CN111062427B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111062427B
CN111062427B CN201911266320.0A CN201911266320A CN111062427B CN 111062427 B CN111062427 B CN 111062427B CN 201911266320 A CN201911266320 A CN 201911266320A CN 111062427 B CN111062427 B CN 111062427B
Authority
CN
China
Prior art keywords
information
scene information
processing
uncertainty
scene
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
Application number
CN201911266320.0A
Other languages
English (en)
Other versions
CN111062427A (zh
Inventor
许宏吉
邢庆华
樊士迪
李梦荷
王珏
石磊鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN201911266320.0A priority Critical patent/CN111062427B/zh
Publication of CN111062427A publication Critical patent/CN111062427A/zh
Application granted granted Critical
Publication of CN111062427B publication Critical patent/CN111062427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了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。其中，该方法包括接收多源情景信息，基于概念格对多源情景信息进行建模；根据情景信息知识库预设的阈值信息来检测建模后多源情景信息的不确定性，得到符合预设要求的多源情景信息；基于多模态控制的实时策略对情景建模信息中关于情景信息类别的属性判断情景信息是同类还是非同类，然后根据情景信息的类型对不确定性处理方式进行选择；实时动态监测同类情景信息的处理结果，并基于QoE的反馈修正机制对同类情景信息的处理结果的用户满意程度进行用户评估，通过这种实时反馈机制不断获得不确定性处理的反馈信息，进而使用反馈信息对情景信息知识库中的阈值信息、专家经验和权重参数进行实时闭环调整。

Description

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
技术领域
本发明属于情景感知信息处理领域，尤其涉及一种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。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着通信技术、传感器技术以及网络技术的日趋成熟，情景感知技术也得到了迅速的发展，情景感知系统也渐渐的融入我们的日常生活中，情景感知技术简单来说就是通过传感器及其相关的技术使计算机设备能够“感知”到当前的情景，而情景感知系统则是对感知的信息进行推理与计算并保障智能系统输出可靠判断的整体。
在情景感知系统的研究与应用过程中，不可避免地会面临情景信息的不确定性问题。情景信息的不确定性问题主要包括不精确性、不完备性和不一致性等方面，其主要由以下几种原因造成：环境影响；设备精度问题；不同标准下的异构数据来源；网络的故障和延迟等等。不确定性问题通常会导致系统做出不恰当的决策，影响整个系统的正常运行。因此，不确定性问题是情景信息处理中一个必须解决的重要问题。
目前的智能系统应用中，情景感知系统尚存在由数据特点所带来的技术局限。由于传感器的易错性，所采集的情景信息的质量无法得到有效的保证，随着各类传感器设备与无线网络的发展，各领域获取的数据量在以指数倍增长，各类数据中的不确定性会显著增加，数据的内在关系也会变得更为复杂，这就为准确提取复杂多样的有用信息造成了更大的困难。发明人发现，传统不确定性问题的处理方法普遍存在灵活性差、冗余度高、协作程度低的缺点，无法准确的对有用信息进行分门别类的处理。
发明内容
为了解决上述问题，本发明提供一种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，其能够实现不同类型及不同环境的情景信息分类处理，满足用户对于系统普适性和灵活性的要求。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一方面提供一种基于多准则决策多模态情景信息不确定性处理方法，其包括：
步骤1：接收多源情景信息，基于概念格对多源情景信息进行建模；其中，使用概念的定义对情景信息进行属性分类，同时添加情景信息的类别判断属性、不确定性判断属性以及用户反馈及专家经验判断属性；
步骤2：根据情景信息知识库预设的阈值信息来检测建模后多源情景信息的不确定性，得到符合预设要求的多源情景信息；
步骤3：基于多模态控制的实时策略对情景建模信息中关于情景信息类别的属性判断情景信息是同类还是非同类，然后根据情景信息的类型对不确定性处理方式进行选择，若是同类情景信息，则进行下一步，若是非同类情景信息，则跳转到步骤5；
步骤4：根据同类情景信息的不一致性、不完备性和不精确性特征以及情景信息知识库中基于用户体验质量(Quality of Experience，QoE)的用户反馈和专家经验信息，使用基于多准则决策的不确定性问题的择优处理算法做出串行处理或并行处理的最优处理决策；其中，串行处理先进行不一致性消除，再进行不完备性消除的处理，而并行处理不一致性消除与不完备性消除并行实施，然后对多种处理结果进行融合处理，并将所得结果存入到情景信息知识库中；
步骤5：对于非同类情景信息，使用基于主客观权重的不确定性处理算法，其中主观权重来源于用户反馈和专家经验，客观权重通过粗糙集、模糊集和神经网络算法结合QoE参数求得，并将所得结果存入到情景信息知识库中；
步骤6：实时动态监测同类情景信息的处理结果，并基于QoE的反馈修正机制对同类情景信息的处理结果的用户满意程度进行用户评估，通过这种实时反馈机制不断获得不确定性处理的反馈信息，进而使用反馈信息对情景信息知识库中的阈值信息、专家经验和权重参数进行实时闭环调整。
本发明的第二个方面提供一种基于多准则决策多模态情景信息不确定性处理系统，其包括：
情景信息建模模块，其用于：接收多源情景信息，基于概念格对多源情景信息进行建模；其中，使用概念的定义对情景信息进行属性分类，同时添加情景信息的类别判断属性、不确定性判断属性以及用户反馈及专家经验判断属性；
多源情景信息不确定性检测模块，其用于：根据情景信息知识库预设的阈值信息来检测建模后多源情景信息的不确定性，得到符合预设要求的多源情景信息；
基于多模态控制的实时策略选择模块，其用于：基于多模态控制的实时策略对情景建模信息中关于情景信息类别的属性判断情景信息是同类还是非同类，然后根据情景信息的类型对不确定性处理方式进行选择；
基于多准则决策的不确定性问题的择优处理模块，其用于：对于同类情景信息，根据同类情景信息的不一致性、不完备性和不精确性特征以及情景信息知识库中基于QoE的用户反馈和专家经验信息，使用基于多准则决策的不确定性问题的择优处理算法做出串行处理或并行处理的最优处理决策；其中，串行处理先进行不一致性消除，再进行不完备性消除的处理，而并行处理不一致性消除与不完备性消除并行实施，然后对多种处理结果进行融合处理，并将所得结果存入到情景信息知识库中；
基于主客观权重的不确定性处理模块，其用于：对于非同类情景信息，使用基于主客观权重的不确定性处理算法，其中主观权重来源于用户反馈和专家经验，客观权重通过粗糙集、模糊集和神经网络算法结合QoE参数求得，并将所得结果存入到情景信息知识库中；
实时动态监测模块，其用于：实时动态监测同类情景信息的处理结果；
基于QoE的反馈修正机制的用户评估模块，其用于：基于QoE的反馈修正机制对同类情景信息的处理结果的用户满意程度进行用户评估，通过这种实时反馈机制不断获得不确定性处理的反馈信息，进而使用反馈信息对情景信息知识库中的阈值信息、专家经验和权重参数进行实时闭环调整。
本发明的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于多准则决策多模态情景信息不确定性处理方法中的步骤。
本发明的第四方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于多准则决策多模态情景信息不确定性处理方法中的步骤。
本发明的有益效果是：
(1)完整性：本发明的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可以处理各种同类、非同类的情景信息数据，完整性较强，完善程度更高；
(2)灵活性：本发明的基于多准则决策多模态情景信息不确定性处理方法与协作程度低的传统处理算法相比，具有更高的灵活性，并且更具普适性，可被应用于不同类型及不同环境的情景信息不确定性处理；
(3)低冗余性：本发明的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根据情景信息的类型(同类、非同类)，通过多模态控制模块对处理方式进行选择，使用多准则决策及多属性决策的方法进行处理，可以减少不确定性处理过程中的冗余，提高了多模态情景信息处理的可靠性和准确率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例提供的基于多准则决策多模态情景信息不确定性处理方法流程图；
图2是本发明实施例提供的基于多准则决策多模态情景信息不确定性处理系统原理图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
图1给出了本实施例的基于多准则决策多模态情景信息不确定性处理方法流程图。
下面结合附图1来详细说明本实施例的基于多准则决策多模态情景信息不确定性处理方法的具体实施过程：
如图1所示，本实施例的基于多准则决策多模态情景信息不确定性处理方法，至少包括：
步骤1：接收多源情景信息，基于概念格对多源情景信息进行建模；其中，使用概念的定义对情景信息进行属性分类，同时添加情景信息的类别判断属性、不确定性判断属性以及用户反馈及专家经验判断属性。
在具体实施中，多源情景信息可采用多个物理传感器、虚拟传感器和逻辑传感器进行采集，例如：多源情景信息为通过体温传感器、血氧传感器、血压传感器、心率传感器等多个传感器采集的用户生理数据。
作为一种具体实施方式，基于概念格对多源情景信息进行建模的过程为：
按照概念格中的给定形式背景的建模方法，将情景感知信息表示为三元组T＝(O,D,R)，其中O是事例(对象)集合，D是描述符(属性)集合，R是O和D之间的一个二元关系，在形式背景的基础上得到形式概念(X,B)，其中X是概念的外延，是属于这个概念的所有集合，B是所有这些对象所具有的属性集，使用概念的定义对情景信息的进行属性分类；此处特意添加对于同类、非同类情景信息的判断属性，以实现对同类和非同类情景信息的判断，添加情景信息不确定性判断属性，结合检测多源情景信息不确定性所得到具体结果，以方便对于不确定性的判断，添加用户反馈及专家经验等判断属性，以方便对于这些属性的量化判断。
例如：体温、血氧、血压、心率等情景信息作为事例集合O，描述属性集合D有同类、非同类情景信息的判断属性、情景信息不确定性判断属性、用户反馈及专家经验等判断属性，如本实施例特意增加的同类、非同类情景信息的判断属性，很显然几种情景信息数据为非同类数据，此形式概念可用于辅助完成对同类、非同类情景信息的判断，从而做出非同类情景信息的处理决定。
步骤2：根据情景信息知识库预设的阈值信息来检测建模后多源情景信息的不确定性，得到符合预设要求的多源情景信息。
具体地，对情景信息的不确定性进行检测，获取不一致性、不完备性和不精确性等不确定性指标，并根据情景信息知识库中设定的阈值等信息，对原始情景信息初始不确定性进行判定、筛选，得到符合系统要求的情景信息。
步骤3：基于多模态控制的实时策略对情景建模信息中关于情景信息类别的属性判断情景信息是同类还是非同类，然后根据情景信息的类型对不确定性处理方式进行选择，若是同类情景信息，则进行下一步，若是非同类情景信息，则跳转到步骤5；
步骤4：根据同类情景信息的不一致性、不完备性和不精确性特征以及情景信息知识库中基于QoE的用户反馈和专家经验信息，使用基于多准则决策的不确定性问题的择优处理算法做出串行处理或并行处理的最优处理决策；其中，串行处理先进行不一致性消除，再进行不完备性消除的处理，而并行处理不一致性消除与不完备性消除并行实施，然后对多种处理结果进行融合处理，并将所得结果存入到情景信息知识库中；
在具体实施中，根据情景建模信息中关于情景信息类别的属性进行判断，判断情景信息是同类、非同类，然后根据情景信息的类型(同类、非同类)对不确定性处理方式进行选择，便于更加合理有效地对情景信息的不确定性进行分门别类的处理；如：体温、血氧、血压、心率等情景信息为非同类情景信息；额头温度、口腔温度和腋下温度这些情景信息为同类情景信息。
具体地，可根据同类情景信息的不一致性、不完备性和不精确性特征以及情景信息知识库中基于QoE的用户反馈和专家经验等信息做出串行处理或并行处理的最优处理决策。
在串行处理过程中，先进行不一致性消除，再进行不完备性消除的处理，而并行处理过程中不一致性消除与不完备性消除并行实施，再对多种处理结果进行融合处理。其中对于不完备性问题，拟采用基于期望值的最大化算法、Back Propagation(BP)神经网络等手段进行解决；对于不一致性问题，拟采用集对分析(Set Pair Analysis，SPA)、灰色关联法、支持向量机(Support Vector Machine，SVM)、随机森林或递归神经网络等算法进行处理；而对于不精确性问题，由于不精确性和不完备性采用类似的初始处理方式，因此拟将不精确情景信息当作不完备情景信息来消除。
对于融合处理，采用Dempster-Shafer(D-S)证据论、关联规则分析等相结合的算法，对并行处理后所得数据进行融合推理，完成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，提高同类情景信息的不确定性处理的准确率，并将所得结果存入到情景信息知识库中。
步骤5：对于非同类情景信息，使用基于主客观权重的不确定性处理算法，其中主观权重来源于用户反馈和专家经验，客观权重通过粗糙集、模糊集和神经网络算法结合QoE参数求得，并将所得结果存入到情景信息知识库中。
客观权重拟通过粗糙集、模糊集、神经网络等算法结合QoE等参数求得，并将所得结果存入到情景信息知识库中；如：体温、血氧、血压、心率等情景信息为非同类情景信息，使用粗糙集进行属性筛选，结果得到血压、心率对于决定人体是否健康占据更高的比重，而根据专家经验及用户反馈，同样得到血压、心率对于决定人体是否健康占据更高的比重，所以这里更给予两种情景信息更高的权重，对于判断人体是否健康起决定性作用。
步骤6：实时动态监测同类情景信息的处理结果，并基于QoE的反馈修正机制对同类情景信息的处理结果的用户满意程度进行用户评估，通过这种实时反馈机制不断获得不确定性处理的反馈信息，进而使用反馈信息对情景信息知识库中的阈值信息、专家经验和权重参数进行实时闭环调整。
在本实施例中，所述情景信息知识库：负责存储情景信息处理结果、实时动态监测信息、用户反馈信息、情景信息检索/订阅校正信息、情景应用信息，为后续不确定性情景信息处理部分提供所需要的各种信息。
本实施例可以处理各种同类、非同类的情景信息数据，完整性较强，完善程度更高；本实施例的基于多准则决策多模态情景信息不确定性处理方法与协作程度低的传统处理算法相比，具有更高的灵活性，并且更具普适性，可被应用于不同类型及不同环境的情景信息不确定性处理；本实施例的基于多准则决策多模态情景信息不确定性处理系统根据情景信息的类型(同类、非同类)，通过多模态控制模块对处理方式进行选择，使用多准则决策及多属性决策的方法进行处理，可以减少不确定性处理过程中的冗余，提高了多模态情景信息处理的可靠性和准确率。
实施例2
图2给出了本实施例的基于多准则决策多模态情景信息不确定性处理系统原理图。
下面结合附图2来详细说明本实施例的基于多准则决策多模态情景信息不确定性处理系统结构：
如图2所示，本实施例的基于多准则决策多模态情景信息不确定性处理系统，其包括：
(1)情景信息建模模块，其用于：接收多源情景信息，基于概念格对多源情景信息进行建模；其中，使用概念的定义对情景信息进行属性分类，同时添加情景信息的类别判断属性、不确定性判断属性以及用户反馈及专家经验判断属性。
在具体实施中，多源情景信息可采用多个物理传感器、虚拟传感器和逻辑传感器进行采集，例如：多源情景信息为通过体温传感器、血氧传感器、血压传感器、心率传感器等多个传感器采集的用户生理数据。
作为一种具体实施方式，基于概念格对多源情景信息进行建模的过程为：
按照概念格中的给定形式背景的建模方法，将情景感知信息表示为T＝(O,D,R)，其中O是事例(对象)集合，D是描述符(属性)集合，R是O和D之间的一个二元关系，在形式背景的基础上得到形式概念(X,B)，其中X是概念的外延，是属于这个概念的所有集合，B是所有这些对象所具有的属性集，使用概念的定义对情景信息的进行属性分类；此处特意添加对于同类、非同类情景信息的判断属性，以实现对同类和非同类情景信息的判断，添加情景信息不确定性判断属性，结合检测多源情景信息不确定性所得到具体结果，以方便对于不确定性的判断，添加用户反馈及专家经验等判断属性，以方便对于这些属性的量化判断。
例如：体温、血氧、血压、心率等情景信息作为事例集合O，描述属性集合D有同类、非同类情景信息的判断属性、情景信息不确定性判断属性、用户反馈及专家经验等判断属性，如本实施例特意增加的同类、非同类情景信息的判断属性，很显然几种情景信息数据为非同类数据，此形式概念可用于辅助完成对同类、非同类情景信息的判断，从而做出非同类情景信息的处理决定。
(2)多源情景信息不确定性检测模块，其用于：根据情景信息知识库预设的阈值信息来检测建模后多源情景信息的不确定性，得到符合预设要求的多源情景信息。
具体地，对情景信息的不确定性进行检测，获取不一致性、不完备性和不精确性等不确定性指标，并根据情景信息知识库中设定的阈值等信息，对原始情景信息初始不确定性进行判定、筛选，得到符合系统要求的情景信息。
(3)基于多模态控制的实时策略选择模块，其用于：基于多模态控制的实时策略对情景建模信息中关于情景信息类别的属性判断情景信息是同类还是非同类，然后根据情景信息的类型对不确定性处理方式进行选择。
在具体实施中，根据情景建模信息中关于情景信息类别的属性进行判断，判断情景信息是同类、非同类，然后根据情景信息的类型(同类、非同类)对不确定性处理方式进行选择，便于更加合理有效地对情景信息的不确定性进行分门别类的处理；如：体温、血氧、血压、心率等情景信息为非同类情景信息；额头温度、口腔温度和腋下温度这些情景信息为同类情景信息。
具体地，可根据同类情景信息的不一致性、不完备性和不精确性特征以及情景信息知识库中基于QoE的用户反馈和专家经验等信息做出串行处理或并行处理的最优处理决策。
(4)基于多准则决策的不确定性问题的择优处理模块，其用于：对于同类情景信息，根据同类情景信息的不一致性、不完备性和不精确性特征以及情景信息知识库中基于QoE的用户反馈和专家经验信息，使用基于多准则决策的不确定性问题的择优处理算法做出串行处理或并行处理的最优处理决策；其中，串行处理先进行不一致性消除，再进行不完备性消除的处理，而并行处理不一致性消除与不完备性消除并行实施，然后对多种处理结果进行融合处理，并将所得结果存入到情景信息知识库中。
其中，对于不完备性问题，拟采用基于期望值的最大化算法、BP神经网络等手段进行解决；对于不一致性问题，拟采用SPA、灰色关联法、SVM、随机森林或递归神经网络等算法进行处理；而对于不精确性问题，由于不精确性和不完备性采用类似的初始处理方式，因此拟将不精确情景信息当作不完备情景信息来消除。
对于融合处理，采用D-S证据论、关联规则分析等相结合的算法，对并行处理后所得数据进行融合推理，完成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，提高同类情景信息的不确定性处理的准确率，并将所得结果存入到情景信息知识库中。
(5)基于主客观权重的不确定性处理模块，其用于：对于非同类情景信息，使用基于主客观权重的不确定性处理算法，其中主观权重来源于用户反馈和专家经验，客观权重通过粗糙集、模糊集和神经网络算法结合QoE参数求得，并将所得结果存入到情景信息知识库中。
具体地，对于非同类情景信息，使用基于主客观权重的不确定性处理算法，其中主观权重主要来源于用户反馈和专家经验，客观权重拟通过粗糙集、模糊集、神经网络等算法结合QoE等参数求得，并将所得结果存入到情景信息知识库中；如：体温、血氧、血压、心率等情景信息为非同类情景信息，使用粗糙集进行属性筛选，结果得到血压、心率对于决定人体是否健康占据更高的比重，而根据专家经验及用户反馈，同样得到血压、心率对于决定人体是否健康占据更高的比重，所以这里更给予两种情景信息更高的权重，对于判断人体是否健康起决定性作用。
(6)实时动态监测模块，其用于：对同类情景信息的处理结果进行实时动态监测；
(7)基于QoE的反馈修正机制的用户评估模块，其用于：基于QoE的反馈修正机制对同类情景信息的处理结果的用户满意程度进行用户评估，通过这种实时反馈机制不断获得不确定性处理的反馈信息，进而使用反馈信息对情景信息知识库内预存的阈值信息、专家经验和权重参数进行实时闭环调整。
在本实施例中，所述情景信息知识库：负责存储情景信息处理结果、实时动态监测信息、用户反馈信息、情景信息检索/订阅校正信息、情景应用信息，为后续不确定性情景信息处理部分提供所需要的各种信息。
本实施例可以处理各种同类、非同类的情景信息数据，完整性较强，完善程度更高；本实施例的基于多准则决策多模态情景信息不确定性处理方法与协作程度低的传统处理算法相比，具有更高的灵活性，并且更具普适性，可被应用于不同类型及不同环境的情景信息不确定性处理；本实施例的基于多准则决策多模态情景信息不确定性处理系统根据情景信息的类型(同类、非同类)，通过多模态控制模块对处理方式进行选择，使用多准则决策及多属性决策的方法进行处理，可以减少不确定性处理过程中的冗余，提高了多模态情景信息处理的可靠性和准确率。
实施例3
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图1所示的基于多准则决策多模态情景信息不确定性处理方法中的步骤。
本实施例可以处理各种同类、非同类的情景信息数据，完整性较强，完善程度更高；本实施例的基于多准则决策多模态情景信息不确定性处理方法与协作程度低的传统处理算法相比，具有更高的灵活性，并且更具普适性，可被应用于不同类型及不同环境的情景信息不确定性处理；本实施例的基于多准则决策多模态情景信息不确定性处理方法根据情景信息的类型(同类、非同类)，通过多模态控制模块对处理方式进行选择，使用多准则决策及多属性决策的方法进行处理，可以减少不确定性处理过程中的冗余，提高了多模态情景信息处理的可靠性和准确率。
实施例4
本实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如图1所示的基于多准则决策多模态情景信息不确定性处理方法中的步骤。
本实施例可以处理各种同类、非同类的情景信息数据，完整性较强，完善程度更高；本实施例的基于多准则决策多模态情景信息不确定性处理方法与协作程度低的传统处理算法相比，具有更高的灵活性，并且更具普适性，可被应用于不同类型及不同环境的情景信息不确定性处理；本实施例的基于多准则决策多模态情景信息不确定性处理方法根据情景信息的类型(同类、非同类)，通过多模态控制模块对处理方式进行选择，使用多准则决策及多属性决策的方法进行处理，可以减少不确定性处理过程中的冗余，提高了多模态情景信息处理的可靠性和准确率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多准则决策多模态情景信息不确定性处理方法，其特征在于，包括：
步骤1：接收多源情景信息，基于概念格对多源情景信息进行建模；其中，使用概念的定义对情景信息进行属性分类，同时添加情景信息的类别判断属性、不确定性判断属性以及用户反馈及专家经验判断属性；
步骤2：根据情景信息知识库预设的阈值信息来检测建模后多源情景信息的不确定性，得到符合预设要求的多源情景信息；
步骤3：基于多模态控制的实时策略对情景建模信息中关于情景信息类别的属性判断情景信息是同类还是非同类，然后根据情景信息的类型对不确定性处理方式进行选择，若是同类情景信息，则进行下一步，若是非同类情景信息，则跳转到步骤5；
步骤4：根据同类情景信息的不一致性、不完备性和不精确性特征以及情景信息知识库中基于QoE的用户反馈和专家经验信息，使用基于多准则决策的不确定性问题的择优处理算法做出串行处理或并行处理的最优处理决策；其中，串行处理先进行不一致性消除，再进行不完备性消除的处理，而并行处理不一致性消除与不完备性消除并行实施，然后对多种处理结果进行融合处理，并将所得结果存入到情景信息知识库中；
步骤5：对于非同类情景信息，使用基于主客观权重的不确定性处理算法，并将所得结果存入到情景信息知识库中；其中基于主客观权重的不确定性处理算法中的主观权重来源于用户反馈和专家经验，基于主客观权重的不确定性处理算法中的客观权重通过粗糙集、模糊集和神经网络算法结合QoE参数求得；
步骤6：实时动态监测同类情景信息的处理结果，并基于QoE的反馈修正机制对同类情景信息的处理结果的用户满意程度进行用户评估，通过这种实时反馈机制不断获得不确定性处理的反馈信息，进而使用反馈信息对情景信息知识库中的阈值信息、专家经验和权重参数进行实时闭环调整。
2.如权利要求1所述的基于多准则决策多模态情景信息不确定性处理方法，其特征在于，在所述步骤1中，基于概念格对多源情景信息进行建模的过程为：
将情景感知信息表示为T＝(O,D,R)的形式，其中O是对象集合，D是属性集合，R是O和D之间的一个二元关系，在形式背景的基础上得到形式概念(X,B)，其中X是概念的外延，是属于这个概念的所有集合，B是所有这些对象所具有的属性集。
3.如权利要求1所述的基于多准则决策多模态情景信息不确定性处理方法，其特征在于，不确定性判断属性包括不一致性、不完备性和不精确性。
4.如权利要求1所述的基于多准则决策多模态情景信息不确定性处理方法，其特征在于，对于不完备性问题，采用基于期望值的最大化算法或BP神经网络手段解决；对于不一致性问题，采用集对分析、灰色关联法、支持向量机、随机森林或递归神经网络算法进行处理；将不精确情景信息当作不完备情景信息来消除。
5.一种基于多准则决策多模态情景信息不确定性处理系统，其特征在于，包括：
情景信息建模模块，其用于：接收多源情景信息，基于概念格对多源情景信息进行建模；其中，使用概念的定义对情景信息进行属性分类，同时添加情景信息的类别判断属性、不确定性判断属性以及用户反馈及专家经验判断属性；
多源情景信息不确定性检测模块，其用于：根据情景信息知识库预设的阈值信息来检测建模后多源情景信息的不确定性，得到符合预设要求的多源情景信息；
基于多模态控制的实时策略选择模块，其用于：基于多模态控制的实时策略对情景建模信息中关于情景信息类别的属性判断情景信息是同类还是非同类，然后根据情景信息的类型对不确定性处理方式进行选择；
基于多准则决策的不确定性问题的择优处理模块，其用于：对于同类情景信息，根据同类情景信息的不一致性、不完备性和不精确性特征以及情景信息知识库中基于QoE的用户反馈和专家经验信息，使用基于多准则决策的不确定性问题的择优处理算法做出串行处理或并行处理的最优处理决策；其中，串行处理先进行不一致性消除，再进行不完备性消除的处理，而并行处理不一致性消除与不完备性消除并行实施，然后对多种处理结果进行融合处理，并将所得结果存入到情景信息知识库中；
基于主客观权重的不确定性处理模块，其用于：对于非同类情景信息，使用基于主客观权重的不确定性处理算法，并将所得结果存入到情景信息知识库中；其中基于主客观权重的不确定性处理算法中的主观权重来源于用户反馈和专家经验，基于主客观权重的不确定性处理算法中的客观权重通过粗糙集、模糊集和神经网络算法结合QoE参数求得；
实时动态监测模块，其用于：实时动态监测同类情景信息的处理结果；
基于QoE的反馈修正机制的用户评估模块，其用于：基于QoE的反馈修正机制对同类情景信息的处理结果的用户满意程度进行用户评估，通过这种实时反馈机制不断获得不确定性处理的反馈信息，进而使用反馈信息对情景信息知识库中的阈值信息、专家经验和权重参数进行实时闭环调整。
6.如权利要求5所述的基于多准则决策多模态情景信息不确定性处理系统，其特征在于，在所述情景信息建模模块中，基于概念格对多源情景信息进行建模的过程为：
将情景感知信息表示为T＝(O,D,R)的形式，其中O是对象集合，D是属性集合，R是O和D之间的一个二元关系，在形式背景的基础上得到形式概念(X,B)，其中X是概念的外延，是属于这个概念的所有集合，B是所有这些对象所具有的属性集。
7.如权利要求5所述的基于多准则决策多模态情景信息不确定性处理系统，其特征在于，不确定性判断属性包括不一致性、不完备性和不精确性。
8.如权利要求5所述的基于多准则决策多模态情景信息不确定性处理系统，其特征在于，对于不完备性问题，采用基于期望值的最大化算法或BP神经网络手段解决；对于不一致性问题，采用集对分析、灰色关联法、支持向量机、随机森林或递归神经网络算法进行处理；将不精确情景信息当作不完备情景信息来消除。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的基于多准则决策多模态情景信息不确定性处理方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于多准则决策多模态情景信息不确定性处理方法中的步骤。
CN201911266320.0A 2019-12-11 2019-12-11 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 Active CN111062427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911266320.0A CN111062427B (zh) 2019-12-11 2019-12-11 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911266320.0A CN111062427B (zh) 2019-12-11 2019-12-11 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

Publications (2)

Publication Number Publication Date
CN111062427A CN111062427A (zh) 2020-04-24
CN111062427B true CN111062427B (zh) 2023-04-18

Family

ID=70298761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911266320.0A Active CN111062427B (zh) 2019-12-11 2019-12-11 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

Country Status (1)

Country Link
CN (1) CN111062427B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107679580A (zh) * 2017-10-21 2018-02-09 桂林电子科技大学 一种基于多模态深度潜在关联的异构迁移图像情感极性分析方法
CN108846481A (zh) * 2018-06-25 2018-11-20 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107679580A (zh) * 2017-10-21 2018-02-09 桂林电子科技大学 一种基于多模态深度潜在关联的异构迁移图像情感极性分析方法
CN108846481A (zh) * 2018-06-25 2018-11-20 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Hongji Xu等."A Novel Comprehensive Quality Index QoX and the Corresponding Context-aware System Framework".《IEEE》.2018,全文. *

Also Published As

Publication number Publication date
CN111062427A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN110610242B (zh) 一种联邦学习中参与者权重的设置方法及装置
CN110097037B (zh) 智能监测方法、装置、存储介质及电子设备
Goel et al. Fuzzy classification of pre-harvest tomatoes for ripeness estimation–An approach based on automatic rule learning using decision tree
CN108171329A (zh) 深度学习神经网络训练方法、层数调整装置和机器人系统
CN110147722A (zh) 一种视频处理方法、视频处理装置及终端设备
CN109117380B (zh) 一种软件质量评价方法、装置、设备及可读存储介质
CN111858231A (zh) 一种基于运维监控的单指标异常检测方法
CN103365829A (zh) 信息处理装置、信息处理方法和程序
CN110491511B (zh) 一种基于围术期危险预警的多模型互补增强机器学习方法
CN113688957A (zh) 一种基于多模型融合的目标检测方法、装置、设备及介质
CN111294819A (zh) 一种网络优化方法及装置
CN111160484A (zh) 数据处理方法、装置、计算机可读存储介质及电子设备
CN111612261A (zh) 基于区块链的金融大数据分析系统
CN108038131A (zh) 数据质量分析预处理方法及装置、存储介质、终端
Tembusai et al. K-nearest neighbor with K-fold cross validation and analytic hierarchy process on data classification
Wang et al. Mushroom toxicity recognition based on multigrained cascade forest
CN111488939A (zh) 模型训练方法、分类方法、装置及设备
CN111062427B (zh) 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
CN110766086B (zh) 基于强化学习模型对多个分类模型进行融合的方法和装置
CN113360772B (zh) 一种可解释性推荐模型训练方法与装置
CN115938600A (zh) 一种基于关联分析的心理健康状态预测方法与系统
CN115906927A (zh) 基于人工智能的数据访问分析方法、系统及云平台
CN114706481A (zh) 一种基于眼动特征与DeepFM的直播购物兴趣度预测方法
Mallat et al. Study, evaluation and classification of decision-making methods for evaluating the QoS in the GPRS network
CN108985456B (zh) 层数增减深度学习神经网络训练方法、系统、介质和设备

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