面向任务计算的分布式场景感知和分析技术研究

以用户为中心，基于场景感知实现面向任务的计算是普适计算所追求目标之一。但怎样从高维、非线性，并且具有一定耦合度的上下文数据中提取场景特征，使计算系统能够在复杂的场景变化中，完成用户的任务计算要求，是研究的难点和热点，同时也是本项目的研究出发点。本项研究具有重要的理论意义，它是在普适计算领域进一步开展智能感知、实现透明计算的基础。同时，本项研究为智能人机交互的决策提供场景知识,研究的开展朝着具有察觉能力的新型计算环境迈进了重要的一步。.本项目主要研究在复杂的普适计算环境中，面向用户任务计算需求实现智能场景感知。具体包括建立分布式模糊推理模型和参数学习方法，构建上下文本体库；采用流形学习方法，从上下文本体元数据描述中，提取场景特征；基于场景感知，建立以用户为中心的任务模型，实现随场景而动的任务计算模式。

普适计算环境中的场景感知通过情境感知与精准分析，获得场景特征，进而作为应用服务的决策支撑。本项目针对普适计算环境中面向用户的任务计算需求，开展分布式场景感知技术的研究。.本项目研究基于模糊推理Petri网的分布式模糊推理的形式化规约模型，提出了分布式模糊推理算法，同时通过研究带反馈的自适应学习方法，提高了模型的反馈适配和动态优化能力；研究时空轨迹特征挖掘技术，在研究重要区域识别算法的基础上，提出了轨迹相似度计算方法，并且考虑实际轨迹信息缺失问题，研究基于统计学习的残缺轨迹复原方法。在此基础上，研究基于流形学习的场景特征分析方法和内嵌场景特征的个性化计算技术，目的是从高维、非线性，并且具有一定耦合度的情境信息中提取场景特征，使系统可以在不同的场景中满足用户的个性化计算需求。本项目的研究工作从理论模型和分析挖掘工具两个方面提出了创新性的方法，并且通过实验验证了方法的有效性和高效性。.本项目的研究成果可广泛应用于移动互联网相关的服务计算环境。移动计算的重要特征是时空状态频繁变化。这种变化带来了应用灵活性的同时，也要求移动计算服务需要适配不断发生的时空变换，具有智能化的时空特征感知能力。本项目的研究成果可有效支持用户周围场景感知和活动规律特征分析，为移动计算环境的智能决策提供有力的支撑。