CN108846481B - 一种基于QoX自适应管理的情景信息不确定性消除系统及其工作方法 - Google Patents
一种基于QoX自适应管理的情景信息不确定性消除系统及其工作方法 Download PDFInfo
- Publication number
- CN108846481B CN108846481B CN201810659330.XA CN201810659330A CN108846481B CN 108846481 B CN108846481 B CN 108846481B CN 201810659330 A CN201810659330 A CN 201810659330A CN 108846481 B CN108846481 B CN 108846481B
- Authority
- CN
- China
- Prior art keywords
- information
- module
- scene
- scene information
- uncertainty
- 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.)
- Active
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
-
- 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
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明涉及一种基于QoX自适应管理的情景信息不确定性消除系统及其工作方法,包括传感器模块、情景信息采集建模模块、预设情景信息阈值信息模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、情景信息相关性分析模块、原始情景信息流重构模块、复合情景信息流模块、融合推理模块、情景应用层调整模块、知识库;本发明通过对各类情景信息质量指标的计算、分析和管理,充分提高了情景感知系统的可信度,为情景感知计算中的情景信息的不确定性消除提供了一种有效的方法,使得本系统具有更好的主动性、容错性与适应性。
Description
技术领域
本发明涉及一种基于QoX自适应管理的情景信息不确定性消除系统及其工作方法,属于情景感知的技术领域。
背景技术
随着无线传感技术、人机交互技术和智能计算技术的日趋完善,情景感知技术得到了迅速的发展,进而情景感知系统得以融入人们的日常生活中。情景感知系统是以人为中心的计算系统,该计算系统中各传感设备可以自动感知情景信息以及情景信息的变化,向用户提供与当前情景相关的服务。
在异构感知网络中,一方面,由于大量重复或功能相近的传感器的存在、多个异构感知网络的并存及感知区域的重叠与交叉,导致感知网络收集到的情景信息中往往存在大量冗余数据,直接使用未经处理的情景信息会降低计算资源的使用效率,增加不必要的成本。另一方面,异构感知网络采集到的多源情景信息存在不完备、不精确、不一致等不确定性问题,若未建立合理的情景信息不确定性消除机制,直接对其进行不确定性消除,可能导致系统做出不恰当的推理决策,继而影响系统的服务质量及用户满意度。
现阶段针对情景信息不一致、不完备、不精确三类不确定性问题多采用分散独立、简单固定、模式单一的处理机制,并且未将各类质量指标与情景信息不确定性消除系统有效结合,而这种机制不能很好地满足异构感知网络中复杂多变的不确定性情景信息处理的动态需求。因此,如何实现情景信息不确定性的动态自适应处理是需要重点研究的问题。
中国专利文献CN106650941A公开了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,该系统包括情景信息采集模块、情景信息处理模块、知识库模块、情景响应模块、情景信息应用模块、情景信息检索/订阅模块、情景信息校正模块以及用户反馈模块,其中情景处理模块中包括多算法不完备性消除单元、各算法结果不一致性消除单元、可信度管理单元、可靠性管理单元、各信源不一致性消除单元、情景信息融合推理单元以及自适应管理单元。但是,该专利未综合考虑各类质量指标对情景信息不确定性处理影响,自适应性相对较弱。
中国专利文献CN107705037A公开了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,包括采集设备质量模块、上下文信息质量模块、服务质量模块以及用户体验质量模块,服务质量模块计算出系统服务的QoS参数,并产生相应的调整信息输送至采集设备质量模块,采集设备质量模块根据调整信息,选择符合系统需求的采集设备,用户体验质量模块获取用户对整个应用服务的QoE指标,并产生反馈信息,发送到上下文信息质量模块,上下文信息模块根据反馈信息,调整预设QoC值,形成闭环的自适应调节。但是,该专利侧重QoX质量体系的介绍,并未以QoX为评价指标,不能实现对情景信息不确定性处理。
发明内容
针对现有技术的不足,本发明提供一种异构感知网络中基于QoX自适应管理的情景信息不确定性消除系统;
本发明还提供了上述系统的工作方法;
本系统利用设备质量(Quality of Device,QoD)、情景信息质量(Quality ofContext,QoC)、服务质量(Quality of Service,QoS)、体验质量(Quality of Experience,QoE)等层次化综合质量指标QoX和应用层的错误矫正等机制,通过对各类情景信息质量指标的计算、分析和管理,充分提高了情景感知系统的可信度,为情景感知计算中的情景信息的不确定性消除提供了一种有效的方法,使得本系统具有更好的主动性、容错性与适应性。
术语解释:
1、不一致率,是指情景感知系统中某类情景信息样本向量中不一致性数据所占的比例。
2、不完备率,是指情景感知系统中某类情景信息样本向量中缺失数据所占的比例。
3、不精确率,是指情景感知系统中某类情景信息样本向量中不精确数据所占的比例。
4、可信度,是指某一特定情景信息的精度,该参数主要受到两方面因素的影响,即传感器测量精度、传感器与目标感知实体之间的物理空间距离。传感器与其感知对象相距越远,其感知到的信息的可信度越低。
本发明的技术方案为:
一种异构感知网络中基于QoX自适应管理的情景信息不确定性消除系统,包括传感器模块、情景信息采集建模模块、预设情景信息阈值信息模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、情景信息相关性分析模块、原始情景信息流重构模块、复合情景信息流模块、融合推理模块、情景应用层调整模块、知识库;
所述传感器模块、情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、情景信息相关性分析模块、复合情景信息流模块、融合推理模块、知识库、情景应用层调整模块依次连接;所述预设情景信息阈值信息模块、原始情景信息检测模块、自适应管理模块依次首尾连接;所述自适应管理模块、不确定性消除模块、原始情景信息流重构模块(或情景信息相关性分析)和复合情景信息流模块依次首尾相连;所述知识库连接情景应用层调整模块;
所述传感器模块用于采集情景信息;所述情景信息主要是指环境本身以及环境中各实体所明示或隐含的可用于描述其状态(含历史状态)的任何信息。
所述情景信息采集建模模块用于:获取情景信息,根据预设的初始建模方式,对获取的情景信息进行建模,获得原始情景信息;
进一步优选的,预设的初始建模方式为“感知类型+感知信息+感知精度”,感知类型用于信息分类;感知信息用于数据输出;感知精度用于信息处理。通过紧密相关的三个建模子项,提高了情景感知系统中情景信息不确定性消除的可靠性。
所述原始情景信息检测模块用于:通过计算不一致率、不完备率、不精确率和时效性QoC指标,对原始情景信息进行不确定性检测与量化,并结合系统预设情景信息可接受门限、拒绝门限QoC阈值信息,得到符合系统正确率要求的原始情景信息信息流与不一致率、不完备率、不精确率和时效性QoC信息;
所述自适应管理模块用于:结合原始情景信息质量指标、关联程度QoC指标以及情景信息反馈信息,评估情景信息各不确定性因素消除优先等级,并在不同情景下针对某一不确定性问题自适应地选择不同的消除算法;所述原始情景信息质量指标是指原始情景信息检测模块传输来的情景信息不一致性率、不完备率、不精确率和时效性;所述关联程度是指传感器模块中各传感器采集情景信息与判决结果之间的关联度;情景信息反馈信息包括用户反馈信息与情景订阅、错误修正后的情景信息;对于不确定性因素消除优先等级,采用的原则为:先消除主要矛盾,兼顾特殊情况,并采用实时反馈机制;
所述不确定性消除模块用于:对原始情景信息进行解析,按照来自自适应管理模块的情景信息各不确定性因素消除优先等级以及不同情景下的某一不确定性问题选择的恰当消除算法,并综合运用多种不一致性、不完备性和不精确性消除算法,消除原始情景信息中的不确定性数据;
所述知识库用来存储情景信息融合之后的情景信息、情景订阅信息修正后的信息以及用户反馈信息;并为情景信息采集建模模块提供情景信息建模方式,同时调整情景信息采集阈值门限;为所述自适应管理模块提供反馈信息及各情景信息之间的关联程度信息;为所述融合推理模块提供适合的融合推理机制;
所述融合推理模块用于将不确定性消除模块处理后的数据进行组合,完成原始情景信息信息流重构,并进行情景信息相关性分析,最终构建数据准确、结构清晰和含义丰富的复合情景信息信息流;利用情景信息融合推理技术,将复合情景信息信息流推理融合为应用程序和智能设备可识别的高层情景信息,并将其存入知识库中;应用程序和智能设备根据高层情景信息进行自适应调整;从而提高情景感知系统中用户的综合体验质量水平。
所述情景应用层调整模块用于通过用户反馈调节或通过情景订阅实时调节应用模块中程序或设备的运行情况以及更新知识库中的历史情景信息;
所述预设情景信息阈值信息模块用于预设情景信息的丢弃门限;
所述情景信息相关性分析模块用于分析情景信息之间的关联程度;
所述原始情景信息流重构模块用于对原始情景信息流进行重新整合;
所述复合情景信息流模块用于根据情景信息之间的关联程度与重构后的原始情景信息重组情景信息。
根据本发明优选的,所述情景信息不确定性消除系统还包括传输控制模块、优先级控制模块、自适应控制模块、系统访问控制模块;
所述传输控制模块用于控制原始情景信息和其情景信息质量的流向问题;
所述优先级控制模块用于控制各类情景信息不确定性问题消除的优先等级,
所述自适应控制模块用于实时调整情景信息不确定性消除机制;
所述系统访问控制模块用于控制用户的访问范围。
根据本发明优选的,所述原始景信息检测模块包括情景信息不一致性检测/量化单元、情景信息不精确性检测/量化单元和情景信息不完备性检测/量化单元;
所述情景信息不一致性检测/量化单元用于检测不一致性并确定其不一致率;
所述情景信息不精确性检测/量化单元用于检测不精确性并确定其不精确率;
所述情景信息不完备性检测/量化单元用于检测不完备性情景信息并确定其不完备率。
根据本发明优选的,所述不确定性消除模块包括不一致性消除单元、不完备性消除单元和不精确性消除单元;
所述不一致性消除单元根据自适应管理模块所给出的算法消除情景信息的不一致性;
所述不完备性消除单元根据自适应管理模块所给出的算法消除情景信息的不完备性;
所述不精确性消除单元根据自适应管理模块所给出的算法消除情景信息的不精确性。
根据本发明优选的,所述自适应管理模块包括可信度可靠性单元、评估关联程度单元、同一时刻不完备率单元和不确定性等级单元;
所述可信度可靠性单元用于计算情景信息的可信度与可靠性;
所述评估关联程度单元用于评估情景信息与情景信息,以及情景信息与判决结果之间的关联程度;
所述同一时刻不完备率单元用于判断同一时刻情景信息不完备率与不一致率、不精确率的大小;
所述不确定性等级单元用于根据上述指标评估判定各类情景信息不确定性问题的严重程度。
根据本发明优选的,所述情景应用层调整模块包括依次连接的用户反馈单元、情景应用单元、情景订阅单元和错误修正单元;
所述知识库、情景应用单元、情景订阅单元和错误修正单元依次首尾相连;所述用户反馈单元连接所述知识库;
所述用户反馈单元用于存储用户反馈信息;
所述情景应用单元用于控制应用程序或设备的运行;
所述情景订阅单元用于根据用户当前的状态订阅所需情景信息;
所述错误修正单元用于根据订阅情景信息修正知识库中的历史情景信息。
上述情景信息不确定性消除系统的工作方法,包括步骤如下:
(1)初始设置子系统:负责情景信息不确定性消除系统中初始参数的设置;包括步骤如下:
S11:用户根据所采集情景信息的类型、数量及结构,通过用户反馈单元对情景感知系统进行各类信息的初始设置操作,并将初始设置信息发送到知识库,所述初始设置信息包括情景信息建模方式、情景信息丢弃阈值、不确定性消除优先等级、不确定性消除算法以及情景信息推理融合规则;例如,采用“感知类型+感知信息+感知精度”进行建模,设定情景信息的不一致率超过30%则将其丢弃,先消除不完备性再消除不精确性最后消除不一致性,选取不同的不确定性消除算法,采用投票选举法消除不一致性,采用基于关联程度的推理规则。
S12:知识库存储用户反馈单元中的用户对情景感知系统的初始设置信息,以及知识库中有用的历史信息,例如用户的病例信息、身体状况,并将相关信息发送到情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块以及融合推理模块;相关信息例如用户或系统预设建模方式、情景信息丢弃阈值、情景信息不确定性消除机制和情景信息融合推理规则;
S13:情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块以及融合推理模块根据知识库发送来的相关信息调整各自的操作;相关信息例如用户或系统预设建模方式、情景信息丢弃阈值、情景信息不确定性消除机制和情景信息融合推理规则;
情景触发子系统主要包括情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、原始情景信息流重构模块、融合推理模块、情景应用单元以及知识库等,负责实现情景感知系统中情景信息的感知任务以及动态调整功能。
(2)情景触发子系统,包括步骤如下:
S21:情景信息采集建模模块获取情景信息,按照初始设定的情景信息建模方式进行建模,并将其发送给原始情景信息检测模块;
进一步优选的,情景信息采集建模模块获取情景信息,若情景信息超出情景信息丢弃阈值,则将其丢弃,否则,按照初始设定的情景信息建模方式进行建模,建模方式为“情景感知类型+情景感知信息+情景感知精度”,对获取的各类情景信息需要按照知识库中预设定的模型进行建模,实现情景信息描述的标准化,以备后期对情景信息进行进一步处理,实现不同领域情景信息之间的操作。并将其发送给原始情景信息检测模块;
S22:原始情景信息检测模块检测来自情景信息采集建模模块的情景信息是否存在诸如不完备、不精确和不一致,并分别计算情景信息的不完备率、不精确率、不一致率、关联度、时效性、可靠性等质量信息,并根据知识库中用户预设情景信息丢弃阈值进行筛选,将符合要求的情景信息传送至不确定性消除模块,同时将情景质量信息传输到自适应管理模块;情景质量信息包括不一致率、不完备率、不精确率、关联程度;
S23:自适应管理模块根据来自原始情景信息检测模块的情景质量信息进一步制定情景信息不确定性消除策略,情景信息不确定性消除策略包括先消除何种不确定性情景以及消除每种不确定性情景信息时采用何种算法;
进一步优选的,情景信息不确定性消除策略是先消除主要矛盾,再消除次要矛盾。当然若遇到特殊情况将进行特殊分析。
S24:不确定性消除模块根据来自原始情景信息检测模块的情景信息,以及来自自适应管理模块的情景信息不确定性消除策略,对情景信息不确定性进行消除;
进一步优选的,当消除情景信息不一致性时,采用投票选举算法、最高信度和证据理论算法;当消除情景信息不完备性时,采用均值、期望值最大化算法(ExpectationMaximization Algorithm,EM)。当对某一类不确定性因素时,如不一致性,当不一致性的严重程度不同时,不一致性的消除策略也会做相应的调整。
S25:融合推理模块将来自低层的情景信息和知识库中的有用历史情景信息,推理融合为应用层可识别的高层情景信息,并将其存入知识库中;
S26:知识库存储实时数据以及经过融合推理模块推理出来的高层情景信息;
S27:情景应用层管理模块根据用户反馈信息以及来自知识库中的各类情景信息做出适当响应;例如提醒用户适当减缓运动。
(3)情景订阅子系统,负责完成情景感知系统中情景信息订阅的任务,包括步骤如下:
S31:情景订阅单元从情景感知应用的需求出发,设置所需的情景订阅机制,并将订阅情景信息发送到错误修正单元;情景订阅机制是指,例如当用户感到头晕时,可以订阅血压、脉搏信息;
S32:错误修正单元根据接收情景订阅单元与知识库中的情景信息相对应部分的对比分析,得到正确的情景信息,并将正确的情景信息转化为知识库可识别的格式传输到知识库;
S33:知识库根据错误修正单元发送来的情景订阅信息调整知识库中对应的情景信息,并将这些调整信息发送给情景信息采集建模模块以使其周期性的调整修正相关的情景信息;这些低层情景信息经由情景采集建模、原始情景检测、自适应管理、不确定性消除以及融合推理等模块,最终变为高层情景信息并存储在知识库中,并将这些高层情景信息发送到情景应用模块。
S34:情景应用单元根据情景订阅信息进一步调节自身的操作;
S35:情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、融合推理模块和情景订阅单元模块根据知识库中的相关调整信息调整各自的操作;
(4)用户反馈子系统,负责完成情景感知系统中用户反馈调节任务,包括步骤如下:
S41:用户反馈单元接收用户的反馈信息和调整信息;
S42:情景应用单元根据来自用户反馈单元的反馈信息,对自身任务进行相应的调整操作,调整不符合用户意愿的操作;
S43:知识库存储用户的反馈信息,并根据反馈信息进行调整自身存储的情景信息,并将这些信息发送到情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、融合推理模块和情景订阅模块;
S44:情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、融合推理模块和情景订阅模块根据来自知识库的情景信息分别适当调整各自的预设信息及相关操作;
(5)自适应管理子系统,使情景感知系统具有自适应性,包括步骤如下:
S51:自适应管理模块接收来自原始情景信息检测模块中的与信息质量相关的信息。例如情景信息的不完备率、不精确率、不一致率、隶属度与精度等质量信息。
S52:自适应管理模块对来自原始情景信息检测模块的情景质量信息进行分析,并将分析结果传输到不确定性消除模块,在自适应管理模块中主要分析不确定性消除的优先级以及某种不确定性情况下采用何种算法;
S53:经过一系列处理的情景信息被存放于知识库中,知识库中还包括用户反馈信息以及情景订阅信息,将知识库中的情景质量信息反馈到自适应管理模块;
S54:经过知识库反馈信息的进一步调节,自适应管理模块将对原始情景信息模块中的阈值信息、不确定性消除模块中的处理机制及算法的选择进行调节。
进一步优选的,所述步骤S54,包括:当通过一系列处理的情景信息质量仍达不到系统要求,知识库向自适应管理模块发出调整信息,自适应管理模块根据当前信息质量与知识库反馈回的信息进行调节。
本发明的有益效果为:
1、主动性:本系统框架模型能够主动识别各类情景信息,实时监测环境状态变化,通过对各类情景信息的处理,主动地为用户服务;
2、自适应性:本系统通过将各类质量指标融入情景信息不确定性消除系统以及应用层用户反馈和错误修正机制,能够实现对应用程序或设备的自适应调整;
3、容错性:通过系统仿真分析可知,基于各类质量指标的不确定性消除系统同传统情景感知系统相比,其容错性能更好。
附图说明
图1是本发明一种异构感知网络中基于QoX自适应管理的情景信息不确定性消除系统的结构框图;
图2是本发明一种异构感知网络中基于QoX自适应管理的情景信息不确定性消除系统工作方法流程图;
图3是实施例关于本系统容错性能的仿真效果图--不完备性与不一致性的消除逻辑关系仿真图。
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,并不限定于此。
实施例1
一种异构感知网络中基于QoX自适应管理的情景信息不确定性消除系统,如图1所述,包括传感器模块、情景信息采集建模模块、预设情景信息阈值信息模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、情景信息相关性分析模块、原始情景信息流重构模块、复合情景信息流模块、融合推理模块、情景应用层调整模块、知识库;
传感器模块、情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、情景信息相关性分析模块、复合情景信息流模块、融合推理模块、知识库、情景应用层调整模块依次连接;预设情景信息阈值信息模块、原始情景信息检测模块、自适应管理模块依次首尾连接;自适应管理模块、不确定性消除模块、原始情景信息流重构模块(或情景信息相关性分析)和复合情景信息流模块依次首尾相连;知识库连接情景应用层调整模块;传感器模块包括传感器S1、传感器S2、传感器S3;
传感器模块用于采集情景信息;情景信息主要是指环境本身以及环境中各实体所明示或隐含的可用于描述其状态(含历史状态)的任何信息。
情景信息采集建模模块用于:获取情景信息,根据预设的初始建模方式,对获取的情景信息进行建模,获得原始情景信息;预设的初始建模方式为“感知类型+感知信息+感知精度”,感知类型用于信息分类;感知信息用于数据输出;感知精度用于信息处理。通过紧密相关的三个建模子项,提高了情景感知系统中情景信息不确定性消除的可靠性。
原始情景信息检测模块用于:通过计算不一致率、不完备率、不精确率和时效性QoC指标,对原始情景信息进行不确定性检测与量化,并结合系统预设情景信息可接受门限、拒绝门限QoC阈值信息,得到符合系统正确率要求的原始情景信息信息流与不一致率、不完备率、不精确率和时效性QoC信息;
自适应管理模块用于:结合原始情景信息质量指标、关联程度QoC指标以及情景信息反馈信息,评估情景信息各不确定性因素消除优先等级,并在不同情景下针对某一不确定性问题自适应地选择不同的消除算法;原始情景信息质量指标是指原始情景信息检测模块传输来的情景信息不一致性率、不完备率、不精确率和时效性;关联程度是指传感器模块中各传感器采集情景信息与判决结果之间的关联度;情景信息反馈信息包括用户反馈信息与情景订阅、错误修正后的情景信息;对于不确定性因素消除优先等级,采用的原则为:先消除主要矛盾,兼顾特殊情况,并采用实时反馈机制;例如,在某一时段内多源情景信息的不一致性为主要矛盾时,理论上应先消除不一致性,但如果某一时刻各信源缺失信息较多,则优先进行不完备性消除,同时根据不确定性消除后的自反馈信息以及来自知识库中的与QoE相关的用户满意度、情景订阅信息等反馈信息对不确定性消除优先级进行适当调整,最终实现整个系统的不确定性动态闭环自适应处理,以适应动态变化的环境。此外还可以根据自适应管理模块中的各类QoX信息适当调整传感器的QoD信息,如传感器距离采集目标的距离和传感器的采集频率等。
不确定性消除模块用于:对原始情景信息进行解析,按照来自自适应管理模块的情景信息各不确定性因素消除优先等级以及不同情景下的某一不确定性问题选择的恰当消除算法,并综合运用多种不一致性、不完备性和不精确性消除算法,消除原始情景信息中的不确定性数据;例如,对于不完备性和不精确性情景信息,采用基于EM或BP(BackPropagation)人工神经网络等进行处理,而不一致性则可使用基于改进Dempster-Shafer(D-S)证据论的情景信息不一致性消除算法予以解决。
知识库用来存储情景信息融合之后的情景信息、情景订阅信息修正后的信息以及用户反馈信息;并为情景信息采集建模模块提供情景信息建模方式,同时调整情景信息采集阈值门限;为自适应管理模块提供反馈信息及各情景信息之间的关联程度信息;为融合推理模块提供适合的融合推理机制;
融合推理模块用于将不确定性消除模块处理后的数据进行组合,完成原始情景信息信息流重构,并进行情景信息相关性分析,最终构建数据准确、结构清晰和含义丰富的复合情景信息信息流;利用情景信息融合推理技术,将复合情景信息信息流推理融合为应用程序和智能设备可识别的高层情景信息,并将其存入知识库中;应用程序和智能设备根据高层情景信息进行自适应调整;从而提高情景感知系统中用户的综合体验质量水平。
情景应用层调整模块用于通过用户反馈调节或通过情景订阅实时调节应用模块中程序或设备的运行情况以及更新知识库中的历史情景信息;
预设情景信息阈值信息模块用于预设情景信息的丢弃门限;情景信息相关性分析模块用于分析情景信息之间的关联程度;原始情景信息流重构模块用于对原始情景信息流进行重新整合;复合情景信息流模块用于根据情景信息之间的关联程度与重构后的原始情景信息重组情景信息。
情景信息不确定性消除系统还包括传输控制模块、优先级控制模块、自适应控制模块、系统访问控制模块;传输控制模块用于控制原始情景信息和其情景信息质量的流向问题;优先级控制模块用于控制各类情景信息不确定性问题消除的优先等级,自适应控制模块用于实时调整情景信息不确定性消除机制;系统访问控制模块用于控制用户的访问范围。
原始景信息检测模块包括情景信息不一致性检测/量化单元、情景信息不精确性检测/量化单元和情景信息不完备性检测/量化单元;
情景信息不一致性检测/量化单元用于检测不一致性并确定其不一致率;情景信息不精确性检测/量化单元用于检测不精确性并确定其不精确率;情景信息不完备性检测/量化单元用于检测不完备性情景信息并确定其不完备率。
不确定性消除模块包括不一致性消除单元、不完备性消除单元和不精确性消除单元;
不一致性消除单元根据自适应管理模块所给出的算法消除情景信息的不一致性;不完备性消除单元根据自适应管理模块所给出的算法消除情景信息的不完备性;不精确性消除单元根据自适应管理模块所给出的算法消除情景信息的不精确性。
自适应管理模块包括可信度可靠性单元、评估关联程度单元、同一时刻不完备率单元和不确定性等级单元;
可信度可靠性单元用于计算情景信息的可信度与可靠性;评估关联程度单元用于评估情景信息与情景信息,以及情景信息与判决结果之间的关联程度;同一时刻不完备率单元用于判断同一时刻情景信息不完备率与不一致率、不精确率的大小;不确定性等级单元用于根据上述指标评估判定各类情景信息不确定性问题的严重程度。
情景应用层调整模块包括依次连接的用户反馈单元、情景应用单元、情景订阅单元和错误修正单元;
知识库、情景应用单元、情景订阅单元和错误修正单元依次首尾相连;用户反馈单元连接知识库;用户反馈单元用于存储用户反馈信息,情景应用单元用于控制应用程序或设备的运行,情景订阅单元用于根据用户当前的状态订阅所需情景信息,错误修正单元用于根据订阅情景信息修正知识库中的历史情景信息。
实施例2
实施例1所述情景信息不确定性消除系统的工作方法,如图2所示,能够充分提高情景感知系统的可信度,为情景感知计算中的情景信息的不确定性消除提供一种有效的方法,使得本系统具有更好的主动性、容错性与适应性。以情景感知计算的典型场景—智慧医疗为例。在智慧医疗中分别采用不同的传感器采集血压、血氧、脉搏、心率等情景信息,包括步骤如下:
(1)初始设置子系统:负责情景信息不确定性消除系统中初始参数的设置;包括步骤如下:
S11:用户根据所采集情景信息的类型、数量及结构,通过用户反馈单元对情景感知系统进行各类信息的初始设置操作,并将初始设置信息发送到知识库,初始设置信息包括情景信息建模方式、情景信息丢弃阈值、不确定性消除优先等级、不确定性消除算法以及情景信息推理融合规则;
S12:知识库存储用户反馈单元中的用户对情景感知系统的初始设置信息,以及知识库中有用的历史信息,并将相关信息发送到情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块以及融合推理模块;
S13:情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块以及融合推理模块根据知识库发送来的相关信息调整各自的操作;相关信息例如用户或系统预设建模方式、情景信息丢弃阈值、情景信息不确定性消除机制和情景信息融合推理规则;
情景触发子系统主要包括情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、原始情景信息流重构模块、融合推理模块、情景应用单元以及知识库等,负责实现情景感知系统中情景信息的感知任务以及动态调整功能。
(2)情景触发子系统,包括步骤如下:
S21:情景信息采集建模模块获取情景信息,按照初始设定的情景信息建模方式进行建模,并将其发送给原始情景信息检测模块;
情景信息采集建模模块获取情景信息,若情景信息超出情景信息丢弃阈值,则将其丢弃,否则,按照初始设定的情景信息建模方式进行建模,建模方式为“情景感知类型+情景感知信息+情景感知精度”,对获取的各类情景信息需要按照知识库中预设定的模型进行建模,实现情景信息描述的标准化,以备后期对情景信息进行进一步处理,实现不同领域情景信息之间的操作。并将其发送给原始情景信息检测模块;例如将获取的体征信息进行建模,建模模式为“感知类型-脉搏”、“感知信息-70”、“感知时间戳-7:00”。
S22:原始情景信息检测模块检测来自情景信息采集建模模块的情景信息是否存在诸如不完备、不精确和不一致,并分别计算情景信息的不完备率、不精确率、不一致率、关联度、时效性、可靠性等质量信息,并根据知识库中用户预设情景信息丢弃阈值进行筛选,将符合要求的情景信息传送至不确定性消除模块,同时将情景质量信息传输到自适应管理模块;情景质量信息包括不一致率、不完备率、不精确率、关联程度;例如当检测到某一传感器采集到的情景信息的不一致率超过40%时,则将该传感器采集的情景信息丢弃,再重新采集。
S23:自适应管理模块根据来自原始情景信息检测模块的情景质量信息进一步制定情景信息不确定性消除策略,情景信息不确定性消除策略包括先消除何种不确定性情景以及消除每种不确定性情景信息时采用何种算法;
情景信息不确定性消除策略是先消除主要矛盾,再消除次要矛盾。当然若遇到特殊情况将进行特殊分析。例如,当三个传感器同时采集脉搏信息时,其中某段时间内情景信息的不完备性、不精确性和不一致性分别为5%、10%、20%,那么自适应管理模块将得出先消除不一致性情景信息、再消除不精确性和不完备性情景信息,当然若是某一时刻数据缺失两个或两个以上,在这种情况下,则先进行不完备性情景信息消除。
S24:不确定性消除模块根据来自原始情景信息检测模块的情景信息,以及来自自适应管理模块的情景信息不确定性消除策略,对情景信息不确定性进行消除;
当消除情景信息不一致性时,采用投票选举算法、最高信度和证据理论算法;当消除情景信息不完备性时,采用均值、期望值最大化算法(Expectation MaximizationAlgorithm,EM)。当对某一类不确定性因素时,如不一致性,当不一致性的严重程度不同时,不一致性的消除策略也会做相应的调整。
S25:融合推理模块将来自低层的情景信息和知识库中的有用历史情景信息,推理融合为应用层可识别的高层情景信息,并将其存入知识库中;例如根据低层情景信息“脉搏-110”,推理出用户可能有高血压或心脏病等高层情景信息。
S26:知识库存储实时数据以及经过融合推理模块推理出来的高层情景信息;
S27:情景应用层管理模块根据用户反馈信息以及来自知识库中的各类情景信息做出适当响应;例如提醒用户适当减缓运动。
(3)情景订阅子系统,负责完成情景感知系统中情景信息订阅的任务,包括步骤如下:
S31:情景订阅单元从情景感知应用的需求出发,设置所需的情景订阅机制,并将订阅情景信息发送到错误修正单元;情景订阅机制是指,例如当用户感到头晕时,可以订阅血压、脉搏信息;
S32:错误修正单元根据接收情景订阅单元与知识库中的情景信息相对应部分的对比分析,得到正确的情景信息,并将正确的情景信息转化为知识库可识别的格式传输到知识库;
S33:知识库根据错误修正单元发送来的情景订阅信息调整知识库中对应的情景信息,并将这些调整信息发送给情景信息采集建模模块以使其周期性的调整修正相关的情景信息;这些低层情景信息经由情景采集建模、原始情景检测、自适应管理、不确定性消除以及融合推理等模块,最终变为高层情景信息并存储在知识库中,并将这些高层情景信息发送到情景应用模块。
S34:情景应用单元根据情景订阅信息进一步调节自身的操作;
S35:情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、融合推理模块和情景订阅单元模块根据知识库中的相关调整信息调整各自的操作;
(4)用户反馈子系统,负责完成情景感知系统中用户反馈调节任务,包括步骤如下:
S41:用户反馈单元接收用户的反馈信息和调整信息;例如当用户感到头晕时,将用户情景信息反馈给情景应用模块与知识库。
S42:情景应用单元根据来自用户反馈单元的反馈信息,对自身任务进行相应的调整操作,调整不符合用户意愿的操作;例如当用户反馈出身体不适时,情景应用模块将会及时提醒用户吃药或建议用户及时就医。
S43:知识库存储用户的反馈信息,并根据反馈信息进行调整自身存储的情景信息,并将这些信息发送到情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、融合推理模块和情景订阅模块;
S44:情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、融合推理模块和情景订阅模块根据来自知识库的情景信息分别适当调整各自的预设信息及相关操作;例如情景信息采集门限、情景建模方法、原始情景信息丢弃阈值、自适应管理算法、不确定性消除算法、融合推理策略和情景订阅方式等。
(5)自适应管理子系统,使情景感知系统具有自适应性,包括步骤如下:
S51:自适应管理模块接收来自原始情景信息检测模块中的与信息质量相关的信息。例如情景信息的不完备率、不精确率、不一致率、隶属度与精度等质量信息。
S52:自适应管理模块对来自原始情景信息检测模块的情景质量信息进行分析,并将分析结果传输到不确定性消除模块,在自适应管理模块中主要分析不确定性消除的优先级以及某种不确定性情况下采用何种算法;
S53:经过一系列处理的情景信息被存放于知识库中,知识库中还包括用户反馈信息以及情景订阅信息,将知识库中的情景质量信息反馈到自适应管理模块;
S54:经过知识库反馈信息的进一步调节,自适应管理模块将对原始情景信息模块中的阈值信息、不确定性消除模块中的处理机制及算法的选择进行调节。
步骤S54,包括:当通过一系列处理的情景信息质量仍达不到系统要求,知识库向自适应管理模块发出调整信息,自适应管理模块根据当前信息质量与知识库反馈回的信息进行调节。
图3是关于本系统容错性能的仿真效果图--不完备性与不一致性的消除逻辑关系仿真图。在情景信息不确定性消除系统中当各不确定性因素共存时,确定先消除哪种不确定性因素,使得系统判决正确率更高,容错性能更好。本发明提出先消除不确定性因素较严重的,再消除其次的,同时兼顾特殊情况的情景信息不确定性消除机制。下面通过实验仿真进行验证。
该仿真使用四个传感器;设定传感器采集数据的缺失率为变量,大小为依次为:0.05,0.10,0.15,0.20,0.25,0.30;每个传感器的不一致率依次为:0.04,0.08,0.15,0.20;消除不完备采用最高可信度算法,消除不一致采用投票选举算法。图3为情景信息不完备性与不一致性的消除逻辑关系仿真图,其中M-qb为先消除不完备性,M-bq为先消除不一致性。
如图3所示,假设情景信息不精确率为定值,横轴为情景信息缺失率,纵轴为不确定性消除算法的正确率。图中两条曲线是各不确定性因素消除顺序不同时不确定性消除算法的正确率。从图中可以看出,当不完备率为0.205时,两条曲线相交于一点,即两种处理方法正确率相等(交点的位置不仅与传感器的精度有关,而且还与同一时刻缺失的信源个数有关);当不完备率小于0.205时,先进行不一致性消除的算法正确率更高,而不完备率大于0.205时,则先进行不完备消除再进行不一致消除情况下的算法正确率更高。另一方面,在满足系统所设定的正确率0.90的情况下,选择合适的情景信息不确定性消除机制,所能消除的情景信息不完备性的范围更大,通过图3中(0.10,0.90)点和(0.12,0.90)点可以看出,系统所能消除的不完备率的范围由0.10提高到了0.12。
Claims (10)
1.一种异构感知网络中基于QoX自适应管理的情景信息不确定性消除系统,其特征在于,包括传感器模块、情景信息采集建模模块、预设情景信息阈值信息模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、情景信息相关性分析模块、原始情景信息流重构模块、复合情景信息流模块、融合推理模块、情景应用层调整模块、知识库;
所述传感器模块、情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、情景信息相关性分析模块、复合情景信息流模块、融合推理模块、知识库、情景应用层调整模块依次连接;所述预设情景信息阈值信息模块、原始情景信息检测模块、自适应管理模块依次首尾连接;所述自适应管理模块、不确定性消除模块、原始情景信息流重构模块和复合情景信息流模块依次首尾相连;所述知识库连接情景应用层调整模块;
所述传感器模块用于采集情景信息;
所述情景信息采集建模模块用于:获取情景信息,根据预设的初始建模方式,对获取的情景信息进行建模,获得原始情景信息;
所述原始情景信息检测模块用于:通过计算不一致率、不完备率、不精确率和时效性QoC指标,对原始情景信息进行不确定性检测与量化,并结合系统预设情景信息可接受门限、拒绝门限QoC阈值信息,得到符合系统正确率要求的原始情景信息信息流与不一致率、不完备率、不精确率和时效性QoC信息;
所述自适应管理模块用于:结合原始情景信息质量指标、关联程度QoC指标以及情景信息反馈信息,评估情景信息各不确定性因素消除优先等级,并在不同情景下针对某一不确定性问题自适应地选择不同的消除算法;所述原始情景信息质量指标是指原始情景信息检测模块传输来的情景信息不一致性率、不完备率、不精确率和时效性;所述关联程度是指传感器模块中各传感器采集情景信息与判决结果之间的关联度;情景信息反馈信息包括用户反馈信息与情景订阅、错误修正后的情景信息;对于不确定性因素消除优先等级,采用的原则为:先消除主要矛盾,兼顾特殊情况,并采用实时反馈机制;
所述不确定性消除模块用于:对原始情景信息进行解析,消除原始情景信息中的不确定性数据;
所述知识库用来存储情景信息融合之后的情景信息、情景订阅信息修正后的信息以及用户反馈信息;并为情景信息采集建模模块提供情景信息建模方式,同时调整情景信息采集阈值门限;为所述自适应管理模块提供反馈信息及各情景信息之间的关联程度信息;为所述融合推理模块提供适合的融合推理机制;
所述融合推理模块用于将不确定性消除模块处理后的数据进行组合,完成原始情景信息信息流重构,并进行情景信息相关性分析,最终构建数据准确、结构清晰和含义丰富的复合情景信息信息流;利用情景信息融合推理技术,将复合情景信息信息流推理融合为应用程序和智能设备可识别的高层情景信息,并将其存入知识库中;应用程序和智能设备根据高层情景信息进行自适应调整;
所述情景应用层调整模块用于通过用户反馈调节或通过情景订阅实时调节应用模块中程序或设备的运行情况以及更新知识库中的历史情景信息;
所述预设情景信息阈值信息模块用于预设情景信息的丢弃门限;
所述情景信息相关性分析模块用于分析情景信息之间的关联程度;
所述原始情景信息流重构模块用于对原始情景信息流进行重新整合;
所述复合情景信息流模块用于根据情景信息之间的关联程度与重构后的原始情景信息重组情景信息。
2.根据权利要求1所述的一种异构感知网络中基于QoX自适应管理的情景信息不确定性消除系统,其特征在于,预设的初始建模方式为“感知类型+感知信息+感知精度”,感知类型用于信息分类;感知信息用于数据输出;感知精度用于信息处理。
3.根据权利要求1所述的一种异构感知网络中基于QoX自适应管理的情景信息不确定性消除系统,其特征在于,所述情景信息不确定性消除系统还包括传输控制模块、优先级控制模块、自适应控制模块、系统访问控制模块;
所述传输控制模块用于控制原始情景信息和其情景信息质量的流向问题;所述优先级控制模块用于控制各类情景信息不确定性问题消除的优先等级,所述自适应控制模块用于实时调整情景信息不确定性消除机制;所述系统访问控制模块用于控制用户的访问范围。
4.根据权利要求1所述的一种异构感知网络中基于QoX自适应管理的情景信息不确定性消除系统,其特征在于,所述原始情 景信息检测模块包括情景信息不一致性检测/量化单元、情景信息不精确性检测/量化单元和情景信息不完备性检测/量化单元;
所述情景信息不一致性检测/量化单元用于检测不一致性并确定其不一致率;所述情景信息不精确性检测/量化单元用于检测不精确性并确定其不精确率;所述情景信息不完备性检测/量化单元用于检测不完备性情景信息并确定其不完备率。
5.根据权利要求1所述的一种异构感知网络中基于QoX自适应管理的情景信息不确定性消除系统,其特征在于,所述不确定性消除模块包括不一致性消除单元、不完备性消除单元和不精确性消除单元;
所述不一致性消除单元根据自适应管理模块所给出的算法消除情景信息的不一致性;所述不完备性消除单元根据自适应管理模块所给出的算法消除情景信息的不完备性;所述不精确性消除单元根据自适应管理模块所给出的算法消除情景信息的不精确性。
6.根据权利要求1所述的一种异构感知网络中基于QoX自适应管理的情景信息不确定性消除系统,其特征在于,所述自适应管理模块包括可信度可靠性单元、评估关联程度单元、同一时刻不完备率单元和不确定性等级单元;
所述可信度可靠性单元用于计算情景信息的可信度与可靠性;所述评估关联程度单元用于评估情景信息与情景信息,以及情景信息与判决结果之间的关联程度;所述同一时刻不完备率单元用于判断同一时刻情景信息不完备率与不一致率、不精确率的大小;所述不确定性等级单元用于根据上述指标评估判定各类情景信息不确定性问题的严重程度。
7.根据权利要求1所述的一种异构感知网络中基于QoX自适应管理的情景信息不确定性消除系统,其特征在于,所述情景应用层调整模块包括依次连接的用户反馈单元、情景应用单元、情景订阅单元和错误修正单元;
所述知识库、情景应用单元、情景订阅单元和错误修正单元依次首尾相连;所述用户反馈单元连接所述知识库;所述用户反馈单元用于存储用户反馈信息,所述情景应用单元用于控制应用程序或设备的运行,所述情景订阅单元用于根据用户当前的状态订阅所需情景信息,所述错误修正单元用于根据订阅情景信息修正知识库中的历史情景信息。
8.一种权利要求7所述的一种异构感知网络中基于QoX自适应管理的情景信息不确定性消除系统的工作方法,其特征在于,包括步骤如下:
(1)初始设置子系统:负责情景信息不确定性消除系统中初始参数的设置;包括步骤如下:
S11:用户根据所采集情景信息的类型、数量及结构,通过用户反馈单元对情景感知系统进行各类信息的初始设置操作,并将初始设置信息发送到知识库,所述初始设置信息包括情景信息建模方式、情景信息丢弃阈值、不确定性消除优先等级、不确定性消除算法以及情景信息推理融合规则;
S12:知识库存储用户反馈单元中的用户对情景感知系统的初始设置信息,以及知识库中有用的历史信息,并将相关信息发送到情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块以及融合推理模块;
S13:情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块以及融合推理模块根据知识库发送来的相关信息调整各自的操作;
(2)情景触发子系统,包括步骤如下:
S21:情景信息采集建模模块获取情景信息,按照初始设定的情景信息建模方式进行建模,并将其发送给原始情景信息检测模块;
进一步优选的,情景信息采集建模模块获取情景信息,若情景信息超出情景信息丢弃阈值,则将其丢弃,否则,按照初始设定的情景信息建模方式进行建模,建模方式为“情景感知类型+情景感知信息+情景感知精度”,并将其发送给原始情景信息检测模块;
S22:原始情景信息检测模块检测来自情景信息采集建模模块的情景信息是否存在诸如不完备、不精确和不一致,并分别计算情景信息的不完备率、不精确率、不一致率、关联度、时效性、可靠性,并根据知识库中用户预设情景信息丢弃阈值进行筛选,将符合要求的情景信息传送至不确定性消除模块,同时将情景质量信息传输到自适应管理模块;情景质量信息包括不一致率、不完备率、不精确率、关联程度;
S23:自适应管理模块根据来自原始情景信息检测模块的情景质量信息进一步制定情景信息不确定性消除策略,情景信息不确定性消除策略包括先消除何种不确定性情景以及消除每种不确定性情景信息时采用何种算法;
S24:不确定性消除模块根据来自原始情景信息检测模块的情景信息,以及来自自适应管理模块的情景信息不确定性消除策略,对情景信息不确定性进行消除;
S25:融合推理模块将来自低层的情景信息和知识库中的有用历史情景信息,推理融合为应用层可识别的高层情景信息,并将其存入知识库中;
S26:知识库存储实时数据以及经过融合推理模块推理出来的高层情景信息;
S27:情景应用层管理模块根据用户反馈信息以及来自知识库中的各类情景信息做出适当响应;
(3)情景订阅子系统,负责完成情景感知系统中情景信息订阅的任务,包括步骤如下:
S31:情景订阅单元从情景感知应用的需求出发,设置所需的情景订阅机制,并将订阅情景信息发送到错误修正单元;
S32:错误修正单元根据接收情景订阅单元与知识库中的情景信息相对应部分的对比分析,得到正确的情景信息,并将正确的情景信息转化为知识库可识别的格式传输到知识库;
S33:知识库根据错误修正单元发送来的情景订阅信息调整知识库中对应的情景信息,并将这些调整信息发送给情景信息采集建模模块以使其周期性的调整修正相关的情景信息;
S34:情景应用单元根据情景订阅信息进一步调节自身的操作;
S35:情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、融合推理模块和情景订阅单元模块根据知识库中的相关调整信息调整各自的操作;
(4)用户反馈子系统,负责完成情景感知系统中用户反馈调节任务,包括步骤如下:
S41:用户反馈单元接收用户的反馈信息和调整信息;
S42:情景应用单元根据来自用户反馈单元的反馈信息,对自身任务进行相应的调整操作,调整不符合用户意愿的操作;
S43:知识库存储用户的反馈信息,并根据反馈信息进行调整自身存储的情景信息,并将这些信息发送到情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、融合推理模块和情景订阅模块;
S44:情景信息采集建模模块、原始情景信息检测模块、自适应管理模块、不确定性消除模块、融合推理模块和情景订阅模块根据来自知识库的情景信息分别适当调整各自的预设信息及相关操作;
(5)自适应管理子系统,包括步骤如下:
S51:自适应管理模块接收来自原始情景信息检测模块中的与信息质量相关的信息;
S52:自适应管理模块对来自原始情景信息检测模块的情景质量信息进行分析,并将分析结果传输到不确定性消除模块,在自适应管理模块中主要分析不确定性消除的优先级以及某种不确定性情况下采用何种算法;
S53:经过一系列处理的情景信息被存放于知识库中,知识库中还包括用户反馈信息以及情景订阅信息,将知识库中的情景质量信息反馈到自适应管理模块;
S54:经过知识库反馈信息的进一步调节,自适应管理模块将对原始情景信息模块中的阈值信息、不确定性消除模块中的处理机制及算法的选择进行调节;
进一步优选的,情景信息不确定性消除策略是先消除主要矛盾,再消除次要矛盾。
9.根据权利要求8所述的一种异构感知网络中基于QoX自适应管理的情景信息不确定性消除系统的工作方法,其特征在于,当消除情景信息不一致性时,采用投票选举算法、最高信度和证据理论算法;当消除情景信息不完备性时,采用均值和期望值最大化算法。
10.根据权利要求8或9所述的一种异构感知网络中基于QoX自适应管理的情景信息不确定性消除系统的工作方法,其特征在于,所述步骤S54,包括:当通过一系列处理的情景信息质量仍达不到系统要求,知识库向自适应管理模块发出调整信息,自适应管理模块根据当前信息质量与知识库反馈回的信息进行调节。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810659330.XA CN108846481B (zh) | 2018-06-25 | 2018-06-25 | 一种基于QoX自适应管理的情景信息不确定性消除系统及其工作方法 |
PCT/CN2019/079385 WO2020001094A1 (zh) | 2018-06-25 | 2019-03-23 | 一种基于QoX自适应管理的情景信息不确定性消除系统及其工作方法 |
US16/980,406 US20210365811A1 (en) | 2018-06-25 | 2019-03-23 | Context information uncertainty elimination system and working method based on qox adaptive management |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810659330.XA CN108846481B (zh) | 2018-06-25 | 2018-06-25 | 一种基于QoX自适应管理的情景信息不确定性消除系统及其工作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108846481A CN108846481A (zh) | 2018-11-20 |
CN108846481B true CN108846481B (zh) | 2021-08-27 |
Family
ID=64202094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810659330.XA Active CN108846481B (zh) | 2018-06-25 | 2018-06-25 | 一种基于QoX自适应管理的情景信息不确定性消除系统及其工作方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210365811A1 (zh) |
CN (1) | CN108846481B (zh) |
WO (1) | WO2020001094A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10869060B2 (en) * | 2018-01-30 | 2020-12-15 | Google Llc | Efficient context model computation design in transform coefficient coding |
CN108846481B (zh) * | 2018-06-25 | 2021-08-27 | 山东大学 | 一种基于QoX自适应管理的情景信息不确定性消除系统及其工作方法 |
CN110866000B (zh) * | 2019-11-20 | 2022-04-08 | 珠海格力电器股份有限公司 | 数据质量评价方法、装置、电子设备及存储介质 |
CN111062427B (zh) * | 2019-12-11 | 2023-04-18 | 山东大学 | 基于多准则决策多模态情景信息不确定性处理方法及系统 |
CA3178285A1 (en) * | 2020-04-07 | 2021-10-14 | Assia Spe, Llc | Systems and methods for remote collaboration |
CN117892249A (zh) * | 2024-03-15 | 2024-04-16 | 宁波析昶环保科技有限公司 | 一种数智化运维平台预警系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101986348A (zh) * | 2010-11-09 | 2011-03-16 | 上海电机学院 | 一种视觉目标识别与跟踪方法 |
CN104346451A (zh) * | 2014-10-29 | 2015-02-11 | 山东大学 | 一种基于用户反馈的情景感知系统及其工作方法和应用 |
CN105654134A (zh) * | 2015-12-30 | 2016-06-08 | 山东大学 | 一种基于有监督自反馈的情景感知系统及其工作方法与应用 |
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 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150235143A1 (en) * | 2003-12-30 | 2015-08-20 | Kantrack Llc | Transfer Learning For Predictive Model Development |
US7975165B2 (en) * | 2009-06-25 | 2011-07-05 | Vmware, Inc. | Management of information technology risk using virtual infrastructures |
US20140039978A1 (en) * | 2012-07-31 | 2014-02-06 | Burcu Aydin | Systems and methods for analyzing forecasts and responses in collaborative inventory management settings |
CN103065042B (zh) * | 2012-12-17 | 2016-07-06 | 中国科学院大学 | 基于情景的多目标综合决策评价方法 |
US11131989B2 (en) * | 2017-08-02 | 2021-09-28 | Strong Force Iot Portfolio 2016, Llc | Systems and methods for data collection including pattern recognition |
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 |
CN108846481B (zh) * | 2018-06-25 | 2021-08-27 | 山东大学 | 一种基于QoX自适应管理的情景信息不确定性消除系统及其工作方法 |
US11388040B2 (en) * | 2018-10-31 | 2022-07-12 | EXFO Solutions SAS | Automatic root cause diagnosis in networks |
-
2018
- 2018-06-25 CN CN201810659330.XA patent/CN108846481B/zh active Active
-
2019
- 2019-03-23 US US16/980,406 patent/US20210365811A1/en active Pending
- 2019-03-23 WO PCT/CN2019/079385 patent/WO2020001094A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101986348A (zh) * | 2010-11-09 | 2011-03-16 | 上海电机学院 | 一种视觉目标识别与跟踪方法 |
CN104346451A (zh) * | 2014-10-29 | 2015-02-11 | 山东大学 | 一种基于用户反馈的情景感知系统及其工作方法和应用 |
CN105654134A (zh) * | 2015-12-30 | 2016-06-08 | 山东大学 | 一种基于有监督自反馈的情景感知系统及其工作方法与应用 |
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 |
Non-Patent Citations (2)
Title |
---|
Advancing multi-context systems by inconsistency management;Antonius Weinzierl;《ArXiv》;20110731;全文 * |
情景感知系统框架与情景不一致性消除算法研究;王雷涛;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20141015;全文 * |
Also Published As
Publication number | Publication date |
---|---|
US20210365811A1 (en) | 2021-11-25 |
CN108846481A (zh) | 2018-11-20 |
WO2020001094A1 (zh) | 2020-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846481B (zh) | 一种基于QoX自适应管理的情景信息不确定性消除系统及其工作方法 | |
Khatib et al. | Data mining for fuzzy diagnosis systems in LTE networks | |
CN109447162B (zh) | 一种基于Lora和Capsule的实时行为识别系统及其工作方法 | |
CN102348101A (zh) | 一种考场智能监控系统和方法 | |
WO2018120962A1 (zh) | 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 | |
US20230140836A9 (en) | Anomaly detection method and device, terminal and storage medium | |
CN111782491B (zh) | 一种磁盘故障预测方法、装置、设备及存储介质 | |
CN117236657A (zh) | 基于实时水压的城市供水区域动态划分控制系统及方法 | |
CN111079860A (zh) | 基于情景相似度的突发事件多粒度响应模型构建方法 | |
CN105654134B (zh) | 一种基于有监督自反馈的情景感知系统及其工作方法与应用 | |
CN116304988A (zh) | 一种基于数据融合的情景感知多指标质量管理系统及方法 | |
CN108875030B (zh) | 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 | |
CN117314189A (zh) | 一种远程塔台空中交通管制员态势感知评估模型建立方法 | |
CN115883016B (zh) | 基于联邦生成对抗网络的流量数据增强方法与装置 | |
CN114662816A (zh) | 面向上下文感知系统的多层级质量指标管理系统及方法 | |
CN105652737A (zh) | 一种设备控制方法、智能设备、服务器及设备控制系统 | |
CN115357379A (zh) | 一种视频传输配置模型的构建方法及应用 | |
Boton-Fern et al. | Learning algorithm for human activity detection in smart environments | |
Argerich et al. | Reinforcement learning based orchestration for elastic services | |
CN115996292A (zh) | 流控模型训练方法、装置、计算机设备和存储介质 | |
Zhao et al. | Multi-sensor data fusion algorithm based on adaptive trust estimation and neural network | |
CN117289889B (zh) | 基于智能护眼的平板电脑亮度调节方法及系统 | |
CN117216722B (zh) | 基于传感器时序数据多源异构数据融合系统 | |
CN117792991B (zh) | 一种路由器链路自动切换方法及多链路由器 | |
WO2024066720A1 (zh) | 指标阈值的确定方法、装置、存储介质及电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |