CN1954303A - 通过模式匹配的自适应学习方法 - Google Patents
通过模式匹配的自适应学习方法 Download PDFInfo
- Publication number
- CN1954303A CN1954303A CNA200480043049XA CN200480043049A CN1954303A CN 1954303 A CN1954303 A CN 1954303A CN A200480043049X A CNA200480043049X A CN A200480043049XA CN 200480043049 A CN200480043049 A CN 200480043049A CN 1954303 A CN1954303 A CN 1954303A
- Authority
- CN
- China
- Prior art keywords
- incident
- events
- sequence
- feature further
- feature
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
- G06N5/047—Pattern matching networks; Rete networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
操作与数据处理仪器相连的多个电气和/或电子设备的方法,包括步骤(a)探测所述设备的事件的出现;(b)在数据库内记录与数个所述探测到的事件相关的数据;(c)依照时间和/或位置次序,将所述记录的事件排序进事件序列;(d)将探测到的事件与所述事件序列进行比较;以及(e)执行匹配的序列里的剩余事件。
Description
本发明涉及通过模式匹配的自适应学习的方法,该方法可在数据处理系统中方便地实现,并且涉及适合运行这样方法的系统。
这样的方法和系统可在多个场合下使用,但出于示例的目的,以下主要以参照例示性方案(premise)中用于管理各种电气和/或电子设备的方法和系统,来讨论和解释本发明。自然,这应当被本领域的技术人员理解为,这样的方法和系统的使用并不局限于此。
由根据本发明的系统和方法管理的例示性方案,可与多个电气和/或电子传感器、探测器和设备相连,所有这些均由通过数字通信骨干网(backbone)相互通信的控制器和服务器所组成的分布式网络所连接、监视和控制,如在编号为NO.HK 1052830的香港短期专利中详述。这些设备、传感器和探测器,可以包括,比如动作探测器、窗户/房门联系开关、烟雾探测器、光线传感器、压力传感器、声音传感器等。因此,例示性方案中的所有事件和情况(例如踏中动作探测器、打开电灯、穿过走廊等),都可以由系统通过这些传感器和探测器检测到,而且,该系统持续监控这些事件。当探测到某一事件时,可由该系统初始化和执行特定的行为,通常这些行为都是预先定义和预先编码的。本发明的目的不是描述这些实际的探测器、传感器和监控设备如何连接,或者任何执行这样的探测。完全可以说(一言以蔽之),本例示性方案假设为已经安装了足够的探测和传感设备,以实现通过根据本发明的管理方法和系统,快速探测发生在本例示性方案中的任何事件。
根据本发明的第一方面,提供操作与数据处理仪器相连的多个电气和/或电子设备的方法,包括步骤(a)探测至少一个所述设备的事件的出现;(b)在数据库内记录与至少数个所述探测到的事件相关的数据;(c)将所述记录的事件排序进至少一个事件序列;以及(d)将探测到的事件与所述事件序列进行比较。
根据本发明的第二方面,提供包括与数据处理仪器相连的多个电气和/或电子设备的系统,包括(a)用于探测至少一个所述设备的事件出现的装置;(b)用于在数据库内记录至少数个所述探测到的事件的装置;(c)用于将所述记录的事件排序进至少一个事件序列的装置;以及(d)用于将探测到的事件与所述事件序列进行比较的装置。
以下仅通过例子的方式,说明本发明的实施例,并参照以下附图,其中:
图1是显示根据本发明的实施例的方法和系统的事件日志记录程序的流程图;以及
图2A与图2B是显示根据本发明的实施例的方法和系统的模式匹配和模式修正程序的流程图。
本发明的主要目的,在于通过允许模式匹配和自适应学习的系统和包含模式匹配和自适应学习的方法,将智能引入例如用于管理例示性方案的系统。换言之,当探测到事件时,该系统实际上能根据其自身积累的经验和学习,做出智能判断,而不必求助于预先编程的序列。
例如,假设用户通过他/她的钥匙卡进入本例示性方案。该系统在读卡器上探测到钥匙卡扫描,并注意到用户的存在。系统接着探测到用户打开房间里的电灯,将房间的温度控制设置为21℃,并在音响系统放上古典音乐唱片。例示性方案管理系统在其历史日志中记录这些事件,而且,因为并没有基于这些事件预先编程特定行为,该系统将仅仅简单地继续观察和记录。
进一步假设用户几次重复这个序列的动作,每次都通过他/她的钥匙卡进入本例示性方案,打开同一盏电灯,将温度控制设置为21℃,放上同一张古典音乐唱片。本智能管理系统将会推断出通过该用户的钥匙卡进入房间与他/她随后的动作之间的因果关系(用户的“行为”)。这位用户下次扫描他/她的钥匙卡以进入本例示性方案时,该系统实际上能建议打开电灯,将温度控制设置为21℃并放上音乐,而不必用户采取任何动作。该系统可以为用户自动执行这些动作,直到用户明确阻止它,或者该系统可以通过安装在房间里的扬声器所宣布的语音消息引导用户的确认,以及通过安装在房间里的麦克风上的语音识别来获得用户确认。
注意,这个动作序列从未在本管理系统中预先编程或预先编码。该系统的程序员和设计者从未预见过这一点;相反,本智能管理系统自己推断出这个序列并进行编程。作为结果的好处是,典型用户会认为本例示性方案具有“智能”,另外,有形的好处是额外的便利以及重复、手工劳动的减少。
为了实现这样的自适应学习例示性方案管理方法和系统,该系统必须包括三个关键模块,每个模块在不同的时间和不同序列中调用。这三个模块是:
-事件日志记录;
-模式识别;以及
-模式匹配。
事件日志记录
首先而且是最重要的,为了根据本发明的智能例示性方案管理系统能够推断行为,必须有足够的数据。在本实例中,连接到系统的所有传感和探测设备都有各自的状态值,而且,任一传感和探测设备的任一状态值的变化,都被认为是事件。例如,以下在表1中列出了典型的状态值:
表1
设备 | 状态值 | 实例 |
光线传感器压力传感器动作探测器 | 光线强度负载压力探测联系 | 0%,50%,100%100psi开,关 |
根据本发明的系统持续监控每个连接设备的所有状态值,并且,当任何状态值发送变化时,自动记录为事件。下面这些信息的至少一部分也会与该事件一起被记录:
-事件时间;
-该设备的身份;
-状态值:此前值和新值;以及
-与该事件关联的任何用户身份,例如,当该事件是钥匙卡的扫描时,映射到用户身份的钥匙卡编号。
最重要的信息是事件发生的时间。该智能管理系统以时间戳顺序将所有记录的事件排序,以便生成事件序列。接着,它基于位置关联性分割这个序列,并产生更局部化和更易管理的子序列。
例如,假设本例示性方案包括由公共走廊连接的两个房间。一个房间里的设备所产生的事件,与另一个房间里的设备所产生的事件关联较少,但走廊里产生的事件与两个房间都有关联。这是因为,在例示性方案管理中,发生的事件通常在位置上局部化:当两个事件同时发生于两个位置上不同的地点,这两个不同事件对应于相互独立行为的几率更高。
因此,该智能管理系统维护带行与列的交叉表,两者都包含例示性方案里的不同位置区域。这个表包含取值位于0和1之间的相关性系数,0表示毫不相关,1表示完全相关。下面的表2显示例示性方案相关性系数的例子,方案其中包含5个区域,区域A、区域B、区域C、区域D和区域E。
区域 | A | B | C | D | E |
A | 1 | 0.5 | 0.3 | 1 | 0.9 |
B | 0.5 | 1 | 0.7 | 0.1 | 0.9 |
C | 0.4 | 0.2 | 1 | 0 | 0 |
D | 0.8 | 0.2 | 0 | 1 | 0.1 |
E | 0.9 | 0.9 | 0 | 0.1 | 1 |
这些相关性系数表示,例如,在区域B内的设备触发的事件,同区域C有0.7的相关性(高相关性),但区域C内触发的事件同区域B仅有0.2的相关性(低相关性)。正如此处所示,相关性系数可以设为非对称的,以便在设计区域性结构时获得更高度灵活性。
对每个记录的事件而言,它对每个区域的相关性系数乘以状态值中该事件的变化量,再乘以该设备预定义的系数(通常是用于数量比例用途的数字),以获得该事件对所关心的区域的最终相关性系数。这样,每个设备应当有其自己的系数。
例如,假设温度传感器产生周围环境的当前温度,此外,该传感器预定义的系数是0.5,它与区域A的相关性系数是0.7。进一步假设温度从21℃上升到25℃。该传感器的状态值从21变为25。该事件对区域A的最终相关性系数因此是:
变化量x预定义系数x相关性系数
=|25-21|×0.5×0.7
=1.4
然后,将完整事件序列分割为子序列,每个对应例示性方案中的一个区域。包括在每个区域的子序列中的这些事件是其相关性系数超过了预定义门限值的事件。因此,尽管每个区域只有一个事件子序列,但任何事件都或者不被包括在区域、或者被包括在一个或多个这样的子序列中,分别指明该事件或者不对任何区域、或者对一个或多个区域有意义。该门限值可以设为0,以便将所有事件与所有区域相关联,而不论该事件被记录的地点。
依照前述温度传感器的例子,使用以上由表2给出的相关性系数,该事件对区域A到区域E的相关性系数为:
区域A=1.4
区域B=0.7
区域C=0.42
区域D=1.4
区域E=1.26
进一步假设,在一个特定区域的事件子序列中,用于包括该事件的门限值为1.0。在这种情况下,将在区域A、D和E的子序列中包括该事件,但不在区域B和C的子序列中包括该事件。当然,如果这个门限值设为0,所有事件就会被包括在所有区域内。
同样,在通常例示性方案管理场景下,发生于很长时间之间的事件,相互间关联也很低。例如,当下打开的电灯与一个星期后打开的电灯之间,没有任何合理的相关性,但与随即打开的电灯有很高的相关性。这是由于人类行为的通常以动作的突发形式发生,一个紧接着另一个。由于这样,管理系统会自动丢弃那些超过预先定义的时限(例如一个星期)的事件,以便节省计算和存储资源。这个门限值时限可以设为无限大,这样系统将一直考虑记录在其数据库内的所有事件。
模式识别
学习过程很大程度上是模式识别。模式定义为具有重复倾向的事件序列,其重复或者以完整形式,或者以非常类似原始模式的序列形式。模式识别的整个过程探测行为的规律性,这些规律性使管理系统能够“自我编程”以便代表用户执行一些规则行为,结果是产生便利和智能概念。
在基于时间的序列中识别模式是被充分研究的计算问题。虽然容易实现精确模式(即,每次重复时所有事件序列都必须严格相同)的识别,但启发性(heuristic)(即,或然的)模式识别却是更加棘手的问题。
给任何模式识别或模式匹配算法的一个重要输入变量,典型地是所要识别模式的长度,而计算资源要求则随模式长度的增加而急剧增长,对某些算法有时是指数形式增长。本发明背景下的模式长度是区域的子序列的事件数目,而事件本身作为该算法的“字母表(alphabet)”内的基本单元。
本应用为模式匹配采用了动态编程(Dynamic Programming)与吉布斯(Gibbs)抽样算法技术的混合。对标准的吉布斯抽样算法做了轻微改动以允许长度变化、但事件发生在预先定义的“时间窗口(timewindow)”之内的模式。这个判断基于人类行为的通常以动作的突发形式发生的事实;因此,一同发生于比如30秒或1分钟之内的事件,比间隔2个小时才发生的事件,同属于某一致完整序列的概率更高。该“时间窗口”沿着每个区域的子序列的事件移动,而不是标准吉布斯抽样算法里标准长度子串(sub-string)。现实中,对于宽度为15到30秒的时间窗口,该时间窗口内的相关事件的数目很少超过20个,大部分情况下单个时间窗口内只有几个事件。这样的改动有助于极大地降低计算资源要求。将时间窗口设得更宽将允许更“全局(global)”类型的行为识别,代价是计算资源的急剧上升。通常有必要在所探测行为的“全局性”与实时地操作该系统所需资源总量之间求得平衡。
动态编程是通常用于在对照模式进行匹配时,在序列内探测缺失信息的启发性搜寻技术。这也可以用于探测交换(swap)和排序的微小变动。用更有关联的动态编程操作代替标准吉布斯抽样比较操作,以便将相互类似且只在排序上微小不同的事件序列视为成功匹配。动态编程操作的输出包括数字分数,使预先定义的门限值能够用来精确调整模式识别算法。设置较低门限值能够识别更多不同的模式,而设置较高门限值将产生较少模式,尽管这些模式会更加密切地相似。
对系统的可选修改是,仅当事件的时间或特定设备的状态值的变化位于预先设置的范围之内的时候,才考虑识别某一模式。例如,特定模式仅在一天的特定时间才有相关性(例如,只在夜间才打开电灯),或者在一周的某些天(例如,每周只两次为植物浇水),或者当特定条件为真(例如,当天黑时才打开电灯)。
在产生模式之外,吉布斯抽样技术也可以为该序列之内的模式得到分数。可以再次使用门限值来排除那些相互之间非常遥远的模式,以及仅仅包括那些分数高于门限值的视为有效的模式。
因为模式识别总在每个区域的子序列上进行,识别的模式通常联系到特定区域,并且保存在系统的模式数据库内,以用于未来的匹配目的。
模式匹配
配备了由过去事件识别的模式的完整数据库后,根据本发明的智能管理系统将持续监控所探测事件的入流,以判断他们是否匹配数据库内保存的模式的开始事件。
通过相关性计算从任意新事件屏蔽掉不相关事件,即,丢弃低相关性系数的事件。接着,使用动态编程技术以将任意新事件与所保存的与所讨论的区域有关的对应模式的开始做比较。如果动态编程得分超出了预先定义的门限值,比较结果被视为正,模式因此而匹配。
为每个模式还保持各自的成功率。如果某一模式的开始与一新事件成功地匹配,该系统或者会自动执行该模式中剩余的动作,或者会通过生成语音来告知用户以求确认。当用户确认后,例如,通过语音识别,该系统将基于用户的回应更新该成功率。如果用户确认了系统的建议,则提高成功率;如果用户拒绝了系统的建议,则降低成功率。
为每个模式还保持最后匹配日期,带有超过预先定义时限的最后匹配日期的模式,即,在预先定义的时间内未成功地匹配的模式,被系统删除以节省数据库存储资源。
提高系统学习能力的一项重要自适应技术是允许系统基于实际事件出现动态地改变所保存的模式。例如,假设保存在数据库里的模式如下:
区域:约翰的卧室
模式:钥匙卡扫描器探测到约翰的钥匙卡
打开卧室门
打开卧室电灯
打开音响系统
放上歌曲A
一旦系统探测到约翰的钥匙卡,该模式就被匹配,而且系统将自动,或经确认,为约翰打开房间门,打开电灯并放上歌曲A。
然而,随着行为的变化,约翰可能厌烦了歌曲A,现在希望听歌曲B。该系统在执行了该模式之后,持续监控一定时期(一门限值)内所有设备的状态值。如果,例如,约翰在系统执行了该模式中的动作后,立刻放上歌曲B,这会被保存为数据库内模式的变化。对该模式里其他相关的设备也是同样处理。
如果该模式的变化具有更大的可预测性,例如,接下来5次中该变化出现的概率高于80%,那么该系统将用这个变化取代模式中的特定动作。质言之,如果约翰在如进入他的卧室1分钟后,接着放上歌曲B,如此这番5次后,系统将重写模式如下:
区域:约翰的卧室
模式:钥匙卡扫描器探测到约翰的钥匙卡
打开卧室门
打开卧室电灯
打开音响系统
放上歌曲B
下次约翰用他的钥匙卡进入他的卧室,系统在执行了该模式中其他动作后,自动放上歌曲B。这个重复便是自适应学习,而且对于防止保存在系统中的模式变得陈旧而言是必要的。
可以看到,自适应学习、智能例示性方案管理系统,以其识别人类行为(即,模式)和进行自动化这些重复性动作的能力,展示出智能的概念。它也通过学习新变化和动态地重写所识别行为的数据库,以适应于运行时的操作。
根据本发明的方法和系统的操作步骤和流程显示在图1和图2的流程图中。如图1所示,当系统开始运行(步骤102),它将监控所有连接到该系统的电子和/或电气设备的当前状态(步骤104),尤其是检测在这些设备的状态值内是否有任何变化(步骤106)。一旦状态值变化出现,该事件将被记录或“记入日志”(步骤108),并且计算其对于系统中每个区域的相关性系数(步骤110)。该系统接着将检查这个计算得到的相关性系数是否高于为各个区域预先设置的门限值(步骤112)。如果不是,该系统继续监控所有连接到该系统的电子和/或电气设备的当前状态(步骤104)。如果,在另一方面,有计算得到的任意相关性系数高于为特定区域预先设置的门限值,该特定事件将被包括在该特定区域的子序列中(步骤114)。
现在转到图2,当系统的模式匹配功能开始时(步骤202),这在实际上与以上讨论的事件日志和模式识别功能同时进行,该系统将监控所有探测到的进入事件(步骤204)。该系统将检查这些探测到的事件的计算得到的相关性系数是否高于预先设置的门限值(步骤206)。一旦探测到的事件的相关性系数高于为特定区域预先设置的门限值,该系统接着将确定这个事件的动态编程分数是否高于另一预先设置的门限值(步骤208)。如果不是,该系统继续监控所探测到的进入事件(步骤204)。如果,在另一方面,这个事件的动态编程分数高于另一预先设置的门限值,认为匹配是成功的(步骤210),该系统将接着执行在匹配的模式里的所有剩余动作(步骤212)。作为选择,该系统可以配置为从用户寻求确认是否执行在匹配的模式里的剩余动作,以下将对此作进一步讨论。成功率也被更新(步骤214)。
在任意情况下,该系统接下来将继续检查预先设置的时间段内,在与该模式有关的设备的状态值是否有任何变化(步骤216)。如果不是,该系统将继续监控所探测到的进入事件(步骤204)。如果,在另一方面,答案是确定的,该事件将作为变量保存(步骤218)。该系统接下来将检查该变量的出现是否达到预先设置的比例,例如,至少80%,即,当执行该模式时最后5次中有4次出现(步骤220)。如果不是,该系统将继续监控所探测到的进入事件(步骤204)。如果,在另一方面,对此问题的答案是确定的,用该变量来替代在该模式内的特定动作,以便为未来执行产生新的子序列(步骤222)。
如以上所论述和讨论的,这种通过模式匹配的自适应学习方法,以及适应于运行这个方法的系统,可以用于多种不同的应用。例如,本发明可以用于交通工具,如汽车,以便体现这种交通工具具有内置“智能”。
现代的汽车包括大量电子和电气设备,一些用于实现特定功能(例如,喷油控制),一些用于监控(例如,低油量传感器,速度计),其他一些用于自动化(例如,窗户马达,位置调整马达)等。在包含根据本发明系统并因此而适应于执行根据本发明的方法的汽车上,由中央数据处理系统所有这样的电子和电气设备,以探测任何和所有的状态变化。为此特定例子,我们关注表3内的以下设备:
表3
设备 | 状态值 | 例子 |
射频(RF)接收机门锁座位位置后视镜温度控制无线电 | 安全钥匙锁状态位置,角度Alpha,Beta温度,风扇频道,音量 | 个人钥匙未锁+50毫米,+15°+5°,-10°21℃,速度3频道4,3 |
在汽车环境里,实际上只有一个区域,它覆盖整个车辆。因此,所有的相关性系数均设为1。
假设这辆汽车有基于RF的安全钥匙,当激活的时候,无线地将安全码传送给汽车里的RF接收机。当汽车里的安全系统认证了该安全码后,车门解锁,而且,所有这些事件均写入汽车的自适应学习系统日志里。假设驾驶员进入汽车后,紧接着调整座位和后视镜位置,以适合其身体,打开无线电并转到频道2,并且将温度控制设为19℃。系统将记录所有这些事件(汽车内电子和/或电气设备状态变化)的日志。进一步假设同样这位驾驶员,随后以同样的次序3次执行这些动作。
在这辆汽车的中央数据处理单元内,设置了主(master)程序持续运行,其任务为按照上述方式,基于日志事件序列,执行模式识别。
假设运行了内建的基于吉布斯抽样的模式分离器程序后,建立如以下表4中所示模式,这些模式的分数均超出了预先定义的最小门限值:
表4
设备 | 状态变化 | 新值 |
RF接收机门锁座位位置座位位置后视镜后视镜无线电无线电无线电温度控制温度控制 | 安全钥匙锁状态位置角度AlphaBeta电源频道音量温度风扇 | 驾驶员A未锁+15毫米+15°+5°+10°开2819℃,速度5 |
当驾驶员,例如A,再次用他的无线安全钥匙打开汽车车门,将RF接收机状态的变化记入日志,而且,该信息将用于汽车系统的模式匹配器对照所有建立和保存的模式进行匹配。在这个情况下,该RF接收机事件将成功地匹配上表4所示模式的开始,该系统将开始自动执行以上模式中的剩余动作。
可选择的,汽车中的该系统可以在解锁车门后,就是否继续执行这个模式里的剩余动作,寻求驾驶员的确认。一旦收到驾驶员的确认,这辆汽车将按照首选设置和模式,立即调整座位位置、后视镜位置,打开无线电,调整到正确的频道,并设置温度控制。可以看到,驾驶员A只执行了一个动作,即用他的安全钥匙解锁汽车车门,剩下的其他动作均由汽车内的系统自动执行,这样便产生了“智能”概念。
假设驾驶员A随后即刻将无线电频道转到3,并将音量降低到6。系统将记录这两项变化日志,并将其作为该模式的变化而保存。如果驾驶员A随后在执行了保存在该模式里的动作后,多次执行同样的变化,将“重写”该模式,这些变化中的值将覆盖该模式中的原始值。下次为驾驶员A执行该模式时,无线电将被调到频道3,其音量将设为6而不是8。
在计算机网络中,可以实现根据本发明的方法,并采用根据本发明的系统,例如,实现自诊断和自恢复功能,说明如下。
通过相互连接为拓扑的“节点”组成计算机网络。每个节点代表网络上的一个资源,这可以为计算机(带数据处理资源),打印机(带打印资源),传真机(带传真资源)等。每个节点有多个状态变量,指明其“健康”和资源级别。为此特定例子,我们关注表5内的以下设备:
表5
设备 | 位置 | 状态值 | 例子 |
计算机A计算机B计算机C打印机A打印机B打印机C | 机架A机架B机架C建筑A建筑B建筑C | CPU可用CPU可用CPU可用纸张纸张纸张 | 50%25%90%满20%60% |
根据本发明的方法和系统在网络管理上的应用,允许该系统“学习”熟练的人工操作员的修复行为,为未来使用而保存,并且当同样情况发生时自动重复这些动作。例如,当打印机A缺纸(纸张=0%)时,人工类操作员可能会暂时将打印机A的打印队列重定向到打印机B,并通知所有用户,直到打印机A的供纸得到补充,此后该打印队列可以被再次重定向。可以基于负载平衡的标准,将要求CPU计算资源的程序分配到不同计算机,而且,当目前计算机死机或简单就是不可用(CPU可用=0%)时,这些程序可以被重新分配给其他计算机。所有这些事件都可以被系统“观察”,记入日志以及保存。当未来发生类似情况,这些模式可被匹配并由计算机系统自动执行这些修复动作,从而允许该系统从故障中自我恢复,否则这些故障还需要人工介入,例如,换纸,或者在凌晨3点钟还要重定向打印队列。
在这个例子中,当状态绝对值比变化量更具意义时,会用每个状态变量的绝对值代替变化量。在这个例子中,与上述汽车例子相反,相关性系数非常重要,因为计算机网络可以跨越非常大的地理距离。例如,打印机A所在的建筑A可能非常靠近打印机B所在的建筑B,而打印机C所在的建筑C却可能在大学校园的另一端,与建筑A和建筑B都相距甚远。因此,将打印机A或B的打印队列相互重指配,这样还是有意义的,而对打印机C却不是这样,因为没有人会期望用户穿过整个校园只是去取打印输出。
在另一方面,计算机A和计算机B可以属于不能相互操作的不同类型,而计算机C可能与计算机A属于相同或可以相互操作的类型,并且,因为这三台计算机在网络内相互连接,他们的地理距离无关大碍。因此,计算机C与计算机A可能相互关联,而计算机B与这两者均无关联。表6按照上述设备的位置,给出了示范性的相关性系数:
表6
区域 | 建筑A | 建筑B | 建筑C | 机架A | 机架B | 机架C |
建筑A | 1 | 1 | 0 | 0 | 0 | 0 |
建筑B | 1 | 1 | 0 | 0 | 0 | 0 |
建筑C | 0 | 0 | 1 | 0 | 0 | 0 |
机架A | 0 | 0 | 0 | 1 | 0 | 1 |
机架B | 0 | 0 | 0 | 0 | 1 | 0 |
机架C | 0 | 0 | 0 | 1 | 0 | 1 |
按照这些相关性系数设置,在建筑C里的事件变化(打印机C位于其中)将不会包括在建筑A和建筑B的子序列里。类似地,在机架B上的事件变化(计算机B位于其中)将不会包括在机架A和机架C的子序列里。因此,如有数百个节点的大型网络,可以分隔为多个逻辑段以方便管理。
Claims (40)
1.一种操作连接到数据处理仪器的多个电气和/或电子设备的方法,包括以下步骤:
a)探测至少一个所述设备的事件的出现;
b)在数据库内记录与至少数个所述探测到的事件相关的数据;
c)将所述记录的事件排序进至少一个事件序列;以及
d)将探测到的事件与所述一个或多个事件序列进行比较。
2.如权利要求1所述方法,其特征进一步在于,在步骤d)中,将所探测到的事件与所述事件序列中各个开始事件的开头进行比较。
3.如权利要求1所述方法,其特征进一步在于,包括步骤e),控制所述电气和/或电子设备,执行在所述比较结果为确定的所述序列中的剩余事件。
4.如权利要求3所述方法,其特征进一步在于,包括步骤f),在执行所述步骤e)之前,寻求用户的确认。
5.如权利要求4所述方法,其特征进一步在于,包括步骤g),更新所述事件序列匹配的成功率,以作为对所述用户响应所述步骤f)的响应。
6.如权利要求3所述方法,其特征进一步在于,在步骤e)中,如果动态编程分数超出预先定义的第一数值,序列比较的结果为确定。
7.如权利要求1所述方法,其特征进一步在于,在步骤b)中,如果与所述事件相关的相关性系数超出预先定义的第二数值,在所述数据库内记录探测到的事件。
8.如权利要求7所述方法,其特征进一步在于,至少部分基于所述事件发生的所述设备的身份,得到所述相关性系数。
9.如权利要求7所述方法,其特征进一步在于,至少部分基于所述设备状态值的变化量,得到所述相关性系数。
10.如权利要求7所述方法,其特征进一步在于,至少部分基于为各个设备指定的预先定义的第三数值,得到所述相关性系数。
11.如权利要求1所述方法,其特征进一步在于,包括步骤h),从所述数据库删除在一段预先定义的时间内不包含确定性的比较结果的事件序列。
12.如权利要求1所述方法,其特征进一步在于,与记录在所述数据库内的至少数个探测到的事件相关的数据,包括所述事件发生的时间,所述事件发生的设备的身份,状态值的变化量和/或用户身份。
13.如权利要求1所述方法,其特征进一步在于,在步骤c)中,至少依照时间次序,将所述记录的事件排序进至少一个事件序列。
14.如权利要求1所述方法,其特征进一步在于,在步骤c)中,至少依照位置不同,将所述记录的事件排序进至少一个事件序列。
15.如权利要求1所述方法,其特征进一步在于,包括步骤i),通过用另一探测到的事件替代所述序列中的事件,改变事件序列。
16.如权利要求15所述方法,其特征进一步在于,在执行所述事件序列期间,当所述另一事件至少以预先确定的百分比次数执行时,执行所述步骤i)。
17.如权利要求1所述方法,其特征进一步在于,在例示性方案中操作多个电气和/或电子设备。
18.如权利要求1所述方法,其特征进一步在于,在交通工具中操作多个电气和/或电子设备。
19.如权利要求18所述方法,其特征进一步在于,在汽车中操作多个电气和/或电子设备。
20.如权利要求1所述方法,其特征进一步在于,在计算机网络中操作多个电气和/或电子设备。
21.一种包括与数据处理仪器相连的多个电气和/或电子设备的系统,该系统包括:
a)用于探测至少一个所述设备的事件出现的装置;
b)用于在数据库内记录至少数个所述探测到的事件的装置;
c)用于将所述记录的事件排序进至少一个事件序列的装置;以及
d)用于将探测到的事件与所述事件序列进行比较的装置。
22.如权利要求21所述的系统,其特征进一步在于,所述装置适应于将所探测到的事件与所述事件序列中各个开始事件的开头进行比较。
23.如权利要求21所述的系统,其特征进一步在于,包括用于控制所述电气和/或电子设备、以执行在所述比较结果为确定的所述序列中的剩余事件的装置。
24.如权利要求23所述的系统,其特征进一步在于,包括装置,该装置用于在控制所述电气和/或电子设备、以执行在所述比较结果为确定的所述序列中的剩余事件之前,寻求用户的确认。
25.如权利要求24所述的系统,其特征进一步在于,当收到所述用户确认时,更新所述事件序列的匹配成功率的装置。
26.如权利要求23所述的系统,其特征进一步在于,所述比较装置适应于执行动态编程计算。
27.如权利要求21所述的系统,其特征进一步在于,包括用于计算与每个探测到的事件相关的相关性系数的装置。
28.如权利要求27所述的系统,其特征进一步在于,至少部分基于所述事件发生的所述设备的身份,得到所述相关性系数。
29.如权利要求27所述的系统,其特征进一步在于,至少部分基于所述设备状态值的变化量,得到所述相关性系数。
30.如权利要求27所述的系统,其特征进一步在于,至少部分基于为各个设备指定的预先定义的数值,得到所述相关性系数。
31.如权利要求21所述的系统,其特征进一步在于,包括装置,该装置用于从所述数据库删除在一段预先定义的时间内不包含确定性的比较结果的事件序列。
32.如权利要求21所述的系统,其特征进一步在于,所述记录装置适应于记录所述事件发生的时间,所述事件发生的设备的身份,状态值的变化量和/或用户身份。
33.如权利要求21所述的系统,其特征进一步在于,所述排序装置适应于至少依照时间次序,将所述记录的事件排序进至少一个事件序列。
34.如权利要求21所述的系统,其特征进一步在于,所述排序装置适应于至少依照位置不同,将所述记录的事件排序进至少一个事件序列。
35.如权利要求21所述的系统,其特征进一步在于,包括用于通过用另一事件替代所述序列中的事件,以改变事件序列的装置。
36.如权利要求35所述的系统,其特征进一步在于,所述改变装置适应于在执行所述事件序列期间,当所述另一事件至少以预先确定的百分比次数执行时,通过用另一事件替代所述序列中的事件,改变事件序列。
37.如权利要求21所述的系统,其特征进一步在于,所述系统适应于在例示性方案中操作多个电气和/或电子设备。
38.如权利要求21所述的系统,其特征进一步在于,所述系统适应于在交通工具中操作多个电气和/或电子设备。
39.如权利要求23所述的系统,其特征进一步在于,所述交通工具是汽车。
40.如权利要求21所述的系统,其特征进一步在于,所述系统适应于在计算机网络中操作多个电气和/或电子设备。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2004/000492 WO2005111814A1 (en) | 2004-05-17 | 2004-05-17 | A method of adaptive learning through pattern matching |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1954303A true CN1954303A (zh) | 2007-04-25 |
CN1954303B CN1954303B (zh) | 2010-05-05 |
Family
ID=35394324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200480043049XA Expired - Fee Related CN1954303B (zh) | 2004-05-17 | 2004-05-17 | 通过模式匹配的自适应学习方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US7496545B2 (zh) |
CN (1) | CN1954303B (zh) |
HK (1) | HK1101290A1 (zh) |
WO (1) | WO2005111814A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105209996A (zh) * | 2013-04-12 | 2015-12-30 | 德纳有限公司 | 通过模式识别进行的车辆和操作者引导 |
CN105270296A (zh) * | 2014-06-09 | 2016-01-27 | 源捷公司 | 车辆学习界面 |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7650282B1 (en) * | 2003-07-23 | 2010-01-19 | Nexidia Inc. | Word spotting score normalization |
US8700404B1 (en) | 2005-08-27 | 2014-04-15 | At&T Intellectual Property Ii, L.P. | System and method for using semantic and syntactic graphs for utterance classification |
US8752175B2 (en) * | 2008-10-31 | 2014-06-10 | Hewlett-Packard Development Company, L.P. | Method and apparatus for network intrusion detection |
US8010262B2 (en) * | 2009-10-21 | 2011-08-30 | Cnh America Llc | Apparatus and method for automatically controlling the settings of an adjustable crop residue spreader of an agricultural combine |
US9239846B2 (en) | 2012-04-23 | 2016-01-19 | Google Inc. | Sharing and synchronizing electronically stored files |
US9244934B2 (en) | 2012-04-23 | 2016-01-26 | Google Inc. | Sharing and synchronizing electronically stored files |
US8949179B2 (en) | 2012-04-23 | 2015-02-03 | Google, Inc. | Sharing and synchronizing electronically stored files |
US20130282830A1 (en) * | 2012-04-23 | 2013-10-24 | Google, Inc. | Sharing and synchronizing electronically stored files |
US9529818B2 (en) | 2012-04-23 | 2016-12-27 | Google Inc. | Sharing and synchronizing electronically stored files |
US20130346917A1 (en) * | 2012-06-22 | 2013-12-26 | Microsoft Corporation | Client application analytics |
US20140208214A1 (en) * | 2013-01-23 | 2014-07-24 | Gabriel D. Stern | Systems and methods for monitoring, visualizing, and managing physical devices and physical device locations |
US9679491B2 (en) | 2013-05-24 | 2017-06-13 | Qualcomm Incorporated | Signaling device for teaching learning devices |
US9509763B2 (en) | 2013-05-24 | 2016-11-29 | Qualcomm Incorporated | Delayed actions for a decentralized system of learning devices |
US9747554B2 (en) | 2013-05-24 | 2017-08-29 | Qualcomm Incorporated | Learning device with continuous configuration capability |
WO2015128960A1 (ja) * | 2014-02-26 | 2015-09-03 | 三菱電機株式会社 | 車載制御装置および車載制御方法 |
US10154321B2 (en) * | 2014-05-26 | 2018-12-11 | Agt International Gmbh | System and method for registering sensors used in monitoring-systems |
US10298411B2 (en) | 2016-10-24 | 2019-05-21 | Crestron Electronics, Inc. | Building management system that determines building utilization |
US10389578B2 (en) * | 2017-03-06 | 2019-08-20 | International Business Machines Corporation | Learned response for alerts |
CN111190938B (zh) * | 2019-12-26 | 2023-08-01 | 博彦科技股份有限公司 | 数据分析方法、装置、存储介质及处理器 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5117992A (en) * | 1991-01-28 | 1992-06-02 | Virginia International Terminals, Inc. | System for learning control commands to robotically move a load, especially suitable for use in cranes to reduce load sway |
EP0853777A4 (en) * | 1995-10-06 | 2000-04-19 | Southpower Ltd | DEVICE FOR OPERATING CONTROL OF DEVICES, SUPPLY SYSTEMS AND SERVICES WITHIN A BUILDING |
US5809492A (en) * | 1996-04-09 | 1998-09-15 | At&T Corp. | Apparatus and method for defining rules for personal agents |
US6292729B2 (en) * | 1999-04-14 | 2001-09-18 | Deere & Company | Vehicle function management system |
US6792319B1 (en) * | 2000-10-19 | 2004-09-14 | Destiny Networks, Inc. | Home automation system and method |
US6909921B1 (en) * | 2000-10-19 | 2005-06-21 | Destiny Networks, Inc. | Occupancy sensor and method for home automation system |
US6912429B1 (en) * | 2000-10-19 | 2005-06-28 | Destiny Networks, Inc. | Home automation system and method |
-
2004
- 2004-05-17 US US10/515,013 patent/US7496545B2/en not_active Expired - Fee Related
- 2004-05-17 CN CN200480043049XA patent/CN1954303B/zh not_active Expired - Fee Related
- 2004-05-17 WO PCT/CN2004/000492 patent/WO2005111814A1/en active Application Filing
-
2007
- 2007-08-23 HK HK07109199.3A patent/HK1101290A1/xx not_active IP Right Cessation
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105209996A (zh) * | 2013-04-12 | 2015-12-30 | 德纳有限公司 | 通过模式识别进行的车辆和操作者引导 |
US9956966B2 (en) | 2013-04-12 | 2018-05-01 | Dana Limited | Vehicle and operator guidance by pattern recognition |
CN105270296A (zh) * | 2014-06-09 | 2016-01-27 | 源捷公司 | 车辆学习界面 |
Also Published As
Publication number | Publication date |
---|---|
WO2005111814A1 (en) | 2005-11-24 |
HK1101290A1 (en) | 2007-10-12 |
US20060074666A1 (en) | 2006-04-06 |
US7496545B2 (en) | 2009-02-24 |
CN1954303B (zh) | 2010-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1954303B (zh) | 通过模式匹配的自适应学习方法 | |
US7530113B2 (en) | Security system and method for an industrial automation system | |
US20100305806A1 (en) | Portable Multi-Modal Emergency Situation Anomaly Detection and Response System | |
EP2144166A1 (en) | Diagnostic system | |
KR20090027000A (ko) | 상황 인식 시스템 환경에서 발생한 이벤트 로그에 기초하여사용자 행동 패턴을 구축하는 장치 및 방법 | |
CN101632050A (zh) | 可动态扩展及自动配置的建筑物自动化系统及架构 | |
GB2467127A (en) | A system for monitoring users' time and attendance | |
CN113535825A (zh) | 一种基于云计算智能化的数据信息风控处理方法及系统 | |
CN101802729A (zh) | 无线控制和传感器网络中的诊断与故障排除方法 | |
CN114297599A (zh) | 移动装置方位确定 | |
CN110738773A (zh) | 一种具备本地扩容功能的人脸识别门禁管理方法及系统 | |
CN107797887A (zh) | 数据备份及恢复方法、装置、存储介质和电子设备 | |
CN107610259A (zh) | 一种基于周围环境标识物的考勤方法和装置 | |
Khorasgani et al. | A methodology for monitoring smart buildings with incomplete models | |
CN113678150A (zh) | 用于动作确定的系统 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN113848747A (zh) | 智能家居设备控制方法及装置 | |
CN108267962B (zh) | 一种控制方法和装置 | |
US11012457B1 (en) | Building security analysis system with site-independent signature generation for predictive security analysis | |
EP3972391B1 (en) | Modeling environmental characteristics based on sensor data obtainable in a lighting system | |
JP2007279887A (ja) | 特異パターン検出システム、モデル学習装置、特異パターン検出装置、特異パターン検出方法、及び、コンピュータプログラム | |
CN113932387A (zh) | 用于空调控制的方法、装置及空调 | |
EP2400431A1 (en) | Device for managing and controlling behavioural routines | |
Akhlaghinia et al. | A fuzzy predictor model for the occupancy prediction of an intelligent inhabited environment | |
Ché et al. | An intelligent domotics system to automate user actions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1101290 Country of ref document: HK |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: GR Ref document number: 1101290 Country of ref document: HK |
|
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100505 Termination date: 20150517 |
|
EXPY | Termination of patent right or utility model |