[发明专利]一种基于本体模型和概率推理的复杂事件识别方法

说明书

本发明公开了一种基于本体模型和概率推理的复杂事件识别方法，包括以下步骤：（1）利用本体模型对智能环境中的传感器和事件进行建模；（2）利用描述逻辑的语义属性将本体模型转换为马尔科夫逻辑网模型；（3）利用一种基于地点和固定时间间隔的分割方法对连续产生的传感器数据进行分割，形成事件序列，作为马尔科夫逻辑网模型的输入；（4）在马尔科夫逻辑网模型上进行概率推理，从而识别智能环境中发生的事件；所述的复杂事件识别方法融合了知识驱动方法和数据驱动方法的优势，可以准确地对智能环境进行建模，有效地处理事件之间的时间约束关系和传感数据的不确定性，提高识别的准确率。

技术领域

本发明属于物联网中智能环境下的事件识别领域，具体涉及一种基于本体模型和概率推理的复杂事件识别方法。

背景技术

随着物联网技术和无线传感网络的飞速发展，使得通过低成本和低功耗的传感器来监测物理环境成为可能。通过在物理环境中布置一系列的传感器，可以根据传感数据了解物理环境的状态，这样的环境为智能环境，其中的事件反映了观测对象的状态变化，环境中的传感器和微处理单元称为传感器。传感器每时每刻都在产生大量的数据，以一种智能的方式反映着周围的环境。通过准确地统计、分析、综合这些数据，提取出其中隐含的知识，并在知识层面进行推理，识别出环境中正在发生的事件，以此能更好地进行决策和快速地采取反应。

智能环境中基于传感数据进行复杂事件识别的方法主要分为知识驱动(datadriven)和数据驱动(knowledge driven)两大类。知识驱动方法主要有逻辑(logic)方法和本体(ontology)方法两类，数据驱动方法主要指概率推理方法，包括隐马尔科夫模型(Hidden Markov Model,HMM)、动态贝叶斯网络(Dynamic Bayesian Network,DBN)、支持向量机(Supported Vector Machine,SVM)和人工神经网络(Artificial Neural Network,ANN)等。知识驱动方法在语义层面建模准确，不会发生过拟合现象，可扩展性强，模型易于在另一智能环境中重用，但是无法有效地处理智能环境固有的数据不确定性问题；数据驱动方法基于大量的传感器数据进行模型的训练和参数的学习，虽然能有效应对数据的不确定性，但可能发生过拟合现象，可扩展性差。

马尔科夫逻辑网(Markov Logic Network,MLN)作为一种优良的统一关系学习框架，具有出色的知识表达能力和不确定性处理能力。在智能环境应用中，马尔科夫逻辑网恰好有效地融合了知识驱动方法和数据驱动方法的优点，成为一种处理复杂事件识别的有力工具。马尔科夫逻辑网实质上是一个规则带有权重的一阶逻辑知识库，可以用来构建马尔科夫网(Markov Network)。在马尔科夫逻辑网上的推理实质上是在生成的闭马尔科夫网上进行，主要包括推测最大可能存在的状态、边缘概率和条件概率计算等问题。目前，利用马尔科夫逻辑网的复杂事件识别研究主要集中在活动识别这一子领域，输入数据通常通过视频、GPS、传感器、RFID等获取，形成了许多领域相关的研究成果。

发明内容

为了提高智能环境中复杂事件识别的准确率，本发明提出一种基于马尔科夫逻辑网提出融合本体模型和概率推理的复杂事件识别方法，主要包含本体模型和概率推理两个部分。在建模阶段，根据领域特征和专家知识，利用本体理论对智能环境中的传感器和事件进行语义建模，同时使用语义规则描述语言(Semantic Web Rule Language,SWRL)对事件之间的时序关系进行描述，得到本体模型。接着，将本体模型转换为对应的马尔科夫逻辑网模型。在实时的事件识别过程中，通过一种基于地点和固定时间间隔的方法分割连续的传感数据，将得到的离散事件序列作为马尔科夫逻辑网模型的输入，进而识别出发生的事件。

本发明至少通过如下技术方案之一实现。

一种基于本体模型和概率推理的复杂事件识别方法，具体步骤如下：

(1)利用本体理论对智能环境中的传感器和事件进行语义建模，再对事件之间的时序关系进行描述，得到本体模型；