CN109709561B - 测距方法、终端和计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种测距方法、终端和计算机可读存储介质，方法包括：获取来自超声波传感器的音频数据的特征值，并生成第一特征向量；根据预设方式，将所述第一特征向量编码处理为第二特征向量，所述第二特征向量的维度小于所述第一特征向量的维度，所述第二特征向量经解码处理后得到的第三特征向量与所述第一特征向量维度相同，且第三特征向量与第一特征向量维度的数据差异符合预设条件；根据所述第二特征向量，分析所述超声波传感器与用户之间的距离。提取原始数据的特征向量后通过编码处理对其压缩，与原始数据的特征向量数据差异控制得较小，基于该精髓数据进行测距分析，可以准确地分析超声波传感器所在的手机与用户之间的距离。

Description

测距方法、终端和计算机可读存储介质

技术领域

本发明涉及移动终端领域，尤其涉及一种测距方法、终端和计算机可读存储介质。

背景技术

在手机领域，在用户打电话时手机自动亮、灭屏是一项基本的功能，目前通常的做法是在手机正面设置一个红外线传感器，通过红外线传感器来检测用户与手机之间的距离，并基于距离判断用户是否处于打电话的状态，从而控制手机自动亮、灭屏。

全面屏设计要求手机正面尽量减少开孔，而使用红外距离传感器不可避免地需要在手机正面开孔，因此，需要一种能够无需在手机正面开孔而实现打电话时手机自动亮、灭屏的方案，替代传统的红外距离传感器，避免手机正面开孔。

目前，工业上超声波测距技术已经成熟，主要分基于幅度和基于相位的两种方法。顾名思义，基于幅度的是根据超声波在空气中传播逐渐衰减的特性，基于相位的是通过对比发送和接收脉冲声信号的时间差来估算遮挡物的距离。但是在手机端，以上两种简单的算法都不能完成测距，因为在手机上麦克会同时接收到手机内部结构传导和外部遮挡物反射的超声波，这两种超声波相互叠加产生了非常复杂的场景。

手机端主流的算法实现，首先对原始音频信号通过数字信号处理提取特征值并生成特征向量，然后对生成的特征向量进行分类判断来识别趋近、远离状态。但是这些特征值的选取总会或多或少的丢失一些信息，使得信息不全导致判断不准确。

因此，需要一种新的技术方案，使得通过超声波测量手机与用户之间的距离更加准确。

发明内容

本发明的主要目的在于提出一种测距方法、终端和计算机可读存储介质，旨在准确地测出用户与手机之间的距离。

为实现上述目的，本发明提供了一种测距方法，应用于终端，所述终端包括超声波传感器，所述方法包括：获取来自超声波传感器的音频数据的特征值，并生成第一特征向量；根据预设方式，将所述第一特征向量编码处理为第二特征向量，所述第二特征向量的维度小于所述第一特征向量的维度，所述第二特征向量经解码处理后得到的第三特征向量与所述第一特征向量维度相同，且所述第三特征向量与所述第一特征向量的数据差异符合预设条件；根据所述第二特征向量，分析所述超声波传感器与用户之间的距离。

为实现上述目的，本发明提供了一种终端，所述终端包括处理器、存储器、通信总线；所述通信总线用于实现处理器和存储器之间的连接通信；所述处理器用于执行存储器中存储的测距程序，以实现以下步骤：获取来自超声波传感器的音频数据的特征值，并生成第一特征向量；根据预设方式，将所述第一特征向量编码处理为第二特征向量，所述第二特征向量的维度小于所述第一特征向量的维度，所述第二特征向量经解码处理后得到的第三特征向量与所述第一特征向量维度相同，且所述第三特征向量与所述第一特征向量的数据差异符合预设条件；根据所述第二特征向量，分析所述超声波传感器与用户之间的距离。

为实现上述目的，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述方法的步骤。

根据以上技术方案，可知本发明的测距方法、终端和计算机可读存储介质至少具有以下优点：

在获取超声波传感器提供的音频数据之后，提取原始数据的特征向量后通过编码处理对其压缩，由于编码后的特征向量再经过解码，与原始数据的特征向量数据差异控制得较小，即损失较小，这意味着编码后的特征向量是原始数据的特征向量中的精髓数据，基于该精髓数据进行测距分析，可以准确地分析超声波传感器所在的手机与用户之间的距离。

附图说明

图1为实现本发明各个实施例的移动终端的硬件结构示意图；

图2为如图1所示的移动终端的无线通信系统示意图；

图3为根据本发明的一个实施例的测距方法的流程图；

图4为根据本发明的一个实施例的测距方法的流程图；

图5为根据本发明的一个实施例的测距方法的示意图；

图6为根据本发明的一个实施例的测距方法的示意图；

图7为根据本发明的一个实施例的终端的框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特有的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

终端可以以各种形式来实施。例如，本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(PersonalDigital Assistant，PDA)、便捷式媒体播放器(Portable Media Player，PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端，以及诸如数字TV、台式计算机等固定终端。

后续描述中将以移动终端为例进行说明，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本发明的实施方式的构造也能够应用于固定类型的终端。

请参阅图1，其为实现本发明各个实施例的一种移动终端的硬件结构示意图，该移动终端100可以包括：RF(Radio Frequency，射频)单元101、WiFi模块102、音频输出单元103、A/V(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解，图1中示出的移动终端结构并不构成对移动终端的限定，移动终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图1对移动终端的各个部件进行具体的介绍：

射频单元101可用于收发信息或通话过程中，信号的接收和发送，具体的，将基站的下行信息接收后，给处理器110处理；另外，将上行的数据发送给基站。通常，射频单元101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元101还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于GSM(Global System of Mobile communication，全球移动通讯系统)、GPRS(General Packet Radio Service，通用分组无线服务)、CDMA2000(CodeDivision Multiple Access 2000，码分多址2000)、WCDMA(Wideband Code DivisionMultiple Access,宽带码分多址)、TD-SCDMA(Time Division-Synchronous CodeDivision Multiple Access，时分同步码分多址)、FDD-LTE(Frequency DivisionDuplexing-Long Term Evolution，频分双工长期演进)和TDD-LTE(Time DivisionDuplexing-Long Term Evolution，分时双工长期演进)等。

WiFi属于短距离无线传输技术，移动终端通过WiFi模块102可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图1示出了WiFi模块102，但是可以理解的是，其并不属于移动终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

音频输出单元103可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将射频单元101或WiFi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元103还可以提供与移动终端100执行的特有功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。

A/V输入单元104用于接收音频或视频信号。A/V输入单元104可以包括图形处理器(Graphics Processing Unit，GPU)1041和麦克风1042，图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或WiFi模块102进行发送。麦克风1042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风1042接收声音(音频数据)，并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。

移动终端100还包括至少一种传感器105，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1061的亮度，接近传感器可在移动终端100移动到耳边时，关闭显示面板1061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元106可包括显示面板1061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1061。

用户输入单元107可用于接收输入的数字或字符信息，以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1071上或在触控面板1071附近的操作)，并根据预先设定的程式驱动相应的连接装置。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器110，并能接收处理器110发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1071。除了触控面板1071，用户输入单元107还可以包括其他输入设备1072。具体地，其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种，具体此处不做限定。

进一步的，触控面板1071可覆盖显示面板1061，当触控面板1071检测到在其上或附近的触摸操作后，传送给处理器110以确定触摸事件的类型，随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图1中，触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能，但是在某些实施例中，可以将触控面板1071与显示面板1061集成而实现移动终端的输入和输出功能，具体此处不做限定。

接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元108可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端100和外部装置之间传输数据。

存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器109可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器110是移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分，通过运行或执行存储在存储器109内的软件程序和/或模块，以及调用存储在存储器109内的数据，执行移动终端的各种功能和处理数据，从而对移动终端进行整体监控。处理器110可包括一个或多个处理单元；优选的，处理器110可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器110中。

移动终端100还可以包括给各个部件供电的电源111(比如电池)，优选的，电源111可以通过电源管理系统与处理器110逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管图1未示出，移动终端100还可以包括蓝牙模块等，在此不再赘述。

为了便于理解本发明实施例，下面对本发明的移动终端所基于的通信网络系统进行描述。

请参阅图2，图2为本发明实施例提供的一种通信网络系统架构图，该通信网络系统为通用移动通信技术的LTE系统，该LTE系统包括依次通讯连接的UE(User Equipment，用户设备)201，E-UTRAN(Evolved UMTS Terrestrial Radio Access Network，演进式UMTS陆地无线接入网)202，EPC(Evolved Packet Core，演进式分组核心网)203和运营商的IP业务204。

具体地，UE201可以是上述终端100，此处不再赘述。

E-UTRAN202包括eNodeB2021和其它eNodeB2022等。其中，eNodeB2021可以通过回程(backhaul)(例如X2接口)与其它eNodeB2022连接，eNodeB2021连接到EPC203，eNodeB2021可以提供UE201到EPC203的接入。

EPC203可以包括MME(Mobility Management Entity，移动性管理实体)2031，HSS(Home Subscriber Server，归属用户服务器)2032，其它MME2033，SGW(Serving Gate Way，服务网关)2034，PGW(PDN Gate Way，分组数据网络网关)2035和PCRF(Policy andCharging Rules Function，政策和资费功能实体)2036等。其中，MME2031是处理UE201和EPC203之间信令的控制节点，提供承载和连接管理。HSS2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能，并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过SGW2034进行发送，PGW2035可以提供UE 201的IP地址分配以及其它功能，PCRF2036是业务数据流和IP承载资源的策略与计费控制策略决策点，它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。

IP业务204可以包括因特网、内联网、IMS(IP Multimedia Subsystem，IP多媒体子系统)或其它IP业务等。

虽然上述以LTE系统为例进行了介绍，但本领域技术人员应当知晓，本发明不仅仅适用于LTE系统，也可以适用于其他无线通信系统，例如GSM、CDMA2000、WCDMA、TD-SCDMA以及未来新的网络系统等，此处不做限定。

基于上述移动终端硬件结构以及通信网络系统，提出本发明方法各个实施例。

如图3所示，本发明的一个实施例中提供了一种测距方法，应用于终端，终端包括超声波传感器，该方法包括：

步骤S310，获取来自超声波传感器的音频数据的特征值，并生成第一特征向量。

在本实施例中，超声波传感器通常安装在手机之上，用于检测手机与用户之间的距离。

步骤S320，根据预设方式，将第一特征向量编码处理为第二特征向量，第二特征向量的维度小于第一特征向量的维度，第二特征向量经解码处理后得到的第三特征向量与第一特征向量维度相同，且第三特征向量与第一特征向量的数据差异符合预设条件。

在本实施例中，对第二特征向量的具体维度不进行限制。在本实施例中，对预设条件不进行限制，其可以是要求数据差异小于预设阈值，或者是多种编码解码方式中对应的数据差异最小情况。在本实施例中，当第一特征向量与第三特征向量之间的数据差异较小时，说明编码及解码过程中损失较小，第二特征向量实际上是音频数据的精髓数据。

步骤S330，根据第二特征向量，分析超声波传感器与用户之间的距离。

根据本实施例的技术方案，在获取超声波传感器提供的音频数据之后，提取原始数据的特征向量后通过编码处理对其压缩，由于编码后的特征向量再经过解码，与原始数据的特征向量数据差异控制得较小，即损失较小，这意味着编码后的特征向量是原始数据的特征向量中的精髓数据，基于该精髓数据进行测距分析，可以准确地分析超声波传感器所在的手机与用户之间的距离。

如图4所示，本发明的一个实施例中提供了一种测距方法，应用于终端，终端包括超声波传感器，该方法包括：

步骤S410，获取训练数据的特征值并生成训练特征向量，对训练特征向量进行至少一次编码以及解码处理，比较训练特征向量在编码前和解码后的数据差异，在数据差异符合预设条件时确定预设方式。

具体地，可以根据数据差异最小时对应的编码方式确定预设方式。

在本实施例中，可以采用深度学习原理，使用人工神经网络模型选取特征向量值(即第二特征向量)，避免丢失重要信息，以达到很高的识别率。具体的是输入音频原始数据，然后进行模型训练，得到最终我们需要的音频模型(即用于编码的预设方式)，比如输入一帧音频原始数据，通过网络模型滤除不重要的信息，获得N组特征向量(即第二特征向量)，这N组特征向量就是我们需要的重要的特征向量值。

如图5和图6所示，特征向量值的算法主要包含两部分：编码器和解码器。编码器将数据分布的高级特征映射到数据的低级表征，低级表征叫做本征向量(latent vector)。解码器吸收数据的低级表征，然后输出同样数据的高级表征。算法的目标是找到最少的本征向量，来使编码器输入的数据和解码器输出的数据差异最小。

编码器的训练过程之后，即找到了可以把高维原始数据在损失较小的情况下压缩成维度较低的本征向量，就可以利用压缩之后的本征向量来来进行神经网络的训练(即预设方式)。编码器能得到原数据的精髓,然后只需要再创建一个小的神经网络学习这个精髓的数据,不仅减少了神经网络的负担,而且同样能达到很好的效果。其创新点就是利用自编码器自动选取特征向量值(本征向量)，避免了人工选取特征向量的主观性和不完整性。理论上会比通过人工提取特征训练出来的神经网络模型的识别率会更高、识别效果更好。

在本实施例中，自编码器是一种数据的压缩算法，其中数据的压缩和解压缩函数是数据相关的、有损的、从样本中自动学习的。在大部分提到自动编码器的场合，压缩和解压缩的函数是通过神经网络实现的。

搭建一个自动编码器需要完成下面三样工作：搭建编码器，搭建解码器，设定一个损失函数，用以衡量由于压缩而损失掉的信息。编码器和解码器一般都是参数化的方程，并关于损失函数可导，典型情况是使用神经网络。编码器和解码器的参数可以通过最小化损失函数而优化，例如SGD。

自编码器是一个自监督的算法，并不是一个无监督算法。自监督学习是监督学习的一个实例，其标签产生自输入数据。要获得一个自监督的模型，需要一个靠谱的目标跟一个损失函数，仅仅把目标设定为重构输入可能不是正确的选项。基本上，要求模型在像素级上精确重构输入不是机器学习的兴趣所在，学习到高级的抽象特征才是。事实上，当主要任务是分类、定位之类的任务时，那些对这类任务而言的最好的特征基本上都是重构输入时的最差的那种特征。

具体地，设置编码后特征向量的维度包括但不限于以下两种方式：

(1)根据用于分析距离的设备性能，设置训练特征向量编码后的维度。

在本实施例中，由于维度较多，进行分析的数据量也就越大，所以在本实施例中考虑设备性能，即用户手机的性能，适当设置维度数量，从而控制编码后特征向量的维度。

(2)根据历史距离分析结果与实际距离之间的偏差，设置训练特征向量编码后的维度。

在本实施例中，当第二特征向量的维度过低时，会影响测距的准确性，所以在本实施例中根据实际测距的准确程度，适当地增加或减少特征向量维度，从而使测距更加准确。

步骤S420，获取来自超声波传感器的音频数据的特征值，并生成第一特征向量。

步骤S430，根据预设方式，将第一特征向量编码处理为第二特征向量，第二特征向量的维度小于第一特征向量的维度，第二特征向量经解码处理后得到的第三特征向量与第一特征向量维度相同，且第三特征向量与第一特征向量维度的数据差异符合预设条件。

步骤S440，根据第二特征向量，分析超声波传感器与用户之间的距离。

根据本实施例的技术方案，最大的优点是采用深度学习原理，使用人工神经网络模型选取特征向量值，没有使用传统的人工计算特征向量值的方法，避免丢失重要信息，以达到很高的识别率。

如图7所示，本发明的一个实施例中提供了一种终端，终端包括处理器710、存储器720、通信总线730；通信总线730用于实现处理器710和存储器720之间的连接通信；处理器710用于执行存储器720中存储的测距程序，以实现以下步骤：

获取来自超声波传感器的音频数据的特征值，并生成第一特征向量。

在本实施例中，超声波传感器通常安装在手机之上，用于检测手机与用户之间的距离。

根据预设方式，将第一特征向量编码处理为第二特征向量，第二特征向量的维度小于第一特征向量的维度，第二特征向量经解码处理后得到的第三特征向量与第一特征向量维度相同，且第三特征向量与第一特征向量维度数据差异符合预设条件。

在本实施例中，对第二特征向量的具体维度不进行限制。在本实施例中，对预设条件不进行限制，其可以是要求数据差异小于预设阈值，或者是多种编码解码方式中对应的数据差异最小情况。在本实施例中，当第一特征向量与第三特征向量之间的数据差异较小时，说明编码及解码过程中损失较小，第二特征向量实际上是音频数据的精髓数据。

根据第二特征向量，分析超声波传感器与用户之间的距离。

根据本实施例的技术方案，在获取超声波传感器提供的音频数据之后，提取原始数据的特征向量后通过编码处理对其压缩，由于编码后的特征向量再经过解码，与原始数据的特征向量数据差异控制得较小，即损失较小，这意味着编码后的特征向量是原始数据的特征向量中的精髓数据，基于该精髓数据进行测距分析，可以准确地分析超声波传感器所在的手机与用户之间的距离。

如图7所示，本发明的一个实施例中提供了一种终端，终端包括处理器710、存储器720、通信总线730；通信总线730用于实现处理器710和存储器720之间的连接通信；处理器710用于执行存储器720中存储的测距程序，以实现以下步骤：

获取训练数据的特征值并生成训练特征向量，对训练特征向量进行至少一次编码以及解码处理，比较训练特征向量在编码前和解码后的数据差异，在数据差异符合预设条件时确定预设方式。

具体地，可以根据数据差异最小时对应的编码方式确定预设方式。

在本实施例中，可以采用深度学习原理，使用人工神经网络模型选取特征向量值(即第二特征向量)，避免丢失重要信息，以达到很高的识别率。具体的是输入音频原始数据，然后进行模型训练，得到最终我们需要的音频模型(即用于编码的预设方式)，比如输入一帧音频原始数据，通过网络模型滤除不重要的信息，获得N组特征向量(即第二特征向量)，这N组特征向量就是我们需要的重要的特征向量值。

如图5和图6所示，特征向量值的算法主要包含两部分：编码器和解码器。编码器将数据分布的高级特征映射到数据的低级表征，低级表征叫做本征向量(latent vector)。解码器吸收数据的低级表征，然后输出同样数据的高级表征。算法的目标是找到最少的本征向量，来使编码器输入的数据和解码器输出的数据差异最小。

编码器的训练过程之后，即找到了可以把高维原始数据在损失较小的情况下压缩成维度较低的本征向量，就可以利用压缩之后的本征向量来来进行神经网络的训练(即预设方式)。编码器能得到原数据的精髓,然后只需要再创建一个小的神经网络学习这个精髓的数据,不仅减少了神经网络的负担,而且同样能达到很好的效果。其创新点就是利用自编码器自动选取特征向量值(本征向量)，避免了人工选取特征向量的主观性和不完整性。理论上会比通过人工提取特征训练出来的神经网络模型的识别率会更高、识别效果更好。

在本实施例中，自编码器是一种数据的压缩算法，其中数据的压缩和解压缩函数是数据相关的、有损的、从样本中自动学习的。在大部分提到自动编码器的场合，压缩和解压缩的函数是通过神经网络实现的。

搭建一个自动编码器需要完成下面三样工作：搭建编码器，搭建解码器，设定一个损失函数，用以衡量由于压缩而损失掉的信息。编码器和解码器一般都是参数化的方程，并关于损失函数可导，典型情况是使用神经网络。编码器和解码器的参数可以通过最小化损失函数而优化，例如SGD。

自编码器是一个自监督的算法，并不是一个无监督算法。自监督学习是监督学习的一个实例，其标签产生自输入数据。要获得一个自监督的模型，需要一个靠谱的目标跟一个损失函数，仅仅把目标设定为重构输入可能不是正确的选项。基本上，要求模型在像素级上精确重构输入不是机器学习的兴趣所在，学习到高级的抽象特征才是。事实上，当主要任务是分类、定位之类的任务时，那些对这类任务而言的最好的特征基本上都是重构输入时的最差的那种特征。

具体地，设置编码后特征向量的维度包括但不限于以下两种方式：

(1)根据用于分析距离的设备性能，设置训练特征向量编码后的维度。

在本实施例中，由于维度较多，进行分析的数据量也就越大，所以在本实施例中考虑设备性能，即用户手机的性能，适当设置维度数量，从而控制编码后特征向量的维度。

(2)根据历史距离分析结果与实际距离之间的偏差，设置训练特征向量编码后的维度。

在本实施例中，当第二特征向量的维度过低时，会影响测距的准确性，所以在本实施例中根据实际测距的准确程度，适当地增加或减少特征向量维度，从而使测距更加准确。

获取来自超声波传感器的音频数据的特征值，并生成第一特征向量。

根据预设方式，将第一特征向量编码处理为第二特征向量，第二特征向量的维度小于第一特征向量的维度，第二特征向量经解码处理后得到的第三特征向量与第一特征向量维度相同，且第三特征向量与第一特征向量维度的数据差异符合预设条件。

根据第二特征向量，分析超声波传感器与用户之间的距离。

根据本实施例的技术方案，最大的优点是采用深度学习原理，使用人工神经网络模型选取特征向量值，没有使用传统的人工计算特征向量值的方法，避免丢失重要信息，以达到很高的识别率。

本发明的一个实施例中提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现以下步骤：

获取来自超声波传感器的音频数据的特征值，并生成第一特征向量。

在本实施例中，超声波传感器通常安装在手机之上，用于检测手机与用户之间的距离。

根据预设方式，将第一特征向量编码处理为第二特征向量，第二特征向量的维度小于第一特征向量的维度，第二特征向量经解码处理后得到的第三特征向量与第一特征向量维度相同，且第三特征向量与第一特征向量维度的数据差异符合预设条件。

在本实施例中，对第二特征向量的具体维度不进行限制。在本实施例中，对预设条件不进行限制，其可以是要求数据差异小于预设阈值，或者是多种编码解码方式中对应的数据差异最小情况。在本实施例中，当第一特征向量与第三特征向量之间的数据差异较小时，说明编码及解码过程中损失较小，第二特征向量实际上是音频数据的精髓数据。

根据第二特征向量，分析超声波传感器与用户之间的距离。

根据本实施例的技术方案，在获取超声波传感器提供的音频数据之后，提取原始数据的特征向量后通过编码处理对其压缩，由于编码后的特征向量再经过解码，与原始数据的特征向量数据差异控制得较小，即损失较小，这意味着编码后的特征向量是原始数据的特征向量中的精髓数据，基于该精髓数据进行测距分析，可以准确地分析超声波传感器所在的手机与用户之间的距离。

本发明的一个实施例中提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现以下步骤：

获取训练数据的特征值并生成训练特征向量，对训练特征向量进行至少一次编码以及解码处理，比较训练特征向量在编码前和解码后的数据差异，在数据差异符合预设条件时确定预设方式。

具体地，可以根据数据差异最小时对应的编码方式确定预设方式。

在本实施例中，可以采用深度学习原理，使用人工神经网络模型选取特征向量值(即第二特征向量)，避免丢失重要信息，以达到很高的识别率。具体的是输入音频原始数据，然后进行模型训练，得到最终我们需要的音频模型(即用于编码的预设方式)，比如输入一帧音频原始数据，通过网络模型滤除不重要的信息，获得N组特征向量(即第二特征向量)，这N组特征向量就是我们需要的重要的特征向量值。

如图5和图6所示，特征向量值的算法主要包含两部分：编码器和解码器。编码器将数据分布的高级特征映射到数据的低级表征，低级表征叫做本征向量(latent vector)。解码器吸收数据的低级表征，然后输出同样数据的高级表征。算法的目标是找到最少的本征向量，来使编码器输入的数据和解码器输出的数据差异最小。

编码器的训练过程之后，即找到了可以把高维原始数据在损失较小的情况下压缩成维度较低的本征向量，就可以利用压缩之后的本征向量来来进行神经网络的训练(即预设方式)。编码器能得到原数据的精髓,然后只需要再创建一个小的神经网络学习这个精髓的数据,不仅减少了神经网络的负担,而且同样能达到很好的效果。其创新点就是利用自编码器自动选取特征向量值(本征向量)，避免了人工选取特征向量的主观性和不完整性。理论上会比通过人工提取特征训练出来的神经网络模型的识别率会更高、识别效果更好。

在本实施例中，自编码器是一种数据的压缩算法，其中数据的压缩和解压缩函数是数据相关的、有损的、从样本中自动学习的。在大部分提到自动编码器的场合，压缩和解压缩的函数是通过神经网络实现的。

搭建一个自动编码器需要完成下面三样工作：搭建编码器，搭建解码器，设定一个损失函数，用以衡量由于压缩而损失掉的信息。编码器和解码器一般都是参数化的方程，并关于损失函数可导，典型情况是使用神经网络。编码器和解码器的参数可以通过最小化损失函数而优化，例如SGD。

自编码器是一个自监督的算法，并不是一个无监督算法。自监督学习是监督学习的一个实例，其标签产生自输入数据。要获得一个自监督的模型，需要一个靠谱的目标跟一个损失函数，仅仅把目标设定为重构输入可能不是正确的选项。基本上，要求模型在像素级上精确重构输入不是机器学习的兴趣所在，学习到高级的抽象特征才是。事实上，当主要任务是分类、定位之类的任务时，那些对这类任务而言的最好的特征基本上都是重构输入时的最差的那种特征。

具体地，设置编码后特征向量的维度包括但不限于以下两种方式：

(1)根据用于分析距离的设备性能，设置训练特征向量编码后的维度。

在本实施例中，由于维度较多，进行分析的数据量也就越大，所以在本实施例中考虑设备性能，即用户手机的性能，适当设置维度数量，从而控制编码后特征向量的维度。

(2)根据历史距离分析结果与实际距离之间的偏差，设置训练特征向量编码后的维度。

在本实施例中，当第二特征向量的维度过低时，会影响测距的准确性，所以在本实施例中根据实际测距的准确程度，适当地增加或减少特征向量维度，从而使测距更加准确。

获取来自超声波传感器的音频数据的特征值，并生成第一特征向量。

根据预设方式，将第一特征向量编码处理为第二特征向量，第二特征向量的维度小于第一特征向量的维度，第二特征向量经解码处理后得到的第三特征向量与第一特征向量维度相同，且第三特征向量与第一特征向量维度的数据差异符合预设条件。

根据第二特征向量，分析超声波传感器与用户之间的距离。

根据本实施例的技术方案，最大的优点是采用深度学习原理，使用人工神经网络模型选取特征向量值，没有使用传统的人工计算特征向量值的方法，避免丢失重要信息，以达到很高的识别率。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (8)

1.一种测距方法，应用于终端，所述终端包括超声波传感器，其特征在于，所述方法包括：

获取来自超声波传感器的音频数据的特征值，并生成第一特征向量；

根据预设方式，将所述第一特征向量编码处理为第二特征向量，所述第二特征向量的维度小于所述第一特征向量的维度，所述第二特征向量经解码处理后得到的第三特征向量与所述第一特征向量维度相同，且所述第三特征向量与所述第一特征向量的数据差异符合预设条件；

根据所述第二特征向量，分析所述超声波传感器与用户之间的距离；

其中，在所述获取来自超声波传感器的音频数据的特征值之前，还包括：

获取训练数据的特征值并生成训练特征向量，对所述训练特征向量进行至少一次编码以及解码处理，比较所述训练特征向量在编码前和解码后的数据差异，在数据差异符合所述预设条件时确定所述预设方式。

2.根据权利要求1所述的方法，其特征在于，所述在数据差异符合所述预设条件时确定所述预设方式，包括：

根据所述数据差异最小时对应的编码方式确定所述预设方式。

3.根据权利要求1所述的方法，其特征在于，在所述获取对所述训练特征向量进行至少一次编码以及解码处理之前，还包括：

根据用于分析所述距离的设备性能，设置所述训练特征向量编码后的维度。

4.根据权利要求1所述的方法，其特征在于，在所述获取对所述训练特征向量进行至少一次编码以及解码处理之前，还包括：

根据历史距离分析结果与实际距离之间的偏差，设置所述训练特征向量编码后的维度。

5.一种终端，其特征在于，所述终端包括处理器、存储器、通信总线；所述通信总线用于实现处理器和存储器之间的连接通信；所述处理器用于执行存储器中存储的测距程序，以实现以下步骤：

获取来自超声波传感器的音频数据的特征值，并生成第一特征向量；

根据预设方式，将所述第一特征向量编码处理为第二特征向量，所述第二特征向量的维度小于所述第一特征向量的维度，所述第二特征向量经解码处理后得到的第三特征向量与所述第一特征向量维度相同，且所述第三特征向量与所述第一特征向量的数据差异符合预设条件；

根据所述第二特征向量，分析所述超声波传感器与用户之间的距离；

其中，在所述获取来自超声波传感器的音频数据的特征值之前，所述处理器还用于执行所述测距程序，以实现以下步骤：

获取训练数据的特征值并生成训练特征向量，对所述训练特征向量进行至少一次编码以及解码处理，比较所述训练特征向量在编码前和解码后的数据差异，在数据差异符合所述预设条件时确定所述预设方式。

6.根据权利要求5所述的终端，其特征在于，所述在数据差异符合所述预设条件时确定所述预设方式，所述处理器用于执行所述测距程序，以实现以下步骤：

根据所述数据差异最小时对应的编码方式确定所述预设方式。

7.根据权利要求5所述的终端，其特征在于，在所述获对所述训练特征向量进行至少一次编码以及解码处理之前，所述处理器还用于执行所述测距程序，以实现以下步骤：

根据用于分析所述距离的设备性能，设置所述训练特征向量编码后的维度。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至4中任一项所述的方法的步骤。

Images