CN104008208A - 一种基于机会感知的情境识别系统及方法 - Google Patents

Abstract

本发明涉及一种情境系统及方法，尤其是涉及一种基于机会感知的情境识别系统及方法。基于机会感知的情境识别系统包括：用于感知不同上下文信息的机会感知数据采集器、用于记录情境识别知识的情境识别知识库、用于根据所述机会感知数据采集器采集到的上下文信息和所述知识库记载的情境识别知识进行情境推理的情境推理机。因此，本发明具有如下优点：1.无需使用新的扩展语言，仍然使用OWL和SWRL语言即可对情境识别的规则和概念进行建模；2.自动屏蔽机会感知环境的不确定性，基于一个提前建立的知识库，得到一个合适的推理结果。

Description

一种基于机会感知的情境识别系统及方法

技术领域

本发明涉及一种情境系统及方法，尤其是涉及一种基于机会感知的情境识别系统及方法。

背景技术

情境识别是情境感知系统研究中的关键技术。它是指利用物理空间和信息空间中的感知数据来识别一个实体(一个人，一样物品，或是一个地方)所处的情境。情境识别的方法有很多，其中基于语义网的方法被广泛使用。该方法在设计时用OWL和SWRL语言来对情境识别中需要涉及的概念和规则进行建模。在系统运行时，语义推理及会利用获取的感知数据和以上模型进行推理从而识别情境。在大部分基于语义网的研究工作中，都有一个共同的假设，那就是获取的感知数据是确定和完全的。因为这些工作中感知系统在感知过程中使用的传感器资源都是为某一个感知目标而专门设置，因此它们是在系统设计时就预先定义好的。

然而近些年来随着技术进步以及物联网普及，我们生活的环境中建立了大量的感知基础设施。这些大量存在的感知设备不仅包括分布在物理空间(如河流之上、建筑物中，街道上，公园里等等)中的静态传感器，还有人或车辆携带的移动传感器，例如智能手机、平板电脑、穿戴设备中内嵌的传感器，以及车载GPS、雷达等。此外无线通信网络(例如WSN、Wi-Fi以及3G/4G网络等)的覆盖范围越来越广，它们可以将感知设备获取的感知数据传送到数据处理单元。在这样的背景下，机会感知(OpportunisticSensing)逐渐成为一种重要的感知范型。相比于传统的感知系统而言，机会感知应用(Opportunistic Sensing Application)充分利用某个时间和地点恰好出现的传感器来实现感知目标，而不是为了该感知目标而专门部署相应的传感器。

由于机会感知的特点，在机会感知范型下的情境识别便遇到了新的技术挑战。抽象而言，主要有以下两个方面：

一是传感器数据可得性(Availability)的不确定性。机会感知试图发现和利用某个时间和地点恰好出现的传感器来完成感知目标，因此情境识别过程中需要的某类传感器数据可能由于相应的传感器资源缺乏而不能获得。

二是传感器数据可信度(Confidence)的不可预测。即使情境识别所需的感知数据都能够获取，感知数据的可信度仍然是不可预测的。造成这种不可预测性的原因主要有两方面：一方面，在机会感知范型下完成感知目标的传感器很可能来自其他感知系统。而在不同感知系统中即使是同类传感器，其精度也可能相差很大；另一方面，在完成某个感知目标时究竟会选取哪个传感器是在设计时无法预测的。

以上挑战抽象出来就是如何进行不确定的语义推理的问题。为了解决这一问题，一些研究工作基于不同数学模型对语义网语言OWL和SWRL进行扩展，开发了很多新的扩展语言。这些语言从某种程度上是有效的，然而它们都有一个共同的不足，那就是这些语言的使用十分复杂，即使是对语义网语言非常熟悉的人来说，学习起来也非常困难。

发明内容

本发明主要是解决现有技术所存在的扩展的语义网语言使用复杂，学习困难等问题，提出了一种基于机会感知的情境识别系统及方法，该系统及方法可以使得情境感知应用的开发者仍然使用OWL和SWRL语言对情境识别的规则和概念进行建模，而无需使用新的扩展语言。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于机会感知的情境识别系统，包括：用于感知不同上下文信息的机会感知数据采集器、用于记录情境识别知识的情境识别知识库、用于根据所述机会感知数据采集器采集到的上下文信息和所述知识库记载的情境识别知识进行情境推理的情境推理机。

其中，情境推理机主要负责在运行时解决不确定的情境推理任务。情境是对一个实体所处状态的一种语义抽象，对于一个情境感知应用而言，当情境发生变化时则会触发相应的动作执行。通常来说，一个实体(例如一个人)所处的情境种类是无限的。然而对于一个特定的情境感知应用而言，其关注的情境种类是有限的。因此，将一个应用所关注的所有可能的情境组成一个集合，称之为情境候选集合。

上下文信息是能够刻画一个实体的情境的任何信息，一个实体的情境是由一组上下文信息来确定的。

情境识别知识包括情境推理规则，它是定义上下文与情境的一阶逻辑表达式。具体来说，一个情境推理规则包括两部分：前件和后件。规则的前件是一组用逻辑AND连接起来的上下文断言。上下文断言被定义为是一个逻辑表达式，它描述了某种上下文信息需要满足的条件。因此对于一个候选情境来，情境推理规则的前件为R(S_i)＝A(C₁)ΛA(C₂)Λ…ΛA(C_m),其中A(C_i)是第i个上下文断言。而情境推理规则与m个上下文信息相关。规则的后件是关于一个候选情境的表达式。

优化的，在上述的一种基于机会感知的情境识别系统中，所述情境识别知识库包括：用于记载所有情境感知应用共享知识的共享知识库和用于记载具体应用情境识别相关知识的应用知识库，其中：所述共享知识库包括：用于定义所有应用共用概念的共享知识模块、用于存储各种上下文信息可信度的可信度记录模块。其中：共享知识模块使用OWL语言定义了所有应用都可能用的一些概念。而为了应对感知数据可信性不可预测的问题，可信度记录模块实现存储了共享的感知系统中每种上下文信息的可信度。这个可信度可以用感知数据采集器的准确度来衡量。在运行时，情境推理机会查询可信度记录，然后将查询得到的上下文的可信度利用在情境推理的过程中。这些可信度信息的获取可以利用专家的经验，也可能通过实验对共享感知系统提供的上下文信息的可信度进行度量。

优化的，在上述的一种基于机会感知的情境识别系统中，所述应用知识库包括：继承于共享知识模块并包含记载具体应用情境识别知识的应用知识模块、记载具体应用情境推理规则的应用情境推理规则模块。

优化的，上述的一种基于机会感知的情境识别系统中，所述情境推理机包括：用于将情境推理规则分解为若干个上下文断言的规则分解模块；用于对能够确定变量的上下文断言进行推理，并且能够将变量不确定的上下文断言的推理结果置为不确定的断言推理模块；用于将上下文断言的推理结果进行归并，然后从候选情境中选择当前用户所处情境的融合与决策模块。

一种利用上述情境识别系统进行基于机会感知的情境识别方法，包括：规则部署步骤：编写情境推理规则，并部署在情境推理机上；规则分解步骤：将情境推理规则分解为若干个上下文断言；断言推理步骤：对变量确定的上下文断言进行推理并且将变量不确定的上下文断言的推理结果置为不确定；融合决策步骤：将上下文断言的推理结果进行归并，然后从候选情境中判定选择当前用户所处情境。

优化的，在上述的一种基于机会感知的情境识别方法中，所述规则分解步骤包括：公式选择步骤：选择与机会感知数据采集器所采集到的上下文信息直接相关的原子公式；规则分解步骤：基于公式选择步骤选择的原子公式将情境推理规则分解为若干个上下文断言。具体而言，分解的过程是这样的：对于每个原子公式，与其相关的原子公式(包括它本身)会用逻辑AND连接成一个上下文断言。

在情境推理规则被分解之后，需要对于那些变量值都能够被指定的CA进行推理。然而，这些CA的推理并不是独立的，这给提高推理的性能提供了机会。

优化的，在上述的基于机会感知的情境识别方法中，所述断言推理步骤包括：分析步骤：分析所有的上下文之间的依赖关系；推理步骤：基于分析步骤得到的依赖关系，利用拓扑排序算法进行排序，然后按排序顺序对每个上下文断言依次进行推理。

优化的，在上述的基于机会感知的情境识别方法中，所述分析步骤包括：

步骤801，顺序扫描所有情境推理规则的上下文断言，并判断不同上下文断言变量之间的关系；

步骤802，如果一个上下文断言中有至少一个变量依赖于另一个上下文断言中的变量，则两个上下文断言之间产生一个依赖关系；

步骤803，将上下文断言以及上下文之间断言的依赖关系采用有向图的方式表示，其中有向图的顶点代表上下文断言，有向边代表上下文断言之间的依赖关系。

采用上述分析步骤所描述的推理过程的算法如下：

令有向图G＝<V,E>,CA为上下文断言，其中顶点集V代表一个CA，边集代表CA之间的依赖关系；

令C，Temp1和Temp2是CA的变量，变量P是情景推理的实体。则推理步骤如下：

步骤1：C＝{情境推理规则的所有上下文},Boolean Flag＝True；

步骤2：选出原子公式中包括P的所有上下文，为其赋于变量Temp1，令V＝V∪Temp1，C＝C-Temp1.

步骤3：WHILE(Flag＝＝True){

Flag＝False.扫描所有上下文C，并且对于一个属于C并且值确定的X

Step4：V＝V∪C//将孤立的上下文断言加入到有向图中。

对于一个推理规则而言，在所有的上下文断言被推理完成之后，推理的结果需要被该融合归并，该融合归并决策步骤包括：选择一个用于计算候选情境与真实情境相似度的相似函数，依次计算各个候选情境与真实情境的相似度，选择相似度最高的候选情境作为推理结果，并且当有多于一个候选情境与真实情境的相似度达到最大值时，则随机选择一个候选情境作为情境推理结果。

为了描述这个归并和决策的过程，首先需要定义一些概念。

首先，上下文断言CA的真值需要从传统的0/1扩展到[-1,1]这个区间。其中，对于某个上下文断言来说，其真值的绝对值表示了这个上下文信息的可信度，而正负符号则代表了在推理之后，该断言的真假倾向性。对于以上真值定义的语义解释，我们定义在下面的公式(1)中。其中k∈(0,1]是上下文C_(i)的可信度。

$\begin{array}{c}\mathrm{TruthValue}(A\left(C_i\right)\\ =\left\{\begin{array}{ccc}k,& \mathrm{if}& \mathrm{auirped}{C}_i\mathrm{indicates\; that}\left(A\left(C_i\right)\right)\mathrm{is\; true}\\ 0,& \mathrm{if}& \mathrm{the}{C}_i\mathrm{can\; not\; be\; aquired}\\ -k,& \mathrm{if}& \mathrm{aquired}{C}_i\mathrm{indicates\; that}\left(A\left(C_i\right)\right)\mathrm{isfalse}\end{array}\right.---\left(1\right)\end{array}$

定义了上下文真值向量CTV(Contexts Truth Vector)和基准向量BV(Benchmark Vector)这两个概念。这里需要指出的是，为了简化问题，在本文中对于一个候选情境集中的所有候选情境来说，它们都与同一组上下文信息相关。

定义2  一个候选情境集被记为S＝{S₁,S₂,…,S_n}，情境推理的目标是找出S中最有可能成为用户当前情境的候选情境。在某个特定的时间点t，对于某个候选情境S_i∈S来说，它对应的情境推理规则可以被记作R(S_i)＝A(C₁)ΛA(C₂)Λ…ΛA(C_m),其中A(C_i)是一个上下文断言CA，而R(S_i)与m种上下文信息相关.CTV(Contexts Truth Vector)和BV(Benchmark Vector)被定义如下：

(1)对于某个R(S_i)，TV_t(S_i)＝(T₁,T₂,….,T_m)被记为它的CTV(Contexts Truth Vector)其中T_i＝TruthValue(A(C_i))，而m是与R(S_i)推理相关的上下文信息的种类。

(2)BV(Benchmark Vector)被记为一个m维度的向量，bV＝(1,1,…,1)。

再次，定义一个相似度函数Sim(S(t),S_i)来表示S_i与S(t)的相似度(如公式2所示),其中S_i∈S，而S(t)则是t时刻用户实际处于的情境.这个相似度函数用TV_t和bV两个向量夹角的余旋值来表示。.

$\mathrm{Sim}(S\left(t\right),S_i)=\cos ({\mathrm{TV}}_t\left(S_i\right),\mathrm{bV})=\frac{{\mathrm{TV}}_t\left(S_i\right)\&CenterDot;\mathrm{bV}}{\left|{\mathrm{TV}}_t\left(S_i\right)\right|\left|\mathrm{bV}\right|}---\left(2\right)$

最后，进行归并和决策，其主要的思想是计算每个候选情境的可能性，这个可能性用相似度函数Sim(S(t),S_i)来度量。算法如下：

将一个情境候选集合定义为S＝{S₁,S₂,…,S_n}，对于一个SIR的前件R(S_i)＝A(C₁)ΛA(C₂)Λ…ΛA(C_m),其中A(C_i)是一个CA而SIR与m个contexts C₁,C₂,…，C_m相关。

第一步:对于i＝1,2,…,n,分别计算Sim(S(t),S_i)

第二步：对t时刻的情境进行决策和推理。(推理得到的情境记为S_inferred(t)).则S_inferred(t)＝S_k,如果S_k使得Sim(S(t),S_i)t取得最大值。其中i＝1,2,…,n.

第三步:如果有多于一个S_i的Sim(S(t),S_i)达到了最大值,则随机选择一个S_i作为情境推理的结果。.

因此，本发明具有如下优点：1.无需使用新的扩展语言，仍然使用OWL和SWRL语言即可对情境识别的规则和概念进行建模；2.自动屏蔽机会感知环境的不确定性，基于一个提前建立的知识库，得到一个合适的推理结果。

附图说明

图1为本发明的结构示意图。

具体实施方式

实施例：

下面通过一个实例，来说明本专利涉及的方法如何在情境感知应用中实施。

如图1所示，一种基于机会感知的情境识别系统，包括：用于感知不同上下文信息的机会感知数据采集器、用于记录情境识别知识的情境识别知识库、用于根据所述机会感知数据采集器采集到的上下文信息和所述知识库记载的情境识别知识进行情境推理的情境推理机。

情境识别知识库包括：用于记载所有情境感知应用共享知识的共享知识库和用于记载具体应用情境识别相关知识的应用知识库，其中：共享知识库包括：用于定义所有应用共用概念的共享知识模块、用于存储各种上下文信息可信度的可信度记录模块。应用知识库包括：继承于共享知识模块并包含记载具体应用情境识别知识的应用知识模块、记载具体应用情境推理规则的应用情境推理规则模块。情境推理机包括：用于将情境推理规则分解为若干个上下文断言的规则分解模块；用于对能够确定变量的上下文断言进行推理，并且能够将变量不确定的上下文断言的推理结果置为不确定的断言推理模块；用于将上下文断言的推理结果进行归并，然后从候选情境中选择当前用户所处情境的融合与决策模块。

在本实施例中，假设MyClassroom是一个情境感知应用，它用于识别用户在教室里的不同情境从而提供不同的服务。该应用需要从用户在教室里可能处于的情境里识别出目前最有可能处于的情境，它们分别是classattendance,open lecture,student meeting,class exam and self-study。为了进行情境识别，MyClassroom利用的上下文信息也包括5种，如表格1所示。

表格 1 上下文信息和相关的感知模块

在本实施例中，MyClassroom的应用开发者需要按照以下步骤进行操作：

第一步,规则部署步骤：编写情境推理规则，并部署在情境推理机上。

用SWRL语言编写情境推理的规则，规则中出现的相关概念用OWL进行标识。规则如表格2中所示。

表格 2 情境推理规则

定义Open Lecture的SWRL如下(表格2中其他几种情境定义规则的SWRL表示是类似的，在这里不一一列举)。

其中：？p其中代表一个人，？r代表一个房间，？cap代表房间的大小，？x描述是否存在声音，？y描述熟人比例的高低，？pro代表一个投影仪，？s代表投影仪的状态。

第二步，规则分解步骤：将情境推理规则分解为若干个上下文断言；

首先进行公式选择：选择与机会感知数据采集器所采集到的上下文信息直接相关的原子公式，在本实施例中，一共有5个原子公式是需要被开发者指定的。它们分别是

LocatedIn(？p,？r)；

RoomCapacity(？r,？cap)；,

HasStatus(？pro,？s),；

ExistHumanVoice(？r,？x)；

AcquaintanceProportion(？p,？y).

基于上述选择的原子公式将情境推理规则分解为若干个上下文断言：

第三步，断言推理步骤：对变量确定的上下文断言进行推理并且将变量不确定的上下文断言的推理结果置为不确定，主要包括分析步骤和推理步骤。

分析步骤：分析所有的上下文之间的依赖关系，具体步骤如下：

步骤801：顺序扫描所有情境推理规则的上下文断言，并判断不同上下文断言变量之间的关系；

步骤802，如果一个上下文断言中有至少一个变量依赖于另一个上下文断言中的变量，则两个上下文断言之间产生一个依赖关系；

步骤803，将上下文断言以及上下文之间断言的依赖关系采用有向图的方式表示，其中有向图的顶点代表上下文断言，有向边代表上下文断言之间的依赖关系。

例如，在本实施例中，A(C₂)，A(C₂)和A(C₂)都依赖于A(C₁)，因此有向图的顶点集合为{A(C₁),A(C₂),A(C₃),A(C₄),A(C₅)}，边集合为{<A(C₁),A(C₂)>,<A(C₁),A(C₃)>,<A(C₁),A(C₄)>}。

在依赖分析后，进行推理步骤：基于分析步骤得到的依赖关系，利用拓扑排序算法进行排序，然后按排序顺序对每个上下文断言依次进行推理。

第四步，融合决策步骤：将上下文断言的推理结果进行归并，然后从候选情境中判定选择当前用户所处情境。选择一个用于计算候选情境与真实情境相似度的相似函数，依次计算各个候选情境与真实情境的相似度，选择相似度最高的候选情境作为推理结果，并且当有多于一个候选情境与真实情境的相似度达到最大值时，则随机选择一个候选情境作为情境推理结果。本实施例采用下述公式计算相似度：

$\mathrm{Sim}(S\left(t\right),S_i)=\cos ({\mathrm{TV}}_t\left(S_i\right),\mathrm{bV})=\frac{{\mathrm{TV}}_t\left(S_i\right)\&CenterDot;\mathrm{bV}}{\left|{\mathrm{TV}}_t\left(S_i\right)\right|\left|\mathrm{bV}\right|}$

例如，在某个时刻，以上五种上下文信息中有四种上下文C₁,C₂,C₃C₄可以被获取，其中C₁显示Tom在1726房间，C₂显示1726房间的capacity取值为“中”，C₃显示projector的状态是“关闭”，C₄则显示教室里现在有人说话。这里简单起见，假设每种上下文的可信度都为1，因此，情境计算过程如下：

S₁＝(1,1,-1,1,0)

S₂＝(1,1,-1,1,0)

S₃＝(1,1,1,1,0)

S₄＝(1,1,1,-1,0)

S₅＝(1,1,1,-1,0)

带入Sim(S(t),S_i)＝cos(TV_t(S_i),bV)进行计算，最终推出S3是最有可能的情境。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

尽管本文较多地使用了机会感知数据采集器、情境识别知识库、情境推理机、共享知识库、应用知识库、应用知识模块、情境推理规则模块、规则分解模块、断言推理模块、融合与决策模块等术语，但并不排除使用其它术语的可能性。使用这些术语，是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (10)

1.一种基于机会感知的情境识别系统，其特征在于，包括：用于感知不同上下文信息的机会感知数据采集器、用于记录情境识别知识的情境识别知识库、用于根据所述机会感知数据采集器采集到的上下文信息和所述知识库记载的情境识别知识进行情境推理的情境推理机。

2.根据权利要求1所述的一种基于机会感知的情境识别系统，其特征在于，所述情境识别知识库包括：用于记载所有情境感知应用共享知识的共享知识库和用于记载具体应用情境识别相关知识的应用知识库，其中：

所述共享知识库包括：用于定义所有应用共用概念的共享知识模块、用于存储各种上下文信息可信度的可信度记录模块。

3.根据权利要求2所述的一种基于机会感知的情境识别系统，其特征在于，所述应用知识库包括：继承于共享知识模块并包含记载具体应用情境识别知识的应用知识模块、记载具体应用情境推理规则的应用情境推理规则模块。

4.根据权利要求1所述的一种基于机会感知的情境识别系统，其特征在于，所述情境推理机包括：

用于将情境推理规则分解为若干个上下文断言的规则分解模块；

用于对能够确定变量的上下文断言进行推理，并且能够将变量不确定的上下文断言的推理结果置为不确定的断言推理模块；

用于将上下文断言的推理结果进行归并，然后从候选情境中选择当前用户所处情境的融合与决策模块。

5.一种利用权利要求1所述情境识别系统进行基于机会感知的情境识别方法，其特征在于，包括：

规则部署步骤：编写情境推理规则，并部署在情境推理机上；

规则分解步骤：将情境推理规则分解为若干个上下文断言；

断言推理步骤：对变量确定的上下文断言进行推理并且将变量不确定的上下文断言的推理结果置为不确定；

融合决策步骤：将上下文断言的推理结果进行归并，然后从候选情境中判定选择当前用户所处情境。

6.根据权利要求5所述的一种基于机会感知的情境识别方法，其特征在于，所述规则分解步骤包括：

公式选择步骤：选择与机会感知数据采集器所采集到的上下文信息直接相关的原子公式；

规则分解步骤：基于公式选择步骤选择的原子公式将情境推理规则分解为若干个上下文断言。

7.根据权利要求5所述的一种基于机会感知的情境识别方法，其特征在于，所述断言推理步骤包括：

分析步骤：分析所有的上下文之间的依赖关系，并利用拓扑排序算法进行排序。

推理步骤：按排序顺序对每个上下文断言依次进行推理。

8.根据权利要求7所述的一种基于机会感知的情境识别方法，其特征在于，所述依赖分析步骤包括：

步骤801，顺序扫描所有情境推理规则的上下文断言，并判断不同上下文断言变量之间的关系；

步骤802，如果一个上下文断言中有至少一个变量依赖于另一个上下文断言中的变量，则两个上下文断言之间产生一个依赖关系；

步骤803，将上下文断言以及上下文之间断言的依赖关系采用有向图的方式表示，其中有向图的顶点代表上下文断言，有向边代表上下文断言之间的依赖关系。

9.根据权利要求5所述的一种基于机会感知的情境识别方法，其特征在于，所述融合决策步骤包括：选择一个用于计算候选情境与真实情境相似度的相似函数，依次计算各个候选情境与真实情境的相似度，选择相似度最高的候选情境作为推理结果，并且当有多于一个候选情境与真实情境的相似度达到最大值时，则随机选择一个候选情境作为情境推理结果。

10.根据权利要求9所述的一种基于机会感知的情境识别方法，其特征在于，所述用于计算候选情境与真实情境相似度的相似函数采用如下定义：

$\mathrm{Sim}(S\left(t\right),S_i)=\cos ({\mathrm{TV}}_t\left(S_i\right),\mathrm{bV})=\frac{{\mathrm{TV}}_t\left(S_i\right)\&CenterDot;\mathrm{bV}}{\left|{\mathrm{TV}}_t\left(S_i\right)\right|\left|\mathrm{bV}\right|}$

其中S(t)是t时刻用户实际处于的情境，S_i是候选情境，TV_t是在情境推理规则R(S_i)下的上下文真值向量，BV是基准向量。