[发明专利]选择学习模型

权利要求书

1.一种用于动态选择用于包括至少一个传感器（3a-b）的传感器装置（2）的学习模型的方法，所述学习模型被配置用于基于来自所述至少一个传感器（3a-b）的传感器数据来确定输出数据，所述方法在模型确定器（1）中执行并且包括以下步骤：

基于所述传感器装置（2）中当前加载的学习模型的性能，检测（42）对用于所述传感器装置（2）的新学习模型的需要；

基于来自所述至少一个传感器（3a-b）的传感器数据来确定（44）至少一个特征候选，其中所述至少一个特征候选中的每一个特征候选与不同的传感器数据源关联；

基于所述至少一个特征候选和候选学习模型中的每一个候选学习模型的输入特征，从所述候选学习模型的集合中选择（46）新学习模型；以及

触发（48）所述新学习模型被加载到所述传感器装置（2）上，替换所述当前加载的学习模型。

2.根据权利要求1所述的方法，进一步包括如下步骤：

确定（40）所述当前加载的学习模型在一时间段期间的正确分类的数量和错误分类的数量；

并且其中，在检测（42）对新学习模型的需要的所述步骤中，所述性能基于所述正确分类的数量和所述错误分类的数量。

3.根据权利要求2所述的方法，其中确定（40）的所述步骤进一步包括确定所述当前加载的学习模型在所述时间段期间的无分类的数量；

并且其中，在检测（42）对新学习模型的需要的所述步骤中，所述性能基于所述无分类的数量。

4.根据前述权利要求中任一项所述的方法，其中在所述确定（44）至少一个特征候选的步骤中，在确定所述至少一个特征候选之前，针对每个传感器随时间对所述传感器数据进行归一化。

5.根据前述权利要求中任一项所述的方法，其中选择（46）新学习模型的所述步骤包括：从候选学习模型的所述集合中选择与所述至少一个特征候选具有最大数量的重叠特征的所述候选学习模型。

6.根据前述权利要求中任一项所述的方法，其中选择（46）新学习模型的所述步骤包括以下步骤：

获得（46a）每个特征候选的候选特征权重；

对于每个候选学习模型，发现（46b）由与所述输入特征重叠的任何特征候选组成的重叠特征的集合；

对于每个候选学习模型，将形成重叠特征的所述集合的一部分的所述候选特征的所述候选特征权重相加（46c），产生加权的候选特征分数；以及

将所述新学习模型选择（46d）为具有最大加权的候选特征分数的所述候选学习模型。

7.根据权利要求1至5中任一项所述的方法，其中选择（46）新学习模型的所述步骤包括以下步骤：

对于每个候选学习模型，获得（46e）每个输入特征的输入特征权重；

对于每个候选学习模型，发现（46f）重叠特征的集合，所述重叠特征是与所述至少一个特征候选重叠的输入特征；

对于每个候选学习模型，将所述重叠特征的所述输入特征的所述输入特征权重相加（46g），产生加权的输入特征分数；以及

将所述新学习模型选择（46h）为具有最大加权的输入特征分数的所述候选学习模型。

8.根据权利要求7所述的方法，进一步包括如下步骤：

存储（46i）与相应输入特征关联的所述输入特征权重作为输入特征权重的集合；

其中对于所述方法的至少一个后续迭代，确定（44）至少一个特征候选的所述步骤被省略，获得（46e）输入特征权重的所述步骤被省略，并且发现（46f）重叠特征的集合的所述步骤被省略，并且其中相加（46g）的所述步骤基于所存储的输入特征权重的集合。

9.根据前述权利要求中任一项所述的方法，其中检测（42）对用于所述传感器装置（2）的新学习模型的需要的所述步骤也基于用户输入。

10.根据前述权利要求中任一项所述的方法，其中所述学习模型是机器学习ML模型。