CN103430191B - 经由模式匹配来学习态势 - Google Patents

经由模式匹配来学习态势 Download PDF

Info

Publication number
CN103430191B
CN103430191B CN201280014069.9A CN201280014069A CN103430191B CN 103430191 B CN103430191 B CN 103430191B CN 201280014069 A CN201280014069 A CN 201280014069A CN 103430191 B CN103430191 B CN 103430191B
Authority
CN
China
Prior art keywords
mode
situation
snapshot
input signal
mobile device
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
Application number
CN201280014069.9A
Other languages
English (en)
Other versions
CN103430191A (zh
Inventor
V·纳拉亚南
S·纳安达
F·辛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qualcomm Inc
Original Assignee
Qualcomm Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=47007192&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=CN103430191(B) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by Qualcomm Inc filed Critical Qualcomm Inc
Priority to CN201811405325.2A priority Critical patent/CN109543844B/zh
Publication of CN103430191A publication Critical patent/CN103430191A/zh
Application granted granted Critical
Publication of CN103430191B publication Critical patent/CN103430191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G06F18/2453—Classification techniques relating to the decision surface non-linear, e.g. polynomial classifier
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Nonlinear Science (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Telephone Function (AREA)
  • User Interface Of Digital Computer (AREA)
  • Image Processing (AREA)
  • Manipulator (AREA)
  • Image Analysis (AREA)

Abstract

本文公开了示例方法、装置或制品，它们可全部或部分地用于促成或支持用于经由模式匹配或识别来对态势进行机器学习的一个或多个操作或技术。

Description

经由模式匹配来学习态势
相关申请的交叉引用
本专利合作条约(PCT)申请要求于2011年1月19日提交的题为“LearningSituations via Pattern Matching(经由模式匹配来学习态势)”的共同待审美国临时专利申请No.61/434,400、以及于2011年10月7日提交的题为“Learning Situations viaPattern Matching(经由模式匹配来学习态势)”的美国非临时专利申请No.13/269,516的权益和优先权，这两篇专利申请转让给本发明受让人并通过援引明确纳入于此。
另外，并发地提交了于2011年10月7日提交的题为“MACHINE LEARNING OF KNOWNOR UNKNOWN MOTION STATES WITH SENSOR FUSION(利用传感器融合来对已知或未知运动状态进行机器学习)”(代理人案卷号93495-822645(102259))的美国专利申请No.13/269,513，其全部公开内容通过援引纳入于此。
背景
领域
本公开一般涉及机器学习，尤其涉及经由模式匹配或识别来对态势进行机器学习以供在移动通信设备中使用或与移动通信设备联用。
信息
移动通信设备(诸如举例而言，蜂窝电话、智能电话、便携式导航单元、膝上型计算机、个人数字助理、或诸如此类)正变得在日常生活中越来越常见。这些设备可包括例如各种各样的传感器以支持数种主机应用。通常情况下，尽管并非必然，传感器能够将物理现象转换成模拟或数字信号并且可被整合(例如，内置、等等)到移动通信设备中或者以其他方式(例如，自立的、等等)得到移动通信设备的支持。例如，移动通信设备可包括一个或多个能够测量该移动设备的各种运动状态、位置、定位、取向、周围环境等的加速计、陀螺仪、磁力计、重力计、环境光检测器、邻近性传感器、温度计、位置传感器、话筒、相机等作为特征。取决于应用，诸传感器可单独使用或者可与其他传感器组合使用。
在启用传感器的技术中流行且快速增长的市场趋势包括例如能够理解相关联用户正在做什么(例如，用户活动、意图、目标等)从而以更有意义的方式进行辅助、参与、或有时进行干预的智能或聪明的移动通信设备。然而，集成不断扩展的多种或成套的用于连续地捕捉、获得、或处理大量传入信息流的嵌入式或相关联传感器可能呈现多种挑战。这些挑战可包括例如，多传感器参数跟踪、多形态信息流整合、增加的信号模式分类或识别复杂度、后台处理带宽需求、或诸如此类，这些挑战可至少部分地归因于由用户移动性造成的更加动态的环境。相应地，如何以有效或高效方式捕捉、整合、或以其他方式处理多维传感器信息以获得更令人满意的用户体验持续成为发展领域。
附图简述
参照以下附图来描述非限定性和非穷尽性方面，其中相同参考标号贯穿各附图指代相同部分，除非指明并非如此。
图1是根据一实现的可用于经由模式匹配或识别来对态势进行机器学习的示例坐标系。
图2是根据一实现的多维传感器信息流的示例场景标绘。
图3是根据一实现的示例时间模式和所生成的示例规则。
图4是解说根据一实现的用于经由模式匹配或识别来对态势进行机器学习的示例过程的实现的流程图。
图5是解说根据一实现的与移动设备相关联的示例计算环境的示意图。
概述
示例实现涉及利用传感器融合来对已知或未知运动状态进行机器学习。在一种实现中，一种方法可包括：在移动设备处监视来自与该移动设备相关联的多个信息源的输入信号；至少部分地基于至少一个被监视的输入信号来检测至少一个状况；至少部分地基于至少一个检测到的状况来标识第一模式；以及固定与第一模式相关联的变化参数子集，这些变化参数是至少部分地从被监视的输入信号推导出的。
在另一种实现中，一种装置可包括：移动设备，其包括至少一个处理器，用于：监视来自与该移动设备相关联的多个信息源的输入信号；至少部分地基于至少一个被监视的输入信号来检测至少一个状况；至少部分地基于至少一个检测到的状况来标识第一模式；以及固定与第一模式相关联的变化参数子集，这些变化参数是至少部分地从被监视的输入信号推导出的。
在又一种实现中，一种设备可包括：用于在移动设备处监视来自与该移动设备相关联的多个信息源的输入信号的装置；用于至少部分地基于至少一个被监视的输入信号来检测至少一个状况的装置；用于至少部分地基于至少一个检测到的状况来标识第一模式的装置；以及用于固定与第一模式相关联的变化参数子集的装置，这些变化参数是至少部分地从被监视的输入信号推导出的。
在又一种实现中，一种制品可包括：其上存储有指令的非瞬态存储介质，这些指令能由移动设备处的专用计算平台执行以：监视来自与该移动设备相关联的多个信息源的输入信号；至少部分地基于至少一个被监视的输入信号来检测至少一个状况；至少部分地基于至少一个检测到的状况来标识第一模式；以及固定与第一模式相关联的变化参数子集，这些变化参数是至少部分地从被监视的输入信号推导出的。然而，应当理解，这仅仅是示例实现，且所要求保护的主题内容不限于这些特定实现。
详细描述
在以下详细描述中，将阐述众多具体细节来提供对所要求保护的主题内容的透彻理解。然而，本领域技术人员将理解，所要求保护的主题内容无需这些具体细节也可实践。在其他实例中，普通技术人员可能知晓的方法、装置、或系统没有被详细描述以免湮没所要求保护的主题内容。
本文公开了一些示例方法、装置或制品，它们可全部或部分地实现成促成或支持用于经由模式匹配或识别来学习一个或多个态势以供在移动通信设备中使用或与移动通信设备联用的一个或多个操作或技术。如本文中所使用的，“移动设备”、“移动通信设备”、“无线设备”、“手持式设备”或此类术语的复数形式可互换地使用并且可指可能不时地具有变化的位置或定位的任何种类的专用计算平台或装置。在一些实例中，移动通信设备可以例如能够根据一种或多种通信协议通过在合适的通信网络上无线地传送或接收信息来与其他设备(移动的或别的设备)进行通信。作为说明，专用移动通信设备(本文中可简称为移动设备)可包括例如蜂窝电话、卫星电话、智能电话、个人数字助理(PDA)、膝上型计算机、个人娱乐系统、平板个人计算机(PC)、个人音频或视频设备、个人导航设备、或诸如此类。然而应当领会，这些仅是可结合经由模式匹配或识别对态势进行机器学习来使用的移动设备的解说性示例，并且所要求保护的主题内容在此方面不受限制。
如先前提及的，移动设备可包括成套或多种提供测量信号的传感器，这些测量信号可例如按某种方式(诸如经由合适的应用处理器)被处理，以提取出关于相关联的用户活动、意图、目标或诸如此类的数种推论。如以下将更详细地描述的，在一些实例中，推论可包括某个场景，其可表征或指定与用户体验有关的具体态势或环境。场景的具体示例可包括例如，在家与工作地点之间行进、在飞机或车辆上、参加会议、吃午餐、在健身房锻炼、发送或接收文本消息或电子邮件、或诸如此类，但所要求保护的主题内容不限于此。如以下所描述的，例如，移动设备可利用从某些传感器获得或接收的指定特定态势的一个或多个测量信号，同时考虑来自其他传感器的信号以作出更完整、准确、或以其他方式充分的关于相关联用户正在做什么、将要做什么或诸如此类的推论。移动设备可例如在与用户身体的一部分共处时诸如经由合适的启用传感器的体域网(例如，在口袋、皮带扣、臂章中等等)来作出推论，这里仅列举了一种可能实现。有时，推论可结合用户以某种方式操作移动设备的输入来作出，诸如举例而言发送电子邮件、使振铃器静音、使呼叫消音、或诸如此类，这可促成或支持经由模式匹配来学习或识别态势，如也将看到的。
在一些实例中，移动设备可例如完全或部分地利用或采用一种或多种合适的模式匹配或识别技术来分类传感器相关观测，以便关于用户活动、意图、目标、态势或诸如此类作出数种有关的或以其他方式充分的推论。例如，合适的应用处理器(例如，移动设备等的应用处理器)可将从一个或多个信息流接收或推导出的一个或多个感兴趣的变化参数或所谓变量与可指示相关联用户是否处于特定场景中的一个或多个用户相关移动性模式或其他由传感器捕捉的模式相关联。作为示例而非限制，感兴趣的变化参数或变量可包括例如加速度、振动、陀螺旋转、无线连通性、环境光的发光强度、温度、偏差、速度、背景噪声水平、或诸如此类。可全部或部分地结合对各种态势进行机器学习来使用的某些模式匹配或识别技术的具体示例将在以下更详细地描述。
如所指出的，移动设备可包括例如数个传感器，诸如一个或多个加速计、陀螺仪、磁力计、环境光检测器、邻近性传感器、相机、话筒、温度计、或诸如此类。另外，移动设备可包括可至少部分地用于感测的数个设备作为特征，诸如启用全球定位系统(GPS)、无线保真(WiFi)、蓝牙TM的设备、或诸如此类。由此，应领会，“传感器”、“感测设备”、或此类术语的复数形式可在本文中可互换地使用。这些传感器或感测设备、以及其他未列出的可能传感器或设备可以能够在使用恰适技术来测量移动设备的各种运动状态、位置、定位、取向、周围环境等的同时提供信号以供各种主机应用(例如，导航、定位、通信等)使用。
加速计例如可感测朝向地球中心的重力方向，并且可参照在笛卡尔坐标空间中常被称为维度或轴X、Y、和Z的一个、两个、或三个方向来检测或测量运动。可任选地或替换地，例如，加速计还可提供对各种加速度的幅值的测量。重力方向可相对于任意合适的参考系来测量，诸如举例而言，在其中重力矢量的原点或初始点被固定至移动设备或随移动设备移动的坐标系中进行测量。以下将结合图1更详细地描述可全部或部分地用于促成或支持结合经由模式匹配或识别来对态势进行机器学习的一个或多个过程的示例坐标系。陀螺仪可利用科里奥利效应(Coriolis effect)并且可提供在侧滚、俯仰、或平摇维度上的角速率测量，并且可用在例如确定航向或方位角变化的应用中。磁力计可在X、Y、Z维度上测量磁场方向，并且可用于例如在各种导航应用中感测真北或绝对航向。
继以上讨论之后，从各种信息源(诸如举例而言，一个或多个传感器、应用、用户动作等)接收或获得的测量信号可按某种方式被整合以对相关联用户的运动状态、活动、意图、目标、情形等作出更完整、准确、或以其他方式充分的推论或分类。图1解说了可全部或部分地用于促成或支持用于经由模式匹配或识别来对态势进行机器学习以供在移动设备(诸如移动设备102)中使用或与移动设备(诸如移动设备102)联用的一个或多个操作或技术的示例坐标系100的实现。如图所示，示例坐标系100可包括例如三维笛卡尔坐标系，但是所要求保护的主题内容不限于此。在所解说的该示例中，移动设备102的运动中表示例如加速度振动的一个或多个平移方面或特性可至少部分地由合适的加速计(诸如3D加速计)相对于示例坐标系100的原点104参照三个维度或轴X、Y和Z来检测或测量。应领会，示例坐标系100可以与移动设备102的机身对准或不对准。还应注意，在某些实现中可以使用非笛卡尔坐标系，或者坐标系可定义彼此正交的维度。
移动设备102的运动的一个或多个旋转方面或特性(诸如绕重力的取向变化)例如也可至少部分地由合适的加速计参照一个或两个维度来检测或测量。例如，移动设备102的旋转运动可用坐标的方式来检测或测量，其中表示侧滚或即绕X轴的旋转，如由106处的箭头一般性地解说的，而τ表示俯仰或即绕Y轴的旋转，如由108处一般性地解说的。相应地，此处，例如3D加速计可至少部分地关于侧滚或俯仰维度来检测或测量加速度振动水平以及绕重力的变化，由此提供5个可观测性维度然而，应理解，这些仅仅是可至少部分地由加速计参照示例坐标系100来检测或测量的各种运动的示例，并且所要求保护的主题内容不限于这些具体运动或坐标系。
有时，移动设备102的运动的一个或多个旋转方面或特性例如可至少部分地由能够提供足够的可观测度的合适陀螺仪来检测或测量，这里仅解说了另一种可能实现。例如，陀螺仪可参照一个、两个或三个维度来检测或测量移动设备102的旋转运动。由此，陀螺旋转可至少部分地以坐标的形式来检测或测量，其中表示侧滚或即绕X轴的旋转106，τ表示俯仰或即绕Y轴的旋转108，而ψ表示平摇或即绕Z轴的旋转，如在110处一般性地引述的。陀螺仪可以通常(尽管并非必然)以角加速度或振动(例如，每单位时间平方的角度变化)、角速度(例如，每单位时间的角度变化)、或诸如此类的形式来提供测量。当然，与可至少部分地由陀螺仪参照示例坐标系100来检测或测量的各种运动有关的细节仅仅是示例，并且所要求保护的主题内容不限于此。
在某些实现中，移动设备102可包括一个或多个周围环境或类似传感器，诸如举例而言，环境光检测器、邻近性传感器、温度传感器、大气压力传感器、或诸如此类。例如，邻近性传感器可通常包括充分靠近地放置在移动设备102上的红外(IR)发射机-接收机对，以便在没有物理接触的情况下检测近旁物体的存在、测量与此类物体的距离等。邻近性传感器可通常被包括在移动设备中作为特征以在不使用显示器时关闭显示器，例如在呼叫或诸如此类期间停用触摸屏以避免不想要的输入。移动设备102的某些实现可包括环境光检测器作为特征，以(例如经由测量环境光的发光强度的增加来)帮助在光线暗淡环境中调节触摸屏背光或显示器的可见性。周围环境传感器一般是已知的并且无需在此更详细地描述。
应领会，在一些示例实现中，移动设备102可包括除了本文列出的传感器或设备以外的其他类型的传感器或感测设备，以促成或支持经由模式匹配或识别来对态势进行机器学习。例如，移动设备102可包括一个或多个数码相机，其可跟踪物体或相关联环境的光学运动，从而作出场景相关推论、促成或支持场景识别、或诸如此类。另外，作为另一可能示例，移动设备102可装备有例如话筒，并且可以能够感测可能与特定场景或用户活动相关联的音频，该特定场景或用户活动诸如在体育馆中、在开会、听音乐、烹饪或煮咖啡、看电影、或诸如此类。在一些实例中，移动设备102可包括可至少部分地用于感测的一个或多个设备，诸如举例而言，启用GPS、WiFi、蓝牙TM的设备，如先前提及的。例如，启用GPS的设备结合来自加速计的测量可使得移动设备102能关于用户的交通模式作出推论，诸如正在小汽车中或骑自行车、乘公共汽车或火车、或诸如此类。当然，这些仅是与可至少部分地结合经由模式匹配或识别对态势进行机器学习来使用的传感器有关的示例，并且所要求保护的主题内容不限于此。
如先前暗示的，如何设计或实现用于移动设备的机器学习办法以便能够理解相关联用户正在做什么(例如，用户活动、意图、目标、态势等)从而例如以更有意义的方式进行辅助、参与、或有时进行干预持续成为发展领域。在一些实例中，学习办法(诸如监督式或无监督的机器学习)例如可包括一个或多个信号相关模式识别技术(例如，统计的、结构的、等等)，其可帮助分类一个或多个传感器相关观测，如所指出的。通常情况下(尽管并非必然)，信号相关模式可在多维空间中关于多个信息源来指定或观测。由此，要标识的一个或多个模式可例如经由多个维度中的一个或多个观测矢量来表示。如将看到的，在一些实例中，维度可对应于例如可用某种方式来监视的一组信息源中的信号属性(例如，经由变量等来表示的)。有时，模式识别技术可例如至少部分地采用或利用一个或多个模式匹配模板，但是可适用领域的一些现有知识可能被需要或其他方式可用于找到可能符合某种程度的一般化模板(若有)的变化。用于模式匹配或识别的典型办法可包括例如，利用或以其他方式考虑寻找特定模式的相对严格的规范。例如，有时，匹配可意味着在一个或多个测试或训练数据集、合适的信息贮藏室、或诸如此类中找到或定位了相同的模式。另外，可例如以某种方式全部或部分地应用一个或多个合适的距离度量，以促成或支持近似模式匹配或识别。
由于典型的模式识别办法一般采用与固定的已知数目的信息源协作的过程或算法，关于经由传感器套件来获取或获得的多维信息流的模式识别可能呈现数种挑战。这些挑战可包括例如从大量信息源中检测或“拾取”模式，其中未知或不同的源子集与不同态势或场景有关。换言之，在一些实例中，如果现有模式不是针对特定信息源以某种方式预定义或预先指定的，则可能在某种程度上难以检测或识别出此类模式。典型办法的另一种挑战可以是例如标识一个或多个有关态势以及学习与这些有关态势相关或对应的模式。例如，考虑经由各种传感器关于用户的典型“下班后回家”体验所捕捉或获得的多维信息流。
作为示例而非限制，图2中解说了结合某些仿真或实验所捕捉或获得的多维传感器信息流的示例场景标绘200。对于该示例，多维传感器信息流是经由传感器套件(诸如举例而言，加速计、WiFi、环境光检测器、以及话筒)针对用户的“办公室→停车场→开车→家”例程(例如，下午5点到6点之间、等等)来捕捉的。此处，加速度振动可例如指示用户正在开车或行走，丢失WiFi连通性可指示用户不再处于工作中(例如，与工作相关网络或服务集标识符(SSID)断开连接、等等)，环境光检测器可感测用户在户外或在较亮的室外环境中，话筒可感测背景噪声以进行场景相关推论(例如，开车等)、或诸如此类，这里仅解说了少数示例。当然，所要求保护的主题内容不限于此。
如所看见的，由于增加的信息流维度(这至少部分地归因于指示用户相关事件或状况(例如，行走、开车、坐立不安、等等)的传感器跟踪参数的较大变化)，找到与模板(预定义的或别的模板)的严格或近似匹配可能是相当困难的。换言之，有时可能难以对与多维传感器信息流相关联的相对大量的变化参数或变量进行跟踪、相关(correlate)、处理、关联等等，这进而可能限制移动设备以足够的准确度对不同态势作出反应、作出相关推论、或以其他方式知晓其场景的能力。另外，某些变化参数或变量可能与特定的用户态势或场景无关，在这种情形中，标识无关的或伴随的变量以便在考虑中忽略或省略一个或多个相应的无关模式可能是重要的或以其他方式是有用的，如以下所描述的。
如先前暗示的，连续地跟踪或监视可能与多维传感器信息流相关联的所有或大多数变化参数或变量可能是用于模式匹配或识别的计算密集的、耗费资源的、有时是棘手的、或者换言之低效或无效的办法。相应地，如将看到的，并非连续地跟踪所有或大多数信息流相关变量以匹配或识别所有或大多数可能的或现有的模式，移动设备可例如监视一个或多个感兴趣的状况或事件。作为示例而非限制，状况或事件可包括例如时辰、星期几、主机应用的状态或动作、用户操作移动设备的动作(例如，使振铃器静音、使呼叫消音、发送文本消息等等)或诸如此类，这里仅列举了少数示例。如以下将更详细地描述的，在一种实现中，在检测到这些一个或多个状况或事件之际或之后，移动设备可例如选择性地发起用于尝试识别结合检测到的状况或事件所发生的特定信号相关模式的过程。
更具体地，与状况或事件相关联的一个或多个变化参数或变量的子集可例如以某种方式被固定并被存储在合适的数据库中。如以下所描述的，此类子集可包括例如与某个检测到的状况或事件相对应的独特的信号相关模式，这里仅解说了一种可能实现。此类状况或事件相关模式可例如通过关联具有特定的、独特的、或以其他方式合适的模式的相应参数或变量以表示该状况或事件来固定。在此类状况或事件相关模式的下一次出现或以其他方式合适的出现时，可以捕捉代表相关联传感器行为的一个或多个其他共同发生的信号相关模式的电子“快照”。每次发生状况或事件相关模式时，合适的处理器随后可使用任意合适的模式匹配过程或算法例如通过全部或部分地利用“快照”来在一个或多个其他信号相关模式中查找或搜索模式匹配(严格的或近似的模式匹配)。
为了解说起见，用户可使振铃器静音或使呼叫消音，这可包括例如感兴趣的状况或事件，并且在该时刻，可捕捉与被监视的信息流相关联的一个或多个传感器及其各自相应的电子行为(例如，相关联的信号模式等)的“快照”，并且可将其存储在合适的数据库中。如将看到的，被监视的信息流可包括例如由与移动设备相关联的一个或多个传感器获得的、并且定义一个或多个场景相关信息流的一个或多个输入信号。每次使呼叫静音时，移动设备随后可例如在所存储的信号相关模式集合中搜索与使呼叫静音共同发生的模式，并且可发起恰适的动作，诸如将呼叫路由至语音信箱。换言之，通过固定表示特定状况或事件(例如，使振铃器静音、使呼叫消音等)的变化参数或变量(例如，维度等)的子集，可有利地精简与多维传感器信息流相关联的变量集合。这可使得模式匹配更容易处理或者以其他方式允许更有效或高效的模式识别，因为模式匹配过程是在剩余的或精简的变量集合中执行的。进而，更容易处理的办法可促成或支持例如对表征与用户活动、意图、目标或诸如此类有关的特定态势的感兴趣状况或事件进行机器学习(例如，经由与移动设备相关联的处理器等)，以使得可由移动设备实时地发起恰适的动作。例如，移动设备可在所学习的态势指示有噪声的周围环境的情况下响应于传入呼叫使振铃更大声，或者可在所学习的态势指示用户可能不想被打扰的情况下使振铃器静音并将传入呼叫路由到语音信箱，或者可在所学习的态势指示用户意图使用一应用的情况下启动该应用，或诸如此类。在本上下文中，“实时”可指可能已被延迟可归因于电子通信以及其他信息或信号处理的时间量的数据或信息的及时量。当然，与特定状况或事件、用户动作、或相应模式相关的细节仅仅是示例，且所要求保护的主题内容在这些方面不受限制。
如以下将更详细地描述的，代表结合感兴趣状况或事件所捕捉的信号行为的“快照”可包括或以其他方式相关于若干类型的不同信号相关模式中的任一种。在一些实例中，特定类型的模式可包括例如一个或多个时间模式、动作相关模式、转变相关模式、或关系模式，但是所要求保护的主题内容不限于此。例如，也可全部或部分地利用这些模式以及未列出的其他模式的任意合适组合。
时间模式可包括例如至少部分地由时间相关参数或特性来定义的信号相关模式。例如，时间模式可与每天很可能发生若干次、在每天的基础上发生、或类似地发生的重复性态势相关联。应领会，时间模式可以不定期地发生，这意味着其重复周期可能是未知的，诸如举例而言，每天发生若干次但在未知时间发生、仅在工作日发生、每周有一天会发生、或诸如此类。在一些实例中，时间模式可包括或关联于存在或持续达某个阈值历时的一个或多个事件或状况。阈值历时可以例如经验地确定并且是预定义的，或者可另行以某种方式动态地定义。在一些实例中，阈值可包括例如与检测到的状况有关的历时，这里仅解说了一种可能实现。作为示例而非限制，在用户开车的场景中，例如有关阈值可以是在数十分钟的范围中(例如，在10到15分钟等之间)而不是在几分钟的范围中，因为人们通常(尽管并非必然)在停车之前一次要开车一分钟以上。当然，所要求保护的主题内容不限于此类阈值历时。
动作相关模式可包括例如可将特定场景与用户行为或动作相关联的信号相关模式。例如，一个或多个用户动作可按某种方式被观测或跟踪并且可随后被评价以确定在某个动作与特定场景之间是否存在相关性。作为说明，用户忽略传入呼叫或使传入呼叫消音的模式例如可被跟踪或评价以确定该用户是否正在开会或以其他方式不应被打扰。
转变相关模式可包括例如可表征或定义场景之间的所观测转变(诸如用户在开车与在停车场中行走之间的转变)的信号相关模式。关系模式可包括例如可表征或定义场景之间的可能关系的信号相关模式。例如，在用户开车的情形中，场景“定位”可连续地从X→X’、Y→Y’地改变等等，而场景“开车”可保持相同。以下将更详细地描述各种信号相关模式或相应的模式标识技术的具体示例。
如先前暗示的，信号相关模式可包括例如数个感兴趣的变化参数或变量，其可经由从多维传感器相关信息流推导出的一个或多个信号采样值来表示。在一些实例中，信号采样值可例如使用恰适的技术从经由一个或多个相关联的传感器获得的测量信号中推导出来。在一实现中，至少部分地基于一个或多个变化参数或变量，可用合适的方式(诸如举例而言，结合以上讨论的信号相关行为的电子“快照”)来检测或标识一个或多个合适的模式。例如，时间模式可至少部分地经由监视代表在给定态势处或周围重复的不同变量(诸如时辰、星期几、每个给定数目的小时或分钟、或诸如此类)的信号采样值来标识，但是所要求保护的主题内容不限于此。如先前提及的，应领会，模式可持续或存在达与特定用户相关状况有关的阈值历时，诸如对于开车是某个数目的分钟、对于看电影是几小时、或诸如此类。还应注意，有时，除非模式持续或存在达例如最小或阈值时间量，否则推导出的信号采样值可能不构成或以其他方式指示实际模式，如也曾指出的。
在一实现中，若例如给定的变量子集在时间上具有重复值，则时间模式可对应于或相关于特定态势。然而，有时，若可能与特定用户态势有关的变量子集的基数是未知的，则标识该子集可能是有挑战的。出于解释目的，通常情况下(尽管并非必然)，集合的基数可指集合中的元素数目的度量。如以上所讨论的，例如，在至少部分地由于固定多维信息流的至少一个变量子集造成的较小数目的变量内标识重复模式因此可证明是有益的。图3中解说了结合一个具体仿真或实验经由重复值来观测到的时间模式300以及至少部分地基于该时间模式推导出或生成的适用于或相关于特定用户态势的规则302的具体示例。如可以看出的，从场景相关的多维传感器流推导出的重复值可包括例如与标识态势“在健身房跑步”有关的经由加速计、话筒、以及位置传感器(例如，启用GPS的、等等)来采样的值，它们可被推导出并随后被指定为规则。对于该示例，与加速计、话筒、以及位置传感器有关的变量具有与标识该态势有关的重复值，而时辰可能以某种方式改变，诸如每天改变，这里仅解说了一种可能的实现。应注意，确保被采样的信息流的相对较大或丰富的维度可促成或支持经由较多种类的相应模式来学习与用户体验有关的各种态势。当然，与时间模式或模式标识有关的细节仅仅是示例，所要求保护的主题内容不限于此。
在一实现中，若一个或多个变量本身展现出模式，诸如在以上提及的用户在开会时使一个或多个传入呼叫静音的情形中，动作相关模式可例如将对应性映射到相同或相似的用户动作。由此，动作相关模式可例如通过跟踪事件数据库中的一个或多个用户动作并作为连续“场景流”跟踪合适数据库中的所有或部分被监视源来标识或检测。场景流可包括例如经预处理的或别的多维传感器信息(例如，行走、开车等)、或更高级态势(例如，正在开会、开车去上班、在停车场中行走等)。此处，场景流的“快照”可例如以某种方式被捕捉(诸如在或一旦发生给定的感兴趣状况或事件时)，如先前提及的。在一些实例中，考虑例如在发生感兴趣状况或事件之前某个历时里的场景流的历史可能是有用的。作为一个可能示例，包括状况或事件与场景流之间的相关性的“快照”可被存储在合适的数据库中，诸如存储在事件相关性数据库中。事件相关性数据库可例如随后被访问和分析以关于与发生了多次或以其他方式足够次数的相同事件相对应或相关的一个或多个场景流进行模式匹配或识别。
在某些实现中，可至少部分地结合经由模式匹配或识别对动作相关的或别的态势进行机器学习来利用一个或多个可调参数。可调参数的示例可包括与动作相关态势有关的历史的历时，但是所要求保护的主题内容不限于此。应注意，对于不同态势，可调参数可以是不同的。例如，瞬态或以其他方式合适的场景集合在一些态势中可能是有关的，而在其他态势中，所捕捉的历史历时可能被需要或者以其他方式可用于寻找特定的动作相关模式。类似于时间模式，动作相关模式可遭受数种无关信息源或者另行以某种方式被数种无关信息源影响。由此，确定与多维信息流相关联的某传感器相关信息是否与特定用户态势有关或是否伴随着特定用户态势可能是有用的。例如，与特定态势相对应的有贡献的场景集合可被呈现给用户以标识相关场景信息或源的子集。以下将更详细地描述关于多维信息流来标识无关信息源的一些示例。
动作相关模式识别可例如可用于在各种态势中标识一个或多个用户动作而不标记或标注态势本身。例如，知晓若运动状态对应于存在或持续超过某个阈值历时(例如，大于10分钟等)的“跑步”则用户使一个或多个传入呼叫静音可能是充分的，即使移动设备不知晓该用户“正在健身房锻炼”。另外，此处，可例如通过使用户参与标注检测到的感兴趣状况或事件以允许关于所发现的态势的更高级推理来有利地采用半监督式学习办法。当然，与特定动作相关模式有关的细节仅仅是示例，所要求保护的主题内容不限于此。
如先前提及的，可至少部分地使用一个或多个转变相关模式来促成或支持经由模式匹配或识别对态势进行机器学习。场景之间的转变可例如是对应于与用户体验有关的特定态势的感兴趣状况或事件的指示。例如，如果相关联用户的运动状态从“行走”改变为“开车”，则可监视数个恰适的或适用的信息源以确定或推断目的地。例如，可监视信息源以检测对应于合适或适用集合中的属性或变量的任意合适维度中的感兴趣状况或事件，以使得若发生任何维度中的转变，则捕捉其他属性或变量的状态或行为。因此，其余属性或变量中的模式可诸如举例而言结合以上讨论的电子“快照”来捕捉有关的基于转变的态势。此处，一个或多个无关源可例如也被标识或滤除，如以下所描述的，以便促成或支持有意义的模式标识。
如先前暗示的，关系模式可例如通过定义或表征两个或多个感兴趣变量之间的可能关系，而非以这些变量的值(绝对值或别的值)来定义或表征模式，来促成或支持态势学习。为了解说起见，如果例如收到的启用WiFi的SSID保持相同并且如果态势“在办公室”改变为“在开会”可表达对应于“到另一幢楼参加会议”的模式，则发生位置从X→X’的改变(例如，经由改变后的地址等)。作为另一个可能示例，例如在位置保持不变时运动状态的改变(诸如从跳跃到慢跑)可指示对应于“在健身房中”的态势。当然，所要求保护的主题内容不限于具体模式或情景。
在一些实例中，关系模式可例如至少部分地经由一个或多个相关联特性来标识。例如，与关系模式相关联的某些变量可具有出现达至少最小时间历时的所谓“恒定场景”。为了解说起见，场景“开车”可发生或存在达至少15分钟，如先前提及的。另外，与关系模式相关联的一个或多个变量可展现或表达变化的场景，诸如举例而言，位置的连续改变、或在场景“开车”期间位置从X→X’的改变(例如，从开始到结束，等等)。此处，这些被观测的变量可至少部分地被视为关系模式的合适特性。有时，例如达某个历时的恒定场景连同检测到的特定模式的已改变场景的组合可构成有关的关系模式的特性。例如，“从家开车去上班”可包括对应于以上讨论的模式“开车”和“位置改变”的态势，但是所要求保护的主题内容不限于此。
应领会，在一些实例中，用于区别代表恒定场景和变化场景的变量的某些先验知识可能不是需要的或以其他方式可用的。另外，应注意，恒定场景和变化场景两者可能不共同发生或存在以标识有效的关系模式。在一些实例中，变量之间的双向关系模式(若存在)可例如被建模为逆关系。例如，具有变化位置的恒定运动状态或具有变化运动状态的恒定位置可潜在地被建模为变量“运动状态”和“位置”之间的一个或多个逆关系性质。因此，一个或多个合适的模式匹配过程或算法可随后能够以小于对适用变量空间的指数搜索的方式来识别或“拾取”任一个模式。当然，与关系模式或模式标识的特性有关的细节仅仅是示例，所要求保护的主题内容不限于此。
如先前提及的，可至少部分地经由感兴趣的变化参数或变量的一个或多个子集来标识一个或多个有关态势。然而，标识对应于各种态势的有关变量子集可呈现数种挑战(统计的或别的挑战)。例如，标识有关的变量子集可在某种程度上类似于在其核心处具有非确定性多项式时间困难型(NP-hard)问题的穷尽搜索，这可使得计算昂贵或以其他方式更复杂。除了这些挑战，关于一个或多个逻辑运算符的知识的缺乏或不足会增加该任务的复杂度。为了解说起见，例如，在逻辑运算符未知的情况下，可能难以确定是“位置X AND运动状态Y”还是“位置X AND NOT运动状态Y”构成相关模式。当然，所要求保护的主题内容并不被限定于这些具体模式或逻辑运算符。
相应地，如以下讨论的，可有利地利用一种或多种办法来至少部分地标识对应于与用户体验有关的各种态势的变量子集。例如，在一实现中，一个或多个合适的变量可被个别地监视以获得模式。至少一个感兴趣的变量子集可如以上所讨论地被固定，并且例如在该固定变量子集中存在模式的情况下，可标识第二变量子集中的一个或多个模式。作为示例而非限制，作为一种可能的解说，若运动状态对应于例如“开车”，则与移动设备相关联的应用处理器可观测哪些其他变量具有模式。此处，可例如经由一个或多个合适的经验参数来描述或定义一个或多个子集的基数。例如，在一些实例中，可以使用类似于k-均值聚类中的K最近邻分类过程或算法中的“k”值的参数，但是所要求保护的主题内容不限于此。应领会，有时，相对较小数目的变量(诸如一个变量)的固定子集可能例如较少不足以标识相关的模式。例如，固定与“开车”相关联或对应的一个变量可能无法帮助进行有意义的模式标识。
如先前提及的，在一些实例中，为了促成或支持经由模式匹配对态势进行机器学习，标识一个或多个无关模式可能例如是有帮助的。如本文中所使用的，“无关模式”可以指具有较少可能性会标识与用户体验有关的态势或环境的一个或多个信号相关模式。例如，若用户通常在日照旺盛的地理区域(诸如美国加利福尼亚州南部，例如圣地亚哥等)中在白天通勤，则无关模式可包括经由环境光检测器(例如，无关源、等等)关于标识态势“开车去上班”检测到的“天晴”状况。此处，从经由相应的加速计、GPS、以及潜在地WiFi捕捉或以其他方式获得的多维传感器信息流推导出的一个或多个变量例如可具有较高可能性会标识出态势“开车去上班”。因此，这些变量可证明比结合来自环境光检测器的测量信号推导出的变量更有用，从结合来自环境光检测器的测量信号推导出的变量可用合适的方式被滤除或以其他方式被忽略。当然，所要求保护的主题内容不限于具体模式或信息源。
在一实现中，例如可经由适合用于确定场景或态势信息的一个或多个可适用语义标签的一个或多个人类计算模型来标识无关模式。例如，如果标识出或遇到特定场景信息的某个模式，则可向用户呈现选项以提供关于此类模式的恰适标签(例如，经由用户显示器、触摸屏、语音命令等)。标签可例如结合场景标注型过程、态势标注型过程、或其任何组合来提供。恰适标注的信息随后可至少部分地用在机器学习中的一个或多个训练数据集中，以允许该信息被反馈回用于有效或高效模式识别的系统中。随后，相似模式可例如由合适的处理器诸如根据经由初始用户输入所知悉的标签来类似地标注。一个或多个标签的准确性可随着时间推移经由至少部分地用在任意合适的人类计算模型中的任意合适的优化技术来改善。场景标注的示例可包括例如通过提供其他场景(诸如相机视图、与海滩相对应的位置、检测到“湿润”、或诸如此类)而将具体的加速计模式与场景“冲浪”相关联。态势标注可包括例如结合态势“在上班”来寻求用户关于标注位置、时辰、星期几、或WiFi网络连通性的模式的输入。因此，至少部分地使用一个或多个人类计算模型来标注有意义的场景或态势信息可例如允许改善标签一致性、复杂的模式标识、场景认知、或诸如此类，以达成更令人满意的用户体验。由此，至少部分地基于这一个或多个机器学习办法，合适处理器(诸如与移动设备相关联的处理器)的模式匹配或识别行为例如可有利地演进。
现在注意图4，其是解说可全部或部分地实现成用于经由模式匹配或识别来学习一个或多个态势以供在移动通信设备中使用或与移动通信设备联用的示例过程400的实现的流程图。应领会，尽管一个或多个操作是并发地或关于某个序列来解说或描述的，但是也可以采用其他序列或并发操作。此外，尽管下面的描述参考某些其他附图中解说的特定方面或特征，但是一个或多个操作可用其他方面或特征来执行。
示例过程400可始于操作402，例如其中在移动设备处监视来自与此类移动设备相关联的多个信息源的一个或多个输入信号。例如，输入信号可至少部分地经由从由与移动设备相关联的成套的或多种传感器或感测设备采样或获得的多维信息流推导出的测量信号来监视。如先前提及的，相关联的传感器可包括例如一个或多个加速计、陀螺仪、磁力计、环境光检测器、邻近性传感器、温度计、位置传感器、话筒、数码相机、或诸如此类。关于操作404，可例如至少部分地基于至少一个被监视的输入信号来检测至少一个感兴趣的状况或事件。这一个或多个被监视的输入信号可例如定义至少一个场景相关信息流，如也曾指出的。作为示例而非限制，感兴趣的状况或事件可包括例如时辰、星期几、主机应用的状态或动作、用户操作移动设备的动作(例如，使振铃器静音、使呼叫消音、发送文本消息等等)或诸如此类，这里仅列举了少数示例。
在检测到至少一个状况或事件之后，在操作406，可至少部分地基于至少一个检测到的状况或事件来标识第一模式。例如，第一模式可包括独特的信号相关模式，该信号相关模式具有可代表或以其他方式对应于此类状况或事件的一个或多个感兴趣的变化参数或变量，如先前提及的。在操作408，一个或多个变化参数或变量可按某种方式被固定(诸如固定在具有一个或多个信号采样值的合适子集中)，并且可被存储在合适的数据库中。在一些实例中，作为一种可能示例，子集可例如通过将参数或变量与特定的、独特的、或以其他方式合适的模式相关联以表示某个检测到的状况或事件的方式来固定。通过固定表示特定状况或事件的变化参数或变量子集，可有利地精简与多维传感器信息流相关联的变量集合，如也曾指出的。
关于操作410，可发起用于至少部分地基于所标识的第一模式并结合监视这些输入信号来尝试识别第二模式的过程。例如，在第一模式(例如，状况或事件相关模式等)的下一次出现或以其他方式合适的出现时，可以电子地捕捉与第一模式共同发生并且代表相关联传感器行为的第二模式的“快照”。“快照”可包括例如第一模式、第二模式、传感器信息流、或其任何组合。例如，在发生第一或状况相关模式的每个合适时间，移动设备可例如通过全部或部分地利用此类“快照”来关于第二模式执行模式匹配(严格的或近似的模式匹配)。如也曾指出的，“快照”相关模式匹配或识别可至少部分地结合若干类型的不同模式来执行。例如，模式类型可包括时间模式、动作相关模式、转变相关模式、关系模式、或其任何组合。如先前提及的，例如这可使得模式匹配或识别更容易处理，因为过程可有利地以从与多维传感器信息流相关联的一个或多个输入信号推导出的精简的变化参数或变量集合来执行。在识别出第二模式之后，移动设备可发起恰适动作，诸如在有噪声的周围环境中响应于传入呼叫使振铃更大声、如果用户正在开会则使振铃器静音并将传入呼叫路由到语音信箱、如果用户正意图使用一应用则启动该应用、或诸如此类
图5是解说可包括能够部分地或基本上实现或支持经由模式匹配或识别对态势进行机器学习的一个或多个过程的一个或多个网络或设备的示例计算环境500的实现的示意图。应领会，计算环境500中所示的各个设备或网络中的全部或部分、本文描述的过程或方法可使用硬件、固件、或其任意组合连同软件来实现。
计算环境500可包括例如移动设备502，移动设备502可经由合适的通信网络(诸如蜂窝电话网络、因特网、移动自组织网络、无线传感器网络或诸如此类)通信地耦合至任意数目的其他设备(移动的或别的设备)。在一实现中，移动设备502可代表可以能够在任意合适的通信网络上交换信息的任何电子设备、器具、或机器。例如，移动设备502可包括例如与蜂窝电话、卫星电话、智能电话、个人数字助理(PDA)、膝上型计算机、个人娱乐系统、电子书阅读器、平板个人计算机(PC)、个人音频或视频设备、个人导航设备、或诸如此类相关联的一个或多个计算设备或平台。在某些示例实现中，移动设备502可采取可以起作用地实现成在另一个设备中使用的一个或多个集成电路、电路板、或诸如此类的形式。由此，除非另行指出，否则为了简化讨论，以下参照移动设备502来描述的各种功能性、元件、组件等也可适用于未示出的其他设备，以便支持与示例计算环境500相关联的一个或多个过程。
尽管未示出，但是可任选地或替换地，可以有通信地耦合至移动设备502的附加设备(移动的或别的设备)以促成或以其他方式支持与计算环境500相关联的一个或多个过程。例如，计算环境500可包括能够至少部分地基于与定位系统、基于位置的服务或诸如此类相关联的一个或多个无线信号来提供关于移动设备502的定位或位置信息的各种计算或通信资源。为了解说起见，在某些示例实现中，移动设备502可包括例如能够获取或提供取向、定位、或位置信息中的全部或部分的一个或多个定位设备。此类信息可被提供以支持响应于用户指令(由运动控制的或别的用户指令)的一个或多个过程，这些用户指令可例如连同其他合适的或期望的信息(诸如一个或多个信号相关模式、模板、规则、快照、数据库、或诸如此类)一起被存储在存储器504中。
存储器504可代表任意合适的或期望的信息存储介质。例如，存储器504可包括主存储器506和副存储器508。主存储器506可包括例如随机存取存储器、只读存储器等。虽然在此示例中被解说为与处理单元510分开，但是应当理解，主存储器506的全部或部分可设在处理单元510内或者以其他方式与处理单元510共处/耦合。副存储器508可包括例如类型与主存储器相同或相似的存储器或者一个或多个信息存储设备或系统，诸如举例而言盘驱动器、光碟驱动器、带驱动器、固态存储器驱动器等。在某些实现中，副存储器508可起作用地接纳计算机可读介质512或以其他方式实现成耦合至计算机可读介质512。
计算机可读介质512可包括例如能够为与操作环境500相关联的一个或多个设备存储信息、代码或指令或者提供对信息、代码或指令的访问的任何介质(例如，制品等)。例如，计算机可读介质512可由处理单元510提供或访问。由此，在某些示例实现中，这些方法或装置可全部或者部分地采取可包括存储于其上的计算机可实现指令的计算机可读介质的形式，这些指令若被至少一个处理单元或其他类似的电路系统执行则可使处理单元510或该其他类似的电路系统执行位置确定过程、基于传感器或由传感器支持的测量(例如，加速度、减速度、取向、倾斜、旋转、距离、发光强度等)或任何类似过程的全部或部分以促成或以其他方式支持对移动设备502的姿势检测。在某些示例实现中，处理单元510可以能够执行或支持其他功能，诸如通信、游戏、或诸如此类。
应理解，存储介质(诸如存储器504、计算机可读介质512等)可通常(尽管并非必然)是非瞬态的并且可包括非瞬态设备。在本上下文中，非瞬态存储介质可包括例如物理的或有形的设备，这意味着尽管设备可改变状态，但是该设备具有实在的物理形式。例如，全部或部分地以0的形式表示信息的一个或多个电子二进制数字信号可改变状态，从而全部或部分地将信息表示为1的形式的二进制数字电子信号，这里仅解说了一种可能实现。因此，“非瞬态”可指例如尽管有此状态变化但保持有形的任何介质或设备。
处理单元510可以在硬件、或硬件与软件的组合中实现。处理单元510可代表能执行信息计算技术或过程的至少一部分的一个或多个电路。作为示例而非限定，处理单元510可包括一个或多个处理器、控制器、微处理器、微控制器、专用集成电路、数字信号处理器、可编程逻辑器件、现场可编程门阵列、或诸如此类、或其任何组合。
移动设备502可包括各种组件或电路系统，诸如举例而言一个或多个加速计514、环境光传感器或检测器516、邻近性传感器518、或各种其他传感器520(诸如陀螺仪，磁力计，话筒，相机，启用GPS、WiFi、蓝牙TM的设备等)，以促成或以其他方式支持与操作环境500相关联的一个或多个过程。例如，此类传感器可向处理单元510提供模拟或数字信号。尽管未示出，但是应注意，移动设备502可包括用于数字化来自一个或多个传感器的模拟信号的模数转换器(ADC)。可任选地或替换地，此类传感器可包括指定的(例如，内部的，等等)ADC以数字化相应的输出信号，但是所要求保护的主题内容不限于此。
尽管未示出，移动设备502还可包括用于收集合适的或期望的信息(诸如举例而言惯性或周围环境传感器测量信息)的存储器或信息缓冲器、以及用于向一些或所有组件或电路系统供电的电源。电源可以是便携式电源(诸如举例而言电池)，或者可以包括固定电源，诸如(例如，房屋、充电站、汽车等中的)插座。应领会，电源可被整合(例如，内置、等等)到移动设备502中或者以其他方式(例如，自立的、等等)由移动设备502支持。
移动设备502可包括可操作地将各种电路耦合在一起的一个或更多个连接522(例如，总线、导线、导体、光纤等)以及用于接收用户输入、促成或支持传感器测量、或向用户提供信息的用户接口524(例如，显示器、触摸屏、按键板、按钮、旋钮、话筒、扬声器、跟踪球、数据端口等等)。移动设备502可进一步包括通信接口526(例如，无线发射机或接收机、调制解调器、天线等)以允许在一个或多个合适的通信网络上与一个或多个其他设备或系统通信，如所指出的。
本文中描述的方法体系取决于根据特定特征或示例的应用可以藉由各种手段来实现。例如，此类方法体系可在硬件、固件、软件、分立/固定逻辑电路系统、其任何组合等等中实现。在硬件或逻辑电路系统实现中，例如，处理单元可在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、电子器件、设计成执行本文中所描述的功能的其他器件单元、或其组合内实现，这里仅列举了几个示例。
对于固件或软件实现，这些方法体系可用具有执行本文中描述的功能的指令的模块(例如，程序、函数等等)来实现。有形地实施指令的任何机器可读介质可用于实现本文中所描述的方法体系。例如，软件代码可被存储在存储器中并由处理器执行。存储器可以实现在处理器内部或处理器外部。如本文所使用的，术语“存储器”是指任何类型的长期、短期、易失性、非易失性、或其他存储器，且并不限于任何特定类型的存储器或特定数目的存储器、或记忆存储在其上的介质类型。在至少一些实现中，本文中所描述的存储介质的一部分或更多部分可存储表示如通过该存储介质的特定状态来表达的数据或信息的信号。例如，可以通过影响或改变存储介质(例如，存储器)的一部分的状态以将数据或信息表示为二进制信息(例如，1和0)的方式来将表示数据或信息的电信号“存储”在存储介质的此类部分中。由此，在特定实现中，用于存储表示数据或信息的信号的存储介质部分的状态改变构成存储介质到不同状态或事的转变。
如所指出的，在一个或多个示例实现中，所描述的功能可在硬件、软件、固件、离散/固定逻辑电路、其某种组合等等中实现。如果在软件中实现，则各功能可以作为一条或多条指令或代码存储在物理计算机可读介质上。计算机可读介质包括物理计算机存储介质。存储介质可以是能被计算机访问的任何可用物理介质。作为示例而非限定，此类计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储或其他磁存储设备、或可被用来存储指令或数据结构形式的期望程序代码且可被计算机或其处理器访问的任何其他介质。如本文中所使用的盘(Disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘往往以磁的方式再现数据，而碟用激光以光学方式再现数据。
如以上所讨论的，移动设备可以能够经由使用一种或多种无线通信技术在各种通信网络上无线地传送或接收信息来与一个或多个其他设备通信。在此，例如，无线通信技术可使用无线广域网(WWAN)、无线局域网(WLAN)、无线个域网(WPAN)或诸如此类来实现。术语“网络”和“系统”在本文中能被可互换地使用。WWAN可以是码分多址(CDMA)网络、时分多址(TDMA)网络、频分多址(FDMA)网络、正交频分多址(OFDMA)网络、单载波频分多址(SC-FDMA)网络、长期演进(LTE)网络、WiMAX(IEEE 802.16)网络等等。CDMA网络可实现一种或多种无线电接入技术(RAT)，诸如cdma 2000、宽带CDMA(W-CDMA)、时分同步码分多址(TD-SCDMA)等，以上仅列举了几种无线电技术。在此，cdma 2000可包括根据IS-95、IS-2000、以及IS-856标准实现的技术。TDMA网络可实现全球移动通信系统(GSM)、数字高级移动电话系统(D-AMPS)、或其他某种RAT。GSM和W-CDMA在来自名为“第三代伙伴项目”(3GPP)的联盟的文献中描述。Cdma2000在来自名为“第三代伙伴项目2”(3GPP2)的联盟的文献中描述。3GPP和3GPP2文献是公众可获取的。例如，WLAN可包括IEEE 802.11x网络，并且WPAN可包括蓝牙网络、IEEE 802.15x网络、或其他某种类型的网络。这些技术也可联合WWAN、WLAN和/或WPAN的任何组合来实现。无线通信网络可包括所谓的下一代技术(例如，“4G”)，诸如举例而言，长期演进(LTE)、高级LTE、WiMAX、超移动宽带(UMB)、或类似技术。
在一种特定实现中，移动设备可例如能够与促成或支持与该移动设备通信的一个或多个毫微微蜂窝小区通信，以用于估计其位置、取向、速度、态势、或诸如此类。如在本文中所使用的，“毫微微蜂窝小区”可指可被实现成例如经由宽带(诸如举例而言，数字订户线(DSL)或电缆)来连接至服务提供商的网络的一个或多个小型蜂窝基站。通常情况下(尽管并非必然)，毫微微蜂窝小区可利用或以其他方式兼容于各种类型的通信技术，诸如举例而言通用移动电信系统(UTMS)、长期演进(LTE)、演进数据最优化或唯演进数据(EV-DO)、GSM、微波接入全球互通(WiMAX)、码分多址(CDMA)-2000、或时分同步码分多址(TD-SCDMA)，以上仅例举了众多可能性当中的几个示例。在某些实现中，毫微微蜂窝小区可包括例如集成WiFi。然而，与毫微微蜂窝小区相关的此类细节仅仅是示例，且所要求保护的主题内容不限于此。
而且，计算机可读代码或指令可经由物理传输介质上的信号从发射机向接收机传送(例如，经由电数字信号)。例如，软件可以是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术的物理组件从web网站、服务器、或其他远程源传送而来的。上述的组合也可被包括在物理传输介质的范围内。此类计算机指令或数据可在不同时间(例如，在第一和第二时间)分部分地(例如，第一和第二部分)传送。本详细描述的一些部分是以对存储在特定装置或专用计算设备或平台的存储器内的二进制数字信号的操作的算法或符号表示的形式来给出的。在本具体说明书的上下文中，术语特定装置或类似术语包括通用计算机——只要其被编程为依照来自程序软件的指令执行特定功能。算法描述或符号表示是信号处理或相关领域的普通技术人员用来向本领域其他技术人员传达其工作的实质性内容的技术的示例。算法在此并且一般被视为通往期望结果的自洽操作序列或类似信号处理。在本上下文中，操作或处理涉及对物理量的物理操纵。通常，尽管并非必然，这类量可采取能被存储、转移、组合、比较或以其他方式操纵的电或磁信号的形式。
业已证明，有的时候，主要为通用之故，将此类信号称为比特、信息、值、元素、码元、字符、变量、项、数、数值、或类似术语是方便的。然而应理解，所有这些或类似术语应与恰适物理量相关联且仅仅是便利性标签。除非另外特别声明，否则如从以上讨论所显见的，应当领会，本说明书通篇利用诸如“处理”、“计算”、“演算”、“确定”、“探明”、“标识”、“关联”、“测量”，“执行”、或诸如此类的术语的讨论指的是诸如专用计算机或者类似的专用电子计算设备之类的特定装置的动作或处理。因此，在本说明书的上下文中，专用计算机或类似专用电子计算设备能够操纵或变换信号，这些信号通常被表示为该专用计算机或类似专用电子计算设备的存储器、寄存器、或其他信息存储设备、传输设备、或显示设备内的物理电子、电气或磁量。
如本文中所使用的术语“和”及“或”可包括各种涵义，还预期这将至少部分地取决于使用此类术语的上下文。通常，“或”如果被用于关联罗列，诸如A、B或C，则其意在表示此处以可兼意义使用的A、B、和C，以及此处以排他意义使用的A、B或C。另外，如本文中所使用的术语“一个或多个”可被用来描述单数形式的任何特征、结构或特性或者可被用来描述诸特征、结构或特性的某种组合。然而，应当注意，这仅是解说性示例并且所要求保护的主题内容不限于此示例。
虽然本文已使用各种方法或系统来描述和示出了某些示例技术，但是本领域技术人员将理解，可作出各种其他修改并且可替代等效技术方案而不脱离所要求保护的主题内容。此外，可作出许多修改以使特定情景适应于所要求保护的主题内容的教导而不会脱离本文所描述的中心思想。因此，所要求保护的主题内容并非旨在被限定于所公开的具体示例，相反，如此所要求保护的主题内容还可包括落入所附权利要求及其等效技术方案的范围内的所有实现。

Claims (48)

1.一种方法，包括：
在移动设备处监视来自与所述移动设备相关联的多个信息源的输入信号；
至少部分地基于至少一个被监视的输入信号来检测至少一个状况，其中所述至少一个状况包括表征与用户意图或目标有关的态势的状况；
至少部分地基于至少一个检测到的状况来标识第一模式；
固定与所述第一模式相关联的变化参数的子集，所述变化参数是至少部分地从所述被监视的输入信号推导出的；以及
发起用于至少部分地基于所标识的第一模式结合所述监视所述输入信号来尝试识别应与所述第一模式共同发生并且代表所述移动设备的相关联的传感器行为的第二模式的过程，其中所述第二模式是以至少部分地响应于所述固定所述变化参数子集而从所述被监视的输入信号推导出的变化参数精简集合来识别的。
2.如权利要求1所述的方法，其特征在于，固定所述变化参数子集包括将所述变化参数子集的至少一个参数与所述第一模式相关联以表示所述至少一个检测到的状况。
3.如权利要求2所述的方法，其特征在于，所述固定所述变化参数子集包括：关联所述变化参数以表示从来自布置在所述移动设备中的以下至少一者的所述被监视的输入信号推导出的状况：加速计、启用全球定位系统(GPS)的设备、启用无线保真(WiFi)的设备、或其任何组合。
4.如权利要求1所述的方法，其特征在于，所述过程进一步包括：
响应于所述检测到所述至少一个状况而捕捉所述被监视的输入信号的快照，所述被监视的输入信号定义至少一个与场景相关的信息流；以及
在数据库中将所述快照与所述第二模式相关。
5.如权利要求4所述的方法，其特征在于，结合将所述快照与以下至少一者相关来尝试识别所述第二模式：时间模式、动作相关模式、转变相关模式、关系模式、或其任何组合。
6.如权利要求4所述的方法，其特征在于，所述快照包括以下至少一者：所标识的第一模式的快照、所述第二模式的快照、所述至少一个与场景相关的信息流的快照、或其任何组合。
7.如权利要求4所述的方法，其特征在于，所述快照是结合所述至少一个与场景相关的信息流的捕捉历史来进行相关的。
8.如权利要求7所述的方法，其特征在于，所述历史包括在所述检测所述至少一个状况之前捕捉的时间段。
9.如权利要求8所述的方法，其特征在于，所述时间段包括存在达阈值历时的时间段。
10.如权利要求9所述的方法，其特征在于，所述阈值历时包括与所述至少一个检测到的状况有关的历时。
11.如权利要求4所述的方法，其特征在于，所述数据库包括以下至少一者：状况数据库、相关性数据库、或其任何组合。
12.如权利要求11所述的方法，其特征在于，所述状况数据库包括所述至少一个与场景相关的信息流。
13.如权利要求11所述的方法，其特征在于，所述相关性数据库包括以下至少一者：状况相关性数据库、转变相关性数据库、或其任何组合。
14.如权利要求1所述的方法，其特征在于，所述多个信息源中的至少一者包括响应于以下至少一者生成的信号：用户在所述移动设备上执行指令、所述移动设备所支持的主机应用在所述移动设备上执行指令、或其任何组合。
15.如权利要求14所述的方法，其特征在于，所述主机应用响应于从与所述移动设备相关联的至少一个传感器接收到的至少一个信号来执行所述指令。
16.如权利要求1所述的方法，其特征在于，所固定的所述变化参数子集构成所述第一模式。
17.如权利要求1所述的方法，其特征在于，进一步包括结合所述监视输入信号来标识与所述至少一个状况无关的至少一个模式。
18.如权利要求17所述的方法，其特征在于，所述无关模式是经由应用以下至少一者来标识的：场景标注型过程、态势标注型过程、或其任何组合。
19.如权利要求17所述的方法，其特征在于，所述无关模式是结合用户标识以下至少一者来标识的：所述多个信息源之中的有关信息源、多个与场景相关的信息流之中的有关信息流、或其任何组合。
20.一种装置，包括：
移动设备，其包括至少一个处理器，所述处理器配置成：
监视来自与所述移动设备相关联的多个信息源的输入信号；
至少部分地基于至少一个被监视的输入信号来检测至少一个状况，其中所述至少一个状况包括表征与用户意图或目标有关的态势的状况；
至少部分地基于至少一个检测到的状况来标识第一模式；
固定与所述第一模式相关联的变化参数子集，所述变化参数是至少部分地从所述被监视的输入信号推导出的；以及
发起用于至少部分地基于所标识的第一模式结合所述处理器监视所述输入信号来尝试识别应与所述第一模式共同发生并且代表所述移动设备的相关联的传感器行为的第二模式的过程，其中所述第二模式关联于至少部分地由于固定所述变化参数子集而从所述被监视的输入信号推导出的变化参数精简集合。
21.如权利要求20所述的装置，其特征在于，所述处理器被进一步配置成：
响应于所述检测到所述至少一个状况而捕捉所述被监视的输入信号的快照，所述被监视的输入信号定义至少一个与场景相关的信息流；以及
在数据库中将所述快照与所述第二模式相关。
22.如权利要求21所述的装置，其特征在于，所述快照包括以下至少一者：所标识的第一模式的快照、所述第二模式的快照、所述至少一个与场景相关的信息流的快照、或其任何组合。
23.如权利要求21所述的装置，其特征在于，结合将所述快照与以下至少一者相关来尝试识别所述第二模式：时间模式、动作相关模式、转变相关模式、关系模式、或其任何组合。
24.如权利要求21所述的装置，其特征在于，所述快照是结合所述至少一个与场景相关的信息流的捕捉历史来进行相关的。
25.如权利要求20所述的装置，其特征在于，所述多个信息源中的至少一者包括响应于以下至少一者生成的信号：用户在所述移动设备上执行指令、所述移动设备所支持的主机应用在所述移动设备上执行指令、或其任何组合。
26.如权利要求20所述的装置，其特征在于，所固定的所述变化参数子集构成所述第一模式。
27.如权利要求20所述的装置，其特征在于，所述至少一个处理器进一步配置成：结合所述处理器监视所述输入信号来标识与所述至少一个状况无关的至少一个模式。
28.一种设备，包括：
用于在移动设备处监视来自与所述移动设备相关联的多个信息源的输入信号的装置；
用于至少部分地基于至少一个被监视的输入信号来检测至少一个状况的装置，其中所述至少一个状况包括表征与用户意图或目标有关的态势的状况；
用于至少部分地基于至少一个检测到的状况来标识第一模式的装置；
用于固定与所述第一模式相关联的变化参数子集的装置，所述变化参数是至少部分地从所述被监视的输入信号推导出的；以及
用于发起用于至少部分地基于所标识的第一模式结合所述监视所述输入信号来尝试识别应与所述第一模式共同发生并且代表所述移动设备的相关联的传感器行为的第二模式的过程的装置，其中所述第二模式关联于至少部分地由于所述固定所述变化参数子集而从所述被监视的输入信号推导出的变化参数精简集合。
29.如权利要求28所述的设备，其特征在于，所述用于固定所述变化参数子集的装置包括用于将所述变化参数子集的至少一个参数与所述第一模式相关联以表示所述至少一个检测到的状况的装置。
30.如权利要求28所述的设备，其特征在于，所述用于发起所述过程的装置进一步包括：
用于响应于所述检测到所述至少一个状况而捕捉所述被监视的输入信号的快照的装置，所述被监视的输入信号定义至少一个与场景相关的信息流；以及
用于在数据库中将所述快照与所述第二模式相关的装置。
31.如权利要求30所述的设备，其特征在于，结合将所述快照与以下至少一者相关来尝试识别所述第二模式：时间模式、动作相关模式、转变相关模式、关系模式、或其任何组合。
32.如权利要求30所述的设备，其特征在于，所述快照包括以下至少一者：所标识的第一模式的快照、所述第二模式的快照、所述至少一个与场景相关的信息流的快照、或其任何组合。
33.如权利要求30所述的设备，其特征在于，所述快照是结合所述至少一个与场景相关的信息流的捕捉历史来进行相关的。
34.如权利要求33所述的设备，其特征在于，所述历史包括在所述检测所述至少一个状况之前捕捉的时间段。
35.如权利要求34所述的设备，其特征在于，所述时间段包括存在达阈值历时的时间段。
36.如权利要求35所述的设备，其特征在于，所述阈值历时包括与所述至少一个检测到的状况有关的历时。
37.如权利要求30所述的设备，其特征在于，所述数据库包括以下至少一者：状况数据库、相关性数据库、或其任何组合。
38.如权利要求28所述的设备，其特征在于，所述多个信息源中的至少一者包括响应于以下至少一者生成的信号：用户在所述移动设备上执行指令、所述移动设备所支持的主机应用在所述移动设备上执行指令、或其任何组合。
39.如权利要求28所述的设备，其特征在于，所固定的所述变化参数子集构成所述第一模式。
40.如权利要求28所述的设备，其特征在于，进一步包括用于结合所述监视所述输入信号来标识与所述至少一个状况无关的至少一个模式的装置。
41.如权利要求40所述的设备，其特征在于，所述无关模式是经由应用以下至少一者来标识的：场景标注型过程、态势标注型过程、或其任何组合。
42.一种制品，包括：
其上存储有指令的非瞬态存储介质，所述指令能由移动设备处的专用计算平台执行以：
监视来自与所述移动设备相关联的多个信息源的输入信号；
至少部分地基于至少一个被监视的输入信号来检测至少一个状况，其中所述至少一个状况包括表征与用户意图或目标有关的态势的状况；
至少部分地基于至少一个检测到的状况来标识第一模式；
固定与所述第一模式相关联的变化参数子集，所述变化参数是至少部分地从所述被监视的输入信号推导出的；以及
发起用于至少部分地基于所标识的第一模式结合所述监视所述输入信号来尝试识别应与所述第一模式共同发生并且代表所述移动设备的相关联的传感器行为的第二模式的过程，其中所述第二模式关联于至少部分地由于固定所述变化参数子集而从所述被监视的输入信号推导出的变化参数精简集合。
43.如权利要求42所述的制品，其特征在于，所述用于发起所述过程的指令进一步包括用于以下操作的指令：
响应于所述检测到所述至少一个状况而捕捉所述被监视的输入信号的快照，所述被监视的输入信号定义至少一个场景相关信息流；以及
在数据库中将所述快照与所述第二模式相关。
44.如权利要求42所述的制品，其特征在于，结合以下至少一者来尝试识别所述第二模式：时间模式、动作相关模式、转变相关模式、关系模式、或其任何组合。
45.如权利要求43所述的制品，其特征在于，所述快照包括以下至少一者：所标识的第一模式的快照、所述第二模式的快照、所述至少一个场景相关信息流的快照、或其任何组合。
46.如权利要求43所述的制品，其特征在于，所述快照是结合所述至少一个场景相关信息流的捕捉历史来进行相关的。
47.如权利要求42所述的制品，其特征在于，所述存储介质进一步包括用于结合所述监视所述输入信号来标识与所述至少一个状况无关的至少一个模式的指令。
48.如权利要求47所述的制品，其特征在于，所述无关模式是经由应用以下至少一者来标识的：场景标注型过程、态势标注型过程、或其任何组合。
CN201280014069.9A 2011-01-19 2012-01-18 经由模式匹配来学习态势 Active CN103430191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811405325.2A CN109543844B (zh) 2011-01-19 2012-01-18 经由模式匹配来学习态势

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201161434400P 2011-01-19 2011-01-19
US61/434,400 2011-01-19
US13/269,516 2011-10-07
US13/269,516 US8768865B2 (en) 2011-01-19 2011-10-07 Learning situations via pattern matching
PCT/US2012/021743 WO2012154230A1 (en) 2011-01-19 2012-01-18 Learning situations via pattern matching

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN201811405325.2A Division CN109543844B (zh) 2011-01-19 2012-01-18 经由模式匹配来学习态势

Publications (2)

Publication Number Publication Date
CN103430191A CN103430191A (zh) 2013-12-04
CN103430191B true CN103430191B (zh) 2018-11-30

Family

ID=47007192

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201811405325.2A Active CN109543844B (zh) 2011-01-19 2012-01-18 经由模式匹配来学习态势
CN201280014069.9A Active CN103430191B (zh) 2011-01-19 2012-01-18 经由模式匹配来学习态势

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201811405325.2A Active CN109543844B (zh) 2011-01-19 2012-01-18 经由模式匹配来学习态势

Country Status (6)

Country Link
US (2) US8768865B2 (zh)
EP (3) EP2666121A1 (zh)
JP (1) JP5739017B2 (zh)
KR (1) KR101534423B1 (zh)
CN (2) CN109543844B (zh)
WO (1) WO2012154230A1 (zh)

Families Citing this family (75)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8745541B2 (en) 2003-03-25 2014-06-03 Microsoft Corporation Architecture for controlling a computer using hand gestures
US9733091B2 (en) * 2007-05-31 2017-08-15 Trx Systems, Inc. Collaborative creation of indoor maps
US20160026265A1 (en) * 2008-10-20 2016-01-28 Kevin A. Shaw System and Method for Determining an Attitude of a Device Undergoing Dynamic Acceleration
US10145707B2 (en) * 2011-05-25 2018-12-04 CSR Technology Holdings Inc. Hierarchical context detection method to determine location of a mobile device on a person's body
US8892390B2 (en) * 2011-06-03 2014-11-18 Apple Inc. Determining motion states
US9053428B2 (en) 2011-07-21 2015-06-09 Qualcomm Incorporated Method and apparatus of robust neural temporal coding, learning and cell recruitments for memory using oscillation
US9147155B2 (en) 2011-08-16 2015-09-29 Qualcomm Incorporated Method and apparatus for neural temporal coding, learning and recognition
US9092735B2 (en) 2011-09-21 2015-07-28 Qualcomm Incorporated Method and apparatus for structural delay plasticity in spiking neural networks
US9111224B2 (en) 2011-10-19 2015-08-18 Qualcomm Incorporated Method and apparatus for neural learning of natural multi-spike trains in spiking neural networks
US8750897B2 (en) * 2011-10-19 2014-06-10 Qualcomm Incorporated Methods and apparatuses for use in determining a motion state of a mobile device
US9454245B2 (en) * 2011-11-01 2016-09-27 Qualcomm Incorporated System and method for improving orientation data
US8811938B2 (en) * 2011-12-16 2014-08-19 Microsoft Corporation Providing a user interface experience based on inferred vehicle state
PL398136A1 (pl) * 2012-02-17 2013-08-19 Binartech Spólka Jawna Aksamit Sposób wykrywania kontekstu urzadzenia przenosnego i urzadzenie przenosne z modulem wykrywania kontekstu
US8909575B2 (en) * 2012-02-29 2014-12-09 Qualcomm Incorporated Method and apparatus for modeling neural resource based synaptic placticity
JP2013205170A (ja) * 2012-03-28 2013-10-07 Sony Corp 情報処理装置、情報処理方法、およびプログラム
JP5904021B2 (ja) * 2012-06-07 2016-04-13 ソニー株式会社 情報処理装置、電子機器、情報処理方法、及びプログラム
US9064215B2 (en) 2012-06-14 2015-06-23 Qualcomm Incorporated Learning spike timing precision
US10163058B2 (en) * 2012-08-14 2018-12-25 Sri International Method, system and device for inferring a mobile user's current context and proactively providing assistance
DE102012108004A1 (de) * 2012-08-30 2014-03-06 Huf Hülsbeck & Fürst Gmbh & Co. Kg Sicherheitssystem für eine Kraftfahrzeugtür eines Kraftfahrzeuges mit mindestens zwei Sensoren
US20160051167A1 (en) * 2012-10-10 2016-02-25 Invensense, Inc. System and method for activity classification
US8775128B2 (en) * 2012-11-07 2014-07-08 Sensor Platforms, Inc. Selecting feature types to extract based on pre-classification of sensor measurements
US9726498B2 (en) * 2012-11-29 2017-08-08 Sensor Platforms, Inc. Combining monitoring sensor measurements and system signals to determine device context
WO2014129169A1 (ja) * 2013-02-22 2014-08-28 旭化成株式会社 保持状態変化検知装置、保持状態変化検知方法、およびプログラム
US9730145B2 (en) * 2013-03-15 2017-08-08 Qualcomm Incorporated In-transit detection using low complexity algorithm fusion and phone state heuristics
WO2014145122A2 (en) * 2013-03-15 2014-09-18 Aliphcom Identification of motion characteristics to determine activity
US20140288877A1 (en) * 2013-03-15 2014-09-25 Aliphcom Intermediate motion signal extraction to determine activity
US9679491B2 (en) 2013-05-24 2017-06-13 Qualcomm Incorporated Signaling device for teaching learning devices
US9509763B2 (en) 2013-05-24 2016-11-29 Qualcomm Incorporated Delayed actions for a decentralized system of learning devices
US9747554B2 (en) 2013-05-24 2017-08-29 Qualcomm Incorporated Learning device with continuous configuration capability
CN103544485B (zh) * 2013-10-30 2018-07-06 无锡赛思汇智科技有限公司 基于智能终端的司机识别方法和装置
US9443063B2 (en) * 2013-12-06 2016-09-13 President And Fellows Of Harvard College Method and apparatus for using gait analysis to determine a health quality measure
EP3104944A4 (en) * 2014-02-12 2017-10-25 Khaylo Inc. Automatic recognition, learning, monitoring, and management of human physical activities
US9405377B2 (en) 2014-03-15 2016-08-02 Microsoft Technology Licensing, Llc Trainable sensor-based gesture recognition
US9807725B1 (en) 2014-04-10 2017-10-31 Knowles Electronics, Llc Determining a spatial relationship between different user contexts
US20150316579A1 (en) * 2014-05-02 2015-11-05 Qualcomm Incorporated Motion direction determination and application
US9983224B2 (en) 2014-05-02 2018-05-29 Qualcomm Incorporated Motion direction determination and application
US10281484B2 (en) 2014-05-02 2019-05-07 Qualcomm Incorporated Motion direction determination and application
US9308417B2 (en) 2014-07-16 2016-04-12 Flomio Method and system for identification of concurrently moving bodies and objects
DE112016000545B4 (de) 2015-01-30 2019-08-22 Knowles Electronics, Llc Kontextabhängiges schalten von mikrofonen
KR101671760B1 (ko) * 2015-03-16 2016-11-02 주식회사 스마트올웨이즈온 멀티모달 정보를 기반으로 상황 인지 기능을 수행하여 사용자 인터페이스와 사용자 경험을 스스로 학습하고 개선하는 셋톱박스, 촬영 장치, 그리고 이를 이용한 방법 및 컴퓨터 판독 가능한 기록 매체
CN104765795A (zh) * 2015-03-25 2015-07-08 天脉聚源(北京)传媒科技有限公司 一种信息提示方法及装置
WO2016154598A1 (en) * 2015-03-25 2016-09-29 Carnegie Mellon University System and method for adaptive, rapidly deployable, human-intelligent sensor feeds
US9746930B2 (en) 2015-03-26 2017-08-29 General Electric Company Detection and usability of personal electronic devices for field engineers
US10180339B1 (en) 2015-05-08 2019-01-15 Digimarc Corporation Sensing systems
US20170004827A1 (en) * 2015-06-30 2017-01-05 Siemens Energy, Inc. Data Collection and Reporting System and Method
KR102344021B1 (ko) 2015-12-23 2021-12-28 삼성전자주식회사 디바이스를 제어하는 방법 및 장치
US10118696B1 (en) 2016-03-31 2018-11-06 Steven M. Hoffberg Steerable rotating projectile
US10255738B1 (en) * 2016-07-25 2019-04-09 United Services Automobile Association (Usaa) Authentication based on through-body signals detected in body area networks
US10482379B2 (en) * 2016-07-29 2019-11-19 Google Llc Systems and methods to perform machine learning with feedback consistency
DK3280157T3 (da) * 2016-08-04 2021-04-26 Gn Hearing As Høreapparat til at modtage lokationsinformation fra trådløst netværk
US9886954B1 (en) 2016-09-30 2018-02-06 Doppler Labs, Inc. Context aware hearing optimization engine
US11205103B2 (en) 2016-12-09 2021-12-21 The Research Foundation for the State University Semisupervised autoencoder for sentiment analysis
US10805809B2 (en) * 2017-05-12 2020-10-13 T-Mobile Usa, Inc. Femtocell provisioning and service issue optimization
US10410492B2 (en) 2017-09-18 2019-09-10 Comcast Cable Communications, Llc Automatic presence simulator for security systems
KR102487669B1 (ko) * 2017-09-29 2023-01-13 현대자동차주식회사 대화 시스템, 이를 포함하는 차량 및 대화 처리 방법
CN107920142B (zh) * 2017-11-22 2019-10-25 Oppo广东移动通信有限公司 电子装置
US10813169B2 (en) 2018-03-22 2020-10-20 GoTenna, Inc. Mesh network deployment kit
US11712637B1 (en) 2018-03-23 2023-08-01 Steven M. Hoffberg Steerable disk or ball
WO2019183917A1 (en) * 2018-03-30 2019-10-03 Orange Method for operating a device for handling a phone call
US11131787B2 (en) 2018-05-28 2021-09-28 Samsung Electronics Co., Ltd. Electromagnetic sensor and mobile device including the same
EP3624077B1 (en) 2018-09-17 2023-11-01 Zumtobel Lighting GmbH Object detection sensor network for calculating a motion path of an object
WO2020087162A1 (en) * 2018-10-29 2020-05-07 Intellisports Inc. System and method for real-time activity classification and feedback
CN111209904A (zh) * 2018-11-21 2020-05-29 华为技术有限公司 一种业务处理的方法以及相关装置
WO2020170400A1 (ja) * 2019-02-21 2020-08-27 日本電気株式会社 仮説検証装置、仮説検証方法、及びコンピュータ読み取り可能な記録媒体
EP3935581A4 (en) 2019-03-04 2022-11-30 Iocurrents, Inc. DATA COMPRESSION AND COMMUNICATION USING MACHINE LEARNING
CN110058699B (zh) * 2019-04-28 2021-04-27 电子科技大学 一种基于智能移动设备传感器的用户行为识别方法
CN110517223A (zh) * 2019-07-11 2019-11-29 万翼科技有限公司 图纸审查方法、装置、计算机设备和存储介质
WO2021021997A1 (en) * 2019-07-30 2021-02-04 Google Llc Detection and classification of unknown motions in wearable devices
IT201900016136A1 (it) * 2019-09-12 2021-03-12 St Microelectronics Srl Dispositivo elettronico di salvataggio efficiente di dati storici di sensori ambientali e relativo metodo
US11440196B1 (en) * 2019-12-17 2022-09-13 X Development Llc Object association using machine learning models
GB2592050A (en) 2020-02-14 2021-08-18 Nokia Technologies Oy Adapting models for artificial intelligence
US12099572B2 (en) * 2020-04-07 2024-09-24 Technext Inc. Systems and methods to estimate rate of improvement for all technologies
WO2021258023A1 (en) * 2020-06-18 2021-12-23 Mathieu John David Robotic intervention systems
US11558090B2 (en) 2020-10-20 2023-01-17 Dell Products, Lp Systems and methods to utilize contextual awareness and machine learning to optimize antenna selection
IL286925A (en) * 2021-10-03 2023-05-01 UNGARISH David Control over viewing directionality of a mobile device screen

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101189890A (zh) * 2005-06-28 2008-05-28 微软公司 利用现有无线电基站的定位服务
CN101502132A (zh) * 2006-08-03 2009-08-05 卢森特技术有限公司 在无线通信网络中确定移动用户终端的移动情境
CN101600167A (zh) * 2008-06-06 2009-12-09 瞬联软件科技（北京）有限公司 面向移动应用的信息自适应交互系统及其实现方法

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH114398A (ja) * 1997-06-11 1999-01-06 Hitachi Ltd デジタルワイドカメラ
JP2003122992A (ja) * 2001-10-11 2003-04-25 Nippon Telegr & Teleph Corp <Ntt> 情報とメディアの選択システム、及び情報とメディアの選択方法
US6912386B1 (en) * 2001-11-13 2005-06-28 Nokia Corporation Method for controlling operation of a mobile device by detecting usage situations
US7570943B2 (en) 2002-08-29 2009-08-04 Nokia Corporation System and method for providing context sensitive recommendations to digital services
US7305133B2 (en) * 2002-11-01 2007-12-04 Mitsubishi Electric Research Laboratories, Inc. Pattern discovery in video content using association rules on multiple sets of labels
JP4214388B2 (ja) * 2003-05-01 2009-01-28 日本電気株式会社 携帯電話端末装置およびそのマナーモード制御方法
JP3984954B2 (ja) * 2003-12-26 2007-10-03 株式会社ドワンゴ 携帯装置、ならびに携帯装置を制御する方法、プログラムおよびそのプログラムを記録したコンピュータ読み取り可能な記録媒体
JP2006134080A (ja) * 2004-11-05 2006-05-25 Ntt Docomo Inc 携帯端末、及び、個人適応型コンテキスト獲得方法
CN101189868A (zh) * 2005-04-27 2008-05-28 富士胶片株式会社 图像捕捉装置、图像捕捉方法和程序
US20070036347A1 (en) 2005-08-06 2007-02-15 Mordechai Teicher Mobile Telephone with Ringer Mute
GB2434504B (en) 2006-01-13 2010-12-08 Eleftheria Katsiri Pattern recognition systems
US7617042B2 (en) 2006-06-30 2009-11-10 Microsoft Corporation Computing and harnessing inferences about the timing, duration, and nature of motion and cessation of motion with applications to mobile computing and communications
KR100782062B1 (ko) 2006-10-31 2007-12-04 에스케이 텔레콤주식회사 사용자 인터페이스 라이브러리에서 유연한 키 움직임 설정방법 및 장치
US8462109B2 (en) 2007-01-05 2013-06-11 Invensense, Inc. Controlling and accessing content using motion processing on mobile devices
JP5229720B2 (ja) * 2008-04-02 2013-07-03 Ｎｅｃカシオモバイルコミュニケーションズ株式会社 携帯端末装置及びプログラム
JP5206135B2 (ja) 2008-06-09 2013-06-12 富士通モバイルコミュニケーションズ株式会社 携帯端末
JP2010016443A (ja) * 2008-07-01 2010-01-21 Toshiba Corp 状況認識装置、状況認識方法、及び無線端末装置
US8370106B2 (en) 2008-07-07 2013-02-05 Keynetik, Inc. Spatially aware inference logic
US8560267B2 (en) * 2009-09-15 2013-10-15 Imetrikus, Inc. Identifying one or more activities of an animate or inanimate object
US20100217533A1 (en) 2009-02-23 2010-08-26 Laburnum Networks, Inc. Identifying a Type of Motion of an Object
KR101541305B1 (ko) 2009-05-21 2015-08-03 삼성전자주식회사 정보 보호를 위한 이동 단말 및 상기 이동 단말에서 수행되는 정보 보호 방법
US20100317371A1 (en) 2009-06-12 2010-12-16 Westerinen William J Context-based interaction model for mobile devices
US8078152B2 (en) 2009-08-13 2011-12-13 Palo Alto Research Center Incorporated Venue inference using data sensed by mobile devices
US8737961B2 (en) 2009-09-23 2014-05-27 Nokia Corporation Method and apparatus for incrementally determining location context
JP5081949B2 (ja) * 2010-05-24 2012-11-28 ソニーモバイルコミュニケーションズ株式会社 電子機器、システム、および電子機器制御方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101189890A (zh) * 2005-06-28 2008-05-28 微软公司 利用现有无线电基站的定位服务
CN101502132A (zh) * 2006-08-03 2009-08-05 卢森特技术有限公司 在无线通信网络中确定移动用户终端的移动情境
CN101600167A (zh) * 2008-06-06 2009-12-09 瞬联软件科技（北京）有限公司 面向移动应用的信息自适应交互系统及其实现方法

Also Published As

Publication number Publication date
KR20130108467A (ko) 2013-10-02
US20120265716A1 (en) 2012-10-18
KR101534423B1 (ko) 2015-07-06
EP3637306A1 (en) 2020-04-15
EP4379578A2 (en) 2024-06-05
US8756173B2 (en) 2014-06-17
EP3637306C0 (en) 2024-05-22
CN109543844A (zh) 2019-03-29
EP2666121A1 (en) 2013-11-27
JP5739017B2 (ja) 2015-06-24
US20120265717A1 (en) 2012-10-18
CN109543844B (zh) 2023-09-15
US8768865B2 (en) 2014-07-01
EP4379578A3 (en) 2024-06-12
CN103430191A (zh) 2013-12-04
EP3637306B1 (en) 2024-05-22
WO2012154230A1 (en) 2012-11-15
JP2014513330A (ja) 2014-05-29

Similar Documents

Publication Publication Date Title
CN103430191B (zh) 经由模式匹配来学习态势
CN109919251B (zh) 一种基于图像的目标检测方法、模型训练的方法及装置
Gu et al. Paws: Passive human activity recognition based on wifi ambient signals
US10943091B2 (en) Facial feature point tracking method, apparatus, storage medium, and device
CN103582856B (zh) 使用加速计的歇止检测
Coskun et al. Phone position/placement detection using accelerometer: Impact on activity recognition
Miluzzo et al. CenceMe–injecting sensing presence into social networking applications
CN101938691B (zh) 多模态邻近度检测
CN109325967A (zh) 目标跟踪方法、装置、介质以及设备
Sunny et al. Applications and challenges of human activity recognition using sensors in a smart environment
Vhaduri et al. Discovering places of interest using sensor data from smartphones and wearables
TW201618565A (zh) 用於在計算裝置間基於區域過渡偵測之自動通訊期資料傳輸的系統與方法
CN106068487A (zh) 无按钮的显示器激活
TWI674539B (zh) 物品位置記憶系統及方法
Acer et al. Sensing WiFi network for personal IoT analytics
US20170272902A1 (en) Handling sensor information
Demrozi et al. Towards the automatic data annotation for human activity recognition based on wearables and BLE beacons
CN111630346A (zh) 基于图像和无线电词语的移动设备的改进定位
Yao et al. Energy efficient communication among wearable devices using optimized motion detection
US9069003B2 (en) Methods, apparatuses and computer program products for determining speed of movement of a device and device pose classification
Xiong et al. A smart home control system based on indoor location and attitude estimation
CN109284783A (zh) 基于机器学习的大礼拜计数方法、装置、用户设备及介质
Sun et al. Detection of in-progress phone calls using smartphone proximity and orientation sensors
Mazokha et al. Urban-scale testbed infrastructure for data-driven wireless research
Mendez et al. On TinyML WiFi Fingerprinting-Based Indoor Localization: Comparing RSSI vs. CSI Utilization

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