物聯網環(huán)境下智能應用的信息支持和決策技術研究

李凌霞++李冰冰++王建

摘 要：針對物聯網海量信息的特點及信息處理所需解決的關鍵問題，文中分析了物聯網信息處理的主要技術方法和信息處理過程中的信息決策方法，根據現有研究成果，指出了物聯網信息支持和決策技術所面臨的挑戰(zhàn)、研究的熱點領域和進一步的研究方向。

關鍵詞：物聯網；信息處理；信息融合；決策技術

中圖分類號：TP216 文獻標識碼：A 文章編號：2095-1302（2017）10-00-04

0 引 言

物聯網利用射頻識別裝置、無線傳感器、紅外感應器等信息傳感設備，運用各種接入技術將物與物、人與物通過網絡設施互聯，實現對物體的識別、感知、監(jiān)測、跟蹤，最終實現具體應用領域的智能管理與控制[1]。隨著物聯網廣泛應用于生產生活中，物聯網系統(tǒng)規(guī)模越來越大，各種感知設備產生了海量異構信息，使得資源共享、數據分析和挖掘難以實現。以智能居家養(yǎng)老為例，系統(tǒng)的健康監(jiān)測、家電控制、室內環(huán)境監(jiān)測、安全監(jiān)控等傳感設備隨時會產生大量異構數據，并存在結構化數據、半結構化數據及非結構化數據，如何借助信息處理技術，將這些信息高效地存儲起來，以便通過數據分析、數據挖掘的手段發(fā)現有用信息，為應用領域的智能決策提供信息支持，成為物聯網領域研究的重要內容。

國內外學者對物聯網信息處理技術進行了深入研究，在物聯網信息支持和決策技術方面取得了一定成果。本文對物聯網信息處理技術的主要方法和基于云計算的信息處理技術進行了分析，探討了物聯網信息處理研究的熱點領域。通過對信息處理過程中的決策方法的研究，分析了現有的研究成果，指出了物聯網信息支持和決策技術所面臨的挑戰(zhàn)、研究的熱點領域和進一步研究的方向。

1 物聯網信息處理概述

物聯網應用領域廣泛，通過運用各種無線傳感設備、智能嵌入設備、視頻攝像設備等采集信息，設備種類繁多且不斷變化，信息傳輸易受外界因素影響，因此物聯網信息具有海量、多源、異構、冗余、有噪聲、時間序列相關、地理位置分散等特點[2]。數據的組成包括結構化數據（如設備信息、用戶信息等）、半結構化數據（如XML數據）、非結構化數據（如圖片、音頻數據、視頻數據等）。因此物聯網應用中信息處理需要考慮以下幾個關鍵問題：

（1）信息的數據結構易擴展，滿足物聯網應用不斷發(fā)展的需要，能適應數據多源、異構、數據類型多樣的特點。

（2）海量物聯網數據在有限、固定存儲能力的情況下，能夠保證信息快捷高效地存儲，便于快速決策。

（3）物聯網采集數據的設備精度不一致，信息傳輸也易受外界影響，需要排除數據的冗余和噪聲，提高信息的精確性和可靠性。

（4）有利于物聯網規(guī)?；l(fā)展，對傳感設備所采集的信息，通過信息處理技術獲得多維的特征信息，提高了信息的完整性，支持不同的應用。

2 信息處理技術分析

信息處理的目的是將物聯網傳感設備所采集的信息，通過建立特定的信息空間，完成信息從輸入到具體應用的轉換；再經過信息量化，從海量信息中選擇與應用密切相關的信息，過濾掉不相關的傳感信息，實現信息的選擇；最后對信息進行優(yōu)化處理，從而獲得更加準確的目標數據或決策所需信息。目前，物聯網信息處理技術研究主要包括兩方面，即信息融合和基于云計算的信息處理。

2.1 信息融合

信息融合技術本質上是模仿大腦綜合分析信息的過程[3]，在物聯網中主要解決多源異構信息的整合，消除信息冗余和噪聲，提高信息的精確度和可信度，提取可操作的知識，促進不同應用的有效數據分析和挖掘決策。目前，國內外學者對物聯網信息融合主要在以下幾方面進行研究：

（1）利用數學方法和人工智能理論，將信息融合在數據級融合、特征級融合、決策級融合三個層次上開展；

（2）利用語義技術，將具體應用的物聯網感知層原始信息轉化為具有語義的結構化數據，使機器可理解和操作；

（3）解決物聯網中異構系統(tǒng)集成和互操作的問題。

2.1.1 人工智能理論在信息融合中的應用

文獻[4]對數據級融合、特征級融合和決策級融合三類信息融合技術原理、適用領域及技術差異進行了評述，指出了利用人工智能理論進行信息融合過程中存在的問題和挑戰(zhàn)。文獻[5]在分析信息融合面臨的問題與挑戰(zhàn)時， 總結了近10年來信息融合技術的進展歷程，探討了未來幾個可能的研究發(fā)展方向。本文在文獻[4，5]的基礎上總結了信息融合領域的主要人工智能方法，及在物聯網應用中需要解決的問題，面臨的挑戰(zhàn)和進一步的研究方向。

目前主要的人工智能方法包括貝葉斯估計、證據理論推理、模糊理論、神經網絡、專家系統(tǒng)、多Agent理論，這些方法占信息融合算法應用的80%，另外卡爾曼濾波、遺傳算法、粗糙集、支持向量機等也有應用。

（1）貝葉斯理論是基于概率論、圖論解決不確定性或隨機性的信息表達和推理的方法[6]，根據經驗設定先驗概率，求取后驗概率，需要收集所有的先驗條件概率。概率公式的精度依賴于先驗概率假設集的有效性，適用條件比較苛刻，通用性差。

（2）證據理論推理是一種重要的不確定性推理理論，可以處理信息的不確定性和多義性[7]，但各證據中的概率分配函數的確定需要人為設定，而證據理論的判別準則沒有統(tǒng)一的一般性理論，通用性較差。

（3）模糊理論通過構造隸屬函數來描述不完全的、不確定的信息，利用模糊規(guī)則庫建模進行數據處理。構造隸屬函數是人為設計的，同時權重的選擇也有一定的主觀性，因此，如果選擇不當會影響準確性[8]。

（4）神經網絡是對人腦神經系統(tǒng)的模仿，具有自主學習新知識和自推理能力，通過神經元節(jié)點對大量信息進行融合。從數據容量和處理速度來看，深層神經網絡在應對物聯網海量數據和處理復雜任務時有更優(yōu)的效果[9]。

（5）專家系統(tǒng)主要由知識庫、推理機、數據庫、解釋器、接口等組成，專家系統(tǒng)具有并行與分布處理、多專家系統(tǒng)協同工作、自主學習和推理能力，目前大多數智能決策系統(tǒng)都基于專家系統(tǒng) [10]。endprint

（6）多智能體在分布式人工智能領域有廣泛的適用性，多智能體相當于多個“子程序”間的調用[11]，可以完成對異構信息的收集、處理和融合。多智能體與粗糙集、神經網絡理論結合，是信息融合中重要的智能信息處理方法，具有推理決策能力。

侯可佳等人[12]提出基于貝葉斯分類器的模擬退火算法進行信息融合，提高信息的正確性和完整性。陳景年等人[13]通過構建魯棒貝葉斯網和利用統(tǒng)計量x2構建貝葉斯網，來刪除不完整性數據的冗余屬性，提高數據處理的準確率。李艷娜等人[14]將證據理論與本體論相結合，提出了基于證據理論的上下文本體建模及不確定性推理方法，使得推理模型具有自適應性，解決了證據理論產生證據沖突的局限性問題。張秋等人[15]提出一種基于證據理論和模糊算法的多傳感器數據融合方法，利用模糊集的隸屬函數確定各傳感器所測信息的可信度，再通過D-S證據合成，辨別測量精度較高的傳感器，以此來提高信息融合精度。宗華等人[16]提出將專家系統(tǒng)嵌入神經模糊推理系統(tǒng)中，專家系統(tǒng)可實現動態(tài)調整模糊神經網絡的結構，在模糊隸屬函數的選擇上加入專家系統(tǒng)，實現適應度、隸屬度函數的自適應調節(jié)，提高了置信度估計模型的可信度、準確度。曹一家等人[17]結合分布式多智能體技術，提出利用多智能體集成感知信息，采用D-S證據理論多智能體集成進行決策級融合，得到最終決策結果，完成大規(guī)模電網的故障診斷。

采用人工智能方法進行信息融合解決了面向具體應用的信息處理，在實際應用中可以通過多種智能方法的結合進行信息融合，可以有效規(guī)避單一算法存在的弊端，達到更好的信息處理效果。但不同系統(tǒng)應用依然存在信息異構性等問題，對物聯網規(guī)?；l(fā)展還不能實現系統(tǒng)間的信息互操作。

2.1.2 語義技術在信息融合中的應用

語義技術通過語義描述和標記技術實現感知設備信息的描述和處理[18]，基于傳感數據語義環(huán)境上下文進行信息融合，將物聯網感知層的原始信息轉化為具有語義的結構化數據，使機器可理解和操作；另一方面物聯網要實現規(guī)?；l(fā)展，面對各系統(tǒng)間感知信息的異構和孤立問題，利用語義技術解決異構系統(tǒng)集成和互操作問題。

丁亞飛等人[19]利用語義物聯網中的語義協同方法，推理語義節(jié)點之間的關系，使語義網絡具有自適應性，可自適應服務需求的變化。吳學華等人[20]提出了一種基于多個領域本體及鏈接開放數據的語義互操作方法，通過為傳感器數據添加語義，采用本體實體表管理同一領域本體來規(guī)范統(tǒng)一本體，可以較好地實現多領域的語義互操作。Gary Berg等人[21]提出基于認知的自主態(tài)勢分析Agent體系結構，利用Agent建立多層次本體，從不同的本體模塊生成擴展本體的新類別以改進本體，語義技術基于改進的本體論可更好地進行語義推理。

當前物聯網中語義技術都是針對具體應用的解決方案，還沒有建立不同應用領域的語義模型參考標準，定義的語義結構不同而無法實現不同系統(tǒng)間的信息互操作，物聯網要實現規(guī)?；l(fā)展，需解決異構物聯網系統(tǒng)間語義的一致性問題與異構系統(tǒng)的互操作問題。語義互操作是物聯網信息處理研究的熱點內容之一，用來解決物聯網規(guī)模化發(fā)展中的“信息孤島”問題。

2.2 基于云計算技術的信息處理

基于云計算的信息處理主要利用虛擬化技術，即利用設備虛擬化、網絡虛擬化和云平臺虛擬化[22]，通過虛擬化設備用不同的信息處理技術對一個傳感設備所采集的信息進行處理，得到不同的特征信息，支持不同的應用；通過物聯網網絡資源虛擬化實現分布式控制傳感設備節(jié)點，避免單點故障，還可實現傳感數據面向多個應用的信息共享。平臺虛擬化在以云為中心的物聯網中可以為用戶不同的應用需求提供數據，用戶無需關心數據的融合問題。于心俊等人[23]通過虛擬多傳感器數據得到不同特征的信息，采用D-S證據理論對數據進行信息融合，以對糧食存儲過程中的霉變、蟲害等進行預測。李敬兆等人[24]設計了自反饋BP神經網絡算法進行信息融合，在云平臺層運用該信息融合算法進行故障診斷，避免了由于單個傳感器采集的信息不能完全準確地反映真實狀態(tài)的弊端。亓開元等人[25]提出利用云計算的核心技術——MapReduce編程模型，解決大規(guī)模傳感數據和歷史數據的數據流實時處理需求同計算、存儲能力不足的矛盾，通過數據預處理、分布緩存和復用中間結果的方法進行數據流本地化處理。M'arcio Miguel Gomes等人[26]利用云計算的虛擬化技術構建用于接收和存儲過濾數據的中間件，重構物聯網的基礎設施，通過多線程編程算法，實現物聯網的實時通信和資源的可擴展。Mohammad Amin Taherkhani等人[27]提出在云平臺上布置Web應用，實現網絡資源虛擬化，針對具有私有性的應用設計算法實現信息處理。

利用云計算技術進行信息融合，可以為用戶不同的應用需求提供數據，支持不同的應用，還可實現傳感數據面向多個應用的信息共享，可更好地解決物聯網規(guī)?；l(fā)展問題。但目前云計算的核心技術基本掌握在微軟、Google、Amazon等國外公司，而主流開源平臺Hadoop、Nimbus等技術基于Linux平臺實現，且我國大多數物聯網應用系統(tǒng)是基于Windows平臺開發(fā)的，因此我國利用云平臺實現物聯網信息處理依然存在技術挑戰(zhàn)。

3 決策技術

物聯網應用中依據信息處理過程相應有兩個方向的應用系統(tǒng)決策方式，一方面是應用人工智能的方式在進行信息融合的過程中建模，在模型中采用相應的人工智能算法進行決策，或者采用語義技術進行信息融合，構建基于語義上下文的決策模型。另一方面是基于云計算平臺，通過構建面向具體服務的信息決策模型實現信息決策。

楊斌等人[28]對物聯網海量多維信息按需采集的決策問題進行研究，利用遺傳算法對物聯網在多重狀態(tài)下構造網絡子網，進行多目標最優(yōu)化求解建模，以均衡節(jié)點信息量和傳感網絡傳輸需求，實現按需采集。馮建周等人[29]從語義入手構建物聯網本體模型，基于關聯數據方法構建以行為關聯模型和資源關聯模型為核心的物聯網語義關聯網絡，提出一種基于事件的推理算法實現語義推理，從而更好地實現基于語義上下文的智能決策。胡東濱等人[30]將本體技術與云計算技術相結合，構建了基于云平臺環(huán)境的決策問題分析服務框架，有效提高了基礎資源共享和知識的重用性，為決策分析提供服務。徐楊等人[31]構建了基于語義的物聯網信息資源描述、推理和應用模型，利用多智能體系統(tǒng)實現從物聯網中準確定位具體傳感器，實現獲取信息、信息融合、信息決策的系統(tǒng)。endprint

目前，物聯網應用都是面向具體應用的小規(guī)模物聯網，對于每一種具體應用需開發(fā)相應的應用平臺、信息處理和存儲系統(tǒng)，物聯網規(guī)?；l(fā)展依然存在系統(tǒng)異構、信息異構的問題。構建開放性平臺[32]（如facebook），通過開放應用程序的編程接口，將平臺上的數據資源開放提供給第三方開發(fā)者，將有助于實現物聯網規(guī)?；l(fā)展，應用開放性的平臺為多用戶提供信息支持和決策將成為物聯網的研究熱點。

現在主流數據庫技術有關系型數據庫和非關系型數據庫技術兩類[33]，關系型數據庫經過30多年的發(fā)展技術成熟，具有強大的信息決策功能，但其數據結構的可擴展性差，物聯網數據存儲目前主要采用關系型數據庫技術。非關系型數據庫（如MongoDB）采用數據結構可擴展的數據模式，更適用于物聯網中大量文本、圖片等半結構化、非結構化數據的存儲與管理，非關系型數據庫將作為物聯網的信息支持和決策技術研究的熱點。

4 結 語

本文重點分析了基于人工智能理論、語義技術和基于云計算的物聯網信息處理技術，通過對信息處理技術所取得成果的分析，探討了物聯網信息處理研究的熱點領域；討論了物聯網應用中依據信息處理過程的信息決策方法及其所取得的成果，指出了物聯網信息支持和決策技術所面臨的挑戰(zhàn)和進一步的研究方向。

參考文獻

[1]周開樂，丁帥，胡小建.面向海量數據應用的物聯網信息服務系統(tǒng)研究綜述[J].計算機應用研究，2012，29（1）：8-11.

[2]胡迎新，馬新娜，鄭麗娟.物聯網數據管理研究[J].智能處理與應用，2014，4（4）：79-82.

[3]陳科文，張祖平，龍軍.多源信息融合關鍵問題、研究進展與新動向[J].計算機科學，2013， 40（8）：6-13.

[4]王洪波.物聯網信息融合技術及存在的問題研究[J].計算機應用研究，2013，30（8）：2252-2255.

[5]潘泉，王增福，梁彥，等.信息融合理論的基本方法與進展II[J].控制理論與應用，2012， 29（4）：599-615.

[6]明安龍，馬華東，傅慧源.多攝像機監(jiān)控中基于貝葉斯因果網的人物角色識別[J].計算機學報，2010，33（12）：2378-2386.

[7]李冬梅，林友芳，黃厚寬，等.基于證據理論的本體不一致性度量方法研究[J].計算機研究與發(fā)展，2013，50（3）：559-567.

[8]曹科寧，王永恒，李仁發(fā)，等.面向物聯網的分布式上下文敏感復雜事件處理方法[J].計算機研究與發(fā)展，2013，50（6）：1163-1176.

[9]焦李成，楊淑媛，劉芳，等.神經網絡七十年：回顧與展望[J].計算機學報，2016，39 （8）：1697-1716.

[10]余國雄，王衛(wèi)星，謝家興，等.基于物聯網的荔枝園信息獲取與智能灌溉專家決策系統(tǒng)[J].農業(yè)工程學報，2016，32（20）：144-152.

[11]郭清，夏虹，韓文偉.物聯網的壓水堆CRDM故障信息融合方法分析[J].哈爾濱工業(yè)大學學報，2015，47（3）：83-87.

[12]侯可佳，黃軍，白曉穎，等.一種位置服務測試數據生成技術研究[J].計算機學報，2016，39（11）：2161-2174.

[13]陳景年，黃厚寬，田鳳占，等.用于不完整數據的選擇性貝葉斯分類器[J].計算機研究與發(fā)展，2007，44（8）：1324-1330.

[14]李艷娜，喬秀全，李曉峰.基于證據理論的上下文本體建模以及不確定性推理方法[J].電子與信息學報，2010，32（8）：1806-1811.

[15]張秋，孫順遠，梁小凡，等.基于FS-DS的信息融合方法及其應用[J].計算機工程，2013， 39（5）：48-52.

[16]宗華，宗成閣，于長軍，等.多傳感器信息融合NFE模型的研究及應用[J].電子與信息學報，2010，32（3）：522-527.

[17]曹一家，劉毅，高振興，等.一種大規(guī)模電網故障診斷的多智能體信息融合模型與方法[J].電力自動化設備，2010，30（7）：14-18.

[18]袁凌云，王興超.語義技術在物聯網中的應用研究綜述[J].計算機科學，2014，41 （S1）：239-246.

[19]丁亞飛，李冠宇，張慧.語義物聯網中基于語義空間的語義協同方法研究[J].計算機應用與軟件，2016，33（2）：1-6.

[20]吳學華，史一民，李冠宇，等.語義物聯網中一種多領域信息互操作方法[J].計算機應用研究，2016，33（9）： 2726-2730.

[21] Gary Berg-Cross，Wai-Tat Fu，Augustine Kwon. A Cognitive-based Agent Architecture for Autonomous Situation Analysis[J]. ACM，2007（8）：162-167.

[22]王峰.物聯網數據處理若干關鍵問題研究[D].長春：吉林大學，2016.

[23]于心俊，喬瑞林，王艷芳.基于虛擬多傳感器信息融合的糧情預警系統(tǒng)[J].自動化與信息工程，2008，29（4）：1-3.

[24]李敬兆，鄧繪梅.自反饋BP網云計算信息融合算法及應用[J].華中科技大學學報，2012， 40（SI）：316-319.

[25]亓開元，趙卓峰，房俊，等.針對高速數據流的大規(guī)模數據實時處理方法[J].計算機學報，2012，35（3）： 477-490.

[26] M arcio Miguel Gomes， Rodrigo da Rosa Righi. Future Directions for Providing Better IoT Infrastructure[J]. UbiComp14 Adjunct.ACM ，2014，9：51-54.

[27] Mohammad Amin Taherkhani， Ryoma Kawaguchi. An IoT based Parking Reservation Service for Smart Cities[J]. ACM ，2016（5）：24-25.

[28]楊斌，李軍軍，郝楊楊.物聯網海量多維信息的按需采集決策問題研究[J].計算機工程，2013，39（3）： 111-117.

[29]馮建周，宋沙沙，孔令富.物聯網語義關聯和決策方法的研究[J].自動化學報，2016，42 （11）： 1691-1700.

[30]胡東濱，曾釗偉.基于本體的“兩型社會”建設決策問題分析的云服務框架[J].計算機應用研究，2015，32（1）： 35-40.

[31]徐楊，王曉峰，何清漪.物聯網環(huán)境下多智能體決策信息支持技術[J].軟件學報，2014，25（10）：2325-2345.

[32]陳文藝，閆灑灑，宋亞紅.基于MongoDB的物聯網開放平臺數據存儲設計[J].西安郵電大學學報，2016，21（2）： 78-82.

[33]李廷力，李宏宇，田野，等.物聯網存儲模式與方案研究[J].計算機應用研究，2013，30（11）： 3201-3208.endprint