一种模型训练方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种模型训练方法、装置、电子设备及存储介质。其中，该模型训练方法，包括：对原始数据集中的原始数据进行数据预处理得到对应的第一目标数据集；采用预设数据增强算法对所述第一目标数据集进行数据增强，得到对应的第二目标数据集，其中，所述第二目标数据集中的目标数据量大于所述第一目标数据集中的目标数据量；采用所述第二目标数据集对预先创建的原始神经网络模型进行训练，以得到对应的目标神经网络模型。本发明专利技术实施例，通过预设数据增强算法对第一目标数据集进行数据增强，实现了对数据集中的数据扩充，并通过数据扩充得到的第二目标数据集训练原始神经网络模型，提高了模型的准确性，提升用户的使用体验。验。验。

【技术实现步骤摘要】
一种模型训练方法、装置、电子设备及存储介质


[0001]本专利技术涉及计算机应用
，尤其涉及一种模型训练方法、装置、电子设备及存储介质。

技术介绍

[0002]人体动作识别研究是物联网领域当下的热点研究方向，对于特定室内环境中的动作识别任务，可以通过部署Wi
‑
Fi设备，利用人体的活动对Wi
‑
Fi信号产生的扰动识别用户的特定行为，既不涉及用户隐私，也不受光线、视距等因素影响。
[0003]但是通过Wi
‑
Fi信号识别用户动作具有一定的局限性，由于Wi
‑
Fi信号与环境等多种因素息息相关，在某些室内环境中训练好的模型很难直接迁移到其它环境中去使用，而且很难采集大量实际应用环境中的用户数据，会降低模型的准确性。所以，一种能够准确判断人体动作类型的模型训练方法成为了目前亟待解决的问题。

技术实现思路

[0004]本专利技术提供了一种模型训练方法、装置、电子设备及存储介质，以提高模型识别动作类型的准确性，提升用户的使用体验。
[0005]根据本专利技术的一方面，提供了一种模型训练方法，其中，该方法包括：
[0006]对原始数据集中的原始数据进行数据预处理得到对应的第一目标数据集；
[0007]采用预设数据增强算法对第一目标数据集进行数据增强，得到对应的第二目标数据集，其中，第二目标数据集中的目标数据量大于第一目标数据集中的目标数据量；
[0008]采用第二目标数据集对预先创建的原始神经网络模型进行训练，以得到对应的目标神经网络模型。
[0009]根据本专利技术的另一方面，提供了一种模型训练装置，其中，该装置包括：
[0010]第一数据集确定模块，用于对原始数据集中的原始数据进行数据预处理得到对应的第一目标数据集；
[0011]第二数据集确定模块，用于采用预设数据增强算法对第一目标数据集进行数据增强，得到对应的第二目标数据集，其中，第二目标数据集中的目标数据量大于第一目标数据集中的目标数据量；
[0012]模型训练模块，用于采用第二目标数据集对预先创建的原始神经网络模型进行训练，以得到对应的目标神经网络模型。
[0013]根据本专利技术的另一方面，提供了一种电子设备，该电子设备包括：
[0014]至少一个处理器；
[0015]以及与至少一个处理器通信连接的存储器；
[0016]其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本专利技术任一实施例的一种模型训练方法。
[0017]根据本专利技术的另一方面，提供了一种计算机可读存储介质，该计算机可读存储介
质存储有计算机指令，计算机指令用于使处理器执行时实现本专利技术任一实施例的一种模型训练方法。
[0018]本专利技术实施例的技术方案，通过对原始数据集中的原始数据进行数据预处理得到对应的第一目标数据集，采用预设数据增强算法对第一目标数据集进行数据增强，得到对应的第二目标数据集，采用第二目标数据集对预先创建的原始神经网络模型进行训练，以得到对应的目标神经网络模型，实现了扩充第一目标数据集，生成第二目标数据集，通过扩充后的第二目标数据集训练原始神经模型，提高了模型识别动作类型的准确性，提升用户的使用体验。
[0019]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0020]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0021]图1是根据本专利技术实施例提供的一种模型训练方法的流程图；
[0022]图2是根据本专利技术实施例提供的一种模型训练方法的流程图；
[0023]图3是根据本专利技术实施例提供的一种模型训练方法的流程图；
[0024]图4是根据本专利技术实施例提供的未经预处理的原始数据的一条子载波示例图；
[0025]图5是根据本专利技术实施例提供的预处理后的原始数据的一条子载波示例图；
[0026]图6是根据本专利技术实施例提供的一种残差神经网络改进方法的流程图；
[0027]图7是根据本专利技术实施例提供的一种模型训练装置的结构示意图；
[0028]图8是实现本专利技术实施例的一种模型训练方法的电子设备的结构示意图。
具体实施方式
[0029]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0030]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0031]在一些实施例中，图1是根据本专利技术实施例提供的一种模型训练方法的流程图，本
实施例可适用于训练识别动作类型的模型情况，该方法可以由一种模型训练装置来执行，该模型训练装置可以采用硬件和/或软件的形式实现，该模型训练装置可配置于电子设备中。如图1所示，该方法包括：
[0032]S110、对原始数据集中的原始数据进行数据预处理得到对应的第一目标数据集。
[0033]其中，原始数据集可以是由原始数据组成的数据集，原始数据可以是指由Wi
‑
Fi设备发送的包含人体动作信息的信道状态信息(Channel State Information，CSI)，可以是包含一段时间数据的序列片段以及对应的初始动作标签。在实际的操作过程中，用户可以在规定时间内完成指定动作，其中，规定动作的数量可以包括多个。接收天线可以采集包含人体动作信息的信道状态信息，其中，接收天线的数量可以为一个或者多个，接收天线的数量越多，获取的原始数据数量越大。在一实施例中，当接收天线的数量为3时，可以将接收的数据生成1
×
3的多进多出(Multiple
‑
In Multiple Out，MIMO)阵列，以提高信道容量。数据预处理可以是指在主要的处理以前对数据进行的一些处理，通过数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：对原始数据集中的原始数据进行数据预处理得到对应的第一目标数据集；采用预设数据增强算法对所述第一目标数据集进行数据增强，得到对应的第二目标数据集，其中，所述第二目标数据集中的目标数据量大于所述第一目标数据集中的目标数据量；采用所述第二目标数据集对预先创建的原始神经网络模型进行训练，以得到对应的目标神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述对原始数据集中的原始数据进行数据预处理得到对应的第一目标数据集，包括：对原始数据集中的原始数据进行线性插值，得到对应的插值数据集；对所述插值数据集中的数据进行滤波，得到对应的滤波数据集；对所述滤波数据集对应的每个动作片段进行切割，得到对应的多个序列片段，将所述序列片段作为初始训练样本；将所述初始训练样本作为对应的第一目标数据集。3.根据权利要求1所述的方法，其特征在于，所述采用预设数据增强算法对所述第一目标数据集进行数据增强，得到对应的第二目标数据集，包括：从所述第一目标数据集中随机选取两个初始训练样本，作为对应的初始训练样本对；采用预设数据增强算法分别对每个所述初始训练样本对进行数据增强，得到对应的补充训练样本；将每个所述补充训练样本和所述第一目标数据集中的数据进行合并，得到对应的第二目标数据集。4.根据权利要求3所述的方法，其特征在于，所述采用预设数据增强算法分别对每个所述初始训练样本对进行数据增强，得到对应的补充训练样本，包括：预先配置所述初始训练样本对中每个初始训练样本的权重值；根据每个所述初始训练样本和对应的权重值，得到对应的补充训练样本。5.根据权利要求1所述的方法，其特征在于，所述采用所述第二目标数据集对预先创建的原始神经网络模型进行训练，以得到对应的目标神经网络模型，包括：通过所述原始神经...

【专利技术属性】
技术研发人员：李君艳，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：