本發(fā)明涉及一種基于gpb算法的運維多模態(tài)決策系統(tǒng)架構(gòu)
背景技術(shù)：
隨著云計算及虛擬化，呈現(xiàn)出“大規(guī)模”、“高密度”、“高能耗”、“復雜化”等特點，建設(shè)與發(fā)展新一代數(shù)據(jù)中心，提升數(shù)據(jù)中心基礎(chǔ)設(shè)施管理將變得日趨重要，數(shù)據(jù)中心的基礎(chǔ)架構(gòu)融合管理與智能將成為數(shù)據(jù)中心發(fā)展的新趨勢。
目前，運維缺乏自動化手段，被動運維，效率低下，大規(guī)模it設(shè)施帶來管理壓力。需要實現(xiàn)數(shù)據(jù)中心的自動化監(jiān)控，提高系統(tǒng)和環(huán)境參數(shù)的及時告警能力，提高系統(tǒng)和環(huán)境異常變化的響應速度和監(jiān)控水平。使用傳感器和攝像頭等各種手段感知信息，就能實現(xiàn)統(tǒng)一的服務管理軟件平臺。
多源信息融合通過感知部件產(chǎn)生的數(shù)據(jù)來獲得信息。信息融合涉及多種不同的感知器和不同的執(zhí)行器，不同的感知設(shè)備會產(chǎn)生不同類型的數(shù)據(jù)。如何有效的融合這些多模態(tài)數(shù)據(jù)進而正確地反映運維的狀態(tài)是十分重要的研究課題。
傳感器子系統(tǒng)為環(huán)境探測裝置，作用在實時地檢測環(huán)境變化并為數(shù)據(jù)融合子系統(tǒng)提供相關(guān)數(shù)據(jù)；決策支持子系統(tǒng)利用數(shù)據(jù)融合的結(jié)構(gòu)及時進行勢態(tài)估計，該結(jié)果又為傳感器管理提供重要依據(jù)；傳感器管理子系統(tǒng)根據(jù)前面幾個階段提供的反饋信息，對傳感器資源進行實時地調(diào)整和優(yōu)化。
攝像頭目標檢測是將目標的狀態(tài)作為跟蹤的初始狀態(tài)，同時對目標建模，獲取相關(guān)特征構(gòu)造目標的描述模型，然后在后續(xù)的圖像中利用目標模型，采用濾波的方式估計目標的當前狀態(tài)，同時利用當前狀態(tài)更新目標模型。
固定模型集的最優(yōu)估計是全假設(shè)估計，即考慮每一時刻系統(tǒng)的所有可能模式。其模型集是預先確定的，而不管模型本身是不是時變的。所以，有必要利用某些假設(shè)管理技術(shù)來建立更有效的非假設(shè)樹算法，以保證剩余的假設(shè)數(shù)量在一定范圍內(nèi)。所謂廣義偽bayes方法(gpb)，就是在時刻k，進行系統(tǒng)狀態(tài)估計時僅考慮系統(tǒng)過去有限個采樣時間間隔內(nèi)的目標模型歷史。
本發(fā)明提供了一種基于gpb算法的運維多模態(tài)決策系統(tǒng)架構(gòu)，按k-1時刻分別采樣傳感器模型和攝像頭模型；按k時刻分別采樣傳感器模型和攝像頭模型；利用kalman算法進行各自狀態(tài)估計，和估計誤差協(xié)方差陣；然后計算狀態(tài)估計的合成，以及相應的協(xié)方差陣；最后是狀態(tài)估計與協(xié)方差的融合輸出，以實現(xiàn)事故自動預警防范。
技術(shù)實現(xiàn)要素：
本發(fā)明的目的在于提供一種基于gpb算法的運維多模態(tài)決策系統(tǒng)架構(gòu)。本發(fā)明包括以下特征：
發(fā)明技術(shù)方案
1.一種基于gpb算法的運維多模態(tài)決策統(tǒng)架構(gòu)，其具體步驟如下：
1)按k-1時刻分別采樣傳感器模型和攝像頭模型；
2)按k時刻分別采樣傳感器模型和攝像頭模型；
3)利用kalman算法進行各自狀態(tài)估計，和估計誤差協(xié)方差陣；
4)然后計算狀態(tài)估計的合成，以及相應的協(xié)方差陣；
5)最后是狀態(tài)估計與協(xié)方差的融合輸出。
附圖說明
圖1是基于gpb算法的運維多模態(tài)決策系統(tǒng)架構(gòu)圖。
具體實施方式
這種基于gpb算法的運維多模態(tài)決策系統(tǒng)架構(gòu)，包括如下步驟：
1)按k-1時刻分別采樣傳感器模型和攝像頭模型；
2)按k時刻分別采樣傳感器模型和攝像頭模型；
3)利用kalman算法進行各自狀態(tài)估計，和估計誤差協(xié)方差陣；
4)然后計算狀態(tài)估計的合成，以及相應的協(xié)方差陣；
5)最后是狀態(tài)估計與協(xié)方差的融合輸出。