CN101853426A - 普适计算环境中基于神经网络的上下文融合方法 - Google Patents
普适计算环境中基于神经网络的上下文融合方法 Download PDFInfo
- Publication number
- CN101853426A CN101853426A CN201010179651A CN201010179651A CN101853426A CN 101853426 A CN101853426 A CN 101853426A CN 201010179651 A CN201010179651 A CN 201010179651A CN 201010179651 A CN201010179651 A CN 201010179651A CN 101853426 A CN101853426 A CN 101853426A
- Authority
- CN
- China
- Prior art keywords
- context
- neural network
- basis function
- context data
- radial basis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于改进径向基函数神经网络的普适计算中上下文融合方法是一种在普适计算环境中,利用改进的径向基函数神经网络对环境中预先布设的多种物理传感器和逻辑传感器所感知到的原始上下文数据进行融合处理,以获取上下文感知计算系统中上层应用所需的精确的上下文信息的技术方案。是一种普适计算环境中,结合径向基函数神经网络和粒子群优化算法两者优点的上下文融合方法来获取用户精确的上下文信息,从而达到正确感知用户所处环境状态,主动提供各种适合该情景的服务,最大限度地减少直接人机交互、提高系统整体性能的目标。径向基函数神经网络在逼近能力、分类能力和学习速度等方面都优于BP神经网络,采用径向基函数神经网络进行信息处理,就是利用其并行计算、容错性等优点。
Description
技术领域
本发明是一种在普适计算环境中,利用改进的径向基函数神经网络对环境中预先布设的多种物理传感器和逻辑传感器所感知到的原始上下文数据进行融合处理,以获取上下文感知计算系统中上层应用所需的精确的上下文信息的技术方案。本技术属于上下文感知计算中的数据处理应用领域。
背景技术
普适计算是继主机计算、桌面计算之后兴起的一种全新的计算模式,它建立在分布式计算、通信网络、移动计算、嵌入式系统、传感器等相关技术飞速发展和日益成熟的基础上,体现了信息空间与物理空间融合的趋势,反映了人们希望能随时、随地、自由地享用计算能力和信息服务的需求,使人类生活的物理环境与计算机提供的信息环境之间的关系发生了革命性的变革。理想的普适计算环境必须具有自适应、自配置、自进化的能力。因此,作为普适计算关键技术之一的上下文感知成为实现服务自发性和无缝移动性的关键,得到了越来越多的重视。而通过上下文传感器精确地采集各种上下文,包括整个物理环境、计算环境、用户状态等方面的静态和动态信息,是用户和环境实现智能交互的前提基础。
目前,上下文采集主要是通过传感器、应用程序和通信网络等完成。其中由传感器组成的无线传感器网络能够帮助人们更好地实现普适服务中的上下文感知和通信功能,本方案以传感器采集的物理上下文为例进行阐述。但普适环境中预先布设的大多数传感器信息处理能力有限,而且采集的上下文数据在种类、格式和精度上存在很大的差异性。如果将这些数据全部直接交由上层应用来处理,将会产生很大的系统开销。
模拟人类大脑的思维活动发展和形成的人工神经网络由于具有良好的容错性、自适应性、自组织性、联想记忆和并行处理能力,逐渐成为控制工程、图像处理、模式识别等领域中不可或缺的有力工具,人工神经网络在信息融合中的应用也日益受到科研人员的瞩目。在实际应用中,绝大部分的神经网络模型是采用BP神经网络及其变化形式。但BP神经网络有收敛速度慢、容易引起震荡和局部最小值的缺点,限制了其在信息处理领域中的进一步应用。作为一种前馈型神经网络,径向基函数神经网络避免了BP神经网络冗长繁琐的计算,不仅学习速度快而且具有良好的泛化能力。
发明内容
技术问题:本发明的目的是提供一种普适计算环境中基于神经网络的上下文融合方法,从而达到正确感知用户所处环境状态,及时、主动地提供各种适合该情景的服务,最大限度地减少直接人机交互以提高普适计算系统整体性能的目标。
技术方案:随着智能信息处理技术的发展,人工神经网络,尤其是BP神经网络,在信息融合中得到了越来越多的应用。其中,径向基函数神经网络在逼近能力、分类能力和学习速度等方面都优于BP神经网络,人们采用径向基函数神经网络进行信息处理,可以利用其并行计算、容错性等优点。结合基于群体智能的粒子群随机优化算法和径向基函数神经网络,本发明提供了一种新的适用于普适计算环境中的上下文融合方法。
为方便描述本发明的技术方案,对径向基函数神经网络模型和粒子群优化算法进行简要介绍:
1)径向基函数神经网络模型
径向基函数神经网络由三层组成,其结构如图1所示。其中,输入层由信号源节点组成,只传递输入信号到隐层,隐层节点由像高斯核函数那样的辐射状作用函数构成,而输出层节点通常是简单的线性函数。从输入空间到隐层空间的变换是非线性的,而从隐层空间到输出层空间变换是线性的。隐层节点中的作用函数(基函数)对输入信号将在局部产生响应,也就是说,将输入信号靠近基函数的中央范围时,隐层节点将产生较大的输出。由此可以看出这种网络具有局部逼近能力,所以径向基函数网络也被人们称为局部感知场网络。
基函数最常用的是高斯函数:
其中,x是n维输入向量;ci是第i个基函数的中心,与x具有相同维数的向量,σi是第i个感知的变量(可以自由选择的参数),它决定了该基函数围绕中心点的宽度;m是感知单元的个数。||x-ci||是向量x-ci的范数,通常表示x和ci之间的距离,Ri(x)在ci处有一个唯一的最大值,随着||x-ci||的增大,Ri(x)迅速衰减到零,对于给定的输入x∈Rn,只有小部分靠近x的中心被激活。
2)粒子群优化算法
粒子群优化算法是受鸟群觅食行为启发而提出的一种最优化方法,在求解优化问题时,问题的解就是搜索空间中的一只鸟的位置,称这些鸟为粒子。所有粒子都有一个由被优化函数决定的适应值,即候选解,和一个决定它们飞翔方向与距离的速度矢量。在优化过程中,每个粒子记忆、追随当前的最优粒子,在解空间中进行搜索。
粒子群优化算法的具体实现过程如图2所示。
设D维搜索空间中有m个粒子,其中第i个粒子的位置为xi=(xi1,xi2,...,xiD),其速度为vi=(vi1,vi2,...,viD),i=1,2,...,m。记第i个粒子搜索到的最优位置为pi=(pi1,pi2,...,piD),整个粒子群搜索到的最优位置为pg=(pg1,pg2,...,pgD),粒子状态更新操作为:
vid(t+1)=wvid(t)+c1r1[pid-xid(t)]+c2r2[pgd-xid(t)]
xid(t+1)=xid(t)+vid(t+1)
其中,d=1,2,...,D,r1,r2为[0,1]之间的随机数;c1,c2为加速因子,w为惯性因子,一般在0.1到0.9之间取值,vid∈[-vmax,vmax],vmax是预设的最大速率常数。
一、体系结构
在普适计算环境中,为了对上下文传感器获取的上下文数据进行有效的处理,本发明设计的上下文融合方案综合了径向基函数神经网络和粒子群优化算法两者的优点,该方案主要包括上下文数据获取、上下文数据预处理、上下文数据融合三个部分,如图3所示。
下面对这三个模块给出具体的说明:
上下文数据获取模块:一般而言,上下文是个含义广泛的概念,可以认为上下文是影响计算实体行为的一组隐式的输入,粗略地可以将上下文分为三大类:物理上下文,主要包括位置、温度、湿度、噪音等;社会上下文,主要包括人的行为、活动的内容等;此外还有计算上下文,包括带宽、计算能力、Web服务等。目前,上下文可以通过多种途径获取,如可以通过传感器设备、应用程序和通信网络等途径来获取。
上下文数据预处理模块:由于普适计算环境的影响或上下文传感器设备的性能影响,实际获取的上下文数据可能是不准确、甚至是错误的,这就需要采用有效的机制来克服这种上下文的不确定性,保障上下文数据的质量以避免对后续的上下文融合操作造成不良影响。
本方案设计了一种滑动窗口机制来剔除误差较大的数据。窗口的大小和滑动距离根据实际需求可以灵活地进行设置,当出现窗口均值超过预设阈值时,就丢弃新加入窗口的数据,或者采用前一个均值进行替代。图4是该滑动窗口机制的说明示意图。
上下文数据融合模块:该模块是本方案的核心功能模块。与以往普通的采用神经网络技术进行数据融合的方案不同,本方案不仅利用径向基函数神经网络学习速度快、自适应能力强、泛化能力好等优点,还采用粒子群优化算法对径向基函数神经网络进行训练,加快了搜索速度,并能够防止整个算法的过早收敛。
二、方法流程
普适计算环境中会面临大量的不确定的上下文信息,如何对这些上下文进行合理地处理是很困难的事情,目前还没有很好的有效解决方案。综合人工神经网络中的径向基函数神经网络和粒子群优化算法,本发明设计了一种新的上下文数据融合方法。
其工作流程如图5所示,包含以下主要的处理过程:
首先,对上下文传感器获取的原始上下文数据进行初步的预处理。
其次,采用粒子群优化算法获得的群体最优解对径向基函数神经网络进行训练。
最后,利用训练好的神经网络进行上下文数据融合处理。
具体步骤如下:
步骤1)用户所在普适环境中布设的多种物理上下文传感器和逻辑上下文传感器利用红外等无线传输信道,通过上下文信息采集接口将感知的上下文数据传送到上下文管理器中的存储模块进行存储;
步骤2)根据实际普适环境中不同应用的需求,用户可以预设数据预处理模块中滑动窗口机制的各项参数,最重要的是滑动距离Win_distance和窗口大小Win_size两个关键参数;
步骤3)采用滑动窗口机制对上下文传感器获取的原始上下文数据进行预处理,以剔除误差较大的上下文数据或根据系统应用需求采用适当的上下文数据进行替代;
步骤4)利用预处理过的上下文数据作为样本数据对径向基函数神经网络进行初始化操作,本发明采用常选的高斯函数作为激活函数;
步骤5)用户根据实际场景设置粒子群优化算法所需的各项参数,对粒子群优化算法进行初始化操作;
步骤6)构造新的用于上下文数据融合的改进的径向基函数神经网络;
步骤7)上下文管理器计算每个粒子的适应值;
步骤8)判断适应值的计算结果是否满足预先定义的误差条件或达到预先设置的迭代结束条件;
步骤9)如果适应值的计算结果不满足误差条件,则进行粒子群优化算法的更新操作,然后转到步骤4)继续重复执行后续步骤;
步骤10)如果适应值的计算结果满足误差条件或已经达到迭代结束条件,则利用训练好的神经网络对上下文数据进行融合操作;
步骤11)将上下文数据的融合结果传送给上下文管理器进行存储以备以后的查询等操作,或者直接提供给对数据的实时性有要求的不同上层应用程序。
有益效果:本发明提供了一种普适计算环境中基于径向基函数神经网络的上下文融合新方法,使用该方法有如下优点:
由于目前技术限制,普适计算环境中上下文的质量还很难得到保证。本发明中设计的一种滑动窗口机制可以过滤上下文传感器获取的大量原始上下文数据,有效地保证原始上下文数据的质量,屏蔽由于环境和硬件原因造成的上下文不确定性和非精确性。此外,该机制中参数的设置比较灵活,可以根据具体场景和用户需求进行不同的设置,包括窗口大小、滑动步长以及如何处理异常的上下文数据。
在智能信息处理中采用神经网络进行数据融合是很流行的方法。但是现存方案大多具有神经网络方法固有的某些缺陷,如最常用的BP网络就具有收敛速度慢、容易引起震荡和局部最小值的缺点。本发明采用粒子群优化算法对径向基函数神经网络进行训练,不仅加快了搜索速度,并且能够防止整个算法的过早收敛。
普适计算场景一般是多变的,包括用户自身环境的改变和周围物理环境的变化,这就要求上下文融合方法必须满足这种变化需求。本发明提出的方法具有良好的适应性和扩展性,可以方便地处理多种上下文传感器获取的不同种类的上下文数据,适用于普适计算场景多变的现实问题,减轻了普适计算上层应用开发的困难。
附图说明
图1是径向基函数网络结构示意图,图中从下至上依次为:输入层、隐层和输出层,节点表示单个的神经元。
图2是粒子群优化算法的具体实现过程示意图。
图3是上下文融合方案整体结构图,主要包括上下文数据采集模块、上下文数据预处理模块、上下文数据融合模块三大部分。
图4是结合粒子群优化算法的径向基函数神经网络对上下文数据进行数据融合操作的流程示意图。
图5是上下文预处理的滑动窗口方法示意图。图中滑动窗口的大小设为4,每次滑动的距离是一个数据单位。
具体实施方式
为方便描述,假定有如下实际的应用场景:
在某一智能空间中,管理系统需要精确地控制用户的体温以对其进行健康监护,这就需要管理系统精确地感知当时用户体温。假设环境中布设10个非接触式的体温传感器对用户进行测量以获取其体温上下文数据,单位为摄氏度,其中一次实际测量的数据如下所示:
s1=36.1,s2=36.2,s3=36.5,s4=36.3,s5=36.4,s6=30.0,s7=36.3,s8=36.0,s9=36.3,s10=36.4。
则其具体实施方式为:
步骤1)环境中的10个体温上下文传感器将获取的体温上下文数据传送到上下文管理器中;
步骤2)根据实际场景应用的不同需求,预设滑动窗口机制的各项参数。这里设滑动距离为1,窗口大小为3;
步骤3)采用滑动窗口机制对原始上下文数据进行预处理。这里采用考察平均值变化的方法确定误差较大的上下文数据,设定变化的最大门限为0.5度。
可以发现s6=30.0的测量数据误差超过系统的允许范围,可以取上次的均值36.4度进行替换或直接丢弃该测量值;
步骤4)对径向基函数神经网络进行初始化,激活函数选用高斯函数:
步骤5)对粒子群优化算法进行初始化,c1,c2为加速因子,取值为2,w为惯性因子,一般在0.1到0.9之间取值,这里取值为0.8;迭代次数设置为t=1700。
步骤6)构造好新的用于上下文数据融合的径向基函数神经网络;
步骤8)判断是否满足误差条件ε或达到迭代结束条件t=1700;
步骤9)如果不满足误差条件,则进行粒子群优化算法的更新操作,然后转到步骤4)继续执行;
步骤10)如果满足误差条件ε或已经达到迭代结束条件t=1700,则利用训练好的径向基函数神经网络对上下文数据进行融合操作。
采用本方法的融合结果为s=36.31度,如果采用BP神经网络的融合结果为s=36.28度;
步骤11)将融合结果s=36.31度传送给上下文管理器进行存储或提供给上层应用程序。
Claims (1)
1.一种普适计算环境中基于神经网络的上下文融合方法,其特征在于该方法所包含的步骤如下:
步骤1)用户所在普适环境中布设的多种物理上下文传感器和逻辑上下文传感器利用红外无线传输信道,通过上下文信息采集接口将感知的上下文数据传送到上下文管理器中的存储模块进行存储;
步骤2)根据实际普适环境中不同应用的需求,用户可以预设数据预处理模块中滑动窗口机制的各项参数,最重要的是滑动距离Win_distance和窗口大小Win_size两个关键参数;
步骤3)采用滑动窗口机制对上下文传感器获取的原始上下文数据进行预处理,以剔除误差较大的上下文数据或根据系统应用需求采用适当的上下文数据进行替代;
步骤4)利用预处理过的上下文数据作为样本数据对径向基函数神经网络进行初始化操作,本发明采用常选的高斯函数作为激活函数;
步骤5)用户根据实际场景设置粒子群优化算法所需的各项参数,对粒子群优化算法进行初始化操作;
步骤6)构造新的用于上下文数据融合的改进的径向基函数神经网络;
步骤7)上下文管理器计算每个粒子的适应值;
步骤8)判断适应值的计算结果是否满足预先定义的误差条件或达到预先设置的迭代结束条件;
步骤9)如果适应值的计算结果不满足误差条件,则进行粒子群优化算法的更新操作,然后转到步骤4)继续重复执行后续步骤;
步骤10)如果适应值的计算结果满足误差条件或已经达到迭代结束条件,则利用训练好的神经网络对上下文数据进行融合操作;
步骤11)将上下文数据的融合结果传送给上下文管理器进行存储以备以后的查询操作,或者直接提供给对数据的实时性有要求的不同上层应用程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010179651A CN101853426A (zh) | 2010-05-21 | 2010-05-21 | 普适计算环境中基于神经网络的上下文融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010179651A CN101853426A (zh) | 2010-05-21 | 2010-05-21 | 普适计算环境中基于神经网络的上下文融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101853426A true CN101853426A (zh) | 2010-10-06 |
Family
ID=42804899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010179651A Pending CN101853426A (zh) | 2010-05-21 | 2010-05-21 | 普适计算环境中基于神经网络的上下文融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101853426A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123469A (zh) * | 2014-07-25 | 2014-10-29 | 南京大学 | 一种普适计算环境上下文一致性检测调度系统及方法 |
CN107077635A (zh) * | 2014-11-07 | 2017-08-18 | 国际商业机器公司 | 基于突触神经网络核心的传感器系统 |
CN107547457A (zh) * | 2017-09-15 | 2018-01-05 | 重庆大学 | 一种基于改进粒子群优化bp神经网络的盲信道均衡方法 |
CN107836000A (zh) * | 2015-07-07 | 2018-03-23 | 触摸式有限公司 | 用于语言建模和预测的改进的人工神经网络 |
CN109784287A (zh) * | 2019-01-22 | 2019-05-21 | 中国科学院自动化研究所 | 基于情景信号类前额叶网络的信息处理方法、系统、装置 |
CN113284079A (zh) * | 2021-05-27 | 2021-08-20 | 山东第一医科大学(山东省医学科学院) | 一种多模态医学图像融合方法 |
-
2010
- 2010-05-21 CN CN201010179651A patent/CN101853426A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123469A (zh) * | 2014-07-25 | 2014-10-29 | 南京大学 | 一种普适计算环境上下文一致性检测调度系统及方法 |
CN104123469B (zh) * | 2014-07-25 | 2017-02-15 | 南京大学 | 一种普适计算环境上下文一致性检测调度系统及方法 |
CN107077635A (zh) * | 2014-11-07 | 2017-08-18 | 国际商业机器公司 | 基于突触神经网络核心的传感器系统 |
CN107077635B (zh) * | 2014-11-07 | 2020-08-25 | 国际商业机器公司 | 基于突触神经网络核心的传感器系统 |
US11010660B2 (en) | 2014-11-07 | 2021-05-18 | International Business Machines Corporation | Synaptic neural network core based sensor system |
CN107836000A (zh) * | 2015-07-07 | 2018-03-23 | 触摸式有限公司 | 用于语言建模和预测的改进的人工神经网络 |
US11797822B2 (en) | 2015-07-07 | 2023-10-24 | Microsoft Technology Licensing, Llc | Neural network having input and hidden layers of equal units |
CN107547457A (zh) * | 2017-09-15 | 2018-01-05 | 重庆大学 | 一种基于改进粒子群优化bp神经网络的盲信道均衡方法 |
CN109784287A (zh) * | 2019-01-22 | 2019-05-21 | 中国科学院自动化研究所 | 基于情景信号类前额叶网络的信息处理方法、系统、装置 |
US10915815B1 (en) | 2019-01-22 | 2021-02-09 | Institute Of Automation, Chinese Academy Of Sciences | Information processing method, system and device based on contextual signals and prefrontal cortex-like network |
CN113284079A (zh) * | 2021-05-27 | 2021-08-20 | 山东第一医科大学(山东省医学科学院) | 一种多模态医学图像融合方法 |
CN113284079B (zh) * | 2021-05-27 | 2023-02-28 | 山东第一医科大学(山东省医学科学院) | 一种多模态医学图像融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Machine learning for wireless networks with artificial intelligence: A tutorial on neural networks | |
CN101853426A (zh) | 普适计算环境中基于神经网络的上下文融合方法 | |
Qiao et al. | Adaptive lasso echo state network based on modified Bayesian information criterion for nonlinear system modeling | |
Zhou et al. | A multiobjective discrete bat algorithm for community detection in dynamic networks | |
He et al. | Membership evaluation and feature selection for fuzzy support vector machine based on fuzzy rough sets | |
Liao et al. | An overview on rough neural networks | |
Sun et al. | Study on fault diagnosis algorithm in WSN nodes based on RPCA model and SVDD for multi-class classification | |
Song et al. | ADP-based optimal sensor scheduling for target tracking in energy harvesting wireless sensor networks | |
Sankaranarayanan et al. | Cluster-based attacks prevention algorithm for autonomous vehicles using machine learning algorithms | |
Tao et al. | Gated recurrent unit-based parallel network traffic anomaly detection using subagging ensembles | |
He et al. | A robust CSI-based Wi-Fi passive sensing method using attention mechanism deep learning | |
Basterrech et al. | Evolutionary Echo State Network: A neuroevolutionary framework for time series prediction | |
Zhao et al. | A novel binary bat algorithm with chaos and Doppler effect in echoes for analog fault diagnosis | |
Ahrens et al. | Drill: Dynamic representations for imbalanced lifelong learning | |
Wang et al. | Codinet: Path distribution modeling with consistency and diversity for dynamic routing | |
Zhang et al. | An Algorithm Research for Prediction of Extreme Learning Machines Based on Rough Sets. | |
Ding et al. | A novel self-adaptive extreme learning machine based on affinity propagation for radial basis function neural network | |
CN109361539A (zh) | 一种基于发育网络的性能告警方法和装置 | |
Huang et al. | Estimating missing data for sparsely sensed time series with exogenous variables using bidirectional-feedback echo state networks | |
Li | Prediction of body temperature from smart pillow by machine learning | |
Cheng | Hybrid learning-based neuro-fuzzy inference system: a new approach for system modeling | |
Zhong et al. | An effective and efficient broad-based ensemble learning model for moderate-large scale image recognition | |
Wang et al. | An improved BP neural network in Internet of Things data classification application research | |
Ji et al. | Multiple target localization based on binary salp swarm algorithm optimized compressive sensing reconstntction under WSNs | |
Vincent et al. | Smart building indoor temperature prediction using the IoT and machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20101006 |