[发明专利]一种基于模式匹配与移动感知场景的在线适配方法

说明书

本发明公开了一种基于模式匹配与移动感知场景的在线适配方法。该方法包括：通过比较目标样本与模版库中模版的相似度进行分类识别，获得分类结果；针对所得到的分类结果，实时监听来自于应用或用户的反馈；结合反馈结果，依据主动学习理论判断当前目标样本的代表性，该代表性反映目标样本对于分类识别的重要程度；基于对应的代表性，以设定的策略更新模版库，以实现在线适配。利用本发明，开发者能够在保证存储和计算效率的情况下，在移动设备上实现支持在线持续适配的应用系统。

技术领域

本发明涉及移动感知技术领域，更具体地，涉及一种基于模式匹配与移动感知场景的在线适配方法。

背景技术

随着微电机系统的快速发展，移动终端等智能设备已然成为人们日常生活的一部分。随着技术进步，越来越多的传感器得以集成到一台移动设备上。通过移动设备感知并为用户提供服务也成为热门研究方向。人类行为识别是以人为中心的移动感知的最重要分支之一，其常见的应用涵盖了手势识别、日常行为推断等场景。然而，目前大多数识别系统在部署到真实场景时仍存在较大的困难。受到真实场景的多种未知条件变化的影响，系统识别精度显著降低。尤其是对于以用户为中心的场景，用户个体存在的差异以及包括使用习惯、兴趣漂移等动态的不确定性都将给识别系统的实际表现带来巨大的挑战。

现有的识别技术主要从感知模型的训练入手，通过降低训练开销来尽可能减少对用户体验的影响，然而忽视了实际使用过程中的条件变化，导致识别效果欠佳。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于模式匹配与移动感知场景的在线适配方法。该方法包括以下步骤：

通过比较目标样本与模版库中模版的相似度进行分类识别，获得分类结果；

针对所得到的分类结果，实时监听来自于应用或用户的反馈；

结合反馈结果，依据主动学习理论判断当前目标样本的代表性，该代表性反映目标样本对于分类识别的重要程度；

基于对应的代表性，以设定的策略更新模版库，以实现在线适配。

与现有技术相比，本发明的优点在于，提供基于模式匹配的分类识别算法与主动学习理论，通过替换样本的策略进行模版库的修改，从而保证了计算和存储效率。对于应用本发明的移动感知场景，无需云端参与，能够在复杂反馈条件下实时快速适应用户和环境条件的变化。并且本发明在保证存储和计算效率的情况下，为移动设备设计能够在线持续适配的方法，以满足适配动态条件的需求。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的基于模式匹配与移动感知场景的在线适配方法的流程图；

图2是根据本发明一个实施例的基于运动传感器识别振动敲击信号的交互应用场景下的示意图；

图3是根据本发明一个实施例的更新核心模版库的示意图；

图4是根据本发明一个实施例的运动监控场景下的实验结果图；

图5是根据本发明一个实施例的手势识别场景下的实验结果图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。