CN101571931B - 一种面向普适计算的不确定性上下文的推理方法 - Google Patents

Abstract

一种面向普适计算的不确定性上下文的推理方法是一种在普适计算环境中，利用集对分析技术和相关系数概念，对底层传感器感知到的原始上下文数据进行推理、融合以获取高层上下文信息的技术方案，利用集对分析技术和向量相关系数，实现了对不确定性上下文的快速、简便、直观、可靠的推理；集对分析方法有效地刻画了确定不确定***的对立统一关系，符合自然辩证法和人类的思维方式，具有方法论的意义。在许多实际上下文感知应用中，用集对分析方法比用概率论、模糊集等方法描述不确定性更加简便、有效。把联系度表达式简写成向量的形式：μ(W)＝(a，b，c)，并称之为该集对的同异反向量。同异反向量之间的夹角余弦反映了同异反向量接近的程度，夹角余弦值越大，则差异越小，相似性越大。

Description

一种面向普适计算的不确定性上下文的推理方法

技术领域

本发明是一种在普适计算环境中，利用集对分析技术和相关系数概念，对底层传感器感知到的原始上下文数据进行推理、融合以获取高层上下文信息的技术方案。本技术属于上下文感知计算应用领域。

背景技术

随着计算机技术、移动计算技术及传感器网络的发展，计算变得无处不在。1991年Xerox公司的Mark Weiser博士提出普适计算的思想，强调把计算机嵌入到环境或日常工具中去，让计算机本身从人们的视线中消失，让人们的注意中心回归到要完成的任务本身。从普适计算的角度来看，上下文是指任何可用于表征实体状态的信息，上下文感知计算是指每当用户需要时利用上下文向用户提供适合于当时人物、地点、时间和任务的信息或服务。

在上下文感知计算中，受传感器件的物理特性限制，通常底层传感器直接感知到的原始上下文数据可能是部分的、局部的，甚至有噪声。尤其在动态的环境中，上下文数据的数量和质量一般很难满足上层应用的需求。人们通常关注的是高层的上下文信息，因而把传感器对物理和信息世界的直观反映转换为同人们对物理和信息世界的看法相类似的判断，即从底层获取的原始上下文推导出高层上下文信息就显得非常必要。

由于上下文感知***的一些基本假设过于理想化，从而导致不确定上下文的处理是上下文推理中的一个难点。目前已有很多较成熟的不确定推理的模型，如基于概率论的主观贝叶斯方法、基于模糊集的可能性理论、证据理论等等，但这些方法不能完整地描述应用领域内的各类不确定上下文信息。

集对分析是人工智能领域中一种处理不确定性问题的***分析方法，该方法的主要思想是把被研究事物之间的确定性联系与不确定性联系作为一个统一的确定不确定***来进行分析和处理。

将集对分析的方法应用于上下文感知应用中不确定性上下文信息的推理过程，利用同异反向量之间的相关系数来对不确定性上下文进行推理，可以全面地刻画不确定性上下文信息。该方案具有计算简便，响应速度快，结果直观的优点，同时还具有较高的可靠性。

发明内容

技术问题：本发明的目的是提供一种面向普适计算的不确定性上下文的推理方法，利用人工智能中集对分析技术和聚类分析中相关系数的概念来解决普适计算环境中底层物理传感器获取的原始上下文数据质量较差的问题，对原始上下文数据进行快速、低开销的推理来获取确定的高层上下文信息，经过冲突和不一致性检查后提交给知识库，以满足实际上下文感知计算应用中的实时性、精确性要求，提高***的整体性能。

技术方案：本发明的方法通过利用集对分析技术中的同异反向量而提出，目标是实现普适计算环境中一种计算简便、结果直观、可靠性高的上下文推理方案。

下面给出集对分析中同一度、差异度、对立度的定义：

假设针对具体问题W，对集合A和集合B两个集合对进行分析，该集合对共有M项特性，其中有S项特性为集合对中A、B两集合所共有，P项特性为两个集合相对立，其余F＝M-S-P项特性则是两个集合中既不同一也不对立的特性。

在不考虑各特性权重的情况下，则称：S/M为集合A与集合B在问题W下的同一度，简记为a；F/M为集合A与集合B在问题W下的差异度，简记为b；P/M为集合A与集合B在问题W下的对立度，简记为c。

同一度、差异度、对立度从不同的侧面刻画了两个集合的联系状况，一般可用下式表示：

$\mathrm{\μ}\left(W\right)=\frac{S}{M}+\frac{F}{M}i+\frac{P}{M}j=a+\mathrm{bi}+\mathrm{cj}$

该式称为同异反联系度，它全面地描述两个集合的联系状况，其中a，b，c三者的统一，形成两集合联系度的整体，即a+b+c＝1。一般情况下，规定i∈[-1，1]，j＝-1，其中i和j分别为差异度和对立度的相应系数。

设联系度u₁＝a₁+b₁i+c₁j，u₂＝a₂+b₂i+c₂j，则有乘法运算法则：

u₁·u₂＝(a₁+b₁i+c₁j)·(a₂+b₂j+c₂j)

＝a₁a₂+(a₁b₂+a₂b₁)i+b₁b₂i·i+(b₁c₂+b₂c₁)i·j+(a₁c₂+a₂c₁)j+c₁c₂j·j

＝a₁a₂+(a₁b₂+a₂b₁+b₁b₂+b₁c₂+b₂c₁)i+(a₁c₂+a₂c₁+c₁c₂)j

其中：i·i＝i²＝i，i·j＝j·i＝i，j·j＝j²＝j。

一、体系结构

在上下文感知计算应用中，基于集对分析的不确定性上下文的推理方案主要包括三部分：上下文知识库，推理机及高速缓存，如图1所示。

(1)上下文知识库，负责存储和维护所有的上下文。一般推理动作发生在新的上下文知识***上下文知识库中时，如果存在推理规则与该上下文相关联，则调用相应的推理器进行推理，然后将推理出的新知识纳入上下文知识库。知识库能为其他的服务组件提供一组API来实现对上下文知识的查询、添加、删除或者修改操作。

(2)推理机，是***的核心部分。在该模块中，利用比较传感器获取的上下文矢量之间的同异反向量夹角的大小，来快速判定空间状态。

(3)高速缓存，为了适应上下文感知计算应用的实时性要求和减小***的计算开销，在高速缓存中存储推理过程中的中间结论。高速缓存中的上下文信息也可以被其他的推理过程利用，以此来提高***的效率。

二、方法流程

集对分析方法有效地刻画了确定不确定***的对立统一关系，符合自然辩证法和人类的思维方式，具有方法论的意义。在许多实际上下文感知应用中，用集对分析方法比用概率论、模糊集等方法描述不确定性更加简便、有效。

把联系度表达式简写成向量的形式：μ(W)＝(a，b，c)，并称之为该集对的同异反向量。同异反向量之间的夹角余弦反映了同异反向量接近的程度，夹角余弦值越大，则差异越小，相似性越大。反之，夹角余弦值越小，则差异越大，相似性越小。

主要工作流程如图2所示：

1.根据具体应用环境，确定上下文状态空间的属性集合。由于传感器所监测的具体环境不同，上下文状态空间的属性数量也会有所不同。

2.根据观测经验值，预先设置不同状态空间的典型属性值。可以取某一属性的多次观测平均值作为其属性的典型值。

3.获取传感器监测的状态空间的实际属性值。这些上下文传感器是计算设备与上下文世界的接口，它们可以是物理上的传感器，也可以是逻辑上的传感器。

4.利用集对分析的乘法运算法则，对用户多种上下文属性进行聚合，得到该状态空间的同异反向量。

5.计算同异反向量和预定义的状态空间向量的夹角余弦，通过向量间的相似程度判断用户所处的上下文状态空间。

6.对推理得出的新的上下文信息进行一致性检查和冲突消解，将满足要求的上下文存入上下文知识库中。

在上述流程中，设μ₁＝(a₁，b₁，c₁)，μ₂＝(a₂，b₂，c₂)，令：

$\cos \mathrm{\θ}=\frac{[{\mathrm{\μ}}_1,{\mathrm{\μ}}_2]}{\left|\right|{\mathrm{\μ}}_1\left|\right|\left|\right|{\mathrm{\μ}}_2\left|\right|}$

则称cosθ为同异反向量μ₁与μ₂之间的夹角余弦。夹角余弦是一种聚类分析中常用的相关系数。其中：[μ₁，μ₂]＝a₁a₂+b₁b₂+c₁c₂，称为μ₁与μ₂的内积，μ₁≠0，μ₂≠0； $\left|\right|{\mathrm{\μ}}_i\left|\right|=\sqrt{[{\mathrm{\μ}}_i,{\mathrm{\μ}}_i]}=\sqrt{a_i^2+b_i^2+c_i^2},$ 式中i＝1，2，称为向量μ_i的范数。

本发明的技术方案通过利用集对分析技术和向量相关系数，实现了上下文感知计算应用中一种简便、直观、可靠的上下文推理方法。

具体步骤如下：

步骤1)根据实际的上下文感知计算应用需求，考察传感器所监测环境中可能存在的不同的上下文状态空间，

步骤2)确定上下文状态空间的有效属性集合，普适计算环境中一般需要多个传感器的属性监测数据来确定监测环境的某一确定状态空间，

步骤3)对不同状态空间进行持续多次地重复观测，记录不同属性在该状态空间的属性监测值，

步骤4)根据不同状态空间的不同属性监测值，构造传感器的同异反联系度表达式： ${\mathrm{\μ}}_x=\frac{s}{N}+\frac{f}{N}i+\frac{p}{N}j=a+\mathrm{bi}+\mathrm{cj},$ 其中s，f，p表示对某一属性的N次监测中，获取的相同、相异、相反的属性监测值，

步骤5)根据步骤4)得到同异反联系度表达式，将不同传感器的联系度表示为同异反向量的形式，即：μ_x＝(a，b，c)。根据集对分析方法的乘法法则，计算不同状态空间的同异反联系度表达式：μ_s＝μ_x1·μ_x2·...·μ_xm，n为自然数；

步骤6)***接收监测环境中某一t时刻不同传感器采集的实际监测值，并对传感器实测数据进行规格化，

步骤7)根据乘法法则，对t时刻状态空间的多种上下文属性进行聚合，得到t时刻该状态空间的同异反联系度的表达式：μ_t＝μ_t1·μ_t2·...·μ_tm，

步骤8)根据步骤7)得到的状态空间的同异反联系度表达式，生成该状态空间的同异反向量表示形式：μ_t＝(a_t，b_t，c_t)，

步骤9)计算t时刻得到的状态空间的同异反向量μ_t和预定义的不同状态空间向量μ_s之间的夹角余弦 $\cos {\mathrm{\θ}}_{(s,t)}=\frac{[{\mathrm{\μ}}_s,{\mathrm{\μ}}_t]}{\left|\right|{\mathrm{\μ}}_s\left|\right|\left|\right|{\mathrm{\μ}}_t\left|\right|},$

步骤10)比较夹角余弦的大小，通过向量之间的相似程度判断用户当前所处的上下文状态空间，从而获得***新的上下文信息，

步骤11)对新的上下文信息进行一致性检查和冲突消解，

步骤12)如果上下文信息满足应用要求则将其***上下文知识库，同时高速缓存中保留副本；否则，返回到步骤6)，继续监测该状态空间。

有益效果：使用该方法有如下优点：

本发明是一种在上下文感知计算应用中，利用人工智能中的集对分析技术和聚类分析的相关系数概念，对不同传感器感知的环境空间状态的原始上下文数据进行推理、融合以获取高层上下文信息的技术方案。集对分析技术可以有效地刻画确定不确定***的对立统一关系，符合自然辩证法和人类的思维方式。

基于集对分析技术和相关系数概念进行不确定性上下文的分析、推理，具有思路简明、便于计算、易于实现及***开销小的特点，在普适计算环境中具有较高的实用价值，能够满足上下文感知计算的实时性要求。

同时，由于采用同异反向量的方式来描述状态空间的属性集合，向量元素的数量具有灵活的可扩充性，对复杂智能空间具有很强的描述能力，可以适用于多种普适计算实际场景。

附图说明

图1是不确定性上下文推理方案的结构示意图。图中包括：上下文知识库、不确定性上下文推理机及上下文高速缓存。

图2是流程示意图。表示本发明方法的流程示意。

具体实施方式

本发明利用集对分析技术和向量相关系数，实现了对不确定性上下文的快速、简便、直观、可靠的推理，具体如下：

步骤1)根据实际的上下文感知计算应用需求，考察传感器所监测环境中可能存在的不同的上下文状态空间，

步骤2)确定上下文状态空间的有效属性集合，普适计算环境中一般需要多个传感器的属性监测数据来确定监测环境的某一确定状态空间，

步骤3)对不同状态空间进行持续多次地重复观测，记录不同属性在该状态空间的属性监测值，

步骤4)根据不同状态空间的不同属性监测值，构造传感器的同异反联系度表达式： ${\mathrm{\μ}}_x=\frac{s}{N}+\frac{f}{N}i+\frac{p}{N}j=a+\mathrm{bi}+\mathrm{cj},$ 其中s，f，p表示对某一属性的N次监测中，获取的相同、相异、相反的属性监测值，

步骤5)根据步骤4)得到同异反联系度表达式，将不同传感器的联系度表示为同异反向量的形式，即：μ_x＝(a，b，c)，根据集对分析方法的乘法法则，计算不同状态空间的同异反联系度表达式：μ_s＝μ_x1·μ_x2·...·μ_xm，n为自然数；

步骤6)***接收监测环境中某一t时刻不同传感器采集的实际监测值，并对传感器实测数据进行规格化，

步骤7)根据乘法法则，对t时刻状态空间的多种上下文属性进行聚合，得到t时刻该状态空间的同异反联系度的表达式：μ_t＝μ_t1·μ_t2·...·μ_tm，

步骤8)根据步骤7)得到的状态空间的同异反联系度表达式，生成该状态空间的同异反向量表示形式：μ_t＝(a_t，b_t，c_t)，

步骤9)计算t时刻得到的状态空间的同异反向量μ_t和预定义的不同状态空间向量μ_s之间的夹角余弦 $\cos {\mathrm{\θ}}_{(s,t)}=\frac{[{\mathrm{\μ}}_s,{\mathrm{\μ}}_t]}{\left|\right|{\mathrm{\μ}}_s\left|\right|\left|\right|{\mathrm{\μ}}_t\left|\right|},$

步骤10)比较夹角余弦的大小，通过向量之间的相似程度判断用户当前所处的上下文状态空间，从而获得***新的上下文信息，

步骤11)对新的上下文信息进行一致性检查和冲突消解，

步骤12)如果上下文信息满足应用要求则将其***上下文知识库，同时高速缓存中保留副本；否则，返回到步骤6)，继续监测该状态空间。

下面举例说明本技术方案：

以上下文感知计算典型场景--智能空间为例。在智能空间中定义三类传感器属性：灯光亮度、人员数量和噪音强度。经过多次重复观测，得知在该空间“正在举行会议”典型状态下，灯光传感器的 ${\mathrm{\μ}}_l^1=0.9+0.05i+0.05j,$ 人员传感器的 ${\mathrm{\μ}}_p^1=0.8+0.1i+0.1j,$ 噪音传感器的 ${\mathrm{\μ}}_n^1=0.7+0.1i+0.2j.$

根据集对分析的乘法法则，对多种上下文属性进行聚合可以得到联系度表达式：

${\mathrm{\μ}}_m={\mathrm{\μ}}_l^1\·{\mathrm{\μ}}_p^1\·{\mathrm{\μ}}_n^1$

$=(0.9+0.05i+0.05j)\·(0.8+0.1i+0.1j)\·(0.7+0.1i+0.2j)$

$=0.504+0.226i+0.270j$

同理可得，在该空间典型“正在正常办公”状态下，如果灯光传感器的 ${\mathrm{\μ}}_l^2=0.3+0.1i+0.6j,$ 人员传感器的 ${\mathrm{\μ}}_p^2=0.5+0.1i+0.4j,$ 噪音传感器的 ${\mathrm{\μ}}_n^2=0.2+0.1i+0.7j,$ 则得到联系度表达式为：

${\mathrm{\μ}}_w={\mathrm{\μ}}_l^2\·{\mathrm{\μ}}_p^{\text{2}}\·{\mathrm{\μ}}_n^2$

$=(0.3+0.1i+0.6j)\·(0.5+0.1i+0.4j)\·(0.2+0.1i+0.7j)$

$=0.030+0.271i+0.699j$

假设在某一时刻t，在该空间内监测到有灯光传感器的 ${\mathrm{\μ}}_l^3=0.7+0.06i+0.24j,$ 人员传感器的 ${\mathrm{\μ}}_p^3=0.7+0.1i+0.2j,$ 噪音传感器的 ${\mathrm{\μ}}_n^3=0.8+0.1i+0.1j,$ 则有：

${\mathrm{\μ}}_t={\mathrm{\μ}}_l^3\·{\mathrm{\μ}}_p^{\text{3}}\·{\mathrm{\μ}}_n^3$

$=(0.7+0.06i+0.24j)\·(0.7+0.1i+0.2j)\·(0.8+0.1i+0.1j)$

$=0.392+0.239i+0.369j$

记同异反向量μ_m＝(0.504，0.226，0.270)，同异反向量μ_w＝(0.030，0.271，0.699)，同异反向量μ_t＝(0.392，0.239，0.369)，则同异反向量μ_m与μ_t之间的夹角余弦：

$\cos {\mathrm{\θ}}_{(m,t)}=\frac{[{\mathrm{\μ}}_m,{\mathrm{\μ}}_t]}{\left|\right|{\mathrm{\μ}}_m\left|\right|\left|\right|{\mathrm{\μ}}_t\left|\right|}=\frac{0.3512}{0.3622}=0.97$

同异反向量μ_w与μ_t之间的夹角余弦：

$\cos {\mathrm{\θ}}_{(w,t)}=\frac{[{\mathrm{\μ}}_w,{\mathrm{\μ}}_t]}{\left|\right|{\mathrm{\μ}}_w\left|\right|\left|\right|{\mathrm{\μ}}_t\left|\right|}=\frac{0.3344}{0.4418}=0.76$

比较可知：cosθ_(m，t)＞cosθ_(w，t)

据此可以很容易得出明确的判断：在时刻t，该空间状态是“正在举行会议”。

将该上下文信息进行一致性检查和冲突消解，发现满足***应用要求，则将其***上下文知识库，同时在高速缓存中保留该上下文信息的副本。

Claims (1)

1.一种面向普适计算的不确定性上下文的推理方法，其特征在于利用集对分析技术和向量相关系数，实现了对不确定性上下文的快速、简便、直观、可靠的推理，具体如下：

步骤1)根据实际的上下文感知计算应用需求，考察传感器所监测环境中可能存在的不同的上下文状态空间，

步骤2)确定上下文状态空间的有效属性集合，普适计算环境中一般需要多个传感器的属性监测数据来确定监测环境的某一确定状态空间，

步骤3)对不同状态空间进行持续多次地重复观测，记录不同属性在该状态空间的属性监测值，

步骤4)根据不同状态空间的不同属性监测值，构造传感器的同异反联系度表达式： ${\mathrm{\μ}}_x=\frac{s}{N}+\frac{f}{N}i+\frac{p}{N}j=a+\mathrm{bi}+\mathrm{cj},$ 其中s，f，p表示对某一属性的N次监测中，获取的相同、相异、相反的属性监测值，

步骤5)根据步骤4)得到同异反联系度表达式，将不同传感器的联系度表示为同异反向量的形式，即：μ_x＝(a，b，c)，根据集对分析方法的乘法法则，计算不同状态空间的同异反联系度表达式：μ_s＝μ_x1·μ_x2·…·μ_xm’，n为自然数；

步骤6)***接收监测环境中某一t时刻不同传感器采集的实际监测值，并对传感器实测数据进行规格化，

步骤7)根据乘法法则，对t时刻状态空间的多种上下文属性进行聚合，得到t时刻该状态空间的同异反联系度的表达式：μ_t＝μ_t1·μ_t2·…·μ_tm，

步骤8)根据步骤7)得到的状态空间的同异反联系度表达式，尘成该状态空间的同异反向量表示形式：μ_t＝(a_t，b_t，c_t)，

步骤9)计算t时刻得到的状态空间的同异反向量μ_t和预定义的不同状态空间向量μ_s之间的夹角余弦 ${\cos \mathrm{\θ}}_{(s,t)}=\frac{[{\mathrm{\μ}}_s,{\mathrm{\μ}}_t]}{\left|\right|{\mathrm{\μ}}_s\left|\right|\left|\right|{\mathrm{\μ}}_t\left|\right|},$

步骤10)比较夹角余弦的大小，通过向量之间的相似程度判断用户当前所处的上下文状态空间，从而获得***新的上下文信息，

步骤11)对新的上下文信息进行一致性检查和冲突消解，

步骤12)如果上下文信息满足应用要求则将其***上下文知识库，同时高速缓存中保留副本；否则，返回到步骤6)，继续监测该状态空间。

Images