CN111368910A - 一种物联网设备协同感知方法 - Google Patents

Abstract

本发明涉及一种物联网设备协同感知方法，属于物联网领域。该方法针对物联网环境中物联网设备受部署位置影响，以及搜索情境变化，导致用户对物联网设备的属性有差异化的偏好问题，首先，采用动态时间规整聚类方法，分析物联网设备间的观测内容序列相似度，准确估计其观测关联实体的能力。然后，拟考虑用户的个性化搜索偏好，建立面向物联网设备多维属性的加权向量空间模型，进行搜索情境的动态感知，进而，结合观测能力与搜索情境准确估计物联网设备的协同能力。上述方案可有效地提高物联网搜索的效率，进而提升物联网搜索体验。

Description

一种物联网设备协同感知方法

技术领域

本发明属于物联网领域，涉及一种物联网设备协同感知方法。

背景技术

目前，针对物联网搜索技术的研究尚处于初级阶段，研究人员大多在综述性研究、原型系统设计、情境感知的物联网设备、数据安全与激励机制、物联网本体构建等方面开展研究。有关关联多物联网设备间的搜索协同方向的研究，多数基于物联网设备的能量优化以延长网络寿命为目标展开，也有部分研究人员提出将情境感知技术引入物联网搜索技术中，从而降低搜索空间快速匹配与用户需求最相关的物联网设备子集。

然而，在物理世界中，物联网设备受部署位置影响，同一实体极有可能处于多个物联网设备的观测范围之内，导致其观测能力存在差异。若多个关联物联网设备同时运行，则会浪费物联网设备有限的能量资源，同时易引起搜索系统设备管理与任务分配的混乱。并且随着搜索情境的变化，用户对物联网设备的属性有差异化的偏好(如响应时间、安全性等)，因此，物联网设备协同能力估计的研究具有重要的意义。

发明内容

有鉴于此，本发明的目的在于提供一种物联网设备协同感知方法。

为达到上述目的，本发明提供如下技术方案：

一种物联网设备协同感知方法，该方法包括：

物联网设备的观测能力估计：通过对物联网设备的观测数据质量进行评估，进而估计其观测关联实体的能力；

用户搜索情境评分：根据用户的个人偏好对物联网设备多维属性分配权重，从而计算搜索情境评分；

物联网设备的协同能力估计：结合物联网设备的观测能力与搜索情境评分，综合计算得出物联网设备的搜索协同能力强度。

可选的，所述物联网设备的观测能力估计具体为：

假定实体关联的大多数物联网设备部署于典型观测区域，则其观测内容序列间具较高相似性，通过对关联多物联网设备的观测内容序列集合进行相似度分析，即评价物联网设备的观测数据质量，进而，估计观测关联实体的能力；

构建动态时间规整模型DTW；

在一个周期τ内，两个不同物联网设备的观测内容序列分别是长度p为的V＝{v₁,v₂,...,v_i,...,v_p}，及长度为q的S＝{s₁,s₂,...,s_j,...,s_q}；

对于定性观测内容序列，采用可标识其状态的“0”、“1”序列；

利用欧氏距离公式计算物联网设备V与S观测序列中各元素的欧氏距离，并生成距离矩阵D_p×q：

其中，D(v_i,s_j)＝||v_i-s_j||表示v_i与s_j之间的欧氏距离；

若p＝q，表明两物联网设备的观测内容序列长度相等，则计算两者间的相似度，如下式所示：

D(V,S)＝D(v₁,s₁)+D(v₂,s₂)+…+D(v_p,s_q)

若p≠q，则传统欧式距离难以衡量两物联网设备间的相似度，采用动态规整方法对两观测内容序列进行规整对齐，具体过程如下所示：

首先，在两观测内容序列构成的距离矩阵D_p×q的有效路径中搜寻使V与S之间累积距离最小的最优路径W_best＝{w₁,w₂,...,w_r,...,w_K}，max(p,q)≤K＜p+q-1；

W_best的第r个元素定义为w_r＝(v_i,s_j)_r，表示v_i与s_j之间的映射关系；有效的规整路径需满足以下条件：

w₁＝(v₁,s₁),w_k＝(v_p,s_q)

规整路径W从w₁＝(v₁,s₁)开始，至w_r＝(v_p,s_q)结束；

w_r＝(v_i,s_j)，w_r+1＝(v_i′,s_j′)满足i≤i′≤i+1，j≤j′≤j+1，以保证观测内容序列按序映射；

累积距离最小的最优路径计算如下式：

其中，分母中的K用于对不同的长度的规整路径做补偿；

采用动态规整方法构造累积距离矩阵γ以求解上式，如下所示：

其中，γ(v_i,s_j)表示累积距离，为v_i与s_j之间的距离D(v_i,s_j)与可到达D(v_i,s_j)的最小的邻近元素的累积距离之和，则γ(v_p,s_q)为V与S间的最小累积距离；

综上，得到物联网设备观测内容序列间的相似距离Sim(V,S)，如下式所示：

基于得到的物联网设备间的相似距离测度，采用k-均值聚类方法，对关联多物联网设备的观测内容序列集合进行聚类分析，统一量化观测内容序列间的相似度，以实现对物联网设备观测能力的准确评估；

k-均值聚类方法如下：

设定迭代次数l＝0，从全部观测内容序列Ψ中随机选取k个序列，分别作为第l次迭代分簇的中心

令l＝l+1；在第l次迭代中，采用上述动态时间规整方法计算全部观测序列与各个分簇中心的距离，若

则观测序列

将序列i划为中心

所属分簇；

计算分簇划分的误差平方和

为第l次迭代分簇中心

所属分簇的观测内容序列x_i，在第(l-1)次迭代所属分簇的中心；

分别计算各个分簇中所有观测序列的均值点作为各个分簇新的中心点，并以新的中心点来计算误差平方和

对于所有的分簇，若

或|E^(l-1)-E^(l)|＜ε，ε为分簇划分误差阈值，则簇划分结束；否则转入2)，继续执行簇划分过程；

由假定条件知，内含物联网设备数量较多的分簇为观测能力较强的物联网设备集合，物联网设备与所属分簇中心的距离倒数即为该设备的观测能力量化值

计算方式如下：

可选的，所述用户搜索情境评分具体为：

搜索系统在用户搜索界面提供物联网设备的全部或部分属性信息，由用户根据个人偏好自定义不同属性类型的权重；

假定物联网设备属性列表为P＝[p₁,p₂,…,p_n]，用户能够对每项属性自由分配权重；

假定权重向量ω＝[ω₁,ω₂,…,ω_n],

为用户指定的各项属性权重值；

为物联网设备i各项属性对应的归一化数值，则物联网设备i的属性评分即为其搜索情境评分，如下式所示：

可选的，所述物联网设备的协同能力估计具体为：

根据物联网设备的观测能力与情境评分，综合计算物联网设备i对于用户j的协同能力

如下式所示：

其中，x_i表示物联网设备i的观测内容序列，C_j表示用户j所指定物联网设备聚类后的簇中心。

本发明的有益效果在于：首先，采用动态时间规整聚类方法(DTW)，分析物联网设备间的观测内容序列相似度，准确估计其观测关联实体的能力。然后，拟考虑用户的个性化搜索偏好，建立面向物联网设备多维属性的加权向量空间模型，进行搜索情境的动态感知，进而，结合观测能力与搜索情境准确估计物联网设备的协同能力。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明中方法架构图；

图2为本发明中物联网设备多维属性加权向量空间图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

如图1所示，本发明实施例提供一种物联网设备协同感知方法，具体过程如下：

假定实体关联的大多数物联网设备部署于典型观测区域，则其观测内容序列间具较高相似性，通过对关联多物联网设备的观测内容序列集合进行相似度分析，即可评价物联网设备的观测数据质量，进而，准确估计其观测关联实体的能力；

构建动态时间规整模型(Dynamic TimeWarping，DTW)；

在一个周期τ内，两个不同物联网设备的观测内容序列分别是长度p为的V＝{v₁,v₂,...,v_i,...,v_p}，及长度为q的S＝{s₁,s₂,...,s_j,...,s_q}；

对于定性观测内容序列，采用可标识其状态的“0”、“1”序列；

利用欧氏距离公式计算物联网设备V与S观测序列中各元素的欧氏距离，并生成距离矩阵D_p×q：

其中，D(v_i,s_j)＝||v_i-s_j||表示v_i与s_j之间的欧氏距离；

若p＝q，表明两物联网设备的观测内容序列长度相等，则可直接计算两者间的相似度，如下式所示：

D(V,S)＝D(v₁,s₁)+D(v₂,s₂)+…+D(v_p,s_q)

若p≠q，则传统欧式距离难以衡量两物联网设备间的相似度，采用动态规整方法对两观测内容序列进行规整对齐，具体过程如下所示：

首先，在两观测内容序列构成的距离矩阵D_p×q的有效路径中搜寻使V与S之间累积距离最小的最优路径W_best＝{w₁,w₂,...,w_r,...,w_K}，max(p,q)≤K＜p+q-1；

W_best的第r个元素定义为w_r＝(v_i,s_j)_r，表示v_i与s_j之间的映射关系。有效的规整路径需满足以下条件：

w₁＝(v₁,s₁),w_k＝(v_p,s_q)

规整路径W从w₁＝(v₁,s₁)开始，至w_r＝(v_p,s_q)结束；

w_r＝(v_i,s_j)，w_r+1＝(v_i′,s_j′)满足i≤i′≤i+1，j≤j′≤j+1，以保证观测内容序列按序映射；

累积距离最小的最优路径计算如下式：

其中，分母中的K主要是用来对不同的长度的规整路径做补偿。因为不同的路径其长短不同，较长的路径在两观测序列间存在有较多的“点对”，会有较多的距离累加上去，所以总距离除以K得到单位路径的距离。

采用动态规整方法构造累积距离矩阵γ以求解上式，如下所示：

其中，γ(v_i,s_j)表示累积距离，为v_i与s_j之间的距离D(v_i,s_j)与可到达D(v_i,s_j)的最小的邻近元素的累积距离之和，则γ(v_p,s_q)为V与S间的最小累积距离；

综上，可得到物联网设备观测内容序列间的相似距离Sim(V,S)，如下式所示：

基于上述得到的物联网设备间的相似距离测度，采用k-均值聚类方法，对关联多物联网设备的观测内容序列集合进行聚类分析，统一量化观测内容序列间的相似度，以实现对物联网设备观测能力的准确评估；

k-均值聚类方法如下：

1)设定迭代次数l＝0，从全部观测内容序列Ψ中随机选取k个序列，分别作为第l次迭代分簇的中心

2)令l＝l+1。在第l次迭代中，采用上述动态时间规整方法计算全部观测序列与各个分簇中心的距离，若

则观测序列

将序列i划为中心

所属分簇；

3)计算分簇划分的误差平方和

为第l次迭代分簇中心

所属分簇的观测内容序列x_i，在第(l-1)次迭代所属分簇的中心；

4)分别计算各个分簇中所有观测序列的均值点作为各个分簇新的中心点，并以新的中心点来计算误差平方和

5)对于所有的分簇，若

或|E^(l-1)-E^(l)|＜ε，ε为分簇划分误差阈值，则簇划分结束。否则转入2)，继续执行簇划分过程。

由假定条件可知，内含物联网设备数量较多的分簇为观测能力较强的物联网设备集合，物联网设备与所属分簇中心的距离倒数即为该设备的观测能力量化值

计算方式如下：

用户对物联网设备多维属性的偏好反映了搜索情境的演进状态，通过构建物联网设备多维属性的加权向量空间模型，以进行搜索情境的动态感知，如图2所示；

考虑到物联网设备的属性信息众多，搜索系统在用户搜索界面提供物联网设备的全部或部分属性信息，由用户根据个人偏好自定义不同属性类型的权重；

假定物联网设备属性列表为P＝[p₁,p₂,…,p_n]，用户可对每项属性自由分配权重；

假定权重向量ω＝[ω₁,ω₂,…,ω_n],

为用户指定的各项属性权重值；

为物联网设备i各项属性对应的归一化数值，则物联网设备i的属性评分即为其搜索情境评分，如下式所示：

根据物联网设备的观测能力与情境评分，综合计算物联网设备i对于用户j的协同能力

如下式所示：

其中，x_i表示物联网设备i的观测内容序列，C_j表示用户j所指定物联网设备聚类后的簇中心。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种物联网设备协同感知方法，其特征在于：该方法包括：

物联网设备的观测能力估计：通过对物联网设备的观测数据质量进行评估，进而估计其观测关联实体的能力；

用户搜索情境评分：根据用户的个人偏好对物联网设备多维属性分配权重，从而计算搜索情境评分；

物联网设备的协同能力估计：结合物联网设备的观测能力与搜索情境评分，综合计算得出物联网设备的搜索协同能力强度。

2.根据权利要求1所述的一种物联网设备协同感知方法，其特征在于：所述物联网设备的观测能力估计具体为：

假定实体关联的大多数物联网设备部署于典型观测区域，则其观测内容序列间具较高相似性，通过对关联多物联网设备的观测内容序列集合进行相似度分析，即评价物联网设备的观测数据质量，进而，估计观测关联实体的能力；

构建动态时间规整模型DTW；

在一个周期τ内，两个不同物联网设备的观测内容序列分别是长度p为的V＝{v₁,v₂,...,v_i,...,v_p}，及长度为q的S＝{s₁,s₂,...,s_j,...,s_q}；

对于定性观测内容序列，采用可标识其状态的“0”、“1”序列；

利用欧氏距离公式计算物联网设备V与S观测序列中各元素的欧氏距离，并生成距离矩阵D_p×q：

其中，D(v_i,s_j)＝||v_i-s_j||表示v_i与s_j之间的欧氏距离；

若p＝q，表明两物联网设备的观测内容序列长度相等，则计算两者间的相似度，如下式所示：

D(V,S)＝D(v₁,s₁)+D(v₂,s₂)+...+D(v_p,s_q)

若p≠q，则传统欧式距离难以衡量两物联网设备间的相似度，采用动态规整方法对两观测内容序列进行规整对齐，具体过程如下所示：

首先，在两观测内容序列构成的距离矩阵D_p×q的有效路径中搜寻使V与S之间累积距离最小的最优路径W_best＝{w₁,w₂,...,w_r,...,w_K}，max(p,q)≤K＜p+q-1；

W_best的第r个元素定义为w_r＝(v_i,s_j)_r，表示v_i与s_j之间的映射关系；有效的规整路径需满足以下条件：

w₁＝(v₁,s₁),w_k＝(v_p,s_q)

规整路径W从w₁＝(v₁,s₁)开始，至w_r＝(v_p,s_q)结束；

w_r＝(v_i,s_j)，w_r+1＝(v_i′,s_j′)满足i≤i′≤i+1，j≤j′≤j+1，以保证观测内容序列按序映射；

累积距离最小的最优路径计算如下式：

其中，分母中的K用于对不同的长度的规整路径做补偿；

采用动态规整方法构造累积距离矩阵γ以求解上式，如下所示：

其中，γ(v_i,s_j)表示累积距离，为v_i与s_j之间的距离D(v_i,s_j)与可到达D(v_i,s_j)的最小的邻近元素的累积距离之和，则γ(v_p,s_q)为V与S间的最小累积距离；

综上，得到物联网设备观测内容序列间的相似距离Sim(V,S)，如下式所示：

基于得到的传感器间的相似距离测度，采用k-均值聚类方法，对关联多物联网设备的观测内容序列集合进行聚类分析，统一量化观测内容序列间的相似度，以实现对物联网设备观测能力的准确评估；

k-均值聚类方法如下：

设定迭代次数l＝0，从全部观测内容序列Ψ中随机选取k个序列，分别作为第l次迭代分簇的中心

令l＝l+1；在第l次迭代中，采用上述动态时间规整方法计算全部观测序列与各个分簇中心的距离，若

则观测序列

将序列i划为中心

所属分簇；

计算分簇划分的误差平方和

为第l次迭代分簇中心

所属分簇的观测内容序列x_i，在第(l-1)次迭代所属分簇的中心；

分别计算各个分簇中所有观测序列的均值点作为各个分簇新的中心点，并以新的中心点来计算误差平方和

对于所有的分簇，若

或|E^(l-1)-E^(l)|＜ε，ε为分簇划分误差阈值，则簇划分结束；否则转入2)，继续执行簇划分过程；

由假定条件知，内含物联网设备数量较多的分簇为观测能力较强的物联网设备集合，物联网设备与所属分簇中心的距离倒数即为该设备的观测能力量化值

计算方式如下：

3.根据权利要求1所述的一种物联网设备协同感知方法，其特征在于：所述用户搜索情境评分具体为：

搜索系统在用户搜索界面提供物联网设备的全部或部分属性信息，由用户根据个人偏好自定义不同属性类型的权重；

假定物联网设备属性列表为P＝[p₁,p₂,…,p_n]，用户能够对每项属性自由分配权重；

假定权重向量ω＝[ω₁,ω₂,…,ω_n],

为用户指定的各项属性权重值；

为物联网设备i各项属性对应的归一化数值，则物联网设备i的属性评分即为其搜索情境评分

如下式所示：

4.根据权利要求1所述的一种面向物联网设备协同的情景感知方法，其特征在于：所述物联网设备的协同能力估计具体为：

根据物联网设备的观测能力与情境评分，综合计算物联网设备i对于用户j的协同能力

如下式所示：

其中，x_i表示物联网设备i的观测内容序列，C_j表示用户j所指定物联网设备聚类后的簇中心。

Images