基于贝叶斯算法的远程智能运维方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112149607A(43)申请公布日2020.12.29(21)申请号202011068977.9G06N3/00(2006.01)(22)申请日2020.10.08(71)申请人吉林大学地址130012吉林省长春市前进大街2699号(72)发明人刘振泽温泉徐北辰王可李沁哲何敬宇王成喜孙吉梁亮程丽丽(74)专利代理机构吉林长春新纪元专利代理有限责任公司22100代理人魏征骥(51)Int.Cl.G06K9/00(2006.01)G06Q10/00(2012.01)G06K17/00(2006.01)权利要求书3页说明书7页附图2页(54)发明名称基于贝叶斯算法的远程智能运维方法(57)摘要本发明涉及一种基于贝叶斯算法的远程智能运维方法，属于远程运维方法。包括二维码识别、数据库调取动作信息、采集信息、手部特征信息碰撞检测、贝叶斯计算数据库匹配综合判断、搭建贝叶斯网络，贝叶斯网络的参数学习、贝叶斯网络的结构学习、贝叶斯网络的推断方式，远程实时比对数据库存储的动作信息。优点是解决了远程运维环境下现场环节缺失以及运维信息交互不便的缺点，提高了针对复杂动作判断的准确性，大大提高远程自动运维的交互效率，不仅可提高用户的体验感，对于运维人员也将增加工作的成就感和乐趣。CN112149607ACN112149607A权利要求书1/3页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2CN112149607A权利要求书2/3页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