CN111796314A - 信息处理方法、装置、存储介质及电子设备 - Google Patents
信息处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111796314A CN111796314A CN201910282119.5A CN201910282119A CN111796314A CN 111796314 A CN111796314 A CN 111796314A CN 201910282119 A CN201910282119 A CN 201910282119A CN 111796314 A CN111796314 A CN 111796314A
- Authority
- CN
- China
- Prior art keywords
- information
- positioning
- equipment
- characteristic information
- scene
- 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.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 65
- 238000003672 processing method Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 59
- 230000006399 behavior Effects 0.000 claims description 97
- 238000003062 neural network model Methods 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000000605 extraction Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 230000008447 perception Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013477 bayesian statistics method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2250/00—Details of telephonic subscriber devices
- H04M2250/10—Details of telephonic subscriber devices including a GPS signal receiver
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2250/00—Details of telephonic subscriber devices
- H04M2250/12—Details of telephonic subscriber devices including a sensor for measuring a physical value, e.g. temperature or motion
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请实施例公开了一种信息处理方法、装置、存储介质及电子设备,其中,本申请实施例通过采集电子设备的设备信息,根据设备信息确定出相应的用户行为特征信息;采集电子设备的传感器信息,根据传感器信息确定出相应的设备状态特征信息;采集电子设备的应用操作信息,根据应用操作信息确定出相应的场景特征信息;结合用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息。以此可以采集用户行为特征信息、设备状态特征信息和场景特征信息与定位信息进行结合推测处理,生成包含有多维度信息的结合定位信息,使得定位信息的维度多样化,提升了信息处理的效率。
Description
技术领域
本申请涉及电子设备技术领域,尤其涉及一种信息处理方法、装置、存储介质及电子设备。
背景技术
随着电子技术的不断发展,电子设备如手机的功能越来越强大,在手机中可以安装和使用各种各样的应用,以满足用户的需求,为用户的生活工作带来更多的便利。
目前,手机上的定位应用可以通过全球定位系统(Global Positioning System,GPS)获取定位卫星信息来确定当前的定位信息,也可以直接通过与其他手机的位置进行交互来确定当前的定位信息,但是,该处理方法只是单一围绕卫星信号进行定位信息的判定,定位信息的维度较为单一,导致对信息处理的效率较差。
发明内容
本申请实施例提供一种信息处理方法、装置、存储介质及电子设备,可以丰富信息的维度,提升信息处理的效率。
第一方面,本申请实施例了提供了一种信息处理方法,包括:
采集电子设备的设备信息,根据所述设备信息确定出相应的用户行为特征信息;
采集电子设备的传感器信息,根据所述传感器信息确定出相应的设备状态特征信息;
采集电子设备的应用操作信息,根据所述应用操作信息确定出相应的场景特征信息;
结合所述用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息。
第二方面,本申请实施例了提供了的一种信息处理装置,包括:
行为采集单元,用于采集电子设备的设备信息,根据所述设备信息确定出相应的用户行为特征信息;
状态采集单元,用于采集电子设备的传感器信息,根据所述传感器信息确定出相应的设备状态特征信息;
场景采集单元,用于采集电子设备的应用操作信息,根据所述应用操作信息确定出相应的场景特征信息;
处理单元,用于结合所述用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息。
在一些实施方式中,行为采集单元,包括:
第一输入子单元,用于采集电子设备的设备信息,将所述设备信息输入至第一神经网络模型中,以输出相应的用户行为信息;
第一提取子单元,用于提取所述第一神经网络模型中的第一高维特征信息,将所述第一高维特征信息确定为相应的用户行为特征信息。
在一些实施方式中,所述场景采集单元,包括:
第二输入子单元,用于采集电子设备的应用操作信息,将所述应用操作信息输入至第二神经网络模型中,以输出相应的场景信息;
第二提取子单元,用于提取所述第二神经网络模型中的第二高维特征信息,将所述第二高维特征信息确定为相应的场景特征信息。
在一些实施方式中,所述处理单元,包括:
处理子单元,用于通过贝叶斯模型对所述用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行条件处理,生成推测结果;
第一确定子单元,用于根据所述推测结果确定出相应的定位信息;
第二确定子单元,用于根据所述设备状态特征信息确定出相应的设备状态信息;
生成子单元,用于结合所述定位信息和所述设备状态信息,生成包含多维度信息的结合定位信息。
在一些实施方式中,所述处理子单元,具体用于:
将所述定位特征信息作为先验条件;
将所述用户行为特征信息、设备状态特征信息以及场景特征信息作为后验条件;
调用贝叶斯模型对所述先验条件和后验条件进行处理,生成相应的推测结果。
第三方面,本申请实施例提供的存储介质,其上存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如本申请任一实施例提供的信息处理方法。
第四方面,本申请实施例提供的电子设备,包括处理器和存储器,所述存储器有计算机程序,所述处理器通过调用所述计算机程序,用于执行如本申请任一实施例提供的信息处理方法。
本申请实施例通过采集电子设备的设备信息,根据设备信息确定出相应的用户行为特征信息;采集电子设备的传感器信息,根据传感器信息确定出相应的设备状态特征信息;采集电子设备的应用操作信息,根据应用操作信息确定出相应的场景特征信息;结合用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息。以此可以采集用户行为特征信息、设备状态特征信息和场景特征信息与定位信息进行结合推测处理,生成包含有多维度信息的结合定位信息,使得定位信息的维度多样化,提升了信息处理的效率。
附图说明
下面结合附图,通过对本申请的具体实施方式详细描述,将使本申请的技术方案及其它有益效果显而易见。
图1是本申请实施例提供的信息处理方法的应用场景示意图。
图2是本申请实施例提供的信息处理方法的流程示意图。
图3为本申请实施例提供的信息处理方法的另一流程示意图。
图4为本申请实施例提供的信息处理装置的模块示意图。
图5为本申请实施例提供的信息处理装置的另一模块示意图。
图6为本申请实施例提供的电子设备的结构示意图。
图7为本申请实施例提供的电子设备的另一结构示意图。
具体实施方式
请参照图式,其中相同的组件符号代表相同的组件,本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例,其不应被视为限制本申请未在此详述的其它具体实施例。
本文所使用的术语「模块」可看做为在该运算系统上执行的软件对象。本文该的不同组件、模块、引擎及服务可看做为在该运算系统上的实施对象。而本文该的装置及方法优选的以软件的方式进行实施,当然也可在硬件上进行实施,均在本申请保护范围之内。
参考图1,图1为本申请实施例提供的信息处理方法的应用场景示意图。该信息处理方法应用于电子设备。该电子设备中设置有全景感知架构。该全景感知架构为电子设备中用于实现该信息处理方法的硬件和软件的集成。
其中,全景感知架构包括信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。
信息感知层用于获取电子设备自身的信息或者外部环境中的信息。该信息感知层可以包括多个传感器。例如,该信息感知层包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
其中,距离传感器可以用于检测电子设备与外部物体之间的距离。磁场传感器可以用于检测电子设备所处环境的磁场信息。光线传感器可以用于检测电子设备所处环境的光线信息。加速度传感器可以用于检测电子设备的加速度数据。指纹传感器可以用于采集用户的指纹信息。霍尔传感器是根据霍尔效应制作的一种磁场传感器,可以用于实现电子设备的自动控制。位置传感器可以用于检测电子设备当前所处的地理位置。陀螺仪可以用于检测电子设备在各个方向上的角速度。惯性传感器可以用于检测电子设备的运动数据。姿态感应器可以用于感应电子设备的姿态信息。气压计可以用于检测电子设备所处环境的气压。心率传感器可以用于检测用户的心率信息。
数据处理层用于对信息感知层获取到的数据进行处理。例如,数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。
其中,数据清理是指对信息感知层获取到的大量数据进行清理,以剔除无效数据和重复数据。数据集成是指将信息感知层获取到的多个单维度数据集成到一个更高或者更抽象的维度,以对多个单维度的数据进行综合处理。数据变换是指对信息感知层获取到的数据进行数据类型的转换或者格式的转换等,以使变换后的数据满足处理的需求。数据归约是指在尽可能保持数据原貌的前提下,最大限度的精简数据量。
特征抽取层用于对数据处理层处理后的数据进行特征抽取,以提取该数据中包括的特征。提取到的特征可以反映出电子设备自身的状态或者用户的状态或者电子设备所处环境的环境状态等。
其中,特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。
过滤法是指对提取到的特征进行过滤,以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方法集成到一起,以构建一种更加高效、更加准确的特征提取方法,用于提取特征。
情景建模层用于根据特征抽取层提取到的特征来构建模型,所得到的模型可以用于表示电子设备的状态或者用户的状态或者环境状态等。例如,情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。
智能服务层用于根据情景建模层所构建的模型为用户提供智能化的服务。例如,智能服务层可以为用户提供基础应用服务,可以为电子设备进行系统智能优化,还可以为用户提供个性化智能服务。
此外,全景感知架构中还可以包括多种算法,每一种算法都可以用于对数据进行分析处理,该多种算法可以构成算法库。例如,该算法库中可以包括马尔科夫算法、隐含狄里克雷分布算法、贝叶斯分类算法、支持向量机、K均值聚类算法、K近邻算法、条件随机场、残差网络、长短期记忆网络、卷积神经网络、循环神经网络等算法。
在一些实施方式中,该信息感知层可以采集电子设备的设备信息,根据该设备信息确定出相应的用户行为特征信息,该信息感知层可以采集电子设备的传感器信息,根据该传感器信息确定出相应的设备状态特征信息,该信息感知层可以采集电子设备的应用操作信息,根据该应用操作信息确定出相应的场景特征信息,该数据处理层结合该用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行结合处理,得到具有细粒度的位置和终端粗粒度的姿态的结合定位信息。
本申请实施例提供一种信息处理方法,该信息处理方法的执行主体可以是本申请实施例提供的信息处理装置,或者集成了该信息处理装置的电子设备,其中该信息处理装置可以采用硬件或者软件的方式实现。其中,电子设备可以是智能手机、平板电脑、掌上电脑(PDA,Personal Digital Assistant)等。
以下进行具体分析说明。
本申请实施例提供一种信息处理方法,如图2所示,图2为本申请实施例提供的信息处理方法的流程示意图,该信息处理方法可以包括以下步骤:
在步骤S101中,采集电子设备的设备信息,根据设备信息确定出相应的用户行为特征信息。
其中,该设备信息可以为电子设备的硬件信息,如无线保真(WIreless-Fidelity,Wi-Fi)信息,蓝牙信息以及蜂窝无线通信信息(Celluar)等等。通过采集电子设备的设备信息进行训练学习,可以确定出电子设备相应的用户行为信息,如确定出用户移动的概率、用户移动的范围以及用户移动的速度等等,进而可以提取出与该用户行为信息强相关的特征信息作为用户行为特征信息。
在一些实施方式中,该采集电子设备的设备信息,根据设备信息确定出相应的用户行为特征信息的步骤,可以包括:
(1)采集电子设备的设备信息,将该设备信息输入至第一神经网络模型中,以输出相应的用户行为信息;
(2)提取该第一神经网络模型中的第一高维特征信息,将该第一高维特征信息确定为相应的用户行为特征信息。
其中,该第一神经网络模型可以为循环神经网络(Recurrent Neural Network,RNN)模型,该循环神经网络是一种节点定向连接成环的人工神经网络。这种网络的内部状态可以展示动态时序行为。不同于前馈神经网络的是,RNN可以利用它内部的记忆来处理任意时序的输入序列。可以预先采集大量的设备信息对该循环神经网络模型进行训练学习,使得该循环神经网络模型经过学习后可以根据输入的设备信息输出相应的用户行为信息,因此,可以实时的采集电子设备的设备信息,将该设备信息输入至该循环神经网络中,以输出相应的用户行为信息。
进一步的,该高维特征信息为与该输出的用户行为信息强相关的特征信息,在神经网络模型中,存在多层神经元,通过该多层神经元对设备信息的逐层处理,在最后一层可以输出相应的用户行为信息,可以看出的是,倒数第二层的特征信息与最后一层相应的用户行为信息的关联度最大,可以将该倒数第二层的特征信息确定为第一高维特征信息,将该第一高维特征信息确定为相应的用户行为特征信息。
在步骤S102中,采集电子设备的传感器信息,根据传感器信息确定出相应的设备状态特征信息。
其中,该传感器信息可以为传感器收集到的电子设备的姿态信息,该传感器可以包括电子陀螺仪、加速器计、重力传感器和角速度计等等,当电子设备的状态发生变化时,该传感器可以实时采集相应的传感器信息,并结合该传感器信息确定出相应的设备状态特征信息。
在一些实施方式中,该采集电子设备的传感器信息,根据传感器信息确定出相应的设备状态特征信息的步骤,可以包括:
(1)当检测到电子设备的状态发生变化时,开启相关的传感器;
(2)通过该传感器感应该电子设备的状态变化,生成相应的设备状态特征信息。
其中,该相关的传感器可以包括电子陀螺仪、加速器计、重力传感器和角速度计等等,当检测到电子设备的状态发生变化时,比如当检测到电子设备由平放变为斜放时,开启该相关的传感器,并通过该相关的传感器感应该电子设备的姿态状态变化,采集相应的角度、加速度、重力角度和角加速度等等信息,生成相应的设备状态特征信息。
在步骤S103中,采集电子设备的应用操作信息,根据应用操作信息确定出相应的场景特征信息。
其中,该应用操作信息可以为电子设备系统的当前运行状态信息,具体可以为当前系统的应用程序的使用信息,和使用应用程序时的中央处理器(CentralProcessingUnit,CPU)和内存等器件的使用情况信息,通过采集该应用操作信息进行训练学习,可以确定出电子设备使用时相应的场景信息,如确定出游戏中、接电话中、影音娱乐、刷新新闻、网络聊天、浏览图片、拍照中等场景信息,进而可以提取出与该场景信息强相关的特征信息作为场景特征信息。
在一些实施方式中,该采集电子设备的应用操作信息,根据应用操作信息确定出相应的场景特征信息的步骤,可以包括:
(1)采集电子设备的应用操作信息,将该应用操作信息输入至第二神经网络模型中,以输出相应的场景信息;
(2)提取该第二神经网络模型中的第二高维特征信息,将该第二高维特征信息确定为相应的场景特征信息。
其中,该第二神经网络模型可以为人工神经网络(Artificial Neural Network,ANN)模型,该以数学模型模拟神经元活动,是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。可以预先采集大量的应用操作信息对该人工神经网络模型进行训练学习,使得该人工神经网络模型经过学习后可以根据输入的应用操作信息输出相应的场景信息,因此,可以实时的采集电子设备的应用操作信息,将该应用操作信息输入至该人工神经网络中,以输出相应的场景信息。
进一步的,该高维特征信息为与输出的该场景信息强相关的特征信息,在神经网络模型中,存在多层神经元,通过该多层神经元对设备信息的逐层处理,在最后一层可以输出相应的场景信息,可以看出的是,倒数第二层的特征信息与最后一层相应的场景信息的关联度最大,可以将该倒数第二层的特征信息确定为第二高维特征信息,将该第二高维特征信息确定为相应的场景特征信息。
在步骤S104中,结合用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息。
其中,可以通过电子设备上的全球定位系统(Global Positioning System,GPS)实时获取相应的定位特征信息,该定位特征信息可以为XX大厦和XX广场等等,将该定位特征信息与包含用户当前行为、设备姿态和使用场景的用户行为特征信息、设备状态特征信息和场景特征信息进行结合,生成可以表示多维度信息的结合定位信息,如该结合定位信息不再表达XX广场,而是直接表达为商场的定位维度信息,和电子设备在用户口袋的姿态维度信息。
在一些实施方式中,该结合用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息的步骤,可以包括:
(1)通过贝叶斯模型对该用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行条件处理,生成推测结果;
(2)根据该推测结果确定出相应的定位信息;
(3)根据该设备状态特征信息确定出相应的设备状态信息;
(4)结合该定位信息和该设备状态信息,生成包含多维度信息的结合定位信息。
其中,该贝叶斯模型是运用贝叶斯统计进行的一种预测的方法,贝叶斯统计不同于一般的统计方法,其不仅利用模型信息和数据信息,而且充分利用先验信息。因此,可以将该定位特征信息作为先验条件,将该用户行为特征信息、设备状态特征信息和场景特征信息作为后验条件,对终端所处的场景相应的位置信息进行推断,生成相应的推测结果,将其中匹配度最高的场景相应的位置信息确定为具有细粒度的位置信息,如商场、家庭、公司、工厂、学校、公交、道路、街边等。
进一步的,根据设备状态特征信息进行结合分析,可以确定出具有细微变化的电子设备的设备状态信息,该设备状态信息可以为滑动、抖动、跑步、手持、平放等。结合该具有细粒度的位置信息和该具有细微变化的电子设备的设备状态信息,生成包含有两者维度的结合定位信息。
由上述可知,本实施例提供的一种信息处理方法,通过采集电子设备的设备信息,根据设备信息确定出相应的用户行为特征信息;采集电子设备的传感器信息,根据传感器信息确定出相应的设备状态特征信息;采集电子设备的应用操作信息,根据应用操作信息确定出相应的场景特征信息;结合用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息。以此可以采集用户行为特征信息、设备状态特征信息和场景特征信息与定位信息进行结合推测处理,生成包含有多维度信息的结合定位信息,使得定位信息的维度多样化,提升了信息处理的效率。
根据上述实施例所描述的方法,以下将举例作进一步详细说明。
请参阅图3,图3为本申请实施例提供的信息处理方法的另一流程示意图。
具体而言,该方法包括:
在步骤S201中,采集电子设备的设备信息,将设备信息输入至第一神经网络模型中,以输出相应的用户行为信息。
需要说明的是,为了更好的说明本申请,以下将电子设备以手机进行举例说明。
其中,在本申请中,该设备信息可以为手机的硬件信息,如手机连接无线保真信息、蓝牙信息以及蜂窝无线通信信息,该第一神经网络模型可以为循环神经网络模型,相应的,可以预先采集手机中的大量的设备信息对循环神经网络模型进行训练学习的样本,使得该循环神经网络模型经过样本训练学习后可以根据设备信息输出相应的用户行为信息。因此,可以实时采集手机当前的设备信息,将该当前的设备信息输入至该循环神经网络模型,输出相应的用户行为信息,如用户移动的范围以及用户移动的速度等等。
在步骤S202中,提取第一神经网络模型中的第一高维特征信息,将第一高维特征信息确定为相应的用户行为特征信息。
其中,由于该第一神经网络模型对输入的设备信息进行处理,输出了相应的用户行为信息,所以可以抽取该第一神经网络模型倒数第二层的特征信息作为第一高维特征信息,该第一高维特征信息为与该用户行为信息强相关的特征信息。
在步骤S203中,当检测到电子设备的状态发生变化时,开启相关的传感器,通过传感器感应电子设备的状态变化,生成相应的设备状态特征信息。
其中,该相关的传感器可以为电子陀螺仪、加速度计、重力传感器和角速度计等等,当检测到手机发生动态状态变化时,如上下移动时,可以开启该电子陀螺仪、加速度计、重力传感器和角速度计感应手机的动态状态变化,将感应到的角度变化、加速度变化、重力角度变化和角加速度变化等等信息综合生成相应的设备状态特征信息。
在步骤S204中,采集电子设备的应用操作信息,将应用操作信息输入至第二神经网络模型中,以输出相应的场景信息。
其中,该应用操作信息可以为当前系统的应用程序的使用信息,和使用应用程序时中央处理器和内存等器件的使用情况信息,该第二神经网络可以为人工神经网络,相应的,可以预先采集大量的手机使用应用程序时的应用程序使用信息,和使用应用程序时中央处理器和内存等器件的使用情况信息的样本,使得该人工神经网络模型经过样本训练学习后,可以根据输入的应用操作信息输出相应的场景信息,如游戏中、接电话中、影音娱乐、刷新新闻、网络聊天、浏览图片、拍照中等场景信息
在步骤S205中,提取第二神经网络模型中的第二高维特征信息,将第二高维特征信息确定为相应的场景特征信息。
其中,由于该第二神经网络模型对输入的应用操作信息进行处理,输出了相应的场景信息,所以可以抽取该第二神经网络模型倒数第二层的特征信息作为第二高维特征信息,该第二高维特征信息为与该场景信息强相关的特征信息。
在步骤S206中,将定位特征信息作为先验条件,将用户行为特征信息、设备状态特征信息以及场景特征信息作为后验条件。
其中,可以通过手机上的全球定位系统获取手机当前的定位特征信息,如XX广场,该定位特征信息为比较粗糙的定位信息,将该定位特征信息作为先验条件,将可以表征用户行为、手机动态状态以及使用场景的用户行为特征信息、设备状态特征信息以及场景特征信息作为后验条件。
在步骤S207中,调用贝叶斯模型对先验条件和后验条件进行处理,生成相应的推测结果。
其中,调用贝叶斯模型对该先验条件和后验条件进行处理,生成在基于定位特征信息确定的情况下,后验条件相应的定位推测结果,如推测结果可以为商场和学校。
在步骤S208中,根据推测结果确定出相应的定位信息,根据设备状态特征信息确定出相应的设备状态信息。
其中,将预测概率最大的场景相应的位置信息确定为具有细粒度的位置信息,如商场。进一步的,结合设备状态特征信息进行分析,可以确定出具有细微变化的手机相应的设备状态信息,该设备状态信息可以为滑动、抖动、跑步、手持、平放等,比如为抖动。
在步骤S209中,结合定位信息和设备状态信息,生成包含多维度信息的结合定位信息。
其中,将该具有细粒度的定位信息商场,和该具有细微变化的电子设备的设备状态信息抖动进行结合,生成包含有两者维度的结合定位信息。
在步骤S210中,对结合定位信息中的多维度信息进行结合分析,生成相应的控制指令,执行控制指令,以对电子设备进行控制。
其中,对该包含有细粒度的定位信息商场,和该具有细微变化的电子设备的设备状态信息抖动的结合定位信息进行结合分析,可以确定用户在逛商场时,手机放在口袋中,可以生成相应的增加震动强度,减弱或关闭亮屏提醒指令,执行该指令,使得来电时,通过增加后的震动强度可以让用户在逛商场时轻松的感应到来电提醒。
由上述可知,本实施例提供的一种信息处理方法,通过采集电子设备的设备信息,将该设备信息输入至第一神经网络模型中,输出相应的用户行为信息,提取该第一神经网络模型中的第一高维特征信息作为特征信息,当检测到电子设备的状态发生变化时,开启相关的传感器,通过传感器获取状态变化,生成相应的设备状态特征信息,采集电子设备的应用操作信息,将应用操作信息输入至第二神经网络模型中,输出相应的场景信息,提取第二神经网络模型中的第二高维特征信息,将第二高维特征信息确定为相应的场景特征信息,将定位特征信息作为先验条件,将用户行为特征信息、设备状态特征信息以及场景特征信息作为后验条件,调用贝叶斯模型对先验条件和后验条件进行处理,生成相应的推测结果,根据推测结果确定出相应的具有细粒度的定位信息,根据设备状态特征信息确定出具有细微变化的设备状态信息,结合有细粒度的定位信息和有细微变化的设备状态信息生成结合定位信息,并根据结合定位信息生成相应的控制指令对电子设备进行控制。以此可以采集用户行为特征信息、设备状态特征信息和场景特征信息与定位信息进行结合推测处理,生成包含有多维度信息的结合定位信息,使得定位信息的维度多样化,提升了信息处理的效率。
为便于更好的实施本申请实施例提供的信息处理方法,本申请实施例还提供一种基于上述信息处理方法的装置。其中名词的含义与上述信息处理方法中相同,具体实现细节可以参考方法实施例中的说明。
请参阅图4,图4为本申请实施例提供的信息处理装置的模块示意图。具体而言,该信息处理装置300,包括:行为采集单元31、状态采集单元32、场景采集单元33以及处理单元34。
行为采集单元31,用于采集电子设备的设备信息,根据该设备信息确定出相应的用户行为特征信息。
其中,该设备信息可以为电子设备的硬件信息,如无线保真信息,蓝牙信息以及蜂窝无线通信技信息等等。行为采集单元31通过采集电子设备的设备信息进行训练学习,可以确定出电子设备相应的用户行为信息,如确定出用户移动的概率、用户移动的范围以及用户移动的速度等等,进而可以提取出与该用户行为信息强相关的特征信息作为用户行为特征信息。
状态采集单元32,用于采集电子设备的传感器信息,根据该传感器信息确定出相应的设备状态特征信息。
其中,该传感器信息可以为传感器收集到的电子设备的姿态信息,该传感器可以包括电子陀螺仪、加速器计、重力传感器和角速度计等等,当状态采集单元32检测到电子设备的状态发生变化时,可以控制传感器可以实时采集相应的传感器信息,并结合该传感器信息确定出相应的设备状态特征信息。
在一些实施方式中,该状态采集单元32具体用于当检测到电子设备的状态发生变化时,开启相关的传感器;通过该传感器感应该电子设备的状态变化,生成相应的设备状态特征信息。
场景采集单元33,用于采集电子设备的应用操作信息,根据该应用操作信息确定出相应的场景特征信息。
其中,该应用操作信息可以为电子设备系统的当前运行状态信息,具体可以为当前系统的应用程序的使用信息,和使用应用程序时的中央处理器和内存等器件的使用情况信息,场景采集单元33通过采集该应用操作信息进行训练学习,可以确定出电子设备使用时相应的场景信息,如确定出游戏中、接电话中、影音娱乐、刷新新闻、网络聊天、浏览图片、拍照中等场景信息,进而可以提取出与该场景信息强相关的特征信息作为场景特征信息。
处理单元34,用于结合该用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息。
其中,处理单元34可以通过电子设备上的全球定位系统实时获取相应的定位特征信息,该定位特征信息可以为XX大厦和XX广场等等,将该定位特征信息与包含用户当前行为、设备姿态和使用场景的用户行为特征信息、设备状态特征信息和场景特征信息进行结合,生成可以表示多维度信息的结合定位信息,如该结合定位信息不再表达XX广场,而是直接表达为商场的定位维度信息,和电子设备在用户口袋的姿态维度信息。
可一并参考图5,图5为本申请实施例提供的信息处理装置的另一模块示意图,该信息处理装置300还可以包括:
其中,该行为采集单元31可以包括第一输入子单元311以及第一提取子单元312。
进一步的,该第一输入子单元311,用于采集电子设备的设备信息,将该设备信息输入至第一神经网络模型中,以输出相应的用户行为信息。第一提取子单元312,用于提取该第一神经网络模型中的第一高维特征信息,将该第一高维特征信息确定为相应的用户行为特征信息。
其中,该场景采集单元33可以包括第二输入子单元331以及第二提取子单元332。
进一步的,该第二输入子单元331,用于采集电子设备的应用操作信息,将该应用操作信息输入至第二神经网络模型中,以输出相应的场景信息。该第二提取子单元332,用于提取该第二神经网络模型中的第二高维特征信息,将该第二高维特征信息确定为相应的场景特征信息。
其中,该处理单元34可以包括处理子单元341、第一确定子单元342、第二确定子单元343以及生成子单元344。
进一步的,该处理子单元341,用于通过贝叶斯模型对该用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行条件处理,生成推测结果。该第一确定子单元342,用于根据该推测结果确定出相应的定位信息。该第二确定子单元343,用于根据该设备状态特征信息确定出相应的设备状态信息。生成子单元344,用于结合该定位信息和该设备状态信息,生成包含多维度信息的结合定位信息。
在一些实施方式中,该处理子单元341,具体用于将该定位特征信息作为先验条件;将该用户行为特征信息、设备状态特征信息以及场景特征信息作为后验条件;调用贝叶斯模型对该先验条件和后验条件进行处理,生成相应的推测结果。
由上述可知,本实施例提供的一种信息处理装置,通过行为采集单元31采集电子设备的设备信息,根据设备信息确定出相应的用户行为特征信息;状态采集单元32采集电子设备的传感器信息,根据传感器信息确定出相应的设备状态特征信息;场景采集单元33采集电子设备的应用操作信息,根据应用操作信息确定出相应的场景特征信息;处理单元34结合用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息。以此可以采集用户行为特征信息、设备状态特征信息和场景特征信息与定位信息进行结合推测处理,生成包含有多维度信息的结合定位信息,使得定位信息的维度多样化,提升了信息处理的效率。
本申请实施例还提供一种电子设备。请参阅图6,电子设备500包括处理器501以及存储器502。其中,处理器501与存储器502电性连接。
该处理器500是电子设备500的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或加载存储在存储器502内的计算机程序,以及调用存储在存储器502内的数据,执行电子设备500的各种功能并处理数据,从而对电子设备500进行整体监控。
该存储器502可用于存储软件程序以及模块,处理器501通过运行存储在存储器502的计算机程序以及模块,从而执行各种功能应用以及数据处理。存储器502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计算机程序(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电子设备的使用所创建的数据等。此外,存储器502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。相应地,存储器502还可以包括存储器控制器,以提供处理器501对存储器502的访问。
在本申请实施例中,电子设备500中的处理器501会按照如下的步骤,将一个或一个以上的计算机程序的进程对应的指令加载到存储器502中,并由处理器501运行存储在存储器502中的计算机程序,从而实现各种功能,如下:
采集电子设备的设备信息,根据该设备信息确定出相应的用户行为特征信息;
采集电子设备的传感器信息,根据该传感器信息确定出相应的设备状态特征信息;
采集电子设备的应用操作信息,根据该应用操作信息确定出相应的场景特征信息;
结合该用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息。
在某些实施方式中,在采集电子设备的设备信息,根据该设备信息确定出相应的用户行为信息时,处理器501可以具体执行以下步骤:
采集电子设备的设备信息,将该设备信息输入至第一神经网络模型中,以输出相应的用户行为信息;
提取该第一神经网络模型中的第一高维特征信息,将该第一高维特征信息确定为相应的用户行为特征信息。
在某些实施方式中,在采集电子设备的应用操作信息,根据该应用操作信息确定出相应的场景特征信息时,处理器501可以具体执行以下步骤:
采集电子设备的应用操作信息,将该应用操作信息输入至第二神经网络模型中,以输出相应的场景信息;
提取该第二神经网络模型中的第二高维特征信息,将该第二高维特征信息确定为相应的场景特征信息。
在某些实施方式中,在结合该用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息时,处理器501可以具体执行以下步骤:
通过贝叶斯模型对该用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行条件处理,生成推测结果;
根据该推测结果确定出相应的定位信息;
根据该设备状态特征信息确定出相应的设备状态信息;
结合该定位信息和该设备状态信息,生成包含多维度信息的结合定位信息。
在某些实施方式中,在通过贝叶斯模型对该用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行条件处理,生成推测结果时,处理器501可以具体执行以下步骤:
将该定位特征信息作为先验条件;
将该用户行为特征信息、设备状态特征信息以及场景特征信息作为后验条件;
调用贝叶斯模型对该先验条件和后验条件进行处理,生成相应的推测结果。
在某些实施方式中,在采集电子设备的传感器信息,根据该传感器信息确定出相应的设备状态特征信息时,处理器501可以具体执行以下步骤:
当检测到电子设备的状态发生变化时,开启相关的传感器;
通过该传感器感应该电子设备的状态变化,生成相应的设备状态特征信息。
在某些实施方式中,在结合该用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息的步骤之后,处理器501还可以具体执行以下步骤:
对该结合定位信息中的多维度信息进行结合分析,生成相应的控制指令;
执行该控制指令,以对该电子设备进行控制。
由上述可知,本申请实施例的电子设备,通过采集电子设备的设备信息,根据设备信息确定出相应的用户行为特征信息;采集电子设备的传感器信息,根据传感器信息确定出相应的设备状态特征信息;采集电子设备的应用操作信息,根据应用操作信息确定出相应的场景特征信息;结合用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息。以此可以采集用户行为特征信息、设备状态特征信息和场景特征信息与定位信息进行结合推测处理,生成包含有多维度信息的结合定位信息,使得定位信息的维度多样化,提升了信息处理的效率。
请一并参阅图7,在某些实施方式中,电子设备500还可以包括:显示器503、射频电路504、音频电路505以及电源506。其中,其中,显示器503、射频电路504、音频电路505以及电源506分别与处理器501电性连接。
该显示器503可以用于显示由用户输入的信息或提供给用户的信息以及各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示器503可以包括显示面板,在某些实施方式中,可以采用液晶显示器(Liquid CrystalDisplay,LCD)、或者有机发光二极管(OrganicLight-Emitting Diode,OLED)等形式来配置显示面板。
该射频电路504可以用于收发射频信号,以通过无线通信与网络设备或其他终端建立无线通讯,与网络设备或其他终端之间收发信号。
该音频电路505可以用于通过扬声器、传声器提供用户与电子设备之间的音频接口。
该电源506可以用于给电子设备500的各个部件供电。在一些实施例中,电源506可以通过电源管理系统与处理器501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。
本申请实施例还提供一种存储介质,该存储介质存储有计算机程序,当该计算机程序在计算机上运行时,使得该计算机执行上述任一实施例中的信息处理方法,比如:采集电子设备的设备信息,根据该设备信息确定出相应的用户行为特征信息;采集电子设备的传感器信息,根据该传感器信息确定出相应的设备状态特征信息;采集电子设备的应用操作信息,根据该应用操作信息确定出相应的场景特征信息;结合该用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息。
在本申请实施例中,存储介质可以是磁碟、光盘、只读存储器(Read Only Memory,ROM,)、或者随机存取记忆体(Random Access Memory,RAM)等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
需要说明的是,对本申请实施例的信息处理方法而言,本领域普通测试人员可以理解实现本申请实施例的信息处理方法的全部或部分流程,是可以通过计算机程序来控制相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,如存储在电子设备的存储器中,并被该电子设备内的至少一个处理器执行,在执行过程中可包括如信息处理方法的实施例的流程。其中,该的存储介质可为磁碟、光盘、只读存储器、随机存取记忆体等。
对本申请实施例的信息处理装置而言,其各功能模块可以集成在一个处理芯片中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。该集成的模块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,该存储介质譬如为只读存储器,磁盘或光盘等。
以上对本申请实施例所提供的一种信息处理方法、装置、存储介质及电子设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种信息处理方法,其特征在于,包括:
采集电子设备的设备信息,根据所述设备信息确定出相应的用户行为特征信息;
采集电子设备的传感器信息,根据所述传感器信息确定出相应的设备状态特征信息;
采集电子设备的应用操作信息,根据所述应用操作信息确定出相应的场景特征信息;
结合所述用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息。
2.如权利要求1所述的信息处理方法,其特征在于,所述采集电子设备的设备信息,根据所述设备信息确定出相应的用户行为信息的步骤,包括:
采集电子设备的设备信息,将所述设备信息输入至第一神经网络模型中,以输出相应的用户行为信息;
提取所述第一神经网络模型中的第一高维特征信息,将所述第一高维特征信息确定为相应的用户行为特征信息。
3.如权利要求2所述的信息处理方法,其特征在于,所述采集电子设备的应用操作信息,根据所述应用操作信息确定出相应的场景特征信息的步骤,包括:
采集电子设备的应用操作信息,将所述应用操作信息输入至第二神经网络模型中,以输出相应的场景信息;
提取所述第二神经网络模型中的第二高维特征信息,将所述第二高维特征信息确定为相应的场景特征信息。
4.如权利要求3所述的信息处理方法,其特征在于,所述结合所述用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息的步骤,包括:
通过贝叶斯模型对所述用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行条件处理,生成推测结果;
根据所述推测结果确定出相应的定位信息;
根据所述设备状态特征信息确定出相应的设备状态信息;
结合所述定位信息和所述设备状态信息,生成包含多维度信息的结合定位信息。
5.如权利要求4所述的信息处理方法,其特征在于,所述通过贝叶斯模型对所述用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行条件处理,生成推测结果的步骤,包括:
将所述定位特征信息作为先验条件;
将所述用户行为特征信息、设备状态特征信息以及场景特征信息作为后验条件;
调用贝叶斯模型对所述先验条件和后验条件进行处理,生成相应的推测结果。
6.如权利要求1所述的信息处理方法,其特征在于,所述采集电子设备的传感器信息,根据所述传感器信息确定出相应的设备状态特征信息的步骤,包括:
当检测到电子设备的状态发生变化时,开启相关的传感器;
通过所述传感器感应所述电子设备的状态变化,生成相应的设备状态特征信息。
7.如权利要求1所述的信息处理方法,其特征在于,所述结合所述用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息的步骤之后,还包括:
对所述结合定位信息中的多维度信息进行结合分析,生成相应的控制指令;
执行所述控制指令,以对所述电子设备进行控制。
8.一种信息处理装置,其特征在于,包括:
行为采集单元,用于采集电子设备的设备信息,根据所述设备信息确定出相应的用户行为特征信息;
状态采集单元,用于采集电子设备的传感器信息,根据所述传感器信息确定出相应的设备状态特征信息;
场景采集单元,用于采集电子设备的应用操作信息,根据所述应用操作信息确定出相应的场景特征信息;
处理单元,用于结合所述用户行为特征信息、设备状态特征信息、场景特征信息以及定位特征信息进行处理,以得到包含多维度信息的结合定位信息。
9.一种存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1至7任一项所述的信息处理方法。
10.一种电子设备,包括处理器和存储器,所述存储器有计算机程序,其特征在于,所述处理器通过调用所述计算机程序,用于执行如权利要求1至7任一项所述的信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282119.5A CN111796314A (zh) | 2019-04-09 | 2019-04-09 | 信息处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282119.5A CN111796314A (zh) | 2019-04-09 | 2019-04-09 | 信息处理方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111796314A true CN111796314A (zh) | 2020-10-20 |
Family
ID=72805291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910282119.5A Pending CN111796314A (zh) | 2019-04-09 | 2019-04-09 | 信息处理方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111796314A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926553A (zh) * | 2021-04-25 | 2021-06-08 | 北京芯盾时代科技有限公司 | 一种动作检测网络的训练方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102572088A (zh) * | 2010-12-31 | 2012-07-11 | 广州三星通信技术研究有限公司 | 调整便携式终端的振铃强度的装置及方法 |
CN103458361A (zh) * | 2013-08-13 | 2013-12-18 | 西安乾易企业管理咨询有限公司 | 一种基于移动终端的场景采集识别方法 |
CN104301534A (zh) * | 2014-10-09 | 2015-01-21 | 广东小天才科技有限公司 | 一种智能调整移动终端场景模式的方法及装置 |
CN104677351A (zh) * | 2015-01-26 | 2015-06-03 | 泰科智慧科技(北京)有限公司 | 一种基于多种信号融合的人员定位系统及方法 |
CN106953977A (zh) * | 2017-03-22 | 2017-07-14 | 北京字节跳动科技有限公司 | 一种基于移动终端的监测方法及系统 |
CN107343108A (zh) * | 2017-08-21 | 2017-11-10 | 赫文波 | 一种智能提醒移动终端来电的方法 |
WO2018120428A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技(深圳)有限公司 | 个性化场景预测方法、装置、设备和存储介质 |
WO2019056160A1 (en) * | 2017-09-19 | 2019-03-28 | Qualcomm Incorporated | ARTIFICIAL INTELLIGENCE AGENT FOR INTELLIGENT TELEPHONE DISPLAY AND BRIGHTNESS CONTROL |
-
2019
- 2019-04-09 CN CN201910282119.5A patent/CN111796314A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102572088A (zh) * | 2010-12-31 | 2012-07-11 | 广州三星通信技术研究有限公司 | 调整便携式终端的振铃强度的装置及方法 |
CN103458361A (zh) * | 2013-08-13 | 2013-12-18 | 西安乾易企业管理咨询有限公司 | 一种基于移动终端的场景采集识别方法 |
CN104301534A (zh) * | 2014-10-09 | 2015-01-21 | 广东小天才科技有限公司 | 一种智能调整移动终端场景模式的方法及装置 |
CN104677351A (zh) * | 2015-01-26 | 2015-06-03 | 泰科智慧科技(北京)有限公司 | 一种基于多种信号融合的人员定位系统及方法 |
WO2018120428A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技(深圳)有限公司 | 个性化场景预测方法、装置、设备和存储介质 |
CN106953977A (zh) * | 2017-03-22 | 2017-07-14 | 北京字节跳动科技有限公司 | 一种基于移动终端的监测方法及系统 |
CN107343108A (zh) * | 2017-08-21 | 2017-11-10 | 赫文波 | 一种智能提醒移动终端来电的方法 |
WO2019056160A1 (en) * | 2017-09-19 | 2019-03-28 | Qualcomm Incorporated | ARTIFICIAL INTELLIGENCE AGENT FOR INTELLIGENT TELEPHONE DISPLAY AND BRIGHTNESS CONTROL |
Non-Patent Citations (14)
Title |
---|
孙振东: "面向多源数据融合的贝叶斯估计方法", 《齐鲁工业大学学报》 * |
孙振东: "面向多源数据融合的贝叶斯估计方法", 《齐鲁工业大学学报》, vol. 32, no. 1, 28 February 2018 (2018-02-28), pages 1 - 4 * |
张佑春: "多源信息融合技术与应用研究", 安徽师范大学出版社, pages: 26 - 28 * |
文常保: "《人工神经网络理论及应用》", 31 March 2019, 西安电子科技大学出版社, pages: 21 * |
李蕊: "面向上下文感知计算的贝叶斯网络结构自学习算法的研究", 《计算机应用研究》 * |
李蕊: "面向上下文感知计算的贝叶斯网络结构自学习算法的研究", 《计算机应用研究》, 31 January 2010 (2010-01-31), pages 1 - 5 * |
裴凌等: "智能移动平台融合定位技术综述", 《导航定位与授时》, no. 05, 30 September 2017 (2017-09-30), pages 1 - 11 * |
邵非: "基于位置感知的移动信息服务若干关键技术研究" * |
邵非: "基于位置感知的移动信息服务若干关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》, 15 December 2012 (2012-12-15), pages 32 - 33 * |
邵非: "基于位置感知的移动信息服务若干关键技术研究", pages 357 - 7 * |
陈锐志等: "基于智能手机的室内定位技术的发展现状和挑战", 《测绘学报》 * |
陈锐志等: "基于智能手机的室内定位技术的发展现状和挑战", 《测绘学报》, no. 10, 15 October 2017 (2017-10-15), pages 1 - 11 * |
陈龙彪等: "智能手机:普适感知与应用", 《计算机学报》 * |
陈龙彪等: "智能手机:普适感知与应用", 《计算机学报》, no. 02, 28 February 2015 (2015-02-28), pages 1 - 16 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926553A (zh) * | 2021-04-25 | 2021-06-08 | 北京芯盾时代科技有限公司 | 一种动作检测网络的训练方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476306B (zh) | 基于人工智能的物体检测方法、装置、设备及存储介质 | |
CN109299315B (zh) | 多媒体资源分类方法、装置、计算机设备及存储介质 | |
US9726498B2 (en) | Combining monitoring sensor measurements and system signals to determine device context | |
CN111489378B (zh) | 视频帧特征提取方法、装置、计算机设备及存储介质 | |
CN111243668B (zh) | 分子结合位点检测方法、装置、电子设备及存储介质 | |
CN111797288A (zh) | 数据筛选方法、装置、存储介质及电子设备 | |
CN111797851A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
CN111797302A (zh) | 模型处理方法、装置、存储介质及电子设备 | |
CN111797148A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111797870A (zh) | 算法模型的优化方法、装置、存储介质及电子设备 | |
CN111797857A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111797867A (zh) | 系统资源优化方法、装置、存储介质及电子设备 | |
CN111800445A (zh) | 消息推送方法、装置、存储介质及电子设备 | |
CN111796314A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
CN111797874B (zh) | 行为预测方法、装置、存储介质及电子设备 | |
CN111797873A (zh) | 场景识别方法、装置、存储介质及电子设备 | |
CN111800535B (zh) | 终端运行状态的评估方法、装置、存储介质及电子设备 | |
CN111796663B (zh) | 场景识别模型更新方法、装置、存储介质及电子设备 | |
CN111797863A (zh) | 模型训练方法、数据处理方法、装置、存储介质及设备 | |
CN111797869A (zh) | 模型训练方法、装置、存储介质及电子设备 | |
CN111797391A (zh) | 高风险进程的处理方法、装置、存储介质及电子设备 | |
CN111797860A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
CN111800287B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111800537B (zh) | 终端使用状态的评估方法、装置、存储介质及电子设备 | |
CN111800538A (zh) | 信息处理方法、装置、存储介质及终端 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201020 |