一直想写点东西和大家交流，但是又怕自己才疏学浅，写出的东西让大家笑话，今天突然有感，被笑话也是督促自己进步的途径。
本文的话题是一个看似简单的行为识别模型给我带来的“惊喜”。
为了便于理解，本文对问题进行的简化。本文不涉及用到的理论和方法的详细描述，只是讲述了在解决问题中遇到的问题和收获的知识。
模型功能：识别急加速行为。
输入：三轴加速计数据x，y，z，采样频率10条/秒；
输出：是否发生急加速行为。
应用环境：智能手机
做为一个受过一点教育的工程师，接到这个任务满心欢喜，So easy（领导一定也这么觉得，So easy）。
模型方案信手拈来，搜集急加速行为的数据，标记为1，正常驾驶数据标记为0，建个分类模型，搞定！问题来了，数据要怎么搜集呢？整个几台车出去跑，一个人开车，一个人记录？跑10天，20天…，这样也不是不可以，但是没车没人浪费钱啊。于是乎有人提议了，不如众稠吧，于是一个急加速行为识别的应用诞生了，聪明的读者要发问了，急加速行为识别的模型还没有数据呢，应用是怎么诞生的？是的，这就是本文的一个主题，没有数据的情况下如何建立模型。
没有数据的情况下如何建立模型
机理+规则。看看输入数据的物理意义，输入和输出之间的关联，定义行为判定规则。三轴加速计数据其实就是三个轴的加速度（三轴分别是横向加速度-y轴、前向加速度-x轴、纵向加速度-z轴）
急加速时前向加速度会突变，一定程度的突变就是急加速了，哈哈，读到这里估计有的读者也会觉得不就这么简单吗，这不就是一个信号突变检测吗，检测出来前向加速度突变，定了程度就完事了。大家不要忘了，我们的应用环境是手机啊，手机坐标系和车辆坐标系重合时（手机的x、y、z轴和车辆的x、y、z轴重合）前向加速度突变才是急加速。那你做一下坐标变换就好了，嗯，我也是这么想的。通过旋转坐标变换，将手机的数据变换到车辆的坐标系，变换后的y轴数据突变就是急加速行为，于是乎，数据经过旋转矩阵的转啊转，终于和车辆坐标系重合了。数据搜集硬件也是各种电路吧，会有高频干扰，导致信号突变，加个滤波功能，选小波滤波还是滑动窗口滤波呢（就知道他俩），小波变换可以去除高频噪音，我们这个数据搜集频率就10HZ，还是选滑动窗口滤波。一个滤波+旋转坐标变换的数据变换功能实现了，小小的成就感。
可爱的队友将第一版模型集成到手机，检测结果的提示音相当刺耳，一拿起手机就响，嗯嗯，竟然忽略了如此频繁的场景。要怎么规避使用手机场景的误判呢？使用手机时手机在手里，没有使用手机时手机在车上，车应该比手抖得厉害吧（暂时不考虑手抖的用户了），于是万能的小波分析有派上了用场。在现有模型基础上增加了一层小波分析，又兴致勃勃地拿给队友测试，玩手机不误报了哎，好开心。
看似问题已经解决了，其实并不然，经过测试发现，模型只适用于抗干扰性较好的硬件，然而不同手机抗干扰性差异很大，真的有很不靠谱的硬件啊，自己抽风发抖的，我们又增加了数据源，设计了相应的算法，这里不再赘述了，结论是好手机的用户是我们的好朋友，破手机的用户我们也尽力了(信号分析的方法本人已经技穷了，有高手还希望多多指点)。还有一个问题，几乎每个客户都会问我，加速什么程度算急加速，这个值你们是怎么确定的，说我自己定的，我不够权威，说看别人论文定的，好像自己很Low，技穷。
总结一下本节，有的时候确实需要我们在没有数据的时候做模型，其实大家都不想这样，但是没办法，机理模型、信号分析、专家规则等可以帮助我们过渡这个困难的时期，注意不是渡过。
有一点数据的情况下如何建立模型
经过上面的努力，依然存在没有解决和没有答案的问题，于是乎我们觉得，还是需要一点数据做支撑的，拉着我们组的大哥，搜集了一点点急加速行为数据，实在是太珍贵了，向上采样将数据扩充了几倍，进行了均匀处理，在时域和频域对数据进行特征提取，运用机器学习分类模型进行分类；于是乎，数据的可贵映入眼帘。与之前的信号分析方法相比，特征提取环节提取的特征更加丰富，特征的有效性具有可检测性，就是得试来试去，及其费体力，虽然也有各种各样的选择方法，什么熵增、与因变量关联关系、降维，但依然费体力。与此同时，什么程度的加速是急加速的问题也得到了一定程度上的解决，和我们采集的急加速行为有一定相似度的就是了，这样好像比阈值方法高明一点吧。估计大家又要发问了，你之前为什么不这么做，因为我没有想到硬件差异会这么大，还有就是之前提到的没车没人没钱啊。
一次和别人的合作，让我有幸接触到了Tensoflow、卷积神经网络，顿时感觉，这东西好啊，完全省去了特征提取的体力活了，把输入准备好，调参，期待完美的输出吧。卷积神经网络在图像领域表现突出，通过卷积、池化、连接实现对图像的特征提取和分类。图像可以表示成三维数组，而我们的输入数据属于时域信号，这个输入该如何构造呢？博士运用手机检测碰撞的模型思路，将时域信号构造成满足Tensorflow-CNN输入结构，按照同样的方法进行尝试，果然省时省力啊。经过深入研究CNN，感觉博士构造输入数据结构和网络结构的方式，只能实现对每个变量的单独特征提取，到最后的全连接层才能融合所有输入特征，能不能在构造输入时能够使卷积实现不同变量之间的特征提取呢？因为再对图像进行特征提取时就是邻近区域的特征提取；那么CNN是否支持多输入呢？之前研究过Siamese网络就是多输入的，那么通过构建不同的输入，融合一些先验的信息，来减少网络深度，降低模型的复杂度是否可行呢，我还没有验证啊，感觉应该可行的，有兴趣的读者可以尝试啦。有的读者该发问了，深度学习不就是用深度网络来提升分析的准确性吗？你这是倒退了。但是我并不觉得这是倒退了，我们解决问题的宗旨永远都是用最少的投入获得最大的产出，现实并没有您想象的那么完美，数据足够多、足够全、资源随便用是不现实的，当我们有一些先验知识有助于降低对数据的需求、对资源的需求就要把这些知识融入到模型。
数据的价值在于它蕴含的信息和知识，而先验的知识有助于降低对数据的需求，我不赞同那些抛弃机理盲目追求数据的主张，大家对数据太迷恋了，就像我的老公，一个画配电图的都觉得不懂点大数据都不好意思出门，不得不说，大数据的宣传绝对是成功的。我的意思并不是数据不重要，看到我前面的分析也能感受到数据是重要的，但是数据应该是针对我们解决的问题搜集的数据才有价值。总是看到报导称大部分大数据产品都是伪价值，究其原因各个领域的大数据并没有发展到可以产生价值的阶段，好多行业的现状是，觉得数据有价值，然后随随便便的搜集着，最后交给数据分析师说，你去挖掘一下数据的价值，最后结论往往都是数据分析师水平不行~~，哈哈，我想说如果真的想做大数据就找个领域数据分析专家好好规划一下。
有的时候条件确实是艰苦的，就像创业一样，只有让投资者感受到价值他们才愿意掏钱。先创立一个新方向的时候，就是需要我们从零开始，从一无所有开始解决问题，但是知识和经验就是在磨练中积累，喝下这碗鸡汤吧。
之后我会对工作中遇到的问题，学到的知识进行总结，和大家交流，希望大家能够多多指教。
写博客的目的是学习的总结和知识的共享，如有侵权，请与我联系，我将尽快处理