动态传感器网络中的机会感知机理、模型与算法研究

环境感知是传感器网络与计算领域的研究热点之一。在动态变化的传感器环境中，要求感知系统能够尽量在无人参与的情况下自动适应环境变化。目前相关研究工作存在只针对同类型传感器、对传感器特征变化适应不够及在线学习过程中旧知识遗忘等不足。为此，本项目以信号采集、特征提取、分类和数据融合的典型感知链为主线，展开基于动态适应、最优选择和自主进化的机会感知理论、模型与算法研究。研究面向机会感知的传感器统一描述模型及传感器无关的抽象特征提取，使感知过程能够独立于传感器类型和实际物理信号。研究具有对环境变化的发现能力和自适应能力，能够对可获得的传感器资源实施优化选择以保持甚至提升自身性能的机会型分类及融合算法。研究基于反馈训练的感知链自主进化模型，以使感知链适应环境的长期变化。基于上述理论成果，将在交通道路环境感知方面开展应用验证。本项目的研究，将丰富和发展环境智能理论，为基于传感器网络的普适计算提供理论指导。

环境感知是传感器网络与计算领域的研究热点之一。在动态变化的传感器环境中，要求感知系统能够尽量在无人参与的情况下自动适应环境变化。目前相关研究工作存在只针对同类型传感器、对传感器特征变化适应不够及在线学习过程中旧知识遗忘等不足。为此，本项目以信号采集、特征提取、分类和数据融合的典型感知链为主线，展开了基于动态适应、最优选择和自主进化的机会感知理论、模型与算法研究。首先，项目提出了基于SensorML的面向机会感知的传感器统一描述模型，构造了传感器自描述模型的元数据表示方法，研究了不依赖于传感器的抽象特征提取及其计算方法，使感知过程能够独立于传感器类型和实际物理信号。其次，提出了具有对环境变化的发现能力和自适应能力，能够对可获得的传感器资源实施优化选择以保持甚至提升自身性能的机会型分类算法，建立了分类器在输入可靠性不确定情况下的决策可靠度度量方法，针对多分类器融合，提出了动态权重分类器投票融合算法。最后，项目建立了基于反馈训练的感知链自主进化模型，分析了多参数的系统输出性能和传感器输入配置之间的制约关系，以使感知链适应环境的长期变化。通过实验分析及智能交通与智慧医疗等领域的应用验证，本项目的研究成果，丰富和发展了环境智能理论，具有重要的理论意义和应用价值。