CN116736734A - 一种基于感知网络的智能家居设备控制方法及*** - Google Patents
一种基于感知网络的智能家居设备控制方法及*** Download PDFInfo
- Publication number
- CN116736734A CN116736734A CN202310987636.9A CN202310987636A CN116736734A CN 116736734 A CN116736734 A CN 116736734A CN 202310987636 A CN202310987636 A CN 202310987636A CN 116736734 A CN116736734 A CN 116736734A
- Authority
- CN
- China
- Prior art keywords
- indoor
- state data
- data
- network model
- layer
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000008447 perception Effects 0.000 claims abstract description 56
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 206010028347 Muscle twitching Diseases 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- 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)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Selective Calling Equipment (AREA)
Abstract
本发明涉及智能家居领域,特别是一种基于感知网络的智能家居设备控制方法及***。可以通过智能家居设备对室内环境中的温度、湿度、光线进行有效的智能控制,在室内环境中对室内人物的异常状态进行监控和预警。通过获取智能家居设备中的室内历史状态数据,对室内历史状态数据进行预处理,得到室内历史状态数据集;基于MLP多层感知器建立MLP多层感知网络模型,训练和测试得到目标MLP多层感知网络模型;获取室内环境状态数据和室内人物状态数据;将室内环境状态数据输入至目标MLP多层感知网络模型中进行室内环境状态识别,判断室内环境状态是否符合实时需求,判断室内人物状态识别是否异常,若是,则通过智能家居设备进行预警。
Description
技术领域
本发明涉及智能家居领域,特别是一种基于感知网络的智能家居设备控制方法及***。
背景技术
智能家居通信技术可分为有线通信技术和无线通信技术两大类。早期,智能家居多以电力线、电话线和以太网等有线的形式将家居的设备进行组网。在行业中具有一定通用性的有线通信技术的发展已经相对成熟,但是仍存在***可拓展性差、布线繁杂以及维护困难等问题。智能家居在现有技术中通常根据用户的语音指令进行对应的设备操作,在这种操作情形下通常只会根据用户的某个指令开启或者关闭一个智能家居设备,因此智能家居在实际应用中还存在无法自动根据实际情况做出家居设备指令,达到便捷的目的,无法对整体的家居设备做出连贯性的指令操作;并且无法对室内环境中具体人物的人身安全进行感知。
发明内容
本发明的目的是为了解决上述问题,设计了一种基于感知网络的智能家居设备控制方法及***。
实现上述目的本发明的技术方案为,进一步,在上述一种基于感知网络的智能家居设备控制方法中,所述所述智能家居设备控制方法包括以下步骤:
获取智能家居设备中的室内历史状态数据,对所述室内历史状态数据进行预处理,得到室内历史状态数据集;
通过FCM模糊聚类算法将所述室内历史状态数据集进行分类,得到待训练室内历史状态数据和待测试室内历史状态数据;
基于MLP多层感知器建立MLP多层感知网络模型,将所述待训练室内历史状态数据输入至所述MLP多层感知网络模型中进行训练,得到初始MLP多层感知网络模型;
将所述待测试室内历史状态数据输入至所述初始MLP多层感知网络模型中进行测试,得到目标MLP多层感知网络模型;
基于ZigBee无线传输技术获取室内实时状态数据,对所述室内实时数据进行预处理,得到实时状态数据集,将所述实时状态数据集进行分类,得到室内环境状态数据和室内人物状态数据;
将所述室内环境状态数据输入至所述目标MLP多层感知网络模型中进行室内环境状态识别,判断室内环境状态是否符合实时需求,若否,则将所述室内环境状态数据转换成对应的电信号对所述智能家居设备进行控制;
将所述室内人物状态数据输入至所述目标MLP多层感知网络模型中进行室内人物状态识别,判断室内人物状态识别是否异常,若是,则通过所述智能家居设备进行预警。
进一步,在上述智能家居设备控制方法中,所述获取智能家居设备中的室内历史状态数据,对所述室内历史状态数据进行预处理,得到室内历史状态数据集包括:
所述智能家居设备包括室内环境信息采集模块、灯光控制模块、电视控制模块、门窗控制模块、空调控制模块、家庭医疗模块、语音识别模块、图像识别模块;
获取智能家居设备中的室内历史状态数据,对所述室内历史状态数据进行归一化处理得到室内历史状态数据集;
所述室内历史状态数据集包括室内温度数据和室内人物数据分别对应的智能家居设备的控制数据,所述室内历史状态数据集至少包括180天的室内历史状态数据。
进一步,在上述智能家居设备控制方法中,所述通过FCM模糊聚类算法将所述室内历史状态数据集进行分类,得到待训练室内历史状态数据和待测试室内历史状态数据,包括:
通过FCM模糊聚类算法确定所述室内历史状态数据集的分类数m,根据所述分类数m确定迭代次数;
对所述室内历史状态数据集进行数据初始化,得到第一隶属度;
根据所述第一隶属度计算所述室内历史状态数据集聚类中心,得到第一数据集聚类中心;
根据所述第一数据集聚类中心计算得到第二隶属度,根据所述第二隶属度计算所述室内历史状态数据集,得到第二数据集聚类中心;
共计迭代m次,得到目标隶属度,根据所述目标隶属度得到待训练室内历史状态数据和待测试室内历史状态数据。
进一步,在上述智能家居设备控制方法中,所述基于MLP多层感知器建立MLP多层感知网络模型,将所述待训练室内历史状态数据输入至所述MLP多层感知网络模型中进行训练,得到初始MLP多层感知网络模型,包括:
基于MLP多层感知器建立MLP多层感知网络模型;
将所述待训练室内历史状态数据传输至所述MLP多层感知网络模型第一个隐藏层的神经元中;
计算所述MLP多层感知网络模型中的每个神经元的加权和,将输入与对应的权重相乘并求和,加上偏置项;
将所述加权和输入到激活函数中,得到激活值,所述激活值为所述神经元的输出值;
将所述MLP多层感知网络模型中的每个神经元的输出值输入至下一层神经元,直至输出层;
将所述待训练室内历史状态数据输入至所述MLP多层感知网络模型中进行重复训练,得到初始MLP多层感知网络模型。
进一步,在上述智能家居设备控制方法中,所述基于ZigBee无线传输技术获取室内实时状态数据,对所述室内实时数据进行预处理,得到实时状态数据集,将所述实时状态数据集进行分类,得到室内环境状态数据和室内人物状态数据,包括:
基于ZigBee无线传输技术获取室内实时状态数据,对所述室内实时数据进行预处理,得到实时状态数据集;
将所述实时状态数据集进行分类,得到室内环境状态数据和室内人物状态数据;
所述室内环境状态数据包括室内温度数据、室内湿度数据、室内光线亮度数据;
所述室内人物状态数据包括室内人物数量数据、室内人物姿势数据、室内人物穿着数据。
进一步,在上述智能家居设备控制方法中,所述将所述室内人物状态数据输入至所述目标MLP多层感知网络模型中进行室内人物状态识别,判断室内人物状态识别是否异常,若是,则通过所述智能家居设备进行预警,包括:
将所述室内人物状态数据输入至所述目标MLP多层感知网络模型中进行室内人物状态识别;
判断室内人物状态识别是否异常,若是,则通过所述智能家居设备进行预警;
室内人物状态异常情况包括室内人物静止不动的时间大于10min,室内人物身体抽搐时间大于1min,室内人物处于摔倒状态时间大于5min。
实现上述目的本发明的技术方案为,进一步,在上述一种基于感知网络的智能家居设备控制***中,所述智能家居设备控制***,包括:
历史数据获取模块,用于获取智能家居设备中的室内历史状态数据,对所述室内历史状态数据进行预处理,得到室内历史状态数据集;
数据分类模块,用于通过FCM模糊聚类算法将所述室内历史状态数据集进行分类,得到待训练室内历史状态数据和待测试室内历史状态数据;
模型建立模块,用于基于MLP多层感知器建立MLP多层感知网络模型,将所述待训练室内历史状态数据输入至所述MLP多层感知网络模型中进行训练,得到初始MLP多层感知网络模型;
模型测试模块,用于将所述待测试室内历史状态数据输入至所述初始MLP多层感知网络模型中进行测试,得到目标MLP多层感知网络模型;
实时数据获取模块,用于基于ZigBee无线传输技术获取室内实时状态数据,对所述室内实时数据进行预处理,得到实时状态数据集,将所述实时状态数据集进行分类,得到室内环境状态数据和室内人物状态数据;
设备控制模块,用于将所述室内环境状态数据输入至所述目标MLP多层感知网络模型中进行室内环境状态识别,判断室内环境状态是否符合实时需求,若否,则将所述室内环境状态数据转换成对应的电信号对所述智能家居设备进行控制;
设备预警模块,用于将所述室内人物状态数据输入至所述目标MLP多层感知网络模型中进行室内人物状态识别,判断室内人物状态识别是否异常,若是,则通过所述智能家居设备进行预警。
进一步,在上述一种基于感知网络的智能家居设备控制***中,所述数据分类模块包括:
迭代次数子模块,用于通过FCM模糊聚类算法确定所述室内历史状态数据集的分类数m,根据所述分类数m确定迭代次数;
数据初始化子模块,用于对所述室内历史状态数据集进行数据初始化,得到第一隶属度;
第一聚类中心子模块,用于根据所述第一隶属度计算所述室内历史状态数据集聚类中心,得到第一数据集聚类中心;
第二聚类中心子模块,用于根据所述第一数据集聚类中心计算得到第二隶属度,根据所述第二隶属度计算所述室内历史状态数据集,得到第二数据集聚类中心;
得到子模块,用于共计迭代m次,得到目标隶属度,根据所述目标隶属度得到待训练室内历史状态数据和待测试室内历史状态数据。
进一步,在上述一种基于感知网络的智能家居设备控制***中,所述设备控制模块包括:
状态识别子模块,用于将所述室内环境状态数据输入至所述目标MLP多层感知网络模型中进行室内环境状态识别;
指令输入子模块,用于判断室内环境状态是否符合实时需求,若否,则将所述室内环境状态数据转换成对应的电信号对所述智能家居设备进行控制;
需求判断子模块,用于若是,则保持室内环境状态不变,将所述室内环境状态数据输入至所述MLP多层感知网络模型中进行训练;
指令确定子模块,用于确定所述实时需求包括通过语音识别模块采集的语音指令,通过图像识别模块采集的图像指令。
其有益效果在于,通过获取智能家居设备中的室内历史状态数据,对所述室内历史状态数据进行预处理,得到室内历史状态数据集;通过FCM模糊聚类算法将所述室内历史状态数据集进行分类,得到待训练室内历史状态数据和待测试室内历史状态数据;基于MLP多层感知器建立MLP多层感知网络模型,将所述待训练室内历史状态数据输入至所述MLP多层感知网络模型中进行训练,得到初始MLP多层感知网络模型;将所述待测试室内历史状态数据输入至所述初始MLP多层感知网络模型中进行测试,得到目标MLP多层感知网络模型;基于ZigBee无线传输技术获取室内实时状态数据,对所述室内实时数据进行预处理,得到实时状态数据集,将所述实时状态数据集进行分类,得到室内环境状态数据和室内人物状态数据;将所述室内环境状态数据输入至所述目标MLP多层感知网络模型中进行室内环境状态识别,判断室内环境状态是否符合实时需求,若否,则将所述室内环境状态数据转换成对应的电信号对所述智能家居设备进行控制;将所述室内人物状态数据输入至所述目标MLP多层感知网络模型中进行室内人物状态识别,判断室内人物状态识别是否异常,若是,则通过所述智能家居设备进行预警。可以在室内环境中感知室内人物和室内环境的实时状态,通过智能家居设备对室内环境中的温度、湿度、光线进行有效的智能控制,在室内环境中对室内人物的异常状态进行监控和预警,能有效提升室内环境中的人员生活水平,保障人员的安全性。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
图1为本发明实施例中基于感知网络的智能家居设备控制方法的第一个实施例示意图;
图2为本发明实施例中基于感知网络的智能家居设备控制方法的第二个实施例示意图;
图3为本发明实施例中基于感知网络的智能家居设备控制方法的第三个实施例示意图;
图4为本发明实施例中基于感知网络的智能家居设备控制***的第一个实施例示意图;
图5为本发明实施例中基于感知网络的智能家居设备控制***的第二个实施例示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“所述”也可包括复数形式。应所述进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
下面结合附图对本发明进行具体描述,如图1所示,一种基于感知网络的智能家居设备控制方法,所述智能家居设备控制方法包括以下步骤:
步骤101、获取智能家居设备中的室内历史状态数据,对室内历史状态数据进行预处理,得到室内历史状态数据集;
具体的,本实施例中智能家居设备包括室内环境信息采集模块、灯光控制模块、电视控制模块、门窗控制模块、空调控制模块、家庭医疗模块、语音识别模块、图像识别模块;获取智能家居设备中的室内历史状态数据,对室内历史状态数据进行归一化处理得到室内历史状态数据集;室内历史状态数据集包括室内温度数据和室内人物数据分别对应的智能家居设备的控制数据,室内历史状态数据集至少包括180天的室内历史状态数据。
步骤102、通过FCM模糊聚类算法将室内历史状态数据集进行分类,得到待训练室内历史状态数据和待测试室内历史状态数据;
具体的,本实施例中通过FCM模糊聚类算法确定室内历史状态数据集的分类数m,根据分类数m确定迭代次数;对室内历史状态数据集进行数据初始化,得到第一隶属度;根据第一隶属度计算室内历史状态数据集聚类中心,得到第一数据集聚类中心;根据第一数据集聚类中心计算得到第二隶属度,根据第二隶属度计算室内历史状态数据集,得到第二数据集聚类中心;共计迭代m次,得到目标隶属度,根据目标隶属度得到待训练室内历史状态数据和待测试室内历史状态数据。
步骤103、基于MLP多层感知器建立MLP多层感知网络模型,将待训练室内历史状态数据输入至MLP多层感知网络模型中进行训练,得到初始MLP多层感知网络模型;
具体的,本实施例中基于MLP多层感知器建立MLP多层感知网络模型;将待训练室内历史状态数据传输至MLP多层感知网络模型第一个隐藏层的神经元中;计算MLP多层感知网络模型中的每个神经元的加权和,将输入与对应的权重相乘并求和,加上偏置项;将加权和输入到激活函数中,得到激活值,激活值为神经元的输出值;将MLP多层感知网络模型中的每个神经元的输出值输入至下一层神经元,直至输出层;将待训练室内历史状态数据输入至MLP多层感知网络模型中进行重复训练,得到初始MLP多层感知网络模型。
步骤104、将待测试室内历史状态数据输入至初始MLP多层感知网络模型中进行测试,得到目标MLP多层感知网络模型;
具体的,本实施例中利用链式法则对网络中的参数进行梯度更新。 在训练神经网络时,通常需要定义一个损失函数,用于评估模型预测结果与真实标签之间的差距。 反向传播算法的目标就是最小化这个损失函数。在反向传播过程中,算法首先计算损失函数对最后一层的输出的梯度,然后根据链式法则逐层向前计算各层的梯度,并利用梯度下降法更新网络中的参数。 具体地,算法会先将损失函数对输出的梯度传回网络最后一层,然后依次向前计算各层的梯度。 在计算梯度的过程中,算法会利用反向传播公式来计算当前层的梯度,然后将这个梯度传递到前一层。在更新网络参数时,算法会根据计算出的梯度和学习率来更新网络中的权重和偏置。
步骤105、基于ZigBee无线传输技术获取室内实时状态数据,对室内实时数据进行预处理,得到实时状态数据集,将实时状态数据集进行分类,得到室内环境状态数据和室内人物状态数据;
具体的,本实施例中基于ZigBee无线传输技术获取室内实时状态数据,对室内实时数据进行预处理,得到实时状态数据集;将实时状态数据集进行分类,得到室内环境状态数据和室内人物状态数据;室内环境状态数据包括室内温度数据、室内湿度数据、室内光线亮度数据;室内人物状态数据包括室内人物数量数据、室内人物姿势数据、室内人物穿着数据。
步骤106、将室内环境状态数据输入至目标MLP多层感知网络模型中进行室内环境状态识别,判断室内环境状态是否符合实时需求,若否,则将室内环境状态数据转换成对应的电信号对智能家居设备进行控制;
具体的,本实施例中将室内环境状态数据输入至目标MLP多层感知网络模型中进行室内环境状态识别;判断室内环境状态是否符合实时需求,若否,则将室内环境状态数据转换成对应的电信号对智能家居设备进行控制;若是,则保持室内环境状态不变,将室内环境状态数据输入至MLP多层感知网络模型中进行训练;实时需求包括通过语音识别模块采集的语音指令,通过图像识别模块采集的图像指令。
步骤107、将室内人物状态数据输入至目标MLP多层感知网络模型中进行室内人物状态识别,判断室内人物状态识别是否异常,若是,则通过智能家居设备进行预警。
具体的,本实施例中将室内人物状态数据输入至目标MLP多层感知网络模型中进行室内人物状态识别;判断室内人物状态识别是否异常,若是,则通过智能家居设备进行预警;室内人物状态异常情况包括室内人物静止不动的时间大于10min,室内人物身体抽搐时间大于1min,室内人物处于摔倒状态时间大于5min。
其有益效果在于,通过获取智能家居设备中的室内历史状态数据,对室内历史状态数据进行预处理,得到室内历史状态数据集;通过FCM模糊聚类算法将室内历史状态数据集进行分类,得到待训练室内历史状态数据和待测试室内历史状态数据;基于MLP多层感知器建立MLP多层感知网络模型,将待训练室内历史状态数据输入至MLP多层感知网络模型中进行训练,得到初始MLP多层感知网络模型;将待测试室内历史状态数据输入至初始MLP多层感知网络模型中进行测试,得到目标MLP多层感知网络模型;基于ZigBee无线传输技术获取室内实时状态数据,对室内实时数据进行预处理,得到实时状态数据集,将实时状态数据集进行分类,得到室内环境状态数据和室内人物状态数据;将室内环境状态数据输入至目标MLP多层感知网络模型中进行室内环境状态识别,判断室内环境状态是否符合实时需求,若否,则将室内环境状态数据转换成对应的电信号对智能家居设备进行控制;将室内人物状态数据输入至目标MLP多层感知网络模型中进行室内人物状态识别,判断室内人物状态识别是否异常,若是,则通过智能家居设备进行预警。可以在室内环境中感知室内人物和室内环境的实时状态,通过智能家居设备对室内环境中的温度、湿度、光线进行有效的智能控制,在室内环境中对室内人物的异常状态进行监控和预警,能有效提升室内环境中的人员生活水平,保障人员的安全性。
本实施例中,请参阅图2,本发明实施例中一种基于感知网络的智能家居设备控制方法的第二个实施例,通过FCM模糊聚类算法将室内历史状态数据集进行分类,得到待训练室内历史状态数据和待测试室内历史状态数据包括以下步骤:
步骤201、通过FCM模糊聚类算法确定室内历史状态数据集的分类数m,根据分类数m确定迭代次数;
步骤202、对室内历史状态数据集进行数据初始化,得到第一隶属度;
步骤203、根据第一隶属度计算室内历史状态数据集聚类中心,得到第一数据集聚类中心;
步骤204、根据第一数据集聚类中心计算得到第二隶属度,根据第二隶属度计算室内历史状态数据集,得到第二数据集聚类中心;
步骤205、共计迭代m次,得到目标隶属度,根据目标隶属度得到待训练室内历史状态数据和待测试室内历史状态数据。
本实施例中,请参阅图3,本发明实施例中一种基于感知网络的智能家居设备控制方法的第三个实施例,获取待测试图像数据集,利用待测试图像数据集对第一AGCN图像处理识别模型进行测试,得到第二AGCN图像处理识别模型包括以下步骤:
步骤301、基于ZigBee无线传输技术获取室内实时状态数据,对室内实时数据进行预处理,得到实时状态数据集;
步骤301、将实时状态数据集进行分类,得到室内环境状态数据和室内人物状态数据;
步骤301、室内环境状态数据包括室内温度数据、室内湿度数据、室内光线亮度数据;
步骤301、室内人物状态数据包括室内人物数量数据、室内人物姿势数据、室内人物穿着数据。
上面对本发明实施例提供的一种基于感知网络的智能家居设备控制方法进行了描述,下面对本发明实施例的一种基于感知网络的智能家居设备控制***进行描述,请参阅图4,本发明实施例中智能家居设备控制***一个实施例包括:
历史数据获取模块,用于获取智能家居设备中的室内历史状态数据,对室内历史状态数据进行预处理,得到室内历史状态数据集;
数据分类模块,用于通过FCM模糊聚类算法将室内历史状态数据集进行分类,得到待训练室内历史状态数据和待测试室内历史状态数据;
模型建立模块,用于基于MLP多层感知器建立MLP多层感知网络模型,将待训练室内历史状态数据输入至MLP多层感知网络模型中进行训练,得到初始MLP多层感知网络模型;
模型测试模块,用于将待测试室内历史状态数据输入至初始MLP多层感知网络模型中进行测试,得到目标MLP多层感知网络模型;
实时数据获取模块,用于基于ZigBee无线传输技术获取室内实时状态数据,对室内实时数据进行预处理,得到实时状态数据集,将实时状态数据集进行分类,得到室内环境状态数据和室内人物状态数据;
设备控制模块,用于将室内环境状态数据输入至目标MLP多层感知网络模型中进行室内环境状态识别,判断室内环境状态是否符合实时需求,若否,则将室内环境状态数据转换成对应的电信号对智能家居设备进行控制;
设备预警模块,用于将室内人物状态数据输入至目标MLP多层感知网络模型中进行室内人物状态识别,判断室内人物状态识别是否异常,若是,则通过智能家居设备进行预警。
本实施例中,请参阅图5,本发明实施例中一种基于感知网络的智能家居设备控制***的第二个实施例,模型生成模块包括:
状态识别子模块,用于将室内环境状态数据输入至目标MLP多层感知网络模型中进行室内环境状态识别;
指令输入子模块,用于判断室内环境状态是否符合实时需求,若否,则将室内环境状态数据转换成对应的电信号对智能家居设备进行控制;
需求判断子模块,用于若是,则保持室内环境状态不变,将室内环境状态数据输入至MLP多层感知网络模型中进行训练;
指令确定子模块,用于确定实时需求包括通过语音识别模块采集的语音指令,通过图像识别模块采集的图像指令。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应所述了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变和改进,这些变和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于感知网络的智能家居设备控制方法,其特征在于,所述智能家居设备控制方法包括以下步骤:
获取智能家居设备中的室内历史状态数据,对所述室内历史状态数据进行预处理,得到室内历史状态数据集;
通过FCM模糊聚类算法将所述室内历史状态数据集进行分类,得到待训练室内历史状态数据和待测试室内历史状态数据;
基于MLP多层感知器建立MLP多层感知网络模型,将所述待训练室内历史状态数据输入至所述MLP多层感知网络模型中进行训练,得到初始MLP多层感知网络模型;
将所述待测试室内历史状态数据输入至所述初始MLP多层感知网络模型中进行测试,得到目标MLP多层感知网络模型;
基于ZigBee无线传输技术获取室内实时状态数据,对所述室内实时数据进行预处理,得到实时状态数据集,将所述实时状态数据集进行分类,得到室内环境状态数据和室内人物状态数据;
将所述室内环境状态数据输入至所述目标MLP多层感知网络模型中进行室内环境状态识别,判断室内环境状态是否符合实时需求,若否,则将所述室内环境状态数据转换成对应的电信号对所述智能家居设备进行控制;
将所述室内人物状态数据输入至所述目标MLP多层感知网络模型中进行室内人物状态识别,判断室内人物状态识别是否异常,若是,则通过所述智能家居设备进行预警。
2.如权利要求1所述的一种基于感知网络的智能家居设备控制方法,其特征在于,所述获取智能家居设备中的室内历史状态数据,对所述室内历史状态数据进行预处理,得到室内历史状态数据集包括:
所述智能家居设备包括室内环境信息采集模块、灯光控制模块、电视控制模块、门窗控制模块、空调控制模块、家庭医疗模块、语音识别模块、图像识别模块;
获取智能家居设备中的室内历史状态数据,对所述室内历史状态数据进行归一化处理得到室内历史状态数据集;
所述室内历史状态数据集包括室内温度数据和室内人物数据分别对应的智能家居设备的控制数据,所述室内历史状态数据集至少包括180天的室内历史状态数据。
3.如权利要求1所述的一种基于感知网络的智能家居设备控制方法,其特征在于,所述通过FCM模糊聚类算法将所述室内历史状态数据集进行分类,得到待训练室内历史状态数据和待测试室内历史状态数据,包括:
通过FCM模糊聚类算法确定所述室内历史状态数据集的分类数m,根据所述分类数m确定迭代次数;
对所述室内历史状态数据集进行数据初始化,得到第一隶属度;
根据所述第一隶属度计算所述室内历史状态数据集聚类中心,得到第一数据集聚类中心;
根据所述第一数据集聚类中心计算得到第二隶属度,根据所述第二隶属度计算所述室内历史状态数据集,得到第二数据集聚类中心;
共计迭代m次,得到目标隶属度,根据所述目标隶属度得到待训练室内历史状态数据和待测试室内历史状态数据。
4.如权利要求1所述的一种基于感知网络的智能家居设备控制方法,其特征在于,所述基于MLP多层感知器建立MLP多层感知网络模型,将所述待训练室内历史状态数据输入至所述MLP多层感知网络模型中进行训练,得到初始MLP多层感知网络模型,包括:
基于MLP多层感知器建立MLP多层感知网络模型;
将所述待训练室内历史状态数据传输至所述MLP多层感知网络模型第一个隐藏层的神经元中;
计算所述MLP多层感知网络模型中的每个神经元的加权和,将输入与对应的权重相乘并求和,加上偏置项;
将所述加权和输入到激活函数中,得到激活值,所述激活值为所述神经元的输出值;
将所述MLP多层感知网络模型中的每个神经元的输出值输入至下一层神经元,直至输出层;
将所述待训练室内历史状态数据输入至所述MLP多层感知网络模型中进行重复训练,得到初始MLP多层感知网络模型。
5.如权利要求1所述的一种基于感知网络的智能家居设备控制方法,其特征在于,所述基于ZigBee无线传输技术获取室内实时状态数据,对所述室内实时数据进行预处理,得到实时状态数据集,将所述实时状态数据集进行分类,得到室内环境状态数据和室内人物状态数据,包括:
基于ZigBee无线传输技术获取室内实时状态数据,对所述室内实时数据进行预处理,得到实时状态数据集;
将所述实时状态数据集进行分类,得到室内环境状态数据和室内人物状态数据;
所述室内环境状态数据包括室内温度数据、室内湿度数据、室内光线亮度数据;
所述室内人物状态数据包括室内人物数量数据、室内人物姿势数据、室内人物穿着数据。
6.如权利要求1所述的一种基于感知网络的智能家居设备控制方法,其特征在于,所述将所述室内环境状态数据输入至所述目标MLP多层感知网络模型中进行室内环境状态识别,判断室内环境状态是否符合实时需求,若否,则将所述室内环境状态数据转换成对应的电信号对所述智能家居设备进行控制,包括:
将所述室内环境状态数据输入至所述目标MLP多层感知网络模型中进行室内环境状态识别;
判断室内环境状态是否符合实时需求,若否,则将所述室内环境状态数据转换成对应的电信号对所述智能家居设备进行控制;
若是,则保持室内环境状态不变,将所述室内环境状态数据输入至所述MLP多层感知网络模型中进行训练;
所述实时需求包括通过语音识别模块采集的语音指令,通过图像识别模块采集的图像指令。
7.如权利要求1所述的一种基于感知网络的智能家居设备控制方法,其特征在于,所述将所述室内人物状态数据输入至所述目标MLP多层感知网络模型中进行室内人物状态识别,判断室内人物状态识别是否异常,若是,则通过所述智能家居设备进行预警,包括:
将所述室内人物状态数据输入至所述目标MLP多层感知网络模型中进行室内人物状态识别;
判断室内人物状态识别是否异常,若是,则通过所述智能家居设备进行预警;
室内人物状态异常情况包括室内人物静止不动的时间大于10min,室内人物身体抽搐时间大于1min,室内人物处于摔倒状态时间大于5min。
8.一种基于感知网络的智能家居设备控制***,其特征在于,所述智能家居设备控制***包括:
历史数据获取模块,用于获取智能家居设备中的室内历史状态数据,对所述室内历史状态数据进行预处理,得到室内历史状态数据集;
数据分类模块,用于通过FCM模糊聚类算法将所述室内历史状态数据集进行分类,得到待训练室内历史状态数据和待测试室内历史状态数据;
模型建立模块,用于基于MLP多层感知器建立MLP多层感知网络模型,将所述待训练室内历史状态数据输入至所述MLP多层感知网络模型中进行训练,得到初始MLP多层感知网络模型;
模型测试模块,用于将所述待测试室内历史状态数据输入至所述初始MLP多层感知网络模型中进行测试,得到目标MLP多层感知网络模型;
实时数据获取模块,用于基于ZigBee无线传输技术获取室内实时状态数据,对所述室内实时数据进行预处理,得到实时状态数据集,将所述实时状态数据集进行分类,得到室内环境状态数据和室内人物状态数据;
设备控制模块,用于将所述室内环境状态数据输入至所述目标MLP多层感知网络模型中进行室内环境状态识别,判断室内环境状态是否符合实时需求,若否,则将所述室内环境状态数据转换成对应的电信号对所述智能家居设备进行控制;
设备预警模块,用于将所述室内人物状态数据输入至所述目标MLP多层感知网络模型中进行室内人物状态识别,判断室内人物状态识别是否异常,若是,则通过所述智能家居设备进行预警。
9.如权利要求8所述的一种基于感知网络的智能家居设备控制***,其特征在于,所述数据分类模块包括:
迭代次数子模块,用于通过FCM模糊聚类算法确定所述室内历史状态数据集的分类数m,根据所述分类数m确定迭代次数;
数据初始化子模块,用于对所述室内历史状态数据集进行数据初始化,得到第一隶属度;
第一聚类中心子模块,用于根据所述第一隶属度计算所述室内历史状态数据集聚类中心,得到第一数据集聚类中心;
第二聚类中心子模块,用于根据所述第一数据集聚类中心计算得到第二隶属度,根据所述第二隶属度计算所述室内历史状态数据集,得到第二数据集聚类中心;
得到子模块,用于共计迭代m次,得到目标隶属度,根据所述目标隶属度得到待训练室内历史状态数据和待测试室内历史状态数据。
10.如权利要求8所述的一种基于感知网络的智能家居设备控制***,其特征在于,所述设备控制模块包括:
状态识别子模块,用于将所述室内环境状态数据输入至所述目标MLP多层感知网络模型中进行室内环境状态识别;
指令输入子模块,用于判断室内环境状态是否符合实时需求,若否,则将所述室内环境状态数据转换成对应的电信号对所述智能家居设备进行控制;
需求判断子模块,用于若是,则保持室内环境状态不变,将所述室内环境状态数据输入至所述MLP多层感知网络模型中进行训练;
指令确定子模块,用于确定所述实时需求包括通过语音识别模块采集的语音指令,通过图像识别模块采集的图像指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987636.9A CN116736734A (zh) | 2023-08-08 | 2023-08-08 | 一种基于感知网络的智能家居设备控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987636.9A CN116736734A (zh) | 2023-08-08 | 2023-08-08 | 一种基于感知网络的智能家居设备控制方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116736734A true CN116736734A (zh) | 2023-09-12 |
Family
ID=87915338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310987636.9A Pending CN116736734A (zh) | 2023-08-08 | 2023-08-08 | 一种基于感知网络的智能家居设备控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116736734A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057784A (zh) * | 2023-10-10 | 2023-11-14 | 智隆(广州)网络科技有限公司 | 一种路灯运行状态监测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111352348A (zh) * | 2018-12-24 | 2020-06-30 | 北京三星通信技术研究有限公司 | 设备控制方法、装置、电子设备及计算机可读存储介质 |
CN111413874A (zh) * | 2019-01-08 | 2020-07-14 | 北京京东尚科信息技术有限公司 | 用于控制智能设备的方法、装置和*** |
CN112255928A (zh) * | 2020-10-30 | 2021-01-22 | 北京金山云网络技术有限公司 | 智能家居的控制方法、装置、***及电子设备 |
-
2023
- 2023-08-08 CN CN202310987636.9A patent/CN116736734A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111352348A (zh) * | 2018-12-24 | 2020-06-30 | 北京三星通信技术研究有限公司 | 设备控制方法、装置、电子设备及计算机可读存储介质 |
CN111413874A (zh) * | 2019-01-08 | 2020-07-14 | 北京京东尚科信息技术有限公司 | 用于控制智能设备的方法、装置和*** |
CN112255928A (zh) * | 2020-10-30 | 2021-01-22 | 北京金山云网络技术有限公司 | 智能家居的控制方法、装置、***及电子设备 |
Non-Patent Citations (1)
Title |
---|
姑榭花雨: "多层感知器", pages 42 - 44, Retrieved from the Internet <URL:http://blog.csdn.net/m0_68066449/article/details/124918882> * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057784A (zh) * | 2023-10-10 | 2023-11-14 | 智隆(广州)网络科技有限公司 | 一种路灯运行状态监测方法及*** |
CN117057784B (zh) * | 2023-10-10 | 2024-01-30 | 智隆(广州)网络科技有限公司 | 一种路灯运行状态监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11941868B2 (en) | Inference apparatus, inference method, and computer-readable storage medium storing an inference program | |
CN108764059B (zh) | 一种基于神经网络的人体行为识别方法及*** | |
CN112906735B (zh) | 一种食用菌环境大数据检测*** | |
CN108983625B (zh) | 一种智能家居***及服务生成方法 | |
CN109891436A (zh) | 基于深度学习神经网络的安保***及其控制方法 | |
CN116736734A (zh) | 一种基于感知网络的智能家居设备控制方法及*** | |
CN110852382A (zh) | 一种基于时空多特征提取的行为识别***及其工作方法 | |
CN115527203B (zh) | 一种基于物联网的谷物干燥远程控制方法及*** | |
CN107976934B (zh) | 一种基于无线传感器网络的油罐车油气泄漏速度智能预警*** | |
CN113359502B (zh) | 一种基于人工智能的智能家居多传感器检测方法、***及存储介质 | |
US12014271B2 (en) | Training image classifiers | |
CN114417242B (zh) | 畜禽活动信息的大数据检测*** | |
Guan et al. | Application of a novel PNN evaluation algorithm to a greenhouse monitoring system | |
CN111696684A (zh) | 一种智能测温物联网大数据预警平台的方法 | |
Chen et al. | Improve the Accuracy of Fall Detection Based on Artificial Intelligence Algorithm. | |
CN110869859B (zh) | 用于确定机床主轴状态的装置和方法 | |
US20220101066A1 (en) | Reducing false detections for night vision cameras | |
CN115327942A (zh) | 一种环境智能监测*** | |
CN114594692A (zh) | 一种基于手机端与物联网的智能家居控制*** | |
CN114390376A (zh) | 火灾大数据远程探测与预警*** | |
CN112133405A (zh) | 一种智慧社区的儿童营养状态评定方法及*** | |
Shao et al. | A fuzzy inference-based spiking neural network for behavior estimation in elderly health care system | |
George et al. | Smart personalized learning system for energy management in buildings | |
CN117968774B (zh) | 用于架空输电线路牵引放线作业的智能监测与控制*** | |
US20230011337A1 (en) | Progressive deep metric learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230912 |