多源多维感知数据向量化表达与分布式认知学习方法研究

Embedded sensing devices are becoming more and more ubiquitous and heterogeneous. The existing control and resource scheduling strategies are always based on rules or preset optimization objectives, which are difficult to meet the large-scale organization and deployment, high dynamic coordination and precise service requirements of future Internet of Things systems. For this reason, this proposal combines data training and semantic analysis technology to study the distributed knowledge-driven method of resource scheduling. Focusing on the key process of self-recognition of devices, firstly, this project aims at the problems of multi-source, multi-dimensional and spatial-temporal discrete distribution of sensory data, a data modeling and joint annotation method based on hierarchical sub-domain is proposed. Secondly, the training and learning models of sensory data are studied, and an online distributed cooperative semantic analysis technology based on spatial-temporal association is proposed. Finally, the spatial-temporal attention mechanism is proposed for the system monitoring of key periods and regions, and event attention mechanism is designed to solve the semantic driving problem of real-time response of abnormal events. Through the research, under the condition of limited resources of embedded devices, the basic theory of self-optimization, self-organization and self-scheduling of knowledge-driven distributed sensing devices is established, which breaks through key technologies, and contributes to the development of new intelligent Internet of Things system in China.

嵌入式感知设备正越来越趋于泛在化和异构化，现有基于规则或预设优化目标的控制与资源调度策略，难以满足未来物联网系统的大规模组织与部署、高动态协调及精准服务等需求。为此，本课题结合数据训练与语义分析技术，开展资源调度的分布式知识驱动方法研究。围绕感知设备自主认知的关键过程，首先，针对感知数据的多源多维性和时空离散分布性难题，提出一种基于分层分域的数据建模和联合标注方法，解决大规模感知数据表达问题；其次，研究感知数据训练和学习模型，提出一种时空联合的在线分布式协同语义分析方法；最后，针对重点时段和区域的系统监测，以及异常事件实时响应的语义驱动问题，分别提出时空注意力和事件注意力机制。通过课题研究，在嵌入式设备资源受限的条件下，建立知识驱动的分布式感知设备自优化、自组织及自调度的基础理论，突破关键技术，为我国新型智慧物联网系统的发展作出贡献。

本项目面向物联网感知层，嵌入式感知设备正越来越趋于泛在化和异构化，现有基于规则或预设优化目标的控制与资源调度策略，难以满足未来物联网系统的大规模组织与部署的挑战，本课题研究知识驱动的调度控制策略，实现现场情景感知的实时调度和资源高效的按需服务。. 为此，本课题首先研究了构建智慧感知试验平台所需要的无线组网基础性能和算法，包括基于LoRa无线技术的基础性能研究、嵌入式设备剩余能量感知协议等。在此基础上，在实验室构建了一个分层分域的智慧感知试验平台，并收集到了真实完备的基于时间和空间信息的传感/控制数据集。进一步地，基于该数据集，研究了室内人类行为学习和设备自主控制策略，最后，探讨了物联网感知网络安全检测中的机器学习方法。. 课题组得出了不同通信参数配置时对2.4GHz LoRa通信性能的影响，提出ToP（Time on Physical）和ToT（Time of Transmission）两个概念来弥补ToA（Time on Air）参数在测算网络吞吐量时候的不足。提出一种节点剩余能量感知协议及基于位置信息感知的节点自动编址算法。面向智慧感知网络提出了一种可扩展、高效的物联网命名路由协议。通过自主研发和部署的网络，获得和公开了一种用于行为学习与自主决策的室内智慧物联网数据集，并提出了基于模仿学习与强化学习的室内人类行为学习与设备自主控制算法。最后，在保护物联网感知数据隐私的前提下，提出了基于深度学习的隐私增强入侵检测和防护方法。. 上述研究成果有助于建立知识驱动的分布式感知设备自优化、自组织及自调度的认知物联网基础理论，有利于构建新型智慧物联网系统，部分研究成果已在产学合作项目中得到应用。

内容获取失败，请点击重试