CN117113211B - 用于独居老人的智能化用水监测***及其方法 - Google Patents
用于独居老人的智能化用水监测***及其方法 Download PDFInfo
- Publication number
- CN117113211B CN117113211B CN202310061585.7A CN202310061585A CN117113211B CN 117113211 B CN117113211 B CN 117113211B CN 202310061585 A CN202310061585 A CN 202310061585A CN 117113211 B CN117113211 B CN 117113211B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- water
- water consumption
- feature
- matrix
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 361
- 238000012544 monitoring process Methods 0.000 title claims abstract description 254
- 238000000034 method Methods 0.000 title claims description 44
- 239000013598 vector Substances 0.000 claims description 135
- 239000011159 matrix material Substances 0.000 claims description 109
- 238000001514 detection method Methods 0.000 claims description 41
- 238000013527 convolutional neural network Methods 0.000 claims description 35
- 238000010586 diagram Methods 0.000 claims description 32
- 238000012937 correction Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 19
- 238000004590 computer program Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Alarm Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
Abstract
公开了一种用于独居老人的智能化用水监测***及其方法,其从多个独居老人的多天的用水量监测数据中提取各个独居老人的用水量在时间维度上的关联模式特征,并计算待评估独居老人的用水监测特征向量与其他用水监测特征向量之间的协方差矩阵来表征待评估独家老人与其他独家老人之间用水模式特征的差异,以此来对独家老人的用水量是否正常来进行智能监测。通过这样的方式,为社区提供孤老群体用水动态信息,帮助及时掌握老人群体生活情况。
Description
技术领域
本申请涉及社区管理领域,且更为具体地,涉及一种用于独居老人的智能化用水监测***及其方法。
背景技术
随着我国老龄化的进程推进,在社区管理中,独居老人的监管和服务逐渐成为社会面的普遍挑战。孤寡老人一个人独居的生活,存在诸多不确定要素,如果无法掌握独居老人的生活情况,有可能在发生意外灾害或者紧急状况时,无法及时地给予帮助。
因此,期待一种用于独居老人的监测方案。
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用于独居老人的智能化用水监测***及其方法,其从多个独居老人的多天的用水量监测数据中提取各个独居老人的用水量在时间维度上的关联模式特征,并计算待评估独居老人的用水监测特征向量与其他用水监测特征向量之间的协方差矩阵来表征待评估独家老人与其他独家老人之间用水模式特征的差异,以此来对独家老人的用水量是否正常来进行智能监测。通过这样的方式,为社区提供孤老群体用水动态信息,帮助及时掌握老人群体生活情况。
相应地,根据本申请的一个方面,提供了一种用于独居老人的智能化用水监测***,其包括:
用水量监测模块,用于获取待监测园区内多个独居老人的多天的用水量监测数据;
结构化模块,用于将所述各个独居老人的多天的用水量监测数据按照时间维度构造为用水量监测矩阵以得到多个用水量监测矩阵;
多重检测模块,用于将所述多个用水量监测矩阵输入包含多个用水特征编码器的多重检测模型以得到多个用水监测特征向量,其中,所述多个用水特征编码器具有相同的网络结构;
待评估对象数据提取模块,用于从所述多个用水监测特征向量中提取待评估独居老人的用水监测特征向量;
差异度量模块,用于计算所述待评估独居老人的用水监测特征向量与所述多个用水监测特征向量中其他用水监测特征向量之间的协方差矩阵以得到多个协方差矩阵;
差异分布校正模块,用于对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵;
模式特征提取模块,用于将所述多个校正后协方差矩阵按照样本维度排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到分类特征图;以及
监测结果生成模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待评估独居老人的用水是否正常。
在上述用于独居老人的智能化用水监测***中,所述结构化模块,包括:行向量构造单元,用于将所述各个独居老人的各天的用水量检测数据排列为用水量检测行向量以得到多个用水量检测行向量;以及,二维排列单元,用于将各个独居老人的多个用水量检测行向量进行二维排列以得到所述多个用水量监测矩阵。
在上述用于独居老人的智能化用水监测***中,所述用水特征编码器为作为过滤器的卷积神经网络模型。
在上述用于独居老人的智能化用水监测***中,所述作为过滤器的卷积神经网络模型为深度残差网络。
在上述用于独居老人的智能化用水监测***中,所述差异分布校正模块,进一步用于:以如下公式对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵;其中,所述公式为:
其中,Mi’和Mi分别为第i个校正后协方差矩阵和第i个协方差矩阵,且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除,ReLU(·)表示ReLU激活函数,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值,表示矩阵相乘。
在上述用于独居老人的智能化用水监测***中,所述模式特征提取模块,进一步用于:使用所述三维卷积核的卷积神经网络模型在层的正向传递中对输入数据分别进行:基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述卷积神经网络模型的最后一层的输出为所述分类特征图,所述卷积神经网络模型的第一层的输入为所述三维输入张量。
在上述用于独居老人的智能化用水监测***中,所述监测结果生成模块,包括:展开单元,用于将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量;全连接编码单元,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,还提供了一种用于独居老人的智能化用水监测方法,其包括:
获取待监测园区内多个独居老人的多天的用水量监测数据;
将所述各个独居老人的多天的用水量监测数据按照时间维度构造为用水量监测矩阵以得到多个用水量监测矩阵;
将所述多个用水量监测矩阵输入包含多个用水特征编码器的多重检测模型以得到多个用水监测特征向量,其中,所述多个用水特征编码器具有相同的网络结构;
从所述多个用水监测特征向量中提取待评估独居老人的用水监测特征向量;
计算所述待评估独居老人的用水监测特征向量与所述多个用水监测特征向量中其他用水监测特征向量之间的协方差矩阵以得到多个协方差矩阵;
对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵;
将所述多个校正后协方差矩阵按照样本维度排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到分类特征图;以及
将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待评估独居老人的用水是否正常。
在上述用于独居老人的智能化用水监测方法中,所述将所述各个独居老人的多天的用水量监测数据按照时间维度构造为用水量监测矩阵以得到多个用水量监测矩阵,包括:将所述各个独居老人的各天的用水量检测数据排列为用水量检测行向量以得到多个用水量检测行向量;以及,将各个独居老人的多个用水量检测行向量进行二维排列以得到所述多个用水量监测矩阵。
在上述用于独居老人的智能化用水监测方法中,所述用水特征编码器为作为过滤器的卷积神经网络模型。
在上述用于独居老人的智能化用水监测方法中,所述作为过滤器的卷积神经网络模型为深度残差网络。
在上述用于独居老人的智能化用水监测方法中,所述对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵,包括:以如下公式对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵;其中,所述公式为:
其中,Mi’和Mi分别为第i个校正后协方差矩阵和第i个协方差矩阵,且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除,ReLU(·)表示ReLU激活函数,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值,表示矩阵相乘。
在上述用于独居老人的智能化用水监测方法中,所述将所述多个校正后协方差矩阵按照样本维度排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到分类特征图,包括:使用所述三维卷积核的卷积神经网络模型在层的正向传递中对输入数据分别进行:基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述卷积神经网络模型的最后一层的输出为所述分类特征图,所述卷积神经网络模型的第一层的输入为所述三维输入张量。
在上述用于独居老人的智能化用水监测方法中,所述将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待评估独居老人的用水是否正常,包括:将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量;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。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于独居老人的智能化用水监测方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于独居老人的智能化用水监测方法。
与现有技术相比,本申请提供的用于独居老人的智能化用水监测***及其方法,其从多个独居老人的多天的用水量监测数据中提取各个独居老人的用水量在时间维度上的关联模式特征,并计算待评估独居老人的用水监测特征向量与其他用水监测特征向量之间的协方差矩阵来表征待评估独家老人与其他独家老人之间用水模式特征的差异,以此来对独家老人的用水量是否正常来进行智能监测。通过这样的方式,为社区提供孤老群体用水动态信息,帮助及时掌握老人群体生活情况。
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用于独居老人的智能化用水监测***的框图。
图2为根据本申请实施例的用于独居老人的智能化用水监测***的架构示意图。
图3为根据本申请实施例的用于独居老人的智能化用水监测***中监测结果生成模块的框图。
图4为根据本申请实施例的用于独居老人的智能化用水监测方法的流程图。
图5为根据本申请实施例的电子设备的框图。
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,孤寡老人一个人独居的生活,存在诸多不确定要素,如果无法掌握独居老人的生活情况,有可能在发生意外灾害或者紧急状况时,无法及时地给予帮助。因此,期待一种用于独居老人的监测方案。
在本申请的技术方案中,本申请人能够对独居老人的提供24小时不间断、无感化用水监测、从而能基于所采集的用水监测数据来进行异常状态诊断及时推送预警,为社区提供孤老群体用水动态信息,帮助及时掌握老人群体生活情况,从而帮助社区更好地为居民服务。具体地,在本申请的技术方案中,考虑到园区中的独居老人间通常具有相似的生活模式,因此,可基于独家老人间的用水特征之间的协方差矩阵来表示待评估独家老人的用水模式特征与其他独家老人的用水模式特征之间的差异,以此来对独家老人的用水量是否正常来进行智能监测。
具体地,在本申请的技术方案中,首先获取待监测园区内多个独居老人的多天的用水量监测数据,这里,所述用水量监测数据表示一天中独居老人所使用的用水量数据,可通过水表数据来计算。接着,将所述各个独居老人的多天的用水量监测数据按照时间维度构造为用水量监测矩阵以得到多个用水量监测矩阵。具体地,将各天的用水量监测数据按照时间维度排列为行向量,并以天为时间维度将各天的行向量进行二维排列以得到所述用水量监测矩阵。
进而,将所述多个用水量监测矩阵输入包含多个用水特征编码器的多重检测模型以得到多个用水监测特征向量,其中,所述多个用水特征编码器具有相同的网络结构。也就是,使用包含多个用水特征编码器的多重检测模型提取各个独居老人的用水量在时间维度上的关联模式特征。应注意到,在本申请的技术方案中,所述多个用水特征编码器具有相同的网络结构,因此,如果所述多个用水量监测矩阵具有相同的数据结构,最终得到的所述多个用水监测特征向量会具有相同的特征分布,而如果所述多个用水量监测矩阵的数据结构分布间存在差异,这也会在所述多个用水监测特征向量间得以体现。
特别地,在本申请一个具体的示例中,所述多个用水特征编码器的结构为作为过滤器的卷积神经网络模型,例如,ResNet 150等。
接着,从所述多个用水监测特征向量中提取待评估独居老人的用水监测特征向量,并计算所述待评估独居老人的用水监测特征向量与所述多个用水监测特征向量中其他用水监测特征向量之间的协方差矩阵以得到多个协方差矩阵。也就是,考虑到园区中的独居老人间通常具有相似的生活模式,因此,基于独家老人间的用水特征之间的协方差矩阵来表示待评估独家老人的用水模式特征与其他独家老人的用水模式特征之间的差异。
特别地,在本申请的技术方案中,所述协方差矩阵中各个位置的特征值为所述待评估独居老人的用水监测特征向量与所述多个用水监测特征向量中其他用水监测特征向量中相应位置的特征值之间的方差,但因在使用所述用水特征编码器进行用水特征提取的过程中,难免会因源数据的离群值或者特征提取过程中的编码损失而引入离群值,这会在所述协方差矩阵的局部特征分布中引入相对于全局特征分布的负相关值,从而影响所述协方差矩阵的表达准确性。
本申请的申请人采用全正投影非线性重加权的方式对所述协方差矩阵进行修正,表示为:
Mi’和Mi分别为修正后和修正前的所述协方差矩阵,且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除。这里,所述全正投影非线性重加权通过ReLU函数来保证投影的全正以避免聚合负相关的信息,并同时引入非线性重加权机制来聚集所述协方差矩阵的特征值分布,以使得修正后的所述协方差矩阵的内在结构能够惩罚远距离连接而加强局部性耦合。这样,就实现了所述协方差矩阵在高维特征空间内的与全正投影重加权对应的空间特征变换的协同效果,从而消除了所述协方差矩阵的局部特征分布中相对于全局特征分布的负相关值,提高了所述协方差矩阵的表达准确性。
接着,将所述多个校正后协方差矩阵按照样本维度排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到分类特征图。也就是,沿着样本维度将所述多个校正后协方差矩阵进行聚合以得到三维输入张量,接着,以所述三维卷积核的卷积神经网络模型对所述三维输入张量进行基于三维卷积核的特征提取,以捕捉各个独居老人的用水特征间的高维隐含关联模式特征。进而将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待评估独居老人的用水是否正常,也就是,以所述分类器来确定所述分类特征图的类概率标签,其中,所述类概率标签包括待评估独居老人的用水正常(第一标签),以及,待评估独居老人的用水不正常(第二标签)。
在本申请的技术方案中,当所述分类结果为待评估独居老人的用水不正常时,可生成预警提示给社区管理人员或者独居老人的亲属,以避免不必要的损失或者伤害的发生。
基于此,本申请提供了一种用于独居老人的智能化用水监测***,其包括:用水量监测模块,用于获取待监测园区内多个独居老人的多天的用水量监测数据;结构化模块,用于将所述各个独居老人的多天的用水量监测数据按照时间维度构造为用水量监测矩阵以得到多个用水量监测矩阵;多重检测模块,用于将所述多个用水量监测矩阵输入包含多个用水特征编码器的多重检测模型以得到多个用水监测特征向量,其中,所述多个用水特征编码器具有相同的网络结构;待评估对象数据提取模块,用于从所述多个用水监测特征向量中提取待评估独居老人的用水监测特征向量;差异度量模块,用于计算所述待评估独居老人的用水监测特征向量与所述多个用水监测特征向量中其他用水监测特征向量之间的协方差矩阵以得到多个协方差矩阵;差异分布校正模块,用于对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵;模式特征提取模块,用于将所述多个校正后协方差矩阵按照样本维度排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到分类特征图;以及,监测结果生成模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待评估独居老人的用水是否正常。
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用于独居老人的智能化用水监测***的框图。如图1所示,根据本申请实施例的用于独居老人的智能化用水监测***100,包括:用水量监测模块110,用于获取待监测园区内多个独居老人的多天的用水量监测数据;结构化模块120,用于将所述各个独居老人的多天的用水量监测数据按照时间维度构造为用水量监测矩阵以得到多个用水量监测矩阵;多重检测模块130,用于将所述多个用水量监测矩阵输入包含多个用水特征编码器的多重检测模型以得到多个用水监测特征向量,其中,所述多个用水特征编码器具有相同的网络结构;待评估对象数据提取模块140,用于从所述多个用水监测特征向量中提取待评估独居老人的用水监测特征向量;差异度量模块150,用于计算所述待评估独居老人的用水监测特征向量与所述多个用水监测特征向量中其他用水监测特征向量之间的协方差矩阵以得到多个协方差矩阵;差异分布校正模块160,用于对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵;模式特征提取模块170,用于将所述多个校正后协方差矩阵按照样本维度排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到分类特征图;以及,监测结果生成模块180,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待评估独居老人的用水是否正常。
图2为根据本申请实施例的用于独居老人的智能化用水监测***的架构示意图。如图2所示,首先,获取待监测园区内多个独居老人的多天的用水量监测数据;接着,将所述各个独居老人的多天的用水量监测数据按照时间维度构造为用水量监测矩阵以得到多个用水量监测矩阵;然后,将所述多个用水量监测矩阵输入包含多个用水特征编码器的多重检测模型以得到多个用水监测特征向量,其中,所述多个用水特征编码器具有相同的网络结构;继而,从所述多个用水监测特征向量中提取待评估独居老人的用水监测特征向量;接着,计算所述待评估独居老人的用水监测特征向量与所述多个用水监测特征向量中其他用水监测特征向量之间的协方差矩阵以得到多个协方差矩阵;再对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵;继而,将所述多个校正后协方差矩阵按照样本维度排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到分类特征图;最后,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待评估独居老人的用水是否正常。
如上所述,孤寡老人一个人独居的生活,存在诸多不确定要素,如果无法掌握独居老人的生活情况,有可能在发生意外灾害或者紧急状况时,无法及时地给予帮助。因此,期待一种用于独居老人的监测方案。
在本申请的技术方案中,本申请人能够对独居老人的提供24小时不间断、无感化用水监测、从而能基于所采集的用水监测数据来进行异常状态诊断及时推送预警,为社区提供孤老群体用水动态信息,帮助及时掌握老人群体生活情况,从而帮助社区更好地为居民服务。具体地,在本申请的技术方案中,考虑到园区中的独居老人间通常具有相似的生活模式,因此,可基于独家老人间的用水特征之间的协方差矩阵来表示待评估独家老人的用水模式特征与其他独家老人的用水模式特征之间的差异,以此来对独家老人的用水量是否正常来进行智能监测。
在上述用于独居老人的智能化用水监测***100中,所述用水量监测模块110,用于获取待监测园区内多个独居老人的多天的用水量监测数据。这里,所述用水量监测数据表示一天中独居老人所使用的用水量数据,可通过水表数据来计算。
在上述用于独居老人的智能化用水监测***100中,所述结构化模块120,用于将所述各个独居老人的多天的用水量监测数据按照时间维度构造为用水量监测矩阵以得到多个用水量监测矩阵。具体地,将各天的用水量监测数据按照时间维度排列为行向量,并以天为时间维度将各天的行向量进行二维排列以得到所述用水量监测矩阵。
更具体地,在本申请实施例中,所述结构化模块120,包括:行向量构造单元,用于将所述各个独居老人的各天的用水量检测数据排列为用水量检测行向量以得到多个用水量检测行向量;以及,二维排列单元,用于将各个独居老人的多个用水量检测行向量进行二维排列以得到所述多个用水量监测矩阵。应可以理解,一个用水量监测矩阵表示一位独居老人多天的用水量。
在上述用于独居老人的智能化用水监测***100中,所述多重检测模块130,用于将所述多个用水量监测矩阵输入包含多个用水特征编码器的多重检测模型以得到多个用水监测特征向量,其中,所述多个用水特征编码器具有相同的网络结构。也就是,使用包含多个用水特征编码器的多重检测模型提取各个独居老人的用水量在时间维度上的关联模式特征。应注意到,在本申请的技术方案中,所述多个用水特征编码器具有相同的网络结构,因此,如果所述多个用水量监测矩阵具有相同的数据结构,最终得到的所述多个用水监测特征向量会具有相同的特征分布,而如果所述多个用水量监测矩阵的数据结构分布间存在差异,这也会在所述多个用水监测特征向量间得以体现。
具体地,在本申请实施例中,所述用水特征编码器为作为过滤器的卷积神经网络模型,并且所述作为过滤器的卷积神经网络模型为深度残差网络,例如,ResNet 150等。
在上述用于独居老人的智能化用水监测***100中,所述待评估对象数据提取模块140和所述差异度量模块150,用于从所述多个用水监测特征向量中提取待评估独居老人的用水监测特征向量,并计算所述待评估独居老人的用水监测特征向量与所述多个用水监测特征向量中其他用水监测特征向量之间的协方差矩阵以得到多个协方差矩阵。协方差(Covariance)在概率论和统计学中用于衡量两个变量的总体误差。在本申请的技术方案中,考虑到园区中的独居老人间通常具有相似的生活模式,因此,基于独家老人间的用水特征之间的协方差矩阵来表示待评估独家老人的用水模式特征与其他独家老人的用水模式特征之间的差异。
在上述用于独居老人的智能化用水监测***100中,所述差异分布校正模块160,用于对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵。特别地,在本申请的技术方案中,所述协方差矩阵中各个位置的特征值为所述待评估独居老人的用水监测特征向量与所述多个用水监测特征向量中其他用水监测特征向量中相应位置的特征值之间的方差,但因在使用所述用水特征编码器进行用水特征提取的过程中,难免会因源数据的离群值或者特征提取过程中的编码损失而引入离群值,这会在所述协方差矩阵的局部特征分布中引入相对于全局特征分布的负相关值,从而影响所述协方差矩阵的表达准确性。
本申请的申请人采用全正投影非线性重加权的方式对所述协方差矩阵进行修正,表示为:
其中,Mi’和Mi分别为第i个校正后协方差矩阵和第i个协方差矩阵,且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除,ReLU(·)表示ReLU激活函数,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值,表示矩阵相乘。
这里,所述全正投影非线性重加权通过ReLU函数来保证投影的全正以避免聚合负相关的信息,并同时引入非线性重加权机制来聚集所述协方差矩阵的特征值分布,以使得修正后的所述协方差矩阵的内在结构能够惩罚远距离连接而加强局部性耦合。这样,就实现了所述协方差矩阵在高维特征空间内的与全正投影重加权对应的空间特征变换的协同效果,从而消除了所述协方差矩阵的局部特征分布中相对于全局特征分布的负相关值,提高了所述协方差矩阵的表达准确性。
在上述用于独居老人的智能化用水监测***100中,所述模式特征提取模块170,用于将所述多个校正后协方差矩阵按照样本维度排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到分类特征图。也就是,沿着样本维度将所述多个校正后协方差矩阵进行聚合以得到三维输入张量后,以所述三维卷积核的卷积神经网络模型对所述三维输入张量进行基于三维卷积核的特征提取,以捕捉各个独居老人的用水特征间的高维隐含关联模式特征,并以此作为分类特征图。
具体地,在本申请实施例中,所述模式特征提取模块170,进一步用于:使用所述三维卷积核的卷积神经网络模型在层的正向传递中对输入数据分别进行:基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述卷积神经网络模型的最后一层的输出为所述分类特征图,所述卷积神经网络模型的第一层的输入为所述三维输入张量。
在上述用于独居老人的智能化用水监测***100中,所述监测结果生成模块180,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待评估独居老人的用水是否正常。也就是,以所述分类器来确定所述分类特征图的类概率标签,其中,所述类概率标签包括待评估独居老人的用水正常(第一标签),以及,待评估独居老人的用水不正常(第二标签)。在本申请的技术方案中,当所述分类结果为待评估独居老人的用水不正常时,可生成预警提示给社区管理人员或者独居老人的亲属,以避免不必要的损失或者伤害的发生。
图3为根据本申请实施例的用于独居老人的智能化用水监测***中监测结果生成模块的框图。如图3所示,所述监测结果生成模块180,包括:展开单元181,用于将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量;全连接编码单元182,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183,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用于独居老人的智能化用水监测***100被阐明,其从多个独居老人的多天的用水量监测数据中提取各个独居老人的用水量在时间维度上的关联模式特征,并计算待评估独居老人的用水监测特征向量与其他用水监测特征向量之间的协方差矩阵来表征待评估独家老人与其他独家老人之间用水模式特征的差异,以此来对独家老人的用水量是否正常来进行智能监测。通过这样的方式,为社区提供孤老群体用水动态信息,帮助及时掌握老人群体生活情况。
如上所述,根据本申请实施例的用于独居老人的智能化用水监测***100可以实现在各种终端设备中,例如用于独居老人的智能化用水监测的服务器等。在一个示例中,根据本申请实施例的用于独居老人的智能化用水监测***100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该用于独居老人的智能化用水监测***100可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该用于独居老人的智能化用水监测***100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该用于独居老人的智能化用水监测***100与该终端设备也可以是分立的设备,并且该用于独居老人的智能化用水监测***100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图4为根据本申请实施例的用于独居老人的智能化用水监测方法的流程图。如图4所示,根据本申请实施例的用于独居老人的智能化用水监测方法,包括:S110,获取待监测园区内多个独居老人的多天的用水量监测数据;S120,将所述各个独居老人的多天的用水量监测数据按照时间维度构造为用水量监测矩阵以得到多个用水量监测矩阵;S130,将所述多个用水量监测矩阵输入包含多个用水特征编码器的多重检测模型以得到多个用水监测特征向量,其中,所述多个用水特征编码器具有相同的网络结构;S140,从所述多个用水监测特征向量中提取待评估独居老人的用水监测特征向量;S150,计算所述待评估独居老人的用水监测特征向量与所述多个用水监测特征向量中其他用水监测特征向量之间的协方差矩阵以得到多个协方差矩阵;S160,对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵;S170,将所述多个校正后协方差矩阵按照样本维度排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到分类特征图;以及,S180,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待评估独居老人的用水是否正常。
在一个示例中,在上述用于独居老人的智能化用水监测方法中,所述将所述各个独居老人的多天的用水量监测数据按照时间维度构造为用水量监测矩阵以得到多个用水量监测矩阵,包括:将所述各个独居老人的各天的用水量检测数据排列为用水量检测行向量以得到多个用水量检测行向量;以及,将各个独居老人的多个用水量检测行向量进行二维排列以得到所述多个用水量监测矩阵。
在一个示例中,在上述用于独居老人的智能化用水监测方法中,所述用水特征编码器为作为过滤器的卷积神经网络模型。
在一个示例中,在上述用于独居老人的智能化用水监测方法中,所述作为过滤器的卷积神经网络模型为深度残差网络。
在一个示例中,在上述用于独居老人的智能化用水监测方法中,所述对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵,包括:以如下公式对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵;其中,所述公式为:
其中,Mi’和Mi分别为第i个校正后协方差矩阵和第i个协方差矩阵,且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除,ReLU(·)表示ReLU激活函数,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值,表示矩阵相乘。
在一个示例中,在上述用于独居老人的智能化用水监测方法中,所述将所述多个校正后协方差矩阵按照样本维度排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到分类特征图,包括:使用所述三维卷积核的卷积神经网络模型在层的正向传递中对输入数据分别进行:基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述卷积神经网络模型的最后一层的输出为所述分类特征图,所述卷积神经网络模型的第一层的输入为所述三维输入张量。
在一个示例中,在上述用于独居老人的智能化用水监测方法中,所述将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待评估独居老人的用水是否正常,包括:将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量;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,本申请实施例的用于独居老人的智能化用水监测方法被阐明,其从多个独居老人的多天的用水量监测数据中提取各个独居老人的用水量在时间维度上的关联模式特征,并计算待评估独居老人的用水监测特征向量与其他用水监测特征向量之间的协方差矩阵来表征待评估独家老人与其他独家老人之间用水模式特征的差异,以此来对独家老人的用水量是否正常来进行智能监测。通过这样的方式,为社区提供孤老群体用水动态信息,帮助及时掌握老人群体生活情况。
示例性电子设备
下面,参考图5来描述根据本申请实施例的电子设备。图5为根据本申请实施例的电子设备的框图。如图5所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的用于独居老人的智能化用水监测方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如用水量监测数据像等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图5中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于独居老人的智能化用水监测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于独居老人的智能化用水监测方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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 (9)
1.一种用于独居老人的智能化用水监测***,其特征在于,包括:
用水量监测模块,用于获取待监测园区内多个独居老人的多天的用水量监测数据;
结构化模块,用于将所述各个独居老人的多天的用水量监测数据按照时间维度构造为用水量监测矩阵以得到多个用水量监测矩阵;
多重检测模块,用于将所述多个用水量监测矩阵输入包含多个用水特征编码器的多重检测模型以得到多个用水监测特征向量,其中,所述多个用水特征编码器具有相同的网络结构;
待评估对象数据提取模块,用于从所述多个用水监测特征向量中提取待评估独居老人的用水监测特征向量;
差异度量模块,用于计算所述待评估独居老人的用水监测特征向量与所述多个用水监测特征向量中其他用水监测特征向量之间的协方差矩阵以得到多个协方差矩阵;
差异分布校正模块,用于对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵;
模式特征提取模块,用于将所述多个校正后协方差矩阵按照样本维度排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到分类特征图;以及
监测结果生成模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待评估独居老人的用水是否正常;
其中,所述差异分布校正模块,用于:
以如下公式对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵;
其中,所述公式为:
其中,Mi’和Mi分别为第i个校正后协方差矩阵和第i个协方差矩阵,且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除,ReLU(·)表示ReLU激活函数,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值,表示矩阵相乘。
2.根据权利要求1所述的用于独居老人的智能化用水监测***,其特征在于,所述结构化模块,包括:
行向量构造单元,用于将所述各个独居老人的各天的用水量检测数据排列为用水量检测行向量以得到多个用水量检测行向量;以及
二维排列单元,用于将各个独居老人的多个用水量检测行向量进行二维排列以得到所述多个用水量监测矩阵。
3.根据权利要求2所述的用于独居老人的智能化用水监测***,其特征在于,所述用水特征编码器为作为过滤器的卷积神经网络模型。
4.根据权利要求3所述的用于独居老人的智能化用水监测***,其特征在于,所述作为过滤器的卷积神经网络模型为深度残差网络。
5.根据权利要求4所述的用于独居老人的智能化用水监测***,其特征在于,所述模式特征提取模块,进一步用于:
使用所述三维卷积核的卷积神经网络模型在层的正向传递中对输入数据分别进行:
基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述卷积神经网络模型的最后一层的输出为所述分类特征图,所述卷积神经网络模型的第一层的输入为所述三维输入张量。
6.根据权利要求5所述的用于独居老人的智能化用水监测***,其特征在于,所述监测结果生成模块,包括:
展开单元,用于将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量;
全连接编码单元,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。
7.一种用于独居老人的智能化用水监测方法,其特征在于,包括:
获取待监测园区内多个独居老人的多天的用水量监测数据;
将所述各个独居老人的多天的用水量监测数据按照时间维度构造为用水量监测矩阵以得到多个用水量监测矩阵;
将所述多个用水量监测矩阵输入包含多个用水特征编码器的多重检测模型以得到多个用水监测特征向量,其中,所述多个用水特征编码器具有相同的网络结构;
从所述多个用水监测特征向量中提取待评估独居老人的用水监测特征向量;
计算所述待评估独居老人的用水监测特征向量与所述多个用水监测特征向量中其他用水监测特征向量之间的协方差矩阵以得到多个协方差矩阵;
对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵;
将所述多个校正后协方差矩阵按照样本维度排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到分类特征图;以及
将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待评估独居老人的用水是否正常;
其中,对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵,包括:
以如下公式对所述多个协方差矩阵进行特征值校正以得到多个校正后协方差矩阵;
其中,所述公式为:
其中,Mi’和Mi分别为第i个校正后协方差矩阵和第i个协方差矩阵,且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除,ReLU(·)表示ReLU激活函数,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值,表示矩阵相乘。
8.根据权利要求7所述的用于独居老人的智能化用水监测方法,其特征在于,所述将所述各个独居老人的多天的用水量监测数据按照时间维度构造为用水量监测矩阵以得到多个用水量监测矩阵,包括:
将所述各个独居老人的各天的用水量检测数据排列为用水量检测行向量以得到多个用水量检测行向量;以及
将各个独居老人的多个用水量检测行向量进行二维排列以得到所述多个用水量监测矩阵。
9.根据权利要求8所述的用于独居老人的智能化用水监测方法,其特征在于,所述用水特征编码器为作为过滤器的卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310061585.7A CN117113211B (zh) | 2023-01-16 | 2023-01-16 | 用于独居老人的智能化用水监测***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310061585.7A CN117113211B (zh) | 2023-01-16 | 2023-01-16 | 用于独居老人的智能化用水监测***及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117113211A CN117113211A (zh) | 2023-11-24 |
CN117113211B true CN117113211B (zh) | 2024-03-12 |
Family
ID=88804460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310061585.7A Active CN117113211B (zh) | 2023-01-16 | 2023-01-16 | 用于独居老人的智能化用水监测***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113211B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101861594A (zh) * | 2007-09-19 | 2010-10-13 | 联合工艺公司 | 用于占用估计的***和方法 |
CN108197725A (zh) * | 2017-12-06 | 2018-06-22 | 浙江大学 | 基于需水量先验信息的供水管网节点需水量校核方法 |
KR102060301B1 (ko) * | 2019-04-19 | 2020-02-11 | 한국전력공사 | 전력데이터 기반 생활 행동 패턴 분석 장치 및 방법 |
CN112200050A (zh) * | 2020-09-30 | 2021-01-08 | 同济大学 | 基于多源卫星数据的湖泊水量时空变化分析方法及装置 |
CN113567652A (zh) * | 2021-07-27 | 2021-10-29 | 中国地质调查局水文地质环境地质调查中心 | 一种基于XRF检测技术的Cr元素土壤含水率校正方法 |
CN114047719A (zh) * | 2021-11-02 | 2022-02-15 | 江西零真生态环境集团有限公司 | 一种农村生活污水处理设施远程监测评估***与运行方法 |
CN114997541A (zh) * | 2022-08-03 | 2022-09-02 | 浙江远算科技有限公司 | 一种基于数字孪生技术的城市内涝预测方法及预警平台 |
CN115482498A (zh) * | 2022-10-28 | 2022-12-16 | 台州科技职业学院 | 基于视频的智慧养老监控***及其方法 |
CN115578672A (zh) * | 2022-10-12 | 2023-01-06 | 中国神华能源股份有限公司哈尔乌素露天煤矿 | 检测液体外溢情况的方法以及装置、监控*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11423051B2 (en) * | 2020-10-20 | 2022-08-23 | International Business Machines Corporation | Sensor signal prediction at unreported time periods |
US20220187492A1 (en) * | 2020-12-14 | 2022-06-16 | Saudi Arabian Oil Company | Physics-driven deep learning inversion coupled to fluid flow simulators |
-
2023
- 2023-01-16 CN CN202310061585.7A patent/CN117113211B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101861594A (zh) * | 2007-09-19 | 2010-10-13 | 联合工艺公司 | 用于占用估计的***和方法 |
CN108197725A (zh) * | 2017-12-06 | 2018-06-22 | 浙江大学 | 基于需水量先验信息的供水管网节点需水量校核方法 |
KR102060301B1 (ko) * | 2019-04-19 | 2020-02-11 | 한국전력공사 | 전력데이터 기반 생활 행동 패턴 분석 장치 및 방법 |
CN112200050A (zh) * | 2020-09-30 | 2021-01-08 | 同济大学 | 基于多源卫星数据的湖泊水量时空变化分析方法及装置 |
CN113567652A (zh) * | 2021-07-27 | 2021-10-29 | 中国地质调查局水文地质环境地质调查中心 | 一种基于XRF检测技术的Cr元素土壤含水率校正方法 |
CN114047719A (zh) * | 2021-11-02 | 2022-02-15 | 江西零真生态环境集团有限公司 | 一种农村生活污水处理设施远程监测评估***与运行方法 |
CN114997541A (zh) * | 2022-08-03 | 2022-09-02 | 浙江远算科技有限公司 | 一种基于数字孪生技术的城市内涝预测方法及预警平台 |
CN115578672A (zh) * | 2022-10-12 | 2023-01-06 | 中国神华能源股份有限公司哈尔乌素露天煤矿 | 检测液体外溢情况的方法以及装置、监控*** |
CN115482498A (zh) * | 2022-10-28 | 2022-12-16 | 台州科技职业学院 | 基于视频的智慧养老监控***及其方法 |
Non-Patent Citations (4)
Title |
---|
Self-Adaptive Calibration of Real-Time Demand and Roughness of Water Distribution Systems;Zhou, Xiao 等;《WATER RESOURCES RESEARCH》;20180718;第54卷(第8期);全文 * |
供水管网水力模型不确定性解析法及应用;毛立波;赵月龙;;给水排水;20181210(第12期);全文 * |
供水管网水力模型与优化调度应用研究;蒋文杰;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20210115(第1期);全文 * |
李斌,许仕荣,柏光明,李黎武.灰色―神经网络组合模型预测城市用水量.中国给水排水.2002,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117113211A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alauddin et al. | A bibliometric review and analysis of data-driven fault detection and diagnosis methods for process systems | |
Jaffel et al. | Moving window KPCA with reduced complexity for nonlinear dynamic process monitoring | |
US12001949B2 (en) | Computer-implemented method, computer program product and system for data analysis | |
EP3620983A1 (en) | Computer-implemented method, computer program product and system for data analysis | |
WO2022217713A1 (zh) | 症候群监测预警方法、装置、计算机设备及存储介质 | |
CN115783923B (zh) | 基于大数据的电梯故障模式识别*** | |
CN116580849B (zh) | 医疗数据的采集分析***及其方法 | |
Maulud et al. | A multi-scale orthogonal nonlinear strategy for multi-variate statistical process monitoring | |
CN115099684B (zh) | 企业安全生产管理***及其管理方法 | |
CN111008957A (zh) | 医疗信息处理方法和装置 | |
CN115660569A (zh) | 居家养老智慧管理平台及其方法 | |
CN114548246A (zh) | 智能设备的控制方法、***和电子设备 | |
Chen et al. | Process monitoring based on multivariate causality analysis and probability inference | |
CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
CN114530258A (zh) | 一种深度学习药物相互作用预测方法、装置、介质和设备 | |
CN105574322A (zh) | 生理参数指标运算***及方法 | |
CN115130656A (zh) | 异常检测模型的训练方法、装置、设备及存储介质 | |
CN117113211B (zh) | 用于独居老人的智能化用水监测***及其方法 | |
CN113892910A (zh) | 基于物联网的智能马桶的老年人监测方法 | |
CN117316462A (zh) | 一种医疗数据管理方法 | |
Bartolucci et al. | LMest: an R package for latent Markov models for categorical longitudinal data | |
CN116486345A (zh) | 物业服务平台管理***及其方法 | |
CN117421655A (zh) | 工业互联网数据流异常检测方法及*** | |
CN115661758A (zh) | 基于人工智能的公共场所人群密集度监测方法及其*** | |
CN116759047A (zh) | 用于血液透析的数据智能监控***及其方法 |
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 |