CN105068515B - 一种基于自学习算法的智能家居设备语音控制方法 - Google Patents
一种基于自学习算法的智能家居设备语音控制方法 Download PDFInfo
- Publication number
- CN105068515B CN105068515B CN201510419291.2A CN201510419291A CN105068515B CN 105068515 B CN105068515 B CN 105068515B CN 201510419291 A CN201510419291 A CN 201510419291A CN 105068515 B CN105068515 B CN 105068515B
- Authority
- CN
- China
- Prior art keywords
- intelligent home
- user
- mathematical modeling
- home device
- equipment
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000007935 neutral effect Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 23
- 238000013178 mathematical model Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000000052 comparative effect Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 6
- 230000006399 behavior Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 5
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation 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
- 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
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
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
本发明公开了一种基于自学习算法的智能家居设备语音控制方法,该方法从智能家居的使用场景出发,深入思考用户使用习惯在智能家居设备操作上的体现。构建数学模型,对用户的使用习惯进行简化,并结合人工神经网络的相关知识,创新地通过构造人工神经网络对智能家居设备的使用习惯进行学习,并将不同用户对不同智能插座的不同操作习惯通过神经网络的权值参数进行记忆,保存在云端服务器的数据库中并根据用户的习惯改变不断修正调整。利用对设备状态的预测实现智能控制与用户习惯学习,让用户有私人管家般的体验。
Description
技术领域
本发明涉及智能家居语音控制的技术领域,尤其是指一种基于自学习算法的智能家居设备语音控制方法。
背景技术
智能家居虽然发展了一段时间,但是目前仍处于起步阶段,市场上比较成熟的智能家居产品的操作方式基本是单体控制、延时控制或采用预设的场景控制。严格来说这只是控制方式的转变、控制过程的时间和空间的转移,只是将机械式开关升级为电子开关,并没有实现真正的智能控制。
从操控形式上,语音控制方法作为一种比传统触碰屏幕更加贴近用户日常使用习惯的控制方法逐步受到重视。语音控制智能家居成为了一种新常态。然而现有的智能家居语音控制技术往往只是在原有的触碰式控制的基础上增加语音识别功能,简单地将语音识别的结果直接作为控制指令接入原有的指令控制系统,未有根据语音控制的使用特性进行调整,以致用户在使用语音控制的过程中,必须按照系统设定说出相应的语音指令才能实现控制,用户体验不佳,并没有真正实现语音控制。
语音控制场景的特殊性是当用户使用语音控制方式对智能家居设备进行控制时,是不便于获知系统的当前信息的,也就是说用户想要对某个设备进行控制时,不能像在触摸屏上直观点击对应的按钮控制相应的设备一样简单,必须通过语音详细说出需要控制的是哪个设备,相当于被固化的语音指令,这与人们的说话习惯有很大差异,给用户带来不佳的使用体验。
而在新技术的研发上,越来越多的人关注到将人工神经网络算法、模糊控制算法等运用到智能家居的使用场景,然而这些技术研究中普遍通过各种传感器获取当前环境的状态信息,以此对控制系统进行指导。这要求在不同的使用场景中需要采集不同的环境状态信息,对于设备种类繁多的智能家居环境并不具有通用性,其可移植性也很差。另外,应用模糊控制技术的控制方法需要建立模糊控制器,其控制规则往往需要通过专家人为定义,并不能准确匹配大多数用户的喜好,与真正的智能控制还有一定的距离。
综上所述,目前的现有技术存在以下缺点:
1、智能家居的语音控制技术未有针对语音控制场景的特殊性进行调整优化,只是控制指令输入方式的简单变化而已。
2、采集环境数据进行分析结合人工神经网络对环境状态进行预测,其系统复杂、可移植性低。
3、应用模糊控制算法对智能家居设备进行控制,人为设定控制规则,不能准确匹配大多数用户的喜好。
发明内容
本发明的目的在于克服现有技术的不足,提供一种控制机制简单,控制方法科学有效,以及对硬件电路无特殊要求,可移植到现有大多数智能家居控制系统的基于自学习算法对用户行为习惯进行模拟预测的专门针对智能家居语音控制场景的智能家居设备语音控制方法,使得用户在通过语音控制智能家居时只需输入如“开灯”、“开空调”这样的简单指令即可完成整个控制流程。
为实现上述目的,本发明所提供的技术方案为:一种基于自学习算法的智能家居设备语音控制方法,包括以下步骤:
1)为不同的智能家居设备类型建立数学模型,包括智能插座、智能灯泡、智能空调各自对应不同结构的数学模型,使用人工神经网络进行模拟,输入变量为时间,输出变量为设备状态变量;
2)针对不同的智能家居设备类型,设计相关用户数据作为数学模型的训练样本,此训练样本仅用于下面步骤3)中确定数学模型的结构,数学模型的参数确定需要使用实际用户数据,这里的用户数据指的是与智能家居设备类型所对应的时间数据与设备状态数据;
3)对于不同的智能家居设备类型,采用试凑法确定数学模型内部的人工神经网络隐藏层结构,具体方法如下:
3.1)隐藏层神经元个数边界的确定
根据参考公式其中n1为隐藏层神经元个数,n为输入变量个数,即为1,m为输出变量个数,即设备状态变量个数,a为[1,10]的常数,确定隐藏层神经元个数边界n1_min和n1_max;
3.2)使用步骤2)中确定的训练样本,通过软件仿真对隐藏层个数在[n1_min,n1_max]的数学模型进行训练,综合比较其训练误差、测试误差与收敛速度这些关键性能指标,选择最佳的数学模型,其中优先选择误差小的,收敛速度结合采样周期考虑,根据实际使用场景设定收敛速度阈值,只要收敛速度在阈值范围内均可使用;
4)将步骤3)中确定的针对不同智能家居设备类型的数学模型转化为控制算法程序,并部署到云端服务器;
5)在云端服务器建立数据库,储存对应于不同的智能家居设备类型的数学模型结构,并为储存对应于不同的智能家居设备的数学模型参数做准备;
6)新用户及新设备接入控制系统后,为其开辟参数存储空间,并对参数进行初始化;
7)每隔相同的时间间隔采集智能家居设备的设备状态数据,通过循环训练算法不断对应于不同的智能家居设备的数学模型参数进行调节,以提高智能家居设备数学模型对设备状态的预测准确度;
8)用户下达语音控制指令后,控制指令通过网络进入云端服务器的智能控制系统,经人工神经网络数学模型预测用户需要操作的设备状态,将控制指令转化为执行指令发送至设备;
9)设备根据执行指令进行动作,完成整个控制流程,回到步骤7)继续等待下一次指令的下达。
在步骤1)中,采用输入层+隐藏层+输出层的BP人工神经网络作为数学模型内部结构的基础,其中隐藏层为一层,隐藏层神经元个数范围由步骤3.1)确定,数学模型中的人工神经网络隐藏层的神经元个数即为数学模型的结构,各神经元对应的权值即为数学模型的参数。
在步骤7)中,所述循环训练算法指的是为了在用户使用的过程中对数学模型参数进行反复验证调整,以达最佳的预测效果,具体算法如下:
7.1)每隔相同的时间间隔,系统自动从数据库提取对应智能家居设备类型的数学模型结构及对应用户与设备的数学模型参数,运行控制算法程序,以当前时间作为输入量,获取输出量当前设备状态的预测值;
7.2)系统通过互联网采集对应设备的当前状态,与状态的预测值进行比较,若其差别在可接受的误差范围内,则认为该次预测准确,抛弃该次采集的数据;若其差别大于可接受的误差范围,则认为该次预测有误,作为训练数据对神经网络进行训练,调整对应的数学模型参数值并更新数据库的储存值;
7.3)根据最近的若干次预测结果的准确度判断数学模型参数值是否能准确预测设备的当前状态,若准确度高于预设阈值,则认为参数准确,数学模型可用于对用户操作的预测,否则,回到步骤7.1)循环训练调整。
本发明与现有技术相比,具有如下优点与有益效果:
1、本方法从智能家居的使用场景出发,深入思考用户使用习惯在智能家居设备操作上的体现。构建数学模型,对用户的使用习惯进行简化,并结合人工神经网络的相关知识,创新地通过构造人工神经网络对智能家居设备的使用习惯进行学习,并将不同用户对不同智能家居设备的不同操作习惯通过神经网络的权值参数进行记忆,保存在云端服务器的数据库中并根据用户的习惯改变不断修正调整。利用对设备状态的预测实现模糊智能控制与用户习惯学习,让用户有私人管家般的体验。区别于现在市场上的纯粹实现远程控制的智能家居产品,本方法希望能从用户的使用体验入手,提升用户的智能化体验。鉴于云端服务器具有智能家居设备本身不具有的强大计算能力,本方法的控制算法集中部署在云端服务器,智能家居设备本身只是执行机构,而云端的控制算法就是智能家居设备的大脑。
2、本方法为了便于描述用户的使用习惯,将其简化为时间与智能家居设备状态的非线性映射关系。通过这样的处理能够避免对智能家居的复杂使用场景进行分析。从用户对智能家居设备的日常使用习惯出发,利用大多数用户的每日生活习惯具有比较高的相似性这一特点,本方法具有比较高的实际可用性。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所述的基于自学习算法的智能家居设备语音控制方法,从智能家居的使用场景出发,深入思考用户使用习惯在智能家居设备操作上的体现。构建数学模型,对用户的使用习惯进行简化,并结合人工神经网络的相关知识,创新地通过构造人工神经网络对智能家居设备的使用习惯进行学习,并将不同用户对不同智能家居设备的不同操作习惯通过神经网络的权值参数进行记忆,保存在云端服务器的数据库中并根据用户的习惯改变不断修正调整。利用对设备状态的预测实现模糊智能控制与用户习惯学习,让用户有私人管家般的体验。其包括以下步骤:
1)为不同的智能家居设备类型建立数学模型,如智能插座、智能灯泡、智能空调等各自对应不同结构的数学模型;
上述提及的数学模型以人工神经网络为基础进行模拟,输入变量为时间,输出变量为设备状态变量;
设备状态变量根据智能家居设备的种类而定,比如对于一般设备(如智能插座)可以是开关状态,又比如对于环境调节设备(如空调)可以是设定的温度值、送风速度等;
以智能插座为例:
输入变量为时间(24小时制),经归一化处理后转化为取值范围在0-1的变量进入数学模型;
输出变量即设备状态变量为开关属性,0为关,1为开;
本设计主要采用输入层+隐藏层+输出层的BP人工神经网络作为数学模型内部结构的基础,其中隐藏层为一层,隐藏层神经元个数范围由步骤3.1)确定,数学模型中的人工神经网络隐藏层的神经元个数即为数学模型的结构,各神经元对应的权值即为数学模型的参数;
对于同一智能家居设备类型的不同智能家居设备具有同样的内部结构,由下面步骤3)确定;对于同一智能家居设备类型的不同智能家居设备具有不同的参数,参数中储存了用户对于该智能家居设备的使用习惯,由下面步骤7)确定并循环调整;
数学模型通过在下面步骤7)中的训练学习掌握用户的使用习惯,并将不同用户对于不同设备的使用习惯保存在数学模型的结构参数中。
2)针对不同的智能家居设备类型,结合专家意见设计典型用户数据作为数学模型的训练样本,此样本仅用于下面步骤3)中确定数学模型的结构,数学模型的参数确定需要使用实际用户数据,这里的用户数据指的是与智能家居设备类型所对应的时间数据与设备状态数据。
3)对于不同的智能家居设备类型,采用试凑法确定数学模型内部的人工神经网络隐藏层结构,具体方法如下:
3.1)隐藏层神经元个数边界的确定
根据参考公式其中n1为隐藏层神经元个数,n为输入变量个数,即为1,m为输出变量个数,即设备状态变量个数,a为[1,10]的常数,确定隐藏层神经元个数边界n1_min和n1_max;
3.2)使用步骤2)中确定的训练样本,通过软件仿真对隐藏层个数在[n1_min,n1_max]的数学模型进行训练,综合比较其训练误差、测试误差与收敛速度这些关键性能指标,选择最佳的数学模型,其中优先选择误差小的,收敛速度结合采样周期考虑,根据实际使用场景设定收敛速度阈值,只要收敛速度在阈值范围内均可使用。
4)将步骤3)中确定的针对不同智能家居设备类型的数学模型转化为控制算法程序,并部署到云端服务器。
5)在云端服务器建立数据库,储存对应于不同的智能家居设备类型的数学模型结构,并为储存对应于不同的智能家居设备的数学模型参数做准备。
6)新用户及新设备接入控制系统后,为其开辟参数存储空间,并对参数进行初始化。
7)每隔相同的时间间隔采集智能家居设备的设备状态数据,通过循环训练算法不断对对应于不同的智能家居设备的数学模型参数进行调节,使该智能家居设备数学模型对设备状态的预测准确度达到一定的高度水平。
其中,所述循环训练算法指的是为了在用户使用的过程中对数学模型参数进行反复验证调整,以达最佳的预测效果,具体算法如下:
7.1)每隔相同的时间间隔,系统自动从数据库提取对应智能家居设备类型的数学模型结构及对应用户与设备的数学模型参数,运行控制算法程序,以当前时间作为输入量,获取输出量当前设备状态的预测值;
7.2)系统通过互联网采集对应设备的当前状态,与状态的预测值进行比较,若其差别在可接受的误差范围内,则认为该次预测准确,抛弃该次采集的数据;若其差别大于可接受的误差范围,则认为该次预测有误,作为训练数据对神经网络进行训练,调整对应的数学模型参数值并更新数据库的储存值;
7.3)根据最近的若干次预测结果的准确度判断数学模型参数值是否能准确预测设备的当前状态,若准确度高于预设阈值,则认为参数准确,数学模型可用于对用户操作的预测,否则,回到步骤7.1)循环训练调整。
8)用户下达语音控制指令后,控制指令通过网络进入云端服务器的智能控制系统,经人工神经网络数学模型预测用户需要操作的设备状态,将控制指令转化为执行指令发送至设备,比如当用户下达“开空调”指令后,系统调用该用户对应的智能空调的数学模型对该时间点智能空调的状态(设定温度、送风量等)进行预测,系统向该灯泡设备发送执行指令。
9)设备根据执行指令进行动作,完成整个控制流程,回到步骤7)继续等待下一次指令的下达。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (2)
1.一种基于自学习算法的智能家居设备语音控制方法,其特征在于,包括以下步骤:
1)为不同的智能家居设备类型建立数学模型,包括智能插座、智能灯泡、智能空调各自对应不同结构的数学模型,使用人工神经网络进行模拟,输入变量为时间,输出变量为设备状态变量;
2)针对不同的智能家居设备类型,设计相关用户数据作为数学模型的训练样本,此训练样本仅用于下面步骤3)中确定数学模型的结构,数学模型的参数确定需要使用实际用户数据,这里的用户数据指的是与智能家居设备类型所对应的时间数据与设备状态数据;
3)对于不同的智能家居设备类型,采用试凑法确定数学模型内部的人工神经网络隐藏层结构,具体方法如下:
3.1)隐藏层神经元个数边界的确定
根据参考公式其中n1为隐藏层神经元个数,n为输入变量个数,即为1,m为输出变量个数,即设备状态变量个数,a为[1,10]的常数,确定隐藏层神经元个数边界n1_min和n1_max;
3.2)使用步骤2)中确定的训练样本,通过软件仿真对隐藏层个数在[n1_min,n1_max]的数学模型进行训练,综合比较其训练误差、测试误差与收敛速度这些关键性能指标,选择最佳的数学模型,其中优先选择误差小的,收敛速度结合采样周期考虑,根据实际使用场景设定收敛速度阈值,只要收敛速度在阈值范围内均可使用;
4)将步骤3)中确定的针对不同智能家居设备类型的数学模型转化为控制算法程序,并部署到云端服务器;
5)在云端服务器建立数据库,储存对应于不同的智能家居设备类型的数学模型结构,并为储存对应于不同的智能家居设备的数学模型参数做准备;
6)新用户及新设备接入控制系统后,为其开辟参数存储空间,并对参数进行初始化;
7)每隔相同的时间间隔采集智能家居设备的设备状态数据,通过循环训练算法不断对应于不同的智能家居设备的数学模型参数进行调节,以提高智能家居设备数学模型对设备状态的预测准确度;其中,所述循环训练算法指的是为了在用户使用的过程中对数学模型参数进行反复验证调整,以达最佳的预测效果,具体算法如下:
7.1)每隔相同的时间间隔,系统自动从数据库提取对应智能家居设备类型的数学模型结构及对应用户与设备的数学模型参数,运行控制算法程序,以当前时间作为输入量,获取输出量当前设备状态的预测值;
7.2)系统通过互联网采集对应设备的当前状态,与状态的预测值进行比较,若其差别在可接受的误差范围内,则认为该次预测准确,抛弃该次采集的数据;若其差别大于可接受的误差范围,则认为该次预测有误,作为训练数据对神经网络进行训练,调整对应的数学模型参数值并更新数据库的储存值;
7.3)根据最近的多次预测结果的准确度判断数学模型参数值是否能准确预测设备的当前状态,若准确度高于预设阈值,则认为参数准确,数学模型可用于对用户操作的预测,否则,回到步骤7.1)循环训练调整;
8)用户下达语音控制指令后,控制指令通过网络进入云端服务器的智能控制系统,经人工神经网络数学模型预测用户需要操作的设备状态,将控制指令转化为执行指令发送至设备;
9)设备根据执行指令进行动作,完成整个控制流程,回到步骤7)继续等待下一次指令的下达。
2.根据权利要求1所述的一种基于自学习算法的智能家居设备语音控制方法,其特征在于:在步骤1)中,采用输入层+隐藏层+输出层的BP人工神经网络作为数学模型内部结构的基础,其中隐藏层为一层,隐藏层神经元个数范围由步骤3.1)确定,数学模型中的人工神经网络隐藏层的神经元个数即为数学模型的结构,各神经元对应的权值即为数学模型的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510419291.2A CN105068515B (zh) | 2015-07-16 | 2015-07-16 | 一种基于自学习算法的智能家居设备语音控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510419291.2A CN105068515B (zh) | 2015-07-16 | 2015-07-16 | 一种基于自学习算法的智能家居设备语音控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105068515A CN105068515A (zh) | 2015-11-18 |
CN105068515B true CN105068515B (zh) | 2017-08-25 |
Family
ID=54497906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510419291.2A Expired - Fee Related CN105068515B (zh) | 2015-07-16 | 2015-07-16 | 一种基于自学习算法的智能家居设备语音控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105068515B (zh) |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107104860A (zh) * | 2016-02-23 | 2017-08-29 | 美的集团股份有限公司 | 烘干机的控制方法、装置、系统及烘干机 |
CN105652677B (zh) * | 2016-02-24 | 2019-11-08 | 深圳台丰科技有限公司 | 一种基于用户行为分析的智能家居控制方法、装置和系统 |
CN106123066B (zh) * | 2016-08-06 | 2018-12-11 | 广东万家乐燃气具有限公司 | 一种带自学习功能的语音控制系统及吸油烟机 |
CN106328124A (zh) * | 2016-08-24 | 2017-01-11 | 安徽咪鼠科技有限公司 | 一种基于用户行为特征的语音识别方法 |
CN108591973A (zh) * | 2016-10-19 | 2018-09-28 | 施淑琴 | 一种led灯 |
CN106647578B (zh) * | 2016-12-30 | 2019-09-27 | 美的集团股份有限公司 | 家用电器的自检控制方法、装置和家用电器 |
CN106604508B (zh) * | 2017-02-23 | 2019-08-27 | 上海斐讯数据通信技术有限公司 | 基于自学习的灯光环境控制方法和控制系统 |
CN107102742A (zh) * | 2017-06-05 | 2017-08-29 | 努比亚技术有限公司 | 页面浏览方法、移动终端和计算机可读存储介质 |
CN107179700A (zh) * | 2017-07-03 | 2017-09-19 | 杭州善居科技有限公司 | 一种基于Alljoyn和机器学习的智能家居控制系统和方法 |
CN109491253B (zh) * | 2017-09-11 | 2021-12-21 | 安徽师范大学 | 一种在线学习型个性化智能家居系统及其控制方法 |
CN107490977A (zh) * | 2017-09-25 | 2017-12-19 | 深圳市斑点猫信息技术有限公司 | 智能家居的控制模型训练方法、控制方法及装置 |
CN107544363A (zh) * | 2017-10-23 | 2018-01-05 | 唐国华 | 智能化控制系统及其控制方法 |
CN107833573B (zh) * | 2017-10-23 | 2021-02-09 | 上海百芝龙网络科技有限公司 | 一种基于机器学习的家庭场景语义理解辅助方法 |
CN108093030B (zh) * | 2017-11-29 | 2022-02-22 | 杭州博联智能科技股份有限公司 | 一种基于云服务器的人工智能模型部署方法 |
CN107968299A (zh) * | 2017-12-06 | 2018-04-27 | 芯海科技(深圳)股份有限公司 | 一种基于人工神经网络的养鱼智能插座及识别算法 |
CN108052014A (zh) * | 2017-12-18 | 2018-05-18 | 美的集团股份有限公司 | 智能家居的控制方法、系统及计算机可读存储介质 |
CN108052658B (zh) * | 2017-12-28 | 2021-12-21 | 北京百度网讯科技有限公司 | 基于人工智能的查询信息纠错构架生成方法和装置 |
CN110376925A (zh) * | 2018-04-13 | 2019-10-25 | 珠海格力电器股份有限公司 | 一种控制家用电器执行控制指令的方法及装置 |
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 |
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 |
CN109062076B (zh) * | 2018-10-19 | 2021-06-25 | 深圳海智创科技有限公司 | 基于物联网的智能家居控制系统 |
CN109545221B (zh) * | 2019-01-23 | 2024-03-19 | 努比亚技术有限公司 | 参数调整方法、移动终端及计算机可读存储介质 |
CN109946987A (zh) * | 2019-03-27 | 2019-06-28 | 吉林建筑大学 | 一种基于互联网的老年人生活环境优化监控方法 |
CN110427801A (zh) * | 2019-06-18 | 2019-11-08 | 深圳壹账通智能科技有限公司 | 智能家居控制方法及装置、电子设备和非暂态存储介质 |
CN110456647B (zh) * | 2019-07-02 | 2020-11-27 | 珠海格力电器股份有限公司 | 一种智能家居控制方法及智能家居控制装置 |
CN111766800A (zh) * | 2019-07-03 | 2020-10-13 | 闪联信息技术工程中心有限公司 | 一种基于场景和大数据的智能设备控制方法 |
CN110262275B (zh) * | 2019-07-23 | 2020-11-03 | 珠海格力电器股份有限公司 | 一种智能家居系统及其控制方法 |
CN113359502B (zh) * | 2021-07-05 | 2023-04-25 | 信阳农林学院 | 一种基于人工智能的智能家居多传感器检测方法、系统及存储介质 |
CN114265320A (zh) * | 2021-12-03 | 2022-04-01 | 珠海格力电器股份有限公司 | 基于深度学习分析用户习惯的智能家居控制方法及系统 |
CN114301723A (zh) * | 2021-12-21 | 2022-04-08 | 珠海格力电器股份有限公司 | 一种智能家居控制系统及方法 |
CN115220361A (zh) * | 2022-08-02 | 2022-10-21 | 福州大学 | 基于深度学习的智能家居服务管控方法 |
CN115063874B (zh) * | 2022-08-16 | 2023-01-06 | 深圳市海清视讯科技有限公司 | 智能家居设备的控制方法、装置、设备及存储介质 |
CN115191772A (zh) * | 2022-08-25 | 2022-10-18 | 东莞市艾慕寝室用品有限公司 | 一种具有记忆功能的智能沙发调节系统 |
CN116757253B (zh) * | 2023-07-03 | 2024-06-11 | 浙江永贵博得交通设备有限公司 | 一种轨道交通智能自动学习开关门算法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1026847C (zh) * | 1991-04-05 | 1994-11-30 | 松下电器产业株式会社 | 采用换流器电源的高频加热装置 |
CN101408754A (zh) * | 2008-10-30 | 2009-04-15 | 中山大学 | 基于数据挖掘的智能家居优化系统 |
CN202634464U (zh) * | 2012-05-29 | 2012-12-26 | 华南理工大学 | 基于UPnP协议的智能家居统一平台的实现装置 |
CN203443020U (zh) * | 2013-07-12 | 2014-02-19 | 清华大学 | 基于学习用户行为的多维舒适度室内环境控制系统 |
CN103697563A (zh) * | 2012-09-27 | 2014-04-02 | 广东美的制冷设备有限公司 | 具有专家学习功能的空调及专家学习方法、控制方法 |
CN103982982A (zh) * | 2014-05-05 | 2014-08-13 | 美的集团股份有限公司 | 空调器的控制方法和空调器 |
CN104214888A (zh) * | 2013-06-05 | 2014-12-17 | 海尔集团公司 | 空调器及其温度控制方法、装置 |
CN104748305A (zh) * | 2015-03-19 | 2015-07-01 | 智联通建筑科技(北京)有限公司 | 空调的开关状态的识别方法及系统及估算方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7197456B2 (en) * | 2002-04-30 | 2007-03-27 | Nokia Corporation | On-line parametric histogram normalization for noise robust speech recognition |
HK1139829A2 (en) * | 2010-05-25 | 2010-09-24 | Cheuk Ting Ling | Methods for energy saving on electrical systems using habit oriented control |
US20140142773A1 (en) * | 2010-05-25 | 2014-05-22 | Cheuk Ting Ling | Methods for Energy Saving On Electrical Systems Using Habit Oriented Control |
-
2015
- 2015-07-16 CN CN201510419291.2A patent/CN105068515B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1026847C (zh) * | 1991-04-05 | 1994-11-30 | 松下电器产业株式会社 | 采用换流器电源的高频加热装置 |
CN101408754A (zh) * | 2008-10-30 | 2009-04-15 | 中山大学 | 基于数据挖掘的智能家居优化系统 |
CN202634464U (zh) * | 2012-05-29 | 2012-12-26 | 华南理工大学 | 基于UPnP协议的智能家居统一平台的实现装置 |
CN103697563A (zh) * | 2012-09-27 | 2014-04-02 | 广东美的制冷设备有限公司 | 具有专家学习功能的空调及专家学习方法、控制方法 |
CN104214888A (zh) * | 2013-06-05 | 2014-12-17 | 海尔集团公司 | 空调器及其温度控制方法、装置 |
CN203443020U (zh) * | 2013-07-12 | 2014-02-19 | 清华大学 | 基于学习用户行为的多维舒适度室内环境控制系统 |
CN103982982A (zh) * | 2014-05-05 | 2014-08-13 | 美的集团股份有限公司 | 空调器的控制方法和空调器 |
CN104748305A (zh) * | 2015-03-19 | 2015-07-01 | 智联通建筑科技(北京)有限公司 | 空调的开关状态的识别方法及系统及估算方法及系统 |
Non-Patent Citations (5)
Title |
---|
predictive statistical models for user modeling;Ingrid Zukerman等;《user Modeling and User-adapted Interaction》;20011231;第11卷(第1期);第5-18页 * |
utilizing context history to provide dynamic adaptions;HEE EON BYUN等;《Applied Artificial Intelligence》;20041231;第18卷(第6期);第533-548页 * |
一种基于云端数据仓库的智能家居用户行为模式研究;牛邵峰;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20150415(第4期);C038-816 * |
基于信息素理论的智能家电系统的研究;王翠茹等;《微计算机信息》;20091231;第25卷(第10-1期);第13-14页 * |
基于神经网络专家系统的智能家居的研究;刘培奇等;《工业控制计算机》;20141231;第27卷(第1期);第52-54页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105068515A (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105068515B (zh) | 一种基于自学习算法的智能家居设备语音控制方法 | |
CN110578994B (zh) | 一种运行方法及装置 | |
WO2020259502A1 (zh) | 神经网络模型的生成方法及装置、计算机可读存储介质 | |
WO2023093820A1 (zh) | 设备的控制优化方法、展示平台、云服务器及存储介质 | |
WO2021000790A1 (zh) | 一种智能家居控制方法及智能家居控制装置 | |
JP7264376B2 (ja) | 汎用学習済モデルの生成方法 | |
CN110494697A (zh) | 数据学习服务器和用于生成和使用其学习模型的方法 | |
CN107665230A (zh) | 用于智能家居控制的用户行为预测模型的训练方法及装置 | |
CN109491253B (zh) | 一种在线学习型个性化智能家居系统及其控制方法 | |
CN110134165B (zh) | 一种用于环境监测与控制的强化学习方法及系统 | |
CN106850289B (zh) | 结合高斯过程与强化学习的服务组合方法 | |
CN109827292A (zh) | 家电自适应节能控制模型的构建方法、控制方法、家电 | |
CN109165081B (zh) | 基于机器学习的Web应用自适应资源配置方法 | |
CN106499656B (zh) | 一种风扇风速智能控制方法 | |
CN111338227B (zh) | 基于强化学习的电子电器控制方法及控制设备、存储介质 | |
CN109543939A (zh) | 一种绿色建材产品认证风险评价模型构建的方法 | |
CN110069805A (zh) | 基于hpso和ga-bp算法的螺旋电感优化方法 | |
CN111598213A (zh) | 网络训练方法、数据识别方法、装置、设备和介质 | |
WO2019196488A1 (zh) | 一种控制家用电器执行控制指令的方法及装置 | |
CN112272074A (zh) | 一种基于神经网络的信息传输速率控制方法及系统 | |
CN107168066A (zh) | 一种温室环境自适应控制方法 | |
WO2024001196A1 (zh) | 家电设备的控制方法、装置、存储介质及电子装置 | |
CN110450164A (zh) | 机器人控制方法、装置、机器人及存储介质 | |
WO2023173596A1 (zh) | 语句文本的意图识别方法和装置、存储介质及电子装置 | |
CN106950826A (zh) | 一种基于蚁群算法的气化装置pid参数整定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170825 |