CN111783931B - 一种基于混合推理的物联网专家系统实现方法及系统 - Google Patents

一种基于混合推理的物联网专家系统实现方法及系统 Download PDF

Info

Publication number
CN111783931B
CN111783931B CN202010498477.2A CN202010498477A CN111783931B CN 111783931 B CN111783931 B CN 111783931B CN 202010498477 A CN202010498477 A CN 202010498477A CN 111783931 B CN111783931 B CN 111783931B
Authority
CN
China
Prior art keywords
internet
things
reasoning
cloud platform
knowledge
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
CN202010498477.2A
Other languages
English (en)
Other versions
CN111783931A (zh
Inventor
吴旭
吴云鹤
李晓榕
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.)
Shenzhen Coocaa Network Technology Co Ltd
Original Assignee
Shenzhen Coocaa Network Technology Co Ltd
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 Shenzhen Coocaa Network Technology Co Ltd filed Critical Shenzhen Coocaa Network Technology Co Ltd
Priority to CN202010498477.2A priority Critical patent/CN111783931B/zh
Publication of CN111783931A publication Critical patent/CN111783931A/zh
Application granted granted Critical
Publication of CN111783931B publication Critical patent/CN111783931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于混合推理的物联网专家系统实现方法及系统，所述方法包括：将物联网设备加入已建立的物联网云平台，并将物联网设备的状态变化实时发送给物联网云平台；将多种知识提取方法有机组合，形成不同智能程度的混合知识库；将混合知识库中的规则或知识进行集成，形成供推理使用的推理引擎；根据状态信息和环境状态信息进行拓展关联信息，将关联信息输入到推理引擎中进行推理和决策；将排序后的规则以及相应的推理决策原因返回给物联网云平台，并由物联网云平台向用户发送具体的规则产生原因；接收用户根据物联网设备运行状态及相关规则推理过程的解释，并向物联网云平台反馈规则的准确度，提升了知识推理的智能化和准确化。

Description

一种基于混合推理的物联网专家系统实现方法及系统
技术领域
本发明涉及物联网技术领域，尤其涉及一种基于混合推理的物联网专家系统实现方法、系统及存储介质。
背景技术
专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题，简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。
目前专家系统技术在物联网技术领域，其主要应用方法为针对较为具体的应用领域提供单一的来源的知识库或控制规则，主要缺陷表现为知识来源单一、知识或规则提取速度较慢、无法从海量数据当中提取和获得知识、缺少对非结构化数据当中知识的提取和分析，在知识推理的智能化和准确化方面，还有很大不足。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种基于混合推理的物联网专家系统实现方法、系统及存储介质，旨在解决现有技术中专家系统在知识推理的智能化和准确化不足的问题。
为实现上述目的，本发明提供一种基于混合推理的物联网专家系统实现方法，所述基于混合推理的物联网专家系统实现方法包括如下步骤：
建立物联网云平台，将物联网设备加入所述物联网云平台，并将所述物联网设备的状态变化实时发送给所述物联网云平台；
将多种不同范式的知识提取方法有机组合，形成不同智能程度的混合知识库；
将所述混合知识库中的规则或知识进行集成，形成供推理使用的推理引擎；
根据所述物联网设备的状态信息和环境状态信息进行拓展关联信息，并将关联信息输入到所述推理引擎中进行推理和决策；
将排序后的规则以及相应的推理决策原因返回给所述物联网云平台，并由所述物联网云平台向用户发送具体的规则产生原因；
接收用户根据所述物联网设备运行状态及相关规则推理过程的解释，并向所述物联网云平台反馈规则的准确度。
可选地，所述的基于混合推理的物联网专家系统实现方法，其中，所述物联网设备的状态包括：运行状态、运行时间、当前状态、是否开机，所在环境的温度、光照强度、氧气含量、气压和声音大小。
可选地，所述的基于混合推理的物联网专家系统实现方法，其中，所述建立物联网云平台，将物联网设备加入所述物联网云平台，并将所述物联网设备的状态变化实时发送给云服务，还包括：
记录用户主动控制所述物联网设备时的相关环境信息和控制信息。
可选地，所述的基于混合推理的物联网专家系统实现方法，其中，构建所述混合知识库的方式包括：群智协同方法、人类专家提取领域知识、神经网络提取法、数据挖掘提取法以及后台运营策略控制。
可选地，所述的基于混合推理的物联网专家系统实现方法，其中，所述群智协同方法为利用群体性智慧进行协同化知识收集与共享；
所述人类专家提取领域知识为通过观察或者访问人类专家以获得产生式规则来表述知识；
所述神经网络提取法为通过利用神经网络在用户主动控制物联网设备时的相关环境信息和控制信息数据集的基础上进行模型的训练；
所述数据挖掘提取法为利用数据挖掘技术从海量设备运行数据中挖掘关联规则；
所述后台运营策略控制为构建相关设备的控制策略。
可选地，所述的基于混合推理的物联网专家系统实现方法，其中，所述推理引擎包括：规则推理引擎和融合推理引擎。
可选地，所述的基于混合推理的物联网专家系统实现方法，其中，所述规则推理引擎用于负责针对人类专家提取领域知识的知识进行推理；
所述融合推理引擎用于将规则推理引擎、神经网络模型、数据挖掘产生的规则模型或者决策树模型进行统一的整合，形成最终对外服务的引擎，融合多种提取出来的知识进行推理决策服务。
可选地，所述的基于混合推理的物联网专家系统实现方法，其中，所述根据所述物联网设备的状态信息和环境状态信息进行拓展关联信息，并将关联信息输入到所述推理引擎中进行推理和决策，具体包括：
根据所述物联网设备当前状态进行综合推理，由所述推理引擎获得关联信息后，分别从即群智协同知识库、人类专家提取领域知识库、神经网络模型、数据挖掘模型库以及运营控制策略库当中分别匹配相应的控制规则；
从所述规则推理引擎当中获得基于人类专家领域知识库的推理规则，再将所有规则按照一定规则执行并进行消除冲突后将规则返回给所述物联网设备。
此外，为实现上述目的，本发明还提供一种基于混合推理的物联网专家系统实现系统，其中，所述系统包括：物联网云平台，与所述物联网云平台连接的多个物联网设备，与所述物联网云平台连接的专家系统，所述专家系统包括混合智能推理模块；
所有所述物联网设备加入所述物联网云平台，所述物联网云平台实时监测所述物联网设备的状态变化；
所述混合智能推理模块用于将混合知识库中的规则或知识进行集成形成供推理使用的推理引擎，所述推理引擎包括规则推理引擎和融合推理引擎；
所述物联网设备将自身的状态信息和所在的环境状态信息上传到所述物联网云平台，所述物联网云平台针对所述物联网设备状态信息和环境状态信息进行拓展关联信息后，将关联信息整体输入到所述融合推理引擎当中进行推理和决策；
所述融合推理引擎将排序后的规则以及相应的推理决策原因返回给所述物联网云平台，并由所述物联网云平台向用户发送具体的规则产生原因；
用户根据所述物联网设备运行状态及相关规则推理过程的解释，并向所述物联网云平台反馈规则的准确度。
此外，为实现上述目的，本发明还提供一种存储介质，其中，所述存储介质存储有基于混合推理的物联网专家系统实现程序，所述基于混合推理的物联网专家系统实现程序被处理器执行时实现如上所述的基于混合推理的物联网专家系统实现方法的步骤。
本发明通过建立物联网云平台，将物联网设备加入所述物联网云平台，并将所述物联网设备的状态变化实时发送给所述物联网云平台；将多种不同范式的知识提取方法有机组合，形成不同智能程度的混合知识库；将所述混合知识库中的规则或知识进行集成，形成供推理使用的推理引擎；根据所述物联网设备的状态信息和环境状态信息进行拓展关联信息，并将关联信息输入到所述推理引擎中进行推理和决策；将排序后的规则以及相应的推理决策原因返回给所述物联网云平台，并由所述物联网云平台向用户发送具体的规则产生原因；接收用户根据所述物联网设备运行状态及相关规则推理过程的解释，并向所述物联网云平台反馈规则的准确度。本发明通过将多种知识提取方法进行整合，实现海量规则的快速分析与提取，提升了知识推理的智能化和准确化。
附图说明
图1是本发明基于混合推理的物联网专家系统实现方法的较佳实施例的流程图；
图2是本发明基于混合推理的物联网专家系统实现方法的较佳实施例的基本原理图；
图3为本发明基于混合推理的物联网专家系统实现系统的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举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。
本发明较佳实施例所述的基于混合推理的物联网专家系统实现方法，如图1所示，所述基于混合推理的物联网专家系统实现方法包括以下步骤：
步骤S10、建立物联网云平台，将物联网设备加入所述物联网云平台，并将所述物联网设备的状态变化实时发送给所述物联网云平台。
具体地，当建立物联网平台后，将物联网设备联入该物联网平台，同时将物联网设备的状态变化实时向物联网云平台(云服务)发送，以实现对物联网设备的实时监测。
例如物联网设备的状态包可包括设备自身的运行状态，运行时间，当前状态(转速、流量、电压、温度等)，是否开机，以及设备所在环境的温度、光照强度、氧气含量，气压，声音大小等参数。同时也要记录用户对物联网设备的主动控制时刻的相关环境信息和控制信息，例如，下午2点，环境温度为30度，用户将空调启动，设置制冷温度为26度，中度风速。
步骤S20、将多种不同范式的知识提取方法有机组合，形成不同智能程度的混合知识库。
具体地，本发明通过融合式方法构建混合知识库体系，即将多种不同范式的知识提取方法有机组合在一起，形成不同智能程度的混合知识库，相互弥补不足。如图2所示，本发明主要采取五种方法提取和构建混合知识库体系，即群智协同方法、人类专家提取领域知识、神经网络提取法、数据挖掘提取法以及后台运营策略控制；应当理解的是，由于融合推理引擎的存在可以支持平行拓展多种类型的知识提取和构建方法，因此本发明不局限于上述5种方法。
其中，群智协同方法即利用群体性智慧进行协同化知识收集与共享；当用户在使用互联网设备的时候，可以自主定义一些使用控制规则，并将该规则上传到物联网云平台，同时将该规则设置为可为第三方共享状态，允许将自己使用的策略与第三方共享，实现终端用户的开放式规则编辑。当用户规模增大，并且设备数据增多的时候，会形成大量的群智协同规则库，是用户第一手反馈的规则，具有较高的可信度，并且可以为此用户提供个性化的服务提供数据基础。
其中，人类专家提取领域知识即通过观察或者访问人类专家，得IF_THEN产生式规则来表述知识，该方法产生的规则具有较高可靠信和权威性，该方法可直接应用于规则推理过程。
其中，神经网络提取法即通过利用神经网络(包括深度神经网络)方法，在用户对物联网设备的主动控制时刻的相关环境信息和控制信息数据集的基础上进行模型的训练，同时也可以针对开放性的非结构化数据进行感知和提取，例如通过物体检测(ObjectDetection)、人体姿态识别方法，进而实现知识的非线必方法归纳与提取，该方法不依赖输入数据与训练集数据的精确匹配，使得其可以处理带有噪声的数据和不完整数据，实现近似推理过程。
其中，数据挖掘提取法即利用数据挖掘技术从海量设备运行数据中挖掘关联规则，可使用常见的关联规则提取算法Apriori、FPGrowth、FiltereAssociator等，挖掘出相应的关联规则。例如：环境温度为30度时，需要关闭窗户、找开窗帘、打开空调并设置到25度，同时打开二氧化碳传感器。可将该过程提取的规则与专家提取领域知识规则进行合并，然后进行推理应用。该方法适用从大规模数据集中进行规则提取分析，同时支持持续性的规则学习和进化，能够更好的适应用户的日常的使用过程。此外还可以使用决策树算法，如分类回归树算法(Classification And Regression Tree，CART)。
其中，所述后台运营策略控制为构建相关设备的控制策略。
步骤S30、将所述混合知识库中的规则或知识进行集成，形成供推理使用的推理引擎。
具体地，将混合知识库中的规则或知识进行集成，形成可以供推理使用的推理引擎。其主要包括两个部分，第一部分为规则推理引擎部分，负责针对人类专家提取领域知识的知识进行推理，可使用Rete算法进行推理；第二部分为融合推理引擎，该引擎将规则推理引擎、神经网络模型、数据挖掘产生的规则模型或者决策树模型进行统一的整合，形成最终对外服务的引擎，融合多种提取出来的知识进行推理决策服务。
例如，可以通过决策模型和标记(Decision Model And Notation，DMN)和预言模型标记语言(Predictive Model Markup Language，PMML)，让业务分析人员创建决策模型，为推理决策设计到决策实现创建了一个标准的桥梁，并且利用XML描述和存储数据挖掘模型的标准语言，实现数据挖掘中模型的可移植性。
由于控制规则知识库的知识来源多样，同条件下可以会匹配到多种控制规则，并且可能存在相互冲突的情况。
步骤S40、根据所述物联网设备的状态信息和环境状态信息进行拓展关联信息，并将关联信息输入到所述推理引擎中进行推理和决策。
具体地，物联网设备将自身的状态信息和所在的环境状态信息上传到物联网云平台，由物联网云平台针对物联网设备状态信息和环境状态信息进行拓展其它关联信息后，将关联后的信息整体输入到融合推理引擎当中进行推理和决策。
例如，可以根据物联网设备所在的IP地址信息或者地理位置信息获得当前设备所在的区域，然后查询相应的气象预报信息。
根据物联网设备当前状态进行综合推理方法为：先由推理引擎获得关联后的信息，分别从即群智协同知识库、人类专家提取领域知识库、神经网络模型、数据挖掘模型库以及运营控制策略库当中分别匹配相应的控制规则，然后从规则推理引擎当中获得基于人类专家领域知识库的推理规则，再将所有规则按照一定规则执行之后进行消除冲突后将规则返回给设备。
在消除冲突时候可采用按权重排序方案进行综合排序，一种可以参考的排序权重规则为，人体健康规则>设备安全运行规则>专家规则>群知协同规则>数据挖掘规则>神经网络推理规则。对排序后的规则按照权重大小进行状态叠加后，将最后的结果返回给物联网云平台，由物联网云平台返回给请求设备。即以人体健康、设备健康为核心，构建由明确知识产生的规则到非结构化模糊规则。
例如，有以下两种规则，人体健康规则＝＝>{空调温度27度，风速小}，群知协同规则＝＝>{空调温度30度，网速大}，无论叠加的先后顺序，叠加后的状态为{空调温度27度，风速小}。
步骤S50、将排序后的规则以及相应的推理决策原因返回给所述物联网云平台，并由所述物联网云平台向用户发送具体的规则产生原因。
具体地，通过融合推理引擎将步骤S40中的对排序后的规则以及相应的推理决策原因返回给物联网云平台，并由物联网云平台向用户解释具体的规则产生原因。
例如，本次控制过程共触发规则10条，其中神经网络推理产生规则为{空调温度27.5度，风速中},专家规则为{空调温度25度，风速小}相冲突，按照权重采用专家规则，因此最终规则为{空调温度25度，风速小}。
步骤S60、接收用户根据所述物联网设备运行状态及相关规则推理过程的解释，并向所述物联网云平台反馈规则的准确度。
具体地，用户根据物联网设备运行状态及相关规则推理过程的解释，可向物联网云平台反馈规则的准确度，以便于后续系统优化改进。此外用户还可以根据自身的喜好，重新设置步骤S40中的除了人体健康规则和设备安全运行规则以外的权重排序方案，以实现一定程序的个性化控制。
本发明的技术方案具备如下优点：
(1)具备多种知识提取方法与整合，包括纯人工规则，专家领域知识规则，数据挖掘规则，神经网络提取规则，群智协同规则及运营控制规则，同时也可以支持多种其它范式的规则提取方法进行平行拓展和融合推理。
(2)支持结构化知识提取，也支持非结构化知识提取(神经网络方法)。
(3)可以支持海量规则的快速分析与提取(数据挖掘规则提取)。
(4)由单个规则推理引擎，变成混合推理，支持通过标准的DMN标准及PMML标准对多种知识模型进行集成推理，便于普通用户或非专业人员进行规则编写和集成。
进一步地，如图3所示，基于上述基于混合推理的物联网专家系统实现方法，本发明还相应提供了一种基于混合推理的物联网专家系统实现系统，其中，所述系统包括：物联网云平台，与所述物联网云平台连接的多个物联网设备(例如图3中的物联网设备1、物联网设备2、物联网设备3、···、物联网设备N)，与所述物联网云平台连接的专家系统，所述专家系统包括混合智能推理模块；所述系统还包括与所述物联网云平台连接的客户端(即用户或者用户终端)。
具体地，所有所述物联网设备加入所述物联网云平台，所述物联网云平台实时监测所述物联网设备的状态变化；所述混合智能推理模块用于将混合知识库中的规则或知识进行集成形成供推理使用的推理引擎，所述推理引擎包括规则推理引擎和融合推理引擎；所述物联网设备将自身的状态信息和所在的环境状态信息上传到所述物联网云平台，所述物联网云平台针对所述物联网设备状态信息和环境状态信息进行拓展关联信息后，将关联信息整体输入到所述融合推理引擎当中进行推理和决策；所述融合推理引擎将排序后的规则以及相应的推理决策原因返回给所述物联网云平台，并由所述物联网云平台向用户发送具体的规则产生原因；用户根据所述物联网设备运行状态及相关规则推理过程的解释，并向所述物联网云平台反馈规则的准确度。
其中，所述物联网设备指的是智能化的终端设备，例如空调、智能冰箱、智能电视机、智能洗衣机等智能终端。所有的物联网设备均加入至所述物联网云平台，由所述物联网云平台对所述物联网设备进行实时监测。
本发明中的所述规则推理引擎用于负责针对人类专家提取领域知识的知识进行推理；所述融合推理引擎用于将规则推理引擎、神经网络模型、数据挖掘产生的规则模型或者决策树模型进行统一的整合，形成最终对外服务的引擎，融合多种提取出来的知识进行推理决策服务。
进一步地，本发明还提供一种存储介质，其中，所述存储介质存储有基于混合推理的物联网专家系统实现程序，所述基于混合推理的物联网专家系统实现程序被处理器执行时实现如上所述的基于混合推理的物联网专家系统实现方法的步骤。
综上所述，本发明提供一种基于混合推理的物联网专家系统实现方法、系统及存储介质，所述方法包括：建立物联网云平台，将物联网设备加入所述物联网云平台，并将所述物联网设备的状态变化实时发送给所述物联网云平台；将多种不同范式的知识提取方法有机组合，形成不同智能程度的混合知识库；将所述混合知识库中的规则或知识进行集成，形成供推理使用的推理引擎；根据所述物联网设备的状态信息和环境状态信息进行拓展关联信息，并将关联信息输入到所述推理引擎中进行推理和决策；将排序后的规则以及相应的推理决策原因返回给所述物联网云平台，并由所述物联网云平台向用户发送具体的规则产生原因；接收用户根据所述物联网设备运行状态及相关规则推理过程的解释，并向所述物联网云平台反馈规则的准确度。本发明通过将多种知识提取方法进行整合，实现海量规则的快速分析与提取，提升了知识推理的智能化和准确化。
当然，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硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种基于混合推理的物联网专家系统实现方法，其特征在于，所述方法包括：
建立物联网云平台，将物联网设备加入所述物联网云平台，并将所述物联网设备的状态变化实时发送给所述物联网云平台；
所述建立物联网云平台，将物联网设备加入所述物联网云平台，并将所述物联网设备的状态变化实时发送给所述物联网云平台，还包括：
记录用户主动控制所述物联网设备时的相关环境信息和控制信息；
将多种不同范式的知识提取方法有机组合，形成不同智能程度的混合知识库；
构建所述混合知识库的方式包括：群智协同方法、人类专家提取领域知识、神经网络提取法、数据挖掘提取法以及后台运营策略控制；
所述群智协同方法为利用群体性智慧进行协同化知识收集与共享；
所述人类专家提取领域知识为通过观察或者访问人类专家以获得产生式规则来表述知识；
所述神经网络提取法为通过利用神经网络在用户主动控制物联网设备时的相关环境信息和控制信息数据集的基础上进行模型的训练；
所述数据挖掘提取法为利用数据挖掘技术从海量设备运行数据中挖掘关联规则；
所述后台运营策略控制为构建相关设备的控制策略；
将所述混合知识库中的规则或知识进行集成，形成供推理使用的推理引擎；
根据所述物联网设备的状态信息和环境状态信息进行拓展关联信息，并将关联信息输入到所述推理引擎中进行推理和决策，或根据用户自身的喜好，重新设置除了人体健康规则和设备安全运行规则以外的权重排序方案，以实现程序的个性化控制；
将排序后的规则以及相应的推理决策原因返回给所述物联网云平台，并由所述物联网云平台向用户发送具体的规则产生原因；
接收用户根据所述物联网设备运行状态及相关规则推理过程的解释，并向所述物联网云平台反馈规则的准确度。
2.根据权利要求1所述的基于混合推理的物联网专家系统实现方法，其特征在于，所述物联网设备的状态包括：运行状态、运行时间、当前状态、是否开机，所在环境的温度、光照强度、氧气含量、气压和声音大小。
3.根据权利要求1所述的基于混合推理的物联网专家系统实现方法，其特征在于，所述推理引擎包括：规则推理引擎和融合推理引擎。
4.根据权利要求3所述的基于混合推理的物联网专家系统实现方法，其特征在于，所述规则推理引擎用于负责针对人类专家提取领域知识的知识进行推理；
所述融合推理引擎用于将规则推理引擎、神经网络模型、数据挖掘产生的规则模型或者决策树模型进行统一的整合，形成最终对外服务的引擎，融合多种提取出来的知识进行推理决策服务。
5.根据权利要求4所述的基于混合推理的物联网专家系统实现方法，其特征在于，所述根据所述物联网设备的状态信息和环境状态信息进行拓展关联信息，并将关联信息输入到所述推理引擎中进行推理和决策，具体包括：
根据所述物联网设备当前状态进行综合推理，由所述推理引擎获得关联信息后，分别从即群智协同知识库、人类专家提取领域知识库、神经网络模型、数据挖掘模型库以及运营控制策略库当中分别匹配相应的控制规则；
从所述规则推理引擎当中获得基于人类专家领域知识库的推理规则，再将所有规则按照一定规则执行并进行消除冲突后将规则返回给所述物联网设备。
6.一种基于混合推理的物联网专家系统实现系统，其特征在于，所述系统包括：物联网云平台，与所述物联网云平台连接的多个物联网设备，与所述物联网云平台连接的专家系统，所述专家系统包括混合智能推理模块；
所有所述物联网设备加入所述物联网云平台，所述物联网云平台实时监测所述物联网设备的状态变化，记录用户主动控制所述物联网设备时的相关环境信息和控制信息；
所述混合智能推理模块用于将混合知识库中的规则或知识进行集成形成供推理使用的推理引擎，所述推理引擎包括规则推理引擎和融合推理引擎；
构建所述混合知识库的方式包括：群智协同方法、人类专家提取领域知识、神经网络提取法、数据挖掘提取法以及后台运营策略控制；
所述群智协同方法为利用群体性智慧进行协同化知识收集与共享；
所述人类专家提取领域知识为通过观察或者访问人类专家以获得产生式规则来表述知识；
所述神经网络提取法为通过利用神经网络在用户主动控制物联网设备时的相关环境信息和控制信息数据集的基础上进行模型的训练；
所述数据挖掘提取法为利用数据挖掘技术从海量设备运行数据中挖掘关联规则；
所述后台运营策略控制为构建相关设备的控制策略；
所述物联网设备将自身的状态信息和所在的环境状态信息上传到所述物联网云平台，所述物联网云平台针对所述物联网设备状态信息和环境状态信息进行拓展关联信息后，将关联信息整体输入到所述融合推理引擎当中进行推理和决策，或根据用户自身的喜好，重新设置除了人体健康规则和设备安全运行规则以外的权重排序方案，以实现程序的个性化控制；
所述融合推理引擎将排序后的规则以及相应的推理决策原因返回给所述物联网云平台，并由所述物联网云平台向用户发送具体的规则产生原因；
用户根据所述物联网设备运行状态及相关规则推理过程的解释，并向所述物联网云平台反馈规则的准确度。
7.一种存储介质，其特征在于，所述存储介质存储有基于混合推理的物联网专家系统实现程序，所述基于混合推理的物联网专家系统实现程序被处理器执行时实现如权利要求1-5任一项所述的基于混合推理的物联网专家系统实现方法的步骤。
CN202010498477.2A 2020-06-04 2020-06-04 一种基于混合推理的物联网专家系统实现方法及系统 Active CN111783931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010498477.2A CN111783931B (zh) 2020-06-04 2020-06-04 一种基于混合推理的物联网专家系统实现方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010498477.2A CN111783931B (zh) 2020-06-04 2020-06-04 一种基于混合推理的物联网专家系统实现方法及系统

Publications (2)

Publication Number Publication Date
CN111783931A CN111783931A (zh) 2020-10-16
CN111783931B true CN111783931B (zh) 2023-08-04

Family

ID=72753789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010498477.2A Active CN111783931B (zh) 2020-06-04 2020-06-04 一种基于混合推理的物联网专家系统实现方法及系统

Country Status (1)

Country Link
CN (1) CN111783931B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114490120B (zh) * 2021-12-30 2024-04-09 重庆特斯联智慧科技股份有限公司 用于物流机器人运营后台的远程交互方法和系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0410130A (ja) * 1990-04-27 1992-01-14 Komatsu Ltd ニューラルネットワークを用いたエキスパートシステムのルールベースの自動調整方法及び装置
JP2761090B2 (ja) * 1990-09-27 1998-06-04 三菱重工業株式会社 エキスパートシステムの推論方法
JPH05189236A (ja) * 1992-01-16 1993-07-30 Matsushita Electric Ind Co Ltd マルチパラダイム知識ベースシステム
KR20060054977A (ko) * 2004-11-17 2006-05-23 삼성전자주식회사 전문가 시스템의 지식 베이스 구축 방법, 이에 적합한장치, 그리고 기록 매체
CN101576869A (zh) * 2009-05-31 2009-11-11 北京富邦科讯信息咨询有限公司 一种基于黑板模型的智能专家咨询系统及方法
CN103577707A (zh) * 2013-11-15 2014-02-12 上海交通大学 一种利用多模式融合推理的机器人故障诊断方法
US11727288B2 (en) * 2016-10-05 2023-08-15 Kyndryl, Inc. Database-management system with artificially intelligent virtual database administration
CN106777002B (zh) * 2016-12-07 2020-10-30 华北理工大学 一种基于数据挖掘的医学知识库系统
CN107944596B (zh) * 2017-10-20 2021-11-09 上海交通大学 一种基于物联网的甜瓜生长管理专家系统
CN108512909A (zh) * 2018-03-14 2018-09-07 日照职业技术学院 一种基于物联网的计算机远程控制系统
CN108737489A (zh) * 2018-03-21 2018-11-02 湘潭大学 基于专家系统混合推理的能量管理云平台的配用电设备故障诊断方法
CN110136838A (zh) * 2019-04-29 2019-08-16 平安科技（深圳）有限公司 基于多知识库推理的数据匹配决策方法及系统
CN110296124B (zh) * 2019-06-03 2021-01-05 武汉工程大学 基于专家系统的远程故障诊断系统及方法
CN110488150A (zh) * 2019-08-09 2019-11-22 国网河北省电力有限公司沧州供电分公司 一种基于多算法融合的故障智能诊断方法

Also Published As

Publication number Publication date
CN111783931A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
Zhang et al. Edge intelligence in the cognitive Internet of Things: Improving sensitivity and interactivity
Zhang et al. Taxonomy of reinforcement learning algorithms
Ye et al. Parallel cognition: Hybrid intelligence for human-machine interaction and management
Nakamori Systems methodology and mathematical models for knowledge management
Wang et al. Learning performance prediction via convolutional GRU and explainable neural networks in e-learning environments
JP2016048417A (ja) サービス提供システムおよびプログラム
Naveen et al. In search of the future technologies: Fusion of machine learning, fog and edge computing in the internet of things
CN114330510A (zh) 模型训练方法、装置、电子设备和存储介质
Wahyono et al. New Adaptive Intelligence Method for Personalized Adaptive Laboratories
JP6562328B2 (ja) 支援システム
CN111783931B (zh) 一种基于混合推理的物联网专家系统实现方法及系统
CN111340112A (zh) 分类方法、装置、服务器
CN112256537A (zh) 模型运行状态的展示方法、装置、计算机设备和存储介质
Zheng Retracted: Intelligent distribution system of university student dormitory based on data fusion optimisation algorithm
Di Martino et al. Analysis of techniques for mapping convolutional neural networks onto cloud edge architectures using SplitFed learning method
Tanwar et al. Machine learning, blockchain, and cyber security in smart environments: Application and Challenges
He et al. Analysis of concentration in English education learning based on CNN model
Liu et al. Design and implementation of testbed using IoT and P2P technologies: improving reliability by a fuzzy-based approach
CN112036571B (zh) 一种多领域专家系统联合推理方法及系统
Li et al. Reinforcement learning architecture for cyber–physical–social AI: state-of-the-art and perspectives
Achyuth et al. Implementation of recommendation system and technology for villages using machine learning and iot
Lu et al. Autonomous cognition and correction system of robot service based on emotional information and case-based reasoning
JP2019220187A (ja) 支援システム
Zhao Research on the Effect of IOT Wireless Network Technology on the Educational Management of China’s Universities
KR20200141863A (ko) 개인기록물 데이터 기반 인공지능 대화 서비스 제공 시스템

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 2306, east block, Skyworth semiconductor design building, 18 Gaoxin South 4th Road, Gaoxin community, Yuehai street, Nanshan District, Shenzhen, Guangdong 518052

Applicant after: Shenzhen Kukai Network Technology Co.,Ltd.

Address before: 518052 Room 601, block C, Skyworth building, 008 Gaoxin South 1st Road, Nanshan District, Shenzhen City, Guangdong Province

Applicant before: Shenzhen Coocaa Network Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant