场景模型建立方法、装置、存储介质及电子设备与流程

本申请涉及通信
技术领域：
，具体涉及一种场景模型建立方法、装置、存储介质及电子设备。
背景技术：
：随着电子技术的发展，诸如智能手机等电子设备的智能化程度越来越高。电子设备可以通过各种各样的算法模型来进行数据处理，从而为用户提供各种功能。例如，电子设备可以根据算法模型对用户的行为特征进行学习，从而为用户提供个性化的服务。目前，相关技术中出现的识别模型，训练学习过程的优化目标单一，仅仅考虑一个维度的优化目标，难以兼顾多个优化目标，限制了场景模型的识别范围，以及场景模型的识别准确度。技术实现要素：本申请实施例提供了一种场景模型建立方法、装置、存储介质及电子设备，可以提高场景模型的识别范围以及识别准确度。第一方面，本申请实施例提供了一种场景模型建立方法，包括：获取场景的感知数据；基于优化目标函数与所述感知数据，对至少两个子模型进行训练以获取所述至少两个子模型的优化目标函数值，其中，所述子模型对应的优化目标函数包括至少两个评估指标；当所述至少两个子模型的优化目标函数值满足预设条件时，将所述至少两个子模型进行加权处理，以构建场景模型。第二方面，本申请实施例提供了一种场景识别方法，包括：接收场景识别请求，其中，所述场景识别请求包括任务标识和待识别数据；将所述任务标识与预设映射表进行匹配，以获取场景识别的优化目标函数，其中映射表包括任务标识与优化目标函数的关系；根据场景识别的优化目标函数，利用场景模型对所述待识别数据进行场景识别，其中，所述场景模型如上述的场景模型建立方法进行构建。第三方面，本申请实施例提供了一种场景模型建立装置，包括：获取模块，用于获取场景的感知数据；训练模块，用于基于优化目标函数与所述感知数据，对至少两个子模型进行训练以获取所述至少两个子模型的优化目标函数值，其中，所述子模型对应的优化目标函数包括至少两个评估指标；加权处理模块，用于当所述至少两个子模型的优化目标函数值满足预设条件时，将所述至少两个子模型进行加权处理，以构建场景模型。第四方面，本申请实施例提供了一种场景识别装置，包括：接收模块，用于接收场景识别请求，其中，所述场景识别请求包括任务标识和待识别数据；匹配模块，用于将所述任务标识与预设映射表进行匹配，以获取场景识别的优化目标函数，其中映射表包括任务标识与优化目标函数的关系；识别模块，用于根据场景识别的优化目标函数，利用场景模型对所述待识别数据进行场景识别，其中，所述场景模型如上述的场景模型建立方法进行构建。第五方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的场景模型建立方法或场景识别方法。第六方面，本申请实施例提供了一种电子设备，包括处理器和存储器，所述存储器有计算机程序，所述处理器通过调用所述计算机程序，用于执行上述的场景模型建立方法或场景识别方法。本申请实施例中，当获取场景的感知数据后，电子设备可以基于优化目标函数与所述感知数据，对至少两个子模型进行训练，其中，所述子模型对应的优化目标函数包括至少两个评估指标，再将所述至少两个子模型进行加权处理，以构建场景模型。从而，在电子设备进行智能化操作时，建立的场景模型可以满足多个维度的评估指标，可以提高场景模型的识别范围以及识别准确度。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例提供的场景模型建立方法的第一应用场景示意图。图2是本申请实施例提供的场景模型建立方法的第二应用场景示意图图3是本申请实施例提供的场景模型的一个结构示意图。图4是本申请实施例提供的场景模型建立方法的第一流程示意图。图5是本申请实施例提供的场景模型建立方法的第二流程示意图。图6是本申请实施例提供的场景模型建立方法的第三流程示意图。图7是本申请实施例提供的场景模型建立方法的第四流程示意图。图8是本申请实施例提供的场景模型建立装置的第一结构示意图。图9是本申请实施例提供的场景模型建立装置的第二结构示意图。图10是本申请实施例提供的场景模型建立装置的第三结构示意图。图11是本申请实施例提供的场景模型建立装置的第四结构示意图。图12是本申请实施例提供的场景识别方法的流程示意图。图13是本申请实施例提供的场景识别装置的结构示意图。图14是本申请实施例提供的电子设备的第一结构示意图。图15是本申请实施例提供的电子设备的第二结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本申请的保护范围。参考图1，图1为本申请实施例提供的场景模型建立方法的第一应用场景示意图。该场景模型建立方法应用于电子设备。该电子设备中设置有场景感知架构。该场景感知架构为电子设备中用于实现该场景模型建立方法的硬件和软件的集成。其中，场景感知架构包括信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。信息感知层用于获取电子设备自身的信息或者外部环境中的信息。该信息感知层可以包括多个传感器。例如，该信息感知层包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。其中，距离传感器可以用于检测电子设备与外部物体之间的距离。磁场传感器可以用于检测电子设备所处环境的磁场信息。光线传感器可以用于检测电子设备所处环境的光线信息。加速度传感器可以用于检测电子设备的加速度数据。指纹传感器可以用于采集用户的指纹信息。霍尔传感器是根据霍尔效应制作的一种磁场传感器，可以用于实现电子设备的自动控制。位置传感器可以用于检测电子设备当前所处的地理位置。陀螺仪可以用于检测电子设备在各个方向上的角速度。惯性传感器可以用于检测电子设备的运动数据。姿态感应器可以用于感应电子设备的姿态信息。气压计可以用于检测电子设备所处环境的气压。心率传感器可以用于检测用户的心率信息。数据处理层用于对信息感知层获取到的数据进行处理。例如，数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。在本申请实施例中，信息感知层可以利用多个传感器获取电子设备自身的信息或者外部环境中的信息，再通过数据处理层筛选信息感知层获取的信息，作为场景的感知数据，以对子模型进行训练，从而构建场景模型。此外，在场景模型建立后，信息感知层还可以利用多个传感器获取电子设备自身的信息或者外部环境中的信息，再通过数据处理层筛选信息感知层获取的信息，作为场景识别请求中的待识别数据，再利用场景模型以进行场景识别。其中，数据清理是指对信息感知层获取到的大量数据进行清理，以剔除无效数据和重复数据。数据集成是指将信息感知层获取到的多个单维度数据集成到一个更高或者更抽象的维度，以对多个单维度的数据进行综合处理。数据变换是指对信息感知层获取到的数据进行数据类型的转换或者格式的转换等，以使变换后的数据满足处理的需求。数据归约是指在尽可能保持数据原貌的前提下，最大限度的精简数据量。特征抽取层用于对数据处理层处理后的数据进行特征抽取，以提取该数据中包括的特征。提取到的特征可以反映出电子设备自身的状态或者用户的状态或者电子设备所处环境的环境状态等。其中，特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。过滤法是指对提取到的特征进行过滤，以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方法集成到一起，以构建一种更加高效、更加准确的特征提取方法，用于提取特征。情景建模层用于根据特征抽取层提取到的特征来构建模型，所得到的模型可以用于表示电子设备的状态或者用户的状态或者环境状态等。例如，情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。其中，本申请实施例中的子模型，可以根据特征抽取层提取到的特征来进行构建。构建后的子模型，只是初始模型，还需要利用感知数据进行训练等一系列操作，以优化该子模型的参数，从而构建场景模型。智能服务层用于根据情景建模层所构建的模型为用户提供智能化的服务。例如，智能服务层可以为用户提供基础应用服务，可以为电子设备进行系统智能优化，还可以为用户提供个性化智能服务。在本申请实施例中，根据场景识别方法进行场景识别后，智能服务层可以根据场景识别结果为用户提供智能化服务。例如，假设根据场景识别方法进行场景识别，结果为起床事件，则智能服务层可以在起床事件的发生时刻启动闹钟，还可以在起床事件的发生时刻启动早间播报，等等。此外，场景感知架构中还可以包括多种算法，每一种算法都可以用于对数据进行分析处理，该多种算法可以构成算法库。例如，该算法库中可以包括马尔科夫算法、隐含狄里克雷分布算法、贝叶斯分类算法、支持向量机、k均值聚类算法、k近邻算法、条件随机场、残差网络、长短期记忆网络、卷积神经网络、循环神经网络等算法。请参阅图2，图2为本申请实施例提供的场景模型建立方法的第二应用场景示意图。如图2所示，以两个可联合的子模型为例，进行分析说明。场景模型建立的一般流程包括：(1)电子设备收集用户的场景数据，其中场景数据主要包括环境数据、终端运行数据以及用户行为数据；(2)设定场景建模的多个评估维度，其中评估维度主要包括准确度、召回率、模型复杂度三个维度，且在实际环境中，可根据实际的任务需求，制定特定的评估维度；(3)构建联合深度网络模型，输入为场景数据，优化目标为准确度、召回率和模型复杂度；(4)将上个步骤中构建的联合深度网络模型的两个子模型的最后一个隐层进行联合，并构建一个全连接层。该全连接层的输出的优化目标为第一个子模型的输出和第二个子模型的输出的加权和，具体的权重可由专家来人为制定，如都为50％等；(5)对上个步骤的模型进行训练学习，直到模型收敛为止；(6)基于上个步骤，获得收敛的联合深度网络，并且能够同时满足多个约束条件，而非传统的场景模型建立方法只能满足一个维度的约束条件。使得最终的场景建模模型，既能够满足准确度的要求，又能够同时满足召回率和模型复杂度低要求；(7)基于上个步骤获得联合深度网络，对用户的场景类别进行识别。本申请在模型训练时运用的优化目标函数包括至少两个评估指标，从而利用场景模型进行场景识别时可以同时满足多个评估指标，以提高场景模型的识别范围以及识别准确度。其中，步骤(3)可具体实施如下：该联合深度网络模型主要包含两个子模型，第一个子模型的优化目标为准确度和模型复杂度，第二个网络的优化目标为召回率和模型复杂度；对这两个子模型先分别进行学习和训练，直到收敛为止，主要是便于降低联合训练时的复杂度和运算时间。本申请实施例提供一种场景模型建立方法，该场景模型建立方法可以应用于电子设备中。该电子设备可以是智能手机、平板电脑、游戏设备、ar(augmentedreality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如手表、眼镜、头盔、电子手链、电子项链、电子衣物等设备。本申请实施例提供一种场景模型建立方法，该场景模型可包括多个子模型，且各个子模型间可相互联合。其中场景模型主要包括第一场景子模型和第二场景子模型，该第一场景子模型可通过其最后一个隐层与第二场景子模型的最后一个隐层进行联合，联合后的第一场景子模型与第二场景子模型以构建全连接模型。全连接模型对应设有优化目标函数，其优化目标函数涉及的评估指标等于所联合的每个子模型对应的优化目标函数的评估指标之和。该场景模型可应用于电子设备，如图3所示。请参照图4，图4为本申请实施例提供的场景模型建立方法的第一流程示意图。以下将从电子设备的角度进行描述，本申请实施例提供的场景模型建立方法的流程可以如下：101、获取场景的感知数据。电子设备可以获取场景的感知数据。该场景的感知数据可以是当前场景的感知数据，也可以是电子设备一定时间存储的场景的感知数据，此处不作具体限定。该感知数据可以包括任意的数据。例如，该感知数据可以包括环境数据、运行数据以及用户行为数据，等等。环境数据可以包括环境温度、环境图片、及环境光强度，等多种数据。运行数据可以包括电子设备上显示的文本数据等多种数据。用户行为数据可以包括图像数据、音频数据等多种数据。其中，电子设备可以通过上述全景感知架构中的信息感知层来采集场景的感知数据。例如，电子设备可以通过温度传感器来检测环境温度，通过光线传感器来检测环境光强度，通过摄像头来获取周围环境中的图像数据，通过麦克风获取周围环境中的音频数据，通过显示控制电路来获取电子设备上显示的文本数据。在本申请实施例中，该场景的感知数据包括表征场景的多个特征，该多个特征可以用于反映场景的情况。其中，该多个特征可以包括任意的实体对象、虚拟对象、概念名称等等。例如，该多个特征可以包括人、动物、建筑物、手机、游戏、小说、会议、温度、环境光强度等等。在将该场景的感知数据输入至该电子设备的子模型后，该电子设备可提取该感知数据中的特征，根据该特征输出该感知数据对应的场景标签。102、基于优化目标函数与所述感知数据，对至少两个子模型进行训练以获取所述至少两个子模型的优化目标函数值，其中，所述子模型对应的优化目标函数包括至少两个评估指标。在本申请实施例中，优化目标函数是子模型进行训练的判断指标。当优化目标函数值收敛时，表征子模型的权重参数已优化好，模型训练完成。不同子模型对应的优化目标函数可能不相同。比如，第一场景子模型的优化目标函数可以表示为z＝argmin(pre+com)，第二场景子模型的优化目标函数可以表示为z＝argmin(recall+com)，两个子模型对应的优化目标函数不相同。其中，pre表示评估指标准确度，recall表示评估指标召回率，com表示评估指标模型复杂度。需要说明的是，每个子模型对应的优化目标函数包括至少两个评估指标。比如，第一场景子模型的优化目标函数可以表示为z＝argmin(pre+com)，该第一场景子模型对应的优化目标函数包括准确度与模型复杂度两个评估指标；第二场景子模型的优化目标函数可以表示为z＝argmin(recall+com)，该第二场景子模型对应的优化目标函数包括召回率与模型复杂度两个评估指标。其中，评估指标是优化目标函数的主要组成部分。评估指标在子模型建立阶段需要设计好，然后在训练阶段以该评估指标构成的优化目标函数为目标进行模型权重参数优化，使得经过优化的场景模型进行场景识别时更准确。评估指标多种多样，例如准确度、召回率、模型复杂度、新颖性、多样性，等等。在一些实施例中，准确度(pre)的计算公式可以为其中，yi表示第i条记录的场景类别，表示子模型学习出的第i条场景类别。在一些实施例中，召回率(recall)的计算公式可以表示为其中，表示子模型学习出的第i条场景类别，y表示该感知数据对应的预设场景标签的场景类别。在一些实施例中，模型复杂度(com)的计算公式可以表示为com＝c1+c2。其中，c1表示网络层数，c2表示神经元个数。在一些实施例中，执行步骤102前，还需要执行如下操作：建立至少两个子模型；生成该至少两个子模型对应的优化目标函数，其中该子模型对应的优化目标函数包括至少两个评估指标，以对至少两个子模型进行训练。在一些实施例中，该子模型可以采用深度神经网络(deepneuralnetwork)进行构建。其中，对至少两个子模型进行训练时，没有具体的时间限制，可以同一时刻，分别对多个子模型进行训练，也可以训练一个子模型至其对应的优化目标函数值收敛后，再对其他子模型进行逐个训练，且对子模型谁先训练谁后训练没有限制。103、当所述至少两个子模型的优化目标函数值满足预设条件时，将所述至少两个子模型进行加权处理，以构建场景模型。在一些实施例中，可以在该至少两个子模型对应的优化目标函数值全部都收敛之后，对该至少两个子模型进行加权处理，以建立场景模型。在一些实施例中，也可以不等该至少两个子模型对应的优化目标函数值全部都收敛，直接就对该至少两个子模型进行加权处理，以建立场景模型。因为单个子模型对应的优化目标函数值收敛，但其中某几个子模型的加权值不一定收敛，故步骤102与步骤103间不存在时间先后关系，步骤102是否执行对步骤103的执行没有影响。在本申请实施例中，执行步骤103前，还需要执行如下操作：将该至少两个子模型的最后一个隐层进行联合；获取加权处理的比例参数，以将该至少两个子模型进行加权处理。其中，每一子模型包括多个隐层。比例参数可以由用户自定义，也可以由电子设备制造商经过多次实验后择优指定。比如，假设某电子设备a包括第一场景子模型、第二场景子模型和第三子模型，其中任意两个子模型通过两者的最后一个隐层相互联合；第一场景子模型的优化目标函数为z＝argmin(pre+com、)，第二场景子模型的优化目标函数为z＝argmin(recall+com)，第三子模型的优化目标函数为z＝argmin(var+com)；其中优化目标函数中的var表示评估指标多样性，其他可参阅上文描述。当该电子设备对联合后的第一场景子模型、第二场景子模型进行加权处理时，此时第一场景子模型与第二场景子模型综合训练的优化目标函数为z＝argmin[(pre+com)*a％+(recall+com)*(1-a％)]；当该电子设备对联合后的第一场景子模型、第三子模型进行加权处理时，此时第一场景子模型与第三子模型综合训练的优化目标函数为z＝argmin[(pre+com)*a％+(var+com)*(1-a％)]；当该电子设备对联合后的第二场景子模型、第三子模型进行加权处理时，此时第二场景子模型与第三子模型综合训练的优化目标函数为z＝argmin[(recall+com)*a％+(var+com)*(1-a％)]；当该电子设备对联合后的第一场景子模型、第二场景子模型、第三子模型进行加权处理时，此时第一场景子模型、第二场景子模型与第三子模型综合训练的优化目标函数为z＝argmin[(pre+com)*a％+(recall+com)*b％+(var+com)*(1-a％一b％)]。其中，第一场景子模型的com计算值、第二场景子模型的com计算值及第三子模型的com计算值不一定相同，因为第一场景子模型、第二场景子模型、及第三子模型的网络层数与神经元个数和不一定相同。需要说明的是，综合训练时可以根据实际具体采用对几个子模型进行加权处理，比如可以采用两个子模型进行综合训练的方式，也可以采用三个子模型进行综合训练的方式，等等，可以由用户设置，此处不作具体限定。随后，电子设备即可根据该场景模型为用户提供个性化的服务。例如，当用户开启了驾驶模式时，电子设备可以根据该场景模型查询用户在驾驶模式下的状态，例如确定用户是否在等待红绿灯，并根据确定出的结果进行相应的决策。由上可知，在本申请实施例中，在场景模型建立时，可以首先获取场景的感知数据。然后，基于优化目标函数与该感知数据，对至少两个子模型进行训练，其中，该子模型对应的优化目标函数包括至少两个评估指标。最后，将该至少两个子模型进行加权处理，以构建场景模型。由此，在对至少两个子模型进行训练时，以包括多个评估指标的优化目标函数作为目标对子模型的权重参数进行优化，从而建立场景模型。训练时评估指标越全面，构建的场景模型的权重参数越精确，模型能够满足的评估指标维度越多，从而场景模型进行场景识别时更加准确，场景模型可以对要求多维度评估指标的数据进行场景识别，可以提高场景模型的识别范围以及识别准确度。请参照图5，图5为本申请实施例提供的场景模型建立方法的第二流程示意图。该场景模型建立方法可以应用于电子设备，如图5所示，该场景模型建立方法的流程可以如下：201、获取场景的感知数据。电子设备可以获取场景的感知数据。该场景的感知数据可以是当前场景的感知数据，也可以是电子设备一定时间存储的场景的感知数据，此处不作具体限定。该感知数据可以包括任意的数据。例如，该感知数据可以包括环境数据、运行数据以及用户行为数据，等等。环境数据可以包括环境温度、环境图片、及环境光强度，等多种数据。运行数据可以包括电子设备上显示的文本数据等多种数据。用户行为数据可以包括图像数据、音频数据等多种数据。其中，电子设备可以通过上述全景感知架构中的信息感知层来采集场景的感知数据。例如，电子设备可以通过温度传感器来检测环境温度，通过光线传感器来检测环境光强度，通过摄像头来获取周围环境中的图像数据，通过麦克风获取周围环境中的音频数据，通过显示控制电路来获取电子设备上显示的文本数据。在本申请实施例中，该场景的感知数据包括表征场景的多个特征，该多个特征可以用于反映场景的情况。其中，该多个特征可以包括任意的实体对象、虚拟对象、概念名称等等。例如，该多个特征可以包括人、动物、建筑物、手机、游戏、小说、会议、温度、环境光强度等等。在将该场景的感知数据输入至该电子设备的子模型后，该电子设备可提取该感知数据中的特征，根据该特征输出该感知数据对应的场景标签。202、将所述感知数据输入子模型进行训练，以输出对应的场景标签。在一些实施例中，执行步骤202前，还需要执行如下操作：建立至少两个子模型；生成该至少两个子模型对应的优化目标函数，其中该子模型对应的优化目标函数包括至少两个评估指标，以对至少两个子模型进行训练。在一些实施例中，该子模型可以采用深度神经网络(deepneuralnetwork)进行构建。203、根据优化目标函数、预设场景标签与该场景标签，获取该感知数据输入的子模型的优化目标函数值。其中，每个感知数据都对应设置预设场景标签，该样本数据对应的预设场景标签可以由用户进行设置。该预设场景标签主要用于在子模型进行训练时，同子模型输出感知数据对应的场景标签进行匹配，以确定场景识别的正确性。若匹配成功则场景识别成功，若匹配失败则场景识别失败。在本申请实施例中，优化目标函数是子模型进行训练的判断指标。当优化目标函数值收敛时，表征子模型的权重参数已优化好，模型训练完成。不同子模型对应的优化目标函数可能不相同。比如，第一场景子模型的优化目标函数可以表示为z＝argmin(pre+com)，第二场景子模型的优化目标函数可以表示为z＝argmin(recall+com)，两个子模型对应的优化目标函数不相同。其中，pre表示评估指标准确度，recall表示评估指标召回率，com表示评估指标模型复杂度。需要说明的是，每个子模型对应的优化目标函数包括至少两个评估指标。比如，第一场景子模型的优化目标函数可以表示为z＝argmin(pre+com)，该第一场景子模型对应的优化目标函数包括准确度与模型复杂度两个评估指标；第二场景子模型的优化目标函数可以表示为z＝argmin(recall+com)，该第二场景子模型对应的优化目标函数包括召回率与模型复杂度两个评估指标。其中，评估指标是优化目标函数的主要组成部分。评估指标在子模型建立阶段需要设计好，然后在训练阶段以该评估指标构成的优化目标函数为目标进行模型权重参数优化，使得经过优化的场景模型进行场景识别时更准确。评估指标多种多样，例如准确度、召回率、模型复杂度、新颖性、多样性，等等。在一些实施例中，准确度(pre)的计算公式可以为其中，yi表示第i条记录的子模型识别的场景类别，表示子模型识别正确的第i条场景类别。在一些实施例中，召回率(recall)的计算公式可以表示为其中，表示子模型识别正确的第i条场景类别，y表示该感知数据对应的预设场景标签的场景类别。在一些实施例中，模型复杂度(com)的计算公式可以表示为com＝c1+c2。其中，c1表示网络层数，c2表示神经元个数。204、若该优化目标函数值收敛，则建立场景子模型。其中，该电子设备建立的场景子模型个数等于进行训练的子模型个数。比如，对该感知数据输入的第一场景子模型进行训练，以输出对应的场景标签；根据优化目标函数、预设场景标签与该场景标签，获取该感知数据输入的第一场景子模型的优化目标函数值；若该优化目标函数值收敛，则建立第一场景子模型。需要说明的是，该优化目标函数值收敛是指当输入第一场景子模型的感知数据趋于无穷大时，该优化目标函数值趋于某一个有限值。即若该优化目标函数值收敛，以建立好第一场景子模型后，无论对第一场景子模型输入何种数据，该数据种类、数量等不作限制，重新获取的优化目标函数值始终近似该有限值。其中，每在子模型/场景子模型中输入一次数据，该优化目标函数值可能会发生变化。205、若该优化目标函数值不收敛，则调整该感知数据输入的子模型的权重参数，直至该优化目标函数值收敛。在一些实施例中，可在执行步骤201后，直接执行如下操作。可参照图6，图6为本申请实施例提供的场景模型建立方法的第三流程示意图。206、获取该至少两个子模型的优化目标函数值。在本申请实施例中，执行步骤206前，还需要执行如下操作：将该至少两个子模型的最后一个隐层进行联合；获取加权处理的比例参数，以将该至少两个子模型进行加权处理。其中，每一子模型包括多个隐层。比例参数可以由用户自定义，也可以由电子设备制造商经过多次实验后择优指定。207、将该优化目标函数值进行加权处理，以获取该优化目标函数值的加权值。电子设备将该优化目标函数值进行加权处理，实质是对全连接层进行综合训练。其中，全连接层是由联合后的子模型构建，全连接层对应设有优化目标函数，其优化目标函数涉及的评估指标等于所联合的每个子模型对应的优化目标函数的评估指标之和。比如，假设某电子设备a包括第一场景子模型、第二场景子模型和第三子模型，其中任意两个子模型通过两者的最后一个隐层相互联合；第一场景子模型的优化目标函数为z＝argmin(pre+com)，第二场景子模型的优化目标函数为z＝argmin(recall+com)，第三子模型的优化目标函数为z＝argmin(var+com)；其中优化目标函数中的var表示评估指标多样性，其他可参阅上文描述。当该电子设备对联合后的第一场景子模型、第二场景子模型进行加权处理时，此时第一场景子模型与第二场景子模型综合训练的优化目标函数为z＝argmin[(pre+com)*a％+(recall+com)*(1-a％)]；当该电子设备对联合后的第一场景子模型、第三子模型进行加权处理时，此时第一场景子模型与第三子模型综合训练的优化目标函数为z＝argmin[(pre+com)*a％+(var+com)*(1-a％)]；当该电子设备对联合后的第二场景子模型、第三子模型进行加权处理时，此时第二场景子模型与第三子模型综合训练的优化目标函数为z＝argmin[(recall+com)*a％+(var+com)*(1-a％)]；当该电子设备对联合后的第一场景子模型、第二场景子模型、第三子模型进行加权处理时，此时第一场景子模型、第二场景子模型与第三子模型综合训练的优化目标函数为z＝argmin[(pre+com)*a％+(recall+com)*b％+(var+com)*(1-a％-b％)]。其中，第一场景子模型的com计算值、第二场景子模型的com计算值及第三子模型的com计算值不一定相同，因为第一场景子模型、第二场景子模型、及第三子模型的网络层数与神经元个数和不一定相同。需要说明的是，综合训练时可以根据实际具体采用对几个子模型进行加权处理，比如可以采用两个子模型进行综合训练的方式，也可以采用三个子模型进行综合训练的方式，等等，可以由用户设置，此处不作具体限定。208、若该加权值收敛，则建立场景模型。需要说明的是，该加权值收敛是指当输入该至少两个子模型的感知数据趋于无穷大时，该加权值趋于某一个有限值。即若该加权值收敛，以建立好场景模型后，无论对场景模型输入何种数据，该数据种类、数量等不作限制，重新获取的加权值始终近似该有限值。其中，每在场景模型中输入一次数据，该加权值可能会发生变化。此处对有限值不作具体限定，可以为任意数值。其中，该场景模型包括至少两个子模型，且每个子模型对应的优化目标函数包括至少两个评估指标。子模型间包括的至少两个评估指标不一定相同。在一些实施例中，该场景模型主要包括第一场景子模型与第二场景子模型；该第一场景子模型的优化目标函数的评估指标包括准确度与模型复杂度；该第二场景子模型的优化目标函数的评估指标包括召回率与模型复杂度。209、若该加权值不收敛，则调整该至少两个子模型的权重参数，直至该加权值收敛。其中，该加权值不收敛，是指当输入该至少两个子模型的感知数据足够多时，加权值的数值对于某个有限值来说波动范围较大。此处对有限值不作具体限定，可以为任意数值。在一些实施例中，建立场景模型后，还可以执行如下操作。可参照图7，图7为本申请实施例提供的场景模型建立方法的第四流程示意图。210、接收场景识别请求，其中，该场景识别请求包括任务标识和待识别数据。具体地，该场景识别请求可以是由终端自行触发，可以是由用户对终端进行操作触发。比如，当检测到用户开启驾驶模式时，电子设备接收场景识别请求。其中，任务标识是待识别数据根据一定规则进行分类的凭证，每个待识别数据均设置相应的任务标识。待识别数据分类方式多种多样，比如，根据待识别数据的具体使用途径进行分类，可以包括推荐任务标识、分类任务标识等等。此处对待识别数据的分类不作具体限定。211、将该任务标识与预设映射表进行匹配，以获取场景识别的优化目标函数，其中映射表包括任务标识与优化目标函数的关系。电子设备中可以预先设置任务标识与优化目标函数之间的预设映射表。其中，可以通过人为设定的方式对多个任务标识中的每一任务标识设置一个对应的优化目标函数。随后，根据该多个任务标识以及每一该任务标识对应的优化目标函数建立任务标识与优化目标函数之间的预设映射表。例如，可以由本领域的技术专家先确定多个任务标识，然后为每一个任务标识设置一个优化目标函数。随后，将该多个任务标识、多个优化目标函数以及每一任务标识与优化目标函数之间的对应关系以数据库的形式存储，即可建立任务标识与优化目标函数之间的预设映射表。预设映射表具体可参考表1：表1任务标识优化目标函数分类任务z＝argmin(pre+com)推荐任务z＝argmin(pre+recall+com)其中，pre表示评估指标准确度，recall表示评估指标召回率，com表示评估指标模型复杂度。212、根据场景识别的优化目标函数，利用该场景模型对该待识别数据进行场景识别。电子设备可根据场景识别的优化目标函数，获取待识别数据需要输入的场景模型的具体位置，再将待识别数据输入到该具体位置进行场景识别。比如，假设场景模型包括第一场景子模型、第二场景子模型，第一场景子模型的优化目标函数是z＝argmin(pre+com)，第二场景子模型的优化目标函数是z＝argmin(recall+com)；若待识别数据m的任务标识是推荐任务，预设映射表中的推荐任务的优化目标函数是z＝argmin(pre+recall+com)。具体执行步骤212时，首先需要根据场景识别的优化目标函数z＝argmin(pre+recall+com)，获取待识别数据m需要输入的场景模型的具体位置，即第一场景子模型、第二场景子模型；其次将待识别数据输入到该具体位置进行场景识别。由上述可知，本申请实施例中，电子设备在场景模型建立时，可以对该感知数据输入的子模型进行训练，以输出对应的场景标签。然后，根据优化目标函数、预设场景标签与该场景标签，获取该感知数据输入的子模型的优化目标函数值，直到该优化目标函数值收敛，建立场景子模型。最后，获取该至少两个子模型的优化目标函数值并进行加权处理，直到该加权值收敛，建立场景模型。由此，在对至少两个子模型进行训练时，以包括多个评估指标的优化目标函数作为目标对子模型的权重参数进行优化，从而建立场景模型。训练时评估指标越全面，构建的场景模型的权重参数越精确，模型能够满足的评估指标维度越多，从而场景模型进行场景识别时更加准确，场景模型可以对要求多维度评估指标的数据进行场景识别，可以提高场景模型的识别范围以及识别准确度。为便于更好的实施本申请实施例提供的场景模型建立方法，本申请实施例还提供一种基于上述场景模型建立方法的场景模型建立装置。其中名词的含义与上述场景模型建立方法中相同，具体实现细节可以参考方法实施例中的说明。请参阅图8,图8为本申请实施例提供的场景模型建立装置的第一结构示意图。具体而言，该场景模型建立装置300，包括：获取模块301、训练模块302以及加权处理模块303。获取模块301，用于获取场景的感知数据。训练模块302，用于基于优化目标函数与所述感知数据，对至少两个子模型进行训练以获取所述至少两个子模型的优化目标函数值，其中，所述子模型对应的优化目标函数包括至少两个评估指标。加权处理模块303，用于当所述至少两个子模型的优化目标函数值满足预设条件时，将该至少两个子模型进行加权处理，以构建场景模型。在一些实施方式中，可参阅图9，图9是本申请实施例提供的场景模型建立装置的第二结构示意图。该训练模块302，还可以包括：训练子模块3021，用于将该感知数据输入子模型进行训练，以输出对应的场景标签。第一获取子模块3022，用于根据优化目标函数、预设场景标签与该场景标签，获取该感知数据输入的子模型的优化目标函数值。第一建立子模块3023，用于若该优化目标函数值收敛，则建立场景子模型。第一调整子模块3024，用于若该优化目标函数值不收敛，则调整该感知数据输入的子模型的权重参数，直至该优化目标函数值收敛。在一些实施方式中，可参阅图10，图10是本申请实施例提供的场景模型建立装置的第三结构示意图。该加权处理模块303，还可以包括：第二获取子模块3031，用于获取该至少两个子模型的优化目标函数值。加权处理子模块3032，用于将该优化目标函数值进行加权处理，以获取该优化目标函数值的加权值。第二建立子模块3033，用于若该加权值收敛，则建立场景模型。第二调整子模块3034，用于若该加权值不收敛，则调整该至少两个子模型的权重参数，直至该加权值收敛。在一些实施方式中，可参阅图11，图11是本申请实施例提供的场景模型建立装置的第四结构示意图。该场景模型建立装置300，还可以包括：接收模块304，用于接收场景识别请求，其中，该场景识别请求包括任务标识和待识别数据。匹配模块305，用于将该任务标识与预设映射表进行匹配，以获取场景识别的优化目标函数，其中映射表包括任务标识与优化目标函数的关系。识别模块306，用于根据场景识别的优化目标函数，利用该场景模型对该待识别数据进行场景识别。由上可知，本申请实施例提供的场景模型建立装置300，包括：获取模块301，用于获取场景的感知数据；训练模块302，用于基于优化目标函数与所述感知数据，对至少两个子模型进行训练以获取所述至少两个子模型的优化目标函数值，其中，所述子模型对应的优化目标函数包括至少两个评估指标；加权处理模块303，用于当所述至少两个子模型的优化目标函数值满足预设条件时，将该至少两个子模型进行加权处理，以构建场景模型。从而，在电子设备进行智能化操作时，建立的场景模型可以满足多个维度的评估指标，可以提高场景模型的识别范围以及识别准确度。本申请实施例还提供了一种场景识别方法，请参阅图12，图12是本申请实施例提供的场景识别方法的流程示意图。401、接收场景识别请求，其中，该场景识别请求包括任务标识和待识别数据；402、将该任务标识与预设映射表进行匹配，以获取场景识别的优化目标函数，其中映射表包括任务标识与优化目标函数的关系；403、根据场景识别的优化目标函数，利用场景模型对该待识别数据进行场景识别，其中，该场景模型如上述实施例所述的场景模型建立方法进行构建。其中，本实施例的具体解释可参见上述实施例，此处不再赘述。本申请实施例中，可以根据任务选取场景识别的优化目标函数，例如准确度要求较高的任务选取包含评估指标较多的优化目标函数进行场景识别，准确度要求较低的任务选取包含评估指标较少的优化目标函数进行场景识别，以提高场景识别的灵活性。为便于更好的实施本申请实施例提供的场景识别方法，本申请实施例还提供一种基于上述场景识别方法的场景识别装置。其中名词的含义与上述场景识别方法中相同，具体实现细节可以参考方法实施例中的说明。请参阅图13，图13是本申请实施例提供的场景识别装置的结构示意图。具体而言，一种场景识别装置500，包括：接收模块501、匹配模块502、以及识别模块503。接收模块501，用于接收场景识别请求，其中，该场景识别请求包括任务标识和待识别数据；匹配模块502，用于将该任务标识与预设映射表进行匹配，以获取场景识别的优化目标函数，其中映射表包括任务标识与优化目标函数的关系；识别模块503，用于根据场景识别的优化目标函数，利用场景模型对该待识别数据进行场景识别，其中，该场景模型如上述实施例所述的场景模型建立方法进行构建。本申请实施例还提供一种电子设备。该电子设备可以为智能手机、平板电脑、游戏设备、ar(augmentedreality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。参考图14，图14为本申请实施例提供的电子设备的第一结构示意图。其中，电子设备600包括处理器601和存储器602。其中，处理器601与存储器602电性连接。处理器601是电子设备600的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或调用存储在存储器602内的计算机程序，以及调用存储在存储器602内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。在本实施例中，电子设备600中的处理器601会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器602中，并由处理器601来运行存储在存储器602中的计算机程序，从而实现各种功能：获取场景的感知数据；基于优化目标函数与所述感知数据，对至少两个子模型进行训练以获取所述至少两个子模型的优化目标函数值，其中，所述子模型对应的优化目标函数包括至少两个评估指标；当所述至少两个子模型的优化目标函数值满足预设条件时，将所述至少两个子模型进行加权处理，以构建场景模型。在一些实施例中，基于优化目标函数与该感知数据，对至少两个子模型进行训练时，处理器601执行以下步骤：将该感知数据输入子模型进行训练，以输出对应的场景标签；根据优化目标函数、预设场景标签与该场景标签，获取该感知数据输入的子模型的优化目标函数值；若该优化目标函数值收敛，则建立场景子模型；若该优化目标函数值不收敛，则调整该感知数据输入的子模型的权重参数，直至该优化目标函数值收敛。在一些实施例中，将该至少两个子模型进行加权处理，以构建场景模型之前，处理器601执行以下步骤：将该至少两个子模型的最后一个隐层进行联合；获取加权处理的比例参数，以将该至少两个子模型进行加权处理。在一些实施例中，将该至少两个子模型进行加权处理，以构建场景模型时，处理器601执行以下步骤：获取该至少两个子模型的优化目标函数值；将该优化目标函数值进行加权处理，以获取该优化目标函数值的加权值；若该加权值收敛，则建立场景模型；若该加权值不收敛，则调整该至少两个子模型的权重参数，直至该加权值收敛。在一些实施例中，将该至少两个子模型进行加权处理，以构建场景模型之后，处理器601执行以下步骤：接收场景识别请求，其中，该场景识别请求包括任务标识和待识别数据；将该任务标识与预设映射表进行匹配，以获取场景识别的优化目标函数，其中映射表包括任务标识与优化目标函数的关系；根据场景识别的优化目标函数，利用该场景模型对该待识别数据进行场景识别。存储器602可用于存储计算机程序和数据。存储器602存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器601通过调用存储在存储器602的计算机程序，从而执行各种功能应用以及数据处理。在一些实施例中，参考图15，图15为本申请实施例提供的电子设备的第二结构示意图。其中，电子设备600还包括：显示屏603、控制电路604、输入单元605、传感器606以及电源607。其中，处理器601分别与显示屏603、控制电路604、输入单元605、传感器606以及电源607电性连接。显示屏603可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。控制电路604与显示屏603电性连接，用于控制显示屏603显示信息。输入单元605可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元605可以包括指纹识别模组。传感器606用于采集电子设备自身的信息或者用户的信息或者外部环境信息。例如，传感器606可以包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。电源607用于给电子设备600的各个部件供电。在一些实施例中，电源607可以通过电源管理系统与处理器601逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。尽管图15中未示出，电子设备600还可以包括摄像头、蓝牙模块等，在此不再赘述。由上可知，本申请实施例提供了一种电子设备，该电子设备执行以下步骤：获取场景的感知数据；基于优化目标函数与该感知数据，对至少两个子模型进行训练，其中，该子模型对应的优化目标函数包括至少两个评估指标；将该至少两个子模型进行加权处理，以构建场景模型。从而，在电子设备进行智能化操作时，建立的场景模型可以满足多个维度的评估指标，可以提高场景模型的识别范围以及识别准确度。本申请实施例还提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，所述计算机执行上述任一实施例所述的场景模型建立方法。需要说明的是，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成，所述计算机程序可以存储于计算机可读存储介质中，所述存储介质可以包括但不限于：只读存储器(rom，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁盘或光盘等。以上对本申请实施例所提供的场景模型建立方法、装置、存储介质及电子设备进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。当前第1页12