人体活动存在于日常生活的各方面,人体活动识别(HAR)具有广泛的应用价值,并受到广泛关注。随着智能手机的逐步发展,传感器嵌入到手机中使手机更加智能,实现了更加灵活的人机交互。人们一般随身携带智能手机,因此手机传感器信号中有丰富的人体活动信息,通过提取手机传感器的信号便可以识别用户活动。相比基于计算机视觉等方法,基于手机传感器的人体活动识别更能体现人体运动的本质,并且具有成本低、灵活、可移植性强的特点。文中详细阐述了基于手机传感器的人体活动识别的研究现状,并对系统结构和基本原理进行了详细的描述和总结,最后分析了基于手机传感器的人体活动识别目前存在的问题以及未来发展的方向。

近年来,随着科技的快速发展,智能移动设备已经成为人们生活的一部分。智能移动设备的普及为实现声呐感知理论的应用做好了充分的物理支持。声呐信号在传播时受到传播空间和生命活动的调制,因此携带着丰富的生命状态和空间信息。智能手机的普及、通讯技术的成熟以及声学信号的创新型应用,使得声呐感知设备可以实现低成本细粒度的感知收集和计算。利用声学信号在声呐感知技术中无需额外特制硬件的支撑,以及其特有的隐蔽性和高精度等优点,通过提取声学信号的有效特征信息,就可对周边空间信息进行定位计算。文中详细阐述了声学信号在空间定位感知使用技术领域中的已有研究,并对主要技术的基本原理进行了总结,最后分析了声学信号在移动感知应用技术中存在的问题以及未来的发展趋势。

众包是一种应用群体智慧的分布式问题求解机制,目前广泛存在于以人工智力活动为基础的互联网应用场景中,利用互联网上大量用户的群体协作来解决单人无法解决的复杂问题。众包协作机制对开源领域的发展起到了很大的作用。以开源软件的开发维护过程为例,参与人员通过特定平台共同完成代码编写、bug修复等关键任务。与传统业务过程管理(Business Process Management,BPM)不同,众包场景下的协作流程存在流程结构无法预先确定、协作参与者数量无法预知、协作时间与结果无法提前预测等挑战,这给众包协作的效率与质量控制带来了极大的困难。针对众包协作过程中多个参与者按时间次序产生的一系列协作行为(体现为自然语言形式的文本),利用自然语言处理和人工智能等方法,提出了众包协作过程恢复算法,并以开源软件开发领域bug修复过程中的人员合作为案例进行了实证研究,尝试用3种方法对协作流程进行恢复,分别是文本近似度、关键词汇匹配以及神经网络意图理解恢复算法;然后定量对比了各个流程恢复算法的准确度,得出应用关键词匹配算法进行协作流程恢复的准确度最高、效果最好的结论;最后实现将需要分析的协作流程进行协作流程恢复以及可视化的工作。该研究有助于众包流程的协调者(例如开源项目管理者)更直观地理解众包协作中的问题求解过程,从中发现协作的典型模式,从而可为新的众包任务的协作过程的性质作出准确预测。

众包工人的水平良莠不齐,质量控制是众包面临的挑战之一。目前的研究大多通过评估工人质量来保证最终答案的有效性,但是常常忽略众包任务中普遍存在的长尾现象。因此,综合考虑不同任务类型、长尾现象的特点以及工人完成任务的情况,提出构造小样本置信区间来估计工人质量,以解决工人完成任务数量普遍较少情况下的答案决策问题。首先依据黄金标准答案策略对工人质量进行预评估,根据工人质量分布分别对数值型任务和单项选择型任务采用不同的真值初始化方法;然后构造小样本置信区间以准确评估工人质量;最后进行任务答案决策并迭代更新工人质量。为了验证提出方法的有效性,实验在5个真实数据集上进行,与现有方法相比,所提方法能很好地解决长尾现象。特别是在工人完成任务数量普遍较少的情况下,提出的方法在单项选择型任务数据集中的平均准确率高达93%,相比现有方法的最好表现高出16%,且在数值型任务数据集中的MAE值和RMSE值均低于现有方法。

随着移动众包的发展,越来越多的任务被发布在众包平台上。然而,由于移动众包系统中有大量的任务,当众包工人根据自己的兴趣主动选择任务时,选择出适合众包工人执行的任务会花费大量的时间。此外,由于众包工人不能完全了解众包系统中存在的所有任务的信息,他们很难选出最适合自己执行的任务。移动众包系统中的任务具有时间和空间特性,需要众包工人在指定的时间区间内移动到指定的区域完成任务。而众包工人有自己的工作和生活,为了适应众包工人的日常移动规律,提出了一种移动预测模型来预测众包工人的移动行为。基于预测结果和众包工人的需求,提出了一种基于众包工人移动轨迹的任务推荐模型。文章在两个真实数据集上进行了大量的仿真,结果证明所提模型具有较高的准确性和良好的适应性。

移动群智感知系统需要为用户提供个性化隐私保护,以吸引更多用户参与任务。然而,由于恶意攻击者的存在,用户提升隐私保护力度会导致位置可用性变差,降低任务分配效率。针对该问题,提出了一种基于强化学习的用户与平台共赢的博弈机制。该机制首先通过可信第三方的两个虚拟实体分别模拟用户并与平台进行交互,一个模拟用户选择隐私预算为位置数据添加噪声,另一个模拟平台根据用户的扰动位置分配任务;然后,将交互过程构建为博弈,并推导出均衡点,其中交互的两个虚拟实体就是博弈双方;最后,使用强化学习方法不断尝试不同的位置扰动策略,输出一个最优的位置扰动方案。实验结果表明,该机制能在优化任务分配效用的同时,尽可能地提高用户的整体效用,使用户与平台达成双赢。

随着无线通信技术的发展,基于无线的感知技术得到了广泛的研究。文中提出一种基于信道状态相位信息的生命体征监测算法。该算法使用传统WiFi设备获取信道状态相位信息;通过线性变换,减小因收发端不同步而引起的相移和时延干扰;采用Hampel滤波,滤除信号衰落和多径效应引入的直流分量和高频噪声;采用离散小波变换提取生命体征信息,进而根据呼吸和心跳频率的特点,分别采用多载波峰值融合算法估计呼吸频率和快速傅里叶算法估计心跳频率。实验结果表明,在多种场景下,所提算法能有效监测人员的呼吸和心跳频率。

集群是提高车联网群智感知质量和降低成本的有效方法,但如何在车辆高机动性的同时提高集群稳定性是一个具有挑战性的问题。基于VANET(Vehicular Ad-Hoc Network)的通信特点,文中提出了基于雾计算和自评估的VANET聚类算法FCSAC(Fog Computing and Self-Assessment Clustering),将VANET分为多个集群,集群内车辆协作感知结果由主簇头(Master Cluster Head,MCH)发给雾节点;引入车辆移动率(Velocity Mobility Rate,VMR)来改进簇头选举方法,该参数是根据移动性指标来计算的,以满足VANET动态变化的需求;通过定义缩放函数和加权机制来量化评估车辆的加入对集群稳定性的影响。同时,选举辅助群头(Slave Cluster Head,SCH)来增强集群的稳定性。其次,为提高拥堵区域感知的准确性,在雾计算的基础上通过主簇头间的有序链式协作交通态势感知,形成局部交通态势感知准确、全面的视图。最后,使用Veins车联网仿真平台评估所提算法的性能。结果表明,与CBRSDN(Cluster based Routing for Sparse and Dense Networks)算法和SACBR(Self-Assessment Cluster based Routing)算法相比,所提算法在集群稳定性方面表现优越,并且有效提高了VANET的吞吐量;与FCM(Fuzzy C-Means)算法相比,其交通分流能力更好,并减少了网络通信的消耗。

利用智能手机跟踪分析WiFi环境中群体结构的动态变化是一种非侵扰感知技术的新思路。基于WiFi信号差异与节点距离间的关系,设计了一种WiFi相异度的计算方法,根据节点之间的WiFi相异度统计出相异度距离,再利用提出的GSGA-RSS算法迭代计算得到节点坐标,最后利用DBSCAN进行分层次群组结构分析。文中提出了一种基于质心的节点序列位均差表示方法,基于该方法对不同节点间距条件下的队列和环状结构群组进行了实验分析。实验结果表明:在组间最小间距5 m、组内最大间距3 m的条件下,所提方法能够以94%的精度识别出85%的群体;节点间距为0.5 m的队列的位均差约为0.5,节点间距为1 m的环状结构的位均差约为1。