CN110262275A - 一种智能家居系统及其控制方法 - Google Patents
一种智能家居系统及其控制方法 Download PDFInfo
- Publication number
- CN110262275A CN110262275A CN201910667291.2A CN201910667291A CN110262275A CN 110262275 A CN110262275 A CN 110262275A CN 201910667291 A CN201910667291 A CN 201910667291A CN 110262275 A CN110262275 A CN 110262275A
- Authority
- CN
- China
- Prior art keywords
- server
- information
- equipment
- sent
- mobile terminal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims description 46
- 238000013461 design Methods 0.000 claims description 34
- 230000003542 behavioural effect Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 4
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 2
- 230000006399 behavior Effects 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 8
- 210000004556 brain Anatomy 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000003585 interneuronal effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012549 training 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
- 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
-
- 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
- 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)
- Telephonic Communication Services (AREA)
- Selective Calling Equipment (AREA)
Abstract
本发明提出了一种智能家居系统的控制方法,包括:服务器根据第一基础信息,通过神经网络算法获得末端设备的最优操作方案;或服务器根据第二基础信息,通过深度学习算法预测可能的末端设备的操作,并且服务器根据第一基础信息,通过神经网络算法获得可能的末端设备的操作中最优操作方案;末端设备根据服务器的指令判断是否执行最优操作方案对应的操作。本发明提供的一种智能家居系统的控制方法,使用服务器集中运算,不需要每个加电都配备相应的智能模块,解决了现有的智能家居系统的成本高的问题;本发明还可以预测用户的可能操作并推送对应操作的最优方案,方便用户的生活,挺高用户的生活质量。本发明还提供了一种智能家居系统。
Description
技术领域
本发明涉及智能控制领域,尤其涉及一种智能家居系统及其控制方法。
背景技术
随着时代的不断发展科技的不断进步,智能化已经成为了人们生活必不可少的一部分。目前虽然有很多智能家居的开发尝试,但是由于开发成本较高,智能程度却不高目前难以融入人们的生活,主要原因是现有的智能家居系统每个家电都需要有相应的智能模块,就导致搭建高成本,所以目前智能家居普及的速度比较缓慢,无法满足人们对智能化家居的需求。
发明内容
针对上述现有技术中的不足,本发明的目的在于提供一种智能家居系统,使用服务器集中运算,不需要每个加电都配备相应的智能模块,解决了现有的智能家居系统的成本高的问题。
本发明提供的一种智能家居系统的控制方法,包括以下步骤:
步骤a:服务器根据第一基础信息,通过神经网络算法获得末端设备的最优操作方案;或所述服务器根据第二基础信息,通过深度学习算法预测可能的末端设备的操作,并且所述服务器根据第一基础信息,通过神经网络算法获得所述可能的末端设备的操作中最优操作方案;
步骤b:所述末端设备根据服务器的指令判断是否执行所述最优操作方案对应的操作;
其中,所述第一基础信息包括用于表达室内环境情况的环境信息;所述第二基础信息包括表达所述末端设备的运行情况的运行信息以及所述环境信息。
优选地,还包括步骤a和步骤b之间的:
步骤c:所述服务器接收来自移动终端的第一控制指令,判断所述第一控制指令对应的操作与所述最优操作方案对应的操作是否一致;若是,则所述服务器将所述第一控制指令发送至所述末端设备;若否,则所述服务器将所述最优操作方案发送至所述移动终端;
步骤d:所述移动端接收并显示来自所述服务器的所述最优操作方案,并向所述服务器发送执行所述最优操作方案的指示指令,或所述移动端接收并显示来自所述服务器的所述最优操作方案,并向所述服务器发送不执行所述最优操作方案的指示指令;以及步骤e:所述服务器根据执行所述最优操作方案的指示指令将第二控制指令发送至所述末端设备,或所述服务器根据不执行所述最优操作方案的指示指令将所述第一控制指令发送至所述末端设备;所述第一控制指令用于指示所述末端设备执行用户自定义的操作。
优选地,还包括步骤a和步骤b之间的:
步骤f:所述服务器将所述最优操作方案标记为推荐方案发送至移动终端;
步骤g:所述移动端接收并显示来自所述服务器的所述推荐方案,并向所述服务器发送执行推荐方案的指令指示;
步骤h:所述服务器根据执行推荐方案的指令指示将第三控制指令发送至所述末端设备;或者所述服务器根据不执行推荐方案的指令指示不进行动作。
优选地,所述控制方法还包括验证用户身份的步骤,还包括步骤a和步骤b之间的步骤i:安保设备接收来自所述移动终端的验证请求;当所述移动终端输入的身份信息与安保设备中预存的身份信息一致时,所述移动终端获得对所述智能家居系统的操作权限。
优选地,还包括步骤b之后的步骤j:利用记录装置记录用户的行为信息,并将所述行为信息发送至所述服务器;所述用户的行为信息用于表达用户对所述推荐方案的选择情况;所述第二基础信息包括所述运行信息、所述用户的行为信息和所述环境信息。
优选地,所述环境信息包括温度、湿度、照度、热能中的一项或多项。
本发明还提供的一种智能家居系统,包括:
移动终端,其用于接收和显示来自服务器的信息,并向服务器发送指令;
服务器,其用于接收来自所述移动终端的指令,并将所述移动终端的指令发送至末端设备;所述服务器根据第一基础信息,通过神经网络算法获得末端设备的最优操作方案,并将所述最优操作方案发送至所述移动终端;或所述服务器根据第二基础信息,通过深度学习算法预测可能的末端设备的操作,并且所述服务器根据第一基础信息,通过神经网络算法获得所述可能的末端设备的操作中最优操作方案;
末端设备,其用于接收来自所述服务器的指令,并根据所述服务器的指令执行相应的操作;以及环境设备,其用于采集并分析环境信息,并将所述环境信息发送至所述服务器,所述环境信息用于环境情况的表达;
其中,所述第一基础信息包括所述环境信息,所述第二基础信息包括表达所述末端设备的运行情况的运行信息以及所述环境信息。
优选地,所述家居系统还包括记录装置,所述记录装置用于记录所述末端设备的运行信息以及记录用户的行为信息,并将所述运行信息以及所述记录用户的行为信息发送至所述服务器;所述运行信息用于所述末端的运行情况的表达;所述用户的行为信息用于表达用户对所述推荐方案的选择情况;所述第二基础信息包括所述运行信息、所述用户的行为信息和所述环境信息。
优选地,所述环境设备包括:传感器,用于获取室内的环境信息,并将所述环境信息发送至数据处理模块;以及数据处理模块,用于接收来自传感器的信息环境信息,并将所述环境信息发送至服务器;所述传感器为热量传感器、温度传感器、湿度传感器、光照传感器中的一种或多种。
优选地,所述服务器包括:
神经网络算法模块,根据第一基础信息,通过神经网络算法获得最优操作方案,所述神经网络算法模块将所述最优操作方案发送至比较模块;
比较模块,接收来自所述移动终端的第一控制指令以及来自所述神经网络算法模块的所述最优操作方案,判断所述第一控制指令与所述最优操作方案是否一致;若是,则所述比较模块将所述第一控制指令发送至所述末端设备;若否,则所述比较模块将所述最优操作方案发送至所述移动终端;所述第一控制指令用于指示所述末端设备执行用户自定义的操作;
所述移动端接收并显示来自所述服务器的所述最优操作方案,并向所述服务器的比较模块发送指令指示是否执行所述最优操作方案;若是,则所述比较模块将第二控制指令发送至所述末端设备,所述第二控制指令用于指示所述末端设备执行所述最优操作方案;若否,则所述比较模块将所述第一控制指令发送至所述末端设备;
深度学习算法模块,所述深度学习算法模块根据第二基础数据,通过深度学习算法预测可能的末端设备的操作;所述深度学习算法模块将所述可能的末端设备的操作发送至所述神经网络算法模块;所述神经网络算法模块根据第一基础信息,通过神经网络算法获得所述可能的末端设备的操作的最优操作方案;所述神经网络算法模块将所述最优操作方案标记为推荐方案发送至移动终端;
所述移动端接收并显示来自所述服务器的所述推荐方案,并向所述服务器的比较模块发送指令指示是否执行推荐方案;若是,则所述比较模块将第三控制指令发送至所述末端设备,所述第三控制指令用于指示所述末端设备执行推荐方案;若否,则所述服务器不动作。
优选地,所述家居系统还包括安保设备,所述安保设备接收来自所述移动终端的验证请求,当所述移动终端输入的身份信息与安保设备中预存的身份信息一致时,所述移动终端获得对所述智能家居系统的操作权限。
与现有技术相比,本发明提供的一种智能家居系统的控制方法以及智能家居系统,使用服务器集中运算,不需要每个加电都配备相应的智能模块,解决了现有的智能家居系统的成本高的问题。并通过收集用户的行为信息和周围环境的信息,进行相应的深度学习,根据不同条件,在不需要用户发出指令时,主动推荐用户可能的末端设备的操作,并通过神经网络算法提供用户最优操作方案,方便用户的生活,挺高用户的生活质量。通过设置安保设备验证用户身份,提高了智能家居系统的安全性,有利于保护用户个人隐私、家庭安全等。
上述技术特征可以各种适合的方式组合或由等效的技术特征来替代,只要能够达到本发明的目的。
附图说明
在下文中将基于仅为非限定性的实施例并参考附图来对本发明进行更详细的描述。其中:
图1为本发明一个实施例中提供的智能家居系统的结构示意图;
图2为本发明一个实施例中提供的环境设备的结构示意图;
图3为本发明一个实施例中提供的服务器的结构示意图;
图4为本发明一个实施例中智能家居系统被动接受用户发出的自定义控制指令时智能家居系统的控制方法流程图;
图5为本发明一个实施例中智能家居系统向用户主动推送推荐方案时智能家居系统的控制方法流程图。
附图说明:
1.移动终端;
2.服务器;
3.末端设备;
4.环境设备;
5.安保设备;
6.记录装置;
21.比较模块;
22.神经网络算法模块;
23.深度学习算法模块;
41.传感器;
42.数据处理模块。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述,基于本发明中的具体实施方式,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
本发明提供的智能家居系统,是一种基于神经网络算法和深度学习算法的智能家居系统。
神经网络(NN)是人工神经网络(Artificial Neural Network,ANN)的简称,是基于生物学中神经网络的基本原理,在理解和抽象了人脑结构和外界刺激响应机制后,以网络拓扑知识为理论基础,模拟人脑的神经系统对复杂信息的处理机制的一种数学模型。该模型以并行分布的处理能力、高容错性、智能化和自学习等能力为特征,将信息的加工和存储结合在一起,以其独特的知识表示方式和智能化的自适应学习能力,引起各学科领域的关注。它实际上是一个有大量简单元件相互连接而成的复杂网络,具有高度的非线性,能够进行复杂的逻辑操作和非线性关系实现的系统。
神经网络由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激活函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重(weight),神经网络就是通过这种方式来模拟人类的记忆。网络的输出则取决于网络的结构、网络的连接方式、权重和激活函数。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。神经网络的构筑理念是受到生物的神经网络运作启发而产生的。人工神经网络则是把对生物神经网络的认识与数学统计模型相结合,借助数学统计工具来实现。另一方面在人工智能学的人工感知领域,我们通过数学统计学的方法,使神经网络能够具备类似于人的决定能力和简单的判断能力,这种方法是对传统逻辑学演算的进一步延伸。
神经网络中,神经元处理单元可表示不同的对象,例如特征、字母、概念,或者一些有意义的抽象模式。网络中处理单元的类型分为三类:输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据;输出单元实现系统处理结果的输出;隐单元是处在输入和输出单元之间,不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度,信息的表示和处理体现在网络处理单元的连接关系中。人工神经网络是一种非程序化、适应性、大脑风格的信息处理,其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能,并在不同程度和层次上模仿人脑神经系统的信息处理功能。
神经网络在功能上具有某些智能特点,如优化计算功能:优化计算是指在已知的约束条件下,寻找一组参数组合,使该组合确定的目标函数达到最小。将优化约束信息(与目标函数有关)存储于神经网络的连接权矩阵之中,神经网络的工作状态以动态系统方程式描述。设置一组随机数据作为起始条件,当系统的状态趋于稳定时,神经网络方程的解作为输出优化结果。
机器学习最基本的做法,是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同,机器学习是用大量的数据来“训练”,通过各种算法从数据中学习如何完成任务。而深度学习是完成以上目标的一种机器学习的实现方法。
深度学习是计算机通过算法模拟人脑,对大量的数据进行分析、统计,甚至是模拟人脑的机制,通过收集的各种数据,对数据来源进行一定程度的趋势预测。
图1为本发明一实施例提供的智能家居系统的结构示意图;如图1所示,智能家居系统包括:
移动终端1,用于接收和显示来自服务器2的信息,以及向服务器2发送指令;
服务器2,用于接收来自移动终端1的指令,将指令发送至末端设备3;
末端设备3,用于接收来自服务器2的指令,并根据指令执行操作;
环境设备4,用于采集并分析环境信息,并将环境信息发送至服务器2,环境信息表达环境情况;
服务器2是智能家居系统的核心数据处理部分,用于接收、处理、发送的各种信息;服务器2根据第一基础信息,通过神经网络算法获得最优操作方案,并将最优操作方案发送至移动终端1,第一基础信息包括环境信息。
当服务器2收到来自移动终端1的第一控制指令时,服务器2判断第一控制指令对应的操作与最优操作方案对应的操作是否一致;若是,则所述服务器2将第一控制指令发送至末端设备3;若否,则服务器2将最优操作方案发送至移动终端1。
移动终端1接收并显示来自服务器2的最优操作方案,并向服务器2发送指令指示是否执行最优操作方案;若是,则比服务器2将第二控制指令发送至末端设备3,第二控制指令用于指示末端设备3执行最优操作方案;若否,则服务器2将第一控制指令发送至末端设备3,第一控制指令用于指示所述末端设备3执行用户自定义的操作。
为了使智能家居系统进一步智能化,使智能家居系统可以根据用户习惯主动给出操作建议,可以在该智能家居系统中,增设记录装置6,记录装置6用于记录末端设备3的运行信息,并将运行信息发送至服务器2,运行信息用于表达末端的运行情况。
来自记录装置6的运行信息和来自环境设备4的环境信息组成了第二基础信息;服务器2根据第二基础信息,通过深度学习算法预测用户可能的末端设备的操作;服务器2根据第一基础信息,通过神经网络算法获得可能的末端设备的操作的最优操作方案,服务器2将最优操作方案标记为推荐方案发送至移动终端1。
移动端接收并显示来自服务器2的推荐方案,并向服务器2的比较模块21发送指令指示是否执行推荐方案;若是,则比较模块21将第三控制指令发送至末端设备3,第三控制指令用于指示末端设备3执行推荐方案;若否,则服务器2不动作。
为了使智能家居系统进一步智能化,需要获取更多的基础信息,例如,将记录装置6用于记录用户的行为信息,该用户的行为信息用于表达用户对推荐方案的选择情况。运行信息、用户的行为信息和环境信息作为第二基础信息。
由于智能家居系统涉及个人隐私、家庭安全等因素,其安全性也是一个重要的方面。在本方案的智能家居系统中增设安保设备5,安保设备5接收来自移动终端1的验证请求,当移动终端1输入的身份信息与安保设备5中预存的身份信息一致时,移动终端1获得对智能家居系统的操作权限。上述身份信息可以是用户的指纹、脸部特征或者密码等。
如图2所示,在一个优化方案中,环境设备4包括:
传感器41和数据处理模块42,传感器41主要用于获取室内的环境信息,并将环境信息发送至数据处理模块42;数据处理模块42用于接收来自传感器41的信息环境信息,并将环境信息发送至服务器2。传感器41为热量传感器41、温度传感器41、湿度传感器41、光照传感器41中的一种或多种,对应获取的环境信息包括温度、湿度、照度、热能中的一项或多项。
如图3所示,在一个优化的方案中,服务器2包括:
神经网络算法模块22,根据第一基础信息,通过神经网络算法获得最优操作方案,神经网络算法模块22将最优操作方案发送至比较模块21;
比较模块21,接收来自移动终端1的第一控制指令以及来自神经网络算法模块22的最优操作方案,判断第一控制指令与最优操作方案是否一致;若是,则比较模块21将第一控制指令发送至末端设备3;若否,则比较模块21将最优操作方案发送至移动终端1;第一控制指令用于指示末端设备3执行用户自定义的操作;
移动端接收并显示来自服务器2的最优操作方案,并向服务器2的比较模块21发送指令指示是否执行最优操作方案;若是,则比较模块21将第二控制指令发送至末端设备3,第二控制指令用于指示末端设备3执行最优操作方案;若否,则比较模块21将第一控制指令发送至末端设备3。
深度学习算法模块23,深度学习算法模块23根据第二基础数据,通过深度学习算法预测用户可能的末端设备的操作;深度学习算法模块23将可能的末端设备的操作发送至神经网络算法模块22;神经网络算法模块22根据第一基础信息,通过神经网络算法获得可能的末端设备的操作的最优操作方案;神经网络算法模块22将最优操作方案标记为推荐方案发送至移动终端1;
移动端接收并显示来自服务器2的推荐方案,并向服务器2的比较模块21发送指令指示是否执行推荐方案;若是,则比较模块21将第三控制指令发送至末端设备3,第三控制指令用于指示末端设备3执行推荐方案;若否,则服务器2不动作。
本发明提供的智能家居系统,使用服务器2集中运算,不需要每个加电都配备相应的智能模块,解决了现有的智能家居系统的成本高的问题。并通过收集用户的行为信息和周围环境的信息,进行相应的深度学习,根据不同条件,在不需要用户发出指令时,主动推荐用户可能的末端设备的操作,并通过神经网络算法提供用户最优选择,方便用户的生活,挺高用户的生活质量。通过设置安保设备5验证用户身份,提高了智能家居系统的安全性,有利于保护用户个人隐私、家庭安全等。
如图4,家居系统被动接受用户发出的自定义控制指令时,智能家居系统的控制方法包括以下步骤:
步骤S101:服务器2根据第一基础信息,通过神经网络算法获得末端设备3的最优操作方案;
步骤S102:服务器2接收来自移动终端1的第一控制指令,判断第一控制指令对应的操作与最优操作方案对应的操作是否一致;若是,则进入步骤S103;若否,则进入步骤S105;
步骤S103:服务器2将第一控制指令发送至末端设备3;
步骤S104:末端设备3根据第一控制指令执行操作;
步骤S105:服务器2将最优操作方案发送至移动终端1;
步骤S106:用户判断是否接受最优操作方案,若是,则进入步骤S107;若否,则进入步骤S103;
步骤S107:服务器2将第二控制指令发送至末端设备3;
步骤S108:末端设备3根据第二控制指令执行操作;
第一基础信息包括表达室内环境情况的环境信息;第一控制指令用于指示末端设备3执行用户自定义的操作。
如图5,家居系统向用户主动推送推荐方案,智能家居系统的控制方法包括以下步骤:
步骤S201:服务器2根据第二基础信息,通过深度学习算法预测用户可能的末端设备的操作;服务器2根据第一基础信息,通过神经网络算法获得可能的末端设备的操作的最优操作方案,并将最优操作方案标记为推荐方案发送至移动终端1;
步骤S201:用户判断是否接受推荐方案,若是,则进入步骤S203;若否,则进入步骤S205;
步骤S203:将第三控制指令发送至末端设备3;
步骤S204:末端设备3根据第三控制指令执行操作;
步骤S205:服务器2不动作,流程终止。
第一基础信息包括表达室内环境情况的环境信息;第二基础信息包括表达末端的运行情况的运行信息和环境信息。
上述智能家居系统的控制方法中,环境信息包括温度、湿度、照度、热能中的一项或多项。
由于智能家居系统涉及个人隐私、家庭安全等因素,其安全性也是一个重要的方面,为了确保安全性,在智能家居系统的控制方法中加入验证用户身份的步骤,包括:安保设备5接收来自所述移动终端1的验证请求;当所述移动终端1输入的身份信息与安保设备5中预存的身份信息一致时,所述移动终端1获得对所述智能家居系统的操作权限。
为了使智能家居系统进一步智能化,需要获取更多的基础数据。在智能家居系统的控制方法中增加以下步骤:利用记录装置6记录用户的行为信息,并将所述行为信息发送至所述服务器2;所述用户的行为信息用于表达用户对所述推荐方案的选择情况;所述第二基础信息包括所述运行信息、所述用户的行为信息和所述环境信息。
最后应说明的是:以上实施方式及实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施方式及实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施方式或实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施方式或实施例技术方案的精神和范围。
Claims (10)
1.一种智能家居系统的控制方法,其特征在于,所述控制方法包括以下步骤:
步骤a:服务器根据第一基础信息,通过神经网络算法获得末端设备的最优操作方案;或
所述服务器根据第二基础信息,通过深度学习算法预测可能的末端设备的操作,并且所述服务器根据第一基础信息,通过神经网络算法获得所述可能的末端设备的操作中最优操作方案;
步骤b:所述末端设备根据服务器的指令判断是否执行所述最优操作方案对应的操作;
其中,所述第一基础信息包括用于表达室内环境情况的环境信息;所述第二基础信息包括表达所述末端设备的运行情况的运行信息以及所述环境信息。
2.根据权利要求1所述的智能家居系统的控制方法,其特征在于,还包括步骤a和步骤b之间的:
步骤c:所述服务器接收来自移动终端的第一控制指令,并判断所述第一控制指令对应的操作与所述最优操作方案对应的操作是否一致;若是,则所述服务器将所述第一控制指令发送至所述末端设备;若否,则所述服务器将所述最优操作方案发送至所述移动终端;
步骤d:所述移动端接收并显示来自所述服务器的所述最优操作方案,并向所述服务器发送执行所述最优操作方案的指示指令,或
所述移动端接收并显示来自所述服务器的所述最优操作方案,并向所述服务器发送不执行所述最优操作方案的指示指令;以及
步骤e:所述服务器根据执行所述最优操作方案的指示指令将第二控制指令发送至所述末端设备,或
所述服务器根据不执行所述最优操作方案的指示指令将所述第一控制指令发送至所述末端设备;
其中,所述第一控制指令用于指示所述末端设备执行用户自定义的操作。
3.根据权利要求1所述的智能家居系统的控制方法,其特征在于,还包括步骤a和步骤b之间的:
步骤f:所述服务器将所述最优操作方案标记为推荐方案发送至移动终端;
步骤g:所述移动端接收并显示来自所述服务器的所述推荐方案,并向所述服务器发送执行推荐方案的指令指示;
步骤h:所述服务器根据执行推荐方案的指令指示将第三控制指令发送至所述末端设备;或者
所述服务器根据不执行推荐方案的指令指示不进行动作。
4.根据权利要求1所述的智能家居系统的控制方法,其特征在于,所述控制方法还包括验证用户身份的步骤,还包括步骤a和步骤b之间的:
步骤i:安保设备接收来自所述移动终端的验证请求;
当所述移动终端输入的身份信息与安保设备中预存的身份信息一致时,所述移动终端获得对所述智能家居系统的操作权限。
5.根据权利要求1所述的智能家居系统的控制方法,其特征在于,还包括步骤b之后的:
步骤j:利用记录装置记录用户的行为信息,并将所述行为信息发送至所述服务器;所述用户的行为信息用于表达用户对所述推荐方案的选择情况,所述第二基础信息还包括所述用户的行为信息。
6.一种智能家居系统,其特征在于,包括:
移动终端,其用于接收和显示来自服务器的信息,并向服务器发送指令;
服务器,其用于接收来自所述移动终端的指令,并将所述移动终端的指令发送至末端设备;所述服务器根据第一基础信息,通过神经网络算法获得末端设备的最优操作方案,并将所述最优操作方案发送至所述移动终端;或
所述服务器根据第二基础信息,通过深度学习算法预测可能的末端设备的操作,并且所述服务器根据第一基础信息,通过神经网络算法获得所述可能的末端设备的操作中最优操作方案;
末端设备,其用于接收来自所述服务器的指令,并根据所述服务器的指令执行相应的操作;以及
环境设备,其用于采集并分析环境信息,并将所述环境信息发送至所述服务器,所述环境信息用于环境情况的表达;
其中,所述第一基础信息包括所述环境信息,所述第二基础信息包括表达所述末端设备的运行情况的运行信息以及所述环境信息。
7.根据权利要求6所述的智能家居系统,其特征在于,所述家居系统还包括记录装置,所述记录装置用于记录所述末端设备的运行信息以及记录用户的行为信息,并将所述运行信息以及所述记录用户的行为信息发送至所述服务器,所述运行信息用于所述末端的运行情况的表达;所述用户的行为信息用于表达用户对所述推荐方案的选择情况;所述第二基础信息包括所述运行信息、所述用户的行为信息和所述环境信息。
8.根据权利要求6或7所述的智能家居系统,其特征在于,所述环境设备包括:
传感器,用于获取室内的环境信息,并将所述环境信息发送至数据处理模块;以及
数据处理模块,用于接收来自传感器的信息环境信息,并将所述环境信息发送至服务器;
所述传感器为热量传感器、温度传感器、湿度传感器、光照传感器中的一种或多种。
9.根据权利要求6或7所述的智能家居系统,其特征在于,所述服务器包括:
神经网络算法模块,根据第一基础信息,通过神经网络算法获得最优操作方案,所述神经网络算法模块将所述最优操作方案发送至比较模块;
比较模块,接收来自所述移动终端的第一控制指令以及来自所述神经网络算法模块的所述最优操作方案,判断所述第一控制指令与所述最优操作方案是否一致;若是,则所述比较模块将所述第一控制指令发送至所述末端设备;若否,则所述比较模块将所述最优操作方案发送至所述移动终端;所述第一控制指令用于指示所述末端设备执行用户自定义的操作;
所述移动端接收并显示来自所述服务器的所述最优操作方案,并向所述服务器的比较模块发送指令指示是否执行所述最优操作方案;若是,则所述比较模块将第二控制指令发送至所述末端设备;若否,则所述比较模块将所述第一控制指令发送至所述末端设备;
深度学习算法模块,所述深度学习算法模块根据第二基础数据,通过深度学习算法预测可能的末端设备的操作;所述深度学习算法模块将所述可能的末端设备的操作发送至所述神经网络算法模块;所述神经网络算法模块根据第一基础信息,通过神经网络算法获得所述可能的末端设备的操作的最优操作方案;所述神经网络算法模块将所述最优操作方案标记为推荐方案发送至移动终端;
所述移动端接收并显示来自所述服务器的所述推荐方案,并向所述服务器的比较模块发送指令指示是否执行推荐方案;若是,则所述比较模块将第三控制指令发送至所述末端设备;若否,则所述服务器不动作。
10.根据权利要求6或7所述的智能家居系统,其特征在于,所述家居系统还包括安保设备,所述安保设备接收来自所述移动终端的验证请求,当所述移动终端输入的身份信息与安保设备中预存的身份信息一致时,所述移动终端获得对所述智能家居系统的操作权限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910667291.2A CN110262275B (zh) | 2019-07-23 | 2019-07-23 | 一种智能家居系统及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910667291.2A CN110262275B (zh) | 2019-07-23 | 2019-07-23 | 一种智能家居系统及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110262275A true CN110262275A (zh) | 2019-09-20 |
CN110262275B CN110262275B (zh) | 2020-11-03 |
Family
ID=67927811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910667291.2A Active CN110262275B (zh) | 2019-07-23 | 2019-07-23 | 一种智能家居系统及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110262275B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111007731A (zh) * | 2019-11-11 | 2020-04-14 | 珠海格力电器股份有限公司 | 用户操作预测方法、装置、电子设备及可读存储介质 |
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 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104460326A (zh) * | 2014-10-24 | 2015-03-25 | 杭州赫智电子科技有限公司 | 基于重力感应的一键式智能设备管理系统及控制方法 |
CN104834223A (zh) * | 2015-05-08 | 2015-08-12 | 丰唐物联技术(深圳)有限公司 | 一种信息推送方法及装置 |
CN204695012U (zh) * | 2015-04-27 | 2015-10-07 | 长沙拓宏信息科技有限公司 | 一种智能家居系统 |
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 |
CN106789460A (zh) * | 2016-12-08 | 2017-05-31 | 青岛海信移动通信技术股份有限公司 | 用于智能家居的控制方法和系统 |
CN108361927A (zh) * | 2018-02-08 | 2018-08-03 | 广东美的暖通设备有限公司 | 一种基于机器学习的空调器控制方法、装置以及空调器 |
CN108386971A (zh) * | 2018-01-28 | 2018-08-10 | 浙江博超节能科技有限公司 | 中央空调节能自控系统 |
US20180283723A1 (en) * | 2017-03-30 | 2018-10-04 | Samsung Electronics Co., Ltd. | Data learning server and method for generating and using learning model thereof |
CN108876006A (zh) * | 2018-05-08 | 2018-11-23 | 天津大学 | 基于智能家电端的用户节能用电调控方法 |
CN109407527A (zh) * | 2018-09-14 | 2019-03-01 | 深圳绿米联创科技有限公司 | 实现智能设备推荐的方法及装置 |
CN109491261A (zh) * | 2018-11-26 | 2019-03-19 | 深圳市赛亿科技开发有限公司 | 一种智能家居控制方法、控制系统、终端 |
CN109543829A (zh) * | 2018-10-15 | 2019-03-29 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 在终端和云端上混合部署深度学习神经网络的方法和系统 |
-
2019
- 2019-07-23 CN CN201910667291.2A patent/CN110262275B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104460326A (zh) * | 2014-10-24 | 2015-03-25 | 杭州赫智电子科技有限公司 | 基于重力感应的一键式智能设备管理系统及控制方法 |
CN204695012U (zh) * | 2015-04-27 | 2015-10-07 | 长沙拓宏信息科技有限公司 | 一种智能家居系统 |
CN104834223A (zh) * | 2015-05-08 | 2015-08-12 | 丰唐物联技术(深圳)有限公司 | 一种信息推送方法及装置 |
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 |
CN106789460A (zh) * | 2016-12-08 | 2017-05-31 | 青岛海信移动通信技术股份有限公司 | 用于智能家居的控制方法和系统 |
US20180283723A1 (en) * | 2017-03-30 | 2018-10-04 | Samsung Electronics Co., Ltd. | Data learning server and method for generating and using learning model thereof |
CN108386971A (zh) * | 2018-01-28 | 2018-08-10 | 浙江博超节能科技有限公司 | 中央空调节能自控系统 |
CN108361927A (zh) * | 2018-02-08 | 2018-08-03 | 广东美的暖通设备有限公司 | 一种基于机器学习的空调器控制方法、装置以及空调器 |
CN108876006A (zh) * | 2018-05-08 | 2018-11-23 | 天津大学 | 基于智能家电端的用户节能用电调控方法 |
CN109407527A (zh) * | 2018-09-14 | 2019-03-01 | 深圳绿米联创科技有限公司 | 实现智能设备推荐的方法及装置 |
CN109543829A (zh) * | 2018-10-15 | 2019-03-29 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 在终端和云端上混合部署深度学习神经网络的方法和系统 |
CN109491261A (zh) * | 2018-11-26 | 2019-03-19 | 深圳市赛亿科技开发有限公司 | 一种智能家居控制方法、控制系统、终端 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111007731A (zh) * | 2019-11-11 | 2020-04-14 | 珠海格力电器股份有限公司 | 用户操作预测方法、装置、电子设备及可读存储介质 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110262275B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Acampora et al. | Interoperable and adaptive fuzzy services for ambient intelligence applications | |
CN112329948B (zh) | 一种多智能体策略预测方法及装置 | |
CN107817756A (zh) | 网络化分布式数控系统靶场设计方法 | |
Boman et al. | Artificial decision making under uncertainty in intelligent buildings | |
Yang | Developing an energy-saving and case-based reasoning information agent with Web service and ontology techniques | |
CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
Yang | A novel cloud information agent system with Web service techniques: Example of an energy-saving multi-agent system | |
CN110262275A (zh) | 一种智能家居系统及其控制方法 | |
WO2015117487A1 (zh) | 智能家居实现系统及方法、家居网关、计算机存储介质 | |
CN112057038A (zh) | 一种基于云平台的大数据智能健康监护系统 | |
Abusukhon | Toward achieving a balance between the user satisfaction and the power conservation in the internet of things | |
Peng et al. | An adaptive deep learning model for smart home autonomous system | |
CN113159279A (zh) | 基于神经网络与深度学习的跨域知识协助方法与系统 | |
Boton-Fern et al. | Learning algorithm for human activity detection in smart environments | |
CN109977998A (zh) | 信息处理方法及装置、存储介质和电子装置 | |
CN116956005A (zh) | 数据分析模型的训练方法、装置、设备、存储介质及产品 | |
Fabbricatore et al. | Machine learning for resource management in smart environments | |
Martins et al. | On a multisensor knowledge fusion heuristic for the Internet of Things | |
KR20210045205A (ko) | 대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 및 이를 이용한 대상 시스템의 동작 예측 방법 | |
CN117706954B (zh) | 一种用于场景生成的方法及装置、存储介质、电子装置 | |
Belkeziz et al. | Multi-agent reinforcement learning approach to IoT coordination | |
CN115858698B (zh) | 智能体图谱分析方法、系统和可读存储介质 | |
Kouicem et al. | Artificial Emotions for Distributed Cyber-physical Systems Resilience | |
Lee et al. | Pro-active content managing system for efficient human machine interaction in data intensive environments | |
KR102650882B1 (ko) | 이용자의 정보를 분석하여 세탁 조건을 자동으로 큐레이팅하는 맞춤형 무인 빨래방 시스템 |
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 |