品, 我们称这样的产品为“商品”。可以看到, 商品之所以特殊就在于它是用来交换的劳动产品, 是交换目的与行为赋予了它的特殊性。只有当产品具有使用价值时才能交换出去, 所以商品的使用价值是商品的属性之一。这种价值是通过人的劳动创造出来的, 这样, 人与物就有了必不可分的联系, 这个联系以人的劳动凝结为标志, 从而使得商品具有了价值这一属性。就此我们说, 商品作为物的存在, 其必然具有使用价值和价值两重属性, 价值寓于使用价值之中。
商品生产者为实现商品的价值, 须让度其使用价值;商品消费者为获取商品使用价值须让度等量价值, 就是说商品的两重属性需通过市场交换才能实现。由此, 商品的生产者和商品消费者是分离的, 商品生产者只有通过市场占有最大限度的商品消费者时, 它凝结在商品中的价值才能最大化实现;商品消费者只有通过市场最大限度的比较商品生产者时, 他获取商品使用价值的目的才能最优化实现。“市场占有”与“市场比较”的统率因素则是商品自身中隐含的“道德”。换句话说, 商品生产者只有在道德引导下, 本着诚信待人、合法经营、服务社会、公正竞合的道德理念, 才能更好地占有市场, 为更多消费者所选择, 这样的交换过程决定了商品具有道德属性。商品道德属性含量的高低直接决定着商品使用价值的潜在效能, 直接决定着交换行为的未来趋势。
商品的道德属性是商品价值与使用价值的灵魂, 商品的价值与使用价值是商品道德属性的外在表现。对商品生产者来说, 经济效益是实现社会效益的基础, 经济效益的实现要依靠商品的价值与使用价值的市场交换过程实现, 这一过程也是商品生产者道德素质通过商品的表现形式外化的过程。在商品道德属性的价值引导下, 现代企业为实现经济效益与社会效益双赢, 都在力求构建以商品最优化占有市场为标志的、适应本企业发展的有效形式, 即企业文化建设。
商品道德属性要求建立现代企业文化
现代企业不再把人的要素视为劳动力, 而是在将其看作企业工人的同时, 又将其看作企业成员, 故而现代企业中的人本思想就凸现出来了。
现代企业的人本思想是商品道德属性成为现实的基础性条件, 这样, 人本思想就成为现代企业文化建设的主导要素, 其目的在于形成能促进企业持续成长的良好的管理价值观。企业管理主要涉及到质量管理、人才管理、营销管理、财务管理和研发管理, 在这些管理之中占有统率地位的则是人才管理。因用好人方能办好事, 企业文化层次由里向外依次为:理念、制度、行为和物质。在这四个层次中, 与客户直接联系的是物质, 也就是我们所说的商品。在一个企业中, 商品是通过员工的实际生产和管理行为生产出来的, 而员工的实际生产和管理行为必须在本企业的有效管理制度的约束之下进行。企业的有效管理制度是企业经营理念的产物, 企业以什么样的理念经营即企业拥有什么样的价值观, 直接决定着企业成长的态势。
优秀的企业文化核心理念多为诚实守信、以人为本、创新研发, 为社会、客户、股东和员工服务。这些理念具体化就是商品道德属性的市场化, 只有把这些理念以道德属性方式内化于商品之中时, 企业理念才能真正得以实现, 才能真正地实现商品的人性化。企业文化的最核心层次——经营理念只有通过企业管理制度落实于企业员工的生产行为, 最终借助于商品的价值与使用价值的市场化得到客户认可。在这一过程中, 商品的道德属性在优秀企业制定经营理念时已潜在了, 当优秀企业按经营理念把商品生产出来时, 商品的道德属性就成为现实。商品道德属性要求企业必须建立与之相适应的现代企业文化, 而核心又在于以人为本的企业经营理念, 这一理念的产生须由处于社会实践中的人来完成。具体到一个企业, 其经营理念的制定要由本企业决策者——企业家来完成。企业家主导该企业的文化建设, 企业文化建设必然会受到企业家职业良心、道德素质和人格情操的影响。
企业家道德建设
21世纪的企业家多是在改革开放后的市场化进程中脱颖而出的。在这段时间里, 中国大部分企业家把赚钱聚财作为当务之急, 无暇顾及企业文化建设与自身道德修养等精神层面, 即使搞企业文化、品牌战略、社会慈善, 也只能把它们当作营销手段, 或为某种个人目的进行。当然也有些企业家在自身道德修养方面做得很好, 但就整个中国企业家队伍而言是凤毛麟角。假冒伪劣、以次充好、见利忘义、唯利是图、损公肥私、徇私枉法等不良社会现象使我们有充分的理由呼吁企业家在经营行为中“道德回归”。
企业家作为制定企业经营理念的决策者, 在谋求企业发展、追求经济利益的同时要承担社会责任, 要以道德形态来制定企业经营理念。有道德的企业家会把企业管理、员工福利、社会效益、经济效益、客户反馈、法律规章和创新竞合联系起来, 不偏废任何一方, 从而使其企业经营理念具有道德表现形式。在以诚信为本的企业经营理念的支配下, 企业管理制度和行为才是道德的, 进而其生产的商品方能具有道德属性, 这种属性是获得社会效益的基础所在, 所以, 企业家道德行为最终是以商品的道德属性通过市场传递给客户。市场竞合过程中, “名牌战略”的实施是企业家将其道德素质注入到商品之中的道德化市场行为, 这种行为的外在表现就是企业文化建设, 内在表现是商品道德属性的社会认同。
企业家能在所有与他的公司相关联的个人和团体之中树立起信任、忠诚和努力的形象, 对企业发展及企业文化建立至关重要。企业家道德素质培养的关键在于对客户、员工与竞合者的正视与定位。客户是水, 企业是舟, 企业家是舵, 员工是水手, 竞合者是航标。企业家在制定企业经营理念过程中, 第一要考虑的是客户, 因客户是企业的生存空间, 对待客户要本着诚信、负责和服务的理念。舟的行驶离不开水手, 企业家在管理过程中要以人性化方式管理企业员工, 这是基于对人的基本权利、个性与尊严的尊重, 将使企业凝聚力增强。舟在水中行驶, 须正确识别航标, 掌舵人要敢于超越航标, 又要善于分析航标的具体情况以适时调整行驶方向。
企业家的诚信的外化结果直接表现为本企业所推出产品的质优价廉及售后服务的快速与周到, 间接表现为由此而带来的经济与社会效益共同作用下的企业的发达与个人事业发展, 只有以凝聚了诚信理念的投产决策、技术设计、制做过程、质量标准作为保证, 才会有货真价实、富含道德属性的商品产生。企业家行为是否符合职业良心, 符合的程度有多高, 总是通过其行为结果——产品和售后服务反映出来。本质上, 企业家职业良心是企业家的主观意志, 一旦付诸实现而生产出客观存在的商品, 就会以利益相关人的口碑反映出来。
商品属性感知 篇4
人们广泛使用无线传感器网络[1]来从物理世界采集多种属性数据，在网络世界重建环境数据。这些数据对科研人员发现周围世界具有重要作用。例如，科研人员根据风速、空气湿度和空气温度数据揭示了植物进化，根据火山温度和震动数据预测火山喷发。然而，无线传感器网络经常出现数据丢失现象，比如文献[2]的海洋监测项目和文献[3]的Green Orbs项目的数据丢失率分别达到64%和35%。因此，对这些数据进行高精度恢复是个重要课题。
较高的数据丢失率掩盖了时间和空间相关性。因此，经典的插值方法，比如文献[4]中的K最近邻算法，由于缺少单跳近邻(最近邻)导致结果不尽如人意。最近文献[5]基于环境时间和空间改进的压缩感知算法(ESTI-CS)，提高了数据恢复的精度。然而，面对大量数据丢失情况，低秩和稀疏特征受到影响，ESTI-CS算法的估计误差较大。
我们注意到如下两种状况:(1)一般情况下，无线传感器网络往往同时采集多种属性，比如Telos B结点[3]采集了3种属性:温度、光照和湿度。(2)我们有理由认为这些属性存在相关性。例如，当太阳升起时，室外温度和光照会同时上升。海水盐度也和深度存在关系。文献[6]实证研究表明，温度、露点温度和相对湿度间存在线性关系。这些属性间的相关性可以作为内部相关性的补充，进而提高估计精度。因此，我们的思路是如何挖掘这些相关性并应用到数据恢复问题中。
针对这一问题，首先研究了Intel Indoor项目[7]和Green Orb项目[3]真实传感数据的特征，并从中发现了低秩属性特征。我们提出了一种联合稀疏分解方法以确定多种属性间的交叉特征。在两种相关属性间发现了一种很具活力的公共部分。然后，提出了MACS算法，利用属性特征来同时恢复多属性数据集。最后，基于真实数据对本文算法进行仿真，对MACS算法与KNN、ESTI-CS等经典和最新算法进行比较，评估结果表明，MACS性能优于其他算法。
1 相关工作
数据恢复问题一直是WSN中的一大研究热点。相继有众多的学者提出了一系列方法用于无线传感网中数据恢复的方法[8,9,10,11,12]，如吴桂峰等人[8]提出一种基于二次规划的无线传感器网络数据恢复算法。该算法将压缩感知重构中的欠定线性方程组求解转化为有界约束二次规划问题，在此基础上结合阿米霍步长准则对二次规划进行求解，从而对网络数据进行恢复。理论分析和仿真结果表明，所提算法在准确恢复网络数据的前提下，明显降低数据恢复的计算复杂度。冯志刚等人[9]提出了一种基于LS-SVM回归的时间序列预测器，并将其用于传感器的故障检测和数据恢复。仿真实验比较结果表明，LS-SVM预测器预测精度高，外推能力强，可有效实现传感器故障检测和短期数据恢复。黄宴委等人[10]为解决桥梁结构健康监测系统中数据丢失问题，引入格兰杰因果关系分析各传感器变量数据间的关系，选择与传感器丢失数据格兰杰因果关系大的变量作为极限学习机的输入向量，实现丢失数据的恢复。仿真实验结果表明，与反向传播网络和最小二乘支持向量机算法对比该方法在理论和实践上是正确和可行的。谢梦等人[11]提出了一种利用网络节点的缓冲区存储和重传网络编码包进行丢包恢复的机制。实验结果表明，提出的丢包恢复机制只需要较少的重传次数就能精确地恢复丢包，与已有方法相比，降低了网络能耗。
另外还有许多文献对丢失数据插值问题展开了研究。最经典的插值算法是K最近邻算法[4]。该算法利用相邻数据的均值作为丢失数据的估计。当丢失的数据量不太大时，该算法的性能比较优异。然而由于缺少单跳近邻(最近邻)，当丢失率上升时，估计误差会迅速上升。压缩感知[12]是当前一种先进而又强大的大规模数据丢失恢复算法。有多种基于(CS)的变种算法在实际领域中得到应用，比如分布式压缩感知算法(DCS)和多任务压缩感知(MTCS)算法应用于信号处理和图像处理领域[13,14]。应用于无线传感器领域的最先进的CS变种算法为ESTI-CS[5]。ESTI-CS算法针对无线传感器网络特有的数据丢失模式，对传感器数据的低秩和时间-空间特征加以利用。然而，面对大量数据丢失的情况，低秩和稀疏特征受到影响，ESTI-CS算法的估计误差较大。
总的来说，以上算法均是根据单一特征来估计丢失数据。然而，自然环境中的许多物理属性间存在强烈的相关性，比如湿度和温度[6]。鉴于此，本文研究就是利用这些相关性来进一步提升数据恢复的精度，提出了一种基于多属性协助和压缩感应的数据恢复精度优化算法，并通过仿真实验验证了本文方案的有效性。
2 问题描述
2.1 环境数据恢复问题
假设在一定区域内部署n个结点，每个结点配备k个传感器来测量属性。监测周期有t个时间隙。数据报文的格式如下:
在下文中，设k个属性表示为Mi,i=1,2，…，k。每个Mi为一个n×t矩阵。由于无线传感器网络数据丢失，因此Mi往往是不完全矩阵。我们获得的关于Mi的信息就是一组采样元素(Mi)pq,(p,q)∈Ωi，且Ωi是Mi元素完整集合的一个子集。这一过程用采样算子PΩ(·)表示，定义为:
因此，我们获得的矩阵为PΩi(M1),i=1,2，…，k。本文要研究的问题是:根据采样矩阵PΩi(M1)，…，PΩi(Mk)(无线传感器采集到的不完整数据)，尽可能实现矩阵M1，…，Mk(完整的环境数据)的高精度恢复。我们把该问题称为环境数据恢复问题(EDR)。
2.2 问题定义
由于重点是对多个属性间的相关性加以利用，所以我们要对多个矩阵进行联合估计。为简便起见，本文大部分情况下以两个属性为例讨论EDR问题。本文分析和算法可以轻松拓展至多属性情况。
正式地，当k=2时，可将问题定义为:设M1和M2的子集为确定一个最优解实现式(2)最小化:
其中，‖·‖F表示Frobenius范数。例如，对矩阵X=(x(i,j))p×q，因为属性的数值不同，一个矩阵可能会掩盖另一个矩阵，所以使用μ作为权衡系数。
3 传感器网络的数据集
本节将对无线传感器的真实数据展开分析，进而确定几种属性，为本文数据恢复算法打下基础。
3.1 真实数据
原始数据从Green Orbs[3]和Intel Indoor[7]两个项目采集而得。对原始数据分析后得知，两个数据集的丢失率分别为35%和23%。因此，为了获得真实数据，选择了两个规模较小但完整性较好的数据集，见表1所示。选择方法需要考虑时间和空间双维完整性最大化，见图1所示。每个数据集包括温度和光照两个属性的子集，且两种属性的选择元素相同。
3.2 低秩结构
考虑到相邻传感器的读数具有相关性，短时间内的读数非常相近，于是我们对环境数据集的内在结构或冗余性进行挖掘。
使用奇异值分解(SVD)。n×t维矩阵X的SVD为:
其中，σi≥σi+1,i=1，…，min(n,t)，(·)T为移位操作符，U为n×n正交矩阵，V为t×t正交矩阵，Σ为包括X所有奇异值的n×t维对角矩阵。假设r=rank(X)，于是Σ中的σi为Σ=diag(σ1，…，σr,0，…，0)。所有奇异值的和表示X的总能量。根据文献[15]，如果矩阵X为低秩矩阵，则它的前r个奇异值之和便表示了它的总能量或近似总能量，即图2为表示奇异值能量分布的累积分布函数。前5%个奇异值包含了Indoor项目温度和光线的所有能量。前5%和20%的σi分别包含了Green Orbs温度和光线90%的能量。以上结果表明，秩的最小化可以用于本文数据恢复问题中。
3.3 属性间的内在关联性
自然属性间往往存在一定的联系。例如，文献[6]的实证研究表明，在特殊情况下，温度、露点温度和相对湿度间具有线性关系。然而，在大部分情况下，这些关系无法直接表示为一个简单的函数。为了利用无线传感器网络属性间的关联性，本文提出联合稀疏分解(JSD)策略将两个矩阵分为一个共同部分和两个特殊部分。假设M1=(m1(1)，…，mk(t)),M2=(m2(1)，…，m2(t))。对两个列向量m1(k)和m2(k)，我们的目标是分割它们，即:
其中，u(k)是m1(k)和m2(k)的共同部分，为基数ψ(即小波基)和稀疏向量v(k)的积。两个特殊部分分别表示为δ1(k)和δ2(k)。此外，将式(4)重写为矩阵形式，即:
根据压缩感知理论，通过求解如下的l1-范数最小化问题，可以确定(v(k)T，δ1(k)T，δ2(k)T)T:
其中，‖·‖1为l1-范数，=(v(k)T，δ1(k)T，δ2(k)T)T,m=(m1(k)T,m2(k)T)T，且A=(ψ，I,0;ψ，0,I)。于是，根据求得u(k)T、δ1(k)T和δ2(k)T。对每个列向量进行JSD分解，则M1和M2分解为:
图3表明，如果两个矩阵的相关性较高，则共同部分占据的比例相对较高。例如，如果对相关程度最高的两个完全相同的矩阵进行JSD分解，则共同部分包含了100%的能量，且特别部分为Δ1=Δ2=0。因此可以认为，在室外无线传感器网络中，感应光照和温度间具有相关性。图3表明，森林光照/温度的共同部分占据了总能量的29%，而特别部分分别占据了35%和36%。我们还对两个不相关的矩阵进行了JSD分解。森林光线和室内光线的共同部分间没有相关性，只占据了总能量的7%。
此外，JSD分解后还可以发现矩阵的低秩特征。如表2所示，属性90%以上的能量包含在前30%的奇异值中。这表明，获得的JSD矩阵仍然体现了低秩特征。
4 本文算法
为了解决EDR问题，我们提出一种新的相关数据估计算法，即多属性协助的压缩感知算法(MACS)，可以实现无线传感器网络的联合属性恢复。
4.1 算法设计
正规化在式(2)中，参数μ的选择对估计的精度具有重要影响。因为矩阵M1和M2间的相关性未知，所以需要验证以确定μ的最优值。这一问题的一个简单方法就是对每个矩阵正规化，然后设置μ=1。由于可能失去实际最优值，所以我们采用采集到的数据集的最大值，即:对每个传感矩阵PΩi(Mi)，使用max(PΩi(Mi))正规化。这一操作是基于自然属性变化缓慢这一观察结论。换句话说，观察矩阵和初始矩阵最大值间的差异的数值较小，即:对i=1,2:
低秩矩阵近似式(2)含有参数M1和M2，因此问题无法直接求解。然而，第3节内容讨论了如何确定低秩特征，因此通过转化为秩最小化可以求解问题。通过SVD分解的逆过程，使用X的前k个最大奇异值，Frobenius误差范数‖·‖时X的最优k-秩可近似表示为在本文问题中，这一方法不可行，因为我们无法知道Mi确切秩的完整信息。然而，由于初始Mi的低秩特征，我们可以假设估计出来的也具有低秩特征。于是，Mi的最优值可以通过如下问题评估:
接下来，我们还有两个问题需要解决:(1)秩运算操作符rank(·)非凸;(2)M1和M2间没有关联。
为绕过问题(1)，我们使用文献[5]中与SVD分解类似的因式分解，即其中L是一个n×k矩阵，R是一个t×k矩阵，k是确切秩的一个近似。根据文献[15]可知，当PΩ(·)满足一定的技术条件时(受限等距特性[12])，秩最小化完全等同于核范数最小化。此外，如果X的秩低于LRT的秩，则等于min(‖L‖F2+‖RT‖F2)。
基于压缩感知的联合矩阵分解为了解决问题(2)，我们需要确定M1和M2的关联性，然后将其应用到求解最优解过程中。通过第3节描述的联合稀疏分解，可以确定两个矩阵间的关联性。因此，我们利用联合稀疏分解将拆分为:
根据第3节的低秩结构分析，假设低秩。于是问题转化为实现式(10)最小化:
条件:其中，‖·‖*为核范数，定义为奇异值之和，即:实施与SVD分解类似的因式分解，式(10)可重写为:
其中，LU、L1、L2为n×r矩阵，RU、R1、R2为t×r矩阵。同时，
为了避免过度拟合，本文通过使用拉格朗日乘子，将问题转化为非平稳优化问题，即实现式(12)最小化:
其中，拉格朗日乘子λ可对秩最小化和精度进行折衷。式(12)可解，原因如下:(1)Ω1、Ω2、S1和S2已知;(2)每个‖·‖F2非负;(3)通过将所有非负部分最小化为0，可以求解最优值。因此，通过式(12)和式(9)可以估计出
拓展本文算法也适合处理多属性情况。例如，如果无线传感器网络测量3个属性M1、M2、M3。类似地，将式(10)重写为:
其中，通过与算法1类似的其他方法可以求解该式。用相似方法可以将其拓展至更多属性情况。
4.2 算法
为了求解式(12)定义的最优估计，我们提出了一种高效估计算法。具体内容见算法1。该算法用迭代思想求解最优化问题。首先，除了RU，所有的L和R矩阵随机初始化。已知其他L和R矩阵且确定了LU后，根据下式可以计算出RU:
通过计算每一行可以求解该式。将其重写为:
其中，i的范围为1到t。式(15)可看成为线性最小二乘问题。通过算法1的逆函数cross Inverse可以确定RU。确定RU后再利用同样的步骤可以求得LU。用类似方法可以求得Li和Ri，伪代码见single Inverse。
此外，算法1中的秩的近似值r和拉格朗日权衡系数λ对估计的精度具有重要影响。因此，通过文献[16]来调整λ。本文评估使用r=20%min(n,t)，因为20%的奇异值贡献了数据集90%以上的能量。算法复杂度为O(rntk)。因为算法1中的关键操作为逆运算，其复杂度为O(nrt)[5]，于是算法迭代k次。
5 性能评估
5.1 评估方法
本文基于真实数据驱动的仿真实验展开性能评估。
真实数据真实数据包括Green Orbs和Intel Indoor项目的温度和光照属性。在第3.1节，我们详细讨论了如何从原始数据中获取真实数据。
比较对象为验证本文算法的有效性，我们选择两种无线传感器网络丢失数据恢复算法作为比较对象。它们是文献[4]中的经典插值K最近邻算法(KNN)，及文献[5]中当前最新的改进型环境时空压缩感知算法(ESTI-CS)。
评估指标为了对不同矩阵获得的结果进行比较，我们使用基于Frobenius范数的近似误差率[16]，定义为:
其中，是Ω的补集。
比较步骤仿真步骤如下:1)从真实数据中丢失部分数据来模拟无线传感器采集数据。从随机丢失模式中生成子集Ω，然后设置Ω1=Ω2=Ω。数据丢失率20%～90%;2)使用两个物理属性的数据集，计算PΩ(M1)和PΩ(M2);3)PΩ(M1)和PΩ(M2)作为KNN、ESTI-CS和MACS估计算法的输入。然后，我们获得M1和M2的估计4)根据式(16)定义的误差率来比较算法性能。
5.2 仿真结果
在图4中，我们给出了两种属性下3种算法的比较结果。根据仿真，当丢失率低于60%时，MACS误差率低于5%，而ES-TI-CS误差率为10%,KNN性能更低。当丢失率更高时(80%),MACS的误差率仍然低于10%。主要原因是MACS使用了两个属性间的关联性。所以，当属性间存在相关性时，丢失数据的估计精度将会上升。即使两属性间没有关联性，MAC的性能也与ESTI-CS相当。
温度的恢复精度高于光照。主要原因是室内无线传感器网络的温度变化缓慢，且变化幅度不大，时间和空间稳定性强，对估计算法有利。但是Green Orbs项目的光照精度相对较弱，原因是自然环境中的光照强度变化较大。
从图4中可以看出，KNN算法的估计性能差强人意，当数据丢失率上升时，性能下降非常迅速。可能原因是无线传感器网络大量数据丢失时，掩盖了属性间的时空相关性，导致插值方法无法从这些特征中获益。总体来说，无论属性间是否存在相关性，在随机数据丢失模式下，MACS的性能要优于ESTI-C和KNN。
6 结语