基于隐马尔可夫的远程医疗平台上带宽的高可靠实时调度的制作方法

基于隐马尔可夫的远程医疗平台上带宽的高可靠实时调度的制作方法
【专利摘要】本发明涉及远程医疗系统资源分配领域，尤其是涉及一种基于隐马尔科夫的远程医疗平台上带宽的高可靠实时调度方法。可靠和高效的云端虚拟机资源调度能够保证远程医疗系统实施救助的效率。目前的自适应调度方法对于紧急或者普通的情况不能提供高精度的辨识。本发明在典型的远程医疗系统架构的基础上，提出了一个主节点的概念，用以统计储存和传输的效率。同时提出了一个新的方法来预测和分配远程医疗系统环境中虚拟机的带宽。这个方法能够通过收集历史的带宽负载信息来动态调节隐马尔可夫模型中的各个参数。在预测了虚拟机未来的带宽消耗之后，使用一个高性能的调度方法来分配每个虚拟机的带宽。实验结果表明该方法提供了高精度的预测，使带宽分配模块能够在爆发性需求来临之前进行正确的决策。
【专利说明】
基于隐马尔可夫的远程医疗平台上带宽的高可靠实时调度所属

【技术领域】
[0001]本发明涉及远程医疗系统资源分配领域，尤其是涉及一种基于隐马尔科夫的远程医疗平台上带宽的高可靠实时调度方法。

【背景技术】
[0002]在海地和日本的大地震发生之后，对快速应急响应和灾后管理有着很高的要求，使得对紧急事件处理的研究进入新的领域。在一次紧急救援过程中，需要大量来自于远程医疗服务系统的帮助，包括个人医疗信息系统，医疗风险评价体系，导引系统等。作为一个基于云的信息和专家系统，远程医疗系统能够对每个病人提供可靠的和可定制的服务。在软件即服务(Saas)层上，远程医疗系统能够历史和现在的记录来决定如何处理病人的紧急情况，特别是那些慢性的病人。在平台即服务(PaaS)层，数据中心提供的资源，例如，CPU时间，带宽以及存储空间，可以租用给服务提供商让他们自己部署他们的服务。为了减少数据中心的能耗，机器可能运行在空闲状态来节省电费，性能也随之降低。因此，如何准确预测服务需求以及使系统快速的从低能耗状态恢复是一个困难的问题。因为异构的软件/硬件组件以及它们之间的复杂联系，发生错误的几率大大提高。
[0003]传统的可靠性分析包括两种类型的方法:基于测量的方法和基于模型的方法。基于测量的方法能够提供更高的精度。但是决定大量的参数和配置的代价非常高，因此通常对所有系统的设计不都是可行的。基于模型的方法使用非状态空间模型或者状态空间模型来分析复杂系统可靠性。非状态空间模型使用可靠性框图(RBDS)，可靠性图表(re I graphs)以及故障树(FTs)来有效的解决系统可靠性，有效性以及系统平均失效时间。它的缺点是大量的问题会导致在分析过程和结果事件的时候出现连续的短路径，在图的规模增加的时候呈指数规模的增加。状态空间模型能够对组件之间的复杂联系进行建模，比如马尔可夫链。许多系统组件中的依赖关系的数据已经在实践中通过连续时间马尔可夫链进行了观测和捕获。好的远程医疗系统能够提供给用户可靠和有效的服务。一方面，医疗记录，例如个人医疗记录(PHR)，对病人和医院来说都是很敏感的。在访问数据以前，需要在所有服务层级上进行严格的认证使得病人的信息传递给正确的目标。另一方面，硬件和软件的限制将会降低远程医疗服务的性能，本发明关注云端虚拟机的带宽分配，这是在资源调度中最困难的问题之一。不同于以往对组件之间关联的研究，本发明提供给虚拟机一个高可靠性的带宽分配服务，通过一个轻量级的基于测量的方法来演变隐马尔可夫模型中的各个参数，然后通过这个模型来预测未来的带宽消耗。


【发明内容】

[0004]本发明的目的在于提供一种基于隐马尔科夫的远程医疗平台上带宽的高可靠实时调度方法。
[0005]本发明解决其技术难题所采用的技术方案的步骤如下:
[0006]I)基于主节点协议实现在分布式数据中心中传递PHR
[0007]大部分的远程医疗服务是基于数据的统计和分析。因此，分布式计算需要保证个人医疗记录(PHR)的安全性。本发明定义Request Node (RN)是一个请求PHR的节点，ServerNode (SN)是一个提供PHR的节点，Primary Node (PN)响应RN的请求，并且分配一对RN和SN的带宽。
[0008]?数据请求过程，当开始了对病人的服务后，RN使用一个映射函数来找到对应的PN，然后发送PHR的ID给PN。
[0009]?响应过程，PN收到消息之后，将ID哈希映射到一个表中，PN计算出一个关于云端任务分布概率的矩阵，然后将矩阵发回RN，RN通过矩阵选择SN，PN发一个响应消息给RN，一个分配消息给SN。
[0010]?数据传送过程，RN收到概率矩阵之后，它选择最合适的数据中心(DC)作SN，因此来自于BSN的实时生理信号通过RN—>SN一>hospital server路径传输。
[0011]2)带宽测量方法的建立
[0012]在基于云的远程医疗系统中，所有的对PHR的请求可视为RN的随机事件，因为紧急事件的出现具有随机性。使用qu来表示1^到？％的请求。系统中一共具有N个数据中心,可以使用矩阵Qnxn来描述系统中请求发送的概率。例如,在一个4个DC的系统中，向量q= (qi,0) QmjQ1,,, q, 3)是其中的一行。矩阵Q包含了数据传输信息的概率矩阵，因此当来自RNi的请求能够发送到最近的DC，那么整个系统的带宽消耗将会降低。
[0013]使用同样的方法来表不响应概率分布。使用矩阵Pnxn来表不PN和SN之间的联系。其中的项P^t表示了在SNk上找到PHR副本的概率。
[0014]对于基于内存的数据一致性协议，同步通常是一个消耗非常大的操作。在数据传输开始前，RN需要到在PN上进行目录项的查找。意味着在PN搜索完成之前，RN不知道哪个SN是有效的。另一方面，PN在进行搜索的时候，它不需要考虑RN的位置。使用REQy来表示管理节点i发送请求到DC节点j的随机事件,FOUNDj，k表示节点j在节点k上找到了所需数据，这两个事件在统计上互相独立:
[0015]Pr (REQi；J H FOUNDj.k) =Pr(REQijj)Pr(FOUNDjjk) (I)
[0016]设计的最终目标是传送实时生理信号从RNi到SNk，这个事件的概率，称为TRANSijk:
[0017]

N-1
Pr( TRANS,k)~ Σ Pr( RE()\,\ )Pr( 1l \[)j,l<)' 2 ?

J=O
[0018]使用矩阵Wnxn来表示系统传输的分布概率，W = QP (3)
[0019]元素Wi，k表示RNi到SNk的传输概率。
[0020]3)基于隐马尔可夫模型(HMM)的宽带预测方法
[0021]在系统唤起过程中，一个激励源持续的增加组件的活动。相反，当负载降低的时候，使用一个激励源来减少资源供应。定义这个激励源为自适应的HMM，通过分析历史的带宽使用调整参数来预测将来的带宽消耗。HMM的优点在于不仅仅学习带宽消耗的习惯，同时保留了习惯改变的假设。
[0022]目标函数和上下文中用到的参数和变量定义如下:
[0023]隐藏状态集合H = {u，d, k}用来衡量带宽消耗结果，ht e H表示在t时刻的隐藏状态。如果ht = U意味着在t时刻带宽消耗增加，系统需要分配更多的带宽，如果ht = d表示在t时刻带宽消耗较少，需回收一些带宽，如果ht = k表示系统处于稳定状态。
[0024]定义一个观察状态集合O = {U, D, K}, ot e O表示在t时刻的观察值，0t e U表示预测隐藏状态为u，D和K同上。
[0025]作为普通的马尔可夫链，隐藏状态从一个状态转移到另一个状态。使用
A — (?, U? %，d，^u, k ?^k, U? ^d, d? ^d, k ?^k, u?

ak?dJ ak?k)来表示u，d，k状态之间的转移的矩阵。 B — (bu，u，bu，D，bu，K ;bd，u，bd，D，bd，K ；bk?UJ bk，D，bk，K )是观测矩阵。
[0026]同时定义了前向变量at(i)和反向变量i3t(i)
[0027]a t(i) =P [O1O2...0t, ht = Hi (A, B, π ) ] (4)
[0028]β t(i) =P [ot+1ot+2...0T I ht = Hi I (A, B, n )]
[0029]这里Hi e H在本方法中还用了另外两个变量:ξ t (i，j)和Y t (i)。ξ t (i, j)表示在模型(A，B, π )以及观测序列O1O2...0t的条件下，在t时刻处于Hi以及在t+Ι时刻处于Hj的概率。Yt(i)表示在t时刻处于氏的概率。定义如下:
[0030]ξ t (i, j) = P [ht = Hi, ht+1 = Hj | O1O2...0T, (A, B, π ) ] (5)
[0031 ] Y t(i) = P[ht = Hi O1O2...0T, (A, B, π )]
[0032]图1显示了宽带预测方法的细节。在系统中，历史带宽消耗(u，d，k)的序列被作为隐藏状态。对应的预测结果(U，D，K)被作为观测状态，长度为T。方法计算了变量at(i)和βta)，并在此基础上计算ita，j)和Ytα)。新的HMM参数可以通过ita，j)和Yta)获得。选择最可能的模型参数来预测T+1时刻的隐藏和观测状态。
[0033]方法第一步初始化所有的HMM参数为1/3,因为总共存在3种状态。第二步和第三步递归的计算了前向和反向变量。第四步对时间(t，t+l)的状态计算了 ξ，分子为P(ht=Hi, ht+1 = Hj, OI (A, B, Ji)),分母为 P (O I (A，B，π ))。第五步则是通过把所有的 ξ t (i, j)对于j的求和得到Yt(i)。第六步到第八步则是用于调整HMM参数的操作。新参数为(λ,' B')，使用Y1 (t)来表示在初始时刻隐藏状态为Hi的期望值。第七步中的公式表示了从隐藏状态Hi到&的转移概率。第八步的公式模型处在隐藏状态&时观察符号为Ok的概率。第九步预测T+1时刻可能性最高的隐藏和观察状态。
[0034]数据:隐藏序列Ii1Ii2...ht,观测序列O1O2...0t。
[0035]结果:隐藏序列Ii1Ii2...ht和观测序列O1O2...0t在T+1时刻的预测。
[0036]第一步:初始化A。，B0, 31
[0037]ai； j = 1/3，by = 1/3，π i = 1/3
[0038]第二步:计算向前变量α
[0039]a l (i) = Ji j.bj, O1, i = I, 2, 3 ；
[0040]CU i(j) = /，,.《1.1卜丨”?(/)?//:'/，t=2, 3，…，T，j=l，2, 3
[0041]第三步:计算向后变量β
[0042]β T(i) =l,i = l,2,3；
[0043]//⑴=Z,.十 /.A,.".χ.βι \ i(j), t=T-l, T-2,...1, i=l，2, 3
[0044]第四步:基于α，β对时间(t，t+1)的状态计算ξ

aK\)'a1.；rbj.0, I 1.βι \ i(j)
[0045]ζ?{1，力—^ ^7 7) T7T

Σ/.1,2,3 Σ,.1,2,3 α,(?).aL j.bj-°….片 + 1CO
[0046]第五步:基于ξ计算出Υ
[0047]7屮)=Σ/=ι236(1，』)，2，…’ T，i=l，2，3
[0048]第六步:生成一个新初始状态的数组'
[0049]Ti ' = Y ! (i), i = I, 2, 3
[0050]第七步:生成一个新矩阵A'
[0051]a'ij = ^~J- , h j=l，2，3
Σ』(?)
[0052]第八步:生成新的预测矩阵B'
[0053]b ,=厶,，ο,⑴，j= I, 2，3, Ch eO
[0054]第九步:通过a' u预测下一个隐藏序列hT+1，通过b',,,预测下一个观察状态
Oj+i? 返回 hT+1 和 οτ+1
[0055]4)高可靠实时调度的宽带分配模块
[0056]本发明使用最近的T个状态来进行HMM模型的决策，因此存在一个长度为T的滑动窗口。首先，OT被替换为上一次的带宽消耗。在这步中，一个带宽测量模块用来与云端交互来获得请求矩阵和响应矩阵。同时计算传输矩阵W。通过这个矩阵，该模块能一对节点的带宽消耗，同时根据所得结果来设置状态为U，D或者K。
[0057]在替换了 Ot后，窗口向前滑动一步，同时调整HMM模型参数为(Α，' B' , π / )。在实现中，使用一个慢启动方法来分配节点之间的带宽。

【专利附图】

【附图说明】
[0058]图1宽带预测方法细节
[0059]图2紧急情况发生时预测方法的性能带宽消耗

【具体实施方式】
[0060]I)平台与实现。
[0061 ] 本发明进行了一系列的实验来将本发明的带宽分配方法和其他方法进行比较，并分析在敏感性，可靠性以及响应时间方面的的性能。实现了一个包括了 256个BSN和16个DC的仿真平台.每个BSN随机的发送数据到DC，DC的代理完成带宽请求的分析。同时还实现了另外4种方法:平均预测(Average Predic-t1n, AP),权值预测(WeightedPredict1n, WP),最近平方预测(Last Squares Predict1n, LSP)和随机预测(RandomPredict1n, RP)。
[0062]2) T:敏感因子
[0063]历史记录的长度对模型的敏感性有着重要的影响。定义敏感性为实际的带宽消耗

C(T)-M
以及预测值之间的差别:。厘是带宽消耗的测量值，AM是M的变化

AM
值，C(T)是通过模型所计算出来的值。例如，当M在短时间内急剧增加，C(T)如果反应较小，那么系统的敏感系数为负值，同样如果反应比较大就为正值。当M减小，AM为负值，稳定的C(T)使敏感因数为负，结果仍然正确。最理想的敏感因数为I。
[0064]T的长度表示了有多少个历史状态用来调整HMM模型，M的一个突然变化不会被模型所响应直到大多数历史状态显示带宽需求已经改变。在这种情况下，响应就延迟了。另外一方面，太短的T会使模型过于敏感，M的一个很小的变化可能导致很多带宽的分配和回收。这种情况下响应时间很短，但系统资源消耗很大。使用一个较小的T(T = 4)来设置算法，模型对于真实数据显得非常敏感。其因数为1.73，远高于I。可能会造成很多带宽的分配和回收工作，当T = 16，敏感因数为0.45，对于突发情况的响应很慢。当T = 8，就比较合适，其因数为1.27，说明对T的调整可以很好的改变模型的敏感性。
[0065]3)可靠性
[0066]一个高可靠的远程医疗系统能够为未来的带宽消耗提供精确的预测。使用测量值和预测值之间的距离来定义模型的可靠性:i'elkibUty = lt\Mt-Ci f。Mt和Ct为t时刻的测量值和预测值。如果模型拥有较低可靠性，就意味值更高的精确性。与其他4种方法进行了比较。AP是最简单的预测方法，通过前m个时间段的平均值来预测。带宽的实时信号是局部静止与一个缓慢变化的平均值。WP是基于权值的预测方法，以一种更灵活的方式来对历史记录的进行加权计算。因为最近的带宽值可能会比旧值更重要。因此，在实践中，力口权因子是经常选择的是分配更多的权重给最新的值，减少旧值的权重。LSP是最小二乘法，这是一种标准的方法来描述一个值序列的趋势。它的主要思想是最大限度地减少了在每一个方程的结果误差的平方和。RP增加了一个高斯随机误差上的平均预测结果，其中，该模型会尝试猜测未来的带宽消耗。
[0067]本发明选择了 15种请求发送模式来引导每个BSN发送请求，对于每个请求发送模式，在一个时间段内随机时间点上产生请求，这里的随机时间来自随机数的方法的一个随机时间产生。例如，用均匀随机的情况下，请求发送时间是在一个区间的均匀分布，因为是由一个均匀随机变量生成的时间。
[0068]结果显示，在四大传统方法，AP和RP有测量和预测值之间的最长距离。LSP在带宽分配最佳的可靠性，平均情况下有着AP可靠性66.7%的水平。本发明HMM算法得到的值比LSP距离更短，平均只有AP可靠性52.5%的水平。最坏的情况下会出现在经验随机中，其中，64%的比例仍比LSP平均情况要低一点。
[0069]RP的预测方法不能获得足够好的可靠性，因为猜测的过程是过于武断。例如，当带宽需求不断增加，RP的方法也有50%的概率，减少带宽提供，所以它无法从历史记录参考。WP比RP好，因为它通过总结历史值计算权重。LSP的方法有着更高的可靠性，这主要来自于分析的历史价值，产生一个线性函数在未来进行预测。然而LSP的缺点是，它没有猜测特征，如RPl。因此没有机会使LSP在紧急事件处理时做出转换的决定。在HMM模型中，历史记录是用来进化模型参数，同时，基于随机过程的模式提供了机会来猜测不确定的未来。当猜测是正确的，它会被鼓励继续猜测，否则，概率模型能够迅速恢复。
[0070]4)响应延迟
[0071]远程医疗系统的设计应该能够在大量请求到来之前分配资源。对于紧急事件管理，爆发式请求来自于大量的BSN网络。一般来说，有两个阶段在紧急情况下的带宽消耗:指数式增长和表状态。在指数生长阶段，没有限制的请求的生成，因而，带宽消耗能够以一种非常快速的模式增长，例如指数级增加生长。在硬件资源耗尽的情况下就不能再增长了，例如缓存的耗尽或是达到路由器的最大工作带宽。在这种情况下，带宽消耗值将保持稳定，并且额外的请求将被丢弃。
[0072]—个良好的带宽预测方法应尽快推动分配模块，以释放网络资源识别带宽的变化。同时，它可以从带宽值中的噪声避免干扰，这将减少资源管理的操作。图2显示了当紧急情况发生时，这些预测方法的性能带宽消耗。黑色曲线是测量实时带宽消耗。在时刻21之前，请求数量是呈指数增长阶段。在此之后，请求数在表态阶段。由图可知，所有的五个预测方法可以跟上实际值的变化趋势。然而，AP，WP，LSP和RP无法看未来的呈指数增长的井喷请求。换句话说，他们无法预先感知到变化，直到变化已经出现了一段时间。这四种方法有着不同的时间延迟。AP的方法有大约3ticks的最长的时间延迟，而WP方法减少到了约2个tick。LSP的方法只需要I个滴答的时间延迟，其中有四种方法中最好的性能。RP方法的性能很不稳定。最大延迟时间是15ticks,而最小的延迟几乎为零。对于HMM算法，资源分配总是在请求到来之前。此外，在良好的窗口长度(T = 8)下，保证了测量值的噪声不能造成预测值的过度反应，所以在表态阶段的HMM是稳定的。
【权利要求】
1.一种基于隐马尔科夫的远程医疗平台上带宽的高可靠实时调度方法，其特征在于该方法的步骤如下: 1)基于主节点协议实现在分布式数据中心中传递PHR 籲数据请求过程:当开始了对病人的服务后，RN使用一个映射函数来找到对应的PN，然后发送PHR的ID给PN ； ?响应过程:PN收到消息之后，将ID哈希映射到一个表中，PN计算出一个关于云端任务分布概率的矩阵，然后将矩阵发回RN，RN通过矩阵选择SN，PN发一个响应消息给RN，一个分配消息给SN ； ?数据传送过程:RN收到概率矩阵之后，它选择最合适的数据中心(DC)作SN，因此来自于BSN的实时生理信号通过RN—>SN一>hospital server路径传输； 2)带宽测量方法的建立 使用k来表示RNi到的请求，使用矩阵Qnxn来描述系统中请求发送的概率，使用矩阵Pnxn来表示PN和SN之间的联系，其中的项P」，，表示了 PNj在SNk上找到PHR副本的概率，使用REQy来表示管理节点i发送请求到DC节点j的随机事件，FOUNDj，k表示节点j在节点k上找到了所需数据，这两个事件在统计上互相独立:
Pr (REQi；j H F0UNDJ；k) = Pr (REQi；J)Pr (FOUNDj.k) (I) 最终目标是传送实时生理信号从RNi到SNk，这个事件的概率，称为TRANSu:
N-1Pr ( TRA 斷)~ Σ Pr( REQl]) Pr( 1l.\[)j,k)'2)
j=o 使用矩阵Wnxn来表不系统传输的分布概率，
W = QP (3) 元素wi;k表示RNi到SNk的传输概率； 3)基于隐马尔可夫模型(HMM)的宽带预测方法 定义激励源为自适应的HMM，通过分析历史的带宽使用调整参数来预测将来的带宽消耗； 目标函数和上下文中用到的参数和变量定义如下: 隐藏状态集合H= {u，d，k}用来衡量带宽消耗结果，ht e H表示在t时刻的隐藏状态，ht = u意味着在t时刻带宽消耗增加，系统需要分配更多的带宽，ht = d表示在t时刻带宽消耗较少，需回收一些带宽，ht = k表示系统处于稳定状态； 定义一个观察状态集合O = {U, D, K}, ot e O表示在t时刻的观察值，ot e U表示预测隐藏状态为u，D和K同上，作为普通的马尔可夫链，隐藏状态从一个状态转移到另一个状态，使用 A = (au，u, au d, au，k ;ad，u, ad，d, ad k ;ak，u, ak，d, ak，k)来表不 u, d, k 状态之间的转移的矩阵，B — (bu，u, bu，D, bu，K ;bd，u, bd，D, bd，K ；bk；u, bk，D, bk，K)是观测矩阵； 同时定义前向变量at(i)和反向变量i3t(i)
a t (i) =P [O1O2...0t, ht = Hi I (A, B, π )]
β t (i) =P [ot+1ot+2...0T I ht = Hi I (A, B, π )] (4) Hi e H在本方法中还用了另外两个变量:lt(i，j)和Yt(i)，lt(i, j)表示在模型(A, B, π )以及观测序列O1O2...0t的条件下，在t时刻处于Hi以及在t+Ι时刻处于Hj的概率，? t (i)表示在t时刻处于Hi的概率，定义如下:
It (i, j) = P [ht = Hi, ht+1 = Hj I O1O2...0T, (A, B, π ) ] (5)
Yt(i) =P IX = Hi I O1O2...0T, (A, B, 3i)] 在系统中，历史带宽消耗(U，d，k)的序列被作为隐藏状态，对应的预测结果(U，D，K)被作为观测状态，长度为T，方法计算了变量at(i)和β t (i)，并在此基础上计算€t(i，j)和Yt(i)，新的HMM参数可以通过€t(i，j)和Yt(i)获得，选择模型参数来预测T+1时刻的隐藏和观测状态； 方法第一步初始化所有的HMM参数为1/3,因为总共存在3种状态,第二步和第三步递归的计算了前向和反向变量，第四步对时间(t，t+1)的状态计算ξ，分子为P Oit = Hptvi=Hj, OI (Α，B，π ))，分母为P (O I (Α，B，π ))，第五步通过把所有的ξ t (i, j)对于j的求和得到Yt (i)，第六步到第八步则是用于调整HMM参数的操作，新参数为(A，' B'，π ')，使用Y i (t)来表示在初始时刻隐藏状态为Hi的期望值，第七步表示从隐藏状态Hi到民的转移概率，第八步的公式模型处在隐藏状态&时观察符号为Ok的概率，第九步预测T+1时刻可能性最闻的隐减和观察状态；
数据:隐藏序列Ii1Ii2...ht，观测序列O1O2...0t 结果:隐藏序列Ii1Ii2...ht和观测序列O1O2...0t在T+1时刻的预测 第一步:初始化A0, B0, 31
ai；J = 1/3, bi；J = 1/3, η t = 1/3 第二步:计算向前变量α
α ! (i) = π j.bj, O1, i = I, 2, 3 ；
at + i(j) =bj,o,*\-? ,a:{i)cu,j, t=2, 3，T，j=l，2，3 第三步:计算向后变量β β τ⑴=Li = 1,2,3；
βι(\) = ^,Cu., ■ bj.ο, + ι.βι + \(}), t=T-l, ?-2,…1，i=l，2, 3 第四步:基于α，β对时间(t，t+1)的状态计算ξ
?CCnu.Cl1.j ' hi, οι I.βι I l(j) ,U'J) ΣμΧ:。产).旬.“+ 1 ⑴ 第五步:基于ξ计算出Y 汐《 =j)，户1，2，…，T，i=l, 2，3 第六步:生成一个新初始状态的数组η '
Tl 1 = Y I (i)? I = 1,2,3
第七步:生成一个新矩阵A' a'ij = -，i，j=l，2, i 第八步:生成新的预测矩阵B'
T
/Yt{j) b'j,k =——，j=l，2，3, CkeO
Σ；=ι^) 第九步:通过a' U预测下一个隐藏序列hT+1，通过b' U预测下一个观察状态οτ+1，返回h:+i和〇τ+ι ο
【文档编号】H04L29/08GK104202352SQ201410325828
【公开日】2014年12月10日 申请日期:2014年7月8日 优先权日:2014年7月8日
【发明者】郭兵, 沈艳, 王继禾, 陈辉, 李君科, 李德光, 陈英超, 马群, 黄勇 申请人:四川大学