CN109299724B - 基于深度学习的智能家居用户操控习惯挖掘与推荐方法 - Google Patents

基于深度学习的智能家居用户操控习惯挖掘与推荐方法 Download PDF

Info

Publication number
CN109299724B
CN109299724B CN201810785469.9A CN201810785469A CN109299724B CN 109299724 B CN109299724 B CN 109299724B CN 201810785469 A CN201810785469 A CN 201810785469A CN 109299724 B CN109299724 B CN 109299724B
Authority
CN
China
Prior art keywords
user
control
record
frequent
data
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
Application number
CN201810785469.9A
Other languages
English (en)
Other versions
CN109299724A (zh
Inventor
曾碧
梁天恺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810785469.9A priority Critical patent/CN109299724B/zh
Publication of CN109299724A publication Critical patent/CN109299724A/zh
Application granted granted Critical
Publication of CN109299724B publication Critical patent/CN109299724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Selective Calling Equipment (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及基于深度学习的智能家居用户操控习惯挖掘与推荐方法，包括以下步骤：S1：结合无线或有线网络进行用户行为习惯数据的采集；S2：数据读取及数据预处理，形成用户的操控记录矩阵；S3：进行GAN网络对抗训练生成用户一天的操控习惯的特征矩阵；S4：根据用户设备的操控状态的取值范围进行特征值规范化，形成最终的智能家居操控行为推荐方案。本发明能实现从用户历史操控数据中挖掘出用户一整天的操控习惯，而且形成高效，同时增强了智能家居操控行为推荐方案的可扩展性，填补了传统算法的不足。

Description

基于深度学习的智能家居用户操控习惯挖掘与推荐方法
技术领域
本发明涉及智能家居的技术领域，尤其涉及到基于深度学习的智能家居用户操控习惯挖掘与推荐方法。
背景技术
智能家居是在互联网影响之下物联化的体现，其通过物联网技术将家中的各种设备(如音视频设备、照明系统、窗帘控制、空调控制、安防系统、数字影院系统、影音服务器、影柜系统、网络家电等)连接到一起，提供家电控制、照明控制、电话远程控制、室内外遥控、防盗报警、环境监测、暖通控制、红外转发以及可编程定时控制等多种功能和手段。而智能家居操控行为推荐更为用户控制自己需要的设备带来方便。
智能家居操控行为推荐，针对用户的历史行为数据提取用户一整天的操控行为特征，并形成符合用户操控习惯的推荐方案给予用户推荐。传统的基于关联规则算法产生的行为推荐方案，主要有以下缺点：
①传统推荐方法所产生的智能家居操控行为推荐方案不具备时间连贯性，无法一次性生成用户一整天的操控习惯，不具备智能产生情景推荐方案的功能。
②传统的智能家居算法绝大部分仅根据用户数据的某一个或多个特征元素(如时间)进行聚类推荐，无法挖掘用户所有的特征元素之间的潜在关系。
发明内容
本发明的目的在于克服现有技术的不足，提供一种具备时间连贯性、能一次性生成用户一整天的操控习惯、具备智能产生情景推荐方案、能挖掘用户所有的特征元素之间的潜在关系的基于深度学习的智能家居用户操控行为习惯挖掘与推荐方法。
为实现上述目的，本发明所提供的技术方案为：
基于深度学习的智能家居用户操控习惯挖掘与推荐方法，包括以下步骤：
S1：结合无线或有线网络进行用户行为习惯数据的采集；
S2：数据读取及数据预处理，形成用户的操控记录矩阵；
S3：进行GAN网络对抗训练生成用户一天的操控习惯的特征矩阵；
S4：根据用户设备的操控状态的取值范围进行特征值规范化，形成最终的智能家居操控行为推荐方案。
进一步地，所述步骤S2具体过程如下：
S2-1：数据读取：提供在线以及离线入口，在线入口支持直接从数据库读取相应数据后进行后续处理，离线入口则支持输入符合主流规范的csv文件；
S2-2：用户操控记录矩阵的形成：根据用户记录产生的日期进行数据分割与填充，假设有n天的记录则将形成n个用户操控记录矩阵。
进一步地，所述形成用户操控记录矩阵的具体步骤如下：
A1：根据用户操控记录的产生时间进行时间节点的聚类，形成K个用户最常操控家居设备的频繁操控时间节点；
A2：针对步骤A1所产生的K个用户最常操控家居设备的频繁操控时间节点、用户所拥有的M个智能家居设备以及用户某一天中的所有操控记录形成一个K行M列的用户操控记录矩阵：若第i个频繁操控时间节点时的前后20分钟共40分钟内，第j个智能家居设备的操控记录不为空，则将用户操控记录矩阵的第i行第j列的数据更改为当前频繁操控时间节点得该记录中的该智能家居设备的操控状态；反之则将用户操控记录矩阵的第i行第j列的数据置为0；直至所有频繁操控时间节点和所有智能家居设备的操控记录均被遍历为止；
A3：按用户操控记录的产生日期的不同依照步骤A2生成N个不同日期所对应的N个K行M列的用户操控记录矩阵，并将其按照日期不同保存为N个.csv文件进行备份。
进一步地，所述步骤A1形成K个用户最常操控家居设备的频繁操控时间节点的具体步骤如下：
A1-1：随机选择K个频繁操控时间节点；
A1-2：对每个用户操控记录的生成时间，分别与K个频繁操控时间节点比较，如果该记录的生成时间与第i个频繁操控时间节点的余弦相似度最大，则将该记录就标记为i；
A1-3：对所有标记为i的用户操控记录的生成时间重新计算平均操作时间并将平均操作时间更新为第i个频繁操控时间节点；
A1-4：重复步骤A1-2和A1-3，直到K个频繁操控时间节点的变化小于给定阈值；
A1-5：形成K个用户最常操控家居设备的频繁操控时间节点。
进一步地，所述GAN网络由生成模型G和判别模型D两部分组成；生成模型G以隐变量N为输入，生成尽量与训练数据相似的样本；而判别模型D为二分类器，目的是区分由G生成的样本及训练数据中的真实样本；
GAN网络的目标函数如下：
Figure BDA0001733627490000031
要让判别模型D越来越无法判断孰真孰假，即最大化判别误差；同时又不断地让假样本与真样本的差距越来越小，即最小化两者的差异；
优化网络参数即为迭代优化生成模型G和判别模型D：
(4)优化生成模型G，使其尽可能混淆判别模型D；
(5)优化判别模型D，使其尽可能分辨出假冒的东西；
(6)不断如此重复，当判别模型D无法分辨出真假的时候，认为由生成模型G生成的样本为真实样本；
从而使生成的特征矩阵涵盖了用户过去N天的操控记录的一些代表性的特征以及经常重现的一些潜在的特征即用户的操控习惯，所以最终输出的特征矩阵即代表了用户过去N天中所隐藏的操控习惯。
进一步地，所述步骤S4具体过程如下：
根据GAN网络挖掘得到的用户潜在的操控习惯的特征矩阵后，通过数值型处理将可能具有小数数值的用户潜在的操控习惯的特征矩阵，再依照各智能家居设备的状态取值范围进行规范化，使得智能家居的控制中心能对相应的设备进行状态设定，即可完成根据用户过去N天的历史操控记录提取出用户一整天的操控行为特征，并形成符合用户操控习惯方案并进行推荐，实现智能家居设备操控的智能化。
进一步地，所述智能家居设备状态取值范围的规范化机制如下：若该智能家居设备的操控状态取值范围为整数，则将该特征值进行四舍五入取整处理；若该智能家居设备的操控状态取值范围为连续性区间内的某一保留有n位小数的浮点数，则仅对该特征值进行保留n位小数处理。
与现有技术相比，本方案原理和优点如下：
本方案将一堆用户行为习惯的操作数据进行预处理后，通过GAN深度神经网络挖掘符合用户操控习惯的一整天的智能家居操控行为推荐方案。本方案能实现从用户历史操控数据中挖掘出用户一整天的操控习惯，而且形成高效，同时增强了智能家居操控行为推荐方案的可扩展性，填补了传统算法的不足。
附图说明
图1为本发明基于深度学习的智能家居用户操控习惯挖掘与推荐方法的流程框图；
图2为本发明基于深度学习的智能家居用户操控习惯挖掘与推荐方法中数据预处理的流程框图；
图3为本发明基于深度学习的智能家居用户操控习惯挖掘与推荐方法中形成用户操控记录矩阵的流程框图；
图4为本发明基于深度学习的智能家居用户操控习惯挖掘与推荐方法中GAN深度神经网络的体系结构图；
图5为本发明基于深度学习的智能家居用户操控习惯挖掘与推荐方法中形成智能家居操控行为推荐方案的流程框图。
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：
参见附图1所示，本实施例所述的基于深度学习的智能家居用户操控习
惯挖掘与推荐方法，包括以下步骤：
S1：结合无线或有线网络进行用户行为习惯数据的采集；
S2：数据读取及数据预处理，形成用户的操控记录矩阵，具体过程如图2
所示；即：
S2-1：数据读取：提供在线以及离线入口，在线入口支持直接从数据库
读取相应数据后进行后续处理，离线入口则支持输入符合主流规范的csv文件；
S2-2：用户操控记录矩阵的形成：根据用户记录产生的日期进行数据分
割与填充，假设有n天的记录则将形成n个用户操控记录矩阵。具体的步骤
如图3所示：
A1：根据用户操控记录的产生时间进行时间节点的聚类，形成K个用户
最常操控家居设备的频繁操控时间节点；本步骤由K-means算法实现时间节
点的聚类：K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。具体流程如下：
A1-1：随机选择K个频繁操控时间节点；
A1-2：对每个用户操控记录的生成时间，分别与K个频繁操控时间节点
比较，如果该记录的生成时间与第i个频繁操控时间节点的余弦相似度最大，
则将该记录就标记为i；
A1-3：对所有标记为i的用户操控记录的生成时间重新计算平均操作时间并将平均操作时间更新为第i个频繁操控时间节点；
A1-4：重复步骤A1-2和A1-3，直到K个频繁操控时间节点的变化小于给定阈值；
A1-5：形成K个用户最常操控家居设备的频繁操控时间节点。
A2：针对步骤A1所产生的K个用户最常操控家居设备的频繁操控时间节点、用户所拥有的M个智能家居设备以及用户某一天中的所有操控记录形成一个K行M列的用户操控记录矩阵：若第i个频繁操控时间节点时的前后20分钟共40分钟内，第j个智能家居设备的操控记录不为空，则将用户操控记录矩阵的第i行第j列的数据更改为当前频繁操控时间节点得该记录中的该智能家居设备的操控状态；反之则将用户操控记录矩阵的第i行第j列的数据置为0；直至所有频繁操控时间节点和所有智能家居设备的操控记录均被遍历为止；
A3：按用户操控记录的产生日期的不同依照步骤A2生成N个不同日期所对应的N个K行M列的用户操控记录矩阵，并将其按照日期不同保存为N个.csv文件进行备份。
S3：使用对抗生成网络(Generative Adversarial Net，缩写GAN)来进行智能家居用户操控习惯的挖掘，图4给出了本实施例所使用的GAN网络的模型并据此展开详细的说明：
GAN网络的原理：
生成式对抗网络由生成模型G和判别模型D两部分组成。生成模型G以隐变量N为输入，生成尽量与训练数据相似的样本。而判别模型D是一个二分类器，目的是区分由G生成的样本及训练数据中的真实样本，一般是将G生成的样本判别为0而将训练数据中的真实样本判别为1。整个网络的目的就是经过若干轮的生成与对抗判别后，让判别器无法识别出假样本即判别器输出接近0.5，此时说明生成模型生成的假样本已经跟绝大部分的真实样本所具有的代表性特征保持一致，已经到了“可以以假乱真”的地步，此时网络就会输出生成模型最后一轮所生成的假样本。在本实施例的背景下，即GAN能够根据用户N天的操控记录生成一个涵盖过去N天的所有操控记录的代表性特征及用户最常重现的操控习惯的特征矩阵，并交给后续的特征值规范化机制进行处理后，便会生成符合用户操控习惯的一整天的推荐方案。在学习过程中，GAN网络的目标函数为：
Figure BDA0001733627490000071
公式说明，算法要让判别器越来越无法判断孰真孰假，即最大化(max)判别误差；同时又不断地让假样本与真样本的差距越来越小，即最小化(min)两者的差异。总而言之，这其实是一种二者博弈的过程，将生成器看成是鹰品制造者，判别器看成是真品鉴别师，为了不让真品鉴别师鉴别出生产的鹰品，鹰品制造者必须将产品做得和真品足够相似，而真品鉴别师为了不让鹰品流入市场，只能不断提高自己辨别真假的能力，随着真品鉴别师的鉴别能力的提升，鹰品制造者无赖只能将产品做得与真品更加相似，如此反复，鹰品越来越像真品，真品鉴别师也练就火眼金睛，最终达到两者的均衡状态(判别模型输出约为0.5)。优化网络参数时一般是迭代优化生成模型G和判别模型D：
(1)优化生成模型G，使其尽可能混淆判别模型D。
(2)优化判别模型D，使其尽可能分辨出假冒的东西。
(3)不断如此重复，当判别模型D无法分辨出真假的时候，可以认为由生成模型G生成的样本就是真实样本。在本实施例的背景下就是说，生成的特征矩阵涵盖了用户过去N天的操控记录的一些代表性的特征以及经常重现的一些潜在的特征即用户的操控习惯，所以最终输出的特征矩阵就是代表了用户过去N天中所隐藏的操控习惯。
S4：如图5所示，根据GAN网络挖掘得到的用户潜在的操控习惯的特征矩阵后，通过数值型处理将可能具有小数数值的用户潜在的操控习惯的特征矩阵，再依照各智能家居设备的状态取值范围进行规范化，使得智能家居的控制中心能对相应的设备进行状态设定，即可完成根据用户过去N天的历史操控记录提取出用户一整天的操控行为特征，并形成符合用户操控习惯方案并进行推荐，实现智能家居设备操控的智能化。
而智能家居设备状态取值范围的规范化机制如下：
若该智能家居设备的操控状态取值范围为整数，则将该特征值进行四舍五入取整处理；若该智能家居设备的操控状态取值范围为连续性区间内的某一保留有n位小数的浮点数，则仅对该特征值进行保留n位小数处理。
本实施例将一堆用户行为习惯的操作数据进行预处理后，通过GAN深度神经网络挖掘符合用户操控习惯的一整天的智能家居操控行为推荐方案。本方案能实现从用户历史操控数据中挖掘出用户一整天的操控习惯，而且形成高效，同时增强了智能家居操控行为推荐方案的可扩展性，填补了传统算法的不足。
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 (5)

1.基于深度学习的智能家居用户操控习惯挖掘与推荐方法，其特征在于：包括以下步骤：
S1：结合无线或有线网络进行用户行为习惯数据的采集；
S2：数据读取及数据预处理，形成用户的操控记录矩阵；
S3：进行GAN网络对抗训练生成用户一天的操控习惯的特征矩阵；
S4：根据用户设备的操控状态的取值范围进行特征值规范化，形成最终的智能家居操控行为推荐方案；
所述步骤S2具体过程如下：
S2-1：数据读取：提供在线以及离线入口，在线入口支持直接从数据库读取相应数据后进行后续处理，离线入口则支持输入符合主流规范的csv文件；
S2-2：用户操控记录矩阵的形成：根据用户记录产生的日期进行数据分割与填充，假设有n天的记录则将形成n个用户操控记录矩阵；
所述形成用户操控记录矩阵的具体步骤如下：
A1：根据用户操控记录的产生时间进行时间节点的聚类，形成K个用户最常操控家居设备的频繁操控时间节点；
A2：针对步骤A1所产生的K个用户最常操控家居设备的频繁操控时间节点、用户所拥有的M个智能家居设备以及用户某一天中的所有操控记录形成一个K行M列的用户操控记录矩阵：若第i个频繁操控时间节点时的前后20分钟共40分钟内，第j个智能家居设备的操控记录不为空，则将用户操控记录矩阵的第i行第j列的数据更改为当前频繁操控时间节点的该记录中的该智能家居设备的操控状态；反之则将用户操控记录矩阵的第i行第j列的数据置为0；直至所有频繁操控时间节点和所有智能家居设备的操控记录均被遍历为止；
A3：按用户操控记录的产生日期的不同依照步骤A2生成N个不同日期所对应的N个K行M列的用户操控记录矩阵，并将其按照日期不同保存为N个.csv文件进行备份。
2.根据权利要求1所述的基于深度学习的智能家居用户操控习惯挖掘与推荐方法，其特征在于：所述步骤A1形成K个用户最常操控家居设备的频繁操控时间节点的具体步骤如下：
A1-1：随机选择K个频繁操控时间节点；
A1-2：对每个用户操控记录的生成时间，分别与K个频繁操控时间节点比较，如果该记录的生成时间与第i个频繁操控时间节点的余弦相似度最大，则将该记录就标记为i；
A1-3：对所有标记为i的用户操控记录的生成时间重新计算平均操作时间并将平均操作时间更新为第i个频繁操控时间节点；
A1-4：重复步骤A1-2和A1-3，直到K个频繁操控时间节点的变化小于给定阈值；
A1-5：形成K个用户最常操控家居设备的频繁操控时间节点。
3.根据权利要求1所述的基于深度学习的智能家居用户操控习惯挖掘与推荐方法，其特征在于：所述GAN网络由生成模型G和判别模型D两部分组成；生成模型G以隐变量N为输入，生成尽量与训练数据相似的样本；而判别模型D为二分类器，目的是区分由G生成的样本及训练数据中的真实样本；
GAN网络的目标函数如下：
Figure FDA0003204273620000021
要让判别模型D越来越无法判断孰真孰假，即最大化判别误差；同时又不断地让假样本与真样本的差距越来越小，即最小化两者的差异；
优化网络参数即为迭代优化生成模型G和判别模型D：
(1)优化生成模型G，使其尽可能混淆判别模型D；
(2)优化判别模型D，使其尽可能分辨出假冒的东西；
(3)不断如此重复，当判别模型D无法分辨出真假的时候，认为由生成模型G生成的样本为真实样本；
从而使生成的特征矩阵涵盖了用户过去N天的操控记录的一些代表性的特征以及经常重现的一些潜在的特征即用户的操控习惯，所以最终输出的特征矩阵即代表了用户过去N天中所隐藏的操控习惯。
4.根据权利要求1所述的基于深度学习的智能家居用户操控习惯挖掘与推荐方法，其特征在于：所述步骤S4具体过程如下：
根据GAN网络挖掘得到的用户潜在的操控习惯的特征矩阵后，通过数值型处理将可能具有小数数值的用户潜在的操控习惯的特征矩阵，再依照各智能家居设备的状态取值范围进行规范化，使得智能家居的控制中心能对相应的设备进行状态设定，即可完成根据用户过去N天的历史操控记录提取出用户一整天的操控行为特征，并形成符合用户操控习惯方案并进行推荐，实现智能家居设备操控的智能化。
5.根据权利要求4所述的基于深度学习的智能家居用户操控习惯挖掘与推荐方法，其特征在于：所述智能家居设备状态取值范围的规范化机制如下：若该智能家居设备的操控状态取值范围为整数，则将该特征值进行四舍五入取整处理；若该智能家居设备的操控状态取值范围为连续性区间内的某一保留有n位小数的浮点数，则仅对该特征值进行保留n位小数处理。
CN201810785469.9A 2018-07-17 2018-07-17 基于深度学习的智能家居用户操控习惯挖掘与推荐方法 Active CN109299724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810785469.9A CN109299724B (zh) 2018-07-17 2018-07-17 基于深度学习的智能家居用户操控习惯挖掘与推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810785469.9A CN109299724B (zh) 2018-07-17 2018-07-17 基于深度学习的智能家居用户操控习惯挖掘与推荐方法

Publications (2)

Publication Number Publication Date
CN109299724A CN109299724A (zh) 2019-02-01
CN109299724B true CN109299724B (zh) 2022-01-28

Family

ID=65172244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810785469.9A Active CN109299724B (zh) 2018-07-17 2018-07-17 基于深度学习的智能家居用户操控习惯挖掘与推荐方法

Country Status (1)

Country Link
CN (1) CN109299724B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109612009A (zh) * 2018-12-06 2019-04-12 珠海格力电器股份有限公司 一种空调器及其一键开机控制方法
CN109656223B (zh) * 2019-02-02 2020-03-31 重庆医药高等专科学校 通过单片机进行远程控制的工作方法
CN111340104B (zh) * 2020-02-24 2023-10-31 中移（杭州）信息技术有限公司 智能设备的控制规则的生成方法和装置、电子设备及可读存储介质
CN111857073A (zh) * 2020-07-21 2020-10-30 海尔优家智能科技（北京）有限公司 用于控制洗浴设备的方法、装置及设备
CN112765365A (zh) * 2020-09-01 2021-05-07 张富平 基于区块链离线支付的大数据处理方法、系统及推送平台
CN114265325A (zh) * 2021-12-23 2022-04-01 深圳康佳电子科技有限公司 自学习的智能家居控制方法、终端及计算机可读存储介质
CN114290873B (zh) * 2021-12-27 2024-01-12 重庆长安汽车股份有限公司 具有自动适应用户习惯的汽车空调控制方法、系统及车辆

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104315657A (zh) * 2014-10-23 2015-01-28 王大为 一种智能动态控制空调调节室温的方法和遥控装置
CN105243128A (zh) * 2015-09-29 2016-01-13 西华大学 一种基于签到数据的用户行为轨迹聚类方法
CN106600042A (zh) * 2016-12-05 2017-04-26 武汉大学 一种手机用户上网时段预测方法
CN106705342A (zh) * 2015-07-31 2017-05-24 广东美的制冷设备有限公司 一种用于合成新的空调运行模式的方法、系统及智能终端
CN106814632A (zh) * 2016-03-30 2017-06-09 南京小贝网络科技有限公司 遥控器以及遥控器与被控制装置的交互方法
CN107665230A (zh) * 2017-06-21 2018-02-06 海信集团有限公司 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
CN107920109A (zh) * 2017-10-19 2018-04-17 广东工业大学 一种基于Hadoop的智能家居操控行为推荐方法
CN108093304A (zh) * 2017-12-29 2018-05-29 东莞市纽格力信息技术有限公司 一种基于用户习惯的智能推荐方法和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104315657A (zh) * 2014-10-23 2015-01-28 王大为 一种智能动态控制空调调节室温的方法和遥控装置
CN106705342A (zh) * 2015-07-31 2017-05-24 广东美的制冷设备有限公司 一种用于合成新的空调运行模式的方法、系统及智能终端
CN105243128A (zh) * 2015-09-29 2016-01-13 西华大学 一种基于签到数据的用户行为轨迹聚类方法
CN106814632A (zh) * 2016-03-30 2017-06-09 南京小贝网络科技有限公司 遥控器以及遥控器与被控制装置的交互方法
CN106600042A (zh) * 2016-12-05 2017-04-26 武汉大学 一种手机用户上网时段预测方法
CN107665230A (zh) * 2017-06-21 2018-02-06 海信集团有限公司 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
CN107920109A (zh) * 2017-10-19 2018-04-17 广东工业大学 一种基于Hadoop的智能家居操控行为推荐方法
CN108093304A (zh) * 2017-12-29 2018-05-29 东莞市纽格力信息技术有限公司 一种基于用户习惯的智能推荐方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Intelligent control in smart home based on adaptive neuro fuzzy inference system;Wanglei et al.;《IEEE-2015 Chinese Automation Congress (CAC)》;20160118;全文 *
生成式对抗网络 GAN 的研究进展与展望;王坤峰等;《自动化学报》;20170315;第43卷(第3期);引言、正文第2.2节、第5章 *

Also Published As

Publication number Publication date
CN109299724A (zh) 2019-02-01

Similar Documents

Publication Publication Date Title
CN109299724B (zh) 基于深度学习的智能家居用户操控习惯挖掘与推荐方法
CN102414683B (zh) 基于媒体内容的分类来存储和检索从媒体内容中导出的指纹
CN103038777B (zh) 用于分析及检测恶意软件的方法和装置
CN111708343B (zh) 一种面向制造业行业现场工艺行为异常行为检测方法
CN108366045A (zh) 一种风控评分卡的设置方法和装置
CN111742365A (zh) 用于监控系统中的音频事件检测的系统和方法
US10943442B1 (en) Customized notifications based on device characteristics
CN105262715B (zh) 一种基于模糊时序关联模式的异常用户检测方法
CN110908340A (zh) 智能家居的控制方法及装置
CN112000024B (zh) 用于控制家电设备的方法及装置、设备
CN111143838A (zh) 数据库用户异常行为检测方法
CN109377435A (zh) 一种配置消防设备的方法、装置及设备
CN110716957B (zh) 类案可疑对象智能挖掘分析方法
CN113645173A (zh) 一种恶意域名的识别方法、系统和设备
CN114331473A (zh) 电信诈骗事件的识别方法及其装置、计算机可读存储介质
CN112925899B (zh) 排序模型建立方法、案件线索推荐方法、装置及介质
CN110543583A (zh) 信息处理方法及装置、图像设备及存储介质
CN106874739B (zh) 一种终端标识的识别方法及装置
CN112801784A (zh) 一种数字货币交易所的比特币地址挖掘方法及装置
CN111340104A (zh) 智能设备的控制规则的生成方法和装置、电子设备及可读存储介质
CN115599260A (zh) 智能场景的生成方法、装置、系统、存储介质及电子装置
CN107948699A (zh) 一种基于指纹识别的电视内容分级推送方法
US11243959B1 (en) Generating statistics using electronic device data
Filios et al. Efficient parameterized methods for physical activity detection using only smartphone sensors
Alharbi et al. Demographic group prediction based on smart device user recognition gestures

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