CN109946987A - 一种基于互联网的老年人生活环境优化监控方法 - Google Patents
一种基于互联网的老年人生活环境优化监控方法 Download PDFInfo
- Publication number
- CN109946987A CN109946987A CN201910237490.XA CN201910237490A CN109946987A CN 109946987 A CN109946987 A CN 109946987A CN 201910237490 A CN201910237490 A CN 201910237490A CN 109946987 A CN109946987 A CN 109946987A
- Authority
- CN
- China
- Prior art keywords
- environment
- elderly
- life
- elderly person
- impact factor
- 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.)
- Withdrawn
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于互联网的老年人生活环境优化监控方法,包括:步骤一、采集老年人生活环境的环境信息,计算第一环境影响因子和第二环境影响因子步骤二、采集老年人生活的居住面积S、和老年人的平均年龄步骤三、将环境信息和老年人的居住信息经过归一化后输入到BP神经网络模型中,作为输入层;步骤四、经过BP神经网络模型训练,对老年人的生活环境进行优化调节;步骤五,将优化调节信号输入到模糊控制器中,获得表示优化调节类别的输出向量群,将其作为调节答案输出。通过对老年人的居住环境和居住信息进行监测,在环境变化时进行优化调节和报警,提高对老年人居住环境的优化管理。
Description
技术领域
本发明涉及一种基于互联网的老年人生活环境优化监控方法,属于环境监测领域。
背景技术
随着时代的进步和经济的发展,人们越来越重视健康和保养,对生活品质的要求不断提高,对居住环境舒适度的要求也越来越高,在这个互联网的时代,利用通讯技术为用户打造现代、舒适的居住环境,已经形成了一个具有巨大市场潜力的新型产业,那就是智能家居产业。近年来,智能家居市场获得了快速发展,并获得了越来越多家庭用户的关注和应用。
在我国,约有15%是健康人,15%的非健康人,70%的亚健康人,而主动参与健康管理的不到5%,由于健康意识的相对薄弱,许多家庭每年应用于医疗的支出费用占家庭收入的30%以上,更有甚者因为医疗费用返贫却也无法挽救一个个生命。
健康管理是以预防和控制疾病发生与发展,降低医疗费用,提高生命质量为目的,针对个体及群体进行健康教育,提高自我管理意识和水平,并对其生活方式相关的健康危险因素健康管理可以依据科学的生活方式,对个人或人群的健康危险因素进行全面监测,分析、评估、预测以及进行干预的全过程管理的过程,指导人们主动有效地维护和把握健康,变被动治疗为主动预防、由被动治疗疾病促进健康向着主动预防疾病、保持和维护健康的观念转变。
良好的居住环境,是人们生活之本,只有有了良好的居住环境才能开始对自己进行健康管理,医学研究表明,许多疾病病因主要不是生物因素引起的,而是由于不良的生活方式、环境因素等引起的,因此,加强对居住环境的监测,是实现健康管理比不可少的手段。
特别是对老年人,老年人由于其年龄特点,对外界环境的抵抗能力较差,适应能力差,对环境变化比较敏感,因此需要稳定的生活环境,需要对其生活环境进行监督和优化。
发明内容
本发明设计开发了一种基于互联网的老年人生活环境优化监控方法,通过对老年人的居住环境和居住信息进行监测,在环境变化时进行优化调节和报警,提高对老年人居住环境的优化管理。
本发明的另一发明目的,通过计算老年人生活环境的影响因子,实现对老年人生活环境的状态进行判断。
本发明的另一发明目的,通过BP神经网络和模糊控制对老年人的生活环境进行监控和优化调节,并在出现紧急情况时进行报警,提高优化监控效率和精度。
本发明提供的技术方案为:
一种基于互联网的老年人生活环境优化监控方法,包括:
步骤一、采集老年人生活环境的环境信息,计算第一环境影响因子和第二环境影响因子
步骤二、采集老年人生活的居住面积S、和老年人的平均年龄
步骤三、将环境信息和老年人的居住信息经过归一化后输入到BP神经网络模型中,作为输入层;
步骤四、经过BP神经网络模型训练,对老年人的生活环境进行优化调节;
步骤五,将优化调节信号输入到模糊控制器中,获得表示优化调节类别的输出向量群,将其作为调节答案输出。
优选的是,通过传感器,采集老年人生活居住的室内环境信息,包括:环境温度T、环境湿度W、环境压力Pi、光照强度σ、PM2.5浓度CP以及可燃气体浓度CK。
优选的是,所述第一环境影响因子的经验公式为:
其中,λ1为与第一环境影响因子相关的第一常数,T0设定的室内基础温度,P0为设定的室内基础环境压力,λ2为与第一环境影响因子相关的第二常数,W0为设定的室内基础湿度,λ1=0.2~0.35,λ2=0.4~0.6。
优选的是,所述第二环境影响因子的经验公式为:
其中,为PM2.5浓度的最大值,为PM2.5浓度的标准值,为可燃气体浓度的标准值,为光照强度标准值,λ3为与第二环境影响因子相关的第三常数,λ3=0.55~0.7。
优选的是,所述步骤三具体包括:
步骤1、按照采样周期,获取老年人生活的居住面积S、老年人的平均年龄第一环境影响因子和第二环境影响因子
步骤2、依次将获取的参数进行归一化,确定三层BP神经网络的输入层向量为,x={x1,x2,x3,x4};其中,x1为居住面积系数、x2为老年人的平均年龄、x3为第一环境影响因子系数、x4为第二环境影响因子系数;
步骤3、所述输入层向量映射到中间层,所述中间层向量y={y1,y2,…,ym};m为中间层节点个数;
步骤4、得到输出层向量o={o1,o2,o3};o1为空调调节阀开度系数、o2为空气净化器调节阀开度系数,o3为照明系统调节量系数。
优选的是,所述归一化公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数:S、N、和j=1,2,3,4;Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
优选的是,所述中间层节点个数m满足:其中,n为输入层节点个数,p为输出层节点个数。
优选的是,所述步骤五具体包括:
将空调调节阀开度系数与预设的空调调节阀开度系数比较得到空调调节偏差信号,将空气净化器调节阀开度系数与预设的空气净化器调节阀开度系数,将照明系统调节量系数与预设的照明系统调节量系数比较得到照明系统调节量偏差信号;
将空调调节偏差信号经过微分计算得到空调调节变化率信号,空气净化器调节偏差信号经过微分计算得到空气净化器调节变化率信号,将照明体统调节量偏差信号经过微分计算得到照明系统调节量变化率信号;
将空调调节变化率信号、空气净化器调节变化率信号以及照明系统调节量变化率信号共同经过放大后输入模糊控制器,输出优化调节等级。
本发明所述的有益效果:通过对老年人居住环境的温度、湿度、PM2.5浓度、可燃气体浓度进行监测,以及对老年人的居住面积、人口和平均年龄进行获取,实现根据老年人自身的具体情况,对其居住环境进行监测,同时,根据老年人的具体居住特点,进行环境优化调节,给老年人提供一个优异的居住环境,
通过BP神经网络对老年人的居住环境和居住信息进行监测和优化调节,并将调节信息输入到模糊控制器中输出优化调节等级,在出现紧急情况时进行报警,提高优化监控效率和精度。给老年人提供一个优异、舒适的居住环境。
附图说明
图1为本发明所述的基于互联网的老年人生活环境优化监控系统的的结构示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1所示,本发明提供一种基于互联网的老年人生活环境优化监控方法,通过设置在老年人居住室内的老年人生活环境优化监控系统对老年人的生活环境进行监控和优化,其中,老年人环境优化监控系统设置在老年人居住室内,并具体包括:监测单元,其输出端与处理系统的输入端电连接,将监测到的居住信息发送的处理系统中;在处理系统内部设置有存储单元,存储单元与处理系统双向电连接,存储单元内部预设有标准的居住信息,处理系统的输出端与控制单元的输入端电连接,控制单元同时电连接调节单元和通信单元,控制单元通过网络与通信单元电连接,将调节单元和输出单元的信息通过网络传递给客户端,方便使用者查看。
监测单元包括:温度传感器、湿度传感器、压力传感器、光照强度传感器、PM2.5传感器以及可燃气体探测器。
基于互联网的老年人生活环境优化监控方法具体包括如下步骤:
步骤一、老年人生活环境优化监控系统随老年人的居住而启动,通过检测单元采集老年人的生活环境的环境信息,计算第一环境影响因子和第二环境影响因子
步骤二、采集老年人生活的居住面积S、和老年人的平均年龄
步骤三、将环境信息和老年人的居住信息经过归一化后输入到BP神经网络模型中,作为输入层;
步骤四、经过BP神经网络模型训练,对老年人的生活环境进行优化调节;
步骤五,将优化调节信号输入到模糊控制器中,获得表示优化调节类别的输出向量群,将其作为调节答案输出。
在另一实施例中,第一环境影响因子的经验公式为:
其中,λ1为与第一环境影响因子相关的第一常数,T0设定的室内基础温度,单位为℃,P0为设定的室内基础环境压力,单位为Pa,λ2为与第一环境影响因子相关的第二常数,W0为设定的室内基础湿度,λ1=0.2~0.35,λ2=0.4~0.6。
在另一实施例中,第二环境影响因子的经验公式为:
其中,为PM2.5浓度的最大值,单位为mol/L,为PM2.5浓度的标准值,单位为mol/L,为可燃气体浓度的标准值,单位为mol/L,为光照强度标准值,单位为lx,λ3为与第二环境影响因子相关的第三常数,λ3=0.55~0.7。
在另一实施例中,在步骤三中,通过BP神经网络对老年人生活环境进行优化调节,具体包括如下步骤:
步骤1、建立BP神经网络模型;
BP模型上各层次的神经元之间形成全互连连接,各层次内的神经元之间没有连接,输入层神经元的输出与输入相同,即oi=xi。中间隐含层和输出层的神经元的操作特性为
opj=fj(netpj)
其中,p表示当前的输入样本,ωji为从神经元i到神经元j的连接权值,opi为神经元j的当前输入,opj为其输出;fj为非线性可微非递减函数,取为S型函数,即fj(x)=1/(1+e-x)。
本发明采用的BP网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示设备工作状态的n个检测信号,这些信号参数由数据预处理模块给出。第二层为隐层,共m个节点,由网络的训练过程以自适应的方式确定。第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入层向量:x=(x1,x2,…,xn)T
中间层向量:y=(y1,y2,…,ym)T
输出层向量:z=(z1,z2,…,zp)T
本发明中,输入层节点数为n=4,输出层节点数为p=3。隐藏层节点数m由下式估算得出:
输入信号的四个参数分别表示为:x1为居住面积系数、x2为居住人口系数、x3为老年人的平均年龄系数、x4为环境影响因子系数;
由于传感器获取的数据属于不同的物理量,其量纲各不相同。因此,在数据输入人工神经网络之前,需要将数据规格化为0-1之间的数值。
归一化的公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数:S、N、和j=1,2,3,4;Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
具体而言,对于老年人的生活居住面积,进行归一化后,得到居住面积系数x1;
其中,Smin和Smax分别为居住面积的最小值和最大值;
具体而言,对于居住环境内的居住人口,进行归一化后,得到居住人口系数x2;
其中,Nmin和Nmax分别为居住人口的最小值和最大值;
具体而言,对于第一环境影响因子,进行归一化后,得到第一环境影响因子系数x3;
其中,和分别为第一环境影响因子的最小值和最大值;
具体而言,对于第二环境影响因子,进行归一化后,得到第二环境影响因子系数x4;
其中,和分别为第二环境影响因子的最小值和最大值。
输出层向量o={o1,o2,o3}的四个参数分别表示为:o1为空调调节阀开度系数、o2为空气净化器调节阀开度系数,o3为照明系统调节量系数。
步骤2、进行BP神经网络训练
根据历史经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的连接权值Wij,隐层节点j和输出层节点k之间的连接权值Wjk,隐层节点j的阈值θj,输出层节点k的阈值θk、Wij、Wjk、θj、θk均为-1到1之间的随机数。
在训练过程中,不断修正Wij、Wjk的值,直至系统误差小于等于期望误差时,完成神经网络的训练过程。
(1)训练方法
各子网采用单独训练的方法;训练时,首先要提供一组训练样本,其中的每一个样本由输入样本和理想输出对组成,当网络的所有实际输出与其理想输出一致时,表明训练结束;否则,通过修正权值,使网络的理想输出与实际输出一致;
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练,其步骤可归纳如下:
第一步:选定一结构合理的网络,设置所有节点阈值和连接权值的初值。
第二步:对每个输入样本作如下计算:
(a)前向计算:对l层的j单元
式中,为第n次计算时l层的j单元信息加权和,为l层的j单元与前一层(即l-1层)的单元i之间的连接权值,为前一层(即l-1层,节点数为nl-1)的单元i送来的工作信号;i=0时,令为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数,则
且
若神经元j属于第一隐层(l=1),则有
若神经元j属于输出层(l=L),则有
且ej(n)=xj(n)-oj(n);
(b)反向计算误差:
对于输出单元
对隐单元
(c)修正权值:
η为学习速率。
第三步:输入新的样本或新一周期样本,直到网络收敛,在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值,存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法,它使得网络学习时间更短,能有效地抑制网络陷于局部极小。其权值调整率选为
Δω=(JTJ+μI)-1JTe;
其中,J为误差对权值微分的雅可比(Jacobian)矩阵,I为输入向量,e为误差向量,变量μ是一个自适应调整的标量,用来确定学习是根据牛顿法还是梯度法来完成。
在系统设计时,系统模型是一个仅经过初始化了的网络,权值需要根据在使用过程中获得的数据样本进行学习调整,为此设计了系统的自学习功能。在指定了学习样本及数量的情况下,系统可以进行自学习,以不断完善网络性能;
如表1所示,给定了一组训练样本以及训练过程中各节点的值
步骤3、将得到的输出层向量输入到模糊控制器中,获得表示优化调节类别的向量群,具体如下:
将空调调节系数o1与预设的空调调节系数比较得到空调调节偏差信号,将空气净化器调节系数o2与预设的空气净化器调节系数比较得到空气净化器调节偏差信号,将照明系统调节量系数o3与预设的照明系统调节量系数比较得到照明系统调节量偏差信号;
将空调调节系数偏差信号经过微分计算得到空调调节变化率信号e1,空气净化器调节系数偏差信号e2经过微分计算得到空气净化器调节系数变化率信号,将照明系统调节量信号经过微分计算得到照明系统调节量变化率信号e3;
将空调调节变化率信号e1、空气净化器调节变化率信号e2以及照明系统调节量变化率信号e3共同经过放大后输入模糊控制器,输出调节等级I={I0,I1,I2,I3},其中,I0为正常运行,表示老年人的居住环境适宜,不需要进行优化调节,I1为一级调节,表示老年人的居住环境出现轻微的变化,需要进行一级调节,I2为二级调节,表示老年人的居住环境变化变化幅度较大,需要进行二级调节,I3为报警信号,表示老年人的居住环境出现巨大变化,需要引起注意,必要的时候进行紧急撤离。
其中,其中,e1、e2、e3的实际变化范围分别为[-1,1],[-1,1],[-1,1];离散论域均为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6},I的离散论域为{0,1,2,3},则量化因子,则k1=6/1,k2=6/1,k3=6/1;
定义模糊子集及隶属函数:
把空调调节变化率信号分为7个模糊状态:PB(正大),PM(正中),PS(正小),ZR(零),NS(负小),NM(负中),NB(负大),结合经验得出空调调节变化率信号e1的隶属度函数表,如表2所示
表2空调调节变化率信号e1的隶属度函数表
e<sub>1</sub> | -6 | -5 | -4 | -3 | -2 | -1 | 0 | +1 | +2 | +3 | +4 | +5 | +6 |
PB | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.2 | 0.8 | 1.0 |
PM | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.2 | 0.5 | 1.0 | 0.5 | 0.1 |
PS | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.4 | 1.0 | 0.8 | 0.7 | 0 | 0 |
ZR | 0 | 0 | 0 | 0 | 0.2 | 0.7 | 1.0 | 0 | 0 | 0 | 0 | 0 | 0 |
NB | 0 | 0 | 0.3 | 0.6 | 1.0 | 0.8 | 0.5 | 0 | 0 | 0 | 0 | 0 | 0 |
NM | 0.2 | 0.4 | 1.0 | 0.6 | 0.1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
NS | 1.0 | 0.6 | 0.4 | 0.2 | 0 | 0 | 0 | 0.2 | 0 | 0 | 0 | 0 | 0 |
把空气净化器调节变化率信号分为7个模糊状态:PB(正大),PM(正中),PS(正小),ZR(零),NS(负小),NM(负中),NB(负大),结合经验得出空气净化器调节变化率信号e2的隶属度函数表,如表3所示:
表3空气净化器调节变化率信号e2的隶属度函数表
e<sub>2</sub> | -6 | -5 | -4 | -3 | -2 | -1 | 0 | +1 | +2 | +3 | +4 | +5 | +6 |
PB | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.4 | 0.8 | 1.0 |
PM | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.2 | 0.7 | 1.0 | 0.5 | 0.1 |
PS | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.4 | 1.0 | 0.8 | 0.7 | 0 | 0 |
ZR | 0 | 0 | 0 | 0 | 0.2 | 0.7 | 1.0 | 0 | 0 | 0 | 0 | 0 | 0 |
NB | 0 | 0 | 0.3 | 0.6 | 1.0 | 0.8 | 0.5 | 0 | 0 | 0 | 0 | 0 | 0 |
NM | 0.2 | 0.4 | 1.0 | 0.6 | 0.1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
NS | 1.0 | 0.6 | 0.4 | 0.2 | 0 | 0 | 0 | 0.2 | 0 | 0 | 0 | 0 | 0 |
照明系统调节量变化率e3分为三个模糊状态:PB(正大),ZR(零),NB(负大),结合照明系统调节量变化率e3的隶属的函数表,如表4所示:
表4照明系统调节量变化率e3的隶属度函数表
e<sub>3</sub> | -6 | -5 | -4 | -3 | -2 | -1 | 0 | +1 | +2 | +3 | +4 | +5 | +6 |
PB | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.4 | 0.8 | 1.0 |
ZR | 0 | 0 | 0 | 0 | 0.2 | 0.7 | 1.0 | 0 | 0 | 0 | 0 | 0 | 0 |
NS | 1.0 | 0.6 | 0.4 | 0.2 | 0 | 0 | 0 | 0.2 | 0 | 0 | 0 | 0 | 0 |
模糊推理过程必须执行复杂的矩阵运算,计算量非常大,在线实施推理很难满足控制系统实时性的要求,本发明采用查表法进行模糊推理运算,模糊推理决策采用三输入单输出的方式通过经验可以总结出模糊控制器的初步控制规则,模糊控制器根据得出的模糊值对输出信号进行解模糊化,得到故障等级I,求模糊控制查询表,由于论域是离散的,模糊控制规则及可以表示为一个模糊矩阵,采用单点模糊化,得出I控制规则见表5。
表5为模糊控制规则表
通过BP神经网络对老年人的居住环境和居住信息进行监测和优化调节,并将调节信息输入到模糊控制器中输出优化调节等级,在出现紧急情况时进行报警,提高优化监控效率和精度。给老年人提供一个优异、舒适的居住环境。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (8)
1.一种基于互联网的老年人生活环境优化监控方法,其特征在于,包括:
步骤一、采集老年人生活环境的环境信息,计算第一环境影响因子和第二环境影响因子
步骤二、采集老年人生活的居住面积S、和老年人的平均年龄
步骤三、将环境信息和老年人的居住信息经过归一化后输入到BP神经网络模型中,作为输入层;
步骤四、经过BP神经网络模型训练,对老年人的生活环境进行优化调节;
步骤五,将优化调节信号输入到模糊控制器中,获得表示优化调节类别的输出向量群,将其作为调节答案输出。
2.根据权利要求1所述的基于互联网的老年人生活环境优化监控方法,其特征在于,通过传感器,采集老年人生活居住的室内环境信息,包括:环境温度T、环境湿度W、环境压力Pi、光照强度σ、PM2.5浓度CP以及可燃气体浓度CK。
3.根据权利要求2所述的基于互联网的老年人生活环境优化监控方法,其特征在于,所述第一环境影响因子的经验公式为:
其中,λ1为与第一环境影响因子相关的第一常数,T0设定的室内基础温度,P0为设定的室内基础环境压力,λ2为与第一环境影响因子相关的第二常数,W0为设定的室内基础湿度,λ1=0.2~0.35,λ2=0.4~0.6。
4.根据权利要求3所述的基于互联网的老年人生活环境优化监控方法,其特征在于,所述第二环境影响因子的经验公式为:
其中,为PM2.5浓度的最大值,为PM2.5浓度的标准值,为可燃气体浓度的标准值,为光照强度标准值,λ3为与第二环境影响因子相关的第三常数,λ3=0.55~0.7。
5.根据权利要求4所述的基于互联网的老年人生活环境优化监控方法,其特征在于,所述步骤三具体包括:
步骤1、按照采样周期,获取老年人生活的居住面积S、老年人的平均年龄第一环境影响因子和第二环境影响因子
步骤2、依次将获取的参数进行归一化,确定三层BP神经网络的输入层向量为,x={x1,x2,x3,x4};其中,x1为居住面积系数、x2为老年人的平均年龄、x3为第一环境影响因子系数、x4为第二环境影响因子系数;
步骤3、所述输入层向量映射到中间层,所述中间层向量y={y1,y2,…,ym};m为中间层节点个数;
步骤4、得到输出层向量o={o1,o2,o3};o1为空调调节阀开度系数、o2为空气净化器调节阀开度系数,o3为照明系统调节量系数。
6.根据权利要求5所述的基于互联网的老年人生活环境优化监控方法,其特征在于,所述归一化公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数:S、N、和j=1,2,3,4;Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
7.根据权利要求6所述的基于互联网的老年人生活环境优化监控方法,其特征在于,所述中间层节点个数m满足:其中,n为输入层节点个数,p为输出层节点个数。
8.根据权利要求7所述的基于互联网的老年人生活环境优化监控方法,其特征在于,所述步骤五具体包括:
将空调调节阀开度系数与预设的空调调节阀开度系数比较得到空调调节偏差信号,将空气净化器调节阀开度系数与预设的空气净化器调节阀开度系数,将照明系统调节量系数与预设的照明系统调节量系数比较得到照明系统调节量偏差信号;
将空调调节偏差信号经过微分计算得到空调调节变化率信号,空气净化器调节偏差信号经过微分计算得到空气净化器调节变化率信号,将照明体统调节量偏差信号经过微分计算得到照明系统调节量变化率信号;
将空调调节变化率信号、空气净化器调节变化率信号以及照明系统调节量变化率信号共同经过放大后输入模糊控制器,输出优化调节等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910237490.XA CN109946987A (zh) | 2019-03-27 | 2019-03-27 | 一种基于互联网的老年人生活环境优化监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910237490.XA CN109946987A (zh) | 2019-03-27 | 2019-03-27 | 一种基于互联网的老年人生活环境优化监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109946987A true CN109946987A (zh) | 2019-06-28 |
Family
ID=67011840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910237490.XA Withdrawn CN109946987A (zh) | 2019-03-27 | 2019-03-27 | 一种基于互联网的老年人生活环境优化监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109946987A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322007A (zh) * | 2019-07-08 | 2019-10-11 | 吉林建筑大学 | 一种建筑电气节能监控方法 |
CN110560948A (zh) * | 2019-09-06 | 2019-12-13 | 中国化学工程第六建设有限公司 | 一种高压管道焊接装置及焊接方法 |
CN110594187A (zh) * | 2019-09-06 | 2019-12-20 | 中国化学工程第六建设有限公司 | 一种大型压缩机组仪表系统的安装调试方法 |
CN110644977A (zh) * | 2019-09-16 | 2020-01-03 | 中海艾普油气测试(天津)有限公司 | 一种测试用井下小信号接收与发送的控制方法 |
CN111352349A (zh) * | 2020-01-27 | 2020-06-30 | 东北石油大学 | 对老年人居住环境进行信息采集和调节的系统及方法 |
CN111523646A (zh) * | 2020-04-23 | 2020-08-11 | 国家开放大学 | 基于物联网的远程教育学习中心智慧感知网络及管理方法 |
CN111579445A (zh) * | 2020-05-13 | 2020-08-25 | 长春市宇驰检测技术有限公司 | 一种用于焊接工作场所焊接烟尘监测方法 |
CN113515155A (zh) * | 2021-07-12 | 2021-10-19 | 昆明理工大学 | 一种多路径智能化室内安全检测系统及方法 |
CN116520718A (zh) * | 2023-07-03 | 2023-08-01 | 深圳小米房产网络科技有限公司 | 一种基于物联网技术的智能家居自适应控制方法和装置 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08185079A (ja) * | 1994-12-27 | 1996-07-16 | Sharp Corp | ヒータ制御装置 |
CN101957602A (zh) * | 2009-07-15 | 2011-01-26 | 河南天擎机电技术有限公司 | 基于Zigbee的公共场所环境监测控制方法及其系统 |
CN102141799A (zh) * | 2011-01-14 | 2011-08-03 | 上海孙桥农业技术有限公司 | 一种老年人生存环境智能控制系统 |
CN102679505A (zh) * | 2012-06-13 | 2012-09-19 | 重庆大学 | 房间温度控制方法 |
CN102736607A (zh) * | 2012-07-06 | 2012-10-17 | 重庆邮电大学 | 基于数据融合的家居安全健康远程监测系统 |
CN102866684A (zh) * | 2012-08-24 | 2013-01-09 | 清华大学 | 基于用户舒适感的室内环境集成控制系统及方法 |
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 |
CN105320184A (zh) * | 2014-11-26 | 2016-02-10 | 华北电力大学 | 建筑室内环境智能监控系统 |
CN106322657A (zh) * | 2016-08-23 | 2017-01-11 | 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 |
US20170055917A1 (en) * | 2015-08-28 | 2017-03-02 | Erik E. Stone | Systems for automatic assessment of fall risk |
CN107290481A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 一种基于无线传感器网络的牛舍环境氨气智能检测系统 |
CN108181828A (zh) * | 2018-01-19 | 2018-06-19 | 重庆交通职业学院 | 老年人居家养老健康生活质量的室内环境控制系统及方法 |
CN108413588A (zh) * | 2018-02-12 | 2018-08-17 | 北京工业大学 | 一种基于热成像及bp神经网络的个性化空调控制系统及方法 |
CN108415259A (zh) * | 2018-02-08 | 2018-08-17 | 成都智建新业建筑设计咨询有限公司 | 体感舒适的卧室环境控制系统 |
US20180321666A1 (en) * | 2016-05-09 | 2018-11-08 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for equipment monitoring in an internet of things mining environment |
CN109164707A (zh) * | 2018-09-28 | 2019-01-08 | 苏州市建筑科学研究院集团股份有限公司 | 一种基于人工神经网络算法的室内环境负反馈调节系统 |
CN109191049A (zh) * | 2018-09-06 | 2019-01-11 | 华夏易通国际物流有限公司 | 一种基于云计算的物流运输监管系统及监管方法 |
-
2019
- 2019-03-27 CN CN201910237490.XA patent/CN109946987A/zh not_active Withdrawn
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08185079A (ja) * | 1994-12-27 | 1996-07-16 | Sharp Corp | ヒータ制御装置 |
CN101957602A (zh) * | 2009-07-15 | 2011-01-26 | 河南天擎机电技术有限公司 | 基于Zigbee的公共场所环境监测控制方法及其系统 |
CN102141799A (zh) * | 2011-01-14 | 2011-08-03 | 上海孙桥农业技术有限公司 | 一种老年人生存环境智能控制系统 |
CN102679505A (zh) * | 2012-06-13 | 2012-09-19 | 重庆大学 | 房间温度控制方法 |
CN102736607A (zh) * | 2012-07-06 | 2012-10-17 | 重庆邮电大学 | 基于数据融合的家居安全健康远程监测系统 |
CN102866684A (zh) * | 2012-08-24 | 2013-01-09 | 清华大学 | 基于用户舒适感的室内环境集成控制系统及方法 |
CN105320184A (zh) * | 2014-11-26 | 2016-02-10 | 华北电力大学 | 建筑室内环境智能监控系统 |
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 |
US20170055917A1 (en) * | 2015-08-28 | 2017-03-02 | Erik E. Stone | Systems for automatic assessment of fall risk |
US20180321666A1 (en) * | 2016-05-09 | 2018-11-08 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for equipment monitoring in an internet of things mining environment |
CN106322657A (zh) * | 2016-08-23 | 2017-01-11 | 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 |
CN107290481A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 一种基于无线传感器网络的牛舍环境氨气智能检测系统 |
CN108181828A (zh) * | 2018-01-19 | 2018-06-19 | 重庆交通职业学院 | 老年人居家养老健康生活质量的室内环境控制系统及方法 |
CN108415259A (zh) * | 2018-02-08 | 2018-08-17 | 成都智建新业建筑设计咨询有限公司 | 体感舒适的卧室环境控制系统 |
CN108413588A (zh) * | 2018-02-12 | 2018-08-17 | 北京工业大学 | 一种基于热成像及bp神经网络的个性化空调控制系统及方法 |
CN109191049A (zh) * | 2018-09-06 | 2019-01-11 | 华夏易通国际物流有限公司 | 一种基于云计算的物流运输监管系统及监管方法 |
CN109164707A (zh) * | 2018-09-28 | 2019-01-08 | 苏州市建筑科学研究院集团股份有限公司 | 一种基于人工神经网络算法的室内环境负反馈调节系统 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322007A (zh) * | 2019-07-08 | 2019-10-11 | 吉林建筑大学 | 一种建筑电气节能监控方法 |
CN110322007B (zh) * | 2019-07-08 | 2021-07-23 | 吉林建筑大学 | 一种建筑电气节能监控方法 |
CN110560948A (zh) * | 2019-09-06 | 2019-12-13 | 中国化学工程第六建设有限公司 | 一种高压管道焊接装置及焊接方法 |
CN110594187A (zh) * | 2019-09-06 | 2019-12-20 | 中国化学工程第六建设有限公司 | 一种大型压缩机组仪表系统的安装调试方法 |
CN110594187B (zh) * | 2019-09-06 | 2020-06-16 | 中国化学工程第六建设有限公司 | 一种大型压缩机组仪表系统的安装调试方法 |
CN110644977A (zh) * | 2019-09-16 | 2020-01-03 | 中海艾普油气测试(天津)有限公司 | 一种测试用井下小信号接收与发送的控制方法 |
CN111352349A (zh) * | 2020-01-27 | 2020-06-30 | 东北石油大学 | 对老年人居住环境进行信息采集和调节的系统及方法 |
CN111523646A (zh) * | 2020-04-23 | 2020-08-11 | 国家开放大学 | 基于物联网的远程教育学习中心智慧感知网络及管理方法 |
CN111579445A (zh) * | 2020-05-13 | 2020-08-25 | 长春市宇驰检测技术有限公司 | 一种用于焊接工作场所焊接烟尘监测方法 |
CN113515155A (zh) * | 2021-07-12 | 2021-10-19 | 昆明理工大学 | 一种多路径智能化室内安全检测系统及方法 |
CN116520718A (zh) * | 2023-07-03 | 2023-08-01 | 深圳小米房产网络科技有限公司 | 一种基于物联网技术的智能家居自适应控制方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109946987A (zh) | 一种基于互联网的老年人生活环境优化监控方法 | |
Li et al. | Forecasting building energy consumption with hybrid genetic algorithm-hierarchical adaptive network-based fuzzy inference system | |
Liao et al. | Application of fuzzy neural networks and artificial intelligence for load forecasting | |
Wang et al. | Ensemble learning for load forecasting | |
Dong et al. | A learner based on neural network for cognitive radio | |
CN109905487A (zh) | 一种基于云计算的智能健康管理系统及方法 | |
CN106765959A (zh) | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 | |
Egrioglu et al. | Picture fuzzy time series: Defining, modeling and creating a new forecasting method | |
CN112634083A (zh) | 一种建筑节能监测方法 | |
CN111795761B (zh) | 一种基于强化学习模型的预测机柜进风温度的方法 | |
CN106651030A (zh) | 一种改进的rbf神经网络热点话题用户参与行为预测方法 | |
Su et al. | Area temperature system monitoring and computing based on adaptive fuzzy logic in wireless sensor networks | |
Liu et al. | Hybrid learning particle swarm optimizer with genetic disturbance | |
CN110322007B (zh) | 一种建筑电气节能监控方法 | |
Chen et al. | Evaluating students’ learning achievement based on fuzzy rules with fuzzy reasoning capability | |
CN108510049A (zh) | 基于情感-时空信息的机器人服务自主认知方法及机器人 | |
CN114418183B (zh) | 畜禽健康体征大数据物联网检测系统 | |
CN113885324A (zh) | 一种建筑智能用电控制方法及系统 | |
Farimani et al. | Evaluation performance of time series methods in demand forecasting: Box-Jenkins vs artificial neural network (Case study: Automotive Parts industry) | |
CN116632834A (zh) | 一种基于SSA-BiGRU-Attention的短期电力负荷预测方法 | |
Feng et al. | Hybrid artificial intelligence approach to urban planning | |
CN114862062B (zh) | 环境承载力的预警方法、装置、电子设备和可读存储介质 | |
Ma et al. | Traffic flow forecasting research based on Bayesian normalized Elman neural network | |
Xiao | Recurrent neural network system using probability graph model optimization | |
Zhao et al. | Fuzzy neural network based scenario features extraction and mapping model for crowd evacuation stability analysis |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190628 |