关键词： 外骨骼机器人   移动计算   智能设备   可穿戴   智能化设备   机械设备   强适应性   应用场景  

摘要： 产业数智化是不可逆的浪潮,得益于工业场景下的智能设备普及,外骨骼机器人在技术不断提升、智能化设备不断产生新应用场景的环境下,应运而生。外骨骼机器人技术,集传感、控制、信息、移动计算等为一体,为使用者提供可穿戴的高灵活性、强适应性的辅助机械设备。

关键词： 移动通信  

ISBN: (纸本)9787576701975

摘要： 本书第1~3章介绍移动计算的发展和应用、无线通信网络、无线广域网络技术等，其中包括移动计算的概念、移动计算环境、移动计算的特点等内容，并在对移动通信关键技术和规范深入分析的基础上，论述了5G移动通信的网络架构和5G移动通信新技术；第4~6章结合移动应用开发平台内容，论述了Android编程及鸿蒙编程的内容，并在最后一章给出了鸿蒙开发实例。

关键词： 移动计算   智能手机   材质识别   传感器数据处理   机器学习  

摘要： 固体材质识别在生活中具有重要的应用意义，而在常用的材质识别研究领域中，一般都采用具有对检测目标有侵入或破坏影响的化学分析法或者严重依赖于设备的物理光谱分析法，难以满足普适性的日常用品材质识别要求。与此同时，在移动互联网技术的发展背景下，智能手机和其他智能随身设备具有越来越强大的感知、计算和通讯能力。由于不同材质的物品的物理特性差异，对加载于其上的敲击和振动等物理作用做出的反应也不尽相同，这一特性给使用普通智能手机实现对物品材质的感知和辨析提供了可能。然而，普通智能手机的采样精度和处理算法性能难以满足通用的材质分析要求。基于此，本文拟使用智能手机作为基本设备对固体材质识别技术进行探索研究，使用智能手机线性振动马达作为外部振动源，利用IMU传感器收集振动反馈信号进行信号分析从而分析出目标的材质，具体工作包括三方面：　　一、探索了智能手机上内置振动马达产生的主动振动信号的传输过程，克服了资源不足时IMU传感器的采样误差障碍和周围环境噪声的干扰消除障碍，并从智能手机上IMU传感器接收到的振动信号进行了降噪和信号特征计算提取，提取出了与固体材质物理特征相关的独特信号特征，建立了基于普通智能手机传感器采样的材质识别模型。　　二、针对振动的两种状态—瞬态和稳态，分别建立数学模型。对稳态振动进行了傅里叶变换和插值后从时频、功率谱和倒谱三个角度进行分析，最后基于谱减法思路提出了行之有效的差异放大方法，并使用CNN架构神经网络对不同材料的振动信号图进行分类识别，得到了初步的识别结果，同时为了克服数据单一且少量的问题，本文使用了若干机器学习算法对信号的提取特征进行分类学习，取得了较为不错的实验效果。此种方法不仅证明了差异放大技术的有效性，而且还为瞬态振动分析打下了良好的基础。　　三、基于感知信号的分类状态提取特征进行机器学习。将振动反馈信号分成瞬态和稳态两种状态，分别提取其学习特征，选用三种算法（SVM、KNN、DT）分别进行学习比对，根据比对结果确定了DT算法作为潜在的优势算法,实验结果验证了不同粒度划分振动反馈信号的必要性。

关键词： 行为理解   移动计算   人机交互   深度学习   可穿戴设备  

摘要： 物联网是一个涵盖了大量互联设备和传感器的系统,这些设备能够收集、交换和处理海量数据。随着物联网技术的不断演进和实际运用,用户行为分析在许多领域具有重要意义,如智能家居、智能交通、智能健康、安防监控等。随着物联网设备数量的增长和数据处理能力的提高,行为分析可以为用户提供更加个性化和智能化的服务。通过深入挖掘和分析用户行为数据,系统能更准确地洞察用户的需求,优化系统资源分配和提高服务质量。此外,用户行为分析在安全领域也具有重要意义,例如通过分析异常行为来预防和识别安全威胁。尽管如此,现有的行为分析系统仍面临着诸多挑战,例如数据量庞大、异构数据整合清洗困难和任务实时性难以满足等问题。为应对这些挑战,本研究将物联网环境下的行为类型划分为个体行为和群体移动性,同时利用大数据处理、机器学习、深度学习和时序分析等技术提出了针对这两类行为的分析方法。具体而言,本研究提出了基于智能穿戴设备的身份鉴别和家居控制方法、端云协同的实时说话人识别方法以及基于大规模骑手行为的导航数据更新方法。本文的主要研究内容和贡献可概括如下:首先,精确且便捷的用户识别与个体活动理解是分析用户行为的基础。因此,本研究提出了一种仅依赖微小手势来认证用户与活动识别的系统,并探讨了其在智能家居控制领域的应用。与传统活动分析系统相比,该系统基于商用智能可穿戴设备,无需额外硬件,提高了用户友好度。系统设计包括惯性传感器数据预处理方法和深度时序神经网络,用于准确的用户识别和手势识别。实验结果表明该系统具有较高的准确性和可靠性,为智能家居控制领域带来了新的手势识别方法,有望推动相关技术的发展。其次,在实际应用中,受节点资源限制、网络传输压力和成本高等因素影响,行为识别任务的实时性难以满足需求。因此,本文提出了一个边缘计算与云计算协同的框架,用于实时检测摄像头下的主动说话者。该框架采用了最新开发的基于面部运动的ASD模型和声纹生成器,在嘈杂和拥挤的环境中仍能准确地检测出主动说话者。同时,本文还研究了一系列音频和视觉特征作为镜头下过滤线索的有效性,针对不同的边缘资源限制提供了两种实时协作框架。通过在真实数据集上进行大量实验验证,证实了该方法在识别精度和过滤效率方面的有效性。最后,深入理解群体移动性是分析物联网系统用户行为的关键环节。因此,本文提出了一种基于抽象图分析群体移动数据的方法,用于分析物联网系统用户行为。该方法利用动态抽象图维护导航数据,通过查询外部地图服务器确保缓存路径的准确度。此外,在即时配送场景下,该方法使用骑手数据进行行为分析,并采用基于UCB的查询算法更新数据库存储,以实时获取交通信息。在国内最大的即时食品配送平台之一的数据库中部署了提出的方法,并与当前最先进的方法进行了性能评估。实验结果表明,该方法在所需查询数量上实现了显著的节省,同时缓存路径的准确度也得到了提升。

关键词： 云-边-端环境   任务卸载   移动计算   卸载策略   目标优化  

摘要： 随着移动计算和物联网技术的普及,任务卸载在图像/语音识别、自然语言处理和车联网等领域的应用已十分广泛。有效应用任务卸载可以处理大规模的计算任务,并提高系统的计算效率和资源利用率。目前对任务卸载的研究,主要有以下两大问题:一是优化算法和卸载策略的研究仍比较理想化,二是许多任务卸载方案存在数据安全风险、任务计算也没有全面考虑协同操作。同时,随着5G普及和人工智能的出现,“云-边-端(Cloud-Edge-Device)”环境成为当前数字领域的热点话题,一定程度上解决了传统任务卸载方案存在的局限性。因此,本学位论文聚焦于“云-边-端”环境中的任务卸载方法,针对单边和集群系统,提出了不同的任务卸载优化方案。主要工作如下:(1)针对简单系统模型下任务卸载忽略边云协同、参数设置过多和优化算法运行成本过大等问题,提出了一种单边缘节点任务卸载优化方案。方案内设计了单计算接入点参与的多用户任务卸载三层框架,简单系统架构内的终端用户可以选择本地计算、移动边缘计算和移动云计算三种模式。将边缘层接收和计算数据的单元进行分割为基站和计算接入点CAP,基站负责接收端用户层的计算任务,并转发到附近的CAP进行计算处理。避免了一个单元同时处理多项事务的繁琐,且转发过程不消耗能量。方案通过0-1矩阵表示卸载策略,使用粒子群优化算法对系统的优化目标进行训练,在能耗和时延的优化上,体现出相对于单一计算方式的性能优势。(2)针对多目标任务卸载方案中存在的目标冲突、任务分配和安全性等问题,提出了一种MEC集群任务卸载优化方案。该方案通过MEC集群协助任务的分配和转发,以缓解边缘层若干计算接入点的压力。方案利用中继机制,实现任务通过基站“两跳”到达云层,确保了任务转发过程中的通信质量和数据安全。方案利用多矩阵结合得出卸载策略,使用粒子群优化算法对系统的优化目标进行优化训练,在能耗、时延以及系统损耗标准函数三个层面上,与单一计算方式进行比较,体现了本方案的性能提升。

关键词： 语音识别   说话人识别   深度学习   移动计算环境   边缘智能  

摘要： 语音信号处理方法赋予电子设备感知、分析和生成人类语音的能力,是众多语音应用软件的核心技术。智能语音助手是普及率最高的一类语音应用,能够提供设备控制、信息检索和日志记录等服务功能,在智慧家居、智慧客服、智能驾驶等领域得到广泛应用。说话人识别和语音识别方法是智能语音助手的关键技术,分别用于认证用户身份和识别用户语音内容。基于深度学习的说话人识别和语音识别方法取得了领先传统方法的卓越性能,却也消耗大量计算资源。因此,智能语音助手软件大多采用“云-端”应用架构,使用移动终端设备采集用户语音和展示处理结果,在高性能的云计算设备执行计算密集的语音处理任务。在实际应用场景中,此类应用架构难以满足用户对于泛在性、实时性和隐私安全的要求。 随着边缘智能的兴起,语音信号处理领域开始探究如何将基于深度学习的说话人识别和语音识别方法从云端迁移至智能手机、笔记本电脑、平板电脑等移动终端设备。然而,在深度学习方法的性能与移动终端设备有限的计算资源之间进行平衡并非易事。更具挑战性的是,领域偏移效应、非平稳环境噪声等干扰因素会加剧这一矛盾。针对上述难题,围绕移动计算环境下的说话人识别和语音识别方法,本文旨在协调好模型性能和计算资源消耗量,削弱干扰因素对于识别性能的不良影响,提高模型推断过程的实时性。为了达到上述目的,本文从说话人表征提取方法和流式语音识别方法着手展开研究,取得如下创新成果: (1)提出了基于多通道时频注意力的说话人表征提取器增强方法。从通道、时间和频率三个视角衡量隐状态特征的重要性,帮助说话人表征提取器聚焦重要信息。利用小型卷积和全局池化算子计算注意力权重,以轻量级的方式增强说话人表征提取器的学习能力。在该方法的基础上,针对移动终端设备,设计了一个低计算复杂度的说话人表征提取器。实验结果表明,基于多通道时频注意力的说话人表征提取器增强方法能够有效提升性能,适用于说话人识别领域的多个主流深度神经网络,具有良好的泛用性和较低的计算复杂度。设计的说话人表征提取器能够在性能和计算资源消耗之间取得更好的平衡,并且具备优异的数据处理实时性。 (2)提出了基于多域分离空间的域不变说话人表征学习方法。学习多个领域特定的说话人表征空间,将复杂的多域问题分解成多个易于解决的两域问题。在领域特定的表征空间中减小每对源域和目标域之间的Wasserstein距离,并将目标域作为锚点来拉近多个源域,提升了说话人表征对于领域偏移的鲁棒性。进一步地,利用知识蒸馏方法将域不变性从大模型迁移至小模型,在模型性能和复杂度之间取得平衡。实验结果表明,相较于现有方法,基于多域分离空间的域不变说话人表征学习方法在16种复杂的多域自适应任务上取得了更好的性能结果。 (3)提出了基于声音环境自适应的移动端流式语音识别方法。将声音环境的时频特征模式编码成低维特征向量,利用环境噪声信息优化识别性能,提升流式语音识别模型对于环境噪声的鲁棒性。构造了环境表征查找表,利用已知声音环境的表征来建模未知声音环境,提升流式语音识别模型对于新环境的泛化能力。设计了轻量级的深度神经网络,降低了方法的整体计算复杂度。实验结果表明,基于声音环境自适应的移动端流式语音识别方法在多项评估指标方面优于现有最好的方法,具备性能实用、计算资源消耗量低、实时性高的优点。 综上所述,本文围绕移动计算环境下的语音信号处理方法展开研究,聚焦于基于深度学习的说话人识别和语音识别方法,将它们的推断过程从云端服务器迁移至移动终端设备。在此过程中,本文提出了创新的解决思路和方法,一方面降低了语音信号处理模型的计算资源消耗,另一方面提升其鲁棒性和普适性。

关键词： 数据质量   弱监督学习   移动计算   深度学习   图像分类  

摘要： 近年来,随着互联网和大数据时代的飞速发展,日益增长的海量数据以及数据标注同时促进了机器学习和深度学习在各个领域的应用。数据质量是影响数据挖掘和学习算法应用的重要因素。学习算法的应用过程主要涉及三个实体:原始数据、数据标签以及目标任务。由于诸多客观因素,例如标注过程的专业性高和主观性强、海量的数据增长与高昂的标注成本以及应用场景中目标任务的多变性,在学习算法的应用过程中上述三个实体间难免存在两两失匹配情况。例如,标注过程的人为主观性将导致原始数据与数据标签的失匹配,即数据中难以避免地存在噪声标签。失匹配导致的数据低质量问题将对学习算法的应用效果带来艰巨挑战。因此缓和各种失匹配情况导致的数据低质量问题进而提高数据的挖掘利用率是一个重要的研究方向。本文的研究课题为针对失匹配情况下低质量数据的挖掘与应用,结合具体场景并针对应用过程中涉及的三个实体原始数据、数据标签以及目标任务,围绕其两两之间失匹配导致的数据低质量问题展开研究。本文的主要研究内容与贡献如下:·原始数据与数据标签失匹配:本文提出了在数据系统中针对增量数据的高效噪声标签检测方案。原始数据与数据标签失匹配即数据存在噪声标签。现有的工作往往针对采集完好的数据集进行噪声标签检测,而缺乏对增量数据场景的关注。针对原始数据与数据标签失匹配的情况,现有的工作在增量场景中有以下问题:重复训练而产生大量计算开销;难以对特定增量数据集进行针对性准确的噪声标签检测。如何在数据系统中对增量数据集进行高效的噪声标签检测仍是一个待探索的问题。本文提出了在数据系统中针对增量数据的高效准确的噪声标签检测方案,其中包括使用对比采样的细粒度噪声标签检测方法。该细粒度噪声标签检测方法同时考虑了标签概率、输出置信度和特征表示之间的关系,对于特定的增量数据集,仅需要对通用模型进行少量微调即可对增量数据集进行高效且准确的噪声标签检测。大量实验表明该方案在不同的噪声率设置下能够高效且准确地在增量数据集上进行噪声标签检测。·原始数据与目标任务失匹配:本文提出了针对类别失匹配问题下的半监督学习算法优化方案。由于受限于数据标注成本,数据系统中常常存在海量的无标签数据。半监督学习是利用少量带标签数据和大量无标签数据协同训练的学习范式。但海量廉价的无标签数据中难免存在诸多与目标任务不匹配的数据,在原始数据与目标任务失匹配的场景中,这种类别失匹配情况将会使得现有的半监督学习算法性能大幅度下降。本文提出方案用于缓和现有的半监督学习方法在类别失匹配情况下的性能下降。其主要包括三种训练技巧,熵排斥损失、批次优化以及数据重载,它们协同工作以缓和潜在的与任务无关的类别失匹配数据过度参与训练过程。与传统的半监督学习方法相比,与该方案融合的半监督学习方法可以显著缓和由类别失匹配样本参与训练引起的性能下降。·数据标签与目标任务失匹配:本文提出了基于粗粒度标签的关键活动检测方案。在实际场景中,目标任务与需求是多变的,反复采集和标注数据集通常是不现实的。对现有数据进行深入有效挖掘以及提高现有数据的利用率是其中的关键问题。在实际数据系统中,已知可用的与目标任务相关的标签可能来自于其他辅助信息,例如人机交互的智能物联网系统中的用户交互信息。针对智能物联网系统中数据标签与目标任务不匹配的情况,本文提出了基于粗粒度标签和原始传感器数据的关键活动检测方案。期望仅利用粗粒度标签与原始传感器数据即可检测关键活动的确切开始和结束时间。其中设计了一个孪生关键活动注意力网络用于学习构建传感器数据时序特征和判别任务之间的关联。通过解释深度模型的推断行为,该框架可以推断定位目标关键活动的发生区域。此外,基于提出的方法,本文设计并评估了一种用户交互友好的传感器数据标注系统,有助于大规模的传感器数据标注。

关键词： 医学影像   移动计算   移动设备   医学图像处理   磁共振成像   数据安全   人工智能  

摘要： 移动医学影像作为移动计算和医学影像结合的交叉研究领域,越来越受到学术界和产业界的关注。通过移动计算、无线网络、云计算等技术,移动医学影像扩展了传统医学影像应用的易用性和覆盖范围,在医学图像显示、分析处理和辅助诊断等方面具有较好的发展潜力。由于移动网络环境复杂、移动设备资源有限、医学影像数据量大等因素,移动医学影像相关技术还面临诸多挑战。本文从传输、存储、显示、处理、数据安全及人工智能应用六个方面,对移动医学影像关键技术的研究进展进行分类整理,在分析现有工作的基础上,探讨未来的发展趋势。

关键词： 移动计算   终端产品   处理器   天玑   联发科   高通  

摘要： 说起目前手机中的移动SoC,大家第一反应就是高通骁龙。诚然高通骁龙在产品性能、技术应用和终端产品上的确非常出色,但是这并不意味高通骁龙会一直站在巅峰而无人挑战。2022年11月,联发科发布了全新的天玑9200处理器产品,以先进的制程、强悍的规格和卓越的创新技术,登上了移动计算的性能巅峰。那么这款处理器的规格和性能究竟如何,我们来详细解读一下吧!

关键词： 联邦学习   数据安全   隐私保护  

摘要： 近年来,数据安全与隐私泄露问题日益突出,尤其随着人工智能技术的发展,移动计算模式下联邦学习中的数据安全问题受到学术界与产业界的高度关注。本文重点分析了移动计算模式下联邦学习面临的数据安全威胁及其挑战,并从数据隐私保护、模型抗拜占庭攻击、模型数据遗忘3个方面对典型的前沿技术进行了梳理。