跨传感器预测性推断制造技术

需要用于高效且可靠地执行基于传感器的预测性数据分析的解决方案。这种需要可以通过例如用于执行跨传感器预测性数据分析的解决方案来解决。在一个示例中，一种用于执行跨传感器预测性数据分析的方法包括：识别包括一个或多个图像数据对象的传感器输入数据对象；基于传感器输入数据对象来确定传感器特征数据对象；通过使用跨传感器预测性推断模型处理传感器特征数据对象，来生成与传感器输入数据对象相关联的目标预测性实体的预测；以及基于跨传感器预测来执行基于预测的动作。

【技术实现步骤摘要】
【国外来华专利技术】跨传感器预测性推断相关申请的交叉引用本申请要求于2019年12月2日提交的美国专利申请号16/699,838的优先权，其要求临时专利申请号62/774,569、62/774,573、62/774,579和62/774,602的优先权，所有这些临时专利申请均提交于2018年12月3日，并且所有这些申请通过引用全文合并于此。
技术介绍
本专利技术的各种实施例解决了与执行基于传感器的预测性数据分析相关的技术挑战。现有的基于传感器的预测性数据分析解决方案不适于高效且可靠地执行这种基于传感器的预测性数据分析。本专利技术的各种实施例解决了所述的基于传感器的预测性数据分析解决方案的缺点，且公开了用于高效且可靠地执行基于传感器的预测性数据分析的各种技术。
技术实现思路
总体上，本专利技术的实施例提供了高效且可靠地执行基于传感器的预测性数据分析的方法、装置、系统、计算设备、计算实体及/或类似物。某些实施例利用使用单传感器(per-sensor)特征定义模型、单传感器特征提取模型和跨传感器预测性推断模型中的至少一个来执行基于传感器的预测性数据分析的系统、方法本文档来自技高网...

【技术保护点】
1.一种用于跨传感器预测性推断的计算机实现的方法，所述计算机实现的方法包括：/n识别包括一个或多个图像数据对象的多个传感器输入数据对象；/n至少部分地基于所述多个传感器输入数据对象来确定多个传感器特征数据对象，其中确定所述多个传感器特征数据对象包括：/n对于所述多个传感器输入数据对象中的每个传感器输入数据对象，至少部分地基于用于所述传感器输入数据对象的特征定义模型来确定一个或多个期望观测度量；以及/n对于与所述多个传感器输入数据对象中的传感器输入数据对象相关联的所述一个或多个期望观察度量中的每个期望观察度量，通过使用与所述传感器输入数据对象相关联的多个特征提取模型中的特征提取模型处理所述传感器...

【技术特征摘要】
【国外来华专利技术】20181203 US 62/774,569;20181203 US 62/774,573;20181.一种用于跨传感器预测性推断的计算机实现的方法，所述计算机实现的方法包括：
识别包括一个或多个图像数据对象的多个传感器输入数据对象；
至少部分地基于所述多个传感器输入数据对象来确定多个传感器特征数据对象，其中确定所述多个传感器特征数据对象包括：
对于所述多个传感器输入数据对象中的每个传感器输入数据对象，至少部分地基于用于所述传感器输入数据对象的特征定义模型来确定一个或多个期望观测度量；以及
对于与所述多个传感器输入数据对象中的传感器输入数据对象相关联的所述一个或多个期望观察度量中的每个期望观察度量，通过使用与所述传感器输入数据对象相关联的多个特征提取模型中的特征提取模型处理所述传感器输入数据对象来确定所述多个传感器特征数据对象中的传感器特征数据对象，其中所述多个特征提取模型包括一个或多个图像特征提取模型；
通过使用跨传感器预测性推断模型处理所述多个传感器特征数据对象来生成用于与所述多个传感器输入数据对象相关联的目标预测性实体的一个或多个跨传感器预测；以及
至少部分地基于所述一个或多个跨传感器预测来执行一个或多个基于预测的动作。


2.根据权利要求1所述的计算机实现的方法，其中，所述多个特征提取模型包括卷积神经网络。


3.根据权利要求1所述的计算机实现的方法，其中，所述多个特征提取模型包括基于胶囊的机器学习模型。


4.根据权利要求1所述的计算机实现的方法，其中，确定用于所述多个传感器输入数据对象中的传感器输入数据对象的所述一个或多个期望观测度量包括：
识别用于所述传感器输入数据对象的一个或多个潜在观测度量；以及
通过至少部分地基于用于所述传感器的所述特征定义模型选择所述一个或多个潜在观测度量的期望子集来确定所述一个或多个期望观测度量。


5.根据权利要求1所述的计算机实现的方法，其中，至少部分地基于所述目标预测性实体的一个或多个推断性质来定义所述特征定义模型。


6.根据权利要求1所述的计算机实现的方法，其中，至少部分地基于所述一个或多个潜在观测度量中的每个潜在观测度量的特征置信度度量来定义所述特征定义模型。


7.根据权利要求1所述的计算机实现的方法，其中，生成与所述多个传感器数据对象中的第一传感器数据对象相关联的所述多个特征提取模型中的第一特征提取模型包括：
识别通用模型和局部模型，其中所述局部模型至少部分地基于与所述第一传感器数据对象的物理环境相关联的局部训练数据而生成；
确定所述局部模型的局部模型置信度度量是否超过模型置信度阈值；
响应于确定所述局部模型的所述局部模型置信度度量超过所述模型置信度阈值，采用所述局部模型作为所述第一特征提取模型；以及
响应于确定所述局部模型的所述局部模型置信度度量未超过所述模型置信度阈值，采用所述通用模型作为所述第一特征提取模型。


8.根据权利要求7所述的计算机实现的方法，其中，至少部分地基于所述通用模型的通用模型置信度度量来确定所述模型置信度阈值。


9.根据权利要求1所述的计算机实现的方法，其中，生成所述多个提取特征模型中的第一特征提取模型包括：
识别与所述第一特征提取模型相关联的一个或多个模型生成设备；
从所述一个或多个模型生成设备中的每个模型生成设备接收用于所述第一特征提取模型的权重更新数据；以及
至少部分地基于从所述一个或多个模型生成设备中的模型生成设备接收的每个权重更新数据来确定所述第一特征提取模型。


10.根据权利要求9所述的计算机实现的方法，其中，确定所述第一特征提取模型还包括至少部分地基于所述一个或多个模型生成设备中的模型生成设备的每个训练强度度量来确定第一特征提取模型。


11.根据权利要求1所述的计算机实现的方法，其中：
所述多个传感器输入数据对象中的每个传感器输入数据对象与多个传感器中的传感器相关联，以及
至少部分地基于与所述传感器输入数据对象相关联的所述多个传感器中的所述传感器来确定所述多个传感器输入数据对象中的传感器输入数据对象的每个特征定义模型。


12.一种用于跨传感器预测性推断的装置，所述装置包括至少一个处理器和包括程序代码的至少一个存储器，所述至少一个存储器和所述程序代码被配置为与所述处理器一起使得所述装置至少：
识别包括一个或多个图像数据对象的多个传感器输入数据对象；
至少部分地基于所述多个传感器输入数据对象来确定多个传感器特征数据对象，其中确定所述多个传感器特征数据对象包括：
对于所述多个传感器输入数据对象中的每个传感器输入数据对象，至少部分地基于用于所述传感器输入数据对象的特征定义模型来确定一个或多个期望观测度量；以及
对于与所述多个传感器输入数据对象中的传感器输入数据对象相关联的所述一个或多个期望观察度量中的每个期望观察度量，通过使用与所述传感器输入数据对象相关联的多个特征提取模型中的特征提取模型处理所述传感器输入数据...

【专利技术属性】
技术研发人员：安东尼·米切尔·休斯，普林斯·帕勒·柏林，
申请(专利权)人：戴斯数字有限责任公司，
类型：发明
国别省市：美国;US