CN114444615B - 一种基于工业类PaaS平台的贝叶斯分类识别系统及其识别方法 - Google Patents
一种基于工业类PaaS平台的贝叶斯分类识别系统及其识别方法 Download PDFInfo
- Publication number
- CN114444615B CN114444615B CN202210134971.XA CN202210134971A CN114444615B CN 114444615 B CN114444615 B CN 114444615B CN 202210134971 A CN202210134971 A CN 202210134971A CN 114444615 B CN114444615 B CN 114444615B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- node
- paas
- module
- layer
- 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
- G06F18/24—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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于工业类PaaS平台的贝叶斯分类识别系统及识别方法,所述识别系统的特征在于:包括IaaS基础设施服务层、G‑PaaS图神经网络处理层、O‑PaaS对接服务层和SaaS系统应用层。所述识别方法的特征在于G‑PaaS图神经网络处理层通过点云特征生成方法、点云特征学习方法、点云结构估计方法和点云模型分类方法对工件数据进行计算分类;本发明通过在G‑PaaS贝叶斯图神经网络处理层中利用带有注意力机制和图结构估计的图神经网络来处理工件点云数据,大大提高了工件点云模型的识别分类准确度。
Description
技术领域
本发明涉及贝叶斯概率和图神经网络在工件云平台分类方面的应用,特别涉及一种基于工业类PaaS平台的贝叶斯分类识别系统及其实现方法。
背景技术
随着互联网技术的高速发展,对于许多工业行业类企业来说,特别是涉及工件识别类业务的企业,云计算提供了可靠安全的数据存储、方便快捷的互联网服务和强大的计算能力,云计算平台模式消除了企业购买、建设和维护基础设施和应用系统的需要。而现在工业类企业普遍未采纳这种模式,不便于企业创新、提升企业对外服务的灵活性。
同时,随着数字孪生技术的发展,点云模型的数量日益增多,对于存储点云模型的数字孪生模型库的智能化、分类识别分析及处理能力的要求也越来越高。但现有数字孪生模型库在存储点云模型时通过人工方式识别模型的类别,导致效率低、成本高。
目前已存在处理点云数据分类的图神经网络模型,而图神经网络依赖于良好的图结构已是共识,主要因为点云数据结构复杂多样、信息繁多,在实际中的数据并不全是有用信息。但当前处理点云数据的图神经网络模型并没有对点云数据的边进行建模,没有考虑点云数据的图结构,因此处理点云数据的图神经网络模型的分类能力有待提高。
发明内容
本发明旨在提供一种基于工业类PaaS平台的贝叶斯分类识别系统及其识别方法。
第一方面,本发明提供一种基于工业类PaaS平台的贝叶斯分类识别系统,其特殊之处在于,包括IaaS基础设施服务层、G-PaaS图神经网络处理层、O-PaaS对接服务层和SaaS系统应用层;
其中,所述G-PaaS图神经网络处理层用于向所述SaaS系统应用层提供后台底层计算服务支撑,其至少包括点云特征生成模块、点云特征学习模块、点云结构估计模块以及点云模型分类模块。
所述IaaS基础设施服务层,用于为所述G-PaaS图神经网络处理层提交的对某类资源模糊的请求提供物理资源控制服务及管理,其中所述物理资源至少包括计算资源、存储资源、网络资源;
所述O-PaaS对接服务层,用于提供所述SaaS系统应用层及私有云SaaS系统与G-PaaS图神经网络处理层之间、以及所述O-PaaS对接服务层的点云采集系统与G-PaaS图神经网络处理层之间,在数据互通时的数据对接服务以及权限授权服务;
所述SaaS系统应用层,用于面向用户,与O-PaaS对接服务层连接,其至少包括用户输入管理模块、平台管理模块、协同设计模块、审核模块、文件资料管理模块和工件分类结果显示模块。
此外,本发明所提供的一种基于工业类PaaS平台的贝叶斯分类识别系统,还可以具有以下附加的技术特征:
可选地,在本发明的一个实施例中,所述IaaS基础设施服务层包括统一资源管理模块、通用访问权限管理模块、监控告警管理模块。所述统一资源管理模块用于针对IaaS层以上的不同类型的资源请求提供高效的物理资源分配策略,以提高资源利用率;所述通用访问权限管理模块用于支持多种用户角色和分级的多用户权限管理,与所述 O-PaaS对接服务层中的权限服务进行对接,进行权限认证,实现同一账号单点登录;所述监控警告管理模块用于统一监控物理服务器、虚拟机、网络交换机、存储等多种类型的云上相关资源,支持SaaS 实时警告信息展示功能。主要功能为提供高效的物理资源分配策略,以提高资源利用率。同时使得上层PaaS层提出请求时没有必要考虑底层硬件具体的细节,使IaaS层以上不同类型用户的资源使用更方便、高效。
可选地,在本发明的一个实施例中,所述G-PaaS贝叶斯图神经网络处理层中的所述点云特征生成模块通过基于扩散的空间编码对点云特征进行预处理,生成点云的原始特征,可以从全局的角度表示点云中每个节点的结构角色;所述点云特征学习模块利用带有注意力机制的图神经网络对多条与中心节点相连接边的特征信息进行聚合,以此来表示该中心节点的特征信息;所述点云结构估计模块利用提出的自适应贝叶斯网络结构学习的估计方法,计算节点与周围节点的特征相似度,根据特征相似度选取相邻近的点,作为其邻居节点,加入空间局部临界区域的概念,便于点云学习到更好的特征;所述点云模型分类模块通过实现所述点云特征学习模块与所述点云结构估计模块的迭代优化,完成图神经网络模型的收敛,用于点云模型分类。
可选地,在本发明的一个实施例中,所述O-PaaS对接服务层包括接口配置模块、访问权限模块、设备组网管理模块、设备连接管理模块、协议转化模块和点云采集系统模块。所述接口配置模块至少包括数据传输接口、分类结果显示接口、工件查询接口、用户登录接口、消息推送接口;所述访问权限模块用于实现用户对设备的权限管理以及对管理员账号进行统一授权;所述设备组网管理模块用于对接入的设备进行网络管理;所述设备连接管理模块用于获取连接的私有云 PaaS设备信息,所述私有云PaaS设备接入后,支持PaaS云平台与所述私有云PaaS设备的双向通信,在通信的基础上进行设备信息的相互传递;所述协议转化模块用于将私有云PaaS设备的协议转换为标准协议;所述点云采集系统模块用于获取工件的点云数据。
可选地,在本发明的一个实施例中,所述SaaS系统应用层用于提供支持工业类PaaS平台进行工件分类的能力。其中所述平台管理模块用于平台工作人员管理企业以及平台日常的运维工作;所述协同设计模块用于企业间的合作可以突破地域、时间和设备的限制;所述审核模块围绕企业资质、工件分类任务计划以及设计任务审核,从而保证平台企业及服务的质量;所述文件管理模块用于方便企业及其工作人员在本平台进行协作,方便企业统一发放文件,企业工作人员不受地域与时空限制的查看工作所需的文件;所述用户输入管理用于接受企业工作人员的输入、分析、配置管理等操作。
第二方面,基于工业类PaaS平台的工件分类识别系统,本发明还提供一种基于工业类PaaS平台的工件分类识别方法,其特殊之处在于:该识别方法中包含了G-PaaS图神经网络处理层通过点云特征生成方法、点云特征学习方法、点云结构估计方法和点云模型分类方法对工件数据进行计算分类的过程;
所述点云特征生成方法通过基于扩散的空间编码对点云特征进行预处理,生成点云的原始特征,可以从全局的角度表示点云中每个节点的结构角色;
所述点云特征学习方法利用带有注意力机制的图神经网络对多条与中心节点相连接边的特征信息进行聚合,以此来表示该中心节点的特征信息;
所述点云结构估计方法利用提出的自适应贝叶斯网络结构学习的估计方法,计算节点与周围节点的特征相似度,根据特征相似度选取相邻近的点,作为其邻居节点,加入空间局部临界区域的概念,便于点云学习到更好的特征;
所述点云模型分类方法通过实现所述点云特征学习方法与所述点云结构估计方法的迭代优化,完成图神经网络模型的收敛,用于点云模型分类。
可选地,在本发明的一个实施例中,所述点云特征生成方法,包括:
将点云数据表示为G={V,E,H},其中V是N个点云节点的集合, E是边集合,可以用邻接矩阵A∈RN×N表示,其中Ai,j表示节点i和节点j之间有一条边。H={h1,h2,…,hN}∈RN×D表示节点特征矩阵,每个节点Vi∈V都有其对应的D维特征向量hi。通过基于扩散的空间编码对点云特征进行预处理,生成点云的原始节点特征H,从全局角度表示点云中每个节点的结构角色。具体而言,基于扩散的空间编码,通过利用图扩散技术计算点云集合中各个节点之间的扩散矩阵S。然后,对于点云集合中的每一个节点v,根据节点的扩散值对节点进行排序,并采用排序作为数据源。根据等级,使用可学习的编码函数(单层线性映射)计算基于扩散的空间编码,最后将各个节点堆叠到表示点云属性的原始节点特征H中;基于扩散的空间编码的定义如下:
其中,idenx()是索引查询函数,rank()是排序函数,linear()是可学习线性映射。代表着矩阵的串联运算,[]T表示矩阵的转置。
可选地,在本发明的一个实施例中,所述点云特征学习方法,包括:
为了训练出较好的结果,需要一个可学习的线性变换,因此将一个权重矩阵W∈RF ′×F作为参数的线性变换应用于每个节点。然后计算节点(i,j)之间的注意力系数αij:
注意力系数αij表明了节点i的特征对其邻居节点j的重要性。注意力系数α为一个单层前馈神经网络,通过模型前向传播来学习其参数。T表示转置,||表示向量连接操作,表示节点i特征维数的平方根,这防止了较大的特征值支配整个注意力系数。σ表示非线性函数,通过节点i与节点j的点乘计算在通过σ函数后可以轻松忽视那些没有意义的邻居节点,同时隐式地分配其节点的重要性。在这里分母用于归一化对节点j的计算结果,k∈Ni表示仅计算与节点i为一阶邻居的节点k。
通过给不同的邻域节点分配不同的权重,并根据权重聚合邻域节点的特征,来迭代更新节点的表示,从而实现对模型更好的分类结果。
在形式上,使用多头的注意力聚合表示为:
采用K头注意力机制来稳定自我注意的学习过程。αij表示所述节点i与节点j之间的注意力系数,Wk表示第K个头对应的参数化线性变换矩阵。图神经网络为2层,其中,和分别是第i个节点的输入和输出特征向量,在最终的输出中,每个节点都将具有KF′的特征。因此,最后在网络第2层中,首先对每个节点的特征进行平均,然后应用最终的σ非线性函数。
可选地,在本发明的一个实施例中,所述点云结构估计方法,包括:
使用Gobs=(V,Y)来表示一个原始的无向图结构,其中 Yab∈{0,1},1≤a≤b≤V。Yab=1表示节点a与节点b之间存在连边,0则相反。在所述点云结构估计方法中,每个节点a与其在隐藏社区上的多项式分布πa有关。假设社区总数a为K类,则每个节点的社区成员隶属度的概率分布为πa=[πa1,πa2,…,πaK],如果两个节点的社区成员隶属度的概率分布相同,则所述两个节点之间存在连边的概率较大。
将所述点云结构估计方法的联合后验概率定义为:
0≤βK≤1表示第K个社区的力度,δ表示跨社区链接的概率,利用Beta分布来作为βK的先验,利用Dirichlet分布作为πa的先验分布。
可选地,在本发明的一个实施例中,所述点云模型分类方法,包括:
将贝叶斯方法纳入图神经网络模型中来估计点云的邻居节点,通过考虑贝叶斯方法,将原始图结构视为参数随机图族的实现。通过所述点云模型分类方法推断联合后验系数、节点权重系数、注意系数和节点标签,实现计算标签的后验概率,所述点云模型分类方法表达为:
其中α表示所述注意力系数;W被建模为随机变量,表示在图结构g上的权重系数;Y表示训练集的标签;λ表示所述点云结构估计模型的参数。图神经网络依赖于良好的图结构已是共识,通过所述点云结构估计方法来描述点云数据的不确定性,为点云数据的连边进行建模,进而生成更优的图结构。
所述点云模型分类方法是不易求解的,因此采用马尔可夫蒙特卡洛(MCMC)方法进行近似求解p(W|YL,X,g)的后验,蒙特卡洛近似为:
在这种近似下,从p(λ|Gobs)中抽取V个样本λv;通过所述点云结构估计方法从p(g|λv)中采样NG个图gi,v。通过所述点云特征学习模块对图gi,v通过p(W|YL,X,gi,v)采样S个权重矩阵Ws,i,v。注意力系数αs,i,v,k通过在所述权重矩阵Ws,i,v中使用所述注意力系数计算公式来学习节点m与其一阶邻居节点n(n∈Nm)的注意力系数αij。
可选地,在本发明的一个实施例中,所述工件数据由用户通过 SaaS系统应用层输入系统,O-PaaS对接服务层将工件数据传输到 G-PaaS图神经网络处理层进行处理。
可选地,在本发明的一个实施例中,所述O-PaaS对接服务层具有供其他平台数据直接与本系统对接的主流应用接口,所述工件数据通过所述主流应用接口输入系统,O-PaaS对接服务层将工件数据传输到G-PaaS图神经网络处理层进行处理。
本发明在G-PaaS贝叶斯图神经网络处理层中的图神经网络模型中加入了注意力机制,在学习节点特征时倾向于聚合与本节点最相关的节点,并忽略掉不相关的信息。相比于传统的注意力机制,本发明提出的注意力机制不仅防止了较大的特征值支配整个注意力系数,同时可以轻松忽视那些没有意义的邻居节点,隐式地分配其节点的重要性,从而使得节点嵌入精度效率提高93%。图神经网络依赖于良好的图结构已是共识,相较于传统的图神经网络,本发明通过在G-PaaS 贝叶斯图神经网络处理层中加入点云结构估计模块对点云数据重新估计图结构来提高图神经网络的分类性能,将工件点云模型的识别分类准确度大大提高。
附图说明
图1为本发明实施例一提供的一种基于工业类PaaS平台的贝叶斯分类识别系统结构示意图;
图2为本发明实施例二、三提供的G-PaaS贝叶斯图神经网络处理层中各处理模块示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
实施例一
本实施例提供一种基于工业类PaaS平台的贝叶斯分类识别系统,参考图1的示意图,该系统是一种包含基础硬件设施、工件分类计算服务中间层和软件应用平台的完整的IaaS-PaaS-SaaS系统架构体系,其中,所述IaaS-PaaS-SaaS系统架构中,上层为SaaS系统应用层104,作为系统可视表示层;中间层作为系统业务逻辑层,构建有O-PaaS 对接服务层103和G-PaaS图神经网络处理层102;底层为IaaS基础设施服务层101,作为系统硬件支持层。
所述SaaS系统应用层104用于面向用户,与O-PaaS对接服务层连接,以提供支持工业类PaaS平台进行工件分类的能力;其至少包括用户输入管理模块、平台管理模块、协同设计模块、审核模块、文件资料管理模块和工件分类结果显示模块。其中所述用户输入管理用于接受企业工作人员的数据输入、分析、配置管理等操作;所述平台管理模块用于平台工作人员管理企业以及平台日常的运维工作;所述协同设计模块用于企业间的合作可以突破地域、时间和设备的限制;所述审核模块围绕企业资质、工件分类任务计划以及设计任务审核,从而保证平台企业及服务的质量;所述文件管理模块用于方便企业及其工作人员在本平台进行协作,方便企业统一发放文件,企业工作人员不受地域与时空限制的查看工作所需的文件。
所述O-PaaS对接服务层103用于完成与SaaS系统应用层的用户输入管理、平台管理模块、协同设计模块、审核模块、文件资料管理模块和工件分类结果显示模块的对接以及所述O-PaaS对接服务层与所述私有云PaaS设备的对接;通过所述点云采集系统模块获取工件点云数据后,完成与所述G-PaaS图神经网络处理层的点云数据处理模块中数据对接服务以及权限授权服务。所述O-PaaS对接服务层中建立有接口配置模块、访问权限模块、设备组网管理模块、设备连接管理模块、协议转化模块和点云采集系统模块,同时建立并初始化各业务模块接口并配置参数;所述接口配置模块至少包括数据传输接口、分类结果显示接口、工件查询接口、用户登录接口、消息推送接口;所述访问权限模块用于实现用户对设备的权限管理以及对管理员账号进行统一授权;所述设备组网管理模块用于对接入的设备进行网络管理;所述设备连接管理模块用于获取连接的私有云PaaS设备信息,所述私有云PaaS设备接入后,支持PaaS云平台与所述私有云PaaS 设备的双向通信,在通信的基础上进行设备信息的相互传递;所述协议转化模块用于将私有云PaaS设备的协议转换为标准协议;所述点云采集系统模块用于获取工件的点云数据。
所述G-PaaS图神经网络处理层102中建立点云特征生成模块 201、点云特征学习模块202、点云结构估计模块203以及点云模型分类模块204。所述G-PaaS图神经网络处理层用于向SaaS系统应用层提供后台底层计算服务支撑。所述点云特征生成模块通过基于扩散的空间编码对点云特征进行预处理,生成点云的原始特征,可以从全局的角度表示点云中每个节点的结构角色;所述点云特征学习模块利用带有注意力机制的图神经网络对多条与中心节点相连接边的特征信息进行聚合,以此来表示该中心节点的特征信息;所述点云结构估计模块利用提出的自适应贝叶斯网络结构学习的估计方法,计算节点与周围节点的特征相似度,根据特征相似度选取相邻近的点,作为其邻居节点,加入空间局部临界区域的概念,便于点云学习到更好的特征;所述点云模型分类模块通过实现所述点云特征学习模块与所述点云结构估计模块的迭代优化,完成图神经网络模型的收敛,用于点云模型分类。
所述IaaS基础设施服务层101提供物理资源的控制服务,对物理计算资源进行管理;能够把G-PaaS图神经网络处理层提交的对某类资源模糊的请求转化为清晰的物理资源,其中物理资源至少包括计算资源、存储资源、网络资源。所述IaaS基础设施服务层包括统一资源管理模块、通用访问权限管理模块和监控告警管理模块,其中所述统一资源管理模块用于针对IaaS层以上的不同类型的资源请求提供高效的物理资源分配策略,以提高资源利用率;所述通用访问权限管理模块用于支持多种用户角色和分级的多用户权限管理,与所述 O-PaaS对接服务层中的权限服务进行对接,进行权限认证,实现同一账号单点登录;所述监控警告管理模块用于统一监控物理服务器、虚拟机、网络交换机、存储等多种类型的云上相关资源,支持SaaS 实时警告信息展示功能。主要功能为提供高效的物理资源分配策略,以提高资源利用率。同时使得上层PaaS层提出请求时没有必要考虑底层硬件具体的细节,使IaaS基础设备服务层以上不同类型用户的资源使用更方便、高效。
实施例二
本实施例提供的是一种基于工业类PaaS平台的工件分类识别方法,所述识别方法包括以下步骤:
S1、用户通过SaaS系统应用层输入工件数据;
S2、O-PaaS对接服务层将SaaS系统应用层的工件数据传输到G-PaaS图神经网络处理层进行处理;
S3、G-PaaS图神经网络处理层将接收自O-PaaS对接服务层的工件数据进行计算分类,再将结果传输到O-PaaS对接服务层;
S4、O-PaaS对接服务层将G-PaaS图神经网络处理层的处理结果传输给SaaS系统应用层进行显示。
所述步骤S3中,所述G-PaaS图神经网络处理层通过点云特征生成方法、点云特征学习方法、点云结构估计方法和点云模型分类方法对工件数据进行计算分类;
所述点云特征生成方法通过基于扩散的空间编码对点云特征进行预处理,生成点云的原始特征,可以从全局的角度表示点云中每个节点的结构角色;具体方法为:
将点云数据表示为G={V,E,H},其中V是N个点云节点的集合, E是边集合,可以用邻接矩阵A∈RN×N表示,其中Ai,j表示节点i和节点j之间有一条边;H={h1,h2,…,hN}∈RN×D表示节点特征矩阵,每个节点Vi∈V都有其对应的D维特征向量hi;通过基于扩散的空间编码对点云特征进行预处理,生成点云的原始节点特征H,从全局角度表示点云中每个节点的结构角色;具体而言,基于扩散的空间编码,通过利用图扩散技术计算点云集合中各个节点之间的扩散矩阵S;然后,对于点云集合中的每一个节点v,根据节点的扩散值对节点进行排序,并采用排序作为数据源;根据等级,使用可学习的编码函数计算基于扩散的空间编码,最后将各个节点堆叠到表示点云属性的原始节点特征H中;基于扩散的空间编码的定义如下:
其中,idenx()是索引查询函数,rank()是排序函数,linear()是可学习线性映射。代表着矩阵的串联运算,[]T表示矩阵的转置。
所述点云特征学习方法利用带有注意力机制的图神经网络对多条与中心节点相连接边的特征信息进行聚合,以此来表示该中心节点的特征信息;具体过程为:
为了训练出较好的结果,需要一个可学习的线性变换,因此将一个权重矩阵W∈RF ′×F作为参数的线性变换应用于每个节点。然后计算节点(i,j)之间的注意力系数αij:
注意力系数αij表明了节点i的特征对其邻居节点j的重要性。注意力系数α为一个单层前馈神经网络,通过模型前向传播来学习其参数。T表示转置,||表示向量连接操作,表示节点i特征维数的平方根,这防止了较大的特征值支配整个注意力系数。σ表示非线性函数,通过节点i与节点j的点乘计算在通过σ函数后可以轻松忽视那些没有意义的邻居节点,同时隐式地分配其节点的重要性。在这里分母用于归一化对节点j的计算结果,k∈Ni表示仅计算与节点i为一阶邻居的节点k。
通过给不同的邻域节点分配不同的权重,并根据权重聚合邻域节点的特征,来迭代更新节点的表示,从而实现对模型更好的分类结果。
在形式上,使用多头的注意力聚合表示为:
采用K头注意力机制来稳定自我注意的学习过程。αij表示所述节点i与节点j之间的注意力系数,Wk表示第K个头对应的参数化线性变换矩阵。图神经网络为2层,其中,和分别是第i个节点的输入和输出特征向量,在最终的输出中,每个节点都将具有KF′的特征。因此,最后在网络第2层中,首先对每个节点的特征进行平均,然后应用最终的σ非线性函数。
所述点云结构估计方法利用提出的自适应贝叶斯网络结构学习的估计方法,计算节点与周围节点的特征相似度,根据特征相似度选取相邻近的点,作为其邻居节点,加入空间局部临界区域的概念,便于点云学习到更好的特征;具体方法为:
使用Gobs=(V,Y)来表示一个原始的无向图结构,其中 Yab∈{0,1},1≤a≤b≤V。Yab=1表示节点a与节点b之间存在连边,0则相反。在所述点云结构估计方法中,每个节点a与其在隐藏社区上的多项式分布πa有关。假设社区总数a为K类,则每个节点的社区成员隶属度的概率分布为πa=[πa1,πa2,…,πaK],如果两个节点的社区成员隶属度的概率分布相同,则所述两个节点之间存在连边的概率较大。
将所述点云结构估计方法的联合后验概率定义为:
0≤βK≤1表示第K个社区的力度,δ表示跨社区链接的概率,利用Beta分布来作为βK的先验,利用Dirichlet分布作为πa的先验分布。
所述点云模型分类方法通过实现所述点云特征学习方法与所述点云结构估计方法的迭代优化,完成图神经网络模型的收敛,用于点云模型分类;具体包括:
将贝叶斯方法纳入图神经网络模型中来估计点云的邻居节点,通过考虑贝叶斯方法,将原始图结构视为参数随机图族的实现。通过所述点云模型分类方法推断联合后验系数、节点权重系数、注意系数和节点标签,实现计算标签的后验概率,所述点云模型分类方法表达为:
其中α表示所述注意力系数;W被建模为随机变量,表示在图结构g上的权重系数;Y表示训练集的标签;λ表示所述点云结构估计模型的参数。图神经网络依赖于良好的图结构已是共识,通过所述点云结构估计方法来描述点云数据的不确定性,为点云数据的连边进行建模,进而生成更优的图结构。
所述点云模型分类方法是不易求解的,因此采用马尔可夫蒙特卡洛(MCMC)方法进行近似求解p(W|YL,X,g)的后验,蒙特卡洛近似为:
在这种近似下,从p(λ|Gobs)中抽取V个样本λv;通过所述点云结构估计方法从p(g|λv)中采样NG个图gi,v。通过所述点云特征学习模块对图gi,v通过p(W|YL,X,gi,v)采样S个权重矩阵Ws,i,v。注意力系数αs,i,v,k通过在所述权重矩阵Ws,i,v中使用所述注意力系数计算公式来学习节点m与其一阶邻居节点n(n∈Nm)的注意力系数αij。
本实施例中,G-PaaS图神经网络处理层对工件数据计算分类是通过所述点云特征学习方法来学习图神经网络模型参数,更新后的模型参数将通过所述点云结构估计方法来估计新的图结构,将所述新的图结构传递到所述点云特征学习方法中,将优化出更好的模型参数,直至收敛。将所述收敛的图神经网络用于点云模型分类。
实施例三
本实施例同样提供了一种基于工业类PaaS平台的工件分类识别方法,所述识别方法包括以下步骤:
S1、将载有工件数据的其他平台通过O-PaaS对接服务层的主流应用接口直接与本发明识别系统对接;
S2、O-PaaS对接服务层获取到工件数据后将其传输至G-PaaS图神经网络处理层进行处理;
S3、G-PaaS图神经网络处理层对工件数据进行计算分类,再将结果传输到O-PaaS对接服务层;
S4、O-PaaS对接服务层将G-PaaS图神经网络处理层的处理结果传输给SaaS系统应用层进行显示。
所述步骤S3中,所述G-PaaS图神经网络处理层对工件数据计算分类方法与实施例二相同,在此不再赘述。
本实施例O-PaaS对接服务层通过提供主流应用接口便于与其他平台数据直接与本系统进行对接,使本系统的服务能力得到扩展提升。
综上所述,虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明,任何熟习此技艺者,在不脱离本发明的精神和范围内,当可作各种更动与润饰,因此本发明的保护范围当视后附的申请专利范围所界定者为准。
Claims (8)
1.一种基于工业类PaaS平台的贝叶斯分类识别系统,其特征在于,包括IaaS基础设施服务层、G-PaaS图神经网络处理层、O-PaaS对接服务层和SaaS系统应用层;
所述IaaS基础设施服务层,用于为所述G-PaaS图神经网络处理层提交的对某类资源模糊的请求提供物理资源控制服务及管理,其中所述物理资源至少包括计算资源、存储资源、网络资源;
所述G-PaaS图神经网络处理层,用于向所述SaaS系统应用层提供后台底层计算服务支撑,其至少包括点云特征生成模块、点云特征学习模块、点云结构估计模块以及点云模型分类模块;所述点云特征生成模块通过基于扩散的空间编码对点云特征进行预处理,生成点云的原始特征,从全局的角度表示点云中每个节点的结构角色;所述点云特征学习模块利用带有注意力机制的图神经网络对多条与中心节点相连接边的特征信息进行聚合,以此来表示该中心节点的特征信息;所述点云结构估计模块利用提出的自适应贝叶斯网络结构学习的估计方法,计算节点与周围节点的特征相似度,根据特征相似度选取相邻近的点,作为其邻居节点,加入空间局部临界区域的概念;所述点云模型分类模块通过实现所述点云特征学习模块与所述点云结构估计模块的迭代优化,完成图神经网络模型的收敛,用于点云模型分类;
所述O-PaaS对接服务层,用于提供所述SaaS系统应用层及私有云SaaS系统与G-PaaS图神经网络处理层之间、以及所述O-PaaS对接服务层的点云采集系统与G-PaaS图神经网络处理层之间,在数据互通时的数据对接服务以及权限授权服务;
所述SaaS系统应用层,用于面向用户,与O-PaaS对接服务层连接,其至少包括用户输入管理模块、平台管理模块、协同设计模块、审核模块、文件资料管理模块和工件分类结果显示模块。
2.如权利要求1所述的一种基于工业类PaaS平台的贝叶斯分类识别系统,其特征在于,
所述IaaS基础设施服务层包括统一资源管理模块、通用访问权限管理模块、监控告警管理模块;所述统一资源管理模块用于针对IaaS基础设施服务层以上的不同类型的资源请求提供物理资源分配策略;所述通用访问权限管理模块用于支持多种用户角色和分级的多用户权限管理,与所述O-PaaS对接服务层中的权限服务进行对接,进行权限认证,实现同一账号单点登录;所述监控告警管理模块用于统一监控物理服务器、虚拟机、网络交换机及存储的云上相关资源,支持SaaS实时警告信息展示功能;
所述O-PaaS对接服务层包括接口配置模块、访问权限模块、设备组网管理模块、设备连接管理模块、协议转化模块和点云采集系统模块;所述接口配置模块至少包括数据传输接口、分类结果显示接口、工件查询接口、用户登录接口、消息推送接口;所述访问权限模块用于实现用户对设备的权限管理以及对管理员账号进行统一授权;所述设备组网管理模块用于对接入的设备进行网络管理;所述设备连接管理模块用于获取连接的私有云PaaS设备信息,所述私有云PaaS设备接入后,支持PaaS云平台与所述私有云PaaS设备的双向通信,在通信的基础上进行设备信息的相互传递;所述协议转化模块用于将私有云PaaS设备的协议转换为标准协议;所述点云采集系统模块用于获取工件的点云数据;
所述SaaS系统应用层用于提供支持工业类PaaS平台进行工件分类的能力;所述平台管理模块用于平台工作人员管理企业以及平台日常的运维工作;所述协同设计模块用于企业间的合作以突破地域、时间和设备的限制;所述审核模块围绕企业资质、工件分类任务计划以及设计任务审核;所述文件资料管理模块用于方便企业及其工作人员进行协作;所述用户输入管理用于接受企业工作人员的数据输入、分析、配置管理。
3.如权利要求1所述的一种基于工业类PaaS平台的贝叶斯分类识别系统,其特征在于,
所述点云特征生成模块的具体处理过程为:
将点云数据表示为G={V,E,H},其中V是N个点云节点的集合,E是边集合,用邻接矩阵A∈RN×N表示,其中Ai,j表示节点i和节点j之间有一条边;H={h1,h2,…,hN}∈RN×D表示节点特征矩阵,每个节点Vi∈V都有其对应的D维特征向量hi;通过基于扩散的空间编码对点云特征进行预处理,生成点云的原始节点特征H,从全局角度表示点云中每个节点的结构角色;具体而言,基于扩散的空间编码,通过利用图扩散技术计算点云集合中各个节点之间的扩散矩阵S;然后,对于点云集合中的每一个节点v,根据节点的扩散值对节点进行排序,并采用排序作为数据源;根据等级,使用可学习的编码函数计算基于扩散的空间编码,最后将各个节点堆叠到表示点云属性的原始节点特征H中;基于扩散的空间编码的定义如下:
4.如权利要求1所述的一种基于工业类PaaS平台的贝叶斯分类识别系统,其特征在于,
所述点云特征学习模块的具体处理过程为:
将一个权重矩阵W∈RF′×F作为参数的线性变换应用于每个节点;计算节点(i,j)之间的注意力系数αij:
注意力系数αij表明了节点i的特征对其邻居节点j的重要性,注意力系数α为一个单层前馈神经网络,通过模型前向传播来学习其参数;T表示转置,||表示向量连接操作,表示节点i特征维数的平方根;σ表示非线性函数,通过节点i与节点j的点乘计算在通过σ函数后能够轻松忽视那些没有意义的邻居节点,同时隐式地分配其节点的重要性;在这里分母用于归一化对节点j的计算结果,k∈Ni表示仅计算与节点i为一阶邻居的节点k;
通过给不同的邻域节点分配不同的权重,并根据权重聚合邻域节点的特征,来迭代更新节点的表示;
在形式上,使用多头的注意力聚合表示为:
5.如权利要求1所述的一种基于工业类PaaS平台的贝叶斯分类识别系统,其特征在于,
所述点云结构估计模块的具体处理过程为:
使用Gobs=(V,Y)来表示一个原始的无向图结构,其中Yab∈{0,1},1≤a≤b≤V;Yab=1表示节点a与节点b之间存在连边,0则相反;在所述点云结构估计模块中,每个节点a与其在隐藏社区上的多项式分布πa有关;假设社区总数a为K类,则每个节点的社区成员隶属度的概率分布为πa=[πa1,πa2,…,πaK];
将所述点云结构估计模块的联合后验概率定义为:
0≤βK≤1表示第K个社区的力度,δ表示跨社区链接的概率,利用Beta分布来作为βK的先验,利用Dirichlet分布作为πa的先验分布。
6.如权利要求1所述的一种基于工业类PaaS平台的贝叶斯分类识别系统,其特征在于,
所述点云模型分类模块的具体处理方法为:
将贝叶斯方法纳入图神经网络模型中来估计点云的邻居节点,通过考虑贝叶斯方法,将原始图结构视为参数随机图族的实现;通过所述点云模型分类模块推断联合后验系数、节点权重系数、注意力系数和节点标签,实现计算标签的后验概率,所述点云模型分类模块表达为:
其中α表示注意力系数;W被建模为随机变量,表示在图结构g上的权重系数;Y表示训练集的标签;λ表示所述点云结构估计模型的参数;
采用马尔可夫蒙特卡洛方法进行近似求解p(W|YL,X,g)的后验,蒙特卡洛近似为:
在这种近似下,从p(λ|Gobs)中抽取V个样本λv;通过所述点云结构估计模块从p(g|λv)中采样NG个图gi,v;通过所述点云特征学习模块对图gi,v通过p(W|YL,X,gi,v)采样S个权重矩阵Ws,i,v;注意力系数αs,i,v,k通过在所述权重矩阵Ws,i,v中使用所述注意力系数计算公式来学习节点m与其一阶邻居节点n(n∈Nm)的注意力系数αij。
7.如权利要求2所述的一种基于工业类PaaS平台的贝叶斯分类识别系统,其特征在于,
工件数据由用户通过SaaS系统应用层输入系统,O-PaaS对接服务层将工件数据传输到G-PaaS图神经网络处理层进行处理。
8.如权利要求2所述的一种基于工业类PaaS平台的贝叶斯分类识别系统,其特征在于,
所述O-PaaS对接服务层具有供其他平台数据直接与本系统对接的主流应用接口,工件数据通过所述主流应用接口输入系统,O-PaaS对接服务层将工件数据传输到G-PaaS图神经网络处理层进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210134971.XA CN114444615B (zh) | 2022-02-14 | 2022-02-14 | 一种基于工业类PaaS平台的贝叶斯分类识别系统及其识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210134971.XA CN114444615B (zh) | 2022-02-14 | 2022-02-14 | 一种基于工业类PaaS平台的贝叶斯分类识别系统及其识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114444615A CN114444615A (zh) | 2022-05-06 |
CN114444615B true CN114444615B (zh) | 2023-04-07 |
Family
ID=81373637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210134971.XA Active CN114444615B (zh) | 2022-02-14 | 2022-02-14 | 一种基于工业类PaaS平台的贝叶斯分类识别系统及其识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444615B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325757A (zh) * | 2020-02-18 | 2020-06-23 | 西北工业大学 | 一种基于贝叶斯神经网络的点云识别与分割方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105007176B (zh) * | 2015-06-04 | 2019-01-11 | 河海大学 | 一种基于分层贝叶斯网络模型的云服务QoS预测方法 |
CN109544681B (zh) * | 2018-11-26 | 2022-09-30 | 西北农林科技大学 | 一种基于点云的果实三维数字化方法 |
CN114942453A (zh) * | 2019-03-08 | 2022-08-26 | 欧司朗股份有限公司 | Lidar传感器系统、用于该系统的光学部件、传感器和方法 |
CN111669412A (zh) * | 2020-08-10 | 2020-09-15 | 南京江北新区生物医药公共服务平台有限公司 | 一种提供多种机器学习框架的机器学习paas云平台系统 |
CN113554654B (zh) * | 2021-06-07 | 2024-03-22 | 之江实验室 | 基于图神经网络的点云特征提取系统及分类分割方法 |
-
2022
- 2022-02-14 CN CN202210134971.XA patent/CN114444615B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325757A (zh) * | 2020-02-18 | 2020-06-23 | 西北工业大学 | 一种基于贝叶斯神经网络的点云识别与分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114444615A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949837B (zh) | 一种基于可信网络的目标识别联邦深度学习方法 | |
CN110909865B (zh) | 边缘计算中基于分层张量分解的联邦学习方法 | |
CN113609398B (zh) | 一种基于异构图神经网络的社交推荐方法 | |
CN113282368B (zh) | 一种用于变电站巡视的边缘计算资源调度方法 | |
Hoang et al. | Collective model fusion for multiple black-box experts | |
WO2023071626A1 (zh) | 一种联邦学习方法、装置、设备、存储介质及产品 | |
CN107194672B (zh) | 一种融合学术专长与社会网络的评审分配方法 | |
CN113037877A (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
CN112613618A (zh) | 一种安全联邦学习逻辑回归算法 | |
CN110162390B (zh) | 一种雾计算系统的任务分配方法及系统 | |
CN115344883A (zh) | 一种用于处理不平衡数据的个性化联邦学习方法和装置 | |
CN113312177B (zh) | 一种基于联邦学习的无线边缘计算系统、优化方法 | |
CN111241301A (zh) | 一种面向知识图谱表示学习的分布式框架构建方法 | |
CN114417388B (zh) | 基于纵向联邦学习的电力负荷预测方法、系统、设备及介质 | |
CN115686868A (zh) | 一种基于联邦哈希学习的面向跨节点多模态检索方法 | |
Xian et al. | Communication-efficient frank-wolfe algorithm for nonconvex decentralized distributed learning | |
CN112600697A (zh) | 基于联邦学习的QoS预测方法及系统、客户端和服务端 | |
CN117893807B (zh) | 基于知识蒸馏的联邦自监督对比学习图像分类系统及方法 | |
CN112215326B (zh) | 一种分布式ai系统 | |
CN112822033B (zh) | 一种基于云端协同分层自治的能源互联网数据处理方法 | |
CN114444615B (zh) | 一种基于工业类PaaS平台的贝叶斯分类识别系统及其识别方法 | |
Wang | Multimodal emotion recognition algorithm based on edge network emotion element compensation and data fusion | |
CN116362526A (zh) | 一种用于数字化电厂的云边协同资源管控方法及系统 | |
CN109558463B (zh) | 一种智能报表的数据处理方法、装置及存储介质 | |
AbdElminaam et al. | Resource allocation in the cloud environment based on quantum genetic algorithm using kalman filter with anfis |
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 |