CN114828208A - 终端位置的识别方法及装置、计算机可读介质、电子设备 - Google Patents
终端位置的识别方法及装置、计算机可读介质、电子设备 Download PDFInfo
- Publication number
- CN114828208A CN114828208A CN202210319172.XA CN202210319172A CN114828208A CN 114828208 A CN114828208 A CN 114828208A CN 202210319172 A CN202210319172 A CN 202210319172A CN 114828208 A CN114828208 A CN 114828208A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- terminal
- frequency domain
- time domain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000013598 vector Substances 0.000 claims description 61
- 238000012549 training Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000006399 behavior Effects 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 238000007477 logistic regression Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 206010048669 Terminal state Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
-
- 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
- G01C21/20—Instruments for performing navigational calculations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/50—Service provisioning or reconfiguring
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Telephone Function (AREA)
Abstract
本公开具体涉及移动终端技术领域，具体涉及终端位置的识别方法及装置、计算机可读介质以及电子设备。所述方法包括：采集目标传感器的传感器数据；其中，所述目标传感器包括终端设备装配的至少一个类型的传感器；对所述传感器数据进行解析，以获取所述目标传感器对应的特征数据；其中，所述特征数据包括时域特征数据和频域特征数据；将所述特征数据输入已训练的位置识别模型，利用所述位置识别模型中的各分类器分别计算对应的概率值；其中，所述位置识别模型中分类器的数量与预先定义的终端的位置类别的数量相同；根据各所述分类器输出的概率值的比对结果确定终端位置的识别结果。本公开的方案能够实现自适应的准确识别终端设备的位置和状态。
Description
技术领域
本公开涉及移动终端技术领域，具体涉及一种终端位置的识别方法、一种终端位置的识别装置、一种计算机可读介质以及一种电子设备。
背景技术
随着互联网技术的不断发展，为了实现用户个性化服务，越来越多服务和产品可以通过技术手段获取手机、平板电脑等智能移动终端的位置和状态，对应调整终端的运行模式。例如，用户手机长时间放置在口袋或者背包时处于不常用状态，如此时仍然以高性能模型进行运行，将浪费大量电量，通过检测识别获取到的基础状态可以支持应用上层进行决策判断以进行更有利于用户的优化。在现有的技术方案中，大多通过采集终端设备的传感器参数来识别其物理状态，利用预先设定的阈值进行判断；但往往不同的用户，不同的移动终端均存在差异性，这就造成了一个严重的技术问题，即利用阈值判断的方式难以适应大部分用户，因此这样的技术痛点将会造成一部分人群功能生效，一部分人失效，更会造成部分用户的该功能生效与失效时间不定。因此会产生用户体验差，产品鲁棒性差的诸多问题。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种终端位置的识别方法、一种终端位置的识别装置、一种计算机可读介质以及一种电子设备，能够自适应的准确识别终端设备的位置和状态。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供一种终端位置的识别方法，所述方法包括：
采集目标传感器的传感器数据；其中，所述目标传感器包括终端设备装配的至少一个类型的传感器；
对所述传感器数据进行解析，以获取所述目标传感器对应的特征数据；其中，所述特征数据包括时域特征数据和频域特征数据；
将所述特征数据输入已训练的位置识别模型，利用所述位置识别模型中的各分类器分别计算对应的概率值；其中，所述位置识别模型中分类器的数量与预先定义的终端的位置类别的数量相同；
根据各所述分类器输出的概率值的比对结果确定终端位置的识别结果。。
根据本公开的第二方面，提供一种终端位置的识别装置，包括：
数据采集模块，用于采集目标传感器的传感器数据；其中，所述目标传感器包括终端设备装配的至少一个类型的传感器；
数据解析模块，用于对所述传感器数据进行解析，以获取所述目标传感器对应的特征数据；其中，所述特征数据包括时域特征数据和频域特征数据；
模型处理模块，用于将所述特征数据输入已训练的位置识别模型，利用所述位置识别模型中的各分类器分别计算对应的概率值；其中，所述位置识别模型中分类器的数量与预先定义的终端的位置类别的数量相同；
识别结果输出模块，用于根据各所述分类器输出的概率值的比对结果确定终端位置的识别结果。
根据本公开的第三方面，提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的终端位置的识别方法。
根据本公开的第四方面，提供一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令时实现上述的终端位置的识别方法。
本公开的一种实施例所提供的终端位置的识别方法，通过采集目标传感器的传感器数据，并对传感器数据进行解析而提取对应的时域特征数据和频域特征数据，从而利用该些时域、频域特征数据来识别终端设备的位置和状态，判断当前终端设备具体处于哪一种预先定义的位置和状态，实现自适应的识别终端设备的位置和状态。并且，通过预先训练位置识别模型，将时域特征数据和频域特征数据作为模型的输入，利用模型的多个分类器分别进行计算并输入结果，能够获取更准确的识别结果；同时，可以实现实时的获取识别结果，并能降低功耗。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出本公开示例性实施例中一种终端位置的识别方法的示意图；
图2中，图2-1、2-2、2-3、2-4分别示意性示出本公开示例性实施例中手机在手持状态、静置状态、支架状态、口袋背包状态下的传感器数据示意图；
图3示意性示出本公开示例性实施例中一种训练位置识别模型的方法的示意图；
图4示意性示出本公开示例性实施例中一种传感器数据采集的方法的示意图；
图5示意性示出本公开示例性实施例中一种解析传感器数据的方法的示意图；
图6示意性示出本公开示例性实施例中一种终端位置的识别装置的组成示意图；
图7示意性示出本公开示例性实施例中一种电子设备的组成示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在相关技术中，终端设备在获取相应的状态时，一般通过采集传感器数据，利用各种传感器来进行阈值判断。但这样的判断方式，往往由于不同的用户，不同的移动终端均存在差异性；这就造成了一个严重的技术问题，即阈值判断的方案难以适应大部分用户，使得该种方案会造成一部分人群功能生效，一部分人失效，更会造成部分用户的该功能生效与失效时间不定。因此会产生用户体验差，产品鲁棒性差的诸多问题。目前大部分技术均在应用上层进行传感器的读取，这将对移动终端带来非常大的能量消耗，使得这样的方案带来的正面影响要小于负面影响，最终难以给使用者带来便利，那么基于此技术的上层应用与设计均为空中楼阁。因此无法带来实时检测，就不能达到统计移动终端在各个状态下的维持时间，从而难以保证分层分级的优化策略。
针对上述的现有技术的缺点和不足，本示例实施方式中提供了一种终端位置的识别方法，可以应用于手机、平板电脑等智能移动终端设备，实现对终端位置的准确识别。参考图1中所示，上述的终端位置的识别方法可以包括：
步骤S11，采集目标传感器的传感器数据；其中，所述目标传感器包括终端设备装配的至少一个类型的传感器；
步骤S12，对所述传感器数据进行解析，以获取所述目标传感器对应的特征数据；其中，所述特征数据包括时域特征数据和频域特征数据；
步骤S13，将所述特征数据输入已训练的位置识别模型，利用所述位置识别模型中的各分类器分别计算对应的概率值；其中，所述位置识别模型中分类器的数量与预先定义的终端的位置类别的数量相同；
步骤S14，根据各所述分类器输出的概率值的比对结果确定终端位置的识别结果。
本示例实施方式所提供的终端位置的识别方法，通过预先定义终端设备的位置类型，以及训练位置识别模型，在采集目标传感器的传感器数据后对其进行解析得到对应的时域特征数据和频域特征数据；将该些特征数据作为输入参数输入已训练的位置识别模型中，利用各分类器分别计算对应的概率值，进而确定位置识别结果，实现自适应的识别终端设备的位置和状态。并且，通过利用模型的多个分类器分别进行计算并输入结果，能够获取更准确的识别结果；同时，可以实现实时的获取识别结果。通过对中设备的放置位置以及停留时长的准确识别，可以分层级的建议系统对不同的耗电功能进行关闭或优化，延长手机电量的使用时长。高效、准确的降低功耗。
下面，将结合附图及实施例对本示例实施方式中的终端位置的识别方法的各个步骤进行更详细的说明。
本示例实施方式中，上述的方法可以应用于手机、平板电脑、智能手表、智能手环等智能移动终端设备。在以下的实施例中，以智能移动终端设备是手机为例，对本公开的方法进行说明。
本示例实施方式中，上述的终端位置的识别方法可以包括：
步骤S10，预先训练位置识别模型。
具体而言，可以首先定义终端设备的位置类型，即确定终端设备的多种需要要检测、识别的状态类型。例如，可以预先定义手机的状态包括：手持状态、口袋背包状态、静置状态、支架状态，4种状态。其中，上述的手持状态可以是使用者手持终端设备的状态，包括但不限于终端设备在横屏状态、竖屏状态，亮屏状态、息屏状态等等。在以上状态下，包括但不限于使用者站立、侧躺、平躺、走路、跑步、骑行、驾驶等日常生活状态。上述的口袋背包状态可以是指终端设备放置在使用者服装、背包上的口袋中；包括但不限于手机位于上口袋、下口袋、前口袋、后口袋、双肩包、斜挎包、手提包等等位置。上述的静置状态是指终端设备放置在某一平面或斜面上，包括但不限于以任意角度放置在例如桌面、地面等位置。上述的支架状态是指终端设备放置在手机支架上，包括但不限于手机、平板电脑的汽车支架、摩托车支架、自行车支架、桌面支架等位置。其中，在上述的口袋背包状态、静置状态、支架状态下，还可以终端设备的屏幕使用状态在亮屏、息屏状态的区分。
一般来说，终端设备在不同状态下的传感器数据存在一定的差异；参考图2-1至图2-4所示，手机在手持状态、静置状态、支架状态、口袋背包下的传感器数据在x轴、y轴、z轴方向上的数据差异。
本示例实施方式中，参考图3所示，上述的预先训练所述位置识别模型，可以包括：
步骤S101，采集若干个不同终端设备的原始传感器数据，对所述原始传感器数据进行预处理，以构建原始数据集；其中，所述原始传感器数据用于描述所述终端设备的位置类型；
步骤S102，对所述原始数据集进行解析，以提取对应的时域特征数据和频域特征数据；
步骤S103，利用所述时域特征数据和频域特征数据构建特征向量，并基于所述特征向量及对应的标签信息构建样本数据；
步骤S104，利用所述样本数据输入所述位置识别模型中各分类器进行训练，并将各分类器训练至收敛，以获取所述位置识别模型。
本示例实施方式中，在上述的步骤S101中，具体而言，在进行位置识别模型的训练时，可以对多个不同类型、不同品牌、不同型号的终端设备进行原始传感器数据的采集。通过该些采集的传感器数据，可以准确的描述、刻画终端的放置位置和状态。其中，具体采集的传感器至少可以是终端设备上装配的加速度传感器、陀螺仪传感器、屏幕状态传感器；其中，屏幕状态传感器用于识别终端设备的亮屏或息屏状态，可以将该些传感器对应的原始传感器数据作为构建原始数据集的基本数据。此外，还可以采集游戏旋转矢量传感器，作为辅助传感器，提供辅助传感器信息，有利于获取更精准的识别结果，得到效率更好、效果更好的模型。在采集上述的原始传感器数时，还可以包含终端设备的状态标签；即上述四种状态中的一种状态的样本标签。
当然，在一些其他示例性实施方式中，采集的原始传感器数据还可以包括光线传感器、距离传感器、转动向量传感器、磁力传感器、重力传感器中的一项或多项。可以将该些传感器中的一项或多项对应的原始传感器数据作为构建原始数据集的基本数据或者辅助数据。
此外，对于获取的原始传感器数据，还可以对其进行预处理。具体的，预处理可以包括对原始传感器数据进行数据清洗，包括但不限于空值填充、nan值去除、重复值去除、异常值过滤中的一项或多项，等等，最终形成有效非空的原始数据集。
本示例实施方式中，在上述的步骤S102中，对于各传感器，可以预先配置其采集频率F，单位为Hz。对于不同的传感器，对应的传感器数据的取值范围可根据具体设备获取具体传感器的最大、最小值确定。
对于原始传感器数据而言，各传感器的时域相关特征包括但不限于最大值，最小值，平均值，标准差，均方根，平均绝对差，幅值平均值，幅值标准差，过零次数，幅值均值，幅值均方根，平均幅值绝对差，时间熵等等。
举例来说，对于任一特征中的最大值的计算方法可以包括：
SensorNameXmean＝mean(X1，X2......XN)
SensorNameYmean＝mean(Y1，Y2......YN)
SensorNameZmean＝mean(Z1，Z2......ZN)
其中，SensorName为传感器名称，不同传感器为不同名称；每个传感器包含X、Y、Z维度的参数；N为传感器数据样本的数量。例如，加速度传感器的X轴一个时间窗N条数据的平均值。
相应特征中的标准差计算方法可以包括：
其中，SensorName为传感器名称，每个传感器包含X、Y、Z维度的参数；N为传感器数据样本的数量。例如，加速度传感器的X轴一个时间窗N条数据的标准差。
相应特征中的均方根计算方法可以包括：
其中，SensorName为传感器名称，每个传感器包含X、Y、Z维度的参数。
相应特征中的平均绝对差计算方法可以包括：
其中，Xi+1是Xi时序中第i+1条数据中的X维度的数值；其他同理。
相应特征中的幅值平均值计算方法可以包括：
SensorNameX_mag_means＝mean(|X1|，|X2|......|XN|)
SensorNameY_mag_means＝mean(|Y1|，|Y2|......|YN|)
SensorNameZ_mag_means＝mean(|Z1|，|Z2|......|ZN|)
其中，SensorName为传感器名称，每个传感器包含X、Y、Z维度的参数。如上述公式，幅值平均值根据每一个维度取绝对值后再整体计算平均值获取。
相应特征中的幅值标准差计算方法可以包括：
其中，SensorName为传感器名称，每个传感器包含X、Y、Z维度的参数。
相应特征中的过零次数计算方法可以包括：
其中，i∈(1，2，3...N)，SensorName为传感器名称，每个传感器包含 X、Y、Z维度的参数。通过遍历每一维度的时间窗内的N条数据，当前一条数据大于0，后一条数据小于0，则过零次数增加1，反过来当前一条数据小于0，后一条数据大于0，则过零次数也增加1。
相应特征中的幅值均值计算方法包括：
其中，SensorName为传感器名称，每个传感器包含X、Y、Z维度的参数；幅值均值可以是计算3维数据在总的幅值上的体现。
相应特征中的幅值标准差计算方法包括：
其中，SensorName为传感器名称，mag_mean表示幅值均值，magi表示第i条数据的幅值。
相应特征中的幅值均方根计算方法包括：
其中，magi表示第i条数据的幅值。
相应特征中的平均幅值绝对差计算方法包括：
其中，magi表示第i条数据的幅值。
其中，上述的时间窗可以表示在最小单位时间。例如，时间窗可以是500ms、1s、2s等等时长。
本示例实施方式中，在上述的步骤S102中，传感器的相关频域特征可以包括五个快速傅里叶变化的模系数，以及频谱能量；其中，频谱能量的计算可以是频谱系数平方和开根号后除以样本个数。具体的，上述的传感器的五个快速傅里叶变化的模系数的计算方法可以包括：
N_FFT＝256
SensorName_fft1＝|FFT[magi]|1
SensorName_fft2＝|FFT[magi]|2
SensorName_fft3＝|FFT[magi]|3
SensorName_fft4＝|FFT[magi]|4
SensorName_fft5＝|FFT[magi]|5
其中，magi表示第i条数据的幅值。根据幅值做傅里叶变化后，获取出傅里叶级数(傅里叶展开式的各项系数)，这里只取前5项，代表主要的能量成分。
传感器的频谱能量的计算方法可以包括：
B＝|FFT[magi]
其中，B表示幅值的傅里叶变换后的值，N_FFT是傅里叶窗的大小，常设为256。
本示例实施方式中，基于上述的对频域特征数据、时域特征数据的定义，对于获取的原始数据集，可以进行解析，对各原始特征数据进行时域特征和频域特征的提取。其中，提取的时域特征可以定义为： Td1，Td2，Td3...Tdn；提取的频域特征可以定义为：Sd1，Sd2，Sd3...Sdm；其中，n为为时阈相关维度的特征数量，m为频域相关维度的特征数量。
具体而言，上述的方法还可以包括：所述终端设备装配的不同的传感器之间，对应采集的所述时域特征数据和频域特征数据的维度数量相同。举例来说，对于任意一个传感器的传感器数据，均可以解析并得到 n+m个时域、频域特征；对于终端设备上的k个传感器，便可以解析得到k*(n+m)个特征。
本示例实施方式中，在上述的步骤S103中，在提取时域特征数据和频域特征数据后，在提取的所述时域特征数据和频域特征数据中，按预设规则选取指定类型的时域特征数据和频域特征数据构建特征向量。
举例来说，对于加速度传感器、陀螺仪传感器，可以分别提取n维时域特征和m维频域特征。例如，在上述列举的各项时域特征和频域特征中，可以选取最大值、最小值、平均值、标准差、均方根和平均绝对差作为时域特征；另外，可以选取频谱能量、傅里叶系数1、傅里叶系数2和傅里叶系数3作为频域特征。此外，可以将该些特征作为基本特征，将其余的时域特征和频域特征作为辅助特征。例如，在构建特征向量时，可以仅选择基本特征来构建特征向量。或者，在基本特征的基础上，可以再添加至少一个辅助特征来构建特征向量，从而可以实现平衡计算性能、满足泛化性需求。例如，在上述选取6项时域特征，4项频域特征作为基本特征的基础上，增加两项辅助频域特征，如傅里叶系数 4和傅里叶系数5，从而利用6项时域特征和6项频域特征构建特征向量。即，对于特征向量的构建，可以仅使用基本特征，也可以使用基本特征结合辅助特征的方式。
此外，对于选取用于构建特征向量的时域特征和频域特征，可以分别对每一项特征进行归一化处理。通过归一化处理，可以将特征数据实现标准化。例如，可以使用Z-score0均值标准化，Min-Max线性函数归一化等方法进行归一化运算。各项时域特征、频域特征的具体数值在完成归一化之后，便可以利用该些特征构建特征向量；该特征向量可以用于描述终端设备的放置状态，例如上述预定义的四种状态中的一种。
基于时域特征和频域特征构建的特征向量，结合对应的终端状态的标签信息，构建样本数据，作为模型训练的训练样本。
另外，在一些示例性实施方式中，上述方法还包括：按预设的权重策略提取指定数量和/或维度的时域特征数据、频域特征数据，以构建所述特征向量。
举例来说，可以按照权重方式对x、y、z三个维度的特征进行选择。例如权重策略为0.3Td+0.7Sd，该权重策略可以是特征数量的权重分配；则基于该权重策略可以选取对应数量的时域特征和频域特征数量，形成新的特征向量。或者，权重策略也可以是对数值的权重分配。例如，在使用上述的基本特征构建特征向量时，可以按该权重分配策略分别配置时域特征、频域特征的数值的系数，利用根据该系数计算后的数值来构建特征向量。
在一些示例性实施方式中，上述方法还可以包括：按预设规则抽取预设数量的特征构建辅助特征向量；所述辅助特征向量用于描述用户对所述终端设备的使用习惯；以及将所述辅助特征向量作为样本数据。
举例来说，可以选取上述定义的全部时域特征、频域特征来构建特征向量。此外，还可以随机抽取i个特征形成用于描述使用者对终端的使用行为习惯。该使用行为习惯可以是指在终端设备在不同的使用者使用过程中要识别的手机放置状态的细微差别。例如，随机抽取的特征可以是上述的时域特征、频域特征中的基本特征，从而保证最终的识别效果。例如，辅助特征向量可以是N＝{Td1，Sd3，Td5，Sd3}。或者，也可以按照预设的权重分配规则在时域特征、频域特征中的基本特征中选择一定数量的时域特征和频域特征来构建辅助特征向量。
在一些示例性实施方式中，构建的样本数据可以由特征向量和标签信息组成的；或者，也可以是由特征向量、辅助特征向量和标签信息组成的。其中，标签信息可以是标签值；例如，配置手持状态的标签为1，口袋背包状态的标签为2，静置状态的标签为3，支架状态的标签为4。
本示例实施方式中，在上述的步骤S104中，初始的位置识别模型可以是多算法模型，包括4个分类器，各分类器分别对应一种预定义的终端状态类型。其中，各分类器可以分别采用不同的分类算法。例如，采用的分类算法可以是随机森林模型、XGBoost模型、LR(Logistic Regression、逻辑回归)模型、1D-CNN(一维卷积神经网络)模型。例如，在位置识别模型中，第一分类器对应于识别手持状态，基于随机森林模型构建；第二分类器对应于识别口袋背包状态，基于XGBoost模型构建；第三分类器对应于识别静默状态，基于LR模型构建；第四分类器对应于识别支架状态，基于1D-CNN模型构建。当然，在本公开的其他示例性实施方式中，各分类器也可以使用其他的分类模型构建。
对于模型内的各分类器来说，模型训练所使用的样本数据相同。举例来说，以随机的方式在基本特征中选择一定数量的时域特征和频域特征构建特征向量，特征向量的组成包括：Fe＝{Td(加速度X轴平均值)， Td(陀螺仪Y轴过零次数)，Sd(陀螺仪频谱能量)，Sd(陀螺仪FFT系数)}。
以逻辑回归分类器为例，模型的公式包括：
hθ(x)＝g(θ0+θ1x1+θ2x2+…+θnxn)
模型的损失函数可以包括：
其中，yi表示正确的标签值；m为训练样本的数量；hθ(xi)表示模型预测的该样本的概率值；xn表示特征向量；θ表示系数。
如上述公式，基于LR模型构建的分类器利用g函数表征。对于不同的分类器，可以得到四个不同的g函数，包括：θg1(θ0....θn)，θg2(θ0....θn)，θg3(θ0....θn)，θg4(θ0....θn)。
对于位置识别模型的各分类器，可以将上述构建的样本数据作为各分类器的输入参数，利用各分类器进行计算；各分类器的输出参数为该样本属于对应类别的概率值；基于该样本的标签，利用损失函数对各分类器模型进行反馈训练，直至损失函数的值小于一定的设定值，拟合出的设定函数中的各项系数θ(θ0....θn)，即可得到训练完成的模型，即为各系数已知的设定函数。
在一些示例性实施方式中，上述的模型训练方法可以在终端设备侧或者服务器端执行。模型在训练完成后，可以在手机、平板电脑、智能手表等智能终端设备上运行。
在步骤S11中，采集目标传感器的传感器数据；其中，所述目标传感器包括终端设备装配的至少一个类型的传感器。
本示例实施方式中，参考图4所示，上述的步骤S11可以包括：
步骤S111，按预设的数据采集周期采集所述终端设备的装配的各传感器的传感器数据；
步骤S112，根据所述终端设备当前的功耗分配策略确定所述目标传感器，以根据确定的所述目标传感器确定待计算的所述传感器数据。
具体而言，终端设备可以按预设的数据采集周期进行传感器数据的采集；或者，也可以根据预先定义的传感器数据采集频率进行数据采集。对于终端设备而言，可以收集终端设备中全部传感器对应的传感器数据。同时，可以识别终端设备对于位置识别模型的功耗分配策略。具体的，终端设备对于位置识别模型的功耗分配策略可以包括用于选取部分传感器的第一功耗策略，以及用于选取全部传感器的第二功耗策略。在执行第二功耗策略时，便可以将预定义的全部传感器作为目标传感器，并采集各目标传感器的传感器数据。或者，在执行第一功耗策略时，选取预定义的部分传感器作为目标传感器；或者，在执行第一功耗策略时，还可以选取部分预定义的传感器作为辅助传感器。例如，在执行第一功耗策略时，选取加速度传感器、陀螺仪传感器、手机屏幕状态传感器作为目标传感器，用于提供基本传感器数据；同时，可以选取游戏旋转矢量传感器作为辅助传感器，用于提供辅助传感器数据。对于终端设备而言，可以根据处理器、内存的当前占用情况来选择功耗配置策略。
或者，在一些示例性实施方式中，终端设备也可以首先确定当前的功耗策略，再确定目标传感器；再采集目标传感器的传感器数据。
在步骤S12中，对所述传感器数据进行解析，以获取所述目标传感器对应的特征数据；其中，所述特征数据包括时域特征数据和频域特征数据。
本示例实施方式中，在获取目标传感器对应的传感器数据后，便可以对其进行解析，提取各传感器对应的时域特征数据和频域特征数据。其中，可以根据位置识别模型训练时选用的时域特征、频域特征，对当前的传感器数据进行解析，计算得到相同的时域特征数据和频域特征数据。
具体而言，参考图5所示，上述的步骤S12可以包括：
步骤S121，对各所述目标传感器的所述传感器数据进行预处理；
步骤S122，对预处理后的各所述传感器数据分别在时域提取n个维度的时域特征数据，以及在频域提取m个维度的频域特征数据；其中， n、m正整数；
步骤S123，对提取所述时域特征数据和频域特征数据进行归一化处理；以及
步骤S124，按预设的权重策略分别在归一化处理后的所述时域特征数据和频域特征数据提取指定数量和维度的时域特征数据和频域特征数据，以构建所述特征数据。
具体的，对于当前采集的传感器数据可以进行预处理，包括：空值填充、nan值去除、重复值去除、异常值过滤中的一种或多项处理。在完成预处理后，便可以对各目标传感器对应的传感器数据进行时域特征、频域特征的计算和提取。对于各目标传感器，均可以提取n个维度的时域特征数据和m个维度的频域特征数据。例如，时域特征可以包括：最大值、最小值、平均值、标准差、均方根、平均绝对差；频域特征可以包括：频谱能量、傅里叶系数1、傅里叶系数2、傅里叶系数3。
在计算得到时域特征和频域特征后，便可以对特征数据进行归一化处理。然后，可以采用与模型训练时相同的权重策略选择时域特征和频域特征，并构建特征向量。例如，权重策略可以是时域特征和频域特征之间的权重分配，例如：0.3Td+0.7Sd；或者，0.6Td+0.4Sd；其中，Td为时域特征的数量，Sd为频域特征的数量。
在一些示例性实施例中，对于归一化处理后的时域数据和频域数据，还可以通过随机的方式抽取一定数量的特征，构建用户使用行为向量。例如，在时域特征中随机抽取两项特征，在频域特征中随机抽取两项特征，构建用户使用行为向量。将该用户使用行为向量，与上述构建的特征向量进行组合成特征数据，作为模型的输入参数。
在步骤S13中，将所述特征数据输入已训练的位置识别模型，利用所述位置识别模型中的各分类器分别计算对应的概率值；其中，所述位置识别模型中分类器的数量与预先定义的终端的位置类别的数量相同。
本示例实施方式中，位置识别模型中可以包括四个分类器，各分类器分别对应一种预定义的终端状态类型。其中，可以是第一分类器对应于识别手持状态；第二分类器对应于识别口袋背包状态；第三分类器对应于识别静默状态；第四分类器对应于识别支架状态。
在构建特征数据后，便可以将其作为输入数据，分别输入已训练的位置识别模型中的四个分类器中。对于四个分类器来说，其输入的特征向量相同。并分别获取各分类器输出的概率值。
在步骤S14中，根据各所述分类器输出的概率值的比对结果确定终端位置的识别结果。
本示例实施方式中，在获取各分类器输出的概率值后，可以将四个概率值进行比对，选取其中概率值最大的一个结果，将该概率值对应的分类器的类型作为终端设备当前的位置识别结果。例如，在第四分类输出的概率值最大时，则终端设备当前的位置识别结果为支架状态。
另外，在一些示例性实施方式中，若存在两个或三个相同的概率值，则可以将上述构建的用户使用行为向量输入位置识别模型中，根据各分类器输出的概率值进行判断，选取概率值最大的结果作为终端设备的当前的位置的识别结果。例如，若第一分类器、第四分类器输出的结果相同，即第一次判断的结果终端设备可能是手持状态，或者支架状态；便可以将构建的用户使用行为向量输入模型进行再次判断，模型可以仅使用第一分类器、第四分类器进行运算，并输出两个分类器计算的概率值，选取最大的概率值作为最终的识别结果；例如，若第四分类器输出的概率值大于第一分类器输出的概率值，则判断终端设备当前的位置识别结果为手持状态。
基于上述内容，在本公开的一些示例性实施方式中，上述的方法还可以包括，获取一预设时长内的连续多个识别结果，根据连续的多个识别结果判断终端设备在某一状态的停留时长；再根据停留时长确定对终端设备的功耗优化策略。其中，功耗优化策略可以是根据在某一状态下的停留时长的不同，配置的终端设备系统对不同耗电功能分层级进行关闭或优化的策略；从而可以延长手机电量的使用时长；优化终端设备的电量消耗。
在确定终端设备的位置的识别结果，以及终端设备在该位置、状态的保持时长后，便可以配置对应功耗管理策略。
本公开实施例所提供的终端位置的识别方法，可以应用于手机、平板电脑、智能手表、智能手环等智能移动终端设备。利用预先训练的位置识别模型，可以根据传感器数据解析后得到的时域特征、频域特征，判断终端设备当前处于预定义位置中的一种，例如上述的手持状态、支架状态、口袋背包状态或静默状态。通过利用传感器数据对应的频域特征和时域特征进行判断，实现了基于底层多传感器数据进行数据处理，并从特征维度来解决现有技术中无法精确世界手机位置、状态的问题。利用层级渐进推理的方式保证了识别状态的稳定性和准确性。相比现有技术中采用传感器数据阈值判断的方式，本方案要更具备鲁棒性，得到的状态更准确，子状态更多，比以往的口袋模式有了进一步的提升。并且，本申请的识别模型可以集成到底层协处理器中，使得算法启动的功耗更低，从而能实现Always On的效果，这样使得本方案的应用场景更丰富，达到任意时间去获取结果均能及时返回。
需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
进一步的，参考图6所示，本示例的实施方式中还提供一种终端位置的识别装置60，所述装置包括：数据采集模块601、数据解析模块602、模型处理模块603、识别结果输出模块604。其中，
所述数据采集模块601可以用于采集目标传感器的传感器数据；其中，所述目标传感器包括终端设备装配的至少一个类型的传感器。
所述数据解析模块602可以用于对所述传感器数据进行解析，以获取所述目标传感器对应的特征数据；其中，所述特征数据包括时域特征数据和频域特征数据。
所述模型处理模块603可以用于将所述特征数据输入已训练的位置识别模型，利用所述位置识别模型中的各分类器分别计算对应的概率值；其中，所述位置识别模型中分类器的数量与预先定义的终端的位置类别的数量相同。
所述识别结果输出模块604可以用于根据各所述分类器输出的概率值的比对结果确定终端位置的识别结果。
在一些示例性实施方式中，所述数据采集模块601可以包括：按预设的数据采集周期采集所述终端设备的装配的各传感器的传感器数据；根据所述终端设备当前的功耗分配策略确定所述目标传感器，以根据确定的所述目标传感器确定待计算的所述传感器数据。
在一些示例性实施方式中，所述数据解析模块602可以包括：对各所述目标传感器的所述传感器数据进行预处理；对预处理后的各所述传感器数据分别在时域提取n个维度的时域特征数据，以及在频域提取m 个维度的频域特征数据；其中，n、m正整数；对提取所述时域特征数据和频域特征数据进行归一化处理；以及按预设的权重策略分别在归一化处理后的所述时域特征数据和频域特征数据提取指定数量和维度的时域特征数据和频域特征数据，以构建所述特征数据。
在一些示例性实施方式中，所述位置识别模型中各分类器输入的特征向量相同。
在一些示例性实施方式中，所述装置还包括：模型训练模块。
所述模型训练模块可以包括：
原始传感器数据采集模块，用于采集若干个不同终端设备的原始传感器数据，对所述原始传感器数据进行预处理，以构建原始数据集；其中，所述原始传感器数据用于描述所述终端设备的位置类型；
特征数据提取模块，用于对所述原始数据集进行解析，以提取对应的时域特征数据和频域特征数据；
样本数据构建模块，用于利用所述时域特征数据和频域特征数据构建特征向量，并基于所述特征向量及对应的标签信息构建样本数据；
训练执行模块，用于利用所述样本数据输入所述位置识别模型中各分类器进行训练，并将各分类器训练至收敛，以获取所述位置识别模型。
在一些示例性实施方式中，所述装置还包括：特征选择模块。
所述特征选择模块可以用于利用所述时域特征数据和频域特征数据构建特征向量时，在提取的所述时域特征数据和频域特征数据中，按预设规则选取指定类型的时域特征数据和频域特征数据构建特征向量。
在一些示例性实施方式中，所述装置还包括：特征权重配置模块。
所述特征权重配置模块可以用于在利用所述时域特征数据和频域特征数据构建特征向量时，按预设的权重策略提取指定数量和/或维度的时域特征数据、频域特征数据，以构建所述特征向量。
在一些示例性实施方式中，所述终端设备装配的不同的传感器之间，对应采集的所述时域特征数据和频域特征数据的维度数量相同。
在一些示例性实施方式中，所述装置还包括：辅助特征向量构建模块。
所述辅助特征向量构建模块可以用于按预设规则抽取预设数量的特征构建辅助特征向量；所述辅助特征向量用于描述用户对所述终端设备的使用习惯；以及将所述辅助特征向量作为样本数据。
在一些示例性实施方式中，所述装置还包括：位置类型定义模块。
所述位置类型定义模块用于预先定义所述终端设备的位置类型；其中，所述位置类型包括至少一个类型。
上述的终端位置的识别装置60中各模块的具体细节已经在对应的终端位置的识别方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
图7示出了适于用来实现本发明实施例的电子设备的示意图。
需要说明的是，图7示出的电子设备1000仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备1000包括中央处理单元(Central Processing Unit，CPU)1001，其可以根据存储在只读存储器(Read-Only Memory， ROM)1002中的程序或者从储存部分1008加载到随机访问存储器 (Random Access Memory，RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有系统操作所需的各种程序和数据。 CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/ 输出(Input/Output，I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1007；包括硬盘等的储存部分1008；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口 1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入储存部分1008。
特别地，根据本发明的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的系统中限定的各种功能。
具体来说，上述的电子设备可以是手机、平板电脑或者笔记本电脑等智能移动终端设备。或者，上述的电子设备也可以是台式电脑等智能终端设备。
需要说明的是，本发明实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器 (Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
需要说明的是，作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图1所示的各个步骤。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (13)
1.一种终端位置的识别方法，其特征在于，应用于终端设备，所述方法包括：
采集目标传感器的传感器数据；其中，所述目标传感器包括终端设备装配的至少一个类型的传感器；
对所述传感器数据进行解析，以获取所述目标传感器对应的特征数据；其中，所述特征数据包括时域特征数据和频域特征数据；
将所述特征数据输入已训练的位置识别模型，利用所述位置识别模型中的各分类器分别计算对应的概率值；其中，所述位置识别模型中分类器的数量与预先定义的终端的位置类别的数量相同；
根据各所述分类器输出的概率值的比对结果确定终端位置的识别结果。
2.根据权利要求1所述的终端位置的识别方法，其特征在于，所述采集目标传感器的传感器数据，包括：
按预设的数据采集周期采集所述终端设备的装配的各传感器的传感器数据；
根据所述终端设备当前的功耗分配策略确定所述目标传感器，以根据确定的所述目标传感器确定待计算的所述传感器数据。
3.根据权利要求1所述的终端位置的识别方法，其特征在于，所述对所述传感器数据进行解析，以获取所述目标传感器对应的特征数据，包括：
对各所述目标传感器的所述传感器数据进行预处理；
对预处理后的各所述传感器数据分别在时域提取n个维度的时域特征数据，以及在频域提取m个维度的频域特征数据；其中，n、m正整数；
对提取所述时域特征数据和频域特征数据进行归一化处理；以及
按预设的权重策略分别在归一化处理后的所述时域特征数据和频域特征数据提取指定数量和维度的时域特征数据和频域特征数据，以构建所述特征数据。
4.根据权利要求1或3所述的终端位置的识别方法，其特征在于，所述位置识别模型中各分类器输入的特征向量相同。
5.根据权利要求1所述的终端位置的识别方法，其特征在于，所述方法还包括：预先训练所述位置识别模型，包括：
采集若干个不同终端设备的原始传感器数据，对所述原始传感器数据进行预处理，以构建原始数据集；其中，所述原始传感器数据用于描述所述终端设备的位置类型；
对所述原始数据集进行解析，以提取对应的时域特征数据和频域特征数据；
利用所述时域特征数据和频域特征数据构建特征向量，并基于所述特征向量及对应的标签信息构建样本数据；
利用所述样本数据输入所述位置识别模型中各分类器进行训练，并将各分类器训练至收敛，以获取所述位置识别模型。
6.根据权利要求5所述的终端位置的识别方法，其特征在于，所述利用所述时域特征数据和频域特征数据构建特征向量时，所述方法还包括：
在提取的所述时域特征数据和频域特征数据中，按预设规则选取指定类型的时域特征数据和频域特征数据构建特征向量。
7.根据权利要求5或6所述的终端位置的识别方法，其特征在于，所述利用所述时域特征数据和频域特征数据构建特征向量时，所述方法还包括：
按预设的权重策略提取指定数量和/或维度的时域特征数据、频域特征数据，以构建所述特征向量。
8.根据权利要求5或6所述的终端位置的识别方法，其特征在于，所述终端设备装配的不同的传感器之间，对应采集的所述时域特征数据和频域特征数据的维度数量相同。
9.根据权利要求5所述的终端位置的识别方法，其特征在于，所述方法还包括：
按预设规则抽取预设数量的特征构建辅助特征向量；所述辅助特征向量用于描述用户对所述终端设备的使用习惯；以及
将所述辅助特征向量作为样本数据。
10.根据权利要求1所述的终端位置的识别方法，其特征在于，所述方法还包括：
预先定义所述终端设备的位置类型；其中，所述位置类型包括至少一个类型。
11.一种终端位置的识别装置，其特征在于，所述装置包括：
数据采集模块，用于采集目标传感器的传感器数据；其中，所述目标传感器包括终端设备装配的至少一个类型的传感器；
数据解析模块，用于对所述传感器数据进行解析，以获取所述目标传感器对应的特征数据；其中，所述特征数据包括时域特征数据和频域特征数据；
模型处理模块，用于将所述特征数据输入已训练的位置识别模型，利用所述位置识别模型中的各分类器分别计算对应的概率值；其中，所述位置识别模型中分类器的数量与预先定义的终端的位置类别的数量相同；
识别结果输出模块，用于根据各所述分类器输出的概率值的比对结果确定终端位置的识别结果。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至10中任一项所述的终端位置的识别方法。
13.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至10中任一项所述的终端位置的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210319172.XA CN114828208A (zh) | 2022-03-29 | 2022-03-29 | 终端位置的识别方法及装置、计算机可读介质、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210319172.XA CN114828208A (zh) | 2022-03-29 | 2022-03-29 | 终端位置的识别方法及装置、计算机可读介质、电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114828208A true CN114828208A (zh) | 2022-07-29 |
Family
ID=82530732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210319172.XA Pending CN114828208A (zh) | 2022-03-29 | 2022-03-29 | 终端位置的识别方法及装置、计算机可读介质、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114828208A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115935278A (zh) * | 2023-03-08 | 2023-04-07 | 深圳市大数据研究院 | 环境识别方法、电子设备、计算机可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678222A (zh) * | 2015-12-29 | 2016-06-15 | 浙江大学 | 一种基于移动设备的人体行为识别方法 |
| CN107016346A (zh) * | 2017-03-09 | 2017-08-04 | 中国科学院计算技术研究所 | 步态身份识别方法及系统 |
| US9769166B1 (en) * | 2016-10-19 | 2017-09-19 | International Business Machines Corporation | Wearable sensor based system for person identification |
| CN111427754A (zh) * | 2020-02-28 | 2020-07-17 | 北京腾云天下科技有限公司 | 一种用户行为识别方法及移动终端 |
| US20210389817A1 (en) * | 2020-06-15 | 2021-12-16 | Strongarm Technologies, Inc. | Methods and apparatus for actions, activities and tasks classifications based on machine learning techniques |
-
2022
- 2022-03-29 CN CN202210319172.XA patent/CN114828208A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678222A (zh) * | 2015-12-29 | 2016-06-15 | 浙江大学 | 一种基于移动设备的人体行为识别方法 |
| US9769166B1 (en) * | 2016-10-19 | 2017-09-19 | International Business Machines Corporation | Wearable sensor based system for person identification |
| CN107016346A (zh) * | 2017-03-09 | 2017-08-04 | 中国科学院计算技术研究所 | 步态身份识别方法及系统 |
| CN111427754A (zh) * | 2020-02-28 | 2020-07-17 | 北京腾云天下科技有限公司 | 一种用户行为识别方法及移动终端 |
| US20210389817A1 (en) * | 2020-06-15 | 2021-12-16 | Strongarm Technologies, Inc. | Methods and apparatus for actions, activities and tasks classifications based on machine learning techniques |
Non-Patent Citations (2)
| Title |
|---|
| CHANGHENG SHAO: "An Internet of Things Application with Location Perception Based on IMS", 《2011 THIRD INTERNATIONAL CONFERENCE ON MULTIMEDIA INFORMATION NETWORKING AND SECURITY》, 15 December 2011 (2011-12-15) * |
| 张乔坤: "用于多姿态智能终端的行人航位推算系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 February 2020 (2020-02-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115935278A (zh) * | 2023-03-08 | 2023-04-07 | 深圳市大数据研究院 | 环境识别方法、电子设备、计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112733749B (zh) | 融合注意力机制的实时行人检测方法 | |
| Yu et al. | Big data small footprint: The design of a low-power classifier for detecting transportation modes | |
| CN108874959B (zh) | 一种基于大数据技术的用户动态兴趣模型建立方法 | |
| CN102324038B (zh) | 一种基于数字图像的植物种类识别方法 | |
| CN103582884A (zh) | 用于视觉搜索的稳健特征匹配 | |
| CN110781829A (zh) | 一种轻量级深度学习的智慧营业厅人脸识别方法 | |
| CN112989761B (zh) | 文本分类方法及装置 | |
| CN111475613A (zh) | 案件分类方法、装置、计算机设备及存储介质 | |
| CN108537691A (zh) | 一种区域游览智能管理系统及方法 | |
| CN109726918A (zh) | 基于生成式对抗网络和半监督学习的个人信用确定方法 | |
| CN110119948A (zh) | 基于时变权重动态组合的电力用户信用评价方法及系统 | |
| CN113469470A (zh) | 基于电力大脑中枢的用能数据与碳排放量关联分析方法 | |
| CN110348516A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN111931616A (zh) | 基于移动智能终端传感器设备的情绪识别方法及系统 | |
| CN114828208A (zh) | 终端位置的识别方法及装置、计算机可读介质、电子设备 | |
| CN116433269B (zh) | 基于大数据的片区式无人驾驶车辆停车场收费方法及装置 | |
| Li | [Retracted] Design and Implementation of Human Motion Recognition Information Processing System Based on LSTM Recurrent Neural Network Algorithm | |
| CN116975711A (zh) | 多视图数据分类方法以及相关设备 | |
| CN116910357A (zh) | 一种数据处理方法及相关装置 | |
| CN111767404A (zh) | 一种事件挖掘方法和装置 | |
| CN116150489A (zh) | 基于多属性决策的娱乐场所推荐方法及系统 | |
| CN109214598A (zh) | 基于k-means和arima模型预测住宅小区抵押风险的批量评级方法 | |
| CN108280531B (zh) | 一种基于Lasso回归的学生班级成绩排名预测方法 | |
| CN114912009A (zh) | 用户画像的生成方法、装置、电子设备和计算机程序介质 | |
| CN110070475A (zh) | 对家庭收入影响因素分析的方法及终端设备 |
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 |