CN111797859A - 特征处理方法、装置、存储介质及电子设备 - Google Patents
特征处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111797859A CN111797859A CN201910282152.8A CN201910282152A CN111797859A CN 111797859 A CN111797859 A CN 111797859A CN 201910282152 A CN201910282152 A CN 201910282152A CN 111797859 A CN111797859 A CN 111797859A
- Authority
- CN
- China
- Prior art keywords
- feature
- target
- target service
- electronic device
- service
- 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
Images
Classifications
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请公开了一种特征处理方法、装置、存储介质及电子设备,在本申请中,电子设备在侦测到目标服务的特征获取请求时,根据该特征获取请求获取目标服务关联的特征,并得到一特征集合,之后,采用递归特征消除算法从特征集合中获取对应目标服务的目标特征子集,将获取到的目标特征子集提供给目标服务。由此,能够灵活高效的向不同服务提供与之关联的特征,满足其所需。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种特征处理方法、装置、存储介质及电子设备。
背景技术
目前,随着传感器的小型化、智能化,如手机、平板电脑等电子设备集成了越来越多的传感器,比如光线传感器、距离传感器、位置传感器、加速度传感器以及重力传感器,等等。电子设备能够通过其配置的传感器以更小的功耗采集到更多的数据。但伴随而来的是,电子设备采集到的数据也越来越繁杂,若直接对这些数据进行特征提取,那么将提取出大量的特征,其维数成千上万,造成了维数灾难。
发明内容
第一方面,本申请实施例提供一种特征处理方法,应用于电子设备,包括:
侦测目标服务的特征获取请求;
根据所述特征获取请求获取所述目标服务关联的特征,得到一特征集合;
采用递归特征消除算法从所述特征集合中获取对应所述目标服务的目标特征子集;
将所述目标特征子集提供给所述目标服务。
第二方面,本申请实施例提供一种特征处理装置,应用于电子设备,包括:
请求侦测模块,用于侦测目标服务的特征获取请求;
集合获取模块,用于根据所述特征获取请求获取所述目标服务关联的特征,得到一特征集合;
特征筛选模块,用于采用递归特征消除算法从所述特征集合中获取对应所述目标服务的目标特征子集;
特征提供模块,用于将所述目标特征子集提供给所述目标服务。
第三方面,本申请实施例提供一种存储介质,其上存储有计算机程序,其中,当所述计算机程序在计算机上执行时,使得所述计算机执行本申请实施例提供的特征处理方法中的步骤。
第四方面,本申请实施例提供一种电子设备,包括存储器,处理器,所述处理器通过调用所述存储器中存储的计算机程序,用于执行本申请实施例提供的特征处理方法中的步骤。
在本申请中,电子设备在侦测到目标服务的特征获取请求时,根据该特征获取请求获取目标服务关联的特征,并得到一特征集合,之后,采用递归特征消除算法从特征集合中获取对应目标服务的目标特征子集,将获取到的目标特征子集提供给目标服务。由此,能够灵活高效的向不同服务提供与之关联的特征,满足其所需。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的全景感知架构的结构示意图。
图2是本申请实施例提供的特征处理方法的一流程示意图。
图3是本申请实施例中服务和实时性需求之间的对应关系示例图。
图4是本申请实施例提供的特征处理方法的另一流程示意图。
图5是本申请实施例中提供的特征处理方法的应用场景示意图。
图6是本申请实施例提供的特征处理装置的结构示意图。
图7是本申请实施例提供的电子设备的一结构示意图。
图8是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。
随着传感器的小型化、智能化,如手机、平板电脑等电子设备集成了越来越多的传感器,比如光线传感器、距离传感器、位置传感器、加速度传感器以及重力传感器,等等。电子设备能够通过其配置的传感器以更小的功耗采集到更多的数据。同时,电子设备在运行过程中还会采集到自身状态相关的数据以及用户状态相关的数据,等等。笼统的说,电子设备能够获取到外部环境相关的数据、用户状态相关的数据以及电子设备状态相关的数据。笼统的说,电子设备能够获取到外部环境相关的数据(比如温度、光照、地点、声音、天气等)、用户状态相关的数据(比如姿势、速度、使用习惯、个人基本信息等)以及电子设备状态相关的数据(比如耗电量、资源使用状况、网络状况等)。本申请实施例中,将电子设备能够获取到的这些数据记为全景数据。
本申请实施例中,为了能够对电子设备获取到的这些数据进行处理,提出了一种全景感知架构。请参照图1,图1为本申请实施例提供的全景感知架构的结构示意图,应用于电子设备,其包括由下至上的信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。
作为全景感知架构的最底层,信息感知层用于获取能够描述用户的各类型情景的原始数据,即全景数据。其中,信息感知层由多个用于数据采集的传感器组成,包括但不限于图示的用于检测电子设备与外部物体之间的距离的距离传感器、用于检测电子设备所处环境的磁场信息的磁场传感器、用于检测电子设备所处环境的光线信息的光线传感器、用于检测电子设备的加速度数据的加速度传感器、用于采集用户的指纹信息的指纹传感器、用于感应磁场信息的霍尔传感器、用于检测电子设备当前所处的地理位置的位置传感器、用于检测电子设备在各个方向上的角速度的陀螺仪、用于检测电子设备的运动数据惯性传感器、用于感应电子设备的姿态信息的姿态感应器、用于检测电子设备所处环境的气压的气压计以及用于检测用户的心率信息的心率传感器等。
作为全景感知架构的次底层,数据处理层用于对信息感知层获取到的原始数据进行处理,消除原始数据存在的噪声、不一致等问题。其中,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。
作为全景感知架构的中间层,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,以提取所述数据中包括的特征。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。
作为全景感知架构的次高层,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。
作为全景感知架构的最高层,智能服务层用于根据情景建模层所构建的模型提供智能化服务。比如,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服务,还可以为用户提供个性化智能服务等。
此外,全景感知架构中还包括算法库,算法库中包括但不限于图示的马尔科夫算法、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、卷积神经网络以及循环神经网络等算法。
对于电子设备能够获取到的外部环境相关的数据、用户状态相关的数据以及电子设备状态相关的数据,从这些繁杂的数据中将提取出大量的特征,其维数成千上万,造成了维数灾难,难以有效的应用于相关服务,因此,从大量的特征中筛选出可有效应用于服务的特征变得十分必要。为此,本申请实施例提供一种特征处理方法、装置、存储介质及电子设备,其中特征处理方法的执行主体可以是本申请实施例提供的特征处理装置,或者集成了该特征处理装置的电子设备,其中该特征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、笔记本电脑、或者台式电脑等配置有处理器而具有处理能力的设备。
基于本申请实施例提供的特征处理方法,特征抽取层除了对来自于数据处理层的数据进行特征抽取,将抽取的特征提供给情景建模层进行建模之外,还对抽取的特征进行筛选,提供给对应的服务,使得其实现功能。其中,在侦测到目标服务的特征获取请求时,根据该特征获取请求获取目标服务关联的特征,并得到一特征集合,之后,采用递归特征消除算法从特征集合中获取对应目标服务的目标特征子集,将获取到的目标特征子集提供给目标服务。
请参照图2,图2是本申请实施例提供的特征处理方法的一流程示意图。该特征处理方法可以应用于电子设备。该特征处理方法的流程可以包括:
在101中,侦测目标服务的特征获取请求。
应当说明的是,目标服务并不用于特指某一服务,而是用于代指需要获取特征以进行相应计算处理的服务,包括但不限于与用户相关的智能服务类服务(比如,健康类服务、导航类服务、旅游类服务以及语音类服务等),以及与电子设备本身相关的系统优化类服务(比如,资源优化调度、省电等)等。比如,一系统优化类服务在达到预设的系统优化周期时,需要获取关联的特征来判断是否需要进行系统优化,以及如何进行系统优化,此时该系统优化类服务将产生特征获取请求;又比如,一智能服务类服务可以根据其关联的特征来进行情景建模,以此获得用户的情景状态,从而对用户提供个性化的智能服务,该智能服务类服务可以需要对用户提供服务时产生特征获取请求。
示例性的,在本申请实施例中,电子设备可以实时的侦测“目标服务”的特征获取请求。
在102中,根据侦测到的特征获取请求获取目标服务关联的特征,得到一特征集合。
本申请实施例中,电子设备在侦测到目标服务的特征获取请求时,根据该特征获取请求获取目标服务关联的特征,得到一特征集合。通俗的说,目标服务关联的特征也即是其实现功能所可能需要用到的特征。比如,电子设备获取到目标服务关联的1000个特征,得到包括这1000个特征的特征集合。
应当说明的是,不同类型的服务关联的特征往往不同,比如,若目标服务为导航类服务,则其关联的特征包括但不限于从位置数据(比如卫星定位数据、无线网络定位数据等)中提取出的特征,若目标服务为语音类服务,则其关联的特征包括但不限于从语音数据中提取出的特征,等等。
在103中,采用递归特征消除算法从特征集合中获取对应目标服务的目标特征子集。
本申请实施例中,电子设备在根据目标服务关联的特征构建对应的特征集合之后,即可采用递归特征消除算法对前述特征集合中的特征进行筛选,并根据筛选出的特征构建一相对于前述特征集合的特征子集,记为目标特征子集。比如,电子设备构建的对应目标服务的特征集合中包括目标服务所关联的1000个特征,之后,电子设备采用递归特征消除算法从特征集合中筛选出500个特征,由这筛选出的500个特征构建对应目标服务的目标特征子集。
在104中,将目标特征子集提供给目标服务。
本申请实施例中,电子设备在从前述特征集合中获取到对应目标服务的目标特征子集之后,即可获取到的目标特征子集提供给目标服务,由目标服务进行相应的计算处理,以实现其功能。
由上可知,本申请实施例中,电子设备在侦测到目标服务的特征获取请求时,根据该特征获取请求获取目标服务关联的特征,并得到一特征集合,之后,采用递归特征消除算法从特征集合中获取对应目标服务的目标特征子集,将获取到的目标特征子集提供给目标服务。由此,能够灵活高效的向不同服务提供与之关联的特征,满足其所需。
在一实施例中,“采用递归特征消除算法从特征集合中获取对应目标服务的目标特征子集”,包括:
(1)将预设回归模型作为递归特征消除算法的底层模型;
(2)构建对应底层模型的目标代价函数;
(3)根据目标代价函数以及底层模型从特征集合中迭代出目标特征子集。
本申请实施例中,电子设备在采用递归特征消除算法从特征集合中获取对应目标服务的目标特征子集时,首先将预设回归模型作为递归特征消除算法的底层模型。其中,对于采用何种回归模型作为递归特征消除算法的底层模型,本申请实施例对此不做具体限制,包括但不限于逻辑回归模型、多项式回归模型、逐步回归模型、岭回归模型、套索回归模型以及弹性回归模型中的一种,比如,本申请实施例中,电子设备采用逻辑回归模型作为递归特征消除算法的底层模型。
在确定底层模型之后,电子设备进一步构建对应底层模型的目标代价函数,比如,可以基于底层模型的识别精度构建目标代价函数。在确定递归特征消除算法的底层模型,并构建对应的目标代价函数之后,即可根据目标代价函数以及前述特征集合对底层模型进行迭代训练,最终从前述特征集合迭代出对应目标服务的目标特征子集。
在一实施例中“根据目标代价函数以及底层模型从特征集合中迭代出目标特征子集”,包括:
(1)确定对应目标服务的目标训练终止条件;
(2)在一次迭代过程中,随机获取前述特征集合的特征子集;
(3)根据特征子集以及目标代价函数,对底层模型进行训练;
(4)判断底层模型在当次训练的误差是否小于前次训练的误差,是则保留特征子集中的特征,否则不保留;
(5)继续下一次迭代过程,直至满足目标训练终止条件,并根据最终保留的特征构建目标特征子集。
应当说明的是,不同类型的服务对特征的实时性需求不同,有的服务对特征的实时性需求较高,而有的服务又对特征的实时性需求较低。比如,导航类服务对特征的实时性需求较高,而健康类服务对特征的实时性需求较低。这样,由于不同的服务对特征的实时性需求不同,不同的服务对应的训练终止条件也不同。
本申请实施例中,电子设备在根据目标代价函数以及底层模型从特征集合中迭代出目标特征子集时,首先确定对应目标服务的训练终止条件,记为目标训练终止条件,用于描述在何时终止对底层模型的训练。
以下以对底层模型的一次训练过程为例进行睡眠。
在一次迭代过程中,电子设备随机获取前述特征集合的特征子集,比如,在第一次对底层模型进行训练时,前述特征集合中包括1000个特征,电子设备从前述特征集合的1000个特征中随机抽取出10个特征,得到这10特征构成的前述特征集合的一特征子集。
在获取到前述特征集合的特征子集之后,电子设备将获取到的特征子集作为底层模型的输入,根据前述目标代价函数对底层模型进行训练。
在完成当次对底层模型的训练之后,电子设备采用交叉验证获取到底层模型在当次训练的误差,并判断底层模型在当次训练的误差是否小于前次训练的误差,是则保存当次获取的特征子集中的特征,否则不保留(即删除当次获取的特征子集中的特征)。
应当说明的是,对于第一次对底层模型进行训练时获取的特征子集中的特征,由于此时并不存在对底层模型的前次训练,直接保留第一次对底层模型进行训练时获取的特征子集中的特征。比如,假设初始的特征集合中包括1000个特征,电子设备通过对底层模型的第一次训练,并未删除特征集合中的特征,在第二次对底层模型进行训练时,假设随机选取了由10个特征构成的一特征子集,若第二次训练的训练误差大于第一次训练的训练误差,则从特征集合中删除这10个特征,若第二训练的训练误差小于第一次训练的训练误差,则保留着10个特征。本领域普通技术人员可以看出,在电子设备完成对底层的一次训练之后,前述特征集合中的特征可能发生变化(即对应特征子集中的特征被删除),也可能不发生变化(即对应的特征子集中的特征被保留)。
在完成一次迭代过程后,电子设备继续下一次迭代过程,直至满足目标训练终止条件,并根据满足目标训练终止条件时所最终保留的特征构建得到前述目标特征子集。
在一实施例中,“根据目标代价函数以及底层模型从特征集合中迭代出目标特征子集”之前,还包括
对目标代价函数进行正则化处理。
应当说明的是,在对底层模型的训练过程中,训练集(即特征子集)获取本身是一种抽样,而抽样操作就会存在误差,这就使得抽样误差也进行了很好的拟合,具体表现就是底层模型能够有效的预测训练集,而无法有效的预测测试集,其泛化能力较弱,也即是本领域普通技术人员所称的过拟合。
本申请实施例中,为了防止过拟合的发生,电子设备在开始对底层模型进行训练之前,对目标代价函数进行正则化处理,从而在训练过程中限制权值变大,防止过拟合的发生。
在一实施例中,“对目标代价函数进行正则化处理”包括:
在目标代价函数中加入L2正则化项。
本申请实施例中,电子设备可以通过在目标代价函数中加入L2正则化项的方式实现对目标代价函数的正则化处理。
应当说明的是,在其它实施例中,电子设备还可以通过在目标代价函数中加入L1正则化项的方式实现对目标代价函数的正则化处理。
在一实施例中,“侦测目标服务的特征获取请求”之前,还包括:
建立不同服务和训练终止条件的对应关系;
而“确定对应目标服务的目标训练终止条件”,包括:
根据前述不同服务和训练终止条件的对应关系确定对应目标服务的目标训练终止条件。
本申请实施例中,可以预先对实时性需求进行规范化描述,比如,可以将实时性需求划分为高、中、低三档。然后,基于人工的方式,标定电子设备中的所有服务对特征的实时性需求。这样,电子设备即可根据人工标定的所有服务对特征的实时性需求,建立不同服务及其对特征的实时性需求的对应关系,记为第一对应关系。比如,请参照图3,服务A对特征的实时性需求“低”,服务B对特征的实时性需求“高”,服务C对特征的实时性需求“中”,等等。
然后,基于人工的方式,定义对应不同实时性需求的训练终止条件(包括但不限于需要保留的特征数量或模型需要达到的预测精度等)。这样,电子设备即可人工对不同实时性需求定义的训练终止条件,建立不同实时性需求和训练终止条件的对应关系,记为第二关系。比如,实时性需求“高”对应训练终止条件A,实时性需求“中”对应训练终止条件B,实时性需求“低”对应训练终止条件C。
由此,电子设备根据前述第一对应关系以及前述第二对应关系即可建立不同服务和训练终止条件的对应关系。比如,对于服务A,电子设备根据前述第一对应关系确定服务A的实时性需求“低”,根据前述第二对应关系,确定实时性需求“低”对应的训练终止条件为训练终止条件C,这样,电子设备将建立服务A和训练终止条件C的对应关系。
由此,电子设备在确定对应目标服务的目标训练终止条件时,即可根据前述不同服务和训练终止条件的对应关系确定对应目标服务的目标训练终止条件,比如,目标服务为服务A,电子设备根据前述不同服务和训练终止条件的对应关系,确定对应服务A的目标训练终止条件为训练终止条件。
在一实施例中,“根据特征获取请求获取目标服务关联的特征”包括:
(1)根据前述特征获取请求,获取目标服务关联的数据;
(2)对目标服务关联的数据进行特征提取,得到目标服务关联的特征。
本申请实施例中,电子设备在根据特征获取请求获取目标服务关联的特征时,首先根据前述特征获取请求,获取目标服务关联的数据。其中,不同类型的服务关联的数据不同,比如省电类服务关联的数据包括但不限于电子设备系统的进程数量、耗电速率以及剩余电量等等;又比如,导航类服务关联的数据包括但不限于卫星定位数据、无线网络定位数据等;又比如,语音类服务关联的数据包括但不限于语音数据等。
在获取到目标服务关联的数据之后,电子设备进一步采用特征提取技术对目标服务关联的数据进行特征提取,由此得到目标服务关联的特征。应当说明的是,本申请实施例中,对于采用何种特征提取技术来进行特征提取不做具体限制,可由本领域普通技术人员根据实际需要进行选取。比如,可以采用神经网络的方式来进行特征提取。
在一实施例中,“对目标服务关联的数据进行特征提取”包括:
对目标服务关联的数据中的各数据,采用与其对应的特征提取神经网络进行特征提取。
应当说明的是,在申请实施例中,还预先有用于对不同类型的数据进行特征提取的多个特征提取神经网络。这样,在对目标服务关联的数据进行特征提取时,对于目标服务关联的数据中的任一数据,采用与该数据的数据类型所对应的特征提取神经网络进行特征提取。
示例性的,可以对将所有数据分为3类,分别为图像类数据、时序类数据(比如文本、语音等)以及常规数据(即除图像类数据和时序类数据之外的数据,比如温度大小等),对于图像类数据,训练有构型为卷积神经网络的第一特征提取神经网络,对于时序类数据,训练有构型为递归神经网络的第二特征提取神经网络,对于常规神经,训练有构型为普通神经网络的第三特征提取神经网络。这样,电子设备在对目标服务关联的数据进行特征提取时,采用第一特征提取神经网络对其中的图像类数据进行特征提取,采用第二特征提取神经网络对其中的时序类数据进行特征提取,采用第三特征提取神经网络对其中的常规数据进行特征提取。
在一实施例中,“对目标服务关联的数据进行特征提取”之前,还包括:
对目标服务关联的数据进行预处理。
应当说明的是,本申请实施例中考虑获取的“原始”数据存在噪声、不一致等问题,在对目标服务关联的数据进行特征提取之前,还对目标服务关联的数据进行预处理,包括但不限于对目标服务关联的数据进行数据清洗处理、数据集成处理、数据变换处理、以及数据归约处理等。
其中,数据清洗处理是对数据进行重新审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据一致性。
数据集成处理是将单个维度的数据集成到一个更高更抽象的维度,集成后能够得到更为准确、更为丰富、更具有针对性的数据。
数据变换处理是在对数据进行统计分析时,要求数据必须满足一定的条件,如在方差分析时,要求试验误差具有独立性、无偏性、方差齐性和正态性,但在实际分析中,独立性、无偏性比较容易满足,方差齐性在大多数情况下能满足,正态性有时不能满足。此时若将数据经过适当的转换,如平方根转换、对数转换、平方根反正弦转换等,则可以使数据满足方差分析的要求。其中所进行的此种数据转换,称为数据变换。
数据归约是指在尽可能保持数据原貌的前提下,最大限度地精简数据量(完成该任务的必要前提是理解挖掘任务和熟悉数据本身内容)。数据归约主要有两个途径:属性选择和数据采样,分别针对原始数据集中的属性和记录。
请结合参照图4和图5,图4为本申请实施例提供的特征处理方法的另一流程示意图,图5为该特征处理方法的应用场景示意图,该特征处理方法可以应用于电子设备,该特征处理方法的流程可以包括:
在201中,电子设备建立不同服务和训练终止条件的对应关系。
本申请实施例中,可以预先对实时性需求进行规范化描述,比如,可以将实时性需求划分为高、中、低三档。然后,基于人工的方式,标定电子设备中的所有服务对特征的实时性需求。这样,电子设备即可根据人工标定的所有服务对特征的实时性需求,建立不同服务及其对特征的实时性需求的对应关系,记为第一对应关系。比如,请参照图3,服务A对特征的实时性需求“低”,服务B对特征的实时性需求“高”,服务C对特征的实时性需求“中”,等等。
然后,基于人工的方式,定义对应不同实时性需求的训练终止条件(包括但不限于需要保留的特征数量或模型需要达到的预测精度等)。这样,电子设备即可人工对不同实时性需求定义的训练终止条件,建立不同实时性需求和训练终止条件的对应关系,记为第二关系。比如,实时性需求“高”对应训练终止条件A,实时性需求“中”对应训练终止条件B,实时性需求“低”对应训练终止条件C。
由此,电子设备根据前述第一对应关系以及前述第二对应关系即可建立不同服务和训练终止条件的对应关系。比如,对于服务A,电子设备根据前述第一对应关系确定服务A的实时性需求“低”,根据前述第二对应关系,确定实时性需求“低”对应的训练终止条件为训练终止条件C,这样,电子设备将建立服务A和训练终止条件C的对应关系。
在202中,电子设备侦测目标服务的特征获取请求,并根据侦测到的特征获取请求获取目标服务关联的特征,得到一特征集合。
应当说明的是,目标服务并不用于特指某一服务,而是用于代指需要获取特征以进行相应计算处理的服务,包括但不限于与用户相关的智能服务类服务(比如,健康类服务、导航类服务、旅游类服务以及语音类服务等),以及与电子设备本身相关的系统优化类服务(比如,资源优化调度、省电等)等。比如,一系统优化类服务在达到预设的系统优化周期时,需要获取关联的特征来判断是否需要进行系统优化,以及如何进行系统优化,此时该系统优化类服务将产生特征获取请求;又比如,一智能服务类服务可以根据其关联的特征来进行情景建模,以此获得用户的情景状态,从而对用户提供个性化的智能服务,该智能服务类服务可以需要对用户提供服务时产生特征获取请求。
示例性的,在本申请实施例中,电子设备可以实时的侦测“目标服务”的特征获取请求。
本申请实施例中,电子设备在侦测到目标服务的特征获取请求时,根据该特征获取请求获取目标服务关联的特征,得到一特征集合。通俗的说,目标服务关联的特征也即是其实现功能所可能需要用到的特征。比如,电子设备获取到目标服务关联的1000个特征,得到包括这1000个特征的特征集合。
应当说明的是,不同类型的服务关联的特征往往不同,比如,若目标服务为导航类服务,则其关联的特征包括但不限于从位置数据(比如卫星定位数据、无线网络定位数据等)中提取出的特征,若目标服务为语音类服务,则其关联的特征包括但不限于从语音数据中提取出的特征,等等。
在203中,电子设备将预设回归模型作为递归特征消除算法的底层模型,并构建对应底层模型的目标代价函数。
本申请实施例中,电子设备在根据目标服务关联的特征构建对应的特征集合之后,即可采用递归特征消除算法对前述特征集合中的特征进行筛选,并根据筛选出的特征构建一相对于前述特征集合的特征子集,记为目标特征子集。
其中,电子设备在采用递归特征消除算法从特征集合中获取对应目标服务的目标特征子集时,首先将预设回归模型作为递归特征消除算法的底层模型。其中,对于采用何种回归模型作为递归特征消除算法的底层模型,本申请实施例对此不做具体限制,包括但不限于逻辑回归模型、多项式回归模型、逐步回归模型、岭回归模型、套索回归模型以及弹性回归模型中的一种,比如,本申请实施例中,电子设备采用逻辑回归模型作为递归特征消除算法的底层模型。
在确定底层模型之后,电子设备进一步构建对应底层模型的目标代价函数,比如,可以基于底层模型的识别精度构建目标代价函数。在确定递归特征消除算法的底层模型,并构建对应的目标代价函数之后,即可根据目标代价函数以及前述特征集合对底层模型进行迭代训练,最终从前述特征集合迭代出对应目标服务的目标特征子集。
在204中,电子设备根据前述不同服务和训练终止条件的对应关系确定对应目标服务的目标训练终止条件。
在开始对底层模型进行迭代训练之前,电子设备首先确定对应目标服务的目标训练终止条件。其中,电子设备在确定对应目标服务的目标训练终止条件时,根据前述不同服务和训练终止条件的对应关系确定对应目标服务的目标训练终止条件,比如,目标服务为服务A,电子设备根据前述不同服务和训练终止条件的对应关系,确定对应服务A的目标训练终止条件为训练终止条件。
在205中,电子设备随机获取前述特征集合的特征子集,并根据获取的特征子集以及前述目标代价函数,对底层模型进行训练。
其中,电子设备随机获取前述特征集合的特征子集,比如,在第一次对底层模型进行训练时,前述特征集合中包括1000个特征,电子设备从前述特征集合的1000个特征中随机抽取出10个特征,得到这10特征构成的前述特征集合的一特征子集。
在获取到前述特征集合的特征子集之后,电子设备将获取到的特征子集作为底层模型的输入,根据前述目标代价函数对底层模型进行训练。
在206中,电子设备判断底层模型在当次训练的误差是否小于前次训练的误差,是则保留前述特征子集中的特征,否则不保留。
在完成当次对底层模型的训练之后,电子设备采用交叉验证获取到底层模型在当次训练的误差,并判断底层模型在当次训练的误差是否小于前次训练的误差,是则保存当次获取的特征子集中的特征,否则不保留(即删除当次获取的特征子集中的特征)。
应当说明的是,对于第一次对底层模型进行训练时获取的特征子集中的特征,由于此时并不存在对底层模型的前次训练,直接保留第一次对底层模型进行训练时获取的特征子集中的特征。比如,假设初始的特征集合中包括1000个特征,电子设备通过对底层模型的第一次训练,并未删除特征集合中的特征,在第二次对底层模型进行训练时,假设随机选取了由10个特征构成的一特征子集,若第二次训练的训练误差大于第一次训练的训练误差,则从特征集合中删除这10个特征,若第二训练的训练误差小于第一次训练的训练误差,则保留着10个特征。本领域普通技术人员可以看出,在电子设备完成对底层的一次训练之后,前述特征集合中的特征可能发生变化(即对应特征子集中的特征被删除),也可能不发生变化(即对应的特征子集中的特征被保留)。
在207中,电子设备判断是否满足目标训练终止条件,是则转入208,否则转入205。
其中,电子设备通过判断是否满足目标训练终止条件,以确定是否终止对底层模型的训练,若是,则终止对底层模型的训练,转入208,若否,则转入205,继续对底层模型进行训练。
在208中,电子设备将最终保留的特征作为对应目标服务的目标特征子集提供给目标服务。
其中,电子设备根据满足目标训练终止条件时所最终保留的特征构建得到对应目标服务的目标特征子集,并将该目标特征子集提供给目标服务,由目标服务进行相应的计算处理,以实现其功能。
请参照图6,图6为本申请实施例提供的特征处理装置的结构示意图。该特征处理装置可以应用于电子设备。特征处理装置可以包括:请求侦测模块301、集合获取模块302、特征筛选模块303以及特征提供模块304。
请求侦测模块301,用于侦测目标服务的特征获取请求;
集合获取模块302,用于根据侦测到的特征获取请求获取目标服务关联的特征,得到一特征集合;
特征筛选模块303,用于采用递归特征消除算法从特征集合中获取对应目标服务的目标特征子集;
特征提供模块304,用于将目标特征子集提供给目标服务。
在一实施例中,在采用递归特征消除算法从特征集合中获取对应目标服务的目标特征子集时,特征筛选模块303可以用于:
将预设回归模型作为递归特征消除算法的底层模型;
构建对应底层模型的目标代价函数;
根据目标代价函数以及底层模型从特征集合中迭代出目标特征子集。
在一实施例中,在根据目标代价函数以及底层模型从特征集合中迭代出目标特征子集时,特征筛选模块303可以用于:
确定对应目标服务的目标训练终止条件;
在一次迭代过程中,随机获取前述特征集合的特征子集;
根据特征子集以及目标代价函数,对底层模型进行训练;
判断底层模型在当次训练的误差是否小于前次训练的误差,是则保留特征子集中的特征,否则不保留;
继续下一次迭代过程,直至满足目标训练终止条件,并根据最终保留的特征构建目标特征子集。
在一实施例中,特征处理装置还包括正则处理模块,用于在特征筛选模块303根据目标代价函数以及底层模型从特征集合中迭代出目标特征子集之前,对目标代价函数进行正则化处理。
在一实施例中,在对目标代价函数进行正则化处理时,正则处理模块可以用于:
在目标代价函数中加入L2正则化项。
在一实施例中,特征处理装置还包括关系建立模块,用于在请求侦测模块301侦测目标服务的特征获取请求之前,建立不同服务和训练终止条件的对应关系;
而在确定对应目标服务的目标训练终止条件时,特征筛选模块303可以用于:
根据前述不同服务和训练终止条件的对应关系确定对应目标服务的目标训练终止条件。
在一实施例中,在根据侦测到的特征获取请求获取目标服务关联的特征时,集合获取模块302可以用于:
根据前述特征获取请求,获取目标服务关联的数据;
对目标服务关联的数据进行特征提取,得到目标服务关联的特征。
在一实施例中,在对目标服务关联的数据进行特征提取时,集合获取模块302可以用于:
对目标服务关联的数据中的各数据,采用与其对应的特征提取神经网络进行特征提取。
在一实施例中,在对目标服务关联的数据进行特征提取之前,还包括:
对目标服务关联的数据进行预处理。
应当说明的是,本申请实施例提供的特征处理装置与上文实施例中的特征处理方法属于同一构思,在特征处理装置上可以运行特征处理方法实施例中提供的任一方法,其具体实现过程详见特征处理方法实施例,此处不再赘述。
本申请实施例提供一种计算机可读的存储介质,其上存储有计算机程序,当其存储的计算机程序在电子设备上执行时,使得电子设备执行如本申请实施例提供的特征处理方法中的步骤,比如,侦测目标服务的特征获取请求;根据侦测到的特征获取请求获取目标服务关联的特征,得到一特征集合;采用递归特征消除算法从特征集合中获取对应目标服务的目标特征子集;将目标特征子集提供给目标服务。
本申请实施例还提供一种电子设备,包括存储器,处理器,处理器通过调用存储器中存储的计算机程序,执行本申请实施例提供的特征处理方法中的步骤。
请参照图7,图7为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括存储器401以及处理器402。本领域普通技术人员可以理解,图7中示出的电子设备结构并不构成对电子设备的限定,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。
存储器401可用于存储计算机程序和数据。存储器401存储的计算机程序中包含有可执行代码。计算机程序可以组成各种功能模块。
处理器402是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器401内的计算机程序,以及调用存储在存储器401内的数据,从而实现各种功能。
在本申请实施例中,电子设备中的处理器402会按照如下的指令,将一个或一个以上的计算机程序对应的可执行代码加载到存储器401中,并由处理器402运行,从而执行:
侦测目标服务的特征获取请求;
根据侦测到的特征获取请求获取目标服务关联的特征,得到一特征集合;
采用递归特征消除算法从特征集合中获取对应目标服务的目标特征子集;
将目标特征子集提供给目标服务。
请参照图8,图8为本申请实施例提供的电子设备的另一结构示意图,与图7所示电子设备的区别在于,电子设备还包括输入单元403和输出单元404等组件。
其中,输入单元403可用于接收输入的数字、字符信息或用户特征信息(比如指纹),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入等。
输出单元404可用于输出由用户输入的信息或提供给用户的信息,如扬声器、屏幕等。
在本申请实施例中,电子设备中的处理器402会按照如下的指令,将一个或一个以上的计算机程序对应的可执行代码加载到存储器401中,并由处理器402运行,从而执行:
侦测目标服务的特征获取请求;
根据侦测到的特征获取请求获取目标服务关联的特征,得到一特征集合;
采用递归特征消除算法从特征集合中获取对应目标服务的目标特征子集;
将目标特征子集提供给目标服务。
在一实施例中,在采用递归特征消除算法从特征集合中获取对应目标服务的目标特征子集时,处理器402可以执行:
将预设回归模型作为递归特征消除算法的底层模型;
构建对应底层模型的目标代价函数;
根据目标代价函数以及底层模型从特征集合中迭代出目标特征子集。
在一实施例中,在根据目标代价函数以及底层模型从特征集合中迭代出目标特征子集时,处理器402可以执行:
确定对应目标服务的目标训练终止条件;
在一次迭代过程中,随机获取前述特征集合的特征子集;
根据特征子集以及目标代价函数,对底层模型进行训练;
判断底层模型在当次训练的误差是否小于前次训练的误差,是则保留特征子集中的特征,否则不保留;
继续下一次迭代过程,直至满足目标训练终止条件,并根据最终保留的特征构建目标特征子集。
在一实施例中,在根据目标代价函数以及底层模型从特征集合中迭代出目标特征子集之前,处理器402可以执行:
对目标代价函数进行正则化处理。
在一实施例中,在对目标代价函数进行正则化处理时,处理器402可以执行:
在目标代价函数中加入L2正则化项。
在一实施例中,侦测目标服务的特征获取请求之前,处理器402可以执行:
建立不同服务和训练终止条件的对应关系;
而在确定对应目标服务的目标训练终止条件时,处理器402可以执行:
根据前述不同服务和训练终止条件的对应关系确定对应目标服务的目标训练终止条件。
在一实施例中,在根据侦测到的特征获取请求获取目标服务关联的特征时,处理器402可以执行:
根据前述特征获取请求,获取目标服务关联的数据;
对目标服务关联的数据进行特征提取,得到目标服务关联的特征。
在一实施例中,在对目标服务关联的数据进行特征提取时,处理器402还可以执行:
对目标服务关联的数据中的各数据,采用与其对应的特征提取神经网络进行特征提取。
在一实施例中,在对目标服务关联的数据进行特征提取之前,处理器402还可以执行:
对目标服务关联的数据进行预处理。
应当说明的是,本申请实施例提供的电子设备与上文实施例中的特征处理方法属于同一构思,在电子设备上可以运行特征处理方法实施例中提供的任一方法,其具体实现过程详见特征处理方法实施例,此处不再赘述。
需要说明的是,对本申请实施例特征处理方法而言,本领域普通技术人员可以理解实现本申请实施例特征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,计算机程序可存储于一计算机可读取存储介质中,如存储在存储器中,并被至少一个处理器执行,在执行过程中可包括如特征处理方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,RandomAccess Memory)等。
对本申请实施例的特征处理装置而言,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。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,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特征处理方法、装置、存储介质以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,本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种特征处理方法,应用于电子设备,其特征在于,包括:
侦测目标服务的特征获取请求;
根据所述特征获取请求获取所述目标服务关联的特征,得到一特征集合;
采用递归特征消除算法从所述特征集合中获取对应所述目标服务的目标特征子集;
将所述目标特征子集提供给所述目标服务。
2.根据权利要求1所述的特征处理方法,其特征在于,所述采用递归特征消除算法从所述特征集合中获取对应所述目标服务的目标特征子集,包括:
将预设回归模型作为所述递归特征消除算法的底层模型;
构建对应所述底层模型的目标代价函数;
根据所述目标代价函数以及所述底层模型从所述特征集合中迭代出所述目标特征子集。
3.根据权利要求2所述的特征处理方法,其特征在于,所述根据所述目标代价函数以及所述底层模型从所述特征集合中迭代出所述目标特征子集,包括:
确定对应所述目标服务的目标训练终止条件;
在一次迭代过程中,随机获取所述特征集合的特征子集;
根据所述特征子集以及所述目标代价函数,对所述底层模型进行训练;
判断所述底层模型在当次训练的误差是否小于前次训练的误差,是则保留所述特征子集中的特征,否则不保留;
继续下一次迭代过程,直至满足所述目标训练终止条件,并根据最终保留的特征构建所述目标特征子集。
4.根据权利要求2所述的特征处理方法,其特征在于,所述根据所述目标代价函数以及所述底层模型从所述特征集合中迭代出所述目标特征子集之前,还包括
对所述目标代价函数进行正则化处理。
5.根据权利要求4所述的特征处理方法,其特征在于,所述对所述目标代价函数进行正则化处理,包括:
在所述目标代价函数中加入L2正则化项。
6.根据权利要求3所述特征处理方法,其特征在于,所述侦测目标服务的特征获取请求之前,还包括:
建立不同服务和训练终止条件的对应关系;
而所述确定对应所述目标服务的目标训练终止条件,包括:
根据所述对应关系确定对应所述目标服务的目标训练终止条件。
7.根据权利要求1所述的特征处理方法,其特征在于,所述根据所述特征获取请求获取所述目标服务关联的特征,包括:
根据所述特征获取请求,获取所述目标服务关联的数据;
对所述目标服务关联的数据进行特征提取,得到所述目标服务关联的特征。
8.根据权利要求7所述的特征处理方法,其特征在于,所述对所述目标服务关联的数据进行特征提取,包括:
对所述目标服务关联的数据中的各数据,采用与其对应的特征提取神经网络进行特征提取。
9.根据权利要求7所述的特征处理方法,其特征在于,所述对所述目标服务关联的数据进行特征提取之前,还包括:
对所述目标服务关联的数据进行预处理。
10.一种特征处理装置,应用于电子设备,其特征在于,包括:
请求侦测模块,用于侦测目标服务的特征获取请求;
集合获取模块,用于根据所述特征获取请求获取所述目标服务关联的特征,得到一特征集合;
特征筛选模块,用于采用递归特征消除算法从所述特征集合中获取对应所述目标服务的目标特征子集;
特征提供模块,用于将所述目标特征子集提供给所述目标服务。
11.一种存储介质,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9任一项所述的特征处理方法。
12.一种电子设备,包括处理器和存储器,所述存储器储存有计算机程序,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9任一项所述的特征处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282152.8A CN111797859A (zh) | 2019-04-09 | 2019-04-09 | 特征处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282152.8A CN111797859A (zh) | 2019-04-09 | 2019-04-09 | 特征处理方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111797859A true CN111797859A (zh) | 2020-10-20 |
Family
ID=72805297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910282152.8A Pending CN111797859A (zh) | 2019-04-09 | 2019-04-09 | 特征处理方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797859A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160110345A1 (en) * | 2014-10-17 | 2016-04-21 | International Business Machines Corporation | Perspective data management for common features of multiple items |
CN106485707A (zh) * | 2016-10-11 | 2017-03-08 | 中国科学院苏州生物医学工程技术研究所 | 基于脑核磁共振图像的多维特征分类算法 |
CN107291668A (zh) * | 2017-07-14 | 2017-10-24 | 中南大学 | 一种基于机器学习的地铁短时客流预测方法 |
CN107807730A (zh) * | 2017-10-31 | 2018-03-16 | 广东欧珀移动通信有限公司 | 应用清理方法、装置、存储介质及电子设备 |
CN109359669A (zh) * | 2018-09-10 | 2019-02-19 | 平安科技(深圳)有限公司 | 医保报销异常检测方法、装置、计算机设备和存储介质 |
-
2019
- 2019-04-09 CN CN201910282152.8A patent/CN111797859A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160110345A1 (en) * | 2014-10-17 | 2016-04-21 | International Business Machines Corporation | Perspective data management for common features of multiple items |
CN106485707A (zh) * | 2016-10-11 | 2017-03-08 | 中国科学院苏州生物医学工程技术研究所 | 基于脑核磁共振图像的多维特征分类算法 |
CN107291668A (zh) * | 2017-07-14 | 2017-10-24 | 中南大学 | 一种基于机器学习的地铁短时客流预测方法 |
CN107807730A (zh) * | 2017-10-31 | 2018-03-16 | 广东欧珀移动通信有限公司 | 应用清理方法、装置、存储介质及电子设备 |
CN109359669A (zh) * | 2018-09-10 | 2019-02-19 | 平安科技(深圳)有限公司 | 医保报销异常检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
蒋敏等: "基于在线序列极限支持向量回归的短期负荷预测模型", 电网技术 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169454B (zh) | 一种人脸图像年龄估算方法、装置及其终端设备 | |
CN111797858A (zh) | 模型训练方法、行为预测方法、装置、存储介质及设备 | |
CN111798018A (zh) | 行为预测方法、装置、存储介质及电子设备 | |
CN111797078A (zh) | 数据清洗方法、模型训练方法、装置、存储介质及设备 | |
CN111797288A (zh) | 数据筛选方法、装置、存储介质及电子设备 | |
CN111797861A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
CN113516113A (zh) | 一种图像内容识别方法、装置、设备及存储介质 | |
CN111796925A (zh) | 算法模型的筛选方法、装置、存储介质和电子设备 | |
CN111797302A (zh) | 模型处理方法、装置、存储介质及电子设备 | |
CN111798259A (zh) | 应用推荐方法、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 | |
CN111798019B (zh) | 意图预测方法、装置、存储介质及电子设备 | |
CN111797856B (zh) | 建模方法、装置、存储介质及电子设备 | |
CN111797849A (zh) | 用户活动识别方法、装置、存储介质及电子设备 | |
CN111797986A (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 | |
CN111797866A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
CN111797289A (zh) | 模型处理方法、装置、存储介质和电子设备 | |
CN113170018A (zh) | 睡眠预测方法、装置、存储介质及电子设备 | |
CN111797859A (zh) | 特征处理方法、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 | |
CN111797077A (zh) | 数据清洗方法、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 | |
CN111797075A (zh) | 数据回收方法、装置、存储介质及电子设备 | |
CN111797127A (zh) | 时序数据分割方法、装置、存储介质及电子设备 |
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 |