CN103368788B - 信息处理设备、信息处理方法和计算机可读记录介质 - Google Patents
信息处理设备、信息处理方法和计算机可读记录介质 Download PDFInfo
- Publication number
- CN103368788B CN103368788B CN201310092697.5A CN201310092697A CN103368788B CN 103368788 B CN103368788 B CN 103368788B CN 201310092697 A CN201310092697 A CN 201310092697A CN 103368788 B CN103368788 B CN 103368788B
- Authority
- CN
- China
- Prior art keywords
- data
- master reference
- measurement
- sensor
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/34—Power consumption
Abstract
提供一种信息处理设备、信息处理方法和计算机可读记录介质。该信息处理设备包括:主传感器,主传感器是至少以两个操作等级操作并获取预定数据的传感器;副传感器,副传感器是获取与主传感器的数据不同的数据的传感器;以及信息量计算单元,其根据由副传感器获得的数据预测由主传感器执行测量时的信息量和未由主传感器执行测量时的信息量之间的差,并且基于预测结果决定主传感器的操作等级。
Description
技术领域
本技术涉及一种信息处理设备、信息处理方法和程序,尤其涉及一种能够驱动和控制传感器从而在减小测量成本的同时最大程度地提取信息的信息处理设备、信息处理方法和程序。
背景技术
在诸如智能电话的移动设备中安装各种传感器以方便其使用。已经开发了利用由这种安装的传感器获得的数据向用户提供定制服务的应用。
然而,当操作传感器时通常会导致测量成本。例如,在传感器测量期间消耗的电池的耗电可典型地作为测量成本示例。为此,如果总是操作传感器,测量成本累积,因此,存在与单个测量的成本相比测量成本太大的情况。
在相关领域中,在用于收集由多个传感器检测到的信息的传感器网络上的传感器节点上,存在控制被配置为优选地传输具有大贡献的传感器信息的多个传感器的方法(例如,参考日本未审专利申请公报2007-80190号)。
发明内容
然而,存在的多种情况是具有大贡献的传感器信息(诸如数据准确度高的信息或者频繁执行测量的信息)通常引起高测量成本。此外,存在当仅预测可能从多个传感器获取的数据并且预测不准确时难以获得期望的正确信息的可能性。因此,认为在日本未审专利申请公报2007-80190号中公开的相关技术的方法没有对测量成本的减小作出贡献或者降低了准确度。
期望本技术驱动和控制传感器,从而在减小测量成本的同时最大程度地提取信息。
根据本技术的实施例,提供了一种信息处理设备,包括:主传感器,该主传感器是至少以两个操作等级操作并获取预定数据的传感器,其中,操作等级包括主传感器的开启和关闭;副传感器,该副传感器是测量与主传感器测量的数据相关联的数据,并且输出能够补充使用、从而代替主传感器进行测量的数据的传感器;以及信息量计算单元,其在副传感器执行测量的情况下,根据由副传感器获得的数据预测由主传感器执行测量时的信息量和未由主传感器执行测量时的信息量之间的差,并且基于预测结果决定主传感器的操作等级。
根据本技术的另一种实施例,提供了一种信息处理设备的信息处理方法,该信息处理设备包括:主传感器,主传感器是至少以两个操作等级操作并获取预定数据的传感器,其中,操作等级包括主传感器的开启和关闭;以及副传感器,副传感器是测量与主传感器测量的数据相关联的数据,并且输出能够补充使用、从而代替主传感器进行测量的数据的传感器,该方法包括步骤:在副传感器执行测量的情况下,根据由副传感器获得的数据预测当由主传感器执行测量时的信息量和当未由主传感器执行测量时的信息量之间的差,并且基于预测结果决定主传感器的操作等级。
根据本技术的再一实施例,提供了一种记录有程序的计算机可读记录介质,该程序用于使处理由主传感器和副传感器获取的数据的计算机执行以下功能,其中,主传感器是至少以两个操作等级操作并获取预定数据的传感器,操作等级包括主传感器的开启和关闭,副传感器是测量与主传感器测量的数据相关联的数据,并且输出能够补充使用、从而代替主传感器进行测量的数据的传感器:在副传感器执行测量的情况下,根据由副传感器获得的数据预测当由主传感器执行测量时的信息量和当未由主传感器执行测量时的信息量之间的差,并且基于预测结果决定主传感器的操作等级。
根据本技术的实施例,预测当由主传感器执行测量时的信息量和当未由主传感器执行测量时的信息量之间的差以基于预测结果决定是否执行由主传感器进行的测量。
请注意:能够通过经由传输介质传输或记录在记录介质上提供程序。
信息处理设备可以为独立设备或者是组成一个设备的内部块。
根据本技术的实施例,可以驱动和控制传感器,从而在减小测量成本的同时最大程度地提取信息。
附图说明
图1是示出应用本技术的测量控制系统的实施例的配置示例的框图;
图2是示出时间序列数据的示例的图;
图3是示出时间序列数据的另一示例的图;
图4是示出隐马尔可夫模型的状态转移图的图;
图5是示出隐马尔可夫模型的转移表的示例的图;
图6是示出存储隐马尔可夫模型的观测概率的状态表的示例的图;
图7A和图7B是示出存储隐马尔可夫模型的观测概率的状态表的示例的图;
图8是描述创建副数据的状态表的示例的图;
图9是仅示出与来自图1的主传感器的控制相关的部分的框图;
图10是描述测量熵计算单元的处理的图;
图11是描述通过状态概率预测单元的预测计算的格架图;
图12是描述测量熵计算单元的处理的图;
图13是描述信息熵的差的近似计算方法的图;
图14是示出变量转换表的示例的图;
图15是描述感测控制处理的流程图;
图16是描述数据恢复处理的流程图;以及
图17是示出应用了本技术的计算机的实施例的配置示例的框图。
具体实施方式
测量控制系统的配置示例
图1示出应用了本技术的测量控制系统的实施例的配置示例。
图1所示的测量控制系统1被配置为包括:包括K个传感器10的传感器组11、定时器12、副传感器控制单元13、测量熵计算单元14、主传感器控制单元15、主数据估计单元16、数据累积单元17、数据恢复单元18以及模型存储单元19。
包括在传感器组11中的K个传感器10可以被分成K-1个副传感器10-1至10-(K-1),以及一个主传感器10-K。测量控制系统1控制由主传感器10-K进行的测量是否利用K-1个副传感器10-1至10-(K-1)的测量数据执行。请注意:下文中,当不是特别需要区分副传感器10-1至10-(K-1)中的每一个时,将它们称作副传感器10,并且主传感器10-K也将简单地称作主传感器10。
副传感器10-1至10-(K-1)(K≥2)中的每一个具有开启和关闭两个操作等级,并且根据副传感器控制单元13的控制以预定操作等级操作。副传感器10-1至10-(K-1)(K≥2)中的每一个是测量与由主传感器10测量的数据具有关联的数据,并且输出能够补充地使用的数据代替主传感器10进行测量的传感器。
例如,当主传感器10为安装在诸如智能手机的移动设备中的全球定位系统(GPS)传感器时,副传感器10可以被配置为例如加速度传感器、地磁传感器、气动传感器等的传感器。
请注意:由于副传感器10可以是能够获得与由主传感器10测量的数据具有关联的数据的传感器,因此可能通常不称作传感器。例如,如果主传感器10是获取位置数据的GPS传感器,则获得小区的(通信基站)的ID、区号、扰码、接收强度的信号强度(RSSI)、导频信号的信号强度(RSCP)、无线LAN的无线电波强度,或者有助于位置计算的其它信号的设备也可以被设定为副传感器10。小区(通信基站)的信息不局限于指示正在执行通信的基站的服务小区,而也可以用于邻近小区,邻近小区是不执行通信但是能够被检测到的基站。
主传感器10是用于获得用作原始测量目标的数据的传感器。主传感器10例如是上述GPS传感器,其安装在诸如智能电话的移动设备上以便获取当前位置(包括纬度和经度)。
主传感器10具有开启和关闭两个操作等级,并且根据主传感器控制单元15的控制以预定操作等级操作。如果主传感器10能够通过利用副传感器10的测量数据替代而暂停测量,则主传感器10是对测量控制系统1有益的传感器。换言之,当执行由每个传感器10进行的测量时引起的电池的耗电和CPU的处理负载被考虑为测量成本时,主传感器10的测量成本高于副传感器10中的任意一个的测量成本。请注意:在本实施例中,存在主传感器10的两个操作等级,即开启和关闭,但是开启的操作等级可以进一步细分成高、中和低。换言之,主传感器10可至少具有两个操作等级。
定时器12是由副传感器控制单元13使用的时钟(计数器),以测算测量时间并且向副传感器控制单元13提供指示经过的时间的计数值。
副传感器控制单元13基于定时器12的计数值以预定时间间隔获取由K-1个副传感器10测量的数据,并且将数据提供给测量熵计算单元14和数据累积单元17。请注意:K-1个副传感器10无需以相同的时间间隔获取数据。
测量熵计算单元14利用从模型存储单元19提供的学习模型和由副传感器10获得的数据计算当执行主传感器10的测量时的信息量(信息熵)和当未执行主传感器10的测量时的信息量(信息熵)的差(信息熵的差)。然后,测量熵计算单元14基于所计算的信息量的差决定主传感器10是否操作以执行测量,并且然后将决定的结果提供给主传感器控制单元15。
也即是说,当由主传感器执行测量时的信息量和当未由主传感器执行测量时的信息量的差较大时,换言之,当通过使得主传感器10操作获得的信息量较大时,测量熵计算单元14决定使得主传感器10操作。另一方面,当即使操作主传感器10获得的信息量也较小时,决定不操作主传感器10。请注意:在本实施例中采用隐马尔可夫模型作为学习模型,在该学习模型中,学习过去获得并且存储在模型存储单元19中的时间序列数据。将在下面描述隐马尔可夫模型。
当由测量熵计算单元14决定主传感器10操作时,主传感器控制单元15使主传感器10操作以由主传感器10获取数据,并且将数据提供给数据累积单元17。
主数据估计单元16基于由副传感器10在时间t处测量的数据,估计当在时间t处未执行主传感器10的测量时在时间t之前已经累积的时间序列数据以及未由主传感器10测量的数据。例如,主数据估计单元16根据多个检测到的小区的位置和信号强度代替由GPS传感器在时间t处测量的位置信息估计当前值。主数据估计单元16估计待由主传感器10测量的数据的时间是当由测量熵计算单元14通过使主传感器10操作获得的信息量较小时。因此,即使利用由副传感器10获得的数据产生待由主传感器10获得的数据,在获得的信息量方面也没有显著的差别,因此,能够产生与从主传感器10的测量中获得的数据具有相同准确度的数据。
数据累积单元17存储从副传感器控制单元13提供的数据(下文中,称作副数据)以及从主传感器控制单元15提供的数据(下文中,称作主数据)。数据累积单元17以短的时间间隔或以给定量累积由副传感器10和主传感器10测量的数据,并且将累积的时间序列数据提供给数据恢复单元18,该短的时间间隔诸如为对于诸如一天的给定时间段的一秒或一分钟的间隔。
请注意:依据测量的状态,存在难以获取数据的情况,例如,当GPS传感器在隧道内部执行测量时,就像作为副传感器10和主传感器10的测量结果的时间序列数据中的一部分丢失的情况。
当以给定时间段或以给定量累积的时间序列数据中的一部分丢失时,数据恢复单元18将维特比(Viterbi)算法应用于时间序列数据,以执行数据恢复处理来恢复丢失的数据。Viterbi算法是用于从给定时间序列数据和隐马尔可夫模型估计最可能的状态序列的算法。
另外,利用累积的时间序列数据,数据恢复单元18更新存储在模型存储单元19中的学习模型的参数。请注意:在更新学习模型中,可以使用丢失的数据已经被恢复的时间序列数据,或者可以在不改变的情况下使用累积的时间序列数据。
模型存储单元19存储学习模型的参数,在该学习模型中,利用由主传感器10和副传感器10在过去获得的时间序列数据学习主传感器10和副传感器10的关联以及主传感器10和副传感器10中的每一个的时间上的(temporal)转移。在本实施例中,采用隐马尔可夫模型(HMM)作为学习模型,并且将隐马尔可夫模型的参数存储在模型存储单元19中。
请注意:用于学习由主传感器10和副传感器10在过去获得的时间序列数据的学习模型不局限于隐马尔可夫模型,可以采用其它学习模型。此外,模型存储单元19可以将由主传感器10和副传感器10在过去获得的时间序列数据在不改变的情况下存储为数据库,或者可以直接使用。
通过数据恢复单元18利用在数据累积单元17中新累积的时间序列数据更新存储在模型存储单元19中的学习模型的参数。也即是说,将数据增加到存储在模型存储单元19中的学习模型中,或者扩展数据库。
在如上配置的测量控制系统1中,基于由副传感器10获得的数据计算当由主传感器10执行测量时的信息量和当未由主传感器10执行测量时的信息量的差。然后,当从主传感器10的测量中获得的信息量被确定为较大时,控制主传感器10操作。
此处,当作为副传感器10操作时引起的成本的测量成本低于当主传感器10操作时引起的测量成本时,并且仅当通过主传感器10操作获得的信息量较大时,主传感器10操作。相应地,主传感器10能够被驱动和控制为使得在减小测量成本的同时最大程度地提取信息。
下文中,将描述测量控制系统1的每个单元的细节。
时间序列数据的示例
图2示出由主传感器10和副传感器10获得的时间序列数据的示例。
为了利用上述示例进行描述,由主传感器10获得的主数据例如是从GPS传感器获取的经度和纬度的数据。为了利用上述示例进行描述,由副传感器10获得的副数据例如是利用小区的ID、信号强度、加速度传感器、地磁传感器等获得的数据。
请注意:副传感器控制单元13可以处理由副传感器10输出的数据,以容易地替代原本打算获得的主数据使用,并且输出处理的数据以进行存储。例如,副传感器控制单元13可以根据直接从加速度传感器或地磁传感器获得的数据计算运动距离矢量(测程法),并且将矢量作为副数据1输出,以进行存储。此外,例如,副传感器控制单元13可以根据服务小区的小区ID、RSSI(接收强度)以及RSCP(导频信号的信号强度)的对的数据,以由服务小区的位置的中心值和方差值表达的形式处理服务小区的通信区域,并且将数据作为副数据2输出以进行存储。图2中示出的示例被设定为具有两种类型的副数据,但是副数据类型的数量不受限制。
图3示出由主传感器10和副传感器10获得的时间序列数据的另一示例。
由于主传感器10和副传感器10不能一直获取数据,存在图3中示出的主数据和副数据包括丢失的数据的情况。在本实施例中,当存在数据遗漏时,测量熵计算单元14利用包括遗漏而未改变的数据计算信息熵的差。然而,当存在数据遗漏时,测量熵计算单元14可以首先将数据提供给数据恢复单元18,补充数据的丢失部分,并且使用经补充的时间序列数据来计算信息熵的差。
隐马尔可夫模型
将结合图4至图8描述对由主传感器10和副传感器10获得的时间序列数据进行建模的隐马尔可夫模型。
图4为隐马尔可夫模型的状态转移图。
隐马尔可夫模型是利用隐层中的状态的转移概率和观测概率为时间序列数据建模的概率模型。例如,在Yoshinori Uesaka and Kazuhiko Ozeki,Bun-ichi Sogo Shuppan写的“Algorithm for Pattern Recognition and Learning”和C.M.Bishop,SpringerJapan等写的“Pattern Recognition and Machine Learning”中描述了隐马尔可夫模型的细节。
图4示出状态S1、状态S2和状态S3的三个状态以及转移T1至T9的九个转移。由三个参数定义转移T中的每一个,即指示转移之前的状态的开始状态、指示转移之后的状态的结束状态以及指示状态从开始状态被转移到结束状态的概率的转移概率。此外,每个状态具有观测概率,该观测概率指示每个标号被取作参数的概率,基于该参数,采用其数据预先决定的离散标号。因此,这种参数存储在模型存储单元19中,其中隐马尔可夫模型被存储为学习由主传感器10和副传感器10在过去获得的时间序列数据的学习模型。状态的参数根据数据的配置而不同,换言之,根据数据空间(观测空间)是离散空间还是连续空间而不同,下面将结合图6、图7A和图7B描述。
图5示出转移表的示例,在该转移表中,存储了隐马尔可夫模型的每个转移t的开始状态、结束状态和转移概率的参数。
图5中示出的转移表存储在给出了用于标识每个转移t的转移编号(序列号)的状态下的每转移t的开始状态、结束状态、转移概率。例如,第t个转移指示从状态it到状态jt的转移,并且其概率(转移概率)是aitjt。请注意:转移概率被针对具有相同的开始状态的转移标准化。
图6、图7A和图7B示出存储有作为状态S的参数的观测概率的状态表的示例。
图6示出当数据空间(观测空间)为离散空间时,换言之,当数据采用离散标号中的任意一个时存储每个状态的观测概率的状态表的示例。
在图6所示的状态表中,采用每个标号的概率被存储为以预定顺序赋予隐马尔可夫模型的每种状态的状态编号。存在N个状态S1,…,Si,…,和SN,并且在数据空间能够采用的标号为1,…,j,…,和K。在这种情况下,例如,在第i个状态Si采用标号j的概率为pij。然而,该概率pij被标准化为相同的状态Si。
图7A和图7B示出状态表的示例,在该状态表中,存储当数据空间(观测空间)为连续空间时,换言之,当数据采用连续标号并且还遵循对于每种状态预先决定的正态分布时的每个状态的观测概率。
当数据采用连续标号并且遵循对于每种状态预先决定的正态分布时,代表每个状态的正态分布的正态分布的中心值和方差值被存储为状态表。
图7A是存储每个状态的正态分布的中心值的状态表,并且图7B是存储每个状态的正态分布的方差值的状态表。在图7A和图7B的示例下,存在N个状态S1,…,Si,…,和SN,并且数据空间的维数为1,…,j,…,和D。
根据图7A和图7B所示的状态表,在遵循中心值cij和方差值vij的正态分布的分布中获得例如在第i个状态Si中获得的数据的j维分量。
在存储隐马尔可夫模型的参数的模型存储单元19中,存储图5中示出的一个转移表和对应于每一主数据和多个副数据的多个状态表。当主数据或副数据的数据空间为离散空间时,以图6的形式在模型存储单元19中存储对应于每一主数据和多个副数据的状态表,并且当主数据或副数据的数据空间为连续空间时,以图7A和图7B的形式在模型存储单元19中存储对应于每一主数据的和多个副数据的状态表。
例如,当主数据是由GPS传感器获得的GPS数据时,主数据是采用实数值而不是整数值的连续数据,因此,以图7A和图7B所示的用于连续标号的状态表的形式在模型存储单元19中存储主数据的状态表。
在这种情况下,主数据的状态表变为以这种方式获得的表:持有安装GPS传感器的移动设备的用户离散化他或她频繁去或经过的位置作为状态,并且在其中存储每个离散化状态的中心值和方差值。
因此,GPS数据的状态表的参数cij指示对应于通过用户频繁经过的离散化的位置获得的状态中的状态Si的位置的中心值。GPS数据的状态表中的参数vij指示对应于状态Si的位置的方差值。
请注意:由于GPS数据被配置为包括两种类型的数据诸如纬度和经度,因此通过设定j=1为纬度(x轴)并且j=2为经度(y轴),GPS数据的维数可以认为是2。请注意:通过将时间信息并入到GPS数据中,GPS数据的维数可以为3。
接下来,创建通信基站的小区ID的时间序列数据的状态表的示例将被描述为副数据的状态表的示例。
由于通信基站的小区ID是分配到每个基站的整数数据,因此其为离散标号。因此,使用图6所示的用于离散标号的状态表的形式作为作为副数据的通信基站的小区ID的状态表。
首先,当检测到作为副数据的小区ID时,检测到的小区ID被转换成预定序列号。序列号从1开始并且被顺序分配,例如,每当检测到新的小区ID时,小区ID的时间序列数据被转换成具有序列号的时间序列数据。结果,在存储用于决定学习模型的参数的数据的数据库中,如图8所示存储时间、在该时间处获取的主数据和副数据,以及在这些时间处状态ID的时间序列数据。
接下来,基于图8所示的数据库,对于出现在数据库中的每个状态ID计算对应于小区ID的序列号的出现频率。由于计算的序列号的出现频率能够通过除以状态ID出现的总数而转换成概率,可以对于对应于小区ID的序列号产生图6所示的离散标号的状态表。
请注意:由于通信基站每次能够检测服务小区以及一个或更多个邻小区,因此检测多个小区ID作为副数据。此处,如果能够获取基站的ID与指示基站的位置的地址(纬度和经度)匹配的表,则能够利用该表、检测到的多个小区ID以及信号强度估计用户的当前位置。在这种情况下,由于作为估计结果的当前位置具有连续标号而不是离散标号,对应于小区ID的序列号的状态表具有图7A和图7B所示的连续标号的形式,而不是图6所示的离散标号的形式。
如以上述方式,以如图5至图7B所示的形式预先在模型存储单元19中存储基于过去的时间序列数据计算的隐马尔可夫模型的参数。
测量熵计算单元14的配置
图9是仅示出与在图1所示的测量控制系统1的配置中的主传感器10的控制相关的部分的框图。
测量熵计算单元14在概念上能够被分成预测隐马尔可夫模型的状态的概率分布的状态概率预测单元21和预测信息熵的差的测量熵预测单元22。
图10示出描述了测量熵计算单元14的处理的图形模型。
隐马尔可夫模型的图形模型是这样的模型:其中时间(步骤)t的状态Zt利用状态t-1的状态Zt-1概率地确定(马尔可夫属性),并且时间t的观测Xt仅利用状态Zt概率地确定。
图10是基于两种类型的副数据确定是否操作主传感器的示例。x1 1,x2 1,x3 1,…指示第一副数据(副数据1),x1 2,x2 2,x3 2,…指示第二副数据(副数据2),x1 3,x2 3,x3 3,…指示主数据。每个数据x的下标指示时间,并且其上标指示用于标识数据的类型的编号。
此外,小写x指示已经完成了测量的数据,大写X指示还未完成测量的数据。因此,在时间t处,已经测量了副数据1和2,但是还未测量主数据。
在如图10所示的状态下,测量熵计算单元14将累积到前一时间t-1的时间序列数据和由副传感器10在时间t处测量的副数据xt 1和xt 2设定为隐马尔可夫模型的输入数据。之后,测量熵计算单元14利用隐马尔可夫模型决定是否通过操作主传感器10测量时间t的主数据Xt 3。
请注意:累积到前一时间t-1的时间序列数据被从数据累积单元17提供给测量熵计算单元14。此外,由副传感器10在时间t处测量的副数据xt 1和xt 2被从副传感器控制单元13提供给测量熵计算单元14。此外,隐马尔可夫模型的参数被从模型存储单元19提供给测量熵计算单元14。
测量熵计算单元14的状态概率预测单元21针对时间t的主数据Xt 3被测量和未被测量的每种情况预测状态Zt在时间t处的概率分布P(Zt)。测量熵预测单元22利用时间t的主数据Xt 3被测量和未被测量的每种情况的概率分布P(Zt)计算信息熵的差。
状态概率预测单元21
图11是描述由状态概率预测单元21进行的状态Zt在时间t的概率分布P(Zt)的预测计算的格架图。
在图11中,白色圆圈指示隐马尔可夫模型的状态,并且预先准备四种状态。灰色圆圈指示观测(测量数据)。步骤(时间)t=1指示初始状态,并且由实线箭头示出在每个步骤(时间)处实现的状态转移。
在初始状态的步骤t=1中,将每个状态的概率分布P(Z1)给出为等概率,例如如在式(1)中。
P(Z1)=1/N…(1)
在式(1)中,Z1是在步骤t=1中的状态(内部状态)的ID,下文中,ID=Zt的步骤t中的状态简称作状态Zt。式(1)的N指示隐马尔可夫模型的状态数量。
请注意:当给出每个状态的初始概率π(Z1)时,利用初始概率π(Z1)能够满足P(Z1)=π(Z1)。在多数情况下,持有初始概率作为隐马尔可夫模型的参数。
在递推公式中利用在步骤t-1中的状态Zt-1的概率分布P(Zt-1)给出在步骤t中的状态Zt的概率分布P(Zt)。之后,能够由当已知从步骤1到步骤t-1的测量数据x1:t-1时的条件概率指示在步骤t-1中的状态Zt-1的概率分布P(Zt-1)。换言之,在步骤t-1中的状态Zt-1的概率分布P(Zt-1)能够由式(2)表达。
P(Zt-1)=P(Zt-1|x1:t-1)(Zt-1=1,…,和n)…(2)
在式(2)中,x1:t-1指示从步骤1到步骤t-1的已知测量数据x。式(2)的右侧更精确为P(Zt-1|X1:t-1=x1:t-1)。
在步骤t中的状态Zt下,通过利用转移概率P(Zt|Zt-1)=aij更新在步骤t-1中的状态Zt-1的概率分布P(Zt-1)来获得测量P(Zt)=P(Zt|x1:t-1)之前的概率分布(先验概率)。换言之,能够由式(3)表达当未执行测量时的概率分布(先验概率),即P(Zt)=P(Zt|x1:t-1)。注意上述转移概率aij为图6的转移表中持有的参数。
式(3)指示直到步骤t中的状态Zt的全部状态转移的概率被加到一起的处理。
请注意:还能够使用下面的式(3')替代式(3)。
此处,Ω是式(3')的概率的标准常数(standardized constant)。当重要的是从在每个步骤中的状态转移中仅选择具有最高发生概率的转移而不是选择概率的绝对值时,例如,当期望知道具有最高发生概率的状态转移序列诸如Viterbi算法时,使用式(3')。
另一方面,如果从测量中获得观测Xt,则能够获取在获得观测Xt的条件下的状态Zt的条件概率的概率分布P(Zt|Xt)(后验概率)。换言之,来自观测Xt的测量的后验概率P(Zt|Xt)能够表达如下。
其中,在步骤t中以大写表达的观测Xt是还未被测量的数据,并且指示概率变量。
如式(4)所示,能够利用产生观测Xt的状态Zt的似然P(Xt|Zt)和先验概率P(Zt),基于贝叶斯定理表达来自观测Xt的测量的后验概率P(Zt|Xt)。此处,由式(3)的递推公式已知先验概率P(Zt)。此外,如果观测Xt为离散变量,则产生观测Xt的状态Zt的似然P(Xt|Zt)为图6的隐马尔可夫模型的状态表的参数pxt,zt。
此外,如果观测Xt为连续变量并且每一维j的分量在遵循对于每个状态i=Zt预先决定的中心μij=cij和方差σij 2=vij的正态分布时建模,则似然如下。
其中,用作中心和方差的参数的cij和vij为图7A和图7B所示的状态表的参数。
因此,如果得出概率变量Xt(如果概率变量Xt变为来自测量的正态变量xt),则能够容易地计算式(4),并且能够计算在获得直到观测Xt的时间序列数据的条件下的后验概率。
更新隐马尔可夫模型中的概率的公式由式(4)的更新规则表达,其中已知当前时间t处的数据xt。换言之,更新隐马尔可夫模型的概率的公式由用数据xt替代式(4)的观测Xt的公式表达。然而,测量熵计算单元14期望在执行当前时间t处的测量之前获取状态的概率分布。在这种情况下,可以使用在式(4)中的更新规则的P(Xt|Zt)被设定为“1”的公式。换言之,式(4)的P(Xt|Zt)被设定为“1”的公式为式(3)或(3'),并且对应于执行时间t处的测量之前的先验概率P(Zt)。
此外,上述也可以相同的方式应用于在从当前时间之前的时间1到时间t-1的过去的时间序列数据中发生数据丢失的情况。换言之,当在时间序列数据中发生数据丢失时,在式(4)的更新公式中的数据丢失部分的P(X|Z)能够用“1”替代来用于计算(由于没有指定数据丢失部分的时间,因此省略P(X|Z)的下标)。
请注意:在步骤t中的上述观测Xt对应于从包括主传感器10和副传感器10的K个传感器10一起获得的全部数据,并且,为了区分K个传感器,对应于从第k个(k=1,2,…,和K)传感器10获得的数据的观测Xt描述为观测Xt k。在这种情况下,通过将K-1个副传感器10设定为以预先决定的预定次序顺序地操作,并且当K-1个副传感器10执行测量,并从而在时间t处获得时间t的观测Xt 1:K-1=xt 1,xt 2,…,及xt K-1以及从时间1到时间t-1的K个传感器10的测量数据x1:t-1时,如果操作第K个主传感器10之前的先验概率被设定为P(Zt|xt 1:K-1)=P(Zt|x1:t-1,xt 1:K-1),则利用下面的式(5)给出先验概率P(Zt|xt 1:K-1)。
式(5)为通过重写相对于第K个主传感器10的上述式(3)的先验概率P(Zt)、预测在未执行主传感器10的测量时的时间t处的状态Zt的概率分布P(Zt)获得的公式。
另一方面,如果利用第K个主传感器10测量观测Xt K的后验概率被设定为P(Zt|xt K)=P(Zt|xt 1:K-1,xt K),则利用下面的式(6)给出后验概率P(Zt|xt 1:K-1,xt K)。
式(6)为通过重写相对于第K个主传感器10的上述式(4)的后验概率P(Zt|xt)、预测在执行主传感器10的测量时的时间t处的状态Zt的概率分布P(Zt)获得的公式。
请注意:当计算式(6)时,存在在过去的时间序列数据中发生数据丢失的情况。在这种情况下,用“1”替代数据丢失部分的P(X|Z)(由于没有指定传感器的类型和数据丢失部分的时间,因此省略P(X|Z)的下标和上标)。
式(6)的P(Xt K|Zt)是相对于第K个主传感器10获得状态Zt的观测Xt的似然。获得P(Xt K|Zt)的似然作为当观测Xt为离散标号时利用图6的状态表从状态Zt观测观测Xt的观测概率。此外,当观测Xt为连续标号并且遵循预先给出的正态分布时,给出P(Xt K|Zt)的概率作为用预先给出状态Zt的图7A和图7B的中心值和方差定义的正态分布的观测X的概率密度。
测量熵预测单元22
当从主传感器10的测量中获得的信息量较大时,测量熵预测单元22决定操作主传感器10。换言之,当能够通过在主传感器10中执行测量减小未执行测量时的模糊性(ambiguity)时,测量熵预测单元22决定操作主传感器10。模糊性为概率分布中的不清楚,并且可以由概率分布具有的信息熵表达。
通常由下面的式(7)表达信息熵H(Z)。
H(Z)=-∫dZP(Z)logP(Z)=-∑P(Z)logP(Z) …(7)
如果间隔变量Z是连续的,信息熵H(Z)用Z的整个空间中的积分指示来表达,并且如果内部变量Z是离散的,则可以通过对于所有Z的加法指示来表达。
为了计算当由主传感器10执行测量和未由主传感器10执行测量时的信息量的差,首先,考虑当执行主传感器10的测量和当未执行主传感器10的测量的信息量中的每一个。
由于能够由式(5)表达当未执行主传感器10的测量时的先验概率P(Zt),因此能够通过式(8)利用式(5)表达当未执行主传感器10的测量时的信息熵Hb。
在式(8)的最后一行的公式中,为了避免麻烦,省略了用K-1个副传感器10的观测结果xt 1:K-1定出条件的描述。当未执行主传感器10的测量时的信息量是从概率分布计算的信息量,在该概率分布中,从直到前一测量的时间序列数据获得的隐马尔可夫模型的状态变量的后验概率P(Zt-1|xt-1)和从隐马尔可夫模型的状态变量的转移概率获得的在当前时间t处的状态Zt的先验概率P(Zt|xt)。
另一方面,由主传感器10进行的测量被执行时的后验概率P(Zt|xt K)可以由式(6)表达,但是观测Xt K由于其实际上还未被测量而是概率变量。因此,需要获得当在观测变量xt K的分布的条件下执行主传感器10的测量时的信息熵Ha。换言之,能够由式(9)表达当由主传感器10进行的测量被执行时的信息熵Ha。
式(9)的第一行的公式示出获取在获得观测Xt K的条件下的后验概率的信息熵作为概率变量Xt K的期望值。然而,该公式等于在获得观测Xt K的条件下针对状态Zt的条件信息熵的定义式,可以如在第二行的公式表达。第三行的公式为通过根据式(7)展开第二行的公式获得的公式,第四行的公式为省略了针对来自K-1个副传感器10的观测结果xt 1:K-1给出条件的描述的公式,与式(8)的最后一行相同。
当由主传感器10进行的测量被执行时的信息量是以这样的方式获得的信息量:用观测变量Xt表达从测量获得的数据,通过计算针对观测变量Xt的期望值获得能够在获得观测变量Xt的条件下从隐马尔可夫模型的状态Zt的后验概率P(Zt|Xt)计算的信息量。
基于上述,当由主传感器10执行测量和未由主传感器10执行测量时的信息熵的差ΔH可以利用式(8)和(9)如下表达。
式(10)的第二行的公式示出信息熵的差ΔH等于通过使隐马尔可夫模型的状态Zt和观测Xt K的互信息量I(Zt;Xt)乘以-1获得的结果。通过用上述式(8)和(9)替代公式获得式(10)的第三行的公式,并且通过组织第三行的公式获得式(10)的第四行的公式。信息熵的差ΔH为状态变量的模糊性的减小量,但是通过使所述量乘以-1获得的互信息量I能够被取为用于解决模糊性所需的信息量。
如上所述,作为第一步骤,利用式(5)和(6)预测状态Zt的概率分布P(Zt),作为第二步骤,利用式(8)和(9)计算执行测量和未执行测量时的信息熵,并且最后,以如图12所示的顺序的方式获得信息熵的差ΔH。
然而,由于最后可以获得式(10)的信息熵的差ΔH以决定是否操作主传感器10,因此测量熵计算单元14被配置为直接计算式(10)的信息熵的差ΔH。相应地,能够使得计算信息熵的差ΔH的处理简单。
在上面的描述中,然而,在通过K-1个副传感器10获得了时间t处的测量数据的前提下描述了计算信息熵的概率分布P(Zt)和差ΔH以决定是否操作作为第K个传感器的主传感器10的情况。
然而,为了使K-1个副传感器10以预定的次序顺序地执行测量,通过用k(<K)替换在上述式(5)、(6)和(8)至(10)中的变量K,确定在第k个次序操作的副传感器10是否操作的处理适用使用由k-1个副传感器10到此时测量的数据。
此处,将描述K-1个副传感器10应当以什么次序操作。
操作K-1个副传感器10的次序能够设定为测量成本的升序。相应地,通过使多个副传感器10按照测量成本的升序操作能够将测量成本压到最小水平。
例如,测量成本可以被设定为操作副传感器10时的电池的耗电。对于测量成本,假设向主传感器10的电池的耗电给出“1”,则加速度传感器是“0.1”,无线LAN无线电波强度传感器是“0.3”、移动无线电波强度传感器是“0”等,并且它们可以存储在测量熵计算单元14内部的存储器中。由于不管主传感器10的操作控制而操作移动无线电波强度传感器,因此将“0”赋予该传感器。此外,基于在测量熵计算单元14内部的存储器中存储的测量成本,通过以测量成本的升序顺序操作副传感器10从而计算使用k(<K)替换变量K的式(5)和(6),能够确定是否操作引起下一个较低测量成本的第k个副传感器10。
请注意:在不仅仅使用测量成本的升序的情况下,通过增加从测量获得的信息量的尺寸,传感器可以以较低测量成本和从测量获得的较大的信息量的次序操作。此外,测量成本可能不总是固定的,并且可以以预定条件改变,从而将主传感器10和副传感器10设定为彼此切换。
信息熵的差ΔH的近似计算
如果观测Xt为离散数据空间中的概率变量,则能够通过枚举实现以式(10)表达的信息熵的差ΔH的计算。然而,当观测Xt为连续数据空间中的概率变量时,需要交迭(fold)积分以便获得信息熵的差ΔH。由于在这种情况下难以积分以分析地处理具有包括在式(10)中的许多峰值的正态分布,因此不得不依赖于诸如蒙特卡罗(Monte Carlo)积分等的数值积分。然而,信息熵的差ΔH原本是用于降低测量成本的测量效果的计算中的算法操作,并且诸如数值积分等的算法操作不是优选的,使得在前述算法操作中包括高的处理负载。因此,在式(10)的信息熵的差ΔH的计算,期望避免数值积分。
因此,下文中,将描述在信息熵的差ΔH的计算中避免数值积分的近似计算方法。
为了避免由于观测Xt为连续变量的事实而对计算式(10)花费成本,如图13所示,引入观测Xt ~,Xt ~表达为从连续概率变量Xt中新产生的离散概率变量。
图13是概念地示出表达为从连续概率变量Xt新产生的离散概率变量的观测Xt ~的近似的图。然而,图13以观测Xt示出了图10中的K个传感器10的整个测量数据。
如果如上所述使用离散概率变量Xt ~,则式(10)能够修改为式(11)。
根据式(11),由于能够通过将全部元素加起来替换积分,因此能够避免具有高处理负载的积分计算。
然而,由于此处用离散变量Xt K~替换连续变量Xt K,因此能够容易地想到信息量的减少。实际上,在式(10)中获得的信息熵和在式(11)中获得的信息熵之间通常满足下面的不等式,信息熵降低到近似值。
请注意:仅当满足Xt K=Xt K~时,满足式(12)的等式符号。因此,当由离散变量Xt K~替代连续变量Xt K时,不满足等式符号。
当由离散变量Xt K~替代连续变量Xt K时(变量转换),期望使得Xt K和Xt K~尽可能近地彼此对应以减小式(12)的不等式两侧之间的差。因此,为了减小式(12)的不等式两侧之间的差,将离散变量Xt K~定义为与状态变量Z具有相同标号的离散变量。换言之,可以使用用离散变量Xt K~替代连续变量Xt K的任意方法,通过将变量转换成高效地学习时间序列数据的隐马尔可夫模型的状态变量Z来执行高效的变量转换。
相对于离散变量Xt K~,如下给出当给出X时的观测Xt K~的概率。
此处,λ为用于决定在状态Z中观测观测X的概率(概率密度)的参数。基于事实,式(13)能够表达如下。
如果将在状态Z中产生观测X的概率密度设定为遵循正态分布并且将观测X的维数设定为D-维,则从状态Z=i中获得的数据遵循对于j-维分量的中心值cij和方差vij的正态分布,式(14)书写如下。
此处,N(x|c,v)是图7A和图7B所示的中心c和方差v的正态分布的x的概率密度。
式(15)包括在分母中具有许多峰值的正态分布,并且通常难以分析地获得公式。因此,以与计算公式(10)的信息熵的差ΔH时相同的方式,需要利用正态地分布随机编号的蒙特卡罗积分等获得数值。
然而,如在获得式(10)时一样,无需在执行测量之前每次执行式(15)的计算。仅在第一次构建隐马尔可夫模型或模型更新的时间处对式(15)进行一次计算,并且存储保持结果的表格以便在需要时用式(11)替代。
图14示出作为式(15)的计算结果的变量转换表的示例,变量转换表是对于每个状态Z保持获得离散变量Xt K~的观测概率的表格。
图14的状态编号i对应于式(15)的状态Z,而图14的状态编号j对应于式(15)的离散变量Xt K~。换言之,式(15)的P(Xt K~|Z)是图14中的P(j|i)=P(Xt K~=j|Z=i)以及P(j|i)=rij。
请注意:在通常的隐马尔可夫模型中,这种变量转换表是不需要的。当然,如果在计算资源中存在到能够通过数值计算计算式(10)的程度的空间,则这种变量转换表是不需要的。当不存在足以执行数值积分的计算资源时,在执行到一定程度的式(10)的严格近似时使用该变量转换表。
此外,对于在该变量转换表中的元素rij,需要其量(quantity)为状态的编号的平方的参数。然而,在大多数情况下,尤其在数据空间中存在小量的交叠和隐藏的模式中,在该变量转换表中的元素rij变为0。因此,为了省略存储资源,可以以下列方式多样地执行简化:使得仅存储变量转换表中不为0的元素、存储在每行上具有较高值的高级元素、使得所有元素为相同的常数等。最大胆的简化是在状态i和j很少占用相同的数据空间的假设下设定rij=δij。δij为克罗内克δ(Kronecker delta),并且当满足i=j时变为1,在其它情况下为0。在这种情况下,在不加限制的情况下简化式(11)从而表达为式(16)。
式(16)指的是测量之后的预测熵为0,并且估计能够仅用测量之前的预测熵通过测量获取的信息量。换言之,式(16)假设测量之后的熵变为0,因为当通过设定rij=δij执行测量时必须统一地决定状态。此外,关于式(16),如果测量之前的数据的模糊性较高,则式(16)的值增加,并且能够从测量获取的信息量变得较大,但是如果测量之前的数据的模糊性较低,式(16)的值减小,这意味着仅从预测而不用执行测量,能够充分解决模糊性。
感测控制处理的流程图
接下来,结合图15的流程图,将描述通过测量控制系统1控制主传感器10的开启和关闭的感测控制处理。请注意:假设在该处理之前由测量熵计算单元14从模型存储单元19中获取作为学习模型的隐马尔可夫模型的参数。
在步骤S1中,首先,副传感器控制单元13获取由K-1个副传感器10在时间t处测量的测量数据,并且之后将数据提供给数据累积单元17和测量熵计算单元14。数据累积单元17存储从副传感器控制单元13提供的测量数据作为时间序列数据。
在步骤S2中,测量熵计算单元14在利用式(6)由K-1个副传感器10在时间t处获得测量数据xt 1:K-1的条件下计算通过在主传感器10中执行观测Xt K的测量获得的后验概率P(Zt-1|xt 1:K-1,Xt K)。
在步骤S3中,测量熵计算单元14预测在当前时间t处的测量之前的先验概率P(Zt|xt 1:K-1),该测量利用式(5)由作为第K个传感器的主传感器10执行。
在步骤S4中,测量熵计算单元14利用式(10)计算当执行和未执行主传感器10的测量时信息熵的差ΔH。可替代地,作为步骤S4,通过利用作为式(10)的近似计算的图14的变量转换表执行式(11)或(16)的计算,测量熵计算单元14计算当执行和未执行主传感器10的测量时的信息熵的差ΔH。
在步骤S5中,通过确定信息熵的计算的差ΔH是否低于或等于预定阈值ITH,测量熵计算单元14确定是否应当执行主传感器10的测量。
当信息熵的差ΔH低于或等于阈值ITH时,并且在步骤S5中确定执行由主传感器10进行的测量时,处理进行到步骤S6,并且测量熵计算单元14确定操作主传感器10,并将该确定提供给主传感器控制单元15。主传感器控制单元15控制主传感器10操作以便获取来自主传感器10的测量数据。获取的测量数据被提供给数据存储器单元17。
另一方面,当信息熵的差ΔH大于阈值ITH,且在步骤S5中确定不执行主传感器10的测量时,跳过步骤S6的处理并且之后处理结束。
以给出的定时执行上述处理,诸如每当获取副传感器10的测量数据时等。
在上面的感测控制处理中,仅当从主传感器10的测量获得的信息量较大时,能够执行主传感器10的测量。此外,当执行主传感器10的测量时,使用主传感器10的测量数据,当未执行主传感器10的测量时,基于在时间t之前累积的时间序列数据和副传感器10在时间t处的测量数据估计由主传感器10获取的数据。相应地,能够驱动和控制主传感器10以便在降低测量成本的同时最大程度地提取信息。
请注意:在上述感测控制处理中,用于确定是否操作主传感器10的阈值ITH可以是预先决定的固定值,或者可以是根据用于决定测量成本的指标的电流裕度变化的变化值。如果假设测量成本对应于电池的耗电,例如,阈值ITH(R)根据电池的剩余量R改变,并且当电池的剩余量较低时,阈值ITH可以根据剩余量而被改变,从而,如果获得的信息量不是十分大则不操作主传感器10。此外,当测量成本对应于CPU的使用率时,阈值ITH可以根据CPU的使用率改变,当CPU的使用率较高时,如果获得的信息量不是十分大等,则能够控制主传感器10不操作。
请注意:作为控制由主传感器10进行的测量以减小测量成本的方法,还考虑降低主传感器10的测量准确度的方法。例如,以这样的方式考虑控制主传感器10以改变削弱测量信号的强度等的近似计算的收敛时间的设定的方法:在开启主传感器10中存在两个或更多个操作等级并且改变操作等级。当如上所述为了降低测量准确度执行改变操作等级的控制时,期望执行控制以使得根据改变之后的操作等级测量的信息熵的差ΔH至少小于0。
数据恢复处理的流程图
接下来,将描述由数据恢复单元18执行的数据恢复处理。
针对给出的时间段或以给出的量累积的一些时间序列数据丢失时,数据恢复单元18通过将Viterbi算法应用于该时间的时间序列数据来恢复丢失的数据。Viterbi算法是从给出的时间序列数据和隐马尔可夫模型估计最大可能性状态序列的算法。
图16是由数据恢复单元18执行的数据恢复处理的流程图。以给出的定时执行该处理,给出的定时例如为一天一次的周期定时,或者为更新模型存储单元19的学习模型的定时。
首先,在步骤S21中,数据恢复单元18获取在数据存储器单元17中新累积的时间序列数据作为每个传感器10的测量结果。此处获取的一些时间序列数据包括丢失的数据。
在步骤S22中,数据恢复单元18执行前向处理(forward process)。具体地,数据恢复单元18关于在从步骤1到步骤t的时间方向上获取的t个时间序列数据,计算按照次序从步骤1直到步骤t的每个状态的概率分布。利用下面的式(17)计算在步骤t中的状态Zt的概率分布。
对于式(17)的P(Zt),采用下面的式(18)以使得仅选择在到状态Zt的转移之中的具有最高概率的转移。
P(Zt)=max(P(Zt-1|X1:t-1)P(Zt|Zt-1))/Ω…(18)
在式(18)中的Ω是式(18)的概率的归一化常数。此外,用等于式(1)的概率的概率给出初始状态的概率分布,或者当初始概率π(Z1)已知时使用初始概率π(Z1)。
在Viterbi算法中,当仅选择从步骤1到步骤t按次序到状态Zt的转移之中的具有最高概率的转移时,需要存储选择的转移。因此,数据恢复单元18通过计算在步骤t中用下面的式(19)表达的mt(Zt)计算和存储到步骤t的转移之中的具有最高概率的转移的状态Zt-1。数据恢复单元18通过执行与式(19)相同的处理存储在从步骤1到步骤t的每个状态中具有最高概率的转移的状态。
接下来,在步骤S23中,数据恢复单元18执行回溯处理。回溯处理是在时间序列数据中从最新的步骤t到步骤1的时间方向的相反方向上选择具有最高状态概率(似然)的状态的处理。
在步骤S24中,数据恢复单元18通过布置在回溯处理中以时间序列方式获得的状态产生最大似然状态序列。
在步骤S25中,数据恢复单元18基于对应于时间序列数据的丢失数据部分的最大似然状态序列的状态恢复测量数据。例如,假设丢失数据部分为从步骤1到步骤t的步骤p的数据。当时间序列数据具有离散标号时,利用下面的式(20)产生恢复数据xp。
根据式(20),具有最高似然的观测Xp被指派为步骤p的状态zp中的恢复数据。
此外,当时间序列数据具有连续标号时,利用下面的式(21)产生恢复数据xp的j-维数分量xpj。
在步骤S25的处理中,当对于时间序列数据的所有丢失数据部分恢复了测量数据时,数据恢复处理结束。
如上所述,当时间序列数据具有丢失数据时,数据恢复单元18通过应用Viterbi算法估计最大似然状态序列,并且基于估计的最大似然状态序列恢复对应于时间序列数据的丢失数据部分的测量数据。
请注意:在本实施例中,基于最大似然状态序列仅对于时间序列数据的丢失数据部分产生(恢复)数据,但是可以对全部时间序列数据产生数据以便在学习模型的更新中使用。
如上配置的测量控制系统1可以由信息处理设备和服务器配置,在该信息处理设备中安装主传感器10和副传感器10,该服务器学习学习模型并且将学习的学习模型的参数提供给信息处理设备。在这种情况下,信息处理设备包括传感器组11、定时器12、副传感器控制单元13、测量熵计算单元14、主传感器控制单元15、主数据估计单元16以及数据累积单元17。此外,服务器包括数据恢复单元18和模型存储单元19。之后,信息处理设备诸如一天一次等地周期地传送在数据存储器单元17中累积的时间序列数据至服务器,并且服务器在增加时间序列数据时更新学习模型并且将更新后的参数提供给信息处理设备。信息处理设备可以是移动设备,例如,智能电话、平板终端等。当信息处理设备具有基于累积的时间序列数据学习学习模型的处理能力,设备理所当然可以具有测量控制系统1的全部配置。
计算机的配置示例
能够由硬件或软件执行上述的处理序列。当由软件执行处理序列时,组成软件的程序安装在计算机内。此处,在这种计算机中,包括并入到专用硬件中的计算机、能够通过安装各种程序执行各种功能的通用个人计算机等。
图17是示出利用程序执行上述处理序列的计算机的硬件的配置示例的框图。
在计算机中,中央处理单元(CPU)101、只读存储器(ROM)102、随机存取存储器(RAM)103经由总线104连接到彼此。
输入和输出接口105连接到总线104上。输入单元106、输出单元107、存储器单元108、通信单元109和驱动器110被连接到输入和输出接口105。
输入单元106包括键盘、鼠标和麦克风等。输出单元107包括显示器、扬声器等。存储器单元108包括硬盘、非易失性存储器等。通信单元109包括经由因特网与其它通信设备或基站执行通信的通信模块、移动电话网络、无线LAN、卫星广播网络等。传感器112为对应于图1的传感器10的传感器。驱动器110驱动可移除记录介质111,诸如磁盘、光盘、磁光盘或半导体存储器。
在如上配置的计算机中以这样的方式执行上述处理序列:CPU 101经由输入和输出接口105和总线104将例如存储在存储器单元108中的程序加载到RAM 103中从而执行程序。
在计算机中,可以通过在驱动器110上安装可移除记录介质111经由输入和输出接口105将程序安装在存储器单元108中。此外,能够由通信单元109经由有线或无线传输介质诸如局域网、因特网或数字卫星广播接收程序从而将程序安装在存储器单元108中。此外,能够在ROM 102或存储器单元108中预先安装程序。
请注意:在本说明书中,可以以遵循描述的次序的时间序列方式、并行方式、或者在存在调用时所需的时间点处执行流程图中描述的步骤,而不是必须以时间序列方式执行。
请注意:在本说明书中,系统指的是被配置为包括多个设备的整个系统。
本技术方案的实施例不限于上述实施例,并且可以在不脱离本技术方案的要旨的范围内进行多种修改。
请注意:本技术方案可以具有下面的配置。
(1)一种信息处理设备,包括:主传感器,主传感器是至少以两个操作等级操作并获取预定数据的传感器;副传感器,副传感器是获取与主传感器的数据不同的数据的传感器;以及信息量计算单元,其根据由副传感器获得的数据预测由主传感器执行测量时的信息量和未由主传感器执行测量时的信息量之间的差,并且基于预测结果决定主传感器的操作等级。
(2)在上述(1)中所述的信息处理设备,其中,副传感器是与主传感器相比引起较低的获取数据的测量成本的传感器。
(3)在上述(2)中所述的信息处理设备,其中,信息量计算单元通过将当由主传感器执行测量时和未由主传感器执行测量时的信息量的差与基于用于决定测量成本的指标的当前裕度的阈值相比较,决定主传感器的操作等级。
(4)在上述(1)至(3)的任一项中所述的信息处理设备,其中,信息量计算单元获取通过由主传感器和副传感器在过去获得的时间序列数据学习的概率模型的参数,并且预测由主传感器执行测量时和未由主传感器执行测量时的信息量的差,作为由主传感器执行测量和未由主传感器执行测量时的概率模型的概率分布的信息熵的差。
(5)在上述(4)中所述的信息处理设备,其中,概率模型的参数是隐马尔可夫模型的每一个状态的观测概率和转移概率。
(6)在上述(4)或(5)中所述的信息处理设备,其中,概率模型的参数是根据隐马尔可夫模型的每一个状态产生的观测的中心和方差的参数以及转移概率。
(7)在上述(5)中所述的信息处理设备,其中,未由主传感器执行测量时的信息量是根据概率分布计算的信息熵,在概率分布中,预测了从直到前一次测量的时间序列数据获得的隐马尔可夫模型的状态变量的后验概率,以及从隐马尔可夫模型的状态变量的转移概率获得的当前时间处的状态变量的先验概率。
(8)在上述(6)或(7)的任一项中所述的信息处理设备,其中,由主传感器执行测量时的信息量是以这种方式获得的信息熵:由观测变量表达由测量获得的数据,并且针对观测变量,计算能够在获得观测变量的条件下根据隐马尔可夫模型的状态变量的后验概率计算的信息量的期望值。
(9)在上述(8)中所述的信息处理设备,其中,使用指示隐马尔可夫模型的状态的状态变量和观测变量的互信息量,作为当由主传感器执行测量时的信息量和当未由主传感器执行测量时的信息量的差。
(10)在上述(5)至(8)的任一项中所述的信息处理设备,其中,信息量计算单元使对应于当由主传感器执行测量时获得的测量数据的连续概率变量近似为与隐马尔可夫模型的状态变量具有相同标号的离散变量,以预测信息熵的差。
(11)在上述(10)中所述的信息处理设备,其中,信息量计算单元包括变量转换表,在变量转换表中,针对状态变量存储获得近似的离散变量的观测概率。
(12)一种信息处理设备的信息处理方法,该信息处理设备包括:主传感器,主传感器是至少以两个操作等级操作并获取预定数据的传感器;以及副传感器,副传感器是获取与主传感器的数据不同的数据的传感器;该方法包括:根据由副传感器获得的数据预测当由主传感器执行测量时的信息量和当未由主传感器执行测量时的信息量之间的差,并且基于预测结果决定主传感器的操作等级。
(13)一种程序,用于使处理由主传感器和副传感器获取的数据的计算机执行:根据由副传感器获得的数据预测当由主传感器执行测量时的信息量和当未由主传感器执行测量时的信息量之间的差,并且基于预测结果决定主传感器的操作等级。
本公开包括与2012年3月28日提交日本专利局的日本优先权专利申请JP2012-073506中公开的主题相关的主题,其全部内容通过引用合并于此。
本领域的技术人员应当理解的是,可以根据设计需要和其他因素发生各种修改、组合、子组合以及替换,只要它们在所附的权利要求书及其等同物的范围内即可。
Claims (13)
1.一种信息处理设备,包括:
主传感器,所述主传感器是至少以两个操作等级操作并获取预定数据的传感器,其中,所述操作等级包括所述主传感器的开启和关闭;
副传感器,所述副传感器是测量与所述主传感器测量的数据相关联的数据,并且输出能够补充使用、从而代替所述主传感器进行测量的数据的传感器;以及
信息量计算单元,其在所述副传感器执行测量的情况下,根据由所述副传感器获得的数据预测由所述主传感器执行测量时的信息量和未由所述主传感器执行测量时的信息量之间的差,并且基于预测结果决定所述主传感器的所述操作等级。
2.根据权利要求1所述的信息处理设备,其中,所述副传感器是与所述主传感器相比引起较低的获取数据的测量成本的传感器。
3.根据权利要求2所述的信息处理设备,其中,所述信息量计算单元通过将当由所述主传感器执行测量时和未由所述主传感器执行测量时的信息量的差与基于用于决定所述测量成本的指标的当前裕度的阈值相比较,决定所述主传感器的所述操作等级。
4.根据权利要求1所述的信息处理设备,其中,所述信息量计算单元获取通过由所述主传感器和所述副传感器在过去获得的时间序列数据学习的概率模型的参数,并且预测由所述主传感器执行测量时和未由所述主传感器执行测量时的所述信息量的差,作为由所述主传感器执行测量和未由所述主传感器执行测量时的所述概率模型的概率分布的信息熵的差。
5.根据权利要求4所述的信息处理设备,其中,所述概率模型的所述参数是隐马尔可夫模型的每一个状态的观测概率和转移概率。
6.根据权利要求4所述的信息处理设备,其中,所述概率模型的所述参数是根据隐马尔可夫模型的每一个状态产生的观测的中心和方差的参数以及转移概率。
7.根据权利要求5所述的信息处理设备,其中,未由所述主传感器执行测量时的所述信息量是根据概率分布计算的信息熵,在所述概率分布中,预测了从直到前一次测量的时间序列数据获得的所述隐马尔可夫模型的状态变量的后验概率,以及从所述隐马尔可夫模型的所述状态变量的转移概率获得的当前时间处的状态变量的先验概率。
8.根据权利要求5所述的信息处理设备,其中,由所述主传感器执行测量时的所述信息量是以这种方式获得的信息熵:由观测变量表达由测量获得的数据,并且针对所述观测变量,计算能够在获得所述观测变量的条件下根据所述隐马尔可夫模型的所述状态变量的后验概率计算的信息量的期望值。
9.根据权利要求8所述的信息处理设备,其中,使用指示所述隐马尔可夫模型的状态的所述状态变量和所述观测变量的互信息量,作为当由所述主传感器执行测量时的所述信息量和当未由所述主传感器执行测量时的所述信息量的所述差。
10.根据权利要求5所述的信息处理设备,其中,所述信息量计算单元使对应于当由所述主传感器执行测量时获得的测量数据的连续概率变量近似为与所述隐马尔可夫模型的所述状态变量具有相同标号的离散变量,以预测信息熵的差。
11.根据权利要求10所述的信息处理设备,其中,所述信息量计算单元包括变量转换表,在所述变量转换表中,针对所述状态变量存储获得近似的离散变量的所述观测概率。
12.一种信息处理设备的信息处理方法,所述信息处理设备包括:主传感器,所述主传感器是至少以两个操作等级操作并获取预定数据的传感器,其中,所述操作等级包括所述主传感器的开启和关闭;以及副传感器,所述副传感器是测量与所述主传感器测量的数据相关联的数据,并且输出能够补充使用、从而代替所述主传感器进行测量的数据的传感器,所述方法包括:
在所述副传感器执行测量的情况下,根据由所述副传感器获得的数据预测当由所述主传感器执行测量时的信息量和当未由所述主传感器执行测量时的信息量之间的差,并且基于预测结果决定所述主传感器的操作等级。
13.一种记录有程序的计算机可读记录介质,所述程序用于使处理由主传感器和副传感器获取的数据的计算机执行以下功能,其中,所述主传感器是至少以两个操作等级操作并获取预定数据的传感器,所述操作等级包括所述主传感器的开启和关闭,所述副传感器是测量与所述主传感器测量的数据相关联的数据,并且输出能够补充使用、从而代替所述主传感器进行测量的数据的传感器:
在所述副传感器执行测量的情况下,根据由所述副传感器获得的数据预测当由所述主传感器执行测量时的信息量和当未由所述主传感器执行测量时的信息量之间的差,并且基于预测结果决定所述主传感器的操作等级。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012-073506 | 2012-03-28 | ||
JP2012073506A JP2013205171A (ja) | 2012-03-28 | 2012-03-28 | 情報処理装置、情報処理方法、およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103368788A CN103368788A (zh) | 2013-10-23 |
CN103368788B true CN103368788B (zh) | 2017-11-07 |
Family
ID=49236163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310092697.5A Active CN103368788B (zh) | 2012-03-28 | 2013-03-21 | 信息处理设备、信息处理方法和计算机可读记录介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20130262032A1 (zh) |
JP (1) | JP2013205171A (zh) |
CN (1) | CN103368788B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103794006B (zh) * | 2012-10-31 | 2016-12-21 | 国际商业机器公司 | 用于处理多个传感器的时序数据的方法和装置 |
JP6249442B2 (ja) * | 2014-02-19 | 2017-12-20 | Kddi株式会社 | ユーザが搭乗している移動車両を推定するプログラム、携帯端末及び方法 |
CN103885608A (zh) * | 2014-03-19 | 2014-06-25 | 百度在线网络技术(北京)有限公司 | 一种输入方法及系统 |
WO2016098457A1 (ja) * | 2014-12-17 | 2016-06-23 | ソニー株式会社 | 情報処理装置、情報処理方法およびプログラム |
WO2018121879A1 (en) * | 2016-12-30 | 2018-07-05 | U-Blox Ag | Gnss receiver protection levels |
CN111376910B (zh) * | 2018-12-29 | 2022-04-15 | 北京嘀嘀无限科技发展有限公司 | 用户行为的识别方法、识别系统及计算机设备 |
JP7197789B2 (ja) * | 2019-03-01 | 2022-12-28 | 富士通株式会社 | 最適化装置及び最適化装置の制御方法 |
JP7408025B2 (ja) * | 2021-12-13 | 2024-01-04 | 三菱電機株式会社 | 情報処理装置、プログラム及び情報処理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6259402B1 (en) * | 1999-05-26 | 2001-07-10 | Mitsubishi Denki Kabushiki Kaisha | GPS receiver suspending correlation value calculation process for time period corresponding to condition of received signal |
US7786930B2 (en) * | 2008-08-21 | 2010-08-31 | Avid Electronics Corp. | Global positioning system log with low power consumption |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6331835B1 (en) * | 1999-02-02 | 2001-12-18 | The Charles Stark Draper Laboratory, Inc. | Deeply-integrated adaptive GPS-based navigator with extended-range code tracking |
US6801878B1 (en) * | 1999-04-08 | 2004-10-05 | George Mason University | System and method for managing sensors of a system |
US6731237B2 (en) * | 1999-11-09 | 2004-05-04 | The Charles Stark Draper Laboratory, Inc. | Deeply-integrated adaptive GPS-based navigator with extended-range code tracking |
US6774838B2 (en) * | 2002-12-27 | 2004-08-10 | Kinpo Electronics, Inc. | Power saving device and method for GPS receiver |
CA2570417A1 (en) * | 2003-06-13 | 2004-12-23 | A. Stephen Harvey | Security system including a method and system for acquiring gps satellite position |
WO2007008956A2 (en) * | 2005-07-08 | 2007-01-18 | Brainlike Inc. | Efficient processing in an auto-adaptive network |
US7579984B2 (en) * | 2005-11-23 | 2009-08-25 | The Boeing Company | Ultra-tightly coupled GPS and inertial navigation system for agile platforms |
JP4356688B2 (ja) * | 2005-12-07 | 2009-11-04 | ソニー株式会社 | 撮像装置、およびデータ記録方法、データ表示制御方法、並びにコンピュータ・プログラム |
TW200726194A (en) * | 2005-12-23 | 2007-07-01 | Kinpo Elect Inc | Power-saving device of a global positioning system (GPS) |
US7313502B2 (en) * | 2006-02-23 | 2007-12-25 | Rockwell Automation Technologies, Inc. | System and method to combine and weight multiple sensors with overlapping sensing range to create a measurement system utilized in a high integrity or safety environment |
US20080243439A1 (en) * | 2007-03-28 | 2008-10-02 | Runkle Paul R | Sensor exploration and management through adaptive sensing framework |
EP3609195A1 (en) * | 2007-07-09 | 2020-02-12 | Sony Corporation | Electronic apparatus and control method therefor |
JP4803212B2 (ja) * | 2008-05-28 | 2011-10-26 | ソニー株式会社 | データ処理装置、データ処理方法、及びプログラム |
US8289150B2 (en) * | 2008-12-05 | 2012-10-16 | Industrial Technology Research Institute | Wireless sensor network and data sensing method thereof |
JP2012079178A (ja) * | 2010-10-04 | 2012-04-19 | Sony Corp | データ処理装置、データ処理方法、及び、プログラム |
JP4775478B2 (ja) * | 2009-07-02 | 2011-09-21 | セイコーエプソン株式会社 | 位置算出方法及び位置算出装置 |
JP5382436B2 (ja) * | 2009-08-03 | 2014-01-08 | ソニー株式会社 | データ処理装置、データ処理方法、およびプログラム |
JP2011118776A (ja) * | 2009-12-04 | 2011-06-16 | Sony Corp | データ処理装置、データ処理方法、およびプログラム |
US9568321B2 (en) * | 2010-04-19 | 2017-02-14 | Honeywell International Inc. | Systems and methods for determining inertial navigation system faults |
US20130184838A1 (en) * | 2012-01-06 | 2013-07-18 | Michigan Aerospace Corporation | Resource optimization using environmental and condition-based monitoring |
JP5790555B2 (ja) * | 2012-03-15 | 2015-10-07 | オムロン株式会社 | センサモジュール、センサネットワークシステム、データ送信方法、データ送信プログラム、センサネットワークシステムにおけるデータ収集方法 |
US9191442B2 (en) * | 2012-04-03 | 2015-11-17 | Accenture Global Services Limited | Adaptive sensor data selection and sampling based on current and future context |
US9070093B2 (en) * | 2012-04-03 | 2015-06-30 | Xerox Corporation | System and method for generating an occupancy model |
-
2012
- 2012-03-28 JP JP2012073506A patent/JP2013205171A/ja active Pending
-
2013
- 2013-02-26 US US13/777,499 patent/US20130262032A1/en not_active Abandoned
- 2013-03-21 CN CN201310092697.5A patent/CN103368788B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6259402B1 (en) * | 1999-05-26 | 2001-07-10 | Mitsubishi Denki Kabushiki Kaisha | GPS receiver suspending correlation value calculation process for time period corresponding to condition of received signal |
US7786930B2 (en) * | 2008-08-21 | 2010-08-31 | Avid Electronics Corp. | Global positioning system log with low power consumption |
Non-Patent Citations (1)
Title |
---|
"基于信息熵的一种传感器管理方法";刘先省,申石磊,潘泉,张洪才;《电子学报》;20000930(第9期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
US20130262032A1 (en) | 2013-10-03 |
CN103368788A (zh) | 2013-10-23 |
JP2013205171A (ja) | 2013-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103368788B (zh) | 信息处理设备、信息处理方法和计算机可读记录介质 | |
Ashqar et al. | Modeling bike availability in a bike-sharing system using machine learning | |
CN103368787A (zh) | 信息处理装置、信息处理方法和程序 | |
CN105723242B (zh) | 测量路网中的交通速度 | |
CN101950376B (zh) | 隐马尔可夫模型学习设备和方法 | |
TWI564834B (zh) | 電力需求預測裝置,電力供給系統,電力需求預測方法及程式 | |
US20110302116A1 (en) | Data processing device, data processing method, and program | |
Qi et al. | How long a passenger waits for a vacant taxi--large-scale taxi trace mining for smart cities | |
CN102024094A (zh) | 数据处理设备、数据处理方法、以及程序 | |
CN102183252A (zh) | 数据处理装置、数据处理方法和程序 | |
JP2020148560A (ja) | 電池寿命学習装置、方法、プログラム、電池寿命予測装置、方法及びプログラム | |
CN103366221A (zh) | 信息处理装置及信息处理方法 | |
US20210365813A1 (en) | Management computer, management program, and management method | |
Zheng et al. | Pomdp model learning for human robot collaboration | |
JP6543215B2 (ja) | 目的地予測装置、目的地予測方法、及び目的地予測プログラム | |
CN113219341A (zh) | 一种模型生成及电池劣化推测装置、方法、介质及设备 | |
Zois et al. | A POMDP framework for heterogeneous sensor selection in wireless body area networks | |
CN103957537B (zh) | 基于信道聚类的频谱感知方法及装置 | |
Liu et al. | Multiple optimized online support vector regression for adaptive time series prediction | |
CN101226521A (zh) | 一种用于多义性数据对象预测建模的机器学习方法 | |
Yazdani et al. | Robust optimization over time: A critical review | |
JP2020126468A (ja) | 学習方法、学習プログラムおよび学習装置 | |
Ashqar | Strategic design of smart bike-sharing systems for smart cities | |
CN110942178B (zh) | 一种基于资源分配指标的链路预测方法的充电桩推荐方法 | |
KR101867222B1 (ko) | 복합 센서의 기기상태 영향도 기반 비접촉 가전기기 식별방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |