CN107490977A - 智能家居的控制模型训练方法、控制方法及装置 - Google Patents
智能家居的控制模型训练方法、控制方法及装置 Download PDFInfo
- Publication number
- CN107490977A CN107490977A CN201710874034.7A CN201710874034A CN107490977A CN 107490977 A CN107490977 A CN 107490977A CN 201710874034 A CN201710874034 A CN 201710874034A CN 107490977 A CN107490977 A CN 107490977A
- Authority
- CN
- China
- Prior art keywords
- intelligent home
- user terminal
- training
- home device
- vector
- 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
- 238000012549 training Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 149
- 230000001960 triggered effect Effects 0.000 claims abstract description 28
- 238000013139 quantization Methods 0.000 claims abstract description 22
- 230000007935 neutral effect Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 241000208340 Araliaceae Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 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
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)
- User Interface Of Digital Computer (AREA)
Abstract
本发明提供了一种智能家居的控制模型训练方法、控制方法及装置,涉及智能家居技术领域。智能家居的控制模型训练方法包括:记录智能家居设备多次触发的条件因素数据和对应的触发结果;将每个条件因素数据量化形成第一输入向量;将每个条件因素数据对应的触发结果量化形成第一目标向量;依据每个第一输入向量和与每个第一输入向量对应的第一目标向量进行样本训练,得到训练模型。本发明提供的智能家居的控制模型训练方法、控制方法及装置无需普通用户对联动规则的条件、控制等部分进行定义,即可自动实现对智能家居设备的联动规则的定义,满足用户的实际需求,提升用户体验。
Description
技术领域
本发明涉及智能家居技术领域,具体而言,涉及一种智能家居的控制模型训练方法、控制方法及装置。
背景技术
在智能家居领域内,联动控制是一个核心功能。联动控制是指,智能家居后台系统通过某些条件的判断,无需人工干预自动对用户终端设备进行远程控制,从而满足用户的特定需求。
然而,普通用户对联动规则的定义存在困难,联动规则的条件、控制等部分的定义,尤其是条件部分,对于普通的用户存在理解方面的障碍。虽然可以通过联动规则定义界面用户体验的提升加以改进,但效果有限。联动的需求对于普通用户来说十分复杂,而联动规则基于逻辑条件,往往使得普通用户很难对复杂的条件进行定义。且普通用户的行为具有易变性,部分行为的变化往往会导致提前定义的联动规则无法满足实际需要。
因此,如何解决提供一种行之有效的方案以满足普通用户对用户终端设备的联动控制需求,是现有技术中一亟待解决的问题。
发明内容
有鉴于此,本发明实施例的目的在于提供一种智能家居的控制模型训练方法、控制方法及装置以改善上述问题。
第一方面,本发明实施例提供了一种智能家居的控制模型训练方法,应用于智能家居控制系统的控制后台,所述智能家居控制系统包括智能家居设备、用户终端和所述控制后台,所述控制后台分别与所述智能家居设备以及所述用户终端通信连接,所述方法包括:
记录所述智能家居设备多次触发的条件因素数据和对应的触发结果,所述条件因素数据包括所述用户终端的标识信息、被触发前预定时间内所述用户终端的位置信息、所述智能家居设备的触发状态信息、对所述智能家居设备的操控信息以及触发时间中的至少一种;
将每个所述条件因素数据量化形成第一输入向量;
将每个所述条件因素数据对应的所述触发结果量化形成第一目标向量;
依据每个所述第一输入向量和与每个所述第一输入向量对应的所述第一目标向量进行样本训练,得到训练模型。
优选地,所述依据每个所述第一输入向量和与每个所述第一输入向量对应的所述第一目标向量进行样本训练,得到训练模型的步骤包括:
构建神经网络;
设定神经网络的相关参数,所述相关参数包括训练函数和迭代参数;
基于所述迭代参数,以每个所述第一输入向量作为所述训练函数的输入,与每个所述第一输入向量对应的所述第一目标向量作为所述训练函数的输出进行迭代计算,得到所述训练模型。
优选地,所述神经网络为BP神经网络,所述训练函数为L-M优化算法,所述迭代参数为迭代次数。
第二方面,本发明实施例提供了一种智能家居的控制方法,应用于智能家居控制系统的控制后台,所述控制后台建立有基于上述任一所述的智能家居的控制模型训练方法所得到的训练模型,所述智能家居控制系统包括智能家居设备、用户终端和所述控制后台,所述控制后台分别与所述智能家居设备以及所述用户终端通信连接,所述方法包括:
获得当前条件因素数据,当所述当前条件因素数据中的至少一个子数据处于所述子数据对应的条件因素范围内时,依据所述当前条件因素数据量化形成第二输入向量;
将所述第二输入向量导入所述训练模型进行计算,得到第二目标向量;
依据所述第二目标向量控制所述智能家居设备。
优选地,所述依据所述第二目标向量控制所述智能家居设备的步骤包括:
依据所述第二目标向量生成触发指令;
将所述触发指令发送给所述用户终端,以使所述用户终端依据所述触发指令进行确认操作;
当所述用户终端依据所述触发指令进行确认操作时,依据所述第二目标向量控制所述智能家居设备。
第三方面,本发明实施例提供了一种智能家居的控制模型训练装置,应用于智能家居控制系统的控制后台,所述智能家居控制系统包括智能家居设备、用户终端和所述控制后台,所述控制后台分别与所述智能家居设备以及所述用户终端通信连接,所述智能家居的控制模型训练装置包括:
记录模块,用于记录所述智能家居设备多次触发的条件因素数据和对应的触发结果,所述条件因素数据包括所述用户终端的标识信息、被触发前预定时间内所述用户终端的位置信息、所述智能家居设备的触发状态信息、对所述智能家居设备的操控信息以及触发时间中的至少一种;
量化模块,用于将每个所述条件因素数据量化形成第一输入向量;以及
将每个所述条件因素数据对应的所述触发结果量化形成第一目标向量;
训练模块,用于基于所述迭代参数,依据每个所述第一输入向量和与每个所述第一输入向量对应的所述第一目标向量进行样本训练,得到训练模型。
优选地,所述训练模块包括:
构建子模块,用于构建神经网络;
设定子模块,用于设定神经网络的相关参数,所述相关参数包括训练函数和迭代参数;
计算子模块,用于以每个所述第一输入向量作为所述训练函数的输入,与每个所述第一输入向量对应的所述第一目标向量作为所述训练函数的输出进行迭代计算,得到所述训练模型。
优选地,所述神经网络为BP神经网络,所述训练函数为L-M优化算法,所述迭代参数为迭代次数。
第四方面,本发明实施例提供了一种智能家居的控制装置,应用于智能家居控制系统的控制后台,所述控制后台建立有基于上述任一所述的智能家居的控制模型训练方法所得到的训练模型,所述智能家居控制系统包括智能家居设备、用户终端和所述控制后台,所述控制后台分别与所述智能家居设备以及所述用户终端通信连接,所述智能家居的控制装置包括:
获取模块,用于获得当前条件因素数据;
判断模块,用于判断所述当前条件因素数据中的至少一个子数据是否处于所述子数据对应的条件因素范围内;
量化模块,用于依据所述当前条件因素数据量化形成第二输入向量;
运算模块,用于将所述第二输入向量导入所述训练模型进行计算,得到第二目标向量;
执行模块,用于依据所述第二目标向量控制所述智能家居设备。
优选地,所述执行模块包括:
生成子模块,用于依据所述第二目标向量生成触发指令;
发送子模块,用于将所述触发指令发送给所述用户终端,以使所述用户终端依据所述触发指令进行确认操作;
控制子模块,用于当所述用户终端依据所述触发指令进行确认操作时,依据所述第二目标向量控制所述智能家居设备。
对于现有技术,本发明提供的智能家居的控制模型训练方法、控制方法及装置具有如下的有益效果:
本发明提供的智能家居的控制模型训练方法及装置,通过记录智能家居设备多次触发的条件因素数据和对应的触发结果,将每个条件因素数据量化形成第一输入向量,每个条件因素数据对应的触发结果量化形成第一目标向量,然后依据每个第一输入向量和与每个第一输入向量对应的第一目标向量进行样本训练,得到训练模型。如此,无需普通用户对联动规则的条件、控制等部分进行定义,即可自动实现对智能家居设备的联动规则的定义,满足用户的实际需求,提升用户体验。
本发明提供的智能家居的控制方法及装置,可根据当前条件因素数据形成输入向量,根据输入向量在训练模型中进行计算得到目标向量,并依据目标向量控制智能家居设备。如此,可实现智能家居设备的智能控制,满足用户的特点定需求,提升用户体验。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明较佳实施例提供的智能家居控制系统的应用环境示意图。
图2为本发明第一实施例提供的智能家居的控制模型训练方法的流程图。
图3为本发明第二实施例提供的智能家居的控制模型训练装置方框示意图。
图4为图3中训练模块的方框示意图。
图5为本发明第三实施例提供的智能家居的控制方法的流程图。
图6为本发明第四实施例提供的智能家居的控制装置的方框示意图。
图7为图6中,执行模块的方框示意图。
图标:10-控制后台;110-智能家居的控制模型训练装置;111-记录模块;112-量化模块;113-训练模块;1131-构建子模块;1132-设定子模块;1133-计算子模块;120-智能家居的控制装置;121-获取模块;122-判断模块;123-量化模块;124-运算模块;125-执行模块;1251-生成子模块;1252-发送子模块;1253-控制子模块;20-用户终端;30-智能家居设备。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,是本发明较佳实施例提供的智能家居控制系统的应用环境示意图,智能家居控制系统包括智能家居设备30、用户终端20和控制后台10,智能家居设备30与控制后台10通信连接或通过中控设备通信连接,用户终端20与控制后台10通信连接。
其中,所述智能家居设备30可以采用,但不限于智能门锁、智能电子门铃、智能开关、红外人体探测器、智能窗帘、智能空气以及智能冰箱等智能电器设备等,所述控制后台10可以是服务器(如云服务器)及个人电脑(personal computer,PC)等,所述用户终端20可以是个人电脑、平板电脑、智能手机、个人数字助理(personal digital assistant,PDA)等。
第一实施例
请参阅图2,是本发明实施例提供的应用于图1中控制后台10的智能家居的控制模型训练方法的流程图,下面将对图2所示的流程进行详细阐述。
步骤S101,记录智能家居设备30多次触发的条件因素数据和对应的触发结果。
本发明实施例中,控制后台10在运行过程中会实时接收智能家居设备30及用户终端20的数据信息,当某一智能家居设备30被触发时,控制后台10会记录该智能家居设备30被触发时的条件因素数据和对应的触发结果。
其中,智能家居设备30被触发可以是指该智能家居设备30工作状态的切换,如智能开关由开启变更为关闭状态或由关闭状态变更为开启状态。也可以是指该智能家居设备30当前的运行参数的改变,例如智能空调温度的升高或降低等。
条件因素数据包括用户终端20和智能家居设备30的相关参数数据。本发明实施例中,条件因素数据包括用户终端20的标识信息、被触发前预定时间内用户终端20的位置信息、智能家居设备30的触发状态信息、对智能家居设备30的操控信息以及触发时间中的至少一种。还可以包括能家居控制系统中其他智能家居设备30的状态信息、当前的天气信息以及各种可能对智能家居设备30产生影响的数据。
其中,用户终端20的标识信息可以是用于识别用户终端20的字符(如智能手机的手机号、个人电脑的IP地址)或登录用户终端20的账号等。被触发前预定时间内用户终端20的位置信息可以是被触发前预定时间内(如20s)用户终端20的坐标。智能家居设备30的触发状态信息可以是智能家居设备30智能家居设备30的状态变化信息,如智能开关由开启变为关闭状态。对智能家居设备30的操控信息可以是指用户对智能家居设备30的操作事件,如对空调问题的开/关、温度调高/调低操作等。
触发结果指智能家居设备30被触发所产生的结果。如智能开关被开启或关闭,智能空调的输出温度升高、降低或升降的度数等。
基于此,控制后台10可多次记录智能家居设备30触发的条件因素数据和对应的触发结果,具体次数可根据实际情况设定。
步骤S102,将每个条件因素数据量化形成第一输入向量。
获得智能家居设备30触发的条件因素数据后,控制后台10将智能家居设备30每次触发的条件因素数据进行量化,得到多个第一输入向量。
以智能家居设备30为智能开关,用户终端20为智能手机为例。假定智能开关触发的条件因素数据包括有被触发前20s智能手机的坐标以及触发时间。那么控制后台10将被触发前20s智能手机的坐标以及触发时间分别量化,得到一个二维的第一输入向量(第一输入向量的维度与条件因素数据中包含的数据项数对应)。
例如,假定被触发前20s智能手机的坐标与智能家居设备30的坐标之间的距离在1千米以内量化为0,每增加1千米量化值加1。如果被触发前20s智能手机的坐标与智能家居设备30的坐标之间的距离为1.5KM,那么被触发前20s智能手机的坐标所量化的值为2。触发时间根据每天24个小时量化为1-24的整数值。如果触发时间在17-18点之间,那么触发时间可量化为17。如此,得到一个数值为(2,17)的二维向量。
步骤S103,将每个条件因素数据对应的触发结果量化形成第一目标向量。
与此同时,控制后台10将每个条件因素数据对应的触发结果量化,得到多个第一目标向量。
需要说明的是,本发明实施例中,步骤S102与步骤S103的顺序并不限定。
步骤S104,依据每个第一输入向量和与每个第一输入向量对应的所第一目标向量进行样本训练,得到训练模型。
在得到多个第一输入向量和与多个第一输入向量一一对应的多个第一目标向量后,控制后台10将每个第一输入向量和与每个第一输入向量对应的第一目标向量进行样本训练,得到训练模型。
具体的,进行样本训练的过程可以包括如下子步骤:
步骤S1041,构建神经网络。
首先,控制后台10构建用于样本训练的神经网络(模型)。
本发明实施例中,采用BP神经网络,并假定BP神经网络包含三层网络(输入层、隐含层和输出层),设定隐含层神经元的个数为
当然,在其他的一些实施例中,也可以采用其他类型的神经网络,如RBF神经网络。
步骤S1042,设定神经网络的相关参数。
构建神经网络后,控制后台10确定神经网络的相关参数,相关参数包括训练函数和迭代参数。
本发明实施例中,训练函数采用L-M优化算法。当然,在其他的一些实施例中也可以采用其他算法,如正反馈算法。
迭代参数可以是迭代次数或迭代结束条件(如设定均方误差,当计算出的值与实际值的均方误差小于设定值即停止迭代)。本发明实施例中,迭代参数为迭代次数,迭代次数的取值为1000。
步骤S1043,基于迭代参数,以每个第一输入向量作为训练函数的输入,与每个第一输入向量对应的第一目标向量作为训练函数的输出进行迭代计算,得到训练模型。
完成构建神经网络和相关参数的设定后,控制后台10以每个第一输入向量作为训练函数的输入,与每个第一输入向量对应的第一目标向量作为训练函数的输出进行迭代计算,得到训练模型。
本发明实施例中,系统中可依据上述方法构建多个训练模型,每个训练模型对应一类智能家居设备30控制操作。进一步的,训练可按固定的周期,定时地重新训练,以适应外部环境、用户行为等的变化,提升训练模型输出的精度。
综上,本发明实施例提供的智能家居的控制模型训练方法,通过记录智能家居设备30多次触发的条件因素数据和对应的触发结果,将每个条件因素数据量化形成第一输入向量,每个条件因素数据对应的触发结果量化形成第一目标向量,然后依据每个第一输入向量和与每个第一输入向量对应的第一目标向量进行样本训练,得到训练模型。如此,无需普通用户对联动规则的条件、控制等部分进行定义,即可自动实现对智能家居设备30的联动规则的定义,满足用户的实际需求,提升用户体验,且在智能家居控制系统的后续使用过程中,控制后台10即可根据得到的训练模型依据用户终端20和智能家居设备30的相关参数数据,自动控制智能家居控制系统中的智能家居设备30。
第二实施例
请参阅图3,是本发明实施例提供的应用于图1中所示的控制后台10的智能家居的控制模型训练装置110的方框示意图。智能家居的控制模型训练装置110包括有记录模块111、量化模块112和训练模块113。
其中,记录模块111用于记录智能家居设备30多次触发的条件因素数据和对应的触发结果。所述条件因素数据包括所述用户终端20的标识信息、被触发前预定时间内所述用户终端20的位置信息、所述智能家居设备30的触发状态信息、对所述智能家居设备30的操控信息以及触发时间中的至少一种。还可以包括能家居控制系统中其他智能家居设备30的状态信息、当前的天气信息以及各种可能对智能家居设备30产生影响的数据。
可以理解的,所述记录模块111可以用于执行上述的步骤S101。
量化模块112用于将每个条件因素数据量化形成第一输入向量,以及将每个条件因素数据对应的触发结果量化形成第一目标向量。
可以理解的,所述量化模块112可以用于执行上述的步骤S102和步骤S103。
训练模块113用于依据每个第一输入向量和与每个第一输入向量对应的第一目标向量进行样本训练,得到训练模型。
可以理解的,所述训练模块113可以用于执行上述的骤S104。
请参阅图4,本发明实施例中,训练模块113包括有构建子模块1131、设定子模块1132和计算子模块1133。
构建子模块1131用于构建神经网络。
可以理解的,所述构建子模块1131可以用于执行上述的子步骤S1041。
设定子模块1132用于设定神经网络的相关参数,相关参数包括训练函数和迭代参数。
可以理解的,所述设定子模块1132可以用于执行上述的子步骤S1042。
计算子模块1133用于基于迭代参数,以每个第一输入向量作为训练函数的输入,与每个第一输入向量对应的第一目标向量作为训练函数的输出进行迭代计算,得到训练模型。
可以理解的,所述计算子模块1133可以用于执行上述的子步骤S1043。
综上,本发明实施例提供的智能家居的控制模型训练装置110,通过记录智能家居设备30多次触发的条件因素数据和对应的触发结果,将每个条件因素数据量化形成第一输入向量,每个条件因素数据对应的触发结果量化形成第一目标向量,然后依据每个第一输入向量和与每个第一输入向量对应的第一目标向量进行样本训练,得到训练模型。如此,无需普通用户对联动规则的条件、控制等部分进行定义,即可自动实现对智能家居设备30的联动规则的定义,满足用户的实际需求,提升用户体验,且在智能家居控制系统的后续使用过程中,控制后台10即可根据得到的训练模型依据用户终端20和智能家居设备30的相关参数数据,自动控制智能家居控制系统中的智能家居设备30。
第三实施例
请参阅图5,是本发明实施例提供的智能家居的控制方法的流程图,所述智能家居的控制方法应用于智能家居控制系统的控制后台10,智能家居控制系统包括智能家居设备30、用户终端20和该控制后台10,控制后台10分别与智能家居设备30以及用户终端20通信连接,控制后台10建立有利用第一实施例中智能家居的控制模型训练方法所得到的训练模型。下面将对图5所示的流程进行详细阐述。
步骤S201,获得当前条件因素数据,当当前条件因素数据中的至少一个子数据处于子数据对应的条件因素范围内时,依据当前条件因素数据量化形成第二输入向量。
本发明实施例中,控制后台10已建立有用于对智能家居设备30联动控制的训练模型,在智能家居控制系统的后续使用过程中,控制后台10实时获得当前条件因素数据。当前条件因素数据包括用户终端20的标识信息、用户终端20的位置信息、智能家居设备30的状态信息、对智能家居设备30的操控信息以及当前时间等参数中的至少一种,还可以包括能家居控制系统中其他智能家居设备30的状态信息、当前的天气信息以及各种可能对智能家居设备30产生影响的数据,当前条件因素数据中每一项数据即为一个子数据。
控制后台10对应每个子数据设置有一条件因素范围,控制后台10在获得当前条件因素数据的同时,对当前条件因素数据中的每个子数据进行判断,判断其是否处于该子数据对应的条件因素范围内时,如果其中至少一个子数据处于对应的条件因素范围内,则将前条件因素数据量化形成第二输入向量。
步骤S202,将第二输入向量导入训练模型进行计算,得到第二目标向量。
将前条件因素数据量化形成第二输入向量后,控制后台10将第二输入向量作为输入数据导入该训练模型进行运行,得到第二目标向量,即输出结果。
步骤S203,依据第二目标向量控制智能家居设备30。
得到第二目标向量后,控制后台10依据第二目标向量向智能家居设备30发出控制信号,不同数值的第二目标向量对应不同的控制信号,如此根据不同的第二目标向量可控制智能家居设备30按照不同运行状态或运行参数运行。
具体的,依据第二目标向量控制智能家居设备30包括如下的子步骤:
步骤S2031,依据第二目标向量生成触发指令。
得到第二目标向量后,控制后台10依据第二目标向量生成一触发指令,触发指令对应智能家居设备30的不同运行状态或运行参数,用于提示用户是否依据该触发指令对应的运行状态或运行参数控制智能家居设备30。
步骤S2032,将触发指令发送给用户终端20。
生成触发指令后,控制后台10将将触发指令发送给用户终端20,用户终端20的用户可根据需要选择是否确认触发该触发指令。如果确认触发该触发指令,则依据触发指令对应的运行状态或运行参数来控制智能家居设备30。如果不确认触发该触发指令,则不改变智能家居设备30的运行状态或运行参数。
步骤S2033,当用户终端20依据触发指令进行确认操作时,依据第二目标向量控制智能家居设备30。
当用户终端20的用户对该触发指令进行确认操作(即确认触发该触发指令)时,则会由用户终端20向控制后台10反馈一确认信息,控制后台10收到该确认信息后,即依据第二目标向量向控制智能家居设备30发送一控制信号,以控制智能家居设备30按照触发指令对应的运行状态或运行参数运行。
综上,本发明实施例提供的智能家居的控制方法,可根据当前条件因素数据形成输入向量,根据输入向量在训练模型中进行计算得到目标向量,并依据目标向量控制智能家居设备30。如此,可实现智能家居设备30的智能控制,满足用户的特点定需求,提升用户体验。
进一步的,还可以提示用户终端20的用户是否以及目标向量来控制智能家居设备30,以便准确控制智能家居设备30,避免出现误控的情况发生。
第四实施例
请参阅图6,是本发明实施例提供的应用于图1中所示的控制后台10的智能家居的控制装置120的方框示意图。所述智能家居的控制装置120包括获取模块121、判断模块122、量化模块123、运算模块124和执行模块125。
获取模块121用于获得当前条件因素数据。
可以理解的,获取模块121可以用于执行上述步骤S201中获得当前条件因素数据这一过程。
判断模块122用于判断当前条件因素数据中的至少一个子数据是否处于子数据对应的条件因素范围内。
量化模块123用于依据当前条件因素数据量化形成第二输入向量。
可以理解的,量化模块123可以用于执行上述步骤S201中依据当前条件因素数据量化形成第二输入向量这一过程。
运算模块124用于将第二输入向量导入训练模型进行计算,得到第二目标向量。
可以理解的,运算模块124可以用于执行上述步骤S202。
执行模块125用于依据第二目标向量控制智能家居设备30。
可以理解的,执行模块125可以用于执行上述步骤S203。
请参阅图7,本发明实施例中,执行模块125包括有生成子模块1251、发送子模块1252和控制子模块1253。
其中,生成子模块1251用于依据第二目标向量生成触发指令。
可以理解的,生成子模块1251可以用于执行上述的子步骤S2031。
发送子模块1252用于将触发指令发送给用户终端20,以使用户终端20依据触发指令进行确认操作。
可以理解的,发送子模块1252可以用于执行上述的子步骤S2032。
控制子模块1253用于当用户终端20依据触发指令进行确认操作时,依据第二目标向量控制智能家居设备30。
可以理解的,控制子模块1253可以用于执行上述的子步骤S2033。
综上,本发明实施例提供的智能家居的控制装置120,可根据当前条件因素数据形成输入向量,根据输入向量在训练模型中进行计算得到目标向量,并依据目标向量控制智能家居设备30。如此,可实现智能家居设备30的智能控制,满足用户的特点定需求,提升用户体验。
进一步的,还可以提示用户终端20的用户是否以及目标向量来控制智能家居设备30,以便准确控制智能家居设备30,避免出现误控的情况发生。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种智能家居的控制模型训练方法,应用于智能家居控制系统的控制后台,所述智能家居控制系统包括智能家居设备、用户终端和所述控制后台,所述控制后台分别与所述智能家居设备以及所述用户终端通信连接,其特征在于,所述方法包括:
记录所述智能家居设备多次触发的条件因素数据和对应的触发结果,所述条件因素数据包括所述用户终端的标识信息、被触发前预定时间内所述用户终端的位置信息、所述智能家居设备的触发状态信息、对所述智能家居设备的操控信息以及触发时间中的至少一种;
将每个所述条件因素数据量化形成第一输入向量;
将每个所述条件因素数据对应的所述触发结果量化形成第一目标向量;
依据每个所述第一输入向量和与每个所述第一输入向量对应的所述第一目标向量进行样本训练,得到训练模型。
2.根据权利要求1所述的智能家居的控制模型训练方法,其特征在于,所述依据每个所述第一输入向量和与每个所述第一输入向量对应的所述第一目标向量进行样本训练,得到训练模型的步骤包括:
构建神经网络;
设定神经网络的相关参数,所述相关参数包括训练函数和迭代参数;
基于所述迭代参数,以每个所述第一输入向量作为所述训练函数的输入,与每个所述第一输入向量对应的所述第一目标向量作为所述训练函数的输出进行迭代计算,得到所述训练模型。
3.根据权利要求2所述的智能家居的控制模型训练方法,其特征在于,所述神经网络为BP神经网络,所述训练函数为L-M优化算法,所述迭代参数为迭代次数。
4.一种智能家居的控制方法,应用于智能家居控制系统的控制后台,所述控制后台建立有基于权利要求1-3任一所述的智能家居的控制模型训练方法所得到的训练模型,所述智能家居控制系统包括智能家居设备、用户终端和所述控制后台,所述控制后台分别与所述智能家居设备以及所述用户终端通信连接,其特征在于,所述方法包括:
获得当前条件因素数据,当所述当前条件因素数据中的至少一个子数据处于所述子数据对应的条件因素范围内时,依据所述当前条件因素数据量化形成第二输入向量;
将所述第二输入向量导入所述训练模型进行计算,得到第二目标向量;
依据所述第二目标向量控制所述智能家居设备。
5.根据权利要求4所述的智能家居的控制方法,其特征在于,所述依据所述第二目标向量控制所述智能家居设备的步骤包括:
依据所述第二目标向量生成触发指令;
将所述触发指令发送给所述用户终端,以使所述用户终端依据所述触发指令进行确认操作;
当所述用户终端依据所述触发指令进行确认操作时,依据所述第二目标向量控制所述智能家居设备。
6.一种智能家居的控制模型训练装置,应用于智能家居控制系统的控制后台,所述智能家居控制系统包括智能家居设备、用户终端和所述控制后台,所述控制后台分别与所述智能家居设备以及所述用户终端通信连接,其特征在于,所述智能家居的控制模型训练装置包括:
记录模块,用于记录所述智能家居设备多次触发的条件因素数据和对应的触发结果,所述条件因素数据包括所述用户终端的标识信息、被触发前预定时间内所述用户终端的位置信息、所述智能家居设备的触发状态信息、对所述智能家居设备的操控信息以及触发时间中的至少一种;
量化模块,用于将每个所述条件因素数据量化形成第一输入向量;以及
将每个所述条件因素数据对应的所述触发结果量化形成第一目标向量;
训练模块,用于依据每个所述第一输入向量和与每个所述第一输入向量对应的所述第一目标向量进行样本训练,得到训练模型。
7.根据权利要求6所述的智能家居的控制模型训练装置,其特征在于,所述训练模块包括:
构建子模块,用于构建神经网络;
设定子模块,用于设定神经网络的相关参数,所述相关参数包括训练函数和迭代参数;
计算子模块,用于基于所述迭代参数,以每个所述第一输入向量作为所述训练函数的输入,与每个所述第一输入向量对应的所述第一目标向量作为所述训练函数的输出进行迭代计算,得到所述训练模型。
8.根据权利要求7所述的智能家居的控制模型训练装置,其特征在于,所述神经网络为BP神经网络,所述训练函数为L-M优化算法,所述迭代参数为迭代次数。
9.一种智能家居的控制装置,应用于智能家居控制系统的控制后台,所述控制后台建立有基于权利要求1-3任一所述的智能家居的控制模型训练方法所得到的训练模型,所述智能家居控制系统包括智能家居设备、用户终端和所述控制后台,所述控制后台分别与所述智能家居设备以及所述用户终端通信连接,其特征在于,所述智能家居的控制装置包括:
获取模块,用于获得当前条件因素数据;
判断模块,用于判断所述当前条件因素数据中的至少一个子数据是否处于所述子数据对应的条件因素范围内;
量化模块,用于依据所述当前条件因素数据量化形成第二输入向量;
运算模块,用于将所述第二输入向量导入所述训练模型进行计算,得到第二目标向量;
执行模块,用于依据所述第二目标向量控制所述智能家居设备。
10.根据权利要求9所述的智能家居的控制装置,其特征在于,所述执行模块包括:
生成子模块,用于依据所述第二目标向量生成触发指令;
发送子模块,用于将所述触发指令发送给所述用户终端,以使所述用户终端依据所述触发指令进行确认操作;
控制子模块,用于当所述用户终端依据所述触发指令进行确认操作时,依据所述第二目标向量控制所述智能家居设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710874034.7A CN107490977A (zh) | 2017-09-25 | 2017-09-25 | 智能家居的控制模型训练方法、控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710874034.7A CN107490977A (zh) | 2017-09-25 | 2017-09-25 | 智能家居的控制模型训练方法、控制方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107490977A true CN107490977A (zh) | 2017-12-19 |
Family
ID=60653088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710874034.7A Pending CN107490977A (zh) | 2017-09-25 | 2017-09-25 | 智能家居的控制模型训练方法、控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107490977A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919669A (zh) * | 2018-09-11 | 2018-11-30 | 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 |
CN109445848A (zh) * | 2018-11-07 | 2019-03-08 | 深圳市云威物联科技有限公司 | 设备联动方法及装置 |
WO2019196488A1 (zh) * | 2018-04-13 | 2019-10-17 | 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 |
CN110457650A (zh) * | 2019-07-05 | 2019-11-15 | 泰康保险集团股份有限公司 | 宜居设计生成方法、装置、介质及电子设备 |
CN110933127A (zh) * | 2019-09-30 | 2020-03-27 | 北京瑞航核心科技有限公司 | 一种基于状态模型的物联网实体互操作方法 |
CN111142398A (zh) * | 2019-12-30 | 2020-05-12 | 欧普照明股份有限公司 | 设备联动方法、装置、电子设备及存储介质 |
CN111431776A (zh) * | 2020-03-27 | 2020-07-17 | 广东昇辉电子控股有限公司 | 信息配置方法、装置及系统 |
CN111736481A (zh) * | 2020-07-14 | 2020-10-02 | 北京自如信息科技有限公司 | 基于用户行为特征的模型训练、智能家居控制方法及装置 |
CN111787064A (zh) * | 2020-06-04 | 2020-10-16 | 深圳市酷开网络科技有限公司 | 一种基于专家系统的物联网联动控制方法及系统 |
CN112327648A (zh) * | 2020-11-09 | 2021-02-05 | 睿住科技有限公司 | 家用设备的控制方法、装置和计算机可读存储介质 |
CN112394647A (zh) * | 2019-08-19 | 2021-02-23 | 中国移动通信有限公司研究院 | 家居设备的控制方法、装置、设备及存储介质 |
CN113359502A (zh) * | 2021-07-05 | 2021-09-07 | 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 |
CN113900383A (zh) * | 2021-10-08 | 2022-01-07 | 中移(杭州)信息技术有限公司 | 智能家居设备控制方法、路由器、智能家居系统及介质 |
CN114063459A (zh) * | 2020-08-10 | 2022-02-18 | 青岛海信电子产业控股股份有限公司 | 一种终端和智能家居控制方法 |
CN116068910A (zh) * | 2023-04-06 | 2023-05-05 | 江西财经大学 | 一种基于大数据的智能家居控制方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104597761A (zh) * | 2014-12-31 | 2015-05-06 | 珠海格力电器股份有限公司 | 智能家用设备的控制方法及装置 |
CN105068515A (zh) * | 2015-07-16 | 2015-11-18 | 华南理工大学 | 一种基于自学习算法的智能家居设备语音控制方法 |
CN105320098A (zh) * | 2014-07-31 | 2016-02-10 | 宇龙计算机通信科技(深圳)有限公司 | 智能家居控制方法及系统 |
CN105607508A (zh) * | 2016-03-24 | 2016-05-25 | 重庆邮电大学 | 基于用户行为分析的智能家居设备控制方法及系统 |
CN106315319A (zh) * | 2016-09-23 | 2017-01-11 | 广州日滨科技发展有限公司 | 一种电梯智能预调度方法及系统 |
CN106369739A (zh) * | 2016-08-23 | 2017-02-01 | 海信(山东)空调有限公司 | 一种空调控制方法及空调控制器和空调系统 |
CN106383450A (zh) * | 2016-11-10 | 2017-02-08 | 北京工商大学 | 一种基于大数据的智能家居用户行为分析系统及方法 |
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 |
-
2017
- 2017-09-25 CN CN201710874034.7A patent/CN107490977A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320098A (zh) * | 2014-07-31 | 2016-02-10 | 宇龙计算机通信科技(深圳)有限公司 | 智能家居控制方法及系统 |
CN104597761A (zh) * | 2014-12-31 | 2015-05-06 | 珠海格力电器股份有限公司 | 智能家用设备的控制方法及装置 |
CN105068515A (zh) * | 2015-07-16 | 2015-11-18 | 华南理工大学 | 一种基于自学习算法的智能家居设备语音控制方法 |
CN105607508A (zh) * | 2016-03-24 | 2016-05-25 | 重庆邮电大学 | 基于用户行为分析的智能家居设备控制方法及系统 |
CN106369739A (zh) * | 2016-08-23 | 2017-02-01 | 海信(山东)空调有限公司 | 一种空调控制方法及空调控制器和空调系统 |
CN106315319A (zh) * | 2016-09-23 | 2017-01-11 | 广州日滨科技发展有限公司 | 一种电梯智能预调度方法及系统 |
CN106383450A (zh) * | 2016-11-10 | 2017-02-08 | 北京工商大学 | 一种基于大数据的智能家居用户行为分析系统及方法 |
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 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019196488A1 (zh) * | 2018-04-13 | 2019-10-17 | 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 |
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 |
CN108919669A (zh) * | 2018-09-11 | 2018-11-30 | 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 |
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 |
CN109445848A (zh) * | 2018-11-07 | 2019-03-08 | 深圳市云威物联科技有限公司 | 设备联动方法及装置 |
CN110457650A (zh) * | 2019-07-05 | 2019-11-15 | 泰康保险集团股份有限公司 | 宜居设计生成方法、装置、介质及电子设备 |
CN112394647A (zh) * | 2019-08-19 | 2021-02-23 | 中国移动通信有限公司研究院 | 家居设备的控制方法、装置、设备及存储介质 |
CN112394647B (zh) * | 2019-08-19 | 2024-04-19 | 中国移动通信有限公司研究院 | 家居设备的控制方法、装置、设备及存储介质 |
CN110933127A (zh) * | 2019-09-30 | 2020-03-27 | 北京瑞航核心科技有限公司 | 一种基于状态模型的物联网实体互操作方法 |
CN111142398A (zh) * | 2019-12-30 | 2020-05-12 | 欧普照明股份有限公司 | 设备联动方法、装置、电子设备及存储介质 |
CN111431776A (zh) * | 2020-03-27 | 2020-07-17 | 广东昇辉电子控股有限公司 | 信息配置方法、装置及系统 |
CN111787064B (zh) * | 2020-06-04 | 2023-08-01 | 深圳市酷开网络科技股份有限公司 | 一种基于专家系统的物联网联动控制方法及系统 |
CN111787064A (zh) * | 2020-06-04 | 2020-10-16 | 深圳市酷开网络科技有限公司 | 一种基于专家系统的物联网联动控制方法及系统 |
CN111736481A (zh) * | 2020-07-14 | 2020-10-02 | 北京自如信息科技有限公司 | 基于用户行为特征的模型训练、智能家居控制方法及装置 |
CN111736481B (zh) * | 2020-07-14 | 2023-06-23 | 北京自如信息科技有限公司 | 基于用户行为特征的模型训练、智能家居控制方法及装置 |
CN114063459A (zh) * | 2020-08-10 | 2022-02-18 | 青岛海信电子产业控股股份有限公司 | 一种终端和智能家居控制方法 |
CN114063459B (zh) * | 2020-08-10 | 2024-03-15 | 海信集团控股股份有限公司 | 一种终端和智能家居控制方法 |
CN112327648B (zh) * | 2020-11-09 | 2024-04-09 | 广东睿住智能科技有限公司 | 家用设备的控制方法、装置和计算机可读存储介质 |
CN112327648A (zh) * | 2020-11-09 | 2021-02-05 | 睿住科技有限公司 | 家用设备的控制方法、装置和计算机可读存储介质 |
CN113359502A (zh) * | 2021-07-05 | 2021-09-07 | 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 |
CN113900383A (zh) * | 2021-10-08 | 2022-01-07 | 中移(杭州)信息技术有限公司 | 智能家居设备控制方法、路由器、智能家居系统及介质 |
CN116068910A (zh) * | 2023-04-06 | 2023-05-05 | 江西财经大学 | 一种基于大数据的智能家居控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107490977A (zh) | 智能家居的控制模型训练方法、控制方法及装置 | |
Wu et al. | Big data analysis-based security situational awareness for smart grid | |
Zhao et al. | Towards traffic matrix prediction with LSTM recurrent neural networks | |
CN108197773A (zh) | 电力负荷预测方法、电力负荷预测装置及终端设备 | |
CN106469282A (zh) | 数据访问权限控制方法及装置 | |
CN206574143U (zh) | 一种学生电子考勤管理系统 | |
CN113746663B (zh) | 机理数据双驱动结合的性能劣化故障根因定位方法 | |
CN106920014A (zh) | 一种短时负荷预测方法及装置 | |
Jia et al. | Review of reinforcement learning research | |
EP3648015A2 (en) | A method for training a neural network | |
Kumar | Fractional order FIR differentiator design using particle swarm optimization algorithm | |
CN105809290A (zh) | 一种实现物流调度的方法及装置 | |
CN107942662A (zh) | 有限时间状态反馈控制器设计方法及装置 | |
CN109034490A (zh) | 一种电力负荷预测方法、装置、设备及存储介质 | |
Singh et al. | Adversarial attack and defence strategies for deep-learning-based iot device classification techniques | |
CN115766104A (zh) | 一种基于改进的Q-learning网络安全决策自适应生成方法 | |
Lai et al. | Formation tracking for nonlinear multi‐agent systems with delays and noise disturbance | |
CN109243021B (zh) | 基于用户体验分析的深度强化学习式智能门锁系统及装置 | |
Sahin et al. | The security concerns on cyber-physical systems and potential risks analysis using machine learning | |
He et al. | Similar day selecting based neural network model and its application in short-term load forecasting | |
Zhao et al. | Finite-time stabilization of stochastic nonlinear systems and its applications in ship maneuvering systems | |
Sun et al. | A study of network covert channel detection based on deep learning | |
CN112327648A (zh) | 家用设备的控制方法、装置和计算机可读存储介质 | |
EP4156036A1 (en) | Variational auto-encoder for multivariate time series generation | |
CN113806734B (zh) | 一种基于条件的能量生成对抗网络的网络攻击恢复方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171219 |
|
RJ01 | Rejection of invention patent application after publication |