基于矩阵与张量填充的压缩群智感知方法研究

发布时间：2020-06-17 02:41

【摘要】：移动群智感知是以人为中心的感知,主要是利用人或车携带着大量移动传感器的特点在目标区域内收集感知对象的信息,上传到中心,以便监测目标区域的情况,完成大规模的、复杂的社会感知任务。然而,为了获取高质量的感知数据,需要招募大量的参与者去执行感知任务,导致感知成本太大,阻碍了移动群智感知应用的拓展。因此,如何提高感知数据质量、降低感知成本是移动群智感知应用的核心问题。针对此问题,本文根据城市数据具有强烈的时空相关性的特点,提出了基于矩阵和张量填充的压缩群智感知方法,不仅保证了感知数据质量,而且减少了需要执行的感知任务数目,降低了感知成本。本文以减少感知成本、提高感知数据精度为设计目标,着重从城市数据特性分析、感知数据采样策略及重构算法设计等几个方面进行深入研究,提出一种移动群智感知数据收集的新方法。本文的主要研究内容概括如下:(1)为了降低感知成本,完成高质量的数据收集任务,本文将矩阵填充理论引入到大规模移动群智感知的数据收集应用中,提出了一种基于矩阵填充的两阶段迭代式自适应采样策略及重构算法,给出了重构低秩矩阵数据所需的样本代价。该算法克服了传统均匀采样方式可能会错失重要元素的缺点,利用自适应采样策略,可以在相同的样本复杂度下显著提高重构精度;并充分利用目标区域的空间相关性及数据潜在的近似低秩结构,降低获取高质量感知数据时所需要的采样数目。仿真结果表明,与基于均匀采样的传统矩阵填充算法相比,自适应方法在显著提高重构精度的同时,还降低了计算复杂度。(2)为进一步挖掘更复杂的高维数据结构与特征,本文将张量填充技术引入大规模移动群智感知的高维数据收集应用中,研究了三阶张量数据收集的样本代价及感知数据重构问题。基于新的张量分解方式-张量奇异值分解(t-SVD),本文提出了利用管道秩和低维子空间来表征高维数据的信息和结构。针对高维数据收集应用,设计了一种基于张量填充的两阶段迭代式自适应采样策略及重构算法。该算法利用自适应性识别出对学习低维子空间有益的区域位置,从而提高算法性能。实验结果表明,张量填充技术能够通过地域上的稀疏采样实现高质量、低成本的压缩群智感知。
【学位授予单位】：福州大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN929.5;TP391.44;TP212.9
【图文】：

周期,参与者,任务分配,单个任务

实现感知任务分配与感知数据收集，形成大规模、随时随地且与人们日常生活密切相逡逑关的感知系统，完成细粒度的、复杂的社会感知任务。移动群智感知的生命周期包含逡逑四个阶段，即任务创建，任务分配，个体任务执行和数据集成［６２】，如图２－１所示。逡逑个体任务｜逦’整体数据逡逑任务继逦任务分配逦ｋ！ｆ逦屖逡逑ｆ邋逦邋＇邋逦、逦；邋＾邋、逦二邋〉逡逑ＭＣＳ任务要求逦Ｉ＊逦１邋＾个体任务ＡＰＰ邋＋逦Ｈ邋＇逡逑时间、目的、地＾逦＝２，二逡逑ｎ邋Ｋ逦区域ｉＤ，＿邋？，逦Ｋ逦Ｋ逦在q-询逡逑ｆ乙ＳＳ邋（ｖ邋ｉ＇丨」体任务柳—」：—－－ｉ／丨二逡逑Ｉ逦Ｉ逦Ｖ逦Ｊ邋Ｖ逦）逡逑图２－１群智感知生命周期逡逑每个阶段的关键功能如下所述。创建任务：ＭＣＳ组织者根据应用需求，确定任逡逑务目的，时间和地点。通过为参与者提供相应的移动感应应用程序，便于后续参与者逡逑安装在各自的智能手机中。任务分配：招募参与者并为他们分配应该在每个参与者的逡逑移动设备上运行的个人感知任务。招募群智感知足够和适当的参与者的一种广泛使用逡逑的方法是利用传统的众包平台，如ＡｍａｚｏｎＭｅｃｈａｎｉｃａｌＴｕｒｋ。单个任务执行：一旦接逡逑收到分配的感知任务，参与者将尝试在定义的ＭＣＳ任务周期内完成任务。单个任务逡逑执行阶段可以进一步分为三个子阶段：感知，计算和数据上传。群智数据集成：中央逡逑服务器输入所有参与者收集的数据流

张量,纤维图,三阶,纤维

固定剩余的两个下标得到的一路阵列称为张量的一个管（纤维）元素。对逡逑应地，表示行纤维或者水平纤维，称为列纤维或者竖直纤维，逡逑则被称为管纤维或者纵深纤维，如图２－２所示。类似的，固定张量的一个下逡逑标不变，保留两个下标可变称为张量的一个切片，分别称巧和巧：，＿／，：）逡逑为正面切片、水平切片和侧面切片，如图２－３所示。为方便使用，本文将侧面切片简逡逑称为侧切片，将第ｙ个侧面切片标记为Ｔ（ｙ），即了（７）＝了（：，NB：；），将第々个正面切片标逡逑记为％），７；”＝ｒ（：，：，ｆｃ）。逡逑（ａ）列纤维逦（ｂ）行纤维逦（ｃ）管纤维逡逑图２－２三阶张量的纤维图逡逑１３逡逑

【相似文献】