CN113344072B - 基于gpb算法的运维多模态决策方法、系统及云端服务器 - Google Patents
基于gpb算法的运维多模态决策方法、系统及云端服务器 Download PDFInfo
- Publication number
- CN113344072B CN113344072B CN202110612368.3A CN202110612368A CN113344072B CN 113344072 B CN113344072 B CN 113344072B CN 202110612368 A CN202110612368 A CN 202110612368A CN 113344072 B CN113344072 B CN 113344072B
- Authority
- CN
- China
- Prior art keywords
- time
- data
- modal
- maintenance
- modal data
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于GPB算法的运维多模态决策方法、系统及云端服务器,涉及数据处理技术领域;通过采集多个运维系统内的第一时刻到第二时刻间的模态数据和第三时刻到第四时刻间的模态数据;根据运维系统内的第一时刻到第二时刻间的模态数据和第三时刻到第四时刻间的模态数据之间的映射关系,对运维系统内的第一时刻到第二时刻间的模态数据和第三时刻到第四时刻间的模态数据进行数据融合,得到对应的运维模态数据集;基于运维模态数据,更新运维系统的运维模态,运维模态包括多个模态。因此,本发明可获取运维系统的两个时间段的模态数据,并对两个时间段的模态数据进行映射和匹配,以减少数据处理的工作量。
Description
技术领域
本公开涉及车辆管理的技术领域,特别涉及基于GPB算法的运维多模态决策方法、系统及云端服务器。
背景技术
随着云计算及虚拟化,数据中心呈现出“大规模”、“高密度”、“高能耗”、“复杂化”等特点,建设与发展新一代数据中心,提升数据中心基础设施管理将变得日趋重要,数据中心的基础架构融合管理与智能将成为数据中心发展的新趋势。
实现数据中心的自动化监控,提高系统和环境参数的及时告警能力,提高系统和环境异常变化的响应速度和监控水平,极为迫切。现大都使用传感器和摄像头等各种手段感知信息,实现统一的服务管理软件平台。
多源信息融合通过感知部件产生的数据来获得信息,信息融合涉及多种不同的感知器和不同的执行器,不同的感知设备会产生不同类型的数据。如何有效的融合这些多模态数据进而正确地反映运维的状态是十分重要的研究课题。
发明内容
本公开了基于GPB算法的运维多模态决策方法、系统及云端服务器。
本发明通过以下技术方案实现:
第一方面,本发明提供了一种基于GPB算法的运维多模态决策方法,所述方法包括:
采集多个运维系统内的第一时刻到第二时刻间的模态数据和多个第三时刻到第四时刻间的模态数据,所述第一时刻、所述第二时刻、所述第三时刻和第四时刻沿时间轴顺次排列,且所述第一时刻早于所述第二时刻、所述第三时刻早于所述第四时刻;
根据所述运维系统内的第一时刻到第二时刻间的模态数据和所述第三时刻到第四时刻间的模态数据之间的映射关系,对所述所述运维系统内的第一时刻到第二时刻间的模态数据和所述第三时刻到第四时刻间的模态数据进行数据融合,得到对应的运维模态数据集;
将数据融合不匹配的所述第三时刻到第四时刻间的模态数据确定为无效模态数据;
基于所述运维模态数据,更新所述运维系统的运维模态,所述运维模态包括多个模态。
进一步的,采集多个运维系统内的第一时刻到第二时刻间的模态数据的步骤,包括:
获取所述运维系统内的至少四组第一时刻到第二时刻间的模态数据组合;
获取所述至少四组第一时刻到第二时刻间的模态数据组合之间的第一时刻到第二时刻间的模态数据组合匹配度和组合关联度;
基于所述第一时刻到第二时刻间的模态数据组合匹配度和所述组合关联度,对所述至少四组第一时刻到第二时刻间的模态数据组合进行组合,得到所述运维系统内的第一时刻到第二时刻间的模态数据。
进一步的,根据所述运维系统内的第一时刻到第二时刻间的模态数据和第三时刻到第四时刻模态数据之间的映射关系,对所述运维系统内的第一时刻到第二时刻间的模态数据和第三时刻到第四时可模态数据进行数据融合,得到对应的运维模态数据集的步骤,包括:
将所述运维系统内的第一时刻到第二时刻间的模态数据确定为模态系统中的第一模态数据,将所述运维系统内的第三时刻到第四时刻模态数据确定为模态系统中的第二模态数据;
所述第二模态数据为所述运维系统内的目标实时监控数据中的数据组合;
将所述第一模态数据和第二模态数据件间的匹配度,确定为所述模态系统中的第三时刻到第四时刻间的模态数据与所述模态系统中的第一时刻到第二时刻间的模态数据之间的所述映射关系;
当所述映射关系在设定的范围内时,对所述模态系统中的第三时刻模态数据和所述模态系统中的第一时刻到第二时刻间的模态数据进行数据整合,得到所述运维模态数据集。
进一步的,所述第四时刻为采样动作完成时刻。
进一步的,采集多个运维系统内的第一时刻到第二时刻间的模态数据和多个第三时刻到第四时刻间的模态数据,包括:
获取所述运维系统内的至少四组第三时刻到第四时刻间的模态数据组合;
获取所述至少四组第三时刻到第四时刻间的模态数据组合之间的第三时刻到第四时刻间的模态数据组合匹配度和组合关联度;
基于所述第三时刻到第四时刻间的模态数据组合匹配度和所述组合关联度,对所述至少四组第三时刻到第三时刻间的模态数据组合进行组合,得到所述运维系统内的第三时刻到第四时刻间的模态数据。
进一步的,至少四组运维模态数据集包括运维模态数据集ma,a为小于或等于至少四组运维模态数据集的终端数目的正整数。
进一步的,所述至少四组运维模态数据集包括运维模态数据集ma,包括:
对所述运维模态数据进行种类划分,得到划分特征;
对所述划分特征进行组合,得到运维模态数据集ma。
进一步的,所述运维系统内的模态数据为利用Kalman算法对相应时间点进行状态估计获得的数据。
第二方面,本发明提供了一种运维多模态决策系统,用于实现上述方法,包括:
数据采样模块,用于采集运维系统中第一时刻到第二时刻的模型数据和采集运维系统中第三时刻到第四时刻的模型数据;
数据融合模块,用于根据所述第一时间刻到所述第二时刻的模型数据和第三时刻到第四时刻间的模型数据之间的映射关系,对第一时间刻到所述第二时刻的模型数据和第三时刻到第四时刻的模型数据进行数据融合,得到对应的运维模态数据集;
数据匹配模块,将数据融合不匹配的所述第三时刻到第四时刻间的模态数据确定为无效模态数;
数据输出模块,用于根据所述运维模态数据,更新所述运维系统的运维模态。
第三方面,本发明提供了一种云端服务器,包括:
存储器,用于存储计算机程序;
与所述存储器连接的处理器,用于执行该存储器存储的计算机程序,以实现上述方法。
本发明公开的实施例提供的技术方案可以包括以下有益效果。
本发明提供的运维多模态算法通过采集多个运维系统内的第一时刻到第二时刻间的模态数据和多个第三时刻到第四时刻间的模态数据,所述第一时刻、所述第二时刻、所述第三时刻和第四时刻沿时间轴顺次排列,根据所述运维系统内的第一时刻到第二时刻间的模态数据和所述第三时刻到第四时刻间的模态数据之间的映射关系,对所述所述运维系统内的第一时刻到第二时刻间的模态数据和所述第三时刻到第四时刻间的模态数据进行数据融合,得到对应的运维模态数据集,基于所述运维模态数据,更新所述运维系统的运维模态,所述运维模态包括多个模态。因此,本申请提出的方法可以获取运维系统内的第一时刻到第二时刻间的模态数据和第三时刻到第四时刻间的模态数据,并对两个时间段的模态数据进行映射和匹配,以减少数据处理的工作量。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1为本发明实施例所提供的基于GPB算法的运维多模态决策的云端服务器结构示意图
图2为本发明实施例所提供的基于GPB算法的运维多模态决策方法的流程图;
图3为本发明实施例所提供的基于GPB算法的运维多模态决策系统结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了便于对上述的基于GPB算法的运维多模态决策方法、系统及云端服务器进行阐述,请结合参考图1,提供了本发明实施例所公开的基于GPB算法的运维多模态决策系统的云端服务器。云端服务器包括储存器102和处理器103。存储器102,用于存储计算机程序。处理器103与所述存储器102连接,用于执行该存储器102存储的计算机程序,以实现运基于GPB算法的运维多模态决策方法。
基于GPB算法的运维多模态决策系统100可以包括终端设备101、储存器102和处理器103,其中:终端设备用于收集环境数据,包括摄像头、传感器等;存储器用于存储计算机程序;处理器103与所述存储器连接,用于执行该存储器存储的计算机程序。
应当理解的是,运维多模态决策系统可由云端服务器负责建立和管理,负责维护所述终端设备102描述信息,其中所述描述信息包括:一终端设备组的组标识信息(GID)、该终端设备组包括的各终端设备的标识信息(ID),在实际应用中,终端设备的标识信息可以是通用唯一识别码(UniversallyUniqueIdentifier,简称UUID)或媒体访问控制(MediaAccessControl,简称MAC)地址或IP地址等能够唯一标识设备的信息,本申请对此不进行限制。当云端服务器建立一个终端设备组后,为该共享设备组分配全局唯一的组标识信息(ID)。
所述多个终端设备具备网络连接功能,云端服务器通过无线或有线方式与多个终端设备建立连接。例如,云端服务器使用套接字socket(采用TCP、RUDP等协议)与终端设备之间建立长连接通道,从而云端服务器通过该通道与终端设备进行通信,相互之间传送数据信息。
结合图2,本实施例提供的一种基于GPB算法的运维多模态决策方法,所述方法包括以下步骤S1-S4所描述的内容。
S1、采集多个运维系统内的第一时刻到第二时刻间的模态数据和多个第三时刻到第四时刻间的模态数据,其中,所述第一时刻、所述第二时刻、所述第三时刻和第四时刻沿时间轴顺次排列,且所述第一时刻早于所述第二时刻、所述第二时刻早于所述第三时刻、所述第三时刻早于所述第四时刻。
示例性的,在获取多个运维系统内的第一时刻到第二时刻间的模态数据、获取多个运维系统内的第三时刻到第第四时刻间的模态数据时,避免了获取数据不准确的问题,从而能够精确的获得运维系统数据。S2、根据所述运维系统内的第一时刻到第二时刻间的模态数据和所述第三时刻到第四时刻间的模态数据之间的映射关系,对所述所述运维系统内的第一时刻到第二时刻间的模态数据和所述第三时刻到第四时刻间的模态数据进行数据融合,得到对应的运维模态数据集。
示例性的,将所述运维系统内的第一时刻到第二时刻间的模态数据、所述运维系统内的第三时刻到第四时刻模态数据融合成对应的数据集合,一方面便于进行数据的匹配,另一方面能够避免数据在比较时缺失,能够确保数据处理过程中计算的准确性。
S3、将数据融合不匹配的所述第三时刻到第四时刻间的模态数据确定为无效模态数据。
S4、基于所述运维模态数据,更新所述运维系统的运维模态,所述运维模态包括多个模态。
能够理解的是,所述第四时刻为采样动作完成时刻,即所述第一时刻、为采样开始时刻,所述第二时刻、所述第三时刻为由采样动作开始到采样结束后之间的两个时间点。
具体而言,所述运维系统内的模态数据为利用Kalman算法对相应时间点进行状态估计获得的数据。应当理解的是,本实施例所涉及的Kalman算法指的是卡尔曼滤波,卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术,而Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中,估计动态系统的状态。
需要说明的是,GPB算法为广义伪贝叶斯算法,指的是在某一时刻进行系统状态估计时,仅考虑系统过去有限个采样时间间隔内的目标模型历史。本实施例所记载的方法基于GPB算法,分别采集采样时间段内第一时刻与第二时刻间、第三时刻与第四时刻间两个间隔时间段的运维模态数据;具体到本实施例所提供的运维多模态决策系统100,采集第一时刻与第二时刻间内基于摄像头的数据和传感器数据并按照设定的模型Kalman算法转换成第一模态数据,其中第一时刻与第二时刻间摄像头和传感器反馈的数据为正常环境数据,采集第三时刻与第四时刻间内基于摄像头的数据和传感器数据并按照设定的模型Kalman算法转换成第二模态数据。不需要对运维多模态系统进行实时检测。
将第一时刻与第二时刻间的运维模态数据作为参考基准,即将第一模态数据作为比照的基准运维模态数据;并将后续的第三时刻与第四时刻间的运维模态数据作为第二模态数据,然后将第二模态数据和第一模态数据进行匹配比较,如第二模态数据与第一模态数据匹配,则说明第三时刻到第四时刻间摄像头和传感器反馈的数据为正常环境数据,也就是说,第三时刻到第四时刻的环境为正常环境,此时将第二模态数据输出,并反馈给相应的储存器200进行数据缓存。若第二模态数据与第一模态数据不匹配时,则说明第三时刻到第四时刻的环境为异常环境,此时中断运维模态数据的反馈,并通过处理器300发出预警信号,便于及时处理异常情况。因此,本实施例不仅能减少数据处理的工作量,还能够对运维系统进行预警,预防事故的发生。
其中,采集多个运维系统内的第一时刻到第二时刻间的模态数据包括以下步骤S111-S113所描述的内容。
S111、获取所述运维系统内的至少四组第一时刻到第二时刻间的模态数据组合。
本实例的据获取步骤提供了多组数据,能够有效的避免数据采集错误的情况,导致后续步骤将第二模态数据与第一模态数据比较时计算错误的问题,进而有效地提高数据的精确性。
S112、获取所述至少四组第一时刻到第二时刻间的模态数据组合之间的第一时刻到第二时刻间的模态数据组合匹配度和组合关联度。
示例性的,将每组模态数据进行进行初步的筛选,一方面能够减少数据后续处理的量,减小系统数据处理的负担,同时也能够有效地增加数据的准确性。
S113、基于所述第一时刻到第二时刻间的模态数据组合匹配度和所述组合关联度,对所述至少四组第一时刻到第二时刻间的模态数据组合进行组合,得到所述运维系统内的第一时刻到第二时刻间的模态数据。
示例性的,本步骤将多组数据进行组合,能够降低数据错误的情况出现,使采集的数据与所需的数据相匹配。
可以理解的,在执行上述步骤S111-步骤S113所描述的内容时,在所述获取多个运维系统内的第一时刻到第二时刻间的模态数据时,避免了获取数据不准确的问题,从而能够精确的获得运维系统数据。
具体而言,采集多个第三时刻到第四时刻间的模态数据,包括以下步骤S121-123所描述的内容。
S121、获取所述运维系统内的至少四组第三时刻到第四时刻间的模态数据组合。
相应的,本实例的据获取步骤S121提供了多组数据,能够有效的避免数据采集错误的情况,导致后续步骤将第二模态数据与第一模态数据比较时计算错误的问题,进而有效地提高数据的精确性。
S122、获取所述至少四组第三时刻到第四时刻间的模态数据组合之间的第三时刻到第四时刻间的模态数据组合匹配度和组合关联度。
示例性的,将每组模态数据进行进行初步的筛选,一方面能够减少数据后续处理的量,减小系统数据处理的负担,同时也能够有效地增加数据的准确性。
S123、基于所述第三时刻到第四时刻间的模态数据组合匹配度和所述组合关联度,对所述至少四组第三时刻到第三时刻间的模态数据组合进行组合,得到所述运维系统内的第三时刻到第四时刻间的模态数据。
示例性的,本步骤将多组数据进行组合,能够降低数据错误的情况出现,使采集的数据与所需的数据相匹配。
可以理解的,在执行上述步骤S121-步骤S123所描述的内容时,在所述获取多个运维系统内的第三时刻到第四时刻间的模态数据时,避免了获取数据不准确的问题,从而能够精确的获得运维系统数据。
具体而言,得到对应的运维模态数据集的步骤,包括以下步骤S211-S213所描述的内容。
S211、将所述运维系统内的第一时刻到第二时刻间的模态数据确定为模态系统中的第一模态数据,将所述运维系统内的第三时刻到第四时刻模态数据确定为模态系统中的第二模态数据。
示例性的,将所述运维系统内的第一时刻到第二时刻间的模态数据确定为模态系统中的第一模态数据、所述运维系统内的第三时刻到第四时刻模态数据确定为模态系统中的第二模态数据,将相应的数据整理成对应的数据集合,一方面便于进行数据的匹配,另一方面能够避免数据在比较时缺失,能够确保数据处理过程中计算的准确性。
S212、所述第二模态数据为所述运维系统内的目标实时监控数据中的数据组合。
S213、将所述第一模态数据和第二模态数据件间的匹配度,确定为所述模态系统中的第三时刻到第四时刻间的模态数据与所述模态系统中的第一时刻到第二时刻间的模态数据之间的所述映射关系。
当所述映射关系在设定的范围内时,对所述模态系统中的第三时刻模态数据和所述模态系统中的第一时刻到第二时刻间的模态数据进行数据整合,得到所述运维模态数据集。
其中,至少四组运维模态数据集包括运维模态数据集ma,a为小于或等于至少四组运维模态数据集的终端数目的正整数。
在一种可替换的实施例中,发明人发现,将数据融合不匹配的所述第三时刻到第四时刻间的模态数据,存在误差导致的相关数据不准确的问题,从而难以准确地确定无效模态数据,为了改善上述问题,步骤S3所描述的将数据融合不匹配的所述第三时刻到第四时刻间的模态数据确定为无效模态数据的步骤,具体可以包括以下步骤o1-o5所描述的内容。
O1,获取第三时刻到第四时刻间的融合不匹配数据,所述融合不匹配数据包括多个误差范围,所述多个误差范围的范围类别包括:基本类别和浮动类别;
O2,分别根据各误差范围的关键系数,及各误差范围所属的范围类别的中心关键系数,确定各误差范围对应的中心折损率;
O3,根据所述各误差范围对应的中心折损率,确定所述融合不匹配数据对应的中心折损率;
O4,至少根据所述融合不匹配数据对应的中心折损率,确定模态模型的目标折损率;
O5,根据所述模态模型的目标折损率未符合设定的训练收敛条件,根据所述模态模型的目标折损率,更新卷积神经网络模型的网络参数,并进入下一次迭代,确定出无效模态数据。
可以理解,在执行上述步骤,o1-o5所描述的内容时,将数据融合不匹配的所述第三时刻到第四时刻间的模态数据,存在误差导致的相关数据不准确的问题,从而能够准确地确定无效模态数据。
在一种可替换的实施例中,发明人发现,至少根据所述融合不匹配数据对应的中心折损率,存在折损率不准确的问题,从而难以准确地确定模态模型的目标折损率,为了改善上述技术问题,步骤o4所描述的至少根据所述融合不匹配数据对应的中心折损率,确定模态模型的目标折损率的步骤,具体可以包括以下步骤o4a1所描述的内容。
O4a1,根据所述融合不匹配数据对应的中心折损率,所述融合不匹配数据对应的分类折损率,以及所述融合不匹配数据对应的人脸框坐标回归折损率确定模态模型的目标折损率。
可以理解,在执行上述步骤o4a1所描述的内容时,。
在一种可替换的实施例中,发明人发现,至少根据所述融合不匹配数据对应的中心折损率,避免折损率不准确的问题,从而能够准确地确定模态模型的目标折损率。
结合图3,本发明实施例还提供了一种运维多模态决策系统,用于实现图2所描述的内容,所述运维多模态决策系统200包括数据采样模块201、数据融合模块202、数据匹配模块203和数据输出模块204。
数据采样模块201,用于采集运维系统中第一时刻到第二时刻的模型数据和采集运维系统中第三时刻到第四时刻的模型数据。
数据融合模块202,用于根据所述第一时间刻到所述第二时刻的模型数据和第三时刻到第四时刻间的模型数据之间的映射关系,对第一时间刻到所述第二时刻的模型数据和第三时刻到第四时刻的模型数据进行数据融合,得到对应的运维模态数据集。
数据匹配模块203,将数据融合不匹配的所述第三时刻到第四时刻间的模态数据确定为无效模态数。
数据输出模块204,用于根据所述运维模态数据,更新所述运维系统的运维模态。
本实施例提供的运维多模态决策系统,通过数据采样模块201能够分别采集模态系统采样时间段内第一时刻与第二时刻间、第三时刻与第四时刻间两个间隔时间段的运维模态数据,不需要对运维多模态系统进行实时检测。同时,本实施例提供的运维多模态决策系统,通过数据融合模块和数据配合模块,能够将第一模态数据作为比照的基准运维模态数据,并将后续的第三时刻与第四时刻间的运维模态数据作为第二模态数据,然后将第二模态数据和第一模态数据进行匹配比较,如第二模态数据与第一模态数据匹配,则说明第三时刻到第四时刻的环境为正常环境,此时将第二模态数据输出,并反馈给相应的储存器进行数据缓存。若第二模态数据与第一模态数据不匹配时,则说明第三时刻到第四时刻的环境为异常环境,通过数据输出模块204输出运维系统的模态,便于及时处理异常情况。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (8)
1.一种基于GPB算法的运维多模态决策方法,其特征在于,所述方法包括:
采集多个运维系统内的第一时刻到第二时刻间的模态数据和多个第三时刻到第四时刻间的模态数据,其中,所述第一时刻、所述第二时刻、所述第三时刻和第四时刻沿时间轴顺次排列;
根据所述运维系统内的第一时刻到第二时刻间的模态数据和所述第三时刻到第四时刻间的模态数据之间的映射关系,对所述运维系统内的第一时刻到第二时刻间的模态数据和所述第三时刻到第四时刻间的模态数据进行数据融合,得到对应的运维模态数据集;
将数据融合不匹配的所述第三时刻到第四时刻间的模态数据确定为无效模态数据;
基于所述运维模态数据,更新所述运维系统的运维模态,所述运维模态包括多个模态;
其中,采集多个运维系统内的第一时刻到第二时刻间的模态数据的步骤,包括:
获取所述运维系统内的至少四组第一时刻到第二时刻间的模态数据组合;
获取所述至少四组第一时刻到第二时刻间的模态数据组合之间的第一时刻到第二时刻间的模态数据组合匹配度和组合关联度;
基于所述第一时刻到第二时刻间的模态数据组合匹配度和所述组合关联度,对所述至少四组第一时刻到第二时刻间的模态数据组合进行组合,得到所述运维系统内的第一时刻到第二时刻间的模态数据;
其中,根据所述运维系统内的第一时刻到第二时刻间的模态数据和第三时刻到第四时刻模态数据之间的映射关系,对所述运维系统内的第一时刻到第二时刻间的模态数据和第三时刻到第四时可模态数据进行数据融合,得到对应的运维模态数据集的步骤,包括:
将所述运维系统内的第一时刻到第二时刻间的模态数据确定为模态系统中的第一模态数据,将所述运维系统内的第三时刻到第四时刻模态数据确定为模态系统中的第二模态数据;
所述第二模态数据为所述运维系统内的目标实时监控数据中的数据组合;
将所述第一模态数据和第二模态数据件间的匹配度,确定为所述模态系统中的第三时刻到第四时刻间的模态数据与所述模态系统中的第一时刻到第二时刻间的模态数据之间的所述映射关系;
当所述映射关系在设定的范围内时,对所述模态系统中的第三时刻模态数据和所述模态系统中的第一时刻到第二时刻间的模态数据进行数据整合,得到所述运维模态数据集。
2.根据权利要求1所述的基于GPB算法的运维多模态决策方法,其特征在于,所述第四时刻为采样动作完成时刻。
3.根据权利要求2所述的基于GPB算法的运维多模态决策方法,其特征在于,采集多个运维系统内的第一时刻到第二时刻间的模态数据和多个第三时刻到第四时刻间的模态数据,包括:
获取所述运维系统内的至少四组第三时刻到第四时刻间的模态数据组合;
获取所述至少四组第三时刻到第四时刻间的模态数据组合之间的第三时刻到第四时刻间的模态数据组合匹配度和组合关联度;
基于所述第三时刻到第四时刻间的模态数据组合匹配度和所述组合关联度,对所述至少四组第三时刻到第三时刻间的模态数据组合进行组合,得到所述运维系统内的第三时刻到第四时刻间的模态数据。
4.根据权利要求2所述的基于GPB算法的运维多模态决策方法,其特征在于,至少四组运维模态数据集包括运维模态数据集ma,a为小于或等于至少四组运维模态数据集的终端数目的正整数。
5.根据权利要求4所述的基于GPB算法的运维多模态决策方法,其特征在于,所述至少四组运维模态数据集包括运维模态数据集ma包括:
对所述运维模态数据进行种类划分,得到划分特征;
对所述划分特征进行组合,得到运维模态数据集ma。
6.根据权利要求1所述的基于GPB算法的运维多模态决策方法,其特征在于,所述运维系统内的模态数据为利用Kalman算法对相应时间点进行状态估计获得的数据。
7.一种运维多模态决策系统,用于实现权利要求1-6中任意一项所述的基于GPB算法的运维多模态决策方法,其特征在于,包括:
数据采样模块,用于采集运维系统中第一时刻到第二时刻的模型数据和采集运维系统中第三时刻到第四时刻的模型数据;
数据融合模块,用于根据所述第一时间刻到所述第二时刻的模型数据和第三时刻到第四时刻间的模型数据之间的映射关系,对第一时间刻到所述第二时刻的模型数据和第三时刻到第四时刻的模型数据进行数据融合,得到对应的运维模态数据集;
数据匹配模块,将数据融合不匹配的所述第三时刻到第四时刻间的模态数据确定为无效模态数;
数据输出模块,用于根据所述运维模态数据,更新所述运维系统的运维模态;
其中,采集多个运维系统内的第一时刻到第二时刻间的模态数据的步骤,包括:
获取所述运维系统内的至少四组第一时刻到第二时刻间的模态数据组合;
获取所述至少四组第一时刻到第二时刻间的模态数据组合之间的第一时刻到第二时刻间的模态数据组合匹配度和组合关联度;
基于所述第一时刻到第二时刻间的模态数据组合匹配度和所述组合关联度,对所述至少四组第一时刻到第二时刻间的模态数据组合进行组合,得到所述运维系统内的第一时刻到第二时刻间的模态数据;
其中,根据所述运维系统内的第一时刻到第二时刻间的模态数据和第三时刻到第四时刻模态数据之间的映射关系,对所述运维系统内的第一时刻到第二时刻间的模态数据和第三时刻到第四时可模态数据进行数据融合,得到对应的运维模态数据集的步骤,包括:
将所述运维系统内的第一时刻到第二时刻间的模态数据确定为模态系统中的第一模态数据,将所述运维系统内的第三时刻到第四时刻模态数据确定为模态系统中的第二模态数据;
所述第二模态数据为所述运维系统内的目标实时监控数据中的数据组合;
将所述第一模态数据和第二模态数据件间的匹配度,确定为所述模态系统中的第三时刻到第四时刻间的模态数据与所述模态系统中的第一时刻到第二时刻间的模态数据之间的所述映射关系;
当所述映射关系在设定的范围内时,对所述模态系统中的第三时刻模态数据和所述模态系统中的第一时刻到第二时刻间的模态数据进行数据整合,得到所述运维模态数据集。
8.一种云端服务器,其特征在于,包括:
存储器,用于存储计算机程序;
与所述存储器连接的处理器,用于执行该存储器存储的计算机程序,以实现权利要求1-6任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110612368.3A CN113344072B (zh) | 2021-06-02 | 2021-06-02 | 基于gpb算法的运维多模态决策方法、系统及云端服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110612368.3A CN113344072B (zh) | 2021-06-02 | 2021-06-02 | 基于gpb算法的运维多模态决策方法、系统及云端服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344072A CN113344072A (zh) | 2021-09-03 |
CN113344072B true CN113344072B (zh) | 2023-04-07 |
Family
ID=77475001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110612368.3A Active CN113344072B (zh) | 2021-06-02 | 2021-06-02 | 基于gpb算法的运维多模态决策方法、系统及云端服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344072B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180162A (zh) * | 2017-06-30 | 2017-09-19 | 上海德衡数据科技有限公司 | 一种基于gpb算法的运维多模态决策系统架构 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103776654B (zh) * | 2014-02-21 | 2016-08-31 | 黑龙江省科学院自动化研究所 | 多传感器信息融合的故障诊断方法 |
US20160358085A1 (en) * | 2015-06-05 | 2016-12-08 | Sensaura Inc. | System and method for multimodal human state recognition |
CN107391450A (zh) * | 2017-06-30 | 2017-11-24 | 上海德衡数据科技有限公司 | 一种基于gpb算法的运维多模态决策系统原型 |
CN107291597A (zh) * | 2017-07-28 | 2017-10-24 | 上海德衡数据科技有限公司 | 一种基于多核异构处理器的运维多模态决策感知系统 |
CN108932304B (zh) * | 2018-06-12 | 2019-06-18 | 山东大学 | 基于跨模态的视频时刻定位方法、系统及存储介质 |
CN111292277B (zh) * | 2018-12-10 | 2021-02-09 | 深圳迈瑞生物医疗电子股份有限公司 | 超声融合成像方法及超声融合成像导航系统 |
CN109685391B (zh) * | 2019-01-09 | 2020-11-24 | 郭磊 | 一种多模态融合的智能网络平台及其实现方法 |
-
2021
- 2021-06-02 CN CN202110612368.3A patent/CN113344072B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180162A (zh) * | 2017-06-30 | 2017-09-19 | 上海德衡数据科技有限公司 | 一种基于gpb算法的运维多模态决策系统架构 |
Also Published As
Publication number | Publication date |
---|---|
CN113344072A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10382556B2 (en) | Iterative learning for reliable sensor sourcing systems | |
CN111970309A (zh) | 基于Spark车联网组合深度学习入侵检测方法及系统 | |
CN114585983B (zh) | 用于检测设备的异常运行状态的方法、装置和系统 | |
CN110968070B (zh) | 一种ecu故障智能诊断系统 | |
CN110968072A (zh) | 一种基于人工智能的电气自动化设备监测系统和方法 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN113344072B (zh) | 基于gpb算法的运维多模态决策方法、系统及云端服务器 | |
CN116630812B (zh) | 基于可见光图像分析的水体特征检测方法及系统 | |
CN112650068B (zh) | 一种基于智能电流传感器的家居故障检测方法及装置 | |
CN111775711B (zh) | 纯电动汽车状态监测方法及系统 | |
CN110266527B (zh) | 基于空间相关性的传感器节点故障分类报警方法及装置 | |
CN115951123B (zh) | 一种基于无线通信的电能计量方法及系统 | |
CN114779098B (zh) | 一种锂离子电池的状态评估方法及系统 | |
CN112581031A (zh) | 一种c语言实现递归神经网络(rnn)对电机异常进行实时监控的方法 | |
CN113258104A (zh) | 确定燃料电池的湿度的方法、装置及服务器 | |
CN110909067A (zh) | 一种面向海洋多维数据的可视分析系统及方法 | |
KR102473141B1 (ko) | 인공지능 기반 plc 모듈을 활용한 양품/불량품 판별 방법 및 시스템 | |
CN116229700B (zh) | 一种锂电池储能箱的监测数据误差分析方法及系统 | |
CN116736173B (zh) | 一种储能电池模型构建和储能电池状态判定方法、装置 | |
CN117041121B (zh) | 基于数据挖掘的物联网异常监测方法及系统 | |
Peng et al. | Diagnosis of abnormal body temperature based on deep neural network | |
Dai et al. | Thermal error modeling of electric spindles based on cuckoo algorithm optimized Elman network | |
CN116232854A (zh) | 基于逻辑故障探针的cps节点故障识别方法和系统 | |
CN117370908A (zh) | 道路基础设施监测系统可靠度分析方法、系统及计算设备 | |
CN117760497A (zh) | 一种平均温湿度传感器系统 |
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 |