[发明专利]普适计算环境中基于神经网络的上下文融合方法

说明书

技术领域

本发明是一种在普适计算环境中，利用改进的径向基函数神经网络对环境中预先布设的多种物理传感器和逻辑传感器所感知到的原始上下文数据进行融合处理，以获取上下文感知计算系统中上层应用所需的精确的上下文信息的技术方案。本技术属于上下文感知计算中的数据处理应用领域。

背景技术

普适计算是继主机计算、桌面计算之后兴起的一种全新的计算模式，它建立在分布式计算、通信网络、移动计算、嵌入式系统、传感器等相关技术飞速发展和日益成熟的基础上，体现了信息空间与物理空间融合的趋势，反映了人们希望能随时、随地、自由地享用计算能力和信息服务的需求，使人类生活的物理环境与计算机提供的信息环境之间的关系发生了革命性的变革。理想的普适计算环境必须具有自适应、自配置、自进化的能力。因此，作为普适计算关键技术之一的上下文感知成为实现服务自发性和无缝移动性的关键，得到了越来越多的重视。而通过上下文传感器精确地采集各种上下文，包括整个物理环境、计算环境、用户状态等方面的静态和动态信息，是用户和环境实现智能交互的前提基础。

目前，上下文采集主要是通过传感器、应用程序和通信网络等完成。其中由传感器组成的无线传感器网络能够帮助人们更好地实现普适服务中的上下文感知和通信功能，本方案以传感器采集的物理上下文为例进行阐述。但普适环境中预先布设的大多数传感器信息处理能力有限，而且采集的上下文数据在种类、格式和精度上存在很大的差异性。如果将这些数据全部直接交由上层应用来处理，将会产生很大的系统开销。

模拟人类大脑的思维活动发展和形成的人工神经网络由于具有良好的容错性、自适应性、自组织性、联想记忆和并行处理能力，逐渐成为控制工程、图像处理、模式识别等领域中不可或缺的有力工具，人工神经网络在信息融合中的应用也日益受到科研人员的瞩目。在实际应用中，绝大部分的神经网络模型是采用BP神经网络及其变化形式。但BP神经网络有收敛速度慢、容易引起震荡和局部最小值的缺点，限制了其在信息处理领域中的进一步应用。作为一种前馈型神经网络，径向基函数神经网络避免了BP神经网络冗长繁琐的计算，不仅学习速度快而且具有良好的泛化能力。

发明内容

技术问题：本发明的目的是提供一种普适计算环境中基于神经网络的上下文融合方法，从而达到正确感知用户所处环境状态，及时、主动地提供各种适合该情景的服务，最大限度地减少直接人机交互以提高普适计算系统整体性能的目标。

技术方案：随着智能信息处理技术的发展，人工神经网络，尤其是BP神经网络，在信息融合中得到了越来越多的应用。其中，径向基函数神经网络在逼近能力、分类能力和学习速度等方面都优于BP神经网络，人们采用径向基函数神经网络进行信息处理，可以利用其并行计算、容错性等优点。结合基于群体智能的粒子群随机优化算法和径向基函数神经网络，本发明提供了一种新的适用于普适计算环境中的上下文融合方法。

为方便描述本发明的技术方案，对径向基函数神经网络模型和粒子群优化算法进行简要介绍：

1)径向基函数神经网络模型

径向基函数神经网络由三层组成，其结构如图1所示。其中，输入层由信号源节点组成，只传递输入信号到隐层，隐层节点由像高斯核函数那样的辐射状作用函数构成，而输出层节点通常是简单的线性函数。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。隐层节点中的作用函数(基函数)对输入信号将在局部产生响应，也就是说，将输入信号靠近基函数的中央范围时，隐层节点将产生较大的输出。由此可以看出这种网络具有局部逼近能力，所以径向基函数网络也被人们称为局部感知场网络。

基函数最常用的是高斯函数：