CN110009113A - 物联网设备自主学习方法、装置、设备、存储介质 - Google Patents
物联网设备自主学习方法、装置、设备、存储介质 Download PDFInfo
- Publication number
- CN110009113A CN110009113A CN201810001639.XA CN201810001639A CN110009113A CN 110009113 A CN110009113 A CN 110009113A CN 201810001639 A CN201810001639 A CN 201810001639A CN 110009113 A CN110009113 A CN 110009113A
- Authority
- CN
- China
- Prior art keywords
- equipment
- node
- internet
- data
- things
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明实施例公开了一种物联网设备自主学习方法、装置、设备、存储介质,其中,所述方法包括:根据第二设备的属性确定满足第一预设条件的第一设备,所述第二设备为新加入物联网的终端设备,第一设备为所述物联网中已有的终端设备;获取满足第二预设条件的所述第一设备的第一设备数据X和所述第二设备的第二设备数据Y;获取对所述第一设备的第一设备数据X中每一条数据进行标注的初始标注集合S;根据所述初始标注集合S和所述第二设备数据Y确定所述第二设备的训练模型Φ’。
Description
技术领域
本发明涉及机器智能领域,尤其涉及一种物联网设备自主学习方法、装置、设备、存储介质。
背景技术
物联网发展势头正在呈一个加速的趋势,根据很多国际咨询公司的预测,到2020年全球预计有250亿连接的物联网设备。而由于设备的移动性、服务的实时性等,导致上述物联网设备处于高度动态的变化环境中,随时有新的设备加入到物联网环境中。而新加入的设备往往存在缺乏训练数据或训练样本的问题,传统的解决方案是人工对新的设备数据进行重新打标,而数据的重新打标过程耗时耗力,且由于需要人工的干预,导致整个***的智能化程度很低,不能满足物联网时代智能化的需求。
发明内容
有鉴于此,本发明实施例为解决现有技术中存在的至少一个问题而提供一种物联网设备自主学习方法、装置、设备、存储介质,在有新的设备加入物联网***时,能够实现不需人工干预的再学习,从而提高设备的智能化程度。
本发明实施例的技术方案是这样实现的:
本发明实施例提供一种物联网设备自主学习方法,所述方法包括:
根据第二设备的属性确定满足第一预设条件的第一设备,所述第二设备为新加入物联网的终端设备,第一设备为所述物联网中已有的终端设备;
获取满足第二预设条件的所述第一设备的第一设备数据X和所述第二设备的第二设备数据Y;
获取对所述第一设备的第一设备数据X中每一条数据进行标注的初始标注集合S;
根据所述初始标注集合S和所述第二设备数据Y确定所述第二设备的训练模型Φ’。
本发明实施例提供一种物联网设备自主学习装置,所述装置包括:
第一确定单元,用于根据第二设备的属性确定满足第一预设条件的第一设备,所述第二设备为新加入物联网的终端设备,第一设备为所述物联网中已有的终端设备;
第一获取单元,用于获取满足第二预设条件的所述第一设备的第一设备数据X和所述第二设备的第二设备数据Y;
第二获取单元,用于获取对所述第一设备的第一设备数据X中每一条数据进行标注的初始标注集合S=[s1,s2,…,sn],其中sj表示S中的任意一条标识结果,其中
第二确定单元,用于根据所述初始标注集合S和所述第二设备数据Y确定所述第二设备的训练模型Φ’。
本发明实施例提供一种物联网设备自主学习设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权上述物联网设备自主学习方法中的步骤。
本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述物联网设备自主学习方法中的步骤。
本发明实施例中,根据第二设备的属性确定满足第一预设条件的第一设备,所述第二设备为新加入物联网的终端设备,第一设备为所述物联网中已有的终端设备;获取满足第二预设条件的所述第一设备的第一设备数据X和所述第二设备的第二设备数据Y;获取对所述第一设备的第一设备数据X中每一条数据进行标注的初始标注集合S=[s1,s2,…,sn],其中sj表示S中的任意一条标识结果,其中根据所述初始标注集合S和所述第二设备数据Y确定所述第二设备的训练模型Φ’;如此,在有新的设备加入物联网***时,能够实现不需人工干预的再学习,从而提高设备的智能化程度。
附图说明
图1为本发明实施例物联网设备自主学习方法的实现流程示意图;
图2为本发明又一实施例物联网设备自主学习的方法的实现流程示意图;
图3为本发明实施例物联网设备自主学习的示意图;
图4为本发明实施例无向图模型的示意图;
图5为本发明实施例自动化更新标注的实现流程示意图;
图6为本发明实施例物联网设备自主学习装置的组成结构示意图;
图7为本发明实施例物联网终端设备的一种硬件实体示意图。
具体实施方式
随着社会的发展,物联网中的终端设备的数量越来越多,而由于设备的移动性、服务的实时性等,导致上述物联网设备处于高度动态的变化环境中,随时有新的设备加入到物联网环境中。而新加入的设备往往存在缺乏训练数据或训练样本的问题,传统的解决方案是人工对新的设备数据进行重新打标,其中,打标就是对训练数据或训练样本进行分类,得到分类结果的一个过程。由于是新的物联网设备,那么就需要针对新的物联网设备的设备数据进行打标,而数据的重新打标过程耗时耗力,且由于需要人工的干预,导致整个***的智能化程度很低,不能满足物联网时代智能化的需求。因此,设计物联网设备的自主学习算法,使其具有自主学习能力。当环境变化时,即有新的相同功能的设备加入***时,实现不需人工干预的再学习,对于提高设备的智能化程度具有重要意义。
现有的物联网设备自主学习方法都是在已经有被打标好的训练数据的基础上,利用机器学习中监督学习的方法,通过对训练数据的学习实现对测试数据的分类,此方法只适用于数据已经有标注的情况,而物联网***由于物联网设备的网络连接、功耗、***更新等实际情况,一直处于高度动态变化中,即随时有可能有新的、没有经过训练的设备加入到***中,而此设备由于没有经过训练,也就是说没有打标好的数据,因此不具有识别能力,针对这种情况,传统的解决方案是人工对新的设备数据进行重新打标,而数据的重新打标耗时耗力,且由于需要人工的干预,导致整个***的智能化程度很低,不能满足物联网时代智能化的需求,目前没有公认的较为简便、适用于物联网设备的自主学习方法。
下面结合附图和实施例对本发明的技术方案进一步详细阐述。
本实施例提出一种物联网设备自主学习方法,该方法所实现的功能可以通过物联网终端设备中的处理器调用程序代码来实现,当然程序代码可以保存在计算机存储介质中,可见,该物联网终端设备至少包括处理器和存储介质。
图1为本发明实施例物联网设备自主学习方法的实现流程示意图,如图1所示,该方法包括:
步骤S101,根据第二设备的属性确定满足第一预设条件的第一设备,所述第二设备为新加入物联网的终端设备,第一设备为所述物联网中已有的终端设备;
其中,设备的属性包括设备所实现的功能、类别等,所述第一预设条件为属性相同或者属性相类似,例如两个设备的功能相同或相类似就认为两个设备满足第一预设条件。
步骤S102,获取满足第二预设条件的所述第一设备的第一设备数据X和所述第二设备的第二设备数据Y;
步骤S103,获取对所述第一设备的第一设备数据X中每一条数据进行标注的初始标注集合S=[s1,s2,…,sn],其中sj表示S中的任意一条标识结果,其中n表示类别的总数目;
步骤S104,根据所述初始标注集合S和所述第二设备数据Y确定所述第二设备的训练模型Φ’。
从以上可以看出,从具有训练模型的已接入物联网的设备A向新接入物联网的设备B的传递,即通过同步一段时间,将设备A的模型Φ传递给设备B,得到B的模型Φ’,利用模型Φ’设备B具备工作能力,从而实现机器学习能力在设备之间的传递与提高,完成整个物联网***的智能化程度的提高。
在实现的过程中,该方法的执行主体为新接入物联网中的终端,例如新接入的终端为设备B,那么该方法的全部或部分可以在设备B上运行。但是需要说明的是,如果全部在设备B上执行时,需要向设备B(第二设备)导入一个预设的关系列表,该关系列表用于表明设备属性与已接入物联网的设备(例如设备标识)之间的映射关系,这样设备B可以通过步骤S101确定已接入物联网的设备A(第一设备)。当然步骤S101还可以是物联网中的网络设备例如服务器或物联网网关来执行。步骤S102和步骤S103中的第一设备数据和初始标注集合S可以是设备B向设备A或网络设备去请求。
在上述实施例中,根据所述初始标注集合S和所述第二设备数据Y确定所述第二设备的训练模型Φ’,包括:
步骤S11,根据所述第二设备数据Y构建无向图,其中,所述第二设备数据Y中的每一条数据Yj对应所述无向图中的节点vj,所述无向图中节点vj之间的相似度对应为所述无向图中的边;
步骤S12,确定所述无向图中每个节点vj的离心率,根据所述离心率确定所述初始标注集合S中可靠的节点集Ψ;
其中,所述确定所述无向图中每个节点vj的离心率,包括:针对每一个类别Ci,通过公式确定节点vj的离心率,其中,节点vj的离心率指节点vj与类别Ci中所有节点距离的最大值,其中,数据Yj表示节点vj,Yk表示第二设备数据Y的任意一条数据,max表示取最大值,d表示计算距离;
对应地,根据所述离心率确定所述初始标注集合S中的可靠节点集Ψ,包括:通过公式计算类别Ci中最可靠的节点RCi,其中,类别Ci中最可靠的节点RCi是与类别Ci中的节点离心率最小的节点,min表示取最小值;将所有类别的最可靠的节点确定为可靠节点集合Ψ。
步骤S13,根据所述可靠节点集Ψ和所述初始标注集合确定更新后的标注集合RL;
其中,所述根据所述可靠节点集Ψ完成所述初始标注集合的更新,得到更新后的标注集合RL,包括:
通过更新初始标注集合S,得到更新后的标注集合RL=[rl1,rl2,…,rln],其中符号表示不属于,符号表示属于。
步骤S14,根据所述更新后的标注集合RL,对所述第二设备数据Y进行训练,得到第二设备的训练模型Φ’。
所述根据所述可靠节点集Ψ和所述初始标注集合确定更新后的标注集合RL,包括:
通过对RL进行初始化,得到初始化后的标注集合RL=[rl1,rl2,…,rln],其中符号表示不属于符号,符号表示属于符号;
根据所述可靠节点集Ψ,通过最小生成树算法,以最低的遍历成本完成对所述初始化后的标注集合RL的更新,得到更新后的标注集合RL。
其中,所述根据所述可靠节点集Ψ,通过最小生成树算法,以最低的遍历成本完成对所述初始化后的标注集合RL的更新,得到更新后的标注集合RL,包括:
步骤S21,选择一个rl为零的节点vp;
步骤S22,从节点vp出发,根据所述无向图G,选择无向图G中边的权重最大的边进行扩散;
步骤S23,判断与权重最大的边相邻的另一节点的rl是否为零,若为零,则继续从节点vp出发,根据所述无向图G,选择边权重最大的边进行路径扩散;若不为零,将不为零的节点确定为结束节点,并结束遍历过程;
步骤S24,将已经遍历过的扩散路径上的所有节点的rl都置为所述结束节点的rl,直到所有节点的rl都不为零时停止。
在其他的实施例中,所述方法还包括:将所述无向图中节点之间的相似度确定为所述无向图中的边的权重,假设有节点vi和节点vj,通过公式计算节点之间的相似度η(vi,vj)。
本发明实施例中,所述获取对所述第一设备的第一设备数据X中每一条数据进行标注的初始标注集合S,包括:
利用所述第一设备的训练模型Φ对所述第一设备的第一设备数据X中每一条数据进行标注,得到初始标注集合S=[s1,s2,…,sn],其中sj表示S中的任意一条标识结果,其中类别集合C。
本发明通过概率无向图和最小生成树算法,对物联网设备自主学习进行***、整体的研究,旨在提出一种物联网设备自主学习的方法,该方法包括以下步骤:
首先,将与新设备B具有同样功能的、已经被训练好的设备A共同工作一段时间t,由于设备A具有工作能力,即已有训练好的模型Φ,根据模型Φ对t时间段内获取到的设备A和B的设备数据(表示为A+B的数据)进行标注,得到标注soft_label;
需要说明的是,标注soft_label对应的初始标注集合S,初始标注集合S中的任意一个标注记为si。
其次,根据B设备数据,构建概率无向图,B设备的数据对应无向图中的节点,节点之间的相似度对应为无向图中的边;
再次,对每个节点提出节点离心率的概念,即,计算每个节点的离心率,根据离心率确定soft_label中最为可靠的节点集Ψ;
再次,依据得到的可靠节点集Ψ,借鉴最小生成树算法,以最低的遍历成本完成soft_label的更新;
最后,根据更新后的soft_label结果,对设备B的数据进行训练,得到模型Φ’,从而完成学习能力从设备A向设备B的传递,即通过同步一段时间,将设备A的模型Φ传递给设备B,得到B的模型Φ’,利用模型Φ’设备B具备工作能力,从而实现机器学习能力在设备之间的传递与提高,完成整个物联网***的智能化程度的提高。
本发明实施例提供一种物联网设备自主学习的方法,图2为本发明又一实施例物联网设备自主学习的方法的实现流程示意图,如图2所示,该方法包括以下步骤:
步骤S1,设定设备同步机制,实现设备之间标注的初始传递,得到初始标注集合S;
这里,在实现的过程中,可以根据设备的属性信息确定设备同步机制,其中设备的属性信息包括设备实现的功能、设备所属类别等;例如两个设备的功能和类别中至少有一个属性相同,那么可以设置为设备同步机制中的两个设备,例如设备A为温度传感器,如果设备B也为温度传感器,设备A和设备B属于同一类别或实现的功能相同的设备,那么设备A和设备B可以实现数据同步,如果设备A为已经被训练好的设备,具有打标好的数据和已有训练好的模型Φ;如果设备B为新设备,那么可以利用设备A的打标好的数据和已有训练好的模型Φ来训练设备B的模型。
步骤S2,根据新加入设备B的数据,构建无向图模型G;
步骤S3,计算无向图模型G中每一个节点的离心率,根据离心率确定最可靠节点集Ψ;
步骤S4,依据可靠节点集Ψ和初始标注集合S,借鉴最小生成树算法,实现初始标注的更新,得到refined_label;
需要说明的是,标注refined_labell对应的初始标注集合RL,初始标注集合RL中的任意一个标注记为rli,rli
步骤S5,根据refined_label结果,实现对设备B的数据的训练,得到模型Φ’;
步骤S6,依据设备B的模型Φ’,实现设备B能力的构建。
其中,在步骤S1中,假设获取设备A第i条数据Xi:Xi={xi1,xi2,…,xik};对每条数据进行人为标注(即打标的过程),得到标注所有标注的集合为S=[s1,s2,…,st],其中,表示属于符号,第i条数据可以为在i时刻能够获取到的数据,Ci类别表示类别即分类结果,Ci可以为类别集合C={C1,C2,…,Cn}中的任意一个,si表示s1至st中的任意一个,i为大于等于1小于等于t的整数;通过对上述数据Xi和所有标注的集合S进行训练,可得到模型Φ。利用模型Φ能够实现功能F,当设备B新加入物联网***时,其只能获取设备B的第i条数据Yi={yi1,yi2,…,yim},但不具有任何功能,即对于获取的数据没有任何标注。
设定设备同步机制,即让设备A和设备B共同存在于物联网***中一段时间t,可获取到数据为Hi={Xi,Yi}={xi1,xi2,…,xik,yi1,yi2,…,yim},i=1,2,…t,由于设备A利用模型Φ能够实现功能F,则对于新的数据Hi中的一部分数据Xi,依据Φ(Xi)能够得到数据的原始标注,即si。
图3为本发明实施例物联网设备自主学习的示意图,假设图3中的设备A为体感传感器,设备B也为体感传感器,设备A为已经被训练好的设备,具有打标好的数据和已有训练好的模型Φ;设备B为新设备,那么可以利用设备A的打标好的数据和已有训练好的模型Φ来训练设备B的模型。
其中,在步骤S2中,根据新的数据Hi中的另一部分数据,也即新加入设备B获取的数据Yi,构建无向图模型。假设无向图用G=(V,E)表示,其中V表示无向图中的节点集合V=[v1,v2,…,vn],数据Yi对应于无向图中的节点vi,根据步骤S1的同步机制,节点集合V中的节点vi具有一个初始标注si,E表示无向图中的边集合,节点之间的相似度对应于无向图中的边的权重。假设有节点vi和节点vj,则节点之间的相似度η(vi,vj)由下式(1)计算得到:
公式(1)中的两个节点vi和节点vj的相似度,其中i不等于j。
图4为本发明实施例无向图模型的示意图,如图4所示,该无向图模型中v1至v6表示节点集合V,两个节点之间的连线表示边,v1至v6任意两个节点之间的边的集合为E,两个节点之间的边没有方向,因此称为无向图。
其中,在步骤S3中,提出了节点离心率的概念,针对每一个类别Ci,节点vj的离心率指节点vj与类别Ci中所有节点距离的最大值,如下式(2)表示:
公式(2)中,Yj表示第j个设备B的数据即为节点vj,Yk表示类别Ci中所有节点的任意一个节点。
则对于每一个类别Ci能够获取到该类别中最可靠的一个节点,类别Ci中最可靠的节点RCi是与类别Ci中的节点离心率最小的节点,如下式(3)表示:
因此所有类别的最可靠节点集合Ψ如下式(4)所示:
其中,在步骤S4中,包括两个步骤,其一是,依据可靠节点集Ψ和初始标注集合S对标注集合RL进行初始化的过程,其二是借鉴最小生成树prim算法,对标注集合RL进行更新的过程。
其中,依据可靠节点集Ψ和初始标注集合S对标注集合RL进行初始化的过程,包括:依据可靠节点集Ψ和初始标注集合S对标注集合RL进行初始化,得到标注集合RL=[rl1,rl2,…,rln]按照如下方式(5):
其中,借鉴最小生成树prim算法,对标注集合RL进行更新的机制,主体思想是:
步骤1)任意选择一个rl为零的节点;
步骤2)从该节点出发,根据S2步骤中构建的无向图G,选择边权重最大的边进行扩散;
步骤3)判断与权重最大的边相邻的另一节点的rl是否为零,若为零,则返回步骤2)继续进行遍历,若不为零,则将该不为零的节点记为结束节点,并结束遍历过程,并将所有已经遍历过的节点的rl都置为该结束节点的rl,直到所有节点的rl都不为零时停止。
从以上可以看出,借鉴最小生成树prim算法对标注集合RL进行更新是这样的,即,从一个rl为零的节点出发,在无向图G中选择边权重最大的边进行路径扩散(这个路径称为扩散路径),到一个rl不为零的节点结束,将结束节点(即rl不为零的节点)的rl赋值给扩散路径上的所有的节点。
图5为本发明实施例自动化更新标注的实现流程示意图,如图5所示,该流程包括:
步骤S501,获取V=[v1,v2,…,vn];
其中,获取V=[v1,v2,…,vn]即为获取无向图中的节点集合V=[v1,v2,…,vn];设备B的数据Yi对应于无向图中的节点vi;
步骤S502,将RL集合中零元素集合确定为zero_set;
步骤S503,判断零元素集合zero_set是否为空?如果是,进入步骤S512,如果否,进入步骤S504;
步骤S504,随机选择zero_set中的元素vi;
步骤S505,最小生成树tree_set=[vi],U=V-tree_set;
其中,集合U为最小生成树集合的补集,节点集合V为全集。
步骤S506,判断U中元素是否为空?如果是,进入步骤S502;如果否,进入步骤S507;
步骤S507,选择U中与tree_set中最相似的元素vj;
这里,根据相似度选择U中与tree_set中最相似的元素vj,假设有节点vi和节点vj,则节点之间的相似度η(vi,vj)由下式(1)计算得到:
公式(1)中的两个节点vi和节点vj的相似度,其中i不等于j。
步骤S508,判断vj是否存在?如果是,进入步骤S509;如果否,进入步骤S502;
步骤S509,判断rlj是否为0?如果是,进入步骤S510;如果否,进入步骤S511;
其中,vj的类别为rlj,如果rlj为零,则进入步骤S510。
步骤S510,tree_set=[tree_set,vj],U=V-tree_set;
步骤S511,tree_set=[tree_set,vj],tree_set中节点的rl都更新为rlj;
步骤S512,结束。
其中,在步骤S5中,根据RL中的结果,实现对设备B的数据的训练,训练过程可选择朴素贝叶斯算法、SVM算法、kNN算法等经典的分类算法,根据各自算法的特征得到相应的模型Φ’;
其中,在步骤S6中,依据设备B的模型Φ’,实现设备B能力的构建,即当设备B新采集到一组数据Zi={zi1,zi2,…,zim}时,利用模型Φ’(Zi)可以得到新数据的类别标注,也即实现了设备A的识别能力向设备B识别能力的传递,在没有设备A的情况下,仅依靠设备B亦可实现与设备A类似的功能。
本实施例中,借鉴图论和最小生成树算法,对物联网设备自主学习进行***、整体的研究,旨在针对物联网场景中新加入的设备缺乏训练数据的问题,提出一种同步物联网设备自主学习方法,首先,将与新设备B具有同样功能的、已经被训练好的设备A共同工作一段时间t,由于设备A具有工作能力,即已有训练好的模型Φ,根据模型Φ对t时间段内获取到的A+B的数据进行标注,得到标注S;其次,根据B设备数据,构建无向图,B设备的数据对应图中的节点,节点之间的相似度对应为图中的边;再次,对每个节点提出标注离心率的概念,根据离心率确定S中最为可靠的节点集Ψ;再次,依据得到的节点集,借鉴最小生成树算法,以最低的遍历成本完成S的更新;最后,根据更新后的RL结果,对设备B的数据进行训练,得到模型Φ’,从而完成学习能力从设备A向设备B的传递,使设备B具备工作能力。该方法是一种不需要借助于人力实现的自主学习方法,能够有效提高整个物联网***的智能化程度,对于无人值守的、环境高度动态变化的物联网设备尤为重要。
与现有技术相比,本实施例具有以下优点:已有的物联网设备自主学习方法相关的发明都是描述物联网设备如何根据用户使用设备的习惯和记录,自主学习出用户的喜好,例如空调自主学习到用户的最适宜温度,电饭煲自主学习出用户的饮食喜好,并根据此自主学习结果实现物联网设备的智能控制,且发明中主要强调感知、学习、控制的过程如何实现,没有发明着重说明自主学习机制,因此已有发明与本发明存在显著差别。首先,本发明针对物联网场景中新加入的设备缺乏训练数据的问题,提出一种同步物联网设备自主学习方法,该方法基于图论和最小生成树算法,考虑两个具备同一识别功能的物联网设备A和B,其中A设备已经被训练好,即具有打标的训练数据,而另一设备B没有被训练,若用户计划弃用已被训练好的设备A,而启用新的设备B,则本方法能够提供一种物联网设备自主学习的方法,能够在同时使用设备A和设备B一段很短的时间后,将设备A的识别能力传递给设备B,也即设备B具有与A类似的识别能力,该方法是一种不需要借助于人力实现的自主学习方法,对于无人值守的、环境高度动态变化的物联网设备尤为重要,能够提高物联网设备的智能化程度,且本发明的重点不是感知、学习、控制整个的过程,而是着重介绍自主学习机制。
基于前述的实施例,本发明实施例提供一种物联网设备自主学习装置,该装置包括所包括的各单元、以及各单元所包括的各模块,可以通过物联网终端设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。
图6为本发明实施例物联网设备自主学习装置的组成结构示意图,如图6所示,所述装置600包括第一确定单元601、第一获取单元602、第二获取单元603和第二确定单元604,其中:
第一确定单元601,用于根据第二设备的属性确定满足第一预设条件的第一设备,所述第二设备为新加入物联网的终端设备,第一设备为所述物联网中已有的终端设备;
第一获取单元602,用于获取满足第二预设条件的所述第一设备的第一设备数据X和所述第二设备的第二设备数据Y;
第二获取单元603,用于获取对所述第一设备的第一设备数据X中每一条数据进行标注的初始标注集合S=[s1,s2,…,sn],其中sj表示S中的任意一条标识结果,其中
第二确定单元604,用于根据所述初始标注集合S和所述第二设备数据Y确定所述第二设备的训练模型Φ’。
所述第二确定单元604包括:
构建模块,用于根据所述第二设备数据Y构建无向图,其中,所述第二设备数据Y中的每一条数据Yj对应所述无向图中的节点vj,所述无向图中节点vj之间的相似度对应为所述无向图中的边;
第一确定模块,用于确定所述无向图中每个节点vj的离心率,根据所述离心率确定所述初始标注集合S中可靠的节点集Ψ;
第二确定模块,用于根据所述可靠节点集Ψ和所述初始标注集合确定更新后的标注集合RL;
训练模块,用于根据所述更新后的标注集合RL,对所述第二设备数据Y进行训练,得到第二设备的训练模型Φ’。
其中,所述确定所述无向图中每个节点vj的离心率,包括:针对每一个类别Ci,通过公式确定节点vj的离心率,其中,节点vj的离心率指节点vj与类别Ci中所有节点距离的最大值,其中,数据Yj表示节点vj,Yk表示第二设备数据Y的任意一条数据,max表示取最大值,d表示计算距离;对应地,根据所述离心率确定所述初始标注集合S中的可靠节点集Ψ,包括:通过公式计算类别Ci中最可靠的节点RCi,其中,类别Ci中最可靠的节点RCi是与类别Ci中的节点离心率最小的节点,min表示取最小值;将所有类别的最可靠的节点确定为可靠节点集合Ψ。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本发明装置实施例中未披露的技术细节,请参照本发明方法实施例的描述而理解。
需要说明的是,本发明实施例中,如果以软件功能模块的形式实现上述的物联网设备自主学习方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台物联网终端设备执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本发明实施例不限制于任何特定的硬件和软件结合。
对应地,本发明实施例提供一种物联网设备自主学习设备(物联网终端设备),包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的物联网设备自主学习方法中的步骤。
对应地,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的物联网设备自主学习方法中的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本发明存储介质和设备实施例中未披露的技术细节,请参照本发明方法实施例的描述而理解。
需要说明的是,图7为本发明实施例物联网终端设备的一种硬件实体示意图,如图7所示,该物联网终端设备700的硬件实体包括:处理器701、通信接口702和存储器703,其中
处理器701通常控制物联网终端设备700的总体操作。
通信接口702可以使物联网终端设备通过网络与其他终端或服务器通信。
存储器703配置为存储由处理器701可执行的指令和应用,还可以缓存待处理器701以及物联网终端设备700中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(RandomAccess Memory,RAM)实现。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台物联网终端设备执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种物联网设备自主学习方法,其特征在于,所述方法包括:
根据第二设备的属性确定满足第一预设条件的第一设备,所述第二设备为新加入物联网的终端设备,第一设备为所述物联网中已有的终端设备;
获取满足第二预设条件的所述第一设备的第一设备数据X和所述第二设备的第二设备数据Y;
获取对所述第一设备的第一设备数据X中每一条数据进行标注的初始标注集合S;
根据所述初始标注集合S和所述第二设备数据Y确定所述第二设备的训练模型Φ’。
2.根据权利要求1所述的方法,其特征在于,根据所述初始标注集合S和所述第二设备数据Y确定所述第二设备的训练模型Φ’,包括:
根据所述第二设备数据Y构建无向图,其中,所述第二设备数据Y中的每一条数据Yj对应所述无向图中的节点vj,所述无向图中节点vj之间的相似度对应为所述无向图中的边;
确定所述无向图中每个节点vj的离心率,根据所述离心率确定所述初始标注集合S中可靠的节点集Ψ;
根据所述可靠节点集Ψ和所述初始标注集合确定更新后的标注集合RL;
根据所述更新后的标注集合RL,对所述第二设备数据Y进行训练,得到第二设备的训练模型Φ’。
3.根据权利要求2所述的方法,其特征在于,所述确定所述无向图中每个节点vj的离心率,包括:
针对每一个类别Ci,通过公式确定节点vj的离心率,其中,节点vj的离心率指节点vj与类别Ci中所有节点距离的最大值,其中,数据Yj表示节点vj,Yk表示第二设备数据Y的任意一条数据,max表示取最大值,d表示计算距离;
对应地,根据所述离心率确定所述初始标注集合S中的可靠节点集Ψ,包括:通过公式计算类别Ci中最可靠的节点RCi,其中,类别Ci中最可靠的节点RCi是与类别Ci中的节点离心率最小的节点,min表示取最小值;
将所有类别的最可靠的节点确定为可靠节点集合Ψ。
4.根据权利要求2所述的方法,其特征在于,所述根据所述可靠节点集Ψ和所述初始标注集合确定更新后的标注集合RL,包括:
通过对RL进行初始化,得到初始化后的标注集合RL=[rl1,rl2,…,rln],其中符号表示不属于符号,符号表示属于符号;
根据所述可靠节点集Ψ,通过最小生成树算法,以最低的遍历成本完成对所述初始化后的标注集合RL的更新,得到更新后的标注集合RL。
5.根据权利要求4所述的方法,其特征在于,所述根据所述可靠节点集Ψ,通过最小生成树算法,以最低的遍历成本完成对所述初始化后的标注集合RL的更新,得到更新后的标注集合R,包括:
选择一个rl为零的节点vp;
从节点vp出发,根据所述无向图G,选择无向图G中边的权重最大的边进行扩散;
判断与权重最大的边相邻的另一节点的rl是否为零,若为零,则继续从节点vp出发,根据所述无向图G,选择边权重最大的边进行路径扩散;若不为零,将不为零的节点确定为结束节点,并结束遍历过程;
将已经遍历过的扩散路径上的所有节点的rl都置为所述结束节点的rl,直到所有节点的rl都不为零时停止。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
将所述无向图中节点之间的相似度确定为所述无向图中的边的权重,假设有节点vi和节点vj,通过公式计算节点之间的相似度η(vi,vj)。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述获取对所述第一设备的第一设备数据X中每一条数据进行标注的初始标注集合S,包括:
利用所述第一设备的训练模型Φ对所述第一设备的第一设备数据X中每一条数据进行标注,得到初始标注集合S=[s1,s2,…,sn],其中sj表示S中的任意一条标识结果,其中sj∈类别集合C,n表示类别的总数目。
8.一种物联网设备自主学习装置,其特征在于,所述装置包括:
第一确定单元,用于根据第二设备的属性确定满足第一预设条件的第一设备,所述第二设备为新加入物联网的终端设备,第一设备为所述物联网中已有的终端设备;
第一获取单元,用于获取满足第二预设条件的所述第一设备的第一设备数据X和所述第二设备的第二设备数据Y;
第二获取单元,用于获取对所述第一设备的第一设备数据X中每一条数据进行标注的初始标注集合S=[s1,s2,…,sn],其中sj表示S中的任意一条标识结果,其中sj∈{C1,C2,…,Cn};
第二确定单元,用于根据所述初始标注集合S和所述第二设备数据Y确定所述第二设备的训练模型Φ’。
9.一种物联网设备自主学习设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7任一项所述物联网设备自主学习方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7任一项所述物联网设备自主学习方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810001639.XA CN110009113B (zh) | 2018-01-02 | 2018-01-02 | 物联网设备自主学习方法、装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810001639.XA CN110009113B (zh) | 2018-01-02 | 2018-01-02 | 物联网设备自主学习方法、装置、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009113A true CN110009113A (zh) | 2019-07-12 |
CN110009113B CN110009113B (zh) | 2021-05-11 |
Family
ID=67164129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810001639.XA Active CN110009113B (zh) | 2018-01-02 | 2018-01-02 | 物联网设备自主学习方法、装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009113B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070203940A1 (en) * | 2006-02-27 | 2007-08-30 | Microsoft Corporation | Propagating relevance from labeled documents to unlabeled documents |
US20070203908A1 (en) * | 2006-02-27 | 2007-08-30 | Microsoft Corporation | Training a ranking function using propagated document relevance |
US20090132561A1 (en) * | 2007-11-21 | 2009-05-21 | At&T Labs, Inc. | Link-based classification of graph nodes |
CN102163285A (zh) * | 2011-03-09 | 2011-08-24 | 北京航空航天大学 | 一种基于主动学习的跨域视频语义概念检测方法 |
CN102768670A (zh) * | 2012-05-31 | 2012-11-07 | 哈尔滨工程大学 | 基于节点属性标签传播的网页聚类方法 |
CN102890698A (zh) * | 2012-06-20 | 2013-01-23 | 杜小勇 | 微博话题标签自动化描述方法 |
CN105893382A (zh) * | 2014-12-23 | 2016-08-24 | 天津科技大学 | 一种基于先验知识的微博用户群体划分方法 |
CN106778878A (zh) * | 2016-12-21 | 2017-05-31 | 东方网力科技股份有限公司 | 一种人物关系分类方法及装置 |
-
2018
- 2018-01-02 CN CN201810001639.XA patent/CN110009113B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070203940A1 (en) * | 2006-02-27 | 2007-08-30 | Microsoft Corporation | Propagating relevance from labeled documents to unlabeled documents |
US20070203908A1 (en) * | 2006-02-27 | 2007-08-30 | Microsoft Corporation | Training a ranking function using propagated document relevance |
US20090132561A1 (en) * | 2007-11-21 | 2009-05-21 | At&T Labs, Inc. | Link-based classification of graph nodes |
CN102163285A (zh) * | 2011-03-09 | 2011-08-24 | 北京航空航天大学 | 一种基于主动学习的跨域视频语义概念检测方法 |
CN102768670A (zh) * | 2012-05-31 | 2012-11-07 | 哈尔滨工程大学 | 基于节点属性标签传播的网页聚类方法 |
CN102890698A (zh) * | 2012-06-20 | 2013-01-23 | 杜小勇 | 微博话题标签自动化描述方法 |
CN105893382A (zh) * | 2014-12-23 | 2016-08-24 | 天津科技大学 | 一种基于先验知识的微博用户群体划分方法 |
CN106778878A (zh) * | 2016-12-21 | 2017-05-31 | 东方网力科技股份有限公司 | 一种人物关系分类方法及装置 |
Non-Patent Citations (4)
Title |
---|
HAITAO ZHAO: "Combining labeled and unlabeled data with graph embedding", 《NEUROCOMPUTING》 * |
SHAOSHUAI LIU 等: "A Low-Cost and Accurate Indoor Localization Algorithm Using Label Propagation Based Semi-supervised Learning", 《2009 FIFTH INTERNATIONAL CONFERENCE ON MOBILE AD-HOC AND SENSOR NETWORKS》 * |
WILLIAN P.AMORIM 等: "Improving semi-supervised learning through optimum connectivity", 《PATTERN RECOGNITION》 * |
兰远东: "基于图的半监督学习理论、算法及应用研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110009113B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919316A (zh) | 获取网络表示学习向量的方法、装置和设备及存储介质 | |
Lian et al. | Integrated process planning and scheduling using an imperialist competitive algorithm | |
CN112115352B (zh) | 基于用户兴趣的会话推荐方法及*** | |
CN110472681A (zh) | 基于知识蒸馏的神经网络训练方案和图像处理方案 | |
CN106503106A (zh) | 一种基于深度学习的图像哈希索引构建方法 | |
CN107358293A (zh) | 一种神经网络训练方法及装置 | |
CN106021364A (zh) | 图片搜索相关性预测模型的建立、图片搜索方法和装置 | |
CN112989064A (zh) | 一种聚合知识图神经网络和自适应注意力的推荐方法 | |
CN108287857A (zh) | 表情图片推荐方法及装置 | |
CN113868366B (zh) | 一种面向流数据的在线跨模态检索方法与*** | |
CN108696453B (zh) | 轻量级的电力通信网sdn业务流感知方法及*** | |
CN104572733B (zh) | 用户兴趣标签分类的方法及装置 | |
CN109918574A (zh) | 项目推荐方法、装置、设备及存储介质 | |
CN115129883B (zh) | 实体链接方法和装置、存储介质及电子设备 | |
CN109741108A (zh) | 基于情境感知的流式应用推荐方法、装置和电子设备 | |
CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
CN110019827A (zh) | 一种语料库生成方法、装置、设备和计算机存储介质 | |
CN109819002A (zh) | 数据推送方法和装置、存储介质及电子装置 | |
CN110276283B (zh) | 图片识别方法、目标识别模型训练方法及装置 | |
CN108563648A (zh) | 数据显示方法和装置、存储介质及电子装置 | |
CN110009113A (zh) | 物联网设备自主学习方法、装置、设备、存储介质 | |
CN110442614A (zh) | 元数据的搜索方法及装置、电子设备、存储介质 | |
CN114900435B (zh) | 一种连接关系预测方法及相关设备 | |
CN114374708B (zh) | 一种基于协同过滤和mqtt的智能工厂数据自动订阅方法 | |
CN111597306B (zh) | 语句识别方法和装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |