CN112181055A - 室内外状态判断方法及可穿戴设备、计算机可读存储介质 - Google Patents
室内外状态判断方法及可穿戴设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN112181055A CN112181055A CN202011038752.9A CN202011038752A CN112181055A CN 112181055 A CN112181055 A CN 112181055A CN 202011038752 A CN202011038752 A CN 202011038752A CN 112181055 A CN112181055 A CN 112181055A
- Authority
- CN
- China
- Prior art keywords
- state
- decision tree
- wearable device
- target data
- types
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000007637 random forest analysis Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004891 communication Methods 0.000 claims abstract description 17
- 238000003066 decision tree Methods 0.000 claims description 149
- 230000006870 function Effects 0.000 claims description 28
- 238000013138 pruning Methods 0.000 claims description 25
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/1613—Constructional details or arrangements for portable computers
- G06F1/163—Wearable computers, e.g. on a belt
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/1613—Constructional details or arrangements for portable computers
- G06F1/1633—Constructional details or arrangements of portable computers not specific to the type of enclosures covered by groups G06F1/1615 - G06F1/1626
- G06F1/1684—Constructional details or arrangements related to integrated I/O peripherals not covered by groups G06F1/1635 - G06F1/1675
- G06F1/1698—Constructional details or arrangements related to integrated I/O peripherals not covered by groups G06F1/1635 - G06F1/1675 the I/O peripheral being a sending/receiving arrangement to establish a cordless communication link, e.g. radio or infrared link, integrated cellular phone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请实施例公开一种室内外状态判断方法及可穿戴设备、计算机可读存储介质,该方法包括:获取可穿戴设备在所处的当前位置测得的N类目标数据,该N类目标数据与预设的N个状态特征分别对应,该N个状态特征至少包括可穿戴设备的运动特征和可穿戴设备的通信特征,N为大于或等于2的正整数;利用随机森林分类模型处理上述N类目标数据,确定当前位置的状态类型;其中,随机森林分类模型是根据可穿戴设备与上述N个状态特征对应的样本数据训练得到的。通过实施本申请实施例,能够对室内外状态进行精准判断。
Description
技术领域
本申请涉及定位技术领域,具体涉及一种室内外状态判断方法及可穿戴设备、计算机可读存储介质。
背景技术
目前,大多数的可穿戴设备大都具备定位功能,可以实时向与其关联的终端设备上报可穿戴设备用户的位置信息,但无法准确识别当前位置是室外还是室内。在实践中发现,对于室内外状态的识别在儿童穿戴设备、老人穿戴设备以及宠物穿戴设备等具备良好的应用前景。可见,对于室内外状态如何识别成为了一个亟需解决的问题。
发明内容
本申请实施例公开一种室内外状态判断方法及可穿戴设备、计算机可读存储介质,能够对室内外状态进行精准判断。
本申请实施例第一方面公开一种室内外状态判断方法,包括:
获取可穿戴设备在所处的当前位置测得的N类目标数据,所述N类目标数据与预设的N个状态特征分别对应,所述N个状态特征至少包括所述可穿戴设备的运动特征和所述可穿戴设备的通信特征,N为大于或等于2的正整数;
利用随机森林分类模型处理所述N类目标数据,确定所述当前位置的状态类型;其中,所述随机森林分类模型是根据可穿戴设备与所述N个状态特征对应的样本数据训练得到的,所述当前位置的状态类型为室内或者室外。
作为一种可选的实施方式,在本申请实施例第一方面中,所述运动特征包括速率、相对位移、全球定位***GPS位置中任一种或者几种的组合,所述通信特征包括参考信号接收功率和/或参考信号接收质量。
作为一种可选的实施方式,在本申请实施例第一方面中,所述利用随机森林分类模型处理所述N类目标数据,确定所述当前位置的状态类型,包括:
获取随机森林分类模型中的每棵决策树针对所述N类目标数据的处理结果;
根据每棵决策树针对所述N类目标数据的处理结果,得到所述当前位置的状态类型。
作为一种可选的实施方式,在本申请实施例第一方面中,所述根据每棵决策树针对所述N类目标数据的处理结果,得到所述当前位置的状态类型,包括:
根据每棵决策树针对所述N类目标数据的处理结果,得到所述当前位置的状态类型为室内的第一概率;
在所述第一概率大于概率阈值的情况下,确定所述当前位置的状态类型为室内;
在所述第一概率小于等于所述概率阈值的情况下,确定所述当前位置的状态类型为室外。
作为一种可选的实施方式,在本申请实施例第一方面中,所述随机森林分类模型包括k棵决策树,所述利用随机森林分类模型处理所述N类目标数据,确定所述当前位置的状态类型之前,所述方法还包括:
从所述可穿戴设备的样本数据中获取k个样本集;其中,k为大于等于2的整数;
根据所述k个样本集对所述k棵决策树进行训练,若所述k棵决策树不满足停止规则,则继续执行所述从所述可穿戴设备的样本数据中获取k个样本集的步骤,直到所述k棵决策树满足停止规则,得到训练完成的k棵决策树;
对所述训练完成的k棵决策树中的每一决策树进行剪枝操作,得到所述每一决策树对应的最优决策树;
组合k棵最优决策树得到所述随机森林分类模型。
作为一种可选的实施方式,在本申请实施例第一方面中,所述根据所述k个样本集对所述k棵决策树进行训练,包括:
确定第一样本集对应的第一决策树的内部节点和叶节点;其中,所述第一样本集为所述k个样本集中的任一样本集。
作为一种可选的实施方式,在本申请实施例第一方面中,所述确定第一样本集对应的第一决策树的内部节点和叶节点,包括:
获取第一样本集的每一状态特征的信息增益;
将信息增益最大的状态特征确定为第一决策树的父结点;
根据所述父结点对应的数据区间,对所述第一样本集进行分类,以得到所述父结点对应的子结点;
在所述子结点的状态特征不唯一或者所述子结点的状态特征的信息增益均大于等于预设增益阈值的情况下,将所述子结点对应的数据集作为第一样本集,并继续执行获取第一样本集的每一状态特征的信息增益的步骤,直到获取到状态特征唯一或者状态特征的信息增益均小于所述预设增益阈值的子结点,将状态特征唯一或者状态特征的信息增益均小于所述预设增益阈值的子结点作为叶节点。
作为一种可选的实施方式,在本申请实施例第一方面中,所述对所述训练完成的k棵决策树中的每一决策树进行剪枝操作,得到所述每一决策树对应的最优决策树,包括:
从第二决策树最底部的内部结点开始,按照自下而上的顺序对所述第二决策树的内部结点进行剪枝预估,得到所述第二决策树的内部结点对应的损失函数;其中,所述第二决策树为所述训练完成的k棵决策树中的任一决策树;
根据所述第二决策树的每一内部结点对应的损失函数,对所述第二决策树进行剪枝,得到子树序列;
利用验证样本集,获取所述子树序列中各子树的平方误差或基尼指数;
将平方误差或基尼指数最小的子树作为所述第二决策树对应的最优决策树。
本申请实施例第二方面公开一种可穿戴设备,包括:
获取单元,用于获取可穿戴设备在所处的当前位置测得的N类目标数据,所述N类目标数据与预设的N个状态特征分别对应,所述N个状态特征至少包括所述可穿戴设备的运动特征和所述可穿戴设备的通信特征,N为大于或等于2的正整数;
确定单元,用于利用随机森林分类模型处理所述N类目标数据,确定所述当前位置的状态类型;其中,所述随机森林分类模型是根据可穿戴设备与所述N个状态特征对应的样本数据训练得到的,所述当前位置的状态类型为室内或者室外。
本申请实施例第三方面公开一种可穿戴设备,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本申请第一方面的任意一种方法的部分或全部步骤。
本申请实施例第四方面公开一种计算机可读存储介质,其存储计算机程序,所述计算机程序包括用于执行本申请第一方面的任意一种方法的部分或全部步骤。
本申请实施例第五面公开一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。
本申请实施例第六方面公开一种应用发布***,所述应用发布***用于发布计算机程序产品,其中,当所述计算机程序产品在计算机上运行时,使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。
与现有技术相比,本申请实施例具有以下有益效果:
实施本申请实施例,获取可穿戴设备在所处的当前位置测得的N类目标数据,该N类目标数据与预设的N个状态特征分别对应,该N个状态特征至少包括可穿戴设备的运动特征和可穿戴设备的通信特征,N为大于或等于2的正整数;利用随机森林分类模型处理上述N类目标数据,确定当前位置的状态类型;其中,随机森林分类模型是根据可穿戴设备与上述N个状态特征对应的样本数据训练得到的。因为训练随机森林分类模型的样本数据为多维特征,所以,随机森林分类模型相较于由单一特征的样本数据训练得到的其他模型而言,其对室内外状态的判断精度更高。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造率劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例公开的一种室内外状态判断方法的流程示意图;
图2是本申请实施例公开的另一种室内外状态判断方法的流程示意图;
图3a是本申请实施例公开的又一种室内外状态判断方法的流程示意图;
图3b为一种决策树的训练图示;
图3c为一种决策树的示意图;
图4是本申请实施例公开的一种可穿戴设备的结构示意图;
图5是本申请实施例公开的另一种可穿戴设备的结构示意图;
图6是本申请实施例公开的又一种可穿戴设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,本申请实施例及附图中的术语“包括”“具有”以及它们任何变形,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、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例公开的室内外状态判断方法适用于可穿戴设备,可穿戴设备即可以直接穿戴在用户身上,或是整合到用户的衣服或配件的一种便携式终端设备。可穿戴设备不仅仅是一种硬件设备,更可以通过软件支持以及数据交互、云端交互来实现强大的智能功能,比如:计算功能、定位功能、报警功能,同时还可以连接可穿戴设备及各类终端。可穿戴设备可以包括但不限于以手腕为支撑的watch类(比如手表、手腕等产品),以脚为支撑的shoes类(比如鞋、袜子或者其他腿上佩戴产品),以头部为支撑的Glass类(比如眼镜、头盔、头带等)以及智能服装,书包、拐杖、配饰等各类非主流产品形态。
本申请实施例公开一种室内外状态判断方法及可穿戴设备、计算机可读存储介质,能够对室内外状态进行精准判断。
下面以实施例的方式对本申请技术方案做进一步的说明,如图1所示,图1是本申请实施例公开的一种室内外状态判断方法的流程示意图。可以包括:
101、获取可穿戴设备在所处的当前位置测得的N类目标数据。
需要说明的是,可穿戴设备测得到的N类目标数据与预设的N个状态特征分别对应,该N个状态特征至少包括可穿戴设备的运动特征和可穿戴设备的通信特征,N为大于或等于2的正整数。其中,可穿戴设备的运动特征可以包括速率、相对位移、全球定位***(Global Positioning System,GPS)位置等中任一种或者几种的组合,其中,速率指的是可穿戴设备在测量时间点处的瞬时速度;相对位移指的是当前测量时间点相对于上一测量时间点的相对位置信息,该相对位置信息包括距离信息和方向信息。可穿戴设备的通信特征可以包括参考信号接收功率((Reference Signal Receiving Power,RSRP)和/或参考信号接收质量(Reference Signal Receiving Quality,RDRQ),RSRP是长期演进(Long TermEvolution,LTE)网络中是承载小区专属参考信号的所有资源粒子上接收到的的信号功率的平均值;RDRQ用于指示专属参考信号的信号功率占信号总功率的比值。
示例性的:可穿戴设备在当前测量时间点测得的可穿戴设备的速率信息为a1、相对位移信息为a2、GPS位置信息为a3、参考信号接收功率信息为a4,参考信号接收质量为a5。N类目标数据中的运动特征数据可以包括a1、a2以及a3中的任意一个或者几个,N类目标数据中的通信特征数据可以包括a4和/或a5。示例性的,N类目标数据包括a1和a4;或者,a1、a3以及a5;或者,a1、a2、a3、a4以及a5。
在本申请实施例中,可穿戴设备的速率和相对位移通过可穿戴设备的运动传感器进行采集。可穿戴设备的GPS位置通过可穿戴设备的GPS传感器进行采集。可穿戴设备的RSRP和RDRQ通过可穿戴设备的移动通信模块进行采集。可选的,考虑到可穿戴设备的功耗问题,数据的采集可以采用多点采集策略模拟数据实时采集。具体的,以可穿戴设备的GPS位置信息采集为例进行说明:GPS传感器可按照预设的采集频率采集GPS位置信息(可用经纬度信息等表示),可获取在目标时刻的前后一定时间段内采集的多个GPS位置信息,并计算该多个GPS位置信息的平均值,可将该平均值作为可穿戴设备在该目标时刻的位置信息。例如,假设GPS传感器在时刻t前后的2τ时间段内以n/2τ(HZ)的频率采集GPS位置信息,2τ时间段内GPS位置信息可以表示为{x0,…,xn-1},那么t时刻的GPS位置信息可以表示为
需要说明的是,状态特征也可包括其它特征,例如用户的行为特征等,目标数据也可包括其它数据,并不仅限于上述描述的几种。
102、利用随机森林分类模型处理上述N类目标数据,确定当前位置的状态类型。
随机森林模型是一种包含多个决策树的分类器。随机森林分类模型是根据可穿戴设备与N个状态特征对应的样本数据训练得到的,当前位置的状态类型为室内或者室外。
随机森林模型包括的每一决策树均可以根据上述N类目标数据识别出当前位置是室外还是室内,在室内对应的决策树的数量大于室外对应的决策树的数量的情况下,确定当前位置的状态类型为室内,反之,则确定当前位置的状态类型为室外。
实施上述方法,基于随机森林分类模型可以实现对室内外状态的判断。进一步的,因为训练随机森林分类模型的样本数据为多维特征,所以,随机森林分类模型相较于由单一特征的样本数据训练得到的其他模型而言,对室内外状态的判断精度更高。
如图2所示,图2是本申请实施例公开的一种室内外状态判断方法的流程示意图。可以包括:
201、获取可穿戴设备在所处的当前位置测得的N类目标数据。
需要说明的是,本申请实施例中的步骤201,可以参考图1所示实施例中的步骤101说明,此处不再赘述。
202、获取随机森林分类模型中的每棵决策树针对N类目标数据的处理结果。
随机森林分类模型中的每棵决策树针对N类目标数据的处理结果可以是可穿戴设备为室外状态或者可穿戴设备为室内状态。
202、根据每棵决策树针对N类目标数据的处理结果,得到当前位置的状态类型。
可选的,根据每棵决策树针对上述N类目标数据的处理结果,得到当前位置的状态类型,可以包括:
在一些实施例中,根据每棵决策树针对上述N类目标数据的处理结果,得到当前位置的状态类型为室内的第一概率;在第一概率大于概率阈值的情况下,确定当前位置的状态类型为室内;在第一概率小于等于概率阈值的情况下,确定当前位置的状态类型为室外。可以理解的是,第一概率为判断出可穿戴设备为室内状态的决策树在随机森林分类模型的所有决策树的占比。
在另一些实施例中,根据每棵决策树针对上述N类目标数据的处理结果,得到当前位置的状态类型为室外的第二概率;在第二概率大于概率阈值的情况下,确定当前位置的状态类型为室外;在第二概率小于等于概率阈值的情况下,确定当前位置的状态类型为室内。可以理解的是,第一概率为判断出可穿戴设备为室外状态的决策树在随机森林分类模型的所有决策树的占比。
可选的,可穿戴设备还可以在当前位置的状态类型不为预设类型时,输出第一提示信息,第一提示信息用于提示可穿戴设备用户由当前位置回到预设类型对应的位置。可以理解的是,预设类型可以是室外或者室内。
可选的,第一提示信息的输出方式可以是语音、文本以及指示灯等中的一种或者几种的组合。
可选的,在当前位置的状态类型不为预设类型时,还可以向可穿戴设备通信连接的第一终端设备发送第二提示信息,第二提示信息用于提示第一终端设备用户当前位置的状态类型不为预设类型。
进一步的,可穿戴设备在向第一终端设备发送第二提示信息之后,还可以接收第一终端设备发送的控制信号;根据控制信号,启动蓝牙信号扫描,以获取处于可穿戴设备的蓝牙辐射范围内的第二终端设备的终端标识;根据终端标识,向第二终端设备发送预设信息,预设信息包括可穿戴设备用户的用户图像和第一终端设备的联系方式。
可以理解的是,可穿戴设备可以是儿童穿戴设备、第一终端设备为家长端、第二终端设备为其他用户端。假设预设类型可以为室内,在当前位置的状态类型为室外的情况下,儿童穿戴设备可以输出用于提示儿童回到室内的提示信息。另外,儿童穿戴设备还可以向家长端发送用于告知家长儿童处于室外的提示信息。此外,儿童穿戴设备还可以接收家长端发送的控制信号,并基于该控制信号进行其他用户端的扫描,进而向其他用户终端发送包含儿童图像和家长联系方式的预设信息。通过实施该方法,在儿童离开室内的情况下,可以起到警示儿童或者警示家长的作用,还可以借助其他用户终端的帮助快速找到儿童,可以有效避免儿童发生意外。
通过实施上述方法,综合随机森林分类模型中的每棵决策树对上述N类目标数据的处理结果,确定当前位置的状态类型,可以进一步提高当前位置的状态类型的判断精度。
如图3a所示,图3a是本申请实施例公开的一种室内外状态判断方法的流程示意图。可以包括:
301、从可穿戴设备的样本数据中获取k个样本集;其中,k为大于等于2的整数。
在本申请实施例中,可穿戴设备的样本数据中每一样本均为一个数据集,若上述N类目标数据包括a1、a2、a3、a4以及a5,该数据集则包括速率信息、相对位移信息、GPS位置信息、RSRP信息以及RDRQ信息。可穿戴设备的样本数据可以为该可穿戴设备的历史测量数据和/或其他可穿戴设备的历史测量数据。需要说明的是,其他可穿戴设备与该可穿戴设备可以为同一厂家生产的同一型号的可穿戴设备。
可选的,可穿戴设备从可穿戴设备的样本数据中获取k个样本集的方式可以是有放回抽样。有放回抽样是把总体中的抽样单位从1至M编号,每抽取一个号码后再将它放回总体。对于任意一次抽取而言,由于总体容量不变,所以M个号码被抽中的机会均等。
302、根据k个样本集对k棵决策树进行训练,若k棵决策树不满足停止规则,则继续从可穿戴设备的样本数据中获取k个样本集对k棵决策树进行训练,直到k棵决策树满足停止规则,得到训练完成的k棵决策树。
可以理解的是,每得到k棵决策树,则利用得到的k棵决策树组成待校验的随机森林模型,并利用验证样本集计算待校验的随机森林模型的模型精度,并在判断出模型精度大于等于预设精度的情况下,则确定组成待校验的随机森林模型的k棵决策树满足停止规则,否则,则确定组成待校验的随机森林模型的k棵决策树不满足停止规则。需要说明的是,验证样本集可以由可穿戴设备的样本数据中未被抽取的样本组成。
可选的,根据k个样本集对k棵决策树进行训练,可以包括:确定第一样本集对应的第一决策树的内部节点和叶节点;其中,第一样本集为k个样本集中的任一样本集。其中,内部节点为状态特征,叶节点为数据集。
可选的,可穿戴设备确定第一样本集对应的第一决策树的内部节点和叶节点,可以包括:获取第一样本集的每一状态特征的信息增益;将信息增益最大的状态特征确定为第一决策树的父结点;根据父结点对应的数据区间,对第一样本集进行分类,以得到父结点对应的子结点;在子结点的状态特征不唯一或者子结点的状态特征的信息增益均大于等于预设增益阈值的情况下,将子结点对应的数据集作为第一样本集,并继续执行获取第一样本集的每一状态特征的信息增益的步骤,直到获取到状态特征唯一或者状态特征的信息增益均小于预设增益阈值的子结点,将状态特征唯一或者状态特征的信息增益均小于预设增益阈值的子结点作为叶节点。
假设第一样本集为D,第一样本集D的任一特征A的信息增益为g(D,A)。其中,影响特征A的信息增益g(D,A)的因素包括第一样本集D的经验熵H(D)以及特征A的经验条件熵H(D|A)。具体的:
g(D,A)=H(D)-H(D|A) (3)
其中,K为第一样本集D中状态特征的类别总数,Ck为第k类状态特征对应的样本个数;n表示以特征A对第一样本集D进行划分得到的样本集的个数,i表示特征A对应的任一数据区间。
同理,可以得到第一样本集的每一状态特征的信息增益,从而可以确定出信息增益最大的状态特征。可以理解的是,每一状态特征均对应有数据区间。在父结点对应的数据区间中,确定第一样本集中样本的父节点数据所处的数据区间;将父节点数据处于同一数据区间的样本分为同一样本集,得到父结点对应的子结点。所以,父节点对应的子节点为一个或者多个样本集。需要说明的是,父节点为第一样本集中的某一状态特征,样本的父节点数据为样本的该某一状态特征对应的数据。
在样本数据的状态特征包括速率、相对位移、GPS位置、RSRP以及RDRQ时。示例性的,请参阅图3b和图3c,图3b为一种决策树的训练图示,图3c为一种决策树的示意图。其中,u表示速率,v表示相对位移、w表示GPS位置,x表示RSRP,y表示RDRQ。第一样本集s的父节点为v,根据v对应的数据区间得到v的3个子节点z1、z2以及z3;假设z1的父节点为w、z2的父节点为u、z3的父节点为x,根据z1对应的数据区间对z1进行分类得到状态特征唯一的样本集o1,则o1为叶节点;根据u对应的数据区间对z2进行分类得到状态特征唯一的样本集o2,则o2为叶节点;根据x对应的数据区间对z3包含的样本进行分类得到子节点q1,且q1的状态特征不唯一;假设q1的父节点为y,则以y对应的数据区间对q1进行分类状态特征唯一的样本集o3,则o3为叶节点;最终得到图3c所示的决策树。
303、对训练完成的k棵决策树中的每一决策树进行剪枝操作,得到每一决策树对应的最优决策树。
为了避免训练完成的决策树存在拟合现象,对决策树进行简化的过程叫做剪枝。对训练完成的k棵决策树中的每一决策树进行剪枝操作,得到每一决策树对应的最优决策树,可以包括:从第二决策树最底部的内部结点开始,按照自下而上的顺序对第二决策树的内部结点进行剪枝预估,得到第二决策树的内部结点对应的损失函数;其中,第二决策树为训练完成的k棵决策树中的任一决策树;根据第二决策树的每一内部结点对应的损失函数,对第二决策树进行剪枝,得到子树序列;利用验证样本集,获取子树序列中各子树的平方误差或基尼指数;将平方误差或基尼指数最小的子树作为第二决策树对应的最优决策树。
在一些实施例中,设树T的叶节点个数为|T|,t是树T的一个叶节点,该叶节点有Nt个样本,Nt个样本有p种分类,其中,第i种类别的样本有Nti个。
叶节点t的经验熵为H(Tt):
树T整体的损失函数为C(T):
以t为单节点的树的损失函数为:Ca(t)=C(t)+a;以t为根节点的子树Tt的损失函数是:Ca(Tt)=C(Tt)+a|Tt|;a为剪枝系数,其大于等于0。当a=0或充分小时,有不等式Ca(Tt)<Ca(t);当a增大到某一值时,有Ca(Tt)=Ca(t);当a再继续增大时,不等式反向,所以,只要Tt与t有相同的损失函数,而t的节点更少,因此,t比Tt更优,对Tt进行剪枝。
按照自下而上的顺序对第二决策树T的内部结点进行剪枝预估,可以基于上述公式,计算出每一内部节点进行剪枝前和剪枝后的损失函数,以及根据每一内部节点剪枝前和剪枝后的损失函数计算每一内部节点对应的剪枝系数,以及对剪枝系数最小的内部节点进行剪枝,得到子树T1。需要说明的是,得到子树T1的操作可以称为第一层递归,对子树T1执行第二层递归可以得到子树T2。同理,执行n层递归可以得到子树Tn,直至得到一个单节点构成的树,从而触发递归退出条件。可以理解的是,子树序列可以包括T,T1...Tn。
304、组合k棵最优决策树得到随机森林分类模型。
通过执行步骤303-304,对训练完成的决策树进行剪枝,得到最优决策树,可以有效避免决策树的拟合,有利于提高随机森林分类模型的判断精度。
305、获取可穿戴设备在所处的当前位置测得的N类目标数据。
306、利用随机森林分类模型处理上述N类目标数据,确定当前位置的状态类型。
需要说明的是,本申请实施例中的步骤305-306,可以参考图1所示实施例中的步骤101-102的说明,此处不再赘述。
通过实施上述方法,综合随机森林分类模型中的每棵决策树对上述N类目标数据的处理结果,确定当前位置的状态类型,可以进一步提高当前位置的状态类型的判断精度。
如图4所示,图4是本申请实施例公开的一种可穿戴设备的结构示意图。可以包括:
获取单元401,用于获取可穿戴设备在所处的当前位置测得的N类目标数据,该N类目标数据与预设的N个状态特征分别对应,N个状态特征至少包括可穿戴设备的运动特征和可穿戴设备的通信特征,N为大于或等于2的正整数。
确定单元402,用于利用随机森林分类模型处理上述N类目标数据,确定当前位置的状态类型;其中,随机森林分类模型是根据可穿戴设备与N个状态特征对应的样本数据训练得到的,当前位置的状态类型为室内或者室外。
可选的,可穿戴设备的运动特征可以包括速率、相对位移、全球定位***GPS位置中任一种或者几种的组合,可穿戴设备的通信特征可以包括RSRP和/或RDRQ。
可选的,确定单元402包括获取子单元和确定子单元。其中:
获取子单元,用于获取随机森林分类模型中的每棵决策树针对N类目标数据的处理结果;
确定子单元,用于根据每棵决策树针对N类目标数据的处理结果,得到当前位置的状态类型。
可选的,确定子单元用于根据每棵决策树针对上述N类目标数据的处理结果,得到当前位置的状态类型的方式具体可以为:确定子单元,用于根据每棵决策树针对上述N类目标数据的处理结果,得到当前位置的状态类型为室内的第一概率;在第一概率大于概率阈值的情况下,确定当前位置的状态类型为室内;在第一概率小于等于概率阈值的情况下,确定当前位置的状态类型为室外。可以理解的是,第一概率为判断出可穿戴设备为室内状态对应的决策树在随机森林分类模型所包括的所有决策树的占比。
如图5所示,图5是本申请实施例公开的另一种可穿戴设备的结构示意图。可以包括:获取单元401、确定单元402、建模单元403。
可选的,建模单元403可以包括训练子单元4031和优化子单元4032。其中:
训练子单元4031,用于从可穿戴设备的样本数据中获取k个样本集;其中,k为大于等于2的整数;以及根据k个样本集对k棵决策树进行训练,若k棵决策树不满足停止规则,则继续从可穿戴设备的样本数据中获取k个样本集对k棵决策树进行训练,直到k棵决策树满足停止规则,得到训练完成的k棵决策树。
可选的,训练子单元4031用于根据k个样本集对k棵决策树进行训练的方式具体可以为:
训练子单元4031,用于确定第一样本集对应的第一决策树的内部节点和叶节点;其中,第一样本集为k个样本集中的任一样本集。
进一步的,训练子单元4031用于确定第一样本集对应的第一决策树的内部节点和叶节点的方式具体可以为:
训练子单元4031,用于获取第一样本集的每一状态特征的信息增益;将信息增益最大的状态特征确定为第一决策树的父结点;根据父结点对应的数据区间,对第一样本集进行分类,以得到父结点对应的子结点;在子结点的状态特征不唯一或者子结点的状态特征的信息增益均大于等于预设增益阈值的情况下,将子结点对应的数据集作为第一样本集,并继续执行获取第一样本集的每一状态特征的信息增益的步骤,直到获取到状态特征唯一或者状态特征的信息增益均小于预设增益阈值的子结点,将状态特征唯一或者状态特征的信息增益均小于预设增益阈值的子结点作为叶节点。
优化子单元4032,用于对训练完成的k棵决策树中的每一决策树进行剪枝操作,得到每一决策树对应的最优决策树;以及组合k棵最优决策树得到随机森林分类模型。
可选的,优化子单元4032用于对训练完成的k棵决策树中的每一决策树进行剪枝操作,得到每一决策树对应的最优决策树的方式具体可以为:
优化子单元4032,用于从第二决策树最底部的内部结点开始,按照自下而上的顺序对第二决策树的内部结点进行剪枝预估,得到第二决策树的内部结点对应的损失函数;其中,第二决策树为训练完成的k棵决策树中的任一决策树;根据第二决策树的每一内部结点对应的损失函数,对第二决策树进行剪枝,得到子树序列;利用验证样本集,获取子树序列中各子树的平方误差或基尼指数;将平方误差或基尼指数最小的子树作为第二决策树对应的最优决策树。
如图6所示,为本申请实施例中可穿戴设备的另一个实施例示意图,可以包括:
图6示出的是与本申请实施例提供的可穿戴设备的部分结构的框图。参考图6,可穿戴设备包括:射频(Radio Frequency,RF)电路610、存储器620、输入单元630、显示单元640、传感器650、音频电路660、无线保真(wireless fidelity,WiFi)模块670、处理器680、以及电源690等部件。本领域技术人员可以理解,图6中示出的可穿戴设备结构并不构成对可穿戴设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图6对可穿戴设备的各个构成部件进行具体的介绍:
RF电路610可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器680处理;另外,将设计上行的数据发送给基站。通常,RF电路610包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,LNA)、双工器等。此外,RF电路610还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯***(GlobalSystem of Mobile communication,GSM)、通用分组无线服务(General Packet RadioService,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)、电子邮件、短消息服务(Short Messaging Service,SMS)等。
存储器620可用于存储软件程序以及模块,处理器680通过运行存储在存储器620的软件程序以及模块,从而执行可穿戴设备的各种功能应用以及数据处理。存储器620可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据可穿戴设备的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器620可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元630可用于接收输入的数字或字符信息,以及产生与可穿戴设备的用户设置以及功能控制有关的键信号输入。具体地,输入单元630可包括触控面板631以及其他输入设备632。触控面板631,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板631上或在触控面板631附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板631可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器680,并能接收处理器680发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板631。除了触控面板631,输入单元630还可以包括其他输入设备632。具体地,其他输入设备632可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元640可用于显示由用户输入的信息或提供给用户的信息以及可穿戴设备的各种菜单。显示单元640可包括显示面板641,可选的,可以采用液晶显示器(LiquidCrystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板641。进一步的,触控面板631可覆盖显示面板641,当触控面板631检测到在其上或附近的触摸操作后,传送给处理器680以确定触摸事件的类型,随后处理器680根据触摸事件的类型在显示面板641上提供相应的视觉输出。虽然在图6中,触控面板631与显示面板641是作为两个独立的部件来实现可穿戴设备的输入和输入功能,但是在某些实施例中,可以将触控面板631与显示面板641集成而实现可穿戴设备的输入和输出功能。
可穿戴设备还可包括至少一种传感器650,比如光传感器、运动传感器、GPS传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板641的亮度,接近传感器可在可穿戴设备移动到耳边时,关闭显示面板641和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别可穿戴设备姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于可穿戴设备还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路660、扬声器661,传声器662可提供用户与可穿戴设备之间的音频接口。音频电路650可将接收到的音频数据转换后的电信号,传输到扬声器661,由扬声器661转换为声音信号输出;另一方面,传声器662将收集的声音信号转换为电信号,由音频电路660接收后转换为音频数据,再将音频数据输出处理器680处理后,经RF电路610以发送给比如另一可穿戴设备,或者将音频数据输出至存储器620以便进一步处理。
WiFi属于短距离无线传输技术,可穿戴设备通过WiFi模块670可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图6示出了WiFi模块670,但是可以理解的是,其并不属于可穿戴设备的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器680是可穿戴设备的控制中心,利用各种接口和线路连接整个可穿戴设备的各个部分,通过运行或执行存储在存储器620内的软件程序和/或模块,以及调用存储在存储器620内的数据,执行可穿戴设备的各种功能和处理数据,从而对可穿戴设备进行整体监控。可选的,处理器680可包括一个或多个处理单元;优选的,处理器680可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器680中。
可穿戴设备还包括给各个部件供电的电源690(比如电池),优选的,电源可以通过电源管理***与处理器680逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。
尽管未示出,可穿戴设备还可以包括摄像头、蓝牙模块等,在此不再赘述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本申请实施例公开的一种室内外状态判断方法及可穿戴设备、计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,且上述具体个例中步骤序号的大小并不意味着执行顺序的必然先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,可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。
本文中字符“/”,一般表示前后关联对象是一种“或”的关系。在本申请所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。另外,在本申请各实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,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,也可以采用软件功能单元的形式实现。若上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可获取的存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分,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器中,包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等,具体可以是计算机设备中的处理器)执行本申请的各个实施例上述方法的部分或全部步骤。
以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种室内外状态判断方法,其特征在于,所述方法包括:
获取可穿戴设备在所处的当前位置测得的N类目标数据,所述N类目标数据与预设的N个状态特征分别对应,所述N个状态特征至少包括所述可穿戴设备的运动特征和所述可穿戴设备的通信特征,N为大于或等于2的正整数;
利用随机森林分类模型处理所述N类目标数据,确定所述当前位置的状态类型;其中,所述随机森林分类模型是根据可穿戴设备与所述N个状态特征对应的样本数据训练得到的,所述当前位置的状态类型为室内或者室外。
2.根据权利要求1所述的方法,其特征在于,所述运动特征包括速率、相对位移、全球定位***GPS位置中任一种或者几种的组合,所述通信特征包括参考信号接收功率和/或参考信号接收质量。
3.根据权利要求1或2所述的方法,其特征在于,所述利用随机森林分类模型处理所述N类目标数据,确定所述当前位置的状态类型,包括:
获取随机森林分类模型中的每棵决策树针对所述N类目标数据的处理结果;
根据每棵决策树针对所述N类目标数据的处理结果,得到所述当前位置的状态类型。
4.根据权利要求3所述的方法,其特征在于,所述根据每棵决策树针对所述N类目标数据的处理结果,得到所述当前位置的状态类型,包括:
根据每棵决策树针对所述N类目标数据的处理结果,得到所述当前位置的状态类型为室内的第一概率;
在所述第一概率大于概率阈值的情况下,确定所述当前位置的状态类型为室内;
在所述第一概率小于等于所述概率阈值的情况下,确定所述当前位置的状态类型为室外。
5.根据权利要求1、2以及4任一项所述的方法,其特征在于,所述随机森林分类模型包括k棵决策树,所述利用随机森林分类模型处理所述N类目标数据,确定所述当前位置的状态类型之前,所述方法还包括:
从所述可穿戴设备的样本数据中获取k个样本集;其中,k为大于等于2的整数;
根据所述k个样本集对所述k棵决策树进行训练,若所述k棵决策树不满足停止规则,则继续执行所述从所述可穿戴设备的样本数据中获取k个样本集的步骤,直到所述k棵决策树满足停止规则,得到训练完成的k棵决策树;
对所述训练完成的k棵决策树中的每一决策树进行剪枝操作,得到所述每一决策树对应的最优决策树;
组合k棵最优决策树得到所述随机森林分类模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述k个样本集对所述k棵决策树进行训练,包括:
确定第一样本集对应的第一决策树的内部节点和叶节点;其中,所述第一样本集为所述k个样本集中的任一样本集。
7.根据权利要求6所述的方法,其特征在于,所述确定第一样本集对应的第一决策树的内部节点和叶节点,包括:
获取第一样本集的每一状态特征的信息增益;
将信息增益最大的状态特征确定为第一决策树的父结点;
根据所述父结点对应的数据区间,对所述第一样本集进行分类,以得到所述父结点对应的子结点;
在所述子结点的状态特征不唯一或者所述子结点的状态特征的信息增益均大于等于预设增益阈值的情况下,将所述子结点对应的数据集作为第一样本集,并继续执行获取第一样本集的每一状态特征的信息增益的步骤,直到获取到状态特征唯一或者状态特征的信息增益均小于所述预设增益阈值的子结点,将状态特征唯一或者状态特征的信息增益均小于所述预设增益阈值的子结点作为叶节点。
8.根据权利要求6所述的方法,其特征在于,所述对所述训练完成的k棵决策树中的每一决策树进行剪枝操作,得到所述每一决策树对应的最优决策树,包括:
从第二决策树最底部的内部结点开始,按照自下而上的顺序对所述第二决策树的内部结点进行剪枝预估,得到所述第二决策树的内部结点对应的损失函数;其中,所述第二决策树为所述训练完成的k棵决策树中的任一决策树;
根据所述第二决策树的每一内部结点对应的损失函数,对所述第二决策树进行剪枝,得到子树序列;
利用验证样本集,获取所述子树序列中各子树的平方误差或基尼指数;
将平方误差或基尼指数最小的子树作为所述第二决策树对应的最优决策树。
9.一种可穿戴设备,其特征在于,所述可穿戴设备包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行权利要求1~8任一项所述方法的部分或全部步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序包括用于执行权利要求1~8任一项所述方法的部分或全部步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011038752.9A CN112181055A (zh) | 2020-09-28 | 2020-09-28 | 室内外状态判断方法及可穿戴设备、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011038752.9A CN112181055A (zh) | 2020-09-28 | 2020-09-28 | 室内外状态判断方法及可穿戴设备、计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112181055A true CN112181055A (zh) | 2021-01-05 |
Family
ID=73945158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011038752.9A Pending CN112181055A (zh) | 2020-09-28 | 2020-09-28 | 室内外状态判断方法及可穿戴设备、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112181055A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2013204138A1 (en) * | 2007-08-06 | 2013-05-09 | Trx Systems, Inc. | Locating, tracking, and/or monitoring personnel and/or assets both indoors and outdoors |
CN107423339A (zh) * | 2017-04-29 | 2017-12-01 | 天津大学 | 基于极端梯度推进和随机森林的热门微博预测方法 |
CN108834068A (zh) * | 2018-07-17 | 2018-11-16 | 广东小天才科技有限公司 | 一种基于可穿戴设备的定位方法及可穿戴设备 |
CN109633721A (zh) * | 2019-01-10 | 2019-04-16 | 广东小天才科技有限公司 | 一种室内外判断方法及*** |
CN111273131A (zh) * | 2020-03-17 | 2020-06-12 | 辽宁工程技术大学 | 基于能量特性与随机森林的光伏并网发电孤岛检测方法 |
CN111368862A (zh) * | 2018-12-25 | 2020-07-03 | 中兴通讯股份有限公司 | 室内外标记的区分方法、分类器的训练方法及设备和介质 |
CN111638751A (zh) * | 2020-05-19 | 2020-09-08 | 广东小天才科技有限公司 | 基于可穿戴设备的安全预警方法及装置、可穿戴设备 |
-
2020
- 2020-09-28 CN CN202011038752.9A patent/CN112181055A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2013204138A1 (en) * | 2007-08-06 | 2013-05-09 | Trx Systems, Inc. | Locating, tracking, and/or monitoring personnel and/or assets both indoors and outdoors |
CN107423339A (zh) * | 2017-04-29 | 2017-12-01 | 天津大学 | 基于极端梯度推进和随机森林的热门微博预测方法 |
CN108834068A (zh) * | 2018-07-17 | 2018-11-16 | 广东小天才科技有限公司 | 一种基于可穿戴设备的定位方法及可穿戴设备 |
CN111368862A (zh) * | 2018-12-25 | 2020-07-03 | 中兴通讯股份有限公司 | 室内外标记的区分方法、分类器的训练方法及设备和介质 |
CN109633721A (zh) * | 2019-01-10 | 2019-04-16 | 广东小天才科技有限公司 | 一种室内外判断方法及*** |
CN111273131A (zh) * | 2020-03-17 | 2020-06-12 | 辽宁工程技术大学 | 基于能量特性与随机森林的光伏并网发电孤岛检测方法 |
CN111638751A (zh) * | 2020-05-19 | 2020-09-08 | 广东小天才科技有限公司 | 基于可穿戴设备的安全预警方法及装置、可穿戴设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108834068B (zh) | 一种基于可穿戴设备的定位方法及可穿戴设备 | |
CN108073605B (zh) | 一种业务数据的加载、推送、交互信息的生成方法和装置 | |
CN107948748B (zh) | 推荐视频的方法、设备、移动终端及计算机存储介质 | |
CN107292237B (zh) | 指纹的采集方法及相关产品 | |
CN106022062B (zh) | 一种解锁方法及移动终端 | |
WO2015007092A1 (zh) | 移动设备天线的控制方法、装置和设备 | |
CN110458655B (zh) | 一种商铺信息推荐方法及移动终端 | |
CN109561420B (zh) | 一种紧急求救的方法及相关设备 | |
CN107566604B (zh) | 一种消息提醒的控制方法及用户终端 | |
CN110771121A (zh) | 应用资源推荐方法及相关设备 | |
CN107566909B (zh) | 一种基于弹幕的视频内容搜索方法及用户终端 | |
CN107317918B (zh) | 参数设置方法及相关产品 | |
CN108616448A (zh) | 一种信息分享的路径推荐方法及移动终端 | |
CN111125523A (zh) | 搜索方法、装置、终端设备及存储介质 | |
CN106714277B (zh) | 一种网络连接的方法及终端 | |
CN107256383B (zh) | 指纹的采集方法、装置及相关终端设备和可读存储介质 | |
CN108664288A (zh) | 一种图像截取方法及移动终端 | |
CN109141355B (zh) | 基于多传感器的相对高度测量方法及可穿戴设备 | |
CN112859136B (zh) | 一种定位方法和相关装置 | |
CN113015996A (zh) | 一种广告推送方法及相关设备 | |
CN107659718B (zh) | 控制移动终端的方法、装置、移动终端及存储介质 | |
CN109041212B (zh) | 一种定位方法及可穿戴设备 | |
CN110277097B (zh) | 数据处理方法及相关设备 | |
CN112764543A (zh) | 一种信息输出方法、终端设备以及计算机可读存储介质 | |
CN106484688B (zh) | 一种数据处理方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |