CN116015274A - 基于无线控制的智能开关 - Google Patents
基于无线控制的智能开关 Download PDFInfo
- Publication number
- CN116015274A CN116015274A CN202310019916.0A CN202310019916A CN116015274A CN 116015274 A CN116015274 A CN 116015274A CN 202310019916 A CN202310019916 A CN 202310019916A CN 116015274 A CN116015274 A CN 116015274A
- Authority
- CN
- China
- Prior art keywords
- feature
- vector
- frequency domain
- time domain
- domain feature
- 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.)
- Granted
Links
- 239000013598 vector Substances 0.000 claims description 372
- 239000011159 matrix material Substances 0.000 claims description 86
- 238000012937 correction Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 abstract description 23
- 230000004044 response Effects 0.000 abstract description 20
- 238000005516 engineering process Methods 0.000 abstract description 17
- 238000013135 deep learning Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 22
- 239000000284 extract Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000005065 mining Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 206010020751 Hypersensitivity Diseases 0.000 description 3
- 208000026935 allergic disease Diseases 0.000 description 3
- 230000007815 allergy Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Electronic Switches (AREA)
Abstract
公开了一种基于无线控制的智能开关,其中,所述智能开关包括:具有触摸屏的开关主体;安装于所述开关主体内的WIFI模块;以及,安装于所述开关主体内的控制器,所述控制器与所述触摸屏和所述WIFI模块可通信地连接。具体地,利用基于深度学习的人工智能技术来挖掘触摸电信号的各个时域特征间的关联性关系以及各个频域特征间的关联性关系,并综合分析时域与频域特征间关联性关系的关联特征分布以进行触摸电信号的误触检测。这样,基于用户的触摸信号特征来判断用户是不是误触,从而避免不必要的响应,以提升用户体验。
Description
技术领域
本申请涉及智能开关领域,且更为具体地,涉及一种基于无线控制的智能开关。
背景技术
随着人们生活水平日益提高,国家通信事业的快速发展,智能手机、5G通信、WiFi、蓝牙等技术与人们的日常生活息息相关。随着IOT技术的逐步运用,传统的电工产品与IOT技术相结合,运用WiFi与蓝牙技术,传统的开关产品赋能智能属性,不仅可以随时随地查看开关的状态,还可以突破地域限制,随时随地控制开关的状态,进而实现远程查看、控制用电器的工作状态。
目前,为了提升产品外观与科技性,产品人工操作模式为触摸方式。在通过触摸屏来进行开关控制时,用户有可能在行走时或者路过时误触到,而导致开关发生误响应。也就是,智能开关在使用过程中存在过敏问题,而如果开关过钝,则会影响到开关的正常触摸控制。
因此,期待一种智能开关,其能够基于用户的触摸信号特征来判断用户是不是误触,从而避免不必要的响应,以提升用户体验,保障安全。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于无线控制的智能开关,其中,所述智能开关包括:具有触摸屏的开关主体;安装于所述开关主体内的WIFI模块;以及,安装于所述开关主体内的控制器,所述控制器与所述触摸屏和所述WIFI模块可通信地连接。具体地,利用基于深度学习的人工智能技术来挖掘触摸电信号的各个时域特征间的关联性关系以及各个频域特征间的关联性关系,并综合分析时域与频域特征间关联性关系的关联特征分布以进行触摸电信号的误触检测。这样,基于用户的触摸信号特征来判断用户是不是误触,从而避免不必要的响应,以提升用户体验。
相应地,根据本申请的一个方面,提供了一种基于无线控制的智能开关,其包括:具有触摸屏的开关主体;安装于所述开关主体内的WIFI模块;以及安装于所述开关主体内的控制器,所述控制器与所述触摸屏和所述WIFI模块可通信地连接。
在上述基于无线控制的智能开关中,所述控制器,包括:触摸信号接收模块,用于获取触摸电信号;时域分析模块,用于对所述触摸电信号进行时域特征分析以得到多个时域特征,所述多个时域特征包括均方根、最大值、有效值、均值、概率函数密度、峰值指标、脉冲指标、裕度和峭度;频域分析模块,用于对所述触摸电信号进行基于傅里叶变换的频域特征分析以得到多个频域统计特征;时域关联特征提取模块,用于将所述多个时域特征排列为时域特征输入向量后通过包含一维卷积层和全连接层的序列编码器以得到时域特征向量;频域关联特征提取模块,用于将所述多个频域统计特征排列为频域特征输入向量后通过所述包含一维卷积层和全连接层的序列编码器以得到频域特征向量;特征分布校正模块,用于分别对所述时域特征向量和所述频域特征向量进行特征分布校正以得到校正后时域特征向量和校正后频域特征向量;关联编码模块,用于对所述校正后时域特征向量和所述校正后频域特征向量进行关联编码以得到分类特征矩阵;以及,误触识别模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示触摸电信号是否由误触引起。
在上述基于无线控制的智能开关中,所述时域关联特征提取模块,包括:时域特征一维卷积编码单元,用于使用所述序列编码器的一维卷积层以如下公式对所述时域特征输入向量进行一维卷积编码以提取出所述时域特征输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述时域特征输入向量,Cov1(X)表示对所述时域特征输入向量进行一维卷积编码;以及,时域特征全连接编码单元,用于使用所述序列编码器的全连接层以如下公式对所述高维隐含关联特征进行全连接编码以提取出所述高维隐含关联特征中各个位置的特征值的高维隐含特征,其中,所述公式为: 其中X1是所述高维隐含关联特征,Y1是输出向量,W1是权重矩阵,B1是偏置向量,表示矩阵乘。
在上述基于无线控制的智能开关中,所述频域关联特征提取模块,包括:频域特征一维卷积编码单元,用于使用所述序列编码器的一维卷积层以如下公式对所述频域特征输入向量进行一维卷积编码以提取出所述频域特征输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述频域特征输入向量,Cov2(X)表示对所述频域特征输入向量进行一维卷积编码;以及,频域特征全连接编码单元,用于使用所述序列编码器的全连接层以如下公式对所述高维隐含关联特征进行全连接编码以提取出所述高维隐含关联特征中各个位置的特征值的高维隐含特征,其中,所述公式为: 其中X2是所述高维隐含关联特征,Y2是输出向量,W2是权重矩阵,B2是偏置向量,表示矩阵乘。
在上述基于无线控制的智能开关中,所述特征分布校正模块,包括:时域特征分布校正单元,用于以如下公式对所述时域特征向量进行特征分布校正以得到所述校正后时域特征向量;其中,所述公式为:
其中,V1表示所述时域特征向量,表示特征向量的二范数的平方,是所述时域特征向量的各特征值按大小次序排列的有序向量,且所述时域特征向量为列向量形式,表示向量相乘,⊙表示按位置点乘,V1'表示所述校正后时域特征向量。
在上述基于无线控制的智能开关中,所述特征分布校正模块,包括:频域特征分布校正单元,用于以如下公式对所述频域特征向量进行特征分布校正以得到所述校正后频域特征向量;其中,所述公式为:
其中,V2表示所述频域特征向量,表示特征向量的二范数的平方,是所述频域特征向量的各特征值按大小次序排列的有序向量,且所述频域特征向量为列向量形式,表示向量相乘,⊙表示按位置点乘,V2'表示所述校正后频域特征向量。
在上述基于无线控制的智能开关中,所述关联编码模块,进一步用于:以如下公式对所述校正后时域特征向量和所述校正后频域特征向量进行关联编码以得到分类特征矩阵;其中,所述公式为:
在上述基于无线控制的智能开关中,所述误触识别模块,包括:展开单元,用于将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量;全连接单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,还提供了一种基于无线控制的智能开关的控制方法,其包括:获取触摸电信号;对所述触摸电信号进行时域特征分析以得到多个时域特征,所述多个时域特征包括均方根、最大值、有效值、均值、概率函数密度、峰值指标、脉冲指标、裕度和峭度;对所述触摸电信号进行基于傅里叶变换的频域特征分析以得到多个频域统计特征;将所述多个时域特征排列为时域特征输入向量后通过包含一维卷积层和全连接层的序列编码器以得到时域特征向量;将所述多个频域统计特征排列为频域特征输入向量后通过所述包含一维卷积层和全连接层的序列编码器以得到频域特征向量;分别对所述时域特征向量和所述频域特征向量进行特征分布校正以得到校正后时域特征向量和校正后频域特征向量;对所述校正后时域特征向量和所述校正后频域特征向量进行关联编码以得到分类特征矩阵;以及将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示触摸电信号是否由误触引起。
在上述基于无线控制的智能开关的控制方法中,所述将所述多个时域特征排列为时域特征输入向量后通过包含一维卷积层和全连接层的序列编码器以得到时域特征向量,包括:使用所述序列编码器的一维卷积层以如下公式对所述时域特征输入向量进行一维卷积编码以提取出所述时域特征输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述时域特征输入向量,Cov1(X)表示对所述时域特征输入向量进行一维卷积编码;以及,使用所述序列编码器的全连接层以如下公式对所述高维隐含关联特征进行全连接编码以提取出所述高维隐含关联特征中各个位置的特征值的高维隐含特征,其中,所述公式为:其中X1是所述高维隐含关联特征,Y1是输出向量,W1是权重矩阵,B1是偏置向量,表示矩阵乘。
在上述基于无线控制的智能开关的控制方法中,所述将所述多个频域统计特征排列为频域特征输入向量后通过所述包含一维卷积层和全连接层的序列编码器以得到频域特征向量,包括:使用所述序列编码器的一维卷积层以如下公式对所述频域特征输入向量进行一维卷积编码以提取出所述频域特征输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述频域特征输入向量,Cov2(X)表示对所述频域特征输入向量进行一维卷积编码;以及,使用所述序列编码器的全连接层以如下公式对所述高维隐含关联特征进行全连接编码以提取出所述高维隐含关联特征中各个位置的特征值的高维隐含特征,其中,所述公式为:其中X2是所述高维隐含关联特征,Y2是输出向量,W2是权重矩阵,B2是偏置向量,表示矩阵乘。
在上述基于无线控制的智能开关的控制方法中,所述分别对所述时域特征向量和所述频域特征向量进行特征分布校正以得到校正后时域特征向量和校正后频域特征向量,包括:以如下公式对所述时域特征向量进行特征分布校正以得到所述校正后时域特征向量;其中,所述公式为:
其中,V1表示所述时域特征向量,表示特征向量的二范数的平方,是所述时域特征向量的各特征值按大小次序排列的有序向量,且所述时域特征向量为列向量形式,表示向量相乘,⊙表示按位置点乘,V1'表示所述校正后时域特征向量。
在上述基于无线控制的智能开关的控制方法中,所述分别对所述时域特征向量和所述频域特征向量进行特征分布校正以得到校正后时域特征向量和校正后频域特征向量,包括:以如下公式对所述频域特征向量进行特征分布校正以得到所述校正后频域特征向量;其中,所述公式为:
其中,V2表示所述频域特征向量,表示特征向量的二范数的平方,是所述频域特征向量的各特征值按大小次序排列的有序向量,且所述频域特征向量为列向量形式,表示向量相乘,⊙表示按位置点乘,V2'表示所述校正后频域特征向量。
在上述基于无线控制的智能开关的控制方法中,所述对所述校正后时域特征向量和所述校正后频域特征向量进行关联编码以得到分类特征矩阵,包括:以如下公式对所述校正后时域特征向量和所述校正后频域特征向量进行关联编码以得到分类特征矩阵;其中,所述公式为:
在上述基于无线控制的智能开关的控制方法中,所述将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示触摸电信号是否由误触引起,包括:将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量;使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比,本申请提供的基于无线控制的智能开关,其中,所述智能开关包括:具有触摸屏的开关主体;安装于所述开关主体内的WIFI模块;以及,安装于所述开关主体内的控制器,所述控制器与所述触摸屏和所述WIFI模块可通信地连接。具体地,利用基于深度学习的人工智能技术来挖掘触摸电信号的各个时域特征间的关联性关系以及各个频域特征间的关联性关系,并综合分析时域与频域特征间关联性关系的关联特征分布以进行触摸电信号的误触检测。这样,基于用户的触摸信号特征来判断用户是不是误触,从而避免不必要的响应,以提升用户体验。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于无线控制的智能开关的框图。
图2为根据本申请实施例的基于无线控制的智能开关中控制器的框图。
图3为根据本申请实施例的基于无线控制的智能开关中控制器的架构示意图。
图4为根据本申请实施例的基于无线控制的智能开关中误触识别模块的框图。
图5为根据本申请实施例的基于无线控制的智能开关的控制方法的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上所述,目前,在通过触摸屏来进行开关控制时,用户有可能在行走时或者路过时误触到,而导致开关发生误响应。也就是,智能开关在使用过程中存在过敏问题,而如果开关过钝,则会影响到开关的正常触摸控制。因此,期待一种智能开关,其能够基于用户的触摸信号特征来判断用户是不是误触,从而避免不必要的响应,以提升用户体验,保障安全。
具体地,在本申请的技术方案中,提出了一种基于无线控制的智能开关,其包括:具有触摸屏的开关主体,也就是说,为了提升产品外观与科技性,产品人工操作模式为触摸方式。还具有安装于所述开关主体内的WIFI模块,应可以理解,智能开关需要与互联网连接,才能实现远程控制,否则智能开关无法赋于智能属性,而只能当触摸开关使用。并且具有安装于所述开关主体内的控制器,所述控制器与所述触摸屏和所述WIFI模块可通信地连接,以此来进行用户的触摸信号检测判断,避免误触造成不必要的响应,以实现智能开关的远程智能控制。
相应地,考虑到在实际进行触摸信号的误触检测判断时,可以通过对于触摸电信号的时域分析来进行,也就是,将触摸电信号的各个时域特征进行特征挖掘来进行用户是否误触的检测判断。但是,考虑到所述触摸电信号的各个时域特征具有着关联性关系,并且只使用时域分析来进行误触判断会受外界噪声的干扰造成判断的精准度难以满足实际要求,导致误判的发生。基于此,在本申请的技术方案中,期望通过对于触摸电信号的时域分析和频域分析来综合进行触摸电信号的误触检测,在此过程中,难点在于如何挖掘所述触摸电信号的各个时域特征间的关联性关系以及各个频域特征间的关联性关系,以使得能够基于用户的触摸信号特征来判断用户是不是误触,从而避免不必要的响应,以提升用户体验,保障安全。
近年来,深度学***。
深度学习以及神经网络的发展为挖掘所述触摸电信号的各个时域特征间的关联性关系以及各个频域特征间的关联性关系提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并挖掘所述触摸电信号的各个时域特征间的关联性关系以及各个频域特征间的关联性关系。
具体地,在本申请的技术方案中,首先,获取触摸电信号。接着,考虑到由于采集的触摸电信号可能会由多个触摸源共同组成,同时掺杂着环境噪声,这导致仅从所述触摸电信号的时域波形上很难区分是否是误触产生的触摸电信号,因此,在本申请的技术方案中,对所述触摸电信号进行时域特征分析以得到多个时域特征。应可以理解,在时域分析过程中,通常采用统计特征指标和相关分析来进行判断,统计特征指标包括反应信号冲击特征的有量纲指标和实现误触检测的无量纲指标,其中,有量纲指标主要包括均方根、最大值、有效值、均值、概率函数密度等,无量纲指标主要包括峰值指标、脉冲指标、裕度、峭度等。
然后,考虑到时域分析的方法虽然具有简单、便捷、直观等优点,但在强噪声环境下应用效果不理想。不同于时域分析,频域分析主要从频域角度提取特征信息,通过信号在频域的分布情况确定所述触摸电信号是否由误触引起的,其原理就是将时域信号通过傅里叶变换分解后合成频域信号。因此,进一步对所述触摸电信号进行基于傅里叶变换的频域特征分析以得到多个频域统计特征。
进一步地,考虑到所述多个时域特征中的各个时域特征都具有着关联性关系,因此,为了更为充分地提取出所述各个时域特征间的隐藏关联性特征分布信息来准确地进行误触检测,将所述多个时域特征排列为时域特征输入向量后通过包含一维卷积层和全连接层的序列编码器中进行编码,以得到时域特征向量。特别地,这里,所述序列编码器由交替设置的一维卷积层和全连接层组成,其通过一维卷积编码提取出所述各个时域特征间的关联特征,以及通过全连接编码提取所述各个时域特征的高维隐含特征。
接着,由于所述多个频域统计特征中的各个频域统计特征间也具有着关联性的关系,为了能够充分地提取出这种关联特征来提高误触检测的精准度,也将所述多个频域统计特征排列为频域特征输入向量后通过所述包含一维卷积层和全连接层的序列编码器中进行编码以得到频域特征向量。特别地,这里,所述序列编码器由交替设置的一维卷积层和全连接层组成,其通过一维卷积编码提取出所述各个频域统计特征间的关联特征,以及通过全连接编码提取所述各个频域统计特征的高维隐含特征。
然后,对所述时域特征向量和所述频域特征向量进行关联编码来融合所述触摸电信号的各个时域特征间的隐藏关联特征分布信息与各个频域统计特征间的隐藏关联特征分布信息,并以此作为分类特征矩阵来通过分类器中进行分类处理,以得到用于表示触摸电信号是否由误触引起的分类结果。也就是,在本申请的技术方案中,所述分类器的标签包括所述触摸电信号是由误触引起的,以及,所述触摸电信号不是由误触引起的,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。特别地,响应于所述触摸电信号不是由误触引起的,则通过所述控制器来通过所述WIFI模块控制产生相应的响应动作。这样,能够基于用户的触摸信号特征来判断用户是不是误触,从而避免不必要的响应,以提升用户体验,保障安全。
特别地,在本申请的技术方案中,由于所述时域特征向量表达时域特征的序列关联分布,而所述频域特征向量表达频域特征的序列关联分布,但是由于时域特征序列和频域特征序列本身的不对应性,在所述时域特征向量和所述频域特征向量进行逐位置关联得到所述分类特征矩阵,会导致所述分类特征矩阵的特征分布的结构模糊,从而降低所述分类特征矩阵的表达确定性,影响所述分类特征矩阵通过分类器得到的分类结果的准确性。
基于此,本申请的申请人首先对所述时域特征向量V1和所述频域特征向量V2进行向量的有序希尔伯特完备化,表示为:
这里,通过将有序向量映射到由向量的自内积定义的希尔伯特空间内,可以实现特征集合的数值关系在一致性空间内的有意义的度量,以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间,并基于向量查询对特征向量的高维流形进行特征向量在特征空间内的结构完备化,也就相应提升了特征向量进行关联编码得到的所述分类特征矩阵的结构完备化,从而可以避免由于模糊化结构降低所述分类特征矩阵的表达确定性,从而改进所述分类特征矩阵通过分类器得到的分类结果的准确性。这样,能够准确地对于用户是否误触进行检测判断,从而避免不必要的响应,以提升用户体验,保障安全。
基于此,本申请提供了一种基于无线控制的智能开关,其包括:具有触摸屏的开关主体;安装于所述开关主体内的WIFI模块;以及,安装于所述开关主体内的控制器,所述控制器与所述触摸屏和所述WIFI模块可通信地连接。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图1为根据本申请实施例的基于无线控制的智能开关的框图。如图1所示,根据本申请实施例的基于无线控制的智能开关100,包括:具有触摸屏的开关主体110;安装于所述开关主体内的WIFI模块120;以及,安装于所述开关主体内的控制器130,所述控制器130与所述触摸屏和所述WIFI模块120可通信地连接。
如上述背景技术部分所言,目前,在通过触摸屏来进行开关控制时,用户有可能在行走时或者路过时误触到,而导致开关发生误响应。也就是,智能开关在使用过程中存在过敏问题,而如果开关过钝,则会影响到开关的正常触摸控制。因此,期待一种智能开关,其能够基于用户的触摸信号特征来判断用户是不是误触,从而避免不必要的响应,以提升用户体验,保障安全。
在上述基于无线控制的智能开关100中,包括具有触摸屏的开关主体110。也就是说,为了提升产品外观与科技性,产品人工操作模式为触摸方式。具体地,采用触摸控制技术,其中,涉及到微小数字信号的处理,不仅需要考虑信号幅值的问题,还要考虑抗干扰性能与灵敏度等问题,避免出现出现失控的现象。另外,所述智能开关采用单火线取电技术,也就是完全替代传统开关,在没有零线的情况下,保证智能开关正常工作。并且,所述智能开关采用继电器驱动技术,也就是,由于采用单火取电技术,功率不可能做的较大,与此同时,为了提升智能开关带负载的能力,采用继电器输出,负载功率可以达到1kW甚至更高。
在上述基于无线控制的智能开关100中,包括安装于所述开关主体内的WIFI模块120。应可以理解,智能开关需要与互联网连接,才能实现远程控制,否则智能开关无法赋于智能属性,而只能当触摸开关使用。具体地,采用WiFi与蓝牙技术,并与硬件相结合,实现通信无缝衔接。
在上述基于无线控制的智能开关100中,包括安装于所述开关主体内的控制器130,所述控制器130与所述触摸屏和所述WIFI模块120可通信地连接,以此来进行用户的触摸信号检测判断,避免误触造成不必要的响应,以实现智能开关的远程智能控制。
图2为根据本申请实施例的基于无线控制的智能开关中控制器的框图。如图2所示,所述控制器130,包括:触摸信号接收模块131,用于获取触摸电信号;时域分析模块132,用于对所述触摸电信号进行时域特征分析以得到多个时域特征,所述多个时域特征包括均方根、最大值、有效值、均值、概率函数密度、峰值指标、脉冲指标、裕度和峭度;频域分析模块133,用于对所述触摸电信号进行基于傅里叶变换的频域特征分析以得到多个频域统计特征;时域关联特征提取模块134,用于将所述多个时域特征排列为时域特征输入向量后通过包含一维卷积层和全连接层的序列编码器以得到时域特征向量;频域关联特征提取模块135,用于将所述多个频域统计特征排列为频域特征输入向量后通过所述包含一维卷积层和全连接层的序列编码器以得到频域特征向量;特征分布校正模块136,用于分别对所述时域特征向量和所述频域特征向量进行特征分布校正以得到校正后时域特征向量和校正后频域特征向量;关联编码模块137,用于对所述校正后时域特征向量和所述校正后频域特征向量进行关联编码以得到分类特征矩阵;以及,误触识别模块138,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示触摸电信号是否由误触引起。
图3为根据本申请实施例的基于无线控制的智能开关中控制器的架构示意图。如图3所示,在该架构图中,首先,获取触摸电信号;接着,对所述触摸电信号进行时域特征分析以得到多个时域特征,所述多个时域特征包括均方根、最大值、有效值、均值、概率函数密度、峰值指标、脉冲指标、裕度和峭度,同时,对所述触摸电信号进行基于傅里叶变换的频域特征分析以得到多个频域统计特征;然后,将所述多个时域特征排列为时域特征输入向量后通过包含一维卷积层和全连接层的序列编码器以得到时域特征向量,同时,将所述多个频域统计特征排列为频域特征输入向量后通过所述包含一维卷积层和全连接层的序列编码器以得到频域特征向量;继而,分别对所述时域特征向量和所述频域特征向量进行特征分布校正以得到校正后时域特征向量和校正后频域特征向量;然后,对所述校正后时域特征向量和所述校正后频域特征向量进行关联编码以得到分类特征矩阵;最后,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示触摸电信号是否由误触引起。
相应地,考虑到在实际进行触摸信号的误触检测判断时,可以通过对于触摸电信号的时域分析来进行,也就是,将触摸电信号的各个时域特征进行特征挖掘来进行用户是否误触的检测判断。但是,考虑到所述触摸电信号的各个时域特征具有着关联性关系,并且只使用时域分析来进行误触判断会受外界噪声的干扰造成判断的精准度难以满足实际要求,导致误判的发生。基于此,在本申请的技术方案中,期望通过对于触摸电信号的时域分析和频域分析来综合进行触摸电信号的误触检测,在此过程中,难点在于如何挖掘所述触摸电信号的各个时域特征间的关联性关系以及各个频域特征间的关联性关系,以使得能够基于用户的触摸信号特征来判断用户是不是误触,从而避免不必要的响应,以提升用户体验,保障安全。
近年来,深度学***。
深度学习以及神经网络的发展为挖掘所述触摸电信号的各个时域特征间的关联性关系以及各个频域特征间的关联性关系提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并挖掘所述触摸电信号的各个时域特征间的关联性关系以及各个频域特征间的关联性关系。
在上述安装于所述开关主体110内的控制器130中,所述触摸信号接收模块131和所述时域分析模块132,用于获取触摸电信号,并对所述触摸电信号进行时域特征分析以得到多个时域特征,所述多个时域特征包括均方根、最大值、有效值、均值、概率函数密度、峰值指标、脉冲指标、裕度和峭度。在本申请的技术方案中,考虑到由于采集的触摸电信号可能会由多个触摸源共同组成,同时掺杂着环境噪声,这导致仅从所述触摸电信号的时域波形上很难区分是否是误触产生的触摸电信号,因此,在本申请的技术方案中,对所述触摸电信号进行时域特征分析以得到多个时域特征。
应可以理解,在时域分析过程中,通常采用统计特征指标和相关分析来进行判断,统计特征指标包括反应信号冲击特征的有量纲指标和实现误触检测的无量纲指标,其中,有量纲指标主要包括均方根、最大值、有效值、均值、概率函数密度等,无量纲指标主要包括峰值指标、脉冲指标、裕度、峭度等。
在上述安装于所述开关主体110内的控制器130中,所述频域分析模块133,用于对所述触摸电信号进行基于傅里叶变换的频域特征分析以得到多个频域统计特征。在本申请的技术方案中,考虑到时域分析的方法虽然具有简单、便捷、直观等优点,但在强噪声环境下应用效果不理想。不同于时域分析,频域分析主要从频域角度提取特征信息,通过信号在频域的分布情况确定所述触摸电信号是否由误触引起的,其原理就是将时域信号通过傅里叶变换分解后合成频域信号。因此,进一步对所述触摸电信号进行基于傅里叶变换的频域特征分析以得到多个频域统计特征。
在上述安装于所述开关主体110内的控制器130中,所述时域关联特征提取模块134,用于将所述多个时域特征排列为时域特征输入向量后通过包含一维卷积层和全连接层的序列编码器以得到时域特征向量。在本申请的技术方案中,考虑到所述多个时域特征中的各个时域特征都具有着关联性关系,因此,为了更为充分地提取出所述各个时域特征间的隐藏关联性特征分布信息来准确地进行误触检测,将所述多个时域特征排列为时域特征输入向量后通过包含一维卷积层和全连接层的序列编码器中进行编码,以得到时域特征向量。
具体地,在本申请实施例中,所述时域关联特征提取模块,包括:时域特征一维卷积编码单元,用于使用所述序列编码器的一维卷积层以如下公式对所述时域特征输入向量进行一维卷积编码以提取出所述时域特征输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述时域特征输入向量,Cov1(X)表示对所述时域特征输入向量进行一维卷积编码;以及,时域特征全连接编码单元,用于使用所述序列编码器的全连接层以如下公式对所述高维隐含关联特征进行全连接编码以提取出所述高维隐含关联特征中各个位置的特征值的高维隐含特征,其中,所述公式为: 其中X1是所述高维隐含关联特征,Y1是输出向量,W1是权重矩阵,B1是偏置向量,表示矩阵乘。
特别地,这里,所述序列编码器由交替设置的全连接层和一维卷积层组成,其通过一维卷积编码提取出所述各个时域特征间的关联特征,以及通过全连接编码提取所述各个时域特征的高维隐含特征。所述序列编码器的最后一层输出为所述时域特征向量。
在上述安装于所述开关主体110内的控制器130中,所述频域关联特征提取模块135,用于将所述多个频域统计特征排列为频域特征输入向量后通过所述包含一维卷积层和全连接层的序列编码器以得到频域特征向量。同样地,由于所述多个频域统计特征中的各个频域统计特征间也具有着关联性的关系,为了能够充分地提取出这种关联特征来提高误触检测的精准度,也将所述多个频域统计特征排列为频域特征输入向量后通过所述包含一维卷积层和全连接层的序列编码器中进行编码以得到频域特征向量。
具体地,在本申请实施例中,所述频域关联特征提取模块,包括:频域特征一维卷积编码单元,用于使用所述序列编码器的一维卷积层以如下公式对所述频域特征输入向量进行一维卷积编码以提取出所述频域特征输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述频域特征输入向量,Cov2(X)表示对所述频域特征输入向量进行一维卷积编码;以及,频域特征全连接编码单元,用于使用所述序列编码器的全连接层以如下公式对所述高维隐含关联特征进行全连接编码以提取出所述高维隐含关联特征中各个位置的特征值的高维隐含特征,其中,所述公式为: 其中X2是所述高维隐含关联特征,Y2是输出向量,W2是权重矩阵,B2是偏置向量,表示矩阵乘。
特别地,这里,所述序列编码器由交替设置的全连接层和一维卷积层组成,其通过一维卷积编码提取出所述各个频域统计特征间的关联特征,以及通过全连接编码提取所述各个频域统计特征的高维隐含特征。所述序列编码器的最后一层输出为所述频域特征向量。
在上述安装于所述开关主体110内的控制器130中,所述特征分布校正模块136,用于分别对所述时域特征向量和所述频域特征向量进行特征分布校正以得到校正后时域特征向量和校正后频域特征向量。特别地,在本申请的技术方案中,由于所述时域特征向量表达时域特征的序列关联分布,而所述频域特征向量表达频域特征的序列关联分布,但是由于时域特征序列和频域特征序列本身的不对应性,在所述时域特征向量和所述频域特征向量进行逐位置关联得到所述分类特征矩阵,会导致所述分类特征矩阵的特征分布的结构模糊,从而降低所述分类特征矩阵的表达确定性,影响所述分类特征矩阵通过分类器得到的分类结果的准确性。
基于此,本申请的申请人首先对所述时域特征向量V1和所述频域特征向量V2进行向量的有序希尔伯特完备化,表示为:
其中,V1表示所述时域特征向量,是所述时域特征向量的各特征值按大小次序排列的有序向量,且所述时域特征向量为列向量形式,V1'表示所述校正后时域特征向量,V2表示所述频域特征向量,表示特征向量的二范数的平方,即特征向量自身的内积,是所述频域特征向量的各特征值按大小次序排列的有序向量,且所述频域特征向量为列向量形式,表示向量相乘,⊙表示按位置点乘,V2'表示所述校正后频域特征向量。
这里,通过将有序向量映射到由向量的自内积定义的希尔伯特空间内,可以实现特征集合的数值关系在一致性空间内的有意义的度量,以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间,并基于向量查询对特征向量的高维流形进行特征向量在特征空间内的结构完备化,也就相应提升了特征向量进行关联编码得到的所述分类特征矩阵的结构完备化,从而可以避免由于模糊化结构降低所述分类特征矩阵的表达确定性,从而改进所述分类特征矩阵通过分类器得到的分类结果的准确性。这样,能够准确地对于用户是否误触进行检测判断,从而避免不必要的响应,以提升用户体验,保障安全。
在上述安装于所述开关主体110内的控制器130中,所述关联编码模块137,用于对所述校正后时域特征向量和所述校正后频域特征向量进行关联编码以得到分类特征矩阵。也就是,对所述时域特征向量和所述频域特征向量进行关联编码来融合所述触摸电信号的各个时域特征间的隐藏关联特征分布信息与各个频域统计特征间的隐藏关联特征分布信息,并以此作为分类特征矩阵。
具体地,在本申请实施例中,以如下公式对所述校正后时域特征向量和所述校正后频域特征向量进行关联编码以得到分类特征矩阵;其中,所述公式为:
在上述安装于所述开关主体110内的控制器130中,所述误触识别模块138,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示触摸电信号是否由误触引起。也就是,在本申请的技术方案中,所述分类器的标签包括所述触摸电信号是由误触引起的,以及,所述触摸电信号不是由误触引起的,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。特别地,响应于所述触摸电信号不是由误触引起的,则通过所述控制器来通过所述WIFI模块控制产生相应的响应动作。这样,能够基于用户的触摸信号特征来判断用户是不是误触,从而避免不必要的响应,以提升用户体验,保障安全。
图4为根据本申请实施例的基于无线控制的智能开关中误触识别模块的框图。如图4所示,所述误触识别模块138,包括:展开单元381,用于将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量;全连接单元382,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元383,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的基于无线控制的智能开关100被阐明,其中,所述智能开关包括:具有触摸屏的开关主体;安装于所述开关主体内的WIFI模块;以及,安装于所述开关主体内的控制器,所述控制器与所述触摸屏和所述WIFI模块可通信地连接。具体地,利用基于深度学习的人工智能技术来挖掘触摸电信号的各个时域特征间的关联性关系以及各个频域特征间的关联性关系,并综合分析时域与频域特征间关联性关系的关联特征分布以进行触摸电信号的误触检测。这样,基于用户的触摸信号特征来判断用户是不是误触,从而避免不必要的响应,以提升用户体验。
示例性方法
图5为根据本申请实施例的基于无线控制的智能开关的控制方法的流程图。如图5所示,根据本申请实施例的基于无线控制的智能开关的控制方法,包括:S110,获取触摸电信号;S120,对所述触摸电信号进行时域特征分析以得到多个时域特征,所述多个时域特征包括均方根、最大值、有效值、均值、概率函数密度、峰值指标、脉冲指标、裕度和峭度;S130,对所述触摸电信号进行基于傅里叶变换的频域特征分析以得到多个频域统计特征;S140,将所述多个时域特征排列为时域特征输入向量后通过包含一维卷积层和全连接层的序列编码器以得到时域特征向量;S150,将所述多个频域统计特征排列为频域特征输入向量后通过所述包含一维卷积层和全连接层的序列编码器以得到频域特征向量;S160,分别对所述时域特征向量和所述频域特征向量进行特征分布校正以得到校正后时域特征向量和校正后频域特征向量;S170,对所述校正后时域特征向量和所述校正后频域特征向量进行关联编码以得到分类特征矩阵;以及,S180,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示触摸电信号是否由误触引起。
在一个示例中,在上述基于无线控制的智能开关的控制方法中,所述将所述多个时域特征排列为时域特征输入向量后通过包含一维卷积层和全连接层的序列编码器以得到时域特征向量,包括:使用所述序列编码器的一维卷积层以如下公式对所述时域特征输入向量进行一维卷积编码以提取出所述时域特征输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述时域特征输入向量,Cov1(X)表示对所述时域特征输入向量进行一维卷积编码;以及,使用所述序列编码器的全连接层以如下公式对所述高维隐含关联特征进行全连接编码以提取出所述高维隐含关联特征中各个位置的特征值的高维隐含特征,其中,所述公式为:其中X1是所述高维隐含关联特征,Y1是输出向量,W1是权重矩阵,B1是偏置向量,表示矩阵乘。
在一个示例中,在上述基于无线控制的智能开关的控制方法中,所述将所述多个频域统计特征排列为频域特征输入向量后通过所述包含一维卷积层和全连接层的序列编码器以得到频域特征向量,包括:使用所述序列编码器的一维卷积层以如下公式对所述频域特征输入向量进行一维卷积编码以提取出所述频域特征输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述频域特征输入向量,Cov2(X)表示对所述频域特征输入向量进行一维卷积编码;以及,使用所述序列编码器的全连接层以如下公式对所述高维隐含关联特征进行全连接编码以提取出所述高维隐含关联特征中各个位置的特征值的高维隐含特征,其中,所述公式为:其中X2是所述高维隐含关联特征,Y2是输出向量,W2是权重矩阵,B2是偏置向量,表示矩阵乘。
在一个示例中,在上述基于无线控制的智能开关的控制方法中,所述分别对所述时域特征向量和所述频域特征向量进行特征分布校正以得到校正后时域特征向量和校正后频域特征向量,包括:以如下公式对所述时域特征向量进行特征分布校正以得到所述校正后时域特征向量;其中,所述公式为:
其中,V1表示所述时域特征向量,表示特征向量的二范数的平方,是所述时域特征向量的各特征值按大小次序排列的有序向量,且所述时域特征向量为列向量形式,表示向量相乘,⊙表示按位置点乘,V1'表示所述校正后时域特征向量。
在一个示例中,在上述基于无线控制的智能开关的控制方法中,所述分别对所述时域特征向量和所述频域特征向量进行特征分布校正以得到校正后时域特征向量和校正后频域特征向量,包括:以如下公式对所述频域特征向量进行特征分布校正以得到所述校正后频域特征向量;其中,所述公式为:
其中,V2表示所述频域特征向量,表示特征向量的二范数的平方,是所述频域特征向量的各特征值按大小次序排列的有序向量,且所述频域特征向量为列向量形式,表示向量相乘,⊙表示按位置点乘,V2'表示所述校正后频域特征向量。
在一个示例中,在上述基于无线控制的智能开关的控制方法中,所述对所述校正后时域特征向量和所述校正后频域特征向量进行关联编码以得到分类特征矩阵,包括:以如下公式对所述校正后时域特征向量和所述校正后频域特征向量进行关联编码以得到分类特征矩阵;其中,所述公式为:
在一个示例中,在上述基于无线控制的智能开关的控制方法中,所述将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示触摸电信号是否由误触引起,包括:将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量;使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上,本申请实施例的基于无线控制的智能开关的控制方法被阐明,其中,所述智能开关包括:具有触摸屏的开关主体;安装于所述开关主体内的WIFI模块;以及,安装于所述开关主体内的控制器,所述控制器与所述触摸屏和所述WIFI模块可通信地连接。具体地,利用基于深度学习的人工智能技术来挖掘触摸电信号的各个时域特征间的关联性关系以及各个频域特征间的关联性关系,并综合分析时域与频域特征间关联性关系的关联特征分布以进行触摸电信号的误触检测。这样,基于用户的触摸信号特征来判断用户是不是误触,从而避免不必要的响应,以提升用户体验。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种基于无线控制的智能开关,其特征在于,包括:具有触摸屏的开关主体;安装于所述开关主体内的WIFI模块;以及安装于所述开关主体内的控制器,所述控制器与所述触摸屏和所述WIFI模块可通信地连接。
2.根据权利要求1所述的基于无线控制的智能开关,其特征在于,所述控制器,包括:触摸信号接收模块,用于获取触摸电信号;时域分析模块,用于对所述触摸电信号进行时域特征分析以得到多个时域特征,所述多个时域特征包括均方根、最大值、有效值、均值、概率函数密度、峰值指标、脉冲指标、裕度和峭度;频域分析模块,用于对所述触摸电信号进行基于傅里叶变换的频域特征分析以得到多个频域统计特征;时域关联特征提取模块,用于将所述多个时域特征排列为时域特征输入向量后通过包含一维卷积层和全连接层的序列编码器以得到时域特征向量;频域关联特征提取模块,用于将所述多个频域统计特征排列为频域特征输入向量后通过所述包含一维卷积层和全连接层的序列编码器以得到频域特征向量;特征分布校正模块,用于分别对所述时域特征向量和所述频域特征向量进行特征分布校正以得到校正后时域特征向量和校正后频域特征向量;关联编码模块,用于对所述校正后时域特征向量和所述校正后频域特征向量进行关联编码以得到分类特征矩阵;以及误触识别模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示触摸电信号是否由误触引起。
3.根据权利要求2所述的基于无线控制的智能开关,其特征在于,所述时域关联特征提取模块,包括:时域特征一维卷积编码单元,用于使用所述序列编码器的一维卷积层以如下公式对所述时域特征输入向量进行一维卷积编码以提取出所述时域特征输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
4.根据权利要求3所述的基于无线控制的智能开关,其特征在于,所述频域关联特征提取模块,包括:频域特征一维卷积编码单元,用于使用所述序列编码器的一维卷积层以如下公式对所述频域特征输入向量进行一维卷积编码以提取出所述频域特征输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
8.根据权利要求7所述的基于无线控制的智能开关,其特征在于,所述误触识别模块,包括:展开单元,用于将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量;全连接单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及分类结果生成单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310019916.0A CN116015274B (zh) | 2023-01-06 | 2023-01-06 | 基于无线控制的智能开关 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310019916.0A CN116015274B (zh) | 2023-01-06 | 2023-01-06 | 基于无线控制的智能开关 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116015274A true CN116015274A (zh) | 2023-04-25 |
CN116015274B CN116015274B (zh) | 2023-12-22 |
Family
ID=86037067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310019916.0A Active CN116015274B (zh) | 2023-01-06 | 2023-01-06 | 基于无线控制的智能开关 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116015274B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930042A (zh) * | 2023-09-19 | 2023-10-24 | 常州建昊建筑鉴定检测有限公司 | 建筑防水材料性能检测设备及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070263754A1 (en) * | 2006-05-12 | 2007-11-15 | Broadcom Corporation | Hardware allocation in a multi-channel communication environment |
CN203870421U (zh) * | 2014-05-13 | 2014-10-08 | 深圳市爱乐控智能科技有限公司 | 网络无线遥控的开关面板 |
US20140334569A1 (en) * | 2011-12-01 | 2014-11-13 | Cassidian Sas | Method for estimating a radio channel |
US20170132496A1 (en) * | 2015-11-05 | 2017-05-11 | Microsoft Technology Licensing, Llc | Hardware-efficient deep convolutional neural networks |
US20200186216A1 (en) * | 2016-11-11 | 2020-06-11 | Alcatel Lucent | Method for hybrid precoding and communication device |
CN115062728A (zh) * | 2022-07-12 | 2022-09-16 | 杭州央宏信息科技有限公司 | 时频域特征级融合的情感识别方法及其*** |
CN115524027A (zh) * | 2022-10-31 | 2022-12-27 | 杭州宇嘉微科技有限公司 | 无源无线接触式温度监测***及其方法 |
-
2023
- 2023-01-06 CN CN202310019916.0A patent/CN116015274B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070263754A1 (en) * | 2006-05-12 | 2007-11-15 | Broadcom Corporation | Hardware allocation in a multi-channel communication environment |
US20140334569A1 (en) * | 2011-12-01 | 2014-11-13 | Cassidian Sas | Method for estimating a radio channel |
CN203870421U (zh) * | 2014-05-13 | 2014-10-08 | 深圳市爱乐控智能科技有限公司 | 网络无线遥控的开关面板 |
US20170132496A1 (en) * | 2015-11-05 | 2017-05-11 | Microsoft Technology Licensing, Llc | Hardware-efficient deep convolutional neural networks |
US20200186216A1 (en) * | 2016-11-11 | 2020-06-11 | Alcatel Lucent | Method for hybrid precoding and communication device |
CN115062728A (zh) * | 2022-07-12 | 2022-09-16 | 杭州央宏信息科技有限公司 | 时频域特征级融合的情感识别方法及其*** |
CN115524027A (zh) * | 2022-10-31 | 2022-12-27 | 杭州宇嘉微科技有限公司 | 无源无线接触式温度监测***及其方法 |
Non-Patent Citations (2)
Title |
---|
GABOR VARGA: "A sequential method for noise estimation in switched-capacitor systems using a switching time-frequency domain", 《2011 20TH EUROPEAN CONFERENCE ON CIRCUIT THEORY AND DESIGN (ECCTD)》, pages 1 - 5 * |
杨永雄: "电动隔离开关状态监测及诊断***的研究", 《电力安全技术》, pages 36 - 38 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930042A (zh) * | 2023-09-19 | 2023-10-24 | 常州建昊建筑鉴定检测有限公司 | 建筑防水材料性能检测设备及方法 |
CN116930042B (zh) * | 2023-09-19 | 2023-12-01 | 常州建昊建筑鉴定检测有限公司 | 建筑防水材料性能检测设备及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116015274B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271975B (zh) | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 | |
CN116015274B (zh) | 基于无线控制的智能开关 | |
CN109308522A (zh) | 一种基于循环神经网络的gis故障预测方法 | |
Ma et al. | A survey on time-series pre-trained models | |
CN103886405A (zh) | 一种基于信息熵特征和概率神经网络的锅炉燃烧工况识别方法 | |
CN115783923A (zh) | 基于大数据的电梯故障模式识别*** | |
CN110837637A (zh) | 一种脑机接口***黑盒攻击方法 | |
CN116470885B (zh) | 高压脉冲电路***及其控制方法 | |
CN114298141A (zh) | 基于深度学习的发电设备异常检测方法及*** | |
CN113762355B (zh) | 一种基于非侵入式负荷分解的用户异常用电行为检测方法 | |
CN116484740A (zh) | 一种基于挖掘电网空间拓扑特征的线路参数辨识方法 | |
CN114167982A (zh) | 一种基于张量空频耦合滤波的脑机接口*** | |
Thi et al. | Anomaly detection for partial discharge in gas-insulated switchgears using autoencoder | |
CN117407770A (zh) | 基于神经网络的高压开关柜故障模式分类及预测方法 | |
CN116306780B (zh) | 一种动态图链接生成方法 | |
CN112285632A (zh) | 一种基于vmd和样本熵的电磁式电流互感器故障诊断方法 | |
Zhang et al. | Robust fault detection approach for wind farms considering missing data tolerance and recovery | |
CN113536607B (zh) | 一种变电站信号传输***评估方法及*** | |
Wang et al. | Match-reinforcement learning with time frequency selection for bearing fault diagnosis | |
Zhang et al. | Fault line selection method based on transfer learning depthwise separable convolutional neural network | |
CN115438691A (zh) | 一种基于无线信号的小样本手势识别方法 | |
CN109726532B (zh) | 一种基于人工智能行为预测的安全管理方法 | |
Gamage et al. | Experiences with contrastive predictive coding in industrial time-series classification | |
Wang et al. | CALM: Contactless Accurate Load Monitoring via Modality Distillation | |
Long et al. | A Comprehensive Review of Signal Processing and Machine Learning Technologies for UHF PD Detection and Diagnosis (II): Pattern Recognition Approaches |
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 |