面向物联网的实体智能搜索与推荐策略研究
发布时间:2021-11-28 10:03
随着物联网的日益成熟,物理世界中实体数量的爆炸增长,物联网搜索技术通过传感器采集并整合物理世界中的实体信息,及时为用户提供所需实体的状态信息。而由于实体的异构性与海量性,导致传感器采集到的信息过于驳杂,用户难以精确地获取实体信息。实体的动态性导致传统的互联网搜索和推荐模式无法满足物联网搜索的实时性要求。并且用户对获取实体信息的实时性要求较高,面向时变性实体的搜索和推荐方法亟待研究。首先,文中介绍了物联网搜索的研究背景和典型的应用场景,描述了物联网搜索技术的特点。其次,简述了国内外的研究现状,着重叙述和分析了物理实体搜索策略以及物理实体推荐策略。之后,文中提出面向物联网搜索的边云协同实体搜索方法。设计了边云协同的实体搜索系统架构,联合云端与边缘侧协同进行实体信息的搜索。提出适用于边缘侧的实体识别方法,考虑实体的特征信息并基于深度聚类模型进行实体的有效识别,提高实体状态信息搜索的实时性与准确性。仿真结果表明,所提搜索方法相比传统方法可有效提升实体搜索的实时性与准确性。再次,文中提出适用于物联网的边云协同实体推荐方法。现有的物联网数据推荐方法忽略了物联网数据和用户搜索行为的特征,因此其推荐性...
【文章来源】:重庆邮电大学重庆市
【文章页数】:63 页
【学位级别】:硕士
【部分图文】:
基于深度信念网络的实体识别算法分类结果
重庆邮电大学硕士学位论文第3章面向物联网的边云协同实体搜索方法21时长也随之增长,这是由于实体数量的增长导致计算开销增加,从而引起计算时间变长。图3.5不同实体数量下的算法运行时间3.4.2查准率与查全率分析图3.6从云端与边缘服务器搜索热门实体的结果对比经过基于深度信念网络的实体识别算法将实体分类后,对强时变性的实体进行仿真验证。图3.6为将热门实体状态信息存储在边缘服务器以及云端后,分别执行ECCS、SeDaSC、SKIN+STK和LHPM方案后,搜索该类实体所得到的结果对比。其中,ECCS方案搜索得到数据的平均误差为1.2005;SKIN+STK方案搜索得到数
重庆邮电大学硕士学位论文第3章面向物联网的边云协同实体搜索方法21时长也随之增长,这是由于实体数量的增长导致计算开销增加,从而引起计算时间变长。图3.5不同实体数量下的算法运行时间3.4.2查准率与查全率分析图3.6从云端与边缘服务器搜索热门实体的结果对比经过基于深度信念网络的实体识别算法将实体分类后,对强时变性的实体进行仿真验证。图3.6为将热门实体状态信息存储在边缘服务器以及云端后,分别执行ECCS、SeDaSC、SKIN+STK和LHPM方案后,搜索该类实体所得到的结果对比。其中,ECCS方案搜索得到数据的平均误差为1.2005;SKIN+STK方案搜索得到数
【参考文献】:
期刊论文
[1]基于SVD原理的PCA特征频率提取算法及其应用[J]. 郭明军,李伟光,杨期江,赵学智. 华南理工大学学报(自然科学版). 2020(01)
[2]基于深度信念网络的高维传感器数据异常检测算法[J]. 金鹏,夏晓峰,乔焰,崔信红. 传感技术学报. 2019(06)
[3]受限玻尔兹曼机研究综述[J]. 张健,丁世飞,张楠,杜鹏,杜威,于文家. 软件学报. 2019(07)
[4]带有匹配估计方法物联网基于内容的实体搜索机制[J]. 张普宁,刘元安,吴帆,唐碧华,李论. 上海交通大学学报. 2016(07)
[5]物联网搜索技术综述[J]. 高云全,李小勇,方滨兴. 通信学报. 2015(12)
[6]物联网中适用于内容搜索的实体状态匹配预测方法[J]. 张普宁,刘元安,吴帆,唐碧华,吴超. 电子与信息学报. 2015(12)
[7]面向海量数据的并行KMeans算法[J]. 周丽娟,王慧,王文伯,张宁. 华中科技大学学报(自然科学版). 2012(S1)
本文编号:3524224
【文章来源】:重庆邮电大学重庆市
【文章页数】:63 页
【学位级别】:硕士
【部分图文】:
基于深度信念网络的实体识别算法分类结果
重庆邮电大学硕士学位论文第3章面向物联网的边云协同实体搜索方法21时长也随之增长,这是由于实体数量的增长导致计算开销增加,从而引起计算时间变长。图3.5不同实体数量下的算法运行时间3.4.2查准率与查全率分析图3.6从云端与边缘服务器搜索热门实体的结果对比经过基于深度信念网络的实体识别算法将实体分类后,对强时变性的实体进行仿真验证。图3.6为将热门实体状态信息存储在边缘服务器以及云端后,分别执行ECCS、SeDaSC、SKIN+STK和LHPM方案后,搜索该类实体所得到的结果对比。其中,ECCS方案搜索得到数据的平均误差为1.2005;SKIN+STK方案搜索得到数
重庆邮电大学硕士学位论文第3章面向物联网的边云协同实体搜索方法21时长也随之增长,这是由于实体数量的增长导致计算开销增加,从而引起计算时间变长。图3.5不同实体数量下的算法运行时间3.4.2查准率与查全率分析图3.6从云端与边缘服务器搜索热门实体的结果对比经过基于深度信念网络的实体识别算法将实体分类后,对强时变性的实体进行仿真验证。图3.6为将热门实体状态信息存储在边缘服务器以及云端后,分别执行ECCS、SeDaSC、SKIN+STK和LHPM方案后,搜索该类实体所得到的结果对比。其中,ECCS方案搜索得到数据的平均误差为1.2005;SKIN+STK方案搜索得到数
【参考文献】:
期刊论文
[1]基于SVD原理的PCA特征频率提取算法及其应用[J]. 郭明军,李伟光,杨期江,赵学智. 华南理工大学学报(自然科学版). 2020(01)
[2]基于深度信念网络的高维传感器数据异常检测算法[J]. 金鹏,夏晓峰,乔焰,崔信红. 传感技术学报. 2019(06)
[3]受限玻尔兹曼机研究综述[J]. 张健,丁世飞,张楠,杜鹏,杜威,于文家. 软件学报. 2019(07)
[4]带有匹配估计方法物联网基于内容的实体搜索机制[J]. 张普宁,刘元安,吴帆,唐碧华,李论. 上海交通大学学报. 2016(07)
[5]物联网搜索技术综述[J]. 高云全,李小勇,方滨兴. 通信学报. 2015(12)
[6]物联网中适用于内容搜索的实体状态匹配预测方法[J]. 张普宁,刘元安,吴帆,唐碧华,吴超. 电子与信息学报. 2015(12)
[7]面向海量数据的并行KMeans算法[J]. 周丽娟,王慧,王文伯,张宁. 华中科技大学学报(自然科学版). 2012(S1)
本文编号:3524224
本文链接:https://www.wllwen.com/kejilunwen/shengwushengchang/3524224.html
最近更新
教材专著