移动群智感知

摘要： 在移动群智感知任务分配中,数据平台不知道用户的感知质量或成本值的前提下,如何建立合适的用户招募机制是该文需要解决的关键问题,不仅需要在用户执行的过程学习其感知质量值,还要尽可能保证移动群智感知平台的高效性和利润最大化。因此该文提出基于组合多臂赌博机(CMAB)的移动群智感知用户招募算法来解决用户成本已知和未知的招募问题。首先把用户招募过程建模为组合多臂赌博机模型,每个摇臂代表选择不同的用户,所获得的收益代表用户的感知质量;其次提出基于上限置信区间(UCB)算法的感知质量函数,根据任务完成情况更新用户的感知质量;然后在每轮的用户招募过程中,学习用户的感知质量和成本,并提出一种新颖的贪婪修复算法。该算法是将用户的感知质量值从高到低进行排序,再选择满足预算条件下感知质量值与招募成本最大比率的用户,最后分配任务和更新其感知质量。最后进行了大量基于真实数据集的实验仿真,以此验证算法的可行性与有效性。

摘要： 在移动群智感知中,对于感知时间跨度较长的时间复杂任务,独立任务场景下的单个用户往往因时间有限性而难以胜任.针对存在时间复杂任务的感知需求,本文提出了一种新颖的激励机制.首先,基于任意两个用户之间的时间状态和主观协作意愿来构建用户协作关系并形成针对指定任务的用户协作对.然后以此为基础计算他们的协作状态,并筛选出协作状态最佳的协作对作为相应任务的执行者.为进一步激励协作用户参与协作感知,设计了一种基于斯塔克尔伯格博弈的激励机制,以充分激励协作用户的客观协作意愿.仿真结果表明,与其他传统激励机制相比,该机制既能促进更多的用户参与感知任务,也同时提升了任务覆盖比例和用户平均效用.

摘要： 移动群智感知系统中任务之间存在时空覆盖重叠性,这可能导致重复数据收集从而引发数据冗余问题,为此,提出了一种可同时控制任务内以及任务间数据冗余的任务分配方法。该方法首先提出基于长短期记忆(LSTM)神经网络的轨迹序列预测模型,对任务参与者进行细分时空单元的轨迹序列预测,然后根据轨迹预测结果提出最小化数据冗余的优化模型。通过最小化时空单元的数据冗余度来控制单个任务内的数据冗余问题,并通过让单个任务参与者在时空单元中的感知数据被最大化重复利用来控制多个任务之间时空覆盖重叠性带来的数据冗余。实验结果表明,提出的任务分配方法可以有效地减少任务内及任务间的数据冗余。

摘要： 移动群智感知数据包含的图像和时空情境信息可用于检测街景图像变化,但是群智感知数据通常是低质和不规范的。为了准确检测街景发生的变化,主要解决由拍摄视角差异引起的数据低质问题。首先,针对大视差问题采用图像配准方法初步对齐图像并提取出配准特征点;然后,基于配准特征点分布从图像中提取感兴趣区域;随后,针对差值图像的误检内容,提出基于面积和多特征点的筛选法去除误检区域;最后,结合边缘检测和超像素分割算法提取完整的变化对象。与MDFNet方法进行比较,实验结果显示:当街景发生变化时,该方法的F_(1)-measure值为55.8%,增长6%,错误率为10.8%,降低24%;当街景无变化时,该方法的错误率为2.8%,下降28%。

摘要： 由于多旋翼无人机产生噪声的位置点较多,难以感知具体的噪声位置,导致噪声控制效果不理想,因此提出基于移动群智感知的多旋翼无人机噪声控制技术;分析多旋翼无人机噪声信号在无人机蒙皮结构、加筋板结构、典型壁板结构内的布局形式,获取无人机板状结构的振动特性,求解同步开关阻尼、短路开关阻尼、电感开关阻尼、外加电压源开关阻尼的数值表达式;根据开关阻尼计算结果和移动群智感知原则,对多旋翼无人机的噪声位置进行精准定位;按照感知任务分配表达式,计算调度性能指标的具体数值,完成基于移动群智感知的多旋翼无人机噪声控制任务调度;实验结果表明,在移动群智感知算法作用下,无人机噪声信号在各个方向上的波动幅值均得到较好控制,与模糊逻辑控制方法相比,能够较好维持多旋翼无人机的稳定运动能力。

摘要： 将随机线性网络编码与同代的信息进行线性组合,生成新的信息,在感知数据到达其他节点之前,进行编码,然后将编码后的信息存储到中间节点,从而实现隐私信息保护。

摘要： 现有移动群智感知任务推荐的共同缺点是:一方面,未充分考虑时空信息对工人偏好的影响,导致推荐准确性低;另一方面,忽略了任务流行度对推荐的影响,导致推荐覆盖率差。为解决这些问题,提出一种基于时空信息和任务流行度分析的移动群智感知任务推荐方法。充分利用工人执行记录中的相关信息(如工人执行任务的时间、位置),准确预测工人对任务的偏好;基于工人声誉和任务执行情况分析任务流行度并设计任务流行度惩罚因子,提升推荐效果的覆盖率;结合工人偏好和流行度惩罚因子生成任务推荐列表。实验结果表明,与现有基线方法相比,所提出方法在推荐准确率上平均提升了3.5%,推荐覆盖率上平均提高了25%。

摘要： 在移动群智感知中,平台需要招募大量的参与者来完成一项包含众多感知类型的复杂任务.本文研究有限预算内的移动群智感知中,如何招募合适的参与者完成感知任务这一问题.在此挑战下,平台希望招募到的参与者完成感知任务所带来的总收益最大化,同时,招募总花费不超过给定的预算.不同于以往的研究,本文提出了一种新型招募机制,以群组的形式代替个人的形式进行招募.该机制综合考虑了3种类型的特征(覆盖率、信誉和积极性)衡量群组的感知能力,并设计了一种基于遗传算法的群组招募算法最大化群组感知能力.经过实验评估,本文提出的参与者群组招募算法在任务执行效率、平均任务质量、任务完成率和招募人数方面均优于其他个人招募算法.

摘要： 移动群智感知是一种新兴的感知模式,通过复用现有大量空地移动感知资源,从而实现低成本、大规模的城市感知。因此,联合利用空地移动感知资源实现空地协同移动群智感知,对提高移动感知资源的利用率,促进智慧城市发展具有重要意义。为此,对近年来空地协同移动群智感知研究工作进行综述。首先介绍空地协同移动群智感知兴起的背景和发展现状;然后分别从基于地面移动设备和基于空中移动设备两个维度对现有的移动群智感知研究工作进行分析,总结当前存在的问题;最后提出空地协同移动群智感知在跨平台的用户信息学习、跨空地的移动设备调度、跨任务的感知资源分配3个未来重要的研究方向,为相关研究人员提供有价值的参考。

摘要： 在移动群智感知中,现有的任务分配方法大多关注平台的整体感知质量,未充分考虑任务对工人、预算等资源的竞争,无法有效保障大规模任务分配场景下每个任务的感知质量,从而导致平台资源利用率降低。针对该问题,提出一种面向单任务质量保障的任务分配方法。为高效利用平台预算,考虑任务的难度和位置以及工人的设备能耗和理性因素,设计平台的激励成本。为保障每个任务的感知质量,考虑任务间的资源竞争情况并设计2种衡量指标,分别是从任务的角度根据差异化感知质量需求设计任务覆盖效率,以及从工人的角度基于最大熵原理设计工人利用效率,将这2种衡量指标相结合作为平台的系统效用,在平台资源有限的情况下以平台系统效用最大化为优化目标,提出一种融合交叉和变异操作的天牛群(BSO)算法。实验结果表明,与PSO、GA等基线方法相比,BSO算法的系统效用最大值平均提升13.51%,寻优速度平均提高40.61%,利用该算法获取的具有最大系统效用的任务分配方案可以有效保障每个任务的感知质量。

摘要： 针对在移动群智感知中基于机会通信完成数据传输会消耗大量时间成本的问题,提出了一种基于中枢节点的多任务分发(HTA)算法.该算法利用节点在移动网络中社交关系属性不同的特点,通过中枢节点选择算法将部分节点作为中枢节点,并将其用于协助任务请求节点分发任务.在任务请求节点与中枢节点相遇时,同时给中枢节点本身和它的从属节点分配任务,并由中枢节点负责向从属节点分发任务与回收任务结果.基于The ONE模拟器进行实验,与在线任务分配(NTA)算法相比,HTA算法时间成本平均降低了24.9％,同时任务完成率平均提高150％.实验结果表明,HTA算法能够提高任务的完成速度,降低时间成本消耗.

摘要： 本文主要研究面向移动群智感知的任务分发方法,提出了一种新的参与者选择问题:面向多任务并发的参与者选择.不同于其它参与者选择问题,本文选择出的参与者不再局限于只能完成一个任务,参与者可以在规定时间内尽可能完成多个任务,由此降低群智平台的成本.基于该问题提出MultiTasker方法,其目标是选择出最佳的参与者集合,使参与者完成任务所移动的总距离最短,并且每个参与者在规定时间内尽可能完成多个任务.为了实现这个目标,本文设计了三种算法:T-Random、T-Most和PT-Most.T-Random和T-Most是以任务为中心进行参与者选择,而PT-Most是以人为中心进行参与者选择.通过一个大规模的真实数据集对设计的三种算法进行实验评估,同时研究了参与者的选择情况与各种因素之间的关系,如任务分布和任务执行时间等.

摘要： 本发明提供一种群智感知系统及群智感知方法，是一种在线的动态群智感知系统和群智感知方法，通过时间槽来动态感知每个感知任务的随机到来和智能手机用户的动态到来及动态离开，即通过时间槽将新到来的感知任务和任务执行设备进行区分，降低了群智感知对任务执行设备的在线要求，从而激励任务执行设备参与到所述群智感知系统中来。进一步的，根据每个任务执行设备执行的感知任务及其在任该感知任务所在的时间槽内的报价，计算出每个任务执行设备的回报，降低了计算复杂度。

摘要： 本发明公开了一种群智感知中基于移动感知用户匿名信誉的高可靠感知数据收集算法，包括：感知服务器发布感知任务，感知服务器为每个注册的感知用户产生一对包含感知用户信誉级别的信誉证书；每个感知用户产生一个盲ID；感知服务器收到感知用户提交的感知数据包后，对盲ID进行身份认证，同时计算酬劳，为感知用户生成信誉反馈配给；感知用户采用非对称密码技术获得去盲的信誉反馈配给，随机等待一段时间后，请求感知服务器兑换酬劳；感知服务器收到酬劳兑换请求时，检查去盲的信誉反馈配给是否符合兑换条件，若符合则进行兑换，并更新感知用户的信誉级别。本发明在匿名前提下，对感知数据的质量进行了验证，保证了感知数据的匿名性和真实性。

摘要： 本发明公开了一种基于群智感知系统面向随机参与的群智感知激励方法，群智感知系统包括控制平台及若干移动用户，方法首先控制平台根据感知任务相对热度，计算任务报酬；然后控制平台评估各感知任务的数据质量，根据单次测量的数据质量增量，计算感知任务所需测量次数，确定测量报酬递减步长，进一步计算下一次测量给参与者的报酬；最后控制平台发布任务信息，移动用户选择感知任务，执行测量并上传感知数据，控制平台将相应的报酬发给移动用户。本发明更好的解决了随机参与和时空相关对于群智感知系统的限制，满足了对移动用户参与群智感知的激励需求，提高群智感知任务完成度的同时也提升了用户参与的平衡度，同时最大化每个参与者的总收益。

摘要： 本发明提供一种群智感知系统及群智感知方法，是一种在线的动态群智感知系统和群智感知方法，通过时间槽来动态感知每个感知任务的随机到来和智能手机用户的动态到来及动态离开，即通过时间槽将新到来的感知任务和任务执行设备进行区分，降低了群智感知对任务执行设备的在线要求，从而激励任务执行设备参与到所述群智感知系统中来。进一步的，根据每个任务执行设备执行的感知任务及其在任该感知任务所在的时间槽内的报价，计算出每个任务执行设备的回报，降低了计算复杂度。

摘要： 本发明属于移动群智感知中用户聚类及任务分配技术领域，具体涉及一种基于时空移动特征分布的移动群智感知用户联盟聚类方法，包括以下步骤：1)描述用户移动行为特征与用户活跃度，确定初始联盟聚类中心；2)基于用户上传数据，计算用户数据与联盟相似度，设置每个联盟中的用户上限，保障聚类数据的平衡性；3)结合得到的用户联盟相似度与当前联盟中用户数量，基于用户联盟判定准则，实现用户联盟聚类。本发明在用户数据质量已知的条件下，可有效地挖掘出重要用户数据，算法稳定，聚类速率快，保证聚类结果的平衡性并提升聚类效果。本发明与现有技术中两种常见的聚类方法进行性能相比，具有分类准确率高、平衡性效果优和计算复杂度低的优点。

摘要： 本发明公开了一种移动群智感知中抗感知平台和用户共谋攻击的方法及系统，参与者包括一组请求者、一个感知平台CSP和一群客户端设备；假设有K个客户端设备，用Pi表示第i个客户端设备。请求者会控制自己的设备去和CSP交互训练以得到一个良好的机器学习模型。感知平台CSP生成系统参数并且选择合适的客户端设备来进行联邦学习，还要负责将训练完成后的联邦学习全局模型安全地发放给请求者。客户端设备Pi负责将自己的局部模型参数安全地上传给感知平台CSP以进行模型训练。本发明不仅能保护移动群智感知中客户端的原始数据隐私免受外部敌手攻击，同时还能够抵抗客户端和服务器一同发起共谋攻击，使得他们无法得到其他客户端的隐私数据。

摘要： 本发明提出了一种基于数据质量感知的移动群智感知激励方法，步骤如下：S1、感知平台发布感知任务集合；S2、边缘服务器获取感知平台发布的任务，并将感知任务发送给用户；S3、参与者进行感知数据采集，并将采集到的感知数据和竞价上传到边缘服务器；S4、边缘服务器根据参与者上传的感知数据、竞价和信誉值矩阵，通过逆向拍卖算法和临界报酬选取获胜者集合；S5、边缘服务器计算每个参与者的感知偏差，并将感知偏差发送给信誉管理服务器；S6、信誉管理服务器更新参与者的信誉值矩阵。本发明方法能够很好地激励用户诚实地上传感知数据，抑制恶意用户，保证感知数据的质量并最小化平台成本。

摘要： 本发明属于移动群智感知中用户聚类及任务分配技术领域，具体涉及一种基于时空移动特征分布的移动群智感知用户联盟聚类方法，包括以下步骤：1)描述用户移动行为特征与用户活跃度，确定初始联盟聚类中心；2)基于用户上传数据，计算用户数据与联盟相似度，设置每个联盟中的用户上限，保障聚类数据的平衡性；3)结合得到的用户联盟相似度与当前联盟中用户数量，基于用户联盟判定准则，实现用户联盟聚类。本发明在用户数据质量已知的条件下，可有效地挖掘出重要用户数据，算法稳定，聚类速率快，保证聚类结果的平衡性并提升聚类效果。本发明与现有技术中两种常见的聚类方法进行性能相比，具有分类准确率高、平衡性效果优和计算复杂度低的优点。

摘要： 移动群智感知行为决策过程中，采用单一类型的历史行为来预测用户的单一偏好标签，模型的泛化能力弱，推荐效率不高，基于此本发明提出了一种融合多视图用户行为预测的移动群智感知任务推荐方法。特别地，该方法从多时间行为序列出发，采用注意力机制，根据不同用户社交影响力的强弱，为不同的用户个体行为设定不同的权重，计算群用户行为在不同时间粒度下的聚合表示。再将单个用户多尺度行为序列特征与社交网络中群用户多尺度行为序列特征融合，提取单用户多视图嵌入行为序列特征。最后通过多标签预测，获取用户对多种任务类型的偏好概率。本发明提出的方法有效地提高任务推荐的准确率和降低感知成本的同时，可以有效应对冷启动问题。

摘要： 本发明公开了一种移动群智感知变速多任务分配问题的混合蛙跳求解方法包括以下步骤：(1)问题信息读取，包括每个任务和每位用户的坐标，以及用户信誉度等问题中的数据；(2)初始化算法参数，使用基于启发信息的目标锚定混合初始化算子生成初始种群；(3)对种群进行约束处理，计算种群中所有个体的目标值，确定非支配解集放入外部存储器；(4)进入快速收敛阶段，对种群根据快速非支配排序结果使用“S”型分组方式划分子组，对各个子组进行基于离散跳跃规则的局部搜索，将各子组混洗，基于非支配概念更新外部存储器，对外部存储器中的个体采用外部档案个体区域挖掘策略，等。本发明具有搜索速度快，搜索能力强，规划的分配方案更合理的优点。