Sep, 2023

辅助生活环境中传感器位置优化的灰箱贝叶斯优化

PDF
TL;DR基于灰盒贝叶斯优化和仿真评估，我们提出了一种新颖的、样本高效的方法，在任意室内空间中找到高质量的传感器布置，用于可靠的跌倒检测、室内定位和活动识别。通过捕捉关于活动空间分布的专业知识，并将其纳入到贝叶斯优化的迭代选择查询点过程中，考虑了两个仿真室内环境和包含人类活动和传感器触发的真实数据集，我们展示了相对于现有的黑盒优化技术，我们提出的方法在识别高质量传感器布置方面表现更好，在 F1 得分方面实现了准确的活动识别，同时还需要更少的昂贵函数查询次数（平均减少了 51.3%）。
发现论文，激发创造
  • 连续空间自适应传感器布置

    本文提出了一种新的传感器放置问题的建模方法，在连续型赌臂问题框架下通过 Thompson sampling、Bayesian 直方图等方法进行求解，并使用模拟实验验证了本方法与其他竞争算法相比具有更低、更稳定的贝叶斯遗憾值。

    May, 2019

  • 复杂环境中高效稳健的传感器布置

    在复杂环境中，我们解决了高效和无障碍监视或通信的问题，通过使用最少数量的传感器覆盖环境，并考虑对传感器故障或对抗性攻击具有鲁棒性的解决方案。我们提出了一种贪婪算法来实现多覆盖约束的最小传感器集设计目标，并探索了使用深度学习技术加速贪婪算法中目标函数的评估。神经网络的训练揭示了数据的几何特性显著影响网络性能，特别是在最后阶段。通过考虑这些特性，我们讨论了使用贪婪算法和 ϵ- 贪婪算法生成数据的差异及其对网络的鲁棒性的影响。

    Sep, 2023

  • 基于贝叶斯过滤技术的基于 RFID 的室内空间查询评估

    本研究提出了基于贝叶斯滤波理论的室内数据定位算法和两种跟踪模型（室内步行图模型和锚定点索引模型），以评估采用 RFID 原始数据的室内空间查询，最终验证了方法的有效性和可行性。

    Apr, 2022

  • 一种用于传感器基于的人体活动识别的最佳传感器位置实时人体姿势估计方法

    通过使用从目标活动的视频记录中得出的实时 2D 姿势估计派生的得出骨架数据，本文引入了一种解决这个问题的新方法，为识别最佳传感器位置提供了一种独特的策略。我们通过进行可行性研究验证了我们的方法，将惯性传感器应用于监测十个被试者的 13 种不同活动。我们的发现表明，基于视觉的传感器放置方法与传统的深度学习方法提供了可比较的结果，从而证明了它的有效性。该研究通过提供一种轻量级的、设备上的解决方案来确定最佳传感器位置，从而改进了数据匿名化，支持多模态分类方法，显著推进了人体活动识别领域。

    Jul, 2023

  • 多层智能环境下多用户个性化智能辅助生活室内定位

    作者提出了一种多功能跨学科框架，用于基于概率推理的数学方法对个体用户进行建模，机器学习对用户特定的用户交互进行建模，以及引入了渐进提升和 AdaBoost 算法等多个算法以实现室内定位。该框架引入了两种新功能，可为室内定位提供语义上下文，并在收集了 254 个室内区域的五层楼内的 18 个不同用户的大量数据集的基础上进行了测试。实验结果表明该模型的室内定位始终比传统模型更准确。

    Jul, 2022

  • 主动监测空气污染的贝叶斯优化

    空气污染是全球死亡率的领先原因之一，而新的低成本传感器可以更高效地监测，层次模型可改进 Bayesian 最优化方法来解决地面污染监测布置问题。

    Feb, 2022

  • 概率方法在具有预算约束的黑盒二进制优化中的应用：传感器布置

    我们提出了一种完全概率化的方法，用于解决具有黑盒目标函数和预算约束的二值优化问题。

    Jun, 2024

  • 一种简单且经济的设计用于现实世界中的环境辅助生活系统的跌倒检测和室内定位的开发：概念验证

    提出了一种成本 - effective、简化的环境辅助生活系统设计范例，该系统可以在现实世界中同时捕捉用户 ADL 行为的多模态组件，以实现在 ADL 过程中的跌倒检测和室内定位。通过与其他研究的比较，证明了该系统的有效性、创新性和成本优势。

    Jul, 2022

  • 基于贝叶斯优化的安全导航在本地化不确定性下的应用

    本文介绍了一种基于高斯过程模型的贝叶斯优化方法，能更好的识别安全的地形，解决了移动机器人在荒野独立行走中的定位不确定性问题。

    Sep, 2017

  • 优化多覆盖感知网络设计

    传感器布置优化方法研究广泛，但很少有研究考虑到传感器网络在传感器故障或对抗性攻击方面的鲁棒性和效率。本文通过优化寻找最少数量的传感器来实现预定数量传感器对非连通域进行多次覆盖，从而解决了这个问题。我们提出了一种新的目标函数用于贪婪算法设计高效而鲁棒的传感器网络，并推导出了网络的可优化性的理论界限。我们进一步引入了一个深度学习模型加速算法以进行近实时计算。该深度学习模型需要生成训练样本，相关地，我们展示了了解训练数据集的几何属性对深度学习技术的性能和训练过程提供了重要见解。最后，我们展示了使用较简单目标的简单并行贪婪方法可以具有很高的竞争力。

    May, 2024