CN112965381B - 一种协作智能自适应决策模型的建立方法 - Google Patents
一种协作智能自适应决策模型的建立方法 Download PDFInfo
- Publication number
- CN112965381B CN112965381B CN202110175266.XA CN202110175266A CN112965381B CN 112965381 B CN112965381 B CN 112965381B CN 202110175266 A CN202110175266 A CN 202110175266A CN 112965381 B CN112965381 B CN 112965381B
- Authority
- CN
- China
- Prior art keywords
- equipment
- decision
- environment
- intelligent
- model
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011161 development Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000013461 design Methods 0.000 claims abstract description 8
- 230000006855 networking Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 241000282414 Homo sapiens Species 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000008447 perception Effects 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 18
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提供一种协作智能自适应决策模型的建立方法,包括离线和在线阶段,其中离线阶段包括:a)在开发过程中对智能设备的标准化设计,对智能设备可能所处数据环境的多种情况进行建模;b)利用相关度等信息使用优化方法进行多个特征子集的提取,并在开发过程中集成于智能设备中;在线阶段包括:1)新设备进入环境时的身份识别和网络更新;2)对需要执行决策的设备节点发出指令,并进行设备的模型更新;3)数据不更新或不满足预设模型触发条件时准备响应网络中其他节点的决策指令。基于设备环境感知实现自适应决策,进而实现设备间协作决策完成复杂任务。本发明是针对在不同类型设备环境下进行智能体开发的方法学。
Description
技术领域
本发明涉及物联网技术领域,特别涉及一种协作智能自适应决策模型的建立方法。
背景技术
物联网是利用局部网络或互联网等通信技术把传感器、控制器、机器等设备以及人关联在一起,形成人与物、物与物相联,实现信息化、智能化、可远程管理控制的网络模型。由于各阶段、各地区投入建设的信息模型的标准不同,各行业龙头聚合产业合作伙伴形成了各自的物联网生态并向场景智能过渡,设备间难以实现互联互通,形成一个个所谓的“信息孤岛”。想要打造真正的全产品智能,用户需要一个统一的平台来兼容多种网络、多种协议,需要实现跨模型、跨行业互联互通,打破生态圈的范围,由「企业级生态」向「产业级生态」升级。目标即打造物联网统一连接标准。
物联网的架构基础是无线传感器网络,它是由大量的传感器节点组成,使用通信协议进行数据传输。未来,随着物联网技术的飞速发展,越来越多的设备加入网络,物联网的设备数目预计将达到千亿量级,对于如此巨大的网络,若以中心化组网方式,那么中心节点设备的建设和维护投入将无法估量,因此未来的趋势是建立一种分布式网络。
5G的一大进步,就是支持相邻的设备实现局部组网和相互的信息交换。但通信只是基础,关键的是应用平台也要打通,才可能实现设备之间更高层次的互动,达成真正的万物互联和环境智能。目前大多的IoT(物联网)产业只是简单地把同一厂家的设备相互连接,实现开关、定时或其他固定逻辑的简单控制命令。
物联网协同感知技术、5G通信技术的发展将实现多个设备智能体之间的协同——机器彼此合作、相互竞争共同完成目标任务。多智能体协同带来的群体智能将进一步放大智能系统的价值。
人工智能的一个趋势是快速从“服务器”走向“边缘”。边缘设备往往计算、存储资源和能源受限,对功耗极为敏感,所以需要在边缘设备端实现更新。随着超低功耗嵌入式设备的开发,以及用于微控制器的TensorFlow Lite等嵌入式机器学习框架的推出,意味着人工智能驱动的IoT设备将得到大规模普及。但是,传统单体智能无法满足大规模智能设备的实时感知、决策。
因此,为了解决现有技术中存在的问题,需要一种协作智能自适应决策模型的建立方法。
发明内容
本发明的一个目的在于提供一种协作智能自适应决策模型的建立方法,包括离线阶段、在线阶段,离线阶段进行智能设备、数据环境的设计以及设备预设决策模型的集成开发实现,在线阶段支持基于智能数据环境的设备环境感知及自适应决策。
其中,
所述离线阶段包括:
a)在开发过程中对智能设备的标准化设计,对智能设备可能所处数据环境的多种情况进行建模;
b)通过收集的数据样本和历史交互日志训练当前智能设备的预设决策模型,利用相关度等信息使用优化方法进行多个特征子集的提取,并在开发过程中集成于智能设备中;
通过收集的数据样本和历史交互日志训练当前智能设备的预设决策模型,利用相关度等信息使用优化方法进行多个特征子集的提取,并在开发过程中集成于智能设备中;
所述在线阶段包括:
1)新设备进入环境时的身份识别和网络更新;
2)新设备接入后,主动检测所有设备的设备环境,数据更新时选择并触发一个预设模型执行模型推理任务,形成自适应的设备本地决策,对需要执行决策的设备节点发出指令,并进行设备的模型更新;
3)数据不更新或不满足预设模型触发条件时准备响应网络中其他节点的决策指令。
优选地,所述离线阶段中智能设备的标准化设计,以及可能所处数据环境的多种情况进行建模,以组网节点的智能设备作为智能体,单个节点为传感器、执行器或者同时包含所述两种结构以上的复杂设备。针对智能设备的功能进行标准化设计。
优选地,所述离线阶段中特征子集的提取,不同设备具有不同的数据环境和特征空间,特征一部分来源于收集到的本地及其他节点数据样本,一部分集成领域知识并结合人为输入进行扩展。
优选地,所述在线阶段中新设备进入环境时的身份识别和网络更新:
当有新设备加入时,利用无线传感器网络对其进行定位,并结合位置信息和设备环境标准识别设备类型,如果在已有设备环境中存在相同或相似功能的设备,则对应节点推送其模型到新设备;如果不存在,则执行离线模块的b)。
优选地,所述在线阶段步骤2)中主动检测设备环境,根据当前节点基于设备环境感知信息得到的数据,在数据更新时参考特征子集在满足预设模型预置条件时选择并触发多个预设模型中的一个执行模型推理任务形成自适应决策,对需要执行决策的节点发出指令,并进行设备的模型更新。
优选地,所述在线阶段中当数据不更新时或不满足预设模型触发条件时,设备准备响应网络中其他节点的决策指令,设备在一定周期内接收到多个决策指令时,按照时间戳进行记录,并对一定时间内的多个决策进行冲突检测和协调,按照时间顺序形成一系列一致的决策反馈并执行。
本发明提供的一种协作智能自适应决策模型的建立方法,以物联网统一连接标准、实现智能数据共享环境为基础,在分布式网络中单个智能设备上,基于设备环境感知实现单设备的自适应决策和多设备间的共同决策与协调工作,进一步打通设备应用层,使应用可以调用协调多个设备共同完成任务。
本发明可以主动聚合不同维度的特征联合建立决策模型,从而减少数据传输的通信开销,同时提高模型的准确性、稳定性和鲁棒性。
应当理解,前述大体的描述和后续详尽的描述均为示例性说明和解释,并不应当用作对本发明所要求保护内容的限制。
附图说明
参考随附的附图,本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明,其中:
图1示意性示出了本发明协作智能自适应决策模型建立流程的框图。
图2示出了本发明一个实施例中基于协作物联网的分布式组网方式的示意图。
图3示出了本发明独立于应用层的主动推送信息的嵌入式操作系统。
图4示出了本发明分布式节点之间,以及分布式节点与与环境之间的交互的示意图。
具体实施方式
通过参考示范性实施例,本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而,本发明并不受限于以下所公开的示范性实施例;可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
在下文中,将参考附图描述本发明的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
为了解决现有技术中单体智能无法满足大规模智能设备的实时感知、决策的问题,本发明出一种协作智能自适应决策模型的建立方法,通过在物联网节点建立协作智能自适应决策模型,在分布式网络中单个智能设备上,基于设备环境感知实现单设备的自适应决策,实现应用层可以调用协调多个设备共同完成任务。
本发明基于语义和本体、大数据处理、数据挖掘、机器学习、多目标优化,构建协作智能自适应决策模型。根据本发明的实施例,首先对本发明的相关定义进行如下解释:
设备环境,也可叫做上下文信息,包括当前设备所处的物理环境,其可以通过传感器从环境中获取,如距离、温度、湿度、气压、照明水平等;以及更广泛的,用于描述实体状况的信息,一部分由用户自定义,一部分可以通过语义推理得到。
决策,在物联网场景下决策的核心要素是任务,即设备之间、或者人与设备间协同解决的任务。任务类型主要包括:识别、预测、推理和动作。识别包括识别对象、图像、自然语言等;预测即根据历史数据预测未来数据或事件;推理是通过归纳构建来理解数据模型的某种现象,从而使用少量的数据解决复杂问题;动作需要人或设备来执行某种操作。
决策输出是动作时,对象可以是运行当前模型的设备本身、网络中的其它设备或用户。
决策的自适应性,主要指单一设备的决策模型在离线阶段可选的通过对数据全集提取不同的特征子集进行聚合训练得到多个不同的预选模型或直接被用户定义,并且在线阶段可以在满足固定的条件时选择并触发相应的预置决策模型;根据当前状态下实际感知到的设备环境信息对模型进行推理、训练和调整并更新。
协作,描述设备与设备、人与设备间在完成任务时的关系,包括合作、竞争或者独立。
本发明提出了基于设备环境感知的协作智能自适应决策模型的建立方法,该模型在物联网应用层中构建,在物联网组网节点也即智能设备上部署,针对不同类型的智能设备,在智能数据共享的基础上,通过设备环境感知,在多种设备环境下进行智能体决策模型的开发,使在单个节点上做出决策并在整个网络中使所有设备协作实现任务目标。
本发明实现的前提和应用条件是:应用于分布式组网架构的协作物联网;支持增加了指导物联网节点间的资源调度、数据管理及数据协作模块且独立于应用层的嵌入式节点操作系统;支持已有任一主流通信技术协议和差异化方案;支持不同厂家的供应商和不同品类的设备的统一接入认证;支持统一的标准化设备建模方法。
如图1所示本发明协作智能自适应决策模型建立的流程框图,根据本发明的实施例,建立一种协作智能自适应决策模型包括离线阶段、在线阶段。
离线阶段包括:
a)在开发过程中对智能设备的标准化设计,对智能设备可能所处数据环境的多种情况进行建模。
智能设备的标准化设计,以及可能所处数据环境的多种情况进行建模,以组网节点的智能设备作为智能体,单个节点为传感器、执行器或者同时包含两种结构以上的复杂设备,针对智能设备的功能进行标准化设计。
通过传感器收集温度、湿度等环境信息,并通过结合用户预置个性化设置、用户定义的规则来增强智能条件。参考已有的面向不同物联网应用场景的标准定义,构建设备的智能体模型,为设备本身结构以及设备所提供的功能服务添加了语义信息,在环境中不同的信息维度之间建立语义关系。
b)通过收集的数据样本和历史交互日志训练当前智能设备的预设决策模型,利用相关度等信息使用优化方法进行多个特征子集的提取,并在开发过程中集成于智能设备中;
离线阶段中特征子集的提取,不同设备具有不同的数据环境和特征空间,特征一部分来源于收集到的本地及其他节点数据样本,一部分集成领域知识并结合人为输入进行扩展。
基于数据的共享,可以获得当前设备环境的全局原始数据和全集特征空间,并以此为输入,基于机器学习的方法训练决策模型。为节省数据传输通信开销、提高决策性能,以及适应可能存在的全集信息不完全的环境,需要聚合符合当前节点功能特性的样本和特征子集,建立更高效的任务模型。使用优化方法对特征进行选择,得到不同类型的设备对应的不同特征子集。具有相似功能的设备形成相似的特征子集。
可选的,用户自定义模型触发的预置条件。
在线阶段包括:
1)新设备进入环境时的身份识别和网络更新。
在线阶段中新设备进入环境时的身份识别和网络更新:当有新设备加入时,利用无线传感器网络对其进行定位,并结合位置信息和设备环境标准识别设备类型,如果在已有设备环境中存在相同或相似功能的设备,则通过模型推送其模型到新设备;如果不存在,则执行离线模块的b)。
2)新设备接入后,主动检测所有设备的设备环境,根据当前节点基于设备环境感知信息得到的数据,在数据更新时参考特征子集在满足预设模型预置条件时,选择并触发多个预设模型中的一个,执行模型推理任务形成自适应决策,对需要执行决策的节点发出指令,并进行设备的模型更新。
3)在线阶段中当数据不更新时或不满足预设模型触发条件时,设备准备响应网络中其他节点的决策指令。
设备在一定周期内接收到多个决策指令时,按照时间戳进行记录,并对一定时间内的多个决策进行冲突检测和协调,按照时间顺序形成一系列一致的决策反馈并执行,达成整体系统的一致性和正向反馈最大化。
如图2所示本发明一个实施例中基于协作物联网的分布式组网方式的示意图,协作物联网将传统集中组网集中控制架构改进为分布式组网控制架构。物联网设备终端通过通信C-IoT(蜂窝物联网)模组进行数据传输与指令交互。通过节点名片文件系统,节点实现非中心式组网,并保存网络状态信息。设备通信通过片间通信协议,将需要分发的数据传递到通信C-IoT模组并根据C-IoT通信模组的通信管理进行分发。
如图3所示本发明独立于应用层的主动推送信息的嵌入式操作系统,开放协作的设备数据环境依赖于主动推送信息的嵌入式节点操作系统,以现有通信芯片协议栈软件实现所采用的嵌入式操作系统内核为基础,通过增加数据协作与通信协作能力,在通信芯片协议底层实现物联网节点设备的非同源协作。针对物联网终端设备交互标准不统一问题,增强交互性与兼容性,提供开放编码接口,采用国家标准化组织推出的关于物联网具体应用场景如智能家居的技术、数据、编码等国家标准,使用节点名片文件统一数据格式封装,在通信OS部分实现数据、通信管理的增强。
如图4所示,本发明分布式节点之间,以及分布式节点与环境之间的交互的示意图。
下面以智能家居为应用场景的实施例,当前场景的设备包括运动传感(motionsensors),门关闭传感器(door closure sensors)和温度传感器(temperature sensors)。对应单个设备节点,有:
(1)所有设备以基于协作物联网的分布式组网方式,和独立于应用层的主动推送信息的嵌入式操作系统连接形成分布式节点网络。
(2)以现有物联网智能家居国家标准为基础,结合实际场景对未定义部分进行扩展,确定统一的业务数据封装格式,并设计不同节点的名片文件。
(3)根据设备和环境标准初始化当前场景的网络和设备,定义决策为识别任务,不需要其它设备做执行。识别内容为人类活动。
(4)收集历史数据集,以传感器的时间和空间特征作为设备环境特征,一段传感器时间序列对应一个活动标签。提取的特征包括:传感器出现的次数;传感器状态的空间信息特征,包括平均数、分位数、极值范围、方差、偏度;传感器状态的时间信息特征,包括绝对时间信息(活动起始时间,活动持续时间)、相对时间特征(如两个活动一前一后紧接着出现,则其相关度加1)。对提取的特征做多目标优化,优化目标包括:最小化特征子集,最小化交叉验证错误,最大化特征与活动互信息。得到节点的最优特征子集。
(5)预设每个设备的决策模型的触发条件为最优特征子集,初始化设备的模型信息。
(6)持续进行环境监测,如果有新设备进入当前环境,则通过定位算法确定新设备位置信息,结合位置信息和名片文件进行身份识别。身份识别完成后更新新设备本地名片文件和网络信息,并在网络中查找相同类型设备,如果找到则对应设备传输其最新模型信息到当前设备节点;如果未找到相同或相似类型设备信息,则可选的由用户自定义预设模型,预置模型触发条件。
(7)没有新设备接入时,如果信息发生了更新且触发条件满足,则以节点的最优特征子集对应的数据作为输入,调用本地预设模型进行推理,并输出决策即识别出的当前活动。结合最新数据对模型进行更新。
本发明提供的一种协作智能自适应决策模型的建立方法,以物联网统一连接标准、实现智能数据共享环境为基础,在分布式网络中单个智能设备上,基于设备环境感知实现单设备的自适应决策和多设备间的共同决策与协调工作,进一步打通设备应用层,使应用可以调用协调多个设备共同完成任务。
本发明可以主动聚合不同维度的特征联合建立决策模型,从而减少数据传输的通信开销,同时提高模型的准确性、稳定性和鲁棒性。
本发明可以实现物联网场景下设备的自主智能,达成物物协作、端云协同、人机交互的物间协作目标,在智能家居、建筑与能源、智能制造、机器人等领域广泛应用。
结合这里披露的本发明的说明和实践,本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的,本发明的真正范围和主旨均由权利要求所限定。
Claims (4)
1.一种协作智能自适应决策模型的建立方法,其特征在于,所述模型建立的方法包括离线阶段、在线阶段,离线阶段进行智能设备、数据环境的设计以及设备预设决策模型的集成开发实现,在线阶段支持基于智能数据环境的设备环境感知及自适应决策;
其中,所述离线阶段包括:
a)在开发过程中对智能设备的标准化设计,对智能设备可能所处数据环境的多种情况进行建模;
b)通过收集的数据样本和历史交互日志训练当前智能设备的预设决策模型,利用相关度信息使用优化方法进行多个特征子集的提取,并在开发过程中集成于智能设备中;所述离线阶段中特征子集的提取为:不同设备具有不同的数据环境和特征空间,特征一部分来源于收集到的本地及其他节点数据样本,一部分集成领域知识并结合人为输入进行扩展;
所述在线阶段包括:
1)新设备进入环境时的身份识别和网络更新;
其中,所述在线阶段中新设备进入环境时的身份识别和网络更新为:
当有新设备加入时,利用无线传感器网络对其进行定位,并结合位置信息和设备环境标准识别设备类型,如果在已有设备环境中存在相同或相似功能的设备,则对应节点推送其模型到新设备;如果不存在,则执行离线模块的b);
2)新设备接入后,主动检测所有设备的设备环境,数据更新时选择并触发一个预设模型,执行模型推理任务,形成自适应的设备本地决策,对需要执行决策的设备节点发出指令,并进行设备的模型更新;
3)数据不更新或不满足预设模型触发条件时,设备准备响应网络中其他节点的决策指令。
2.根据权利要求1所述的方法,其特征在于,所述离线阶段中智能设备的标准化设计,以及可能所处数据环境的多种情况进行建模,以组网节点的智能设备作为智能体,单个节点为传感器、执行器或者同时包含两种结构以上的复杂设备;针对智能设备的功能进行标准化设计。
3.根据权利要求1所述的方法,其特征在于,所述在线阶段步骤2)中主动检测设备环境,根据当前节点基于设备环境感知信息得到的数据,在数据更新时参考特征子集在满足预设模型预置条件时选择并触发多个预设模型中的一个执行模型推理任务形成自适应决策,对需要执行决策的节点发出指令,并进行设备的模型更新。
4.根据权利要求1所述的方法,其特征在于,所述在线阶段中当数据不更新时或不满足预设模型触发条件时,设备准备响应网络中其他节点的决策指令,设备在一定周期内接收到多个决策指令时,按照时间戳进行记录,并对一定时间内的多个决策进行冲突检测和协调,按照时间顺序形成一系列一致的决策反馈并执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175266.XA CN112965381B (zh) | 2021-02-09 | 2021-02-09 | 一种协作智能自适应决策模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175266.XA CN112965381B (zh) | 2021-02-09 | 2021-02-09 | 一种协作智能自适应决策模型的建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112965381A CN112965381A (zh) | 2021-06-15 |
CN112965381B true CN112965381B (zh) | 2022-11-11 |
Family
ID=76284342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110175266.XA Expired - Fee Related CN112965381B (zh) | 2021-02-09 | 2021-02-09 | 一种协作智能自适应决策模型的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112965381B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113367644B (zh) * | 2021-08-11 | 2022-04-15 | 紫东信息科技(苏州)有限公司 | 具有设备迁移能力的消化道疾病识别系统 |
CN116962199A (zh) * | 2022-04-15 | 2023-10-27 | 北京邮电大学 | 一种基于环境感知的模型选择方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122132A (zh) * | 2010-01-11 | 2011-07-13 | 北京航空航天大学 | 一种基于模糊神经网络的用于环境模拟系统的智能控制系统 |
CN106067903A (zh) * | 2016-07-29 | 2016-11-02 | 福建泉工股份有限公司 | 一种设备智能管理云服务系统 |
CN107292422A (zh) * | 2017-05-27 | 2017-10-24 | 西安交通大学 | 一种信息‑物理‑社交融合空间下实现智能制造的S2sensor |
CN107809493A (zh) * | 2017-12-11 | 2018-03-16 | 上海齐网网络科技有限公司 | 一种基于多智能体的物联网操作系统原型 |
CN108520342A (zh) * | 2018-03-23 | 2018-09-11 | 中建三局第建设工程有限责任公司 | 基于bim的物联网平台管理方法及其系统 |
CN110059819A (zh) * | 2018-01-17 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 器件的工作控制方法、装置、系统、控制设备及存储介质 |
CN110265049A (zh) * | 2019-05-27 | 2019-09-20 | 重庆高开清芯科技产业发展有限公司 | 一种语音识别方法及语音识别系统 |
CN111641717A (zh) * | 2020-06-01 | 2020-09-08 | 重庆高开清芯智联网络科技有限公司 | 一种物联网系统内节点数据的管理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120076283A1 (en) * | 2010-09-23 | 2012-03-29 | Ajmera Dinesh | Predictive Customer Service Environment |
-
2021
- 2021-02-09 CN CN202110175266.XA patent/CN112965381B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122132A (zh) * | 2010-01-11 | 2011-07-13 | 北京航空航天大学 | 一种基于模糊神经网络的用于环境模拟系统的智能控制系统 |
CN106067903A (zh) * | 2016-07-29 | 2016-11-02 | 福建泉工股份有限公司 | 一种设备智能管理云服务系统 |
CN107292422A (zh) * | 2017-05-27 | 2017-10-24 | 西安交通大学 | 一种信息‑物理‑社交融合空间下实现智能制造的S2sensor |
CN107809493A (zh) * | 2017-12-11 | 2018-03-16 | 上海齐网网络科技有限公司 | 一种基于多智能体的物联网操作系统原型 |
CN110059819A (zh) * | 2018-01-17 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 器件的工作控制方法、装置、系统、控制设备及存储介质 |
CN108520342A (zh) * | 2018-03-23 | 2018-09-11 | 中建三局第建设工程有限责任公司 | 基于bim的物联网平台管理方法及其系统 |
CN110265049A (zh) * | 2019-05-27 | 2019-09-20 | 重庆高开清芯科技产业发展有限公司 | 一种语音识别方法及语音识别系统 |
CN111641717A (zh) * | 2020-06-01 | 2020-09-08 | 重庆高开清芯智联网络科技有限公司 | 一种物联网系统内节点数据的管理方法 |
Non-Patent Citations (1)
Title |
---|
基于物联网的在线智能调度决策方法;胡祥培等;《管理世界》;20201231;第178-188页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112965381A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wan et al. | Toward dynamic resources management for IoT-based manufacturing | |
Wang | Agent-based control for networked traffic management systems | |
Liu et al. | Web-based digital twin modeling and remote control of cyber-physical production systems | |
Chen et al. | Improving cognitive ability of edge intelligent IIoT through machine learning | |
CN112953778B (zh) | 智融标识网络中基于意图驱动的服务编排系统和方法 | |
CN112187547B (zh) | 一种基于数字孪生的网络系统 | |
Ye et al. | Machine learning for vehicular networks: Recent advances and application examples | |
Serpanos et al. | Industrial internet of things | |
CN112965381B (zh) | 一种协作智能自适应决策模型的建立方法 | |
EP1643423B1 (en) | Enabling object oriented capabilities in automation systems | |
CN108093030B (zh) | 一种基于云服务器的人工智能模型部署方法 | |
CN101356543B (zh) | 使用rfid技术的增强型控制器 | |
Lan et al. | An IoT unified access platform for heterogeneity sensing devices based on edge computing | |
CN109709811A (zh) | 一种面向智能制造的边缘计算控制器及其工作方法 | |
CN109450786B (zh) | 一种基于规则引擎的边缘网关 | |
Broxvall et al. | The peis kernel: A middleware for ubiquitous robotics | |
US20200372412A1 (en) | System and methods to share machine learning functionality between cloud and an iot network | |
CN102654765B (zh) | 物联网设备的控制方法、装置和物联网 | |
CN113179190B (zh) | 边缘控制器、边缘计算系统及其配置方法 | |
CN108021028B (zh) | 一种基于相关冗余变换与增强学习的多维度协同控制方法 | |
CN112887356A (zh) | 共享內存的数据分发服务的系统及其运作方法 | |
CN115562199A (zh) | 工业互联网操作系统和产品的处理方法 | |
CN114584429A (zh) | 工业智能物联网网关 | |
Losev et al. | Infographic oriented management model of cyber-physical systems during a building life cycle | |
CN111077851A (zh) | 一种基于气相色谱雾计算框架的化工过程故障诊断系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221111 |