CN107797459B - 终端设备的控制方法、装置、存储介质及处理器 - Google Patents

终端设备的控制方法、装置、存储介质及处理器 Download PDF

Info

Publication number
CN107797459B
CN107797459B CN201710834271.0A CN201710834271A CN107797459B CN 107797459 B CN107797459 B CN 107797459B CN 201710834271 A CN201710834271 A CN 201710834271A CN 107797459 B CN107797459 B CN 107797459B
Authority
CN
China
Prior art keywords
target
neural network
network model
current
control
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710834271.0A
Other languages
English (en)
Other versions
CN107797459A (zh
Inventor
陈翀
黄辉
宋德超
刘佰兰
田涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201710834271.0A priority Critical patent/CN107797459B/zh
Publication of CN107797459A publication Critical patent/CN107797459A/zh
Application granted granted Critical
Publication of CN107797459B publication Critical patent/CN107797459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2642—Domotique, domestic, home control, automation, smart house
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提供了一种终端设备的控制方法、装置、存储介质及处理器，其中，该方法包括：控制设备获取终端设备检测到的当前特征参数；控制设备通过目标神经网络模型获取与当前特征参数对应的目标控制信号；控制设备向终端设备发送目标控制信号。采用上述技术方案，解决了相关技术中对终端设备的控制合理性差导致用户对舒适度的感受较差的问题，提高了对终端设备的合理性，使得用户在当前环境下更加舒适。

Description

终端设备的控制方法、装置、存储介质及处理器
技术领域
本发明涉及通信领域，具体而言，涉及一种终端设备的控制方法、装置、存储介质及处理器。
背景技术
随着经济的发展和科技的进步，人们在日常生活中对终端设备的应用越来越频繁，与此同时，人们对终端设备的要求也越来越高。伴随着人们对生活舒适度的追求，人们也希望使用的终端设备能够更加智能的满足其对舒适度的追求。比如：空调作为生活的必须品之一，给人们的生活品质带来的极大的提升。但不合理的空气调节控制，存在室内温度波动大、湿度低、冷风直吹人体等诸多问题。长期待在空调房里，人会感觉极不舒服，也就是常说的“空调病”。
针对相关技术中对终端设备的控制合理性差导致用户对舒适度的感受较差的问题，目前还没有有效地解决方案。
发明内容
本发明实施例提供了一种终端设备的控制方法、装置、存储介质及处理器，以至少解决相关技术中对终端设备的控制合理性差导致用户对舒适度的感受较差的问题。
根据本发明的一个实施例，提供了一种终端设备的控制方法，包括：控制设备获取终端设备检测到的当前特征参数，其中，所述当前特征参数包括：当前环境参数和当前用户参数，所述当前环境参数用于指示所述终端设备当前所在的环境，所述当前用户参数用于指示处于所述环境下的用户的信息；所述控制设备通过目标神经网络模型获取与所述当前特征参数对应的目标控制信号，其中，所述目标神经网络模型用于指示特征参数与控制信号的对应关系，所述目标控制信号用于控制所述终端设备在目标运行状态下运行，所述目标运行状态为使所述用户在所述环境下的舒适度高于预设舒适度的所述终端设备的运行状态；所述控制设备向所述终端设备发送所述目标控制信号。
可选地，控制所述终端设备在所述目标运行状态下运行包括：控制所述终端设备中的目标负载在所述目标运行状态下运行，所述目标负载包括所述终端设备中的一个或者多个负载。
可选地，所述当前特征参数还包括所述终端设备的当前运行参数，其中，所述当前运行参数用于指示所述终端设备当前的运行状态，控制所述终端设备在所述目标运行状态下运行包括：控制所述终端设备的运行状态从所述当前的运行状态调整至所述目标运行状态。
可选地，所述当前运行参数包括以下至少之一：室内冷凝器温度、室外冷凝器温度、压缩机运行转速、压缩机运行时间。
可选地，在所述控制设备通过所述目标神经网络模型获取与所述当前特征参数对应的所述目标控制信号之前，所述方法还包括：所述控制设备获取样本数据，其中，所述样本数据为已标注了特征参数与控制信号的对应关系的数据；所述控制设备从所述样本数据中获取训练样本；所述控制设备通过所述训练样本对初始神经网络模型进行训练，得到所述目标神经网络模型，其中，所述初始神经网络模型为根据特征参数与控制信号的数据特点预先配置的网络模型。
可选地，所述控制设备通过所述训练样本对初始神经网络模型进行训练，得到所述目标神经网络模型包括：所述控制设备获取所述训练样本的目标输入参数和目标输出参数，并将所述初始神经网络模型作为当前神经网络模型；重复执行以下步骤，直至所述当前神经网络模型的输出参数产生的误差小于预设的误差值，得到所述目标神经网络模型：所述控制设备将所述目标输入参数输入当前神经网络模型，得到当前的输出参数；所述控制设备根据所述当前的输出参数与所述目标输出参数确定所述当前神经网络模型的当前误差；所述控制设备判断所述当前误差是否小于预设误差值；
在判断出所述当前误差大于或者等于所述预设误差值的情况下，所述控制设备调整所述当前神经网络模型的模型参数，得到新的当前神经网络模型。
可选地，在所述控制设备通过所述训练样本对所述初始神经网络模型进行训练，得到所述目标神经网络模型之后，所述方法还包括：所述控制设备从所述样本数据中获取测试样本；所述控制设备将所述目标神经网络模型作为待测试的神经网络模型，重复执行以下步骤，直至确定所述待测试的神经网络模型为所述目标神经网络模型：所述控制设备通过所述测试样本对所述待测试的神经网络模型进行测试，得到测试误差；所述控制设备判断所述测试误差是否小于预设的测试误差；在判断出所述测试误差大于或者等于所述预设的测试误差的情况下，所述控制设备重新通过所述训练样本对所述初始神经网络模型进行训练，得到新的待测试的神经网络模型；在判断出所述测试误差小于所述预设的测试误差的情况下，所述控制设备确定所述待测试的神经网络模型为所述目标神经网络模型。
可选地，所述控制设备从所述样本数据中获取所述训练样本以及从所述样本数据中获取所述测试样本包括：所述控制设备根据所述样本数据的特征参数对所述样本数据进行排序；所述控制设备按照预设的间隔从排序后的所述样本数据中提取第一数据作为所述训练样本；所述控制设备获取所述样本数据中的第二数据作为所述测试样本，其中，所述第二数据为所述样本数据中除所述训练样本之外的全部数据。
可选地，所述控制设备获取所述样本数据包括：所述控制设备获取多种环境类型对应的环境参数以及多种用户类型对应的用户参数；所述控制设备确定在每种环境类型下使每种用户类型对应的用户的舒适度高于所述预设舒适度的所述终端设备的运行参数；所述控制设备对所述环境参数、所述用户参数和所述运行参数之间的对应关系进行标注，得到原始数据；所述控制设备从所述环境参数和所述用户参数中分别获取权重大于预设权重的参数作为所述样本数据的输入参数，其中，所述权重用于指示参数对用户舒适度的影响程度，权重越大表示影响程度越大；所述控制设备获取所述运行参数对应的控制信号作为所述样本数据的输出参数，其中，所述控制信号用于控制所述终端设备在所述运行参数所指示的运行状态下运行；所述控制设备从所述原始数据的对应关系中提取所述输入参数与所述输出参数的对应关系，得到所述样本数据。
可选地，环境参数包括以下至少之一：室内温度、室外温度、室内湿度、室外湿度、地域信息、天气信息；用户参数包括以下至少之一：用户性别、用户年龄、用户数量、用户服装信息、用户健康信息；控制信号包括以下至少之一：控制压缩机转速的信号、控制外风机转速的信号、控制电子膨胀阀开度的信号、控制内风机转速的信号、控制导风板方向的信号。
根据本发明的另一个实施例，提供了一种终端设备控制方法，包括：终端设备检测所述终端设备的当前特征参数，其中，所述当前特征参数包括：当前环境参数和当前用户参数，所述当前环境参数用于指示所述终端设备当前所在的环境，所述当前用户参数用于指示处于所述环境下的用户的信息；所述终端设备将所述当前特征参数发送至控制设备，其中，所述控制设备用于通过目标神经网络模型获取与所述当前特征参数对应的目标控制信号并向所述终端设备发送所述目标控制信号，其中，所述目标神经网络模型用于指示特征参数与控制信号的对应关系，所述目标控制信号用于控制所述终端设备在目标运行状态下运行，所述目标运行状态为使所述用户在所述环境下的舒适度高于预设舒适度的所述终端设备的运行状态；所述终端设备接收所述控制设备返回的所述目标控制信号；所述终端设备响应所述目标控制信号将所述终端设备的运行状态调整至所述目标运行状态。
可选地，所述终端设备控制所述终端设备在所述目标运行状态下运行包括：所述终端设备控制所述终端设备中的目标负载在所述目标运行状态下运行，所述目标负载包括所述终端设备中的一个或者多个负载；所述终端设备响应所述目标控制信号将所述终端设备的运行状态调整至所述目标运行状态包括：所述终端设备将所述目标负载的当前运行参数调整至所述目标运行状态对应的目标运行参数。
可选地，所述当前特征参数还包括所述终端设备的当前运行参数，其中，所述当前运行参数用于指示所述终端设备当前的运行状态，控制所述终端设备在所述目标运行状态下运行包括：所述终端设备控制所述终端设备的运行状态从所述当前的运行状态调整至所述目标运行状态；响应所述目标控制信号将所述终端设备的运行状态调整至所述目标运行状态包括：所述终端设备将所述终端设备的运行状态从所述当前的运行状态调整至所述目标运行状态。
可选地，所述当前运行参数包括以下至少之一：室内冷凝器温度、室外冷凝器温度、压缩机运行转速、压缩机运行时间。
根据本发明的另一个实施例，提供了一种终端设备的控制装置，应用于控制设备，包括：第一获取模块，用于获取终端设备检测到的当前特征参数，其中，所述当前特征参数包括：当前环境参数和当前用户参数，所述当前环境参数用于指示所述终端设备当前所在的环境，所述当前用户参数用于指示处于所述环境下的用户的信息；第二获取模块，用于通过目标神经网络模型获取与所述当前特征参数对应的目标控制信号，其中，所述目标神经网络模型用于指示特征参数与控制信号的对应关系，所述目标控制信号用于控制所述终端设备在目标运行状态下运行，所述目标运行状态为使所述用户在所述环境下的舒适度高于预设舒适度的所述终端设备的运行状态；发送模块，用于向所述终端设备发送所述目标控制信号。
根据本发明的另一个实施例，提供了一种终端设备控制装置，应用于终端设备，包括：检测模块，用于检测所述终端设备的当前特征参数，其中，所述当前特征参数包括：当前环境参数和当前用户参数，所述当前环境参数用于指示所述终端设备当前所在的环境，所述当前用户参数用于指示处于所述环境下的用户的信息；第二发送模块，用于将所述当前特征参数发送至控制设备，其中，所述控制设备用于通过目标神经网络模型获取与所述当前特征参数对应的目标控制信号并向所述终端设备发送所述目标控制信号，其中，所述目标神经网络模型用于指示特征参数与控制信号的对应关系，所述目标控制信号用于控制所述终端设备在目标运行状态下运行，所述目标运行状态为使所述用户在所述环境下的舒适度高于预设舒适度的所述终端设备的运行状态；接收模块，用于接收所述控制设备返回的所述目标控制信号；调整模块，用于响应所述目标控制信号将所述终端设备的运行状态调整至所述目标运行状态。
根据本发明的另一个实施例，提供了一种终端设备的控制***，包括：控制设备和终端设备，其中，所述控制设备，用于获取所述终端设备检测到的当前特征参数，其中，所述当前特征参数包括：当前环境参数和当前用户参数，所述当前环境参数用于指示所述终端设备当前所在的环境，所述当前用户参数用于指示处于所述环境下的用户的信息；通过目标神经网络模型获取与所述当前特征参数对应的目标控制信号，其中，所述目标神经网络模型用于指示特征参数与控制信号的对应关系，所述目标控制信号用于控制所述终端设备在目标运行状态下运行，所述目标运行状态为使所述用户在所述环境下的舒适度高于预设舒适度的所述终端设备的运行状态；向所述终端设备发送所述目标控制信号；所述终端设备，用于检测所述终端设备的所述当前特征参数；将所述当前特征参数发送至所述控制设备；接收所述控制设备返回的所述目标控制信号；响应所述目标控制信号将所述终端设备的运行状态调整至所述目标运行状态。
根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述任一项所述的方法。
根据本发明的又一个实施例，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任一项所述的方法。
通过本发明，控制设备获取终端设备检测到的当前特征参数，其中，当前特征参数包括：当前环境参数和当前用户参数，当前环境参数用于指示终端设备当前所在的环境，当前用户参数用于指示处于环境下的用户的信息；控制设备通过目标神经网络模型获取与当前特征参数对应的目标控制信号，其中，目标神经网络模型用于指示特征参数与控制信号的对应关系，目标控制信号用于控制终端设备在目标运行状态下运行，目标运行状态为使用户在环境下的舒适度高于预设舒适度的终端设备的运行状态；控制设备向终端设备发送目标控制信号，由此可见，采用上述方案控制设备通过目标神经网络模型获取与终端设备检测到的当前特征参数对应的目标控制信号，该目标控制信号能够控制终端设备运行在目标运行状态下，使得用户在当前环境下感受到较高的舒适度，控制设备将该目标控制信号发送给终端设备以控制该终端设备，因此，提高了对终端设备的合理性，使得用户在当前环境下更加舒适，从而解决了相关技术中对终端设备的控制合理性差导致用户对舒适度的感受较差的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的一种终端设备的控制方法的移动终端的硬件结构框图；
图2是根据本发明实施例的一种终端设备的控制方法的流程图；
图3是根据本发明可选的实施方式的神经网络模型的示意图；
图4是根据本发明可选的实施方式的神经网络模型的BP神经网络的示意图；
图5是根据本发明可选的实施方式的神经网络模型的CNN卷积神经网络的示意图；
图6是根据本发明可选的实施方式的神经网络模型的残差神经网络的示意图一；
图7是根据本发明可选的实施方式的神经网络模型的残差神经网络的示意图二；
图8是根据本发明实施例的另一种终端设备的控制方法的流程图；
图9是根据本发明实施例的一种终端设备的控制装置的结构框图；
图10是根据本发明实施例的另一种终端设备的控制装置的结构框图；
图11是根据本发明可选的实施方式的一种终端设备的控制***的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例1所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种终端设备的控制方法的移动终端的硬件结构框图，如图1所示，移动终端10可以包括一个或多个(图中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，移动终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的终端设备的控制方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种终端设备的控制方法，图2是根据本发明实施例的一种终端设备的控制方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，控制设备获取终端设备检测到的当前特征参数，其中，当前特征参数包括：当前环境参数和当前用户参数，当前环境参数用于指示终端设备当前所在的环境，当前用户参数用于指示处于环境下的用户的信息；
步骤S204，控制设备通过目标神经网络模型获取与当前特征参数对应的目标控制信号，其中，目标神经网络模型用于指示特征参数与控制信号的对应关系，目标控制信号用于控制终端设备在目标运行状态下运行，目标运行状态为使用户在环境下的舒适度高于预设舒适度的终端设备的运行状态；
步骤S206，控制设备向终端设备发送目标控制信号。
可选地，上述终端设备的控制方法可以但不限于应用于由控制设备控制终端设备的场景中。例如：由控制设备控制空调设备的场景。
可选地，上述终端设备的控制方法可以但不限于应用于控制设备，例如：该控制设备可以但不限于包括：无线通讯模块、路由器(例如智能路由)、服务器(例如云端服务器)、智能终端设备(手机、平板电脑、智能穿戴设备等等)、终端设备主板。
可选地，在本实施例中，上述终端设备可以但不限于包括：智能家居设备，例如：空调、空气净化器、风扇、智能厨具、智能沙发、智能餐桌、智能座椅等等。
可选地，在本实施例中，上述预设舒适度可以但不限于是根据国家、国际或者区域制定的舒适度标准而设定的。例如：以对空调设备的控制为例，预设舒适度可以但不限于是根据舒适性国际标准而设定的，通过对空调设备的运行状态进行控制使得该空调设备运行于满足舒适性国际标准的状态，以使环境中的用户能够感受到较高的舒适性。
可选地，在本实施例中，环境参数可以但不限于包括：室内温度、室外温度、室内湿度、室外湿度、地域信息、天气信息等等。需要说明的是，环境参数用于指示终端设备所在的环境，上述环境参数只是一种示例，本实施例的环境参数不限于上述环境参数。
可选地，在本实施例中，用户参数可以但不限于包括：用户性别、用户年龄、用户数量、用户服装信息(穿衣厚度、衣着种类等等)、用户健康信息等等。需要说明的是，用户参数用于指示处于某一环境下的用户的信息，上述用户参数只是一种示例，本实施例的环境参数不限于上述环境参数。
可选地，在本实施例中，对终端设备运行状态的控制可以但不限于是对终端设备中负载的控制，可以控制负载的运行状态或者负载的运行参数等等。
通过上述步骤，控制设备通过目标神经网络模型获取与终端设备检测到的当前特征参数对应的目标控制信号，该目标控制信号能够控制终端设备运行在目标运行状态下，使得用户在当前环境下感受到较高的舒适度，控制设备将该目标控制信号发送给终端设备以控制该终端设备，因此，提高了对终端设备的合理性，使得用户在当前环境下更加舒适，从而解决了相关技术中对终端设备的控制合理性差导致用户对舒适度的感受较差的问题。
可选地，对终端设备的运行状态的控制可以是对终端设备中的目标负载的运行状态的控制。例如：可以控制终端设备中的目标负载在目标运行状态下运行，目标负载包括终端设备中的一个或者多个负载。
可选地，当前特征参数还可以但不限于包括终端设备的当前运行参数，其中，当前运行参数用于指示终端设备当前的运行状态，对终端设备的运行状态的控制可以但不限于是控制终端设备的运行状态从当前的运行状态调整至目标运行状态。
可选地，当前运行参数可以但不限于包括以下至少之一：室内冷凝器温度、室外冷凝器温度、压缩机运行转速、压缩机运行时间。需要说明的是，上述运行参数只是一种示例，本实施例的环境参数不限于上述运行参数。
可选地，在利用目标神经网络模型对终端设备进行控制之前，可以对目标神经网络模型进行训练、测试等。例如：在上述步骤S204之前，控制设备可以获取样本数据，其中，样本数据为已标注了特征参数与控制信号的对应关系的数据，从样本数据中获取训练样本，通过训练样本对初始神经网络模型进行训练，得到目标神经网络模型，其中，初始神经网络模型为根据特征参数与控制信号的数据特点预先配置的网络模型。
在一个可选的实施方式中，以终端设备为空调设备为例，可以根据舒适性的数据特性及其所蕴含的规律，初步确定网络的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等，得到初始神经网络模型。本可选的实施方式中，图3是根据本发明可选的实施方式的神经网络模型的示意图，如图3所示，神经网络模型的输入参数包括：室内、外环境温度(简称内环温、外环温)、室内、外冷凝管温度(简称内管温、外管温)、排气温度、用户个体识别信息等等其他参数。神经网络模型的输出参数包括：对空调负载的控制信号，空调负载可以但不限于包括：空调导风板、内风机、电子膨胀阀等等。
可选的，在本实施方式中，人工神经网络结构包括但不限于包括以下三种网络结构：
结构1，BP神经网络
BP网络的结构设计主要解决设几个隐层和几个隐节点的问题。隐层和隐节点的确定需在网络训练时不断的调整。设计时先设置一个隐层，通过调整隐层节点数来改善网络性能；当隐节点数过多，出现过多拟合时，再考虑增加隐层，减少隐节点，来改善网络性能。本实施方式中的神经网络结构图如图4所示(实际应用时可以根据需要调整输入层、隐层、输出层节点数及隐层层数)
结构2，CNN卷积神经网络
多层卷积网络就是从低维度的特征不断提取合并得到更高维的特征从而可以用来进行分类或相关任务。
在本实施方式中的原始数据是连续采集得到，直观上是和时间相关的。但是可以将一定量的数据一条条组合起来，将其看成和图像一样的数据形式，行与行、列与列之间存在空间连续关系，这些关系影响着最终数据的“标签”，也就是舒适特性。这样就可以通过卷积神经网络对输入数据进行特征提取，准确输出符合预期的舒适性要求的负载控制信号。
本实施方式中的神经网络结构图如图5所示(实际应用时网络结构可根据实际情况调整)。
结构3，残差神经网络
在调试CNN网络时，加深网络层数和改变卷积核大小的方法并不能使得网络表现得到提升。加入残差块可以更好的连接前后数据，加强特征表达能力，所以其能够加强卷积网络的学习能力。如图6所示某段神经网络的输入为x，期望输出为H(x)，把输入x传入到输出作为初始结构后，需要学习的目标就变为F(x)＝H(x)-x。
本实施方式中的神经网络结构图如图7所示(实际应用时网络结构可根据实际情况调整)。
可选地，在对初始神经网络模型进行训练之后，控制设备可以利用测试样本对得到的模型进行测试，例如：测试过程可以但不限于包括以下步骤：
步骤11，控制设备从样本数据中获取测试样本；
步骤12，将目标神经网络模型作为待测试的神经网络模型，重复执行以下步骤，直至确定待测试的神经网络模型为目标神经网络模型：
步骤13，通过测试样本对待测试的神经网络模型进行测试，得到测试误差；
步骤14，判断测试误差是否小于预设的测试误差；
步骤15，在判断出测试误差大于或者等于预设的测试误差的情况下，控制设备重新通过训练样本对初始神经网络模型进行训练，得到新的待测试的神经网络模型，返回步骤13；
步骤16，在判断出测试误差小于预设的测试误差的情况下，控制设备确定待测试的神经网络模型为目标神经网络模型。
可选地，控制设备可以但不限于通过以下步骤从样本数据中获取训练样本以及测试样本：
步骤21，根据样本数据的特征参数对样本数据进行排序；
步骤22，按照预设的间隔从排序后的样本数据中提取第一数据作为训练样本；
步骤23，获取样本数据中的第二数据作为测试样本，其中，第二数据为样本数据中除训练样本之外的全部数据。
在一个可选的实施方式中，以终端设备为空调设备为例，通过对已搜集并标注数据的分析和结合专家知识，对样本数据按一定的规则进行分类。从不同类别的样本中，均匀提取数据，作为训练样本。训练样本需体现出多样性和均匀性。本可选的实施方式中可以按空调室、内外环境温度、湿度进行组合，列出所有的样本数据，然后按一定的间隔读取作为训练样本数据；提取出训练样本后，剩余的数据可作为测试样本。
可选地，控制设备可以但不限于通过以下步骤对初始神经网络模型进行训练，以得到目标神经网络模型：
步骤31，控制设备获取训练样本的目标输入参数和目标输出参数，并将初始神经网络模型作为当前神经网络模型；
步骤32，重复执行以下步骤，直至当前神经网络模型的输出参数产生的误差小于预设的误差值，得到目标神经网络模型：
步骤33，将目标输入参数输入当前神经网络模型，得到当前的输出参数；
步骤34，根据当前的输出参数与目标输出参数确定当前神经网络模型的当前误差；
步骤35，判断当前误差是否小于预设误差值；
步骤36，在判断出当前误差大于或者等于预设误差值的情况下，控制设备调整当前神经网络模型的模型参数，得到新的当前神经网络模型，返回上述步骤33。
在一个可选的实施方式中，以终端设备为空调设备为例，网络设计完成后，需用训练样本数据，对网络进行训练。训练方法可根据实际的网络结构及训练中发现的问题进行调整。此处仅针对本实施方式的其中一种方法举例说明如下：
导入输入数据x，根据激活函数、初始化的权值及偏置计算出网络的实际输出a(x)，即a(x)＝1/(1+e-z),其中Z＝Wk*x+bl
判断网络的期望输出y(x)与实际输出a(x)是否满足输出精度要求即：
‖y(x)-a(x)‖<∈，∈为目标最小误差
如果满足精度要求则结束训练，如不满足则根据以下方式更新网络的权值Wk,偏置bl：
C(w,b)为误差能量函数(以标准方差函数为例)，n为训练样本的总数量,求和是在总的训练样本x上进行
Figure BDA0001409418150000151
更新各层权值：
Figure BDA0001409418150000152
更新各层偏置：
Figure BDA0001409418150000153
其中：
Wk为初始权值，
Figure BDA0001409418150000154
为误差能量函数对权值的偏导数
bl为初始偏置，
Figure BDA0001409418150000155
为误差能量函数对偏置的偏导数
Figure BDA0001409418150000156
的值可通过链式求导法则获得
直至网络的输出误差小于∈为止。
网络训练完成后，再用测试样本正向测试网络。当测试误差不满足要求时，则重复以上步骤，重新训练网络；若测试误差满足要求，则网络训练测试完成。
可选地，控制设备可以通过以下方式获取样本数据：
控制设备获取多种环境类型对应的环境参数以及多种用户类型对应的用户参数；确定在每种环境类型下使每种用户类型对应的用户的舒适度高于预设舒适度的终端设备的运行参数；对环境参数、用户参数和运行参数之间的对应关系进行标注，得到原始数据；从环境参数和用户参数中分别获取权重大于预设权重的参数作为样本数据的输入参数，其中，权重用于指示参数对用户舒适度的影响程度，权重越大表示影响程度越大；获取运行参数对应的控制信号作为样本数据的输出参数，其中，控制信号用于控制终端设备在运行参数所指示的运行状态下运行；从原始数据的对应关系中提取输入参数与输出参数的对应关系，得到样本数据。
在一个可选的实施方式中，以终端设备为空调设备为例，首先，对于原始数据搜集：搜集在所有可能的运行环境下的符合舒适性国际标准的空调运行参数样本，并进行详细标注。具体搜集方式包括但不限于空调在实验室模拟环境下的运行参数、通过物联网技术搜集实际用户使用时的空调运行参数等方式。
其次是输入、输出参数选择及预处理：通过对原始数据的分析和结合专家知识，选取舒适性影响较大且易检测的参数作为输入参数，将需控制的负载的控制信号作为输出参数。本发明中，输入参数包括但不限于室内、外的环境温度、室内、外冷凝器温度、室内、外湿度、压缩机的运行转速、压缩机运行时间、人的类别、空调安装地域、天气信息等。输入参数不仅为单一参数，也包括按一定规律组成的输入参数矩阵,比如:每秒采集一次室外冷凝器温度，连续采集10分钟的温度参数作为一个输入参数矩阵。本发明的输出参数包括但不限于压缩机转速、外风机转速、电子膨胀阀开度、内风机转速、导风板方向等。
在本实施方式中，因各参数具有不同的物理意义和量纲，还可以对输入参数作标准化处理，然后再进行统一的变换处理。数据处理方法包括但不限于：对数据进行归一化等线性处理及对数变换、平方根变换、立方根变换等非线性处理。
可选地，环境参数包括以下至少之一：室内温度、室外温度、室内湿度、室外湿度、地域信息、天气信息；用户参数包括以下至少之一：用户性别、用户年龄、用户数量、用户服装信息、用户健康信息；控制信号包括以下至少之一：控制压缩机转速的信号、控制外风机转速的信号、控制电子膨胀阀开度的信号、控制内风机转速的信号、控制导风板方向的信号。
实施例2
在本实施例中提供了另一种终端设备的控制方法，图8是根据本发明实施例的另一种终端设备的控制方法的流程图，如图8所示，该流程包括如下步骤：
步骤S802，终端设备检测终端设备的当前特征参数，其中，当前特征参数包括：当前环境参数和当前用户参数，当前环境参数用于指示终端设备当前所在的环境，当前用户参数用于指示处于环境下的用户的信息；
步骤S804，终端设备将当前特征参数发送至控制设备，其中，控制设备用于通过目标神经网络模型获取与当前特征参数对应的目标控制信号并向终端设备发送目标控制信号，其中，目标神经网络模型用于指示特征参数与控制信号的对应关系，目标控制信号用于控制终端设备在目标运行状态下运行，目标运行状态为使用户在环境下的舒适度高于预设舒适度的终端设备的运行状态；
步骤S806，终端设备接收控制设备返回的目标控制信号；
步骤S808，终端设备响应目标控制信号将终端设备的运行状态调整至目标运行状态。
可选地，上述终端设备的控制方法可以但不限于应用于由控制设备控制终端设备的场景中。例如：由控制设备控制空调设备的场景。
可选地，上述终端设备的控制方法可以但不限于应用于终端设备，例如：终端设备可以但不限于包括：智能家居设备，例如：空调、空气净化器、风扇、智能厨具、智能沙发、智能餐桌、智能座椅等等。
可选地，在本实施例中，上述控制设备可以但不限于包括：无线通讯模块、路由器(例如智能路由)、服务器(例如云端服务器)、智能终端设备(手机、平板电脑、智能穿戴设备等等)、终端设备主板
可选地，在本实施例中，上述预设舒适度可以但不限于是根据国家、国际或者区域制定的舒适度标准而设定的。例如：以对空调设备的控制为例，预设舒适度可以但不限于是根据舒适性国际标准而设定的，通过对空调设备的运行状态进行控制使得该空调设备运行于满足舒适性国际标准的状态，以使环境中的用户能够感受到较高的舒适性。
可选地，在本实施例中，环境参数可以但不限于包括：室内温度、室外温度、室内湿度、室外湿度、地域信息、天气信息等等。需要说明的是，环境参数用于指示终端设备所在的环境，上述环境参数只是一种示例，本实施例的环境参数不限于上述环境参数。
可选地，在本实施例中，用户参数可以但不限于包括：用户性别、用户年龄、用户数量、用户服装信息(穿衣厚度、衣着种类等等)、用户健康信息等等。需要说明的是，用户参数用于指示处于某一环境下的用户的信息，上述用户参数只是一种示例，本实施例的环境参数不限于上述环境参数。
可选地，在本实施例中，对终端设备运行状态的控制可以但不限于是对终端设备中负载的控制，可以控制负载的运行状态或者负载的运行参数等等。
通过上述步骤，控制设备通过目标神经网络模型获取与终端设备检测到的当前特征参数对应的目标控制信号，该目标控制信号能够控制终端设备运行在目标运行状态下，使得用户在当前环境下感受到较高的舒适度，控制设备将该目标控制信号发送给终端设备以控制该终端设备，因此，提高了对终端设备的合理性，使得用户在当前环境下更加舒适，从而解决了相关技术中对终端设备的控制合理性差导致用户对舒适度的感受较差的问题。
可选地，在上述步骤S804中，可以通过控制终端设备中的目标负载在目标运行状态下运行来控制终端设备的运行状态，目标负载包括终端设备中的一个或者多个负载。
可选地，在上述步骤S808中，终端设备可以根据目标控制信号的指示将目标负载的当前运行参数调整至目标运行状态对应的目标运行参数。
可选地，当前特征参数还包括终端设备的当前运行参数，其中，当前运行参数用于指示终端设备当前的运行状态，可以控制终端设备的运行状态从当前的运行状态调整至目标运行状态；
可选地，在上述步骤S808中，可以将终端设备的运行状态从当前的运行状态调整至目标运行状态。
可选地，当前运行参数可以但不限于包括以下至少之一：室内冷凝器温度、室外冷凝器温度、压缩机运行转速、压缩机运行时间。
实施例3
在本实施例中还提供了一种终端设备的控制装置，应用于控制设备，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图9是根据本发明实施例的一种终端设备的控制装置的结构框图，如图9所示，该装置包括：
第一获取模块92，用于获取终端设备检测到的当前特征参数，其中，所述当前特征参数包括：当前环境参数和当前用户参数，所述当前环境参数用于指示所述终端设备当前所在的环境，所述当前用户参数用于指示处于所述环境下的用户的信息；
第二获取模块94，耦合至第一获取模块92，用于通过目标神经网络模型获取与所述当前特征参数对应的目标控制信号，其中，所述目标神经网络模型用于指示特征参数与控制信号的对应关系，所述目标控制信号用于控制所述终端设备在目标运行状态下运行，所述目标运行状态为使所述用户在所述环境下的舒适度高于预设舒适度的所述终端设备的运行状态；
发送模块96，耦合至第二获取模块94，用于向所述终端设备发送所述目标控制信号。
可选地，上述终端设备的控制装置可以但不限于应用于由控制设备控制终端设备的场景中。例如：由控制设备控制空调设备的场景。
可选地，上述终端设备的控制装置可以但不限于应用于控制设备，例如：该控制设备可以但不限于包括：无线通讯模块、路由器(例如智能路由)、服务器(例如云端服务器)、智能终端设备(手机、平板电脑、智能穿戴设备等等)、终端设备主板。
可选地，在本实施例中，上述终端设备可以但不限于包括：智能家居设备，例如：空调、空气净化器、风扇、智能厨具、智能沙发、智能餐桌、智能座椅等等。
可选地，在本实施例中，上述预设舒适度可以但不限于是根据国家、国际或者区域制定的舒适度标准而设定的。例如：以对空调设备的控制为例，预设舒适度可以但不限于是根据舒适性国际标准而设定的，通过对空调设备的运行状态进行控制使得该空调设备运行于满足舒适性国际标准的状态，以使环境中的用户能够感受到较高的舒适性。
可选地，在本实施例中，环境参数可以但不限于包括：室内温度、室外温度、室内湿度、室外湿度、地域信息、天气信息等等。需要说明的是，环境参数用于指示终端设备所在的环境，上述环境参数只是一种示例，本实施例的环境参数不限于上述环境参数。
可选地，在本实施例中，用户参数可以但不限于包括：用户性别、用户年龄、用户数量、用户服装信息(穿衣厚度、衣着种类等等)、用户健康信息等等。需要说明的是，用户参数用于指示处于某一环境下的用户的信息，上述用户参数只是一种示例，本实施例的环境参数不限于上述环境参数。
可选地，在本实施例中，对终端设备运行状态的控制可以但不限于是对终端设备中负载的控制，可以控制负载的运行状态或者负载的运行参数等等。
通过上述装置，控制设备通过目标神经网络模型获取与终端设备检测到的当前特征参数对应的目标控制信号，该目标控制信号能够控制终端设备运行在目标运行状态下，使得用户在当前环境下感受到较高的舒适度，控制设备将该目标控制信号发送给终端设备以控制该终端设备，因此，提高了对终端设备的合理性，使得用户在当前环境下更加舒适，从而解决了相关技术中对终端设备的控制合理性差导致用户对舒适度的感受较差的问题。
可选地，控制终端设备在目标运行状态下运行包括：控制终端设备中的目标负载在目标运行状态下运行，目标负载包括终端设备中的一个或者多个负载。
可选地，当前特征参数还包括终端设备的当前运行参数，其中，当前运行参数用于指示终端设备当前的运行状态，控制终端设备在目标运行状态下运行包括：控制终端设备的运行状态从当前的运行状态调整至目标运行状态。
可选地，当前运行参数包括以下至少之一：室内冷凝器温度、室外冷凝器温度、压缩机运行转速、压缩机运行时间。
可选地，该装置还包括：第三获取模块，用于获取样本数据，其中，样本数据为已标注了特征参数与控制信号的对应关系的数据；第四获取模块，用于从样本数据中获取训练样本；训练模块，用于通过训练样本对初始神经网络模型进行训练，得到目标神经网络模型，其中，初始神经网络模型为根据特征参数与控制信号的数据特点预先配置的网络模型。
可选地，训练模块用于：获取训练样本的目标输入参数和目标输出参数，并将初始神经网络模型作为当前神经网络模型；重复执行以下步骤，直至当前神经网络模型的输出参数产生的误差小于预设的误差值，得到目标神经网络模型：将目标输入参数输入当前神经网络模型，得到当前的输出参数；根据当前的输出参数与目标输出参数确定当前神经网络模型的当前误差；判断当前误差是否小于预设误差值；在判断出当前误差大于或者等于预设误差值的情况下，调整当前神经网络模型的模型参数，得到新的当前神经网络模型。
可选地，该装置还包括：
第五获取模块，用于从样本数据中获取测试样本；
执行模块，用于将目标神经网络模型作为待测试的神经网络模型，重复执行以下步骤，直至确定待测试的神经网络模型为目标神经网络模型：通过测试样本对待测试的神经网络模型进行测试，得到测试误差；判断测试误差是否小于预设的测试误差；在判断出测试误差大于或者等于预设的测试误差的情况下，重新通过训练样本对初始神经网络模型进行训练，得到新的待测试的神经网络模型；在判断出测试误差小于预设的测试误差的情况下，确定待测试的神经网络模型为目标神经网络模型。
可选地，第四获取模块以及第五获取模块用于：根据样本数据的特征参数对样本数据进行排序；按照预设的间隔从排序后的样本数据中提取第一数据作为训练样本；获取样本数据中的第二数据作为测试样本，其中，第二数据为样本数据中除训练样本之外的全部数据。
可选地，第三获取模块用于：获取多种环境类型对应的环境参数以及多种用户类型对应的用户参数；确定在每种环境类型下使每种用户类型对应的用户的舒适度高于预设舒适度的终端设备的运行参数；对环境参数、用户参数和运行参数之间的对应关系进行标注，得到原始数据；从环境参数和用户参数中分别获取权重大于预设权重的参数作为样本数据的输入参数，其中，权重用于指示参数对用户舒适度的影响程度，权重越大表示影响程度越大；获取运行参数对应的控制信号作为样本数据的输出参数，其中，控制信号用于控制终端设备在运行参数所指示的运行状态下运行；从原始数据的对应关系中提取输入参数与输出参数的对应关系，得到样本数据。
可选地，环境参数包括以下至少之一：室内温度、室外温度、室内湿度、室外湿度、地域信息、天气信息；用户参数包括以下至少之一：用户性别、用户年龄、用户数量、用户服装信息、用户健康信息；控制信号包括以下至少之一：控制压缩机转速的信号、控制外风机转速的信号、控制电子膨胀阀开度的信号、控制内风机转速的信号、控制导风板方向的信号。
实施例4
在本实施例中还提供了另一种终端设备的控制装置，应用于终端设备，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图10是根据本发明实施例的另一种终端设备的控制装置的结构框图，如图10所示，该装置包括：
检测模块102，用于检测终端设备的当前特征参数，其中，当前特征参数包括：当前环境参数和当前用户参数，当前环境参数用于指示终端设备当前所在的环境，当前用户参数用于指示处于环境下的用户的信息；
第二发送模块104，耦合至检测模块102，用于将当前特征参数发送至控制设备，其中，控制设备用于通过目标神经网络模型获取与当前特征参数对应的目标控制信号并向终端设备发送目标控制信号，其中，目标神经网络模型用于指示特征参数与控制信号的对应关系，目标控制信号用于控制终端设备在目标运行状态下运行，目标运行状态为使用户在环境下的舒适度高于预设舒适度的终端设备的运行状态；
接收模块106，耦合至第二发送模块104，用于接收控制设备返回的目标控制信号；
调整模块108，耦合至接收模块106，用于响应目标控制信号将终端设备的运行状态调整至目标运行状态。
可选地，上述终端设备的控制装置可以但不限于应用于由控制设备控制终端设备的场景中。例如：由控制设备控制空调设备的场景。
可选地，上述终端设备的控制装置可以但不限于应用于终端设备，例如：终端设备可以但不限于包括：智能家居设备，例如：空调、空气净化器、风扇、智能厨具、智能沙发、智能餐桌、智能座椅等等。
可选地，在本实施例中，上述控制设备可以但不限于包括：无线通讯模块、路由器(例如智能路由)、服务器(例如云端服务器)、智能终端设备(手机、平板电脑、智能穿戴设备等等)、终端设备主板
可选地，在本实施例中，上述预设舒适度可以但不限于是根据国家、国际或者区域制定的舒适度标准而设定的。例如：以对空调设备的控制为例，预设舒适度可以但不限于是根据舒适性国际标准而设定的，通过对空调设备的运行状态进行控制使得该空调设备运行于满足舒适性国际标准的状态，以使环境中的用户能够感受到较高的舒适性。
可选地，在本实施例中，环境参数可以但不限于包括：室内温度、室外温度、室内湿度、室外湿度、地域信息、天气信息等等。需要说明的是，环境参数用于指示终端设备所在的环境，上述环境参数只是一种示例，本实施例的环境参数不限于上述环境参数。
可选地，在本实施例中，用户参数可以但不限于包括：用户性别、用户年龄、用户数量、用户服装信息(穿衣厚度、衣着种类等等)、用户健康信息等等。需要说明的是，用户参数用于指示处于某一环境下的用户的信息，上述用户参数只是一种示例，本实施例的环境参数不限于上述环境参数。
可选地，在本实施例中，对终端设备运行状态的控制可以但不限于是对终端设备中负载的控制，可以控制负载的运行状态或者负载的运行参数等等。
通过上述装置，控制设备通过目标神经网络模型获取与终端设备检测到的当前特征参数对应的目标控制信号，该目标控制信号能够控制终端设备运行在目标运行状态下，使得用户在当前环境下感受到较高的舒适度，控制设备将该目标控制信号发送给终端设备以控制该终端设备，因此，提高了对终端设备的合理性，使得用户在当前环境下更加舒适，从而解决了相关技术中对终端设备的控制合理性差导致用户对舒适度的感受较差的问题。
可选地，控制终端设备在目标运行状态下运行包括：终端设备控制终端设备中的目标负载在目标运行状态下运行，目标负载包括终端设备中的一个或者多个负载；
调整模块用于：将目标负载的当前运行参数调整至目标运行状态对应的目标运行参数。
可选地，当前特征参数还包括终端设备的当前运行参数，其中，当前运行参数用于指示终端设备当前的运行状态，控制终端设备在目标运行状态下运行包括：控制终端设备的运行状态从当前的运行状态调整至目标运行状态；
调整模块用于：终端设备将终端设备的运行状态从当前的运行状态调整至目标运行状态。
可选地，当前运行参数包括以下至少之一：室内冷凝器温度、室外冷凝器温度、压缩机运行转速、压缩机运行时间。
实施例5
在本实施例中还提供了一种终端设备的控制***，该***包括：控制设备和终端设备，其中，
控制设备，用于获取终端设备检测到的当前特征参数，其中，当前特征参数包括：当前环境参数和当前用户参数，当前环境参数用于指示终端设备当前所在的环境，当前用户参数用于指示处于环境下的用户的信息；通过目标神经网络模型获取与当前特征参数对应的目标控制信号，其中，目标神经网络模型用于指示特征参数与控制信号的对应关系，目标控制信号用于控制终端设备在目标运行状态下运行，目标运行状态为使用户在环境下的舒适度高于预设舒适度的终端设备的运行状态；向终端设备发送目标控制信号；
终端设备，用于检测终端设备的当前特征参数；将当前特征参数发送至控制设备；接收控制设备返回的目标控制信号；响应目标控制信号将终端设备的运行状态调整至目标运行状态。
可选地，上述终端设备的控制***可以但不限于应用于由控制设备控制终端设备的场景中。例如：由控制设备控制空调设备的场景。
可选地，上述控制设备可以但不限于包括：无线通讯模块、路由器(例如智能路由)、服务器(例如云端服务器)、智能终端设备(手机、平板电脑、智能穿戴设备等等)、终端设备主板。
可选地，在本实施例中，上述终端设备可以但不限于包括：智能家居设备，例如：空调、空气净化器、风扇、智能厨具、智能沙发、智能餐桌、智能座椅等等。终端设备可以但不限于为一个或者多个。
可选地，在本实施例中，上述预设舒适度可以但不限于是根据国家、国际或者区域制定的舒适度标准而设定的。例如：以对空调设备的控制为例，预设舒适度可以但不限于是根据舒适性国际标准而设定的，通过对空调设备的运行状态进行控制使得该空调设备运行于满足舒适性国际标准的状态，以使环境中的用户能够感受到较高的舒适性。
可选地，在本实施例中，环境参数可以但不限于包括：室内温度、室外温度、室内湿度、室外湿度、地域信息、天气信息等等。需要说明的是，环境参数用于指示终端设备所在的环境，上述环境参数只是一种示例，本实施例的环境参数不限于上述环境参数。
可选地，在本实施例中，用户参数可以但不限于包括：用户性别、用户年龄、用户数量、用户服装信息(穿衣厚度、衣着种类等等)、用户健康信息等等。需要说明的是，用户参数用于指示处于某一环境下的用户的信息，上述用户参数只是一种示例，本实施例的环境参数不限于上述环境参数。
可选地，在本实施例中，对终端设备运行状态的控制可以但不限于是对终端设备中负载的控制，可以控制负载的运行状态或者负载的运行参数等等。
通过上述***，控制设备通过目标神经网络模型获取与终端设备检测到的当前特征参数对应的目标控制信号，该目标控制信号能够控制终端设备运行在目标运行状态下，使得用户在当前环境下感受到较高的舒适度，控制设备将该目标控制信号发送给终端设备以控制该终端设备，因此，提高了对终端设备的合理性，使得用户在当前环境下更加舒适，从而解决了相关技术中对终端设备的控制合理性差导致用户对舒适度的感受较差的问题。
在一个可选的实施方式中，以控制设备控制空调设备为例，如图11所示，带无线通讯的空调设备运行时，将空调的运行参数等特征参数上传至控制设备。控制设备将运行参数输入到目标神经网络模型中，经目标神经网络模型运算后，控制设备向空调发送目标控制信号。可选地，控制设备可以但不限于包括无线通讯模块、路由器、服务器、智能手机等等。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述模块分别位于多个处理器中。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求所述为准。
实施例6
本发明的实施例还提供了一种存储介质，该存储介质包括存储的程序，其中，上述程序运行时执行上述任一项所述的方法。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：
S1，获取终端设备检测到的当前特征参数，其中，当前特征参数包括：当前环境参数和当前用户参数，当前环境参数用于指示终端设备当前所在的环境，当前用户参数用于指示处于环境下的用户的信息；
S2，通过目标神经网络模型获取与当前特征参数对应的目标控制信号，其中，目标神经网络模型用于指示特征参数与控制信号的对应关系，目标控制信号用于控制终端设备在目标运行状态下运行，目标运行状态为使用户在环境下的舒适度高于预设舒适度的终端设备的运行状态；
S3，向终端设备发送目标控制信号。
可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：
S1，检测终端设备的当前特征参数，其中，当前特征参数包括：当前环境参数和当前用户参数，当前环境参数用于指示终端设备当前所在的环境，当前用户参数用于指示处于环境下的用户的信息；
S2，将当前特征参数发送至控制设备，其中，控制设备用于通过目标神经网络模型获取与当前特征参数对应的目标控制信号并向终端设备发送目标控制信号，其中，目标神经网络模型用于指示特征参数与控制信号的对应关系，目标控制信号用于控制终端设备在目标运行状态下运行，目标运行状态为使用户在环境下的舒适度高于预设舒适度的终端设备的运行状态；
S3，接收控制设备返回的目标控制信号；
S4，响应目标控制信号将终端设备的运行状态调整至目标运行状态。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的实施例还提供了一种处理器，该处理器用于运行程序，其中，该程序运行时执行上述任一项方法中的步骤。
可选地，在本实施例中，上述程序用于执行以下步骤：
S1，获取终端设备检测到的当前特征参数，其中，当前特征参数包括：当前环境参数和当前用户参数，当前环境参数用于指示终端设备当前所在的环境，当前用户参数用于指示处于环境下的用户的信息；
S2，通过目标神经网络模型获取与当前特征参数对应的目标控制信号，其中，目标神经网络模型用于指示特征参数与控制信号的对应关系，目标控制信号用于控制终端设备在目标运行状态下运行，目标运行状态为使用户在环境下的舒适度高于预设舒适度的终端设备的运行状态；
S3，向终端设备发送目标控制信号。
可选地，上述程序还用于执行：
S1，检测终端设备的当前特征参数，其中，当前特征参数包括：当前环境参数和当前用户参数，当前环境参数用于指示终端设备当前所在的环境，当前用户参数用于指示处于环境下的用户的信息；
S2，将当前特征参数发送至控制设备，其中，控制设备用于通过目标神经网络模型获取与当前特征参数对应的目标控制信号并向终端设备发送目标控制信号，其中，目标神经网络模型用于指示特征参数与控制信号的对应关系，目标控制信号用于控制终端设备在目标运行状态下运行，目标运行状态为使用户在环境下的舒适度高于预设舒适度的终端设备的运行状态；
S3，接收控制设备返回的目标控制信号；
S4，响应目标控制信号将终端设备的运行状态调整至目标运行状态。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种终端设备的控制方法，其特征在于，包括：
控制设备获取终端设备检测到的当前特征参数，其中，所述当前特征参数包括：当前环境参数和当前用户参数，所述当前环境参数用于指示所述终端设备当前所在的环境，所述当前用户参数用于指示处于所述环境下的用户的信息；
所述控制设备通过目标神经网络模型获取与所述当前特征参数对应的目标控制信号，其中，所述目标神经网络模型用于指示特征参数与控制信号的对应关系，所述目标控制信号用于控制所述终端设备在目标运行状态下运行，所述目标运行状态为使所述用户在所述环境下的舒适度高于预设舒适度的所述终端设备的运行状态；
所述控制设备向所述终端设备发送所述目标控制信号；
在所述控制设备通过训练样本对初始神经网络模型进行训练，得到所述目标神经网络模型之后，所述方法还包括：
所述控制设备从样本数据中获取测试样本；
所述控制设备将所述目标神经网络模型作为待测试的神经网络模型，重复执行以下步骤，直至确定所述待测试的神经网络模型为所述目标神经网络模型：所述控制设备通过所述测试样本对所述待测试的神经网络模型进行测试，得到测试误差；所述控制设备判断所述测试误差是否小于预设的测试误差；在判断出所述测试误差大于或者等于所述预设的测试误差的情况下，所述控制设备重新通过所述训练样本对所述初始神经网络模型进行训练，得到新的待测试的神经网络模型；在判断出所述测试误差小于所述预设的测试误差的情况下，所述控制设备确定所述待测试的神经网络模型为所述目标神经网络模型；
所述控制设备从所述样本数据中获取所述训练样本以及从所述样本数据中获取所述测试样本包括：所述控制设备根据所述样本数据的特征参数对所述样本数据进行排序；所述控制设备按照预设的间隔从排序后的所述样本数据中提取第一数据作为所述训练样本；所述控制设备获取所述样本数据中的第二数据作为所述测试样本，其中，所述第二数据为所述样本数据中除所述训练样本之外的全部数据。
2.根据权利要求1所述的方法，其特征在于，控制所述终端设备在所述目标运行状态下运行包括：
控制所述终端设备中的目标负载在所述目标运行状态下运行，所述目标负载包括所述终端设备中的一个或者多个负载。
3.根据权利要求1所述的方法，其特征在于，所述当前特征参数还包括所述终端设备的当前运行参数，其中，所述当前运行参数用于指示所述终端设备当前的运行状态，控制所述终端设备在所述目标运行状态下运行包括：
控制所述终端设备的运行状态从所述当前的运行状态调整至所述目标运行状态。
4.根据权利要求1所述的方法，其特征在于，在所述控制设备通过所述目标神经网络模型获取与所述当前特征参数对应的所述目标控制信号之前，所述方法还包括：
所述控制设备获取样本数据，其中，所述样本数据为已标注了特征参数与控制信号的对应关系的数据；
所述控制设备从所述样本数据中获取训练样本；
所述控制设备通过所述训练样本对初始神经网络模型进行训练，得到所述目标神经网络模型，其中，所述初始神经网络模型为根据特征参数与控制信号的数据特点预先配置的网络模型。
5.根据权利要求1所述的方法，其特征在于，所述控制设备通过所述训练样本对初始神经网络模型进行训练，得到所述目标神经网络模型包括：
所述控制设备获取所述训练样本的目标输入参数和目标输出参数，并将所述初始神经网络模型作为当前神经网络模型；
重复执行以下步骤，直至所述当前神经网络模型的输出参数产生的误差小于预设的误差值，得到所述目标神经网络模型：
所述控制设备将所述目标输入参数输入当前神经网络模型，得到当前的输出参数；
所述控制设备根据所述当前的输出参数与所述目标输出参数确定所述当前神经网络模型的当前误差；
所述控制设备判断所述当前误差是否小于预设误差值；
在判断出所述当前误差大于或者等于所述预设误差值的情况下，所述控制设备调整所述当前神经网络模型的模型参数，得到新的当前神经网络模型。
6.根据权利要求1所述的方法，其特征在于，所述控制设备获取所述样本数据包括：
所述控制设备获取多种环境类型对应的环境参数以及多种用户类型对应的用户参数；
所述控制设备确定在每种环境类型下使每种用户类型对应的用户的舒适度高于所述预设舒适度的所述终端设备的运行参数；
所述控制设备对所述环境参数、所述用户参数和所述运行参数之间的对应关系进行标注，得到原始数据；
所述控制设备从所述环境参数和所述用户参数中分别获取权重大于预设权重的参数作为所述样本数据的输入参数，其中，所述权重用于指示参数对用户舒适度的影响程度，权重越大表示影响程度越大；
所述控制设备获取所述运行参数对应的控制信号作为所述样本数据的输出参数，其中，所述控制信号用于控制所述终端设备在所述运行参数所指示的运行状态下运行；
所述控制设备从所述原始数据的对应关系中提取所述输入参数与所述输出参数的对应关系，得到所述样本数据。
7.一种终端设备控制方法，其特征在于，包括：
终端设备检测所述终端设备的当前特征参数，其中，所述当前特征参数包括：当前环境参数和当前用户参数，所述当前环境参数用于指示所述终端设备当前所在的环境，所述当前用户参数用于指示处于所述环境下的用户的信息；
所述终端设备将所述当前特征参数发送至控制设备，其中，所述控制设备用于通过目标神经网络模型获取与所述当前特征参数对应的目标控制信号并向所述终端设备发送所述目标控制信号，其中，所述目标神经网络模型用于指示特征参数与控制信号的对应关系，所述目标控制信号用于控制所述终端设备在目标运行状态下运行，所述目标运行状态为使所述用户在所述环境下的舒适度高于预设舒适度的所述终端设备的运行状态；
所述终端设备接收所述控制设备返回的所述目标控制信号；
所述终端设备响应所述目标控制信号将所述终端设备的运行状态调整至所述目标运行状态；
在所述控制设备通过训练样本对初始神经网络模型进行训练，得到所述目标神经网络模型之后，所述方法还包括：所述控制设备从样本数据中获取测试样本；所述控制设备将所述目标神经网络模型作为待测试的神经网络模型，重复执行以下步骤，直至确定所述待测试的神经网络模型为所述目标神经网络模型：所述控制设备通过所述测试样本对所述待测试的神经网络模型进行测试，得到测试误差；所述控制设备判断所述测试误差是否小于预设的测试误差；在判断出所述测试误差大于或者等于所述预设的测试误差的情况下，所述控制设备重新通过所述训练样本对所述初始神经网络模型进行训练，得到新的待测试的神经网络模型；在判断出所述测试误差小于所述预设的测试误差的情况下，所述控制设备确定所述待测试的神经网络模型为所述目标神经网络模型；
所述控制设备从所述样本数据中获取所述训练样本以及从所述样本数据中获取所述测试样本包括：所述控制设备根据所述样本数据的特征参数对所述样本数据进行排序；所述控制设备按照预设的间隔从排序后的所述样本数据中提取第一数据作为所述训练样本；所述控制设备获取所述样本数据中的第二数据作为所述测试样本，其中，所述第二数据为所述样本数据中除所述训练样本之外的全部数据。
8.根据权利要求7所述的方法，其特征在于，
控制所述终端设备在所述目标运行状态下运行包括：控制所述终端设备中的目标负载在所述目标运行状态下运行，所述目标负载包括所述终端设备中的一个或者多个负载；
所述终端设备响应所述目标控制信号将所述终端设备的运行状态调整至所述目标运行状态包括：所述终端设备将所述目标负载的当前运行参数调整至所述目标运行状态对应的目标运行参数。
9.根据权利要求7所述的方法，其特征在于，
所述当前特征参数还包括所述终端设备的当前运行参数，其中，所述当前运行参数用于指示所述终端设备当前的运行状态，控制所述终端设备在所述目标运行状态下运行包括：控制所述终端设备的运行状态从所述当前的运行状态调整至所述目标运行状态；
响应所述目标控制信号将所述终端设备的运行状态调整至所述目标运行状态包括：所述终端设备将所述终端设备的运行状态从所述当前的运行状态调整至所述目标运行状态。
10.一种终端设备的控制装置，应用于控制设备，其特征在于，包括：
第一获取模块，用于获取终端设备检测到的当前特征参数，其中，所述当前特征参数包括：当前环境参数和当前用户参数，所述当前环境参数用于指示所述终端设备当前所在的环境，所述当前用户参数用于指示处于所述环境下的用户的信息；
第二获取模块，用于通过目标神经网络模型获取与所述当前特征参数对应的目标控制信号，其中，所述目标神经网络模型用于指示特征参数与控制信号的对应关系，所述目标控制信号用于控制所述终端设备在目标运行状态下运行，所述目标运行状态为使所述用户在所述环境下的舒适度高于预设舒适度的所述终端设备的运行状态；
发送模块，用于向所述终端设备发送所述目标控制信号；
在通过训练样本对初始神经网络模型进行训练，得到所述目标神经网络模型之后，所述控制装置还用于：从样本数据中获取测试样本；
将所述目标神经网络模型作为待测试的神经网络模型，重复执行以下步骤，直至确定所述待测试的神经网络模型为所述目标神经网络模型：通过所述测试样本对所述待测试的神经网络模型进行测试，得到测试误差；判断所述测试误差是否小于预设的测试误差；在判断出所述测试误差大于或者等于所述预设的测试误差的情况下，重新通过所述训练样本对所述初始神经网络模型进行训练，得到新的待测试的神经网络模型；在判断出所述测试误差小于所述预设的测试误差的情况下，确定所述待测试的神经网络模型为所述目标神经网络模型；
所述控制装置还用于根据所述样本数据的特征参数对所述样本数据进行排序；按照预设的间隔从排序后的所述样本数据中提取第一数据作为所述训练样本；获取所述样本数据中的第二数据作为所述测试样本，其中，所述第二数据为所述样本数据中除所述训练样本之外的全部数据。
11.一种终端设备控制装置，应用于终端设备，其特征在于，包括：
检测模块，用于检测所述终端设备的当前特征参数，其中，所述当前特征参数包括：当前环境参数和当前用户参数，所述当前环境参数用于指示所述终端设备当前所在的环境，所述当前用户参数用于指示处于所述环境下的用户的信息；
第二发送模块，用于将所述当前特征参数发送至控制设备，其中，所述控制设备用于通过目标神经网络模型获取与所述当前特征参数对应的目标控制信号并向所述终端设备发送所述目标控制信号，其中，所述目标神经网络模型用于指示特征参数与控制信号的对应关系，所述目标控制信号用于控制所述终端设备在目标运行状态下运行，所述目标运行状态为使所述用户在所述环境下的舒适度高于预设舒适度的所述终端设备的运行状态；
接收模块，用于接收所述控制设备返回的所述目标控制信号；
调整模块，用于响应所述目标控制信号将所述终端设备的运行状态调整至所述目标运行状态；
在通过训练样本对初始神经网络模型进行训练，得到所述目标神经网络模型之后，所述控制装置还用于：从样本数据中获取测试样本；将所述目标神经网络模型作为待测试的神经网络模型，重复执行以下步骤，直至确定所述待测试的神经网络模型为所述目标神经网络模型：通过所述测试样本对所述待测试的神经网络模型进行测试，得到测试误差；判断所述测试误差是否小于预设的测试误差；在判断出所述测试误差大于或者等于所述预设的测试误差的情况下，重新通过所述训练样本对所述初始神经网络模型进行训练，得到新的待测试的神经网络模型；在判断出所述测试误差小于所述预设的测试误差的情况下，确定所述待测试的神经网络模型为所述目标神经网络模型；
所述控制装置还用于根据所述样本数据的特征参数对所述样本数据进行排序；按照预设的间隔从排序后的所述样本数据中提取第一数据作为所述训练样本；获取所述样本数据中的第二数据作为所述测试样本，其中，所述第二数据为所述样本数据中除所述训练样本之外的全部数据。
12.一种终端设备的控制***，其特征在于，包括：控制设备和终端设备，其中，
所述控制设备，用于获取所述终端设备检测到的当前特征参数，其中，所述当前特征参数包括：当前环境参数和当前用户参数，所述当前环境参数用于指示所述终端设备当前所在的环境，所述当前用户参数用于指示处于所述环境下的用户的信息；通过目标神经网络模型获取与所述当前特征参数对应的目标控制信号，其中，所述目标神经网络模型用于指示特征参数与控制信号的对应关系，所述目标控制信号用于控制所述终端设备在目标运行状态下运行，所述目标运行状态为使所述用户在所述环境下的舒适度高于预设舒适度的所述终端设备的运行状态；向所述终端设备发送所述目标控制信号；
所述终端设备，用于检测所述终端设备的所述当前特征参数；将所述当前特征参数发送至所述控制设备；接收所述控制设备返回的所述目标控制信号；响应所述目标控制信号将所述终端设备的运行状态调整至所述目标运行状态；
在通过训练样本对初始神经网络模型进行训练，得到所述目标神经网络模型之后，所述控制设备还用于：从样本数据中获取测试样本；将所述目标神经网络模型作为待测试的神经网络模型，重复执行以下步骤，直至确定所述待测试的神经网络模型为所述目标神经网络模型：通过所述测试样本对所述待测试的神经网络模型进行测试，得到测试误差；判断所述测试误差是否小于预设的测试误差；在判断出所述测试误差大于或者等于所述预设的测试误差的情况下，重新通过所述训练样本对所述初始神经网络模型进行训练，得到新的待测试的神经网络模型；在判断出所述测试误差小于所述预设的测试误差的情况下，确定所述待测试的神经网络模型为所述目标神经网络模型；
所述控制设备还用于根据所述样本数据的特征参数对所述样本数据进行排序；按照预设的间隔从排序后的所述样本数据中提取第一数据作为所述训练样本；获取所述样本数据中的第二数据作为所述测试样本，其中，所述第二数据为所述样本数据中除所述训练样本之外的全部数据。
13.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行权利要求1至9中任一项所述的方法。
14.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至9中任一项所述的方法。
CN201710834271.0A 2017-09-15 2017-09-15 终端设备的控制方法、装置、存储介质及处理器 Active CN107797459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710834271.0A CN107797459B (zh) 2017-09-15 2017-09-15 终端设备的控制方法、装置、存储介质及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710834271.0A CN107797459B (zh) 2017-09-15 2017-09-15 终端设备的控制方法、装置、存储介质及处理器

Publications (2)

Publication Number Publication Date
CN107797459A CN107797459A (zh) 2018-03-13
CN107797459B true CN107797459B (zh) 2020-09-25

Family

ID=61531986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710834271.0A Active CN107797459B (zh) 2017-09-15 2017-09-15 终端设备的控制方法、装置、存储介质及处理器

Country Status (1)

Country Link
CN (1) CN107797459B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT202200011294A1 (it) * 2022-05-27 2023-11-27 Ariston S P A Stimatore dei consumi energetici per sistemi di climatizzazione

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108616118A (zh) * 2018-03-14 2018-10-02 珠海格力电器股份有限公司 房车供电控制方法和装置
CN110578994B (zh) * 2018-06-11 2021-01-29 珠海格力电器股份有限公司 一种运行方法及装置
CN110687802A (zh) * 2018-07-06 2020-01-14 珠海格力电器股份有限公司 一种智能家电控制方法及智能家电控制装置
CN110793164A (zh) * 2018-08-01 2020-02-14 珠海格力电器股份有限公司 除湿机的配置参数确定方法及装置
CN110794689A (zh) * 2018-08-01 2020-02-14 珠海格力电器股份有限公司 净水机的配置参数确定方法及装置
CN108919669B (zh) * 2018-09-11 2022-04-29 深圳和而泰数据资源与云技术有限公司 一种智能家居动态决策方法、装置和服务终端
CN109445688B (zh) * 2018-09-29 2022-04-15 上海百功半导体有限公司 一种存储控制方法、存储控制器、存储设备及存储***
CN109946981A (zh) * 2019-03-13 2019-06-28 佛山市云米电器科技有限公司 一种人体自动跟随的调节家电***及其控制方法
CN110925936A (zh) * 2019-10-24 2020-03-27 珠海格力电器股份有限公司 空调控制方法、装置、计算机设备和存储介质
CN110736229A (zh) * 2019-10-29 2020-01-31 珠海格力电器股份有限公司 空调的运行状态控制方法、装置、处理器及空调设备
CN110865574B (zh) * 2019-11-19 2021-10-15 万翼科技有限公司 一种设备控制方法及相关装置
CN111240220B (zh) * 2020-01-16 2021-04-20 珠海格力电器股份有限公司 一种设备的控制方法和装置
CN113569634B (zh) * 2021-06-18 2024-03-26 青岛海尔科技有限公司 场景特征的控制方法和装置、存储介质及电子装置
CN114183879B (zh) * 2021-12-17 2023-07-18 宁波奥克斯电气股份有限公司 一种空调运行控制方法、装置、空调器及存储介质
CN117420767A (zh) * 2023-12-18 2024-01-19 珠海格力电器股份有限公司 智能家居设备的控制方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106444379A (zh) * 2016-10-10 2017-02-22 重庆科技学院 基于物联网推荐的智能烘干远程控制方法及***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101826836B (zh) * 2010-05-25 2012-01-04 中山职业技术学院 一种基于电信号的家电单转子压缩机变频控制器及实现方法
CN102997374B (zh) * 2012-12-31 2015-12-23 深圳市奥宇节能技术股份有限公司 一种空调负荷预测方法，装置及空调
CN103162346B (zh) * 2013-03-27 2015-12-23 新奥能源服务(上海）有限公司 基于云服务的集中供暖监控***及集中供暖***调节方法
US20150324690A1 (en) * 2014-05-08 2015-11-12 Microsoft Corporation Deep Learning Training System
CN106322656B (zh) * 2016-08-23 2019-05-14 海信（山东）空调有限公司 一种空调控制方法及服务器和空调***

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106444379A (zh) * 2016-10-10 2017-02-22 重庆科技学院 基于物联网推荐的智能烘干远程控制方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT202200011294A1 (it) * 2022-05-27 2023-11-27 Ariston S P A Stimatore dei consumi energetici per sistemi di climatizzazione
EP4283415A1 (en) * 2022-05-27 2023-11-29 Ariston S.P.A. Energy consumption estimator for building climate conditioning systems

Also Published As

Publication number Publication date
CN107797459A (zh) 2018-03-13

Similar Documents

Publication Publication Date Title
CN107797459B (zh) 终端设备的控制方法、装置、存储介质及处理器
CN108488987B (zh) 空气调节设备的控制方法、存储介质和设备
CN107844073B (zh) 电子设备控制方法、装置、***、存储介质及处理器
CN105045234A (zh) 基于智能可穿戴设备行为感知的智能家庭能源管理方法
CN107730000A (zh) 用于空调的冷媒泄漏检测方法和装置
CN107883536A (zh) 空调设备的参数调整方法及装置、终端
CN109883016B (zh) 一种空气舒适度调节方法和设备
CN113110082A (zh) 用于家电控制的方法、装置和家电
CN109425075A (zh) 空气调节装置及其舒适度确定方法和可读存储介质
CN112051744A (zh) 智能终端、智能家居应用的推荐方法及***
CN110781595A (zh) 能源使用效率pue的预测方法、装置、终端及介质
CN110726215B (zh) 空调器及其控制方法、装置、存储介质和处理器
CN114413426A (zh) 一种空调参数的推荐方法和空调器
CN111059734A (zh) 空调的自动控制方法、装置、存储介质和空调设备
CN104990231B (zh) 集中控制器的控制方法和装置
CN112815487B (zh) 加湿器的控制方法及装置、设备及存储介质
CN107883520B (zh) 基于空调设备的提醒方法及装置、终端
CN109657695A (zh) 一种基于确定性退火的模糊划分聚类方法及装置
CN106352478A (zh) 终端设备的自动控制方法、装置和***
CN117369302A (zh) 一种基于模型预测控制的智能家居***
CN108107265A (zh) 一种空调功率采集方法、装置、存储介质及空调
CN117494546A (zh) 数据驱动的空调设定温度相关性仿真方法、设备和介质
CN116624980A (zh) 空调的控制方法、控制装置、计算机可读存储介质和空调
CN108036473B (zh) 一种智能温湿度控制方法与装置
CN107044711A (zh) 空调的控制方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant