CN114097645A - 宠物健康模型的训练方法、装置、设备及存储介质 - Google Patents
宠物健康模型的训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114097645A CN114097645A CN202010871353.4A CN202010871353A CN114097645A CN 114097645 A CN114097645 A CN 114097645A CN 202010871353 A CN202010871353 A CN 202010871353A CN 114097645 A CN114097645 A CN 114097645A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- pet
- health
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 218
- 230000036541 health Effects 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000004590 computer program Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000036772 blood pressure Effects 0.000 claims description 4
- 230000036760 body temperature Effects 0.000 claims description 4
- 230000036387 respiratory rate Effects 0.000 claims description 3
- 230000005802 health problem Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K15/00—Devices for taming animals, e.g. nose-rings or hobbles; Devices for overturning animals in general; Training or exercising equipment; Covering boxes
- A01K15/02—Training or exercising equipment, e.g. mazes or labyrinths for animals ; Electric shock devices ; Toys specially adapted for animals
- A01K15/027—Exercising equipment, e.g. tread mills, carousels
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/60—Healthcare; Welfare
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Abstract
本申请公开了一种宠物健康模型的训练方法、装置、设备及存储介质。具体包括:从云服务端获取第一模型;从本地获取第一训练样本,第一训练样本包括目标宠物的健康数据;将第一训练样本输入待训练的第一模型,进行迭代训练,得到目标第一模型,以识别目标宠物的健康类别。根据本申请实施例,能够训练确定用户专属的宠物健康模型,可以及时了解宠物的当前健康状态以及预测出潜在的健康问题,优化对宠物健康的管理。
Description
技术领域
本申请属于计算机技术领域,尤其涉及一种宠物健康模型的训练方法以及装置、设备及计算机存储介质。
背景技术
现今,宠物已成为许多人生活的一部分,宠物的安全和健康状况是饲养家庭重点关注的,自然对宠物健康的监测和管理的需求也日益增长。
通常,宠物健康的管理可以通过宠物医疗机构和宠物产品商家基于已有经验给出一些宠物饲养的建议或者方案,进行个人宠物的健康状态管理;或者是利用宠物可穿戴设备采集宠物相关数据,并根据这些采集的相关数据进行相关管理。但是,现有的宠物的健康状态管理的方式仍存在一些缺陷,如,不能全面了解宠物状态、缺乏对大量数据进行系统化处理的能力等等。
因此,如何利用宠物健康数据,优化对宠物健康的管理是亟待解决的问题。
发明内容
本申请实施例提供一种宠物健康模型的训练方法、装置、设备及计算机存储介质,能够训练确定用户专属的宠物健康模型,可以及时了解宠物的当前健康状态以及预测出潜在的健康问题,优化对宠物健康的管理。
第一方面,本申请实施例提供一种宠物健康模型的训练方法,,方法包括:
从云服务端获取第一模型;
从本地获取第一训练样本,所述第一训练样本包括目标宠物的健康数据;
将所述第一训练样本输入待训练的所述第一模型,进行迭代训练,得到目标第一模型,以识别目标宠物的健康类别。
可选地,该方法还包括:
确定所述目标第一模型的第一权重值;
将所述第一权重值发送至所述云端,以用于所述云服务端根据每个用户端发送的第一权重值,更新训练所述第一模型。
可选地,所述目标宠物的健康数据是利用5G物联网中多种智能传感器采集的。
可选地,所述目标宠物的健康数据包括目标宠物的体温、心率、血压、运动量、呼吸频率、出汗量、姿态、毛发和食量中的一项或者多项。
第二方面,本申请实施例提供了一种宠物健康模型的训练方法,,方法包括:
获取第二训练样本,所述第二训练样本包括宠物的历史健康数据;
根据所述第二训练样本,训练得到第一模型;
向多个用户端发送所述第一模型,以用于每个所述用户端分别将从本地获取第一训练样本输入待训练的所述第一模型,进行迭代训练,得到目标第一模型,以识别目标宠物的健康类别;其中,所述第一训练样本包括目标宠物的健康数据。
可选地,所述方法还包括:
接收多个所述用户端发送的第一权重值,所述第一权重值是所述目标第一模型的权重值;
将所述多个第一权重值和所述第一模型的第二权重值输入预设自注意力模型,确定满足预设条件的第一权重值;
利用所述满足预设条件的第一权重值,更新训练所述第一模型。
可选地,所述利用满足预设条件的第一权重值,更新训练所述第一模型,还包括:
将所述满足预设条件的第一权重值与所述第一模型的第二权重值进行融合,得到融合结果;
根据所述融合结果,更新训练所述第一模型。
可选地,所述预设条件包括所述预设自注意力模型的验证误差值大于预设误差阈值。
第三方面,本申请实施例提供了一种宠物健康模型的训练装置,装置包括:
第一获取模块,用于从云服务端获取第一模型;
第二获取模块,用于从本地获取第一训练样本,所述第一训练样本包括目标宠物的健康数据;
训练模块,用于将所述第一训练样本输入待训练的所述第一模型,进行迭代训练,得到目标第一模型,以识别目标宠物的健康类别。
第四方面,本申请实施例提供了一种宠物健康模型的训练装置,装置包括:
获取模块,用于获取第二训练样本,所述第二训练样本包括宠物的历史健康数据;
训练模块,用于根据所述第二训练样本,训练得到第一模型;
发送模块,用于向多个用户端发送所述第一模型,以用于每个所述用户端分别将从本地获取第一训练样本输入待训练的所述第一模型,进行迭代训练,得到目标第一模型,以识别目标宠物的健康类别;其中,所述第一训练样本包括目标宠物的健康数据。
可选地,该装置还包括:
接收模块,用于接收多个所述用户端发送的第一权重值,所述第一权重值是所述目标第一模型的权重值;
确定模块,用于将所述多个第一权重值和所述第一模型的第二权重值输入预设自注意力模型,确定满足预设条件的第一权重值;
训练模块,用于利用所述满足预设条件的第一权重值,更新训练所述第一模型。
第五方面,本申请实施例提供了一种宠物健康模型的训练设备,设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如第一方面以及第一方面可选的所述的任一宠物健康模型的训练方法,和/或,所述处理器执行所述计算机程序指令时实现如第二方面以及第二方面可选的所述的任一宠物健康模型的训练的方法。
第六方面,本申请实施例提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如第一方面以及第一方面可选的所述的任一的宠物健康模型的训练方法,和/或,如第二方面以及第二方面可选的所述任一的宠物健康模型的训练的方法。
本申请实施例的一种宠物健康模型的训练方法、装置、设备及计算机存储介质,能够从云服务端获取第一模型,作为初始的待训练的第一模型,从本地获取的目标宠物的健康数据作为第一训练样本,训练第一模型,确定用于识别宠物健康的用户专属宠物健康模型,实现对用户宠物健康的专属管理。基于此方案,可以及时了解宠物的当前健康状态以及预测出潜在的健康问题,优化对宠物健康的管理。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,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是本申请一个实施例提供的宠物健康模型的训练方法的流程示意图;
图2是本申请一个实施例提供的宠物健康模型的训练方法的流程示意图;
图3是本申请另一个实施例提供的宠物健康模型的训练方法的流程示意图;
图4是本申请另一个实施例提供的宠物健康模型的训练方法的流程示意图;
图5是本申请一个实施例提供的5G云宠物健康生态圈的场景示意图;
图6是本申请另一个实施例提供的宠物健康模型的训练方法应用场景的示意图;
图7是本申请另一个实施例提供的应用实例中宠物健康模型的训练方法的流程示意图;
图8是本申请一个实施例提供的宠物健康模型的训练装置的结构示意图;
图9是本申请另一个实施例提供的宠物健康模型的训练装置的结构示意图;
图10是本申请实施例提供的宠物健康模型的训练设备硬件结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本申请,并不被配置为限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前,对家庭宠物的健康状况监测管理的方式一般包括:一是宠物医疗机构和宠物产品商家,依据他们的经验给出健康管理方案;二是通过可穿戴设备采集宠物健康数据,并将相关数据发送到云服务端的健康分析系统,监测分析宠物的健康状态。
但是,现有的宠物健康状态管理的方式,数据采集的方式单一,不能全面了解宠物状态。当网络信号不好或者待处理的数据量较大时,传输至云服务端处理耗时较长,不能做到实时有效处理,缺乏对大量数据进行系统化处理的能力等等。
为了解决现有技术问题,本申请实施例中提供的宠物健康模型的训练方法、装置、设备及计算机存储介质,能够从云服务端获取第一模型,作为初始的待训练的第一模型,从本地获取的目标宠物的健康数据作为第一训练样本,训练第一模型,确定用于识别宠物健康的用户专属宠物健康模型,实现用户宠物健康的专属管理。基于此方案,可以及时了解宠物的当前健康状态以及预测出潜在的健康问题,优化对宠物健康的管理。
下面结合附图,描述根据本申请实施例提供的宠物健康模型的训练方法、装置、设备及计算机存储介质。应注意,这些实施例并不是用来限制本申请公开的范围。
下面首先对本申请实施例所提供的宠物健康模型的训练方法进行介绍。
在本申请实施例中,如图1所示,图1是本申请一个实施例提供的宠物健康模型的训练方法的流程示意图。该宠物健康模型的训练方法,可以应用于用户端,具体实施为如下步骤:
S101:从云服务端获取第一模型。
这里,第一模型可以是云服务端预先训练确定的宠物健康模型,即第一模型可以是通用的宠物健康模型。
在本申请实施例中,该第一模型可以基于深度学习算法的模型。在实际应用中,可以根据具体需求选择合适的深度学习算法,在此不再赘述。
S102:从本地获取第一训练样本,第一训练样本包括目标宠物的健康数据。
第一训练样本可以包括从本地实时获取的目标宠物健康数据。可选地,目标宠物的健康数据可以是利用5G物联网中多种智能传感器采集的。目标宠物的健康数据可以包括目标宠物的体温、心率、血压、运动量、呼吸频率、出汗量、姿态、毛发和食量中的一项或者多项。
可以理解的是,目标宠物即用户饲养的宠物。在实际应用中,可以响应于用户配置的目标宠物对应信息,如宠物品种,年龄,健康信息等,采集目标宠物的健康数据。
S103:将第一训练样本输入待训练的第一模型,进行迭代训练,得到目标第一模型,以识别目标宠物的健康类别。
可选地,目标宠物的健康类别可以包括健康、疑似生病、生病和康复期等类别。
综上,本申请实施例中,该宠物健康模型的训练方法,能够从云服务端获取第一模型,该第一模式是通用第一模型,可以作为用户端的待训练的第一模型。并且,基于从本地获取的目标宠物的健康数据做第一训练样本,训练该第一模型,得到用于识别用户宠物健康状况的目标第一模型。该目标第一模型可以作为目标宠物专属的宠物健康模型。由此,利用训练得到目标第一模型,用户可以及时了解宠物的当前健康状态以及预测出潜在的健康问题,优化了对宠物健康的管理。
如图2所示,图2是本申请一个实施例提供的宠物健康模型的训练方法的流程示意图。
在本申请实施例中,为了优化调整云服务端的通用第一模型,上述实施例的宠物健康模型的训练方法,还可以扩展实施为如下步骤:
S201:从云服务端获取第一模型、从本地获取第一训练样本。
这里,对获取的第一训练样本可以进行预处理,示例性的,对第一训练样本可以执行归一化操作等。
S202:将第一训练样本输入待训练的第一模型,进行迭代训练,得到目标第一模型。
S203:确定目标第一模型的第一权重值。
通过S202可以得到用于识别用户宠物健康状态的目标第一模型。根据目标第一模型,确定该目标第一模型的第一权重值。即获取该目标第一模型的所有第一权重值,如目标第一模型每一层的第一权重值或者各个特征的第一权重值。
S204:将第一权重值发送至所述云端,以用于云服务端根据每个用户端发送的第一权重值,更新训练第一模型。
综上,本申请实施例中,该宠物健康模型的训练方法,能够利用训练得到目标第一模型,及时了解宠物的当前健康状态以及预测出潜在的健康问题,优化对宠物健康的管理。同时,还可以将本地训练获得的目标第一模型的第一权重值,发送至云服务端,用于更新优化通用的第一模型。不同于相关技术中,将用户端的全部宠物健康数据都共享至云服务端,进行宠物健康模型的训练。本申请实施例中的方案,仅是将用户端目标第一模型的第一权重值发送至云服务端,既可以减少云服务端数据处理负担,又可以有效地保护用户数据隐私。
在本申请实施例中,还提供了一种应用于云服务端的宠物健康模型的训练方法。如图3所示,图3是本申请另一个实施例提供的宠物健康模型的训练方法的流程示意图。该方法可以包括如下步骤:
S301:获取第二训练样本。
可选地,该第二训练样本可以包括从每个用户端获取的宠物的历史健康数据,以及从其他应用系统中获取的宠物的历史健康数据。
S302:根据第二训练样本,训练得到第一模型。
在一些实施例中,该第一模型可以是通用的宠物健康模型。
S303:向多个用户端发送第一模型,以用于每个用户端分别将从本地获取第一训练样本输入待训练的第一模型,进行迭代训练,得到目标第一模型,以识别目标宠物的健康类别。
这里,第一训练样本包括目标宠物的健康数据。云服务端可以根据用户端发送的获取通用的第一模型,即通用的宠物健康模型的请求,向对应的用户端发送该第一模型。
由此,在本申请实施例中,该宠物健康模型的训练方法,能够将利用第二训练样本训练得到通用的第一模型发送至用户端,用于每个用户端分别将从本地获取第一训练样本输入待训练的所述第一模型,进行迭代训练,得到目标第一模型,以识别目标宠物的健康类别。基于该目标第一模型,可以使用户及时了解宠物的当前健康状态以及预测出潜在的健康问题,进而优化对宠物健康的管理。
在本申请实施例中,如图4所示,图4是本申请另一个实施例提供的宠物健康模型的训练方法的流程示意图。
为了更好地更新训练云服务端的通用的第一模型,在S303之后,该宠物健康模型的训练方法,还可以包括如下步骤:
S401:接收多个用户端发送的第一权重值。
第一权重值可以是目标第一模型的权重值。
S402:将多个第一权重值和第一模型的第二权重值输入预设自注意力模型,确定满足预设条件的第一权重值。
该预设自注意力模型可以为基于加权平均注意力机制的神经网络模型。具体地,加权平均注意力机制的加权平均公式(1)如下:
其中,X表示N组输入第一权重值,q表示预设的与第一权重值相关查询向量,i表示输入第一权重值对应的特征向量,αi表示第i个特征向量的概率。
在一些实施例中,选取的第一模型的第二权重值可以作为预设自注意力模型的验证集,具体可以选取61.8%的样本量。由于,可以不使用全量的第一模型的第二权重值作为验证集,减少了模型处理的权重数据量,进而可以提升模型训练、识别的效率。
在一些实施例中,该预设条件包括预设自注意力模型的验证误差值大于预设误差阈值。当预设自注意力模型的验证误差值大于预设误差阈值时,获取该验证误差值对应的第一权重值。由此,利用该预设自注意力模型可以筛选出存在显著差异的第一权重值。
S403:利用满足预设条件的第一权重值,更新训练第一模型。
在一些实施例中,首先,可以将满足预设条件的第一权重值与第一模型的第二权重值进行融合,得到融合结果。然后,根据融合结果,更新训练第一模型。
在一些实施例中,第一权重值与第一模型的第二权重值的融合处理,可以是将第一权重值直接添加至第一模型的第二权重值中,也可以是第一权重值和第二权重值进行加权融合。
可以理解的是,这里,第一权重值与第二权重值的融合处理可以使用现有的数据融合技术,可以根据实际使用需求,选择具体的技术手段,在此不再赘述。
在一些实施例中,用户端可以获取更新后的第一模型,基于更新后的第一模型,调整优化用户的目标第一模型,即用户专属的宠物健康模型。
综上所述,在本申请实施例中,该宠物健康模型的训练方法,能够通过用户端上传的第一权重值,对通用的第一模型进行调整优化。
而且,利用预设自注意力模型先对用户上传的第一权重值进行筛选识别,确定出存在一定差异的第一权重值。由于存在一定差异的第一权重值对应的特征信息可能是具有学习意义的新特征。将该第一权重值跟模型的通用的第一模型的第二权重值融合后,训练调整该通用的第一模型,可以提升第一模型的准确性,具有优化第一模型的技术效果。
此外,用户端获取到优化后的第一模型,也可以进一步地优化目标第一模型,即用户专属的宠物健康模型。基于该目标第一模型,可以使用户及时了解宠物的当前健康状态以及预测出潜在的健康问题,进而优化对宠物健康的管理。
为了可以更好的理解本申请的方法,现结合应用实例,详细说明该宠物健康模型的训练方法。
在本申请的一些实施例中,如图5所示,图5是本申请一个实施例提供的5G云宠物健康生态圈的场景示意图。上述实施例的宠物健康模型的训练方法,可以应用于5G云宠物健康生态圈的场景中。
在5G云宠物健康生态圈可以包括应用层,平台层,网络层以及采集层。
具体地,应用层涉及了智能训练和决策,远程现场,远程控制和其他应用功能。其中,智能训练和决策包括分布式模型训练、模型轻量化、光学字符识别(Optical CharacterRecognition,OCR)、声纹姿态识别和智能分析预测;远程现场包括虚拟现实技术(VirtualReality,VR)和增强现实(Augmented Reality,AR)互动、光学裸眼3D;远程控制包括宠物医疗设备、宠物应急设备和宠物报警设备;其他应用功能包括宠物虚拟社区和宠物分享展示。
平台层主要涉及工业互联网行业基础平台和边缘计算云平台。其中,工业互联网行业基础平台可以包括宠物周边云、医疗云、互动云和分享数据云。
网络层主要涉及外部网络和内部网络系统。其中,外部网络系统包括5G宏基站覆盖和有线广域网;内部网络系统包括室分系统和业务热点等。
采集层主要涉及各种采集设备,具体地可以包括智能传感器、穿戴设备、转换器、智能宠物设备、专业终端、智能裸眼3D设备以及专业网关等等。
在5G云宠物健康生态圈,基于5G+物联网传感器技术,通过智能识别宠物脸、3D宠物骨骼、宠物声纹进行目标检测和重识别,并实时收集目标宠物的体温、心率、血压、运动量、食量、毛发颜色、掉毛等宠物各方面的数据。此外,物联网传感器可在穿戴设备、基于5G网络的高清摄像头、宠物食盆、宠物屋等多种形态样式中存在。
结合目标宠物的历史数据和5G云宠物健康生态圈中的共享数据进行系统化处理,可以训练出目标宠物健康状况的通用宠物健康模型。用户端从云服务端获取通用宠物健康模型,基于目标宠物的实时监测数据对通用宠物健康模型进行微调,训练出用户的目标宠物的专属宠物健康模型。该专属宠物健康模型可以实时的分析和预测出潜在的健康问题。针对不同健康状况,可以根据5G云宠物健康生态圈中共享的解决方案进行应急处理,也可以通过5G云宠物健康生态圈定向寻求宠物医生的诊断和治疗建议。
在本申请实施例中,如图6所示,图6是本申请另一个实施例提供的宠物健康模型的训练方法应用场景的示意图。该应用场景包括5G云服务端和多个分布式的用户端。5G云服务端可以用于实现云服务端模型训练。多个分布式的用户端可以包括本地用户端A1,本地用户端A2,……,本地用户端An。本地用户端A1,本地用户端A2,……,本地用户端An可以分别与云服务端交互通信。
可选地,云服务端模型优化过程,请参见图6,首先,获取的本地用户端A1至本地用户端An对应的模型A1至模型An的权重值。然后,基于这些获取到的权重值和第一模型的第二权重值,利用预设模型,选取差异大的权重值。将选出的权重值融合到第一模型中,对第一模型进行更新训练,得到更新后的第一模型。这里,第一模型的第二权重值可以作为验证样本。
在本申请实施例中,如图7所示,图7是本申请另一个实施例提供的应用实例中宠物健康模型的训练方法的流程示意图。宠物健康模型的训练方法包括用户端和云服务端的交互过程,以及用户端和云服务端模型训练过程,具体实施为如下步骤:
S71:用户端获取第一模型。
S72:本地学习第一训练样本、归一化处理。
S73至S78:根据本地第一训练样本,对获取的第一模型进行迭代训练,得到目标第一模型。
这里,首先,S73:模型参数初始化,如对最大训练次数,学习精度,隐藏层节点数,初始权值,阈值,初始学习率等参数进行初始化;然后,S74:计算各层的输入和输出;S75:计算输入层的误差E;S76:判断E小于预设阈值;S77:修正权值和阈值;最后S78:输出预测结果。
S79:云服务端获取第一权重值。
S710至S715:根据第一权重值和第二权重值,利用预设自注意力模型选取权重值。
这里,首先,S710:输入权重值。该权重值可以包括第一权重值和第二权重值。S711:模型参数初始化,如对最大训练次数,学习精度,隐藏层节点数,初始权值,阈值,初始学习率等参数进行初始化;S712:计算各层的输入和输出,加入加权注意力机制;S713:计算和验证样本第二权重值之间的验证误差E;S714:判断E大于预设阈值,这里的预设阈值可以和S76中的预设阈值相同,或者不同;S715:选取权重值。
S716:融合权重值,更新训练第一模型。
这里,从5G云服务端下载一个通用的第一模型到目标宠物的本地智能设备。根据本地用户的目标宠物的实时数据,进行模型预测分类,可以包括健康、疑似生病、生病和康复期等类别。对于第一模型优化训练采用分布式反哺方式,用户端上传的数据只选取模型权重不涉及具体宠物健康数据,并且是要经过用户许可后才可以上传云服务端,通过统一的数据采集指标,保护用户数据隐私。
上述交互式的训练方式可以是返回循环的。用户端获取到更新后的第一模型后,在目标宠物的智能设备上继续训练该模型,宠物主人上传自家宠物的训练模型权重,通过5G云服务端共享融合后继续训练模型,反复迭代后再次下发至宠物主。
此外,在实际应用中,用户可以利用目标第一模型,对自家的宠物进行实时的健康状态的识别预测。便于用户可以及时了解宠物的健康状态,有效地实现专属的宠物健康管理。
综上所述,本申请实施例的宠物健康模型的训练方法,可以确定目标宠物的专属模型,实时分析出宠物是否健康或存在潜在危险。基于专属模型的相关信息,在5G云宠物健康生态圈搜索出对应的问题解决方案,如提示到附近的宠物医院、提示智能喂食器调整喂食量、提示需增加运动量等,优化对宠物健康的管理。
而且,本申请实施例中的方案,仅是将用户端目标第一模型的第一权重值发送至云服务端,既可以减少云服务端数据处理负担,又可以有效地保护用户数据隐私。
此外,利用预设自注意力模型先对用户上传的第一权重值进行筛选识别,确定出存在一定差异的第一权重值。由于存在一定差异的第一权重值对应的特征信息可能是具有学习意义的新特征。将该第一权重值跟模型的通用的第一模型的第二权重值融合后,训练调整该通用的第一模型,可以提升第一模型的准确性,具有优化第一模型的技术效果。
基于上述实施例提供的应用于用户端和云服务端的宠物健康模型的训练方法,相应地,本申请还分别提供了应用于用户端和云服务端的宠物健康模型的训练装置的具体实现方式。请参见以下实施例。
在本申请一实施例中,如图8所示,图8是本申请一个实施例提供的宠物健康模型的训练装置的结构示意图,该宠物健康模型的训练装置,应用于用户端,具体包括:
第一获取模块801,用于从云服务端获取第一模型;
第二获取模块802,用于从本地获取第一训练样本,所述第一训练样本包括目标宠物的健康数据;
训练模块803,用于将所述第一训练样本输入待训练的所述第一模型,进行迭代训练,得到目标第一模型,以识别目标宠物的健康类别。
综上,本申请实施例中,该宠物健康模型的训练装置可以用于实现上述实施例中,应用于用户端的宠物健康模型的训练方法,能够从云服务端获取第一模型,该第一模式是通用第一模型,可以作为用户端的待训练的第一模型。并且,基于从本地获取的目标宠物的健康数据做第一训练样本,训练该第一模型,得到用于识别用户宠物健康状况的目标第一模型。该目标第一模型可以作为目标宠物专属的宠物健康模型。由此,利用训练得到目标第一模型,用户可以及时了解宠物的当前健康状态以及预测出潜在的健康问题,优化了对宠物健康的管理。
可以理解的是,图8所示宠物健康模型的训练装置中的各个模块/单元具有实现图1和图2中各个步骤的功能,并能达到其相应的技术效果,为简洁描述,在此不再赘述。
在本申请一实施例中,如图9所示,图9是本申请另一个实施例提供的宠物健康模型的训练装置的结构示意图,该宠物健康模型的训练装置,应用于云服务端,具体包括:
获取模块901,用于获取第二训练样本,所述第二训练样本包括宠物的历史健康数据;
训练模块902,用于根据所述第二训练样本,训练得到第一模型;
发送模块903,用于向多个用户端发送所述第一模型,以用于每个所述用户端分别将从本地获取第一训练样本输入待训练的所述第一模型,进行迭代训练,得到目标第一模型,以识别目标宠物的健康类别;其中,所述第一训练样本包括目标宠物的健康数据。
在本申请实施例中,该宠物健康模型的训练装置可以实现宠物健康模型的训练方法,能够将利用第二训练样本训练得到通用的第一模型发送至用户端,用于每个用户端分别将从本地获取第一训练样本输入待训练的所述第一模型,进行迭代训练,得到目标第一模型,以识别目标宠物的健康类别。基于该目标第一模型,可以使用户及时了解宠物的当前健康状态以及预测出潜在的健康问题,进而优化对宠物健康的管理。
可以理解的是,图9所示宠物健康模型的训练装置中的各个模块/单元具有实现图3和图4中各个步骤的功能,并能达到其相应的技术效果,为简洁描述,在此不再赘述。
基于上述实施例提供的应用于用户端和云服务端的宠物健康模型的训练方法,相应地,本申请还提供了对应的宠物健康模型的训练设备的具体硬件结构说明。请参见以下实施例。
图10示出了本申请实施例提供的宠物健康模型的训练设备硬件结构示意图。该宠物健康模型的训练设备应用于用户端和/或云服务端,用于实现应用于用户端和/或云服务端的宠物健康模型的训练方法
宠物健康模型的训练设备可以包括处理器1001以及存储有计算机程序指令的存储器1002。
具体地,上述处理器1001可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器1002可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器1002可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器1002可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器1002可在综合网关容灾设备的内部或外部。在特定实施例中,存储器1002是非易失性固态存储器。在特定实施例中,存储器1002包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器1001通过读取并执行存储器1002中存储的计算机程序指令,以实现上述实施例中的任意一种宠物健康模型的训练方法。
在一个示例中,宠物健康模型的训练设备还可包括通信接口1003和总线1010。其中,如图10所示,处理器1001、存储器1002、通信接口1003通过总线1010连接并完成相互间的通信。
通信接口1003,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线1010包括硬件、软件或两者,将宠物健康模型的训练设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线1010可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该宠物健康模型的训练设备可以执行本申请实施例中的宠物健康模型的训练方法,从而实现结合图1和图2、图3和图4描述的宠物健康模型的训练方法。
另外,结合上述实施例中的宠物健康模型的训练方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种宠物健康模型的训练方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (13)
1.一种宠物健康模型的训练方法,其特征在于,包括:
从云服务端获取第一模型;
从本地获取第一训练样本,所述第一训练样本包括目标宠物的健康数据;
将所述第一训练样本输入待训练的所述第一模型,进行迭代训练,得到目标第一模型,以识别目标宠物的健康类别。
2.根据权利要求1所述的方法,其特征在于,还包括:
确定所述目标第一模型的第一权重值;
将所述第一权重值发送至所述云端,以用于所述云服务端根据每个用户端发送的第一权重值,更新训练所述第一模型。
3.根据权利要求1所述的方法,其特征在于,所述目标宠物的健康数据是利用5G物联网中多种智能传感器采集的。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述目标宠物的健康数据包括目标宠物的体温、心率、血压、运动量、呼吸频率、出汗量、姿态、毛发和食量中的一项或者多项。
5.一种宠物健康模型的训练方法,其特征在于,所述方法包括:
获取第二训练样本,所述第二训练样本包括宠物的历史健康数据;
根据所述第二训练样本,训练得到第一模型;
向多个用户端发送所述第一模型,以用于每个所述用户端分别将从本地获取第一训练样本输入待训练的所述第一模型,进行迭代训练,得到目标第一模型,以识别目标宠物的健康类别;其中,所述第一训练样本包括目标宠物的健康数据。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
接收多个所述用户端发送的第一权重值,所述第一权重值是所述目标第一模型的权重值;
将所述多个第一权重值和所述第一模型的第二权重值输入预设自注意力模型,确定满足预设条件的第一权重值;
利用所述满足预设条件的第一权重值,更新训练所述第一模型。
7.根据权利要求6所述的方法,其特征在于,所述利用满足预设条件的第一权重值,更新训练所述第一模型,还包括:
将所述满足预设条件的第一权重值与所述第一模型的第二权重值进行融合,得到融合结果;
根据所述融合结果,更新训练所述第一模型。
8.根据权利要求5所述的方法,其特征在于,所述预设条件包括所述预设自注意力模型的验证误差值大于预设误差阈值。
9.一种宠物健康模型的训练装置,其特征在于,所述装置包括:
第一获取模块,用于从云服务端获取第一模型;
第二获取模块,用于从本地获取第一训练样本,所述第一训练样本包括目标宠物的健康数据;
训练模块,用于将所述第一训练样本输入待训练的所述第一模型,进行迭代训练,得到目标第一模型,以识别目标宠物的健康类别。
10.一种宠物健康模型的训练装置,其特征在于,所述装置包括:
获取模块,用于获取第二训练样本,所述第二训练样本包括宠物的历史健康数据;
训练模块,用于根据所述第二训练样本,训练得到第一模型;
发送模块,用于向多个用户端发送所述第一模型,以用于每个所述用户端分别将从本地获取第一训练样本输入待训练的所述第一模型,进行迭代训练,得到目标第一模型,以识别目标宠物的健康类别;其中,所述第一训练样本包括目标宠物的健康数据。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:
接收模块,用于接收多个所述用户端发送的第一权重值,所述第一权重值是所述目标第一模型的权重值;
确定模块,用于将所述多个第一权重值和所述第一模型的第二权重值输入预设自注意力模型,确定满足预设条件的第一权重值;
训练模块,用于利用所述满足预设条件的第一权重值,更新训练所述第一模型。
12.一种宠物健康模型的训练设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1至4任意一项所述的宠物健康模型的训练方法,和/或,所述处理器执行所述计算机程序指令时实现如权利要求5至8任意一项所述的宠物健康模型的训练方法。
13.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1至4任意一项所述的宠物健康模型的训练方法,和/或所述计算机程序指令被处理器执行时实现如权利要求5至8任意一项所述的宠物健康模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010871353.4A CN114097645A (zh) | 2020-08-26 | 2020-08-26 | 宠物健康模型的训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010871353.4A CN114097645A (zh) | 2020-08-26 | 2020-08-26 | 宠物健康模型的训练方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114097645A true CN114097645A (zh) | 2022-03-01 |
Family
ID=80374391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010871353.4A Pending CN114097645A (zh) | 2020-08-26 | 2020-08-26 | 宠物健康模型的训练方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114097645A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451046A (zh) * | 2023-06-20 | 2023-07-18 | 北京猫猫狗狗科技有限公司 | 基于图像识别的宠物状态分析方法、装置、介质及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204655116U (zh) * | 2015-05-12 | 2015-09-23 | 西南科技大学 | 宠物健康管理系统 |
CN106614273A (zh) * | 2016-10-10 | 2017-05-10 | 重庆科技学院 | 基于物联网大数据分析的宠物喂养方法及系统 |
CN106779051A (zh) * | 2016-11-24 | 2017-05-31 | 厦门中控生物识别信息技术有限公司 | 一种卷积神经网络模型参数处理方法及系统 |
CN108207683A (zh) * | 2018-01-31 | 2018-06-29 | 四川思诺创意科技有限公司 | 一种宠物健康分析管理系统 |
CN110892872A (zh) * | 2019-12-04 | 2020-03-20 | 深圳创维-Rgb电子有限公司 | 宠物状态监控方法、装置、电视机设备及存储介质 |
CN111109105A (zh) * | 2019-12-17 | 2020-05-08 | 广东顺德雷舜信息科技有限公司 | 宠物喂食方法、装置、计算机设备及存储介质 |
CN111582505A (zh) * | 2020-05-14 | 2020-08-25 | 深圳前海微众银行股份有限公司 | 联邦建模方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-08-26 CN CN202010871353.4A patent/CN114097645A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204655116U (zh) * | 2015-05-12 | 2015-09-23 | 西南科技大学 | 宠物健康管理系统 |
CN106614273A (zh) * | 2016-10-10 | 2017-05-10 | 重庆科技学院 | 基于物联网大数据分析的宠物喂养方法及系统 |
CN106779051A (zh) * | 2016-11-24 | 2017-05-31 | 厦门中控生物识别信息技术有限公司 | 一种卷积神经网络模型参数处理方法及系统 |
CN108207683A (zh) * | 2018-01-31 | 2018-06-29 | 四川思诺创意科技有限公司 | 一种宠物健康分析管理系统 |
CN110892872A (zh) * | 2019-12-04 | 2020-03-20 | 深圳创维-Rgb电子有限公司 | 宠物状态监控方法、装置、电视机设备及存储介质 |
CN111109105A (zh) * | 2019-12-17 | 2020-05-08 | 广东顺德雷舜信息科技有限公司 | 宠物喂食方法、装置、计算机设备及存储介质 |
CN111582505A (zh) * | 2020-05-14 | 2020-08-25 | 深圳前海微众银行股份有限公司 | 联邦建模方法、装置、设备及计算机可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451046A (zh) * | 2023-06-20 | 2023-07-18 | 北京猫猫狗狗科技有限公司 | 基于图像识别的宠物状态分析方法、装置、介质及设备 |
CN116451046B (zh) * | 2023-06-20 | 2023-09-05 | 北京猫猫狗狗科技有限公司 | 基于图像识别的宠物状态分析方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109818839B (zh) | 应用于智能家居的个性化行为预测方法、装置和系统 | |
TWI822792B (zh) | 將人工神經網路中之活動特徵化之方法及包含一或多個可執行該方法之計算機之系統 | |
CN111027487A (zh) | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 | |
US11363479B2 (en) | Method and device for people counting | |
Bajo et al. | Self-organizing architecture for information fusion in distributed sensor networks | |
CN116226655A (zh) | 智慧家庭环境感知方法、装置、存储介质和电子设备 | |
CN115168669A (zh) | 传染病筛查方法、装置、终端设备及介质 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
JP2021060982A (ja) | データ分析システム診断方法、データ分析システム最適化方法、デバイス及び媒体 | |
CN114418093B (zh) | 训练路径表征模型、输出信息的方法和装置 | |
CN114097645A (zh) | 宠物健康模型的训练方法、装置、设备及存储介质 | |
US11972443B2 (en) | Prediction model preparation and use for socioeconomic data and missing value prediction | |
CN107958434A (zh) | 智能看护方法、装置、电子设备及存储介质 | |
CN114900435B (zh) | 一种连接关系预测方法及相关设备 | |
CN115830700A (zh) | 应用于无线感知场景的联邦学习训练平台及训练方法 | |
Du et al. | The innovation of ideological and political education integrating artificial intelligence big data with the support of wireless network | |
CN114171206A (zh) | 模型训练、传感病预测方法、装置、设备及存储介质 | |
CN113360772A (zh) | 一种可解释性推荐模型训练方法与装置 | |
CN112954066A (zh) | 信息推送方法、装置、电子设备及可读存储介质 | |
CN112381182A (zh) | 基于交互式多任务模型进行日常活动预测方法 | |
CN114664439A (zh) | 异常检测方法、装置及存储介质 | |
Wang et al. | The Indoor Predictability of Human Mobility: Estimating Mobility With Smart Home Sensors | |
Andersen et al. | Exploring occupant detection model generalizability for residential buildings using supervised learning with IEQ sensors | |
Fofanah et al. | Adaptive Neuro-Fuzzy Inference System with Non-Linear Regression Model for Online Learning Framework | |
CN115964620B (zh) | 数据处理方法、存储介质和电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220301 |