文摘

相关的挑战与发展中准确模型cyber-physical系统应由内在并发和异构计算系统。尽管推理基于互联领域特定本体显示承诺提高模块化建模和关节功能,它已成为必要的构建可互操作的cyber-physical系统由于这些系统的日益普遍。在本文中,我们提出一个面向语义的分布式推理cyber-physical系统的体系结构。这个模型实现推理通过异构的计算模型的结合。使用的灵活性语义代理作为异构计算平台正式表示,我们定义自治和智能代理的分布式cyber-physical系统的推理过程。传感器网络支撑这个体系结构的语义功能,采用基于马尔可夫逻辑网络和语义推理来解决模型的不确定性。为了说明这种方法的可行性,提出了一种基于马尔可夫逻辑语义cyber-physical系统事件模型和讨论事件处理的一个案例研究在智能家居和处理。

1。介绍

Cyber-physical系统(独立主办)1- - - - - -3]代表高的小说研究领域的前景提供数字世界和现实世界之间的协同作用。这些系统包括相互关联的组件,协同执行任务为了消除数字世界和现实世界之间的差距(4]。与日益增长的复杂性任务由于独立主办的组合和物联网(物联网)5,6]然而,独立主办已成为分布,它是必要的发展可互操作的独立主办的能力使交货及时的服务。这样,独立主办成为实时分布式和多尺度动力学和网络高效、可靠、安全,安全管理的监控和控制的对象在物理域(7]。

集成后的独立主办和物联网,创新的概念和方法,比如面向服务的体系结构(SOA) (8,9),协作系统(10),和云计算11),已成为明显的独立主办的发展。要求独立主办的设备互操作网络和物理尺度,面向服务的独立主办(12,13到目前为止看好。通过耦合独立主办的必要性与现实世界对象的实时优化资源消耗,只使用面向服务的方法是不足以实现全面的分布式实时独立主办,考虑到网络和物理组件之间的强烈的相互依赖关系。因此,环境敏感的基于代理的方法更有吸引力,因为不同的属性可以封装在代理、和分布的普适计算更好的协调和自治和异构代理之间的互操作性是可以实现的。在自传感独立主办,从本质上讲,环境敏感是必不可少的资源发现、适应和增强是这部小说的关键动力技术(14,15]。此外,在不断变化的动态分布式独立主办域,很自然的是部分可观测性固有的独立主办(16,17]。使用本体作为潜在语义技术因此需要不确定性建模技术对模型性能好。

提出了一种基于上下文的可替换主体架构分布式推理在独立主办。传感器网络分布式物理环境中提供这个模型的语义功能,并与领域知识语义注释低级上下文信息合并在一个推理引擎。派生的隐性知识通过语义推理和一起带注释的数据使得分布式软件代理操作的网络空间为驱动提供决策支持信息。每个代理的能力与物理环境进行交互和分享一些主要的共同点与其他代理。因此,代理人能够暴露,消费,甚至有时处理协作服务目标制定系统的目标。将不确定性模型,语义推理模型结合马尔可夫逻辑网络的推理能力(MLN) (18到事件识别降低推理和计算负载。最后,我们讨论一个案例研究的智能家居CPS,和我们的实验结果显示该方法的可行性在独立主办的模拟并发事件。

总之,我们在本文中描述我们最初在独立主办工作,克服一些主要局限在这一研究领域。我们提供了四个主要的贡献。首先,我们提出一个可替换主体架构,可以消除网络的操作之间的差距和独立主办的物理组件。第二,我们描述一个程序,可用于动态组成的高级系统目标和根本标准从低级上下文信息。第三,我们引入一个智能家居的本体,融合了人类演员物理空间独立主办的计算实体。最后,我们提出一个基于MLN独立主办的事件识别方法。

剩下的纸是组织如下:我们当前状态的艺术和其他研究背景和初步信息部分2和3分别;部分4给一个代理模型独立主办,紧随其后的是我们在独立主办的分布式推理框架5;uncertainty-based事件识别独立主办使用MLN提出了部分6;给出了实验的结果和讨论部分7;最后,我们得出结论并提出未来的研究8。

2。相关工作

相干分布式推理架构是实现可互操作的CPS应对物理和网络组件的要求。由于缺乏健全的理论基础为独立主办目前(19),大多数方法成功模型的物理组件(20.)或网络组件(21),而不是两个。突出研究对独立主办的综合模型,考虑网络和物理组件包括(8,22,23),使用面向服务的计算来实现互操作的独立主办。面向服务的方法,然而,不适合建模与多尺度动力学和网络实时分布式独立主办。在这方面,基于个体模型更适合分布式复杂系统等独立主办(24,25]。

由于独立主办的底层传感器网络、语义代理技术与我们的方法密切相关。规定(26),语义代理技术被用来描述一个战场信息系统,利用信息融合过程的动态集成传感器网络实时的基于上下文的推理。使可伸缩的传感器信息访问、面向服务的传感器信息平台的体系结构和编程模型也被提出(27]。这种方法利用一个本体论的抽象信息优化利用资源收集、存储和处理数据。及时性和并发分布式处理环境中也可以增强使用自动软件代理。因此,使用自动语义代理作为分布式计算环境的新软件范式提出了(28]。

显然,独立主办的复杂动力学,加上需要恰当地代表嵌入式计算和通信能力,激励的使用语义和分布式代理可互操作的独立主办。可以发现在29日),可替换主体模型独立主办的一个分布式语义代理模型增加数据采集过程提出了本体论的情报。然而,这个模型没有提供本地程序推理关于各个组件和全球系统范围的属性。但这样的语义,例如,事件识别,是非常关键的分布式实时独立主办和基本上可以指定组件系统的接口和观察7,30.]。此外,本体形成语义基于代理模型的基本层主要支持certainty-based推理和因此需要技术解决模型的不确定性。

因此在我们的方法,我们增加语义可替换主体建筑和一个健壮的推理机制,既可以支持确定性和uncertainty-based推理。促进独立主办的操作的并发性和及时性,采用MLN作为不确定性建模框架,可以简洁地表示异构计算使用一组通用的规则。从本质上讲,这对独立主办达到一个推理过程利用优势的本体和概率图形模型模型复杂性和不确定性,从而降低本体和概率图形模型的局限性。

3所示。背景和预赛

在本节中我们提供方面的独立主办的实时分布式推理问题,马尔可夫逻辑,CPS的智能家居为例。

3.1。问题描述

独立主办的日益广泛性进一步使网络和物理组件分开,单独和管理这些组件不允许我们充分意识到这些系统的好处。适当的技术,允许这些组件之间的互操作性是必不可少的,这样可以远程调用监控和驱动。在这方面,标准化的接口,可以实现可互操作的独立主办是可取的,应遵循以下几点:(1)定义一个架构框架,支持互操作性和分布式推理在独立主办。(2)应用语义明确表示上下文信息和提供一个有效的数据存储机制。(3)提供分布式推理过程,创造了更多的自主权和独立主办的智能操作。(4)将不确定性纳入模型。

遵循以上挑战和语义代理的能力发现和自主,我们追求面向语义的技术,在本体论智力是用来解决问题独立主办的uncertainty-based实时分布式计算。

3.2。马尔可夫逻辑网络

MLN [18)是人工智能中的一个接口层,它定义了一个一阶的知识库的一阶逻辑公式和相关的权重。给定一组常量描绘对象的域,MLN定义了一个地面马尔可夫网络,代表对可能世界的一个概率分布。每个世界,基本上代表了地面真值分配给所有原子,这个分布的对数线性模型 在哪里的数量是正确的接地的一阶公式吗在,是谓词的状态出现在每一个公式,的重量是,每个集团的势函数在地上马尔可夫网络,然后呢是一个常数称为正常化吗配分函数。每个重量显示的力量约束公式表示,成正比的差异之间的对数概率的世界和一个不满足公式。

由于不同数量的常数可以表示相同的知识库部分或全部,MLN允许相同的公式适用在任何情况下,可以被视为一个模板构造马尔可夫网络。通过这种方式,不同的常数可以产生不同的地面使用共同的底层MLN马尔可夫网络。理想情况下,这是适合领域,如独立主办、推理的任务需要结合不同的推理块,需要单独处理。

3.3。案例研究

当情报在家里变得更复杂,智能互联的分布式等消费硬件主机,智能家居服务器和智能手机运行等多样化功能辅助医疗和家庭自动化构成了CPS。演示的异质性、并发性和灵敏度独立主办的时机,一个案例研究的温度事件识别被认为是。这提供了一个使用基于本体模型的场景来实现一个可互操作的CPS,利用公共事件识别模型在不同的层。具体地说,使用单一的汽车系统,计算事件有关的汽车用户的主和温度条件可以实现汽车的引擎。通常,这个计算平台必须支持并发处理事件以来温度事件的房屋和汽车可以同意。

独立主办这一事实需要敏感是一个具有挑战性的任务的出现的假阳性,如果管理不确定性并不好。除了噪声传感器信息和不完整的领域知识不确定性的主要来源,环境因素也不容忽视的潜在的不确定性来源在独立主办。例如,温度事件,认为最优的资源消耗在智能家居可能触发打开窗户凉爽舒适的阳光灿烂的日子。这一战略,所有条件都相同的情况,听起来理想,但环境因素如空气人口和外部噪声可以提供一个舒适与资源消耗最小化之间的权衡。因此,独立主办的有效性将感谢如果不确定性,这在本质上是不可避免的,在这些系统管理。

4所示。代理网络独立主办

基于移动代理网络的基础(31日),我们定义了一个可替换主体系统驻留在独立主办的网络空间。这个模型考虑代理商的沟通和操作的所有方面包括相关问题可替换主体系统和独立主办的性能。

4.1。网络代理模型

网络代理模型被定义为一个三,在那里代表一个社区的代理CPS描述分布式计算环境,表示特定领域的代理商的服务,定义了网络代理运营的网络空间。从本质上讲,代理在这个定义可以固定和移动,以适应不断变化的动力学独立主办域。通过这种方式,一个代理在多重代理系统中,定义的,代表一个特定的计算平台和可以执行任务所允许的域。这指定自治在这些代理的业务,和任务可以封装为代理商的能力从功能和性能的角度。因此,代理之间的交互提供了所需的沟通与合作之间的桥梁的操作独立主办的网络和物理组件。

上下文推理范式(32),每个代理取决于特定领域本体,可以与其他代理通过语义映射使这个设计分布式。因为每个计算平台提供了一个服务执行的功能,结合这些多个本体语义映射允许我们定义关节功能,可用于复杂的任务操作。对于一个非空的设置与领域相关的指标用于识别代理具体的本体,我们定义的共同功能多重代理系统的跨层服务。因此,一组服务被定义为每个域。直观地说,代表一个服务的形式化表达本体。

我们必须认识到,每个服务可以由一个或多个代理提供。避免冲突访问服务,代理定义显式地指定计算平台和提供的服务是至关重要的。通过这种方式,我们独特的服务封装每个代理定义的属性使用三重CPS的计算平台。我们可以看到,这一个代理的定义,除了一个属性描述一个给定的计算,也提供了代理商的服务和信息领域的服务。服务域部署属性指定的,也可以是一个物理地址的分布式环境中独立主办。例如,给定一组代理服务的领域,由代理提供的服务的集合可以被描述为,每个服务在这个领域可以调用使用。这意味着,在网络空间中,这些代理之间的交互定义一个无向图,在那里表示任意两个域的代理之间的边缘重叠的功能。

4.2。独立主办的代理合作

多重代理系统,以确保高保真之间的物理和网络组件,每个代理域必须触发请求,这代表了隐性知识推断从域的低级上下文信息。通常,这些请求可能涉及复杂的任务可以超过单个操作域的能力和可能需要跨域服务聚合。在这种情况下,代理运营的网络空间,通过他们的交互,可以沟通和合作承担特定的角色来执行任务。

代理商的域分布,可以形成一个图形重叠的功能提供了一个复杂的网络,快速信息共享成为大型代理团队的必要条件(33]。依靠信息作为服务分配的决定因素重要性基于代理的性能要求的领域是理想的快速信息共享和并行执行的服务。在这方面,服务请求代理可以是特定领域或跨多个域。如图1,特殊情况代理服务的任务,例如,Request1,当一个请求是特定于域的。在这种情况下,所有的服务都可以被视为相互排斥,和代理商之间的沟通与协调变得不那么重要了。然而,当服务重叠或给定的请求需要跨域的组合服务,我们面临的问题可替换主体自治用Request2。但有趣的是,而不是用人计划代理服务的分配在这种情况下,代理可以将其固有的情报与谈判领域知识服务在我们的设计。

5。分布式推理独立主办

独立主办的分布式计算系统可以采用普适计算技术提供自主、可互操作的,计算的元素可以被描述,发现,和策划内部和不同层(15]。在这方面,ontology-oriented造型上下文中有很多优势(34]。我们现在下独立主办的语义基于代理的体系结构。此外,制定高层语义与底层复杂的任务从低级上下文信息的标准进行了探讨。

5.1。语义可替换主体架构独立主办

这是broker-centric可替换主体架构,支持独立主办的跨层服务协作。如图2,这个架构捕捉到角度的造型问题独立主办在[长大35]。这种架构的关键组件数据管理模块,上下文本体模块,语义推理引擎和一个语义代理联盟。详细描述这些组件提供了以下部分。

(1)数据管理模块。这个模块的主要功能是收集和传输数据的存储区域。原始上下文数据从分布式传感器网络在物理域,获得这些数据的异构性需要语义标记应用程序可以很容易地理解。通过语义注释,上下文数据转换为语义标记,可以链接到外部通过独特的定义uri本体的实例。例如,温度传感器数据的语义注释可以如清单1。

可以清楚的看到,每个注释包含一个惟一的URI,比如,一个本体实例,描述观察到的现象,测量值的现象,使用的计量单位,观察的时间戳。除了时间戳和测量值,这是XML Schema数据类型,存在于外部的其他属性资源定义。

数据存储在此体系结构中实现两个层次使用不同的数据库,必须彼此互操作。在第一种情况下,原始传感器数据存储在这样一种方式,它可以有效地维护,并通过不同来源的出口。第二,原始传感器数据语义注释后,需要一个存储机制,支持语义存储这个注释数据。因此,在我们的架构中,注释的数据存储在一个存储库本体实例和相关的属性,机器很容易解释。这个存储库更新,每当一个新上下文事件发生时,可以增强与关联数据技术支持语义数据集成在实例级。

在关联数据研究[36,37通过HTTP协议),非关联化资源的uri可以利用逐步获得资源的描述。为了进一步支持语义数据集成分布式,猫头鹰公理猫头鹰:不同已经成功地应用在实例级关联数据的研究。它的成功在一个分布式环境中,同样的方法可以采用为语义集成独立主办。因此,本文语义标记都与外部定义使用owl:不同公理。在上面的示例中,可以看出这个公理的使用说明,这两个uri引用同一个实例,从而提供一个语义库和上下文本体之间的映射库。

(2)上下文本体模块。本体建模和处理发生在这个模块。在独立主办,计算实体和服务的分布式智能环境可以组合在一起,形成面向服务的生态系统。上下文在这些领域可以共享一些共同的概念,尽管他们详细的属性可以差别很大。而不是完全模拟环境在不同的领域,这里的目标是模型上下文使用基本本体和一个特定领域本体。基本本体是可扩展的实体基本常见的概念在不同的环境中。特定领域本体,然而,只代表那些独特的存在于每个域的概念。

具体来说,在智能家居领域,我们拥有的最基本概念标识为可扩展节点的基本本体论用户,部署,服务,和计算实体。当这些实体相连,形成上下文实体的骨架,它允许基于上下文的数据采集。图3显示的上下文本体模型提出智能家居领域。本体底部,延长智能家居和智能机构,说明了使用本体知识重用的优势。在这两种情况下,房间等基础实体和AdhocService扩展到满足规范的应用程序域。例如,虽然我们可以指定卧室和起居室的家,一个机构可以有房间如教室和会议室。

需要注意的是,人类作为一个计算实体在该模型是一种新型的独立主办的贡献,是理想的设计。这实质上是独立主办的面向服务范式将人类服务向内化作用系统组件和行为实践(38]。专门设计,人类作为演员的角色和上下文信息的来源在物理域可以显式地表示,允许社会意识纳入独立主办。在这个视图中,独立主办已做好准备,来提供情商(39),将对人民和适当的反应情况。

(3)语义推理引擎。这是我们设计的核心组件的高级隐性知识可以推断出从感知上下文信息。语义标注数据和上下文本体聚合为一个连贯的模型语义代理和物理对象可以共享。certainty-based和不确定性模型可以得到这个设计的支持。但这项研究的重点是确定独立主办的决策支持。具体来说,uncertainty-based推理关于资源和事件和动态协作的跨层形成服务高级系统目标与基础标准是本设计的重点。

值得注意的是,把合理的使用的数据语义代理需要一个数据结构,可以很容易地集成与底层语义库的表示。具体来说,推理的语义数据,用来喂养这些代理时,必须指定其他需求,推断的引用领域知识。这里的论点是,由于独立主办域在本质上是高度分散的,代理可以有效地在不同领域合作取得更好的计算智能如果我们推断知识的语义域指定合理的数据。符合本文的目标,这样一个数据结构可以简单mashup的资源来解决复杂的问题。因此,清单2是一个语义标记的一个合理的数据。

基本上我们可以看到,这个例子表明,除了感兴趣的领域使用引用domainURI,其他元素允许给定的场景。其中添加,也不可避免的高级知识通过语义推理。这些知识在本例中使用元素指定警报和大部分用户得到提示。显然,这样一个数据结构结合领域知识可以允许语义代理获得增强的计算能力。

(4语义代理)。语义代理分布在多个分布式计算算法执行实体的物理空间。为驱动提供决策支持信息,这些代理合并语义注释数据和合理的数据。通过描述这些代理作为一个社区,他们表面上的控制点体系结构和可以通过交互的reasoner推销他们的服务和语义推理。因此,每个代理的行为非常适合它的环境,这样的行为非常适合资源发现通过语义推理。

5.2。动态的合成高级复杂的任务

便利的动态协作服务的形成对执行复杂的任务需要引出从低级高级复杂的服务信息。这个过程可以保证更好的质量独立主办,克服了常见的工程设计缺陷提供正确的驱动信息物理对象的需要。例如,通过低层次的信息,我们可以组成一个任务,例如把火事件处理火灾爆发,CPS的环境。然而,这个特殊的任务,不像一些任务,需要复杂的功能和需要分解成原始级别的任务,然后可以由特定的资源提供服务。这是一个挑战性的过程,因此需要一个专门的框架如何找出复杂的功能从低级上下文。

如图4,这种方法是出于建立驱动网络和分布式CPS环境之间的关系。清晰的表示形式,分为物理环境使用和上下文环境。使用环境描述语义代理执行的流程,以及系统如何实现任务的环境。因为每个代理的行为最适合它的环境,使用环境表面上包含了特定的目标,这描述的活动代理对有用的输出。指定的上下文环境中,上下文收购过程,是领域知识的来源,支撑着这种方法的语义功能。

在独立主办的分布式环境,要求网络提供了规范,可以解决物理环境要求。我们可以看到从图2这些需求在网络空间模型和过程控制对象的物理环境,反之亦然。这带来的问题域驱动和用户驱动的要求。自从域驱动要求,这从根本上持有的潜在语义的方法,讨论了在前面的小节中,我们现在的焦点是用户驱动的要求。这些需求的驱动信息,形成潜在的想法向启发式域驱动的高级复杂的服务需求。因此,了解之间的驱动信息建立的关系网络和物理环境是至关重要的对上下文信息映射到高级复杂的服务。

高级复合上下文可以来自低级上下文信息的语义推理程序图2。如图5推理的逻辑流程引擎的体系结构包括三个主要功能模块:模型;过滤器;和作曲家。理性推理模型的数据通过一个过滤过程的语句可以基于一组预定义的规则分类。所有的报表通过这个过滤器要么是归类为可执行的或非执行但不能两者兼得。一个可执行语句表示单个服务的现象,如高温,可以直接执行远程或集中通过减少家里通过一个空调的温度。但是当一个声明需要聚合的服务以达到其目标,是过滤非执行。非执行语句的一个例子是当传感器检测到烟雾和高温的建筑,和合理的信息在建筑火灾爆发。显然,一个适当的行动在这种情况下是把火,这要求不同的服务包的功能在此方法中不同的物理对象。在这方面,这个推断信息需要进一步处理的形式组成适当的服务和约束之间的任务可以适当安排,从而计算实体。

同时可执行语句语义代理直接喂,非执行语句转化为高层次综合上下文通过作曲家进行进一步的处理。本文的目的后,这些语句是由高级任务与基本标准。具体来说,这一阶段生成一个HTN规划问题,这是作为输入传递到reasoner自动组成的基于算法的协作服务1。我们可以看到,过滤过程创建一个循环的执行信息无论何时遇到非执行语句。从一个非执行语句行4和5,结果组成的任务规划问题和约束。代的规划问题是算法的一个实例2一个非执行语句作为输入。这种转变,形成协作服务可以使用语义模型和可以直接指定代理。支持time-criticality在独立主办的需要,这种设计可以促进有效地利用计算资源通过确保所有非执行语句一次性处理经验。从本质上讲,这组规则提供的模型块确保所有复合任务是减少到原始任务,可以直接执行。

6。事件识别使用马尔可夫逻辑

基于上下文的事件的中心开始在独立主办的活动和自然指定实时需求响应系统的组件的接口和观察39]。从我们的角度可替换主体架构,服务可以刺激的事件的一个或多个代理网络,因此它是重要的来检测事件的预定义的操作都需要独立主办的系统和用户。

事件本体需要增加该上下文本体在前一节中对基于事件的推理。然而,本体的古典形式目前不能代表和理性下的不确定性。鉴于良好的造型实践对独立主办的最佳性能,我们采用基于MLN的事件识别解决不确定性而保持结构的底层本体完好无损。这种利用MLN的观点作为马尔可夫网络的模板,因此只有猫头鹰的一部分规则适用于事件被认为是在模型中建设。紧凑的表示模型中的一个明显的优势是复杂性,从而保证公司丰富的领域知识对高灵敏度和并发处理的事件。

MLN允许现有的知识库在一阶逻辑将通过添加权重的不确定性知识表示逻辑公式。由于一阶逻辑强调本体的基本理论,猫头鹰规则知识发现因此可以转化成MLN加权公式对事件识别。

6.1。规则事件识别

猫头鹰规则形式的基本逻辑框架事件识别流程,和我们提供的语义整体捕获域的利益规则的现象。如图6,是由一个元组描述一个事件,它表示事件的组件和事件的语义功能(40]。我们使用事件组件构成异构传感器数据形成上下文信息匹配事件的需求。因此,,在那里代表观察驾驶事件的发生。能够传播事件的逻辑约束规则,我们使用的语义事件函数,,区分类别的事件。这个规范,站是我们用来表达一个谓词的自发的自然现象变化的事件。因此,谓语,,定义为 表明国家当受到一个行动的事件变化。独立主办的在某些情况下,事件可能对国家的影响表示。在火灾场景中,例如,这个谓词可以确保正确的事件调用将推迟。我们必须注意,相同的谓词不能应用于日常活动,比如把空调。不像在火灾情况下,新的状态后推迟火可能是永久的,设备只有资格颞状态改变。因此,我们使用一元谓词的事件函数实现时序状态更改事件独立主办。被定义为 在国家新状态变化使用三个子功能。具体地说,一个国家改变可以增加程度的使用谓词;使用谓词减少程度的东西;和开关模式之间切换的设备使用谓词。所有这些子功能操作通过调节当前状态对新的状态。例如,增加一个房间使用空调的温度,谓词的语义被定义为 指出空调的状态值的变化大于。显然,这个谓词,像其他两个,需要比较当前和新国家的语义变化的过程。

比较谓词用于定义描述状态变化的条件。我们考虑不超过 ,LessThanEqual ,GreaterThan ,GreaterThanEqual ,平等的 状态改变的谓词条件。例如,语义被定义为 表达的价值的条件是和的值小于的价值。因此,事件识别基于组件结构和语义功能提供逻辑运算公式,形成良好的基础基于马尔可夫逻辑事件识别。

6.2。翻译成MLN的规则

猫头鹰规则转化为MLN的第一步需要把猫头鹰规则转换为一阶逻辑公式。规定(41),OWL类和属性,分别代表一元和二进制在一阶谓词逻辑,可以组合使用逻辑连接词形成原子公式。例如,一阶逻辑翻译类的房间,在那里表示给定的类的实例。房地产hasDeployment,相当于一阶逻辑公式 在哪里和分别表示该属性的领域和范围类。公理化的类和属性的限制也可以转化为一阶逻辑。例如,rdfs: subClassOf公理可以转化为一阶逻辑 表明卧室房间的一个子类。在此基础上,我们可以使用逻辑连接词构成的一阶逻辑公式概念类设备及其属性

有趣的是,炼金术(41MLN]工具提供了内置函数,简化逻辑条件到MLN的翻译。例如,谓词不超过 在MLN只是使用炼金术的内部谓词来表示不超过 。基本上,这个谓词测试如果第一个参数小于第二个参数。

一旦我们获得一阶逻辑的翻译规则,MLN是通过添加权重公式。MLN一起一组常量定义一个地面马尔可夫网络的概率推理可以执行。图7显示了部分地面马尔可夫网络MLN的基础上我们的案例研究事件识别。在这个图中,我们可以看到链接之间存在任何两个地面条款MLN出现在相同的公式。因此,给定一个MLN和一组常量,任意查询的条件概率公式等持有另一个公式给出的MLN可以解决。

6.3。模糊马尔可夫逻辑网络

我们认识到概率的公理化概念提出了最后一个小节是无法处理模糊信息的知识。这变得明显在MLN当遇到多值子句,这提出了一个挑战超越古典MLN的概念。在这个视图中,我们提供了一个模糊的概念称为马尔可夫逻辑模糊MLN在推理查询需要模糊逻辑的推理机制。

基本概念作为起点的模糊MLN在于一个公式在一阶逻辑可以被视为弹性约束的集合,它限制重量与每个接地的相关条款。为了达到这个目标,我们定义了一个模糊隶属函数的权重和地面MLN条款和获得模糊MLN MLN的延伸 这是一组的映射基于一阶逻辑公式为一组MLN权重。认为不同常量引用对象MLN和一个公式可以包含多个地面条款允许单独的权重分配到每个地面MLN的条款。本质上,这个实现地面MLN条款模糊隶属度函数映射成一个有序集合的模糊对MLN推断可以执行。显然,这种模糊集是完全由元组的集合 表示每个接地的权重的分配对一组常量。

如图8的隶属函数模糊MLN,假设不失一般性,所有的重量都是积极的,表示参与每个的重量的大小基本项作为输入。这个同事不同的权重相同的公式对不同地面条件和定义这些地面条件之间的功能重叠,这决定了结果的规则。在这个图中,我们可以看到一个典型的温度情况下的重叠值26°C,它提出了一种多值子句的情况下对不同接地相同的公式。这个值存在的区间最低标准两个模糊集的定义冷和热 在哪里和分别定义隶属度函数的州冷和热。凭直觉,这可以被描述为在多大程度上寒冷的温度26°C是热的。显然,知识真实状态的温度价值带有模糊性,可以有效地解释为一个模糊限制地面条件的集合。

与经典模糊逻辑在模糊MLN,上面描述的情况很容易由指定地面条款涉及两种情况下一个训练集,如图9描述,定义了一个地面马尔可夫网络的两种结果是条件独立的输入。每个虚线圆这个数字表明加权地面条款相同的公式,以及条款的补充,在缺乏一个条款定义了古典MLN的概念。这意味着学习的重量如图8在这种特殊情况下产生的两个值定义推理的模糊集。因此,模糊MLN一起利用这些重量和一组常量定义了一个地面马尔可夫网络,可以推断在使用模糊逻辑的推理机器没有使用任何正式模糊逻辑语义。

7所示。结果与讨论

在本节中,我们提出并讨论结果的事件识别在智能家居作为CPS的不确定性。所有的条件实验是为了测试该方法的性能使用灵敏度等关键独立主办的内在需求时间和并发性。在这方面,推力困扰我们的分析主要是精密的测量灵敏度时间独立主办的单一和并发事件的发生。

将不确定性建模为我们的实验,我们认为基于MLN的事件模型基于OWL本体本文的案例研究。这个本体捕获视角的语义事件模型,包括关键属性(我)hasDeployment,相关的概念设备概念房间和引擎,(2)hasValue,相关的概念设备一个数据值,(3)hasOutput涉及设备的数据值,其语义解释使用的概念输出,(iv)hasEvent,相关的概念输出这一概念事件。从本质上讲,房间和引擎的子类的位置,定义异构计算平台设备使用部署属性。因此,与不同的平台相关的事件表示的影响的解释在这些平台和设备的值存储在本体的类型事件。

紧凑造型对加快处理的事件,猫头鹰规则提供了部分规范领域概念相关的建设MLN事件模型。OWL支持异构过程的能力,我们使用相同的规则集MLN代表不同的计算平台。具体来说,计算相对于家庭的室内舒适指数和运营安全状况的一个汽车的引擎被认为是一个单一的计算可以代表两个可能同步事件。表面上需要一个计算的分布式环境中可以看到独立主办的开车往家跑,计算汽车的控制台监控家庭条件和汽车的发动机温度。通过这种方式,一个分布式传感器网络的家和计算智能的汽车引擎提供上下文信息。在底层设备的部署属性本体,上下文信息可以准确地筛选和应用根据域规范。

如表所示15事件被定义来表示两个分布式环境被认为是在我们的实验。从本质上说,这些事件的异质性是体现在不同的条件与温度测量在这些环境中。例如,同时我们可以指定一个正常室温范围在21°印度°C,发动机的正常工作温度范围为180°C - 205°C,这是高温的情况下回家,超出人类生存的极限温度。显然,这两种情况表示模糊知识表示正常体温,因此它是重要的异构感知信息模型之间的解释清楚。在这方面,我们的事件模型可以被描述为一个复合模型设计先于任何识别与精确的知识发现过程。除了事件识别,这种模型可以用于执行语义推理对mashup的资源。例如,温度传感器部署在任何两个分布式环境的案例研究可以推断出这个模型。

我们评估这个模型的性能考虑单一事件和多个事件识别任务。在这两种情况下,我们不同的训练集MLN从100年常量1500年常量。我们可以看到在图10,单个事件识别的精度提高,随着越来越多的地面条件引入到训练集,向下一列从左到右,我们会注意到的常量的影响训练集企稳。我们发现这个开发有趣的在我们的初步分析,因为如果我们考虑列代表100年和500年常量或列的数量代表的数量常量1000年和1500年的事件一个常数作为证据,可能会得出这样的结论:任何两个不同的训练集到500年常量给大约相同的结果。这种想法,然而,当我们看列代表不同常量500年和1000年的数量。因此,我们尝试不同的常数的证据以及更好地理解这一趋势。

通过增加证据的常量设置为50,我们观察到的精度识别从低于60%增加到70%左右。同时改进是实现1到10之间的常数的证据,从20常量性能稳定。这给了警告的直觉可以建立感官信息的密度在一个给定的位置因为更多的证据在某种程度上可以识别过程中得到的。从这个观察,我们假设一个连贯的代表事件的组合模式可以允许独立主办与多个传感器有效地监测和控制环境。

并发事件识别也调查了使用多个事件代表了两种分布式域考虑。同样,我们测量的精度识别多个事件使用训练集包含常量100,500,1000,1500。如图11的精度识别多个事件遵循单一事件识别的发展趋势。这个观察是归因于这样一个事实:尽管不同常数适用于单一事件和多个事件情况下生成与不同结构、不同地面马尔可夫网络模型性能仍遵循共同的底层MLN。然而,我们认识到,精度提高的单调性常数在多个事件的证据不支持完全的认可。而精密单调增加引擎的事件,事件完全不遵循这一趋势。但是这种新现象是另一种迹象表明确定大小的警告在上下文数据对优化精度事件识别是至关重要的。显然,所有训练数据集认为家庭事件的精确模态在20个常量的证据,这是符合单一事件识别的精度。因为多个事件识别过程比单一事件识别包含更多的结合常数,多个事件过程性能更好。在本质上,这种方法可以支持的并发操作独立主办的协作过程。

最后,我们研究了一个多值逻辑中MLN条款有点fuzzified代表部分知识。在模拟矩形模糊函数中,我们使用内置的炼金术谓词greaterThanEq定义一个MLN条款表示正常和高温事件输入。MLN条款描述条件的权重高,正常的温度测量。重叠的区域,体现在模糊逻辑(42),可以被视为一个简单的常量声明在训练数据集。例如,温度26°C值被认为是模棱两可的在我们的实验。所以在训练数据集,这个温度价值被宣布几次表明这个相同的值可以被描述为正常,有点温暖。从图我们可以看出12我们甚至获得令人印象深刻的结果,至少使用一组训练数据的训练数据集。100年常量,一模糊事件识别的精度也提高了越来越多的证据集常量。总的来说,使用MLN事件识别独立主办可以模仿来处理不确定性和含糊而造型领域的不确定性。

8。结论

在本文中,我们提出了一个上下文感知的可替换主体架构分布式推理cyber-physical系统。这个架构是基于面向服务计算,与语义的整合服务代理、网络的无缝集成,可以实现物理组件。本体论情报提供了这种方法的基本语义,和一起马尔可夫逻辑网络,我们定义一个uncertainty-based事件识别cyber-physical系统的推理过程。我们实验的结果,令人信服的是,这个框架可以依靠cyber-physical系统并发处理的事件。因为这些语义代理被认为是自主和智能操作,未来工作的研究应当考虑代理沟通技巧可以确保良好的合作在这些代理。

相互竞争的利益

作者宣称没有利益冲突。

确认

这项研究是由国家自然科学基金委61370151和61202211,中国国家科技重大项目2015 zx03003012,中央大学基础研究基金基金ZYGX2014J055 YB2013120141和华为技术的基础。