目前自适应软件正在为众多领域系统提供着对运行环境的适应能力.如何建立一种能够保障识别质量的自适应分析方法,使之可从运行环境中快速且准确地识别出异常事件,是确保自适应软件长期稳定运行所必须考虑的研究问题之一.当前运行环境的...目前自适应软件正在为众多领域系统提供着对运行环境的适应能力.如何建立一种能够保障识别质量的自适应分析方法,使之可从运行环境中快速且准确地识别出异常事件,是确保自适应软件长期稳定运行所必须考虑的研究问题之一.当前运行环境的不确定性给该问题的攻关带来两方面的挑战:其一,现有分析方法一般通过预先建立环境状态与事件之间的映射关系来识别事件.但在系统运行之前,已无法仅凭经验确定环境状态并建立全面且正确的映射关系.仅依赖映射关系建立分析方法的设计思路已无法保障识别的准确性.其二,不确定环境何时会发生何种事件已变得不可预期.如果采用现有设计思路,定期地获取环境状态再进行事件识别,则无法保障识别效率.然而,目前却缺乏应对这些紧迫挑战的相关工作,因此提出了一种基于事件关系保障识别质量的自适应分析方法(self-adaptation analysis method for recognition quality assurance using event relationships,简称SAFER).SAFER采用序列模式挖掘算法、模糊故障树与贝叶斯网络等技术抽取并建模事件因果关系,并基于该类关系与映射关系通过贝叶斯网络的正向推理能力共同识别事件,与传统的仅依赖映射关系的识别方法相比可保证识别的准确性;基于贝叶斯网络的反向推理能力,确定易引发事件的精英感知对象,并动态调整获取精英感知对象状态数据的采样周期,以便于在事件发生后尽快获得相关环境状态,从而保障识别效率.实验结果表明,在自适应软件实际运行过程中,SAFER可实现对事件的识别并保障识别准确性与识别效率,为自适应软件稳定运行提供了有效支持.展开更多
社会安全事件发生之前通常要进行筹划、准备,并逐步成型,通过观察这一过程中参与者的行为和动作有可能识别正在酝酿的社会安全事件.一些社会安全事件的行动单独来看并不一定表现出异常特征,需要综合分析发现多个参与者行动相互关联后可...社会安全事件发生之前通常要进行筹划、准备,并逐步成型,通过观察这一过程中参与者的行为和动作有可能识别正在酝酿的社会安全事件.一些社会安全事件的行动单独来看并不一定表现出异常特征,需要综合分析发现多个参与者行动相互关联后可能形成的事件.文章假设参与者在事件准备和形成过程中的部分行动是可以被观察到的,提出了基于规划识别的社会安全事件识别方法.首先构造了社会安全事件识别模型框架,描述了社会安全事件识别的领域知识和问题模型,进而采用plan recognition as planning(PRAP)规划识别方法,利用领域知识进行推理,动态地识别可能发生的社会安全事件.最后以人员聚集事件为例设计了实验算例,检验了方法的有效性.实验结果表明该方法能够准确识别参与者行动对应的社会安全事件,并且具备较强的提前识别能力,能够提高社会安全事件监测预警能力.展开更多
提出了一种利用相敏光时域反射仪(phase-sensitive optical time domain reflectometer,φ-OTDR)和YOLOv5(you only look once v5)目标检测算法定位跟踪管道中清管器(pipeline inspection gauge,PIG)的策略。PIG两端皮碗和管道焊缝碰撞...提出了一种利用相敏光时域反射仪(phase-sensitive optical time domain reflectometer,φ-OTDR)和YOLOv5(you only look once v5)目标检测算法定位跟踪管道中清管器(pipeline inspection gauge,PIG)的策略。PIG两端皮碗和管道焊缝碰撞时会产生振动,利用φ-OTDR技术可以收集该振动信号在时空图上呈现出区分于其他背景噪声的“倒V”特征。通过获取大量含有“倒V”特征的时空图来构建训练集和测试集,训练集用来训练YOLOv5网络模型,测试集用来测试训练好的YOLOv5网络。经过训练的模型被证明能够准确地捕捉时空图中的“倒V”特征,从而反演PIG的实时位置与路径。将分布式光纤传感器与神经网络算法相结合,进一步提高了PIG定位跟踪的便捷性与准确性,有利于实现PIG的在线、自动化跟踪。展开更多
文摘目前自适应软件正在为众多领域系统提供着对运行环境的适应能力.如何建立一种能够保障识别质量的自适应分析方法,使之可从运行环境中快速且准确地识别出异常事件,是确保自适应软件长期稳定运行所必须考虑的研究问题之一.当前运行环境的不确定性给该问题的攻关带来两方面的挑战:其一,现有分析方法一般通过预先建立环境状态与事件之间的映射关系来识别事件.但在系统运行之前,已无法仅凭经验确定环境状态并建立全面且正确的映射关系.仅依赖映射关系建立分析方法的设计思路已无法保障识别的准确性.其二,不确定环境何时会发生何种事件已变得不可预期.如果采用现有设计思路,定期地获取环境状态再进行事件识别,则无法保障识别效率.然而,目前却缺乏应对这些紧迫挑战的相关工作,因此提出了一种基于事件关系保障识别质量的自适应分析方法(self-adaptation analysis method for recognition quality assurance using event relationships,简称SAFER).SAFER采用序列模式挖掘算法、模糊故障树与贝叶斯网络等技术抽取并建模事件因果关系,并基于该类关系与映射关系通过贝叶斯网络的正向推理能力共同识别事件,与传统的仅依赖映射关系的识别方法相比可保证识别的准确性;基于贝叶斯网络的反向推理能力,确定易引发事件的精英感知对象,并动态调整获取精英感知对象状态数据的采样周期,以便于在事件发生后尽快获得相关环境状态,从而保障识别效率.实验结果表明,在自适应软件实际运行过程中,SAFER可实现对事件的识别并保障识别准确性与识别效率,为自适应软件稳定运行提供了有效支持.
文摘社会安全事件发生之前通常要进行筹划、准备,并逐步成型,通过观察这一过程中参与者的行为和动作有可能识别正在酝酿的社会安全事件.一些社会安全事件的行动单独来看并不一定表现出异常特征,需要综合分析发现多个参与者行动相互关联后可能形成的事件.文章假设参与者在事件准备和形成过程中的部分行动是可以被观察到的,提出了基于规划识别的社会安全事件识别方法.首先构造了社会安全事件识别模型框架,描述了社会安全事件识别的领域知识和问题模型,进而采用plan recognition as planning(PRAP)规划识别方法,利用领域知识进行推理,动态地识别可能发生的社会安全事件.最后以人员聚集事件为例设计了实验算例,检验了方法的有效性.实验结果表明该方法能够准确识别参与者行动对应的社会安全事件,并且具备较强的提前识别能力,能够提高社会安全事件监测预警能力.
文摘提出了一种利用相敏光时域反射仪(phase-sensitive optical time domain reflectometer,φ-OTDR)和YOLOv5(you only look once v5)目标检测算法定位跟踪管道中清管器(pipeline inspection gauge,PIG)的策略。PIG两端皮碗和管道焊缝碰撞时会产生振动,利用φ-OTDR技术可以收集该振动信号在时空图上呈现出区分于其他背景噪声的“倒V”特征。通过获取大量含有“倒V”特征的时空图来构建训练集和测试集,训练集用来训练YOLOv5网络模型,测试集用来测试训练好的YOLOv5网络。经过训练的模型被证明能够准确地捕捉时空图中的“倒V”特征,从而反演PIG的实时位置与路径。将分布式光纤传感器与神经网络算法相结合,进一步提高了PIG定位跟踪的便捷性与准确性,有利于实现PIG的在线、自动化跟踪。
