一种设备及其信息处理方法、计算机存储介质技术

本发明专利技术实施例公开了一种设备及其信息处理方法、计算机存储介质。所述方法包括：获得一段时间范围内采集的第一数据；获得第二设备的第二数据的分类结果；其中，所述第二数据由所述第二设备在所述时间范围内获得；基于所述分类结果和所述第一数据生成第一样本集；基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集；基于所述第二样本集进行训练，获得所述第一设备的第一模型。

A Device and Its Information Processing Method and Computer Storage Medium

【技术实现步骤摘要】
一种设备及其信息处理方法、计算机存储介质
本专利技术涉及机器智能领域，具体涉及一种设备及其信息处理方法、计算机存储介质。
技术介绍
现有的物联网设备自主学习方法都是在已经有被打标好的训练数据的基础上，利用机器学习中监督学习的方法，通过对训练数据的学习实现对测试数据的分类，此方法只适用于数据已经有标注的情况。对于目前穿戴设备有如下问题，一是设备买入时已经嵌入了行为识别模型，这种情况导致模型不具有个性化特征，并不能适用于所有设备；二是设备买入时没有嵌入行为识别模型，这种情况下处理的方式是人工对新的传感设备采集到的数据进行重新打标，而数据的重新打标过程耗时耗力，且由于需要人工的干预，导致整个系统的智能化程度很低，不能满足物联网时代智能化的需求，同时这种方法对于穿戴设备这种使用寿命较短，随时可能被更换的设备尤为不适用，目前没有公认的适用于个性化用户数据的、带有自主学习能力的穿戴设备。
技术实现思路
为解决现有存在的技术问题，本专利技术实施例提供一种设备及其信息处理方法、计算机存储介质。为达到上述目的，本专利技术实施例的技术方案是这样实现的：本专利技术实施例提供了一种信息处理方法，应用于第一设备中；所述方法包括：获得一段时间范围内采集的第一数据；获得第二设备的第二数据的分类结果；其中，所述第二数据由所述第二设备在所述时间范围内获得；基于所述分类结果和所述第一数据生成第一样本集；基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集；基于所述第二样本集进行训练，获得所述第一设备的第一模型。上述方案中，所述基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，包括：基于所述第一样本集中按照机器学习模型进行训练，获得所述第一数据的预测标记；基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，使得所述风险函数获得最小值；其中，所述权重向量为所述风险函数中的未知数。上述方案中，所述风险函数满足以下表达式：其中，E()表示风险函数；g()表示决策函数；w表示决策函数的参数；g(xi,w)表示所述第一数据中第i个数据的实际标记；v表示权重向量；λ表示预设学习率；所述基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，包括：以预设值作为v的初始值，以所述风险函数获得最小值作为求解条件，采用循环迭代方式求解所述风险函数中的w，以及以求解后的w作为已知数、所述风险函数获得最小值作为求解条件，求解v的中间值，将所述v的中间值作为下一次迭代的v的初始值；基于所述v的初始值和所述v的中间值判断v的变化是否低于预设阈值；当判断结果为v的变化低于预设阈值时，获得当前求解过程中v的初始值作为所述预测标记对应的权重向量。上述方案中，所述获得第二设备的第二数据的分类结果，包括：获得所述时间范围内第二设备同步的第二数据；获得所述第二设备的第二模型，基于所述第二模型对所述第二数据进行识别分类，获得分类结果；或者，获得来自所述第二设备的分类结果；所述分类结果由所述第二设备基于所述第二模型进行识别分类后发送。上述方案中，所述方法还包括：获得第三数据，基于所述第一模型对所述第三数据进行分类识别，获得所述第三数据对应的分类结果。本专利技术实施例还提供了一种设备，所述设备包括：第一获取单元、第二获取单元、样本生成单元和模型训练单元；其中，所述第一获取单元，用于获得一段时间范围内采集的第一数据；所述第二获取单元，用于获得第二设备的第二数据的分类结果；所述样本生成单元，用于基于所述第二获取单元获得的分类结果和所述第一获取单元获得的所述第一数据生成第一样本集；基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集；所述模型训练单元，用于基于所述样本生成单元获得的所述第二样本集进行训练，获得所述第一设备的第一模型。上述方案中，所述样本生成单元，用于基于所述第一样本集中按照机器学习模型进行训练，获得所述第一数据的预测标记；基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，使得所述风险函数获得最小值；其中，所述权重向量为所述风险函数中的未知数。上述方案中，所述风险函数满足以下表达式：其中，E()表示风险函数；g()表示决策函数；w表示决策函数的参数；g(xi,w)表示所述第一数据中第i个数据的实际标记；v表示权重向量；λ表示预设学习率；所述样本生成单元，用于以预设值作为v的初始值，以所述风险函数获得最小值作为求解条件，采用循环迭代方式求解所述风险函数中的w，以及以求解后的w作为已知数、所述风险函数获得最小值作为求解条件，求解v的中间值，将所述v的中间值作为下一次迭代的v的初始值；基于所述v的初始值和所述v的中间值判断v的变化是否低于预设阈值；当判断结果为v的变化低于预设阈值时，获得当前求解过程中v的初始值作为所述预测标记对应的权重向量。上述方案中，所述设备还包括第三获取单元，用于获得所述时间范围内第二设备同步的第二数据；还用于获得所述第二设备的第二模型；所述第二获取单元，用于基于所述第三获取单元获得的所述第二模型对所述第二数据进行识别分类，获得分类结果；或者，所述第二获取单元，用于获得来自所述第二设备的分类结果；所述分类结果由所述第二设备基于所述第二模型进行识别分类后发送。上述方案中，所述设备还包括分类识别单元；所述第一获取单元，还用于获得第三数据；所述分类识别单元，用于基于所述模型训练单元获得的所述第一模型对所述第三数据进行分类识别，获得所述第三数据对应的分类结果。本专利技术实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现本专利技术实施例所述方法的步骤。本专利技术实施例还提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本专利技术实施例所述方法的步骤。本专利技术实施例提供的设备及其信息处理方法、计算机存储介质，所述方法包括：获得一段时间范围内采集的第一数据；获得第二设备的第二数据的分类结果；其中，所述第二数据由所述第二设备在所述时间范围内获得；基于所述分类结果和所述第一数据生成第一样本集；基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集；基于所述第二样本集进行训练，获得所述第一设备的第一模型。采用本专利技术实施例的技术方案，不具有模型也不具有标注数据的第一设备通过自步学习机制进行自主学习，实现了第一设备自主学习获得第一模型，大大提升了设备的识别能力，同时也可以扩展物联网系统提成智能化程度。附图说明图1为本专利技术实施例的信息处理方法的流程示意图；图2为本专利技术实施例的信息处理方法中获得第二样本集的方法流程示意图；图3为本专利技术实施例的设备的组成结构的一种示意图；图4为本专利技术实施例的设备的组成结构的另一种示意图；图5为本专利技术实施例的设备的组成结构的又一种示意图；图6为本专利技术实施例的设备的硬件组成结构示意图。具体实施方式下面结合附图及具体实施例对本专利技术作进一步详细的说明。实施例一本专利技术实施例提供了一种信息处理方法，应用于第一设本文档来自技高网...

【技术保护点】
1.一种信息处理方法，应用于第一设备中；其特征在于，所述方法包括：获得一段时间范围内采集的第一数据；获得第二设备的第二数据的分类结果；其中，所述第二数据由所述第二设备在所述时间范围内获得；基于所述分类结果和所述第一数据生成第一样本集；基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集；基于所述第二样本集进行训练，获得所述第一设备的第一模型。

【技术特征摘要】
1.一种信息处理方法，应用于第一设备中；其特征在于，所述方法包括：获得一段时间范围内采集的第一数据；获得第二设备的第二数据的分类结果；其中，所述第二数据由所述第二设备在所述时间范围内获得；基于所述分类结果和所述第一数据生成第一样本集；基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，基于分类准确度满足预设条件的样本生成第二样本集；基于所述第二样本集进行训练，获得所述第一设备的第一模型。2.根据权利要求1所述的方法，其特征在于，所述基于自步学习机制分析所述第一样本集，获得所述第一样本集中分类准确度满足预设条件的样本，包括：基于所述第一样本集中按照机器学习模型进行训练，获得所述第一数据的预测标记；基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，使得所述风险函数获得最小值；其中，所述权重向量为所述风险函数中的未知数。3.根据权利要求2所述的方法，其特征在于，所述风险函数满足以下表达式：其中，E()表示风险函数；g()表示决策函数；w表示决策函数的参数；g(xi,w)表示所述第一数据中第i个数据的实际标记；v表示权重向量；λ表示预设学习率；所述基于所述机器学习模型的风险函数求解所述预测标记对应的权重向量，包括：以预设值作为v的初始值，以所述风险函数获得最小值作为求解条件，采用循环迭代方式求解所述风险函数中的w，以及以求解后的w作为已知数、所述风险函数获得最小值作为求解条件，求解v的中间值，将所述v的中间值作为下一次迭代的v的初始值；基于所述v的初始值和所述v的中间值判断v的变化是否低于预设阈值；当判断结果为v的变化低于预设阈值时，获得当前求解过程中v的初始值作为所述预测标记对应的权重向量。4.根据权利要求1所述的方法，其特征在于，所述获得第二设备的第二数据的分类结果，包括：获得所述时间范围内第二设备同步的第二数据；获得所述第二设备的第二模型，基于所述第二模型对所述第二数据进行识别分类，获得分类结果；或者，获得来自所述第二设备的分类结果；所述分类结果由所述第二设备基于所述第二模型进行识别分类后发送。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：获得第三数据，基于所述第一模型对所述第三数据进行分类识别，获得所述第三数据对应的分类结果。6.一种设备，其特征在于，所述设备包括：第一获取单元、第二获取单元、样本生成单元和模型训练单元；其中，所述第一获取单元，用于获得一段时间范围内采集的第一数据；所述第二获取单元，用于获得第二设备的第二数据的分类结果；...

【专利技术属性】
技术研发人员：鲍媛媛，
申请(专利权)人：中国移动通信有限公司研究院，中国移动通信集团有限公司，
类型：发明
国别省市：北京,11