CN103246819A - 一种面向普适计算的不一致性上下文消除系统和方法 - Google Patents
一种面向普适计算的不一致性上下文消除系统和方法 Download PDFInfo
- Publication number
- CN103246819A CN103246819A CN2013101884240A CN201310188424A CN103246819A CN 103246819 A CN103246819 A CN 103246819A CN 2013101884240 A CN2013101884240 A CN 2013101884240A CN 201310188424 A CN201310188424 A CN 201310188424A CN 103246819 A CN103246819 A CN 103246819A
- Authority
- CN
- China
- Prior art keywords
- module
- context
- inconsistency
- grouping
- contextual information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明涉及一种面向普适计算的不一致性上下文处理系统和方法,该系统包括上下文预处理模块、上下文不一致性消除模块、上层处理模块、用户模块和知识库模块。本发明所述方法通过对已经建模好的上下文信息根据感知类型进行分组,根据每个分组感知类型的具体信息建立针对该分组的识别框架,在此识别框架的上利用提出的修改的证据论方法对不一致性上下文信息进行有效消除。用户也可以根据自身需求、环境状态的变化主动去重新配置提出的不一致性上下文消除方法,这样本发明更具智能性和适应性。
Description
技术领域
本发明提出了一种面向普适计算的不一致性上下文消除系统和方法,属于上下文感知计算应用的技术领域。
背景技术
随着计算机技术、移动计算技术及传感器网络的发展与普及使计算机得以融入人们的工作和生活,“无时不在而又无处不在”的普适计算时代正在到来。普适计算是以人为中心的计算模式,它实现了信息空间与物理空间的无缝融合,在这个融合的空间中,人们可以随时随地获得数字化的服务,计算机本身将从人们的视野中消失,人们的注意力中心回归到要完成的任务本身,从而实现计算“以人为本”的目标。
上下文感知技术是普适计算研究中的关键技术之一,其概念最早被归纳为:使用位置以及周围人和物的集合和这些物体的变化情况。目前,对上下文的共性理解一般可表述为:“上下文是环境本身以及环境中各实体所明示或暗示的可用于描述其状态(含历史状态)的任何信息,其中,实体可以是人、地点等物理实体,也可以是诸如软件、网络等虚拟实体。”
在动态开放的环境中,上下文感知系统从动态、分布式、异构的信息源中获取的上下文信息通常具有不一致性,这种不一致性主要是由于采集上下文的传感器精度不同、设备异构、网络时延和统计算法差异等影响造成的。这些上下文信息需要融合为高层上下文信息才能被应用程序和设备利用,而这种有效利用上下文信息的基础就是消除上下文信息的不一致性,提高上下文推理的正确率。
发明内容
针对现有技术的不足,本发明提供一种面向普适计算的不一致性上下文消除系统。本发明利用修改的证据理论方法,对各种传感器采集的上下文信息进行不一致性消除,以适应上下文感知的复杂性、异构性和动态性等特点,该方法能够有效提高上下文不一致性消除的效率和精度,以满足实际上下文感知计算应用中的实时性、精确性要求,降低网络和计算资源消耗,提高系统的整体性能。
本发明还提供一种利用上述系统面向普适计算的不一致性上下文消除方法。
技术术语解释:
证据理论方法的定义:
所定义的函数Bel是一个信任函数,Bel(A)反映了A上所有子集总的信度。
定义3:设m1,m2是对应同一识别框架Θ上的两个基本信度分配函数,焦元分别为A1,A2,...,Ak和B1,B2,...,Bk,则两个信度函数的合成法则为:
m(A)反映了m1和m2对应的两个证据对命题A的联合支持程度,其中 表示证据的冲突程度,当K=0时,称为完全不冲突;当0<K<1时,称为非完全冲突;K=1时,称为完全冲突。证据组合规则满足交换律和结合律,对于多个证据的组合可重复运用式(2)对多证据进行信度合成。
本发明的技术方案如下:
一种面向普适计算的不一致性上下文消除系统,包括上下文预处理模块、上下文不一致性消除模块、上层处理模块、用户模块和知识库模块;
所述上下文预处理模块与上下文不一致性消除模块相连,所述上下文不一致性消除模块与上层处理模块相连,所述上层处理模块与知识库模块相连,所述用户模块与知识库模块相连,所述知识库模块与上下文不一致性消除模块相连;
所述上下文预处理模块:负责收集各类传感器捕获的上下文信息,将上下文信息按照知识库模块中的上下文建模模式进行建模,建模模式为“感知类型+感知信息+感知精度”;上下文预处理模块与上下文不一致性消除模块连接,以便将建模好的上下文信息发送到上下文不一致性消除模块;
所述上下文不一致性消除模块:负责对已经建模好的上下文信息根据感知类型进行分组,在各个分组中各自建立自己的识别框架,确立各个分组中每个传感器在其识别框架上的基本信度分配,设置各个分组的传感器感知精度接受门限值,利用修改的证据论算法,消除各个分组中不一致的上下文信息,减少上下文的数量,提高上层处理模块的处理效率和精度;所述各个分组的不一致性上下文消除分布式同步进行;所述上下文不一致性消除模块与上层处理模块连接,以便将消除了不一致性的上下文信息发送给上层处理模块;
所述上层处理模块:负责利用已经消除不一致性的上下文信息、知识库模块提供的基于规则系统的规则引擎和规则集,基于规则推理,推理出应用程序和设备能够识别的高层上下文信息,将推理出的高层上下文信息存入知识库模块,并利用高层上下文信息调整相应的应用程序和设备;所述上层处理模块与知识库模块相互连接,以便上层处理模块利用知识库模块中基于规则系统的规则引擎和规则集做基于规则的推理,并将推理出的高层上下文信息存入知识库模块;
所述用户模块:负责将用户对上下文不一致性消除模块的设定信息存入知识库模块;将用户基于自身需求和环境状态的变化,对知识库模块中基于规则系统的规则引擎和规则集的增加或者调整信息存入知识库模块中;用户模块与知识库模块连接,以便将用户模块对上下文不一致性消除模块的设定信息和用户模块对知识库模块的相关调整信息存入知识库模块中;
所述知识库模块:负责为上层处理模块的推理提供基于规则系统的规则引擎和规则集,并根据用户模块对知识库模块的相关调整信息,增加或者调整基于规则系统的规则引擎和规则集;存储上层处理模块推理出的高层上下文信息,为以后的上下文推理提供趋势预测上下文信息;存储用户模块对上下文不一致性消除模块的设定信息并根据设定信息调整上下文不一致性消除模块;知识库模块与上层处理模块相互连接,以便为上层处理模块的推理提供基于规则系统的规则引擎和规则集,并存储上层处理模块推理出的高层上下文信息;知识库模块与用户模块连接,以便存储用户模块对上下文不一致性消除模块的设定信息和用户模块对知识库模块的相关调整信息;知识库模块与上下文不一致性消除模块连接,以便知识库模块根据用户模块对上下文不一致性消除模块的设定信息对上下文不一致性消除模块进行相应的调整。
一种利用上述系统面向普适计算的不一致性上下文消除方法,包括步骤如下:
步骤S201:上下文信息的收集和建模
收集各类传感器捕获的上下文信息,将上下文信息按照知识库模块中的上下文建模模式进行建模,建模模式为“感知类型+感知信息+感知精度”;
步骤S202:上下文分组
对已经建模好的上下文信息根据感知类型进行分组;
在各个分组中,同步进行下面的步骤S203-步骤S212
步骤S203:建立识别框架
根据分组感知信息的具体内容建立针对该分组的识别框架;
步骤S204:建立基本信度分配
建立分组中各个传感器在该分组识别框架上的基本信度分配;
步骤S205:设置传感器感知精度接受门限值
设置分组的传感器感知精度接受门限值Threshold;
步骤S206:检测传感器感知精度
检测分组中各个传感器的感知精度;
步骤S207:是否小于接受门限?
判断分组中各个传感器的感知精度是否小于所在分组的传感器感知精度接受门限值,当传感器获取数据的感知精度低于所在分组的传感器感知精度接受门限值时,执行步骤S208;当分组中某个传感器获取数据的感知精度高于所在分组的传感器感知精度接受门限值时,执行步骤S209;
步骤S208:用公式(1)调整基本信度分配
当分组中某个传感器获取数据的感知精度低于所在分组的传感器感知精度接受门限值时,利用下面的公式(1)对该传感器在所属分组识别框架上的基本信度分配进行重新调整
其中:n≥1,为用户设定的加权系数;r为该传感器的感知精度;紧接着执行步骤S210;
步骤S209:用公式(2)调整基本信度分配
当分组中某个传感器获取数据的感知精度高于所在分组的传感器感知精度接受门限值时,利用下面的公式(2)对该传感器在所属分组识别框架上的基本信度分配进行重新调整;
其中:r为该传感器的感知精度;
步骤S210:基本信度合成
利用基本信度合成法计算所述分组识别框架上各个子集的基本信度分配值;
步骤S211:基本信度值比较
比较所述分组识别框架上各个子集的基本信度分配值,选择该分组识别框架上基本信度值最大的真子集作为最终的结果;
步骤S212:最终结果输出
输出最终结果给上层处理模块;
步骤S213:上层处理
上层处理模块利用各个分组中已经消除不一致性的上下文信息、知识库模块提供的基于规则系统的规则引擎和规则集,基于规则推理,推理出应用程序和设备能够识别的高层上下文信息,将高层上下文信息存入知识库模块,并利用高层上下文信息调整相应的应用程序和设备;
步骤S214:用户
用户判断上层处理模块对应用程序和设备作出的调整是否适合用户自身需求和环境状态的变化,通过用户模块将对上下文不一致性消除模块中针对各个分组的传感器感知精度接受门限值Threshold和公式(1)中的加权系数的重新配置信息存入知识库模块中;用户基于自身需求和环境状态的变化,通过用户模块对知识库模块中的基于规则系统的规则引擎和规则集进行增加或者调整;
步骤S215:知识库
为上层处理模块的推理提供基于规则系统的规则引擎和规则集,并根据用户模块对知识库模块的相关调整信息,增加或者调整基于规则系统的规则引擎和规则集;存储上层处理模块推理出的高层上下文信息,并为以后的推理提供趋势预测上下文信息;存储用户模块对上下文不一致性消除模块的设定信息并根据设定信息调整上下文不一致性消除模块;
步骤S216:调整各个分组的接受门限和公式(1)
根据知识库模块中的用户模块对上下文不一致性消除模块的相关调整信息,调整针对各个分组的传感器感知精度接受门限值Threshold和公式(1)中的加权系数。
本发明的优点在于:
本发明能够有效消除不一致的上下文信息,比传统的不一致性上下文处理方法具有更高的效率和精度,提高了上下文感知应用的可靠性。
第一、高可靠性:本发明利用修改的证据论方法,能够主动有效地消除不一致的上下文信息,提高上下文不一致性消除的精度和效率;
第二、智能性:本发明用户可以根据自身需求、环境状态的变化主动去重新配置上下文不一致性消除算法中的传感器感知精度接受门限值和加权系数,使得新算法更具智能性和适应性;
第三、降低网络和计算资源消耗:本发明能够有效消除不一致的上下文,减少上下文的数量,进而有效降低上下文传输造成的网络负载和推理模块的计算资源消耗;
第四、实时性:本发明通过对上下文信息进行分组,将上下文不一致性消除分解成可以同步处理的几部分,能够充分利用计算资源,有效提高上下文不一致消除的实时性;
本发明利用修改的证据理论方法等上下文不一致性消除机制,为普适计算环境下不一致性上下文的处理提供了一种有效的方法,属于上下文感知计算应用领域。
附图说明
图1是本发明所述系统的框图;
图2是本发明一种面向普适计算的不一致性上下文消除方法的处理流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例和说明书附图1-2对本发明的技术方案进行清楚、完整的描述,显然,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1、
如图1所示。
一种面向普适计算的不一致性上下文消除系统,包括上下文预处理模块、上下文不一致性消除模块、上层处理模块、用户模块和知识库模块;
所述上下文预处理模块与上下文不一致性消除模块相连,所述上下文不一致性消除模块与上层处理模块相连,所述上层处理模块与知识库模块相连,所述用户模块与知识库模块相连,所述知识库模块与上下文不一致性消除模块相连;
所述上下文预处理模块:负责收集各类传感器捕获的上下文信息,将上下文信息按照知识库模块中的上下文建模模式进行建模,建模模式为“感知类型+感知信息+感知精度”;上下文预处理模块与上下文不一致性消除模块连接,以便将建模好的上下文信息发送到上下文不一致性消除模块;
所述上下文不一致性消除模块:负责对已经建模好的上下文信息根据感知类型进行分组,在各个分组中各自建立自己的识别框架,确立各个分组中每个传感器在其识别框架上的基本信度分配,设置各个分组的传感器感知精度接受门限值,利用修改的证据论算法,消除各个 分组中不一致的上下文信息,减少上下文的数量,提高上层处理模块的处理效率和精度;所述各个分组的不一致性上下文消除分布式同步进行;所述上下文不一致性消除模块与上层处理模块连接,以便将消除了不一致性的上下文信息发送给上层处理模块;
所述上层处理模块:负责利用已经消除不一致性的上下文信息、知识库模块提供的基于规则系统的规则引擎和规则集,基于规则推理,推理出应用程序和设备能够识别的高层上下文信息,将推理出的高层上下文信息存入知识库模块,并利用高层上下文信息调整相应的应用程序和设备;所述上层处理模块与知识库模块相互连接,以便上层处理模块利用知识库模块中基于规则系统的规则引擎和规则集做基于规则的推理,并将推理出的高层上下文信息存入知识库模块;
所述用户模块:负责将用户对上下文不一致性消除模块的设定信息存入知识库模块;将用户基于自身需求和环境状态的变化,对知识库模块中基于规则系统的规则引擎和规则集的增加或者调整信息存入知识库模块中;用户模块与知识库模块连接,以便将用户模块对上下文不一致性消除模块的设定信息和用户模块对知识库模块的相关调整信息存入知识库模块中;
所述知识库模块:负责为上层处理模块的推理提供基于规则系统的规则引擎和规则集,并根据用户模块对知识库模块的相关调整信息,增加或者调整基于规则系统的规则引擎和规则集;存储上层处理模块推理出的高层上下文信息,为以后的上下文推理提供趋势预测上下文信息;存储用户模块对上下文不一致性消除模块的设定信息并根据设定信息调整上下文不一致性消除模块;知识库模块与上层处理模块相互连接,以便为上层处理模块的推理提供基于规则系统的规则引擎和规则集,并存储上层处理模块推理出的高层上下文信息;知识库模块与用户模块连接,以便存储用户模块对上下文不一致性消除模块的设定信息和用户模块对知识库模块的相关调整信息;知识库模块与上下文不一致性消除模块连接,以便知识库模块根据用户模块对上下文不一致性消除模块的设定信息对上下文不一致性消除模块进行相应的调整。
实施例2、
以上下文感知计算的典型场景—智能家庭为例。在智能家庭中通过WIFI、蓝牙和Zigbee3种方法来采集关于人的位置信息,其中由WIFI、蓝牙和Zigbee获取的上下文信息分别为IWIFI、I蓝牙、IZigbee。
如图2所示,一种利用如实施例1所述系统面向普适计算的不一致性上下文消除方法,包括步骤如下:
步骤S201:上下文信息的收集和建模
收集各类传感器捕获的上下文信息,将上下文信息按照知识库模块中的上下文建模模式进行建模,建模模式为“感知类型+感知信息+感知精度”;
此例中,建模好的上下文信息为:IWIFI=“感知类型-用户位置”+“感知信息-卧室”+ “感知精度-80%”、I蓝牙=“感知类型-用户位置”+“感知信息-卧室”+“感知精度-85%”、IZigbee=“感知类型-用户位置”+“感知信息-客厅”+“感知精度-90%”,将建模好的上下文信息进行上下文分组;
步骤S202:上下文分组
对已经建模好的上下文信息根据感知类型进行分组;
此例中,由于3个上下文信息的感知类型都为“用户位置”,因此将这3个上下文信息分为一组;
步骤S203:建立识别框架
根据分组感知信息的具体内容建立针对该分组的识别框架;
此例中,由于3个上下文信息的感知信息分别为卧室、卧室和客厅,因此针对该分组的识别框架包括3个子集,分别为卧室、客厅和全集;
步骤S204:建立基本信度分配
建立分组中各个传感器在该分组识别框架上的基本信度分配
此例中,初始时通过WIFI获取的上下文信息的基本信度分配为:
初始时通过蓝牙获取的上下文信息的基本信度分配为:
初始时通过Zigbee获取的上下文信息的基本信度分配为:
步骤S205:设置传感器感知精度接受门限值
设置分组的传感器感知精度接受门限值Threshold;
此例中设置分组的传感器感知精度接受门限值即上下文信息感知精度接受门限值为83%;
步骤S206:检测传感器感知精度
检测分组中各个传感器的感知精度;
此例中,检测到通过WIFI获取的上下文信息的感知精度为80%,通过蓝牙获取的上下文信息的感知精度为85%,通过Zigbee获取的上下文信息的感知精度为90%;
步骤S207:是否小于接受门限?
判断分组中各个传感器的感知精度是否小于所在分组的传感器感知精度接受门限值,当传感器获取数据的感知精度低于所在分组的传感器感知精度接受门限值时,执行步骤S208;当分组中某个传感器获取数据的感知精度高于所在分组的传感器感知精度接受门限值时,执行步骤S209;
此例中,由于通过WIFI获取的上下文信息的感知精度小于所在分组的传感器感知精度接受门限值83%,执行步骤S208;由于通过蓝牙获取的上下文信息的感知精度大于所在分组的传感器感知精度接受门限值83%,执行步骤S209;由于通过Zigbee获取的上下文信息的感知精度大于所在分组的传感器感知精度接受门限值83%,执行步骤S209;
步骤S208:用公式(1)调整基本信度分配
当分组中某个传感器获取数据的感知精度低于所在分组的传感器感知精度接受门限值时,利用下面的公式(1)对该传感器在所属分组识别框架上的基本信度分配进行重新调整
其中:n≥1,为用户设定的加权系数;r为该传感器的感知精度;紧接着执行步骤S210;
此例中,由于通过WIFI获取的上下文信息的感知精度小于所在分组的传感器感知精度接受门限值83%,因此利用公式(1)对通过WIFI获取的上下文信息在所属分组识别框架上的基本信度分配进行重新调整,调整后的通过WIFI获取的上下文信息在所属分组识别框架上的基本信度分配为
其中:n≥1,为用户设定的加权系数,此例中设定n=2;r1为通过WIFI获取的上下文信息的感知精度;紧接着执行步骤S210;
步骤S209:用公式(2)调整基本信度分配
当分组中某个传感器获取数据的感知精度高于所在分组的传感器感知精度接受门限值时,利用下面的公式(2)对该传感器在所属分组识别框架上的基本信度分配进行重新调整;
其中:r为该传感器的感知精度;
此例中,由于通过蓝牙获取的上下文信息的感知精度大于所在分组的传感器感知精度接受门限值83%,因此利用公式(2)对通过蓝牙获取的上下文信息在所属分组识别框架上的基本信度分配进行重新调整,调整后的通过蓝牙获取的上下文信息在所属分组识别框架上的基本信度分配为
其中:r2为通过蓝牙获取的上下文信息的感知精度;
此例中,由于通过Zigbee获取的上下文信息的感知精度大于所在分组的传感器感知精度接受门限值83%,因此利用公式(2)对通过Zigbee获取的上下文信息在所属分组识别框架上的基本信度分配进行重新调整,调整后的通过Zigbee获取的上下文信息在所属分组识别框架上的基本信度分配为
其中:r3为通过Zigbee获取的上下文信息的感知精度;
步骤S210:基本信度合成
利用基本信度合成法则计算该分组识别框架上各个子集的基本信度分配值;
此例中,利用基本信度合成法则计算出识别框架上,子集卧室的基本信度分配值为 0.6366、子集客厅的基本信度分配值为0.3271、全集的基本信度分配值为0.0363;
步骤S211:基本信度值比较
比较该分组识别框架上各个子集的基本信度分配值,选择识别框架上基本信度值最大的真子集作为最终的结果;
此例中,选择基本信度分配值最大的真子集卧室作为最终的结果;
步骤S212:最终结果输出
输出最终结果给上层处理模块;
此例中,我们输出最终结果--卧室给上层处理模块;
步骤S213:上层处理
上层处理模块利用各个分组中已经消除不一致性的上下文信息和知识库模块、知识库模块提供的基于规则系统的规则引擎和规则集,基于规则推理,推理出应用程序和设备能够识别的高层上下文信息,将高层上下文信息存入知识库模块,并利用高层上下文信息调整相应的应用程序和设备;
此例中,在上层处理模块利用各个分组中已经消除了不一致性的上下文信息:“感知类型-用户位置”+“感知信息-卧室”、“感知类型-时间”+“感知信息-22点10分”、“感知类型-卧室光照强度”+“感知信息-弱”,和知识库模块提供的基于规则系统的规则引擎和规则集:“当用户在晚上18点以后进入卧室,而卧室内的光照强度为弱时提高卧室内的光照强度”,基于规则推理,推理出应用程序和设备能够识别的高层上下文信息为“提高卧室内的光照强度”,将此高层上下文信息存入知识库模块,并利用此高层上下文信息调整相应的应用程序和设备,打开卧室的吊灯;
步骤S214:用户
用户判断上层处理模块对应用程序和设备作出的调整是否适合用户自身需求和环境状态的变化,通过用户模块将对上下文不一致性消除模块中针对各个分组的传感器感知精度接受门限值Threshold和公式(1)中的加权系数的重新配置信息存入知识库模块中;用户基于自身需求和环境状态的变化,通过用户模块对知识库模块中的基于规则系统的规则引擎和规则集进行增加或者调整;
步骤S215:知识库
为上层处理模块的推理提供基于规则系统的规则引擎和规则集,并根据用户模块对知识库模块的相关调整信息,增加或者调整基于规则系统的规则引擎和规则集;存储上层处理模块推理出的高层上下文信息,并为以后的推理提供趋势预测上下文信息;存储用户模块对上下文不一致性消除模块的设定信息并根据设定信息调整上下文不一致性消除模块;
步骤S216:调整各个分组的接受门限和公式(1)
根据知识库模块中的用户模块对上下文不一致性消除模块的相关调整信息,调整针对各个分组的传感器感知精度接受门限值Threshold和公式(1)中的加权系数n。
Claims (2)
1.一种面向普适计算的不一致性上下文消除系统,其特征在于,该系统包括上下文预处理模块、上下文不一致性消除模块、上层处理模块、用户模块和知识库模块;
所述上下文预处理模块与上下文不一致性消除模块相连,所述上下文不一致性消除模块与上层处理模块相连,所述上层处理模块与知识库模块相连,所述用户模块与知识库模块相连,所述知识库模块与上下文不一致性消除模块相连;
所述上下文预处理模块:负责收集各类传感器捕获的上下文信息,将上下文信息按照知识库模块中的上下文建模模式进行建模,建模模式为“感知类型+感知信息+感知精度”;上下文预处理模块与上下文不一致性消除模块连接,以便将建模好的上下文信息发送到上下文不一致性消除模块;
所述上下文不一致性消除模块:负责对已经建模好的上下文信息根据感知类型进行分组,在各个分组中各自建立自己的识别框架,确立各个分组中每个传感器在其识别框架上的基本信度分配,设置各个分组的传感器感知精度接受门限值,利用修改的证据论算法,消除各个分组中不一致的上下文信息,减少上下文的数量,提高上层处理模块的处理效率和精度;所述各个分组的不一致性上下文消除分布式同步进行;所述上下文不一致性消除模块与上层处理模块连接,以便将消除了不一致性的上下文信息发送给上层处理模块;
所述上层处理模块:负责利用已经消除不一致性的上下文信息、知识库模块提供的基于规则系统的规则引擎和规则集,基于规则推理,推理出应用程序和设备能够识别的高层上下文信息,将推理出的高层上下文信息存入知识库模块,并利用高层上下文信息调整相应的应用程序和设备;所述上层处理模块与知识库模块相互连接,以便上层处理模块利用知识库模块中基于规则系统的规则引擎和规则集做基于规则的推理,并将推理出的高层上下文信息存入知识库模块;
所述用户模块:负责将用户对上下文不一致性消除模块的设定信息存入知识库模块;将用户基于自身需求和环境状态的变化,对知识库模块中基于规则系统的规则引擎和规则集的增加或者调整信息存入知识库模块中;用户模块与知识库模块连接,以便将用户模块对上下文不一致性消除模块的设定信息和用户模块对知识库模块的相关调整信息存入知识库模块中;
所述知识库模块:负责为上层处理模块的推理提供基于规则系统的规则引擎和规则集,并根据用户模块对知识库模块的相关调整信息,增加或者调整基于规则系统的规则引擎和规则集;存储上层处理模块推理出的高层上下文信息,为以后的上下文推理提供趋势预测上下文信息;存储用户模块对上下文不一致性消除模块的设定信息并根据设定信息调整上下文不一致性消除模块;知识库模块与上层处理模块相互连接,以便为上层处理模块的推理提供基于规则系统的规则引擎和规则集,并存储上层处理模块推理出的高层上下文信息;知识库模块与用户模块连接,以便存储用户模块对上下文不一致性消除模块的设定信息和用户模块对知识库模块的相关调整信息;知识库模块与上下文不一致性消除模块连接,以便知识库模块根据用户模块对上下文不一致性消除模块的设定信息对上下文不一致性消除模块进行相应的调整。
2.一种利用如权利要求1所述系统面向普适计算的不一致性上下文消除方法,包括步骤如下:
步骤S201:上下文信息的收集和建模
收集各类传感器捕获的上下文信息,将上下文信息按照知识库模块中的上下文建模模式进行建模,建模模式为“感知类型+感知信息+感知精度”;
步骤S202:上下文分组
对已经建模好的上下文信息根据感知类型进行分组;
在各个分组中,同步进行下面的步骤S203-步骤S212
步骤S203:建立识别框架
根据分组感知信息的具体内容建立针对该分组的识别框架;
步骤S204:建立基本信度分配
建立分组中各个传感器在该分组识别框架上的基本信度分配;
步骤S205:设置传感器感知精度接受门限值
设置分组的传感器感知精度接受门限值Threshold;
步骤S206:检测传感器感知精度
检测分组中各个传感器的感知精度;
步骤S207:是否小于接受门限?
判断分组中各个传感器的感知精度是否小于所在分组的传感器感知精度接受门限值,当传感器获取数据的感知精度低于所在分组的传感器感知精度接受门限值时,执行步骤S208;当分组中某个传感器获取数据的感知精度高于所在分组的传感器感知精度接受门限值时,执行步骤S209;
步骤S208:用公式(1)调整基本信度分配
当分组中某个传感器获取数据的感知精度低于所在分组的传感器感知精度接受门限值时,利用下面的公式(1)对该传感器在所属分组识别框架上的基本信度分配进行重新调整
其中:n≥1,为用户设定的加权系数;r为该传感器的感知精度;紧接着执行步骤S210;
步骤S209:用公式(2)调整基本信度分配
当分组中某个传感器获取数据的感知精度高于所在分组的传感器感知精度接受门限值时,利用下面的公式(2)对该传感器在所属分组识别框架上的基本信度分配进行重新调整;
其中:r为该传感器的感知精度;
步骤S210:基本信度合成
利用基本信度合成法计算所述分组识别框架上各个子集的基本信度分配值;
步骤S211:基本信度值比较
比较所述分组识别框架上各个子集的基本信度分配值,选择该分组识别框架上基本信度值最大的真子集作为最终的结果;
步骤S212:最终结果输出
输出最终结果给上层处理模块;
步骤S213:上层处理
上层处理模块利用各个分组中已经消除不一致性的上下文信息、知识库模块提供的基于规则系统的规则引擎和规则集,基于规则推理,推理出应用程序和设备能够识别的高层上下文信息,将高层上下文信息存入知识库模块,并利用高层上下文信息调整相应的应用程序和设备;
步骤S214:用户
用户判断上层处理模块对应用程序和设备作出的调整是否适合用户自身需求和环境状态的变化,通过用户模块将对上下文不一致性消除模块中针对各个分组的传感器感知精度接受门限值Threshold和公式(1)中的加权系数的重新配置信息存入知识库模块中;用户基于自身需求和环境状态的变化,通过用户模块对知识库模块中的基于规则系统的规则引擎和规则集进行增加或者调整;
步骤S215:知识库
为上层处理模块的推理提供基于规则系统的规则引擎和规则集,并根据用户模块对知识库模块的相关调整信息,增加或者调整基于规则系统的规则引擎和规则集;存储上层处理模块推理出的高层上下文信息,并为以后的推理提供趋势预测上下文信息;存储用户模块对上下文不一致性消除模块的设定信息并根据设定信息调整上下文不一致性消除模块;
步骤S216:调整各个分组的接受门限和公式(1)
根据知识库模块中的用户模块对上下文不一致性消除模块的相关调整信息,调整针对各个分组的传感器感知精度接受门限值Threshold和公式(1)中的加权系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310188424.0A CN103246819B (zh) | 2013-05-20 | 2013-05-20 | 一种面向普适计算的不一致性上下文消除系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310188424.0A CN103246819B (zh) | 2013-05-20 | 2013-05-20 | 一种面向普适计算的不一致性上下文消除系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103246819A true CN103246819A (zh) | 2013-08-14 |
CN103246819B CN103246819B (zh) | 2016-10-05 |
Family
ID=48926335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310188424.0A Active CN103246819B (zh) | 2013-05-20 | 2013-05-20 | 一种面向普适计算的不一致性上下文消除系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103246819B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123469A (zh) * | 2014-07-25 | 2014-10-29 | 南京大学 | 一种普适计算环境上下文一致性检测调度系统及方法 |
CN106650941A (zh) * | 2016-12-30 | 2017-05-10 | 山东大学 | 一种基于可靠性管理的不确定性消除情景感知系统及其工作方法 |
CN106970793A (zh) * | 2017-03-23 | 2017-07-21 | 南京大学 | 一种上下文一致性检测与修复系统及检验方法与平台 |
WO2018120963A1 (zh) * | 2016-12-30 | 2018-07-05 | 山东大学 | 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 |
CN108701207A (zh) * | 2015-07-15 | 2018-10-23 | 15秒誉股份有限公司 | 用于面部识别和视频分析以识别上下文视频流中的个人的装置和方法 |
CN108875030A (zh) * | 2018-06-25 | 2018-11-23 | 山东大学 | 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法 |
CN112702707A (zh) * | 2020-12-20 | 2021-04-23 | 国网山东省电力公司临沂供电公司 | 多感知物联网的智能数据分析系统及方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705037B (zh) * | 2017-10-26 | 2021-03-19 | 山东大学 | 一种面向上下文信息处理的QoX质量体系系统及其工作方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102594928A (zh) * | 2012-04-05 | 2012-07-18 | 山东大学 | 一种协作上下文感知的框架模型 |
-
2013
- 2013-05-20 CN CN201310188424.0A patent/CN103246819B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102594928A (zh) * | 2012-04-05 | 2012-07-18 | 山东大学 | 一种协作上下文感知的框架模型 |
Non-Patent Citations (6)
Title |
---|
HYUN LEE ET AL.: "A static evidential network for context reasoning in home-based care", 《IEEE TRANSACTIONS ON SYSTEMS,MAN AND CYBERNETICS:SYSTEMS AND HUMANS》, vol. 40, no. 6, 14 June 2010 (2010-06-14), pages 1232 - 1243, XP 011311391 * |
KAREN HENRICKSEN ET AL.: "Modeling context information in pervasive computing systems", 《PERVASIVE COMPUTING LECTURE NOTES IN COMPUTER SCIENCE》, 30 June 2002 (2002-06-30), pages 167 - 180 * |
吴成卿: "普适计算中上下文推理及不一致性检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 July 2012 (2012-07-15), pages 14 - 62 * |
张奕男等: "上下文不一致性检测及消除的研究", 《计算机科学》, vol. 38, no. 9, 30 September 2011 (2011-09-30) * |
蒲海涛: "物联网环境下基于上下文感知的智能交互关键技术研究", 《中国博士学位论文全文数据库电子期刊》, 15 May 2012 (2012-05-15) * |
黄小桑: "基于普适计算环境的上下文信息处理研究", 《万方数据学位论文》, 22 December 2010 (2010-12-22) * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123469B (zh) * | 2014-07-25 | 2017-02-15 | 南京大学 | 一种普适计算环境上下文一致性检测调度系统及方法 |
CN104123469A (zh) * | 2014-07-25 | 2014-10-29 | 南京大学 | 一种普适计算环境上下文一致性检测调度系统及方法 |
CN108701207B (zh) * | 2015-07-15 | 2022-10-04 | 15秒誉股份有限公司 | 用于面部识别和视频分析以识别上下文视频流中的个人的装置和方法 |
CN108701207A (zh) * | 2015-07-15 | 2018-10-23 | 15秒誉股份有限公司 | 用于面部识别和视频分析以识别上下文视频流中的个人的装置和方法 |
CN106650941B (zh) * | 2016-12-30 | 2019-01-25 | 山东大学 | 一种基于可靠性管理的不确定性消除情景感知系统及其工作方法 |
CN106650941A (zh) * | 2016-12-30 | 2017-05-10 | 山东大学 | 一种基于可靠性管理的不确定性消除情景感知系统及其工作方法 |
WO2018120963A1 (zh) * | 2016-12-30 | 2018-07-05 | 山东大学 | 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 |
CN106970793B (zh) * | 2017-03-23 | 2020-10-27 | 南京大学 | 一种上下文一致性检测与修复系统及检验方法与平台 |
CN106970793A (zh) * | 2017-03-23 | 2017-07-21 | 南京大学 | 一种上下文一致性检测与修复系统及检验方法与平台 |
WO2020001095A1 (zh) * | 2018-06-25 | 2020-01-02 | 山东大学 | 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法 |
CN108875030A (zh) * | 2018-06-25 | 2018-11-23 | 山东大学 | 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法 |
CN108875030B (zh) * | 2018-06-25 | 2021-05-18 | 山东大学 | 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法 |
CN112702707A (zh) * | 2020-12-20 | 2021-04-23 | 国网山东省电力公司临沂供电公司 | 多感知物联网的智能数据分析系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103246819B (zh) | 2016-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103246819A (zh) | 一种面向普适计算的不一致性上下文消除系统和方法 | |
Luo et al. | ESTNet: embedded spatial-temporal network for modeling traffic flow dynamics | |
CN111860951A (zh) | 一种基于动态超图卷积网络的轨道交通客流预测方法 | |
CN103702360B (zh) | 一种确定业务接入端口的数据流速的方法及装置 | |
CN105046454A (zh) | 流域水基环境管理决策支持系统 | |
CN102110365A (zh) | 基于时空关系的路况预测方法和系统 | |
Lin et al. | On-line prediction of border crossing traffic using an enhanced Spinning Network method | |
CN105729491A (zh) | 机器人任务的执行方法、装置及系统 | |
CN112165513A (zh) | 一种流域水环境水生态智慧化管理的云边协同平台架构 | |
CN105843679B (zh) | 自适应众核资源调度方法 | |
CN106777093A (zh) | 基于空间时序数据流应用的Skyline查询系统 | |
CN104268260A (zh) | 一种流数据的分类方法及其装置和系统 | |
CN104468257B (zh) | 基于移动用户时空行为的云应用可用性预测方法与系统 | |
CN105574541A (zh) | 一种基于紧密度排序的网络社区发现方法 | |
CN109036546A (zh) | 用于临床领域时序知识图谱的链接预测方法及系统 | |
Hao et al. | iTaskOffloading: intelligent task offloading for a cloud-edge collaborative system | |
TW200814708A (en) | Power save method and system for a mobile device | |
CN109327334A (zh) | 一种针对于设备性能的告警方法、装置及设备 | |
Lachhab et al. | Performance evaluation of linked stream data processing engines for situational awareness applications | |
CN110070204A (zh) | 一种基于移动平均线的用户负荷趋势预测方法 | |
Klimek et al. | Modeling context-aware and agent-ready systems for the outdoor smart lighting | |
Kavitha et al. | Ai Integration in Data Driven Decision Making for Resource Management in Internet of Things (Iot): A Survey | |
Zhang et al. | Adaptive spatio-temporal convolutional network for traffic prediction | |
CN109361265A (zh) | 一种智能用电系统及方法 | |
CN109005060A (zh) | 一种基于层级化高度异构分布式系统的深度学习应用优化框架 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |