智能感知环境

智能感知环境（精选9篇）

智能感知环境 篇1

智能配电网是智能电网建设中不容会使的一个环节, 它具有非常好的灵活性、可靠性以及高效性, 此外其在网络运行安全性能够得到保证的前提下, 能够实现灵活性的故障处理及自愈, 能够充分的满足高渗透率分布式电源以及储能软件接入的具体要求, 这样也就提升了用电的质量。本文提出了一种面向智能配电通信系统的环境感知融合网络, 同时从多个角度, 多个层面对其进行了全面的分析和研究。

1 环境感知融合网络

当前, 各种无线接入技术和无线频谱资源以及组网方式计业务都存在着非常强的多样性, 他们在孔中接口协议设计方面是不能兼容的, 不同的及网络所提供的是不同的Qo S, 终端的工作环境也会在这一过程中产生非常明显的变化, 业务需求及运营者之间的差异使得通信终端的接入能力和移动能力都产生了非常明显的变化, 此外, 在不同的网路当中, 其所使用到的管理策略也存在着较大的差异, 以上几个层面的相互影响对网络的稳定性、可靠性以及高效性都会产生较为明显的影响。所以在未来无线通信网络系统的发展中, 主要进行的是无线资源管理。

环境感知融合网络概念的提升是因为基于域便捷到便捷的网络控制概念, 它最为重要的思想就是在网络中断需要的时候能够采取更加积极和有效的方法, 同时还要向终端屏蔽网络技术当中的一些技术性的细节问题。环境感知融合网络在应用的过程中具有非常明显的特征, 首先, 在该网络当中, 一些不同网络之间都能够按照应用的需求一透明的方式去建立合作的关系, 不需要预先配置或者是处理。其次是网络当中的终端能够将具有感知获取当前环境当中所能提供的各项重要的参数。其次是网络当中的终端将具有感知能力的数据进行分析, 同时还要根据分析的结果选择恰当的网络接入能力、终端之间也可以通过无线自组网的方式进行连接, 这样就可以更灵活的去完成数据传输工作。再次是环境感知融合网络在实际的工作中可以提供一种完整性相对较强, 同时灵活性和安全性都非常好的运行机制。最后就是环境感知融合网络在运行的过程中能够全面的支持通用架构来保证跨越环境监控空间的环境感知功能, 这样就可以根据实际的情况对业务进行全面的调整, 这样才能更好的适应动态变化异构网络的环境变化。在此架构当中, 终端可以很好的对环境信息进行采集、处理和管理发布等, 网络还能保持良好的协商效果, 对有可能会出现的冲突提供一个科学的解决方案。

2 智能配电环境感知融合网络的架构设计

2.1 智能配电环境感知融合网络的总体架构

在智能电网配电自动化系统运行的过程中, 环境感知融合网络通常要设置在配电子站和配电终端之间的接入网层当中, 智能配电环境感知融合网络主要是由配电子站、环境融合网络以及配电网络中断设备等构成。

环境感知融合网络当中包含了很多的接入系统, 在某一个特定的环境感知融合网络覆盖范围当中, 配电终端之间主要是借助无线自组网的模式保证了信息传输的质量和水平。终端一方面可以采集当前不同接入网络性能的参数, 按照业务的需求来选择最为科学和适合的通信路由, 此外还可以通过其他的终端, 采用中继路由的形式保证信息传输的质量。 ;配电终端当中, 存在着一个汇节点主要是负责对其他终端发送过来的数据进行收集hierarchy处理, 同时还要将其发送给配电子站。

2.2 环境感知融合网络的功能架构

首先是不同的配电子站对应的环境感知融合网络控制空间之间只要是借助环境感知网络接口开展通信工作, 同时还要借助配电自动化业务接口充分的满足智能电网的各项功能。其次是联合无线资源管理的功能, 主要负责对无线网络接入侧切换判断以及流控制进行处理。再次是连接管理的功能。在系统运行的过程中, 将实时监测新链路加入到系统当中, 同时还要对它们在环境感知融合网络之间的连接性建立予以初始化处理, 而与之配合在一起的通用连路层实体将会对链路进行全面的管理。最后有一点就是出海以及上下文感知的功能。对上下文信息存储、访问控制、分发和汇聚予以全面的管理, 在实际的工作中, 我们可以通过分布方式来获取啥关系啊文信息内容。

其次就是安全性控制功能。在智能配电通信系统当中, 安全控制功能可以帮助智能配电终端对信息传输的可靠性加以保证, 同时还要在这一过程中充分的保证所执行的操作与当前的网络策略是相互对应的, 其在这一方面还包括了融合网络之间的协作以及共享资源管理的功能模块, 从而使其能够自动的对配电网业务予以全面的协商, 并形成一个与之相对应的协议形式。

2.3 智能配电汇聚终端

(1) 终端信息的采集、处理和上传

配电汇聚终端水汇聚节点, 其应具有获得其他普通信息终端中相关信息的能力, 针对那些已经采集到的信息, 配电汇聚终端需要对其进行全面的分类, 在经过了更为细致的融合处理之后, 重新将其打包, 之后形成其能够驾驭的数据格式, 此外还要将其上传道配电子站当中。

(2) 网络环境的感知和监测

在环境感知融合网络环境中, 各个接入网的性能是实时变化的。配电汇聚终端通过网络监测模块同步监测各接入网的性能参数, 例如, 网络的吞吐量、传输速率、抖动、时延以及网络的负载情况等, 并进行纵向和横向的比较。

(3) 切换管理

针对智能配电网中配电终端一般都处于固定位置的特殊性, 在本文设计的网络环境下基本不存在由于终端的移动性所带来的切换需求。因此, 只有当环境融合网络中的接入网实时性能发生变化时, 才有可能导致配电终端从当前网络切换至其它网络的必要。切换管理模块的功能是在数据传输时对接入网络改变的控制, 以保证在传输过程中终端与网络保持连接。

(4) 安全控制

安全控制功能支持环境感知融合网络中不同对象之间以通用的方式进行安全的交互, 它向切换管理模块等提供可用资源及相关策略等信息, 保证配电汇聚终端所执行的操作与当前网络策略的一致性。

3 结语

该网络系统的广泛应用对我国电力系统的发展有着十分重要的意义, 它能够非常明显的提升配电的科学性和稳定性, 同时在研究和推广的过程中, 其也拥有非常好的性能, 为我国电力事业的健康发展创造了良好的条件。所以从某个角度上来说, 其也拥有非常好的发展前景。

参考文献

[1]黄益庄, 李树军.配电网智能监控管理远程抄表一体化系统[J].电力系统保护与控制.2010 (21)

[2]吴国沛, 刘育权.智能配电网技术支持系统的研究与应用[J].电力系统保护与控制.2010 (21)

智能感知的神经元 篇2

工业路由交换设备的必要性

提及网络设备，通常我们首先想到的是配套的机房、机柜，专业的供电、制冷等设施。当智慧城市所需的网络设备无处不在时，难道我们也必须为每台设备都建设专业的机房吗？这肯定是不现实的。既然我们无法为每台网络设备都提供良好的使用环境，那自身携带机房的网络设备不失为一种好的解决方案，于是工业路由交换设备就应运而生了。

本次测试的华为工业路由交换一体机的具体型号为AR531-F2C-H（以下简称“华为AR531”），其标配8个百兆网络交换接口（LAN）和两个千兆SFP路由交换接口（WAN），其中6个为百兆SFP光纤模块接口，两个为百兆SFP光纤模块与RJ45共用接口。除此之外，该设备还可以支持两路RS485接口和两路数据输入DI接口，以及串行辅助和控制台管理端口。同时，华为AR531一体机还提供了一个具备U盘开局功能的USB 2.0接口。

提供一个恒湿恒温的环境，那就需要网络设备具备很强的环境适应能力了。华为AR531对温度及湿度的适应能力究竟如何？我们首先对华为AR531的高低温耐受性进行了测试。

测试中，我们将华为AR531分别放置在-40℃与80℃的环境中，并对其电气性能进行考察。测试结果发现，无论是在-40℃的低温环境还是在80℃的高温环境中，华为AR531的电气性能均未出现明显变化，依然能够保持正常的工作状态。

接下来，我们对该设备的温度及湿度耐受性进行了进一步的考察。测试过程中，首先将温箱设置为25℃、95%湿度保持1小时后升温到55℃，继续保持3小时后，再将温度降回到25℃，保持9小时后，将湿度降至50%，再保持1小时。从测试结果来看，随着湿度、温度的变化，华为AR531的电气性能均未出现明显改变，依然保持正常状态运行。

温度及湿度的变化并未对华为AR531产生影响，但在网络设备放置的地方难免会有一些跑水滴漏的现象发生？为此，我们又对华为AR531的防水性能进行了测试。测试中，我们从不同角度对华为AR531进行滴水测试后，重新接通电源，并进入控制台进行相关检测。从检测结果来看，得益于华为AR531的全密闭结构设计，在进行各种角度的滴水试验后，华为AR531依旧运转正常。除此之外，华为AR531在最容易进水的网络接口部分也全都安装了密闭橡胶塞进行防护。因此，一般滴溅和少量流水根本无法对华为AR531的正常运行造成影响。

随后，我们还进行了灰尘试验。然而华为AR531全封闭的外壳，以及无风扇、无需空气流通的结构设计，使得无论烟气还是尘土均无孔而入。

防尘防水的工业级可靠性设计，为华为AR531长期在无人值守的场地放置，提供了可靠的保障。

传输性能——智慧沟通的基础

与传统应用相比，智慧城市对网络传输性能的要求更高。以常见智能电表为例，虽然单个智能电表传输的数据比较简单，仅有用户代码、电表金额、用电数、电压、电流以及时间日期等有限的几项数据，每项内容所占字节数也很少，通常使用一两个大数据包或几个中长数据包就可以满足数据传输的需求，但是一旦乘以用户数目，其所需传输的数据量也是巨大的。以一台电表每秒钟两次抄表、每次抄表有两个大数据包（1518Byte）需要传输来计算，每台电表每秒所需的传输速率为4PPS，1000台电表每秒钟需要的传输速率则为4000PPS，而一条百兆网络线路在传输1518Byte大小的数据包时，单向数据包转发速率也不过8128PPS。

因此，即便我们采用优化智能抄表系统、缩短传输字节长度、加大抄表时间间隔等方式，来优化网络的传输效率，智能电表实时抄表的网络数据传输压力依然巨大。另外，由于工业路由交换设备并非仅用于智能抄表应用，像公路、铁路的高清视频监控如今也已经采用数字化传输，这些应用不仅需要网络设备具备很高的数据包转发性能，网络时延也是其重点考虑的网络性能指标。

华为AR531的网络处理性能如何，是否能够满足这些要求？为此，我们对华为AR531的数据转发性能进行了测试。

我们首先对华为AR531两个千兆SFP光纤接口的链路层数据转发性能进行了考察。需要指出的是，测试过程中，我们采用了IXIA公司的IXIA 1600T网络性能测试仪表进行测试。实际测试拓扑见图3：

测试中，我们将华为AR531的两个千兆SFP光纤接口与测试仪表一一对应连接，并在测试仪表上，将被测设备的两个端口设置为双向全双功，然后进行链路层数据包转发。其中，数据包长度设置为64Byte、512Byte以及1518Byte，同时记录被测端口的最大吞吐量及最大吞吐量对应的时延。具体测试结果见表1：

通过对华为AR531的两个千兆光纤接口进行链路层数据转发性能测试，我们得以了解其出色的网络数据转发能力。在数据包长度为64Byte时，数据包转发速率达到了378999.26PPS，这样的传输速率完全可以满足当前千兆网络数据传输的实际应用需求；512Byte的数据包长度比较接近当前网络中600Byte～700Byte（不同应用场景中数据包平均长度不同）的实际网络平均数据包长度。因此，在数据包长度为512Byte时，网络设备的吞吐量达到90%以上，就可以完全满足网络数据传输的实际应用需求了。华为AR531在传输512Byte长度的数据包时，一对网络接口双向的数据包转发速率可达231658.25PPS，接近千兆网络的线速（吞吐量为98.59%）；在传输1518Byte长度的数据包时，两个千兆光纤接口双向数据传输吞吐量同样可以接近100%，数据包转发速率可达80702.9PPS，完全有能力满足千台智能电表抄表等对数据转发有高要求的网络应用需求。

nlc202309021523

从记录的最大吞吐量时延（见表2）来看，得益于光纤接口良好的数据转发性能，华为AR531的最高时延为传输1518Byte长度数据包时的74.66微秒；在传输64Byte长度的数据包时，时延仅为18.79微秒。且随着数据包长度的增加，时延稳定上升。低时延及时延的稳定性，可以有效缩短数据转发的响应时间，并减少数据包传输的抖动，这不仅有利于语音视频类数据的实时传输，还为网络数据实时、稳定、可靠的传输提供了重要保障。

传输可靠性——智慧沟通的保障

在智慧城市的网络系统中，每台网络设备都担负着数十乃至上百户家庭的水、电、燃气供应。一旦网络链路出现故障，所带来的影响极大。因此，必须有十分可靠的传输保障机制才能满足智能网络的数据传输要求。那么华为AR531是否可以担负如此重任呢？为此，我们对华为AR531的组网传输可靠性进行了测试。

测试中，我们利用三台华为AR531组成了一个以太环网进行测试。测试网络拓扑见图4：

以往的网络常识告诉我们，如果在正常网络中，出现以上拓扑图中的网络结构，必然会形成一个网络环路，从而导致各台设备间不断地发出学习帧，形成广播风暴，使得整个网络无法进行正常的数据传输。那为什么还要采用这种方式进行组网呢？这是因为网络环路可以有效保障链路数据传输的可靠性，在其中一条链路出现故障时，可以自动切换到另外一条链路，保证数据的正常传输。那如何在网络环路组网环境中抑制广播风暴呢？华为提供了智能以太网保护（Smart Ethernet Protection，即SEP）技术解决方案，该方案是一种专门用于以太网链路层的环网协议。通过该技术，在网络故障发生时，可以实现毫秒级的链路切换速度，最大限度地保证用户业务的平稳运行。虽然SEP和STP（生成树协议）比较类似，但其配置要比STP简单，切换时间也更短，并可在二层网络中进行设置。相较STP，SEP在灵活性、可靠性和及时响应能力方面有了很大程度的提升。

在组网并完成设置后，我们将测试仪表分别连接在华为AR531-1与华为AR531-3的百兆网络接口上，使其按红线标识，以10万PPS的速率持续进行数据包传输。在数据包传输无丢包的情况下，我们把华为AR531-1与华为AR531-3之间的线缆断开，进行链路切换，切换后测试数据包改由黑线标识路径经过AR531-2中转后，由AR531-3传回测试仪表。在统计过测试仪表的丢包数量后，我们发现在仅出现3875个数据包丢失后，网络传输就恢复了正常。由此可计算出，华为AR531在SEP技术的支持下，链路切换在38.75毫秒内即可完成，具备十分高效可靠的数据传输保障能力。另外，华为AR531还可以自动将链路故障上报，以便运维人员及时对链路故障进行定位、排除。

功能丰富 管理简便

众所周知，通常应用在企业数据中心或云计算网络环境中的交换机才具备SEP功能。华为AR531配备该功能确实有些超乎想象，而更让我们感到更吃惊的是，华为AR531不但支持SEP，还具备策略路由、静态路由、RIP、OSPF、IS-IS、BGP等多种动态及静态路由功能，并可支持组播和IPSec、GRE、SSL、L2TP以及DSVPN等多种VPN功能。

在运维管理方面，华为AR531也非常简便，其不仅提供了基于Web的GUI管理界面，还可以通过SNMP、RMON、NTP、CWMP、自动配置等多种方式进行管理配置。除此之外，华为AR531一体机还可以通过机箱上的USB接口，将产品配置导入或导出，从而实现简便的U盘开局功能，更进一步简化了产品配置过程。

在网络安全管理方面，华为AR531能够通过防火墙ACL策略设置，以及dot1x用户认证的方式，更加安全可靠地对网络传输进行管理，体现了其稳定、可靠、安全的智能网络传输保障能力。

智慧城市需要更加智慧的网络系统

智慧城市已经在我们的身边了，智慧城市需要更加智慧的网络系统。通过以上各种测试我们可以得知，作为智能感知的神经元，华为AR531工业路由交换一体机能够为我们提供高性能、高可靠性、高安全防护能力的智能网络数据中转功能，有效地保障智能组网的顺利进行，使我们更好地与智慧城市相融。

智能感知环境 篇3

传感器是一种变换器,可以将来自外界的各种信号转变成计算机能够识别的电信号[1]。已经广泛地应用于能源、交通、通信、家电、金融、钢铁、化工、商业、农业和机械制造等行业。在智能车辆 (Intelligent Vehicles,IV) 技术中,传感器负责采集车辆所需要的信息,包括感知汽车自身、汽车行驶的周围环境及驾驶员本身的状态等,为智能车的安全行驶提供及时、准确、可靠的决策依据。因此,在智能车辆技术中,传感器就相当于系统的感受器官,快速、精确地获取信息,是实现车辆安全行驶的保证。传感器技术作为促进汽车智能化发展的关键技术之一,承担着重要的角色,已被广泛用于智能车的防碰撞、车道保持、自巡航等系统中。各种传感器都有其特有的性质,它们的局限性决定了在实际应用中不能满足系统的某些需求。为此,研究人员利用多传感器信息融合技术,将不同传感器的信号相互融合形成对同一个目标的映射,通过处理来自不同传感器的冗余、互补的信息提高传感器系统的能力。随着对智能车辆技术研究的深入以及智能车辆应用的范围多样化,多传感器信息融合技术在智能车辆技术中有着广泛的应用前景。

图1所示为2007年在北京展览馆举行的第十四届智能交通世界大会上参展的凌志展示车以及该车所安装的传感器系统。由图可以看到该系统用到了多种环境感知传感器,例如雷达、超声波传感器、立体摄像头等实现了道路的识别和障碍物的检测等功能。本文首先介绍几种环境感知传感器以及它们在智能车辆技术中的应用现状,接着叙述了多传感器信息融合技术的应用现状,最后总结了传感器技术和传感器信息融合技术的发展趋势。

2 环境感知传感器的应用现状

智能车辆系统主要有环境感知模块、分析模块、控制模块等部分组成[1],其中环境感知模块是利用各种传感器对本车所处的周边环境进行数据采集,获取道路环境信息,再处理所得环境信息,从而得到本车和周围障碍物所处的位置信息以及周围车辆等障碍物的距离、速度等信息,进而为各种控制决策提供信息依据。该模块中所用到的环境感知传感器主要有机器视觉、雷达传感器、超声波传感器、红外线传感器等。

2.1 机器视觉

虽然机器视觉受天气状况和光照条件变化的影响很大并且无法直接得到检测对象的深度信息,但是它具有检测范围广、信息容量大、成本低等优点,并且通过对其所得的图像进行处理可以识别、检测对象,所以越来越多的人对利用机器视觉感知车辆行驶环境产生很大的兴趣,以致使机器视觉在智能车辆研究领域得到广泛的应用,成为最受欢迎的传感器之一。机器视觉主要用于车道线的识别、障碍物的检测与跟踪与驾驶员状态监测等。近些年来,随着许多国家的政府机构、汽车制造商和供应商都积极投身于智能车辆的研究,机器视觉的应用也相应的取得了令人瞩目的成果,例如由德国UBM大学Dickmans教授的智能车辆研究小组研制的EMS-Vision (Expectation-based Multi-focal Saccadic Vision System)视觉系统[2],该系统能随车速的变化自动调节摄像机的焦距;具有较宽的感知范围;能适应颠簸的路径环境;能够获得立体视觉的解释信息。该视觉系统已经应用于德国UBM大学和奔驰汽车公司联合研制的VaMoRs和VaMoRs-P两种实验车中,试验车的传感器系统由3个惯性线性加速计和角速度变化传感器、测速表、发动机状态测量仪以及4个小型彩色CCD摄像机,其中4个小型彩色CCD摄像机构成两组双目视觉系统,一组安装在车体后视镜附近特制的平台上,另一组固定在车体后部挡风板的上方,主要实现车道线的识别与跟踪和障碍物的检测与跟踪。意大利MOB-LAB研究所研制的GOLD(Generic Obstacle and Lane Detection)系统[3],它利用立体视觉同时进行车道线的识别和障碍物的检测,并已经应用到意大利University of Parma大学研制的ARGO试验车中,该实验车装有两个摄像机,利用模式匹配技术实现车道线的识别,为了降低搜索前方车辆的时间,采用立体图像对技术完成障碍物的检测,并利用车辆左右边缘灰度值和边缘结构对称的特征确定车辆位置。法国的Romuald Aufrere提出的一种视觉方法[4],该方法使用一台摄像机得到路面信息,采用车道的统计模型进行匹配;利用三个模型实现有路标和无路标两种情况下的道路跟踪,此三个模型实现的功能分别是:一个从图像中提取道路的边缘特征,另一个用于定位车辆所在车道的位置,第三个用于提供可靠的时间间隔。

2.2 雷达

虽然到目前为止,雷达传感器在检测远距离的小障碍物时有一些不足之处,但是它具有远距离测距能力,能提供本车前方道路和目标车辆的方位和速度信息,同时还能够可靠地提供本车周围障碍物的深度信息,易于解决机器视觉技术在深度信息方面的难题,而且不受天气、阳光等影响,可以准确地发现本车周围存在的障碍物以及前方车辆和行人。由于雷达在准确提供远距离的车辆和障碍物信息方面有着得天独厚的优势,因此在车辆的防碰撞系统中有着广阔的应用前景。目前应用于环境感知模块中的雷达主要有微波雷达、毫米波雷达、激光雷达和电波雷达。

2.2.1 微波雷达

微波雷达能够直接获得被测物体的距离、速度信息,比红外线或激光雷达传感器气象适应性好,并且具有探测距离远、技术成熟等优点,一些系统利用微波雷达实现车辆和盲区的检测。例如Valeo Raytheon系统[5]利用24 GHz的微波雷达探测本车两侧的盲区,它的检测范围是150°,测检距离为40 m。该系统将微波雷达安装在后部的保险杠上,如果有车辆进入盲区,视觉警告信号将会提醒驾驶员。Visteon系统[6]也利用24 GHz的微波雷达探测本车两侧的盲区,它的检测距离是可编程的,当检测到静止物体时该系统不发出警告。美国TRW公司研制的车载防撞微波雷达已投入应用到货车和公共汽车上[7]。

2.2.2 毫米波雷达

与微波雷达相比,毫米波雷达波束窄,分辨率高,抗干扰能力强,具有较好的环境适应性,下雨、大雾或黑夜等天气状况对毫米波的传输几乎没有影响,因此可在各种环境下可靠地工作。随着单片微波集成电路技术的发展,毫米波雷达的价格和外型尺寸都有很大的下降。因此,近年来国外一些公司对毫米波雷达在智能车上的应用表现出了极大的兴趣。像日本丰田公司使用毫米波雷达和机器视觉共同探测前方障碍物。该系统中毫米波雷达用于探测障碍物的距离和相对速度,CCD摄像头实现车道线识别和车道上前行车辆的检测,同时完成对雷达方向的控制。三菱汽车ASV-2所安装的传感器系统包括前后视觉摄像机,能探测前方车辆的距离和相对速度的微波雷达,具有高分析能力的激光雷达以及其他检测道路环境的传感器[7]。毫米波雷达的不足是进行目标识别时,一般不能识别出正在转弯与正在换道的车辆。

2.2.3 激光雷达

与机器视觉相比,激光雷达能解决图像模糊问题,通过激光雷达技术可以跟踪目标,获得周围环境的深度信息;再者激光雷达方向性好、波束窄、无电磁干扰、获得距离及位置探测精度高,因此它广泛应用于障碍物检测、环境三维信息的获取、车距保持、车辆避障中。

由于光学系统的脆弱性,激光雷达在智能车辆系统的应用受到了限制,但是从激光雷达所得的测距图像中可以直接获取环境的三维信息,因此激光距离成像的研究受到重视。被广泛的应用于机器人领域,而且已被应用到智能车辆领域,例如文献[8,9]均用激光雷达实现障碍物的检测,再如日本马自达公司研制的行人避撞系统将激光雷达安装于汽车前部,利用发射垂直的激光带来实现路上行人的检测,根据行人衣服颜色和布料的不同,该系统的探测距离范围是35～60 m,还能检测到直道和弯道上行人,能够计算出本车与行人的距离以及行人的行走方向。德国大众汽车公司研制的“特定车道障碍物预警系统[1]”利用多光束激光测距传感器扫描汽车前部至障碍物的距离,同时,利用一种影像处理系统监视前方道路。该系统能够识别本车道及相邻车道上的车辆及障碍物,并能根据相应的多光束测距雷达测得的距离及其相对变化得到接近车辆的行驶速度。

2.2.4 电波雷达

电波雷达兼有超声波传感器的波动特征和激光雷达的快速传输特性,并且与激光雷达一样,与障碍物之间的距离可以用反射时间进行计算。由于电波雷达的波长约几毫米左右,因此不容易受到雾等反射的影响。另外,它不以空气作为传播媒体,所以不太受风的影响,这一点比激光雷达和超声波传感器都优越。再者,利用从反射接收波和发送波之间的频率差能直接测定相对速度,这是电波雷达的一个很大优点。因为树脂等难以反射电波,所以电波雷达对由树脂等构成的对象物不能检测,这也是电波雷达的缺点。但由于电波雷达抗环境性好,距离信息和相对速度信息能同时测出,结合上述优点,价格低廉的电波雷达传感器的开发对智能车辆系统的研究有着重要的意义。

2.3 超声波传感器

超声波传感器的数据处理简单、快速,主要用于近距离障碍物检测,一般能检测到的距离大约为1～5 m,但检测不出来详细的位置信息。超声波停车装置[10]已经在欧洲销售的BMW车上使用,这种系统利用一片单片机进行控制,在车的前、后保险杠上安装上超声波传感器,前部传感器的探测距离为0.6 m,后面的探测距离达到1.5 m,当倒车进入要停放的位置时,在后面的汽车约1.5 m时,停车装置将会发出连续而缓慢的警告声,倒车越接近停放的车辆,警告声就越急促,当距离为几厘米时,警告声变为沉稳,此时向前开车时警告声会变得急促。

2.4 红外线传感器

红外线传感器的情况与超声波传感器相仿,只是红外传感器不受黑暗、风、沙、雨、雪、雾的阻挡,因此它的环境适应性好,且功耗低,与超声波传感器相比,其探测视角小,方向性和测量精度有所提高。红外线传感器可以增强机器视觉识别的可靠性,因此常被用于智能汽车中的夜视系统中,美国通用汽车公司利用红外技术相继研制成了供汽车司机在夜间行驶用的第一代和第二代夜视系统,系统中的红外传感器通过感知及记录物体间温度的差别进行区分物体,该夜视系统的显示屏幕的亮度可调,所研制的第二代夜视系统为彩色显示。美国美洲虎公司同样利用红外技术实现了夜视系统的研制。

3 多传感器信息融合的应用现状

为了克服传感器的数据可靠性低、有效探测范围小等局限性,保证在任何时刻都能为车辆运行提供完全可靠的环境信息,在智能车辆的研究中使用多个传感器进行数据采集,利用传感器信息融合技术对检测到的数据进行分析、综合、平衡,根据各个传感器信息在时间或空间的冗余或互补特性进行容错处理,扩大系统的时频覆盖范围,增加信息维数,避免单个传感器的工作盲区,从而得到所需要的环境信息。因此,随着智能车的研究和应用领域逐步地深入和多样化,传感器信息融合技术在智能车辆技术的研究领域应用倍受欢迎。近年来,智能车辆技术研究中多传感器信息融合技术的应用取得了许多令人振奋的成果,如美国卡内基·梅隆大学机器人研究所研制的Navlab-II智能车,它利用激光雷达和视觉传感器进行道路、车辆、行人等目标的检测[11]。德国Braunschweig科技大学研制的智能车[12]采用的传感器系统由1个立体视觉传感器、4个激光扫描器、1个雷达传感器组成,这些传感器的探测范围在车辆前面有很大的重叠。立体视觉传感器安装在后视镜后面,主要实现对中远距离障碍物探测和路径识别功能;在前保险杠上安装有1个长距离、小角度雷达传感器;并在前保险杠的左右两端分别安装1个激光扫描器,每个扫描器的覆盖范围为270°,它们对车辆正前方进行扫描;在前后保险杠的中间位置分别安装1个激光扫描器,这个扫描器能够发射出3个不同角度的激光束,因此比单激光束的传感器具有更强的抗干扰能力,主要用于短、中、远的障碍物目标探测。德国大众公司最新研究的智能车辆系统装有雷达、机器视觉,激光扫描等传感器,利用传感器之间的数据互补及冗余得到车辆所需要的可靠、稳定的全方位信息。美国国防部最新研制的智能车辆Demo系列,目的是用于危险地段的军事侦察。Demo系列采用的关键技术有:感知系统、计算机处理器、导航系统、路径规划、车辆控制、立体视觉、地形理解以及传感器等技术。Demo-III[13]智能汽车采用了雷达与机器视觉融合技术用于障碍物的探测。该车中所用的立体视觉系统包括彩色摄像机、单色摄像机和红外摄像机,并且装有两种雷达,一种是77 GHz的毫米雷达主要用于远距离障碍物的探测,其有效感应距离可达128 m,角度范围可达64°,另一种是可以发现隐藏在植物中障碍物的2 GHz的LADAR雷达。

与发达国家相比,我国对智能车辆技术领域的研究起步较晚,目前主要为一些高等院校和科研机构,他们相继开展了对智能车辆的研究,并在智能车辆的视觉导航、多传感器信息融合、路径规划与控制、自主驾驶等方面取得了一些积极的成果,例如清华大学的汽车安全与节能国家重点实验室研究的汽车主动碰撞系统,该系统采用了激光雷达和毫米波雷达实现了对本车前方车辆的探测;吉林大学所研制的JUTIV-II试验车所使用的传感器有CCD摄像机、三维激光测距仪、GPS定位系统等,它利用视觉信息和激光雷达信息融合技术实现路径识别与跟踪、前方车辆的探测与跟踪、保持本车与前方车辆安全车距等功能;西安交通大学人工智能与机器人研究所的Spring robot智能汽车[14]安装了毫米波雷达、SICK激光雷达、GPS和摄像机等感知传感器,所安装的毫米波雷达工作范围可达120 m,扫描角度为12°,扫描目标最多可达20个,测量距离精度可达5%,速度精度可达1%,角度分辨率精度可达± 0.2°,实现动态目标的检测,激光雷达扫描角度达到180°,角度分辨率为0.25°,距离分辨率为10 mm,实现前方静止障碍物的检测。该车可以实现手动驾驶和自动驾驶两种方式,能够实时检测道路、行人、车辆等障碍物。

4 发展方向

近年来,在环境感知模块中CCD摄像机是最常用的传感器。但是,由于障碍物本身的特征和光照条件的影响,在复杂的光照条件下,传统的CCD摄像机不能满足实际操作中系统对传感器动态范围的要求。因此,传统的基于机器视觉的障碍物检测过程具有一定的局限性,为此,人们开始研究不用任何辅助照明的前提下能够全天候正常工作并具有大动态范围的摄像机并取得了一定的成功,例如由福特研究实验室和SENTECH联合研制的低光(low-light)摄像机[15],它通过对Sony X-view阵列进行特殊的设计,扩大了摄像机的动态范围。近年来,研究者提出许多能在弱光照条件下正常工作的算法,使得传统的基于机器视觉的障碍物检测系统的性能得到很大的提高,同时,人们也致力于利用COMS传感器动态范围大,鲁棒性较高等优点,提高摄像机的动态范围,降低传感器数据采集时间和传输时间。

虽然低光摄像机已经被应用到许多研究中,但是它不能够得到可见光谱之外的重要信息和检测目标的距离信息,相反地对光照和天气状况的改变不敏感的外线传感器和雷达传感器等却可以,因此,基于红外线传感器、超声波传感器和雷达传感器的智能车辆系统得到人们的关注,研究者逐步地将它们应用到智能车辆环境感知模块中。例如Dirk Linzmeir 和他的同事们利用行人的温度比周围环境的温度要高很多的原理,将温度传感器用于行人的检测。利用同样的原理,Massimo Bertozzi, Alberto Broggi和A.Lasagni 利用红外线传感器进行行人检测[15]。虽然红外线传感器、超声波传感器和雷达等受光照条件和天气变化的影响不大,有着较强的抗环境变化的能力,但是当有多辆车一起沿同方向行驶时,同种传感器之间的干扰是个严重的问题,并且他们的分辨率和精度都不能满足智能车辆对传感器性能的要求。

在智能车辆技术研究中,传感器作为控制系统的信息源,是智能车辆控制系统的关键。在环境感知模块中,所用传感器的动态范围、对光的敏感性、空间分辨率、相互融合能力等性能在很大程度上影响到系统的性能。但是由于目前传感器的局限性使其不能满足研究和实际应用的需要,因此研制高性能和高可靠性的智能传感器将成为传感器技术研究领域的一个发展方向。

传感器的特性表明每种传感器仅仅能得到特定的环境信息,因此单一的传感器不能为系统提供足够的广泛的环境信息,为了克服单一传感器的局限性,促进智能车的深入研究,扩大智能车的应用领域,需要研制一种能够有效地利用来自多种传感器包括主动传感器和被动传感器信息的系统,多传感器信息融合在解决这方面的问题上有着巨大的潜力。目前多传感器信息融合使用的方法主要有加权平均法、卡尔曼滤波法、贝叶斯估计法、统计决策理论方法、D-S 证据推理法、模糊逻辑法和人工神经网络方法等[16]。

尽管传感器融合技术在为智能车提供可靠的环境特征信息方面有很大的帮助,但是发展实际的多传感器信息融合平台需要处理一系列的问题,包括一些传感器融合的常规问题和存在系统设计中的特殊问题。多传感器信息融合需要所用到的环境感知传感器提供精确的环境信息,然而实际的应用中所得到信息大多数都是不确定信息。因此,研究多传感器信息融合的鲁棒性对于整个融合过程是很重要的,合理的描述并解决各传感器信号间的不确定性问题将是多传感器信息融合的一个发展方向。

多传感器信息融合通过处理来自不同传感器的冗余、互补的信息提高传感器系统的能力。这些不同的传感器共同工作,将不同传感器的信号相互融合形成对同一个目标的映射。例如考虑到单个传感器的可靠性和置信度,利用声学传感器和视觉传感器信息的互补性,将两种传感器共同用在障碍物的检测和道路的识别中能够获得比单个传感器更准确的环境特征和信息。常用的环境感知传感器有毫米波雷达、激光雷达和摄像机等。由于视觉技术具有不向外部环境发射信号、图像信息丰富、价格低、角度和方向分辨率较高,能够消除驾驶员的盲区等优势。因此,利用机器视觉的优势,结合由雷传感器达或超声波雷达传感器或红外线传感器等获取的距离信息实现对本车周围环境的感知成为各国学者研究的热点。由于各传感器采集信号和输出信号的方式不一样,要合理的利用各传感器的信息,就必须利用多传感器信息融合技术,研究利用多传感器信息融合技术获得具有丰富、鲁棒性及实时性高的信息,提出具有鲁棒性高的融合算法将是传感器信息融合技术的发展趋势。

传感器信息融合技术对智能车辆技术的发展有着巨大的潜力,自从传感器信息融合技术应用到智能车辆领域以来取得了一些令人瞩目的成果,但是,目前人们对多传感器信息融合方法的应用研究还不深入,多数是基于规则的专家系统进行信息融合,从而使多传感器信息融合的优势没有得到充分的发挥,因此,为了弥补单个传感器的不足之处,寻找新的融合策略或提出新的传感器融合方法,将是多传感器信息融合的一个发展方向。

5 结 语

IT企业转型需要感知环境冷暖 篇4

上周采访刘老师，正赶上东软在大连举行20周年庆祝活动。作为中国软件产业发展的亲历者，20年间东软在软件园模式、服务外包、国际化、人才培养等多个方面堪称探索先驱，有着许多成功的经验积累。尤其在过去的软件业黄金10年中，东软更是领跑中国软件产业，2010年营收近50亿元，成为中国软件行业第一企业。

20年，弹指一挥间，刘老师对企业转型和业务模式创新的感慨非常多。其中，他最得意的是，在为医疗卫生行业提供设备、技术和服务的过程中，东软利用自己的积累，成功涉足卫生医疗服务，业务模式从单纯的B2B模式变成了BBC（B2B2C）模式。未来公司业务收入不仅来源于为医疗卫生行业提供的IT服务，还会来自直接面向公众的医疗卫生信息服务。

今天的软件与服务业在高速发展的同时，也正走向低附加值的劳动密集型产业，就像传统制造业一样。受制于劳动力成本上升和人力资源短缺，行业整体盈利空间越来越低。东软全新的BBC模式，使自己的业务从单纯的IT延展到了IT Enable，“钱”途广了，企业经营自然会更健康。

东软模式并非个案，在与方正信息产业集团CEO方中华的交流中，方总也介绍了方正在医疗行业的规划和业务，与东软的BBC模式有着相似之处。从单纯的IT服务到IT服务支撑的相关业务服务，正成为很多IT企业一种新的转型方向，在IT应用向传统业务深度渗透的今天，IT对传统业务越来越重要，IT厂商顺势进入传统业务，无疑是一种理想的转型思路。

刘积仁认为，企业生存和转型必须要有感知环境冷暖的能力。既要感知IT产业环境的冷暖，也要感知IT所服务的行业的冷暖。在此基础上利用现有能力向所服务的行业延伸，从而实现企业业务延展和转型。这就是东软转型的经验。

智能高速列车信息感知系统介绍 篇5

1 智能高速列车系统

智能高速列车系统以CRH380CL高速动车组为核心, 以全息化列车状态感知和动态数字化运行环境为基础, 以信息智能处理与交互为支撑, 具有自检测、自诊断、自决策能力。智能列车通过运行环境感知系统获得车辆运行时的列车的运行的环境数据, 通过以传感器构建的传感器网络获取车辆运行的状态数据, 通过电子标签获取车辆主要设备的履历数据。车辆数据处理中心根据所获得的列车及主要部件数据, 对列车自身状态进行评估, 给出预警和报警信息, 并通过“车—地”传输网络将数据传输到地面数据中心。地面数据中心通过“地—地”传输网络将数据根据需要将高速列车的数据和运行环境数据发送到智能化列车系统应用平台, 对高速列车的运行状态进行综合评估, 并给出高速列车运行状态的综合评判。同时通过“地—地”传输网络和车-地传输网络实现旅客服务信息的传输, 实现旅服咨询、无线通话和无线上网等功能。

智能高速列车系统主要由车载智能感知网络系统、车载数据处理中心及显示屏、车载无线通信系统、车载旅客服务系统四个部分组成。

2 车载智能感知网络

智能高速列车的车载传输网络如图2 所示。每个车厢设置一个网元, 构建环形千兆级以太网。车载智能感知网络既具有感知列车动态信息数据的功能, 又具有信息传输的功能。车载智能感知网络接收车载重要设备动态监控信息数据, 通过车载数据处理中心进行数据处理、融合和归类、并通过车地传输平台发送到地面数据中心。同时, 又通过车地传输平台接收地面数据中心的预警信息及旅客服务信息发送到数据处理中心。车载数据中心再将接收到的地面信息归类、融合, 发送到人机交互终端实现预警提示及旅客信息交互。通过车载传输网络, 实现列车监测数据、控制信息、多媒体信息及语音信息的高速传输。

根据CRH380CL高速列车列车网络控制系统的配置情况, CRH380CL动车组主要通过RS485 接口从列车获取数据, 主要获得高速列车运行的状态信息、高速列车运行安全性评估信息。

3 车载数据处理中心

动车组上设车载数据处理中心, 包括车载数据中心主机和显示器, 如图3 所示。车载数据处理中心主机是智能列车数据集中处理、在途预警、统一传输的电子设备;车载数据处理中心通过与车载智能网络的接口, 对高速列车获取的多源数据进行存储和管理, 对数据进行预处理和评估, 实现在途预警, 及时给出面向应用的各种结果, 包括各种车载服务, 以及通过车地网络汇聚系统实现列车与地面之间的交互。车载数据处理中心显示器实现的功能主要有基本信息显示、历史故障查询、在途预警和报警、运行数据显示、零部件履历信息、人工故障录入和应急故障处理指南等。

4 车载无线通讯系统

针对智能化列车超高速移动和复杂平台间的数据传输需求, 构建智能列车系统数据传输与通信平台, 定义车载、车地、地面三级网络构架与协议规范, 设计并实现分级数据传输与通信方案。研制智能化高速列车车载无线宽带通信终端, 实现与地面无线基站的宽带数据传输, 并为列车车载数据处理中心提供宽带网络接入。研制宽带无线基站、宽带光纤直放站设备和无线中继器, 通过射频信号光纤拉远技术、无线中继技术等手段扩大小区覆盖范围, 有效改善无线宽带系统特殊区段传输和小区越区切换性能。

5 车载旅服服务系统

智能化旅客车载服务平台是一个包含乘务管理、车载票务、车地通信、车载网络服务、交互式旅客服务、外部信息接口、地面信息集成和处理等多个业务功能, 涵盖信息感知层、信息传输层、信息集成层和应用层的复杂信息系统。

6 结语

本文基于新一代CRH380CL高速动车组平台, 为高速铁路提供智能化及数字化运行环境。以高速动车组为核心, 以高速列车动态感知数字化及全息化运行环境为基础, 以信息交互与处理为支撑, 具有自决策、自检测、自诊断能力的, 智能高速列车系统具体数据的实时获取、处理和发送功能、实现了高速列车在途预警和报警功能, 提高了高速列车运行的安全性、提高了旅客的服务质量。

(1) 智能高速列车系统的研制, 提高高速列车运用的安全性、可靠性和运用服务于检修水平, 推动铁路技术进步并实现产业化。

(2) 建立智能化高速列车系统全新技术体系, 并形成完整的技术标准体系, 抢占国际铁路技术的制高点, 引领世界高速列车发展的潮流。

(3) 培育了智能化列车系统提供物联网技术支持与现代信息服务的新兴产业。

参考文献

[1]郭超勇, 刘建强.高速列车网络控制系统第四讲:高速列车网络控制系统[J].电子技术, 2012 (2)

[2]陶芸, 陆礼红.高速列车智能化系统介绍[J].中国科技纵横, 2013 (11) :30-31

人体感知智能播放技术的应用综述 篇6

关键词：人体感知,人体识别,智能播放

0 引言

现今的技术应用中, 用户体验至关重要, 如何让用户快速获取想要的信息, 让商家迅速捕捉用户, 如何自动的推送给用户想要的信息是最值得关注的。智能化的实现“所需即所送”、“所送即所需”是媒体发布的终极目标。基于人体识别技术的媒体播放显然更贴合该目标。由此不断演变出人体感知播放技术的新的应用, 本文将对所有应用领域进行深入分析总结, 以利于对本技术的继续深入应用和探索新的应用空间。

1 人体感知播放技术

人体感知是指通过传感器技术识别人体。人体识别技术涉及到模式特征识别和行为特征识别, 其中模式特征是与生俱来的人体特征, 比如人脸、指纹、虹膜等;行为特征则是后天个人习惯形成的, 例如步态、姿态、手势等[1]。目前, 人体感知在近几年有了飞跃的发展。

基于模式/行为的人体感知播放技术就是根据基于人体模式特征/行为特征识别的感知技术, 获取人体的模式特征/行为特征, 对其进行分析判断, 然后根据预设策略进行相应的智能播放。

2 人体感知播放技术应用

2.1 广告领域的应用

基于人体感知的广告播放主要可以实现两种智能播放功能:

1) 人体存在感应播放

所谓“人体存在感应播放”是指在检测到有人体出现时才进行播放。

例如, 当远红外感应器探测到广告受众接近广告音频播放装置时, 远红外感应器输出一个触发信号给微处理器, 微处理器接收到信号后输出一个播放信号给音频播放器, 音频播放器开始播放音频内容。

2) 人体特征感应播放

所谓的“人体特征感应播放”是指在识别出人体的情况下, 根据人体特征有针对性的匹配适合的广告, 将与目标人群对应的广告项推送到该目标人群所面对的屏幕上。

人体特征感应广告播放的精准性高, 减少了广告资源的浪费。达到了“因人而异”的广告投放的智能播放效果, 按照不同的“人体”选择不同的广告, 提升了媒体的整体价值, 也提升了目标人群的个人体验。

2.2 智能家居领域的应用

以下介绍几种目前主流的基于人体感知技术的智能播放家居产品:

1) 基于人体感知技术的音视频播放装置

基于人体感知技术的音视频播放设备可以检测目标区域内的人体对象, 当在预设的时间范围内没有检测到人体对象时, 则控制音视频播放设备进入待机状态。避免音视频播放设备始终处于音视频播放状态。

2) 基于人体感知技术的智能机顶盒

以监测老年人睡眠状态的智能机顶盒逐渐成为一个趋势。例如通过智能机顶盒的摄像传感模块与红外传感模块监测老年人是否睡着, 睡着后自动将电视音量调小, 然后切换到音乐频道先播放舒缓的音乐, 再自动将电视关机, 之后通过发出轻微的震动唤醒老年人, 使其进行正常的睡眠。

3) 基于人体感知技术的耳机装置

基于人体感知技术的耳机具有可侦测是否与人体耳朵相接触的功能, 当耳机装置脱离人体耳朵时, 耳机装置便停止传输音乐以减少电源的浪费。

4) 手势控制音视频播放装置[2]

手势是一种自然而直观的人机交流模式, 可以通过手势来控制视频播放的开始、结束、前进、后退、声音控制等。使得视频播放控制更加直观、自然、人性化。

2.3 智慧健康领域的应用

基于人体感知技术的智能播放则可以通过对人体健康的检测, 实现音乐治疗、实时监测、即时提醒等功能。这类应用主要体现在如下几种类型:

1) 基于人体感知技术的音乐治疗仪

音乐治疗的积极意义不言而喻。例如智能心情调整仪, 根据心跳频率、人体温度、人体阻值及手指温度等获取心情, 这些因素均可利用相应检测仪的传感器采集相关数据, 作为建立情绪数学模型的输入参数, 获得精确数字模型。对情绪状况进行分析, 并自动播放适合的音乐, 逐步调整使用者的心情, 使人获得一种积极的阳光心态。

2) 基于人体感知技术的健康报警装置

通过对人体健康参数的监测, 在出现意外情况时进行相应的报警。例如人体跌倒报警器, 能将被检测对象的姿态、视频信息等进行上传, 同时能与上位通信功能进行通话, 为监护人提供多种被检测对象的检测信息, 全方位监护老人安全。

2.4 智能安防领域的应用

目前, 人体感应播放在安防领域的应用主要体现在以下方面:

1) 基于人体检测的智能家居安防报警系统

如门磁感应器, 当有盗贼非法闯入时报警;再如红外感应器, 安装在窗户和阳台附近, 红外探测非法闯入者。

2) 基于人体身份检测的区域安防报警系统

应用在建筑物的出入口对人的进、出监测, 例如通过人体感应技术识别人体特征信息, 对进出人员的身份进行检测、记录。当发生意外情况时及时向保安中心报警。

3) 基于人体状态检测的智能驾驶报警系统

通过获取驾驶行为检测信息 (例如驾驶员的表情、瞳孔、动作等) , 当发现驾驶行为达到一定条件时获取相应的提醒视频, 该提醒视频包含与检测到的驾驶行为相对应的事故内容, 并由视频播放设备播放该视频。以“眼见为实”的方式促使驾驶员改掉不良的驾驶习惯。

2.5 智能建筑领域的应用

智能楼宇电视能够识别站在电视面前的受众, 通过制定好的识别策略获取识别信息, 根据所识别信息匹配媒体资源, 进行有针对性的推送和播放。这样突出服务性, 易于被受众接受, 增强了互动, 产生了收益渠道。

2.6 其他应用

伴随着人体感知技术的不断发展, 陆续出现越来越多的新应用领域。以下介绍其中的几种。

1) 智能播放教学设备

人体感知播放技术在教学设备上的应用有很多种。例如虚拟星空教学设备, 包括感应学生所在位置的感应器、感应及分析学生动作的三维动作识别器等。将模拟星空投射在成像屏上, 通过多媒体播放, 使学生产生一种身临其境的感觉, 吸引学生的注意力, 具有广阔的发展前景。

2) 车载影音设备

基于脸部识别技术的车载音乐设备能根据用户的面部情绪, 自动下载与用户的面部情绪相应的音乐并播放, 例如在情绪低落时下载并播放安抚性的音乐, 在疲劳时下载并播放劲爆的音乐, 使得音乐欣赏更智能化, 同时减少事故, 尽量消除不良情绪对行车的影响。

3) 手语翻译系统

通过动作识别设备采集人体的运动图像, 对其进行解析, 经图像合成与仿真, 最后得到相应的动作视频, 再将视频信号转化为语音信息播出, 就能实现基于动作识别及语音合成技术的手语翻译系统。

3 总结

通过上述的应用介绍可以看出, 目前基于人体感知的智能播放技术应用非常广泛, 一些传统的应用也在不断深入扩展。同时, 除了传统的应用领域外, 还不断探及新的不同领域。尤其伴随着人体感知技术的进一步发展, 其适用性越来越高, 使得很多概念性的想法变成可实现, 推动了基于人体感知的智能播放技术的深入发展, 呈现出多领域、新花样、更人性的特点, 为日常生活增添了不少的便利和乐趣, 使得科技更近于人。鉴于人体感知智能播放技术的普适性, 未来一定会出现更多、更新颖的应用。

参考文献

[1]卢世军.生物特征识别技术发展与应用综述[J].计算机安全, 2013 (01) :63-67.

智能感知环境 篇7

在目前信息爆炸的时代, 如何给用户提供他所感兴趣的信息, 是当前Internet和WWW发展急需考虑解决的一个关键问题。用户的访问日志数据蕴涵着用户的兴趣模式, 故可以通过分析用户的访问日志来智能化地挖掘用户兴趣[1,2]。

兴趣是一种人对事物的积极认识倾向。这种认识倾向只有在比较稳定的情况下 (即能够维持较长的时间) , 才能形成人的兴趣[3]。目前有很多国内外学者针对用户兴趣进行研究, 但大多数都没有考虑结合用户自身的知识基础和背景等上下文关系进行分析和研究[4,5,6,7]。学习兴趣是兴趣的一种, 是推动学生探求知识并带有积极情绪色彩的一种倾向性。下文中提到的用户兴趣都指用户的学习兴趣。学习过程是一种积极的认知过程, 学习的实质在于主动的形成认知结构[8], 即构建用户自身的知识演化模型, 而学习兴趣的产生和变化是随着用户自身的知识演化模型的变化而变化的。智能网络学习环境中用户兴趣感知体现为:首先要能自动识别用户的当前兴趣模型, 发现用户自发的兴趣;但若要达成特定的学习效果的话, 自发的兴趣不一定合适, 故更重要的是要研究如何智能化地对兴趣进行指导、调整和激励, 给出能促使学习者提高学习效果、但学习者凭借自身的知识基础还没有办法得出的、应该访问的兴趣点。本文针对此问题, 提出一种智能网络学习环境中用户学习兴趣感知方法。

用户学习兴趣模型的构建是进行用户学习兴趣感知的基础, 有显式和隐式两种途径可以用来构建用户兴趣模型[7,8,9]。但是, 显式的方式需要用户主动告知个人的兴趣, 用户往往不愿意花时间这样做, 而且这样获取的用户兴趣是静态的, 随着时间的推移, 静态的兴趣可能就不能反映用户当前的兴趣情况了。本文主要研究隐式构建用户兴趣模型的方法, 即不需要用户的参与, 而且能随着时间的变化, 用户兴趣也自动进行更新。

根据所收集的用户数据源的不同, 隐式的用户兴趣建模方法基于用户行为日志, 或者网页内容, 或者同时基于两者。用户的行为包括如鼠标点击、访问时的停留时间、访问次数、浏览路径、保存、编辑、修改、下载、输入查询关键词等。基于用户行为日志的用户模型构建方法, 一般通过关联规则、聚类等技术获得用户模型, 但是, 因为发现的关联规则等只是针对已访问过的网页的, 故只能给新用户推荐那些老用户已经访问过的页面, 而不能推荐出那些老用户没有访问过的页面[10,11]。基于网页内容的方法分析用户访问过的页面, Kim等通过分析用户所标记的网页数据, 提出一种分裂的层次聚类方法构建用户兴趣的层次模型[3], 但这种方法只能推荐和用户已访问过的资源内容相似的资源, 一些研究表明用户觉得“意外” (unexpected) 的资源更有价值。既基于用户访问行为日志, 又考虑用户访问的网页内容的方法, 称为混合方法。Trajkova等采用本体构建用户模型[4]。

本文研究利用扩展主题图描述网络资源内容, 对用户访问主题图的行为日志进行统计分析, 引入人类的记忆遗忘规律等, 构建和更新用户的兴趣模型。该方法能分别得出概念级、知识元级等不同粒度的用户模型。

一一种用户兴趣智能感知建模方法

人类认知和心理学领域研究及其人类自身的实践经验表明:学习的实质在于主动地形成认知结构, 新知识的学习必须以已有的认知结构为基础。学习新知识的过程, 就是学习者积极主动地从自己已有的认知结构中, 提取与新知识最有联系的旧知识, 并且加以“固定”或者“归属”的一种动态的过程。过程的结果导致原有的认知结构不断地分化和整合, 从而使得学习者能够获得新知识或者清晰稳定的意识经验, 原有的知识也在这个同化过程中发生了意义的变化[3]。

基于以上研究, 人的学习兴趣的形成主要和以下方面有重要关系:1) 学习领域固有的知识结构;2) 学习者的原先知识结构和个性;3) 人类的认知规律 (如记忆遗忘规律) ;4) 其他学习者的经验和学习策略。

为达到特定的学习目标, 应该培养哪些学习兴趣 (内容) 首先要受此知识领域固有的知识结构的影响 (如知识间的前后关系等) , 其次学习者原有的知识结构, 也制约和影响下一步的学习兴趣, 第三, 人类的一般的学习认知规律也影响兴趣, 第四, 其他近似 (如学习的知识领域或者个性近似) 学习者的经验可以对学习兴趣作进一步的调整, 以达到对固有知识领域结构的调整。

在技术上, 固有知识领域可以用领域本体等来刻画;学习者原有的知识结构可体现为他原先的兴趣模型;其他学习者的经验体现为对良好达到学习目标的群组用户的特点进行分析得出的结果。从数据中得出的其他学习者的经验信息可以反映不同学习者群体的学习特点, 依此对固有的知识领域的关系进行调整, 以达到因材施教的目的。

在工作机理上, 领域本体可以人工预先定义好;学习者原有的知识结构初始是识别学习者自发的兴趣, 在此基础上, 根据更新的机制, 不断进行调整, 逐渐积累丰富的经验;其他学习者的经验信息通过对学习效果良好的学习者群体进行分析得出, 更新也类似, 也可以采用如下方法:自群组经验库上次更新后, 若按照此经验库给学习者推荐兴趣, 若学习者评价好 (需要设定阈值) , 则不需要更新, 若低于阈值, 则说明经验库的经验陈旧了, 需要更新 (即重新更新群组用户数据) 。因为用户的数据是不断增长的, 若经验库没有陈旧的话, 就不需要重新分析, 说明老的经验是够用的, 这样可以提高效率。

以下给出相关的扩展主题图中概念和知识元的定义。

定义1:概念, 称反映客观事物本质特征的思维产物即思维单元为概念。例如计算机网络中的服务就是一个概念。

定义2:知识元, 不可再分割的具有完备知识表达的知识单位为知识元。例如计算机网络中的服务的定义就是一个知识元。在之后的部分中用C表示概念的集合, 用K表示知识元的集合。

本文采用扩展主题图中的概念和知识元作为学习兴趣模型的描述术语集, 学习者兴趣模型形式化的描述成以下的8元组:

其中userid为学习者在系统中的唯一标示符。time为模型生成的时间信息。因为兴趣是不断变迁的, 所以需要用模型的时间信息来区别学习者在不同时段的学习兴趣。userid和time对应于兴趣模型中的info集合。C和K分别为在时间段内学习者感兴趣的概念和感兴趣的知识元的集合。fc为函数, 的值为概念ci的兴趣度。fk为函数, 的值为知识元ki的兴趣度。fc和fk分别描述了学习者对感兴趣的概念和知识元的兴趣度。Sc和Sk分别为概念兴趣序列和知识元兴趣序列。定义如下:

定义3:概念兴趣序列, 称学习者感兴趣的概念按照感兴趣的先后顺序构成的有序列表为概念兴趣序列。记概念兴趣序列为Sc, 则 为学习者某一时刻感兴趣的概念的集合, 学习者可能同时对多个概念感兴趣。

定义4:知识元兴趣序列, 称学习者感兴趣的知识元按照感兴趣的先后顺序构成的有序列表为知识元兴趣序列。记知识元兴趣序列为Sk, 则 为某一时刻感兴趣的知识元的集合。

基于以上定义, 兴趣的构建算法详细如表1。

二实验和分析

通过网络学习平台采集共约1972名学习者的10471条学习日志记录, 包括用户访问英语阅读、听力、口语、写作、翻译、词汇和语法等资源, 以及每部分相关的学习指导材料等日志数据。经过日志预处理后得到有效的551个注册用户的日志记录9650条。

基于以上算法处理, 一个学习者每一周期的兴趣可以构成一张兴趣图, 共得到兴趣图679张。部分兴趣感知的结果如图1。

以上4张图分别是学习者anddy在4个不同时段内的学习兴趣。比较以上4张图可以清楚观察出学习者anddy在近2个月内英语学习兴趣及兴趣变迁情况。从图a中可以观察出该学习者感兴趣的概念包括阅读 (概念id为1) 和翻译 (概念id为5) , 而经过一周的学习, 该学习者对阅读和翻译的兴趣有所增加, 还对口语 (概念id为3) 产生了兴趣。感兴趣的知识元由原来的2个增加到了6个。对比图b、图c、图d可以看出, 学习者对知识元11和知识元32的兴趣逐渐减小, 并最终从学习兴趣中消失。在整个学习过程中, 该学习者对阅读的兴趣持续增加, 而对翻译的兴趣则是先增加后减少。在不同的时段内, 对概念及知识元的兴趣度都有变化。

三结论

智能感知环境 篇8

情景感知的概念来源于普适计算, 它的范围非常广, 可以定义为从基于互联网的网络、设备和用户信息的获取扩展到通过用传感器等相关技术手段来获取当前的情境信息。普适计算中的情景感知计算系统是指可以通过感知所获得到的实时信息来推断用户周围环境, 并相应改变自己的行为, 主动适应用户的需求和工作的变化。

基于上述对情景感知与情景感知计算系统的定义, 给出本研究中移动智能辅助系统的定义:利用情景感知计算的原理和相关技术, 让手机等移动终端能够自适应推断用户的当前状态, 相应改变手机当前模式来满足用户所处环境的需求。其中需要利用智能手机自身拥有的各类传感器和手机定位服务技术实时获取用户当前情景的各类感应值, 以及使用本文所建立的模型计算、分析同时进行情景推理。手机根据最终的分析和推理结果更改自身的模式或设置。

1 情景空间的数学模型及分析

1.1 数学模型

经过多次的观察和分类归纳, 可以把现实生活的情景空间当作一个充满各类资源的立体空间, 而处于这个情景空间中的用户则都是在为自身争夺着这个立体空间各维度的资源, 尽可能让所得到的资源满足用户自身的需求, 从而达到自身利益最大化。那么不难得出, 空间的两类重要元素就是空间本身的各类资源和用户最满意的情景。

因此, 这两个元素之间的关系总的来说是:随着关系的拉近, 之间的距离将随之减小;同样, 两个元素因为相互对立, 之间的距离将变大。我们将这种距离反映出的结果看成是用户期望与实际情况的差距。而对于空间中的某一种资源来说, 各个用户之间的争夺是不可避免的, 所以可以在这种情况下我们找到一组对立面, 而争夺的双方就站在了相互的对立面上。

根据上面所述, 可以得出数学模型:设空间总资源Resources为S, 两类用户资源分配比例分别为、, 满足100%。设用户希望得到资源比例为t, 因此期望值为、, 两类用户争夺资源的权值为、。距离是用户期望与实际得到的差值, 即Distance=|S-t|。用这种方法对情景空间量化能更加清晰得到我们需要求解的变量。可以得出计算公式:

/Distance体现了资源的实际分配与用户所期望情景的不匹配程度。

根据数学思想, 该模型中的差值Distance达到最小值时, 用户的期望与实际值最相近, 也就是说此时的资源分配可以让两类用户都满意。计算Distance最小值则使用多元函数求极值方法。其中公式中存在着极端情况, 如用户A期望为1, 则用户B期望为为0或者是用户A期望为1, 用户B期望也为1。以下将就这两种极端情况做考虑。

1.2 模型分析

1.2.1用户争夺资源的权值计算

权值、的确定方法可以分为一维以及多维两大方面。

一维上, 我们假设移动用户A处于决定性的一方, 那么将A的权值设为1;而用户B的权值将根据传感器所得数据来计算。但是在多维上却有所不同, 原因是多种传感器所获得的数据会对权值产生影响, 为了划分不同种传感器之间的比例, 我们了借助传统协同过滤即用户-资源评分矩阵来确定各项感应值对权值的影响, 也为之后所建立的多维度上情景推理分析机制打下了基础。

假设研究中我们选用的传感器有:GPS定位传感器、声音传感器、加速度传感器、光度传感器以及手机自带的信息 (通讯录、时间、电话记录等) 。其中GPS定位只是做一个初步的定位并不对权值产生影响, 因此此处不做研究。我们随机选择了10位学生, 让其对两个情景中各传感器所占比重以及最终结果进行预估并记录预估结果如下表1:

在情景1中的学生1来说, 他所预估的=0.4+0.3+0.05+0.15。此时, 将他所预估的带入模型进行计算, 计算得出的最优方案与学生本身的预估结果进行比对, 发现预估结果与实际计算结果之间存在误差。由于预估结果进行了统一, 所以存在误差是因为各项传感器所占总值的比重不同。为提高准确率, 我们将各项预测比重按差值比例进行相应改变, 即, 用X调整各项传感器所占比重, 取这10组数据的平均值, 最终得出该场景各个传感器所占的最优比重, 这一算法一定程度上提高了传感器数值获取的精确度。

2 情景推理及判定分析

本研究在情景空间立体维度的众多维度中选取五项作为讨论维度:地点维度 (GPS定位) , 声音维度 (环境分贝的大小) , 加速度维度 (用户的运动状态) , 光强维度 (外界环境光强度) 以及智能手机等移动终端自带信息 (通讯录、时间、电话记录等) 。其中前四项维度都需要使用手机内置传感器来收集用户的外界情景信息, 而移动终端自带信息则不需要使用无线传感器, 只需要调用手机内部系统信息即可 (后文的讨论中设定为获取系统时间) 。情景推理过程调用五个维度信息的顺序可以定为:地点->时间->光强->加速度->声音。

本研究选取30名学生作为研究调查对象, 记录下这30个用户日常行为, 并进行归纳整理得出对这五个维度感应值的区间划分从而可以用来推断用户的情景状态, 如表2所示:

3 情景实例

3.1 一维情景建模实例

A同学需要接一个十分重要的电话, 但在课堂上老师要求手机静音。这种情景下我们要考虑的周围环境因素包括了:周围声音的分贝数、以及是否在上课。老师对铃声这一情景的需求为0, 也就意味着他最满意的情景是铃声处于静音状态。作为学生来说, 他对于铃声这一情景的需求为1, 也就意味着他最满意的情景是铃声的状态是最大声, 流程图如图1所示。

学生作为手机拥有者, 他所对应资源的权值为1。另一方面教师的权值与分贝相对应。当分贝数越低, 那优先满足教师需求的比率就越高, 权值的数值随之减小。由测得可知教室内分贝数均值为55.1d B, 25.1/30≈0.8, 因此确定教师服务的权值为0.8。教师期望为, 学生期望为, T= (0.8, ) 。多元函数求极值可得:=0.4、=0.6时Distance取最小值为0.523, 这种情况是解决情景冲突的最佳方案, 相应此时震动大小被调整到总体的60%。

3.2 多维情景推理实例

利用表2中划分的感应值区间划分和其中的情景, 按照五个维度的调用顺序不难根据手机实际感应值来推断用户当前所处的情景。

例:一名学生在学校时打开情景感知系统, 那么四项传感器开始获取情景感应值。此时GPS定位于北京交通大学, 手机时间是10:00, 光照强度为2000lx, 加速度矢量和不为g并且环境分贝值是70d B, 则可以这样进行情景推理:该学生处于学校, 课下时间在室外, 处于运动状态, 周围比较嘈杂。那么根据这段分析手机可以更改模式为铃声与震动同时开启。又如:GPS定位显示该学生位置为自己家小区, 手机时间是23:45, 光照强度由110lx变为0.1lx, 加速度矢量和为g, 环境分贝值是20d B, 则可推理为该学生正在家中, 此时已是深夜, 家中的灯光刚刚熄灭, 手机处于静止状态, 周围环境很安静。这种情况下可以进一步推理成该学生在深夜23:45刚刚睡下, 那么手机模式可以调为静音, 并在10分钟之后自动关机。

4 结论

移动互联经历了近年的快速发展, 让更多的用户有用手机等移动终端代替笨重电脑的趋势。因此在人们未来的生活中, 移动终端的智能化显得越来越重要, 怎么提升手机用户的体验也成为手机开发商们致力研究的问题, 这就取决与手机开发商们如何让手机上各类传感器物尽其用了。本文建立起的情景空间数学模型不仅仅能够运用在一维的情景模型中, 还可以解决多个维度上的情景空间建模, 从而得出多维度情景空间中应该如何根据各类传感器的感应值来决策手机模式的更改和改变的程度, 且研究中建立起的情景判定表能够在五个维度上对用户的情景进行推理和判断。当然, 本研究中也存在着不足的地方, 研究虽然选取了五个维度, 使用了四项手机传感器, 但对于人们的真实生活而言这五个维度是远远不够的, 所以逐步增加维度也是未来需要继续的研究工作, 当然这也需要更多研究者的帮助和改进。

摘要：随着现代社会无线网络技术的不断创新、发展和完善, 情景感知计算已经成为移动技术领域的研究热点。手机移动终端传感器和定位服务技术的结合应用给情景感知研究带来了更大的突破。本文在情景感知技术的基础上对一种移动智能手机辅助系统进行了较深入的研究。本文提出了关于情景空间的数学模型, 实现情景空间从平面维度到立体维度的跨越。此外, 针对情景空间的立体维度, 本文制定了一种基于应用手机传感器的情景推理规则, 帮助实现移动终端智能推理用户情景的功能。经过情景实例验证, 本次研究 (情景模型和情景推理规则) 可以有效的帮助手机做出智能、准确、有效的决策。

关键词：情景感知,情景模型,情景推理规则,智能决策

参考文献

[1]顾君忠.情境感知计算[J].华东师范大学学报:自然科学版, 2009 (5) :1-20.

[2]Gregor Broll, Enrico Rukzio, Massimo Paolucci, Albrecht Schmidt, Heinrich Hu-mann, Perci.Pervasive Service Interaction with the Internet of Things[J], Internet Computing, 2011, 13:74-81.

[3]Achilleas Achilleos, Kun Yang, Nektarios Georgalas.Context modelling and a context-aware framework for pervasive service creation[J].A modeldriven approach.Pervasive and Mobile Computing, 2010, 6.

[4]曾子明, 李鑫.移动环境下基于情景感知的个性化信息推荐[J].情报杂志, 2012, 31 (8) .Jong-yi Hong, Eui-ho Suh, Sung-Jin Kim.Context-aware systems:A literature review and classification[J].Expert Systems with Applications, 2009, 36:8509-8522.

[5]黄建强, 陈祥献, 汪乐宇.面向情景自觉计算的人体识别跟踪系统[J].仪器仪表学报, 2002, 23 (5) :124-126.

[6]王悦, 岳玮宁, 王衡, 等.手持移动计算中的多通道交互[J].软件学报, 2005, 16 (1) .

智能感知环境 篇9

关键词：上下文感知,语义Web,门户

0引言

近十年来,随着网络技术的不断发展,越来越多的应用已经从桌面程序转移到Web程序上来,SUN公司当年“网络就是计算机”这句响亮的口号已经不再是一个理念而变成了一个现实。网络不仅提高了人们的工作效率,而且改变了人们的工作方式。

门户作为一种典型的网络应用框架,它将各种应用系统、数据资源和互联网资源集成到一个信息管理平台之上,并以统一的用户界面提供给用户,使企业可以快速地建立企业对客户、企业对内部员工和企业对企业的信息通道, 使企业能够释放存储在企业内部和外部的各种信息。而从最终用户的角度看,门户就是一种 Web 站点。当前,门户系统已经有了很多的实现产品,从开源的JetSpeed到商用的IBM WebSphere Portal Server,他们基本上可以满足用户功能上的需求,甚至可以进行一些简单的配置,如:定制颜色及布局、定制内容版块等。但从系统的角度来说,这种配置要被动地等待用户提供知识,是一种低级别的配置。因此,我们提出了一个“智能门户”的概念,它引入了上下文感知相关技术,使门户系统可以主动地去发现知识,并为用户提供服务,实现高级别的配置。

1基本概念

1.1上下文服务器

上下文服务器是上下文感知系统架构的核心,它对系统上下文信息进行处理并对外提供服务。

所谓上下文,是指那些用于表示实体状态特性的信息。这里的实体可以是人机交互中的相关人、地方、物理或计算对象等[1]。

所谓上下文感知,是指应用系统可以自动利用环境信息改变用户界面和提供最大程度的计算服务的能力[1]。

上下文感知计算是普适计算的一个重要研究领域,历经多年的发展,取得了一些研究成果。比较典型的有,Caswell 和Debaty开发的软件框架CoolTown[2],它通过底层构架提供抽象组件和服务发现机制来帮助开发人员创建支持环境感知的应用系统,但该框架不支持环境解释和存储功能,并且只使用了较简单的服务触发机制。Dey推出的支持环境感知应用系统开发框架Context ToolKit[3],该框架采用了面向对象的方法,提供了环境信息的底层收集、转化组合和分发机制,但它没有提出一个通用的上下文信息的描述方法来实现上下文知识的共享和推理。

到现今为止,大多数上下文感知系统缺乏具有时间序列特性的上下文模型和相关推理规则的支持,难以抽象获取复杂的环境信息。这也是本文在设计CA-MVC框架的上下文服务器时重点要解决的问题。

1.2上下文本体

上下文本体是对上下文信息描述的建模,它是基于语义Web技术的上下文感知系统进行知识发现的主要载体。

所谓语义Web,是对当前Web的扩展,它将信息赋予定义良好的含义,便于计算机与人之间的协同工作。在语义Web的体系结构中,XML、RDF、本体(Ontology)用于表示Web信息的语义,是体系的核心和关键[4]。

所谓本体,是某个领域内的概念和概念间关系的集合,反映了人们对此领域的知识的理解。OWL,即Web Ontology Language,结合了XML的形式和RDF对于资源之间关系的描述,显式地表达了本体的内容。

本文采用上下文本体来描述CA-MVC中的上下文信息,这也是大多数上下文感知系统通常选用的上下文模型。

2基于Context-Aware的MVC框架

大多数门户系统都是建立在一种MVC框架的具体实现的基础之上开发出来的。用户在使用这种基于MVC框架的系统过程中,action是此工作环境下用户最基本的行为单元,也是用户与服务器交互的唯一渠道。因此,在一个上下文感知的智能门户系统中,具备对引发action时的上下文信息进行分析,从而使系统主动为用户提供服务是本文的主要研究方向。结合上一节叙述的几种技术的优点,本文提出了一个基于Context-Aware的MVC框架CA-MVC。如图1所示,用户通过浏览器触发门户页面上的一个事件,这个事件会引发一个action,然后,在action listener的执行过程中会将与action有关的上下文信息发送给上下文服务器的上下文获取模块,上下文获取模块将这些初级上下文信息存入上下文存储库中,并通过推理引擎的推理,得出高级上下文,高级上下文会与系统定义的服务条件进行匹配,从而对是否选用服务进而影响Model作出决策。由此我们可以看出,上下文服务器是CA-MVC的核心,主要由三个部份组成:上下文获取模块、上下文推理模块与上下文服务模块。以下便分三部份对这三个模块加以介绍。

2.1上下文获取模块

上下文获取模块的主要功能是在用户的工作环境中采集初级上下文信息,并将它们存入上下文存储库中。初级上下文信息在CA-MVC框架中主要分为两种类型:一般上下文与时序上下文。

一般上下文是指用于描述用户的工作环境的基本上下文信息,比如:用户概况、时间、地点、计算资源等。

时序上下文是CA-MVC的一个重要组成部份,它特指用于描述用户在MVC框架中所引发的一组action,由于其与时间有紧密的关联,所以称其为时序上下文。

时序上下文有如下的形式化定义:

Temporal Context = <A, U, T, P>

即基本时序上下文的一个实例是一个四元组,其中,A代表Actions,表示门户系统所有可能引发的动作集合;U代表Users,表示门户系统的用户集合;T代表Time,表示一个引发时间,P代表Position,表示引发位置。

OWL程序片段是对CA-MVC的时序上下文本体的描述,它对上面的形式化定义完全相同。

OWL程序片段:

在实际的应用当中,可以对Action类的定义进行继承和扩展,以适应不同的需求。

2.2上下文推理模块

上下文推理模块的主要功能是将上下文存储库中的初级上下文,通过定义的规则库进行推理,从而得到高级上下文。

高级上下文是指用于描述用户行为的一些深层次的信息,如用户的偏好、用户的习惯等。它是上下文服务器对外界提供服务的依据。

在上下文本体模型的基础上,利用本体自身的推理机制,并结合用户定义的推理规则,可以构建出上下文本体推理引擎。在本框架中,推理机制主要划分为两种类型:

(1) 一阶逻辑推理

一阶逻辑推理是一种典型的基于规则的推理方法。该方法的推理机制非常简单,利用谓词构建静态的推理规则库。当进行推理时,首先向引擎输入已知的初级上下文信息,通过一致性验证后,与规则进行比较,如果相同,那么给出对应规则结果的高级上下文信息,否则提示没有成功[5]。例如:

Context1 ∧Context2 → Context3

由于CA-MVC采用本体建模的方式来描述上下文信息,本体的描述逻辑本身就具有一阶逻辑推理的特点,比如:现在上下文存储库获得了这样一条初级上下文:

Temporal Context <Action:logon, User:Wang, 2007-6-1 18:2, 202.120.38.223>

它表示Wang在2007-6-1 18:2于202.120.38.223做了logon动作。如果还有一条一般上下文信息,它表示202.120.38.223是上海分公司的IP地址,则系统可以直接推理出Wang于2007-6-1 18:2在上海分公司。

(2) 时序逻辑推理

时序逻辑推理并不是简单地依靠谓词对初级上下文信息组合来进行推理的一种机制,它通过观察上下文存储库中某种或几种上下文信息在一段时间内的记录,根据上下文发生的时间序列来寻找规律,从而得出高级上下文信息。

在CA-MVC中,典型的具有时序特征的上下文信息就是action,通过在一段时间内观察一组action的上下文信息,可以得到用户在这一段时间内的行为特征。比如:在一段时间内,上下文存储库记录了用户Wang每次登录所做的所有action序列,推理引擎根据这些上下文信息得出3个出现次数最多的action,从而得出Wang最近一段时间内优先级最高的3个活动内容,并根据活动类型,推理出Wang这一段时间内的重点工作内容。

2.3上下文服务模块

上下文服务模块的主要功能是把由上下文推理引擎推理出来的高级上下文信息与系统制定的作为服务条件的上下文信息进行匹配,上下文服务器把匹配的结果作为对外界提供服务的依据[6]。

· 简单匹配

在一般情况下,由一阶逻辑推理得出的高级上下文信息一般相对简单,使服务设计者可以方便地将触发服务的条件设置为几条上下文信息的逻辑运算组合,通过这个运算的结果是true或false来决定是否触发服务。例如:

IF (∃Context1 ∧∃Context2) ∨ (∀Context3 > Context4)

THEN do Service1

· 本体匹配

由于推理引擎中存在时序逻辑推理,它推理出来的高级上下文信息在与作为服务条件的上下文信息进行匹配时往往不能用“是”或“否”的标准来衡量,所以采用基于人工智能的本体匹配算法。系统通过对事先制定好的作为服务条件的上下文信息本体实例与上下文存储库中存储的上下文信息本体实例进行语义匹配,并计算出相应的匹配级别,最终用以决策服务的调用。

匹配级别一共定义了5种:Perfect, High, Middle, Low, Fail。规则如下:

其中sc表示Stored Context,即存储的上下文本体实例;cc表示Conditioned Context,即作为条件的上下文本体实例。

从规则可以看出,Perfect级别表示存储的上下文信息与条件要求的上下文信息完全相同;High级别表示存储的上下文信息可以是条件要求的上下文信息的子类的实例,但属性值需要相同;Middle级别表示存储的上下文信息只满足了要求的上下文信息的一部份,但属性需要相同;Low级别表示存储的上下文信息只满足了要求的上下文信息的一部份,而且属性值也只是部份相同;Fail级别表示完全不相同,即匹配失败。

当作最终的决策时,可以由服务设计者决定当匹配度隶属于哪个级别时,或隶属度到达某一定值时才触发服务。

3应用实例

本节将结合CA-MVC在上海交通大学CIT实验室工作流门户系统中的应用,给出一个简单并且典型的例子,其目的用以说明CA-MVC的基本工作过程。

工作流门户是企业用户访问工作流系统、获取工作流程运行状态的重要途径。它的主要目标是让用户可以方便地操作工作流系统中分配的任务,以改善业务过程,减少企业的运营成本。将CA-MVC框架应用于工作流门户系统,可以使门户系统通过观察用户的历史行为(Actions),主动为用户提供智能化的服务,从而进一步帮助企业成员提高工作效率。下面便以本工作流门户系统中的一个实例来说明:

工作流门户系统的核心功能之一就是为用户提供一个任务列表,使用户可以打开任务,并在任务完成后提交任务。通常在门户首页,都会为用户提供一个将要到期的任务列表提示,这个提示是根据一个设定的提前天数,从任务列表中取得。上下文服务器可以根据一段时间内用户提交任务的状况来改变这个提前天数。

实例搭建在Jetspeed Portal平台上,采用JSF技术作为MVC的具体实现,因此显示任务到期提示的portlet页面有对应的DueTaskListFormBean作为Backing Bean,其中有一个域为earlyDays,表示提前天数,默认为3天。推理机采用Jena(Racer),支持本体的一阶逻辑推理。对库中的上下文信息本体的查询采用RDQL(RDF Data Query Language)实现。

系统的上下文存储库中已保存了下列上下文信息:

每次用户做提交任务的Action时,submitActionListener都会向上下文服务器写入上下文信息,设t1大于sa1的结束时间:

根据推理机的推理,

可以得出sa1所属的工作job1被推后完成这样一条高级上下文信息。通过一段时间对上下文信息的收集,可以得到很多类似的上下文信息,有的工作被按时完成,而有很多工作被推后完成。

上下文服务器提供了一个用以改变任务列表提示的提前天数的服务chageEarlyDaysService,采用简单触发模式,触发条件为:

IF 50% Jobs (where job.endtime > currenttime-15days and job.owner = Wang) are overtime

THEN do chageEarlyDaysService

服务ageEarlyDaysService所做的唯一一件事就是更改DueTaskListFormBean的earlyDays为7天。即系统当发现用户Wang近15天内有50%的工作都overtime的话,系统会主动提前更多天为用户提示将要到期的任务列表。

4结论

本文针对智能门户这个课题,设计了一种基于Context-Aware的MVC框架,它结合MVC模式的特点,提出了时序上下文本体与时序逻辑推理,以及其采用的本体匹配的方式对服务作出决策。这个框架的优点是,在现有MVC的基础之上构建,不需要重新进行整体设计,只需要在门户系统所采用的MVC实现的基础上,增加上下文服务器部份,并设计好接口,从而完成对上下文感知的支持。在CA-MVC的具体应用的过程中,设计一个成熟的基于本体的时序逻辑推理算法是开发推理引擎的关键,也是难点。这方面的研究将作为我们下一步的工作内容。

参考文献

[1]Dey A K.Providing Architectural Support for Building Context-Aware Applications,Ph.D Dissertation,2000.

[2]Caswell,Deborah,Phillippe Debaty.Creating Web representations for places.In the Proceedings of the2nd International Symposium on Handheld and Ubiquitous Computing,114-126,Bristol,UK,Springer-Verlag.September25-27,2000.

[3]Dey AK.Abowd G D.The Context Toolkit:Aiding the Development of Context-Enabled Applications,Proc.Workshop Software Eng.for Wearable and Pervasive Computing,ACM Press,New York,2000:434-441.

[4]邹文科,孟祥武.基于语义Web技术的上下文感知的智能移动服务.计算机科学,2006,33(9):30-33.

[5]Anand Ranganathan,Roy H Campbell,Arathi Ravi,Anupama Ma-hajan.ConChat:A Context-Aware Chat Program.IEEE Pervasive Computing,July-Sept.2002,1(3):51-57.