三维场景在移动学习中的自适应选择优化技术

论文摘要

针对移动设备访问三维虚拟场景受到网络带宽和终端计算能力的制约,使得在线利用虚拟现实进行移动学习效率不高,基于此提出了基于普适计算的自适应优化选择技术。为了使得系统能够很好地在普适计算环境下进行自适应训练,系统全面按照自适应框架进行设计和实现。系统在整体框架上按照现有的实验设备和可实现的理论基础,通过移动设备与服务器端的交互流程进行框架设计。在系统实现当中用到了JAVA.J2EE框架、WURFL、Jena2推理机、X3D等关键技术。WURFL实现了普适计算环境的搭建；Jena2技术实现了自动推理机的建立；X3D是用来作为三维原资源和目标资源；通过这些技术的有效整合使得系统得以实现。通过建立普适计算环境,利用SOAP实现对设备端和服务器端的资源交换,WURFL帮助系统在服务器端收集设备端信息,系统又通过Jena2的自动推理机制从而训练服务器做自适应选择。按照现有的设备和理论依据,首先通过WURFL对手持移动设备进行采样获取移动设备参数,然后利用OWL语言通过RDF描述工具对三维实体进行语义描述。用Protege编辑器建立基于Jena2的自动推理机,从而结合普适计算场景使服务器得到训练从而建立相应的优化选择模型。在此基础上将建立好的优化模型,安装结果分析和普适规则计算进行通过推理机进行优化模型选择。最后将选择的结果进行定性分析。采用此方法后进行测试,结果表明经过自适应选择后手持移动设备获取三维虚拟场景资源的速度和效率得到明显提高。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 相关研究工作
• 1.2.1 国内外现状分析
• 1.3 移动学习在国内外的研究情况分析
• 1.3.1 国内移动学习研究现状
• 1.3.2 国外移动学习研究现状
• 1.4 研究的目标与方法
• 1.4.1 研究目标
• 1.4.2 研究方法
• 1.5 文章的组织结构
• 第2章 基于普适计算的自适应整体框架设计
• 2.1 相关概念
• 2.1.1 普适计算环境
• 2.1.2 自适应中间件及反射机制的运用
• 2.1.3 Android系统框架简介
• 2.2 关键技术分析
• 2.2.1 Java平台介绍
• 2.2.2 Wurf1简介
• 2.2.3 X3D技术简介
• 2.3 本体语言和RDF技术介绍
• 2.4 相关工具介绍
• 2.5 整体流程分析
• 2.5.1 系统总体设计
• 2.6 移动设备请求时设备管理
• 2.7 普适环境框架搭建
• 2.8 网络发布平台构建框架设计
• 第3章 X3D解析、建立3D本体语义规则及优化模型
• 3.1 3D文件的关键数据提取
• 3.2 提取X3D文件信息
• 3.2.1 用SAX进行XML解析测试
• 3.3 3D实体本体语义模型建立
• 3.3.1 构成元素关系实体分析
• 3.3.2 通过语义推导建立描述库
• 3.4 利用RDF建立关系常量库
• 3.5 优化模型
• 3.6 本章小结
• 第4章 采样数据建立样本向量集
• 4.1 采集样本数据结构定义
• 4.2 连接器反映函数模型
• 4.3 随ρ值变化时的定量分析
• 4.4 本章小结
• 第5章 自动推理机的使用
• 5.1 推理模型的建立机制
• 5.2 OWL语言和RDF建模
• 5.2.1 规则1（具有相互包含的关系）
• 5.2.2 规则2（不可满足性规则）
• 5.2.3 规则3（等价关系规则）
• 5.2.4 规则4（相离关系规则）
• 5.3 用LINKED DATA进行模型描述
• 5.3.1 单元素定义
• 5.3.2 双元素定义
• 5.3.3 三元素定义
• 5.3.4 谓语词谓解释
• 5.4 用PROTEGE进行图形化本体建模经行存储
• 5.5 使用jena对生成的OWL文件进行推理
• 5.6 本章小结
• 第6章 基于普适规则的优化选择
• 6.1 普适规则建立
• 6.2 对象抽取
• 6.3 优化选择
• 6.3.1 顺序方式
• 6.3.2 循环方式
• 6.3.3 并行方式
• 6.3.4 循环并行选择方式
• 6.4 本章小结
• 第7章 实验测试与结果分析
• 7.1 客户端请求目标文件生成
• 7.2 测试优化后压缩比与接收速率
• 7.3 实验结论
• 第8章 总结与展望
• 8.1 全文总结
• 8.2 未来展望
• 参考文献
• 致谢
• 攻读硕士期间的主要研究成果
• 附录：移动客户端与服务器端交互处理
• 1.1 X3D场景回送解析
• 1.2 服务器端获取资源
• 1.3 资源播放
• 1.4 优化模型选择
• 1.5 jena执行代码
• 1.6 执行jena后通过Socket的UDP机制与服务器通信