CN111008546B - 一种传感器输出信号的识别方法及装置 - Google Patents
一种传感器输出信号的识别方法及装置 Download PDFInfo
- Publication number
- CN111008546B CN111008546B CN201811169032.9A CN201811169032A CN111008546B CN 111008546 B CN111008546 B CN 111008546B CN 201811169032 A CN201811169032 A CN 201811169032A CN 111008546 B CN111008546 B CN 111008546B
- Authority
- CN
- China
- Prior art keywords
- parameter
- output signal
- sensor
- history
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种传感器输出信号的识别方法及装置,该方法包括:获取目标传感器的输出信号,并提取所述目标传感器的输出信号的目标特征;将所述目标特征作为识别模型的输入,利用所述识别模型确定所述目标传感器的输出信号的类别;其中,所述输出信号的类别包括:雨水击打和用户触碰中的任意一项;其中,所述识别模型是基于多组历史传感器的输出信号的携带有类别标签的历史特征,利用机器学习算法进行训练得到的。由此可见,利用所述识别模型可以准确获得目标传感器的输出信号的类别标签,也就是说,利用所述识别模型可以准确的识别出目标传感器的输出信号的类别是雨水击打还是用户触碰,有效的避免了漏识别和误识别。
Description
技术领域
本申请涉及车身控制和机器学习领域,特别是涉及一种传感器输出信号的识别方法及装置。
背景技术
随着车辆技术的发展,无钥匙进入以及启动系统(Passive Entry and PassiveStart,PEPS)给用户带来了极大的便利。所谓PEPS,是指,用户可以触碰车门外的门把手内侧的传感器例如电容式传感器,门把手识别模块通过识别电容式传感器输出的电平信号,若门把手识别模块识别出电容式传感器输出的电平信号的类别为用户触摸,则向控制模块发送控制指令,从而实现打开车门的动作。
但是,在传统技术中,门把手识别模块对所述电容式传感器输出的电平信号进行识别时,可能会出现漏识别和误识别。所谓漏识别是指,用户触摸电容式传感器时,门把手识别模块将该电容式传感器的输出信号的类别识别为雨水击打从而导致不能打开车门。所谓误识别是指,当雨水击打所述电容式传感器时,门把手识别模块将该电容式传感器的输出信号的类别识别为用户触摸,从而导致控制模块甚至车辆控制系统循环执行与打开车门相应的动作,导致汽车的电瓶亏电。
因此,需要提供一种解决方案,能够准确的识别出所述传感器的输出信号的类别。
发明内容
本申请所要解决的技术问题是如何准确的识别出传感器的输出信号的类别,避免出现漏识别和误识别。提供一种识别用户触碰传感器的方法及装置。
第一方面,本申请实施例提供了一种传感器输出信号的识别方法,包括:
获取目标传感器的输出信号,并提取所述目标传感器的输出信号的目标特征;所述目标特征包括:在单位时间内所述目标传感器的输出信号的平均值、在所述单位时间内所述目标传感器的输出信号的最大值、在所述单位时间内所述目标传感器的输出信号的最小值、在所述单位时间内所述目标传感器的输出信号的方差以及在所述单位时间内所述目标传感器的输出信号的电平值大于或者等于预设电平阈值的次数中的任意一项或多项;
将所述目标特征作为识别模型的输入,利用所述识别模型确定所述目标传感器的输出信号的类别;
其中,所述输出信号的类别包括:雨水击打和用户触碰中的任意一项;
其中,所述识别模型是基于多组历史传感器的输出信号的携带有类别标签的历史特征,利用机器学习算法进行训练得到的。
可选的,所述机器学习算法,:
基于Adaboost和SVM的一种组合分类算法。
可选的,所述识别模型通过如下方式获得:
分别提取所述多组携带有所述类别标签的历史特征;
根据所述多组携带有所述类别标签的历史特征,利用所述SVM算法训练获得第一数目个弱分类器;
利用所述Adaboost算法从所述第一数目个弱分类器中得到第二数目个最优弱分类器,并根据所述第二数目个最优弱分类器得到强分类器;
将所述强分类器作为所述识别模型。
可选的,所述SVM算法包括第一参数、第二参数和核函数;所述第一参数为惩罚因子,所述第二参数为高斯宽度系数;将所述第一数目个弱分类器中的任意一个弱分类器称为第一弱分类器,所述第一弱分类器通过如下方式训练获得:
步骤1:对所述第一参数和所述第二参数进行初始化,得到所述第一参数的初始值和所述第二参数的初始值;
步骤2:若所述第二参数的初始值大于或者等于所述第二参数的最小值,则基于所述第一参数的初始值、所述第二参数的初始值以及所述核函数,利用多组携带有所述类别标签的训练历史特征训练得到初始弱分类器;
步骤3:利用多组携带有所述类别标签的验证历史特征验证所述初始弱分类器的分类误差率;若所述分类误差率小于二分之一,则将所述初始弱分类器作为训练得到的第一弱分类器;
若所述分类误差率大于或者等于二分之一,则按照预设步长减小所述第二参数的初始值,得到第二参数的中间值,并将所述中间值作为所述第二参数的初始值,重复执行以上步骤2至步骤3。
可选的,所述历史传感器的输出信号,包括以下任意两种或多种:
不下雨时人为触碰所述历史传感器时,所述历史传感器的输出信号、
下雨时人为触碰所述历史传感器时,所述历史传感器的输出信号、
下雨时无人触碰所述历史传感器时,所述历史传感器的输出信号。
第二方面,本申请实施例提供了一种传感器输出信号的识别装置,包括:
获取单元,用于获取目标传感器的输出信号,并提取所述目标传感器的输出信号的目标特征;所述目标特征包括:在单位时间内所述目标传感器的输出信号的平均值、在所述单位时间内所述目标传感器的输出信号的最大值、在所述单位时间内所述目标传感器的输出信号的最小值、在所述单位时间内所述目标传感器的输出信号的方差以及在所述单位时间内所述目标传感器的输出信号的电平值大于或者等于预设电平阈值的次数中的任意一项或多项;
确定单元,用于将所述目标特征作为识别模型的输入,利用所述识别模型确定所述目标传感器的输出信号的类别;
其中,所述输出信号的类别包括:雨水击打和用户触碰中的任意一项;
其中,所述识别模型是基于多组历史传感器的输出信号的携带有类别标签的历史特征,利用机器学习算法进行训练得到的。
可选的,所述机器学习算法,包括:
基于Adaboost和SVM的一种组合分类算法。
可选的,所述识别模型通过如下方式获得:
分别提取所述多组携带有所述类别标签的历史特征;
根据所述多组携带有所述类别标签的历史特征,利用所述SVM算法训练获得第一数目个弱分类器;
利用所述Adaboost算法从所述第一数目个弱分类器中得到第二数目个最优弱分类器,并根据所述第二数目个最优弱分类器得到强分类器;
将所述强分类器作为所述识别模型。
可选的,所述SVM算法包括第一参数、第二参数和核函数;
所述第一数目个弱分类器中的每个弱分类器对应的第一参数和第二参数的组合不同;其中,所述第一参数为惩罚因子,所述第二参数为高斯宽度系数;
将所述第一数目个弱分类器中的任意一个弱分类器称为第一弱分类器,所述第一弱分类器通过如下方式训练获得:
步骤1:对所述第一参数和所述第二参数进行初始化,得到所述第一参数的初始值和所述第二参数的初始值;
步骤2:若所述第二参数的初始值大于或者等于所述第二参数的最小值,则基于所述第一参数的初始值、所述第二参数的初始值以及所述核函数,训练得到初始弱分类器;
步骤3:验证所述初始弱分类器的分类误差率;若所述分类误差率小于二分之一,则将所述初始弱分类器作为训练得到的第一弱分类器;
若所述分类误差率大于或者等于二分之一,则按照预设步长减小所述第二参数的初始值,得到第二参数的中间值,并将所述中间值作为所述第二参数的初始值,重复执行以上步骤2至步骤3。
可选的,所述历史传感器的输出信号,包括以下任意两种或多种:
不下雨时人为触碰所述历史传感器时,所述历史传感器的输出信号、
下雨时人为触碰所述历史传感器时,所述历史传感器的输出信号、
下雨时无人触碰所述历史传感器时,所述历史传感器的输出信号。
与现有技术相比,本申请实施例具有以下优点:
本申请实施例提供的传感器输出信号的识别方法及装置,该方法包括:获取目标传感器的输出信号,并提取所述目标传感器的输出信号的目标特征;所述目标特征包括:在单位时间内所述目标传感器的输出信号的平均值、在所述单位时间内所述目标传感器的输出信号的最大值、在所述单位时间内所述目标传感器的输出信号的最小值、在所述单位时间内所述目标传感器的输出信号的方差以及在所述单位时间内所述目标传感器的输出信号的电平值大于或者等于预设电平阈值的次数中的任意一项或多项;将所述目标特征作为识别模型的输入,利用所述识别模型确定所述目标传感器的输出信号的类别;其中,所述输出信号的类别包括:雨水击打和用户触碰中的任意一项;其中,所述识别模型是基于多组历史传感器的输出信号的携带有类别标签的历史特征,利用机器学习算法进行训练得到的。由此可见,由于所述识别模型是基于多组历史传感器的输出信号的携带有类别标签的历史特征,利用机器学习算法进行训练得到的。因此,利用所述识别模型可以准确获得目标传感器的输出信号的类别标签,从而准确的确定出所述目标传感器的输出信号是用户触碰所述目标传感器时所述目标传感器输出的信号,还是雨水击打所述目标传感器时所述目标传感器输出的信号。也就是说,利用所述识别模型可以准确的识别出目标传感器的输出信号的类别是雨水击打还是用户触碰,有效的避免了漏识别和误识别。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种电容式传感器输出信号的示意图;
图2为本申请实施例提供的一种传感器输出信号的识别方法的流程示意图;
图3为本申请实施例提供的一种训练识别模型的方法的流程示意图;
图4为本申请实施例提供的一种训练获得第一弱分类器的方法的流程示意图;
图5为本申请实施例中一种传感器输出信号的识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的发明人经过研究发现,目前,许多车辆上都应用了PEPS系统。PEPS系统给用户带来了极大的便利。所谓PEPS,是指,用户可以触碰车门外的门把手内侧的传感器例如电容式传感器,门把手识别模块通过识别电容式传感器输出的电平信号,若门把手识别模块识别出电容式传感器输出的电平信号的类别为用户触摸,则向控制模块发送控制指令,从而实现打开车门的动作。
但是,在传统技术中,门把手识别模块对所述电容式传感器输出的电平信号进行识别时,可能会出现漏识别和误识别。所谓漏识别是指,用户触摸电容式传感器时,门把手识别模块将该电容式传感器的输出信号的类别识别为雨水击打,从而导致不能打开车门。所谓误识别是指,当雨水击打所述电容式传感器时,门把手识别模块将该电容式传感器的输出信号的类别识别为用户触摸,从而导致控制模块甚至车辆控制系统循环执行与打开车门相应的动作,导致汽车的电瓶亏电。
本发明的发明人还发现,当雨水击打门把手时,由于雨水击打在时间上不是完全连续的,从而电容式传感器输出的电平信号中会有陡峭的瞬时峰值。而用户触摸门把手时,用户手指与电容式传感器的接触在时间上更为连续,电容式传感器的输出信号变化更为平缓。具体地,可以结合图1进行理解。图1中110为既无雨水击打门把手也无用户触摸门把手时,电容式传感器的输出信号,120为雨水击打门把手时,电容式传感器的输出信号,130为用户触摸门把手时,电容式传感器的输出信号。
鉴于此,本申请实施例提供的传感器输出信号的识别方法及装置,该方法包括:获取目标传感器的输出信号,并提取所述目标传感器的输出信号的目标特征;所述目标特征包括:在单位时间内所述目标传感器的输出信号的平均值、在所述单位时间内所述目标传感器的输出信号的最大值、在所述单位时间内所述目标传感器的输出信号的最小值、在所述单位时间内所述目标传感器的输出信号的方差以及在所述单位时间内所述目标传感器的输出信号的电平值大于或者等于预设电平阈值的次数中的任意一项或多项;将所述目标特征作为识别模型的输入,利用所述识别模型确定所述目标传感器的输出信号的类别;其中,所述输出信号的类别包括:雨水击打和用户触碰中的任意一项;其中,所述识别模型是基于多组历史传感器的输出信号的携带有类别标签的历史特征,利用机器学习算法进行训练得到的。
由此可见,由于所述识别模型是基于多组历史传感器的输出信号的携带有类别标签的历史特征,利用机器学习算法进行训练得到的。因此,利用所述识别模型可以准确获得目标传感器的输出信号的类别标签,从而准确的确定出所述目标传感器的输出信号是用户触碰所述目标传感器时所述目标传感器输出的信号,还是雨水击打所述目标传感器时所述目标传感器输出的信号。也就是说,利用所述识别模型可以准确的识别出目标传感器的输出信号的类别是雨水击打还是用户触碰,有效的避免了漏识别和误识别。
下面结合附图,详细说明本申请的各种非限制性实施方式。
示例性方法
参见图2,该图为本申请实施例提供的一种传感器输出信号的识别方法的流程示意图。
在本申请实施例中,所述方法例如可以通过如下步骤S201-S202实现。
需要说明的是,本申请实施例提供的方法,可以应用于门把手识别模块。
S201:获取目标传感器的输出信号,并提取所述目标传感器的输出信号的目标特征。
需要说明的是,本申请实施例不具体限定所述目标传感器的类别,作为一种示例,所述目标传感器可以为电容式传感器。
需要说明的是,本申请实施例不具体限定所述目标特征,考虑到当雨水击打门把手时,由于雨水击打在时间上不是完全连续的,从而电容式传感器输出的电平信号中会有陡峭的瞬时峰值。而用户触摸门把手时,用户手指与电容式传感器的接触在时间上更为连续,电容式传感器的输出信号变化更为平缓。因此,在本申请实施例中,所述目标特征可以包括:在单位时间内所述目标传感器的输出信号的平均值、在所述单位时间内所述目标传感器的输出信号的最大值、在所述单位时间内所述目标传感器的输出信号的最小值、在所述单位时间内所述目标传感器的输出信号的方差以及在所述单位时间内所述目标传感器的输出信号的电平值大于或者等于预设电平阈值的次数中的任意一个或多个。
需要说明的是,本申请实施例不具体限定所述预设电平的具体取值,所述预设电平的具体取值可以根据实际情况确定。
需要说明的是,所述目标传感器的输出信号为数字信号,而目标传感器输出的原始信号为模拟信号,可以对所述模拟信号进行模数转换,从而得到所述目标传感器的输出信号。
需要说明的是,对所述模拟信号进行模数转换时,采样频率要满足一定要求,使得转换后得到的数字信号能够体现目标传感器输出的原始信号(模拟信号)的特性。
S202:将所述目标特征作为识别模型的输入,利用所述识别模型确定所述目标传感器的输出信号的类别。
需要说明的是,在本申请实施例中,所述输出信号的类别包括:雨水击打和用户触碰中的任意一项。
需要说明的是,在本申请实施例中,所述识别模型是基于多组历史传感器的输出信号的携带有类别标签的历史特征,利用机器学习算法进行训练得到的。
需要说明的是,本申请实施例不具体限定所述历史传感器的输出信号。为了使得训练得到的识别模型可以准确的区分出用户触碰所述目标传感器时所述目标传感器输出的信号,和雨水击打所述目标传感器时所述目标传感器输出的信号。在本申请实施例的一种可能的实现方式中,所述历史传感器的输出信号,包括以下任意两种或多种:
不下雨时人为触碰所述历史传感器时,所述历史传感器的输出信号、
下雨时人为触碰所述历史传感器时,所述历史传感器的输出信号、
下雨时无人触碰所述历史传感器时,所述历史传感器的输出信号。
需要说明的是,对于所述下雨时人为触碰所述历史传感器时,所述历史传感器的输出信号,还可以细分为下小雨时人为触碰所述历史传感器时,所述历史传感器的输出信号、下中雨时人为触碰所述历史传感器时,所述历史传感器的输出信号、下大雨时人为触碰所述历史传感器时,所述历史传感器的输出信号、以及下暴雨时人为触碰所述历史传感器时,所述历史传感器的输出信号中的任意一种或多种。
所述下雨时无人触碰所述历史传感器时,所述历史传感器的输出信号,还可以细分为下小雨时无人触碰所述历史传感器时,所述历史传感器的输出信号、下中雨时无人触碰所述历史传感器时,所述历史传感器的输出信号、下大雨时无人触碰所述历史传感器时,所述历史传感器的输出信号、以及下暴雨时无人触碰所述历史传感器时,所述历史传感器的输出信号中的任意一种或多种。
需要时说明的是,本申请实施例不具体限定所述历史特征。作为一种示例,所述历史特征可以包括:在单位时间内所述历史传感器的输出信号的平均值、在所述单位时间内所述历史传感器的输出信号的最大值、在所述单位时间内所述历史传感器的输出信号的最小值、在所述单位时间内历史传感器的输出信号的方差以及在所述单位时间内所述历史传感器的输出信号的电平值大于或者等于预设电平阈值的次数中的任意一个或多个。
需要说明的是,所述历史传感器和所述目标传感器的类型可以相同,例如,所述目标传感器为电容式传感器,则所述历史传感器也为电容式传感器。
需要说明的是,所述类别标签至少包括用于表征“雨水击打”的类别标签和用于表征“用户触碰”的类别标签。本申请实施例不具体限定所述用于表征“雨水击打”的类别标签和用于表征“用户触碰”的类别标签。作为一种示例,所述用于表征“雨水击打”的类别标签可以为二进制数“0”,用于表征“用户触碰”的类别标签可以为二进制数“1”。
需要说明的是,所述历史传感器的输出信号的历史特征,可以携带有类别标签,具体地,若所述历史传感器的输出信号为雨水击打门把手时,历史传感器时所述历史传感器的输出信号,则所述历史特征为携带有可以表征“雨水击打”的类别标签;若所述历史传感器的输出信号为用户触碰门把手时,所述历史传感器的输出信号,则所述历史特征为携带有可以表征“用户触碰”的类别标签。
由此可见,采用本申请实施例提供的传感器输出信号的识别方法,由于所述识别模型是基于多组历史传感器的输出信号的携带有类别标签的历史特征,利用机器学习算法进行训练得到的。因此,利用所述识别模型可以准确获得目标传感器的输出信号的类别标签,从而准确的确定出所述目标传感器的输出信号是用户触碰所述目标传感器时所述目标传感器输出的信号,还是雨水击打所述目标传感器时所述目标传感器输出的信号。也就是说,利用所述识别模型可以准确的识别出目标传感器的输出信号的类别是雨水击打还是用户触碰,有效的避免了漏识别和误识别。
需要说明的是,本申请实施例不具体限定所述机器学习算法,作为一种示例,所述机器学习算法可以包括基于Adaboost和支持向量机(Support Vector Machine,SVM)的一种组合分类算法。
具体地,可以通过如下步骤S301-S304训练得到所述识别模型。
S301:分别提取所述多组携带有类别标签的历史特征。
需要说明的是,步骤S301在具体实现时,可以先获取多组历史传感器的输出信号,然后分别提取所述多组历史传感器的输出信号的历史特征。
关于所述历史传感器的输出信号的历史特征,可以参考以上步骤S202中的描述部分,此处不再赘述。
S302:根据所述多组携带有类别标签的历史特征,利用所述SVM算法训练获得第一数目个弱分类器。
需要说明的是,本申请实施例不具体限定所述第一数目,所述第一数目可以根据实际情况具体限定。
发明人在研究中发现,可以将若干个弱分类器作为Adaboost算法的输入,利用Adaboost算法根据该若干个弱分类器训练得到最优弱分类器和强分类器。但是利用Adaboost算法训练最优弱分类器和强分类器时,Adaboost算法的输入往往是默认采用决策树的方式进行训练得到弱分类器,而采用决策树的方式进行训练时,一个历史特征对应可以训练得到一个弱分类器,即训练得到的弱分类器的数目受限于历史特征的数目。而SVM算法可以将历史特征进行从低维空间到高维空间的映射,通过参数取值的不同组合可以得到SVM训练出的不同弱分类器,也就是说,利用SVM算法训练弱分类器时,训练得到的弱分类器的数目可以根据参数选取规则或经验进行人为控制。因此,在本申请实施例中,可以利用SVM算法训练得到弱分类器,并使用Adaboost算法训练得到最优弱分类器和强分类器。
S303:利用所述Adaboost算法从所述第一数目个弱分类器中得到第二数目个最优弱分类器,并根据所述第二数目个最优弱分类器确定强分类器。
S304:将所述强分类器作为所述识别模型。
需要说明的是,利用Adaboost算法从所述第一数目个弱分类器中得到第二数目个最优弱分类器,在具体实现时,可以将所述第一数目个弱分类器作为所述Adaboost算法的输入,进行第二数目次迭代运算,得到第二数目个最优弱分类器,即一次迭代运算得到一个最优弱分类器。具体地,在首次迭代时,Adaboost算法可以初始化所述多组历史传感器的输出信号中的每一组历史传感器信号的权重,计算得到该组权重对应的最优弱分类器,以及该最优弱分类器对应的权重。并更新下一次迭代运算时所述多组历史传感器的输出信号中的每一组历史传感器信号的权重。
需要说明的是,所谓最优弱分类器是指,利用SVM训练出的所有弱分类器中,分类权重误差最小的弱分类器。
具体地,所述分类权重误差可以通过如下公式(1)表示。
em=∑wi·1error 公式(1)
其中,em表示第m次迭代时的分类权重误差,wi表示第i组历史特征在第m次迭代时的权重。
其中,
fm表示第m次迭代运算时遍历的每一个弱分类器,xi表示第m次迭代运算时第i组用于测试所述弱分类器分类结果的测试特征,yi≠fm(xi)表示弱分类器分类结果错误,yi=fm(xi)表示弱分类器分类结果正确。
需要说明的是,本申请实施例不具体限定首次迭代运算时,所述多组历史传感器的输出信号分别对应的权重的具体取值。所述权重的具体取值可以根据实际情况具体确定。一般而言,首次迭代运算时,多组历史传感器的输出信号的权重被初始化成相同的值。
例如,若包括N组历史传感器的输出信号,则每组历史传感器的输出信号的权重可以相同,例如,均为1/N。
下一次迭代运算时,所述多组历史传感器的输出信号中的每一组历史传感器信号的权重,可以通过如下公式(2)得到。
其中,是第j+1次迭代运算时,第i组历史传感器的输出信号的权重;
是第j次迭代运算时,第i组历史传感器的输出信号的权重;
cm是第j次迭代运算得到的最优弱分类器的权重;
fm为第j次迭代运算得到的最优弱分类器。x表示用于测试所述最优弱分类器分类结果的测试特征,y≠fm(x)表示最优弱分类器分类结果错误,y=fm(x)表示最优弱分类器分类结果正确。
得到第二数目个最优弱分类器以及各个最优弱分类器对应的权重之后,可以根据第二数目个最优弱分类及其各自对应的权重,得到强分类器。
具体地,每个最优弱分类器的权重,可以通过如下公式(3)得到。
其中,cm为第m个最优弱分类器对应的权重,em为该最优弱分类器的分类权重误差。
确定各个最优弱分类器对应的权重之后,可以通过如下公式(4)得到强分类器。
其中,F(x)为强分类器,M为最优弱分类器的数目,即第二数目,fm(x)为第m个最优弱分类器。
如前文所述,SVM算法可以将历史特征进行从低维空间到高维空间的映射,通过参数取值的不同组合可以得到SVM训练出的不同弱分类器,在本申请实施例的一种可能的实现方式中,所述SVM算法中可以包括第一参数、第二参数和核函数。训练第一数目个弱分类器时,可以调整所述第一参数和第二参数,基于一组第一参数和第二参数的组合,利用所述核函数训练得到一个弱分类器。可以理解的是,若对应第一数目组第一参数和第二参数的组合,则可以训练得到第一数目个弱分类器。
需要说明的是,在本申请实施例中,所述第一参数可以为惩罚因子,所述第二参数可以为高斯宽度系数。所述核函数可以为径向基函数。如前文,本申请实施例中SVM算法可以将历史特征进行从低维空间到高维空间的映射,具体地,所述SVM算法的核函数例如径向基函数可以将历史特征进行从低维空间到高维空间的映射,并且,可以将使得在低维空间中线性不可分的历史特征在高维空间中线性可分。
也就是说,在本申请实施例中,所述SVM算法包括第一参数和第二参数以及核函数;所述第一数目个弱分类器中的每个弱分类器对应的第一参数和第二参数的组合不同。
需要说明的是,在本申请实施例中,为方便描述,将所述第一数目个弱分类器中的任意一个弱分类器称为第一弱分类器,以下结合附图介绍训练获得第一弱分类器的实现方式。
参见图4,该图为本申请实施例提供的一种训练获得第一弱分类器的方法的流程示意图。
本申请实施例提供的训练获得第一弱分类器的方法,可以通过如下步骤S401-S404实现。
S401:对所述第一参数和所述第二参数进行初始化,得到所述第一参数的初始值和所述第二参数的初始值。
需要说明的是,所述第一参数的初始值和所述第二参数的初始值可以根据实际情况具体确定。
S402:若所述第二参数的初始值大于或者等于所述第二参数的最小值,则基于所述第一参数的初始值和所述第二参数的初始值,利用多组携带有类别标签的训练历史特征,训练得到初始弱分类器。
需要说明的是,所述第二参数的取值越小,一定程度上基于该第二参数训练得到的弱分类器的识别准确率会提升但模型复杂度同时也会提高,在本申请实施例中,为了使得训练得到的第一弱分类器的模型复杂度比较适中,对所述第二参数设置了一个约束条件,即第二参数的初始值小于或者等于第二参数的最小值。
在本申请实施例中,若所述第一弱分类器识别准确率较高,可以适当增加第二参数值来降低模型复杂度,这样可以既保证第一弱分类器的识别准确率也可以降低模型复杂度。
需要说明的是,本申请实施例不具体限定所述第二参数的最小值的具体取值,所述第二参数的最小值的具体取值可以根据实际情况确定。
需要说明的是,如前文,所述识别模型是基于多组历史传感器的输出信号的携带有类别标签的历史特征,利用机器学习算法进行训练得到的。在申请实施例中,可以将所述多组携带有类别标签的历史特征,分成两个部分,其中一部分为训练历史特征,另一部分为验证历史特征。其中,训练历史特征用于训练初始弱分类器,验证历史特征用于验证该初始弱分类器的分类误差。
本申请实施例不具体限定所述训练历史特征和所述验证历史特征的具体数量,作为一种示例,所述训练历史特征和所述验证历史特征的比例可以为7:3。
若所述第二参数的初始值小于所述第二参数的最小值,则执行步骤S401,重新对所述第一参数和所述第二参数进行初始化。
S403:利用多组携带有类别标签的验证历史特征,验证所述初始弱分类器的分类误差率。
S404:若所述分类误差率小于二分之一,则将所述初始弱分类器作为训练得到的第一弱分类器。
需要说明的是,在本申请实施例中,利用多组携带有类别标签的验证历史特征,验证所述初始弱分类器的分类误差时,可以将验证历史特征作为所述初始弱分类器的输入,并将所述初始弱分类的输出与所述验证历史特征所携带的标签进行比较,若所述初始弱分类的输出与所述验证历史特征所携带的标签相同,则认为所述初始弱分类器的分类结果正确;若所述初始弱分类的输出与所述验证历史特征所携带的标签不同,则认为所述初始弱分类器的分类结果错误。本申请实施例中提及的分类误差率,是指所述初始弱分类器的分类结果错误的次数占所述初始弱分类进行分类的总次数的比值。举例说明,验证历史特征包括100组特征,其中,分类正确的验证历史特征为60组,分类错误的验证历史特征为40组,则分类误差为0.4。
S405:若所述分类误差大于或者等于二分之一,则按照预设步长减小所述第二参数的初始值,得到第二参数的中间值,并将所述中间值作为所述第二参数的初始值,重复执行以上步骤S402至步骤S404。
需要说明的是,本申请实施例不具体限定所述预设步长,预设步长的具体取值可以根据实际情况确定。
需要说明的是,在本申请实施例中,与传统方式单独利用SVM算法训练分类器的方法不同,在传统的单独利用SVM算法训练分类器的方法中,训练分类器时,对分类器的分类误差要求很严格,一般要求分类误差小于0.01。而在本申请实施例中,由于结合Adaboost算法和SVM算法训练得到识别模型,而基于Adaboost算法的原理,利用SVM算法训练训练第一弱分类器时,第一弱分类器的分类误差小于二分之一即可停止训练,且SVM训练越往后随着误差率的逐渐下降参数迭代更新的越慢,从而本申请大大减少了训练得到第一弱分类器的迭代次数,缩短了训练第一弱分类器的时间。另一方面,单独使用SVM训练分类器时对参数的初始值很敏感,实际项目中需尝试多次选取较好的初始值才可能得到误差率很低的分类器。而在本申请中,利用SVM训练第一弱分类器时对误差率要求低很多,对第一参数和第二参数的初始值容忍度就较高,节省了对第一参数和第二参数进行初始化得到第一参数的初始值和第二参数的初始值的时间。
需要说明的是,在本申请实施例中,确定所述目标传感器的输出信号的类别之后,若所述目标传感器的输出信号的类别为用户触碰,还可以根据所述目标传感器的输出信号的类别,控制车身执行相应的动作。
具体地,若所述目标传感器的输出信号的类别为用户触碰,所述方法还可以包括:
对触碰所述传感器的用户的身份进行验证,若验证通过,生成控制车门打开的控制指令,以便控制器利用所述控制指令控制所述车门打开。
需要说明的是,本申请实施例不具体限定对触碰所述传感器的用户的身份进行验证的具体方式,具体验证方式可以根据实际情况具体确定。
可以理解的是,验证通过则表示触碰所述传感器的用户是该汽车的合法用户。
本申请实施例不具体限定所述控制指令,所述控制指令的具体格式可以根据实际情况确定。
在本申请实施例的一种可能的实现方式中,生成所述控制指令之后,可以将所述控制指令发送给控制器,以便控制器根据所述控制指令控制车门打开。从而实现用户触碰所述传感器以实现打开车门的功能。
示例性设备
参见图5,该图为本申请实施例中一种传感器输出信号的识别装置的结构示意图。
所述装置500例如可以具体包括:获取单元510和确定单元520。
获取单元510,用于获取目标传感器的输出信号,并提取所述目标传感器的输出信号的目标特征;所述目标特征包括:在单位时间内所述目标传感器的输出信号的平均值、在所述单位时间内所述目标传感器的输出信号的最大值、在所述单位时间内所述目标传感器的输出信号的最小值、在所述单位时间内所述目标传感器的输出信号的方差以及在所述单位时间内所述目标传感器的输出信号的电平值大于或者等于预设电平阈值的次数中的任意一项或多项;
确定单元520,用于将所述目标特征作为识别模型的输入,利用所述识别模型确定所述目标传感器的输出信号的类别;
其中,所述输出信号的类别包括:雨水击打和用户触碰中的任意一项;
其中,所述识别模型是基于多组历史传感器的输出信号的携带有类别标签的历史特征,利用机器学习算法进行训练得到的。
可选的,所述机器学习算法,包括:
基于Adaboost和SVM的一种组合分类算法。
可选的,所述识别模型通过如下方式获得:
分别提取所述多组携带有所述类别标签的历史特征;
根据所述多组携带有所述类别标签的历史特征,利用所述SVM算法训练获得第一数目个弱分类器;
利用所述Adaboost算法从所述第一数目个弱分类器中得到第二数目个最优弱分类器,并根据所述第二数目个最优弱分类器得到强分类器;
将所述强分类器作为所述识别模型。
可选的,所述SVM算法包括第一参数、第二参数和核函数;
所述第一数目个弱分类器中的每个弱分类器对应的第一参数和第二参数的组合不同;其中,所述第一参数为惩罚因子,所述第二参数为高斯宽度系数;
将所述第一数目个弱分类器中的任意一个弱分类器称为第一弱分类器,所述第一弱分类器通过如下方式训练获得:
步骤1:对所述第一参数和所述第二参数进行初始化,得到所述第一参数的初始值和所述第二参数的初始值;
步骤2:若所述第二参数的初始值大于或者等于所述第二参数的最小值,则基于所述第一参数的初始值、所述第二参数的初始值以及所述核函数,训练得到初始弱分类器;
步骤3:验证所述初始弱分类器的分类误差率;若所述分类误差率小于二分之一,则将所述初始弱分类器作为训练得到的第一弱分类器;
若所述分类误差率大于或者等于二分之一,则按照预设步长减小所述第二参数的初始值,得到第二参数的中间值,并将所述中间值作为所述第二参数的初始值,重复执行以上步骤2至步骤3。
可选的,所述历史传感器的输出信号,包括以下任意两种或多种:
不下雨时人为触碰所述历史传感器时,所述历史传感器的输出信号、
下雨时人为触碰所述历史传感器时,所述历史传感器的输出信号、
下雨时无人触碰所述历史传感器时,所述历史传感器的输出信号。关于所述装置500的各单元的具体描述,可以参见以上方法实施例的描述部分,此处不再赘述。
由此可见,采用本申请实施例提供传感器输出信号的识别装置,由于所述识别模型是基于多组历史传感器的输出信号的携带有类别标签的历史特征,利用机器学习算法进行训练得到的。因此,利用所述识别模型可以准确获得目标传感器的输出信号的类别标签,从而准确的确定出所述目标传感器的输出信号是用户触碰所述目标传感器时所述目标传感器输出的信号,还是雨水击打所述目标传感器时所述目标传感器输出的信号。也就是说,利用所述识别模型可以准确的识别出目标传感器的输出信号的类别是雨水击打还是用户触碰,有效的避免了漏识别和误识别。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (6)
1.一种传感器输出信号的识别方法,其特征在于,包括:
获取目标传感器的输出信号,并提取所述目标传感器的输出信号的目标特征;所述目标特征包括:在单位时间内所述目标传感器的输出信号的平均值、在所述单位时间内所述目标传感器的输出信号的最大值、在所述单位时间内所述目标传感器的输出信号的最小值、在所述单位时间内所述目标传感器的输出信号的方差以及在所述单位时间内所述目标传感器的输出信号的电平值大于或者等于预设电平阈值的次数中的任意一项或多项;
将所述目标特征作为识别模型的输入,利用所述识别模型确定所述目标传感器的输出信号的类别;
其中,所述输出信号的类别包括:雨水击打和用户触碰中的任意一项;
其中,所述识别模型是基于多组历史传感器的输出信号的携带有类别标签的历史特征,利用机器学习算法进行训练得到的;
所述机器学习算法包括基于Adaboost和SVM的一种组合分类算法;
所述识别模型通过如下方式获得:
分别提取所述多组携带有所述类别标签的历史特征;
根据所述多组携带有所述类别标签的历史特征,利用所述SVM算法训练获得第一数目个弱分类器;
利用所述Adaboost算法从所述第一数目个弱分类器中得到第二数目个最优弱分类器,并根据所述第二数目个最优弱分类器得到强分类器;
将所述强分类器作为所述识别模型。
2.根据权利要求1所述的方法,其特征在于,所述SVM算法包括第一参数、第二参数和核函数;所述第一参数为惩罚因子,所述第二参数为高斯宽度系数;将所述第一数目个弱分类器中的任意一个弱分类器称为第一弱分类器,所述第一弱分类器通过如下方式训练获得:
步骤1:对所述第一参数和所述第二参数进行初始化,得到所述第一参数的初始值和所述第二参数的初始值;
步骤2:若所述第二参数的初始值大于或者等于所述第二参数的最小值,则基于所述第一参数的初始值、所述第二参数的初始值以及所述核函数,利用多组携带有所述类别标签的训练历史特征训练得到初始弱分类器;
步骤3:利用多组携带有所述类别标签的验证历史特征验证所述初始弱分类器的分类误差率;若所述分类误差率小于二分之一,则将所述初始弱分类器作为训练得到的第一弱分类器;
若所述分类误差率大于或者等于二分之一,则按照预设步长减小所述第二参数的初始值,得到第二参数的中间值,并将所述中间值作为所述第二参数的初始值,重复执行以上步骤2至步骤3。
3.根据权利要求1所述的方法,其特征在于,所述历史传感器的输出信号,包括以下任意两种或多种:
不下雨时人为触碰所述历史传感器时,所述历史传感器的输出信号、
下雨时人为触碰所述历史传感器时,所述历史传感器的输出信号、
下雨时无人触碰所述历史传感器时,所述历史传感器的输出信号。
4.一种传感器输出信号的识别装置,其特征在于,包括:
获取单元,用于获取目标传感器的输出信号,并提取所述目标传感器的输出信号的目标特征;所述目标特征包括:在单位时间内所述目标传感器的输出信号的平均值、在所述单位时间内所述目标传感器的输出信号的最大值、在所述单位时间内所述目标传感器的输出信号的最小值、在所述单位时间内所述目标传感器的输出信号的方差以及在所述单位时间内所述目标传感器的输出信号的电平值大于或者等于预设电平阈值的次数中的任意一项或多项;
确定单元,用于将所述目标特征作为识别模型的输入,利用所述识别模型确定所述目标传感器的输出信号的类别;
其中,所述输出信号的类别包括:雨水击打和用户触碰中的任意一项;
其中,所述识别模型是基于多组历史传感器的输出信号的携带有类别标签的历史特征,利用机器学习算法进行训练得到的;所述机器学习算法,包括:基于Adaboost和SVM的一种组合分类算法;
所述识别模型通过如下方式获得:
分别提取所述多组携带有所述类别标签的历史特征;
根据所述多组携带有所述类别标签的历史特征,利用所述SVM算法训练获得第一数目个弱分类器;
利用所述Adaboost算法从所述第一数目个弱分类器中得到第二数目个最优弱分类器,并根据所述第二数目个最优弱分类器得到强分类器;
将所述强分类器作为所述识别模型。
5.根据权利要求4所述的装置,其特征在于,所述SVM算法包括第一参数、第二参数和核函数;
所述第一数目个弱分类器中的每个弱分类器对应的第一参数和第二参数的组合不同;其中,所述第一参数为惩罚因子,所述第二参数为高斯宽度系数;
将所述第一数目个弱分类器中的任意一个弱分类器称为第一弱分类器,所述第一弱分类器通过如下方式训练获得:
步骤1:对所述第一参数和所述第二参数进行初始化,得到所述第一参数的初始值和所述第二参数的初始值;
步骤2:若所述第二参数的初始值大于或者等于所述第二参数的最小值,则基于所述第一参数的初始值、所述第二参数的初始值以及所述核函数,训练得到初始弱分类器;
步骤3:验证所述初始弱分类器的分类误差率;若所述分类误差率小于二分之一,则将所述初始弱分类器作为训练得到的第一弱分类器;
若所述分类误差率大于或者等于二分之一,则按照预设步长减小所述第二参数的初始值,得到第二参数的中间值,并将所述中间值作为所述第二参数的初始值,重复执行以上步骤2至步骤3。
6.根据权利要求4所述的装置,其特征在于,所述历史传感器的输出信号,包括以下任意两种或多种:
不下雨时人为触碰所述历史传感器时,所述历史传感器的输出信号、
下雨时人为触碰所述历史传感器时,所述历史传感器的输出信号、
下雨时无人触碰所述历史传感器时,所述历史传感器的输出信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811169032.9A CN111008546B (zh) | 2018-10-08 | 2018-10-08 | 一种传感器输出信号的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811169032.9A CN111008546B (zh) | 2018-10-08 | 2018-10-08 | 一种传感器输出信号的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008546A CN111008546A (zh) | 2020-04-14 |
CN111008546B true CN111008546B (zh) | 2023-09-15 |
Family
ID=70111416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811169032.9A Active CN111008546B (zh) | 2018-10-08 | 2018-10-08 | 一种传感器输出信号的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008546B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112985508A (zh) * | 2021-03-16 | 2021-06-18 | 四川通信科研规划设计有限责任公司 | 一种多功能传感器输出的编码和通信方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147866A (zh) * | 2011-04-20 | 2011-08-10 | 上海交通大学 | 基于训练自适应增强和支持矢量机的目标识别方法 |
CN104899561A (zh) * | 2015-05-27 | 2015-09-09 | 华南理工大学 | 一种并行化的人体行为识别方法 |
CN106909894A (zh) * | 2017-02-14 | 2017-06-30 | 北京深瞐科技有限公司 | 车辆品牌型号识别方法和系统 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7739096B2 (en) * | 2000-03-09 | 2010-06-15 | Smartsignal Corporation | System for extraction of representative data for training of adaptive process monitoring equipment |
CN104680120B (zh) * | 2013-12-02 | 2018-10-19 | 华为技术有限公司 | 一种人脸检测的强分类器的生成方法及装置 |
US9842283B2 (en) * | 2016-04-29 | 2017-12-12 | Automotive Research & Testing Center | Target object detection system and a method for target object detection |
EP3373002A1 (en) * | 2017-03-09 | 2018-09-12 | Tata Consultancy Services Limited | Electronic sensing systems and methods thereof |
-
2018
- 2018-10-08 CN CN201811169032.9A patent/CN111008546B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147866A (zh) * | 2011-04-20 | 2011-08-10 | 上海交通大学 | 基于训练自适应增强和支持矢量机的目标识别方法 |
CN104899561A (zh) * | 2015-05-27 | 2015-09-09 | 华南理工大学 | 一种并行化的人体行为识别方法 |
CN106909894A (zh) * | 2017-02-14 | 2017-06-30 | 北京深瞐科技有限公司 | 车辆品牌型号识别方法和系统 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
唐晓婧 ; 陈维高 ; 席龙飞 ; 慈言海 ; .基于AdaBoost和决策树的雷达辐射源识别方法.电子信息对抗技术.2018,(04),全文. * |
唐杰 ; 文贡坚 ; .基于改进AdaBoost分类器的一种目标识别算法.无线互联科技.2016,(20),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111008546A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105501158B (zh) | 一种驾驶员识别融合的系统及方法 | |
US9323337B2 (en) | System and method for gesture recognition | |
CN110472675B (zh) | 图像分类方法、图像分类装置、存储介质与电子设备 | |
CN112989035B (zh) | 基于文本分类识别用户意图的方法、装置及存储介质 | |
US5768417A (en) | Method and system for velocity-based handwriting recognition | |
CN108010527B (zh) | 语音识别方法、计算机设备和存储介质 | |
CN103811001B (zh) | 词语验证的方法及装置 | |
CN112435673B (zh) | 一种模型训练方法及电子终端 | |
CN108256307B (zh) | 一种智能商务旅居房车的混合增强智能认知方法 | |
CN104200805A (zh) | 汽车驾驶员语音助手 | |
CN113990299B (zh) | 语音交互方法及其装置、服务器和可读存储介质 | |
KR102550598B1 (ko) | 음성 화자 인식 장치 및 그 방법 | |
CN115937873A (zh) | 一种基于可辨识单字字符的在线笔迹验证系统及方法 | |
CN111008546B (zh) | 一种传感器输出信号的识别方法及装置 | |
CN110544468A (zh) | 应用唤醒方法、装置、存储介质及电子设备 | |
CN110580897B (zh) | 音频校验方法、装置、存储介质及电子设备 | |
CN114384999B (zh) | 基于自适应学习的用户无关肌电手势识别系统 | |
CN112861082A (zh) | 用于被动认证的集成系统和方法 | |
Wang et al. | Sample-separation-margin based minimum classification error training of pattern classifiers with quadratic discriminant functions | |
US20200257372A1 (en) | Out-of-vocabulary gesture recognition filter | |
Quan et al. | Online signature verification based on the hybrid hmm/ann model | |
CN116363712A (zh) | 一种基于模态信息度评估策略的掌纹掌静脉识别方法 | |
CN116645683A (zh) | 基于提示学习的签名笔迹鉴别方法、系统及存储介质 | |
CN115268651A (zh) | 一种方向盘隐式手势交互方法及系统 | |
CN110942089B (zh) | 一种基于多级决策的击键识别方法 |
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 |