基于微型传感器节点集群的高校实验室运维状态感知及风险预警平台设计

针对高校实验室综合管控系统存在的若干缺陷,设计了一款基于微型传感器节点集群的高校实验室运维状态感知及风险预警平台。引入微型传感器节点集群获取实验室物理状态变量组,构建实验室运维状态特征池,利用特征池对深度神经网络进行训练,捕获实验室运维风险预警特征,借助主动预警函数输出风险提示,在Pycharm集成开发环境下开展了模型效能仿真验证。以天津市运动生理学与运动医学重点实验室为效能评价载体,对模型进行了工程应用效能分析,初步实现了高校实验室运维状态动态变化场景下的风险准确评估及主动预警,具有物理状态变量信息感知全面、实验室场景动态变化适应性强、主动预警自主决策性高等优势。

基于机器学习的移动客服终端运维状态自主感知方法

在进行终端运维状态自主感知时,大多采用对大量的先验数据统计推理后建立模型,通过数据拟合感知终端运维状态是否存在异常。由于先验数据的可靠性难以保证,导致感知精确度存在局限,感知效率较低。为提高状态感知结果的可靠性,保证终端运维状态感知效果,研究1种基于机器学习的移动客服终端运维状态自主感知方法。利用时间窗对运维状态数据预处理后,使用密度峰值聚类算法(Density Peak Clustering,DPC)与k均值聚类算法(k-means Clustering Algorithm,k-means)识别状态感知兴趣区域。设计多层的感知卷积神经网络(Convolutional Neural Networks,CNN)模型,在双向训练确定参数后,处理感知兴趣区域数据,得到状态感知结果。实验结果表明,应用设计的基于机器学习的方法后感知相对误差减少,感知响应时间大幅缩短,实际应用效果更佳。