本發明涉及一種基于gpb算法的運維多模態決策系統架構
背景技術：
隨著云計算及虛擬化，呈現出“大規模”、“高密度”、“高能耗”、“復雜化”等特點，建設與發展新一代數據中心，提升數據中心基礎設施管理將變得日趨重要，數據中心的基礎架構融合管理與智能將成為數據中心發展的新趨勢。
目前，運維缺乏自動化手段，被動運維，效率低下，大規模it設施帶來管理壓力。需要實現數據中心的自動化監控，提高系統和環境參數的及時告警能力，提高系統和環境異常變化的響應速度和監控水平。使用傳感器和攝像頭等各種手段感知信息，就能實現統一的服務管理軟件平臺。
多源信息融合通過感知部件產生的數據來獲得信息。信息融合涉及多種不同的感知器和不同的執行器，不同的感知設備會產生不同類型的數據。如何有效的融合這些多模態數據進而正確地反映運維的狀態是十分重要的研究課題。
傳感器子系統為環境探測裝置，作用在實時地檢測環境變化并為數據融合子系統提供相關數據；決策支持子系統利用數據融合的結構及時進行勢態估計，該結果又為傳感器管理提供重要依據；傳感器管理子系統根據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整和優化。
攝像頭目標檢測是將目標的狀態作為跟蹤的初始狀態，同時對目標建模，獲取相關特征構造目標的描述模型，然后在后續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，同時利用當前狀態更新目標模型。
固定模型集的最優估計是全假設估計，即考慮每一時刻系統的所有可能模式。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管理技術來建立更有效的非假設樹算法，以保證剩余的假設數量在一定范圍內。所謂廣義偽bayes方法(gpb)，就是在時刻k，進行系統狀態估計時僅考慮系統過去有限個采樣時間間隔內的目標模型歷史。
本發明提供了一種基于gpb算法的運維多模態決策系統架構，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算法進行各自狀態估計，和估計誤差協方差陣；然后計算狀態估計的合成，以及相應的協方差陣；最后是狀態估計與協方差的融合輸出，以實現事故自動預警防范。
技術實現要素：
本發明的目的在于提供一種基于gpb算法的運維多模態決策系統架構。本發明包括以下特征：
發明技術方案
1.一種基于gpb算法的運維多模態決策統架構，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算法進行各自狀態估計，和估計誤差協方差陣；
4)然后計算狀態估計的合成，以及相應的協方差陣；
5)最后是狀態估計與協方差的融合輸出。
附圖說明
圖1是基于gpb算法的運維多模態決策系統架構圖。
具體實施方式
這種基于gpb算法的運維多模態決策系統架構，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算法進行各自狀態估計，和估計誤差協方差陣；
4)然后計算狀態估計的合成，以及相應的協方差陣；
5)最后是狀態估計與協方差的融合輸出。