CN109842682B - 一种基于物联网的分布式环境安全学习及预警方法 - Google Patents

Abstract

一种基于物联网的分布式环境安全学习及预警方法，首先部署温度传感器、湿度传感器、光照传感器、危险气体浓度传感器、体温传感器、心率传感器、血压传感器，采集环境中的温度、湿度、光照强度以及危险气体浓度数据，同时测量人体的体温、心率、血压生理指标，使用对采集到的数据进行关联分析，进而发现数据间的概率关联关系，从而训练出可以预警的分布式环境安全模型。具体来说，使用基于自适应随机图的安全评估方法分析数据概率关联关系，得到分布式环境安全预警模型。本发明根据分布式环境的数据采集结果，自适应训练和调整模型，实现了对环境安全参数的实时检测，并预警潜在的安全问题，保障人员安全。

Description

一种基于物联网的分布式环境安全学习及预警方法

技术领域

本发明属于物联网技术领域，涉及环境安全预警，特别涉及一种基于物联网的分布式环境安全学习及预警方法。

背景技术

物联网是物物相连的互联网，通过各种信息传感设备，实时采集任何需要监控、连接、互动的物体或过程等各种需要的信息，与互联网结合形成一个巨大网络。传感器是一种能感受被测量信息，并将感受到的信息按一定规律转换成电信号或其他形式的信息输出，以满足信息的传输、处理、存储、显示、记录和控制等要求的检测装置，可以感知局部环境并相互交流观测信息。传感器是物联网的基础，使用传感器采集分布式环境的数据，可以进行环境安全预警。

概率图模型是一种用图结构来描述多元随机变量之间的条件独立关系的概率模型。图结构可以实现概率关系可视化，以一种直观、简单的方式描述了随机变量之间的条件独立性的性质，并可以将一个复杂的概率模型分解为一些简单模型的组合。在概率图模型中，每一个节点都表示一个随机变量(或一组随机变量)，边表示这些随机变量之间的概率依赖关系。马尔可夫随机场是一种由具有马尔可夫随机过程特性的随机变量构成的无向概率图模型，用于表示随机变量的联合概率分布，可以在少量训练数据的条件下，很好地处理不确定推理问题，适用于模型经常需要调整的场景。

在分布式安全预警场景中，区域内节点的数据分析结果对应的安全判断结果需要随着节点的部署情况需要进行自适应调整，去除环境干扰、传输延迟等不利因素的影响，以使其能够获得尽可能高的泛化能力，同时提高准确率。利用马尔可夫随机场可以在各个节点收集的小规模样本基础上，构建准确的预警模型，判断环境的安全状态。当环境不安全时，实时预警，保护人员生命安全。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于物联网的分布式环境安全学习及预警方法，对采集到的数据使用基于自适应随机图的安全评估方法分析数据概率关联关系，进而发现数据间的概率关联关系，从而训练出可以分布式环境安全预警模型；本发明根据分布式环境的数据采集结果，自适应训练和调整模型，实现了对环境安全参数的实时检测，并预警潜在的安全问题，保障人员安全。

为了实现上述目的，本发明采用的技术方案是：

一种基于物联网的分布式环境安全学习及预警方法，包括如下步骤：

步骤(1)，使用传感器采集分布式环境中数据，对采集到的数据进行预处理；

步骤(2)，使用预处理过的数据，初始化随机图模型；

步骤(3)，使用基于自适应随机图的安全评估方法分析数据的概率关联关系，得到分布式环境安全预警模型；

步骤(4)，测量新的环境中数据，根据分布式环境安全预警模型对环境安全参数进行实时检测，判断环境是否安全，并预警潜在的安全问题。

所述步骤(1)中使用的传感器包括：温度传感器、湿度传感器、光照强度传感器、危险气体浓度传感器、体温传感器、心率传感器、血压传感器；采集分布式环境中的数据包括：分布式环境的温度、湿度、光照强度、危险气体浓度以及工作人员的体温、心率、血压数据。对采集到的数据进行预处理：去除不完整和明显错误的数据。

所述步骤(2)中使用预处理分析后的数据，设置状态变量、观测值、初始状态概率向量、状态转移概率矩阵、观测概率矩阵来初始化随机图模型。

其中状态变量指使用传感器采集数据的变量；观测值是指传感器采集的变量值；初始状态概率向量是指初始状态变量的概率，用向量表示；状态转移概率矩阵是一个状态到另一个状态的变量转移概率，用矩阵表示；观测概率矩阵是指一个状态的变量观测概率矩阵。

所述初始化随机图模型的具体方法是：用无向图表示随机变量之间的联合概率分布

其中，Z为规范化因子，

Q是无向图的最大团，

为Q对应的势函数，使用指数函数定义势函数，

通过势函数来参数化随机图模型，H(x)是一个定义在变量x上的实值函数，H(x)＝∑_{u，v∈x，u≠v}α_uvx_ux_v+∑_v∈xβ_vx_v，α_uv和β_v是需要学习的参数，

用于对团Q中的变量关系进行建模，所有团构成的集合为S，x_Q是Q的节点对应的随机变量，u，v表示变量x的序号，x_u表示第u个变量，x_v表示第v个变量。

所述步骤(3)中使用基于自适应随机图的安全评估方法分析数据的概率关联关系过程如下：首先使用对数线性模型对初始化的随机图模型进行超细粒度参数化，然后使用似然函数对随机图模型参数进行极大似然估计，最后使用最大后验概率估计(MAP)推理后验概率密度，得到安全评估结果，集成医疗机构发布的数据，制定分布式环境的安全标准。

具体方法如下：首先利用变量的特征集和权值集给出分布P在随机图M上的对数线性模型；然后令

其中，θ为需要求解的参数，变量x有K个，解此似然函数，得到随机图模型参数的极大似然估计，得到变量之间的概率关联关系；最后使用最大后验概率估计(MAP)方法推理后验概率，通过变量之间的概率关联关系，根据制定的分布式环境安全参数范围，分析在环境安全参数影响下分布式环境安全的条件概率P{安全|x₁，...，x_k}，再根据贝叶斯公式进一步得到概率P{安全|(安全+不安全)}的值，最终获得安全评估结果；根据医疗机构标准制定分布式环境的安全标准：人体正常体温范围36.2～37.3℃；心率正常范围：60～100次/分；血压正常范围：高压90～140，低压60～90。

所述步骤(4)中通过使用传感器测量新的分布式环境中数据，对环境安全参数进行实时检测并获得安全评估结果，根据制定的安全标准判断判别环境是否安全，当后验概率P{安全|(安全+不安全)}＞0.95(因为当人体的体温、心率、血压在正常范围的10％上下波动时，可以认定为安全状态，因此在结果概率存在5％的误差情况下，不影响安全评估的结果)时，认为分布式环境是安全的；否则，分布式环境不安全。自动准确地判别环境安全状态并对潜在的安全问题进行预警，提高环境安全率。

与现有技术相比，本发明通过部署传感器采集分布式环境中的数据，灵活方便，适用性强；基于自适应随机图的安全评估方法在小样本收集基础上即可自适应调整分布式环境安全预警模型。

附图说明

图1为本发明流程示意图。

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，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1给出了根据本发明实施例基于物联网的分布式环境安全学习及预警方法的流程示意图。概括来讲，该方法包括：步骤(1)，使用传感器采集分布式环境数据，对采集到的数据进行预处理；步骤(2)，使用预处理后的数据，初始化随机图模型；步骤(3)，使用基于自适应随机图的安全评估方法分析数据的概率关联关系，得到分布式环境安全预警模型；步骤(4)，测量新的环境数据，根据分布式环境安全预警模型自动实时准确判别环境是否安全。

更具体地，在步骤(1)中使用的传感器包括：温度传感器、湿度传感器、光照强度传感器、危险气体浓度传感器、体温传感器、心率传感器、血压传感器；采集分布式环境中的数据包括：分布式环境的温度、湿度、光照强度、危险气体浓度以及工作人员的体温、心率、血压数据。采集100组安全环境的数据和100组不安全环境的数据，对采集到的数据进行预处理：去除不完整和明显错误的数据。

将环境中的温度、湿度、光照强度、危险气体浓度以及工作人员的体温、心率、血压这些变量作为图M的节点，节点之间的边表示变量之间的概率关系，M的完全子图M₁，M₂，...M_k是任意两个节点都有边相连的子图，完全子图的变量集是团Q，多个变量之间的联合概率分布基于团分解为多个因子的乘积，每个因子仅与一个团相关，对于K个变量x＝{x₁，x₂，...，x_k}，所有团构成的集合为S，与团Q∈S对应的变量集合记为x_Q。

步骤(2)，使用预处理后的数据，初始化随机图模型：

拟合数据，变量之间的联合概率分布

其中，

为团Q对应的势函数，使用指数函数定义势函数，

H(x)是一个定义在变量x上的实值函数，H(x)＝∑_{u，v∈x，u≠v}α_uvx_ux_v+∑_v∈xβ_vx_v，α_uv和β_v是需要学习的参数，

用于对团Q中的变量关系进行建模，

为规范化因子。根据条件独立性将联合概率分布进行因子分解，表示为一组局部的条件概率分布的乘积。

步骤(3)，使用基于自适应随机图的安全评估方法分析数据的概率关联关系，得到分布式环境安全预警模型：

首先使用对数线性模型对初始化的随机图模型进行超细粒度参数化，其中，利用变量的特征集和权值集给出分布P在随机图M上的对数线性模型：特征集F＝{f₁(M₁)，…，f_k(M_k)}，其中每个M_k是M的完全子图，权值集w＝w₁，w₂，...，w_k，使得

Z是一个归一化常量。因为对数线性模型使随机图模型容易过参数化，所以需要消除冗余：如果存在系数β₁，β₂，...，β_k使得对所有的参数∈有β₁+∑_kβ_kf_k(∈)＝0，那么具有权值w′＝{w₁+β₁，w₂+β₂，...，w_k+β_k的对数线性模型同样能表示P，则特征集是冗余的。所以为了使每个权值集只描述一个唯一的分布，需要当f₁，f₂，...f_k为非冗余特征集时，令w，w’∈R^k，若w≠w’，有P_w≠P_w′。然后使用似然函数对随机图模型参数进行极大似然估计，令

θ为需要求解的参数，为了求导方便，对两边取对数有

令

解此似然函数，即为随机图模型参数的极大似然估计。最后使用最大后验概率估计(MAP)推理后验概率密度，得到P{安全|(安全+不安全)}的值，进而得到分布式环境安全预警模型。

步骤(4)，测量新的环境中数据，根据分布式环境安全预警模型自动实时准确判别环境是否安全，当后验概率P{安全|(安全+不安全)}＞0.95时，认为分布式环境是安全的：

使用温度传感器、湿度传感器、光照强度传感器、危险气体浓度传感器、体温传感器、心率传感器、血压传感器采集不同的分布式环境中温度、湿度、光照强度、危险气体浓度以及工作人员的体温、心率、血压数据，通过分布式环境安全预警模型自动实时准确的判断分布式环境的安全状态，及时采取预警措施。

表1据训练好的分布式环境安全预警模型判断的安全环境状态。

以上，对本发明的具体实施方式做了具体描述，但是不应该认定本发明的具体实施只局限于这些说明。对于本发明所属领域的普通技术人员来说，在不脱离本发明构思和由权利要求书所限定的保护范围的前提之下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (5)

1.一种基于物联网的分布式环境安全学习及预警方法，其特征在于，包括如下步骤：

步骤(1)，使用传感器采集环境中的温度、湿度、光照强度以及危险气体浓度数据，同时测量人体的体温、心率、血压生理指标，对采集到的数据进行预处理，去除不完整和明显错误的数据；

步骤(2)，使用预处理过的数据，初始化随机图模型，过程如下：用无向图表示随机变量之间的联合概率分布

其中，Z为规范化因子，

Q是无向图的最大团，

为Q对应的势函数，使用指数函数定义势函数，

通过势函数来参数化随机图模型，H(x)是一个定义在变量x上的实值函数，H(x)＝∑_{u,v∈x,u≠v}α_uvx_ux_v+∑_v∈xβ_vx_v，α_uv和β_v是需要学习的参数，

用于对团Q中的变量关系进行建模，所有团构成的集合为S，x_Q是Q的节点对应的随机变量，u,v表示变量x的序号，x_u表示第u个变量，x_v表示第v个变量；

步骤(3)，使用基于自适应随机图的安全评估方法分析数据的概率关联关系，得到分布式环境安全预警模型，过程如下：首先利用变量的特征集和权值集给出分布P在随机图M上的对数线性模型，再使用对数线性模型对初始化的随机图模型进行超细粒度参数化，然后令

其中，θ为需要求解的参数，变量x有K个，解此似然函数，得到随机图模型参数的极大似然估计，得到变量之间的概率关联关系；最后使用最大后验概率估计(MAP)方法推理后验概率，通过变量之间的概率关联关系，根据医疗机构标准制定分布式环境的安全标准：人体正常体温范围36.2～37.3℃；心率正常范围：60～100次/分；血压正常范围：高压90～140，低压60～90，分析在环境安全参数影响下分布式环境安全的条件概率P{安全|x₁,…,x_k}，再根据贝叶斯公式进一步得到概率P{安全|(安全+不安全)}的值，最终获得安全评估结果；

步骤(4)，测量新的环境中数据，根据分布式环境安全预警模型对环境安全参数进行实时检测，判断环境是否安全，并预警潜在的安全问题。

2.根据权利要求1所述基于物联网的分布式环境安全学习及预警方法，其特征在于，所述步骤(2)中使用预处理分析后的数据，设置状态变量、观测值、初始状态概率向量、状态转移概率矩阵、观测概率矩阵来初始化随机图模型。

3.根据权利要求2所述基于物联网的分布式环境安全学习及预警方法，其特征在于，所述状态变量指使用传感器采集数据的变量；观测值指传感器采集的变量值；初始状态概率向量指初始状态变量的概率，用向量表示；状态转移概率矩阵是一个状态到另一个状态的变量转移概率，用矩阵表示；观测概率矩阵是一个状态的变量观测概率矩阵。

4.根据权利要求1所述基于物联网的分布式环境安全学习及预警方法，其特征在于，所述步骤(4)中通过使用传感器测量新的分布式环境中数据，对环境安全参数进行实时检测并获得安全评估结果，根据制定的安全标准判断判别环境是否安全，自动准确地判别环境安全状态并对潜在的安全问题进行预警，提高环境安全率。

5.根据权利要求1所述基于物联网的分布式环境安全学习及预警方法，其特征在于，所述步骤(4)中通过使用传感器测量新的分布式环境中数据，当后验概率P{安全|(安全+不安全)}>0.95时，认为分布式环境是安全的；否则，分布式环境不安全。

Images