17、智能设备优化与边缘计算分类算法研究

智能设备优化与边缘计算分类算法研究

1. 智能设备优化模型

在当今科技飞速发展的时代，智能手机和智能手表等设备已经成为人们生活中不可或缺的一部分。这些设备的传感器能够收集大量的数据，可用于识别人类活动以及诊断某些疾病。为了更好地利用这些数据，研究人员采用了基于多级的优化模型。

研究中收集了来自四个传感器的实时数据，对这些数据进行预处理并转换为图。接着，使用DSA算法识别每个子图的最佳枢轴点，再通过ALO算法在动态数量的子图中找到最优子图。

不同设备和不同目标函数下的最优子图结果如下：
| 设备 | 子图数量 | 最优子图编号 | 目标函数1值 | 目标函数2值 | 子图内连接值 | 不同子图间连接值 | 模块化值 |
| ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- |
| 智能手机加速度计 | 65 | 51 | 80.849 | 6.136 | 87.12 | 12.88 | 0.27 |
| 智能手机陀螺仪 | 50 | 9 | 96.089 | 1.778 | 87.11 | 12.89 | 0.21 |
| 智能手表加速度计 | 47 | 39 | 72.219 | 5.427 | 87.10 | 12.90 | 0.23 |
| 智能手表陀螺仪 | 59 | 1 | 96.307 | 1.807 | 98.81 | 1.19 | 0.52 |

通过这些结果可以看出，不同设备和目标函数下的最优子图及其相关指标存在差异。这为进一步分析人类活动和设备性能提供了有价值的信息。

同时，研究还提取了活动之间的三个连接级别