[发明专利]基于机器学习的大礼拜计数方法、装置、用户设备及介质

权利要求书

1.一种基于机器学习的大礼拜计数方法，其特征在于，包括步骤：

获取多个用户预定时间段内的多组动作样本数据；

对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型；

获取计数开始时目标用户预定时间段内的多组动作数据；

根据训练模型，对所述多组动作数据进行学习，判断目标用户是否完成大礼拜动作；其中，所述训练模型为预先生成的训练模型；

当判断目标用户完成大礼拜动作时，将大礼拜计数结果加一；

获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作；

所述对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型，具体包括：

将对多个用户预定时间段内的多组动作样本数据构成的矩阵作为样本矩阵v，计算样本矩阵v中同列元素的均值和最大最小差值，得到样本均值矩阵u和最大差值矩阵r；

利用公式(v-u)/r，将样本矩阵v中的每个元素与样本均值矩阵u、最大差值矩阵r进行运算，得到样本正规化矩阵v’；

采用奇异值分解算法对样本正规化矩阵v’进行降低维度处理，得到样本奇异值矩阵U，选取样本奇异值矩阵U的元素数值大于预设值的数值，得到奇异值矩阵U_r；

将样本正规化矩阵v’与奇异值矩阵U_r相乘，得到低维样本矩阵v”；

对低维样本矩阵v”和判定结果矩阵a进行训练，得到隐藏层参数矩阵N1和输出层参数矩阵N2；

获取与每个用户对应的判定结果矩阵a；

根据样本均值矩阵u、最大差值矩阵r、奇异值矩阵U_r、隐藏层参数矩阵N1和输出层参数矩阵N2，生成训练模型。

2.根据权利要求1所述的大礼拜计数方法，其特征在于，所述获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作，具体为：

当大礼拜计数结果加一后，以上一次获取的多组动作数据的下一组动作数据作为起点，获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作；

当判断目标用户没有完成大礼拜动作时，以上一次获取的多组动作数据中的第二组动作数据作为起点，获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作。

3.根据权利要求1所述的大礼拜计数方法，其特征在于，所述根据训练模型，对所述多组动作数据进行学习，判断目标用户是否完成大礼拜动作，具体包括：

根据训练模型，将所述多组动作数据构成的矩阵进行正规化处理；

根据训练模型，采用奇异值分解算法对正规化处理后的正规化矩阵进行降低维度处理；

根据训练模型，将降低维度后的低维矩阵进行处理，得到输出层神经元数值；

将输出层神经元数值与预设大礼拜动作阈值进行比较，若输出层神经元数值大于预设大礼拜动作阈值，则判断目标用户完成大礼拜动作，若输出层神经元数值小于或等于预设大礼拜动作阈值，则判断目标用户没有完成大礼拜动作。

4.根据权利要求3所述的大礼拜计数方法，其特征在于，所述根据训练模型，将所述多组动作数据构成的矩阵进行正规化处理，具体为：

将所述多组动作数据进行矩阵化，将构成的矩阵与训练模型中的样本均值矩阵、最大差值矩阵进行运算，得到正规化矩阵。

5.根据权利要求3所述的大礼拜计数方法，其特征在于，所述根据训练模型，采用奇异值分解算法对正规化处理后的正规化矩阵进行降低维度处理，具体为：

将正规化处理后的正规化矩阵与训练模型中的奇异值矩阵相乘，得到降低维度的低维矩阵。

6.根据权利要求3所述的大礼拜计数方法，其特征在于，所述根据训练模型，将降低维度后的低维矩阵进行处理，得到输出层神经元数值，具体为：

将降低维度后的低维矩阵依次与训练模型中的隐藏层参数矩阵和输出层参数矩阵相乘，得到输出层神经元数值。