TWI793950B - 資料處理方法 - Google Patents
資料處理方法 Download PDFInfo
- Publication number
- TWI793950B TWI793950B TW111100063A TW111100063A TWI793950B TW I793950 B TWI793950 B TW I793950B TW 111100063 A TW111100063 A TW 111100063A TW 111100063 A TW111100063 A TW 111100063A TW I793950 B TWI793950 B TW I793950B
- Authority
- TW
- Taiwan
- Prior art keywords
- key
- input
- data
- database
- key condition
- Prior art date
Links
Images
Landscapes
- Input From Keyboards Or The Like (AREA)
- Calculators And Similar Devices (AREA)
Abstract
一種資料處理方法,透過處理器執行下述步驟。每間隔一段取樣時間,自至少一個輸入裝置接收至少一輸入訊號。基於每一所述輸入訊號的接收來源來分析在時間區間內所接收的每一所述輸入訊號,藉此獲得多個候選條件,其中接收來源為其中一個輸入裝置。根據各候選條件在時間區間內的出現頻率,決定時間區間內對應的關鍵條件。儲存關鍵條件至資料庫,並建立資料庫中所有關鍵條件之間的關聯性。基於資料庫來建立對應至各關鍵條件的預測模型。
Description
本發明是有關於一種資料處理機制,且特別是有關於一種可進行資料篩選的資料處理方法。
在現有的自動檢測裝置或自動檢測系統中,具備系統環境使用操作時的固定感測功能的範圍,並具備提醒使用者的功能。然,現有自動檢測裝置或自動檢測系統並無法隨環境、時序改變而動態調整感測器的參數,也無法建構大數據並進一步藉由收集的相關數據來進行篩選條件、分析資料、建立模式後達成預測可能的改變;並且調整感測器參數的設定。
本發明提供一種資料處理方法,藉由找出關鍵條件來建立對應的預測模型,可以更精確地獲得一預測結果。
本發明提供一種資料處理方法,在一時間區間內,藉由分類或篩選輸入訊號,找出關鍵條件來建立或是修正對應的預測模型。也就是說,藉由調整輸入裝置的參數,可以有效地獲得被調整後的輸入裝置的感測數據(sensing data),並進一步確認所述的關鍵條件是否為目前最合適的關鍵條件,並據此來修正對應的預測模型。
本發明的資料處理方法,透過處理器執行下述步驟,包括:每間隔一段取樣時間,自至少一個輸入裝置接收至少一輸入訊號;基於每一所述輸入訊號的接收來源來分析在一時間區間內所接收的每一所述輸入訊號,藉此獲得多個候選條件,其中該接收來源為該些輸入裝置其中一個;根據每一個候選條件在時間區間內的出現頻率,決定時間區間內對應的關鍵條件;儲存關鍵條件至資料庫,並建立資料庫中所有關鍵條件之間的關聯性;以及基於資料庫來建立對應至各關鍵條件的預測模型。
在本發明的一實施例中,所述關鍵條件為字串或操作行為,資料庫中包括的各關鍵條件具有對應的接收時間區段、接收地點、接收來源、使用者資料、屬性資料以及裝置資料,其中接收來源為至少一個輸入裝置,使用者資料包括觸發所述關鍵條件的一或多個使用者的資料,屬性資料包括資料取樣率,裝置資料包括觸發所述關鍵條件的所有輸入裝置的各自的排程優先權、裝置參數、界限範圍以及臨界值。
在本發明的一實施例中,建立資料庫中所有關鍵條件之間的關聯性的步驟包括:對資料庫中的所有關鍵條件進行分類,以獲得多個類別;以及基於各關鍵條件對應的使用者帳號、接收時間區段、接收地點以及接收來源,判斷所述多個類別之間的繼承關係。
在本發明的一實施例中,基於各輸入訊號的接收來源來分析輸入訊號的步驟包括:響應於接收來源自各輸入訊號獲得分析結果。響應於分析結果為輸入字串或輸入字元,自輸入字串或輸入字元中擷取候選條件。響應於分析結果為操作行為,經由查表來獲得操作行為對應的候選條件。在此,響應於接收來源為收音裝置,針對相應的輸入訊號執行聲音識別演算法,藉此將所獲得的對應於所述輸入訊號的輸入字串作為分析結果。響應於接收來源為影像擷取裝置,針對相應的輸入訊號執行影像識別演算法,藉此將所獲得的對應於所述輸入訊號的操作行為作為分析結果。響應於接收來源為鍵盤,將基於所述輸入訊號所獲得的多個輸入字元作為分析結果。響應於接收來源為滑鼠或觸控裝置,將相應於所述輸入訊號在使用者介面中的操作行為作為分析結果。
在本發明的一實施例中,根據各候選條件在時間區間內的出現頻率,決定關鍵條件的步驟包括:自所述多個候選條件中選擇出現頻率超過預設值的候選條件作為關鍵條件。
在本發明的一實施例中,在找出時間區間內對應的關鍵條件之後,更包括:判斷關鍵條件是否存在於資料庫;倘若不存在,則儲存關鍵條件至資料庫;倘若資料庫已存在關鍵條件,則重新調整關鍵條件對應的資料取樣率,並基於資料取樣率下達調整指令至關鍵條件對應的所有輸入裝置。
在本發明的一實施例中,在基於資料取樣率下達調整指令至關鍵條件對應的所有輸入裝置之後,更包括:判斷透過調整後的每一個輸入裝置所輸出的資料封包的格式是否正確。
在本發明的一實施例中,所述調整指令存放於命令集中。所述調整指令包括命令編碼、目標位址、核對和(checksum)、命令排程優先權以及該目標位址所對應的輸入裝置用以進行訊號取樣的相關參數。
基於上述,本揭露透過大數據分析來找出在時間區段內的關鍵條件,進而根據所獲得的大數據來建立關鍵條件的預測模型。據此,可進一步來預測預測事件行為。
圖1是依照本發明一實施例的電子裝置的方塊圖。電子裝置100包括處理器110、多個輸入裝置120以及儲存裝置130。處理器110耦接至輸入裝置120以及儲存裝置130。在此,繪示2個輸入裝置120-1、120-2進行說明,然,並不以此為限,在其他實施例中,電子裝置100可以包括3個或3個以上的輸入裝置120。
處理器110可以是具備運算處理能力的硬體(例如晶片組、硬體處理器等)、軟體元件(例如作業系統、應用程式等),或硬體及軟體元件的組合。處理器110例如是中央處理單元(Central Processing Unit,CPU)、圖形處理單元(Graphics Processing Unit,GPU),或是其他可程式化之微處理器(Microprocessor)、數位訊號處理器(Digital Signal Processor,DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuits,ASIC)、程式化邏輯裝置(Programmable Logic Device,PLD)或其他類似裝置。
輸入裝置120例如為收音裝置、觸控裝置、滑鼠、鍵盤或影像擷取裝置等。透過輸入裝置120來接收輸入訊號,再由處理器110來進行分析。
儲存裝置130例如是任意型式的固定式或可移動式隨機存取記憶體、唯讀記憶體、快閃記憶體、硬碟或其他類似裝置或這些裝置的組合。儲存裝置130包括資料庫131並且儲存有多個程式碼片段,而上述程式碼片段在被安裝後,由處理器110來執行,藉此來執行下述資料處理方法。
在底下實施例中,透過處理器110來找出關鍵條件藉此建立對應的預測模型,以精確地獲得預測結果。精確而言,所述的預測結果指的是:當一事件發生時,至少一輸入裝置會蒐集該事件的感測數據(sensing data)(在本文統稱為輸入訊號),如果該輸入訊號在上述的預測模型中,經判斷後為具有重要的意義時,根據輸入訊號獲得:例如(1)在未來即將改變的一產線狀況(production line conditions)、例如(2)一產線趨勢(production line trend)、例如(3)一個使用者操作行為正在改變的狀態(a changing situation)的轉捩點(a turning point),其統稱為預測結果。
圖2是依照本發明一實施例的資料處理方法的流程圖。請參照圖2,在步驟S205中,每間隔一取樣時間,自至少一個輸入裝置120接收輸入訊號。
在步驟S210中,基於每一所述輸入訊號的接收來源來分析在一時間區間內所接收的每一所述輸入訊號,藉此獲得多個候選條件。並且,在步驟S215中,根據各候選條件在時間區間內的出現頻率,決定時間區間內對應的關鍵條件。所述關鍵條件可以是字串或操作行為。
首先,處理器110會響應於接收來源自輸入訊號獲得分析結果,並且根據分析結果來獲得對應的候選條件。例如,倘若分析結果為字串或字元,則可利用關鍵字擷取(keyword extraction)技術自字串或一連串的字元獲得多個候選字並作為候選條件。倘若分析結果為操作行為,則可經由查表來獲得操作行為對應的候選條件。例如,事先建立一對應表,其記錄了多個不同的操作行為所對應的候選條件,以供後續查詢使用。也就是說,所述操作行為實際上是透過任一種輸入裝置120來記錄一個使用者進行特定程序的行為,例如該使用者習慣上的肢體動作,習慣上的臉部表情或嘴唇口型,或甚至是習慣上的眼球位置與臉部表情的配合,或是肢體動作與眼球與臉部表情作動的頻繁程度(即頻率),這些都被記錄下來成為一種操作程序記錄。而所述的“查表”即可查詢該操作程序記錄而獲得該操作行為對應的候選條件。
舉例來說,以輸入裝置120為收音裝置而言,在自收音裝置(接收來源)接收到輸入訊號(音訊訊號)時,針對相應的輸入訊號執行聲音識別演算法,藉此將所獲得的對應於所述輸入訊號的輸入字串作為分析結果。之後,再自輸入字串中擷取多個候選字來作為候選條件。
以輸入裝置120為影像擷取裝置而言,在自影像擷取裝置(接收來源)接收到輸入訊號(影像訊號)時,針對相應的輸入訊號執行影像識別演算法,將所識別出的操作行為作為分析結果。之後,經由查表來獲得此操作行為對應的候選條件。
以輸入裝置120為鍵盤而言,在自鍵盤(接收來源)接收到輸入訊號(按鍵訊號)時,將基於所述輸入訊號所獲得的多個輸入字元作為分析結果。之後,再自這些輸入字元中擷取多個候選字來作為候選條件。
以輸入裝置120為滑鼠或觸控裝置而言,在自滑鼠或觸控裝置(接收來源)接收到輸入訊號時,將相應於所述輸入訊號在使用者介面中的操作行為作為分析結果。
在獲得多個候選條件之後,根據這些候選條件在指定的時間區間內的出現頻率來決定關鍵條件。例如,將時間區間的出現頻率最高的候選條件來作為此時間區間對應的關鍵條件。或者,也可自所獲得的多個候選條件中選擇出現頻率超過預設值的候選條件作為關鍵條件。或者,可基於對應於使用者帳號的偏好來選擇關鍵條件。故,可能選出一個或多個關鍵條件。
另外,在接收到輸入訊號時,處理器110會進一步記錄其接收來源(即,自哪一個輸入裝置120接收)、接收時間區段、接收地點以及當前登入電子裝置100的使用者資料,以在自此輸入訊號獲得關鍵條件時,將所述資訊與關鍵條件進行關聯。
在獲得關鍵條件之後,在步驟S220中,儲存關鍵條件至資料庫131,並建立資料庫131中所有關鍵條件之間的關聯性。在此,資料庫131中包括的每一個關鍵條件皆具有對應的接收時間區段、接收地點、接收來源、使用者資料、屬性資料以及裝置資料。接收來源代表關鍵條件是基於哪一個輸入裝置120所接收的輸入訊號所獲得。
使用者資料包括觸發所述關鍵條件的一或多個使用者的資料。即,一個關鍵條件可以是由一個或多個使用者觸發相同或不同的輸入裝置120所獲得。使用者資料包括多個使用者權限、對應於不同使用者帳號的偏好的候選條件以及候選條件的出現頻率。使用者權限所指為系統(例如作業系統或是運行此資料處理方法的應用程式、軟體或平台等)給予各使用者帳號的權限。
屬性資料包括操作權限(允許各關鍵條件的工作範圍)、封包資料(包括封包格式以及封包內容)、以及資料取樣率。裝置資料包括觸發關鍵條件的所有輸入裝置120的參數,例如排程優先權、裝置參數、界限範圍以及臨界值(threshold)。舉例而言,假設觸發關鍵條件的輸入裝置120包括滑鼠、鍵盤以及收音裝置,則裝置資料會包括滑鼠、鍵盤以及收音裝置各自的排程優先權、裝置參數、界限範圍以及臨界值。在此,所述臨界值與界限範圍是用以決定裝置參數的值。以麥克風(收音裝置)而言,其裝置參數例如為“收音範圍”,臨界值是例如為“收音範圍”所欲設定的數值,界限範圍則是用以限定臨界值的設定範圍。另外,倘若輸入裝置120為相機,其裝置參數例如為“拍照解析度”。倘若輸入裝置120為觸控裝置,其裝置參數例如為“壓力”或“接觸面積”。
處理器110會對資料庫131中的所有關鍵條件進行分類,以獲得多個類別。進一步而言,依據各輸入裝置屬性440(參照下述圖4),處理器110會對資料庫131中的所有關鍵條件進行分類,以獲得多個類別。例如,處理器110可利用已知的分類演算法來分類關鍵條件。之後,處理器110基於各關鍵條件對應的使用者帳號、接收時間區段、接收地點以及接收來源,判斷這些類別之間的繼承(inheritance)關係。即,處理器110採用物件導向技術來建立各類別之間的繼承關係。例如,假設類別B的發生是建立在類別A的基礎上,則將類別B設定為繼承至類別A。以此類推,可形成一個類別階層(class hierarchy)。
在一實施例中,在儲存裝置130中尚未建立資料庫131的情況下,可先收集多個候選條件,並進一步決定關鍵條件,並在判斷其類別且建立好繼承關係之後,繼續分析所接收的輸入訊號來判斷是否有新的關鍵條件,並進一步判斷此關鍵條件是否已存在於資料庫131。倘若不存在,則儲存此關鍵條件至資料庫131,並對建立此關鍵條件與先前已儲存的關鍵條件之間的關聯性。例如,在接收到新的關鍵條件(尚未儲存於資料庫131中)時,會再利用分類演算法來判定新的關鍵條件的類別,並重新調整資料庫131中各類別的之間的繼承關係。
倘若資料庫131已存在此關鍵條件,則計數此關鍵條件在資料庫中對應輸入裝置在時間區間內的出現頻率,藉此重新調整輸入裝置對此關鍵條件對應的資料取樣率。在此,可計算此關鍵條件在此時間區間內的出現頻率,進而調整輸入裝置對應參數的資料取樣率。例如,時間區間內重複出現頻率越高,則對應關鍵修改的資料取樣率的準確度也會越高。
在資料庫131中所有關鍵條件之間的關聯性建立完成之後,在步驟S225中,基於資料庫131來建立對應至各關鍵條件的預測模型。在此,預測模型例如為線性迴歸模型或其他深度學習模型。例如,根據各關鍵條件對應的接收時間區段、接收地點、接收來源、使用者資料、屬性資料以及裝置資料來訓練預測模型。預測模型可以是用來預測發生關鍵條件的時間週期,進而可推測出下一次出現此關鍵條件的時間、及/或預測下一次關鍵條件是由哪一個輸入裝置120所偵測到。
圖3是依照本發明一實施例的判斷關鍵條件的流程圖。請參照圖3,在步驟S305中,處理器110偵測到事件的發生。例如,偵測到特定的應用程式(Application,APP)被啟動。
之後,在步驟S310中,處理器110判斷當下觸發事件的使用者帳號是否具有合法的使用者權限。倘若當下觸發事件的使用者帳號為不合法,則不往下執行後續步驟,返回步驟S305,以在判定當下觸發事件的使用者帳號為合法之後,才會去分析所接收的輸入訊號來獲得並儲存對應的事件記錄資料,並往下執行後續步驟。
之後,在步驟S315中,處理器110查找事件記錄資料,藉此來找出關鍵條件。事件記錄資料包括對輸入裝置120所接收的輸入訊號進行分析後所獲得的輸入字串、輸入字元、操作行為等分析結果。之後,根據分析結果來獲得多個候選條件,而自這些候選條件中來決定關鍵條件。詳細說明可參照圖2的步驟S210。
接著,在步驟S320中,判斷關鍵條件是否已存在於資料庫131中。若尚未存在,在步驟S325中,儲存此關鍵條件至資料庫131,並判斷此關鍵條件的類別,進而可獲得此新儲存的一筆關鍵條件與其他已存在的關鍵條件之間的繼承關係。進一步而言,在步驟S325中,儲存此關鍵條件至資料庫131,並依據輸入裝置屬性440(如下述圖4的描述)判斷此關鍵條件的分類類別,進而可獲得此新儲存的一筆關鍵條件與其他已存在的關鍵條件之間的對應、從屬與繼承關係。
在資料庫131已存在此關鍵條件的情況下,在步驟S330中,調整輸入裝置120。具體而言,倘若資料庫131已存在關鍵條件,處理器110重新調整關鍵條件對應的資料取樣率,並基於資料取樣率下達調整指令至關鍵條件對應的所有輸入裝置120,以調整輸入裝置120的裝置參數對應的界限範圍以及臨界值。據此,即便本次所獲得的關鍵條件僅是由一個輸入裝置120的輸入訊號所獲得,也能夠一次調整與此關鍵條件具關聯性的多個輸入裝置120。
當使用者在固定的時間區間頻繁地操作的特定軟件、傳輸的特定資料、關聯的特定行為等,可經由分析輸入裝置120所接收到的輸入訊號來獲得對應的關鍵條件,進而改變資料取樣率。
在一實施例中,處理器110可進一步將根據關鍵條件產生對應的調整指令存放於命令集中,之後再根據各調整指令的命令排程優先權來決定調整指令的發送順序。舉例來說,調整指令包括命令編碼、目標位址、核對和(checksum)、命令排程優先權以及目標位址所對應的輸入裝置120用以進行訊號取樣的相關參數。所述相關參數例如為裝置參數的臨界值。以麥克風(收音裝置)的裝置參數為“收音範圍”而言,其臨界值則為“收音範圍”所欲設定的數值。命令編碼用以識別各調整指令。目標位址為調整指令所欲傳送的輸入裝置120的位址。核對和為進行驗證用。命令排程優先權用以指定調整指令的傳送優先權。在此,可基於資料庫131中的關鍵條件的繼承關係與輸入裝置120來設定命令佇列排程優先權。例如,基於關鍵條件於繼承關係中所在的階層來設定對應的命令排程優先權及/或是輸入裝置120的中斷編號設定對應的命令佇列排程優先權。然,在此僅為舉例說明,並不以此為限。
在調整完輸入裝置120的參數(例如,所述臨界值)之後,輸入裝置120基於調整後的狀態來發送資料封包至處理器110。而後,在步驟S335中,處理器110判斷輸入裝置120所傳送的資料封包是否正確。例如,判斷封包格式是否正確以及判斷資料封包中的核對和是否正確。倘若不正確,回覆通知給輸入裝置120,返回步驟S330,重新調整輸入裝置120。倘若正確,在步驟S340中,檢查資料封包。例如,檢查資料封包的界限範圍是否合理。
底下再舉一實施例來說明本揭露的系統架構。圖4是依照本發明一實施例的系統架構圖。請參照圖4,本揭露是建構在使用者、地點以及時間三種限制下的架構。即,可由不同的使用者帳號在不同的時間以及不同的地點來使用電子裝置100。
電子裝置100安裝有作業系統(operating system,OS)410以及具有對應的輸入裝置120。作業系統410具有作業系統屬性411。並且,經由作業系統410來產生事件記錄資料(event log files)420。事件記錄資料420包括經由作業系統410所觸發的事件(issue)以及作業系統服務。事件具有對應的使用者權限以及存取程序(access process)。作業系統服務的來源包括驅動程式/應用軟體(application,APP)的回應及資料封包,以及輸入裝置120、模組/晶片等裝置。
將電子裝置100的工作模式採取物件屬性的分類方式,建立物件的類別、屬性、繼承與資料關連性;便於分類各種輸入裝置120的感測數據,並且以此觀念建立資料庫131內的數據。
事件記錄資料420在經由分析後可獲得事件記錄資料屬性430。在圖4中,以箭頭4201代表事件記錄資料420包括了事件記錄資料屬性430
。事件記錄資料屬性430分為資料篩選、命令集以及程序排程三大類。資料篩選包括輸入裝置120的命令排程優先權與資料取樣率,並且還包括資料封包的使用者權限(對應至關鍵條件)、內容記錄(包括裝置封包ID、界限範圍以及臨界值)、裝置回應以及核對和機制。程序排程包括服務佇列(service queue)以及連接檢查(connection check)。
輸入裝置120具有對應的輸入裝置屬性440以及對應的驅動模組450。驅動模組450例如為通訊/傳輸模組、電源/熱模組、輸入/輸出模組、儲存/安全模組、墜落/撞擊保護模組等。驅動模組450具有對應的模組屬性460,例如,使用的控制器、寄存器、演算法、協定等。在圖4中,箭頭4501代表驅動模組450的資料包括了事件記錄資料420,也就是說,藉由驅動模組450的運作,輸入裝置120後不斷地產生資料,並記錄在事件記錄資料420,進一步被儲存至儲存裝置130中。箭頭4111代表作業系統屬性411中,驅動程式或應用程式所產生的資料進一步被儲存在資料庫131中的事件記錄資料420。
另外特別說明的是,在圖4中,輸入裝置120與驅動模組450之間的實線箭頭代表彼此為對應關係,也就是輸入裝置120需要驅動模組450才能進行輸入裝置120的運作。另外,驅動模組450與模組屬性460之間的虛線箭頭代表彼此為從屬關係;輸入裝置120與輸入裝置屬性440的虛線箭頭代表彼此為從屬關係;作業系統410與作業系統屬性411的虛線箭頭代表彼此為從屬關係。
圖5是依照本發明一實施例的線性迴歸曲線的示意圖。請參照圖5,一個輸入裝置120對應至一個線性迴歸模型。在此,線性迴歸模型為y=mx+b,其中y代表臨界值,x代表時間區間,m為斜率,b為截距(intercept)。決定係數(coefficient of determination)又稱R平方(R
2),其是用以衡量線性迴歸模型表現的指標。R
2越接近1,預測值越接近真實值。圖5中的線性迴歸曲線為線性迴歸模型所獲得的曲線,而圓圈代表實際的資料。藉由計算斜率來得知線性迴歸模型與實際數據之間的差距。
上述資料處理方法可進一步應用於廠線自動檢測系統。設置一數據分析平台來接收聲音、影像感測器(相機)、溫度或濕度感測器或是光照、紅外線感測器等輸入裝置的資料,例如印刷電路板(printed circuit board,PCB)的零件位置、吃錫量、板厚平整度、零件阻抗、上錫溫度等,進一步獲得關鍵條件,藉此建立預測模型,再利用預測結果來進行輸入裝置參數的自動調整、控制。所述預測結果指的是:例如,某一新的關鍵條件可能代表了即將對未來的產線上的成品或半成品或零件之位置、吃錫量、板厚平整度、零件阻抗、上錫溫度等產生重大的影響,或者說這樣的關鍵條件代表了一個趨勢正在改變的狀態,或是說這樣的關鍵條件代表了一個正常運作的產線或事件有了新的轉捩點,其皆統稱為“預測結果”。
綜上所述,本揭露透過大數據分析來找出在時間區間內的關鍵條件發生的準確性,並對感測器等輸入裝置的參數進行調整,進而根據所獲得的大數據資料來建立或是修正關鍵條件的預測模型。據此,可利用預測模型來預測事件發生後的後果,進而可以提早對產線做出調整。使用此資料處理方法的電子裝置也會變成更貼近使用者行為的智慧型電子裝置。
100:電子裝置
110:處理器
120、120-1、120-2:輸入裝置
130:儲存裝置
131:資料庫
S205~S225:資料處理方法的步驟
S305~S340:判斷關鍵條件的步驟
410:作業系統
411:作業系統屬性
420:事件記錄資料
430:事件記錄資料屬性
440:輸入裝置屬性
450:驅動模組
460:模組屬性
4111、4201、4501:箭號
圖1是依照本發明一實施例的電子裝置的方塊圖。
圖2是依照本發明一實施例的資料處理方法的流程圖。
圖3是依照本發明一實施例的判斷關鍵條件的流程圖。
圖4是依照本發明一實施例的系統架構圖。
圖5是依照本發明一實施例的線性迴歸曲線的示意圖。
S205~S225:資料處理方法的步驟
Claims (7)
- 一種資料處理方法,透過一處理器執行下述步驟,包括:每間隔一取樣時間,自多個輸入裝置至少一個接收至少一輸入訊號;根據每一所述輸入訊號的接收來源,分析在一時間區間內所接收的每一所述輸入訊號,以獲得一分析結果,其中該接收來源為該些輸入裝置其中一個;響應於該分析結果為輸入字串或輸入字元,自所述輸入字串或所述輸入字元中擷取候選條件;響應於該分析結果為操作行為,經由查表來獲得該操作行為對應的候選條件;在該些候選條件中,取出在該時間區間內的一出現頻率超過一預設值的每一候選條件作為一關鍵條件,或者取出在該時間區間內的該出現頻率最高的其中一個候選條件作為該關鍵條件;儲存該關鍵條件至一資料庫,並建立該資料庫中所有關鍵條件之間的關聯性;以及基於該資料庫來建立對應至每一關鍵條件的一預測模型,其中該預測模型用以預測發生其對應的該關鍵條件的時間週期。
- 如請求項1所述的資料處理方法,其中該關鍵條件為字串或操作行為,該資料庫中包括的每一所述關鍵條件具有對應的一接收時間區段、一接收地點、一接收來源、一使用者資料、一 屬性資料以及一裝置資料,其中該接收來源為該些輸入裝置至少一個,該使用者資料包括觸發所述關鍵條件的一或多個使用者的資料,該屬性資料包括一資料取樣率,該裝置資料包括觸發所述關鍵條件的所有輸入裝置各自的排程優先權、裝置參數、界限範圍以及臨界值,其中該臨界值為該裝置參數所欲設定的值,該界限範圍是用以限定該臨界值的設定範圍。
- 如請求項1所述的資料處理方法,其中建立該資料庫中所有關鍵條件之間的關聯性的步驟包括:對該資料庫中的所有關鍵條件進行分類,以獲得多個類別;以及基於每一所述關鍵條件對應的一使用者帳號、一接收時間區段、一接收地點以及一接收來源,採用一物件導向技術來建立該些類別之間的繼承關係。
- 如請求項1所述的資料處理方法,其中根據每一所述輸入訊號的接收來源,分析每一所述輸入訊號,以獲得該分析結果的步驟包括:響應於該接收來源為一收音裝置,針對相應的所述輸入訊號執行一聲音識別演算法,藉此將所獲得的對應於所述輸入訊號的該輸入字串作為該分析結果;響應於該接收來源為一影像擷取裝置,針對相應的所述輸入訊號執行一影像識別演算法,藉此將所獲得的對應於所述輸入訊 號的該操作行為作為該分析結果;響應於該接收來源為一鍵盤,將基於所述輸入訊號所獲得的一或多個所述輸入字元作為該分析結果;以及響應於該接收來源為一滑鼠或一觸控裝置,將相應於所述輸入訊號在一使用者介面中的該操作行為作為該分析結果。
- 如請求項1所述的資料處理方法,其中在取出該時間區間內對應的該關鍵條件之後,更包括:判斷該關鍵條件是否存在於該資料庫;倘若不存在,則儲存該關鍵條件至該資料庫;倘若該資料庫已存在該關鍵條件,則重新調整該關鍵條件對應的一資料取樣率,並基於該資料取樣率下達一調整指令至該關鍵條件對應的所有輸入裝置。
- 如請求項5所述的資料處理方法,其中在基於該資料取樣率下達該調整指令至該關鍵條件對應的所有輸入裝置之後,更包括:判斷透過調整後的每一所有輸入裝置所輸出的一資料封包的格式是否正確。
- 如請求項5所述的資料處理方法,其中該調整指令存放於一命令集中,該調整指令包括一命令編碼、一目標位址、一核對和、一命令排程優先權以及該目標位址所對應的輸入裝置用以進行訊號取樣的相關參數。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111100063A TWI793950B (zh) | 2022-01-03 | 2022-01-03 | 資料處理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111100063A TWI793950B (zh) | 2022-01-03 | 2022-01-03 | 資料處理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI793950B true TWI793950B (zh) | 2023-02-21 |
TW202328942A TW202328942A (zh) | 2023-07-16 |
Family
ID=86689393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111100063A TWI793950B (zh) | 2022-01-03 | 2022-01-03 | 資料處理方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI793950B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7650319B2 (en) * | 1991-12-23 | 2010-01-19 | Hoffberg Mark Hoffberg | Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore |
US20100316158A1 (en) * | 2006-11-20 | 2010-12-16 | Lawrence Arne | Active signal processing personal health signal receivers |
WO2014036263A1 (en) * | 2012-08-29 | 2014-03-06 | Brown University | An accurate analysis tool and method for the quantitative acoustic assessment of infant cry |
WO2020227429A1 (en) * | 2019-05-06 | 2020-11-12 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
-
2022
- 2022-01-03 TW TW111100063A patent/TWI793950B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7650319B2 (en) * | 1991-12-23 | 2010-01-19 | Hoffberg Mark Hoffberg | Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore |
US20100316158A1 (en) * | 2006-11-20 | 2010-12-16 | Lawrence Arne | Active signal processing personal health signal receivers |
WO2014036263A1 (en) * | 2012-08-29 | 2014-03-06 | Brown University | An accurate analysis tool and method for the quantitative acoustic assessment of infant cry |
WO2020227429A1 (en) * | 2019-05-06 | 2020-11-12 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
Also Published As
Publication number | Publication date |
---|---|
TW202328942A (zh) | 2023-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111078479B (zh) | 一种内存检测模型训练的方法、内存检测的方法及装置 | |
US11483389B2 (en) | Methods and apparatus to adaptively manage data collection devices in distributed computing systems | |
CN107908619B (zh) | 基于舆情监控的处理方法、装置、终端及计算机存储介质 | |
US8886641B2 (en) | Incorporating recency in network search using machine learning | |
CN110321371A (zh) | 日志数据异常检测方法、装置、终端及介质 | |
US11334193B2 (en) | Touch control method and apparatus | |
US20130232142A1 (en) | Methods and Apparatus to Identify Users of Handheld Computing Devices | |
WO2015058616A1 (zh) | 恶意网站的识别方法和装置 | |
JP2013254372A5 (zh) | ||
CN109240991B (zh) | 文件推荐方法、装置、存储介质及智能终端 | |
KR20140059697A (ko) | 사용자 의도 파악 어플리케이션 서비스 방법 및 서버와 이를 이용한 사용자 의도 파악 어플리케이션 서비스 시스템 | |
CN110347436B (zh) | 一种个性化调节鼠标移动速度的方法与系统 | |
CN115145788B (zh) | 一种针对智能运维系统的检测数据生成方法和装置 | |
CN113190646A (zh) | 一种用户名样本的标注方法、装置、电子设备及存储介质 | |
TWI793950B (zh) | 資料處理方法 | |
CN115398861B (zh) | 异常文件检测方法及相关产品 | |
US20240320329A1 (en) | Machine Learning Model Adversarial Attack Monitoring | |
CN117492373B (zh) | 基于手势识别控制的智能家居系统 | |
CN118708239A (zh) | 基于android系统的智能云相框数据自适配系统 | |
CN118300968A (zh) | 通信网络数据异常识别方法、系统及介质 | |
CN109902486A (zh) | 电子装置、异常用户处理策略智能决策方法及存储介质 | |
CN115076941A (zh) | 空调的控制方法、装置及空调 | |
JP5343876B2 (ja) | 電子機器、電子機器の制御方法及びコンピュータプログラム | |
CN110793150A (zh) | 电容式触摸按键的自适应调节方法、线控器、空调器 | |
TWI466014B (zh) | 建立至少二裝置間連結及身分關係的方法及控制裝置 |