分类识别模型的训练方法、分类识别方法及其装置和系统制造方法及图纸

本申请提供了一种分类识别模型的训练方法、分类识别方法及其装置和系统，可应用于需要分类识别检测的场景，例如智能驾驶、智能交通、无人驾驶、高精地图以及需要外界的非法入侵检测的工业场景，例如电力、安防、石化和通信等场景。该训练方法包括：获取第一类别样本，第一类别样本的类别不属于第一分类识别模型支持的类别集合；对第一类别样本进行特征提取，得到第一类别样本的分类质心；将第一类别样本的分类质心添加至第一分类识别模型的分类器的参数矩阵，得到第二分类识别模型，第二分类识别模型用于识别第一类别样本。本申请揭示的训练方法，能够可以避免对模型的重新训练，同时对新出现的样本数据准确分类识别，提升分类识别的准确性。识别的准确性。识别的准确性。

【技术实现步骤摘要】
分类识别模型的训练方法、分类识别方法及其装置和系统


[0001]本申请涉及光通信
，并且更具体地，涉及一种分类识别模型的训练方法、分类识别方法及其装置和系统。

技术介绍

[0002]当前，许多工业场景都需要外界的非法入侵检测，例如，电力、交通、安防、石化和通信等场景。以石化领域为例，外界的非法入侵包括多种情况，例如，挖机机施工破坏、人工铲挖掘偷油等。基于光纤传感的入侵检测是检测入侵事件的一个有效手段，入侵信号通过地质传播被分布式光纤声音传感(distributed fiber acoustic sensing，DAS)系统中的光缆感知，在光缆感知外界入侵信号后，预先训练好的入侵识别模型会对入侵信号进行分类，从而识别出具体的入侵类别。
[0003]但是，由于光纤较长，DAS系统通常会经过复杂多样的地理环境，例如农田、鱼塘、山区、公路、隧道等等，且光纤环境属于开集环境，各种未知的入侵事件可能随着时间的推移不断出现，预先训练好的入侵识别模型将难以适用。
[0004]因此，亟需一种分类识别模型的训练方法和装置，能够对新出现的入侵事件准确分类识别，提升分类识别的准确性。

技术实现思路

[0005]本申请提供了一种分类识别模型的训练方法、分类识别方法及其装置和系统，能够对新出现的入侵事件准确分类识别，提升分类识别的准确性。本申请提供的分类识别模型的训练方法、分类识别方法及其装置和系统可以应用于需要外界的非法入侵检测的工业场景，例如，电力、安防、石化和通信等场景，还可以应用于其他需要分类识别检测的场景，例如智能驾驶、智能交通、无人驾驶、高精地图以及智能化检测等场景。
[0006]第一方面，提供了一种分类识别模型的训练方法。该方法包括：获取第一类别样本，第一类别样本的类别不属于第一分类识别模型支持的类别集合；对第一类别样本进行特征提取，得到第一类别样本的分类质心；将第一类别样本的分类质心添加至第一分类识别模型的分类器的参数矩阵，得到第二分类识别模型，第二分类识别模型用于识别第一类别样本。
[0007]本申请揭示的方法，通过提取新样本数据的分类质心，并将新样本数据的分类质心添加至已有的分类识别模型的参数矩阵，能够可以避免对模型的重新训练，同时对新出现的样本数据准确分类识别，提升分类识别的准确性。
[0008]结合第一方面，在第一方面的某些实现方式中，上述对第一类别样本进行特征提取，得到第一类别样本的分类质心，包括：使用第一分类识别模型对第一类别样本进行特征提取，得到特征向量集合；对特征向量集合进行处理，得到第一类别样本的分类质心。其中，上述对特征向量集合进行处理，包括：对特征向量集合进行求平均。这样做，通过分类识别模型对类别样本进行特征提取得到特征向量集合，并根据特征向量集合进一步得到类别样
本的分类质心，有助于提升分类质心的适用性和准确度。
[0009]结合第一方面，在第一方面的某些实现方式中，上述将第一类别样本的分类质心添加至第一分类识别模型的参数矩阵，得到第二分类识别模型，包括：对第一类别样本的分类质心进行分布变换得到第一权重参数，第一权重参数与第一分类识别模型包括的分类的权重参数分布相同；将第一权重参数添加至第一分类识别模型的参数矩阵，得到第二分类识别模型。这样做，通过将类别样本的分类质心转换得到的权重参数设置为原有的分类识别模型包括的分类的权重参数分布相同，可以直接将该权重参数添加至原有的分类识别模型的参数矩阵，得到新的分类识别模型，可以避免重新训练，从而节省开销，避免遗忘已有的分类。
[0010]结合第一方面，在第一方面的某些实现方式中，第一权重参数与第一分类识别模型包括的分类的权重参数分布相同，包括：第一权重参数与第一分类识别模型包括的分类的权重参数的均值和方差相同；或者第一权重参数与第一分类识别模型包括的分类的权重参数的均值相同。这样做，使得第一权重参数可以进一步添加至第一分类识别模型的分类器的参数矩阵中，从而形成新的分类识别模型，避免重新训练，从而节省开销，避免遗忘已有的分类。
[0011]结合第一方面，在第一方面的某些实现方式中，将第一权重参数添加至第一分类识别模型的参数矩阵，包括：第一权重参数的维度为n，第一权重参数的参数矩阵为W＝{w
i
|0≤i<n}，w
i
表示组成矩阵W的向量，第一分类识别模型支持的类别数量为k，第一分类识别模型的参数矩阵为Q1＝{q
j
|0≤j<k}，q
j
表示组成矩阵Q1的矩阵或向量，可以表示一种具体的类别(例如图6中空心圆形所示的类别“挖掘机行驶”、“挖掘机敲击”等)；其中，q
j
＝{q
ij
|0≤i<n}，q
ij
表示组成矩阵q
j
的向量，可以表示q
j
所代表的具体类别中的元素或参数(例如，当q
j
所代表的具体类别为“挖掘机敲击”时，q
ij
可以表示组成“挖掘机敲击”的元素，如“震动频率”、“压力大小”等)，n和K为正整数；将第一权重参数添加至第一分类识别模型的参数矩阵，包括：将第一权重参数的参数矩阵W添加至第一分类识别模型的分类器的参数矩阵Q1，得到第二分类识别模型的分类器的Q2＝{q
j
|0≤j≤k}，在这里，q
j
表示组成矩阵Q2的矩阵或向量，也可以表示一种具体的类别，完成添加步骤之后，q
j
的取值范围有所增加，即支持的类别数量有所增加。例如，图6中所示的模型，在完成添加步骤之后，新增了支持的类别“新入侵事件”，该“新入侵事件”可以是“小轿车行驶”等原分类识别模型所不支持或无法识别的类别。这样做，通过将第一权重参数添加至第一分类识别模型的分类器的参数矩阵，形成新的分类识别模型，能够可以避免对模型的重新训练，同时对新出现的样本数据准确分类识别，提升分类识别的准确性。
[0012]结合第一方面，在第一方面的某些实现方式中，第一分类模型是根据训练数据训练好的，训练数据包括第二类别样本以及对应的分类标签。
[0013]结合第一方面，在第一方面的某些实现方式中，第二分类识别模型用于识别第一类别样本和第二类别样本的类别。
[0014]第二方面，提供了一种分类识别的方法。该方法包括：获取第一类别样本，第一类别样本的类别不属于第一分类识别模型支持的类别集合；使用第二分类识别模型识别第一类别样本的类别，第二分类识别模型是由第一类别样本的分类质心添加至第一分类识别模型的参数矩阵得到的。
[0015]本申请揭示的方法，通过提取新样本数据的分类质心，并将新样本数据的分类质心添加至已有的分类识别模型的参数矩阵，能够可以避免对模型的重新训练，同时对新出现的样本数据准确分类识别，提升分类识别的准确性。
[0016]第三方面，提供了一种分类识别模型的训练装置。该装置包括：获取单元，用于获取第一类别样本，第一类别样本的类别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分类识别模型的训练方法，其特征在于，包括：获取第一类别样本，所述第一类别样本的类别不属于第一分类识别模型支持的类别集合；对所述第一类别样本进行特征提取，得到所述第一类别样本的分类质心；将所述第一类别样本的分类质心添加至所述第一分类识别模型的分类器的参数矩阵，得到第二分类识别模型，所述第二分类识别模型用于识别所述第一类别样本。2.根据权利要求1所述的训练方法，其特征在于，所述对所述第一类别样本进行特征提取，得到所述第一类别样本的分类质心，包括：使用所述第一分类识别模型对所述第一类别样本进行特征提取，得到特征向量集合；对所述特征向量集合进行处理，得到所述第一类别样本的分类质心。3.根据权利要求2所述的训练方法，其特征在于，所述对所述特征向量集合进行处理，包括：对所述特征向量集合进行求平均。4.根据权利要求1所述的训练方法，其特征在于，所述将所述第一类别样本的分类质心添加至所述第一分类识别模型的分类器的参数矩阵，得到第二分类识别模型，包括：对所述第一类别样本的分类质心进行分布变换得到第一权重参数，所述第一权重参数与所述第一分类识别模型包括的分类的权重参数分布相同；将所述第一权重参数添加至所述第一分类识别模型的分类器的参数矩阵，得到所述第二分类识别模型。5.根据权利要求4所述的方法，其特征在于，所述第一权重参数与所述第一分类识别模型包括的分类的权重参数分布相同，包括：所述第一权重参数与所述第一分类识别模型包括的分类的权重参数的均值和方差相同；或者所述第一权重参数与所述第一分类识别模型包括的分类的权重参数的均值相同。6.根据权利要求1至5中任一项所述的训练方法，其特征在于，所述第一分类模型是根据训练数据训练好的，所述训练数据包括第二类别样本以及对应的分类标签。7.根据权利要求1至6中任一项所述的训练方法，其特征在于，所述第二分类识别模型用于识别所述第一类别样本和所述第二类别样本的类别。8.一种分类识别模型的训练装置，其特征在于，所述装置包括：获取单元，用于获取第一类别样本，所述第一类别样本的类别不属于第一分类识别模型支持的类别集...

【专利技术属性】
技术研发人员：于群，王万里，李川，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：