数据识别方法、装置、设备及计算机可读存储介质制造方法及图纸

本发明专利技术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。

【技术实现步骤摘要】
数据识别方法、装置、设备及计算机可读存储介质
本专利技术涉及人工智能
，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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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；基于所述本地预测结果和本地的所述时空训练数据的标签数据计算分类损失；根据所述分类损失和所述最大中值差异计算得到所述待训练识别模型的本地参数更新信息。可选地，所述待识别时空数据为待识别脑电图数据，所述将所述待识别时空数据转换为空间协方差矩阵的步骤包括：对所述待识别脑电图数据进行转置得到转置矩阵，其中，所述待识别脑电图数据是预设时长内的脑电图数据构成的E*D矩阵，E为采集所述待识别脑电图数据所使用的电极数，D为所述预设时长内的采样频率；根据所述待识别脑电图数据、所述转置矩阵和所述采样频率，计算得到处于对称正定矩阵流形的空间协方差矩阵。可选地，所述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的步骤包括：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，以通过所述流形降维层的神经元参数矩阵将所述空间协方差矩阵降维映射到预设维度的对称正定矩阵流形上，得到降维协方差矩阵。可选地，所述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，得到投影结果的步骤包括：调用所述目标识别模型中切空间投影层对所述降维协方差矩阵进行对数映射，以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。为实现上述目的，本专利技术提供一种数据识别装置，所述装置包括：获取模块，用于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；降维模块，用于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；投影模块，用于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；识别模块，用于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。为实现上述目的，本专利技术还提供一种数据识别设备，所述数据识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据识别程序，所述数据识别程序被所述处理器执行时实现如上所述的数据识别方法的步骤。此外，为实现上述目的，本专利技术还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有数据识别程序，所述数据识别程序被处理器执行时实现如上所述的数据识别方法的步骤。本专利技术中，通过将待识别时空数据转换为空间协方差矩阵，利用了协方差方法对脑机接口领域低信噪比数据的高效预处理的优势；调用目标识别模型的流形降维层对空间协方差矩阵进行降维处理，得到降维协方差矩阵，再调用目标识别模型的切空间投影层将降维协方差矩阵投影到其切空间上，得到投影结果，实现了对时空数据的降噪处理，并将非线性的时空数据转换为线性数据，进一步将线性的投影结果输入到目标识别模型的神经网络层进行分类处理，得到待识别时空数据的识别结果，利用了深度神经网络对数据的高度抽象能力，提升识别结果的准确度。也即，本专利技术中，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，通过将深度学习技术引入时空数据的协方差方法中，实现利用协方差方法对低信噪比数据的高效预处理的优势的同时，也利用了深度学习技术对数据的高度抽象能力，因此，提升了时空数据的识别准确率。附图说明图1为本专利技术实施例方案涉及的硬件运行环境的结构示意图；图2为本专利技术数据识别方法第一实施例的流程示意图；图3为本专利技术数据识别装置较佳实施例的功能示意图模块图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，图1是本专利技术实施例方案涉及的硬件运行环境的设备结构示意图。需要说明的是，本专利技术实施例数据识别设备可以是智能手机、个人计算机和服务器等设备，在此不做具体限制。<本文档来自技高网...

【技术保护点】
1.一种数据识别方法，其特征在于，所述方法包括以下步骤：/n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；/n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；/n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；/n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。/n

【技术特征摘要】
1.一种数据识别方法，其特征在于，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。


2.如权利要求1所述的数据识别方法，其特征在于，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。


3.如权利要求2所述的数据识别方法，其特征在于，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。


4.如权利要求3所述的数据识别方法，其特征在于，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；
基于所述本地预测结果和本地的所述时空训练数据的标签数据计算分类损失；
根据所述分类损失和所述最大中值差异计算得到所述待训练识别模型的本地参数更新信息。


5.如权利要求1所述的数据识别方法，其特征在...

【专利技术属性】
技术研发人员：鞠策，高大山，谭奔，刘洋，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东;44