买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江财经大学

摘要：本发明涉及人类活动识别技术领域，具体为基于鲁棒增强学习的在线人类活动识别方法，包括：在线人类活动问题的形式化，传感器事件的时空编码，活动识别任务，数据增强，模型联合训练。本发明中，通过利用传感器事件的时空编码、对比自监督学习、更适合在线场景的鲁棒性数据增强，缓解传统活动识别模型存在的忽视时空关联性活动与场景的语义关系、缺乏对无标注数据的利用、实时表现差的问题，从而提高模型的泛化能力和在线识别精度。相比现有的基于自监督学习的识别模型，所提出的方法可以更好地模拟在线场景中的数据扰动和不确定性，生成高置信度的增强样本，从而学习到更好的数据表示、提升模型鲁棒性以及预测性能。

主权项：1.基于鲁棒增强学习的在线人类活动识别方法，其特征在于，包括以下步骤：S1：智能家居环境中，收集的每条数据被存储为元组＜日期、时间、传感器ID、值＞的形式，称之为事件，每个事件都将有唯一的活动与之对应；其中，时间、传感器以及活动的集合分别定义为T＝[1，2，…，24]，S＝[…，s，…]与A＝[…，a，…]，其中，24代表时间为24点；S2：对事件数据进行时空联合编码，统计数据集中所有出现过的时间-传感器对t，s，并将其组成事件集合E；其中，e＝t||s表示事件的时空编码，由时间与传感器编码拼接得到；S3：进行在线活动识别时，可以使用多种类型的编码器来捕获和转换输入数据的特征以进行有效的识别，即先使用编码器来提取窗口事件的特征表示，再交给下游的分类器进行具体活动的识别；S4：通过在训练阶段人为地加入噪声，让模型在面对带噪声的数据时能够学会过滤无关的干扰因素，提高模型在真实世界中遇到噪声数据时的鲁棒性，提出两种随机数据增强操作：随机掩码和随机乱序；其中，随机掩码M，使用掩码符[Mask]替换窗口中的部分事件编码，由超参数0≤η≤1控制掩码比例，掩码数量为|η·n|： 其中，当ej被选中时，ej为掩码符[Mask]，否则ej为原事件符；其中，随机乱序R，将窗口中的一部分子序列[ej，…，ej+m-1]随机打乱为[e′j，…，e′j+m-1]，由超参数μ控制增强比例，乱序长度为 S5：在线场景下的窗口有着特有的连续性，在完整的事件序列上进行滑动，提出了两种适用在线场景的数据增强，基于图转换关系的插入与替换操作；基于窗口内事件的时序相关性构建了一个事件转换图g，来帮助模型进行更好的学习，对于窗口内的任意事件对e1，ej，以的方式更新在转换图上的边权重，对于图中的每一个事件节点，保留它top-k权重的连接边，其中，k是一个超参数；其中，基于图转换关系的插入GI，先随机选取窗口wi中的[α·n]个索引[idx1，...，idx|α·n]]，这里0≤α≤0是插入增强比例。然后，对于每一个索引对应的事件eidx，从转换图g获取eidx的邻居集合以及对应的边权重相关系数通过将边权重作为概率值从候选集合进行采样，可以得到在事件eidx前进行插入的增强事件e′idx，整个过程定义为： 其中，基于图转换关系的替代GS，先通过超参数0≤β≤0随机采样[β·n]个索引[idx1，...，idx[β·n]]。然后，获取事件eidx的邻居集合以及对应的边权重相关系数最后，通过从中采样得到进行替换的增强事件e′idx，整个过程可以定义为： S6：将步骤S4和S5的增强操作整合组成集合使用时从中进行采样，选择一种具体的操作进行窗口的增强；S7：对于一个批次的训练窗口数据从集合随机采样两种数据增强操作来对事件窗口进行增强，以此生成2B份增强样本，其定义为：{w1，w2，...，w2i-1，w2i，…，w2B-1，w2B}公式9，其中i∈[1，2，...，B]。通过批次内负样本策略，从同一个样本wi中增强得到的窗口对w′2i-1，w′2i将被视为一对正样本，对比损失将最大化它们的一致性，而它们与批次中的其他样本则被视为负样本关系，距离将被拉远。根据公式2，可将窗口对w′2i-1，w′2i编码为表征h′2i-1，h′2i，以此进行对比损失的计算： 其中，Ij≠2i-1代表指示函数，当表达式j≠2i-I成立时为1，否则为0；S8：采用多任务学习的方式对模型进行联合优化，多任务训练损失如下所示： 其中λ表示对比损失权重。

全文数据：

权利要求：

百度查询： 浙江财经大学 基于鲁棒增强学习的在线人类活动识别方法