首页
|
新闻
|
新品
|
文库
|
方案
|
视频
|
下载
|
商城
|
开发板
|
数据中心
|
座谈新版
|
培训
|
工具
|
博客
|
论坛
|
百科
|
GEC
|
活动
|
主题月
|
电子展
注册
登录
论坛
博客
搜索
帮助
导航
默认风格
uchome
discuz6
GreenM
»
MCU 单片机技术
»
PowerPC
» 构建闭环全栈认知 IoT 应用程序时吸取的经验教训-2
返回列表
回复
发帖
发新话题
发布投票
发布悬赏
发布辩论
发布活动
发布视频
发布商品
构建闭环全栈认知 IoT 应用程序时吸取的经验教训-2
发短消息
加为好友
look_w
当前离线
UID
1066743
帖子
8283
精华
0
积分
4142
阅读权限
90
在线时间
233 小时
注册时间
2017-6-23
最后登录
2019-5-18
论坛元老
UID
1066743
1
#
打印
字体大小:
t
T
look_w
发表于 2018-3-17 12:37
|
只看该作者
构建闭环全栈认知 IoT 应用程序时吸取的经验教训-2
认知 IoT 应用程序必须是学习系统
现在,您可能仍在等待那些经验教训,以下就是经验教训 1:认知 IoT 应用程序必须是学习系统。
我所犯的第一个错误就是,认为厨房中是否有人是发送通知时机的可行决定因素。除了检测到人以外,还需要考量其他传感输入方面的因素,例如,开灯和摄像头传感器检测到的信息过多而导致无法处理。虽然人员检测可能是初始假设,但应将其作为假设来处理,应用程序应准备好根据替代信号采取行动。
无线电发展早期就是一个很好的例子,当时,多名工程师被要求调整频率、天线和其他电子组件以获取清晰的无线电信号。工程师也是其中的组成部分,作为将信号解释为数据的接收者和传输者。记录人员或抄录人员则负责将数据作为条理清楚的消息来传达。当然还有为整个流程提供支持的基础架构。只有这样专业化的团队才能充分利用当时才刚出现的无线电技术。但那只是当时的情况。现如今,我们的车载无线电、移动设备和许多其他设备都具有自动调谐功能。我们必须预见到,在我们的学习系统提供的信号处理方面同样也会实现这样的进步。
这种类型的自动信号检测和鉴别在学术论文中被称为“主动学习”。这些流程使用一种“智库”(人类或非人类),就所监督学习算法生成的信号质量给予反馈。例如,在我的 Age-at-Home 环境中,为任何图像预测的分类通常为从最高到最低依次排列的序列。这些预测通常被称为“排名前 n”,例如,排名前 5。等级最高的实体通常被称为排名第 1,它被视为“正确的”分类。而排名前二或前三实体的等级值(或“评分”)可能非常接近,这些图像也可能成为智库的候选审查对象。随后,此智库会提供裁决,并且此示例会成为下一次训练迭代中该类的一部分。
通过使用 resin.io (,我能够将一个 Linux Docker 容器部署到运行开源软件包 () 的 Raspberry Pi 中,用于捕获图像。通过添加简单的 Linux shell 脚本,我可以将图像发送至 Watson Visual Recognition 服务,并接收分类评分。Watson 返回的图像分类和评分的定义应考量所使用的分类器。
默认
分类器会指示各种实体和活动,从“火炉”到各种“动静”。我扩展了脚本,以便将来自 Watson Visual Recognition 服务的 JSON 结果存储到非关系型存储库 中,该存储库可在本机理解 JSON 数据(请参阅图 6)。
图 6. 生成的 JSON 示例的选定详细信息
随后,我便可以开始汇总和分析图像识别的结果。在经过一些广泛的 shell 脚本编程后,我为各种分类生成了 CSV(逗号分隔值)和 JSON 统计信息,例如,按某一天的时间间隔及一周中的某一天划分的火炉图像计数(请参阅图 7)。生成的多维立方体包含了分类器和评分的计数、最大值、平均值和标准差。在这一点上,显然需要更强大的分析工具。
图 7. 第 1 天火炉统计信息的 REST API 查询,时间间隔为 10(周日凌晨 1:30)
利用 Watson Analytics 自动开展学习我下一步就是使用 IBM 分析服务目录,从最新的服务之一 Watson Analytics 着手。 提供了直观且易于使用的数据访问、优化和探索方法。在我了解了将 JSON 扁平化为 SQL 表时所涉及的一些略微复杂的问题,并且花了一点时间来提升我的 SQL 技能之后,我能够以稀疏数据透视表形式提供 Age-at-Home 图像分类结果,该表适合在 Watson Analytics 中使用。
通过使用 Watson Analytics,实体和活动时间序列快速而简便地直观呈现在我面前,但是要想分享结果或查询却并不容易。无法分享结果也无法实现输入的参数化,导致难以通过任何自动化方式来纳入 Watson Analytics。
Watson Analytics 通过使用预定义的可视模板目录(例如,热图),并使用各种方法来关联自动发现的实际情况、维度和度量,提供了探索和直观显示数据的功能。经过一次极其快速的探索和少量试错操作,我从分析中获得了两个简单明了的洞察要点。
图 8 是 Watson Analytics 从默认识别模型返回的分类器的热图,方框的大小表明识别出某一事物的次数,方框的颜色则表明识别的平均置信度。Watson Analytics 用户体验提供了交互式的方法来排除选定的类,支持识别相关类,例如,我所举例子中的“Adult”类。随后可进一步对其子集(例如,识别出“Adult”的所有事件)进行分析,例如,按一天中的某一时间或一周中的某一天来分析。
图 8. Watson Visual Recognition 结果的 Watson Analytics 热图
通过检查 Watson Analytics 中的分类结果,我确实发现了一些值得关注的潜在信号,包括识别我厨房里的“动静”。但是,要想在所有噪音中检测到我要搜索的信号,也就是有人出现的信号,实属不易。
使用来自
默认
分类器的信号频谱子集面临巨大的挑战。结果集中通常并不包含
人
;也就是说,未检测到人。这种类型的故障称为
漏报
。漏报的反面是
误报
,在这种情况下检测到实体,但实际上不存在此实体。这两类故障都会影响用户接收(或拒绝)异常活动相关通知时的体验。同样,这里也需要更高水平的分析能力。最值得注意的是,我需要识别出总体和特定示例中的漏报现象,以便后续检查。
图 9 中第二个直观显示的结果是一个时间序列,其中按评分顺序显示了当天各时间段的总体情况。为直观显示这一结果,必须对数据加以优化,按某个时间间隔、一周中的某一天(周日、......、周六)和一年中的某一周 (1- 53) 对平均分类器评分进行汇总,以便未来进行季节性调整。这些结果表明,通过使用传统方法来清理、汇总和分析数据,极有可能成功推断出规范化行为的模式。通过抛弃明显无关的分类,仅聚焦于表示人的那些分类,我似乎找到了一条捷径。对这组代表性分类器的分布进行快速分析,似乎提供了一个规范化模型。 图 9 显示“人”是最右侧的五列。
图 9. Watson Analytics 时间序列分析
收藏
分享
评分
回复
引用
订阅
TOP
返回列表
电商论坛
Pine A64
资料下载
方案分享
FAQ
行业应用
消费电子
便携式设备
医疗电子
汽车电子
工业控制
热门技术
智能可穿戴
3D打印
智能家居
综合设计
示波器技术
存储器
电子制造
计算机和外设
软件开发
分立器件
传感器技术
无源元件
资料共享
PCB综合技术
综合技术交流
EDA
MCU 单片机技术
ST MCU
Freescale MCU
NXP MCU
新唐 MCU
MIPS
X86
ARM
PowerPC
DSP技术
嵌入式技术
FPGA/CPLD可编程逻辑
模拟电路
数字电路
富士通半导体FRAM 铁电存储器“免费样片”使用心得
电源与功率管理
LED技术
测试测量
通信技术
3G
无线技术
微波在线
综合交流区
职场驿站
活动专区
在线座谈交流区
紧缺人才培训课程交流区
意见和建议