CN109993312A - 一种设备及其信息处理方法、计算机存储介质 - Google Patents
一种设备及其信息处理方法、计算机存储介质 Download PDFInfo
- Publication number
- CN109993312A CN109993312A CN201810000665.0A CN201810000665A CN109993312A CN 109993312 A CN109993312 A CN 109993312A CN 201810000665 A CN201810000665 A CN 201810000665A CN 109993312 A CN109993312 A CN 109993312A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- sample
- classification
- model
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种设备及其信息处理方法、计算机存储介质。所述方法包括：获得一段时间范围内采集的第一数据；获得第二设备的第二数据的分类结果；其中，所述第二数据由所述第二设备在所述时间范围内获得；基于所述分类结果和所述第一数据生成第一样本集；基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集；基于所述第二样本集进行训练，获得所述第一设备的第一模型。
Description
技术领域
本发明涉及机器智能领域，具体涉及一种设备及其信息处理方法、计算机存储介质。
背景技术
现有的物联网设备自主学习方法都是在已经有被打标好的训练数据的基础上，利用机器学习中监督学习的方法，通过对训练数据的学习实现对测试数据的分类，此方法只适用于数据已经有标注的情况。
对于目前穿戴设备有如下问题，一是设备买入时已经嵌入了行为识别模型，这种情况导致模型不具有个性化特征，并不能适用于所有设备；二是设备买入时没有嵌入行为识别模型，这种情况下处理的方式是人工对新的传感设备采集到的数据进行重新打标，而数据的重新打标过程耗时耗力，且由于需要人工的干预，导致整个系统的智能化程度很低，不能满足物联网时代智能化的需求，同时这种方法对于穿戴设备这种使用寿命较短，随时可能被更换的设备尤为不适用，目前没有公认的适用于个性化用户数据的、带有自主学习能力的穿戴设备。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种设备及其信息处理方法、计算机存储介质。
为达到上述目的，本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种信息处理方法，应用于第一设备中；所述方法包括：
获得一段时间范围内采集的第一数据；
获得第二设备的第二数据的分类结果；其中，所述第二数据由所述第二设备在所述时间范围内获得；
基于所述分类结果和所述第一数据生成第一样本集；
基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集；
基于所述第二样本集进行训练，获得所述第一设备的第一模型。
上述方案中，所述基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，包括：
基于所述第一样本集中按照机器学习模型进行训练，获得所述第一数据的预测标记；
基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，使得所述风险函数获得最小值；其中，所述权重向量为所述风险函数中的未知数。
上述方案中，所述风险函数满足以下表达式：
其中，E()表示风险函数；g()表示决策函数；w表示决策函数的参数；g(xi,w)表示所述第一数据中第i个数据的实际标记；v表示权重向量；λ表示预设学习率；
所述基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，包括：
以预设值作为v的初始值，以所述风险函数获得最小值作为求解条件，采用循环迭代方式求解所述风险函数中的w，以及以求解后的w作为已知数、所述风险函数获得最小值作为求解条件，求解v的中间值，将所述v的中间值作为下一次迭代的v的初始值；
基于所述v的初始值和所述v的中间值判断v的变化是否低于预设阈值；
当判断结果为v的变化低于预设阈值时，获得当前求解过程中v的初始值作为所述预测标记对应的权重向量。
上述方案中，所述获得第二设备的第二数据的分类结果，包括：
获得所述时间范围内第二设备同步的第二数据；
获得所述第二设备的第二模型，基于所述第二模型对所述第二数据进行识别分类，获得分类结果；或者，
获得来自所述第二设备的分类结果；所述分类结果由所述第二设备基于所述第二模型进行识别分类后发送。
上述方案中，所述方法还包括：获得第三数据，基于所述第一模型对所述第三数据进行分类识别，获得所述第三数据对应的分类结果。
本发明实施例还提供了一种设备，所述设备包括：第一获取单元、第二获取单元、样本生成单元和模型训练单元；其中，
所述第一获取单元，用于获得一段时间范围内采集的第一数据；
所述第二获取单元，用于获得第二设备的第二数据的分类结果；
所述样本生成单元，用于基于所述第二获取单元获得的分类结果和所述第一获取单元获得的所述第一数据生成第一样本集；基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集；
所述模型训练单元，用于基于所述样本生成单元获得的所述第二样本集进行训练，获得所述第一设备的第一模型。
上述方案中，所述样本生成单元，用于基于所述第一样本集中按照机器学习模型进行训练，获得所述第一数据的预测标记；基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，使得所述风险函数获得最小值；其中，所述权重向量为所述风险函数中的未知数。
上述方案中，所述风险函数满足以下表达式：
其中，E()表示风险函数；g()表示决策函数；w表示决策函数的参数；g(xi,w)表示所述第一数据中第i个数据的实际标记；v表示权重向量；λ表示预设学习率；
所述样本生成单元，用于以预设值作为v的初始值，以所述风险函数获得最小值作为求解条件，采用循环迭代方式求解所述风险函数中的w，以及以求解后的w作为已知数、所述风险函数获得最小值作为求解条件，求解v的中间值，将所述v的中间值作为下一次迭代的v的初始值；基于所述v的初始值和所述v的中间值判断v的变化是否低于预设阈值；当判断结果为v的变化低于预设阈值时，获得当前求解过程中v的初始值作为所述预测标记对应的权重向量。
上述方案中，所述设备还包括第三获取单元，用于获得所述时间范围内第二设备同步的第二数据；还用于获得所述第二设备的第二模型；
所述第二获取单元，用于基于所述第三获取单元获得的所述第二模型对所述第二数据进行识别分类，获得分类结果；或者，
所述第二获取单元，用于获得来自所述第二设备的分类结果；所述分类结果由所述第二设备基于所述第二模型进行识别分类后发送。
上述方案中，所述设备还包括分类识别单元；
所述第一获取单元，还用于获得第三数据；
所述分类识别单元，用于基于所述模型训练单元获得的所述第一模型对所述第三数据进行分类识别，获得所述第三数据对应的分类结果。
本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现本发明实施例所述方法的步骤。
本发明实施例还提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明实施例所述方法的步骤。
本发明实施例提供的设备及其信息处理方法、计算机存储介质，所述方法包括：获得一段时间范围内采集的第一数据；获得第二设备的第二数据的分类结果；其中，所述第二数据由所述第二设备在所述时间范围内获得；基于所述分类结果和所述第一数据生成第一样本集；基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集；基于所述第二样本集进行训练，获得所述第一设备的第一模型。采用本发明实施例的技术方案，不具有模型也不具有标注数据的第一设备通过自步学习机制进行自主学习，实现了第一设备自主学习获得第一模型，大大提升了设备的识别能力，同时也可以扩展物联网系统提成智能化程度。
附图说明
图1为本发明实施例的信息处理方法的流程示意图；
图2为本发明实施例的信息处理方法中获得第二样本集的方法流程示意图；
图3为本发明实施例的设备的组成结构的一种示意图；
图4为本发明实施例的设备的组成结构的另一种示意图；
图5为本发明实施例的设备的组成结构的又一种示意图；
图6为本发明实施例的设备的硬件组成结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
实施例一
本发明实施例提供了一种信息处理方法，应用于第一设备中。图1为本发明实施例的信息处理方法的流程示意图；如图1所示，所述方法包括：
步骤101：获得一段时间范围内采集的第一数据。
步骤102：获得第二设备的第二数据的分类结果；其中，所述第二数据由所述第二设备在所述时间范围内获得。
步骤103：基于所述分类结果和所述第一数据生成第一样本集。
步骤104：基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集。
步骤105：基于所述第二样本集进行训练，获得所述第一设备的第一模型。
本发明实施例中，第一设备具体可以为穿戴设备，例如智能手表、智能手环、智能眼镜、智能鞋、智能护腰等智能穿戴设备。另一方面，第二设备也可以为穿戴设备，第二设备的类型可与第一设备相同或不同。
本实施例应用于第一设备和第二设备均穿戴在用户身上的应用场景，或者与用户的行为同步的应用场景。例如第一设备可以是智能鞋，第二设备可以是智能手表，二者均可伴随用户的行为采集到表征同一类行为的数据。区别在于，第二设备能够识别用户行为类型，可以理解，第二设备中具有训练好的模型(本实施例中记为第二模型)，第二设备可基于第二模型识别出采集的数据表征的行为类型。实际应用中，第一设备和第二设备中均具有传感器，所述传感器包括但不限于以下传感器的至少一种：陀螺仪、加速度计、磁力计；通过该传感器采集速度、加速度、加速度等数据；本实施例中，第一设备采集的数据记为第一数据，第二设备采集的数据记为第二数据。
本发明实施例中，第一设备和第二设备时钟同步，采集同一段时间范围内的数据，可以理解，第一设备和第二设备共同穿戴一段时间，即第一设备获得一段时间范围内的第一数据，第二设备采集所述时间范围内的第二数据。所述第一设备和所述第二设备具有无线通信功能，且基于所述无线通信功能，所述第一设备获得所述第二设备同步的第二数据。
例如，在时刻i时，第一设备采集的第一数据记为Y＝{yi，i＝1,2,…,t}，来自第二设备的第二数据记为X＝{xi，i＝1,2,…,t}，t表示所述时间范围；可将第一数据和第二数据组合，生成组合数据记为Hi＝{(xi,yi)，i＝1,2,…,t}。
本实施例中，由于第二设备具有第二模型，可基于该第二模型对采集的第二数据进行识别分类，获得分类结果，所述分类结果可记为soft_label＝{Li，i＝1,2,…,t}。作为一种实施方式，所述分类结果表明数据对应的行为类别；该行为类别可包括但不限于以下行为类别的至少之一：走路、跑步、坐、站、上楼、下楼、躺。
本发明实施例中，所述获得所述第二数据的分类结果，包括：获得所述第二设备的第二模型，基于所述第二模型对所述第二数据进行识别分类，获得分类结果；或者，获得来自所述第二设备的分类结果；所述分类结果由所述第二设备基于所述第二模型进行识别分类后发送。
具体的，作为一种实施方式，对第二数据的分类识别过程在第二设备内执行，第一设备可基于与所述第二设备之间的无线通信功能获得所述第二设备识别好的分类结果。作为另一种实施方式，第一设备通过与第二设备之间的无线通信功能获得所述第二设备的第二模型，在获得所述第二设备的第二数据后，基于所述第二模型对所述第二数据进行分类识别，获得所述第二数据的分类结果，也即，第二数据的分类识别过程在所述第一设备内执行。
本实施例中，基于所述分类结果和所述第一数据生成第一样本集，具体是将soft_label＝{Li，i＝1,2,…,t}与Y＝{yi，i＝1,2,…,t}对应组合，生成的第一样本集可表示为C＝{(yi，Li),i＝1,2,…,t}。
可以理解，基于第一设备和第二设备之间的同步机制，第一设备和第二设备采集的数据可以是、或者近似是同一时刻采集到的、表征同一类行为的数据，也即yi表示第二设备的第二数据xi的分类结果；而第二数据xi与第一数据yi是对应的，将对应的第一数据yi和分类数据Li进行组合，生成第一样本集。
本发明实施例中，基于自步学习机制对第一样本集C中的样本ci的分类准确度进行分析。
作为一种实施方式，所述基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，包括：基于所述第一样本集中按照机器学习模型进行训练，获得所述第一数据的预测标记；基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，使得所述风险函数获得最小值；其中，所述权重向量为所述风险函数中的未知数。
其中，所述风险函数满足以下表达式(1)：
其中，E()表示风险函数；g()表示决策函数；w表示决策函数的参数；g(xi,w)表示所述第一数据中第i个数据的实际标记；v表示权重向量；λ表示预设学习率；
则所述基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，包括：以预设值作为v的初始值，以所述风险函数获得最小值作为求解条件，采用循环迭代方式求解所述风险函数中的w，以及以求解后的w作为已知数、所述风险函数获得最小值作为求解条件，求解v的中间值，将所述v的中间值作为下一次迭代的v的初始值；基于所述v的初始值和所述v的中间值判断v的变化是否低于预设阈值；当判断结果为v的变化低于预设阈值时，获得当前求解过程中v的初始值作为所述预测标记对应的权重向量。
这里，假设每个样本ci都有一个权重vi，对应于第一样本集C存在权重向量v＝(v1,v2,…,vi)，i＝1,2,…,t，vi∈[0,1]，其中每一个分量vi对应于样本ci的分类效果，即样本ci的分类准确度，如果样本ci的分类具有代表性，则vi的取值越高，对应的分类效果表明分类越准确。假设基于第一样本集C，利用机器学习模型，如k最邻近(kNN，k-Nearest Neighbor)分类算法、支持向量机(SVM，Support Vector Machine)算法、决策树(Decision Tree)模型或神经网络模型等对第一样本集进行训练，得到第一数据Y的预测标记为g(yi,w)，其中w为决策函数g()的参数，假设λ为模型的学习率，设定λ＝1，假设模型的风险函数为E(w,v；λ)，则风险函数满足上述表达式(1)，则问题转化为确定在w和v取何值时，风险函数E(w,v；λ)取得最小值，由于w和v都未知，因此本发明实施例中通过循环迭代方式对v进行求解。
具体可参照图2所示，对v求解的方式可包括：初始化第一样本集C以及迭代结束阈值σ；以预设值作为v的迭代初始值，这里，假设v*＝[1,1,…,1]作为v的迭代初始值。则以风险函数最小值作为求解条件，可获得w中间值，这里，w中间值可记为w*，w*可通过以下表达式(2)确定：
获得w*后，进一步可以风险函数最小值作为求解条件，获得v中间值，这里，v中间值可记为v，v通过以下表达式(3)确定：
获得v后，判断||v-v*||是否小于等于σ；当判断结果为否时，进一步重新改变v的初始值v*，可将求解获得的v作为新一轮迭代的v的初始值v*，以风险函数最小值作为求解条件进行求解，直至获得||v-v*||大于等于σ的v，将本次迭代求解过程时采用的v的初始值作为预测标记对应的权重向量，即第二样本集C’满足以下表达式(4)：
C’＝v*×C (4)
本发明实施例中，根据第二样本集C’，对第一设备的第一数据的学习训练，训练过程可选择朴素贝叶斯算法、SVM算法、kNN算法中的任一分类算法，根据算法的特征得到第一模型，根据第一模型，实现第一设备的行为识别能力的构建，即当设备B新采集到一组第三数据，所述第三数据可记为Zi＝{zi1,zi2,…,zim}时，利用第一模型可以得到所述第三数据的类别，也即第一设备实现了基于第二设备的学习能力的学习，在没有第二设备的情况下，仅依靠第一设备自身也可实现与第二设备类似的功能。
基于此，在一实施例中，所述方法还包括：获得第三数据，基于所述第一模型对所述第三数据进行分类识别，获得所述第三数据对应的分类结果。
采用本发明实施例的技术方案，不具有模型也不具有标注数据的第一设备通过自步学习机制进行自主学习，实现了第一设备自主学习获得第一模型，大大提升了设备的识别能力，同时也可以扩展物联网系统提成智能化程度。
实施例二
本发明实施例还提供了一种设备。图3为本发明实施例的设备的组成结构的一种示意图；如图3所示，所述设备包括：第一获取单元31、第二获取单元32、样本生成单元33和模型训练单元34；其中，
所述第一获取单元31，用于获得一段时间范围内采集的第一数据；
所述第二获取单元32，用于获得第二设备的第二数据的分类结果；
所述样本生成单元33，用于基于所述第二获取单元32获得的分类结果和所述第一获取单元31获得的所述第一数据生成第一样本集；基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集；
所述模型训练单元34，用于基于所述样本生成单元33获得的所述第二样本集进行训练，获得所述第一设备的第一模型。
本实施例中，所述样本生成单元33，用于基于所述第一样本集中按照机器学习模型进行训练，获得所述第一数据的预测标记；基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，使得所述风险函数获得最小值；其中，所述权重向量为所述风险函数中的未知数。
其中，所述风险函数满足以下表达式：
其中，E()表示风险函数；g()表示决策函数；w表示决策函数的参数；g(xi,w)表示所述第一数据中第i个数据的实际标记；v表示权重向量；λ表示预设学习率；
所述样本生成单元33，用于以预设值作为v的初始值，以所述风险函数获得最小值作为求解条件，采用循环迭代方式求解所述风险函数中的w，以及以求解后的w作为已知数、所述风险函数获得最小值作为求解条件，求解v的中间值，将所述v的中间值作为下一次迭代的v的初始值；基于所述v的初始值和所述v的中间值判断v的变化是否低于预设阈值；当判断结果为v的变化低于预设阈值时，获得当前求解过程中v的初始值作为所述预测标记对应的权重向量。
在一实施例中，如图4所示，所述设备还包括第三获取单元35，用于获得所述时间范围内第二设备同步的第二数据；还用于获得所述第二设备的第二模型；
所述第二获取单元32，用于基于所述第三获取单元35获得的所述第二模型对所述第二数据进行识别分类，获得分类结果；或者，
所述第二获取单元32，用于获得来自所述第二设备的分类结果；所述分类结果由所述第二设备基于所述第二模型进行识别分类后发送。
在一实施例中，如图5所示，所述设备还包括分类识别单元36；
所述第一获取单元31，还用于获得第三数据；
所述分类识别单元36，用于基于所述模型训练单元34获得的所述第一模型对所述第三数据进行分类识别，获得所述第三数据对应的分类结果。
本发明实施例中，所述设备中的报样本生成单元33、模型训练单元34和分类识别单元36，在实际应用中均可由所述设备中的中央处理器(CPU，Central Processing Unit)、数字信号处理器(DSP，Digital Signal Processor)、微控制单元(MCU，MicrocontrollerUnit)或可编程门阵列(FPGA，Field－Programmable Gate Array)实现；所述设备中的第三获取单元35，在实际应用中可通过通信模组(包含：基础通信套件、操作系统、通信模块、标准化接口和协议等)及收发天线实现；所述设备中的第一获取单元31，在实际应用中可由位于设备中的陀螺仪、加速度计、磁力计中的至少一种传感器实现；所述设备中的第二获取单元32，在实际应用中可通过通信模组(包含：基础通信套件、操作系统、通信模块、标准化接口和协议等)及收发天线实现，或者通过通信模组结合CPU、DSP、MCU或FPGA实现。
需要说明的是：上述实施例提供的设备在进行信息处理时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将设备的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的设备与信息处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
实施例三
本发明实施例还提供了一种设备。图6为本发明实施例的设备的硬件组成结构示意图，如图6所示，设备包括存储器42、处理器41及存储在存储器42上并可在处理器41上运行的计算机程序，所述处理器41执行所述程序时实现：获得一段时间范围内采集的第一数据；获得第二设备的第二数据的分类结果；其中，所述第二数据由所述第二设备在所述时间范围内获得；基于所述分类结果和所述第一数据生成第一样本集；基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集；基于所述第二样本集进行训练，获得所述第一设备的第一模型。
在一实施例中，所述处理器41执行所述程序时实现：基于所述第一样本集中按照机器学习模型进行训练，获得所述第一数据的预测标记；基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，使得所述风险函数获得最小值；其中，所述权重向量为所述风险函数中的未知数。
在一实施例中，所述处理器41执行所述程序时实现：以预设值作为v的初始值，以所述风险函数获得最小值作为求解条件，采用循环迭代方式求解所述风险函数中的w，以及以求解后的w作为已知数、所述风险函数获得最小值作为求解条件，求解v的中间值，将所述v的中间值作为下一次迭代的v的初始值；基于所述v的初始值和所述v的中间值判断v的变化是否低于预设阈值；当判断结果为v的变化低于预设阈值时，获得当前求解过程中v的初始值作为所述预测标记对应的权重向量；其中，所述风险函数满足以下表达式：
其中，E()表示风险函数；g()表示决策函数；w表示决策函数的参数；g(xi,w)表示所述第一数据中第i个数据的实际标记；v表示权重向量；λ表示预设学习率。
在一实施例中，所述处理器41执行所述程序时实现：获得所述时间范围内第二设备同步的第二数据；获得所述第二设备的第二模型，基于所述第二模型对所述第二数据进行识别分类，获得分类结果；或者，获得来自所述第二设备的分类结果；所述分类结果由所述第二设备基于所述第二模型进行识别分类后发送。
在一实施例中，所述处理器41执行所述程序时实现：获得第三数据，基于所述第一模型对所述第三数据进行分类识别，获得所述第三数据对应的分类结果。
可以理解，设备中还包括通信接口43和总线系统44。设备中的各个组件通过总线系统44耦合在一起。可理解，总线系统44用于实现这些组件之间的连接通信。总线系统44除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为总线系统44。
可以理解，存储器42可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器42旨在包括但不限于这些和任意其它适合类型的存储器。
上述本发明实施例揭示的方法可以应用于处理器41中，或者由处理器41实现。处理器41可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器41中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器41可以是通用处理器、DSP，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器41可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器42，处理器41读取存储器42中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、FPGA、通用处理器、控制器、MCU、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。
实施例四
在示例性实施例中，本发明实施例还提供了一种计算机存储介质，例如包括计算机程序的存储器42，上述计算机程序可由设备的处理器41执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
本发明实施例提供的计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现：获得一段时间范围内采集的第一数据；获得第二设备的第二数据的分类结果；其中，所述第二数据由所述第二设备在所述时间范围内获得；基于所述分类结果和所述第一数据生成第一样本集；基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集；基于所述第二样本集进行训练，获得所述第一设备的第一模型。
在一实施例中，该指令被处理器执行时实现：基于所述第一样本集中按照机器学习模型进行训练，获得所述第一数据的预测标记；基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，使得所述风险函数获得最小值；其中，所述权重向量为所述风险函数中的未知数。
在一实施例中，该指令被处理器执行时实现：以预设值作为v的初始值，以所述风险函数获得最小值作为求解条件，采用循环迭代方式求解所述风险函数中的w，以及以求解后的w作为已知数、所述风险函数获得最小值作为求解条件，求解v的中间值，将所述v的中间值作为下一次迭代的v的初始值；基于所述v的初始值和所述v的中间值判断v的变化是否低于预设阈值；当判断结果为v的变化低于预设阈值时，获得当前求解过程中v的初始值作为所述预测标记对应的权重向量；其中，所述风险函数满足以下表达式：
其中，E()表示风险函数；g()表示决策函数；w表示决策函数的参数；g(xi,w)表示所述第一数据中第i个数据的实际标记；v表示权重向量；λ表示预设学习率。
在一实施例中，该指令被处理器执行时实现：获得所述时间范围内第二设备同步的第二数据；获得所述第二设备的第二模型，基于所述第二模型对所述第二数据进行识别分类，获得分类结果；或者，获得来自所述第二设备的分类结果；所述分类结果由所述第二设备基于所述第二模型进行识别分类后发送。
在一实施例中，该指令被处理器执行时实现：获得第三数据，基于所述第一模型对所述第三数据进行分类识别，获得所述第三数据对应的分类结果。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例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中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种信息处理方法，应用于第一设备中；其特征在于，所述方法包括：
获得一段时间范围内采集的第一数据；
获得第二设备的第二数据的分类结果；其中，所述第二数据由所述第二设备在所述时间范围内获得；
基于所述分类结果和所述第一数据生成第一样本集；
基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集；
基于所述第二样本集进行训练，获得所述第一设备的第一模型。
2.根据权利要求1所述的方法，其特征在于，所述基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，包括：
基于所述第一样本集中按照机器学习模型进行训练，获得所述第一数据的预测标记；
基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，使得所述风险函数获得最小值；其中，所述权重向量为所述风险函数中的未知数。
3.根据权利要求2所述的方法，其特征在于，所述风险函数满足以下表达式：
其中，E()表示风险函数；g()表示决策函数；w表示决策函数的参数；g(xi,w)表示所述第一数据中第i个数据的实际标记；v表示权重向量；λ表示预设学习率；
所述基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，包括：
以预设值作为v的初始值，以所述风险函数获得最小值作为求解条件，采用循环迭代方式求解所述风险函数中的w，以及以求解后的w作为已知数、所述风险函数获得最小值作为求解条件，求解v的中间值，将所述v的中间值作为下一次迭代的v的初始值；
基于所述v的初始值和所述v的中间值判断v的变化是否低于预设阈值；
当判断结果为v的变化低于预设阈值时，获得当前求解过程中v的初始值作为所述预测标记对应的权重向量。
4.根据权利要求1所述的方法，其特征在于，所述获得第二设备的第二数据的分类结果，包括：
获得所述时间范围内第二设备同步的第二数据；
获得所述第二设备的第二模型，基于所述第二模型对所述第二数据进行识别分类，获得分类结果；或者，
获得来自所述第二设备的分类结果；所述分类结果由所述第二设备基于所述第二模型进行识别分类后发送。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：获得第三数据，基于所述第一模型对所述第三数据进行分类识别，获得所述第三数据对应的分类结果。
6.一种设备，其特征在于，所述设备包括：第一获取单元、第二获取单元、样本生成单元和模型训练单元；其中，
所述第一获取单元，用于获得一段时间范围内采集的第一数据；
所述第二获取单元，用于获得第二设备的第二数据的分类结果；
所述样本生成单元，用于基于所述第二获取单元获得的分类结果和所述第一获取单元获得的所述第一数据生成第一样本集；基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集；
所述模型训练单元，用于基于所述样本生成单元获得的所述第二样本集进行训练，获得所述第一设备的第一模型。
7.根据权利要求6所述的设备，其特征在于，所述样本生成单元，用于基于所述第一样本集中按照机器学习模型进行训练，获得所述第一数据的预测标记；基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，使得所述风险函数获得最小值；其中，所述权重向量为所述风险函数中的未知数。
8.根据权利要求7所述的设备，其特征在于，所述风险函数满足以下表达式：
其中，E()表示风险函数；g()表示决策函数；w表示决策函数的参数；g(xi,w)表示所述第一数据中第i个数据的实际标记；v表示权重向量；λ表示预设学习率；
所述样本生成单元，用于以预设值作为v的初始值，以所述风险函数获得最小值作为求解条件，采用循环迭代方式求解所述风险函数中的w，以及以求解后的w作为已知数、所述风险函数获得最小值作为求解条件，求解v的中间值，将所述v的中间值作为下一次迭代的v的初始值；基于所述v的初始值和所述v的中间值判断v的变化是否低于预设阈值；当判断结果为v的变化低于预设阈值时，获得当前求解过程中v的初始值作为所述预测标记对应的权重向量。
9.根据权利要求6所述的设备，其特征在于，所述设备还包括第三获取单元，用于获得所述时间范围内第二设备同步的第二数据；还用于获得所述第二设备的第二模型；
所述第二获取单元，用于基于所述第三获取单元获得的所述第二模型对所述第二数据进行识别分类，获得分类结果；或者，
所述第二获取单元，用于获得来自所述第二设备的分类结果；所述分类结果由所述第二设备基于所述第二模型进行识别分类后发送。
10.根据权利要求6所述的设备，其特征在于，所述设备还包括分类识别单元；
所述第一获取单元，还用于获得第三数据；
所述分类识别单元，用于基于所述模型训练单元获得的所述第一模型对所述第三数据进行分类识别，获得所述第三数据对应的分类结果。
11.一种计算机存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1至5任一项所述方法的步骤。
12.一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810000665.0A CN109993312B (zh) | 2018-01-02 | 2018-01-02 | 一种设备及其信息处理方法、计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810000665.0A CN109993312B (zh) | 2018-01-02 | 2018-01-02 | 一种设备及其信息处理方法、计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109993312A true CN109993312A (zh) | 2019-07-09 |
| CN109993312B CN109993312B (zh) | 2021-04-27 |
Family
ID=67128321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810000665.0A Active CN109993312B (zh) | 2018-01-02 | 2018-01-02 | 一种设备及其信息处理方法、计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109993312B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111653271A (zh) * | 2020-05-26 | 2020-09-11 | 大众问问(北京)信息科技有限公司 | 一种样本数据获取、模型训练方法、装置及计算机设备 |
| CN112487857A (zh) * | 2019-09-12 | 2021-03-12 | 中移(苏州)软件技术有限公司 | 行为识别方法、装置及计算机存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324610A (zh) * | 2013-06-09 | 2013-09-25 | 苏州大学 | 一种应用于移动设备的样本训练方法及装置 |
| US20160042253A1 (en) * | 2014-08-05 | 2016-02-11 | Sri International | Multi-Dimensional Realization of Visual Content of an Image Collection |
| CN105590408A (zh) * | 2016-02-06 | 2016-05-18 | 高强 | 一种人体跌倒检测方法及保护装置 |
| US20170049394A1 (en) * | 2015-08-18 | 2017-02-23 | Regents Of The University Of Minnesota | Instrumented wearable device for measurement of physiological parameters |
| CN106861012A (zh) * | 2017-02-22 | 2017-06-20 | 南京邮电大学 | Vr体验场景下基于智能手环的用户情绪调节方法 |
-
2018
- 2018-01-02 CN CN201810000665.0A patent/CN109993312B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324610A (zh) * | 2013-06-09 | 2013-09-25 | 苏州大学 | 一种应用于移动设备的样本训练方法及装置 |
| US20160042253A1 (en) * | 2014-08-05 | 2016-02-11 | Sri International | Multi-Dimensional Realization of Visual Content of an Image Collection |
| US20170049394A1 (en) * | 2015-08-18 | 2017-02-23 | Regents Of The University Of Minnesota | Instrumented wearable device for measurement of physiological parameters |
| CN105590408A (zh) * | 2016-02-06 | 2016-05-18 | 高强 | 一种人体跌倒检测方法及保护装置 |
| CN106861012A (zh) * | 2017-02-22 | 2017-06-20 | 南京邮电大学 | Vr体验场景下基于智能手环的用户情绪调节方法 |
Non-Patent Citations (4)
| Title |
|---|
| LONG CHENG ET AL.: "《Recognition of Human Activities Using Fast and Adaptive Sparse Representation Based on Wearable Sensors》", 《2017 16TH IEEE INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS (ICMLA)》 * |
| LU JIANG ET AL.: "《Self-paced learning with diversity》", 《NIPS 14: PROCEEDINGS OF THE 27TH INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS》 * |
| 吴纪芸: "《智能设备人体行为识别研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 胡悦 等: "《人类睡眠数据的特征提取和分析方法的研究》", 《黑龙江大学工程学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487857A (zh) * | 2019-09-12 | 2021-03-12 | 中移(苏州)软件技术有限公司 | 行为识别方法、装置及计算机存储介质 |
| CN111653271A (zh) * | 2020-05-26 | 2020-09-11 | 大众问问(北京)信息科技有限公司 | 一种样本数据获取、模型训练方法、装置及计算机设备 |
| CN111653271B (zh) * | 2020-05-26 | 2023-09-05 | 大众问问(北京)信息科技有限公司 | 一种样本数据获取、模型训练方法、装置及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109993312B (zh) | 2021-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9251402B2 (en) | Association and prediction in facial recognition | |
| Zappi et al. | Activity recognition from on-body sensors: accuracy-power trade-off by dynamic sensor selection | |
| Alvarez-Alvarez et al. | Human gait modeling using a genetic fuzzy finite state machine | |
| KR102548732B1 (ko) | 신경망 학습 방법 및 이를 적용한 장치 | |
| CN108345875A (zh) | 可行驶区域检测模型训练方法、检测方法和装置 | |
| CN105095494B (zh) | 一种对分类数据集进行测试的方法 | |
| Schliebs et al. | On the probabilistic optimization of spiking neural networks | |
| Melki et al. | MIRSVM: multi-instance support vector machine with bag representatives | |
| Yadav et al. | A review of ml based fault detection algorithms in wsns | |
| CN109993312A (zh) | 一种设备及其信息处理方法、计算机存储介质 | |
| Braga et al. | A semi-supervised self-organizing map for clustering and classification | |
| Aruleba et al. | Deep learning for age estimation using EfficientNet | |
| Krawczyk et al. | Reacting to different types of concept drift with adaptive and incremental one-class classifiers | |
| Andreu et al. | Real time recognition of human activities from wearable sensors by evolving classifiers | |
| CN109993188B (zh) | 数据标签识别方法、行为识别方法及装置 | |
| Procházka et al. | Discrimination of cycling patterns using accelerometric data and deep learning techniques | |
| Bezobrazov et al. | Artificial intelligence for sport activitity recognition | |
| Venkatesan et al. | Cost-sensitive boosting for concept drift | |
| Jänicke et al. | Self-adapting multi-sensor systems: A concept for self-improvement and self-healing techniques | |
| CN103514454B (zh) | 基于在线学习支持向量机性别分类的方法 | |
| Lin et al. | A particle swarm optimization based classifier for liver disorders classification | |
| Zhuang et al. | Self-supervised neural network models of higher visual cortex development | |
| Pinky et al. | Human activities recognition and monitoring system using machine learning techniques | |
| CN109993191B (zh) | 信息处理方法及装置、电子设备及存储介质 | |
| Bagci Das et al. | Human activity recognition based on multi‐instance learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |