[發明專利]狀態感知級聯機器學習系統和方法

在審

• 申請號: 202110329688.8
• 申請日: 2021-03-26
• 公開（公告）號: CN113449862A
• 公開（公告）日: 2021-09-28
• 發明（設計）人: R·比希勒;T·羅茨尼克;K·王;C·皮特斯
• 申請（專利權）人: 羅伯特·博世有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 劉茜璐;周學斌

公開了一種級聯機器學習推斷系統和方法。級聯系統和方法可被設計成在資源受限的環境中采用。級聯系統和方法可適用于以有限功率操作的應用（例如，可穿戴智能手表）。級聯系統和方法可以采用兩個或更多個子系統，所述子系統可操作以對適合于給定應用的任何數量或類型的傳感器所提供的輸入信號進行分類。例如，所使用的傳感器可以包括陀螺儀、加速度計、磁力計或氣壓高度計。該系統和方法還可以進一步跨附加的或新的子系統分離功能。通過跨附加的子系統分離操作和功能，可以進一步降低整體功耗。

技術領域

本公開涉及一種機器學習系統，其包括可操作以對可由慣性傳感器提供的輸入信號進行分類的兩個或更多個子系統。

背景技術

使用機器學習算法對輸入數據進行分類的任務被理解為跨不同應用適用。基于給定的應用，單個機器學習算法可能非常大，其中具有數千萬個變量。這種大型網絡通常需要大量的計算處理能力和巨大的數據存儲資源。因此，這樣的機器學習模型可以具有大的能源足跡（footprint）。通常，這樣的大型機器學習模型不能部署在諸如可穿戴設備、智能電話或IoT設備之類的資源受限設置中。

發明內容

公開了一種級聯機器學習系統和方法。該系統和方法可以包括第一子系統和第二子系統，所述第一子系統包括多個操作狀態和至少第一機器學習算法，所述第二子系統包括第二機器學習算法。當接收到第一組感測數據信號時，可以激活第二子系統。第二算法（即，第二機器學習算法）可以對第一組感測數據信號進行分類。可以從多個操作狀態中選擇第一操作狀態以供第一子系統采用。還可以基于第一操作狀態來選擇將由第一子系統使用的一組活動參數。第二子系統可以被停用（例如，以節省功率），并且第一算法（即，第一機器學習算法）可以對第二組感測數據信號進行分類。然后，可以將第二組感測數據信號的分類與該組活動參數進行比較。并且，如果使用第一機器學習算法所執行的輸出分類無效，則可以重新激活第二子系統。

級聯機器學習系統和方法還可以將使用第一機器學習算法的第二組感測數據信號的分類的置信度水平與某一閾值進行比較。如果置信度水平小于該閾值，則第二子系統也可以被重新激活。還設想，可以使用第二機器學習算法對第二組感測數據信號進行分類。如果使用至少第一機器學習算法的第二組感測數據信號的分類等于使用第二機器學習算法的第二組感測數據信號的分類，則可以增大閾值。或者，如果使用第二機器學習算法的第二組感測數據信號的分類等于該組活動參數中的一個，則可以減小閾值。如果調整了閾值，則可以使用第二機器學習算法對第二組感測數據信號進行分類。還設想，閾值可以臨時或永久地存儲在存儲器內。

還可以在預定時段已經期滿之后，使用第二機器學習算法對第二組感測數據信號進行分類。設想，第一子系統可以在第一處理器（例如，低功率微處理器）上采用，而第二子系統在第二處理器（例如，應用處理器）上采用。第二機器學習算法也可以使用完整訓練數據組和多個標簽來訓練。并且，可以使用完整訓練數據組來訓練第一子系統，但是一個或多個指定標簽被組合到一個類別中。

附圖說明

圖1示出具有第一子系統和第二子系統的級聯系統的示例性實施例；

圖2示出可以由第一子系統或第二子系統采用的示例性CNN；

圖3示出由級聯系統實現的示例性狀態圖；

圖4示出由級聯系統實現的另一示例性狀態圖。

具體實施方式

本文描述了本公開的實施例。然而，應當理解，所公開的實施例僅僅是示例，并且其他實施例可以采取各種和替代形式。附圖不一定是按比例的；一些特征可能被夸大或最小化以示出特定組件的細節。因此，本文公開的具體結構和功能細節不應被解釋為是限制性的，而僅作為用于教導本領域技術人員以各種方式采用實施例的代表性基礎。如本領域普通技術人員應當理解的，參考任何一個附圖示出和描述的各種特征可以與一個或多個其他附圖中示出的特征進行組合，以產生未明確示出或描述的實施例。所示特征的組合提供了針對典型應用的代表性實施例。然而，與本公開的教導一致的特征的各種組合和修改可能對于特定應用或實現是期望的。