[发明专利]适用于模式识别的模型的优化方法、装置及终端设备

权利要求书

1.一种适用于模式识别的模型的优化方法，其特征在于，所述方法包括：

终端设备接收服务器下发的通用模型，所述通用模型是由所述服务器根据至少一个终端设备上传的样本获得的，所述通用模型包含原始特征参数；

通过所述通用模型识别目标信息，并收集多个本地样本；

当满足模型优化条件时，根据所述多个本地样本、所述原始特征参数以及第一训练算法，获得新特征参数，其中，所述第一训练算法是根据本地样本对原始特征参数进行修正以得出新特征参数的机器学习算法；所述第一训练算法包括深度学习算法、隐马尔可夫模型HMM训练算法、前向算法、维特比算法、前向-后向算法、最大期望EM算法、深度神经网络DNN算法、卷积神经网络CNN算法以及递归神经网络RNN算法中的一种或多种；

将所述原始特征参数存储至第一矩阵中，以及将所述新特征参数存储至第二矩阵中，将所述第一矩阵与对所述第二矩阵进行相加或相乘，得到优化后通用模型的特征参数；根据第二训练算法以及所述优化后通用模型的特征参数，对所述通用模型进行优化，以获得优化后的通用模型；其中所述第二训练算法与所述第一训练算法相一致。

2.根据权利要求1所述的方法，其特征在于，所述模型优化条件包括以下一种或多种：

本地样本的个数达到预设数量、当前时间达到预设时间、终端设备处于预设状态以及终端设备的属性值达到预设阈值。

3.一种适用于模式识别的模型的优化装置，其特征在于，所述装置包括：接收单元、处理单元、获取单元和优化单元；

所述接收单元，用于接收服务器下发的通用模型，所述通用模型是由所述服务器根据至少一个终端设备上传的样本获得的，所述通用模型包含原始特征参数；

所述处理单元，用于通过所述接收单元接收的所述通用模型识别目标信息，并收集多个本地样本；

所述获取单元，用于当满足模型优化条件时，根据所述多个本地样本、所述原始特征参数以及第一训练算法，获得新特征参数，其中，所述第一训练算法根据对本地样本对原始特征参数进行修正以得出新特征参数的机器学习算法；所述第一训练算法包括深度学习算法、隐马尔可夫模型HMM训练算法、前向算法、维特比算法、前向-后向算法、最大期望EM算法、深度神经网络DNN算法、卷积神经网络CNN算法以及递归神经网络RNN算法中的一种或多种；

所述优化单元，用于将所述原始特征参数存储至第一矩阵中，以及将所述新特征参数存储至第二矩阵中，将所述第一矩阵与对所述第二矩阵进行相加或相乘，得到优化后通用模型的特征参数；所述优化单元，还用于根据第二训练算法以及所述优化后通用模型的特征参数，对所述通用模型进行优化，以获得优化后的通用模型；其中所述第二训练算法与所述第一训练算法相一致。

4.根据权利要求3所述的装置，其特征在于，所述模型优化条件包括以下一种或多种：

本地样本的个数达到预设数量、当前时间达到预设时间、终端设备处于预设状态以及终端设备的属性值达到预设阈值。

5.一种终端设备，其特征在于，所述终端设备包括：收发器和处理电路；

所述收发器，用于接收服务器下发的通用模型，所述通用模型是由所述服务器根据至少一个终端设备上传的样本获得的，所述通用模型包含原始特征参数；

所述处理电路，用于：

通过所述通用模型识别目标信息，并收集多个本地样本；

当满足模型优化条件时，根据所述多个本地样本、所述原始特征参数以及第一训练算法，获得新特征参数，其中，所述第一训练算法是根据本地样本对原始特征参数进行修正以得出新特征参数的机器学习算法；所述第一训练算法包括深度学习算法、隐马尔可夫模型HMM训练算法、前向算法、维特比算法、前向-后向算法、最大期望EM算法、深度神经网络DNN算法、卷积神经网络CNN算法以及递归神经网络RNN算法中的一种或多种；

将所述原始特征参数存储至第一矩阵中，以及将所述新特征参数存储至第二矩阵中，将所述第一矩阵与对所述第二矩阵进行相加或相乘，得到优化后通用模型的特征参数；根据第二训练算法以及所述优化后通用模型的特征参数，对所述通用模型进行优化，以获得优化后的通用模型；其中所述第二训练算法与所述第一训练算法相一致。