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

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

一种基于自学习算法的智能家居设备语音控制方法

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n_{1_min}和n_{1_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[n_{1_min},n_{1_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n_{1_min}和n_{1_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[n_{1_min},n_{1_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n_{1_min}和n_{1_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[n_{1_min},n_{1_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。