【摘要】：本节以概述中的第三个场景武汉大学为例，分析场景里面包含的空间上下文，构建贝叶斯网络并模拟推理用户出行目的高层上下文的过程。PDA之所以出现智能的行为，在用户到达武汉大学门口以后，就显示出武汉大学校园游览图的位置，很重要的一点就是获取到了用户此次的出行目的，出行目的无法通过各类空间上下文传感器直接获得，因为它是一个高层的上下文，需要通过各类传感器获取的低层上下文推理得到。
本节以概述中的第三个场景武汉大学为例，分析场景里面包含的空间上下文，构建贝叶斯网络并模拟推理用户出行目的高层上下文的过程。
PDA之所以出现智能的行为，在用户到达武汉大学门口以后，就显示出武汉大学校园游览图的位置，很重要的一点就是获取到了用户此次的出行目的，出行目的无法通过各类空间上下文传感器直接获得，因为它是一个高层的上下文，需要通过各类传感器获取的低层上下文推理得到。
再来回顾一下场景中存在的上下文：
(1)用户上下文：王小苏同学，性别女，大学本科一年级，新闻类专业，出行目的为高校巡礼等；
(2)设备上下文：PDA，3G网络，GPS模块等；
(3)位置上下文：武汉大学门口；
(4)时间上下文：第二天早上9点，夏天；
(5)环境上下文：天气晴朗等。
将这些上下文按照原则，可构建贝叶斯网络如图4-6所示，图4-7是实例计算过程中，以年龄作为证据节点构建的PJT。(www.xing528.com)
Matlab提供了贝叶斯网络的构建以及推理算法的编程环境及相应的工具箱，本章针对上述空间上下文贝叶斯网络，以推理用户当前目的是否为参观作为计算目标，将上述传感器感知的空间上下文作为证据节点，分别实现了联结树推理算法和PJT算法，并进行了推理效率的对比，实验结果表明PJT算法在有限损失了精确度的情况下，大大提高了推理的效率。
计算结果如表4-1所示，其中，P(PJT)和P(JT)分别表示PJT和JT算法得出的用户目的是参观的概率。
表4-1 Q＝用户目的
图4-7 PJT构建实例
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
