[发明专利]一种面向传感器动态增加的行为识别模型更新方法及系统

权利要求书

1.一种面向传感器动态增加的行为识别模型更新方法，其特征在于，包括：

模型构建步骤，通过初始传感器获取用户行为的初始数据，并提取初始特征数据以构建行为识别模型；

增量特征数据获取步骤，通过该初始传感器和新增传感器获取用户行为的增量数据，定义增量特征并提取增量特征数据；

模型更新决策步骤，以该行为识别模型中的决策树预测结果之间的平均互信息，及该预测结果和与其对应的用户实际行为之间的互信息，获得该行为识别模型的每棵决策树的多样性评分，将多样性评分小于更新阈值的决策树作为待更新决策树；

模型动态更新步骤，以该增量特征数据更新所有待更新决策树，以实现该行为识别模型的更新。

2.如权利要求1所述的行为识别模型更新方法，其特征在于，所述模型构建步骤具体包括：

以滑动窗口方法处理该初始数据，以得到该初始特征数据；

以该初始特征数据构建随机森林分类器，得到该行为识别模型。

3.如权利要求1所述的行为识别模型更新方法，其特征在于，所述增量特征数据获取步骤具体包括：

通过该初始传感器获取用户行为的第一增量数据；通过该新增传感器获取用户行为的第二增量数据；

以滑动窗口方法处理该第一增量数据，以得到对应该初始传感器的第一特征数据；以滑动窗口方法处理该第二增量数据，以提取该增量特征并得到对应该新增传感器的第二特征数据；结合该第一特征数据和该第二特征数据以得到该增量特征数据。

4.如权利要求1所述的行为识别模型更新方法，其特征在于，通过以下方法获得所述多样性评分：

其中，S(h_i)为该行为识别模型中的第i棵决策树的多样性评分，I(h_i,y)为第i棵决策树的预测结果与实际行为之间的互信息，y为第i棵决策树对应的用户实际行为，为第i棵决策树与该行为识别模型中其他决策树之间的平均互信息，i、k为正整数，k≠i，h_i为第i棵决策树的预测结果，h_k为第k棵决策树的预测结果，M为该行为识别模型的决策树的总数。

5.如权利要求1所述的行为识别模型更新方法，其特征在于，所述模型动态更新步骤具体包括：

子树修改步骤，以落入某个待更新决策树的节点的某一该增量特征作为分裂属性，在该节点下构建新的子树；

叶子节点分裂步骤，当某个待更新决策树的叶子节点中的用户行为的种类大于1且落入该叶子节点的样本数量大于分裂阈值时，对该叶子节点进行分裂。

6.一种面向传感器动态增加的行为识别模型更新系统，其特征在于，包括：

模型构建模块，用于通过初始传感器获取用户行为的初始数据，并提取初始特征数据以构建行为识别模型；

增量特征数据获取模块，用于通过该初始传感器和新增传感器获取用户行为的增量数据，定义增量特征并提取增量特征数据；

模型更新决策模块，用于确定行为识别模型的更新过程中的待更新决策树；其中以该行为识别模型中的决策树预测结果之间的平均互信息，及该预测结果和与其对应的用户实际行为之间的互信息，获得该行为识别模型的每棵决策树的多样性评分，将多样性评分小于更新阈值的决策树作为待更新决策树；

模型动态更新模块，用于以该增量特征数据更新所有待更新决策树，以实现该行为识别模型的更新。

7.如权利要求6所述的行为识别模型更新系统，其特征在于，所述模型构建模块包括：

初始数据获取模块，用于以滑动窗口方法处理该初始数据，以得到该初始特征数据；

模型构建训练模块，用于以该初始特征数据构建随机森林分类器，得到该行为识别模型。