面向普适计算的智能校园上下文感知功能研究

随着计算机技术的飞速发展,将普适计算引入到智能校园系统的设计这一思想已日趋成熟,而上下文感知功能作为一个重要的研究方向,已经成为普适计算实现的必要条件,本文就普适计算对智能校园建设进行了全方面的分析研究.     

普适计算中一种上下文感知的自适应可信模型

针对普适计算环境中涌现出的行为可信问题,提出了一种适合于普适计算网络环境的上下文感知的自适应可信模型CASATM,该可信模型能够自适应地对不同的服务提供不同层次的安全保障,能有效地对时间、地点、服务内容等上下文感知.同时提出了一种简单高效的风险评估模型来完成对一些完全陌生客体的可信度初始化.仿真实验表明该可信模型能有效地感知上下文并抵抗恶意客体的周期性欺骗行为.     

基于动态代理的上下文感知编程模型EIPM研究

上下文感知应用和普适计算环境逐渐渗入人们生活环境的今天,上下文感知应用的设计开发时的支撑环境方面仍主要采用传统的面向对象等技术及编程模型,这样在设计时与上下文相关的行为会分布在程序中,即环境上下文和行为在程序编码时就进行了绑定,这使得环境依赖因素和程序控制主体结合的过分紧密,不能适应普适计算环境多样、复杂、动态和多变等特点,更难于进行系统维护和扩展.本文以实现应用程序动态适应环境信息变化为目的,设计并实现了采用动态代理为底层实现机制,通过映射规则的建立将上下文信息和编程逻辑进行分离的上下文感知编程模型EIPM,提供了相应的开发编译平台和执行容器在内的应用框架系统原型,实现一种适应普适计算环境上下文动态复杂多变特点的编程模型.以普适环境文件访问系统中上下文感知部分模块的开发为例,进行了EIPM应用框架原型系统功能的可行性测试,结果表明EIPM编程模型具备了对环境上下文变化的动态适应性.     

基于普适计算的分布式定位设计

普适环境中,定位计算是上下文察觉计算的重要内容。本文提出分布式定位计算的思想,该思想摆脱了以往传统定位中先确定用户坐标再判断其所处区域的繁琐模式,将对用户所处区域的计算分散至底层的感知设备中,减轻了计算设备的计算负担,提高了上下文感知系统的效率,并通过实现该定位设计验证了分布式定位设计的可行性。     

基于智能感知网的上下文感知应用研究

针对普适计算环境下人们获取智能化信息服务的需求,提出一种基于传感器网络和智能代理技术的上下文感知应用模型,实现了相应的媒体播放原型系统。系统由控制终端、媒体播放终端及超声波传感器组成,支持有线／无线传输方式。采用超声波测距方法和代理技术,媒体播放管理以Eclipse为开发平台,实现目标监测、定位及自适应媒体播放。该系统性能可靠,具有较高应用价值。     

复杂上下文感知的组合服务选择框架

泛在网络环境中,组合服务选择不仅需要考虑服务上下文还需要考虑用户上下文,而描述上下文属性的数据类型可能有实数、区间数、三角模糊数和直觉模糊集。为解决这种基于复杂上下文的组合服务选择难题,本文提出一个复杂上下文感知的组合服务选择框架,能够感知服务上下文和用户上下文。该框架基于智能主体设计,其中用户端框架完成用户上下文管理,服务端框架完成服务上下文管理和组合服务选择。通过相关工作的比较,验证了该框架的优越性和有效性。     

基于感知的多代理的120急救系统

多代理系统以一种分布式的计算模式有助于信息协作分析和决策,而代理的智能感知能力让系统可以根据周围环境而动态调整行为。本文基于多代理技术,介绍了一个普适计算环境下的医疗急救原型系统。通过对Agent技术、感知技术的研究,将其运用到系统的多代理模型的设计中,并介绍了多代理的信息协作算法,感知的多代理系统能够有效提高急救效率和成功率。     

分布式情境感知分层模型设计与角色分析

情境感知是普适计算环境的本质特征之一.本文提出了一种面向分布式情境感知的分层模型,通过情境资源的空间划分,刻画了传感器到情境知识的逐层抽象的特质.同时,分层模型对情境感知系统中的角色及角色间的关系进行了有效规约.本文通过与经典的Context Toolkit模型比较,证明了分层模型的运行时负载低的优点;通过模型的主动性分析,验证了情境感知主动性对系统数据收发负载的正反比影响.分层模型将在分布式情境感知系统部署和配置中发挥重要作用.     

普适计算与泛在网络

本文简要描述了普适计算的概念及普适计算的研究体系;泛在网络的概念及与普适计算的关系.简要介绍了移动泛在网络发展的愿景.在此基础上,较详细地讨论了我国专家们在泛在网络研究领域中提出的"环境感知泛在网络(AUN)"的概念和框架结构.     

基于上下文的智能应用推荐系统架构设计

普适计算环境需要根据用户和环境的上下文信息为用户提供丰富及合适的应用资源.为了适应这种需求,设计了一种基于上下文的智能应用推荐系统架构.该架构主要是利用贝叶斯网络根据上下文进行推理以实现应用推荐,同时使用EM(η)算法对推荐模型进行更新.实验证明该架构能为用户推荐合适的应用资源并可以随用户偏好的改变进行推荐模型更新.