CN103262103A - 用于情景分析的处理器 - Google Patents
用于情景分析的处理器 Download PDFInfo
- Publication number
- CN103262103A CN103262103A CN2011800440294A CN201180044029A CN103262103A CN 103262103 A CN103262103 A CN 103262103A CN 2011800440294 A CN2011800440294 A CN 2011800440294A CN 201180044029 A CN201180044029 A CN 201180044029A CN 103262103 A CN103262103 A CN 103262103A
- Authority
- CN
- China
- Prior art keywords
- data
- sight
- storer
- level
- rule
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Abstract
本发明涉及一种数据处理装置,其特征在于,它包括以下的组合:存储器(10),其被组织成两个空间,一个空间包含对已存储数据进行描述的属性,并且另一个空间包含已存储数据之间的连通性链接,并且根据分别与属性相关联的并且被划分成一个或多个分等级的分段的一个或多个维度,数据是通过创建、删除或修改对所述分段进行表征的属性值来输入的;用于对一个或多个进入信息流进行集成的装置(11),其对所述流进行分析,以确定构成所述流的数据,并且根据所述存储器(10)的组织来构造所述数据及其属性;推理引擎(14),其并行或串行地实现聚集在程序库(15)中的推理规则(141),在其实现期间,通过在存储器的至少一个空间中创建、删除或修改至少一个数据和/或至少一个属性值和/或至少一个连通性链接,所述规则(141)被编程以重新生成包括存储器的至少一个分段的序列;用于对资源进行分配的装置(13),所述资源根据优先级规则来激活或去激活所述推理规则(141);用于提取数据并且在一个或多个流出信息流中提供数据的装置(12),所述数据通过编程和/或通过至少一个选择的属性值和/或至少一个所选择的连通性链接来识别,和/或所述数据位于存储器(10)的一个或多个所选择的分段中。本发明还涉及一种信息处理系统和一种相关联的计算机程序产品。
Description
技术领域
本发明涉及一种用于能够通过归纳实现推理来对模拟人类推理的专家系统或人工智能系统进行编程的数据处理装置。
更确切地说,本发明涉及一种数据处理装置,该数据处理装置特别致力于统计处理,数据挖掘,决策辅助工具的设计,诊断,预测或估计,模拟器、自动学习系统或辅助学习系统的设计,以及通常所说的情景分析系统或情景分析的设计。
背景技术
经过50多年的发展,计算机处理器已经实现了以更短的时间来执行数百万次的计算。利用这种能力,计算机处理器越来越多地被用作分析工具和预测工具。
然而,由处理器所实现的数据处理架构具有局限性和约束。处理器在输入端获得比特序列、通过一系列的逻辑门对这些比特序列进行变换,并且由此在输出端推导出另一个比特序列。这一系列的逻辑门确定处理器执行的计算。在程序中所预定的该系列取决于由用户根据形式逻辑规则并且基于已知情景所实现的模型。这些模型可以采取从用于市场金融的量化模型直到用于工程的机械模型的极其多样的形式。一般原理在于分析实际现象,以在给定的估计水平从一个或多个模型的应用来预测结果。
在该模型内,处理器证明是有效的,但是,一方面不仅保留无法超出所述模型的局限性,而且还保留由算法逻辑规则中的内在限制所引起的必然的约束。此外,如果模型从开始就具有缺陷,则这些缺陷将影响结果的质量,或者甚至影响模型本身的关联性。
另一个已知的方法在于开发具有由人工神经网络形式的人类大脑的物理结构所启发的架构的数据处理装置。其功能由网络结构所确定的该类型的架构实现了学习过程,该学习过程能够通过具体使用由推理进行归纳的原理来获取、存储和使用知识。
已经开发出了不同类型的神经网络,与常规的处理器架构相比,这些神经网络在某些情况下已经被证明特别在信号和信息(电信、金融、气象)项目的处理和统计性质(市场营销)、形状分类与识别(成像、特征识别)的处理中更有效。
然而,这些架构产生了一方面保持对网络结构(网络类型根据它们的拓扑结构、聚合函数和/或所使用的阈值而不同)非常依赖并且另一方面保持对所选择的学习模型(其使得网络的调节阶段必要)非常依赖的结果。
本发明提供了一种替代的数据处理装置,该数据处理装置在不依赖模型或者不依赖物理或逻辑的实现结构的情况下,通过对情景的观察能够分析数据并且预测其他情景。
这里使用“情景”来表示描述行为或具体状态的或多或少复杂的并且或多或少模糊的信息。该情景来自人类或机器的观察并且可以与想象的一样真实。
发明内容
本发明提供了一种数据处理装置,其架构可以是物理的或逻辑的,并且形成情景分析处理器。
为此,提供了一种数据处理装置,其特征在于,该数据处理装置包括以下的组合:
存储器,一方面,该存储器被组织成两个空间,一个空间包含对已存储数据进行描述的属性,而另一个空间包含已存储数据之间的连通性链接(connexitylinks),并且另一方面,根据分别与属性相关联的并且被划分成一个或多个分等级的(hierarchized)分段的一个或多个维度,数据是通过创建、删除或修改对所述分段进行表征的属性值来输入的;
用于对一个或多个进入信息流进行集成的装置,其对所述流进行分析,以确定构成所述流的数据,并且根据所述存储器的组织来构造所述数据及其属性;
推理引擎,其并行或串行地实现聚集在程序库中的推理规则,在其实现期间,通过在存储器的至少一个空间中创建、删除或修改至少一个数据和/或至少一个属性值和/或至少一个连通性链接,所述规则被编程以重新生成包括存储器的至少一个分段的序列,
用于对资源进行分配的装置,所述资源根据优先级规则来激活或去激活推理规则,
用于提取数据并且在一个或多个流出信息流中提供数据的装置,数据通过编程和/或通过至少一个所选择的属性值和/或至少一个所选择的连通性链接来识别;和/或数据位于存储器的一个或多个所选择的分段中。
根据本发明的其他有利的和非限制性的特征:
存储器被组织成至少三个维度:至少一个时间维度、特质维度(idiosyncraticdimension)和概念维度,其中,至少一个时间维度将数据与一个或多个属性相关联以使得可以确定数据的存储日期,特质维度将数据与一个或多个属性相关联以使得可以确定数据的相对特殊性,概念维度将数据与一个或多个属性以使得可以根据抽象层来将数据按等级排列;
包含数据的属性的存储器的第一空间由确定为情景层的偶数层构成,并且包含数据之间关系的存储器的第二空间由确定为连通性层的奇数层构成;
由推理引擎所实现的至少一个推理规则从情景抽象层2k导出连通性抽象层2k+1和/或从连通性抽象层2k+1导出超情景抽象层2k+2;
由用于分配资源的装置所实现的优先级规则是待重新生成的存储器分段的层级、推理规则的预定参数和将推理规则的激活事件分离的间距的函数;
存储器连接到分段可以保存在其中的大容量存储空间;
用于提取数据的装置选择独特情景(singular situation)、已经变化的情景和似是而非的预测情景。
该创新的装置在使用分析、预测和仿真工具的许多经济领域中开辟了巨大的前景。该创新的装置能够自主地在输入端接收一个或多个情景流、从其提取情景、区分重要的元素并且连续地对其应用处理,特别是通过归纳法来检测现象和预测解决方案的演变。
优点是很多的:该装置不受模型或实现架构所限制,并且因此总对自己进行调整。根据人类大脑的示例,该装置能够通过管理其资源而注重本质。最后,相比于在具体领域中所划分的任何当前的专家系统,该装置具有更普遍的发展可能。
根据本发明的装置是异步的、非确定性的,并且证明既不是连结式(connectionist)也不是计算式(computationist),这是因为该装置在结构和逻辑上都具有高性能。根据本发明的装置接受串行与并行功能。
根据第二方面,本发明提供了一种情景分析处理器的物理实现,即,一种信息处理系统,信息处理系统包括至少一个处理单元、至少一个存储器单元、具有至少一个进入信息流的第一接口和具有至少一个流出信息流的第二接口,其特征在于,它实现了根据本发明的第一方面的处理装置的架构。
根据本发明的其他有利的和非限制性的特征:
所述处理单元包括至少一个多核处理器;
所述处理单元实现神经网络结构。
根据第三方面,本发明提供了一种计算机程序产品,其包括编程代码指令,编程代码指令在它们被执行时实现根据本发明的第一方面的装置的架构。
附图说明
通过阅读以下优选实施例的描述,本发明的其他特征和优点将变得显而易见。将参照附图给出该描述,其中:
图1是根据本发明的装置的实施例的示意图;
图2是本发明所使用的情景存储器的有利实施例的示意图;
图3是示出了根据本发明的装置如何能够集成在计算机环境中的示意图。
具体实施方式
如上所示,情景分析中的基本单元是情景。这可以是或多或少真实的(针对“过去的”情景)或者多或少似是而非的(针对“未来的”情景)。
情景由在这里被称为“情景元素(situatron)”的信息对象构成。每个情景元素是可以被操控的并且可以存在于一个或多个情景中的数据。它由可以是或多或少准确或连贯的一组属性(即,“线索”)来描述。这些属性可以在一段时间内演化。
因此,“马蒂(Matthieu)正在撰写专利申请”是一个情景。可以根据若干观点并且根据不同的细节水平来描述该情景。因此,“马蒂的计算机的黑色鼠标”也构成通知我们关于一般情景的情景。在该情景下,黑色鼠标、计算机、专利申请和马蒂是情景元素。
以更精细的细节水平,鼠标连接到计算机的事实与马蒂拥有该计算机的事实根据这些相同的情景元素来构成两个具体的情景。包含在这些情景中的信息项可以下列方式来编码:
OBJ(鼠标001);情景元素鼠标
IDC(颜色、鼠标001、黑色);属性颜色黑色
OBJ(计算机001);情景元素计算机
SIT(连接、鼠标001、计算机001);情景鼠标连接到计算机
HUM(用户001);情景元素用户
IDC(第一姓名、用户001、马蒂);属性第一姓名马蒂
SIT(使用、计算机001、用户001);情景用户马蒂正在使用计算机。
在该示例中,当使得对象与人能够进行区分时,已经以任意的方式选择了代码OBJ(对象)和HUM(人类)识别情景元素。代码IDC(线索)能够将属性和情景元素及代码SIT(情景)相联系,以描述由先前定义的情景元素所构成的情景。然而,本发明不具体局限于该语法,并且本领域的普通技术人员将知道如何通过引入其他代码(例如,将指定地点的SPA(空间))使其特别地适应。
这些情景因此不能够用自然语言来编码,以便在标准词汇避免内在歧义。用于描述情景的语法是任意的,但是需要与计算机工具相适应。有利地,所选择的语言是元语言,特别是语言XML(可扩展标记语言)。
根据本发明的处理装置1能够对以该形式描述的情景和情景元素起作用。
以下是参照图1中所示出的示意图的该装置1的实施例的有利描述。它包括经组织的存储器10、用于整合进入信息流的装置11、推理引擎14、用于分配资源的装置13、用于将数据提取到流出信息流的装置12。
存储器
存储器10是构造成保存对于情景分析所必需的数据的情景存储器。该存储器10被组织成两个空间。第一空间包含已存储数据的属性,换言之,直接包含情景、情景元素、或者成组的情景或情景元素。第二空间包含已存储数据之间的连通性链接,换言之,第一空间的情景与情景元素之间的连通性关系。
连通性链接将根据情景元素将存在于共同情景中或者共享共同线索的时刻来建立。因此,在先前的示例中,连接到计算机的事实在不同的鼠标之间创建连通性链接。
该第二空间是第一空间的对偶空间,实际上,它是经归纳的函数空间。
情景元素、情景元素的属性和连通性链接因此根据观察来进行归纳并且因此随着信息被获取或者非经观察到的情景被归纳来进行创建,当它们变得陈旧时,可以将它们删除,并且如果它们演变或者如果它们证明是不准切的时,可以对它们进行修改。它们的类型不被预定义,并且可以与任何环境相适应。
存储器10具有在图2中示出其示例的特殊组织。该组织遵循分别与属性相关联的一个或多个维度,并且被划分成一个或多个分等级的分段。每个分段的特征是一个或多个属性值或者属性的具体值的范围。通过创建、删除或修改描绘这些分段的特征的属性值来输入数据,这将它们限定到存储器10中的空间。
具体地,这些维度在优选实施例中在数量上是三。这导致以立方体101的集合形式的组织,每个立方体的特征是对于每个维度为一个分段的唯一组合。
第一维度是时间维度,并且能够确定数据存储的日期。数据存储的日期(观察日期)保持与由情景所产生的事实的日期分离,后者能够是一个或多个分离属性的对象,但是与时间维度的属性无关。时间维度的分段对应于时段。它在图2中的X轴线上延伸。
因此,例如,与马里涅战役(Battle of Marignan)相关的信息项可以下列方式存储在存储器中:
OBS(2010年4月30日);观察的日期
SIT(赢得胜利、国王001、事件001、地点001);战斗情景
HUM(国王001);行动者情景元素
IDC(姓名、国王001“弗朗索瓦一世”);与情景元素相关联的线索
EVT(事件001);事件情景元素
IDC(标题、事件001、“马里涅战役”);与情景元素相关联的线索
IDC(日期、事件001、1515);与情景元素相关联的线索
SPA(地点001);地点情景元素
IDC(国家、地点001、“意大利”);与情景元素相关联的线索
在该示例中,可以通过定义以下时段来建立存储器的时间分段:
分段1-未来=即将发生的每件事情
分段2-现在=最近24小时
分段3-最近的过去=之前的三天
分段4-中间的过去=最近一个月内
分割5-遥远的过去=其余
然后,在2010年5月7日,与在2010年4月30日所观察到的马里涅战役有关的情景场景将再次在分段4中被找到。
如果在同一天(2010年5月7日)引入使瑞士人在9月13日的该战役中被击败更清楚的有关马里涅的信息项,则它们本身可以下列方式来存储:
OBS(2010年5月7日);
SIT(战役失败、军队001、事件001);
GRP(军队001);
IDC(姓名、军队001、“瑞士人”);
IDC(日期、事件001、1515年9月13日);线索的修改
这些新的信息项被包含在分段2中并且将情景元素事件001完全地转发到分段2中,
将存储器分解成时间分段因此实现了以下列方式保存能够在马里涅的示例中被重现的每个情况的“历史”图像:
分段2:
SIT(战役失败、军队001、事件001)
GRP(军队001)
IDC(姓名、军队001、“瑞士人”)
EVT(时间001)
IDC(标题、事件001、“马里涅战役”)
IDC(日期、事件001、1515年9月13日)
分段4:
SIT(赢得胜利、国王001、事件001、地点001)
HUM(国王001)
IDC(姓名、国王001、“弗朗索瓦一世”)
SPA(地点001)
IDC(国家、地点001、“意大利“)
第二维度是特质维度。“特质”表示“其构成某人或某事的特殊性、独特性”。该维度实际上链接到以一般的方式包含使数据值得注意的任何标准的发生率水平,并且特别是数据的独特性或相对特殊性。返回到我们的鼠标示例,“橙色鼠标”将是在其中通常观察到白色鼠标的世界中具有高独特性的情景元素。该维度沿着图2中的Y轴线延伸。
第三维度是概念维度。它将数据与一个或多个属性相关联以使得可以根据抽象层来将数据按等级排列。每个抽象层都定义概念维度的分段,其称为提取平面100。这些平面100沿着Z轴线延伸,并且随着到达更高层,这些平面100表现出情景知识的越来越多的演化形式。有利地,以情景平面100a和连通性平面100b的交替形式来实现存储器的对偶性:偶数层100a的集合是情景空间的分割,而奇数层100b的集合是连通性空间的分割。
·层0包含情景、情景元素和成组的情景与情景元素。示例:两个黑色鼠标鼠标001和鼠标002;两台计算机计算机001和计算机002;两个用户用户001和用户002;两个情景“连接”;两个情景“使用”;
·层1包含第一层的情景与情景元素之间的连通性关系。继续先前的示例,针对第一系列的情景和情景元素,将在鼠标001与计算机001;计算机001与用户001;用户001与鼠标001之间包含连通性链接(归纳之后的链接);
·层2包含由第二层的连通性分析所导出的超情景(hypersituations)、超情景元素(hypersituatrons)和成组的超情景与超情景元素。从较低层的连通性链接,可以导出超情景元素鼠标或计算机或用户,以及超情景连接和使用。在超情景元素的层上,因此可以例如将鼠标连接到计算机并且由用户使用计算机;
·层3对应于在层2的超情景元素与超情景之间建立的连通性链接的超连通性;
·等等......
有利地,存储器10连接到大容量存储空间16,其中可以保存全部或部分的所述存储器。例如,在根据以立方体集合形式的三维进行组织的存储器的优选实施例中,将保存存储器立方体。有利地,由本领域的普通技术人员以对换(swapping)的方式实现具有大容量存储空间的该交互作用。这能够通过从一个环境切换到另一个环境而在若干环境下工作,或者可替代地使用容量比处理器的编址容量更大的情景存储器来工作。
集成器
装置1包括用于对一个或多个进入信息流进行集成的装置11。这些集成装置11(或情景集成器)在信息流中识别出变得更接近于已存在于存储器10中情景的情景。根据流的数据来产生新的情景和新的情景元素。构造这些数据,并且根据存储器10的组织来定义它们的属性。
为了举一个示例,情景集成器可以是在输入门读取以XML流的形式所提供的计算机鼠标销售列表的模块。它解释了流并且将信息项分离,以:
·将情景和情景元素放置在存储器10中;
·将指令放置在处理集中器13中。
在存储器被划分成若干维度和分段的实施例的情况下,集成器有利地将情景和情景元素载入:
·包含当前日期的(“目前的”)时间性分段;
·最高发生率水平的特质分段;
·根据集成器的建立所确定的抽象分段。
推理引擎
由于集成装置11的原因,存储器10包含数据。推理引擎14实现了将要应用到全部或部分存储器10的处理。这些处理从程序库15载入并且称为推理规则141。在每次启动规则时,将扫描包含至少一个存储器分段的序列,并且重新生成相关联的存储器。重新生成在这里是指:在至少一个存储器空间中创建、删除或修改至少一个数据和/或至少一个属性值和/或至少一个连通性链接。更具体地,在这里所描述的优选实施例中,可以由提取层100上的推理引擎14执行的处理能够应用到同一奇偶校验的层。
然而,任何计算机系统都具有有限容量,并且处理的递归应用将快速地耗费指数时间。这就是为什么每次处理通常仅涉及一部分存储器10的原因。分段被处理成优先级,然后根据先前所描述的顺序的其他内容在另一处理之前不再变为优先级(参见以下的“集中器”)。而且,还可以串行与并行执行处理。
推理规则141包括可以适于应用的全部处理。这些规则141的选择取决于所寻找到的效果,并且可以由本领域的普通技术人员根据实现架构所针对的应用领域来判断。
可以引用可能规则141的以下示例:
“联合”在于在最近的情景元素中识别出较早的情景元素或者在情景中识别出已知的情景并且进行置换,以及在合适的时候通过元素的合并完成信息。
“时间限制(Temporalisation)”在于使所涉及的情景和情景元素从一个时间分段滑动到另一个时间分段。
“减少”在于当它们滑入过去的分段时,删除情景元素的线索。该操作基于所记录的线索的使用。
“平凡化(Trivialisation)”在于在重要性标准之间滑动情景元素和情景。取决于事情是变得不重要还是考虑到其他情景的演化而加强其重要性,可以在两个方向上进行该滑动。
“聚集”在于将不再需要区分的若干情景元素一起聚集成单个聚集体中,该单个聚集体继承了情景元素的主要特性并且在每次可能的情况下由聚集体来代替情景元素的主要特性。
“预测”在于将情景现象应用到所观察到的情景上,以便预见即将到来的情景。
“实现”在于在当前找到满足所完成的预测和使它们更紧密的情景。
“似然性(Plausabilisation)”在于在所预测到的情景中优选连接到已经实现的过去情景的那些情景。
具体地,在具有可替代提取层的实施例的情况下,使用能够从情景抽象层2k导出连通性抽象层2k+1的规则,并且使用能够从连通性抽象层2k+1导出超情景抽象层2k+2的规则,换言之,从先前的层产生较高的层。
对于这两个规则中的第一个规则而言,具体地存在很多可能性:新的连通性链接可以根据程序库中已声明的连通性规则来推断出、可以从来自过去的连通性的观察和生成来导出、可以是根据分布在情景存储器中的连通性进行统计的、可以是有关贝叶斯子集的概率性、可以通过先前连通性循环的突变来遗传,等等。
这两个规则中的第二个规则更简单地在于根据重要性水平,从大量或多或少重要的连通性情况生成一组情景和情景元素。
集中器
用于分配资源的装置13(或集中器)管理不同处理之间的处理时间。为此,它们使用优先级规则,它们根据优先级规则对推理规则141进行激活或去激活。一定不能冒着超过系统容量的风险,而同时存在太多的激活规则。
优先级规则使存储器立方体101的空间层级能够被处理,并且使规则141的时间层级能够被启动。
在其他的情况下,要考虑很多参数。有利地,该分解根据称为“重要性”的标准而发生。在任何时刻,计算对于规则的重要性标准,并且如果规则还没有被激活,就针对最大情况来启动规则。在启动规则的情况下,则计算(待由所述规则来处理)有关存储器立方体101的重要性标准,通过根据递减的重要性将分段进行分类来生成顺序,并且根据所述顺序来处理立方体,它在将规则去激活的情况下被中断。
首先,存储器立方体的重要性取决于当前规则中固有的预定义参数。例如,将针对目的在于建立连通性链接的规则而优选最大组的情景。而且,有利地,最抽象的、最近的和最独特的存储器立方体还将通过与人类反应进行类比而具有最大重要性。
然后,在相等的环境下,规则的重要性还取决于使规则分等级的预定义参数。但首先,推理规则141的重要性取决于将其激活事件分离的间距。规则未激活越久,其重要性就越大。这能够有规律地执行全部种类的处理。
在优选的实施例中,集中器可以被设计成一堆处理,其中最重要的处理位于堆的顶部,最不重要的处理位于堆的底部。根据“目前”分段的重要性,已到达的最后处理将其自身置于堆的端部。
在该模式下,集中器根据固定频率扫描整个堆并且在每次循环根据不同的参数重新计算处理的重要性标准。下列参数可以例如被保留:
D:它们的等待时间。在集中器的每个通道处,D增加固定量,例如,0.25;
T:相关联的存储器立方体的时间性。T选取表示时间性分段顺序的值(从1到N,1具有最早分段的特征);
I:相关联的存储器立方体的发生率。I选取表示发生率分段次序的值(从1到N,1具有最小发生率分段的特征);
A:相关联的存储器立方体的提取层。A选取表示提取层顺序的值(从1到N,1具有最低层的特征)。
重要性E则有利地可以由下列公式来表示:E=D+I+T+A,或者由任何其他类型的公式E=f(D、I、T、A)来表示,特别是E=d*D+i*I+t*T+a*A,其中(d、i、t、a)为适当的系数。
然而,本发明既不局限于计算重要性的具体模式,也不局限于参数的预定义列表。
另外,在所描述的实施例中,处理的特征可能是为了通过集中器控制它们的执行模式。因此,每个处理例如可以被定义成唯一的或永久的:当实现唯一的处理时,唯一的处理将退出堆,然而,已实现的永久处理则在堆的端部被替代并且将被更新。它还可以被定义成激活的或延迟的:激活的处理由集中器承担,然而,延迟的处理在等待其返回的堆中等待,集中器忽略未到达端部的延迟处理。永久的延迟处理还可以被定义成必须以固定日期或者根据固定频率来启动。
提取器
用于提取数据的装置12(或提取器)能够传送信息流,这是因为提取器可以在存储器10上收集由推理引擎14所执行的很多处理循环的结果。装置12根据不互相排斥的不同原理来识别存储器10内的数据。因此,目标数据可以根据属性值或它们属于的紧密相关的组来定义。另一方面,它们在存储器中的位置可能是重要的,在该情况下,提取装置12服从若干存储器立方体。提取标准还可以通过编程来任意地预定义。
有利地,由用于提取数据的装置12所构成的信息流由以下构成:
一方面是警报:在该情况下,提取装置能够选择独特的情景(新的、异常的)或已经变化的情景(情景现象);
并且,另一方面是案例场景:后者对应于所预计的预测情景并且存在于未来的似是而非分段的存储器立方体中。
针对情景分析的物理处理器
根据第二方面,本发明提供了一种信息处理系统。该信息处理系统包含根据本发明第一方面的处理装置1的架构的物理实现。该信息处理系统例如是协同处理器(co-processor)的形式。
处理系统包括专用于执行推理规则141的处理单元。有利地,该处理系统是多核协同处理器。实际上,如已经看到的,情景分析使用同时激活若干规则的可能性实现了数据的并行处理。可替代地,该处理单元可以实现围绕若干基本处理“单元(cell)”的神经网络。这种网络特别适于学习。
该处理系统还包括存储器单元,例如,随机存取存储器(RAM)类型。在这里将主要是情景架构的存储器10。可选择地,系统还包括大容量存储器(诸如,硬盘),以能够执行先前所描述的数据的对换。
两个接口同样是必需的,一个接口用于供集成装置11使用的进入信息流,并且另一个接口用于由用于提取数据的装置12所提供的流出信息流。
除了该物理实现之外,用于情景分析的协同处理器可以是纯逻辑的,并且被模拟成工作站的程序。在该后者的情况下,本发明涉及一种计算机程序产品,计算机程序产品包括编程代码指令,编程代码指令在它们被执行时实现先前描述的用于情景分析的处理器架构。
用于情景分析的处理器的环境
无论是物理的还是逻辑的,用于通过情景分析进行数据处理的装置1的架构容易地被包含在其他架构中,以产生高效率的工具,正如图3中所示。用于集成信息的装置11可以非常特别地适用于互联网,通过互联网,待恢复的数据是丰富的。例如,数据可以通过商店中的一个或多个客户的进程(course)来产生。这对理解其中他们在购买期间或者确切地说在非购买期间他们自己所处的情景来说是有意义的。
经由用于提取数据的装置12所获得的情景分析结果可以被传送到客户本人,例如,以帮助他做出选择:如果他正在寻找计算机鼠标,则先前购买者的情景分析可以使他能够确定将适合他的产品。显然,数据也可以由专家来传送和利用,特别是在异常情景下进行警报。
虽然如此,情景分析的应用还特别在互联网领域中证明是极广阔的。
Claims (11)
1.一种数据处理装置(1),其特征在于,所述数据处理装置(1)包括以下的组合:
存储器(10),
一方面,所述存储器(10)被组织成两个空间,一个空间包含对已存储数据进行描述的属性,而另一个空间包含已存储数据之间的连通性链接,以及
另一方面,根据分别与属性相关联的并且被划分成一个或多个分等级的分段的一个或多个维度,数据是通过创建、删除或修改对所述分段进行表征的属性值来输入的;
用于对一个或多个进入信息流进行集成的装置(11),其对所述流进行分析,以确定构成所述流的数据,并且根据所述存储器(10)的组织来构造所述数据及其属性;
推理引擎(14),其并行或串行地实现聚集在程序库(15)中的推理规则(141),在其实现期间,通过在所述存储器的所述至少一个空间中创建、删除或修改至少一个数据和/或至少一个属性值和/或至少一个连通性链接,所述规则(141)被编程以重新生成包括所述存储器的至少一个分段的序列;
用于对资源进行分配的装置(13),所述装置(13)根据优先级规则来激活或去激活所述推理规则(141);
用于提取数据并且在一个或多个流出信息流中提供数据的装置(12),所述数据通过编程和/或通过至少一个所选择的属性值和/或至少一个所选择的连通性链接来识别;和/或所述数据位于所述存储器(10)的一个或多个所选择的分段中。
2.根据前述权利要求所述的装置,其特征在于,所述存储器(10)被组织成至少三个维度:至少一个时间维度、特质维度和概念维度,其中,至少一个时间维度将所述数据与一个或多个属性相关联以使得可以确定所述数据的存储日期、特质维度将所述数据与一个或多个属性相关联以使得可以确定数据的相对特殊性、概念维度将所述数据与一个或多个属性相关联以使得可以根据抽象层(100)来将所述数据按等级排列。
3.根据前述权利要求所述的装置,其特征在于,包含所述数据的属性的所述存储器的第一空间由确定为情景层的偶数层(100a)构成,并且包含数据之间关系的所述存储器的第二空间由确定为连通性层的奇数层(100b)构成。
4.根据前述权利要求所述的装置,其特征在于,由所述推理引擎所实现的至少一个推理规则从情景抽象层2k导出连通性抽象层2k+1和/或从连通性抽象层2k+1导出超情景抽象层2k+2。
5.根据前述权利要求中任一项所述的装置,其特征在于,由所述用于分配资源的装置(13)所实现的优先级规则是待重新生成的存储器分段的层级、推理规则(141)的预定义参数和将所述推理规则(141)的激活事件分离的间距的函数。
6.根据前述权利要求中任一项所述的装置,其特征在于,所述存储器连接到分段可以保存在其中的大容量存储空间。
7.根据前述权利要求中任一项所述的装置,其特征在于,所述用于提取数据的装置(12)选择独特情景、已经变化的情景和似是而非的预测情景。
8.一种信息处理系统,包括至少一个处理单元、至少一个存储器单元、具有至少一个进入信息流的第一接口和具有至少一个流出信息流的第二接口,其特征在于,所述信息处理系统实现根据前述权利要求中的任一项所述的处理装置的架构。
9.根据前述权利要求所述的系统,其特征在于,所述处理单元包括至少一个多核处理器。
10.根据权利要求8或9所述的系统,其特征在于,所述处理单元实现神经网络结构。
11.一种计算机程序产品,包括编程代码指令,在所述编程代码指令被执行时,实现根据权利要求1至7中任一项所述的装置的架构。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1055703 | 2010-07-13 | ||
FR1055703A FR2962823B1 (fr) | 2010-07-13 | 2010-07-13 | Processeur d'analyse situationnelle |
PCT/EP2011/061910 WO2012007489A1 (fr) | 2010-07-13 | 2011-07-13 | Processeur d'analyse situationnelle |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103262103A true CN103262103A (zh) | 2013-08-21 |
CN103262103B CN103262103B (zh) | 2016-05-04 |
Family
ID=43532608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201180044029.4A Expired - Fee Related CN103262103B (zh) | 2010-07-13 | 2011-07-13 | 用于情景分析的处理器 |
Country Status (5)
Country | Link |
---|---|
US (1) | US9349097B2 (zh) |
EP (1) | EP2593909A1 (zh) |
CN (1) | CN103262103B (zh) |
FR (1) | FR2962823B1 (zh) |
WO (1) | WO2012007489A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067134A (zh) * | 2016-12-21 | 2017-08-18 | 全球能源互联网研究院 | 一种情景序列构建方法及装置 |
CN107578102A (zh) * | 2017-07-21 | 2018-01-12 | 韩永刚 | 一种类神经节点信息处理方法及智能设备 |
CN110046715A (zh) * | 2019-04-24 | 2019-07-23 | 戴文跃 | 一种线索集成系统基础构成 |
WO2021056733A1 (zh) * | 2019-09-23 | 2021-04-01 | 苏州车付通信息科技有限公司 | 智能逻辑分析系统 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2994296B1 (fr) | 2012-08-01 | 2015-06-19 | Netwave | Procede de traitement de donnees pour analyse situationnelle |
FR2994358B1 (fr) * | 2012-08-01 | 2015-06-19 | Netwave | Systeme de traitement de donnees de connexion a une plateforme d'un site internet |
FR2994297B1 (fr) | 2012-08-01 | 2015-06-19 | Netwave | Procede de traitement de donnees de connexion d'une plateforme d'un site internet |
JP6105903B2 (ja) * | 2012-11-09 | 2017-03-29 | キヤノン株式会社 | 画像処理装置、画像処理方法、放射線撮影システム及びプログラム |
CN112217697A (zh) * | 2020-09-24 | 2021-01-12 | 复旦大学 | 一种物联网设备智能控制系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5963653A (en) * | 1997-06-19 | 1999-10-05 | Raytheon Company | Hierarchical information fusion object recognition system and method |
CN1604032A (zh) * | 2003-09-02 | 2005-04-06 | 株式会社东芝 | 逆模型计算装置和逆模型计算方法 |
US7016877B1 (en) * | 2000-08-04 | 2006-03-21 | Enfotrust Networks, Inc. | Consumer-controlled limited and constrained access to a centrally stored information account |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040243529A1 (en) * | 1996-03-25 | 2004-12-02 | Stoneman Martin L. | Machine computational-processing systems for simulated-humanoid autonomous decision systems |
US7630986B1 (en) * | 1999-10-27 | 2009-12-08 | Pinpoint, Incorporated | Secure data interchange |
FR2850512B1 (fr) * | 2003-01-28 | 2005-03-11 | Medialive | Procede et systeme automatiques et adaptatifs d'analyse et d'embrouillage pour des flux video numeriques |
US7668824B2 (en) * | 2004-03-01 | 2010-02-23 | Denso Corporation | Interface device, inferring system, and visual expression method |
US7290238B2 (en) * | 2004-05-12 | 2007-10-30 | International Business Machines Corporation | Method, system and program product for building an automated datapath system generating tool |
US20070111172A1 (en) * | 2005-10-21 | 2007-05-17 | James Kinard | Method and apparatus for creating rigorous mathematical thinking |
US20070192267A1 (en) * | 2006-02-10 | 2007-08-16 | Numenta, Inc. | Architecture of a hierarchical temporal memory based system |
US8126685B2 (en) * | 2006-04-12 | 2012-02-28 | Edsa Micro Corporation | Automatic real-time optimization and intelligent control of electrical power distribution and transmission systems |
US8452663B2 (en) * | 2006-05-04 | 2013-05-28 | Sap Ag | Systems and methods for processing auto-ID data |
FI20070159A0 (fi) * | 2007-02-23 | 2007-02-23 | Teknillinen Korkeakoulu | Menetelmä informaation integrointiin, valintaan ja esityksen oppimiseen |
WO2009006231A1 (en) * | 2007-06-29 | 2009-01-08 | Numenta, Inc. | Hierarchical temporal memory system with enhanced inference capability |
US20090150907A1 (en) * | 2007-12-07 | 2009-06-11 | Microsoft Corporation | Mapping between disparate data models via anonymous functions |
CA2715825C (en) * | 2008-02-20 | 2017-10-03 | Mcmaster University | Expert system for determining patient treatment response |
US8539359B2 (en) * | 2009-02-11 | 2013-09-17 | Jeffrey A. Rapaport | Social network driven indexing system for instantly clustering people with concurrent focus on same topic into on-topic chat rooms and/or for generating on-topic search results tailored to user preferences regarding topic |
US20100235803A1 (en) * | 2009-03-16 | 2010-09-16 | Lara Gramark | Method and Apparatus for Automatically Connecting Component Interfaces in a Model Description |
US20120137367A1 (en) * | 2009-11-06 | 2012-05-31 | Cataphora, Inc. | Continuous anomaly detection based on behavior modeling and heterogeneous information analysis |
-
2010
- 2010-07-13 FR FR1055703A patent/FR2962823B1/fr not_active Expired - Fee Related
-
2011
- 2011-07-13 WO PCT/EP2011/061910 patent/WO2012007489A1/fr active Application Filing
- 2011-07-13 EP EP11730694.4A patent/EP2593909A1/fr not_active Withdrawn
- 2011-07-13 CN CN201180044029.4A patent/CN103262103B/zh not_active Expired - Fee Related
- 2011-07-13 US US13/809,564 patent/US9349097B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5963653A (en) * | 1997-06-19 | 1999-10-05 | Raytheon Company | Hierarchical information fusion object recognition system and method |
US7016877B1 (en) * | 2000-08-04 | 2006-03-21 | Enfotrust Networks, Inc. | Consumer-controlled limited and constrained access to a centrally stored information account |
CN1604032A (zh) * | 2003-09-02 | 2005-04-06 | 株式会社东芝 | 逆模型计算装置和逆模型计算方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067134A (zh) * | 2016-12-21 | 2017-08-18 | 全球能源互联网研究院 | 一种情景序列构建方法及装置 |
CN107578102A (zh) * | 2017-07-21 | 2018-01-12 | 韩永刚 | 一种类神经节点信息处理方法及智能设备 |
CN110046715A (zh) * | 2019-04-24 | 2019-07-23 | 戴文跃 | 一种线索集成系统基础构成 |
WO2020216193A1 (zh) * | 2019-04-24 | 2020-10-29 | 戴文跃 | 一种线索集成系统基础构成 |
WO2021056733A1 (zh) * | 2019-09-23 | 2021-04-01 | 苏州车付通信息科技有限公司 | 智能逻辑分析系统 |
Also Published As
Publication number | Publication date |
---|---|
US20130179389A1 (en) | 2013-07-11 |
EP2593909A1 (fr) | 2013-05-22 |
CN103262103B (zh) | 2016-05-04 |
FR2962823A1 (fr) | 2012-01-20 |
WO2012007489A1 (fr) | 2012-01-19 |
US9349097B2 (en) | 2016-05-24 |
FR2962823B1 (fr) | 2012-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103262103A (zh) | 用于情景分析的处理器 | |
Trivedi et al. | Know-evolve: Deep temporal reasoning for dynamic knowledge graphs | |
Ma et al. | A survey on cooperative co-evolutionary algorithms | |
Gershenson | Classification of random Boolean networks | |
Rajeh et al. | Interplay between hierarchy and centrality in complex networks | |
Pelofske et al. | Solving large minimum vertex cover problems on a quantum annealer | |
Milani et al. | Maviper: Learning decision tree policies for interpretable multi-agent reinforcement learning | |
CN107368506A (zh) | 非结构化数据分析系统和方法 | |
Gilmore et al. | More interpretable decision trees | |
CN105426392A (zh) | 一种协同过滤推荐方法及系统 | |
Cai et al. | Automatic relation-aware graph network proliferation | |
Farokhmehr et al. | Implementing machine learning on a big data engine for e-learning | |
Kaliyan et al. | Secure Decision-Making Approach to Improve Knowledge Management Based on Online Samples. | |
Ibias et al. | Feature selection using evolutionary computation techniques for software product line testing | |
Battle et al. | What exactly is an insight? a literature review | |
Ulhaq | On Deep Research Problems in Deep Learning | |
Smith-Miles et al. | Understanding the relationship between scheduling problem structure and heuristic performance using knowledge discovery | |
Wu et al. | Disentangling Stochastic PDE Dynamics for Unsupervised Video Prediction | |
Afshar Dodson | Schelling's Bounded Neighbourhood Model: A systematic investigation | |
Sabbella et al. | Artificial intelligence in 3D CAD modelling | |
WO2015053912A1 (en) | Methods and systems of four-valued monte carlo simulation for financial modeling | |
Moallemi et al. | Informing the delineation of input uncertainty space in exploratory modelling using a heuristic approach | |
Adiga et al. | Network structure and activity in Boolean networks | |
D'Arcy | Deep reinforcement learning methods for automated workflow construction in large scale open distributed systems | |
Mondani | Statistical mechanics of organizational growth processes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C53 | Correction of patent of invention or patent application | ||
CB02 | Change of applicant information |
Address after: Evry France Applicant after: M8 Applicant after: Malle Jean-pierre Address before: Saint Michel in France Suhl augurit Applicant before: M8 Applicant before: Malle Jean-pierre |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160504 |
|
CF01 | Termination of patent right due to non-payment of annual fee |