[发明专利]状态感知级联机器学习系统和方法

说明书

公开了一种级联机器学习推断系统和方法。级联系统和方法可被设计成在资源受限的环境中采用。级联系统和方法可适用于以有限功率操作的应用（例如，可穿戴智能手表）。级联系统和方法可以采用两个或更多个子系统，所述子系统可操作以对适合于给定应用的任何数量或类型的传感器所提供的输入信号进行分类。例如，所使用的传感器可以包括陀螺仪、加速度计、磁力计或气压高度计。该系统和方法还可以进一步跨附加的或新的子系统分离功能。通过跨附加的子系统分离操作和功能，可以进一步降低整体功耗。

技术领域

本公开涉及一种机器学习系统，其包括可操作以对可由惯性传感器提供的输入信号进行分类的两个或更多个子系统。

背景技术

使用机器学习算法对输入数据进行分类的任务被理解为跨不同应用适用。基于给定的应用，单个机器学习算法可能非常大，其中具有数千万个变量。这种大型网络通常需要大量的计算处理能力和巨大的数据存储资源。因此，这样的机器学习模型可以具有大的能源足迹（footprint）。通常，这样的大型机器学习模型不能部署在诸如可穿戴设备、智能电话或IoT设备之类的资源受限设置中。

发明内容

公开了一种级联机器学习系统和方法。该系统和方法可以包括第一子系统和第二子系统，所述第一子系统包括多个操作状态和至少第一机器学习算法，所述第二子系统包括第二机器学习算法。当接收到第一组感测数据信号时，可以激活第二子系统。第二算法（即，第二机器学习算法）可以对第一组感测数据信号进行分类。可以从多个操作状态中选择第一操作状态以供第一子系统采用。还可以基于第一操作状态来选择将由第一子系统使用的一组活动参数。第二子系统可以被停用（例如，以节省功率），并且第一算法（即，第一机器学习算法）可以对第二组感测数据信号进行分类。然后，可以将第二组感测数据信号的分类与该组活动参数进行比较。并且，如果使用第一机器学习算法所执行的输出分类无效，则可以重新激活第二子系统。

级联机器学习系统和方法还可以将使用第一机器学习算法的第二组感测数据信号的分类的置信度水平与某一阈值进行比较。如果置信度水平小于该阈值，则第二子系统也可以被重新激活。还设想，可以使用第二机器学习算法对第二组感测数据信号进行分类。如果使用至少第一机器学习算法的第二组感测数据信号的分类等于使用第二机器学习算法的第二组感测数据信号的分类，则可以增大阈值。或者，如果使用第二机器学习算法的第二组感测数据信号的分类等于该组活动参数中的一个，则可以减小阈值。如果调整了阈值，则可以使用第二机器学习算法对第二组感测数据信号进行分类。还设想，阈值可以临时或永久地存储在存储器内。

还可以在预定时段已经期满之后，使用第二机器学习算法对第二组感测数据信号进行分类。设想，第一子系统可以在第一处理器（例如，低功率微处理器）上采用，而第二子系统在第二处理器（例如，应用处理器）上采用。第二机器学习算法也可以使用完整训练数据组和多个标签来训练。并且，可以使用完整训练数据组来训练第一子系统，但是一个或多个指定标签被组合到一个类别中。

附图说明

图1示出具有第一子系统和第二子系统的级联系统的示例性实施例；

图2示出可以由第一子系统或第二子系统采用的示例性CNN；

图3示出由级联系统实现的示例性状态图；

图4示出由级联系统实现的另一示例性状态图。

具体实施方式

本文描述了本公开的实施例。然而，应当理解，所公开的实施例仅仅是示例，并且其他实施例可以采取各种和替代形式。附图不一定是按比例的；一些特征可能被夸大或最小化以示出特定组件的细节。因此，本文公开的具体结构和功能细节不应被解释为是限制性的，而仅作为用于教导本领域技术人员以各种方式采用实施例的代表性基础。如本领域普通技术人员应当理解的，参考任何一个附图示出和描述的各种特征可以与一个或多个其他附图中示出的特征进行组合，以产生未明确示出或描述的实施例。所示特征的组合提供了针对典型应用的代表性实施例。然而，与本公开的教导一致的特征的各种组合和修改可能对于特定应用或实现是期望的。