摘要
随着智能移动设备的普及和5G通信技术的发展，移动群智感知作为一种新型感知方式被越来越多的应用于实际场景，它利用移动终端自带的各类传感器完成对周围环境的感知。在移动群智感知中，感知节点通常具有高移动性以及分布密集的特点，因此，与传统固定的传感器网络相比，移动群智感知网络的感知规模更广、部署成本更低，收集到的感知数据的全面性和时效性更好。但是，感知节点的不确定性也为获取感知数据增加了一些难度，例如，感知节点的数据收集能力、通信成本接受程度、移动路径、个人意愿偏好等。为了保证感知数据质量，根据感知任务的内容要求和时空分布，匹配合适的感知节点进行数据收集至关重要。因此，本文对移动群智感知中的任务分配和感知性能评估进行了研究，本文主要成果如下。 1.提出一种基于混合用户模型与排序学习算法相结合的协同排序任务推荐方法。首先，根据参与者的历史行为对其兴趣偏好、移动特征等方面进行分析，初步过滤掉一些劣质感知用户，同时利用参与者间的相似性构建混合用户模型。其次，利用概率矩阵分解对参与者的意愿值进行预测，并根据监督性学习方法排序学习得到一个排序模型。最后，根据排序模型生成任务推荐列表，作为目标参与者的优选任务列表。在保证参与者移动距离最小，同时参与者接受率最高的情况下，进行感知任务推荐。基于真实数据集的仿真实验结果表明，该方法有效地提高了任务分配的准确率，与此同时减少了感知用户的移动距离。 2.提出一种基于部分迁移学习的分阶段参与者优选方法。首先，对数据进行预处理，一方面对感知任务特征进行提取，从而分析源任务与目标任务特征空间的相关性;另一方面根据感知用户的历史移动规律，将用户分为主动用户和被动用户。然后，进行第一阶段的任务分配，根据源任务与目标任务的特征空间相似度，将源任务的部分用户资源迁移到与其特征空间分布相似的目标子任务中，使得目标任务可以高效、准确的选择参与者。最后，进行第二阶段的任务分配，针对未被覆盖到的目标子任务，将该子任务所在区域内的被动用户作为分配对象。基于真实数据集的仿真实验结果表明，该方法有效地提高了任务覆盖率，与此同时减少了感知激励成本。 3.提出一种基于性能评估进程代数的感知性能评价方法。首先，根据感知任务需求和感知用户行为，构建多维感知性能评估指标体系，以确定一个能够覆盖多种需求的感知性能评估标准。其次，基于性能评估进程代数建立精确描述群智感知计算行为和性质的形式化模型，与此同时，利用马尔科夫链进行语法语义验证以及模型分析，实现对感知性能的量化评价。最后，根据量化结果计算感知性能的瞬时增量，基于增量式变化预测感知性能的变化趋势，从而确定感知性能优化的方向。
NETL