JP2020504374A - フィードバックベースの自己適応主客観的重みコンテキストアウェアネスシステムおよびその動作方法。 - Google Patents
フィードバックベースの自己適応主客観的重みコンテキストアウェアネスシステムおよびその動作方法。 Download PDFInfo
- Publication number
- JP2020504374A JP2020504374A JP2019532041A JP2019532041A JP2020504374A JP 2020504374 A JP2020504374 A JP 2020504374A JP 2019532041 A JP2019532041 A JP 2019532041A JP 2019532041 A JP2019532041 A JP 2019532041A JP 2020504374 A JP2020504374 A JP 2020504374A
- Authority
- JP
- Japan
- Prior art keywords
- context information
- context
- information
- fusion
- user
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Abstract
Description
本特許出願は、2016年12月30日に出願され、「フィードバックベースの自己適応主客観的重みコンテキストアウェアネスシステムおよびその動作方法」と題する特許文献1に対する優先権を出張する。
無線センサネットワーク技術はますます成熟してきており、計算能力を有する多数のマイクロプロセッサノードからなる無線センサネットワークを使用して、いつでもどこでも様々な情報を取得することができる。現在のアプリケーションに関連するコンテキスト情報を正確かつ定量的に収集することに加えて、コンテキストアウェアネスシステムは、大量の情報に基づいて効率的なおよびインテリジェントな、そして個別化されたサービスを作ることもできる。
さらに、近年、研究者はコンテキスト獲得、コンテキスト処理、コンテキスト分布およびコンテキストアプリケーションの分野で多くの研究を行ってきたが、多くの研究作業は特定のアプリケーションシナリオに基づいており、システムアーキテクチャと応用論理は密接に関連している。それは複数のシステム間の接続性と相互運用性を妨げ、システムの拡張と再利用には不利である。
S01:オリジナルコンテキスト情報収集
各種類のセンサからオリジナルコンテキスト情報を取得する。
前記コンテキスト情報前処理ユニットは、オリジナルコンテキスト情報をデータモデル化し、モデル化モードは「感知タイプ+感知情報」である。
前記コンテキスト前処理ユニットは、オリジナルコンテキスト情報を分類し、すなわち同じ属性を表すコンテキスト情報を同類のオリジナルコンテキスト情報に分類し、同類のオリジナルコンテキスト情報の間で、平均化法、最小二乗法、最尤推定法またはカルマンフィルタ方法によって欠損値処理と融合動作を行う。
前記主客観的重み管理ユニットは、システムの感知したイベントの種類と各種類コンテキスト情報と該イベントとの相関関係に応じて重み付けが必要なコンテキスト情報の種類を確認し、重み付けが必要なコンテキスト情報の種類数をnとする。
主客観的重み管理ユニットは、ユーザモジュールからのユーザフィードバックがあるかどうかを判断し、そうであればステップS08を実行し、そうでなければステップS09を実行する。
前記主客観的重み管理ユニットは、ユーザフィードバックの評価に応じて主観的および客観的重みの寄与率を算出し、主観的重みの寄与率はαであり、客観的重みの寄与率は1−αであり、計算式は式(I)の通りである。
前記主客観的重み管理ユニットは、寄与率に応じて、各コンテキスト情報の主観的重みと客観的重みとを合成し、各コンテキスト情報の主客観的重み値を求め、合成式は式(II)に示す通りである。
前記コンテキスト情報融合ユニットは、前記主客観的重みを組み合わせ、異なるコンテキスト情報融合アルゴリズムを使用し、複数の種類のコンテキスト情報をそれぞれ融合し、各情報融合アルゴリズムはシステムのすべての感知結果の可能性を示すために使用される確率ベクトルを取得する。これらの同一または異なる確率ベクトルは、コンテキスト情報推論のための一次コンテキスト情報として使用される。
前記推論モジュールは、前記決定管理ユニットによって与えられた推論アルゴリズムを用いてステップS10で得られた一次コンテキスト情報を推論し、対応する推論アルゴリズムによって、いくつかの同一または異なる確率ベクトルを推論して最終感知結果、すなわち前記コンテキストアプリケーションモジュールで利用可能な高度なコンテキスト情報を取得する。
高度なコンテキスト情報を受信した後、前記コンテキストアプリケーションモジュールは対応するアプリケーションまたは装置を調整してユーザに適切なサービスを提供する。
前記ユーザモジュールは、コンテキストアプリケーションの使用中のユーザによるシステムの調整、またはシステムの使用中のユーザの行動を、ユーザの明示的なフィードバックまたは暗示的なフィードバックとして記録する。
前記ユーザモジュールは、ユーザ明示的フィードバックまたは暗示的フィードバックを抽出し、各種類のコンテキスト情報の精度を表示する判断情報に変換し、前記主観的重み及び客観的重みのそれぞれの寄与率を最適化するために情報を前記主客観的重み管理ユニットに送信する。
オリジナルコンテキスト情報収集モジュールは、異なる情報ソースから異なる方法でオリジナルコンテキスト情報を収集するように構成されている。ここで、オリジナルコンテキスト情報は、異なるセンサから収集された生データを指す。コンテキスト融合モジュールは、オリジナルコンテキスト情報に対して融合処理を実行し、コンテキスト推論モジュールによって使用可能な一次コンテキスト情報を抽出するように構成される。コンテキストアプリケーションモジュールは、高度なコンテキスト情報を利用して、対応するアプリケーションまたはデバイスを調整して、ユーザに適切なサービスを提供する。ユーザモジュールは、ユーザからの明示的または暗示的なフィードバックを抽出し、定量的な評価の後、各種類のコンテキスト情報の精度に関する判断情報に変換し、主客観的重み管理ユニットに送り、様々なコンテキスト情報の主観的および客観的重み寄与率を最適化する。明示的フィードバックは、ユーザが積極的に行うフィードバックの動作を指し、例え満足度評価メカニズムを使用して収集されたユーザデータであり、暗示的フィードバックは、ユーザ表情認識およびユーザ行動分析を通じて前記コンテキストアウェアネスシステムによって間接的に推論されたユーザデータを指す。
コンテキスト情報前処理ユニットは、オリジナルコンテキスト情報をデータモデル化し、モデル化モードは「感知タイプ+感知情報」であり、オリジナルコンテキスト情報を分類し、平均化法、最小二乗法、最尤推定法、またはカルマンフィルタ方法により、同類コンテキスト情報に対して欠損値処理と融合操作を実行する。
コンテキスト推論モジュールは、順次接続された決定管理ユニットとコンテキスト情報推論ユニットとを含む。
コンテキスト情報推論ユニットは、前記決定管理ユニットから与えられたオントロジー推論方法、規則に基づく推論方法、証拠に基づく推論方法、およびベイジアンネットワークに基づく推論方法が含む推論方法に従って、コンテキスト情報融合ユニットの異なる融合アルゴリズムによって生成された一次コンテキスト情報を推論し、コンテキストアプリケーションモジュールによって直接使用されることができる高度なコンテキスト情報を獲得する。
得られたオリジナルコンテキスト情報は、1セットの体重情報Iw、2セットの身長情報I h1とIh2、2セットの心拍数情報Ir1とIr2、および1セットの血中酸素飽和度情報Ioを有する。
モデル化されたコンテキスト情報は、Iw=「感知タイプ-体重」+「感知情報-70kg」、Ih1=「感知タイプ-身長」+「感知情報-180cm」、Ih2=「感知タイプ-身長」+「感知情報-180cm」、Ir1=「感知タイプ-心拍数」+「感知情報-70/分」、Ir2=「感知タイプ-心拍数」+「感知情報-72/分」、Io=「感知タイプ-血中酸素飽和度」+「感知情報-95%」である。
2セットの身長情報Ih1、Ih2を処理した後、1セットのデータIhを取得し、2セットの心拍数情報Ir1、Ir2を処理して1セットのデータIrを取得し、データは欠落せず、データ量は少なく、融合アルゴリズムは平均法を選択する。
感知されたイベントタイプは、ユーザに妥当な運動強度フィットネスプログラムを提供し、身長情報が無視されることを確認し、割り当てられる必要があるコンテキスト情報のタイプは体重、心拍数、血中酸素飽和度であり、コンテキスト情報タイプの総数は3である。
ユーザからのフィードバック情報、すなわち、システムによって提案されたフィットネスプログラムが自分に適しているかどうかのフィードバック情報があるかどうかを判断する。フィードバック情報を受信すると、ステップS08が実行され、フィードバック情報が受信されない場合、ステップS09が実行される。
n=3、初期の主観的重み寄与率αは0.5であり、ユーザがフィードバックを与えると、式(I)に従って主観的重み寄与率αおよび客観的重み寄与率1−αが算出される。式(I)は下の通りである。
最終的な主観的および客観的重みベクトルを組み合わせることで、4つの異なるコンテキスト融合アルゴリズム(ニューラルネットワークベースの融合アルゴリズム、カルマンフィルタベースの融合アルゴリズム、ファジー理論ベースの融合アルゴリズムおよびDS証拠ベースの融合アルゴリズム)が使用され、3つのコンテキスト情報Iw、Ir、Ioを融合して、各アルゴリズムは確率ベクトルで表される提案を取得する。例えば、1番目のアルゴリズムの融合結果は、ユーザが弱い強度のプロジェクト、中程度の強度のプロジェクト、またはより高い強度のプロジェクトに適している確率は、(0.6、0.3、0.1)であり、合計4つの同一または異なる確率ベクトルが得られる。
ステップS10で得られた4つの確率ベクトルは、決定管理ユニットによって与えられた推論アルゴリズムによって推論され、最後に最終的な提案が与えられる。例えば、ユーザは中強度フィットネスプログラムに適している。
システムは、ステップS11で提示された提案に従って、中強度フィットネスプログラムの種類および関連する予防措置を自動的に画面に表示する。
ユーザがシステムによって与えられたフィットネス提案を見て中強度フィットネスプログラムを選択するとき、ユーザフィードバック情報はコンテキストアエラネスシステムの推論結果と一致すると考えられる。
ユーザモジュールは、ユーザのフィードバック回数およびユーザのフィードバックと一致する推論結果の回数を動的に保存し、主観的重みおよび客観的重みの寄与率を動的に更新するために情報を主客観的重み管理ユニットに送信する。
Claims (4)
- オリジナルコンテキスト情報収集モジュール、コンテキスト融合モジュール、コンテキスト推論モジュール、コンテキストアプリケーションモジュール、およびユーザモジュールを含むフィードバックベースの自己適応主客観的重みコンテキストアウェアネスシステムにおいて、
前記オリジナルコンテキスト情報収集モジュールは前記コンテキスト融合モジュールに接続され、前記コンテキスト融合モジュール、前記コンテキスト推論モジュール、前記コンテキストアプリケーションモジュール、および前記ユーザモジュールは周期的に順番に接続されることと;
前記オリジナルコンテキスト情報収集モジュールは、異なる情報ソースから異なる方法でオリジナルコンテキスト情報を収集するように構成されている。オリジナルコンテキスト情報は、異なるセンサから収集されたオリジナルデータを指すことと;
前記コンテキスト融合モジュールは、オリジナルコンテキスト情報に対して融合処理を実行し、前記コンテキスト推論モジュールによって使用可能な一次コンテキスト情報を抽出するように構成されることと;
前記コンテキストアプリケーションモジュールは、高度なコンテキスト情報を利用して、対応するアプリケーションまたはデバイスを調整して、ユーザに適切なサービスを提供することと;
前記ユーザモジュールは、ユーザからの明示的または暗示的なフィードバックを抽出し、定量的な評価の後、各種類のコンテキスト情報の精度に関する判断情報に変換し、主客観的重み管理ユニットに送り、様々なコンテキスト情報の主観的および客観的重み寄与率を最適化することと;
前記明示的フィードバックは、ユーザが積極的に行うフィードバックの動作を指し、前記暗示的フィードバックは、ユーザ表情認識およびユーザ行動分析を通じて前記コンテキストアウェアネスシステムによって間接的に推論されたユーザデータを指すこと;と を含む
ことを特徴とする方法。 - 前記コンテキスト融合モジュールは、逐次接続されたコンテキスト情報前処理ユニット、主客観的重み管理ユニット、およびコンテキスト情報融合ユニットを含むフィードバックベースの自己適応主客観的重みコンテキストアウェアネスシステムにおいて、
前記コンテキスト情報前処理ユニットは、オリジナルコンテキスト情報をデータモデル化し、モデル化モードは「感知タイプ+感知情報」であり、オリジナルコンテキスト情報を分類し、平均化法、最小二乗法、最尤推定法、またはカルマンフィルタ方法により、同類コンテキスト情報に対して欠損値処理と融合操作を実行することと;
主客観的重み管理ユニットは、システムの感知したイベントタイプに従って、重みを割り当てる必要があるコンテキスト情報の種類を識別し、Delphiアルゴリズム、巡回スコアリング法、二項係数法、および階層分析法を含む主観的重み付けアルゴリズムを使用することによって各種類のコンテキスト情報の主観的重みを計算し、そして、主成分分析法、変動係数法、エントロピー重み付け法、多目的計画法を含む客観的重み付けアルゴリズムによって、様々な種類のコンテキスト情報の客観的重みを計算し、ユーザフィードバックの評価に従って、情報を定量化し、動的に各タイプのコンテキスト情報の主観的重みと客観的重みの寄与率を計算し、最後に寄与率に従って様々なコンテキスト情報の主観的および客観的重みを得ることと;
前記コンテキスト情報融合ユニットは、前記主客観的重み管理ユニットによって与えられた各種類のコンテキスト情報および主客観的重みを、ニューラルネットワークに基づく融合アルゴリズム、カルマンフィルタに基づく融合アルゴリズム、ファジィ理論に基づく融合アルゴリズム、およびDempster−Shafer理論に基づく融合アルゴリズムを含む情報融合アルゴリズムと組み合わせて一次コンテキスト情報を得ること;とを含む
請求項1に記載の方法。 - 前記コンテキスト推論モジュールは、順次接続された決定管理ユニットとコンテキスト情報推論ユニットとを含むフィードバックベースの自己適応主客観的重みコンテキストアウェアネスシステムにおいて、
前記決定管理ユニットは、一次コンテキスト情報のタイプ及び感知されたイベントのタイプに従って適切な推論方法を選択し、複数の情報融合アルゴリズムの結果に異なる重みを割り当て、推論精度を改善することと;
前記コンテキスト情報推論ユニットは、前記決定管理ユニットから与えられたオントロジー推論方法、規則に基づく推論方法、証拠に基づく推論方法、およびベイジアンネットワークに基づく推論方法が含む推論方法に従って、前記コンテキスト情報融合ユニットの異なる融合アルゴリズムによって生成された一次コンテキスト情報を推論し、前記コンテキストアプリケーションモジュールによって直接使用されることができる高度なコンテキスト情報を獲得すること;とを含む
請求項2に記載の方法。 - 前記フィードバックベースの自己適応主客観的重みコンテキストアウェアネスシステムを動作させる方法は、特徴が以下のステップである;
S01:オリジナルコンテキスト情報収集;
各種類のセンサからオリジナルコンテキスト情報を取得する、
S02:コンテキスト情報モデリング;
前記コンテキスト情報前処理ユニットは、オリジナルコンテキスト情報をデータモデル化し、モデル化モードは「感知タイプ+感知情報」である、
S03:コンテキスト情報分類融合;
前記コンテキスト前処理ユニットは、オリジナルコンテキスト情報を分類し、すなわち同じ属性を表すコンテキスト情報を同類のオリジナルコンテキスト情報に分類し、同類のオリジナルコンテキスト情報の間で、平均化法、最小二乗法、最尤推定法またはカルマンフィルタ方法によって欠損値処理と融合動作を行う、
S04:アウェアネスに必要なコンテキスト情報の種類の確認;
前記主客観的重み管理ユニットは、システムの感知したイベントの種類と各種類コンテキスト情報と該イベントとの相関関係に応じて重み付けが必要なコンテキスト情報の種類を確認し、重み付けが必要なコンテキスト情報の種類数をnとする、
S05:各種類コンテキスト情報の主観的な重みの計算;
S07:フィードバックがあるかどうかの判断;
主客観的重み管理ユニットは、ユーザモジュールからのユーザフィードバックがあるかどうかを判断し、そうであればステップS08を実行し、そうでなければステップS09を実行する、
S08:寄与率の計算;
前記主客観的重み管理ユニットは、ユーザフィードバックの評価に応じて主観的および客観的重みの寄与率を算出し、主観的重みの寄与率はαであり、客観的重みの寄与率は1−αであり、計算式は式(I)の通りである
(式(I)において、Tiはユーザによって生成されたフィードバックの総数である;Riは、ユーザフィードバックの場合に、ユーザフィードバックと一致する、i番目のコンテキスト情報の融合推論によって得られる結果の数である)、
S09:主客観的な重みの合成;
前記主客観的重み管理ユニットは、寄与率に応じて、各コンテキスト情報の主観的重みと客観的重みとを合成し、各コンテキスト情報の主客観的重み値を求め、合成式は式(II)に示す通りであり、
前記コンテキスト情報融合ユニットは、前記主客観的重みを組み合わせ、異なるコンテキスト情報融合アルゴリズムを使用し、複数の種類のコンテキスト情報をそれぞれ融合し、各情報融合アルゴリズムはシステムのすべての感知結果の可能性を示すために使用される確率ベクトルを取得する。これらの同一または異なる確率ベクトルは、コンテキスト情報推論のための一次コンテキスト情報として使用される、
S11:コンテキスト情報の推論;
前記推論モジュールは、前記決定管理ユニットによって与えられた推論アルゴリズムを用いてステップS10で得られた一次コンテキスト情報を推論し、対応する推論アルゴリズムによって、いくつかの同一または異なる確率ベクトルを推論して最終感知結果、すなわち前記コンテキストアプリケーションモジュールで利用可能な高度なコンテキスト情報を取得する、
S12:コンテキストアプリケーション;
高度なコンテキスト情報を受信した後、前記コンテキストアプリケーションモジュールは対応するアプリケーションまたは装置を調整してユーザに適切なサービスを提供する、
S13:ユーザフィードバック;
前記ユーザモジュールは、コンテキストアプリケーションの使用中のユーザによるシステムの調整、またはシステムの使用中のユーザの行動を、ユーザの明示的なフィードバックまたは暗示的なフィードバックとして記録する、
S14:評価定量化;
前記ユーザモジュールは、ユーザ明示的フィードバックまたは暗示的フィードバックを抽出し、各種類のコンテキスト情報の精度を表示する判断情報に変換し、前記主観的重み及び客観的重みのそれぞれの寄与率を最適化するために情報を前記主客観的重み管理ユニットに送信する、
請求項3に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611252003.X | 2016-12-30 | ||
CN201611252003.XA CN106650937B (zh) | 2016-12-30 | 2016-12-30 | 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 |
PCT/CN2017/104988 WO2018120963A1 (zh) | 2016-12-30 | 2017-09-30 | 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020504374A true JP2020504374A (ja) | 2020-02-06 |
JP6771105B2 JP6771105B2 (ja) | 2020-10-21 |
Family
ID=58836300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019532041A Active JP6771105B2 (ja) | 2016-12-30 | 2017-09-30 | フィードバックベースの自己適応主客観的重みコンテキストアウェアネスシステムおよびその動作方法。 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP6771105B2 (ja) |
CN (1) | CN106650937B (ja) |
WO (1) | WO2018120963A1 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650937B (zh) * | 2016-12-30 | 2019-09-27 | 山东大学 | 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 |
CN108052973B (zh) * | 2017-12-11 | 2020-05-05 | 中国人民解放军战略支援部队信息工程大学 | 基于多项眼动数据的地图符号用户兴趣分析方法 |
CN108875030B (zh) * | 2018-06-25 | 2021-05-18 | 山东大学 | 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法 |
CN109711663B (zh) * | 2018-11-15 | 2021-03-02 | 国网山东省电力公司淄博供电公司 | 基于大数据分析的变电站油浸式变压器状态评估与修正方法及系统 |
CN110599033A (zh) * | 2019-09-12 | 2019-12-20 | 辽宁工程技术大学 | 一种引入更新因子的采空区自燃危险动态预测方法 |
CN110619466A (zh) * | 2019-09-16 | 2019-12-27 | 卓尔智联(武汉)研究院有限公司 | 信息处理方法、装置及存储介质 |
CN113257023B (zh) * | 2021-04-13 | 2022-09-09 | 哈尔滨工业大学 | 一种l3级自动驾驶风险评估与接管预警方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004014076A2 (en) * | 2002-07-31 | 2004-02-12 | Koninklijke Philips Electronics N.V. | Video signal processing optimization in a pvr |
JP2004533660A (ja) * | 2000-10-18 | 2004-11-04 | ジヨンソン・アンド・ジヨンソン・コンシユーマー・カンパニーズ・インコーポレーテツド | 知能性能ベースの製品推奨システム |
US20100299298A1 (en) * | 2009-05-24 | 2010-11-25 | Roger Frederick Osmond | Method for making optimal selections based on multiple objective and subjective criteria |
JP2011069601A (ja) * | 2009-05-11 | 2011-04-07 | Panasonic Electric Works Co Ltd | 機器マネージメント装置およびプログラム |
JP2013015271A (ja) * | 2011-07-04 | 2013-01-24 | Daiwa House Industry Co Ltd | 室内環境制御システム及び室内環境制御方法 |
JP2013089018A (ja) * | 2011-10-18 | 2013-05-13 | Kddi Corp | ユーザインタフェース自動分析評価システム及びユーザインタフェース自動分析評価方法 |
CN105654134A (zh) * | 2015-12-30 | 2016-06-08 | 山东大学 | 一种基于有监督自反馈的情景感知系统及其工作方法与应用 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI20095570L (fi) * | 2009-05-22 | 2009-09-11 | Valtion Teknillinen | Kontekstin tunnistaminen mobiiliaitteissa |
CN102594928B (zh) * | 2012-04-05 | 2014-07-02 | 山东大学 | 一种协作上下文感知的框架模型 |
CN103246819B (zh) * | 2013-05-20 | 2016-10-05 | 山东大学 | 一种面向普适计算的不一致性上下文消除系统和方法 |
CN104346451A (zh) * | 2014-10-29 | 2015-02-11 | 山东大学 | 一种基于用户反馈的情景感知系统及其工作方法和应用 |
CN105095471A (zh) * | 2015-08-07 | 2015-11-25 | 合肥工业大学 | 一种基于短记忆的上下文感知推荐方法 |
CN105389405B (zh) * | 2015-12-30 | 2018-11-30 | 山东大学 | 一种多推理引擎融合上下文感知系统及其工作方法 |
CN106650937B (zh) * | 2016-12-30 | 2019-09-27 | 山东大学 | 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法 |
-
2016
- 2016-12-30 CN CN201611252003.XA patent/CN106650937B/zh active Active
-
2017
- 2017-09-30 JP JP2019532041A patent/JP6771105B2/ja active Active
- 2017-09-30 WO PCT/CN2017/104988 patent/WO2018120963A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004533660A (ja) * | 2000-10-18 | 2004-11-04 | ジヨンソン・アンド・ジヨンソン・コンシユーマー・カンパニーズ・インコーポレーテツド | 知能性能ベースの製品推奨システム |
US20100262556A1 (en) * | 2000-10-18 | 2010-10-14 | Johnson & Johnson Consumer Companies, Inc. | Intelligent performance-based product recommendation |
WO2004014076A2 (en) * | 2002-07-31 | 2004-02-12 | Koninklijke Philips Electronics N.V. | Video signal processing optimization in a pvr |
JP2005535200A (ja) * | 2002-07-31 | 2005-11-17 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | パーソナルテレビの最適化 |
JP2011069601A (ja) * | 2009-05-11 | 2011-04-07 | Panasonic Electric Works Co Ltd | 機器マネージメント装置およびプログラム |
US20100299298A1 (en) * | 2009-05-24 | 2010-11-25 | Roger Frederick Osmond | Method for making optimal selections based on multiple objective and subjective criteria |
JP2013015271A (ja) * | 2011-07-04 | 2013-01-24 | Daiwa House Industry Co Ltd | 室内環境制御システム及び室内環境制御方法 |
JP2013089018A (ja) * | 2011-10-18 | 2013-05-13 | Kddi Corp | ユーザインタフェース自動分析評価システム及びユーザインタフェース自動分析評価方法 |
CN105654134A (zh) * | 2015-12-30 | 2016-06-08 | 山东大学 | 一种基于有监督自反馈的情景感知系统及其工作方法与应用 |
Also Published As
Publication number | Publication date |
---|---|
CN106650937A (zh) | 2017-05-10 |
CN106650937B (zh) | 2019-09-27 |
WO2018120963A1 (zh) | 2018-07-05 |
JP6771105B2 (ja) | 2020-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6771105B2 (ja) | フィードバックベースの自己適応主客観的重みコンテキストアウェアネスシステムおよびその動作方法。 | |
CN111507199A (zh) | 一种佩戴口罩行为检测方法及装置 | |
WO2018120962A1 (zh) | 一种基于可靠性管理的不确定性消除情景感知系统及其工作方法 | |
KR20220020986A (ko) | 인체 속성 인식 방법 및 장치, 전자 기기 그리고 저장 매체 | |
CN111539941B (zh) | 帕金森病腿部灵活性任务评估方法及系统、存储介质及终端 | |
WO2018163555A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN105389405B (zh) | 一种多推理引擎融合上下文感知系统及其工作方法 | |
CN111343650A (zh) | 一种基于跨域数据和对抗损失的城市尺度无线业务流量预测方法 | |
CN107609501A (zh) | 人体相近动作识别方法及装置、存储介质、电子设备 | |
CN115013298A (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
CN112116025A (zh) | 用户分类模型的训练方法、装置、电子设备及存储介质 | |
CN117598674B (zh) | 多参数心脏功能监测系统及方法 | |
CN116226655A (zh) | 智慧家庭环境感知方法、装置、存储介质和电子设备 | |
Silva et al. | Cooperative and Interactive Learning to estimate human behaviours for energy applications | |
CN114492763A (zh) | 一种融合全局上下文信息注意力增强的图神经网络方法 | |
CN110893100A (zh) | 基于足底压力传感器监测体态变化的装置和方法 | |
Zhou et al. | Enabling non-intrusive occupant activity modeling using WiFi signals and a generative adversarial network | |
Bhattacharjee et al. | A comparative study of supervised learning techniques for human activity monitoring using smart sensors | |
CN116630736A (zh) | 一种用户表情捕捉模型的训练方法及系统 | |
CN108038496B (zh) | 基于大数据与深度学习的婚恋对象匹配数据处理方法、装置、计算机设备和存储介质 | |
Huang et al. | Facial expression recognition based on multi‐regional D–S evidences theory fusion | |
Huang et al. | Calibration-aware bayesian learning | |
Kishore et al. | A hybrid method for activity monitoring using principal component analysis and back-propagation neural network | |
CN112116024A (zh) | 用户分类模型的方法、装置、电子设备和存储介质 | |
CN113205044A (zh) | 一种基于表征对比预测学习的深度伪造视频检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190614 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200630 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200714 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200901 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200915 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200928 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6771105 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |