摘要：针对信息物理融合系统(CPS)感知层数据的不确定性与随机性,该文提出一种CPS中感知数据的可信性分析框架。摒弃以往以传感器为中心的建模思路,该文充分考虑被监测对象因素,建立传感器-目标关联图模型,以此为基础设计了传感数据可信性推理算法。同时,为提高算法的实时性,减少传感器-目标关联图的搜索空间与时间,设计了基于可信目标筛选的改进推理算法。通过实例验证表明,该算法能实时、有效地滤掉CPS中感知数据中的虚假信息,极大提高感知数据的可信性。

摘要：为了满足具有海量性、连续性及不确定性的感知数据实时处理需求,采用云计算典型的分布式无共享集群架构,文中提出一种并行化的海量感知数据实时处理模型,并给出了相应的编程接口.在此基础上设计了一种去中心化的分布式感知数据实时处理系统架构以及基于ZooKeeper的集群伸缩管理方案,从而保证了感知数据处理系统的实时性及扩展性.通过一个结合城市车辆监管实际应用的实验,验证了该系统在负载均衡的情况下,其处理性能够随着计算节点的增加而接近线性增长.

摘要：传感器获取的感知数据一般带有时间属性,对于感知数据的统计往往都和该属性相关。针对感知数据这一特征,提出一种基于时间的感知数据优化统计方法。采用基于时间的细粒度划分将数据尽可能划分为小数据;采用基于时间的缓存策略尽量提高缓存的命中率。介绍该方法在交通感知数据统计系统的应用实现,实验结果表明,该方法优于传统的数据聚集统计方法,在一定程度上能够提高感知数据的统计性能。

摘要：在"人—技"协同进化的教育发展趋势下,物理空间中的学习支持服务将面临深刻变革。近年来,随着大数据与可穿戴技术的涌现,面向物理空间的学习分析技术已应运而生,其中一个研究趋势是利用传感器技术探察个体学习状态,并基于感知数据构建以学习者为中心的自适应与自主化学习环境。国际上,教育技术领域的相关专家学者已开始重点布局此项研究,致力于提供个性化学习反馈、推荐和干预等服务以创设移动式的智能学伴系统。如何获取学习者生理数据、合理利用这些数据、推测其学习状态(情绪、认知、注意力等)以及基于这些数据能为学习者提供哪些学习服务已成为研究者面临的现实问题。基于传感器的自适应学习分析(Leaning Analytics for Sensor-based Adaptive Learning,LISA)是由德国联邦教育与研究部资助的一个校企联合研发项目,旨在通过传感器感知个体在物理空间内的学习状态以支持自适应学习和提高学生学习体验,其核心是构建"移动学习同伴"以帮助学习者开展学习反思和协助教师实时监控。该项目的背景和意义是什么?智能学伴系统能感知哪些信息?提供哪些学习服务?如何评估其效果?未来的趋势和存在的问题是什么?带着这些问题,我们对该项目的主要负责人Niels Pinkwart教授进行专访。Niels Pinkwart教授是教育技术领域的国际知名学者,目前担任德国柏林洪堡大学的(Humboldt University of Berlin)计算机科学研究院副主任,洪堡大学职业教育学院的"技术增强学习"(Technology Enhanced Learning)研究中心和"计算机科学教育/计算机科学与社会"(Computer Science Education/Computer Science and Society)实验室主任,德国计算机学会学习分析与e-learning工作组的联席主席。他的研究方向包括:学习分析、自适应学习技术、计算机支持的协作学习与多模态人机交互系统。他发表论文超过220篇,总引用次数已超过2360次,并一直担任《国际教育人工智能》(International Journal of Artificial Intelligence in Education,IJAIED)期刊编委、"智能导学系统"(International Conference on Intelligent Tutoring Systems,ITS)、"IEEE先进学习技术"(IEEE International Conference on Advanced Learning Technologies,ICALT)、"学习分析与知识"(International Conference on Learning Analytics&Knowledge,LAK)等知名国际会议的程序委员会委员。近年来,Pinkwart教授的团队专注于采用多学科(计算机科学、认知科学以及学习科学)交叉的方法开展学习系统设计与学生互动学习的实证研究,现已主持多项德国国家科学基金(DFG)、联邦教育与研究部(BMBF)及工业界智能导学与人机交互联合研发项目,他领导的"智能导学系统中的学习反馈"(Learning Feedback in Intelligent Tutoring Systems,FIT)项目入选了DFG在研究方向"人工系统中的学习方法"上的优先资助计划,并授予8年的持续资助。

摘要：为了有效预警大学生心理健康,文中设计了感知数据的大学生心理可承受风险评估系统。利用智能感知技术获取大学生风险承受能力相关数据,建立大学生心理可承受风险指标评估体系,采用层次分析法确定各指标权重,结合专家评分标准实现大学生心理可承受风险自动评估。结果表明,该系统可有效实现大学生心理可承受风险有效评估,评估复杂度低,评估准确性要优于其他系统。

摘要：在"人—技"协同进化的教育发展态势下,如何有效促进教育形态的转变和教育质量的提升[1]。物理学习空间中的学习支持服务亟待重塑,在数字化技术支撑下,将传感技术引入到物理学习空间结合学习分析技术,获取学习者生理数据,推测其学习状态(情绪、注意力、嗜睡),提高学生的学习体验和协助教师实时监控,由于传感器容易受到个体无关学习生理信号的干扰,引起系统的不稳定性,该文基于MATLAB控制工具箱设计串联滞后—超前校正装置,并对仿真结果进行分析比较,该方法不但简化了控制系统校正的过程,提高了系统的稳定性。

摘要：较大的心理压力严重影响大学生健康发展,为提升大学生心理可承受风险评估的精度与效率,设计了基于感知数据的大学生心理可承受风险自动评估系统。通过智能手机内置传感器感知大学生行为数据与EMA数据,构建大学生心理状态信息集;以大学生心理状态信息集为基础,采用基于信息熵的挖掘算法,感知出现心理异常的大学生群体。基于感知获取的大学生心理状态信息,构建模糊综合评估数据模型,以心理适应性、挫折承受能力、情绪稳定性、安全倾向、避险能力与性格气质为大学生心理可承受风险评估指标,自动评估心理异常的大学生群体心理可承受风险。实例分析结果显示,该系统评估结果与实际情况拟合曲线完全重合,且各指标复杂度均控制在40%以下,由此说明该系统具有较高的评估精度与效率。

摘要：为了解决当前心理健康状态跟踪方法存在误差大等问题,设计传感器感知数据的心理健康状态实时跟踪方法。以传感器发出的激光束作为对比标准,构建一个心理感知数据补偿过程,转换感知数据的表示形式,划定感知数据的线性区域,构建心理健康状态数据判断方程,划分状态数据为不同的处理组,整合为特征跟踪模块后,最终实现心理数据的实时跟踪。选用已知参数的传感器,准备5组心理健康状态数据作为实验对象,与传统跟踪方法进行对比实验,结果表明本方法提高了心理健康状态效果。

摘要：随着各类传感器在智慧校园中的应用,大量情境感知数据的采集成为校园智慧应用研究和拓展的基础。情境感知数据的采集在不同模型的框架下其思路和策略各有侧重。利用基于校园师生活动这一本体而设计的情境感知模型,充分阐述情境数据之间的结构关系。智慧校园中情境数据的来源和类别相对而言较为明确,根据情境数据的来源和类别,可采用增加传感器、XSLT信息抓取和移动终端远程获取这三种数据采集策略来实现。

摘要：现阶段,在物联网感知数据安全传输中,数据抗捕获性能较差,数据传输安全性较低。为此,文章提出基于API服务网关技术的物联网感知数据安全传输方法。通过API安全攻击防护、API参数合规检测以及API接口调用顺序检测,该研究实现物联网感知数据传输API攻击防护,利用数据脱敏技术对传输数据中敏感数据进行脱敏处理,并控制API访问,实现基于API服务网关技术的物联网感知数据安全传输。实验证明,该设计方法数据抗捕获率在90%以上,应用效果良好。