CN113810133A - 一种用户活动状态的识别方法和系统 - Google Patents
一种用户活动状态的识别方法和系统 Download PDFInfo
- Publication number
- CN113810133A CN113810133A CN202111150357.4A CN202111150357A CN113810133A CN 113810133 A CN113810133 A CN 113810133A CN 202111150357 A CN202111150357 A CN 202111150357A CN 113810133 A CN113810133 A CN 113810133A
- Authority
- CN
- China
- Prior art keywords
- signal
- wireless network
- user
- activity
- network signal
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000005236 sound signal Effects 0.000 claims abstract description 110
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000000547 structure data Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本说明书实施例提供一种用户活动状态的识别方法和系统，方法包括：在预设空间范围内接收用户所在活动空间内信号发射设备的至少一个方向的发射信号；信号发射设备包括无线网络信号发射设备和在预设距离范围内受用户控制的声音信号发射设备中的至少一种；基于至少一个方向的发射信号，确定至少一个方向的信号特征，信号特征至少包括无线网络信号强度特征和声音信号特征中的至少一种；基于至少一个方向的所述信号特征，确定用户在所述活动空间内的活动状态类型。
Description
技术领域
本说明书涉及信息处理技术领域，特别涉及一种用户活动状态的识别方法和系统。
背景技术
在一些业务领域，为了给用户提供较好的服务，提升用户的体验，需要知道用户的状态，以根据用户的状态来有针对性地提供各项服务。例如，在酒店服务中，针对用户在房间中不同的活动状态如在房间、不在房间、在休息、在活动中、活动频次高、活动频次低等，可以针对性地提供晨间打扫服务、送餐服务、衣物送洗服务、叫早服务、日程提醒服务等等。为了准确和有针对性地为用户提供服务，需要能准确预测用户的活动状态。
因此，亟需提供一种用户活动状态的识别方法和系统，以准确预测用户的活动状态。
发明内容
本说明书实施例之一提供一种用户活动状态的识别方法，所述方法包括：在预设空间范围内接收用户所在活动空间内信号发射设备的至少一个方向的发射信号；所述活动空间为至少部分封闭的活动空间；所述信号发射设备包括无线网络信号发射设备和在预设距离范围内受用户控制的声音信号发射设备中的至少一种；基于所述至少一个方向的发射信号，确定至少一个方向的信号特征，所述信号特征至少包括无线网络信号强度特征和声音信号特征中的至少一种；基于所述至少一个方向的所述信号特征，确定所述用户在所述活动空间内的活动状态类型。
本说明书实施例之一提供一种用户活动状态的识别系统，所述系统包括：信号获取模块，用于预设空间范围内接收用户所在活动空间内信号发射设备的至少一个方向的发射信号；所述活动空间为至少部分封闭的活动空间；所述信号发射设备包括无线网络信号发射设备和在预设距离范围内受用户控制的声音信号发射设备中的至少一种；特征获取模块，用于基于所述至少一个方向的发射信号，确定至少一个方向的信号特征，所述信号特征至少包括无线网络信号强度特征和声音信号特征中的至少一种；状态确定模块，用于基于所述至少一个方向的所述信号特征，确定所述用户在所述活动空间内的活动状态类型。
本说明书实施例之一提供一种用户活动状态的识别装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现用户活动状态的识别方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现用户活动状态的识别方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的用户活动状态的识别系统的应用场景示意图；
图2是根据本说明书一些实施例所示的用户活动状态的识别系统的示例性模块图；
图3是根据本说明书一些实施例所示的用户活动状态的识别方法的示例性流程图；
图4是根据本说明书另一些实施例所示的用户活动状态的识别方法的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的用户活动状态识别系统的应用场景示意图。
在应用场景100中可以包括服务器110、处理设备112、存储设备120、网络130、用户终端140以及信号发射设备150。
在一些应用场景中，用户活动状态识别系统可以应用于用户服务平台，例如，酒店的用户服务平台等。用户活动状态识别系统可以通过实施本说明书中披露的方法和/或过程来预测用户的状态，并根据用户的状态提供相应的服务。
在一些应用场景中，信号发射设备150可以包括无线信号发射设备，例如，接入点(AP，Access Point)等，也可以包括声音信号发射设备，例如，有声控制装置等。
服务器110可以用于管理资源以及处理来自本系统至少一个组件或外部数据源(例如，云数据中心)的数据和/或信息。服务器110可以基于这些数据、信息和/或处理结果执行程序指令，以执行一个或多个本说明书中描述的功能。在一些实施例中，服务器110可以是单一服务器或服务器组。该服务器组可以是集中式或分布式的(例如，服务器110可以是分布式系统)，可以是专用的也可以由其他设备或系统同时提供服务。在一些实施例中，服务器110可以是区域的或者远程的。在一些实施例中，服务器110可以在云平台上实施，或者以虚拟方式提供。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
处理设备112可以处理从其他设备或系统组成部分中获得的数据和/或信息。处理器可以基于这些数据、信息和/或处理结果执行程序指令，以执行一个或多个本说明书中描述的功能。在一些实施例中，处理设备112可以包含一个或多个子处理设备(例如，单核处理设备或多核多芯处理设备)。仅作为示例，处理设备112可以包括中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
存储设备120可以用于存储数据和/或指令。存储设备120可以包括一个或多个存储组件，每个存储组件可以是一个独立的设备，也可以是其他设备的一部分。在一些实施例中，存储设备120可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。示例性的，大容量储存器可以包括磁盘、光盘、固态磁盘等。在一些实施例中，所述存储设备120可在云平台上实现。
数据指对信息的数字化表示，可以包括各种类型，比如二进制数据、文本数据、图像数据、视频数据等。指令指可控制设备或器件执行特定功能的程序。
用户终端140指用户所使用的一个或多个终端设备或软件。在一些实施例中，使用用户终端140的可以是任意用户，例如个人、企业等。在一些实施例中，用户终端140可以是移动装置140-1、平板计算机140-2、膝上型计算机140-3、台式计算机140-4等其他具有输入和/或输出功能的设备中的一种或其任意组合。在一些实施例中，用户终端140可以接收信号发射设备150发射的信号。上述示例仅用于说明所述用户终端140设备范围的广泛性而非对其范围的限制。
信号发射设备150指发射或者接收各种频率、波形和电信号的设备。在一些实施例中，信号发射设备150可以是任意一种或多种信号发射设备和/或信号收发设备。在一些实施例中，信号发射设备150可以是路由器、AP、有声控制装置、无线网卡等其他具有发射或者接收信号功能的设备中的一种或其任意组合。在一些实施例中，信号发射设备150可以是入墙式AP、吸顶式AP、单频AP、双频AP等其他可作为接入点的设备中的一种或其任意组合。在一些实施例中，信号发射设备150可以是语音助手、具有语音控制功能的智能家居设备等其他具有声音控制功能的设备中的一种或其任意组合。上述示例仅用于说明所述信号发射设备150设备范围的广泛性而非对其范围的限制。
在一些实施例中，服务器110、用户终端140以及其他可能的系统组成部分中可以包括存储设备120。
在一些实施例中，服务器110、用户终端140以及其他可能的系统组成部分中可以包括处理设备112。
网络130可以连接系统的各组成部分和/或连接系统与外部资源部分。网络130使得各组成部分之间，以及与系统之外其他部分之间可以进行通讯，促进数据和/或信息的交换。在一些实施例中，网络130可以是有线网络或无线网络中的任意一种或多种。例如，网络130可以包括电缆网络、光纤网络、电信网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络(ZigBee)、近场通信(NFC)、设备内总线、设备内线路、线缆连接等或其任意组合。各部分之间的网络连接可以是采用上述一种方式，也可以是采取多种方式。在一些实施例中，网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中，网络130可以包括一个或以上网络接入点。例如，网络130可以包括有线或无线网络接入点，例如基站和/或网络交换点130-1、130-2、…，通过这些进出点系统200的一个或多个组件可连接到网络130上以交换数据和/或信息。
服务器110可以通过网络130与处理设备112、存储设备120、用户终端140、信号发射设备150通信以获取数据和/或信息，例如通过网络130从信号发射设备150获取信号发射设备的设备信息、信号特征等。服务器110可以基于获取的数据、信息和/或处理结果执行程序指令，以实现对用户状态的预测。例如，服务器110可以基于获取的信号发射设备150的信号特征，获取用户当前的活动状态类型，以及根据用户当前的活动状态类型，为用户提供相应的服务。存储设备120可以存储用户活动状态的识别方法步骤中的各种数据和/或信息，例如信号特征、信号发射设备的设备信息、用户的活动状态类型等。以上各设备之间的信息传递关系仅作为示例，本说明书并不局限于此。
图2是根据本说明书一些实施例所示的一种用户活动状态识别系统200的示例性模块图。
在一些实施例中，所述用户活动状态识别系统100可以包括信号获取模块210、特征获取模块220和状态确定模块230。
在一些实施例中，信号获取模块210可以用于在预设空间范围内接收用户所在活动空间内信号发射设备的至少一个方向的发射信号；所述活动空间为至少部分封闭的活动空间；所述信号发射设备包括无线网络信号发射设备和在预设距离范围内受用户控制的声音信号发射设备中的至少一种。
在一些实施例中，信号获取模块210还可以用于获取所述用户所在所述活动空间内所述无线网络信号发射设备的设备信息，以及获取多个关联无线网络信号收发设备的设备信息和所述多个关联无线网络信号收发设备的至少一个方向的发射信号。其中，所述多个关联无线网络信号收发设备包括：接收所述用户所在所述活动空间内所述无线网络信号发射设备的至少一个方向的发射信号的直联无线网络信号收发设备，以及与所述直联无线网络信号收发设备信号关联的其它无线网络信号收发设备。
在一些实施例中，特征获取模块220可以用于基于所述至少一个方向的发射信号，确定至少一个方向的信号特征，所述信号特征至少包括无线网络信号强度特征和声音信号特征中的至少一种。在一些实施例中，信号特征还包括无线网络信号传播路径的路径特征。在一些实施例中，所述声音信号特征包括至少一个时段的声音信号强度特征和声音信号频率特征。
在一些实施例中，特征获取模块220还可以用于获取多个关联无线收发设备的设备信息和所述多个关联无线收发设备的至少一个方向的发射信号的所述信号特征。
在一些实施例中，状态确定模块230可以用于基于所述至少一个方向的所述信号特征，确定所述用户在所述活动空间内的活动状态类型。
在一些实施例中，状态确定模块230还可以用于至少基于所述至少一个方向的所述无线网络信号强度特征，通过第一识别模型确定所述用户在所述活动空间内的活动状态类型。
在一些实施例中，状态确定模块230还可以用于基于所述无线网络信号发射设备和所述多个关联无线网络信号收发设备的所述设备信息、至少一个方向的所述信号特征，得到图结构数据；基于所述图结构数据，通过所述第一识别模型确定所述用户在所述活动空间内的活动状态类型。在一些实施例中，所述第一识别模型包括图神经网络。
在一些实施例中，状态确定模块230还可以用于基于至少一个时段的所述至少一个方向的所述声音信号强度特征和所述声音信号频率特征，通过第二识别模型确定所述用户在所述活动空间内的活动状态类型。
在一些实施例中，所述信号发射设备包括所述声音信号发射设备，所述信号特征包括至少一个时段的声音信号特征。应当理解，图2所示的系统及其模块可以利用各种方式来实现。
需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图2中披露的特征获取模块220和状态确定模块230可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的用户活动状态的识别方法的示例性流程图。
在一些实施例中，流程300可以由处理器112执行。在一些实施例中，流程300可以由部署于处理112上的用户活动状态的识别系统200执行。
如图3所示，流程300包括下述步骤。
步骤310，在预设空间范围内接收用户所在活动空间内信号发射设备的至少一个方向的发射信号。
在一些实施例中，步骤310可以由信号获取模块210执行。
活动空间是指人或生物体可以在其中进行各种活动的物理空间，可以是开敞式的，也可以是至少部分封闭式的。至少部分封闭的活动空间是指空间具有一个或多个封闭面，使得空间被围护实体至少部分地包围起来，人的活动状态不易或不能被直接观测。
用户所处的至少部分封闭的活动空间可以是物理世界中存在的任意一种至少部分封闭的活动空间，例如，KTV包间、酒店客房、餐厅隔间等。仅为了方便，在本说明书中，以用户所处活动空间为酒店房间为例进行说明。
在至少部分封闭的活动空间中，设置有信号发射设备，信号发射设备是指用于发射信号的装置。在一些实施例中，信号发射设备包括无线网络信号发射设备和在预设距离范围内受用户控制的声音信号发射设备中的至少一种。
无线网络信号发射设备是指用于发射无线网络信号的设备。在一些实施例中，无线信号发射设备包括无线路由器、无线AP等中的一种或多种的组合。
声音信号发射设备是指可以发出声音或语音的设备。在预设距离范围内受用户控制的声音信号发射设备是指声音信号发射设备由用户控制工作一发出声音或语音，并且用户只能在预设距离范围内才能够对声音信号发射设备执行控制。在一些实施例中，声音信号发射设备可以包括能够用户通过各种方式(如语音、手势、表情、动作等)控制的语音智能设备，例如，智能音箱、可以发出语音的智能扫地机器人等。
在一些实施例中，预设距离范围可以是声音信号发射设备能够接收到控制信号(如语音、手势、动作等)的距离范围，或根据经验或实际需求设定的距离范围，例如以声音信号发射设备为中心点，半径为1米的范围。为了基于声音信号发射设备发射的声音信号准确识别用户的活动状态，人在控制声音信号发射设备发射声音信号时的距离应当较近，处在一个较小的位置范围之中。
信号发射设备可以向各个方向发射信号。其中，各个方向可以包括以信号发射设备为中心点的各个角度方向。例如，无线网络信号发射设备可以发出射频信号，射频信号可以以电磁波的形式向各个方向辐射。声音信号发射设备可以发出声音信号，声音信号可以以声波的形式向各个方向传播。
在一些实施例中，可以在用户所处活动空间内或所处活动空间外的其他物理空间(如相邻或同一区域的其他酒店房间)中通过设置在各个不同位置或各个不同方向的信号接收设备接收信号发射设备的至少一个方向的发射信号。接收发射信号的设备或发射信号的信号接收点的位置应当在属于预设空间范围的空间范围内。预设空间范围可根据经验或实际需求进行设置，例如为以用户所处空间为中心的半径100m的空间范围，又例如用户所在房间相邻的房间。
在一些实施例中，可以获取一个或多个时间点的至少一个方向的发射信号，其中多个时间点可以是连续的。
对于无线网络信号发射设备，其对应的信号接收设备可以包括：无线网络信号收发设备(如无线路由器、无线AP等)、无线网络信号接收设备(如无线网络接收器、wifi接收器等)等。
对于声音信号发射设备，其对应的信号接收设备可以包括各种声音信号接收设备，例如音频接收器、可接收声音信号的各种终端等。
步骤320，基于所述至少一个方向的发射信号，确定至少一个方向的信号特征，所述信号特征至少包括无线网络信号强度特征和声音信号特征中的至少一种。
在一些实施例中，步骤320可以由特征获取模块220执行。
在一些实施例中，信号特征可以包括无线网络信号强度特征、声音信号特征、无线网络信号传播路径的路径特征等中的一个或多个。声音信号可以包括声音信号强度特征和声音信号频率特征。
无线网络信号强度特征可以用于反映无线网络信号的强度信息，例如各个时间点的信号强度、多个时间点的信号强度变化规律等。
声音信号特征可以用于反映声音信号中包含的各种信息。在一些实施例中，声音信号特征可以包括声音信号强度特征(如各个时间点的声音信号的信号强度、多个时间点信号强度变化规律等)、声音信号频率特征(如各个时间点的声音信号的信号频率、多个时间点的信号频率变化规律等)等。
在一些实施例中，信号强度特征、声音信号特征可以通过信号检测设备或工具对获取的无线网络信号、声音信号进行分析得到。还可以基于各种信号分析算法、神经网络模型对获取的无线网络信号、声音信号进行分析得到。
无线网络信号传播路径的路径特征可以用于反映信号传播路径的各种信息。在一些实施例中，路径特征可以包括无线网络信号传播路径的信号发射点位置、信号接收点位置、信号接收点到信号发射点的距离、方向、所经过房间的区域类型(比如，厕所、办公桌等)、之间的障碍物类型和数量等。在一些实施例中，无线网络信号传播路径的路径特征可以通过传感器测量、从已有的空间布局信息中获取等方法得到。
步骤330，基于所述至少一个方向的所述信号特征，确定所述用户在所述活动空间内的活动状态类型。
在一些实施例中，步骤330可以由状态确定模块330执行。
在一些实施例中，用户的活动状态类型可以为用户未处于活动空间，或用户处于休息状态，或用户处于活动状态等。
在一些实施例中，信号发射设备包括无线网络信号发射设备时，以用户处在酒店房间为例，用户房间的无线AP设备发射AP信号(每一个无线AP设备发出的AP信号可以带有对应的设备ID)，AP信号向各个方向辐射时会受人体的干扰(例如，AP信号经过人体时，对于AP信号有一定程度上的反射和减弱)而令人体所在方向上的信号强度发生变化。当人在房间内处于不同位置时，对应不同方向的AP信号的强度不同。
在一些实施例中，可以基于至少一个方向的无线网络信号强度特征确定对应的用户活动状态类型。
各个方向无线网络信号的信号强度分布和变化规律可以与人的活动状态类型对应。例如，当人在房间内时，接收的不同方向上的信号强度会有所不同，据此可以判断用户是否处于活动空间。又例如，当人在房间活动，如在卧室活动，与卧室相邻的几个房间接收的该房间AP信号变弱，即相邻几个房间的无线AP设备接收到的用户所在房间的无线AP设备的AP信号强度发生变化，可以应得出用户处于活动状态，进一步可以为用户提供清扫服务等。又例如，其他房间的AP接收到的用户所在房间的AP信号强度未发生变化，代表用户处于休息状态，不适合打扰用户等。
在一些实施例中，可以基于多个方向(例如0度～360度范围中，角度间距为30度的12个角度方向)的发射信号的无线网络信号强度特征，通过第一识别模型确定用户在活动空间中的活动状态类型。
第一识别模型可以包括NN、CNN等机器学习模型或神经网络模型。
在一些实施例中，第一识别模型可以包括序列模型，可以将多个方向的发射信号的无线网络信号强度特征按照方向排列顺序形成序列输入序列模型(如LSTM、RNN等)，序列模型可以输出得到对应的活动状态类型。
在一些实施例中，人在房间走动，在走动经过的连续的几个方向AP信号强度发生连续变化，且变化程度大致相同，通过将多个方向的发射信号的无线网络信号强度特征按照方向排列顺序形成序列输入序列模型，可以根据连续方向的无线网络信号强度特征的相关性，可以更准确地得出用户的活动状态。
在一些实施例中，信号发射设备包括无线网络信号发射设备时，信号获取模块210还可以获取模块220还可以获取无线网络信号发射设备(如无线AP设备)的设备信息(包括设备ID、设备型号、安装方式分如入墙式AP或吸顶式AP、设备的信号频段如单频AP或双频AP等，设备在空间中位置如面向窗的墙面附近或床头柜等)，还可以获取多个关联无线网络信号收发设备(如无线AP设备)的设备信息，以及获取多个关联无线网络信号收发设备的设备信息和多个关联无线网络信号收发设备的至少一个方向的发射信号。
在一些实施例中，特征获取模块220还可以获取多个关联无线网络信号收发设备的至少一个方向的发射信号的信号特征(包括无线网络信号强度特征和无线网络信号传播路径的路径特征)。
在一些实施例中，多个关联无线网络信号收发设备可以包括直接接收所述用户所在活动空间内无线网络信号发射设备的至少一个方向的发射信号的无线网络信号收发设备(可以称为直联无线网络信号收发设备)。如与用户所在房间相邻的多个房间的无线AP设备。
在一些实施例中，多个关联无线网络信号收发设备还可以包括与直联无线网络信号收发设备信号关联的其它无线网络信号收发设备。信号关联是指无线网络信号收发设备之间进行信号收发的关联关系。信号关联可以包括直接进行信号收发的关联关系，还可以包括通过多层信号关联关系而间接关联的关联关系(如无线AP设备1的信号由无线AP设备2接收，无线AP设备2的信号由无线AP设备3接收，无线AP设备3与无线AP设备1具有两层信号关联关系，以此类推)。
在一些实施例中，可以基于无线网络信号发射设备和多个关联无线网络信号收发设备的设备信息、至少一个方向的信号特征，得到图结构数据(也称图、Graph)。
在一些实施例中，可以基于图结构数据，通过第一识别模型确定用户的活动状态类型，第一识别模型可以包括图神经网络GNN。基于图结构数据，可以考虑到其他空间中人体活动对设备间收发信号的影响(如用户未活动，但由于相邻房间的人活动使得相邻房间的无线AP设备接收的AP信号强度还是会发生变化)，进而得到更加准确的用户活动状态识别结果。
图4是基于图结构数据通过第一识别模型确定用户的活动状态类型的示例性示意图。在图结构数据(也称图、Graph)中，多个节点表示无线网络信号发射设备和多个关联无线网络信号收发设备，节点属性包括设备对应的设备信息，节点间的边表示设备间的关联关系，边属性包括所连接设备间接收或发射信号的信号特征。
第一识别模型可以基于训练样本训练初始模型得到。在一些实施例中，训练时的训练样本可以来源于对有人的活动空间的无线网络信号发射设备历史获取的无线网络信号强度特征，训练样本的标签可以通过人工标注确定。
在一些实施例中，用户所处空间可以同时包括无线网络信号发射设备和声音信号发射设备。第一识别模型的训练数据可以来源于同时包括无线网络信号发射设备和声音信号发射设备的活动空间中，历史时间的无线网络信号发射设备的无线网络信号强度特征样本数据。在一些实施例中，对于该同时包括无线网络信号发射设备和声音信号发射设备的活动空间，可以获取与无线网络信号发射设备的历史发射信号数据时间对应的声音信号发射设备的至少一个方向的声音信号，并基于至少一个方向的声音信号确定至少一个方向的信号特征(如声音信号特征)，进而可以基于至少一个方向的信号特征(如声音信号特征)确定用户的活动状态类型，以及可以将确定的活动状态类型作为无线网络信号强度特征样本数据的标签，以用于第一识别模型的训练。
在一些实施例中，基于至少一个方向的声音信号确定至少一个方向的信号特征(如声音信号特征)，进而可以基于至少一个方向的信号特征(如声音信号特征)确定用户的活动状态类型可以参见图4及其相关说明。
通过本实施例，可以通过对声音信号发射设备的至少一个方向的声音信号进行分析确定用户的活动状态类型并作为第一识别模型的训练数据的标签，不需人工获取训练数据的标签，可以全自动化地实现用户活动状态识别过程，令用户活动状态识别过程更加高效和方便。
在一些实施例中，信号发射设备包括所述声音信号发射设备时，以用户处在酒店房间为例，用户房间的声音信号发射设备发射声音信号，声音信号向各个方向进行声波传播时会受人体的干扰(例如，声波经过人体时，对于声波信号有一定程度上的反射和减弱)而令人体所在方向上的声音信号强度和声音信号频率发生变化。当人在房间内处于不同位置时，对应不同方向的声音信号强度和声音信号频率不同。各个方向声音信号的强度分布、变化和频率分布、变化的规律可以与人的活动状态类型对应。
在一些实施例中，可以基于至少一个时段的至少一个方向的声音信号强度特征和声音信号频率特征，通过第二识别模型确定用户在活动空间内的活动状态类型。
第二识别模型可以包括NN、CNN等机器学习模型或神经网络模型。
在一些实施例中，第二识别模型可以包括RNN，可以将多个时段声音信号的声音信号强度特征和声音信号频率特征按照时间顺序形成序列输入RNN，RNN可以输出对应的活动状态类型。
在一些实施例中，人的活动在连续时段上具有相关性，使得人体活动对各个方向声音信号的影响在时段上具有相关性。如人走动经过的连续的几个时段(如时间点或时间段等)声音信号的声音信号强度特征和声音信号频率特征发生连续变化，且变化成一定规律。通过将多个时段声音信号的声音信号强度特征和声音信号频率特征按照时间顺序形成序列输入RNN，以输出对应的活动状态类型，可以实现根据连续时间段的声音信号强度特征和声音信号频率特征的相关性，更准确地得出用户的活动状态类型。
在一些实施例中，可以将RNN中隐藏层的各个神经元的输出输入到DNN网络(如CNN等)，DNN网络输出对应的活动状态类型。通过本实施例，RNN中隐藏层的各个神经元的输出包含了前面时段的信号特征信息，即可以考虑前面时间段对于后一时间段的特征信息的影响，得到包含更丰富和更深层次信息的各个时间段的信号特征信息，再将其输入深度神经网络DNN进行进一步分析处理，得到更加准确的活动状态识别结果。
第二识别模型可以基于训练样本训练初始模型得到。训练时的训练样本可以来源于对有人的活动空间中，历史时间获取的声音信号发射设备的声音信号强度特征和声音信号频率特征。在一些实施例中，训练样本的标签可以通过人工标注确定。
在一些实施例中，用户所处空间可以同时包括无线网络信号发射设备和声音信号发射设备。第二识别模型的训练数据可以来源于同时包括无线网络信号发射设备和声音信号发射设备的活动空间中，历史时间的声音信号发射设备的声音信号强度特征样本数据和声音信号频率特征样本数据。在一些实施例中，对于该同时包括无线网络信号发射设备和声音信号发射设备的活动空间，可以获取与声音信号发射设备的历史发射信号数据时间对应的无线网络信号发射设备的至少一个方向的无线网络信号，并基于至少一个方向的无线网络信号确定至少一个方向的信号特征(如无线网络信号强度特征)，进而可以基于至少一个方向的信号特征(如无线网络信号强度特征)确定用户的活动状态类型，以及可以将确定的活动状态类型作为声音信号强度特征样本数据和声音信号频率特征样本数据的标签，以用于第二识别模型的训练。
在一些实施例中，基于至少一个方向的无线网络信号确定至少一个方向的信号特征(如无线网络信号强度特征)，进而可以基于至少一个方向的信号特征(如无线网络信号强度特征)确定用户的活动状态类型可以参见图4及其相关说明。
通过本实施例，可以通过对无线网络信号发射设备的至少一个方向的无线网络信号进行分析确定用户的活动状态类型并作为第二识别模型的训练数据的标签，不需人工获取训练数据的标签，可以全自动化地实现用户活动状态识别过程，令用户活动状态识别过程更加高效和方便。
在一些实施例中，用户所处活动空间可以同时包括无线网络信号发射设备和声音信号发射设备，可以同时获取无线网络信号发射设备的至少一个方向的无线网络信号和声音信号发射设备的至少一个方向的声音信号，通过本说明书中其他地方所述的方法，可以基于至少一个方向的无线网络信号确定一个用户的活动状态类型(可以称为第一结果)，以及还可以基于至少一个方向的声音信号确定一个用户的活动状态类型(可以称为第二结果)。在一些实施例中，可以判断第一结果和第二结果是否一致。若一致，则将第一结果和第二结果对应的活动状态类型作为用户在活动空间内的活动状态类型。若不一致，则确定至少一个方向的无线网络信号中信号强度的最大值和最小值的比值(可以称为第一比值)，以及确定至少一个方向的声音信号中信号强度的最大值和最小值比值(可以称为第二比值)，将第一比值和第二比值与预设阈值进行比较，确定与预设阈值差距较小的比值。若差距较小的为第一比值，则将第一结果确定为用户在活动空间内的活动状态类型，若差距较小的为第二比值，则将第二结果确定为用户在活动空间内的活动状态类型。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种用户活动状态的识别方法，包括：
在预设空间范围内接收用户所在活动空间内信号发射设备的至少一个方向的发射信号；所述活动空间为至少部分封闭的活动空间；所述信号发射设备包括无线网络信号发射设备和在预设距离范围内受用户控制的声音信号发射设备中的至少一种；
基于所述至少一个方向的发射信号，确定至少一个方向的信号特征，所述信号特征至少包括无线网络信号强度特征和声音信号特征中的至少一种；
基于所述至少一个方向的所述信号特征，确定所述用户在所述活动空间内的活动状态类型。
2.如权1所述的方法，所述信号发射设备包括所述无线网络信号发射设备，所述信号特征包括无线网络信号强度特征；
所述基于所述至少一个方向的所述信号特征，确定所述用户在所述活动空间内的活动状态类型包括：
至少基于所述至少一个方向的所述无线网络信号强度特征，通过第一识别模型确定所述用户在所述活动空间内的活动状态类型。
3.如权2所述的方法，所述信号特征还包括无线网络信号传播路径的路径特征，所述第一识别模型包括图神经网络，所述方法还包括：
获取所述用户所在所述活动空间内所述无线网络信号发射设备的设备信息，以及获取多个关联无线网络信号收发设备的设备信息和所述多个关联无线网络信号收发设备的至少一个方向的发射信号的所述信号特征；其中，
所述多个关联无线网络信号收发设备包括：接收所述用户所在所述活动空间内所述无线网络信号发射设备的至少一个方向的发射信号的直联无线网络信号收发设备，以及与所述直联无线网络信号收发设备信号关联的其它无线网络信号收发设备；
所述基于所述至少一个方向的所述信号特征，确定所述用户在所述活动空间内的活动状态类型包括：
基于所述无线网络信号发射设备和所述多个关联无线网络信号收发设备的所述设备信息、至少一个方向的所述信号特征，得到图结构数据；
基于所述图结构数据，通过所述第一识别模型确定所述用户在所述活动空间内的活动状态类型。
4.如权1所述的方法，所述信号发射设备包括所述声音信号发射设备，所述声音信号特征包括至少一个时段的声音信号强度特征和声音信号频率特征；
所述基于所述至少一个方向的所述信号特征，确定所述用户在所述活动空间内的活动状态类型包括：
基于至少一个时段的所述至少一个方向的所述声音信号强度特征和所述声音信号频率特征，通过第二识别模型确定所述用户在所述活动空间内的活动状态类型。
5.一种用户活动状态的识别系统，包括：
信号获取模块，用于在预设空间范围内接收用户所在活动空间内信号发射设备的至少一个方向的发射信号；所述活动空间为至少部分封闭的活动空间；所述信号发射设备包括无线网络信号发射设备和在预设距离范围内受用户控制的声音信号发射设备中的至少一种；
特征获取模块，用于基于所述至少一个方向的发射信号，确定至少一个方向的信号特征，所述信号特征至少包括无线网络信号强度特征和声音信号特征中的至少一种；
状态确定模块，用于基于所述至少一个方向的所述信号特征，确定所述用户在所述活动空间内的活动状态类型。
6.如权5所述的系统，所述信号发射设备包括所述无线网络信号发射设备，所述信号特征包括无线网络信号强度特征；
所述状态确定模块还用于：
至少基于所述至少一个方向的所述无线网络信号强度特征，通过第一识别模型确定所述用户在所述活动空间内的活动状态类型。
7.如权6所述的系统，所述信号特征还包括无线网络信号传播路径的路径特征，所述第一识别模型包括图神经网络；
所述信号获取模块还用于：获取所述用户所在所述活动空间内所述无线网络信号发射设备的设备信息，以及获取多个关联无线网络信号收发设备的设备信息和所述多个关联无线网络信号收发设备的至少一个方向的发射信号；其中，
所述多个关联无线网络信号收发设备包括：接收所述用户所在所述活动空间内所述无线网络信号发射设备的至少一个方向的发射信号的直联无线网络信号收发设备，以及与所述直联无线网络信号收发设备信号关联的其它无线网络信号收发设备；
所述特征获取模块还用于：获取所述多个关联无线网络信号收发设备的至少一个方向的发射信号的所述信号特征；
所述状态确定模块还用于：
基于所述无线网络信号发射设备和所述多个关联无线网络信号收发设备的所述设备信息、至少一个方向的所述信号特征，得到图结构数据；
基于所述图结构数据，通过所述第一识别模型确定所述用户在所述活动空间内的活动状态类型。
8.如权5所述的系统，所述信号发射设备包括所述声音信号发射设备，所述声音信号特征包括至少一个时段的声音信号强度特征和声音信号频率特征；
所述状态确定模块还用于：
基于至少一个时段的所述至少一个方向的所述声音信号强度特征和所述声音信号频率特征，通过第二识别模型确定所述用户在所述活动空间内的活动状态类型。
9.一种用户活动状态的识别装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1-4中任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现如权利要求1-4中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111150357.4A CN113810133B (zh) | 2021-09-29 | 2021-09-29 | 一种用户活动状态的识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111150357.4A CN113810133B (zh) | 2021-09-29 | 2021-09-29 | 一种用户活动状态的识别方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113810133A true CN113810133A (zh) | 2021-12-17 |
| CN113810133B CN113810133B (zh) | 2023-08-18 |
Family
ID=78938994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111150357.4A Active CN113810133B (zh) | 2021-09-29 | 2021-09-29 | 一种用户活动状态的识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113810133B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130322674A1 (en) * | 2012-05-31 | 2013-12-05 | Verizon Patent And Licensing Inc. | Method and system for directing sound to a select user within a premises |
| US20160183029A1 (en) * | 2012-10-19 | 2016-06-23 | Kyungpook National University Industry-Academic- Cooperation Foundation | Self-direct m2m (machine-to-machine) comunication based user's daily activity logging and analyzing system with wearable and personal mobile devices |
| KR20170039463A (ko) * | 2015-10-01 | 2017-04-11 | 에스케이플래닛 주식회사 | 사용자 장치, 비콘, 서비스 제공 장치, 그를 포함하는 결제 시스템, 그의 제어 방법 및 컴퓨터 프로그램이 기록된 기록매체 |
| WO2021129634A1 (zh) * | 2019-12-24 | 2021-07-01 | 北京嘀嘀无限科技发展有限公司 | 一种网络定位方法和系统 |
| US20210196174A1 (en) * | 2018-09-05 | 2021-07-01 | Altoida Ltd. | Apparatus, method and program for determining a cognitive state of a user of a mobile device |
| CN113329435A (zh) * | 2021-07-30 | 2021-08-31 | 广东南方电信规划咨询设计院有限公司 | 一种无线通讯方法、系统及无线通讯终端 |
-
2021
- 2021-09-29 CN CN202111150357.4A patent/CN113810133B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130322674A1 (en) * | 2012-05-31 | 2013-12-05 | Verizon Patent And Licensing Inc. | Method and system for directing sound to a select user within a premises |
| US20160183029A1 (en) * | 2012-10-19 | 2016-06-23 | Kyungpook National University Industry-Academic- Cooperation Foundation | Self-direct m2m (machine-to-machine) comunication based user's daily activity logging and analyzing system with wearable and personal mobile devices |
| KR20170039463A (ko) * | 2015-10-01 | 2017-04-11 | 에스케이플래닛 주식회사 | 사용자 장치, 비콘, 서비스 제공 장치, 그를 포함하는 결제 시스템, 그의 제어 방법 및 컴퓨터 프로그램이 기록된 기록매체 |
| US20210196174A1 (en) * | 2018-09-05 | 2021-07-01 | Altoida Ltd. | Apparatus, method and program for determining a cognitive state of a user of a mobile device |
| WO2021129634A1 (zh) * | 2019-12-24 | 2021-07-01 | 北京嘀嘀无限科技发展有限公司 | 一种网络定位方法和系统 |
| CN113329435A (zh) * | 2021-07-30 | 2021-08-31 | 广东南方电信规划咨询设计院有限公司 | 一种无线通讯方法、系统及无线通讯终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113810133B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A survey of dynamic spectrum allocation based on reinforcement learning algorithms in cognitive radio networks | |
| JP7279856B2 (ja) | 方法及び装置 | |
| WO2020220124A1 (en) | Controlling wireless connections in wireless motion sensing systems | |
| US11428773B2 (en) | Systems and methods to determine room occupancy | |
| CN110336723A (zh) | 智能家电的控制方法及装置、智能家电设备 | |
| US20230368065A1 (en) | Integrated Sensing and Communications Empowered by Networked Hybrid Quantum-Classical Machine Learning | |
| JP2013140434A (ja) | 読み取り処理装置、読み取り処理システム、読み取り処理方法、読み取り処理プログラム | |
| WO2023219177A1 (en) | Integrated sensing and communications empowered by networked hybrid quantum-classical machine learning | |
| Vales-Alonso et al. | OSL: An optimization-based scheduler for RFID Dense-Reader Environments | |
| Zhong et al. | Path design and resource management for NOMA enhanced indoor intelligent robots | |
| Bhardwaj et al. | Deep Q‐learning based resource allocation in industrial wireless networks for URLLC | |
| Alkhayyat et al. | Fuzzy logic, genetic algorithms, and artificial neural networks applied to cognitive radio networks: A review | |
| CN110223694A (zh) | 语音处理方法、系统和装置 | |
| CN113810133B (zh) | 一种用户活动状态的识别方法和系统 | |
| Waqar et al. | Opportunistic Fluid Antenna Multiple Access via Team-Inspired Reinforcement Learning | |
| CN114342442A (zh) | 预测无线电频谱使用 | |
| CN108353002A (zh) | 批量精细时序测量分配消息 | |
| US10791155B2 (en) | Infrastructure apparatus and method of providing collaboration between thing devices | |
| JP7287680B2 (ja) | 学習装置、通信システム、学習方法及び学習プログラム | |
| Toledo et al. | A stochastic approach for spectrum sensing and sensor selection in dynamic cognitive radio sensor networks | |
| CN108629815A (zh) | 图像生成方法和装置 | |
| Shen et al. | Attention-Enhanced Deep Learning for Device-Free Through-the-Wall Presence Detection Using Indoor WiFi Systems | |
| Moneesh et al. | Cooperative Spectrum Sensing using DQN in CRN | |
| Shi et al. | Cross-User Dependent Task Offloading and Resource Allocation in Spatial-Temporal Dynamic MEC Networks | |
| Rezaie et al. | A radio frequency identification reader collision avoidance protocol for dense reader environments in the context of Industry 4.0 |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 200131 3rd floor, building 1, No. 400, Fangchun Road, Pudong New Area pilot Free Trade Zone, Shanghai Patentee after: Xingrong (Shanghai) Information Technology Co.,Ltd. Address before: 200131 3rd floor, building 1, No. 400, Fangchun Road, Pudong New Area pilot Free Trade Zone, Shanghai Patentee before: SHANGHAI XINGRONG INFORMATION TECHNOLOGY Co.,Ltd. |
|
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: Room 10g27, No. 2299, Yan'an west road, Changning District, Shanghai 200336 Patentee after: Xingrong (Shanghai) Information Technology Co.,Ltd. Address before: 200131 3rd floor, building 1, No. 400, Fangchun Road, Pudong New Area pilot Free Trade Zone, Shanghai Patentee before: Xingrong (Shanghai) Information Technology Co.,Ltd. |