[發明專利]基于貝葉斯算法的遠程智能運維方法

有效

• 申請號: 202011068977.9
• 申請日: 2020-10-08
• 公開（公告）號: CN112149607B
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 劉振澤;溫泉;徐北辰;王可;李沁哲;何敬宇;王成喜;孫吉;梁亮;程麗麗
• 申請（專利權）人: 吉林大學
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06Q10/00;G06K17/00;G06N3/00
• 代理公司: 吉林長春新紀元專利代理有限責任公司 22100
• 代理人: 魏征驥

1.一種基于貝葉斯算法的遠程智能運維方法，其特征在于，包括下列步驟：

(一)二維碼識別、數據庫調取動作信息

運維人員通過掃描運維目標上的二維碼讀取二維碼操作識別標志，進而連接到裝有該運維目標裝配及拆卸信息的遠端運維動作數據庫，從數據庫中讀取該運維目標的相關信息；

(二)多角度攝像頭采集信息

通過多角度攝像頭，利用基于骨架關鍵點的立體匹配方法，首先對人體進行骨架及輪廓的提取，然后在骨架上進行端點檢測，定義每個端點鄰域內輪廓曲線上曲率最大值對應的點為關鍵點，運用極限約束和歸一化互相關匹配準則算法來進行圖像區域內關鍵點的匹配，得到關鍵點視差值，從而得到個點在真實場景中的位置關系，進而采集運維人員手部特征信息；

(三)手部特征信息碰撞檢測

在對人體行為進行正確識別的基礎上，我們采用基于圓形的碰撞檢測來對手部特征信息進行碰撞檢測，首先對運維人員手部區域生成一個數字包絡，該包絡含有其手部的主要信息，包括質心坐標以及邊界值，然后對運維人員手部進行兩兩交叉碰撞檢測，判定運維人員手部是否碰撞運維目標，以此實現對運維人員手部的建立、移動操作；

(四)貝葉斯計算數據庫匹配綜合判斷

在本地計算機中植入貝葉斯網絡能夠將運維過程中的各類變量之間的關系緊密地連接起來并加以圖形化，進而處理大量不確定性的信息，同時這種基于概率論的網絡能夠獲取一定的先驗知識，無需進行大量的重復工作便能獲取相當數量的可靠結論，對于一些不確定的動作施加概率上的判斷，減少誤判的概率且能引導用戶做出一般情況下正確的動作；另外，該網絡通過一定的訓練可以獲得方法中的最優解，能更加快速地幫助用戶鎖定合適的動作；

貝葉斯網絡是圍繞著一組變量而搭建的，變量取自于人體手部動作的參數，為該網絡的輸入，這樣的變量需要通過前期的人工觀察推算來獲得，并存放進運維動作數據庫以備調用，將數據庫中的這些數據導入貝葉斯網絡中就可以形成關于某個動作的關節角的標準聯合概率分布；

對數據庫內的值進行參數設定，設六大基礎動作，擠壓為A₁、轉動為A₂、被彈開為A₃、掉落為A₄、搖晃為A₅、舉起為A₆，設肩部外展關節角的概率為θ₁、肩部前伸關節角的概率為θ₂、肘關節角的概率為θ₃、腕關節角的概率為θ₄，運維動作數據庫中的某一個動作A，A＝(θ₁，θ₂，θ₃，θ₄...)，θ_i代表做出該動作時手部各個部位的關節角度大小，關于這組變量需要一個表示變量的條件獨立斷言的網絡結構M來對應這些變量，即一個有向無環圖，該圖架構起了貝葉斯網絡的基本框架；

(五)搭建一個完整的貝葉斯網絡；

(六)、貝葉斯網絡的參數學習：貝葉斯網絡的參數學習采用貝葉斯估計法作為學習方法，該方法認為用戶所需要的新的變量和已有的數據都滿足于同一種概率分布，在已有的數據量較少的情況下通過人為給定這種分布從而得到新參的具體形式；

(七)、貝葉斯網絡的結構學習：結構學習參考三種方法：K2評分算法、基于禁忌搜索的貝葉斯網結構學習算法和基于獨立性測試和蟻群優化的結構學習算法，它們都能在網絡結構發生改變的情況下計算出網絡結構的最新、最優解，從而將舊有的網絡進行結構上的更新；

(八)、貝葉斯網絡的推斷方式：在建立好完整的貝葉斯網絡的情況下，為了判斷用戶的動作是否合理，需要網絡來進行判斷，用戶在做出動作時的關節角測得，這些已知參數導入貝葉斯網絡后，作為證據E保留在網絡中，根據貝葉斯網絡推斷的規則，來得到未知參數X的概率分布P(X＝x_i|E)，i＝1,2,3......，由此推理出的未知參數的估計值即為隨機變量X的期望，另外定義一個評價動作性能的指標Q，這個指標Q的大小趨勢和所有關節角的聯合概率分布趨勢是一致的，也就是說這項指標的大小決定了用戶整體動作的合理性，當用戶的動作被攝像頭捕捉時，獲取的是所有關節角的值，但是Q值的大小未知，此時便利用貝葉斯推斷來得到Q值的估計值，從而知曉動作的合理程度；

(九)遠程實時比對數據庫存儲的動作信息

經過貝葉斯公式的綜合判斷，如果系統判定人手部已經達到正確的初始位置，則按順序進行對應T的基礎動作，運維對象二維碼對應的運維動作數據庫的內部數據如下：

其中S_i表示第i個運維數據庫，T_n表示運維動作的主鍵，A₀表示運維動作T開始時人體手部的位置，θ₁、θ₂、θ₃、θ₄分別表示A₀狀態的肩部外展關節角、肩部前伸關節角、肘關節角，腕關節角對應角度的概率，A₀后的A_m,m∈[1,6]為基礎動作數據庫中的基礎動作；

假如此時人體手部及臂部動作的角度分別符合，符合T₂中A₀狀態θ₁、θ₂、θ₃、θ₄值，此時網絡中對應動作所有節點的聯合概率密度將達到一個極大值，由于Q與此概率密度同步，二者均會處于一個極大值的狀態，那么系統會判斷此時人做出的動作為合理。

2.根據權利要求1所述的一種基于貝葉斯算法的遠程智能運維方法，其特征在于，所述步驟(五)搭建一個完整的貝葉斯網絡，包括下列步驟：

(1)、確定建模所需的變量及其解釋，包括：①確定模型目標；②確定可能的觀測值并篩選出建模所需的子集；③利用變量組成互不相容且窮盡所有狀態的變量；即是在準備階段，預先觀測手部處于做出某個動作的情況下各個關節角可能的值，以及不同位置的關節角之間的關系，從而得到一組經驗性的概率值，這里稱之為先驗概率組；

(2)、建立有向無環圖：該圖中每一個節點及其對應的變量可用θ_i表示，其父節點可用pθ_i表示，而這些變量均是在前一個步驟中獲取的，現在利用這些數據進行網絡基本結構的搭建，θ的聯合概率分布表示為：

由概率論可知：

對于每個變量θ_i,如果有某個子集Π_i∈{θ₁，θ₂，...，θ_i-1}使θ_i與{θ₁，θ₂，...，θ_i-1}\Π_i條件獨立，即對任意的θ_i滿足:

p(θ₁|θ_i，θ₂，...，θ_i-1)＝p(θ_i|π_i) i＝1，2，...，n (2)

由(1)、(2)可得：

故確定貝葉斯網絡的結構時需要將變量θ_i以一定順序排列，且同時還要確定滿足(3)式的變量集Π_i，i＝1，2，...，n，若使用數據庫中的數據進行計算，則(3)式得到標準聯合概率分布；

(3)、設置局部概率分布：需要基于經驗預估出一個關節角處于不同角度的概率對另一個關節角的影響，也就是條件概率分布p(θ_i|pθ_i)，并把這一分布賦給父節點pθ_i，此條件概率分布已在步驟(1)中準備好，這一概率將原本無關聯的關節角聯系在了有向無環圖中，從而建立起基本的貝葉斯網絡的框架。