欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020110689779
申请人: 吉林大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于贝叶斯算法的远程智能运维方法,其特征在于,包括下列步骤:

(一)二维码识别、数据库调取动作信息

运维人员通过扫描运维目标上的二维码读取二维码操作识别标志,进而连接到装有该运维目标装配及拆卸信息的远端运维动作数据库,从数据库中读取该运维目标的相关信息;

(二)多角度摄像头采集信息

通过多角度摄像头,利用基于骨架关键点的立体匹配方法,首先对人体进行骨架及轮廓的提取,然后在骨架上进行端点检测,定义每个端点邻域内轮廓曲线上曲率最大值对应的点为关键点,运用极限约束和归一化互相关匹配准则算法来进行图像区域内关键点的匹配,得到关键点视差值,从而得到个点在真实场景中的位置关系,进而采集运维人员手部特征信息;

(三)手部特征信息碰撞检测

在对人体行为进行正确识别的基础上,我们采用基于圆形的碰撞检测来对手部特征信息进行碰撞检测,首先对运维人员手部区域生成一个数字包络,该包络含有其手部的主要信息,包括质心坐标以及边界值等,然后对运维人员手部进行两两交叉碰撞检测,判定运维人员手部是否碰撞运维目标,以此实现对运维人员手部的建立、移动等操作;

(四)贝叶斯计算数据库匹配综合判断

在本地计算机中植入贝叶斯网络能够将运维过程中的各类变量之间的关系紧密地连接起来并加以图形化,进而处理大量不确定性的信息,同时这种基于概率论的网络能够获取一定的先验知识,无需进行大量的重复工作便能获取相当数量的可靠结论,对于一些不确定的动作施加概率上的判断,减少误判的概率且能引导用户做出一般情况下正确的动作;另外,该网络通过一定的训练可以获得方法中的最优解,能更加快速地帮助用户锁定合适的动作;

贝叶斯网络是围绕着一组变量而搭建的,变量取自于人体手部动作的参数,为该网络的输入,这样的变量需要通过前期的人工观察推算来获得,并存放进运维动作数据库以备调用,将数据库中的这些数据导入贝叶斯网络中就可以形成关于某个动作的关节角的标准联合概率分布;

对数据库内的值进行参数设定,设六大基础动作,挤压为A1、转动为A2、被弹开为A3、掉落为A4、摇晃为A5、举起为A6,设肩部外展关节角的概率为θ1、肩部前伸关节角的概率为θ2、肘关节角的概率为θ3、腕关节角的概率为θ4,以运维动作数据库中的某一个动作A为例,A=(θ1,θ2,θ3,θ4...),θi代表做出该动作时手部各个部位的关节角度大小,关于这组变量需要一个表示变量的条件独立断言的网络结构M来对应这些变量,即一个有向无环图,该图架构起了贝叶斯网络的基本框架;

(五)搭建一个完整的贝叶斯网络;

(六)、贝叶斯网络的参数学习:贝叶斯网络的参数学习采用贝叶斯估计法作为学习方法,该方法认为用户所需要的新的变量和已有的数据都满足于同一种概率分布,在已有的数据量较少的情况下可以通过人为给定这种分布从而得到新参的具体形式;

(七)、贝叶斯网络的结构学习:结构学习可以参考三种方法:K2评分算法、基于禁忌搜索的贝叶斯网结构学习算法和基于独立性测试和蚁群优化的结构学习算法,它们都能在网络结构发生改变的情况下计算出网络结构的最新、最优解,从而将旧有的网络进行结构上的更新;

(八)、贝叶斯网络的推断方式:在建立好完整的贝叶斯网络的情况下,为了判断用户的动作是否合理,需要网络来进行判断,用户在做出动作时的关节角可以测得,这些已知参数导入贝叶斯网络后,可以作为证据E保留在网络中,可以根据贝叶斯网络推断的规则,来得到未知参数X的概率分布P(X=xi|E)(i=1,2,3......),由此推理出的未知参数的估计值即为随机变量X的期望,另外定义一个评价动作性能的指标Q,这个指标Q的大小趋势和所有关节角的联合概率分布趋势是一致的,也就是说这项指标的大小决定了用户整体动作的合理性,当用户的动作被摄像头捕捉时,获取的是所有关节角的值,但是Q值的大小未知,此时便可以利用贝叶斯推断来得到Q值的估计值,从而知晓动作的合理程度;

(九)远程实时比对数据库存储的动作信息

经过贝叶斯公式的综合判断,如果系统判定人手部已经达到正确的初始位置,则按顺序进行对应T的基础动作,运维对象二维码对应的运维动作数据库的内部数据如下:其中Si表示第i个运维数据库,Tn表示运维动作的主键,A0表示运维动作T开始时人体手部的位置,θ1、θ2、θ3、θ4分别表示A0状态的肩部外展关节角、肩部前伸关节角、肘关节角,腕关节角对应角度的概率,A0后的Am,m∈[1,6]为基础动作数据库中的基础动作;

假如此时人体手部及臂部动作的角度分别符合,符合T2中A0状态θ1、θ2、θ3、θ4值,此时网络中对应动作所有节点的联合概率密度将达到一个极大值,由于Q与此概率密度同步,二者均会处于一个极大值的状态,那么系统会判断此时人做出的动作为合理。

2.根据权利要求1所述的一种基于贝叶斯算法的远程智能运维方法,其特征在于,所述步骤(五)搭建一个完整的贝叶斯网络,包括下列步骤:(1)、确定建模所需的变量及其解释,包括:①确定模型目标;②确定可能的观测值并筛选出建模所需的子集;③利用变量组成互不相容且穷尽所有状态的变量;即是在准备阶段,预先观测手部处于做出某个动作的情况下各个关节角可能的值,以及不同位置的关节角之间的关系,从而得到一组经验性的概率值,这里称之为先验概率组;

(2)、建立有向无环图:该图中每一个节点及其对应的变量可用θi表示,其父节点可用pθi表示,而这些变量均是在前一个步骤中获取的,现在利用这些数据进行网络基本结构的搭建,θ的联合概率分布表示为:由概率论可知:

对于每个变量θi,如果有某个子集Πi∈{θ1,θ2,...,θi-1}使θi与{θ1,θ2,...,θi-1}\Πi条件独立,即对任意的θi满足:p(θ1|θi,θ2,...,θi-1)=p(θi|πi)(i=1,2,...,n)    (2)由(1)(2)可得

故确定贝叶斯网络的结构时需要将变量θi以一定顺序排列,且同时还要确定满足(3)式的变量集Πi(i=1,2,...,n),若使用数据库中的数据进行计算,则(3)式得到标准联合概率分布;

(3)、设置局部概率分布:需要基于经验预估出一个关节角处于不同角度的概率对另一个关节角的影响,也就是条件概率分布p(θi|pθi),并把这一分布赋给父节点pθi,此条件概率分布已在步骤(1)中准备好,这一概率将原本无关联的关节角联系在了有向无环图中,从而建立起基本的贝叶斯网络的框架。