基于深度学习空间变换情景感知模型探究.docVIP

基于深度学习空间变换情景感知模型探究 　　摘 要：利用情景感知构建的智慧家庭模型，打破了应用服务与智能家居结合的壁垒，使得情景感知作为智慧家庭应用服务推荐手段变得越来越重要，而其中最重要的就是情景感知服务模型和情景推理机制。文中通过空间变换理论构建了情景感知服务模型，并引入深度学习作为情景推荐机制的算法模型，提供了一种智慧家庭情景感知服务的构建方式 关键词：情景感知；空间变换；情景推荐；深度学习 中图分类号：TP393 文献标识码：A 文章编号：2095-1302（2017）03-00-03 0 引 言 在物联网[1]不断发展的今天，智能家居作为重要应用，诸多知名科技公司投入了大量人力物力进行产品研发和方案探索[2]。现有的产品和解决方案都依照家居产品的智能化来搭建智能家居，而实际上传统家居环境导致智能家居只能停留在电器等少部分智能产品上，无法达到智慧家庭的程度，全方位的智能体验和个性化、差异化服务推荐是未来智能家居的研究重点。情景感知（context-aware）[3]的出现正好解决了用户个性化需求和系统智能化、人性化推荐的问题，因此，情景感知在未来智慧家庭的构建中必将起到关键作用[4]。研究情景感知有很多方法[3-6]，本文提出利用空间变换理论构建的情景感知模型具有明显的简洁性和较高的实用性，引入深度学习[7]作为情景推荐算法模型使得情景感知应用服务的推荐更有效、更匹配 1 情景感知的空间变换理论框架 以本体为基本元素，特征和服务为集合空间，构建本体服务模型，情景感知可以根据本体元素所处的情景信息提供服务，这些情景信息包括本体元素的偏好、本体元素设置的参数、本体元素的历史记录（即习惯）以及传感器所感知的环境参数等。我们把为本体元素提供的所有应用服务和信息看作一个空间集合S，将本体元素的偏好、设置的参数、本体元素的历史记录以及传感器所采集的数据看作一个数据集合D，所有本体元素作为一个元素集合N，本体元素所处情景看作一个空间集合P，那么情景感知系统提供服务的过程可以用如下表达式表示： S=MD→S {D （N→P）} （1） 上式中的MD→S代表一种映射，表示相应本体元素的数据集合D，即数据和参数通过MD→S的映射获得系统最终的服务。MD→S所代表的空间变换概念是这个理论的核心关键 就一般而言，MD→S所代表的推理和映射属于直接在服务应用上完成或者在服务应用和某些中间模块上协同完成。这就要求底层传感器构架清晰，情景信息的数据特征非常明确。但实际上采集到的情景信息是一种具有不确定性的数据，特征也很模糊，所以我们引入一个中间变量，类似于神经网络中的隐含层，将底层传感器与应用层服务分离，通过中间层过渡，使整个系统模型趋于稳定。我们把引入的中间变量设为C，将C看作预设情景的集合。上述（1）式可用如下两式表示： S=MC→S （C） （2） C=MD→C{D（N→P）} （3） 式（2）和式（3）中的和分别描述了两部分的内容，这样就将传感器所关心的情景信息与服务所关心的情景信息进行了区分，更好地将用户本体所处的情景进行分析和推理，与预先设定的情景相匹配，从而达到更精细、更有效的服务推荐 2 情景层次的划分 在实际的情景中，本体所处的情景具有复杂性，我们将情景按照底层传感器采集的信息和上层应用服务所处理的信息把本体情景分为低级情景信息层和高级情景信息层[5]，按照情景的基础度和复杂度，可把低级情景看作细粒度情景，高级情景看作粗粒度情景，应用服务更多的是关心粗粒度情景。比如“房间温度高”，这是一种模糊而概略的信息；而底层传感器更关心细粒度情景，比如“此刻房间温度28.5℃”，是一个具体而精细的数值。在具体的情景中，底层数据的描述详细而零散分布，上层服务更多是通过模糊的不确定性自然语言来判断情景的匹配度，因此需要将底层的细粒度情景转化为上层的粗粒度情景，提供给顶层的应用服务进行本体服务推荐。情景层次划分如图1所示 将式（2）和式（3）展开，从底层传感器获取本体情景数据，通过计算和推理，得出低?情景信息（细粒度情景）L： L=MD→L{D（N→P）} 通过中间服务层将得到的低级情景信息L做进一步推理和处理，转化为高级情景信息（粗粒度情景）H： H=ML→H（L） 应用服务层通过获得的高级情景信息H来进行情景的匹配和服务推荐： S=MH→S（H） 定义复合运算从获取本体情景到服务推荐的过程为： S=MH→S（ML→H（MD→L{D（N→P）}）） 由此将MD→S所表示的映射推理分为三部分，分散在整个模型中，从而缓解了直接处理效率低和能力不足等问题 3 深度学习的情景推理机制 情景推理机制[6]对于构建情景应用服