基于进程代数的上下文感知模型

针对当前上下文感知研究大多集中于技术解决方案，缺乏理论上统一描述模型的问题，提出了基于进程代数的上下文感知模型（CAMBPA）．该模型独立于具体的应用平台，具有平台无关性．首先，利用带时间参量的上下文的状态变迁来描述动态环境的变化，并根据进程代数的合并理论，采用合成简单环境状态变迁的方法来实现对复杂环境状态变迁的描述．随后，通过在模型中引入感知函数，实现了对感知行为的描述，同时对上下文状态变迁赋予了资源语义，从而使模型能够刻画移动计算环境中的动态资源情形．采用染色Petri网对CAMBPA模型实例进行了可视化仿真，结果表明该模型具有语法、语义的正确性，以及良好的可扩展性，能够很好地描述上下文感知．     

建筑用户在室行为预测新方法

准确预测建筑用户在室行为可显著提高建筑能耗模拟精度,并进一步帮助建筑设计及运行控制优化.当前进行在室行为预测时所采用的主要是基于隐马尔可夫链方法的数学模型,该模型考虑了在室行为的时间关联性,可平稳有效地预测在室行为.然而现有隐马尔科夫模型难以准确描述在室行为动态变化规律以及在室行为与可观测参数之间的关联,降低了模型预测精度.针对该问题,本文提出一种基于状态转移的时变隐马尔科夫模型.该模型采用时变状态转移概率矩阵量化不同时刻在室行为的动态变化特征及关联,同时该模型基于状态转移计算可观测参数的概率分布以定量描述在室行为对可观测参数的影响.本文采用比利时某办公室在室行为数据库进行了相关建模和验证,结果表明该模型可更有效地捕捉在室状态变化,从而提高了在室行为预测精度.     

基于集对分析的上下文感知不确定性的推理方法

在上下文感知计算应用中,需要对传感器获取的原始上下文数据进行推理、融合以获取高层上下文信息.利用集对分析(SPA)的思想,提出一种利用同异反向量夹角余弦来对不确定性上下文进行推理的方法.通过对智能空间场景中不确定上下文状态推理的实例分析、比较,表明该方法概念清晰、计算简明,具有较强的实用价值和较高的可靠性.     

智能普适个人流程服务上下文构建方法

上下文感知是提高人机交互智能性的重要途径。为了面向个人用户提供智能流程服务,提出了一种普适环境下个人需求信息的上下文感知策略,并建立了基于上下文感知的智能普适个人流程服务系统结构模型,该模型能够将提取到的分散的用户需求上下文自动融合构建为个人流程服务上下文。通过旅游实例初步证明该策略和模型的合理性和有效性。     

基于HMM的VaR风险度量及其实证分析

文章基于隐马尔科夫模型(HMM)提出了度量金融资产风险价值(VaR)的HMM-ARMA-GARCH模型。首先对金融资产收益率序列建立正常状态和异常状态的隐马尔科夫模型,使用期望最大化算法估算出模型中的未知参数,再利用Viterbi算法估算出收益率序列所对应的隐状态序列,根据隐状态序列把收益率序列数据分成正常状态类序列和异常状态类序列2个大类,对2个状态类序列分别建立ARMA-GARCH模型来估算VaR。最后利用该模型和传统的ARMA-GARCH模型对上证企债指数进行了实证分析,采用Ku-piec失败频率检验法对VaR的准确性进行检验。实证结果表明,该模型的VaR计算方法具有较好的估计效果,能够有效地降低GARCH模型高估波动持续性的现象。     

基于HSMM的数控装备运行可靠性评估

数控装备是高成本的产品,仅仅依靠寿命试验获得数控装备的失效时间耗费太大,在实验数据呈现小样本的情况下研究数控装备的运行性能随时间而变化的规律,从而对数控机床进行可靠性评估是非常有重要意义的.提出采用隐半马尔科夫模型(HSMM)对数控装备运行性能特征参数进行数据挖掘,计算出描述数控装备从正常状态到失效状态变迁过程的状态转移矩阵.结合状态转移矩阵和马尔科夫预测模型对数控装备运行可靠性进行评估.最后,在一款数控铣床上验证该方法的可行性,该方法丰富了数控装备可靠性评估理论.     

基于改进隐马尔科夫模型的鲁棒用户行为识别

提出了一种基于改进隐马尔科夫模型的用户行为识别方法.采用遗传算法用于优化隐马尔科夫模型的初始参数,将混沌算子代替遗传算法中高斯变异算子,以避免传统遗传算法在收敛过程中的停滞和早熟问题,并有效解决传统隐马尔科夫模型中Baum-Welch算法对初始参数敏感的问题.此外,采用UCI中ADLs数据对用户行为进行识别,实验结果表明该方法具有很高的识别率和可靠性.     

基于HMM与张量分解的两阶段个性化推荐模型与应用*

针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。     

基于时变状态转移隐半马尔科夫模型的寿命预测

隐半马尔科夫模型在进行系统状态估计及寿命预测时,其状态转移概率矩阵是固定值,得到的剩余寿命预测值呈阶梯状变化,与系统的实际剩余寿命值之间存在着较大的误差.针对上述问题,提出了具有时变状态转移概率矩阵的隐半马尔科夫模型,根据系统的3种典型退化状态分析,给出3种不同的状态转移系数.与初始状态转移矩阵相结合,得到随时间变化的状态转移矩阵.提高系统在当前健康状态下的剩余持续时间估计精度,最终得到更为准确的总体剩余寿命预测值.结果表明,基于时变状态转移概率矩阵的隐半马尔科夫模型相比传统的隐半马尔科夫模型,可显著提高剩余寿命预测的准确性.     

基于隐马尔科夫模型(HMM)与张量分解的两阶段个性化推荐模型与应用

针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。     

基于智能手机传感器和SC\|HMM算法的行为识别

在获取智能手机传感器信号的基础上, 提出一种基于谱聚类和隐Markov模型的日常行为识别算法. 该方法利用智能手机获取的加速度、 地理位置和接受信号强度等数据, 结合谱聚类分析和隐Markov模型学习, 能有效地对用户日常行为进行自动识别. 实验结果表明, 在真实的手机数据集中, 该方法具有较高的准确度.     

一种基于POMDP用户意图建模的智能轮椅导航控制方法

通过部分可观测马尔可夫决策过程(POMDP)模型对用户意图进行建模,提出了一种基于POMDP用户意图建模的智能轮椅导航控制方法.该方法考虑了动作的不确定性和状态的部分可观测性,对用户意图、智能轮椅导航控制的动作空间进行建模,通过状态预测进而选择行为的最优规划,实现用户期望总值的最大化.首先介绍了POMDP的原理及模型,然后提出了基于POMDP用户意图的智能轮椅控制状态空间、动作空间、观察值集合、奖赏值和概率分布,进而提出了一种基于概率密度函数的用户意图求解方法.最后,对基于POMDP用户意图建模的智能轮椅导航控制进行了试验,并对试验结果进行了分析,从而验证了所提方法的实时性和有效性.     

基于网格的景区推荐系统设计与算法研究

提出了1个基于网格的景区推荐系统,该系统充分考虑了上下文因素,只要用户拥有1个智能手机或其他移动设备,有无线网络接入,就能够保证该系统能够在移动计算的环境中按照合适的时间和地点为用户提供合适的景区,最后将该系统同现有的集中式推荐系统的性能进行了对比.     

Context-aware recommendation in mobile environments: An approach based on interest resonance

The recommendation system can efficiently solve the information overload in mobile Internet. Thus, how to effectively utilize context information to improve the accuracy of recommendation becomes the research focus in the field. This article puts forward a novel approach to realize the context-aware recommendation in mobile environments. It first gets users’ interest resonance with a hash-based interest resonance mining algorithm. Then, it calculates the association degree between the user and the item and then predicts the user’s rating on the item. Finally, it comprehensively figures out the recommending index. Moreover, this article also designs a personal recommendation model for the users and provides relevant decision-making coefficients. Experiments have demonstrated that our approach is superior to the traditional ones (RMP, RSTE, MD and BBBs) in both performance and efficiency.     

基于GPS轨迹数据的混合多步Markov位置预测

随着移动设备和定位技术的广泛应用,基于位置服务成为研究热点,位置预测是其重要研究内容.基于GPS轨迹数据,对位置预测方法进行研究.Markov模型可以较好地表示时序数据,因此可较好地用于位置建模和预测.在基于Markov建模的位置预测中,1阶Markov模型存在轨迹信息利用不充分、预测准确率低的问题;而多阶Markov模型存在状态空间急剧膨胀的问题.针对这些问题,提出了基于混合多步Markov模型的位置预测方法,在将原始GPS轨迹转化为区域轨迹的基础上,对各多步模型进行融合,提出了基于Adaboost框架的各多步模型影响系数的生成方法,在保证状态空间不变的情况下提高了预测准确性.真实数据集上的实验验证了所提位置预测方法的有效性.     

Ontology-Based Context-Aware Middleware for Smart Spaces

Context-awareness enhances human-centric, intelligent behavior in a smart environment; however, context-awareness is not widely used due to the lack of effective infrastructure to support context-aware ap- plications. This paper presents an agent-based middleware for providing context-aware services for smart spaces to afford effective support for context acquisition, representation, interpretation, and utilization to ap- plications. The middleware uses a formal context model, which combines first order probabilistic logic (FOPL) and web ontology language (OWL) ontologies, to provide a common understanding of contextual in- formation to facilitate context modeling and reasoning about imperfect and ambiguous contextual informa- tion and to enable context knowledge sharing and reuse. A context inference mechanism based on an ex- tended Bayesian network approach is used to enable automated reactive and deductive reasoning. The middleware is used in a case study in a smart classroom, and performance evaluation result shows that the context reasoning algorithm is good for non-time-critical applications and that the complexity is highly sensi- tive to the size of the context dataset.     

Trust-based context-aware mobile social network service recommendation

The service recommendation mechanism as a key enabling technology that provides users with more proactive and personalized service is one of the important research topics in mobile social network (MSN). Meanwhile, MSN is susceptible to various types of anonymous information or hacker actions. Trust can reduce the risk of interaction with unknown entities and prevent malicious attacks. In our paper, we present a trust-based service recommendation algorithm in MSN that considers users’ similarity and friends’ familiarity when computing trustworthy neighbors of target users. Firstly, we use the context information and the number of co-rated items to define users’ similarity. Then, motivated by the theory of six degrees of space, the friend familiarity is derived by graph-based method. Thus the proposed methods are further enhanced by considering users’ context in the recommendation phase. Finally, a set of simulations are conducted to evaluate the accuracy of the algorithm. The results show that the friend familiarity and user similarity can effectively improve the recommendation performance, and the friend familiarity contributes more than the user similarity.     

基于用户移动行为相似性聚类的Markov位置预测

由于采集点丢失或出现新用户等原因,GPS轨迹数据往往具有稀疏性,使得基于单个用户数据的位置预测准确率较低.针对这种情况,提出了基于移动行为相似性和用户聚类的Markov位置预测方法.首先,基于Voronoi图和原始GPS轨迹进行区域划分,位置预测基于区域轨迹进行;其次,提出了同时考虑用户转移特性和用户区域特性的移动行为相似性计算方法;再次,根据移动行为相似性对用户进行聚类,并在聚类的用户组上采用一阶Markov模型进行位置预测,提高了位置预测的准确性.真实GPS轨迹数据上的实验表明了所提出方法的有效性.     

Context-Aware Social Media User Sentiment Analysis

The user-generated social media messages usually contain considerable multimodal content.Such messages are usually short and lack explicit sentiment words.However, we can understand the sentiment associated with such messages by analyzing the context, which is essential to improve the sentiment analysis performance.Unfortunately, majority of the existing studies consider the impact of contextual information based on a single data model.In this study, we propose a novel model for performing context-aware user sentiment analysis.This model involves the semantic correlation of different modalities and the effects of tweet context information.Based on our experimental results obtained using the Twitter dataset, our approach is observed to outperform the other existing methods in analysing user sentiment.     

基于微信小程序的啬园智慧景区服务系统

针对南通市啬园风景区智慧景区功能的缺失和在线信息平台完善水平较弱等问题,设计了一种基于微信小程序的啬园智慧景区服务系统.该系统采用面向对象的开发思想,分为语音讲解、游览路线、地图展示、个人用户4大功能模块,集导航、导游、导览、导购、线上讲解、在线购票等服务为一体,在提升景区服务水平的同时,从时空场景角度为景区管理者提供用户轨迹数据支持服务.系统开发周期短,软件升级、技术维护便捷.测试结果表明,系统性能稳定,可在大众手机型号环境下稳定运行.该系统可广泛应用于其他景区.