CN115935278B - 环境识别方法、电子设备、计算机可读存储介质 - Google Patents
环境识别方法、电子设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN115935278B CN115935278B CN202310213046.0A CN202310213046A CN115935278B CN 115935278 B CN115935278 B CN 115935278B CN 202310213046 A CN202310213046 A CN 202310213046A CN 115935278 B CN115935278 B CN 115935278B
- Authority
- CN
- China
- Prior art keywords
- environment
- classification
- environmental
- feature subset
- time
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Mobile Radio Communication Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及人工智能技术领域,尤其是涉及一种环境识别方法、电子设备、计算机可读存储介质。本发明环境识别方法包括两个执行主体,分别是通感终端与边缘服务器,其中通感终端需要先采集环境信息,再对环境信息进行特征提取,得到环境特征子集,将环境特征子集发送至边缘服务器,边缘服务器基于通感终端获取环境特征子集之后,基于环境特征子集进行解析处理,得到第一数目个分类概率函数,再基于第一数目个分类概率函数构建分类判别增益,最终基于分类判别增益对环境特征子集进行识别处理,得到识别结果数据。基于分类判别增益对环境特征子集进行识别处理,得到识别结果数据,能够提高环境识别的识别准确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其是涉及一种环境识别方法、电子设备、计算机可读存储介质。
背景技术
通感算一体化(Integrated Sensing, Communication and Computation,ISCC),是指通信、感知和计算这三个功能融合在一起,使得环境识别***同时集成通信、感知和计算这三个功能的技术,其中,通信即两个或多个通信终端之间进行信息传输的功能,感知即探测物理环境的环境信息的功能,例如测速、目标定位等,计算则是基于环境信息进行解析计算并得到一个可用的识别结果的功能。
通感算一体化的相关技术中,通信、感知、计算常常被分开设计用以达成各自的目标。通信环节旨在使得吞吐量最大化,感知环节旨在获得高质量的定位数据,计算环节旨在更高效地利用资源,因此,三个环节之间耦合关系并不密切,同时业内尚未出现衡量环节识别准确度的优秀评价指标,以至于相关技术中环境识别的准确度不高。因此,如何提高环境识别的识别准确度,已经成为业内亟待解决的一大难题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种环境识别方法、电子设备、计算机可读存储介质,能够提高环境识别的识别准确度。
根据本发明的第一方面实施例的环境识别方法,应用于边缘服务器,所述方法包括:
基于通感终端获取环境特征子集,所述环境特征子集由所述通感终端对环境信息进行特征提取而得到,所述环境信息由所述通感终端在目标环境中采集得到;
基于所述环境特征子集进行解析处理,得到所述环境特征子集在第一数目个环境类别中对应的第一数目个分类概率函数;
基于第一数目个所述分类概率函数构建分类判别增益;
基于所述分类判别增益对所述环境特征子集进行识别处理,得到识别结果数据。
根据本发明的一些实施例,所述基于第一数目个所述分类概率函数构建分类判别增益,包括:
基于第一数目个所述环境类别构建第二数目个环境类对,每一所述环境类对包括两个类对元素,所述类对元素从所述环境类别中选取;
基于每一所述环境类对的两个所述类对元素,从第一数目个所述分类概率函数中匹配得到一一对应的元素分类函数并构建分类函数对;
基于第二数目个所述分类函数对,构建所述分类判别增益。
根据本发明的一些实施例,所述基于第二数目个所述分类函数对,构建所述分类判别增益,包括:
将每一所述分类函数对进行整合,构建每一所述环境类对相应的类对判别增益;
基于第二数目个所述类对判别增益进行均值化处理,得到所述分类判别增益。
根据本发明的一些实施例,所述基于所述分类判别增益对所述环境特征子集进行识别处理,得到识别结果数据,包括:
对所述分类判别增益进行增强处理,得到优化判别增益;
基于所述优化判别增益对所述环境特征子集进行识别处理,得到识别结果数据。
根据本发明的一些实施例,所述对所述分类判别增益进行增强处理,得到优化判别增益,包括:
获取感知时间、通信时间与计算时间,并基于所述感知时间、所述通信时间与所述计算时间为所述分类判别增益配置延迟约束条件,所述感知时间为所述环境信息的采集时间,所述通信时间为所述环境特征子集的传输时间,所述计算时间为所述环境特征子集的特征提取时间;
获取所述边缘服务器与所述通感终端之间的通道容量,并基于所述通道容量,为所述分类判别增益配置传输约束条件;
获取所述通感终端的能耗阈值,并基于所述能耗阈值为所述分类判别增益配置能量约束条件;
基于所述延迟约束条件、所述传输约束条件与所述能量约束条件对所述分类判别增益进行增强处理,得到优化判别增益。
根据本发明的第二方面实施例的环境识别方法,应用于通感终端,所述方法包括:
采集环境信息,所述环境信息包括目标环境的可检测物理量;
对所述环境信息进行特征提取,得到环境特征子集;
将所述环境特征子集发送至边缘服务器,以使得所述边缘服务器基于所述环境特征子集进行解析处理,得到分类概率函数,并基于所述分类概率函数构建分类判别增益,基于所述分类判别增益对所述环境特征子集进行识别处理,得到识别结果数据。
根据本发明的一些实施例,所述环境信息包括所述目标环境中的物体运动数据,所述对所述环境信息进行特征提取,得到环境特征子集,包括:
对所述物体运动数据进行采样,生成运动数据向量;
基于主分量分析从所述运动数据向量中提取主特征元素,得到运动特征向量;
对所述运动特征向量进行归一化处理,得到所述环境特征子集。
根据本发明的一些实施例,所述基于主分量分析从所述运动数据向量中提取主特征元素,得到运动特征向量,包括:
对所述运动数据向量进行奇异值分解,得到中间数据向量;
基于主分量分析从所述中间数据向量中提取主特征元素,得到运动特征向量。
第三方面,本发明实施例提供了一种电子设备,包括:存储器、处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如本发明第一方面实施例中任意一项所述的环境识别方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如本发明第一方面实施例中任意一项所述的环境识别方法。
根据本发明实施例的环境识别方法、电子设备、计算机可读存储介质,至少具有如下有益效果:
本发明环境识别方法包括两个执行主体,分别是通感终端与边缘服务器,其中通感终端需要先采集环境信息,环境信息包括目标环境的可检测物理量,再对环境信息进行特征提取,得到环境特征子集,将环境特征子集发送至边缘服务器,边缘服务器基于通感终端获取环境特征子集之后,基于环境特征子集进行解析处理,得到环境特征子集在第一数目个环境类别中对应的第一数目个分类概率函数,再基于第一数目个分类概率函数构建分类判别增益,最终基于分类判别增益对环境特征子集进行识别处理,得到识别结果数据。基于分类判别增益对环境特征子集进行识别处理,得到识别结果数据,能够提高环境识别的识别准确度。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例提供的环境识别方法的一个可选流程图;
图2为本发明实施例提供的环境识别方法的另一可选流程图;
图3为本发明实施例提供的环境识别方法的另一可选流程图;
图4为本发明实施例提供的环境识别方法的另一可选流程图;
图5为本发明实施例提供的环境识别方法的另一可选流程图;
图6为本发明实施例提供的环境识别方法的另一可选流程图;
图7为本发明实施例提供的环境识别方法的另一可选流程图;
图8是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、左、右、前、后等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本发明的描述中,需要说明的是,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。另外,下文中对于具体步骤的标识并不代表对于步骤顺序与执行逻辑的限定,各个步骤之间的执行顺序与执行逻辑应参照实施例所表述的内容进行理解与推定。
通感算一体化(Integrated Sensing,Communication and Computation,ISCC),是指通信、感知和计算这三个功能融合在一起,使得环境识别***同时集成通信、感知和计算这三个功能的技术,其中,通信即两个或多个通信终端之间进行信息传输的功能,感知即探测物理环境的环境信息的功能,例如测速、目标定位等,计算则是基于环境信息进行解析计算并得到一个可用的识别结果的功能。举一个通感算一体化的应用实例:利用基站信号感知周围环境信息,设计通信链路,对环境信息进行解析计算,从而帮助环境中行驶的载具避开一些障碍物,同时提升通信性能。通感算一体化的应用过程中,利用无线信道传输信息的同时可以通过主动认知并分析信道的特性,从而去感知周围环境的物理特征得到环境信息,再基于环境信息进行解析计算,以使得通信、感知和计算这三个功能相互增强。
通感算一体化技术的应用中,环境信息获取和通信共同竞争频谱资源,允许的通信资源进一步确定所需的量化水平,以便量化的特征可以在延迟约束下可靠地传输到边缘服务器,最终在边缘服务器得到响应数据。因此,通、感、算这三个过程是高度耦合的,需要共同考虑。此外,通感算一体化的实现应该在一个新的面向任务的原则下设计,也就是应该在关注后续推断任务的成功完成的原则下设计。在边缘人工智能中,***感兴趣的性能指标不再是吞吐量,而是推断精度和延迟。因此,以边缘人工智能为基础,面向实时推断任务的通感算一体化方案应该在低延迟和设备上资源的约束下,通过联合设计通信、感知和计算来最大化推断精度。在无线网络边缘融入人工智能,进行实时的分布式智能训练,是实现通信网络全面智能化升级的一个关键技术。通感一体化凭借面向边缘人工智能任务具有独特的优势,获得了非常广泛的关注。
相关技术中,通信、感知、计算常常被分开设计用以达成各自的目标。通信环节旨在使得吞吐量最大化,感知环节旨在获得高质量的定位数据,计算环节旨在更高效地利用资源,因此,三个环节之间耦合关系并不密切,同时业内尚未出现衡量环节识别准确度的优秀评价指标,以至于相关技术中环境识别的准确度不高。因此,如何提高环境识别的识别准确度,已经成为业内亟待解决的一大难题。
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种环境识别方法、电子设备、计算机可读存储介质,能够提高环境识别的识别准确度。
下面以附图为依据作出进一步说明。
本发明的环境识别方法包括两个执行主体:通感终端与边缘服务器。其中,通感终端(Integrated Sensing And Communication Device,ISAC Device)是集通信功能、感知功能为一体的终端设备,也称ISAC设备。边缘服务器指的是用于提供算力服务、具备数据处理功能的边缘设备,边缘设备(Edge Device)是向企业或服务提供商核心网络提供入口点的设备,例如:路由器、路由交换机、集成接入设备(IAD)、多路复用器,以及各种城域网(MAN)和广域网(WAN)接入设备,应理解,基于应用场景的不同,边缘设备的设置类型多种多样,例如在检测路况的应用场景下边缘设备可以设置于机动车上,在检测温度、气体的应用场景下边缘设备可以设置在目标环境的检测亭中。
需要说明的是,通感终端的感知功能体现在利用各类环境物理量传感器采集环境信息,例如通过雷达采集目标环境中的物体运动数据、利用温度传感器采集目标环境中的温度变化数据、利用气体传感器采集目标环境中的气体含量变化数据等;通感终端的通信功能体现在与边缘服务器之间的数据传递,需要指出,通感终端的算力较为有限,如若部署大型的人工智能模型来处理采集到的环境数据,需要负担沉重的存储和计算成本。因此,本发明将用于处理环境数据的人工智能模型主要部署在边缘服务器上,如此一来,通感终端负责采集环境信息、边缘服务器基于人工智能模型处理识别环境信息得到识别结果数据,加之以通感终端与边缘服务器之间的数据通信,即可完成环境识别方法的识别流程,通感终端无需承担巨量的算力负担,相较而言更为节省成本。
应理解,通感终端与边缘服务器分别用于执行不同的方法步骤,下面进一步展开说明。
参照图1,本发明实施例提供的环境识别方法,可以包括但不限于下述步骤S101至步骤S107,其中,步骤S101至步骤S103应用于通感终端,步骤S104至步骤S107应用于边缘服务器。
步骤S101,采集环境信息,环境信息包括目标环境的可检测物理量;
步骤S102,对环境信息进行特征提取,得到环境特征子集;
步骤S103,通感终端将环境特征子集发送至边缘服务器;
步骤S104,边缘服务器从通感终端获取环境特征子集;
步骤S105,基于环境特征子集进行解析处理,得到环境特征子集在第一数目个环境类别中对应的第一数目个分类概率函数;
步骤S106,基于第一数目个分类概率函数构建分类判别增益;
步骤S107,基于分类判别增益对环境特征子集进行识别处理,得到识别结果数据。
经由本发明步骤S101至步骤S107示出的实施例,本发明环境识别方法包括两个执行主体,分别是通感终端与边缘服务器,其中通感终端需要先采集环境信息,环境信息包括目标环境的可检测物理量,再对环境信息进行特征提取,得到环境特征子集,将环境特征子集发送至边缘服务器,边缘服务器基于通感终端获取环境特征子集之后,基于环境特征子集进行解析处理,得到环境特征子集在第一数目个环境类别中对应的第一数目个分类概率函数,再基于第一数目个分类概率函数构建分类判别增益,最终基于分类判别增益对环境特征子集进行识别处理,得到识别结果数据。基于分类判别增益对环境特征子集进行识别处理,得到识别结果数据,能够提高环境识别的识别准确度。
本发明一些实施例的步骤S101中,采集环境信息,环境信息包括目标环境的可检测物理量。需要说明的是,环境信息包括目标环境的可检测物理量,需要指出,采集环境信息的目的是为了对目标环境的各项物理量进行检测,以识别确定当前目标环境的实际状况。需要强调,通感终端的感知功能体现在利用各类环境物理量传感器采集环境信息,例如通过雷达采集目标环境中的物体运动数据、利用温度传感器采集目标环境中的温度变化数据、利用气体传感器采集目标环境中的气体含量变化数据等,因此,通感终端采集环境信息可以通过多种方式实现。一些较为具体的实施例中,通感终端配置有雷达感知设备,采集环境信息时,向目标环境传输由多个上行啁啾组成的雷达检测信号,然后接收雷达检测信号对应的雷达回波信号,通过对雷达回波信号进行处理,在通感终端上可以获得包含目标环境中物体运动数据的环境信息。
本发明一些实施例的步骤S102中,对环境信息进行特征提取,得到环境特征子集。需要指出,通感终端负责采集环境信息、边缘服务器基于人工智能模型处理识别环境信息得到识别结果数据,加之以通感终端与边缘服务器之间的数据通信,可以完成环境识别方法的识别流程,然而通感终端与边缘服务器之间若直接传递环境信息,虽然降低了通感终端的硬件要求,但也容易造成数据泄露,数据安全受到威胁。因此本发明一些示例性的实施例中,将人工智能模型分割成两个子模型,一个子模型部署在通感终端上先对环境信息进行特征提取,得到环境特征子集,再于后续步骤中,将环境特征子集发送至边缘服务器,另一子模型部署在边缘服务器端进行其余的识别任务,如此一来,便可以避免泄露采集到的环境信息保障数据安全,并将较为繁重的那一部分计算任务部署到边缘服务器来降低通感设备端的硬件要求。
参照图2,根据本发明的一些实施例,环境信息包括目标环境中的物体运动数据,步骤S102对环境信息进行特征提取,得到环境特征子集,可以包括但不限于下述步骤S201至步骤S203。
步骤S201,对物体运动数据进行采样,生成运动数据向量;
步骤S202,基于主分量分析从运动数据向量中提取主特征元素,得到运动特征向量;
步骤S203,对运动特征向量进行归一化处理,得到环境特征子集。
本发明一些实施例的步骤S201至步骤S203中,需要先对物体运动数据进行采样,生成运动数据向量,再基于主分量分析从运动数据向量中提取主特征元素,得到运动特征向量,进一步,对运动特征向量进行归一化处理,得到环境特征子集。需要说明的是,目标环境中可能存在各种各样正在运动的物体,因此通感终端基于一些运动物理量的传感器,即可从目标环境中获取一些反映物体运动的物理量数据,也即物体运动数据。需要指出,主分量分析技术(Principal Components Analysis,PCA),又称主成分分析技术,旨在利用降维的思想,把多指标转化为少数几个综合指标,在统计学中,主分量分析是一种简化数据集的技术,它是一个线性变换,这个变换把数据变换到一个新的坐标***中,使得任何数据投影的第一大方差在第一个坐标(称为第一主分量)上,第二大方差在第二个坐标(第二主分量)上,依次类推,主分量分析常用于减少数据集的维数,同时保持数据集的对方差贡献最大的特征,这是通过保留低阶主分量,忽略高阶主分量做到的,这样低阶成分往往能够保留住数据的重要方面。应理解,步骤S102对环境信息进行特征提取,得到环境特征子集,可以通过多种多样的方式实现,不局限于上述举出的具体实施例。
参照图3,根据本发明的一些实施例,步骤S202基于主分量分析从运动数据向量中提取主特征元素,得到运动特征向量,可以包括但不限于下述步骤S301至步骤S302。
步骤S301,对运动数据向量进行奇异值分解,得到中间数据向量;
步骤S302,基于主分量分析从中间数据向量中提取主特征元素,得到运动特征向量。
本发明一些实施例的步骤S301至步骤S302中,需要先对运动数据向量进行奇异值分解,得到中间数据向量,再基于主分量分析从中间数据向量中提取主特征元素,得到运动特征向量。需要说明的是,奇异值分解(Singular Value Decomposition,SVD)是线性代数中一种重要的矩阵分解,奇异值分解则是特征分解在任意矩阵上的推广,奇异值分解在某些方面与对称矩阵或Hermite矩阵基于特征向量的对角化类似,然而这两种矩阵分解尽管有其相关性,但还是有明显的不同,谱分析的基础是对称阵特征向量的分解,而奇异值分解则是谱分析理论在任意矩阵上的推广。需要说明的是,本发明一些较为优选的实施例中,为了减少杂波并提取有用信息,在基于主分量分析从中间数据向量中提取主特征元素,得到运动特征向量的过程中,需要使用基于奇异值分解的线性滤波器,来对运动数据向量进行奇异值分解,得到中间数据向量,再基于主分量分析从中间数据向量中提取主特征元素,得到运动特征向量。
一些较为具体的实施例中,编号为k的通感终端配置有雷达感知设备,采集环境信息时,发送雷达检测信号的一个感知快照包含M个啁啾,每个啁啾的持续时间为,需要说明,通感终端向目标环境传输由多个上行啁啾组成的雷达检测信号/>,表示为:
其中,为雷达检测信号直接反射的期望回波信号,/>,为包含往返路径损耗的反射系数,/>为往返时延,/>为目标从第/>条间接反射路径间接反射的回波信号,其表达式为/>,/>和/>分别为第/>条路径的反射系数和信号延迟,/>为间接反射路径的总数,/>为感知接收机处的高斯噪声,需要明确,/>和/>的值均是在采集环境信息之前测定的值。
再进一步,通过对雷达回波信号进行处理,在通感终端上获得目标环境中物体运动数据,之后,再对物体运动数据进行特征提取,得到环境特征子集,需要指出,物体运动数据进行特征提取,得到环境特征子集,具体而言,需要先对物体运动数据进行采样,生成运动数据向量/>,再对运动数据向量/>进行奇异值分解,得到过滤后的运动数据向量/>,也就是中间数据向量/>,其中/>,/>和/>分别表示/>的第/>个奇异值、第/>个左奇异向量和第/>个右奇异向量,/>和/>为经验参数;进一步,基于/>将中间数据向量/>转换成/>之后,随即在主要特征空间通过主分量分析PCA从/>中提取主特征元素,得到运动特征向量,以使得不同的特征元素互不相关。
一些可选实施例中,主要特征空间是边缘服务器在预先对模型进行训练的过程中获得的,在边缘服务器一侧获得主要特征空间之后,进一步以广播形式将主要特征空间传递到到各个通感终端。
在获取第n个环境特征元素之后,即可将每一环境特征元素/>进行整合,得到环境特征子集/>,其中/>为生成的环境特征元素的总数。一些实施例中,由于通感终端的部署较为稀松,对应的感知区域不重叠,因此不同通感终端生成的不同环境特征子集也是独立的。
需要强调,步骤S102对环境信息进行特征提取,得到环境特征子集,可以包括,但不限于上述举出的具体实施例。
本发明一些实施例的步骤S103中,通感终端将环境特征子集发送至边缘服务器。
本发明一些较为具体的实施例中,通感终端将环境特征子集发送至边缘服务器的过程中,还需要对环境特征子集进行量化处理,得到量化特征子集,以便于通信传输。若将环境特征子集表示为,可以将环境特征子集中的每个环境特征元素都使用相同的线性量化器进行量化得到量化特征元素,具体而言,对于环境特征子集/>中的第/>个环境特征元素,利用高量化比特范围,其量化特征元素为:/>,其中/>为第/>个环境特征元素对应的原始特征元,/>为量化增益,/>为近似高斯量化失真,表示为,/>是方差。
本发明一些实施例的步骤S104中,边缘服务器从通感终端获取环境特征子集。
本发明一些较为具体的实施例中,通感终端将环境特征子集发送至边缘服务器的过程中,还需要对环境特征子集进行量化处理,得到量化特征子集,则边缘服务器在接收到量化特征子集之后,需要对量化特征子集中的量化特征元素进行恢复。若环境特征子集中的第/>个环境特征元素被量化为量化特征元素/>,对应的,在边缘服务器一侧,量化特征被恢复为/>,可以明确的是,较高的量化增益,可导致边缘服务器恢复特征的量化失真较低。需要指出,边缘服务器一侧恢复的环境特征子集/>和在加性高斯失真近似下生成的环境特征子集/>之间的互信息为/>,其中/>,这也是编号为k的通感终端将环境特征子集传输到服务器所产生的通信开销。
本发明一些实施例的步骤S105至步骤S106中,先基于环境特征子集进行解析处理,得到环境特征子集在第一数目个环境类别中对应的第一数目个分类概率函数,再基于第一数目个分类概率函数构建分类判别增益。需要说明的是,本发明实施例中,通感终端负责采集环境信息并生成环境特征子集、边缘服务器基于人工智能模型处理识别环境特征子集进而得到识别结果数据,加之以通感终端与边缘服务器之间的数据通信,即可完成环境识别方法的识别流程。其中,通感终端与边缘服务器之间的数据通信过程中会存在数据的减损,以至于环境识别对应的识别结果数据中,不同类别之间差异较小,难以具备较高的识别精度。因此,为了更好地应对通感终端与边缘服务器之间的数据通信过程中产生的数据减损,本发明一些实施例需要以分类判别增益作为衡量类间差异的指标,以分类判别增益为基础来处理识别过程中不同类别之间的比对,便于后续步骤中,基于分类判别增益对环境特征子集进行识别处理,得到识别结果数据,能够对通感终端与边缘服务器之间的数据通信过程中数据减损产生的影响做到有效控制,进而实现对环境识别准确度的提升。需要明确,通感终端与边缘服务器之间通信质量与环境识别准确度息息相关,通信质量越高则通感终端与边缘服务器之间的数据减损越小,边缘服务器基于环境特征子集进行识别的过程中类间差异得以明确,环境识别准确度也就会越高,因此分类判别增益也可以视作本发明环境识别方法的识别精度度量。需要指出,分类概率函数可以反映环境特征子集在特定环境类别下的分布特征,每一个分类概率函数一一对应于一种环境类别。
参照图4,根据本发明的一些实施例,步骤S106基于第一数目个分类概率函数构建分类判别增益,可以包括但不限于下述步骤S401至步骤S403。
步骤S401,基于第一数目个环境类别构建第二数目个环境类对,每一环境类对包括两个类对元素,类对元素从环境类别中选取;
步骤S402,基于每一环境类对的两个类对元素,从第一数目个分类概率函数中匹配得到一一对应的元素分类函数并构建分类函数对;
步骤S403,基于第二数目个分类函数对,构建分类判别增益。
本发明一些实施例的步骤S401中,需要先基于第一数目个环境类别构建第二数目个环境类对,每一环境类对包括两个类对元素,类对元素从环境类别中选取。需要强调,为了更好地应对通感终端与边缘服务器之间的数据通信过程中产生的数据减损,本发明一些实施例需要以分类判别增益作为衡量类间差异的指标,以分类判别增益为基础来处理识别过程中不同类别之间的比对。一些示例性的实施例中,为了能够更好衡量环境类别的类间差异。需要先基于第一数目个环境类别构建第二数目个环境类对,其中,第一数目为边缘服务器能够识别的环境类别总数,而第一数目个环境类别中,每两个环境类别进行配对即可形成一个环境类对,第一数目个环境类别可以形成的环境类对总数即为第二数目。一个具体的实施例中,若边缘服务器能够识别的环境类别有A、B、C、D、E这5个,那么其中每两个环境类别进行配对即可形成一个环境类对,总共可以形成的环境类对有AB、AC、AD、AE、BC、BD、BE、CD、CE、DE这10个,此例中第一数目为5,第二数目为10。
本发明一些实施例的步骤S402至步骤S403中,基于每一环境类对的两个类对元素,从第一数目个分类概率函数中匹配得到一一对应的元素分类函数并构建分类函数对,再基于第二数目个分类函数对,构建分类判别增益。需要说明的是,在步骤S105之前,需要先执行步骤S104基于环境特征子集进行解析处理,得到环境特征子集在第一数目个环境类别中对应的第一数目个分类概率函数,而分类概率函数可以反映环境特征子集在特定环境类别下的分布特征,每一个分类概率函数一一对应于一种环境类别。故此,可以基于环境特征子集在每一环境类别的分类概率函数,来构建分类判别增益。本发明实施例中,在构建得到第二数目个环境类对之后,即可基于每一环境类对的两个类对元素,在第一数目个分类概率函数中进行匹配并构建分类函数对,其中由于类对元素是从环境类别中选取得到的,因此类对元素具备一一对应的元素分类函数,在此基础上,同一环境类对中的每两个类对元素在第一数目个分类概率函数中进行匹配,即可得到对应于环境类对的分类函数对。获取分类函数对之后,即可基于第二数目个分类函数对,构建分类判别增益。需要强调,基于分类判别增益对环境特征子集进行识别处理,得到识别结果数据,能够对通感终端与边缘服务器之间的数据通信过程中数据减损产生的影响做到有效控制,进而实现对环境识别准确度的提升。
参照图5,根据本发明的一些实施例,步骤S403基于第二数目个分类函数对,构建分类判别增益,可以包括但不限于下述步骤S501至步骤S502。
步骤S501,将每一分类函数对进行整合,构建每一环境类对相应的类对判别增益;
步骤S502,基于第二数目个类对判别增益进行均值化处理,得到分类判别增益。
本发明一些实施例的步骤S501至步骤S502中,需要将每一分类函数对进行整合,构建每一环境类对相应的类对判别增益,再基于第二数目个类对判别增益进行均值化处理,得到分类判别增益。需要说明的是,由于一个分类函数对中的两个元素分类函数,对应于环境类对的两个类对元素,因此将每一分类函数对进行整合,即可构建每一环境类对相应的类对判别增益,用于衡量该环境类对中两个类对元素之间的类间差异。同理,第一数目个环境类别中,可以对应形成第二数目个类对判别增益,以衡量第二数目个环境类对内部的类间差异。由于环境特征子集中的不同环境特征元素是独立的,因此一些实施例中,分类判别增益可以基于第二数目个类对判别增益进行均值化处理而得到,也即第二数目个类对判别增益求平均值而得到。
进一步,以环境类别与环境类别/>构建环境类对,基于该环境类对的两个类对元素/>与/>,从第一数目个分类概率函数中匹配得到一一对应的元素分类函数并构建分类函数对,再将每一分类函数对进行整合,构建每一环境类对相应的类对判别增益,可以表示为:
需要强调,步骤S106基于第一数目个分类概率函数构建分类判别增益,可以包括,但不限于上述举出的具体实施例。
本发明一些实施例的步骤S107中,基于分类判别增益对环境特征子集进行识别处理,得到识别结果数据。需要说明的是,由于分类判别增益是衡量类间差异的指标,因此基于分类判别增益对环境特征子集进行识别处理,有利于识别过程中在不同环境类别之间的比对,能够对通感终端与边缘服务器之间的数据通信过程中数据减损产生的影响做到有效控制,进而实现对环境识别准确度的提升。
参照图6,根据本发明的一些实施例,步骤S107基于分类判别增益对环境特征子集进行识别处理,得到识别结果数据,可以包括但不限于下述步骤S601至步骤S602。
步骤S601,对分类判别增益进行增强处理,得到优化判别增益;
步骤S602,基于优化判别增益对环境特征子集进行识别处理,得到识别结果数据。
本发明一些实施例的步骤S601至步骤S602中,先对分类判别增益进行增强处理,得到优化判别增益,再基于优化判别增益对环境特征子集进行识别处理,得到识别结果数据。需要说明的是,由于分类判别增益是衡量类间差异的指标,因此分类判别增益越大,则能够加大各个环境类别之间的类间差异,从而帮助环境识别准确度得到提升。因此,本发明一些实施例中,需要对分类判别增益进行增强处理,得到优化判别增益,再基于优化判别增益对环境特征子集进行识别处理,得到识别结果数据。
参照图7,根据本发明的一些实施例,步骤S601对分类判别增益进行增强处理,得到优化判别增益,可以包括但不限于下述步骤S701至步骤S704。
步骤S701,获取感知时间、通信时间与计算时间,并基于感知时间、通信时间与计算时间为分类判别增益配置延迟约束条件,感知时间为环境信息的采集时间,通信时间为环境特征子集的传输时间,计算时间为环境特征子集的特征提取时间;
步骤S702,获取边缘服务器与通感终端之间的通道容量,并基于通道容量,为分类判别增益配置传输约束条件;
步骤S703,获取通感终端的能耗阈值,并基于能耗阈值为分类判别增益配置能量约束条件;
步骤S704,基于延迟约束条件、传输约束条件与能量约束条件对分类判别增益进行增强处理,得到优化判别增益。
本发明一些实施例的步骤S701至步骤S704中,需要先获取感知时间、通信时间与计算时间,并基于感知时间、通信时间与计算时间为分类判别增益配置延迟约束条件,感知时间为环境信息的采集时间,通信时间为环境特征子集的传输时间,计算时间为环境特征子集的特征提取时间,获取边缘服务器与通感终端之间的通道容量,并基于通道容量,为分类判别增益配置传输约束条件,再获取通感终端的能耗阈值,并基于能耗阈值为分类判别增益配置能量约束条件,进一步,基于延迟约束条件、传输约束条件与能量约束条件对分类判别增益进行增强处理,得到优化判别增益。需要说明的是,针对分类判别增益进行增强处理,收到三方面限制,分别是延迟约束条件、传输约束条件以及能量约束条件,其中延迟约束条件由感知时间、通信时间与计算时间三方面决定,传输约束条件由边缘服务器与通感终端之间的通道容量决定,能量约束条件由通感终端的能耗阈值决定。需要强调,基于增强处理后的分类判别增益对环境特征子集进行识别处理,有利于识别过程中在不同环境类别之间的比对,能够对通感终端与边缘服务器之间的数据通信过程中数据减损产生的影响做到有效控制,进而实现对环境识别准确度的提升。
一些较为具体的实施例中,若一个通感终端的编号为k,则它的感知时间可以记为,它的计算时间可以记为/>,传输特征所需的通信时间可以记为/>,总通信带宽为B,其中感知时间/>为环境信息的采集时间,通信时间/>为环境特征子集的传输时间,计算时间/>为环境特征子集的特征提取时间。本发明一些实施例中,边缘服务器完成识别任务的总时间记为识别时间/>,由于识别时间/>较短并且小于信道相干时间,故而可以将无线信道视作是静态的,此时编号为k的通感设备和边缘服务器之间链路的通道增益可以记为,边缘服务器的接入点作为协调器,即可获取全局信道状态信息,全局信道状态信息用于反映的通感设备和边缘服务器之间信道的状态信息。
其次,边缘服务器一侧恢复的环境特征子集和在加性高斯失真近似下生成的环境特征子集/>之间的互信息为/>,其中/>,为了确保量化特征子集能够成功传输到边缘服务器,生成的特征子集/>和恢复的/>之间的互信息应该小于通道容量,表示为传输约束条件Condition 2:
需要强调,对分类判别增益进行增强处理,得到优化判别增益的方式不限于上述举出的具体实施例。
图8示出了本发明实施例提供的电子设备800。电子设备800包括:处理器801、存储器802及存储在存储器802上并可在处理器801上运行的计算机程序,计算机程序运行时用于执行上述的环境识别方法。
处理器801和存储器802可以通过总线或者其他方式连接。
存储器802作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序,如本发明实施例描述的环境识别方法。处理器801通过运行存储在存储器802中的非暂态软件程序以及指令,从而实现上述的环境识别方法。
存储器802可以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***、至少一个功能所需要的应用程序。存储数据区可存储执行上述的环境识别方法。此外,存储器802可以包括高速随机存取存储器802,还可以包括非暂态存储器802,例如至少一个储存设备存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中,存储器802可选包括相对于处理器801远程设置的存储器802,这些远程存储器802可以通过网络连接至该电子设备800。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述的环境识别方法所需的非暂态软件程序以及指令存储在存储器802中,当被一个或者多个处理器801执行时,执行上述的环境识别方法,例如,执行图1中的方法步骤S101至步骤S107、图2中的方法步骤S201至步骤S203、图3中的方法步骤S301至步骤S302、图4中的方法步骤S401至步骤S403、图5中的方法步骤S501至步骤S502、图6中的方法步骤S601至步骤S602、图7中的方法步骤S701至步骤S704。
本发明实施例还提供了计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令用于执行上述的环境识别方法。
在一实施例中,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,执行图1中的方法步骤S101至步骤S107、图2中的方法步骤S201至步骤S203、图3中的方法步骤S301至步骤S302、图4中的方法步骤S401至步骤S403、图5中的方法步骤S501至步骤S502、图6中的方法步骤S601至步骤S602、图7中的方法步骤S701至步骤S704。
以上所描述的装置实施例仅仅是示意性的,其中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,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、储存设备存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。还应了解,本发明实施例提供的各种实施方式可以任意进行组合,以实现不同的技术效果。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的共享条件下还可作出种种等同的变形或替换,这些等同的变形或替换均包括在本发明权利要求所限定的范围内。
Claims (8)
1.一种环境识别方法,其特征在于,应用于边缘服务器,所述方法包括:
基于通感终端获取环境特征子集,所述环境特征子集由所述通感终端对环境信息进行特征提取而得到,所述环境信息由所述通感终端在目标环境中采集得到;
基于所述环境特征子集进行解析处理,得到所述环境特征子集在第一数目个环境类别中对应的第一数目个分类概率函数;
基于第一数目个所述分类概率函数构建分类判别增益;
获取感知时间、通信时间与计算时间,并基于所述感知时间、所述通信时间与所述计算时间为所述分类判别增益配置延迟约束条件,所述感知时间为所述环境信息的采集时间,所述通信时间为所述环境特征子集的传输时间,所述计算时间为所述环境特征子集的特征提取时间;
获取所述边缘服务器与所述通感终端之间的通道容量,并基于所述通道容量,为所述分类判别增益配置传输约束条件;
获取所述通感终端的能耗阈值,并基于所述能耗阈值为所述分类判别增益配置能量约束条件;
基于所述延迟约束条件、所述传输约束条件与所述能量约束条件对所述分类判别增益进行增强处理,得到优化判别增益;
基于所述优化判别增益对所述环境特征子集进行识别处理,得到识别结果数据。
2.根据权利要求1所述的方法,其特征在于,所述基于第一数目个所述分类概率函数构建分类判别增益,包括:
基于第一数目个所述环境类别构建第二数目个环境类对,每一所述环境类对包括两个类对元素,所述类对元素从所述环境类别中选取;
基于每一所述环境类对的两个所述类对元素,从第一数目个所述分类概率函数中匹配得到一一对应的元素分类函数并构建分类函数对;
基于第二数目个所述分类函数对,构建所述分类判别增益。
3.根据权利要求2所述的方法,其特征在于,所述基于第二数目个所述分类函数对,构建所述分类判别增益,包括:
将每一所述分类函数对进行整合,构建每一所述环境类对相应的类对判别增益;
基于第二数目个所述类对判别增益进行均值化处理,得到所述分类判别增益。
4.一种环境识别方法,其特征在于,应用于通感终端,所述方法包括:
采集环境信息,所述环境信息包括目标环境的可检测物理量;
对所述环境信息进行特征提取,得到环境特征子集;
将所述环境特征子集发送至边缘服务器,以使得所述边缘服务器基于所述环境特征子集进行解析处理,得到分类概率函数,并基于所述分类概率函数构建分类判别增益,基于所述分类判别增益对所述环境特征子集进行识别处理,得到识别结果数据;其中,所述基于所述分类判别增益对所述环境特征子集进行识别处理,得到识别结果数据,具体包括:
获取感知时间、通信时间与计算时间,并基于所述感知时间、所述通信时间与所述计算时间为所述分类判别增益配置延迟约束条件,所述感知时间为所述环境信息的采集时间,所述通信时间为所述环境特征子集的传输时间,所述计算时间为所述环境特征子集的特征提取时间;
获取所述边缘服务器与所述通感终端之间的通道容量,并基于所述通道容量,为所述分类判别增益配置传输约束条件;
获取所述通感终端的能耗阈值,并基于所述能耗阈值为所述分类判别增益配置能量约束条件;
基于所述延迟约束条件、所述传输约束条件与所述能量约束条件对所述分类判别增益进行增强处理,得到优化判别增益;
基于所述优化判别增益对所述环境特征子集进行识别处理,得到识别结果数据。
5.根据权利要求4所述的方法,其特征在于,所述环境信息包括所述目标环境中的物体运动数据,所述对所述环境信息进行特征提取,得到环境特征子集,包括:
对所述物体运动数据进行采样,生成运动数据向量;
基于主分量分析从所述运动数据向量中提取主特征元素,得到运动特征向量;
对所述运动特征向量进行归一化处理,得到所述环境特征子集。
6.根据权利要求5所述的方法,其特征在于,所述基于主分量分析从所述运动数据向量中提取主特征元素,得到运动特征向量,包括:
对所述运动数据向量进行奇异值分解,得到中间数据向量;
基于主分量分析从所述中间数据向量中提取主特征元素,得到运动特征向量。
7.一种电子设备,其特征在于,包括:存储器、处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的环境识别方法。
8.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至6中任意一项所述的环境识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310213046.0A CN115935278B (zh) | 2023-03-08 | 2023-03-08 | 环境识别方法、电子设备、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310213046.0A CN115935278B (zh) | 2023-03-08 | 2023-03-08 | 环境识别方法、电子设备、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115935278A CN115935278A (zh) | 2023-04-07 |
CN115935278B true CN115935278B (zh) | 2023-06-20 |
Family
ID=86554468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310213046.0A Active CN115935278B (zh) | 2023-03-08 | 2023-03-08 | 环境识别方法、电子设备、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935278B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019072128A1 (zh) * | 2017-10-09 | 2019-04-18 | 北京京东尚科信息技术有限公司 | 对象识别方法及其*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112181006B (zh) * | 2020-10-07 | 2021-12-21 | 山东哲远信息科技有限公司 | 一种基于大数据的环境智能处理方法、***及存储介质 |
CN112887371B (zh) * | 2021-01-12 | 2022-05-13 | 深圳市中博科创信息技术有限公司 | 边缘计算方法、装置、计算机设备及存储介质 |
CN114828208A (zh) * | 2022-03-29 | 2022-07-29 | Oppo广东移动通信有限公司 | 终端位置的识别方法及装置、计算机可读介质、电子设备 |
CN115407338A (zh) * | 2022-07-26 | 2022-11-29 | 徐毓辰 | 一种车辆环境信息感知方法及*** |
-
2023
- 2023-03-08 CN CN202310213046.0A patent/CN115935278B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019072128A1 (zh) * | 2017-10-09 | 2019-04-18 | 北京京东尚科信息技术有限公司 | 对象识别方法及其*** |
Also Published As
Publication number | Publication date |
---|---|
CN115935278A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sliwa et al. | The channel as a traffic sensor: Vehicle detection and classification based on radio fingerprinting | |
CN108765937B (zh) | 用于etc***的车辆识别装置、路侧单元和方法 | |
US9134408B2 (en) | Apparatus and method for traffic lane detection | |
US11195412B2 (en) | Predicting short-term traffic flow congestion on urban motorway networks | |
Kamel et al. | CaTch: a confidence range tolerant misbehavior detection approach | |
CN112133085B (zh) | 车辆信息的匹配方法和装置、***、存储介质及电子装置 | |
Zhang et al. | Latency prediction for delay-sensitive v2x applications in mobile cloud/edge computing systems | |
CN113781767A (zh) | 一种基于多源感知的交通数据融合方法及*** | |
Wu et al. | Proactively predicting dynamic 6G link blockages using LiDAR and in-band signatures | |
CN115935278B (zh) | 环境识别方法、电子设备、计算机可读存储介质 | |
CN108140304B (zh) | 用于确定道路交通中的堵塞端部的方法和与此有关的装置 | |
KR20120086023A (ko) | 카오스 특성을 이용한 인지 무선 통신 시스템 엔진 유닛 | |
Hung et al. | Model-driven traffic data acquisition in vehicular sensor networks | |
CN110781730B (zh) | 智能驾驶感知方法及感知装置 | |
Origlia et al. | On-line filtering of on-street parking data to improve availability predictions | |
Tulay et al. | Road state inference via channel state information | |
US20220408400A1 (en) | System and method for facilitating localizing an external object | |
CN109286785B (zh) | 一种环境信息共享***及方法 | |
Won et al. | Wiparkfind: Finding empty parking slots using wifi | |
CN109040019A (zh) | 基于车联网的入侵检测方法、装置、终端及存储介质 | |
Seymer et al. | Smart Parking Zones using Dual Mode Routed Bluetooth Fogged Meshes. | |
KR20220003386A (ko) | 교통 정보 제공 장치 및 방법 | |
CN112766746A (zh) | 交通事故识别方法、装置、电子设备和存储介质 | |
Le et al. | Joint multi-target identification and classification in cognitive radar sensor networks | |
KR101958931B1 (ko) | 레이더 검출 데이터를 이용한 도로 상태 식별 장치 및 이의 동작 방법 |
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 |