[发明专利]数据识别方法、装置、设备及计算机可读存储介质

说明书

本发明公开了一种数据识别方法、装置、设备及计算机可读存储介质，所述方法包括：获取待识别时空数据，并将所述待识别时空数据转换为空间协方差矩阵；调用预设的目标识别模型中的流形降维层对所述空间协方差矩阵进行降维处理，得到预设维度的降维协方差矩阵；调用所述目标识别模型中的切空间投影层将所述降维协方差矩阵投影到所述降维协方差矩阵的切空间上，得到投影结果；将所述投影结果输入到所述目标识别模型中的神经网络层，得到所述待识别时空数据的识别结果。提供了一种采用深度学习技术来实现数据识别任务的方案，提升了时空数据的识别准确率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种数据识别方法、装置、设备及计算机可读存储介质。

背景技术

在各种应用领域，数据成为解决问题的关键，随着传感器等数据采集设备的技术发展，数据采集设备所采集的时空数据在具体问题中所具备的价值也越来越高。时空数据即具备时空属性的数据，例如，激光雷达采集的雷达数据，脑机接口领域中采集的脑电图(EEG)数据等。目前，深度学习已广泛应用于各种领域解决各种问题，然而，在应用于时空数据识别任务时，例如应用于对脑电图数据进行识别，以根据识别到的人的动作意图控制外部设备的人物，由于时空数据采集上存在难度，难以达到深度学习需要大规模训练数据集才能完成模型训练的需求，也就导致了目前缺乏采用深度学习技术来实现数据识别任务的方案。

发明内容

本发明的主要目的在于提供一种数据识别方法、装置、设备及计算机可读存储介质，旨在解决目前缺乏采用深度学习技术来实现数据识别任务的方案。

为实现上述目的，本发明提供一种数据识别方法，所述方法包括以下步骤：

获取待识别时空数据，并将所述待识别时空数据转换为空间协方差矩阵；

调用预设的目标识别模型中的流形降维层对所述空间协方差矩阵进行降维处理，得到预设维度的降维协方差矩阵；

调用所述目标识别模型中的切空间投影层将所述降维协方差矩阵投影到所述降维协方差矩阵的切空间上，得到投影结果；

将所述投影结果输入到所述目标识别模型中的神经网络层，得到所述待识别时空数据的识别结果。

可选地，所述数据识别方法应用于参与横向联邦学习的数据端，所述获取待识别时空数据，并将所述待识别时空数据转换为空间协方差矩阵的步骤之前，还包括：

采用本地的时空训练数据对待训练识别模型进行本地训练，得到用于更新所述待训练识别模型的本地参数更新信息；

将所述本地参数更新信息发送给协调端，以供所述协调端对各个数据端发送的本地参数更新信息进行融合，得到全局参数更新信息；

接收所述协调端下发的所述全局参数更新信息，并根据所述全局参数更新信息更新所述待训练识别模型，以基于更新后的待训练识别模型得到所述目标识别模型。

可选地，参与横向联邦学习的各个数据端各自本地的时空训练数据，在经过各自本地的待训练识别模型中流形降维层的处理后，所得到的降维矩阵均处于所述预设维度的共用嵌入空间。

可选地，所述采用本地的时空训练数据对待训练识别模型进行本地训练，得到用于更新所述待训练识别模型的本地参数更新信息的步骤包括：

将本地的时空训练数据输入待训练识别模型进行识别，得到本地预测结果；

接收参与横向联邦学习的其他数据端发送的用于计算损失函数的中间结果；

基于所述中间结果计算得到与所述其他数据端之间的最大中值差异，其中，所述最大中值差异表征本地的时空训练数据所对应的降维矩阵在所述共用嵌入空间的概率分布，与所述其他数据端的时空训练数据对应的降维矩阵在所述共用嵌入空间的概率分布之间的差异；