能量高效的智能传感策略研究

发布时间：2016-05-12 08:41

第 1 章  绪   论

1.1  课题背景和意义
手机的发明极大的方便了人们的日常工作、生活和学习，现在手机的功能越来越强大，智能机的普及也加大了人们对手机的依赖。苹果公司在 2007 年推出的第一代 iPhone 手机将智能手机带入到市场爆发期，而在 2008 年安卓操作系统的开发进一步促进了智能手机的快速发展。随着智能手机在通信行业的不断发展，智能手机的普及化、平民化将促使智能手机占领手机市场[1]。智能手机全球的出货量和用户使用量逐年显著的提升。图 1-1 为艾瑞咨询公司整理的统计数据，从图中可以发现，2006 年到 2007 年是智能机发展的重大转折点，全球出货量增长率翻了进一倍，到 2010 年更是突破达到了 75.3%的增长率，后期会在此基础上继续稳增[2]。 智能手机除具备基本的发短信、打电话、听音乐、照相功能外，还具有上网查询和移动跟踪导航等功能。同时，大尺寸、高分辨率的屏幕为用户提供了更好了体验效果，基于手机的增值业务也越来越多。所以，智能手机的快速发展已经成为人们获取各种服务最方便直接的手段[3]。 智能手机集成了如触摸传感器、光线传感器、加速度传感器、重力感应传感器、地磁传感器、陀螺仪等传感器，这些传感器的集成使得手机真正成为可以感知用户和环境信息的平台[4]。用户和环境信息在我们身边无处不在，用户的各种状态（如运动或静止）和使用习惯，当前时间和位置都可以认为是情景信息。用户在一个时间点上在哪个地方（室内，室外，办公室，家等）可以称为位置信息，用户当前的行为和状态，如走路、跑步，静止等是活动信息，用户的日常生活习惯可以认为是时间信息。通过传感器采集到的数据可以感知用户的状态和当前所处的环境，因此就可以根据用户需求提供更便捷个性化的服务。 
.....

1.2  国内外研究现状
以手机为主要代表的移动设备除了日常打电话，听歌，看视频等基本的应用外，国内外已经开始发展了很多基于用户状态检测的移动应用。例如利用移动设备来对用户进行移动跟踪或者通过发展科穿戴设备对人们的健康状况或者运动情况进行检测[10]。移动设备在移动跟踪检测等应用中，通过移动设备内置的大量的传感器采样检测来获得用户的情景状态信息。在移动设备的能耗和用户情景信息的准确性方面，国内外学者也做了大量工作，这些工作可以归纳为以下三点：时间触发的用户情景信息监测，动态分配 GPS、WiFi、GSM 使用下的监测[11,12]，基于状态预测的监测，下面就这三个方面的工作分别进行介绍。 随着传感器微型化，移动互联网的发展，手机的快速增长和基于人体运动状态识别应用的推广，利用手机监测用户状态信息越来越重要。以手机通过内置的心率、血压、温湿度传感器等监测用户健康状况为例，设备采集用户的多项生理参数，对用户当前或以后的身体状况做出诊断或预测。文献[13]中提出的CenseMe，  通过集成的传感器以及外部的传感器来捕捉用户状态，如人的行为，性格以及周围环境等，使用加速度推断用户的物理活动和社交活动，并在社交网络上实时更新用户的运动状态、位置信息，并将这些信息上传到社交网站。 上述的监测系统，采用的是时间触发机制。时间触发机制，是以一个时间段为周期，到了时间段考虑采取什么用的策略，采样的时间间隔是个固定值。若设置采样频率过大，即为了感知信息状态传感器持续采样，浪费了很多不必要的能量；若采样频率过小，采样比较稀疏，用户状态监测误差较大。现如今，智能手机基于时间触发的采样感知情况是最普遍的。因为这种采样机制在能耗和监测用户状态误差方面难以兼顾，所以在手机使用中，要支持长时间感知、计算、通信，能耗问题成为了难点。 
..........

第 2 章  传感器规划模型

本章主要从数据采集和马尔科夫决策过程（MDP）算法实现过程中涉及到的主要知识出发，分别介绍了马尔科夫模型，部分可观的马尔科夫决策过程，如何根据状态熵估计状态误差，编写数据采集程序时需要的知识及电源监测器的简单介绍。

2.1  马尔科夫模型
马尔科夫模型是一种统计模型，它是马尔科夫过程的模型化，把一个总的随机过程看成一系列状态的转移。该模型的特性是给定当前知识或信息的情况下，未来的状态的预测不依赖于过去的状态，只与当前的状态有关。考虑到动作 a，在对用户状态转移进行建模后，需要求解最优的传感采样策略，而传感采样策略是状态空间对行动空间的映射，需要根据状态的一步转移概率矩阵求取 a 步转移矩阵，即此时的状态转移概率矩阵不仅与进行转移的两个状态有关，而且与动作有关。因此，本文中 MDP 的核心问题是确定一个最优传感采样策略：在给定的能量约束下，当检测到用户处于状态 s 时，为保证检测误差最小，选择合适的动作 a。马尔科夫决策过程图解如下 2-1 所示，，从图中可知，在状态1s 时，选择动作1a ，获得的报酬（或代价）为1r ，同时系统状态从1s 转移到2s 。确定的最优的传感采样策略即是检测到状态1s 时，选择最合适的动作1a ，从而使得报酬1r 最优，要优化的性能指标即报酬函数，策略即是怎么选择动作 a。 
.........

2.2  部分可观测马尔科夫决策过程
部分可观测马尔科夫决策过程（POMDP）中的状态信息不是完全可观测的，只是部分可知的，所以 POMDP 马尔科夫决策过程（MDP）的一种扩展。复杂的机械系统状态的确定就是一个部分可观的马尔科夫决策过程，由于噪声的影响，观测状态不等于系统的实际状态，我们只能根据观测信息来估计实际状态。 在本文中，我们用熵来衡量系统中各个状态转移的相关程度。当两个用户状态（1 状态和 2 状态）之间的熵增加时，马氏最优策略明显比均匀采样策略的性能要好。因为状态之间的熵表征了两个状态之间关联的不确定性，当状态熵很大时，传感器需要频繁的采样才能明显降低传感器检测误差。不同于均匀采样，马氏最优采样策略正好满足这一要求，当状态熵较大时，增加采样频率，当状态熵较小时，减小采样频率，从而能在检测误差和能耗直接取得比较好的平衡。
.........

第 3 章  传感器最优采样策略设计及实现 ...... 15 
3.1  马氏最优传感采样策略 ........ 15
3.2  马氏最优采样策略与周期采样策略性能比较 ..... 23 
3.2.1  周期采样策略 .......... 23 
3.2.2  性能比较 ..... 24 
3.3  状态熵采样策略实现 ..... 27 
3.4 POMDP 采样策略实现 ......... 30 
3.4.1  改进的 POMDP 模型简介 ........ 30 
3.4.2 POMDP 传感采样策略 ........ 32 
3.5  本章小结 ..... 36 
第 4 章  硬件设计及实验结果 ........ 37 
4.1  硬件平台搭建 .......... 37 
4.2  手机能耗的监测分析 ..... 38 
4.3  实验结果及分析 ....... 38 
4.4  本章小结 ..... 45 

第 4 章  硬件设计及实验结果

针对手机基于用户状态信息检测应用节能问题的研究，首先要确定用户行为状态和实验可选的传感器采样频率值，才能利用电源监测器监测不同用户行为对不同的传感器采样频率的能耗情况。本章将介绍能耗测量平台的搭建，编写 android 程序，设置 FASTEST、GAME、UI 和 NORMAL 四个采样频率值，根据用户行为状态在这四个采样频率之间自动切换，利用 PowerMonitor 进行监测电流、电压和功耗，根据测得的数据分析智能机传感器能量消耗的特性。本文实验中以华为手机 G610-T00 为实验真机，以手机内三轴加速度传感器为实验对象，编写 Android 应用程序，设置不同的采样频率值，利用 PowerMonitor监测实验室不同行为下的手机能耗。

4.1  硬件平台搭建

我们采用美国 Monsoon 公司的 PowerMonitor 来监测手机传感器采样的能量消耗，PowerMonitor 可以时时准确的监测出当前状态手机的功率、电压和电流值，同时其配套的软件提供了人机化操作界面，方便我们时时的读取数据，观察能量消耗曲线的走势，并且可以直观的看出某段时间内能量的消耗值。具体的硬件电路由整套计算机系统、电源监测器、智能手机（华为 G610-T00）组成的，如图 4-1 所示。从图 4-1 中可以发现，电源监测器直接连接在电池的两端，这样会更准确的测得手机的能量消耗，大大提高了监测能耗数据的准确性。 我们采用 Android 系统进行数据采集程序的编写，Android 系统针对每个视图都提供了事件监听器，因此当我们的界面中无论使用任何视图都可以通过添加事件监听，实现其中的回调方法来完成相应的操作。采用图 4-1 所示的测量电路对华为 G610-T00 手机的能量消耗进行简单的测试，测试时手机关掉所有前台应用程序和后台服务程序，同时关掉 Wifi、GPS、蓝牙等所有耗电组件，设置Android应用程序里三轴加速计的采样频率，在相同的用户状态切换规律下，分别对每个固定采样频率下的能耗进行监测，记录每种采样频率下的能耗数据，导出保。最后，在近似的用户行为状态下，设置采样频率根据用户状态自动切换，用电源监测器监测能耗，导出能耗数据，对上述五种采样情况的能耗进行对比分析。

........

结   论

本文主要的研究目的是解决智能机的电池容量不能满足越来越大的能量需求问题，针对目前手机越来越多的基于用户情景信息检测的应用，从手机内置的大量传感器出发，根据用户日常使用习惯合理规划传感器采样频率，获得一种最优的传感器采样策略，在尽量减小用户情景信息估计误差的前提下，尽可能的降低手机的能耗，为实现手机续航提供一种新的节能方法。本文的主要完成的工作如下： 
（1）分析用户行为转移规律，定义用户情景信息状态，建立带约束的马尔科夫决策模型，确定优化目标，利用线性规划求解马氏最优传感策略，并与基准的周期采样策略做性能比较，明确通过规划传感器采样实现手机节能的可行性。 
（2）引入信息熵的概念，重新定义优化函数，以能量消耗为约束条件，以最小化状态估计误差为目标，利用 LP 重新求解传感器采样策略取；同时输出状态估计的平稳分布，分析状态熵传感策略的性能。 
（3）考虑用户实际状态不可完全观测性，引入观测状态，使用部分可观测马尔科夫决策过程（POMDP）对用户状态转移重新建模。考虑用户历史观测信息，使用迭代法求解每个时刻的估计误差，使用累积估计误差作为优化目标函数，获取 POMDP 最优传感采样策略。接着编写 Android 后台服务程序采集用户的交互数据。 
（4）搭建监测智能机传感器能耗的硬件平台，编写 Android 后台服务程序采集传感器输出数据，使用 PowerMonitor 电源监测器监测不同采样频率下手机的能耗情况；分析不同采样频率、不同使用行为下的能耗，验证智能手机在基于用户情景信息检测的应用中通过规划传感器采样实现手机节能的可行性。
.........
参考文献(略)

本文编号：44144