CN104239034B - 智能电子设备的场合识别方法和信息通知方法及其装置 - Google Patents
智能电子设备的场合识别方法和信息通知方法及其装置 Download PDFInfo
- Publication number
- CN104239034B CN104239034B CN201410409363.0A CN201410409363A CN104239034B CN 104239034 B CN104239034 B CN 104239034B CN 201410409363 A CN201410409363 A CN 201410409363A CN 104239034 B CN104239034 B CN 104239034B
- Authority
- CN
- China
- Prior art keywords
- occasion
- characteristic data
- environmental
- training
- environmental characteristic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 230000007613 environmental effect Effects 0.000 claims abstract description 417
- 238000012549 training Methods 0.000 claims abstract description 299
- 230000004927 fusion Effects 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 97
- 230000004907 flux Effects 0.000 claims description 14
- 235000015170 shellfish Nutrition 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 25
- 230000008859 change Effects 0.000 description 16
- 238000005070 sampling Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241000937378 Everettia interior Species 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明公开了一种智能电子设备的场合识别方法和信息通知方法及其装置；其中的场合识别方法包括：针对多种不同场合，分别收集多个环境特征数据，所述收集的多个环境特征数据及其对应的场合标识形成训练集合；训练步骤：从所述训练集合中选取多个环境特征数据，所述选取的多个环境样本数据及其对应的场合标识形成训练子集，利用所述训练子集进行训练获得分类器；重复所述训练步骤获得多个分类器；根据输入各分类器的环境特征数据对应的场合标识以及各分类器的场合识别结果将多个分类器融合为各场合的环境模型；所述各场合的环境模型用于识别智能电子设备当前所处位置对应的场合。
Description
技术领域
本发明涉及智能电子设备技术，具体涉及一种智能电子设备的场合识别方法和装置以及基于智能电子设备的信息通知方法和装置。
背景技术
智能移动电话、平板电脑以及可穿戴的智能电子设备等智能电子设备已经逐渐深入到人们的日常生活和工作中了。智能电子设备通常会涉及到信息通知，例如，智能移动电话在来电或者来短消息或者APP有新信息等情况下会进行信息通知，以使智能移动电话的使用者及时获知。
目前，智能电子设备的信息通知方式通常包括：声音(如来电响铃或者来短消息响铃等)、震动、光亮变化(如闪烁)、气流变化、温度变化以及磁场变化等多种模式。
发明人在实现本发明过程中发现，在某些场合，智能电子设备最好采用与当前场合相适应的信息通知方式，例如智能电子设备处于开会场合或者电影院场合时，智能电子设备最好采用震动模式或者光亮变化模式等无声的信息通知方式；再例如，智能电子设备处于公交场合或者地铁场合时，智能电子设备最好同时采用声音模式、震动模式以及光亮变化模式等多模式组合的信息通知模式。在智能电子设备自适应的随着场合的变化而自动调整其信息通知方式的技术中，如何使智能电子设备能够随着场合的变化而准确自适应的调整其信息通知方式是非常重要的。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的智能电子设备的场合识别方法和装置以及基于智能电子设备的信息通知方法和装置。
依据本发明的一个方面，提供了一种智能电子设备的场合识别方法，该方法包括：针对多种不同场合，分别收集多个环境特征数据，所述收集的多个环境特征数据及其对应的场合标识形成训练集合；训练步骤：从所述训练集合中选取多个环境特征数据，所述选取的多个环境特征数据及其对应的场合标识形成训练子集，利用所述训练子集进行训练获得分类器；重复所述训练步骤获得多个分类器；根据输入各分类器的环境特征数据对应的场合标识以及各分类器对输入的环境特征数据的场合识别结果将多个分类器融合为各场合的环境模型；其中，所述各场合的环境模型用于识别智能电子设备当前所处位置对应的场合。
依据本发明的另一个方面，提供了一种包含有上述场合识别方法的基于智能电子设备的信息通知方法，该信息通知方法包括：采集智能电子设备当前所处位置的多个环境特征数据；将所述多个环境特征数据作为各场合的环境模型的输入，根据各场合的环境模型的输出信息识别智能电子设备当前所处位置对应的场合；根据智能电子设备当前所处位置对应的场合自适应的设置智能电子设备的当前信息通知模式；其中，所述各场合的环境模型是利用上述场合识别方法获得的。
依据本发明的再一个方面，提供一种智能电子设备的场合识别装置，该场合识别装置包括：收集模块，适于针对多种不同场合，分别收集多个环境特征数据，收集的多个环境特征数据及其对应的场合标识形成训练集合；训练模块，适于执行训练步骤，所述训练步骤包括：从所述训练集合中选取多个环境特征数据，所述选取的多个环境特征数据及其对应的场合标识形成训练子集，利用所述训练子集进行训练获得分类器；训练控制模块，适于控制训练模块重复执行所述训练步骤，以获得多个分类器；融合模块，适于根据输入各分类器的环境特征数据对应的场合标识以及各分类器对输入的环境特征数据的场合识别结果将多个分类器融合为各场合的环境模型；其中，所述各场合的环境模型用于识别智能电子设备当前所处位置对应的场合。
依据本发明的再一个方面，提供了一种基于智能电子设备的信息通知装置，该信息通知装置包括：采集模块，适于采集智能电子设备当前所处位置的多个环境特征数据；场合识别模块，适于将所述多个环境特征数据作为各场合的环境模型的输入，根据各场合的环境模型的输出信息识别智能电子设备当前所处位置对应的场合；调整模块，适于根据智能电子设备当前所处位置对应的场合自适应的设置智能电子设备的当前信息通知模式；其中，所述各场合的环境模型是利用上述场合识别装置获得的。
本发明的智能电子设备的场合识别方法和信息通知方法及其装置通过从包含有场合标识以及环境特征数据的训练集合中多次选取多个环境特征数据形成多个训练子集，这样，可以利用不同的训练子集进行训练而获得多个分类器；通过利用各分类器对具有场合标识的环境样本数据进行场合识别，这样，可以根据各分类器的场合识别结果的倾向性将各分类器融合为不同场合的环境模型，从而利用上述方式形成的不同场合的环境模型可以准确的识别出智能电子设备当前所处位置对应的场合；最终本发明可以使智能电子设备能够随着场合的变化而准确自适应的调整其信息通知方式。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。本实施例的附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明实施例一的智能电子设备的场合识别方法流程图；
图2示出了根据本发明实施例三的基于智能电子设备的信息通知方法流程图；
图3示出了根据本发明实施例四的智能电子设备的场合识别装置示意图；
图4示出了根据本发明实施例五的基于智能电子设备的信息通知装置示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一、智能电子设备的场合识别方法。下面结合图1对本实施例的场合识别方法进行说明。
图1中，S100、针对多种不同场合，分别收集多个环境特征数据。
具体的，本实施例需要在已知场合的情况下，预先收集不同场合的环境特征数据；也就是说，本步骤中收集的环境特征数据具有预先明确确定的场合标识，且通常情况下每一个环境特征数据唯一对应一个场合标识。这里的场合标识也可以称为场合标签或者场合信息等，场合标识主要用以表明环境特征数据所属的场合。
所有收集到的各场合的环境特征数据及各环境特征数据所对应的场合标识的集合可以被称为训练集合。训练集合中环境特征数据和场合标识可以采用对应关系的形式来表示，如训练集合中的一条记录可以包括一个场合标识以及一条环境特征数据。训练集合中的一条记录可以称为一条环境样本数据。
另外，每一条环境特征数据还可以对应有时间戳，如训练集合中的每一条环境样本数据都可以包括一个场合标识、一个时间戳以及一条环境特征数据。环境特征数据对应的时间戳可以使后续形成的各场合的环境模型具有时间属性，从而对环境模型进行了进一步的细化；如同样是公交车场合，在采集环境特征数据时可以发现：工作日早高峰时段的公交车场合的环境特征数据与空闲时段的公交车场合的环境特征数据所表示出的环境特征有较大差别，如果公交车场合对应的环境模型具有时间属性，则公交车场合对应的环境模型被进一步细化了；本实施例在每一条环境样本数据中引入了时间戳属性，其实是对同一场合的不同时间的环境特征数据进行了进一步的区分，有利于后续在选择环境特征数据进行分类器训练时正确地选择合适的环境特征数据进行训练，使后续训练出的分类器的准确性更高，进而可以提高场合识别结果的准确性。
本实施例中的环境特征数据主要用于描述相应场合的实际环境；环境特征数据可以采用向量的形式来体现相应场合的实际环境，且环境特征数据通常可以根据实际需求而包括多种类型的特征向量；一个具体的例子，环境特征数据主要包括：声源特征向量、声谱特征向量、回音特征向量以及声贝特征向量；另一个具体的例子，环境特征数据在包括上述与声音相关的多个特征向量的情况下，还可以包括：光亮特征向量、震动特征向量、气流特征向量、温度特征向量以及磁通量特征向量中的至少一个。
在将声源特征向量简记为向量A、将声谱特征向量简记为向量B、将回音特征向量简记为向量C、将声贝特征向量简记为向量D、将光亮特征向量简记为向量E、将震动特征向量简记为向量G、将气流特征向量简记为向量H、将温度特征向量简记为向量I、将磁通量特征向量简记为向量J的情况下，则环境特征数据为一个多维向量的形式，如在将环境特征数据简记为多维向量F的情况下，多维向量F可以记为：
F＝{A,B,C,D,E,G,H,I,J}；
上述的向量A、向量B、向量C、向量D、向量E、向量G、向量H、向量I、向量J均具有相应的维度，且各向量所具有的维度可以相同，也可以不相同；另外，上述各向量可以是分别进行了正则化处理的向量。
向量A、向量B、向量C和向量D可以分别采用64维度Spectrogram特征向量{S0,S1,……,S63}、39维度MFCC特征向量{MF0,MF1,……,MF38}、64维度ZCR特征向量{Z0,Z1,……,Z63}以及64维度FilterBands特则向量{FB0,FB1,…,FB63}来表示。
向量E可以通过测光电路的电流值表示；在设定当前时刻为t、且采样周期为T以及采样数量为d的情况下，向量E可以采用d个时刻的光强度值{It-d/2,…,It-1,It,It+1,…,It+d/2}(共d维)及其各时刻前后的的光强度变化值{ΔI＜t-d/2,t-d/2+1＞,…,ΔI＜t-1,t＞,ΔI＜t,t+1＞,…,ΔI＜t+d/2-1,t+d/2＞}(共d-1维度)来表示，其中，ΔI＜t-1,t＞表示It-1-It，其他ΔI所表示的含义依此类推；这里的向量E的维度为2d-1。
向量G可以通过方位仪器(如陀螺仪等)所测量获得的三维空间{x,y,z}的振幅来表示；在设定当前时刻为t、且采样周期为T以及采样数量为d的情况下，向量G可以采用{Δx＜t-d/2,t-d/2+1＞,Δy＜t-d/2,t-d/2+1＞,Δz＜t-d/2,t-d/2+1＞,……,Δx＜t-1,t＞,Δy＜t-1,t＞,Δz＜t-1,t＞,,Δx＜t,t+1＞,Δy＜t,t+1＞,Δz＜t,t+1＞,…,Δx＜t+d/2-1,t+d/2＞,Δy＜t+d/2-1,t+d/2＞,Δz＜t+d/2-1,t+d/2＞,}来表示；其中，Δx＜t-1,t＞,Δy＜t-1,t＞,Δz＜t-1,t＞分别表示xt-1-xt，yt-1-yt，zt-1-zt，而其他Δx、Δy、Δz所表示的含义依此类推；这里的向量G的维度为3d-3。
向量H可以通过气流传感器所获得的三维空间{x,y,z}的气流强度来表示；在设定当前时刻为t、且采样周期为T以及采样数量为d的情况下，向量H可以采用{Δx＜t-d/2,t-d/2+1＞,Δy＜t-d/2,t-d/2+1＞,Δz＜t-d/2,t-d/2+1＞,……,Δx＜t-1,t＞,Δy＜t-1,t＞,Δz＜t-1,t＞,,Δx＜t,t+1＞,Δy＜t,t+1＞,Δz＜t,t+1＞,…,Δx＜t+d/2-1,t+d/2＞,Δy＜t+d/2-1,t+d/2＞,Δz＜t+d/2-1,t+d/2＞,}来表示；其中，Δx＜t-1,t＞,Δy＜t-1,t＞,Δz＜t-1,t＞分别表示xt-1-xt，yt-1-yt，zt-1-zt，而其他Δx、Δy、Δz所表示的含义依此类推；这里的向量H的维度为3d-3。
向量I可以通过温度传感器所获得的温度w以及温度w的一阶变化量Δw来表示；在智能电子设备被划分为n(n≥1)个区域、设定当前时刻为t、且采样周期为T以及采样数量为d的情况下，对于任一区域r的温度向量I可以采用{wr,t-d/2,Δwr,＜t-d/2,t-d/2+1＞,wr,t-d/2+1，……，wr,t-1,Δwr,＜t-1,t＞,wr,t,Δwr,＜t,t+1＞,wr,t+1,……,wr,t+d/2-1,Δwr,＜t+d/2-1,t+d/2＞,wr,t+d/2}来表示；其中，Δwr,＜t-d/2,t-d/2+1＞表示wr,t-d/2与wr,t-d/2+1的差值，而其他Δw所表示的含义依此类推；这里的向量I的维度为2d-1维度；另外，除了r区域之外的其他区域也可以采用类似的形式来表示。
向量J可以通过磁通量传感器所获得的三维空间{x,y,z}的磁通量来表示；在设定当前时刻为t、且采样周期为T以及采样数量为d的情况下，向量J可以采用{Δx＜t-d/2,t-d/2+1＞,Δy＜t-d/2,t-d/2+1＞,Δz＜t-d/2,t-d/2+1＞,，……,Δx＜t-1,t＞,Δy＜t-1,t＞,Δz＜t-1,t＞,,Δx＜t,t+1＞,Δy＜t,t+1＞,Δz＜t,t+1＞,……,Δx＜t+d/2-1,t+d/2＞,Δy＜t+d/2-1,t+d/2＞,Δz＜t+d/2-1,t+d/2＞,}来表示；其中，Δx＜t-1,t＞,Δy＜t-1,t＞,Δz＜t-1,t＞分别表示xt-1-xt，yt-1-yt，zt-1-zt，而其他Δx、Δy、Δz所表示的含义依此类推；这里的向量J的维度为3d-3。
S110、训练步骤：从上述训练集合中选取多个环境特征数据，由选取的多个环境特征数据及其对应的场合标识形成训练子集，利用该训练子集进行训练获得一个分类器。
具体的，本实施例的训练步骤为离线训练过程，且训练步骤会被执行多次，训练步骤每被执行一次可以获得一个分类器，训练步骤的多次执行会获得多个不同的分类器(如L个不同的分类器)。在每次执行训练步骤时，均会从训练集合中选取多个环境特征数据以形成训练子集，正常情况下，任意两次执行训练步骤所形成的两个训练子集应该是不相同的。
本实施例可以根据预先设置的选取策略来从训练集合中选取多个环境特征数据以形成训练子集；该选取策略可以根据实际需求来设置；一个具体的例子，本实施例可以根据选取场合识别易出错的环境特征数据的策略来从训练集合中选取多个环境特征数据以形成训练子集；在具体实现过程中，可以根据训练集合中的各环境特征数据的权重值大小来选取多个环境特征数据以形成训练子集；当然，本实施例也可以通过其他选取策略如随机选取策略等从训练集合中选取多个环境特征数据以形成训练子集。
在基于环境特征数据的权重值大小从训练集合中选取多个环境特征数据以形成训练子集的情况下，本实施例可以首先将训练集合中的各环境特征数据的权重值初始化为相同的权重值，然后，在后续的训练过程中再不断的调整训练集合中的环境特征数据的权重值(如对分类器错误识别场合的环境特征数据和/或正确识别场合的环境特征数据的权重值进行相应的调整，以使分类器错误识别场合的环境特征数据在下次训练形成训练子集的过程中更容易被选取)；当然，本实施例也可以将训练集合中的各环境特征数据的权重值初始化为不同的权重值(如在初次执行训练步骤中的选取环境特征数据操作之前，采用经验值或者随机数等方式来设置训练集合中各环境特征数据的权重值)，然后，在后续的训练过程中再不断的调整训练集合中的环境特征数据的权重值(如对分类器错误识别场合的环境特征数据和/或正确识别场合的环境特征数据的权重值进行调整，以使分类器错误识别场合的环境特征数据在下次训练形成训练子集的过程中更容易被选取)。
分类器输出的信息可表示输入该分类器的环境特征数据属于各个场合的概率，在此情况下，本实施例可以将概率数值最大的场合确定为该分类器识别出的该环境特征数据所属的场合。
训练子集中的环境特征数据和场合标识可以采用对应关系的形式，如训练子集中的包含一条记录可以包含2个部分：一个场合标识和一条环境特征数据；再如训练子集中的一条记录可以包含3个部分：一个场合标识、一个时间戳和一条环境特征数据。训练子集中的一条记录同样可以称为一条环境样本数据。
本实施例可以基于训练子集采用多种训练方式进行分类器训练(即离线学习)，从而通过一次训练获得一个分类器；例如，本实施例可以采用AdaBoost方法、多分类支持向量机方法或者决策树方法等多分类器方法进行离线训练(即离线学习)。
下面以AdaBoost方法为例，对本实施例的训练步骤进行详细说明。
在首次执行训练步骤中的形成训练子集操作之前，为训练集合X中的每一条环境特征数据分别赋予一个初始权重值，该初始权重值可以按照经验来设置，也可以设置为相同的初始值；根据训练集合X中的各环境特征数据的权重值选取环境特征数据，形成一个训练子集s(如s1)；然后,利用训练子集s(如s1)对支持向量机(也可以称为基分类器)进行训练(也可以称为学习)，得到一个分类器h(如h1)；利用该分类器h(如h1)对训练集合X中的各环境特征数据分别进行场合识别，通常情况下，该分类器h(如h1)可以正确识别训练集合X中一部分环境特征数据的场合，也会错误识别训练集合X中另一部分环境特征数据的场合；之后，根据分类器h(如h1)的识别结果对训练集合X中相应的环境特征数据的权重值进行调整，使能够被分类器h(如h1)正确识别场合的环境特征数据的权重值降低，而被分类器h(如h1)错误识别的环境特征数据的权重值提高，以便于在下一次形成训练子集时，被错误识别的环境特征数据更容易被选取；在对训练集合中的环境特征数据的权重值调整后，就可以到S120以判断是否需要进行下一次的训练步骤。
S120、判断是否需要继续训练，如果需要继续训练，则返回到S110，重复上述形成训练子集s(如s2)、利用训练子集s(如s2)进行训练以及权重值调整的步骤，以获得新的分类器(如h2)；如果不需要继续训练，则到S130。
具体的，本实施例可以预先设置训练次数，并判断当前已完成的训练次数是否达到预先设置的训练次数，如果没有达到预先设置的训练次数，则返回到S110，如果已经达到预先设置的训练次数，则到S130。
本实施例也可以根据实际需求而采用其他方式来判断是否需要进行继续训练，如已经被选取出的环境特征数据的数量是否达到预定数量(预定数量如训练集合中环境特征数据的总数量的N倍，且N为大于2的正数)，如果没有达到预定数量，则返回到S110，如果已经达到预先设置的训练次数，则到S130。
需要特别说明的是，上述S110中描述的调整训练集合X中的环境样本数据的权重值的操作也可以调整到S120中的判断出需要继续训练时再执行。
S130、根据输入各分类器的环境特征数据对应的场合标识以及各分类器的场合识别结果将多个分类器融合为各场合的环境模型。
具体的，本实施例可以基于多个分类器形成不同场合的环境模型，不同场合的环境模型的输入通常可以为用户的智能电子设备当前所在位置的环境特征数据；另外，不同场合的环境模型的输入通常也可以为用户的智能电子设备当前所在位置的环境特征数据以及当前时间；环境模型的输出通常为其识别出的输入的特征数据属于该环境模型所属场合的概率；利用各场合的环境模型输出的概率值即可准确的确定出智能电子设备当前所处位置对应的场合。
上述不同场合的环境模型可以具体包括：会议室环境模型、电影院环境模型、超市环境模型、商场环境模型、公交巴士环境模型以及地铁环境模型等。更进一步的，在环境特征数据对应有时间戳信息的情况下，上述各环境模型还可以存在同一场合具有不同时间属性的多个环境模型的形式，如针对地铁场合而言，地铁环境模型可以包括：上午7点左右的地铁环境模型以及晚上22点左右的地铁环境模型；再如，针对商场场合而言，商场环境模型可以包括：节假日上午11点左右的商场环境模型以及工作日晚上21点左右的商场环境模型等。
设定通过上述训练步骤获得L个分类器，即分类器h1、分类器h2，……，分类器hL，包含有将L个分类器融合为各场合的环境模型过程的一个具体例子为：
对于一个或者多个具有确定场合的环境特征数据，将这样的环境特征数据作为L个分类器的输入，每个分类器都会输出其识别出的场合信息(如该环境特征数据属于各个场合的概率等)，由于预先知道作为输入的环境特征数据具有明确的场合，因此，本具体例子可以针对预先知道的场合对各个分类器hi对环境特征数据的识别结果进行综合计算(如加权投票等)，以使综合计算结果所对应的场合与预先知道的场合相符；针对明确具有不同场合的环境特征数据，上述对各个分类器hi对环境特征数据的识别结果进行综合计算的计算方式即形成各场合的环境模型，如不同场合的环境模型具有不同的加权投票方式。
形成各场合的环境模型过程的一个具体例子为：
设定分类器一共有L个，即h1、h2，……，hL；
设定不同场合的环境模型一共有MODEL_NUM个，即M1、M2、……MMODEL_NUM；
其中：
M1＝f1(h1、h2，……，hL)；
M2＝f2(h1、h2，……，hL)；……
MMODEL_NUM＝fMODEL_NUM(h1、h2，……，hL)；
也就是说，每一个环境模型都是分类器的函数，例如：
M1＝ah1+bh2+……+chL；且其中的a、b、……和c为系数；
M2＝dh1+eh2+……+fhL；且其中的d、e、……和f为系数；
需要特别说明的是，上述各环境模型均是L个分类器的线性组合，然而在实际应用中，各环境模型不一定是L个分类器的线性组合，完全可以基于其他函数来使L个分类器形成环境模型，具体所采用的函数可以根据实际情况来设置，并可以随时调整更新。
实施例二、基于AdaBoost方法的智能电子设备的场合识别方法的一个具体的例子。
设定训练集合x＝{(x1,y1),(x2,y2),...,(xN,yN)},其中，xi是训练集合x中的第i个环境特征数据(特征向量的形式)，yi∈Y＝{1,2,...,K}表示第i个环境特征数据所对应的场合标识；设定本具体例子采用AdaBoost方法的基分类器设计方法C，且训练次数为L；
首先执行初始化操作：初始化训练集合x中的各环境样本数据(xi,yi)中的环境特征数据的权重值w1(i)＝1/N；其中，N为训练集合中环境特征数据的数量(也即训练集合中的环境样本数据的数量)；
之后，执行下述内层循环；
LOOP2，即内层循环：执行ROUND次迭代过程：for t＝1to ROUND do
对训练集合x中的所有环境样本数据(xi,yi)中的环境特征数据的权重值执行下述计算：
其中，pt(i)表示在此次(第t次)迭代周期中，环境特征数据被选中的概率，该概率用于形成训练子集。
根据训练集合x中的所有的环境特征数据的pt(i)生成训练子集st；
利用训练子集st进行训练获得分类器ht；
计算分类器ht对训练集合x中的环境特征数据的场合识别错误率：
并计算
其中，αt表示在此次(第t次)迭代周期中，环境特征数据权重值更新的指数系数；
之后，计算归一化因子
然后，调整训练集合x中相应环境特征数据的权重值：
一次迭代循环过程结束；
通过执行ROUND次上述迭代过程可以获得1个分类器；
重复上述训练过程(LOOP2)L次可以获得L个分类器；上述训练过程所涉及到的目标函数是：
上述算法流程中，当且仅当满足条件ht(x)＝y时，符号[ht(x)＝y]的取值为1；
上述也可以使用一种简单的形式(如投票方式)取代，即
从上述算法流程中可以看出，在第一轮的循环过程中，训练集合x中的所有的环境特征数据的权重值均相等，基分类器选取了训练集合x中的所有环境特征数据形成训练子集。另外，在上述算法流程的每一个循环过程中，由于训练集合x中的环境特征数据的权重值不断的被调整，因此，在后续循环过程中从训练集合x中进行采样选取环境特征数据时，容易被分类器场合识别错误的环境特征数据被选中进入训练子集s的概率被提高了。
通常情况下，在训练集合x中，如果一个环境特征数据与两个场合的环境特征数据均较相似(即处于两个场合分界面附近的环境特征数据)，则该环境特征数据的场合容易被分类器识别错误的概率较高，这样，在后续的每一次循环训练过程中，两个场合分界面附近的环境特征数据更有可能被采样选取进行分类器的训练。由此可知，AdaBoost方法能够逐渐“聚焦”于场合识别较困难的环境特征数据(即“聚焦”于富含信息的环境特征数据)。
进一步的，下面基于AdaBoosts方法针对两场合识别的一个具体过程进行说明(针对三场合识别或者更多场合识别的过程与此过程类似)。
由于是两场合识别，因此，不失一般性假设Y＝{1,-1}；在第T轮循环(即迭代)之后，环境特征数据的概率分布为：
公式(1)
在上述公式(1)中，是第T轮迭代后的归一化因子，Z1是第1轮迭代后的归一化因子，同理，ZT-1是第T-1轮迭代后的归一化因子。
环境特征数据的概率分布是指从整体环境特征数据候选训练子集时命中(即选中)此条环境特征数据作为此次训练第T+1次迭代周期中所使用的样本的概率。
由于p1(i)＝1/N，且令以及因此由上述公式(1)可以得到下述公式(2)：
公式(2)
在上述公式(3)中，
因为且因此，如果则αt≤0；如果则αt＞0。
这样，令则本次训练的错误率为：
其中，|{*}|表示训练集合中的{*}的势。
证明上述结论的一个具体过程为：
如果sign(f(xi))＝h(xi)＝yi，则f(xi)yi＝c≥0,0≤e-c；
如果sign(f(xi))＝h(xi)≠yi，则f(xi)yi＝-c≤0,1≤ec；
因此，
其中，εi表示第i条环境样本数据被错误识别的概率，
因此， 公式(4)
由上述公式(4)可知，是利用本实施例的环境模型识别出的场合错误率的一个上界。
实施例三、基于智能电子设备的信息通知方法。下面结合图2对本实施例的信息通知方法进行说明。
图2中，S200、采集智能电子设备当前所处位置的多个环境特征数据。
具体的，本实施例的智能电子设备中设置有利用上述实施例一获得的不同场合的多个环境模型。本实施例中的智能电子设备中应设置有采集与声音相关的环境特征数据的元器件，如智能电子设备中设置有一个或者多个麦克风，智能电子设备利用其麦克风来采集声源特征向量、声谱特征向量、回音特征向量以及声贝特征向量等；另外，智能电子设备中还可以设置有采集与光亮、震动、气流、温度和/或磁通量相关的环境特征数据的元器件，如智能电子设备中设置有感光传感器、磁通量传感器、气流传感器、震动传感器以及温度传感器中的一个或者多个，以分别用于采集光亮特征向量、震动特征向量、气流特征向量、温度特征向量以及磁通量特征向量中的一个或者多个。
本实施例可以采用定时采集的方式来获取智能电子设备当前所处位置的环境特征数据(如每间隔两分钟或五分钟等启动采集操作，且在启动采集操作后，每间隔10毫秒采集一次环境特征数据，采集操作的时长可以为2秒钟)；上述定时采集的时间间隔可以为缺省设置的时间间隔，也可以为用户自己设置的时间间隔。
另外，本实施例存储的环境特征数据的数量可以有一定的限制，如限制环境特征数据只能占用一定的存储空间，再如，只存储预定采样次数所采样获得的环境特征数据；在存储的环境特征数据的数量有限制的情况下，如果已经存储的环境特征数据达到了预定数量，则最新采样获得的环境特征数据会覆盖已经存储的最旧的环境特征数据，这样，存储空间中存储的环境特征数据通常总会是最近一段时间所采样的环境特征数据。
S210、将上述采集获得的多个环境特征数据作为各场合的环境模型的输入，并综合各场合的环境模型的输出信息识别智能电子设备当前所处位置对应的场合。
具体的，可以将上述采集获得的多个环境特征数据作为利用上述实施例一所获得的各场合的环境模型的输入信息，在各场合的环境模型分别输出环境特征数据属于环境模型所属的场合的概率的情况下，可以对各环境模型输出的概率值进行比较，将输出概率值最高的那个环境模型所对应的场合作为本次识别出的智能电子设备当前所处位置对应的场合。也就是说，一条环境特征数据会同时提供给所有环境模型(即MODEL_NUM个环境模型)中的L个分类器，以进行场合判断，综合MODEL_NUM个环境模型输出的概率值可以获得该条环境特征数据所对应的一个最终的概率值，该最终的概率值即可表示出该条环境特征数据所对应的场合。需要说明的是，在对多个环境特征数据均进行上述输入判断过程时，会针对每一条环境特征数据均获得一个最终的概率值，本实施例可以综合各条环境特征数据对应的最终的概率值来判断多个环境特征数据所属的场合。
另外，本实施例可以在本次识别出智能电子设备当前所处位置对应的场合之后，将本次识别过程中作为输入信息的环境特征数据从存储空间中删除。
还有，多个环境特征数据对应的时间也可以作为L个分类器的输入。
S220、根据智能电子设备当前所处位置对应的场合自适应的设置智能电子设备的当前信息通知模式；
具体的，本实施例应根据当前识别出的场合将智能电子设备的当前信息通知模式调整为适合该场合的模式，这里的调整可以为信息通知模式的更换(如当前信息通知模式由声音通知模式更换为震动通知模式或者跑通知模式或者飞通知模式或者气流通知模式或者温度通知模式或者磁通量通知模式等)，也可以为信息通知模式所包含的某属性的改变(如声音通知模式中的铃声大小的改变或者光亮通知模式中的光亮强度的改变或者震动通知模式的震动强度的改变等等)。
一个具体的例子，用户携带其智能电子设备从休闲区域进入会议室，会议室的整体环境较安静，且会议室中具有单一或有限声源的演讲者发言，为了避免智能电子设备的来电铃声所带来的尬尴，在识别出当前场合为会议室后，应自适应的将智能电子设备的当前信息通知模式调整为无声的信息通知模式，如震动通知模式等。
另一个具体的例子，用户携带其智能电子设备从办公区进入商场，商场的整体环境较嘈杂，且伴有同时来自多个声源的声波，为了避免智能电子设备的来电铃声不能够被用户听见而产生的遗漏来电现象，在识别出当前场合为商场后，应自适应的将智能电子设备的当前信息通知模式调整为震动通知模式、光亮变化通知模式以及声音通知模式，且声音通知模式的声音大小为最大或者高于预定分贝等。
实施例四、智能电子设备的场合识别装置。下面结合图3对本实施例的场合识别装置进行说明。
图3示出的装置主要包括：收集模块300、训练模块310、训练控制模块320以及融合模块330。下面对各模块分别进行说明。
收集模块300主要用于针对多种不同的场合，分别收集多个环境特征数据，其中，收集的多个环境特征数据及其对应的场合标识形成训练集合。
具体的，收集模块300需要在已知场合的情况下，预先收集不同场合的环境特征数据；也就是说，收集模块300收集的环境特征数据具有预先明确确定的场合标识，且通常情况下每一个环境特征数据唯一对应一个场合标识。这里的场合标识也可以称为场合标签或者场合信息等，场合标识主要用以表明环境特征数据所属的场合。
所有收集到的各场合的环境特征数据及各环境特征数据所对应的场合标识的集合可以被称为训练集合。训练集合中环境特征数据和场合标识可以采用对应关系的形式来表示，如训练集合中的一条记录可以包括一个场合标识以及一条环境特征数据。训练集合中的一条记录可以称为一条环境样本数据。
另外，每一条环境特征数据还可以对应有时间戳，如训练集合中的每一条环境样本数据都可以包括一个场合标识、一个时间戳以及一条环境特征数据。环境特征数据对应的时间戳可以使后续形成的各场合的环境模型具有时间属性，从而对环境模型进行了进一步的细化；如同样是公交车场合，在采集环境特征数据时可以发现：工作日早高峰时段的公交车场合的环境特征数据与空闲时段的公交车场合的环境特征数据所表示出的环境特征有较大差别，如果公交车场合对应的环境模型具有时间属性，则公交车场合对应的环境模型被进一步细化了；收集模块300在每一条环境样本数据中引入了时间戳属性，其实是对同一场合的不同时间的环境特征数据进行了进一步的区分，有利于后续在选择环境特征数据进行分类器训练时正确地选择合适的环境特征数据进行训练，使后续训练出的分类器的准确性更高，进而可以提高场合识别结果的准确性。
本实施例中的环境特征数据主要用于描述相应场合的实际环境；环境特征数据可以采用向量的形式来体现相应场合的实际环境，且环境特征数据通常可以根据实际需求而包括多种类型的特征向量；一个具体的例子，环境特征数据主要包括：声源特征向量、声谱特征向量、回音特征向量以及声贝特征向量；另一个具体的例子，环境特征数据在包括上述与声音相关的多个特征向量的情况下，还可以包括：光亮特征向量、震动特征向量、气流特征向量、温度特征向量以及磁通量特征向量中的至少一个。各向量的详细说明如上述实施例一中的描述，在此不再重复说明。
训练模块310主要用于执行训练步骤，该训练步骤主要包括：从训练集合中选取多个环境特征数据，选取的多个环境特征数据及其对应的场合标识形成训练子集，利用训练子集进行训练以获得分类器。
具体的，训练模块310所执行的训练步骤为离线训练过程，且训练步骤会被执行多次，训练步骤每被执行一次可以获得一个分类器，训练步骤的多次执行会获得多个不同的分类器(如L个不同的分类器)。在训练模块310每次执行训练步骤时，均会从训练集合中选取多个环境特征数据以形成训练子集，正常情况下，训练模块310所执行的任意两次执行训练步骤所形成的两个训练子集应该是不相同的。
训练模块310可以根据预先设置的选取策略来从训练集合中选取多个环境特征数据以形成训练子集；该选取策略可以根据实际需求来设置；一个具体的例子，训练模块310可以根据选取场合识别易出错的环境特征数据的策略来从训练集合中选取多个环境特征数据以形成训练子集；在具体实现过程中，可以根据训练集合中的各环境特征数据的权重值大小来选取多个环境特征数据以形成训练子集；当然，训练模块310也可以通过其他选取策略如随机选取策略等从训练集合中选取多个环境特征数据以形成训练子集。
在基于环境特征数据的权重值大小从训练集合中选取多个环境特征数据以形成训练子集的情况下，训练模块310可以首先将训练集合中的各环境特征数据的权重值初始化为相同的权重值，然后，在后续的训练过程中再不断的调整训练集合中的环境特征数据的权重值(如对分类器错误识别场合的环境特征数据和/或正确识别场合的环境特征数据的权重值进行相应的调整，以使分类器错误识别场合的环境特征数据在下次训练形成训练子集的过程中更容易被选取)；当然，训练模块310也可以将训练集合中的各环境特征数据的权重值初始化为不同的权重值(如训练模块310在初次执行训练步骤中的选取环境特征数据操作之前，采用经验值或者随机数等方式来设置训练集合中各环境特征数据的权重值)，然后，训练模块310在后续的训练过程中再不断的调整训练集合中的环境特征数据的权重值(如对分类器错误识别场合的环境特征数据和/或正确识别场合的环境特征数据的权重值进行调整，以使分类器错误识别场合的环境特征数据在下次训练形成训练子集的过程中更容易被选取)。
分类器输出的信息可表示输入该分类器的环境特征数据属于各个场合的概率，在此情况下，训练模块310可以将概率数值最大的场合确定为该分类器识别出的该环境特征数据所属的场合。
训练子集中的环境特征数据和场合标识可以采用对应关系的形式，如训练子集中的包含一条记录可以包含2个部分：一个场合标识和一条环境特征数据；再如训练子集中的一条记录可以包含3个部分：一个场合标识、一个时间戳和一条环境特征数据。训练子集中的一条记录同样可以称为一条环境样本数据。
训练模块310可以基于训练子集采用多种训练方式进行分类器训练(即离线学习)，从而通过一次训练获得一个分类器；例如，训练模块310可以采用AdaBoost方法、多分类支持向量机方法或者决策树方法等多分类器方法进行离线训练(即离线学习)。
下面以AdaBoost方法为例，对训练模块310所执行的训练步骤进行详细说明。
在首次执行训练步骤中的形成训练子集操作之前，训练模块310为训练集合X中的每一条环境特征数据分别赋予一个初始权重值，该初始权重值可以按照经验来设置，也可以设置为相同的初始值；训练模块310根据训练集合X中的各环境特征数据的权重值选取环境特征数据，形成一个训练子集s(如s1)；然后,训练模块310利用训练子集s(如s1)对支持向量机(也可以称为基分类器)进行训练(也可以称为学习)，得到一个分类器h(如h1)；训练模块310利用该分类器h(如h1)对训练集合X中的各环境特征数据分别进行场合识别，通常情况下，该分类器h(如h1)可以正确识别训练集合X中一部分环境特征数据的场合，也会错误识别训练集合X中另一部分环境特征数据的场合；之后，训练模块310根据分类器h(如h1)的识别结果对训练集合X中相应的环境特征数据的权重值进行调整，使能够被分类器h(如h1)正确识别场合的环境特征数据的权重值降低，而被分类器h(如h1)错误识别的环境特征数据的权重值提高，以便于在下一次形成训练子集时，被错误识别的环境特征数据更容易被选取；在训练模块310对训练集合中的环境特征数据的权重值调整后，训练模块310应根据训练控制模块320的控制继续执行训练步骤或者不再继续执行训练步骤。
训练控制模块320主要用于控制训练模块重复执行训练步骤，以获得多个分类器。
具体的，训练控制模块320可以预先设置训练次数，并判断当前已完成的训练次数是否达到预先设置的训练次数，如果没有达到预先设置的训练次数，则训练控制模块320控制训练模块310继续执行训练步骤，如果已经达到预先设置的训练次数，则训练控制模块320控制训练模块310不再执行训练步骤，并控制融合模块330执行相应的融合操作。
训练控制模块320也可以根据实际需求而采用其他方式来判断是否需要进行继续训练，如训练控制模块320判断已经被选取出的环境特征数据的数量是否达到预定数量(预定数量如训练集合中环境特征数据的总数量的N倍，且N为大于2的正数)，如果没有达到预定数量，则训练控制模块320控制训练模块310继续执行训练步骤，如果已经达到预先设置的训练次数，则训练控制模块320控制训练模块310不再执行训练步骤，并控制融合模块330执行相应的融合操作。
需要特别说明的是，上述训练模块310所执行的调整训练集合X中的环境样本数据的权重值的操作也可以调整到训练控制模块320判断出需要继续训练时再由训练模块310或者训练控制模块320来执行。
融合模块330主要用于根据输入各分类器的环境样本数据对应的场合标识以及各分类器的场合识别结果将多个分类器融合为各场合的环境模型；其中，各场合的环境模型用于识别智能电子设备当前所处位置对应的场合。
具体的，融合模块330可以基于训练模块310训练获得的多个分类器形成不同场合的环境模型，不同场合的环境模型的输入通常为用户的智能电子设备当前所在位置的环境特征数据；另外，不同场合的环境模型的输入通常也可以为用户的智能电子设备当前所在位置的环境特征数据和当前时间；环境模型的输出通常为其识别出的输入的特征数据属于该环境模型所属场合的概率；利用各场合的环境模型输出的概率值即可准确的确定出智能电子设备当前所处位置对应的场合。
上述不同场合的环境模型可以具体包括：会议室环境模型、电影院环境模型、超市环境模型、商场环境模型、公交巴士环境模型以及地铁环境模型等。更进一步的，在环境特征数据对应有时间戳信息的情况下，上述各环境模型还可以存在同一场合具有不同时间属性的多个环境模型的形式，如针对地铁场合而言，地铁环境模型可以包括：上午7点左右的地铁环境模型以及晚上22点左右的地铁环境模型；再如，针对商场场合而言，商场环境模型可以包括：节假日上午11点左右的商场环境模型以及工作日晚上21点左右的商场环境模型等。
设定通过训练模块310训练获得L个分类器，即分类器h1、分类器h2，……，分类器hL，融合模块330将L个分类器融合为各场合的环境模型过程的一个具体例子为：
对于一个或者多个具有确定场合的环境特征数据，融合模块330将这样的环境特征数据作为L个分类器的输入，每个分类器都会输出其识别出的场合信息(如该环境特征数据属于各个场合的概率等)，由于预先知道作为输入的环境特征数据具有明确的场合，因此，融合模块330可以针对预先知道的场合对各个分类器hi对环境特征数据的识别结果进行综合计算(如加权投票等)，以使综合计算结果所对应的场合与预先知道的场合相符；针对明确具有不同场合的环境特征数据，融合模块330对各个分类器hi对环境特征数据的识别结果进行综合计算的计算方式即形成各场合的环境模型，如不同场合的环境模型具有不同的加权投票方式。
融合模块330形成各场合的环境模型过程的一个具体例子如上述实施例一中的描述，在此不再重复说明。
实施例五、基于智能电子设备的信息通知装置，该装置可以设置于智能电子设备中，该智能电子设备可以为智能移动电话或者平板电脑等。
下面结合图4对本实施例的装置进行详细说明。
图4示出的装置主要包括：采集模块400、场合识别模块410以及调整模块420。
采集模块400主要用于采集智能电子设备当前所处位置的多个环境特征数据。
具体的，采集模块400可以采用定时采集的方式来获取智能电子设备当前所处位置的环境特征数据(如采集模块400每间隔两分钟或五分钟等启动采集操作，且在启动采集操作后，采集模块400每间隔10毫秒采集一次环境特征数据，采集模块400采集操作的时长可以为2秒钟)；上述定时采集的时间间隔可以为缺省设置的时间间隔，也可以为用户自己设置的时间间隔。
另外，智能电子设备存储的环境特征数据的数量可以有一定的限制，如限制环境特征数据只能占用一定的存储空间，再如，只存储预定采样次数采集模块400所采样获得的环境特征数据；在智能电子设备存储的环境特征数据的数量有限制的情况下，如果智能电子设备中已经存储的环境特征数据达到了预定数量，则采集模块400最新采样获得的环境特征数据会覆盖已经存储的最旧的环境特征数据，这样，存储空间中存储的环境特征数据通常总会是最近一段时间采集模块400所采样的环境特征数据。
场合识别模块410主要用于将采集模块400采集的多个环境特征数据作为各场合的环境模型的输入，并根据各场合的环境模型的输出信息识别智能电子设备当前所处位置对应的场合。
具体的，场合识别模块410可以将采集模块400采集获得的多个环境特征数据作为各场合的环境模型的输入信息，在各场合的环境模型分别输出环境特征数据属于环境模型所属的场合的概率的情况下，场合识别模块410可以对各环境模型输出的概率值进行比较，将输出概率值最高的那个环境模型所对应的场合作为本次识别出的智能电子设备当前所处位置对应的场合。也就是说，场合识别模块410会将一条环境特征数据同时提供给所有环境模型(即MODEL_NUM个环境模型)中的L个分类器，以进行场合判断，场合识别模块410综合MODEL_NUM个环境模型输出的概率值可以获得该条环境特征数据所对应的一个最终的概率值，该最终的概率值即可表示出该条环境特征数据所对应的场合。需要说明的是，在场合识别模块410对多个环境特征数据均进行上述输入判断过程时，会针对每一条环境特征数据均获得一个最终的概率值，场合识别模块410可以综合各条环境特征数据对应的最终的概率值来判断多个环境特征数据所属的场合。
另外，场合识别模块410可以在本次识别出智能电子设备当前所处位置对应的场合之后，将本次识别过程中作为输入信息的环境特征数据从智能电子设备的存储空间中删除。
还有，场合识别模块410可以将多个环境特征数据对应的时间也作为L个分类器的输入。
调整模块420主要用于根据智能电子设备当前所处位置对应的场合自适应的设置智能电子设备的当前信息通知模式；其中，这里的各场合的环境模型是利用上述实施例四的场合识别装置获得的。
具体的，调整模块420应根据场合识别模块410当前识别出的场合将智能电子设备的当前信息通知模式调整为适合该场合的模式，这里的调整可以为信息通知模式的更换(如当前信息通知模式由声音通知模式更换为震动通知模式或者跑通知模式或者飞通知模式或者气流通知模式或者温度通知模式或者磁通量通知模式等)，也可以为信息通知模式所包含的某属性的改变(如声音通知模式中的铃声大小的改变或者光亮通知模式中的光亮强度的改变或者震动通知模式的震动强度的改变等等)。
一个具体的例子，用户携带其智能电子设备从休闲区域进入会议室，会议室的整体环境较安静，且会议室中具有单一或有限声源的演讲者发言，为了避免智能电子设备的来电铃声所带来的尬尴，在场合识别模块410识别出当前场合为会议室后，调整模块420应自适应的将智能电子设备的当前信息通知模式调整为无声的信息通知模式，如震动通知模式等。
另一个具体的例子，用户携带其智能电子设备从办公区进入商场，商场的整体环境较嘈杂，且伴有同时来自多个声源的声波，为了避免智能电子设备的来电铃声不能够被用户听见而产生的遗漏来电现象，在场合识别模块410识别出当前场合为商场后，调整模块420应自适应的将智能电子设备的当前信息通知模式调整为震动通知模式、光亮变化通知模式以及声音通知模式，且声音通知模式的声音大小为最大或者高于预定分贝等。
A1、一种智能电子设备的场合识别方法，包括：
针对多种不同场合，分别收集多个环境特征数据，所述收集的多个环境特征数据及其对应的场合标识形成训练集合；
训练步骤：从所述训练集合中选取多个环境特征数据，所述选取的多个环境特征数据及其对应的场合标识形成训练子集，利用所述训练子集进行训练获得分类器；
重复所述训练步骤获得多个分类器；
根据输入各分类器的环境特征数据对应的场合标识以及各分类器对输入的环境特征数据的场合识别结果将多个分类器融合为各场合的环境模型；
其中，所述各场合的环境模型用于识别智能电子设备当前所处位置对应的场合。
A2、如A1所述的方法，其中，所述环境特征数据包括：声源特征向量、声谱特征向量、回音特征向量以及声贝特征向量。
A3、如A2所述的方法，其中，所述环境特征数据还包括：光亮特征向量、震动特征向量、气流特征向量、温度特征向量以及磁通量特征向量中的至少一个。
A4、如A1所述的方法，其中，所述环境特征数据还对应有时间戳信息，且所述场合的环境模型包括：同一场合具有不同时间属性的多个环境模型。
A5、如A1至A4中任一所述的方法，其中，所述从所述训练集合中选取多个环境特征数据包括：
根据所述训练集合中的各环境特征数据的权重值大小选取多个环境特征数据。
A6、如A5所述的方法，其中，所述训练步骤还包括：
将训练集合中的环境特征数据作为本次训练获得的分类器的输入，并根据本次训练获得的分类器的输出信息进行场合识别；
调整场合识别结果不正确和/或正确的环境特征数据的权重值，使场合识别结果不正确的环境特征数据具有优先被选取的权重值。
B7、一种基于智能电子设备的信息通知方法，包括：
采集智能电子设备当前所处位置的多个环境特征数据；
将所述多个环境特征数据作为各场合的环境模型的输入，根据各场合的环境模型的输出信息识别智能电子设备当前所处位置对应的场合；
根据智能电子设备当前所处位置对应的场合自适应的设置智能电子设备的当前信息通知模式；
其中，所述各场合的环境模型是利用A1至A6中任一所述的场合识别方法获得的。
C8、一种智能电子设备的场合识别装置，包括：
收集模块，适于针对多种不同场合，分别收集多个环境特征数据，所述收集的多个环境特征数据及其对应的场合标识形成训练集合；
训练模块，适于执行训练步骤，所述训练步骤包括：从所述训练集合中选取多个环境特征数据，所述选取的多个环境特征数据及其对应的场合标识形成训练子集，利用所述训练子集进行训练获得分类器；
训练控制模块，适于控制训练模块重复执行所述训练步骤，以获得多个分类器；
融合模块，适于根据输入各分类器的环境特征数据对应的场合标识以及各分类器对输入的环境特征数据的场合识别结果将多个分类器融合为各场合的环境模型；
其中，所述各场合的环境模型用于识别智能电子设备当前所处位置对应的场合。
C9、如C8所述的装置，其中，所述环境特征数据包括：声源特征向量、声谱特征向量、回音特征向量以及声贝特征向量。
C10、如C9所述的装置，其中，所述环境特征数据还包括：光亮特征向量、震动特征向量、气流特征向量、温度特征向量以及磁通量特征向量中的至少一个。
C11、如C8所述的装置，其中，所述环境特征数据还对应有时间戳信息，且所述场合的环境模型包括：同一场合具有不同时间属性的多个环境模型。
C12、如C8至C11中任一所述的装置，其中，所述从所述训练集合中选取多个环境特征数据包括：
根据所述训练集合中的各环境特征数据的权重值大小选取多个环境特征数据。
C13、如C12所述的装置，其中，所述训练步骤还包括：
将训练集合中的环境特征数据作为本次训练获得的分类器的输入，并根据本次训练获得的分类器的输出信息进行场合识别；
调整场合识别结果不正确和/或正确的环境特征数据的权重值，使场合识别结果不正确的环境特征数据具有优先被选取的权重值。
D14、一种基于智能电子设备的信息通知装置，包括：
采集模块，适于采集智能电子设备当前所处位置的多个环境特征数据；
场合识别模块，适于将所述多个环境特征数据作为各场合的环境模型的输入，根据各场合的环境模型的输出信息识别智能电子设备当前所处位置对应的场合；
调整模块，适于根据智能电子设备当前所处位置对应的场合自适应的设置智能电子设备的当前信息通知模式；
其中，所述各场合的环境模型是利用C8至C13中任一所述的场合识别装置获得的。
在此提供的算法以及显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的智能电子设备的场合识别装置以及基于智能电子设备的信息通知装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(如计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是，上述实施例是对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应该将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或者步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (14)
1.一种智能电子设备的场合识别方法，包括：
针对多种不同场合，分别收集多个环境特征数据，所述收集的多个环境特征数据及其对应的场合标识形成训练集合；
训练步骤：从所述训练集合中选取多个环境特征数据，所述选取的多个环境特征数据及其对应的场合标识形成训练子集，利用所述训练子集进行训练获得分类器；
重复所述训练步骤获得多个分类器；
根据输入各分类器的环境特征数据对应的场合标识以及各分类器对输入的环境特征数据的场合识别结果将多个分类器融合为各场合的环境模型；
其中，所述各场合的环境模型用于识别智能电子设备当前所处位置对应的场合，每一个环境特征数据唯一对应一个场合标识。
2.如权利要求1所述的方法，其中，所述环境特征数据包括：声源特征向量、声谱特征向量、回音特征向量以及声贝特征向量。
3.如权利要求2所述的方法，其中，所述环境特征数据还包括：光亮特征向量、震动特征向量、气流特征向量、温度特征向量以及磁通量特征向量中的至少一个。
4.如权利要求1所述的方法，其中，所述环境特征数据还对应有时间戳信息，且所述场合的环境模型包括：同一场合具有不同时间属性的多个环境模型。
5.如权利要求1至4中任一权利要求所述的方法，其中，所述从所述训练集合中选取多个环境特征数据包括：
根据所述训练集合中的各环境特征数据的权重值大小选取多个环境特征数据。
6.如权利要求5所述的方法，其中，所述训练步骤还包括：
将训练集合中的环境特征数据作为本次训练获得的分类器的输入，并根据本次训练获得的分类器的输出信息进行场合识别；
调整场合识别结果不正确和/或正确的环境特征数据的权重值，使场合识别结果不正确的环境特征数据具有优先被选取的权重值。
7.一种基于智能电子设备的信息通知方法，包括：
采集智能电子设备当前所处位置的多个环境特征数据；
将所述多个环境特征数据作为各场合的环境模型的输入，根据各场合的环境模型的输出信息识别智能电子设备当前所处位置对应的场合；
根据智能电子设备当前所处位置对应的场合自适应的设置智能电子设备的当前信息通知模式；
其中，所述各场合的环境模型是利用权利要求1至6中任一权利要求所述的场合识别方法获得的。
8.一种智能电子设备的场合识别装置，包括：
收集模块，适于针对多种不同场合，分别收集多个环境特征数据，所述收集的多个环境特征数据及其对应的场合标识形成训练集合；
训练模块，适于执行训练步骤，所述训练步骤包括：从所述训练集合中选取多个环境特征数据，所述选取的多个环境特征数据及其对应的场合标识形成训练子集，利用所述训练子集进行训练获得分类器；
训练控制模块，适于控制训练模块重复执行所述训练步骤，以获得多个分类器；
融合模块，适于根据输入各分类器的环境特征数据对应的场合标识以及各分类器对输入的环境特征数据的场合识别结果将多个分类器融合为各场合的环境模型；
其中，所述各场合的环境模型用于识别智能电子设备当前所处位置对应的场合，每一个环境特征数据唯一对应一个场合标识。
9.如权利要求8所述的装置，其中，所述环境特征数据包括：声源特征向量、声谱特征向量、回音特征向量以及声贝特征向量。
10.如权利要求9所述的装置，其中，所述环境特征数据还包括：光亮特征向量、震动特征向量、气流特征向量、温度特征向量以及磁通量特征向量中的至少一个。
11.如权利要求8所述的装置，其中，所述环境特征数据还对应有时间戳信息，且所述场合的环境模型包括：同一场合具有不同时间属性的多个环境模型。
12.如权利要求8至11中任一所述的装置，其中，所述从所述训练集合中选取多个环境特征数据包括：
根据所述训练集合中的各环境特征数据的权重值大小选取多个环境特征数据。
13.如权利要求12所述的装置，其中，所述训练步骤还包括：
将训练集合中的环境特征数据作为本次训练获得的分类器的输入，并根据本次训练获得的分类器的输出信息进行场合识别；
调整场合识别结果不正确和/或正确的环境特征数据的权重值，使场合识别结果不正确的环境特征数据具有优先被选取的权重值。
14.一种基于智能电子设备的信息通知装置，包括：
采集模块，适于采集智能电子设备当前所处位置的多个环境特征数据；
场合识别模块，适于将所述多个环境特征数据作为各场合的环境模型的输入，根据各场合的环境模型的输出信息识别智能电子设备当前所处位置对应的场合；
调整模块，适于根据智能电子设备当前所处位置对应的场合自适应的设置智能电子设备的当前信息通知模式；
其中，所述各场合的环境模型是利用权利要求8至13中任一权利要求所述的场合识别装置获得的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410409363.0A CN104239034B (zh) | 2014-08-19 | 2014-08-19 | 智能电子设备的场合识别方法和信息通知方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410409363.0A CN104239034B (zh) | 2014-08-19 | 2014-08-19 | 智能电子设备的场合识别方法和信息通知方法及其装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104239034A CN104239034A (zh) | 2014-12-24 |
| CN104239034B true CN104239034B (zh) | 2017-10-17 |
Family
ID=52227177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410409363.0A Active CN104239034B (zh) | 2014-08-19 | 2014-08-19 | 智能电子设备的场合识别方法和信息通知方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104239034B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104636493A (zh) * | 2015-03-04 | 2015-05-20 | 浪潮电子信息产业股份有限公司 | 一种基于多分类器融合的动态数据分级方法 |
| CN105025440B (zh) * | 2015-07-09 | 2018-10-19 | 深圳天珑无线科技有限公司 | 室内外场景检测方法及设备 |
| US20170078854A1 (en) * | 2015-09-14 | 2017-03-16 | Qualcomm Incorporated | Augmenting indoor-outdoor detection using side information |
| CN106408423A (zh) * | 2016-11-25 | 2017-02-15 | 泰康保险集团股份有限公司 | 用于风险评估的方法、系统及构建风险评估系统的方法 |
| CN107196788B (zh) * | 2017-05-02 | 2020-12-18 | 创新先进技术有限公司 | 一种埋点数据的处理方法、装置、服务器及客户端 |
| CN108595481A (zh) * | 2018-03-13 | 2018-09-28 | 维沃移动通信有限公司 | 一种通知消息显示方法及终端设备 |
| CN111368862A (zh) * | 2018-12-25 | 2020-07-03 | 中兴通讯股份有限公司 | 室内外标记的区分方法、分类器的训练方法及设备和介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1783892A (zh) * | 2004-12-02 | 2006-06-07 | 华为技术有限公司 | 移动终端中自动切换情景模式的实现方法及其装置 |
| CN102546942A (zh) * | 2011-12-31 | 2012-07-04 | 广东步步高电子工业有限公司 | 一种手机自动切换情景模式的方法 |
| CN103780748A (zh) * | 2012-10-25 | 2014-05-07 | 三星电子（中国）研发中心 | 移动终端及其情景模式自动切换方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FI20095570L (fi) * | 2009-05-22 | 2009-09-11 | Valtion Teknillinen | Kontekstin tunnistaminen mobiiliaitteissa |
| WO2011110897A1 (en) * | 2010-03-09 | 2011-09-15 | Nokia Corporation | Device and method for context recognition |
| KR101367964B1 (ko) * | 2012-10-19 | 2014-03-19 | 숭실대학교산학협력단 | 복합 센서를 이용한 사용자 상황 인식 방법 |
-
2014
- 2014-08-19 CN CN201410409363.0A patent/CN104239034B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1783892A (zh) * | 2004-12-02 | 2006-06-07 | 华为技术有限公司 | 移动终端中自动切换情景模式的实现方法及其装置 |
| CN102546942A (zh) * | 2011-12-31 | 2012-07-04 | 广东步步高电子工业有限公司 | 一种手机自动切换情景模式的方法 |
| CN103780748A (zh) * | 2012-10-25 | 2014-05-07 | 三星电子（中国）研发中心 | 移动终端及其情景模式自动切换方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104239034A (zh) | 2014-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104239034B (zh) | 智能电子设备的场合识别方法和信息通知方法及其装置 | |
| Mesaros et al. | Sound event detection: A tutorial | |
| CN108664989B (zh) | 图像标签确定方法、装置及终端 | |
| CN110531860B (zh) | 一种基于人工智能的动画形象驱动方法和装置 | |
| CN107578775B (zh) | 一种基于深度神经网络的多分类语音方法 | |
| CN108399409B (zh) | 图像分类方法、装置及终端 | |
| CN110276235A (zh) | 通过感测瞬态事件和连续事件的智能装置的情境感知 | |
| CN108269569A (zh) | 语音识别方法和设备 | |
| CN110853617B (zh) | 一种模型训练的方法、语种识别的方法、装置及设备 | |
| CN106920547A (zh) | 语音转换方法和装置 | |
| CN107808659A (zh) | 智能语音信号模式识别系统装置 | |
| CN109599079A (zh) | 一种音乐的生成方法和装置 | |
| CN109949286A (zh) | 用于输出信息的方法和装置 | |
| CN106462598A (zh) | 信息处理设备、信息处理方法与程序 | |
| CN110465947A (zh) | 多模态融合人机交互方法、装置、存储介质、终端及系统 | |
| CN105895105A (zh) | 语音处理方法及装置 | |
| CN102741840B (zh) | 用于对个性化场景建模的方法和装置 | |
| Galván-Tejada et al. | An analysis of audio features to develop a human activity recognition model using genetic algorithms, random forests, and neural networks | |
| CN104615663B (zh) | 文件排序方法、装置及终端 | |
| CN108256549A (zh) | 图像分类方法、装置及终端 | |
| CN108984618A (zh) | 数据处理方法和装置、电子设备和计算机可读存储介质 | |
| CN109800413A (zh) | 新闻事件的识别方法、装置、设备及可读存储介质 | |
| CN109903773A (zh) | 音频处理方法、装置及存储介质 | |
| CN110362711A (zh) | 歌曲推荐方法及装置 | |
| CN107277225A (zh) | 语音控制智能设备的方法、装置和智能设备 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220711 Address after: Room 801, 8th floor, No. 104, floors 1-19, building 2, yard 6, Jiuxianqiao Road, Chaoyang District, Beijing 100015 Patentee after: BEIJING QIHOO TECHNOLOGY Co.,Ltd. Address before: 100088 room 112, block D, 28 new street, new street, Xicheng District, Beijing (Desheng Park) Patentee before: BEIJING QIHOO TECHNOLOGY Co.,Ltd. Patentee before: Qizhi software (Beijing) Co., Ltd |
|
| TR01 | Transfer of patent right |