特征数据集分类制造技术

本发明专利技术公开了装置和操作此类装置的方法。本发明专利技术公开了一种装置，该装置包括特征数据集输入电路以接收特征数据集，该特征数据集包括指示一组特征的多个特征数据值，其中每个特征数据值由一组位表示。类检索电路响应于从特征数据集输入电路接收到特征数据集，以从类指示存储装置检索针对特征数据集中所接收的每个特征数据值的类指示，其中对于每个特征的一组位的每个排列，类指示是预先确定的并且存储在类指示存储装置中。分类输出电路响应于从类检索电路接收到类指示，以根据类指示确定分类。因此，可从简单的装置准确地生成预测类。可从简单的装置准确地生成预测类。可从简单的装置准确地生成预测类。

【技术实现步骤摘要】
【国外来华专利技术】特征数据集分类
[0001]本技术涉及数据处理领域。
[0002]可以采用各种方法来基于构成特征数据集的多个特征数据值对输入数据集进行分类。例如，可以在应用贝叶斯定理的朴素贝叶斯分类器的基础上构建装置。常见的实现基于高斯朴素贝叶斯算法，其中贝叶斯公式中似然项的每个因子被建模为(单变量)高斯分布。可以使用训练数据集(其中待预测的所需类是已知的)训练朴素贝叶斯算法实现，然后可以将该训练模型用于新的输入数据集以生成类预测。此类实现在硬件中可能仍然需要显著水平的计算能力，以便处理每个输入数据集并基于训练模型生成预测类。可能存在一些具体实施上下文，其中希望由具有有限数据处理能力的更简单的设备生成类预测。
[0003]至少一些示例提供了一种装置，该装置包括：特征数据集输入电路，用于接收包括指示一组特征的多个特征数据值的特征数据集，其中每个特征数据值由一组位表示；类检索电路，该类检索电路响应于从特征数据集输入电路接收到特征数据集，以从类指示存储装置检索针对特征数据集中所接收的每个特征数据值的类指示，其中对于每个特征的一组位的每个排列，类指示是预先确定的并且存储在类指示存储装置中；和分类输出电路，该分类输出电路响应于从类检索电路接收到类指示来根据类指示确定分类。
[0004]至少一些示例提供了一种操作装置的方法，该方法包括：在特征数据集输入处接收包括指示一组特征的多个特征数据值的特征数据集，其中每个特征数据值由一组位表示；从类指示存储装置检索针对特征数据集中所接收的每个特征数据值的类指示，其中对于每个特征的一组位的每个排列，类指示是预先确定的并且存储在类指示存储装置中；以及根据类指示确定分类。
[0005]至少一些示例提供了一种装置，该装置包括：用于接收包括指示一组特征的多个特征数据值的特征数据集的装置，其中每个特征数据值由一组位表示；用于从用于存储类指示的装置检索针对特征数据集中所接收的每个特征数据值的类指示的装置，其中对于每个特征的一组位的每个排列，类指示是预先确定的并且存储在用于存储类指示的装置中；和用于根据类指示确定分类的装置。
[0006]将参考如附图所示的本专利技术的实施方案，结合以下描述阅读，仅以举例的方式进一步描述本技术，其中：
[0007]图1示意性地示出了根据一些示例性实施方案的装置；
[0008]图2示意性地示出了训练布置，根据该训练布置，在一些示例性实施方案中，使用特征训练数据集训练高斯朴素贝叶斯模型实现；
[0009]图3A和图3B示出了在一些示例性实施方案中训练模型可基于的示例性特征分布；
[0010]图4示意性地示出了在一些示例性实施方案中包括并行访问的多个类查找表的装置；
[0011]图5示意性地示出了在一些示例性实施方案中包括对多个特征值串行访问的单个类查找表的装置；
[0012]图6A示意性地示出了一些示例性实施方案中的类值的权重；
[0013]图6B示意性地示出了在一些示例性实施方案中通过表决在所指示的类之间进行
选择；
[0014]图7示意性地示出了在一些示例性实施方案中用于接收要用于查找3位类值的5位特征值的低精度实现；
[0015]图8A示意性地示出了在一些示例性实施方案中生成用于装置的输入特征数据集的一组传感器；
[0016]图8B示意性地示出了在一些示例性实施方案中具体体现为塑料加工设备的装置；
[0017]图9示意性地示出了在一些示例性实施方案中被设计为可穿戴设备的装置；并且
[0018]图10示出了根据一些示例性实施方案的方法采取的一系列步骤。
[0019]在本文的一个示例中，提供了一种装置，该装置包括：特征数据集输入电路，用于接收包括指示一组特征的多个特征数据值的特征数据集，其中每个特征数据值由一组位表示；类检索电路，该类检索电路响应于从特征数据集输入电路接收到特征数据集，以从类指示存储装置检索针对特征数据集中所接收的每个特征数据值的类指示，其中对于每个特征的一组位的每个排列，类指示是预先确定的并且存储在类指示存储装置中；和分类输出电路，该分类输出电路响应于从类检索电路接收到类指示来根据类指示确定分类。
[0020]在讨论本技术的特征之前，对于上下文，首先概述朴素贝叶斯算法的核心特征。朴素贝叶斯是基于贝叶斯定理的应用的概率机器学习算法。其使用简化假设，即所有特征一旦以类标签的值为条件，就在统计上是独立的。这将贝叶斯公式简化如下：
[0021][0022]y*为使公式最大化的类标签，其中Y＝{类集}，并且d为特征的数量，并且x
i
为观察到的特征值，p(y)为先验，并且为似然函数。可省略分母项，因为其对最大值没有影响，并且取对数以将乘法转换为加法：
[0023][0024]高斯朴素贝叶斯是其中似然项的每个因子被建模为(单变量)高斯分布的变体：
[0025][0026]如果假设特征遵循高斯分布，则每个似然项将被高斯概率密度函数取代，如下所述：
[0027][0028]最终，这简化成类似以下公式的简单形式：
[0029][0030]其中C
y
为类的对数先验，并且K0
y，i
、K1
y，i
和K2
y，i
为常数并且为针对每个类/特征组合的系数。一般来讲，虽然这些值可以在训练阶段预先计算并存储在存储器中，但是计算类概率仍然是计算密集型的，需要多个MAC操作。
[0031]在该上下文中，本技术提供了一种装置，该装置接收包括多个特征数据值的特征数据集，并且基于该接收到的特征数据集确定代表该特征数据集的分类(即类)。然而，并非累积所有特征以找到每个可能类的概率，然后确定具有最大概率的类，而是提出了一种方法，其中预先计算每个特征的每个可能值的类概率。也就是说，在所提出的分类器装置中，不是考虑具有多个特征的单个分类器，而是生成多个不同的分类器，并从中选出一个作为代表类。本技术的专利技术人已经确定，在实现该方法的装置中，这可使得门计数能够减少，并且潜在地使类确定的操作更快。
[0032]在一些实施方案中，针对每个特征存储在类指示存储装置中的类指示各自被预先确定为最佳类指示，其使用特征训练数据集在训练阶段中最大化用于特征的贝叶斯分类器。因此，在训练阶段预先计算每个特征的类概率，然后可以在其对应的贝叶斯分类器下选择该特征的最佳类：
[0033][0034][0035]可以实现各种形式的贝叶斯分类器，但是在一些实施方案中，贝叶斯分类器是高斯朴素贝叶斯分类器。
[0036]可以使用一系列不同的分布类型对一组特征中的每个特征进行建模。在一些实施方案中，贝叶斯分类器基于用于一组特征中的每个特征的单个分布类型。在一些实施方案中，贝叶斯分类器基于用于一组特征的异构分布类型。这些分布类型可采用多种形式，诸如例如高斯分布、指数分布、均匀分布等。所提出的方法不约束每个特征来自特定类型的分布或所有特征来自相同类型的分布，这允许在实现中具有更大的灵活性，例如如果特征的精确分布是已知的本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种装置，包括：特征数据集输入电路，所述特征数据集输入电路用以接收包括指示一组特征的多个特征数据值的特征数据集，其中每个特征数据值由一组位表示；类检索电路，所述类检索电路响应于从所述特征数据集输入电路接收到所述特征数据集，以从类指示存储装置检索针对所述特征数据集中所接收的每个特征数据值的类指示，其中对于每个特征的所述一组位的每个排列，类指示是预先确定的并且存储在所述类指示存储装置中；和分类输出电路，所述分类输出电路响应于从所述类检索电路接收到类指示来根据所述类指示确定分类。2.根据权利要求1所述的装置，其中针对每个特征存储在所述类指示存储装置中的所述类指示各自被预先确定为最佳类指示，所述最佳类指示使用特征训练数据集在训练阶段中最大化用于所述特征的贝叶斯分类器。3.根据权利要求2所述的装置，其中所述贝叶斯分类器为高斯朴素贝叶斯分类器。4.根据权利要求2或权利要求3所述的装置，其中所述贝叶斯分类器基于用于所述一组特征的每个特征的单个分布类型。5.根据权利要求2或权利要求3所述的装置，其中所述贝叶斯分类器基于用于所述一组特征的异构分布类型。6.根据任一前述权利要求所述的装置，其中所述类指示存储装置具有查找表格式，并且所述类检索电路被布置为针对所述特征数据集中所接收的每个特征数据值相对于所述查找表格式执行查找程序。7.根据任一前述权利要求所述的装置，其中所述类检索电路被布置为针对所述特征数据集中所接收的每个特征数据值并行检索所述类指示。8.根据权利要求1至6中任一项所述的装置，其中所述类检索电路被布置为针对所述特征数据集中所接收的每个特征数据值以串行序列检索所述类指示。9.根据任一前述权利要求所述的装置，其中所述分类输出电路响应于从所述类检索电路接收到所述类指示，通过在所述类指示之间的表决来确定所述分类。10.根据任...

【专利技术属性】
技术研发人员：E，
申请(专利权)人：Arm有限公司，
类型：发明
国别省市：