推荐8篇关于群智感知的计算机专业论文

今天分享的是关于群智感知的8篇计算机毕业论文范文, 如果你的论文涉及到群智感知等主题,本文能够帮助到你

移动终端智能引擎的研究与实现

这是一篇关于情境感知,群智感知,移动终端智能引擎的论文, 主要内容为移动互联网和智能终端的飞速发展改变了人们原有的生活方式。通过移动终端可以为人们提供购物、上网、社交等多样的服务。在社交应用中,用户面对大量的信息往往无法准确获取到符合自己社交需求的信息。因此本文从具体的社交需求出发,设计一种更为个性化的移动终端社交系统。本文实现的系统基于移动终端智能引擎的相关技术,文章通过分析国内外最新文献,对移动终端智能引擎中的情境感知技术以及群智感知技术进行了重点研究,分析比较了基于该类技术实现的现有平台和系统之间的优缺点,总结了其实现方法,为本系统的设计实现提供了技术支持。文章对系统的总体架构进行了设计,将系统的设计分为移动终端客户端、数据交互传输以及后台服务器三个部分。并对每一部分的功能模块进行了具体划分和详细设计。系统的具体实现按照总体架构的划分进行,移动终端客户端的实现基于谷歌的Android系统,在这部分完成了用户操作界面、情境信息采集以及响应用户操作等功能的实现。在后台服务器实现上采用了J2EE的分层架构,使用SSH框架进行具体的开发,并对数据处理进行了详细设计,包括情境数据处理以及数据本体建模。客户端和服务器通过HTTP协议进行可靠的信息传输,保证了系统的正常运行。最后通过对系统的功能进行了整体测试,结果表明了系统满足实际的社交需求,具有较强的实用性。

基于群智感知的英语单词推荐系统的设计与实现

这是一篇关于群智感知,上下文感知,语义感知,英语单词推荐的论文, 主要内容为下一代的教育越来越受到家长们的关注和关心,家长们愿意在孩子的教育上进行投入,报各种的课外辅导班,包括英语辅导班,然而孩子在家的时候,缺乏一种有效的英语单词学习途径。课本、词典和词汇书籍以文本为主的英语单词展示方式缺乏与用户的互动,而音视像资料的多媒体展示方式却不能保证对英语单词的接受程度。采用多媒体展示方式和考虑英语单词接受程度的推荐系统将有助于提高英语单词的学习效率。而当前,在推荐系统的实际应用中最常用的推荐方法是协同过滤推荐方法和基于内容相似度的推荐方法,其中协同过滤推荐方法无法推荐没有先验记录的内容,而基于内容相似度的推荐方法则无法很好地衡量和匹配用户对英语单词的接受程度。因而,亟需一种新的推荐方法实现英语单词的推荐。针对上述问题,本文设计和实现了基于群智感知的英语单词推荐系统,包含了移动端数据采集系统、数据分析与推荐系统、内容管理系统三个子系统。该系统采用群智感知的数据获取模式,通过移动智能设备获取并上传用户个人信息和英语单词记录,提高英语单词记录的覆盖率,解决先验记录缺失的问题,为生成英语单词推荐提供充足的数据来源。同时,该系统采用了基于用户相似度的上下文感知和内容语义感知混合推荐算法生成英语单词推荐,其中,混合推荐算法在英语单词记录的基础上引入用户个人信息用于辅助描述用户所处的学习阶段,通过语义模型表示英语单词记录,然后根据学习阶段和英语单词记录衡量对英语单词的接受程度进而匹配相似的用户,最终实现英语单词的智能推荐。

基于群智感知的农业信息采集系统研究与开发

这是一篇关于农业信息采集,群智感知,时空覆盖率,任务分配,激励机制的论文, 主要内容为农业信息是农业信息化战略的重要载体,高效获取精准农业信息是实现农业信息化的必要条件。随着物联网和移动通信技术的发展,为农业信息采集注入了新的活力,基于智能终端设备感知能力的群智感知(Crowd Sensing)实现了一种新型的数据采集模式,相比于传统基于静态传感器的信息采集方法,群智感知具有灵活性强、可拓展性强、感知成本低等优点。为了提高农业信息采集的高效性、可拓展性以及降低人力成本,本文以农业信息为研究对象,将群智感知和农业信息采集的场景特征相结合,分别研究任务分配模型构建方法和激励机制设计方法,开发并实现基于群智感知的农业信息采集系统。主要研究内容如下:(1)基于混沌蜉蝣算法的任务分配机制模型构建。针对农业信息采集的场景下农业数据信息时空跨度大、周期性长以及时效性强的特征,导致任务分配效用低的问题,对农业信息采集任务分配问题进行建模,由于该问题具有NP-hard性,在确保感知数据质量的前提下,以最大化时空覆盖率为优化目标,采用基于精英反向学习和柯西变异的混沌蜉蝣算法求解任务分配问题。实验结果证明:基于混沌蜉蝣算法的任务分配机制的平均性能比其他方法提升17.12%。(2)基于多属性反向拍卖的激励机制设计。针对农业信息采集场景中用户的参与意愿不高的问题,采用多属性反向拍卖的方法选取优胜者,对于感知难度较大、时空跨度较大的边缘任务,设计了基于参与者感知成本的激励算法,参与者完成任务后可额外获得激励报酬。针对感知数据有效性较低的问题,在选取优胜者过程中引入了自适应阈值方法,当参与者的信誉值低于阈值时,感知平台将不为其分配任务,并设计基于感知平台与任务发布者的双重质量评价体系对感知数据进行评估,结合感知数据效用和参与者的任务贡献度给予参与者合理的报酬。实验结果说明:该激励机制的平均性能比其他方法提升16.14%。(3)基于群智感知的农业信息采集系统设计与实现。针对现阶段农业信息采集系统拓灵活性低、成本高等问题。研究基于群智感知的农业信息采集系统设计与实现,系统基于微信小程序,采用Spring Boot框架和We UI进行开发。通过小麦地面茎秆信息采集的案例分析,实验结果证明:在固定预算的前提下,所采集的数据合格率达到84.62%、任务空间覆盖率达到72.57%,进一步验证了基于群智感知的农业信息采集系统的有效性和可行性。

基于群智感知的英语单词推荐系统的设计与实现

基于隐式反馈和数据质量的群智感知用户特征建模研究

这是一篇关于群智感知,隐式反馈,度量学习,数据质量,真值发现,用户特征建模的论文, 主要内容为近年来,随着移动终端和传感技术的普及和发展,群智感知在大量领域中得到了广泛而有效的运用。任务分配和用户选择是群智感知平台的重要功能,目前有许多研究工作设计了不同的场景并提出了有效的任务匹配方案,提升了群智感知平台的服务质量。然而,这些研究大多从平台的角度进行建模,往往忽略用户本身的特征,尤其是偏好和可靠性特征,而在真实的场景下,这两种特征很多时候决定了用户参与任务的体验好坏、系统能否快速招募到足够的用户以及任务完成的质量高低,因此对用户偏好和可靠性进行精准的刻画是很有必要的。本文主要研究群智感知用户的偏好和可靠性特征建模,并在用户招募模型中引入这两个特征。群智感知系统中存放了用户与任务交互的隐式反馈信息,结合推荐系统分析,可从隐式反馈中提取用户对任务的偏好特征。用户的可靠性特征取决于用户提交的数据质量,因此采用真值发现模型是一个有效的解决方案。本文的工作是分别基于隐式反馈和数据质量,对现有推荐系统和真值发现模型加以改进,使其在群智感知场景下发挥更好的性能,更准确地刻画用户偏好和可靠性特征,并且建立特征驱动的用户招募模型。论文主要包括以下内容:1)基于隐式反馈的用户偏好特征建模。采用度量学习法,首先分析用户浏览和参与任务的三类隐式反馈,将度量学习样本表示为四元组。考虑用户对任务地点、时间和类型等不同方面的偏好侧重点,设计一种基于任务标签加权的度量学习方法,并得到度量函数。基于四元组样本设计度量学习损失函数。定量分析用户在任务参与和任务交互层面的偏好广泛性,建立度量学习动态样本间距机制。设计基于多级距离的正则化策略,避免度量学习过拟合。设计实验研究模型参数设置、子模块的有效性以及模型的优越性。2)基于数据质量的用户可靠性特征建模。建立数据质量驱动的基本真值发现模型。考虑真值在时间上的关联,将上一次真值发现结果作为用户稀疏状态下的有效数据源之一。引入已知真值的任务,设置系统起始状态下用户的可靠性,以及对中途新加入用户的可靠性进行设置并同步收缩其他用户的可靠性权重。结合上一次的真值以及已知真值的任务完成情况,建立优化的真值发现模型,采用拉格朗日乘子法推导真值和可靠性迭代公式。设计实验验证模型在不同参数设置下的准确性优势。3)偏好与可靠性特征驱动的群智感知用户招募研究。设计群智感知多轮用户招募机制。对用户偏好和可靠性特征进行归一化处理,结合时间限制和剩余招募数量,建立偏好最大化并且带有可靠性约束条件的优化模型。将模型转化为包含多个背包的01背包问题并采用人工鱼群算法求解。设计实验验证模型在招募效率和任务完成质量方面的性能优势,证明研究用户特征的必要性和先进性。

群智感知系统中用户激励与优化选择方法研究

这是一篇关于群智感知,用户激励,扩散机理,优化选择,知识图推理的论文, 主要内容为近年来,移动设备的普及和城市智能感知需求的增长导致了一种替代或补充的城市感知方法,称为移动群智感知。在数据收集方面,任何一个感知个体无法提供足够的感知样本,群智感知系统通过将大量参与者的感知数据聚集可以得到高质量、高覆盖率的感知结果。因此,激励大量感知用户加入到感知系统中是取得良好结果的前提。然而大多数群智感知相关研究均假设有大量感知用户存在于感知系统中,分析用户招募与任务扩散问题尤为重要。感知用户在参与感知任务时,提交的感知数据良莠不齐,为保障感知用户和系统平台的共同利益,激励用户提供性价比较高的感知质量较为重要。在系统进行任务分配时,由于移动用户具有自利性,可能会出现部分任务区域移动用户过剩,而部分区域移动用户过于稀疏,导致在移动用户数量充足的情况下仍不能保证任务的完成度。因此,本文从用户参与、系统社会福利和用户优选等方面进行了研究,本文主要工作如下:1.针对移动群智感知系统依赖于具有预先假定的大用户群的特定平台问题,提出一种基于知识图谱推理的感知用户扩散分析方法。采用以社交网络为招募平台,结合知识图谱建立面向群智感知系统的知识图,筛选过滤得到有效的社交用户属性,计算用户与任务的匹配度,并规则推导用户影响力,以得到用户的社会效益,选取对平台有足够贡献价值并且满足参与意愿阈值的社交用户作为群智系统的候选用户,从而增大系统用户群体。2.针对移动群智感知系统用户提交质量差异较大问题,设计一种基于社会福利的群智感知社交用户激励机制。考虑在预算有限的约束下激励用户参与,聚焦以自组织社交网络为代表的社交感知用户,以最大化社会福利为目标,提出逆向拍卖机制,根据边际贡献净值进行赢标者选择,降低感知数据冗余,并且基于临界价格对赢标者进行报酬支付,通过执行激励机制使得系统平台和用户均获得最大收益。3.对于群智感知系统中移动用户的优化选择策略,提出一种量子启发萤火虫与粒子群混合优化方法,从任务覆盖方面对移动用户进行资源优化分配。采用量子计算方式将移动用户群体初始化,计算根据目标函数设计的适应度函数,对其进行比较排序,根据适应度值的对比结果执行对应的量子运动,对量子运动后的群体更新,并判断是否达到终止条件。在这一过程中求解最优移动用户群体,保障感知任务的覆盖率及完成率,从而提高感知数据的聚合结果。