一种基于深度学习的异构传感器潜在相关性学习方法

摘要

本发明涉及一种基于深度学习的多种异构传感器潜在相关性分析方法。该方法首先需要从智能设备中采集所需的传感器数据，这些传感器的数据需要使用相应的采样率来进行采集。将采集的传感器数据保存到指定的文件中；其次为了实现分析多种传感器之间潜在的相关性，需要将一个传感器的数据作为参考，然后利用该方法来分析其他的传感器的数据对应于该传感器的数据之间的影响的占比情况；最后，通过分析多种传感器来作为不同的参考对象来得出多种传感器之间相互的关联关系，这样就得出了多种异构传感器之间潜在的相关性表示。

说明书

技术领域

本发明属于数据加工技术领域，涉及一种基于深度学习的异构传感器潜在相关性学习方法，具体涉及用户使用智能手机的传感器的数据采集与分析领域和数据相关性领域。

背景技术

近年来，得益于智能感知与普适计算等技术的发展，广泛应用于网络融合的协同感知技术成为研究热点。随着嵌入式设备、无线传感网络、物联网、智能移动终端的快速发展，具有集成感知、计算和通信能力的普适智能感知系统逐渐融入社会日常生活，智能感知获取数据的能力显著增强。

使用单一感知设备获取的感知能力有限，近年来，各类智能设备尤其是智能手机的普及使普通民众可以实时分享地理位置、周围环境等各类信息。处理器性能不断加强，智能手机迎来极大革新。可测量加速度的传感器、陀螺仪传感器、重力传感器、方向传感器等越来越多的复杂传感器成为智能手机标配。这些传感器让每一位携带手机的个体均可成为具备较强感知能力的终端，因此可将大量携带智能终端的个体组成协同器感知网络，对特定目标进行观察、追踪等活动。所以需要对异构传感器潜在相关性进行学习。

文献“Rajesh G,Chaturvedi A.Correlation analysis and statisticalcharacterization of heterogeneous sensor data in environmental sensornetworks[J].Computer Networks,2019.”提出了四种经典的以及鲁棒的相关系数测量方法。该文利用传感器模态内和模态之间的相关性来完成之后的传感器数据插值和新模态数据预测，并且定义和表达模态之间的相关性，所采取的方法是测量不同多模态变量之间的相关系数。

文献“Jiang M,Gao X,An H,et al.Reconstructing complex network forcharacterizing the time-varying causality evolution behavior of multivariatetime series.[J].Scientific Reports,2017,7(1)：10486-10486.”与上面一文相似，文中为了探讨多元时间序列之间时变关系演化行为的特征，提出了一种将演化过程转移到复杂网络的算法，以从多元时间序列之间的时变因果关系的演化行为中检测非线性动态特征。该方法具有分析多元时间序列的潜力，并为投资者和决策者提供重要信息；

文献“Gupta S,Buriro A,Crispo B.DriverAuth：A Risk-based Multi-modalBiometric-based Driver Authentication Scheme for Ride-sharing Platforms[J].Computers&Security,2019.”通过学习并利用智能手机设备中搭载的多种异构传感器之间的相关性，实现了一种基于风险的新型多模态生物识别认证解决方案，旨在使网约车司机的证服务更加安全可靠。

上述文献针对现有的相关性分析方法及其主要应用场景进行了简单介绍，现有的相关性分析分析方法主要通过计算对应的相关系数来表示相关性。但是对于异构传感器设备来说，其所产生的数据为异构时序序列数据。对于大规模的异构时序序列数据之间的相关性分析来说，现有的基于相关系数计算的相关性分析方法并不能满足需求。

发明内容

要解决的技术问题

为了解决传统的基于相关系数计算的相关性分析方法并不能有效的针对异构传感器的感知数据进行相关性分析，本发明提出一种基于深度学习的异构传感器潜在相关性学习方法。该方法针对多种传感器所产生的大量异构时序序列数据进行潜在相关性分析，并且利用深度学习的技术实现实时的相关性分析任务。本发明还针对传统的时间卷积网络模型进行优化，创造性的实现了时序序列数据相关性分析任务。

技术方案

一种基于深度学习的异构传感器潜在相关性学习方法，其特征在于步骤如下：

步骤1：使用传感器采集终端用户感知数据；

步骤2：将采集到的传感器的感知数据进行保存并预处理；

步骤3：对采集到数据的传感器数据文件执行数据对齐任务；

步骤4：将执行数据对齐任务之后的传感器数据作为深度学习模型的输入数据，深度学习模型的输出数据为任意一个传感器的数据；深度学习模型经过学习之后返回一个二维矩阵，表示当前输入的多种传感器与输出传感器之间的相关关系；

步骤5：将所有的传感器数据都作为模型的输出数据进行学习操作，最终将所有传感器之间的对应关系进行汇总生成一个所有传感器之间的相关性二维矩阵；

步骤6：对所有传感器相关性的二维矩阵进行可视化。

优选地：步骤1中所述的终端为智能手机。

优选地：步骤1中所述的传感器为陀螺仪传感器、重力传感器或方向传感器。

优选地：步骤2中所述保存的传感器数据的文件类型为CSV文件。

优选地：步骤3中所述的数据对齐任务具体为：选择数据长度最长的传感器S

优选地：步骤4中所述的深度学习模型包括因果卷积、扩张卷积、残差连接和注意力机制。

优选地：步骤4中相关关系具体为：使用0到1之间的小数来进行表示，0表示相关性最小，1表示相关性最高。

优选地：步骤6中采用热力图进行可视化。

有益效果

本发明提出的一种基于深度学习的异构传感器相关性学习方法可以用于完成异构传感器之间相关性的分析任务。针对异构传感器所产生的大量时序序列数据，该方法可以通过改进的时间卷积网络模型来学习到这些数据之间的相关性，并且改进的时间卷积网络模型可以通过自身的注意力机制将这种相关性以数字的形式表示出来，最终利用数据可视化技术便可以形象的观察到异构传感器之间潜在的相关关系。利用这些直观的相关关系结果便可以在智能感知以及普适计算任务中充分发挥这些异构传感器的感知能力，以更加高效的协同感知方式来完成感知任务，实现感知任务的降本增效，以更加节能的方式完成众多复杂的用户行为识别以及用户情景感知等高级感知任务。

附图说明

图1为本发明实例中基于深度学习的异构传感器潜在相关性学习方法流程图

图2为本发明实例中在数据预处理阶段执行数据对齐任务的流程图

图3为本发明实例中构建的基于深度学习的相关性潜在学习神经网络模型结构图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明方法首先需要从搭载着众多异构传感器的智能设备中获取所有传感器的感知数据，具体来说需要使用相同的采样频率采集所有可以获取到的异构传感器的数据；然后就是使用神经网络模型来学习这些传感器之间的相关性，具体来说需要指定模型的输入和输出，这里是指对应的传感器数据。同时为了更好的训练神经网络模型，还需要将对应的数据分为训练和测试两部分。其次，为了学习这些异构传感器之间的相关性，需要在模型中将这些输入数据相对于输出数据的影响关系提取出来。因此，模型中专门设置了该部分来学习这些相关性，即使用一个矩阵来保存这种相关关系。为了表示异构传感器之间的相关性，使用0到1之间的小数来进行表示，0表示相关性最小，1表示相关性最高。其次，本发明是为了学习多种异构传感器之间潜在的相关性，因此需要将所有的异构传感器都作为模型的输出，其他的传感器的数据依次作为其输入，接下来进行多次的模型学习以及记录。最后将所学习到的多种异构传感器数据之间的相关性系数据进行整理，最终表示为一个二维矩阵。该二维矩阵便记录了所有的异构传感器对应于其他异构传感器之间的相关性。最后，为了更好的展示传感器之间潜在的相关性，本发明还采取了可视化的策略来将神经网络学习到的异构传感器之间潜在的相关性进行表示。

为实现上述任务，本发明采用以下技术方案：基于深度学习的异构传感器潜在相关性学习方法包括以下步骤：

步骤一、用户使用随身携带的智能手机，进行日常的活动，同时智能手机上安装的传感器开始采集当前所感知到的数据。

步骤二、将采集到的传感器的感知数据发送到服务端进行保存，采集到的传感器数据文件类型为CSV文件。所有文件上传完成之后，智能手机端的数据采集任务便到此结束。

步骤三、对采集到的传感器数据文件进行数据预处理操作，减少无效数据的影响。数据预处理将没有采集到数据的传感器文件删除，只留下采集到数据的传感器数据文件。

步骤四、对采集到数据的传感器数据文件执行数据对齐任务，数据对齐任务的执行流程图如图2。选择数据长度最长的传感器S

步骤五、将执行数据对齐任务之后的传感器数据作为深度学习模型的输入数据，深度学习模型的输出数据为任意一个传感器的数据。基于深度学习的神经网络模型结构图如图3，该模型包含四个组成部分：因果卷积，扩张卷积，残差连接和注意力机制。由两层组成：时间卷积网络层、注意力层。指定模型的输入以及输出数据之后开始进行模型学习任务，模型经过学习之后会返回一个相关性矩阵，表示当前输入的传感器与当前指定的输出传感器相互之间存在的潜在相关关系。

步骤六、选择其他的传感器作为模型的输出数据进行该种传感器与输入传感器的潜在相关性学习任务，最终将所有的传感器都作为模型的输出数据进行潜在相关性学习。将学习到的相关性矩阵进行汇总操作，分别展示每种传感器相对于其他传感器之间的潜在相关关系，生成一个所有传感器之间的相关性二维矩阵。

最终，输出表示所有传感器相关性的二维矩阵可视化热力图为最终结果。