文摘

随着传感器技术的发展,物联网技术(物联网),传感器的小型化的趋势促使包含多个传感器在物联网中,和这些传感器之间的感知反馈机制变得尤为重要,因此促进多传感器数据融合技术的发展。本文深入分析和总结了感官数据的特征和面临的新问题处理的感官数据物联网的新趋势下,深入研究了采集、存储和查询的感官数据从传感器物联网在电子商务中,并提出了一个无处不在的巨大的感官数据存储方法通过结合传感器的感官反馈机制,充分利用存储资源的物联网存储网络元素和最大限度地满足巨大的。在本文中,我们提出一个无处不在的大规模传感数据的存储方法,它充分利用物联网存储网络元素的存储资源最大化大规模传感数据的存储需求和实现负载均衡的数据存储。本文从物联网的全面发展近年来,智能信息处理的薄弱环节加强基于传感器技术的感官反馈机制。

1。介绍

物联网已经渗透到人民生活的方方面面和已广泛应用于农业、交通、工业、海洋、军事等领域。物联网技术的确带来了许多方便,人们的生产和生活。在智能的时代,人们对事物的感知的需求正在增加。职能部门而言,物联网系统可以分为应用层、网络层和感知层从上到下。感知层是物联网的核心,这是信息采集的关键部分。传感层是最基本的三层物联网的功能结构,以及它的功能是获取环境信息通过传感网络。感知层是物联网的核心是信息采集的关键部分。传感层通常是传感器的世界,这是一起由各种传感器或传感器网络控制器,如温度传感器可以感知温度,传感器可以测试CO的浓度2在空中,和广泛的传感器可以识别各种二维码标签,或摄像头,GPS和其他设备。传感层的功能类似于人类的五种感官,可以获得自然信号,主要用于收集和处理他们在一定程度上形成信息或识别对象。网络层一般分为有线和无线通信的方法和可以分为局域网,广域网,等等,从网络范围,并导致较流行的网络管理系统和云计算平台等。它类似于相当于人的神经中枢或血管,从感知层收集处理信息,从而连接感知层和应用程序层。应用程序层是最接近用户层,通过物联网和用户连接。它主要使用数据和使用数据实现用户需求和各种应用程序。如今,我们看到的各种应用程序,如重力传感器软件在智能手机,GPS设备和其他应用软件或硬件设备属于这一层。

传感层形成一个传感器网络通过各种传感器来收集和处理信号的形式为物联网服务器和用户交流的中介。这一层的核心技术包括传感器技术、计算机控制技术和射频技术。涉及到的核心产品包括传感器、传感器网络、和控制器。一些常见的传感层的关键技术如下:(1)传感器:传感器是获取信息的主要设备在互联网的事情,它可以捕捉自然的信号通过它的一些特点,定期将其转换为电信号或其他信号,这样人们可以使用这些信号有一个新的理解自然信号。(2)传感器网络:传感器网络 和构成网络系统。节点通过通信网络形成一个传感器网络,合作意识和收集准确信息环境或对象。现在,最常见的方式使用无线网络通信方法来形成一个无线传感器通信。

知觉反馈机制在面对物联网传感器团队智能感知的大数据,云计算的发展为大量感知反馈传感器存储和计算处理提供了便利和灵活性强,物联网云平台在很大程度上降低数据存储和管理的数据所有者负担。物联网的新传感器数据采集模式基于感官反馈机制和有效的数据服务模式基于云平台的物联网使参与用户“生产者”和“消费者”的数据,充分发挥大数据的潜在价值。大数据的潜在价值。然而,在每个链接的物联网团队智能传感反馈传感器数据采集、聚合、和服务,其安全和隐私问题的绊脚石,限制了更多的物联网应用的成熟发展。在新的物联网架构基于群体智慧的传感和云计算,网络的开放性,参与用户的多样性,和好奇心,甚至恶意的云平台使物联网集团智慧传感数据安全和隐私面临更多的挑战,和参与的问题用户的隐私泄漏、数据伪造、篡改和不可靠性更严重。

在新的感知和服务模型基于感知反馈机制的物联网和云计算,物联网集团智慧感知数据通过三种不同的链接的数据收集、数据聚合和数据查询服务。前端组wisdom-aware数据采集提供了中间数据源数据聚合和后端数据处理,所以解决安全和隐私问题组wisdom-aware数据收集是保证的基础数据的可靠性和服务质量的后续应用程序服务。组研究的intelligence-aware安全和可靠的数据收集,除了用户隐私保护,数据可靠性和激励机制的主要影响因素是感知数据的质量和数量,还需要解决的关键问题。

近年来,传感器数据采集压缩sensing-based反馈机制吸引了研究学者的高度重视,已成为一个研究热点。文献[1)是早期论文调查的应用CS在传感器感知反馈机制,提出一种分布式信源通道联合通信体系结构的感知数据的有效估计。然而,这种文学并没有解决的情况下多次反射沟通,所有传感器节点传输的感官在同步数据到汇聚节点,单跳通信。对于多次反射的情况下沟通,文献[2]介绍了随机访问压缩传感的水下传感反馈机制传感器地理和环境的长期监测。使用一个随机拉克斯传感、随机接入信道的方法。类似的文献,对事件检测水下传感器感知反馈机制,文献[3)统一使用一个随机抽样方法,提出了一种加权跟踪算法。验证了该方法的可行性通过压缩MicaZ传感器节点上检测机制。文献[4]CS适用于稀疏事件检测。因为大多数CS目前使用随机测量矩阵的矩阵和传感器节点的选择具有一定的随机性,作者讨论传感器节点的最优选择,引入一个确定性的传感器节点选择机制,和单独的事件检测通过2 s-gmp事件的数量,这可以减少计算负担和提高性能。文献[5]调查之间的连接传感器数据传输和CS感觉反馈机制,路由结合CS。文献[6)考虑路由设计结合CS的问题,并指出感知数据的稀疏随机测量的最短路径方法压缩数据收集是有限的。身体在能源贫瘠的无线传感器网络,文献[7]介绍了CS ECG数据的采集和压缩在一个平台上,定量分析了CS的实时和能源效率应用于心电图数据采集和压缩。在文献[8),传感器的能耗模型与感官反馈机制研究和计算机科学的能源效率从理论上分析了压缩数据采集。压缩问题的传感器数据的聚合感官反馈机制,最小生成树的投影算法和扩展的最小生成树投影算法提出了在文献[9]。每个测量选择感兴趣的节点参与CS基于稀疏随机矩阵,然后将随机投影到水槽节点通过聚合树结构来减少随机投影传输和平衡整个网络的交通负担。分布式压缩数据采集压缩数据采集的变体。分布式压缩数据采集的研究也已成为一个热门话题,由于时间和空间相关的传感器数据感知反馈机制(10]。的分布式感知反馈机制传感器的数据采集问题,文献[11)使用一个树拓扑传输数据,并使用小波基压缩感知的数据。文献[12]分析了压缩多维信号的采集,利用主成分分析和CS,共同重建多维信号,并引入了反馈控制系统的概念,使重建误差自适应的变化信号。文献[13)还描述了与压缩有关的运算重建算法以及矩阵填充技术。在文献[14],研究压缩感知的传感器与感官反馈机制进行了基于空间相关性,提出了一种基于小波变换的分布式压缩传感。大规模的感官反馈机制传感器,文献[15)比较传统的数据采集方法与压缩数据采集方法链拓扑结构,提出了一个完整的压缩数据采集方案首次指出压缩数据采集可以减少网络通信的能源消耗和平衡节点之间的能量消耗。

3所示。传感器技术的应用,基于电子商务物联网中感知反馈机制

3.1。传感器技术原理基于感官反馈机制

的排名算法与感官反馈机制存在于物联网传感器CASSARAM用户选择传感器的属性和输入每个传感器的权重属性来确保他们的总和是1,然后,欧几里得距离算法用于计算排名,排名是根据距离;该算法简单而失去一些精度;在文献[16),层次分析法用于相对几个传感器属性的权重归一化计算加权分数为传感器节点之间的依赖关系,等等,在底层物联网和排名根据分数的大小;文献[17)提出了一种相似性比较排名算法比较相似的给定传感器的输出数据与用户一段时间输出数据搜索排名。文献[18)提出了一个预测从过去的时期,使用统计数据和搜索和预测模型有助于找到匹配的传感器与最小数量的传感器数据检索。

反馈环节,传统的反馈算法大多是基于用户的拖拽,点击,满意度评级,和依赖web文本关键词为web环境的重新排序web文本。反馈算法包括基于BP网络反馈神经网络的自学习和self-grouping特征,PageRank算法,增加了网页发布时间的反馈,基于支持向量机的反馈算法,最大化的平均向量相关的结果之间的差异和nonrelevant的平均向量组合,和Rocchio算法计算最优搜索查询向量有最相似的一组相关文件和组nonrelevant文档最弱的相似的一组不相关的文档。上述物联网搜索排序反馈算法有其重点,体重和多属性排序算法基于反馈提出了创新引入了上下文感知多维属性基于传统的传感器分类多维属性和量化等多维属性定向角,距离,和轨迹重叠元素进行排序,用户在这个运动背景下的动态背景,用户运动方向和运动轨迹,在同等条件下,用户即将到来的方向附近的元素在运动背景下被认为是排名高于元素已经通过,为了更好地理解用户的搜索场景,和排名结果更符合用户的搜索意图的一个特定的运动方向(19]。以同样的方式,介绍了基于用户反馈的动态权重模型,具有自学习功能,全面分析反馈结果,动态调整用户组的多属性权重根据用户反馈,用户分类,降低了算法复杂度,保证系统计算速度,有广泛的适用性,更符合环境敏感的搜索场景,并返回给用户排名结果匹配当前的上下文信息。

在这篇文章中,上下文感知属性可分为用户上下文感知属性和传感器环境敏感属性。用户上下文感知信息的来源主要是由传感器等传感器和可穿戴设备收集用户的移动方面,和动态上下文属性信息通过用户的移动端运动轨迹向量,GPS定位等。公式中涉及结构性转变的内容如下。(1)运动跟踪的决定 显示输入向量, 用户输入起始位置和吗 用户输入目的地位置;如果没有明确的输入向量,然后实时方向移动传感器获得的信息 作为当期的运动方向,用户的当前位置的GPS信息包括纬度、经度和纬度变量,用户加速度,和用户时间表,表示为 在哪里 显示用户的态势感知信息。其中,GPS信息通常需要转换为两个地点的距离属性对于下一步的计算处理,和距离计算指的是谷歌地图经纬度距离算法如下: 运动轨迹向量之间的定量比较主要是一个余弦相似度算法,与更高的相似性表明元素更好的匹配用户集的期望轨迹,和排名更高。 (2)传感器的态势感知信息的物联网有几个类别,通常,有不同的态势感知信息在不同search-demand场景,如交通条件指数,天气,和距离。在这里,我们 描述的集合物联网传感器态势感知信息搜索条件下。在获得用户搜索输入和态势感知信息通过属性转换,系统决定了态势感知信息获得一个特定的搜索场景,从而发现其他排序属性信息的搜索类别本体模型,表示为

通常在实际应用场景中,得到最优的结果将是一个综合考虑排名的属性,最大限度地枚举所有相关因素,和排名的计算将太多的属性变量,和高变量之间的相关性,这带来了一定的影响分析和模型建立。在太多的参考属性排名的情况下,本文采用聚类分析方法来集群指标具有类似属性到相同的指标,这减少了计算和排名结果没有显著影响。聚类分析是数理统计的方法研究”聚集在一起,这是一个算法来聚集大量分成几个“集群”指标根据指定的距离。聚类分析和异形战机集群分析两类,聚类的计算方法可以分为直接聚类法,最短的距离聚类方法,最远的距离聚类方法;本文使用最远距离聚类方法,简单而直接,利用测量数据之间的距离最远的距离如下。

方法用于集群最长的距离。定义两个变量的距离

聚类后,属性参数的数量变得越来越小,最后属性信息参与分类分为三部分,用户环境敏感属性(20.]。接收服务器返回的排序结果的用户通过移动终端和执行反馈行为如点击和浏览,标记为感兴趣或不感兴趣,或执行计划活动排序的元素。移动终端的反馈模块返回用户的反馈行为到服务器,系统反馈结果的分析与计算,通过计算结果,推理对用户的偏好对于每个属性,进一步调整相应的属性。系统将反馈结果进行了分析和计算,原因为每个用户的偏好属性通过计算结果,并进一步调整相应属性的重量逐步达到一个稳定的体重范围在当前上下文分类,实现最优排序结果,最重要的是满足用户的搜索的期望。

图1显示了比较标准的高斯函数,双曲正切函数,近似的双曲正切函数 。从图可以看出1与标准相比,高斯函数和双曲正切函数,近似双曲正切函数可以更好的近似 参数化与光滑和有更好的“陡度的区间[-0.2,0.2]。也就是说,它收敛更快,精度较高的估计过程。近似的 双曲正切函数,参数化的 参数化可以近似


图1
比较标准高斯函数、双曲正切函数,近似双曲正切函数。

通过多目标优化算法基于双曲正切函数近似,知觉反馈模型可以解决全球最优,避免模型计算结果在局部最优状态,从而影响模型的准确性。传统的反馈算法通常使用最快速下降法得到下降方向;最快速下降法始于一个较大的步长,需要一个较低的初始点,但是由于锯齿现象的影响,最快速下降法只能相对迅速的方法接近最优解的区域,但收敛速度缓慢的从全球的角度来看(21),也就是说,最快速的下降方向下降法不是最快的方向,及其后裔方向如图2,所以它通常是作为优化的过程。


图2
最快下降法裔流。
3.2。应用在电子商务物联网传感器基于感官反馈机制

实现物联网的定义,电子商务需要连接的感觉反馈传感装置和互联网实现智能识别和管理,它是必不可少的物品“说话,信息发布”传感器支持;研究物联网关键技术的传感器网络是非常重要的,以下研究传感器网络。下面是一个传感器在物联网的应用程序模型(传感器或 )。在物联网感知层通常是由传感器或传感器网络,负责收集和处理数据;一些应用程序是由一个传感器,和一些需要大量的传感器,它需要一个传感器网络的形成22- - - - - -24]。通过物联网,事物之间的连通性是通常使用的模型建立 。传感器通常是负责收集信号,使用有线或无线通信方法,和控制器主要是工作信号收集和整个加工过程的控制,可以通过软件和硬件实现。物联网主题单元如图所示3。


图3
物联网主题结构图。

当一个新用户第一次进入物联网网络搜索,用户属于一个未知的用户组和用户的偏好是未知的属性权重的确定;此时,通过用户的上下文感知信息输入和用户的显示条件输入,系统将进入分级系统如图4第一个索引,地理区域层次结构,将链接到搜索类型层次结构在这种层次结构,并有多个用户组根据类型层次结构,它将包含的成分分布数量最高的用户组作为初始搜索排名体重新用户。


图4
用户层次图。

传感器数据报告基于感官的反馈机制是基于成功登记的单位。首先通过session.getAttribute()方法来获得较低的注册,存储在当前会话的设备和传感器信息。首先,确定消息包符合发送规范如果消息的协议头和数据头包不一致的结果直接通过会话通信协议设置。Write()告诉下级单位重新发送数据。如果消息包满足消息规范,它进入数据处理模块,数据处理所需的不同通信协议根据XML通信协议的路径名。数据处理是通过getResolve ManageXml()方法的类。十六进制数据获得的数据解析完成后,由DataConvert.HexStringToFloatString转化为实际数据()方法。在这种方法中,默认读取数据区域在每一个2字节,和第一位的数据转换为二进制数据表明积极的和消极的数据,保留两位小数。不同类型的传感器数据在存储设备终端不同的地址寄存器,和用户设置自定义通信协议时具体的地址分配。当用户添加设备信息和传感器信息通过网络平台,注册对应的地址相关联的传感器和存储在数据库中。 When the sensor data is reported and parsed by the custom communication protocol, the corresponding sensor information will be obtained based on the register address information in the data area to reduce the dimensionless sensor data to physical data with units. Finally, through the save() method in MangerHelper, the data is saved to the database through the data service class to achieve persistent operation. The visualization of the real-time data on the website is performed by the Datagrid() method, just like the visualization methods of other modules of the web management platform.

4所示。实验验证和结论

4.1。实验验证

假设不同的传感器具有不同特点,包括空气质量传感器,温度和湿度传感器、个人手机,流量传感器检测设备,传感器检测路况,传感器可穿戴设备、研究机构和传感器设备,连接到传感器网络中,传感器提供的服务的成本与不同的特征是不同的,重要的是寻找传感器,满足用户的需求的大规模传感器网络和考虑物联网的效率最大化。寻找传感器,满足用户的需求在广阔的传感器网络,考虑物联网的效率,最大化具有重要意义精确等级传感器传感器信息应用于各种场景。本章着重于多属性排名算法的仿真实验基于权重的反馈。排序算法在本文提出可以解决多属性排序问题在动态背景下,主要指的是多属性分类问题中用户的运动轨迹和运动方向,例如,使用物联网汽车租赁类的问题,当用户进行充电电动汽车租赁和选择,有几个选项在实体世界,和用户等综合因素考虑距离,电动汽车电力、时间和运动轨迹,得到分类结果。例如,连续搜索问题,用户需要进行活动和活动B的需求;然后,他必须寻找一个能满足需要的活动第一次和活动在另一个时期的需要,同时考虑到运动的方向或目的;这种情况下需要考虑的多属性排序,然后,例如,路线规划问题,用户确定路线的方向,有很多选择的路线,有必要综合上下文因素和传感器属性因素获得综合排名结果,等。本文提出的排名算法考虑这种类型的上下文中的属性信息全面、智能和充分调查和计算用户的上下文和搜索意图。集团提供最优排序的结果。通过搜索多维属性数据在一个特定环境中,数据处理,修改,并在数据库中匹配,然后聚集和语义标记,使后续的应用程序和数据的后处理。

排名策略研究可以解决多属性排名问题在动态环境中与运动方向、运动意图,或运动轨迹,如租车类型问题,路线规划问题,连续搜索问题。在这个模拟过程中,由于有限的数据来源,搜索上下文考虑这是搜索和排序的充电桩在汽车租赁的问题。本文仿真设计场景,用户需要收取车辆租赁电动汽车后,执行和排序计算收费的股份所代表的元素数据,并进行多属性排序计算基于多维传感器和上下文属性,属性权重和属性值计算,最后,排序是根据执行排序得分。在这个搜索上下文,目的地是去汽车租赁,租赁期间,乘客的数量设置系统,而系统得到隐式上下文属性信息,如用户的当前位置,时间表,和加速度。系统获取相应的传感器组上下文信息和传感器属性信息从数据库根据用户上下文属性设置,包括汽车的力量属性,电池容量属性,在租赁网络充电桩信息,索引和天气和交通条件。属性信息是被认为是超过20维属性。

当传感器数据通信系统接收到帧的数据,法官的功能信息根据通信协议的主要功能代码,如果是注册数据或活跃的查询请求,它等待消息被处理,这样的处理结果可以返回后立即处理的消息。如果它通常报告数据,它立即回答了接收的数据,并通知下电脑,它可以继续发送数据,当打开一个新线程来完成这项数据持久性保存异步工作,在不影响交流的正常运行线程。服务器可以继续接收消息,打开新线程,直到达到最大数量的线程。

在实际应用程序中,经常有干扰源,如建筑领域的WSN-based定位监测、和未知节点与信标节点不能正常沟通,影响定位精度和定位的未知节点的可靠性。移动灯塔需要确定和通知等非可视范围干扰引起的干扰来源建筑,即。,mobile beacons need to identify the interference sources and their ranges normally during the moving process and successfully travel around the obstacles to ensure that the unknown nodes near the obstacles can obtain sufficient positioning calculation information on the one hand and inform the unknown nodes near the obstacles to correctly identify their neighboring beacons, on the other hand, to avoid increasing the positioning deviation due to incorporating the wrong beacon information into the computation, which increases the bias of localization. Many algorithms are now available to analyze the interference of NLOS in multiple directions, which can be divided into two main types, namely, comparing the models of line-of-sight environment LOS and non-line-of-sight environment NLOS, reconstructing the line-of-sight propagation model and weakening the influence of non-line-of-sight environment on localization by using filtered weighted least squares, residual weighting, hidden Markov model, and cooperative localization.

4.2。实验的结论

集 , ,和 dB,模拟和比较定位效果使用六个算法BP, OMP, SL0, ANSL0, AHSL0, ISAMP,分别;程序运行200次,平均价值是,定位结果如图5。从图5,可以看出SL0 ANSL0 AHSL0,英国石油(BP)和ISAMP算法有很高的定位精度和更好的定位效果,虽然经济更大的定位偏差,需要知道稀疏和可怜的定位性能。


图5
定位效果不同算法之间的差距。

五种算法的性能进行比较和分析不同信噪比下,和传感器的数量 和数量的目标 满足的要求 。在 dB, AHSL0算法的性能与SL0算法相比提高27%,9%与ANSL0相比,与OMP算法相比,59%和18%与BP算法相比,这表明AHSL0具有良好的抗噪声能力和良好的定位精度。AHSL0具有良好的噪声免疫力和定位精度。结果在图6表明AHSL0算法平均定位误差的变化少 dB,平均定位误差小于1米 ,这进一步显示了其噪声的不敏感性。


图6
五种算法的性能比较。

平均运行时间和平均定位误差TMSE五算法 , ,和 dB,相同数量的测量,改进后的算法有一些操作时间和准确性,改善和AHSL0算法仍然有时间与OMP算法相比,优势和定位误差远低于OMP算法,它有效地提高了定位与BP算法相比,AHSL0算法的计算复杂度降低,定位时间缩短1 - 2个数量级,并实时定位性能更好。与SL0和ANSL0算法相比,AHSL0更准确和收敛更快,这表明,近似双曲正切函数的混合优化算法有效地解决了“锯齿”现象下降最快的方法,加快了收敛速度,提高了收敛精度。图7显示的效果上的传感器数量平均定位误差为10 dB和定位目标的信噪比。从图可以看出7平均定位误差随传感器的数目的增加,平均定位误差小于1米 ,和定位结果接近真实的位置。当 (4 K - 6 K),平均定位误差小于0.5米,和更精确的定位结果。


图7
比较不同的定位错误 用例。

为 和 dB,仿真分析了目标的数量对定位结果的影响。图8显示了平均定位误差曲线与目标的目标的数量从10到20。结果表明,定位误差随目标的数量增加,OMP算法有更高的错误当目标的数量很大,和定位性能差,而SL0 ANSL0, AHSL0算法比OMP算法。AHSL0算法与BP算法相比,具有更好的定位性能,当目标的数量 。可以看出AHSL0定位算法更有利当目标的数量很大。如图8,成功的概率定位与目标的数量的增加,减少和AHSL0算法有更高的概率比ISAMP成功的定位算法在低信噪比的情况下。ISAMP算法的平均运行时间是0.0114秒,这是大大超过AHSL0的算法。


图8
信噪比的变化重建信号与原始信号的迭代次数。

电子商务物联网战略的设计和实现基于传感器技术与感官反馈机制可分为三个主要部分,即移动、服务器和数据库,从工程实现的角度来看,和三个主要功能,即用户信息管理、传感器信息管理和事件管理,从功能模块分类。结合这两种分类角度,工程设计和实现物联网搜索和排序平台的详细介绍,以及搜索和排序工程在一个特定的上下文是用户友好的界面截图的形式,从而验证可用性的动态反馈多属性排序策略。

5。结论

与传统的互联网搜索服务相比,数据异构性,大量的数据特征,时空特征、物联网和动态性质确定物联网搜索服务面临更加巨大的挑战。在物联网搜索排名的问题是一个关键,极其困难的问题要解决。在本文中,我们研究了传感技术的基础上,感性的知觉反馈机制和执行一些优化反馈结果进行全局最优排序,使排名结果中的错误的问题。通过分析用户的搜索需求在特定情况下,一套完整的算法的知觉反馈机制形成,这是足以应对各种复杂的情况中遇到物联网的应用。

本文通过研究多属性排序算法的各个方面与反馈在物联网搜索权重,提出了一种分布式两级物联网搜索服务架构,快速筛查和准确提出了多属性排序策略排序链接,和属性的权重排序的自学习和调整反馈,主要来自以下几方面。

第一,物联网的数据特点进行了研究,现有的物联网搜索引擎的服务架构是调查,和分布式两级搜索服务架构提出和分析了这种排序策略的特点。输入的搜索排名也,这是包括用户显式输入和隐式上下文信息输入,和IoT-aware本体模型的数据在这个排名策略介绍了。

其次,解决感性的问题反馈机制的用户与特定的运动轨迹和方向,创新引入上下文感知多维属性,包括几个维度的用户上下文感知属性和传感器环境敏感属性,以更好地确定当前上下文搜索排名和搜索用户的意图,同时,结合搜索排名上下文的动态特性,提出了基于反馈的动态权重模型。它解决了问题,传统的物联网搜索用户必须输入的输入属性权重和排名模型自动调整,能够在不同的搜索排名上下文解决排名问题。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

我们声明,没有利益冲突。