状态感知级联机器学习系统和方法技术方案

公开了一种级联机器学习推断系统和方法。级联系统和方法可被设计成在资源受限的环境中采用。级联系统和方法可适用于以有限功率操作的应用（例如，可穿戴智能手表）。级联系统和方法可以采用两个或更多个子系统，所述子系统可操作以对适合于给定应用的任何数量或类型的传感器所提供的输入信号进行分类。例如，所使用的传感器可以包括陀螺仪、加速度计、磁力计或气压高度计。该系统和方法还可以进一步跨附加的或新的子系统分离功能。通过跨附加的子系统分离操作和功能，可以进一步降低整体功耗。耗。耗。

【技术实现步骤摘要】
状态感知级联机器学习系统和方法


[0001]本公开涉及一种机器学习系统，其包括可操作以对可由惯性传感器提供的输入信号进行分类的两个或更多个子系统。

技术介绍

[0002]使用机器学习算法对输入数据进行分类的任务被理解为跨不同应用适用。基于给定的应用，单个机器学习算法可能非常大，其中具有数千万个变量。这种大型网络通常需要大量的计算处理能力和巨大的数据存储资源。因此，这样的机器学习模型可以具有大的能源足迹（footprint）。通常，这样的大型机器学习模型不能部署在诸如可穿戴设备、智能电话或IoT设备之类的资源受限设置中。

技术实现思路

[0003]公开了一种级联机器学习系统和方法。该系统和方法可以包括第一子系统和第二子系统，所述第一子系统包括多个操作状态和至少第一机器学习算法，所述第二子系统包括第二机器学习算法。当接收到第一组感测数据信号时，可以激活第二子系统。第二算法（即，第二机器学习算法）可以对第一组感测数据信号进行分类。可以从多个操作状态中选择第一操作状态以供第一子系统采用。还可以基于第一操作状态来选择将由第一子系统使用的一组活动参数。第二子系统可以被停用（例如，以节省功率），并且第一算法（即，第一机器学习算法）可以对第二组感测数据信号进行分类。然后，可以将第二组感测数据信号的分类与该组活动参数进行比较。并且，如果使用第一机器学习算法所执行的输出分类无效，则可以重新激活第二子系统。
[0004]级联机器学习系统和方法还可以将使用第一机器学习算法的第二组感测数据信号的分类的置信度水平与某一阈值进行比较。如果置信度水平小于该阈值，则第二子系统也可以被重新激活。还设想，可以使用第二机器学习算法对第二组感测数据信号进行分类。如果使用至少第一机器学习算法的第二组感测数据信号的分类等于使用第二机器学习算法的第二组感测数据信号的分类，则可以增大阈值。或者，如果使用第二机器学习算法的第二组感测数据信号的分类等于该组活动参数中的一个，则可以减小阈值。如果调整了阈值，则可以使用第二机器学习算法对第二组感测数据信号进行分类。还设想，阈值可以临时或永久地存储在存储器内。
[0005]还可以在预定时段已经期满之后，使用第二机器学习算法对第二组感测数据信号进行分类。设想，第一子系统可以在第一处理器（例如，低功率微处理器）上采用，而第二子系统在第二处理器（例如，应用处理器）上采用。第二机器学习算法也可以使用完整训练数据组和多个标签来训练。并且，可以使用完整训练数据组来训练第一子系统，但是一个或多个指定标签被组合到一个类别中。
附图说明
[0006]图1示出具有第一子系统和第二子系统的级联系统的示例性实施例；图2示出可以由第一子系统或第二子系统采用的示例性CNN；图3示出由级联系统实现的示例性状态图；图4示出由级联系统实现的另一示例性状态图。
具体实施方式
[0007]本文描述了本公开的实施例。然而，应当理解，所公开的实施例仅仅是示例，并且其他实施例可以采取各种和替代形式。附图不一定是按比例的；一些特征可能被夸大或最小化以示出特定组件的细节。因此，本文公开的具体结构和功能细节不应被解释为是限制性的，而仅作为用于教导本领域技术人员以各种方式采用实施例的代表性基础。如本领域普通技术人员应当理解的，参考任何一个附图示出和描述的各种特征可以与一个或多个其他附图中示出的特征进行组合，以产生未明确示出或描述的实施例。所示特征的组合提供了针对典型应用的代表性实施例。然而，与本公开的教导一致的特征的各种组合和修改可能对于特定应用或实现是期望的。
[0008]对于机器学习算法，神经网络（例如，CNN或DNN）的使用已经增多了，并且现在跨包括对输入数据进行分类以提供事件检测、活动分类、图像分类和对象分类（例如，对象识别或面部识别）的各种各样的应用而采用。然而，用于对来自惯性传感器的输入数据进行分类的常规神经网络可能极大，从而需要大量的计算和数据存储资源。因此，这种大型网络消耗大量能量，并且通常具有大的功率足迹。此外，常规神经网络通常不能部署在资源受限的设置中（例如，在如智能手表的可穿戴设备或IoT设备内）。
[0009]因此，可以设想，级联机器学习推断可以被设计为在资源受限的设置或环境中采用。级联系统和方法可适用于以有限功率操作的应用（例如，可穿戴智能手表、智能电话或IoT设备）。级联系统和方法可采用两个或更多个子系统，所述两个或更多个子系统可操作以对由一个或多个传感器提供的输入信号进行分类。通常在消费者设备中使用的传感器是基于MEMS的陀螺仪、加速度计、磁力计、压力传感器或气压高度计。该系统和方法还可以进一步跨附加的或新的子系统分离功能。通过跨附加的子系统来分离操作和功能，可以进一步降低整体功耗。
[0010]可以设想，级联系统可以采用一个子系统（即，执行第一机器学习算法的第一子系统），该子系统根据有限的一组活动、图像、类别、对象或对象群组来接收数据并对数据进行分类。然后，在某些情况下并且取决于应用，可以将经分类的数据发送到执行完全分类的更复杂的子系统（即，执行第二机器学习算法的第二子系统）。通过采用在执行的分类和区域消耗方面具有不同复杂性的两个子系统，多级网络可以需要比常规的机器学习网络更少的功率。
[0011]图1示出了包括第一子系统102和第二子系统104的级联系统100的示例性实施例。如所示，第一子系统102和第二子系统104可以被设计为包括至少一个处理器106、108，其可操作地连接到相应的存储器单元114、116。一个或多个传感器140也可以电连接到第一子系统102和第二子系统104。一个或多个传感器140可以包括时间序列传感器，如陀螺仪、加速度计、磁力计、压力传感器、气压高度计、光电血管容积图（PPG）、心率传感器或压电传感器。
然而，这些仅是示例性传感器，并且应当理解，级联系统100可以被设计成根据应用与任何其他种类的传感器一起操作。一个或多个传感器140可以向第一子系统102和第二子系统104提供信号数据142。
[0012]每个处理器106、108可以是实现相应处理单元（PU）110、112的功能的一个或多个集成电路。PU 110、112可以是实现诸如x86、ARM、Power或MIPS指令集系列之一的指令集的商用的处理单元。然而，可以设想，商用的处理单元可以是用于实现第一子系统102和第二子系统104的示例性方法。例如，还设想，PU 110、112可以是专门的加速器单元，其包括被优化用于实现机器学习算法或神经网络（例如，CNN、DNN或决策树）的特殊功能或指令，诸如模拟计算单元或在存储器中执行计算操作的单元。进一步设想，PU 110、112可以使用专门的集成电路来设计，例如专用集成电路（ASIC）或现场可编程门阵列（FPGA）。
[0013]在操作期间，每个PU 110、112可以执行从相关联的存储器单元114、116检索的所存储的程序指令。所存储的程序指令可以包括控制每个PU 110、112的操作以执行这里所描述的操作的软件。在一些示例中，每个处理器1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种级联机器学习系统，包括：第一子系统，包括多个操作状态和至少第一机器学习算法；第二子系统，包括第二机器学习算法；至少第一处理器，可操作以：当接收到第一组感测数据信号时，激活所述第二子系统；使用所述第二机器学习算法对所述第一组感测数据信号进行分类；从所述多个操作状态中选择要由所述第一子系统采用的第一操作状态；选择要由所述第一子系统使用的一组活动参数，其中，该组活动参数是基于所述第一操作状态来选择的；停用所述第二子系统；使用所述第一机器学习算法对第二组感测数据信号进行分类；将所述第二组感测数据信号的分类与该组活动参数进行比较；以及如果使用所述第一机器学习算法所执行的输出分类无效，则重新激活所述第二子系统。2.根据权利要求1所述的级联机器学习系统，其中，所述第一处理器还可操作以：将使用所述第一机器学习算法对所述第二组感测数据信号的分类的置信度水平与阈值进行比较；以及如果所述置信度水平小于所述阈值，则重新激活所述第二子系统。3.根据权利要求2所述的级联机器学习系统，其中，所述第一处理器还可操作以：使用所述第二机器学习算法对所述第二组感测数据信号进行分类；以及如果使用至少所述第一机器学习算法对所述第二组感测数据信号的分类等于使用所述第二机器学习算法对所述第二组感测数据信号的分类，则增大所述阈值。4.根据权利要求2所述的级联机器学习系统，其中，所述第一处理器还可操作以：使用所述第二机器学习算法对所述第二组感测数据信号进行分类；以及如果使用所述第二机器学习算法对所述第二组感测数据信号的分类等于该组活动参数中的一个，则减小所述阈值。5.根据权利要求2所述的级联机器学习系统，其中，所述第一处理器还可操作以：如果所述阈值被调整，则使用所述第二机器学习算法对所述第二组感测数据信号进行分类。6.根据权利要求2所述的级联机器学习系统，其中，所述阈值被存储以用于预定数量的迭代。7.根据权利要求1所述的级联机器学习系统，其中，所述第一处理器还可操作以：在预定时段已经期满之后，使用所述第二机器学习算法对所述第二组感测数据信号进行分类。8.根据权利要求1所述的级联机器学习系统，其中，所述第一子系统在所述第一处理器上采用，并且所述第二子系统在第二处理器上采用。9.根据权利要求8所述的级联机器学习系统，其中，所述第二处理器包括应用处理器，并且所述第一处理器包括低功率微处理器。10.根据权利要求1所述的级联机器学习系统，其中，所述第二机器学习算法使用完整
训练数据组和多个标签来训练。11.根据权利要求1所述的级联机器学习系统，其中，所述第一子系统使用完整训练数据组来训练，但一个或多个指定标签被组合成一个类别。12.一种级联算法方法，包括：初始化第一子系统和第二子系统，所述第一子系统包括第一算法和多个操作状态，并且所述第二子系统包括第二算法；当接收到第一组感测数据信号时，激活所述第一子系统；使用所述第二算法对所述第一...

【专利技术属性】
技术研发人员：R，
申请(专利权)人：罗伯特，
类型：发明
国别省市：