本公开一般涉及电子设备，并且更具体地，涉及采用惯性传感器来确定电子设备的移动活动的电子设备。
背景技术：
诸如智能手机的许多移动电子设备包括一个或多个惯性传感器以检测电子设备的移动。从惯性传感器获得的惯性数据可以用于旋转显示屏、控制应用功能(例如，控制视频游戏应用中的角色)、“唤醒”设备等。惯性数据还可以用于在用户持有电子设备时，确定用户的一个或多个移动活动。例如，惯性数据可以用于确定用户是否在移动、行走或跑步。移动活动的该类型可以基于惯性数据的特性(诸如特定惯性数据的频率和振幅)而被确定。这种移动活动确定可以用于改善用户和电子设备之间的交互。
通常，采用分类器来学习惯性数据特性的哪些组合可以用来限定移动活动的每个类型。分类器分析来自多个不同用户的惯性数据，并且将惯性数据分组或分类为独特的组或类别。每个独特的类别由惯性数据特性的特定组合限定，并且表示移动活动的独特的类型。例如，分类器可以将针对不移动的第一类别标识为低于第一阈值的加速度计数据；将针对行走的第二类别标识为高于第一阈值并且低于第二阈值的加速度计数据；并且将针对跑步的第三类别标识为高于第二阈值的加速度计数据。因此，分类器利用大量的训练数据来学习或标识不同的阈值水平，并且因此限定表示移动活动的不同类型的不同类别。
分类器的准确性通常与训练数据的量有关，使得利用的训练数据越多，分类器的准确性就越高。然而，分析如此大量的数据可能在计算上是昂贵的并且消耗大量的功率，如果由移动电子设备执行，则这可能无法获得或效率低下。此外，由分类器标识的类别通常针对整个训练数据被概括，这可能导致所学习的类别针对一些个体不准确。正是关于这些和其他考虑，做出了本文描述的实施例。
技术实现要素：
一种设备，可以被概括为包括：惯性传感器，其在操作中生成与设备相关联的惯性传感器数据；以及处理电路装置，其通信耦合到惯性传感器，其中处理电路装置在操作中：根据惯性传感器数据确定新特征阵列；确定新特征阵列是否在与惯性传感器数据相关联的状态空间内的现有类别内；响应于新特征阵列被包括在现有类别中，将新特征阵列添加到现有类别中，并且基于新特征阵列和现有类别的现有表示来更新状态空间中的现有类别的表示；响应于新特征阵列不被包括在现有类别中，基于新特征阵列创建新类别。
处理电路装置在操作中可以：接收新惯性传感器数据；在状态空间中选择与新惯性传感器数据相关联的多个类别中的一个类别；以及指示设备基于所选择的类别来执行动作。处理电路装置在操作中可以：确定新特征阵列是否在状态空间内；以及响应于状态空间中不包括新特征阵列，基于新特征阵列对状态空间重新标准化。数字信号处理电路装置在操作中可以：基于重新标准化的状态空间来修改现有类别的表示。处理电路装置在操作中可以基于重新标准化的状态空间来重新缩放现有类别。数字信号处理电路装置在操作中可以：基于将新特征阵列添加到现有类别来重新缩放现有类别。处理电路装置在操作中可以：确定新特征阵列是否在状态空间内；响应于状态空间中不包括新特征阵列，基于新特征阵列对状态空间重新标准化；基于重新标准化的状态空间，修改两个现有类别的表示；确定两个现有类别是否满足吸收标准；以及响应于满足吸收标准，合并两个现有类别。处理电路装置在操作中可以：响应于现有类别中特征出现次数的数目低于阈值，移除现有类别。惯性传感器可以包括加速度计或陀螺仪中的至少一个。
处理电路装置在操作中可以：确定现有类别和新类别是否满足吸收标准；以及响应于吸收标准被满足，合并现有类别和新类别。
新特征阵列可以包括与时间窗口内的惯性传感器数据相关联的峰峰值和标准偏差值。可以通过至少一个预先确定值来限定新类别的区域。可以基于与现有类别相关联的至少一个高斯分布来动态地调整现有类别的区域。
一种系统，可以被概括为包括：加速度计，其在操作中生成加速度数据；以及一个或多个处理器，其在操作中执行计算机指令以：根据加速度数据确定新特征值；确定新特征值是否在与加速度数据相关联的状态空间内；响应于新特征值被包括在状态空间中，确定新特征值是否在状态空间内的现有类别内；响应于新特征值被包括在现有类别中，基于新特征值，向现有类别添加新状态空间点，并且基于新状态空间点和现有类别中的现有状态空间点，更新状态空间中的现有类别的代表点；以及响应于新特征值不被包括在现有类别中，基于新特征值，在状态空间中创建具有代表点的新类别。
一个或多个处理器在操作中可以执行计算机指令，以进一步：响应于状态空间中不包括新特征值，基于新特征值对状态空间重新标准化。一个或多个处理器在操作中可以执行计算机指令，以进一步：基于重新标准化的状态空间来修改现有类别的代表点。一个或多个处理器在操作中可以执行计算机指令，以进一步基于重新标准化的状态空间来重新缩放现有类别。一个或多个处理器在操作中可以执行计算机指令，以进一步基于将新状态空间点添加到现有类别来重新缩放现有类别。
一个或多个处理器在操作中可以执行计算机指令，以进一步：响应于状态空间中不包括新特征值，基于新特征值，对状态空间重新标准化；基于重新标准化的状态空间，修改两个现有类别的代表点；确定两个现有类别是否满足吸收标准；以及响应于满足吸收标准，将两个现有类别合并为新合并类别，新合并类别具有状态空间中的新代表点，新代表点基于两个现有类别中的现有状态空间点。一个或多个处理器在操作中可以执行计算机指令，以进一步：响应于现有类别内状态空间点出现次数的数目低于阈值，移除现有类别。一个或多个处理器在操作中可以执行计算机指令，以进一步：确定现有类别和新类别是否满足吸收标准；以及响应于满足吸收标准，基于现有类别中的现有状态空间点和新状态空间点，将现有类别和新类别与状态空间中的新代表点合并。
一种方法，可以被概括为包括：使用移动设备的数字信号处理电路装置，确定指示移动设备中的移动的新特征数组；确定新特征阵列是否在与移动设备的移动相关联的状态空间内；响应于新特征阵列不被包括在状态空间中，基于新特征阵列，对状态空间重新标准化；确定新特征阵列是否在状态空间内的之前类别内；响应于新特征阵列不被包括在先前类别中，将新特征阵列添加到先前类别，并且基于新特征阵列，更新状态空间中的先前类别的表示；以及响应于新特征阵列不被包括在先前类别中，基于新特征阵列创建新类别。
方法还可以包括：确定状态空间中的两个先前类别是否满足吸收标准；以及响应于吸收标准被满足，合并两个先前类别。
方法还可以包括：确定先前类别和新类别是否满足吸收标准；以及响应于吸收标准被满足，合并先前类别和新类别。
方法还可以包括：响应于先前类别内特征出现次数的数目低于阈值，移除先前类别。
附图说明
参考以下附图描述非限制性和非穷举性的实施例。在附图中，除非另外指定，否则贯穿各个附图，相同的附图标记指代相同的部分。
为了更好地理解本公开，将参考以下具体实施方式，该具体实施方式要结合附图来阅读：
图1示出了提供有加速度计和陀螺仪和分类器电路装置的计算设备，该计算设备被配置为实时计算移动的类别；
图2示出了由图1中的计算设备实施的方法的功能框图；
图3示出了用于实时计算移动类别的过程的逻辑流程图；
图4示出了用于实时计算移动类别的备选过程的逻辑流程图；
图5-图7示出了在接收到附加数据时，限定和修改类别的用例示例；以及
图8a-图8b、图9a-图9b、图10a-图10b和图11a-图11b显示了在接收到惯性数据时，限定和修改类别的用例图形示例。
具体实施方式
在以下描述中，阐述了某些细节以便提供对设备、系统、方法和物品的各种实施例的透彻理解。然而，本领域技术人员将理解，可以在没有这些细节的情况下实践其他实施例。在其他情况下，在一些图中没有详细示出或描述与例如电路(诸如晶体管、乘法器、加法器、除法器、比较器、集成电路、逻辑门、有限状态机、加速度计、陀螺仪、磁场传感器、存储器、总线系统等)相关联的公知的结构和方法，以避免不必要地混淆实施例的描述。
除非上下文另外要求，否则在随后的整个说明书和权利要求书中，词语“包括”及其变型(诸如“具有”和“包含”)应当以开放的，包括性的含义来解释，即，“包括但不仅限于”。
贯穿说明书、权利要求书、以及附图，除非上下文另外清楚指示，以下术语采用本文中明确相关联的含义。术语“本文中”是指与本申请相关联的说明书、权利要求书、以及附图。短语“在一个实施例中”、“在另一实施例中”、“在各种实施例中”、“在一些实施例中”、“在其他实施例中”，以及这些短语的其他变形是指本公开的一个或多个特征、结构、功能、限制、或特性，而并不局限于相同或不同实施例，除非上下文另外清楚指示。如本文中所使用的，术语“或”是包括性的“或”运算符，并且等效于“a或b或两者”或“a或b或c，及其任意组合”，并且类似地对待具有附加元素的列表。除非上下文另外清楚指示，术语“基于”不是排他性的并且允许基于附加的特征、功能、方面、或未描述的限制。另外，贯穿说明书，“一”、“一个”和“该”的含义包括单数和复数引用形式。另外，在一个或多个实施例中，可以以任何合适的方式组合特的特征、结构或特性以获得进一步的实施例。
标题仅是为了方便而提供，并且不解释本公开的范围或含义。
简而言之，实施例涉及一种计算设备，该计算设备包括用于收集数据的一个或多个惯性传感器，以及执行惯性传感器数据的实时分类的处理器或电路装置。以下是对本文使用的特征阵列、状态空间和类别的简要介绍。
计算设备根据惯性传感器数据生成特征阵列。特征阵列是惯性传感器数据特性值的多维阵列。惯性传感器数据特性可以包括但不限于：惯性传感器数据的峰峰值、标准偏差、最小值、最大值或其他值或统计表示，或其一些组合。
状态空间是从起始数据点(例如，零)到最大数据点(例如，最大特征阵列)限定的区域。因此，状态空间是惯性传感器数据特性的多维区域。新数据空间最初由第一特征阵列限定，该第一特征阵列根据惯性传感器数据而被生成-因为第一特征阵列在此刻是最大的特征阵列。随后的特征阵列被添加到状态空间。但是，如果随后的特征阵列落在状态空间之外，则状态空间基于该特征阵列(例如，状态空间在超出状态空间的每个惯性传感器数据特性维度中被扩大)被重新限定或被重新标准化。
随着特征阵列被添加到状态空间，状态空间内的类别基于特征阵列在状态空间中相对于彼此的位置而被限定。因此，类别是状态空间中的由一组或一群特征阵列限定的区域。随着新特征阵列被添加到状态空间，基于状态空间中的新特征阵列和其他特征阵列的位置，来修改一个或多个类别的位置(或组合多个类别)。此外，如果状态空间被重新标准化，则特征阵列和类别在状态空间中的相对位置根据状态空间的重新标准化被重新缩放。
利用本文描述的实施例来重新标准化状态空间并且在接收到惯性传感器数据时限定和重新限定类别可以提高计算设备的速度和效率。例如，在各种实施例中，计算设备是移动计算设备(例如，蜂窝电话、智能电话、平板计算机、膝上型计算机或其他个人计算设备)，其具有与服务器计算机或云计算资源相比的有限的计算资源或有限的电功率性质。许多先前分类器和机器学习技术涉及复杂的计算和大量的数据处理，因为大量的可用计算资源和功率，这些复杂的计算和大量的数据处理通常在服务器计算机或云计算资源上执行。尝试在移动计算设备上实施这些相同的先前分类器会利用太多的计算资源并消耗太多的功率，这会导移动计算设备致速度慢、效率低、耗电。但是本文描述的实施例允许高效且自动的训练，以及针对各种活动的类别的生成，这提高了计算设备的速度和效率。
图1示出了提供有加速度计110、陀螺仪112、处理核102和分类器电路装置114的计算设备100。处理核102或分类器电路装置114或其某种组合可以执行本文所述的实施例。因此，在处理核102执行本文描述的实施例的一些实施例中，计算设备100中可以不存在分类器电路装置114。相反，如果分类器电路装置114执行本文描述的实施例，则计算设备100可以仍然包括处理核102以执行与计算设备100的功能相关联的其他动作。
加速度计110或陀螺仪112被配置为感测与计算设备100相关联的移动或位置数据。可以使用mems或其他技术来实施加速度计110或陀螺仪112或两者。尽管计算设备100被示为具有加速度计110和陀螺仪112两者，但是实施例不限于此。然而，在一些实施例中，计算设备100可以包括仅加速度计110、仅陀螺仪112或一些其他惯性传感器。加速度计110或陀螺仪112通常可以被称为惯性传感器，该惯性传感器捕获或感测惯性传感器数据。
处理核102可以包括例如一个或多个处理器、状态机、微处理器、可编程逻辑电路、分立电路、逻辑门、寄存器等，或其各种组合。处理核102可以控制计算设备100的整体操作、由计算设备100对应用程序的执行等。
计算设备100还包括诸如一个或多个易失性和/或非易失性存储器的一个或多个存储器104，该一个或多个存储器104可以存储例如与由系统100执行的应用和操作有关的全部或部分指令和数据。例如，存储器104可以存储计算机指令，该计算机指令在由处理核102执行时执行本文描述的动作。
在一些实施例中，计算设备100包括一个或多个其他电路108，该一个或多个其他电路108可以包括接口、收发器、天线、电源等。如上所述，计算设备100还可以包括分类器电路装置114，其被配置为单独地或与处理核102组合地执行本文描述的动作。
计算设备100还包括总线系统，该总线系统可以被配置为使得处理核102、存储器104、加速度计110、陀螺仪112、分类器电路装置114和其他电路108彼此通信地耦合，以向其他组件发送数据或从其他组件接收数据，或者向其他组件发送数据和从其他组件接收数据。总线系统可以包括电耦合到计算设备100的各种组件的数据总线、地址总线、电源总线或控制总线中的一个或多个，或者其一些组合。
计算设备100还可以包括未图示的其他传感器。这种其他传感器可以包括但不限于：gps系统、温度传感器、磁传感器等，或其各种组合。
图2示出了由图1中的计算设备100实施的方法的功能框图。计算设备100的整体功能的实施例在本文其他地方更详细地描述，但是图2中的示例提供了本文描述的这种实施例的简要说明示例。所图示的示例包括获取窗口数据功能202、计算新特征阵列功能204、动态重新标准化处理206、对附近/重叠的类别进行分组功能208、分类器210、创建新类别功能212和元分类器214。这些功能中的每个功能可以由诸如图1中的分类器电路装置114的一个或多个电路或图1中的处理核102来执行。
如上所述，特征阵列是惯性传感器数据特性值的多维阵列，该惯性传感器数据特性值由计算设备上的惯性传感器感测的惯性传感器数据生成。特征阵列被添加到状态空间，其中状态空间是从起始数据点(例如，零)到最大数据点(例如，最大特征阵列)限定的惯性传感器数据特性的多维区域。此外，状态空间内的类别被标识，其中每个类别是状态空间中的区域，该区域基于特征阵列在状态空间中相对于彼此的位置由一组或一群特征阵列限定。
获取窗口数据功能202接收来自一个或多个惯性传感器的惯性传感器数据(例如，来自图1中的加速度计110的加速度计数据或来自陀螺仪112的陀螺仪数据，或其组合)。计算新特征阵列功能204根据惯性传感器数据生成新特征阵列。
动态状态空间处理206基于新特征阵列来生成或修改状态空间。如果新特征阵列是由计算新特征阵列功能204生成的第一特征阵列，则动态状态空间处理206基于新特征阵列来初始化状态空间。如果新特征阵列不是第一特征阵列，则动态状态空间处理206确定新特征阵列是否在当前状态空间之外。如果新特征阵列在当前状态空间之外，则动态状态空间处理206基于新特征阵列对状态空间重新标准化。动态状态空间处理206还可以基于重新标准化的状态空间来重新标准化状态空间内的现有特征阵列和类别的定位。
对附近/重叠的类别进行分组功能208将现在处于彼此的一些阈值距离或标准内的现有类别分组。分类器210将新特征阵列添加到状态空间。如果新特征阵列与现有类别重叠或在现有类别的预先限定的阈值距离内，则分类器210将新特征阵列添加到现有类别并修改该类别的准确性。如果新特征阵列与现有类别超过阈值距离，则创建新类别功能212在状态空间中针对该新特征阵列生成新类别。元分类器214输出全部已知类别和相关联的信息，诸如如果两个类别被组合、新类别被添加或对现有类别进行了细化。
现在将关于图3和图4描述一个或多个实施例的操作，并且为了方便起见，将关于上文描述的图1和图2的实施例来描述。在各种实施例的至少一个实施例中，分别结合图3和图4描述的过程300和400可以由一个或多个计算设备(诸如图1中的计算设备100)实施或在其上执行。
图3示出了用于实时计算移动类别的移动分类器过程300的逻辑流程图。移动分类器过程300在开始框之后，在框302处开始，在框302中，计算设备限定新特征阵列。在各种实施例中，根据加速度计数据或陀螺仪数据限定新特征阵列，本文中可以将该加速度计数据或陀螺仪数据称为惯性传感器数据或移动数据。可以在针对给定时间段的时间上捕获惯性传感器数据。例如，对于70个样本，可以以25hz(例如，每40毫秒)的数据速率捕获惯性传感器数据。这70个样本提供了用于特征评估的数据窗口。在该示例中，每70个样本或每2.8秒(40毫秒×70)计算特征阵列。
可以对针对给定样本窗口的惯性传感器数据执行各种不同的统计分析，以生成针对新特征阵列的两个或更多特征。特征阵列的两个或更多特征可以包括但不限于：峰峰值(例如，在样本窗口期间感测的最小传感器值和最大传感器值之间的值)、最小值(例如，在样品窗口期间感测的最小传感器值)、最大值(例如，在样品窗口期间感测的最大传感器值)、标准偏差(例如，在样品窗口期间感测的值的标准偏差)或其他统计值。在一个非限制性示例中，新特征阵列可以包括给定样本窗口的峰峰值和标准偏差以创建二维特征阵列。其他实施例可以利用新特征阵列中的不同数目的特征来创建其他多维或超维状态空间。类似地，特征阵列的每个单独的特征可以包括各种不同的统计值(如上所述)，或者它们可以是来自不同传感器的统计值(例如，特征阵列的一个特征可以是来自加速度计的感测值的标准偏差，并且特征阵列的另一个特征可以是来自陀螺仪的感测值的标准偏差)，或其其他变化或组合。
在根据所接收的惯性传感器数据计算出新特征阵列值之后，该新特征阵列值被标准化为当前状态空间，使得新特征阵列可以与当前状态空间被比较。应当注意，新特征阵列可以在状态空间内，也可以在状态空间外。例如，在其中状态空间是二维的一个非限制性示例中，经标准化的状态空间可以被限定为点0，0到点1，1，或点0，0到点100，100，其中点1，1，或点100，100，点对应于先前捕获的最大(或最小)特征值。因此，可以基于已知的先前捕获的最大(或最小)特征值和经标准化的状态空间，相对于当前状态空间标准化新特征阵列值。为了方便起见，相对于状态空间经标准化的新特征阵列将被称为新特征阵列。应当注意，也可以使用其他经标准化的值。
过程300前进到判决框304，在判决框304中，计算设备确定状态空间是否要被重新标准化。在各种实施例中，该确定基于新特征阵列在当前状态空间内或外。在各种实施例中，将新特征阵列与当前状态空间进行比较。如果新特征阵列在当前状态空间内，则状态空间不被重新标准化，但是如果新特征阵列在当前状态空间之外，则状态空间将被重新标准化。如果新特征阵列是第一特征阵列，则该新特征阵列将被用于限定状态空间。如果状态空间将被重新标准化，则过程300流到框306；否则，过程300流到判决框314。
在框306处，相对于新特征阵列将状态空间重新标准化。如果新特征阵列中的任何特征的绝对值在针对相同对应特征的当前状态空间之外，则该特征被标准化为针对重新标准化的状态空间的新最大值(或取决于特征的最小值)。因此，来自新特征阵列的一个或多个特征被用作针对标准化的状态空间中的对应特征的新最大值(或最小值)，这取决于一个或多个特征是否大于(或小于)当前状态空间中的对应特征的绝对值。
继续上面的二维示例，其中状态空间被限定为从点0，0到点100，100，如果新特征阵列值都大于当前状态空间，则新特征阵列值被标准化为重新标准化的状态空间中的100，100。如果新特征阵列值中的仅一个特征被标识为大于当前状态空间中的对应特征，则该特征值被标准化为针对重新标准化的状态空间中的该对应特征的最大值(即100)。因为状态空间可以包括多个维度，所以状态空间之外的新特征阵列中的每个特征值都被用于重新标准化状态空间。
过程300在框308处继续，在框308中，计算设备将现有类别的代表点重新定位在经重新标准化的状态空间中的状态空间内。在各种实施例中，基于状态空间，将代表点标识为标准化的特征阵列，该标准化的特征阵列是现有类别的中心点。代表点可以是先前特征阵列，也可以是现有类别的中心的数学表示。例如，如果现有类别被标识为单个先前特征阵列，则现有类别的代表点就是该先前特征阵列。但是，如果现有类别包括两个先前特征阵列，则可以将两个先前特征阵列之间的平均标识为现有类别的代表点。本文描述的各种实施例可以利用k均值或k近邻技术来限定现有类别的代表点。
在框306处将当前状态空间重新标准化之后，基于新的或重新标准化的状态空间来修改现有类别的代表点。例如，通过基于针对先前状态空间和经重新标准化的状态空间之间的每个特征的改变率，通过修改代表点在经重新标准化的状态空间内的位置，来利用状态空间标准化代表点。
过程300接下来前进到判决框310，在判决框310中，计算设备确定类别吸收标准是否被满足。因为现有类别(即，重新标准化的类别)的代表点的位置在重新标准化的状态空间内可能改变，所以现有类别之间的距离也可能改变。在各种实施例中，类别吸收标准可以包括重叠的类别、具有在彼此的阈值距离内的代表点的类别等。如果两个或更多重新标准化的类别满足类别吸收标准，则过程300流到框312；否则，过程300流到判决框314。
在框312处，计算设备将满足类别吸收标准的重新标准化的类别合并在一起。在各种实施例中，类别的合并或吸收可以是那些代表性的类别的代表点之间的平均值，这类似于如下面关于框320所讨论的、在先前代表点和新特征阵列之间的类别的修改。在框312之后，过程300前进到判决框314。
如果在判决框310处没有吸收标准被满足，或者在框312之后，过程300在判决框314处继续。在判决框314处，计算设备确定新特征阵列是否落入现有类别内。如上所述，现有类别以代表点为中心。在一些实施例中，每个类别的大小和形状(诸如具有给定半径的圆(例如，如果状态空间被标识为点0，0到点100，100，则给定半径可以是3，或一些其他预先确定值))可以是静态的并且是预先确定的。在其他实施例中，半径可以基于给定类别中的特征阵列的数目或基于状态空间中的特征阵列的其他特性而动态地改变，这将在下面关于图4更详细地讨论。
在各种实施例中，将新特征阵列与状态空间中的现有类别进行比较(即，新特征阵列是否在围绕现有类别的代表点限定的区域内？)。如果新特征阵列未落入现有类别中，则过程300流到框316；否则，过程300流到框318。
在框316处，计算设备针对新特征阵列创建新类别。在各种实施例中，新特征阵列被标识为状态空间中的新类别的代表点，其大小和形状被预先确定。在框316之后，过程300循环到框302以接收新特征阵列。
如果在判决框314处新特征阵列落入现有类别，则过程300从判决框314流到框318。在框318处，计算设备增加新特征阵列落入的类别出现次数。
过程300接下来前进到框320，在框320处，计算设备细化类别位置。在各种实施例中，类别位置的细化包括平均，或执行k均值或k近邻技术以更新该类别的代表点。
在至少一个实施例中，类别的代表点被修改为该类别中的出现次数(即特征阵列)的加权和：
其中，
d是pold和新点(即新特征阵列)之间的距离；
pnew是代表点的新中心位置；
wold是不包括该类别中的新点的出现次数的数目；以及
pold是该类别中的先前中心位置。
在框320之后，过程300循环到框302，在框302中，计算设备接收新特征阵列。
图4示出了用于实时计算移动类别的备选过程的逻辑流程图。在开始框之后，过程400在框402处开始，在框402中新特征阵列被限定。在各种实施例中，框402包括上面关于图3中的框302描述的各种实施例。
过程400前进到判决框404，在判决框404处，计算设备确定状态空间是否要被重新标准化。在各种实施例中，框404包括上面关于图3中的框304描述的各种实施例。如果状态空间要被重新标准化，则过程400流到框406；否则，过程400流到判决框416。
在框406处，计算设备相对于新特征阵列使状态空间重新标准化。在各种实施例中，框406包括上面关于图3中的框306描述的各种实施例。
过程400在框408处继续，在框408中，计算设备在重新标准化的状态空间中重新定位状态空间内的现有类别的代表点。在各种实施例中，框408包括上面关于图3中的框308描述的各种实施例。
过程400接下来前进到判决框410，在判决框410中，计算设备可以针对经重新标准化的状态空间重新缩放现有类别的区域，该重新缩放可以基于对状态空间的改变率。
过程400接下来前进到判决框412，在判决框412中，计算设备确定类别吸收标准是否被满足。在各种实施例中，判决框412包括上面关于图3中的框310描述的各种实施例。在其他实施例中，可以基于两个或更多类别的重叠来标识类别吸收标准，或者可以基于两个或更多类别的当前半径的两倍的重叠来标识类别吸收标准。
如果两个或更多经重新标准化的类别满足类别吸收标准，则过程400流到框414；否则，过程400流到判决框416。
在框414处，计算设备将满足类别吸收标准的经重新标准化的类别合并在一起。在各种实施例中，框414包括上面关于图3中的框312描述的各种实施例。在一些实施例中，可以采用附加的技术来计算合并类别的半径，并且可以考虑系统的各个方面，包括系统的时间演变、应用、类别优先级等。
在一个实施例中，如下计算新半径：
rnew＝max(r1，r2)
其中，
rnew是合并类别的半径；
r1是第一类别的半径；以及
r2是第二类别的半径。
在另一个实施例中，可以如下计算新半径：
其中，
rnew是合并类别的半径；
r1是x类别的半径；以及
wx是x类别的出现次数的数目。
在框414之后，过程400前进到判决框416。
如果在判决框412处没有吸收标准被满足，或者在框414之后，过程400在判决框416处继续。在判决框416处，计算设备确定新特征阵列是否落入现有类别内。在各种实施例中，判决框416包括上面关于图3中的框314描述的各种实施例。在其他实施例中，如果新特征阵列在现有类别的区域的x倍(例如3倍)
内，则该新特征阵列落入在现有类别内。如果新特征阵列未落入现有类别，则过程400流到框418；否则，过程400流到框320。
在框418处，计算设备针对新特征阵列创建新类别。在各种5实施例中，框418包括上面关于图3中的框316描述的各种实施例。在一些实施例中，如果新特征阵列如以下所限定的远离最接近的类别，则创建新类别：
d(pnew，pclass)＞3r
其中，
pnew是新特征阵列；
polass是最接近的类别的代表点；以及
r是最接近的类别的半径。
在一些实施例中，可以将新类别的半径初始被设置为零，改该新类别的半径响应于附加的新特征阵列被添加到新类别附近的状态空间而被评估和修改。
在框418之后，过程400前进到框426。
如果在判决框416处新特征阵列落入现有类别，则过程400从判决框416流到框420。在框420处，计算设备增加新特征阵列落入的类别出现次数。在各种实施例中，框420包括上面关于图3中的框318描述的各种实施例。
过程400接下来前进到框422，在框422中，计算设备细化类别的位置。在各种实施例中，框422包括上面关于图3中的框320描述的各种实施例。
过程400在框424处继续，在框424处，计算设备重新缩放包括新特征阵列的现有类别的区域。在一些实施例中，现有类别的半径可以被细化为：
rnew＝σd (1-σ)rold
其中，
rnew是该类别的新半径；
rold是该类别的先前半径；
d是最接近类别的代表点与新特征阵列之间的距离；以及
σ是系统时间演进的函数中的数字，0＜σ＜1。
随着新特征阵列被添加到状态空间，类别的半径可以基于给定类别中的特征阵列的出现次数而动态地增加或减少。
在框424之后或在框418之后，过程400前进到框426，在框426中，计算设备管理出现次数。在各种实施例中，与系统演进相比，出现次数被缓慢地减少。例如，可以每小时减少一次出现次数。这允许缓慢地减少陈旧的类别(即未添加新特征阵列或未利用新特征阵列修改的类别)的出现次数，这最终可能导致在框428中移除陈旧的类别。
接下来，过程400在框428处继续，在框428中，计算设备移除低出现次数类别。在各种实施例中，低出现次数类别可以包括针对预定时间具有少于阈值数量的特征阵列的类别。例如，如果类别在5分钟的间隔上具有少于5的出现次数，则该类别可以被移除。也可以使用其他数目的出现次数或标准来确定是否要移除类别。
在框428之后，过程400循环到框402，在框402中，计算设备接收新特征阵列。
可以针对新特征阵列的选择数目或时间的选择量来继续图3中的过程300或图4中的过程400，时间的选择量可以被称为训练时段或训练时间段。这种类型的训练允许实时或自动识别特定用户的活动。
在训练时段期间或在训练时段已经结束之后，计算设备可以利用现有状态空间和现有类别来执行其他动作，诸如，基于由惯性传感器捕获的新惯性传感器数据或目标惯性传感器数据，使在计算设备上执行的应用执行选择动作。
例如，在训练完成之后，可以计算设备的惯性传感器捕获目标惯性传感器数据。根据目标惯性传感器数据生成目标特征阵列，并将其与状态空间中的现有类别进行比较。如果目标特征阵列落入现有类别，则计算设备可以采取行动。例如，如果目标特征阵列落入与用户行走相关联的现有类别，则计算设备可以使应用记录用户采取的步数。作为另一示例，如果目标特征阵列落入与用户静止相关联的另一个现有类别，则计算设备可以输出警报以通知用户他们已经停止移动。响应于目标特征阵列落入现有类别，可以由计算设备执行各种其他类型的动作。
图5-图7示出了在接收到附加惯性传感器数据时，限定和修改类别的用例示例。特别地，图5图示了向现有状态空间添加新类别。图5中的场景500图示了示例阶段502a-502c，其表示将新类别添加到现有状态空间的不同阶段。
从示例阶段502a开始，针对特征504a和504b，从零点(例如，0，0)到最大点(例如，100，100)限定状态空间510。在该示例中，状态空间510是现有状态空间，该现有状态空间具有被设置在具有特征504a和504b的最大值的特征阵列的位置处的最大点，在该示例中，最大点是代表性类别点506。代表性类别点506表示或限定现有类别508的中心。因为代表性的类别点506是现有状态空间510中的最大点，所以类别508的第一部分在状态空间510内，并且类别508的第二部分在状态空间510外。
示例阶段502b图示了新状态空间点512到现有状态空间510的添加。新状态空间点512根据将新特征阵列到状态空间510的标准化而被限定。如本文所描述的，如果新状态空间点512在现有类别(例如，类别506)之外，则针对新状态空间点512限定新类别514。
示例阶段502c图示了针对新状态空间点512的新类别514的添加。在该示例中，代表性类别点516被限定为新类别空间514的中心。因为新状态空间点512用于限定新类别514，代表性类别点516在状态空间510中的位置与新状态空间点512相同。
图6图示了两个示例场景，场景600和场景650。场景600图示了由于新特征阵列的添加而对现有类别进行修改，场景650图示了由于新特征阵列在现有状态空间之外而对状态空间的修改。
场景600包括示例阶段602a-602c，其图示了修改现有类别的不同阶段。从示例阶段602a开始，状态空间606是现有状态空间，该现有状态空间具有被设置在类别620的代表性的类别点604的最大点。状态空间606还包括由代表性类别点610限定的类别608。在一些实施例中，示例阶段602a中图示的状态空间606可以是图5中的示例500的示例阶段502c中图示的状态空间510的一个实施例。
示例阶段602b图示了对状态空间606的新状态空间点612(即，新特征阵列)的添加。在该示例中，新状态空间点612在状态空间606内并且在现有类别608内。如本文所描述的，如果新状态空间点612在现有类别(例如，类别608)内，则修改现有类别的位置。如本文所提到的，可以基于现有类别608的代表性类别点610的位置和新状态空间点612的位置(诸如两个点之间的平均位置)，来修改现有类别608的位置。应当注意，随着更多的点被添加到现有类别，可以利用附加的方法来确定经修改的类别的新代表性的类别点，诸如利用k均值或k近邻技术。
示例阶段602c图示了先前类别608的经修改的位置，其被表示为具有新代表性的类别点616的经修改的类别614。在该图示中，新代表性类别点616被图示为在之前的代表性的类别点618(即，类别608的代表性的类别点610)和新状态空间点612的中间。
场景650包括示例阶段652a-652c，其图示了重新标准化状态空间的不同阶段。从示例阶段652a开始，状态空间658是现有状态空间，其最大点被设置在类别656的代表性的类别点654处。在一些实施例中，示例阶段652a中图示的状态空间658可以是图5中的示例500的示例阶段502c中图示的状态空间510的一个实施例。新状态空间点660被添加到状态空间658。然而，新状态空间点660在状态空间658之外。因此，状态空间658将基于新状态空间点660的位置而被重新标准化。
示例阶段652b图示了基于新状态空间点660的重新标准化的状态空间662。在该示例中，针对新状态空间点660的“feat1”的值超过了先前状态空间658中的“feat1”的最大值。因此，状态空间658中的“feat1”的最大值相对于新状态空间点660的“feat1”值被重新标准化，同时相对于代表性类别点654的“feat2”值保持状态空间658中的“feat2”的最大值，这产生重新标准化的状态空间662。在状态空间658被重新标准化之后，基于经重新标准化的状态空间662的重新标准化的大小来修改在重新标准化的状态空间662内的现有类别(例如，类别670)的位置。
因为新状态空间点660在现有类别656内，所以类似于上面关于场景600描述的那样来修改类别656的位置。由此，示例阶段652c图示了之前类别656的经修改的位置，其被表示为具有新代表性的类别点666的经修改的类别664。在该图示中，新代表性的类别点666被图示为在之前的代表性的类别点668(即，类别656的代表性的类别点654)和新状态空间点660的中间。
图7也图示了两个示例场景，场景700和场景750。场景700图示了由于经重新标准化的状态空间而导致的现有类别的合并，并且场景750图示了由于在现有类别的阈值距离内的新特征阵列的添加的现有类别的合并。
场景700包括示例阶段702a-702c，其图示了响应于经重新标准化的状态空间而合并现有类别的不同阶段。从示例阶段702a开始，状态空间708是现有状态空间，该现有状态空间具有被设置在类别704的代表性的类别点706的最大点。状态空间708还包括由代表性类别点712限定的类别710。在一些实施例中，示例阶段702a中图示的空间708可以是图6中的场景650的示例阶段652c中图示的状态空间662的一个实施例。
示例阶段702b图示了向状态空间708的新状态空间点714的添加。然而，在该示例中，新状态空间点714在状态空间708之外。因此，如本文所描述的，状态空间708基于新状态空间点714的位置，而被重新标准化为经重新标准化的状态空间716。在该示例中，新状态空间点714在状态空间708之外很远。在将状态空间708重新标准化成重新标准化的状态空间716时，还基于从状态空间708到重新标准化的状态空间716的改变率，在标准化的状态空间716内分别对类别704和710的代表性的类别点706和712的位置进行标准化。在该示例中，代表性的类别点706和712的重新标准化的位置导致它们相应的类别704和710的重叠718。
当至少两个类别重叠或以其他方式满足某个距离阈值标准时，此时将这些类别合并在一起，这在示例状态702c中进行了说明。示例阶段702c图示了将类别704和710合并为新类别724。新类别724的代表性的类别点726基于先前代表性类别点728和730之间的平均或基于其他k均值技术而被确定。此外，关于代表性类别点722限定新类别720，代表性类别点722在与新状态空间点714相同的位置处。
场景750包括示例阶段752a-752d，其图示了响应于附加特征阵列的添加而合并现有类别的不同阶段。从示例阶段752a开始，状态空间758是现有状态空间，该现有状态空间具有被设置在类别754的代表性的类别点756处的最大点。状态空间758还包括由代表性类别点762限定的类别760。在一些实施例中，示例阶段752a中图示的状态空间758可以是场景700的示例阶段702c中图示的状态空间716的一个实施例。
新状态空间点764被添加到状态空间758。因为新状态空间点764在现有类别754和760之外，所以新类别766被添加到状态空间758，如在示例阶段752b处所图示的。新类别766由代表性的类别点768限定，代表性类别点768与示例阶段752a中的新状态空间点764在相同的位置处。
示例阶段752c图示了对状态空间758的又一个新状态空间点770的添加。然而，在该示例中，新状态空间点770被定位成使得如果对新类别780添加与新状态空间点770在相同位置处的代表性的类别点，则新类别780将与类别754和766重叠。因此，代表性的类别点756、代表性的类别点768和新状态空间点770的位置被平均，以创建新代表性的类别点774，其被图示在示例阶段752d中。
如示例阶段752d中所示，针对新代表性的类别点774限定新类别772。结果，先前代表性类别点776和778现在在新类别772之外，但是新状态空间点770在新类别772内。
图6和图7中图示的上述示例演示了预先限定的类别区域的使用。因此，基于预先确定的大小来限定每个类别的类别区域的大小，其中代表性类别点在类别区域的中心处。在其他实施例中，如本文所讨论的，也可以实施动态大小或形状的类别区域。
图8a-图8b和图9a-图9b图示了在利用本文描述的实施例接收惯性数据时，限定和修改类别的用例图形示例。图8a-图8b利用与图9a-图9b相同的惯性传感器数据，但是采用了不同的分组标准来限定类别。特别地，与图8a-图8b中的分组标准相比，图9a-图9b利用将产生更紧密的集群的分组标准来限定类别。
图8a-图8b示出了在接收惯性传感器数据时，限定和修改类别的用例图形示例。图8a图示了进入的惯性传感器数据以及对类别的对应的限定或重新限定。并且图8b图示了具有针对该惯性传感器数据的特征阵列和类别的状态空间。
如本文所描述的，图8a中的图804图示了惯性传感器随时间感测的多个惯性传感器数据的幅度。在一个非限制性示例中，该惯性传感器数据可以是加速度计数据。
如本文所描述的，图802图示了由于对应的惯性传感器数据，而随着时间的推移已经发现或以其他方式限定的类别的对应数目。由实线图示与惯性传感器数据点相关联的在任何给定时间点处的类别的数目。在该示例中，在一个时间点处总共限定了四个类别，但是接收到附加惯性传感器数据之后，系统将稳定在三个类别。
图802还图示了对应的类别，如本文所描述的，当将进入的惯性传感器数据添加到状态空间时，该对应的类别中包括该进入的惯性传感器数据。该对应的类别由图802中的虚线图示。出于说明的目的，已经将所产生的三个类别标记为“类别a别”，“类别b别”和“类别c别”。例如，如在附图标记807处所指示的，当惯性传感器数据点805被接收时，其被添加到“类别c别”。如本文所描述的，在系统限定、缩放和重新定位各种类别时，用户或计算设备102可以将各种类别与不同的活动相关联。例如，“类别a”可以与用户静止相关联，“类别b”可以与用户步行相关联，“类别c”可以与用户跑步相关联。可以基于惯性传感器数据的幅度(例如，如果某个类别中的惯性传感器数据的平均幅度高于、低于或在一个或多个阈值之间)或一些其他标准来选择这些标签。
图8b图示了由来自图8a的惯性传感器数据限定的所得状态空间818。在该示例中，状态空间818是二维状态空间，其在y轴上具有惯性传感器数据特征1并且在x轴上具有惯性传感器数据特征2。如本文所描述的，惯性传感器数据被用来生成具有这些特征的特征阵列，然后特征阵列可以被添加到状态空间818。如本文所描述的，在为附加的惯性传感器数据生成附加的特征阵列时，状态空间818被重新标准化并且类别被限定、缩放和重新定位。在该示例中，在状态空间818内有三个所得类别806、810和814，分别具有代表点808、812和816。类别806、810和814分别表示图8a的图802中的“类别a”、“类别b”和“类别c”。
图9a-图9b与图8a-图8b的相似之处在于，它们示出了在接收惯性传感器数据时，限定和修改类别的用例图形示例。图9a图示了输入的惯性传感器数据以及对类别的对应的限定或重新限定。并且图9b图示了具有针对惯性传感器数据的特征阵列和类别的状态空间。图9a-图9b和图8a-图8b之间的一个非限制性差异可以是利用不同的分类标准，诸如不同的类别吸收标准或出现次数标准。
如本文所描述的，图9a中的图904图示了惯性传感器随时间感测的多个惯性传感器数据的幅度。图902图示了由于对应的惯性传感器数据，而随着时间的推移已经发现或以其他方式限定的类别的对应数目，其由实线图示。在该示例中，在一个时间点处总共限定了六个类别，但是在接收到附加的惯性传感器数据之后，系统将稳定在四个类别。
图902还图示了对应的类别，如由虚线所图示的，当将进入的惯性传感器数据添加到状态空间时，该对应的类别中包括该进入的惯性传感器数据。为了说明的目的，将所得的四个类别标记为“类别a”、“类别b”、“类别c”和“类别d”。如上面所描述的，在系统限定、缩放和重新定位各种类别时，用户或计算设备102可以将各种类别与不同的活动相关联。例如，“类别a”可以与用户静止相关联，“类别b”和“类别c”可以与用户步行相关联，而“类别d”可以与用户跑步相关联。再次，可以基于惯性传感器数据的幅度(例如，如果某个类别中的惯性传感器数据的平均幅度高于、低于或在一个或多个阈值之间)或一些其他标准来选择这些标签。
图9b图示了由来自图9a的惯性传感器数据限定的所得状态空间922。在该示例中，状态空间922内有四个所得类别906、910、914和920，分别具有代表点908、912、916和920。类别906、910、914和918分别表示图9a中的图902中的“类别a”、“类别b”、“类别c”和“类别d”。
图9b图示了图9a中图示的数据的所得类别。在该示例中，存在四个所得类别906、910、914和918，分别具有代表点908、912、916和920。
图10a-图10b和图11a-图11b图示了惯性传感器数据的又一些附加示例，以及利用本文描述的实施例限定的所得类别。例如，图10a图示了图1002和图1004，以示出惯性传感器数据以及在时间上的对类别的限定和重新限定，其分别类似于图8a中的图802和图804。在该示例中，“类别a”可以与用户静止相关联，“类别b”和“类别c”可以与用户步行相关联，并且“类别d”和“类别e”可以与用户跑步相关联。
图10b图示了根据图10a中标识的惯性传感器数据生成的状态空间1006。在该示例中，在状态空间1006内可以存在五个被标识的类别1018、1020、1022、1024和1026，该五个被标识的类别分别具有代表点1008、1010、1012、1014和1016。在该示例中，代表点1012和1016可以被认为是离群值，因为从该代表点开始的选定区域内没有其他特征阵列。因此，对应的类别1022和1026可以被限定为特定区域，与状态空间1006中的其他特征阵列无关。
图11a图示了图1102和图1104，以示出惯性传感器数据以及在时间上的对类别的限定和重新限定，图1102和图1104分别类似于图8a中的图802和图804。在该示例中，“类别a”可以与用户静止相关联，“类别b”和“类别c”可以与用户跑步相关联，“类别d”可以与用户步行相关联。图11b图示了根据图11a中标识的惯性传感器数据生成的状态空间1108。在该示例中，在状态空间1108内可以存在五个被标识的类别1120、1122、1124、1126和1128，该五个被标识的类别分别具有代表点1110、1112、1114、1116和1118。
一些实施例可以采取计算机程序产品的形式或包括计算机程序产品。例如，根据一个实施例，提供了一种计算机可读介质，其包括适于执行上述方法或功能中的一个或多个的计算机程序。介质可以是物理存储介质，诸如例如只读存储器(rom)芯片或者诸如数字通用盘(dvd-rom)、紧凑盘(cd-rom)、硬盘的盘、存储器、网络，或要由合适的驱动器或经由合适的连接读取的便携式介质产品，包括如编码在一个或多个条形码或其他相关代码中，一个或多个条形码或其他相关代码存储在一个或多个这种计算机可读介质上并且可以由合适的读取器设备读取。
另外，在一些实施例中，可以以其他方式来实施或提供方法和/或功能中的一些或全部，诸如至少部分地以固件和/或硬件实施或提供，固件和/或硬件包括但不限于一个或多个专用集成电路(asic)、数字信号处理器、分立电路、逻辑门、标准集成电路、控制器(例如，通过执行合适的指令，并且包括微控制器和/或嵌入式控制器)、现场可编程门阵列(fpga)、复杂可编程逻辑设备(cpld)等，以及采用rfid技术的设备及其各种组合。
上面描述的各种实施例可以被组合以提供进一步的实施例。实施例的各方面在必要时可以被修改以采用各种实施例和公开的概念来提供更进一步的实施例。
可以根据以上详细描述对实施例进行这些和其他改变。总体上，在以上权利要求书中，所使用的术语不应当被解释为将权利要求限制于说明书和权利要求书中公开的特定实施例，而是应当被解释为包括所有可能的实施例以及这种权利要求被授予的等效方案的完整范围。因此，权利要求不受公开内容的限制。
1.一种设备，包括：
惯性传感器，所述惯性传感器在操作中生成与所述设备相关联的惯性传感器数据；以及
处理电路装置，通信耦合到所述惯性传感器，其中所述处理电路装置在操作中：
根据所述惯性传感器数据确定新特征阵列；
确定所述新特征阵列是否在与所述惯性传感器数据相关联的状态空间内的现有类别内；
响应于所述新特征阵列被包括在所述现有类别中，将所述新特征阵列添加到所述现有类别中，并且基于所述新特征阵列和所述现有类别的现有表示来更新所述状态空间中的所述现有类别的表示；
响应于所述新特征阵列不被包括在所述现有类别中，基于所述新特征阵列创建新类别。
2.根据权利要求1所述的设备，其中所述处理电路装置在操作中：
接收新惯性传感器数据；
选择所述状态空间中的多个类别中的、与所述新惯性传感器数据相关联的类别；以及
指示所述设备基于所选择的类别来执行动作。
3.根据权利要求1所述的设备，其中所述处理电路装置在操作中：
确定所述新特征阵列是否在所述状态空间内；以及
响应于所述新特征阵列不被包括在所述状态空间中，基于所述新特征阵列对所述状态空间重新标准化。
4.根据权利要求3所述的设备，其中所述数字信号处理电路装置在操作中：
基于经重新标准化的所述状态空间，修改所述现有类别的所述表示。
5.根据权利要求3所述的设备，其中所述处理电路装置在操作中：
基于经重新标准化的所述状态空间，重新缩放所述现有类别。
6.根据权利要求1所述的设备，其中所述数字信号处理电路装置在操作中：
基于所述新特征阵列到所述现有类别的所述添加，重新缩放所述现有类别。
7.根据权利要求1所述的设备，其中所述处理电路装置在操作中：
确定所述新特征阵列是否在所述状态空间内；
响应于所述新特征阵列不被包括在所述状态空间中，基于所述新特征阵列对所述状态空间重新标准化；
基于经重新标准化的所述状态空间，修改两个现有类别的表示；
确定所述两个现有类别是否满足吸收标准；以及
响应于所述吸收标准被满足，合并所述两个现有类别。
8.根据权利要求1所述的设备，其中所述处理电路装置在操作中：
响应于所述现有类别内特征出现次数的数目低于阈值，移除所述现有类别。
9.根据权利要求1所述的设备，其中所述惯性传感器包括加速度计或陀螺仪中的至少一个。
10.根据权利要求1所述的设备，其中所述处理电路装置在操作中：
确定所述现有类别和所述新类别是否满足吸收标准；以及
响应于所述吸收标准被满足，合并所述现有类别和所述新类别。
11.根据权利要求1所述的设备，其中所述新特征阵列包括与时间窗口内的所述惯性传感器数据相关联的峰峰值和标准偏差值。
12.根据权利要求1所述的设备，其中所述新类别的区域由至少一个预先确定值限定。
13.根据权利要求1所述的设备，其中所述现有类别的区域基于与所述现有类别相关联的至少一个高斯分布而被动态地调整。
14.一种系统，包括：
加速度计，所述加速度计在操作中生成加速度数据；以及
一个或多个处理器，所述一个或多个处理器在操作中执行计算机指令以：
根据所述加速度数据确定新特征值；
确定所述新特征值是否在与所述加速度数据相关联的状态空间内；
响应于所述新特征值被包括在所述状态空间中，确定所述新特征值是否在所述状态空间内的现有类别内；
响应于所述新特征值被包括在所述现有类别中，基于所述新特征值，向所述现有类别添加新状态空间点，并且基于所述新状态空间点和所述现有类别中的现有状态空间点，更新所述状态空间中的所述现有类别的代表点；以及
响应于所述新特征值不被包括在所述现有类别中，基于所述新特征值，在所述状态空间中创建具有代表点的新类别。
15.根据权利要求14所述的系统，其中所述一个或多个处理器在操作中执行所述计算机指令以进一步：
响应于所述新特征值不被包括在所述状态空间中，基于所述新特征值对所述状态空间重新标准化。
16.根据权利要求15所述的系统，其中所述一个或多个处理器在操作中执行所述计算机指令以进一步：
基于经重新标准化的所述状态空间，修改所述现有类别的所述代表点。
17.根据权利要求15所述的系统，其中所述一个或多个处理器在操作中执行所述计算机指令以进一步：
基于经重新标准化的所述状态空间，重新缩放所述现有类别。
18.根据权利要求14所述的系统，其中所述一个或多个处理器在操作中执行所述计算机指令以进一步：
基于所述新状态空间点到所述现有类别的所述添加，重新缩放所述现有类别。
19.根据权利要求14所述的系统，其中所述一个或多个处理器在操作中执行所述计算机指令以进一步：
响应于所述新特征值不被包括在所述状态空间中，基于所述新特征值，对所述状态空间重新标准化；
基于经重新标准化的所述状态空间，修改两个现有类别的代表点；
确定所述两个现有类别是否满足吸收标准；以及
响应于所述吸收标准被满足，将所述两个现有类别合并为新合并类别，所述新合并类别具有所述状态空间中的新代表点，所述新代表点基于所述两个现有类别中的现有状态空间点。
20.根据权利要求14所述的系统，其中所述一个或多个处理器在操作中执行所述计算机指令以进一步：
响应于所述现有类别内状态空间点出现次数的数目低于阈值，移除所述现有类别。
21.根据权利要求14所述的系统，其中所述一个或多个处理器在操作中执行所述计算机指令以进一步：
确定所述现有类别和所述新类别是否满足吸收标准；以及
响应于所述吸收标准被满足，利用所述状态空间中的新代表点将所述现有类别和所述新类别合并，所述新代表点基于所述现有类别中的现有状态空间点和所述新状态空间点。
22.一种方法，包括：
使用移动设备的数字信号处理电路装置，确定指示所述移动设备中的移动的新特征阵列；
确定所述新特征阵列是否在与所述移动设备的所述移动相关联的状态空间内；
响应于所述新特征阵列不被包括在所述状态空间中，基于所述新特征阵列，对所述状态空间重新标准化；
确定所述新特征阵列是否在所述状态空间内的先前类别内；
响应于所述新特征阵列被包括在所述先前类别中，将所述新特征阵列添加到所述先前类别，并且基于所述新特征阵列，更新所述状态空间中的所述先前类别的表示；以及
响应于所述新特征阵列不被包括在所述先前类别中，基于所述新特征阵列创建新类别。
23.根据权利要求22所述的方法，进一步包括：
确定所述状态空间中的两个先前类别是否满足吸收标准；以及
响应于所述吸收标准被满足，合并所述两个先前类别。
24.根据权利要求22所述的方法，进一步包括：
确定所述先前类别和所述新类别是否满足吸收标准；以及
响应于所述吸收标准被满足，合并所述先前类别和所述新类别。
25.根据权利要求22所述的方法，进一步包括：
响应于所述先前类别内特征出现次数的数目低于阈值，移除所述先前类别。
技术总结