基于计算区域网的智慧学习模型

发布时间：2020-03-13 10:47

【摘要】：物联网的出现和快速发展,物体普遍联网对普适计算环境的服务迁移提出了更高的普遍适应要求,并将物联网普适计算转向于智能服务领域,移动学习作为智能服务的延伸是一种智慧学习.本文在动态虚拟重组的"小粒度"计算区域网基础上提出智慧学习模型:①智慧空间SLS,能有效地支撑普适计算的服务发现、执行评估和服务推送;②学习服务迁移模型SMCAN实现DCS(数据、代码、状态)的动态计算服务迁移.本文的主要贡献在于:①物联网以更小粒度,可热插拔服务,动态重组虚拟系统实现服务预测、服务执行能力评估和服务匹配;②智慧学习空间和SMCAN迁移模型将计算区域网作为核心点和制高点,为物联网普适计算智能服务研究提出新的思路.
【图文】：

关键环节．本文在ＣＡＮ基础上提出智慧学习空间ＳＬＳ（ＳｍａｒｔＬｅａｒｎｉｎｇＳｐａｃｅ）服务发现机制，动态查找和定位所需的服务并解决服务推送问题，将学习者、设备和环境间进行相互融合［８，９］．３．１智慧学习空间模型在物联网普适计算环境中，物理空间和信息空间是相互融合在一起，构成智慧空间．本文的智慧学习空间是计算区域网的重要组成部分（如图１所示）．智慧学习空间能感知和提炼出学习者的任务，方便地与学习者进行交互，与周围环境设备或构件交互．图１智慧学习空间模型Ｆｉｇ．１Ｓｍａｒｔｌｅａｒｎｉｎｇｓｐａｃｅｍｏｄｅｌ学习者移动到新的局部环境后，众多异构智能设备组成一个高度动态的ＣＡＮ，新的计算设备进入ＣＡＮ或已有的设备采用新的构件时，新部件和原有构件及设备之间动态重组成虚拟计算系统．当新设备或构件加入ＣＡＮ时，利用虚拟设备重组机制注册设备，并将设备注册信息存放到ＳＬＳ，以广播形式告知其他设备或构件．当计算设备或构件从ＣＡＮ中退出或出现故障时，ＳＬＳ将改写设备注册信息表中的信息，实现设备动态加入或退出ＣＡＮ和服务的热插拔，使服务之间可自发地建立关联和协作．７６６

出学习者的任务列表．设Ｈ为任务历史列表，Ｌ为学习场合，Ｃ为上下文场景，Ｓ为学习习惯．神经网络预测模型由Ｘ＝［Ｌ，Ｃ，Ｓ］各输入分量，记忆权值Ｗ，传递函数ｆ构成Ｈｉ＝∑ｗｉｊ（ｆ－Ｘｉ）其中ｉ≥１，ｊ≥１，其结构如图２所示．图２中包含输入层、隐层和输出层，其中每一层的神经元与相邻层的神经元完全连接，在每个连接上有一个权值ｗｉｊ，通过训练和学习，调整它们之间连接的权值ｗｉｊ及神经元的阈值．图２神经网络预测结构Ｆｉｇ．２Ｓｔｒｕｃｔｕｒｅｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎ在图２中，Ｘｉ由不同的Ｌ，Ｃ，Ｓ动态组合，可将智慧学习空间中学习者的先验知识与设备资源结合在一起，提炼出预测任务列表，为设备能力评估、任务－服务匹配作准备和决策．智慧学习空间在提炼学习者任务列表时，ＣＡＮ控制中心随即启用ＣａｐａｂｉｌｉｔｙＤｅｓｃｒｉｐｔｉｏｎ对区域内的设备能力描述，并将所有设备信息存放到智慧学习空间的设备能力表中．ＣＡＮ执行评估机制对区域内设备执行能力评估包括执行效率和执行效果评估．设计算区域网中设备或构件资源为ｄｉ，，学习者携带的学习任务作为计算资源ｔｊ，执行评估结果Ｒ为设备资源ｄｉ与计算资源ｔｊ的执行评估反馈结果集，其对应关系采用模糊矩阵［１１，１２］来描述如表１模糊执行能力评估，二元模糊关系的隶属度矩阵由ｔ＝｛ｔ１，ｔ２，ｔ３，…，ｔｎ｝与ｄ＝｛ｄ１，ｄ２，ｄ３…，ｄｍ｝

【参考文献】

相关期刊论文 前2条

1 郭本俊;黄健;卢军;唐聃;;基于计算区域网的物联网普适计算框架模型[J];四川大学学报(自然科学版);2012年01期

2 范周田,程乾生;模糊矩阵的特征向量[J];系统工程理论与实践;2001年01期

相关博士学位论文 前1条

1 蔡海滨;普适计算中智能服务选择算法研究[D];东华大学;2008年

【共引文献】

相关期刊论文 前4条

1 范周田;任志华;;广义模糊矩阵的标准特征向量[J];北京工业大学学报;2010年10期

2 舒大有;冯暄;卢军;郭本俊;;一种分布式SCADA系统设计与实现[J];计算机科学;2013年08期

3 程启月,邱菀华;不完全信息下军事冲突态势的模糊过程分析[J];数学的实践与认识;2001年06期

4 唐s

本文编号：2586741