CN110793166A - 空气净化器的配置参数确定方法及装置 - Google Patents

空气净化器的配置参数确定方法及装置 Download PDF

Info

Publication number
CN110793166A
CN110793166A CN201810864359.1A CN201810864359A CN110793166A CN 110793166 A CN110793166 A CN 110793166A CN 201810864359 A CN201810864359 A CN 201810864359A CN 110793166 A CN110793166 A CN 110793166A
Authority
CN
China
Prior art keywords
air purifier
parameters
configuration parameters
configuration
neural network
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
Application number
CN201810864359.1A
Other languages
English (en)
Inventor
陈翀
郑威
叶朝虹
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.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
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 Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201810864359.1A priority Critical patent/CN110793166A/zh
Publication of CN110793166A publication Critical patent/CN110793166A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/65—Electronic processing for selecting an operating mode
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties

Abstract

本发明公开了一种空气净化器的配置参数确定方法及装置。其中，该方法包括：获取情景参数，其中，情景参数是用于生成空气净化器的配置参数的依据，配置参数为空气净化器运行的依据；将情景参数中的每个参数转换成为神经网络模型的输入，其中，神经网络模型是通过训练数据训练的得到的，每组训练数据均包括：情景参数和在该情景参数下对应的配置参数；获取神经网络模型的输出；将输出转换为配置参数，并将配置参数发送至空气净化器。本发明解决了相关技术中空气净化器的智能化程度较低，使用起来比较繁琐导致的用户体验较低的技术问题。

Description

空气净化器的配置参数确定方法及装置
技术领域
本发明涉及智能家居领域，具体而言，涉及一种空气净化器的配置参数确定方法及装置。
背景技术
空气净化器作为智能家居系统中的重要一环，是可以用来吸附、分解或转化各种空气污染物(一般包括PM2.5、粉尘、花粉、异味、甲醛之类的装修污染、细菌、过敏源等)，有效提高空气清洁度的产品。一般情况下，用户使用空气净化器的行为是有一定规律的，例如，一般用户会在家庭中有人的情况下控制空气净化器打开，并根据自己的偏好以及当前的环境对空气净化器的模式进行设定，然而，传统的空气净化器并不具备记忆功能，既无法识别用户开启空气净化器时的各种情景参数，也无法识别用户在各种情景参数下对空气净化器的配置，用户在每次使用空气净化器前都需要通过功能键对空气净化器进行重新设定。上述相关技术中的空气净化器使用方式比较繁琐，浪费了用户的部分时间，进而降低了用户的体验。
针对上述相关技术中空气净化器的智能化程度较低，使用起来比较繁琐导致的用户体验较低的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种空气净化器的配置参数确定方法及装置，以至少解决相关技术中空气净化器的智能化程度较低，使用起来比较繁琐导致的用户体验较低的技术问题。
根据本发明实施例的一个方面，提供了一种空气净化器的配置参数确定方法，包括：获取情景参数，其中，所述情景参数是用于生成空气净化器的配置参数的依据，所述配置参数为所述空气净化器运行的依据；将所述情景参数中的每个参数转换成为神经网络模型的输入，其中，所述神经网络模型是通过训练数据训练的得到的，每组训练数据均包括：情景参数和在该情景参数下对应的配置参数；获取所述神经网络模型的输出；将所述输出转换为所述配置参数，并将所述配置参数发送至所述空气净化器。
可选地，通过所述训练数据训练得到所述神经网络模型包括：将每组训练数据中的情景参数中的每个参数转换为数值；将得到的每个情景参数对应的数值分别作为所述神经网络模型的输入层节点；将所述训练数据中的配置参数中的每个参数转换为数值；将得到的每个配置参数对应的数据作为所述神经网络模型的输出层节点；根据所述输入层节点和所述输出层节点进行训练得到所述神经网络模型。
可选地，所述训练数据是从多个用户收集得到的历史数据中的一部分。
可选地，所述历史数据中另一部分作为验证数据，其中，所述验证数据用于对所述神经网络模型进行验证。
可选地，根据所述输入层节点和所述输出层节点进行训练得到所述神经网络模型包括：确定输出节点是否存在误差；在所述输出节点存在误差的情况下，从最靠近所述输出层节点的隐含层节点进行参数的调整，一次类推，直到输出与训练数据相符，其中，隐含层包括一层或多层，每个隐含层包括至少一个隐含层节点，每个隐含层节点为一种计算模式，该计算模式中包括有能够对计算进行调整的参数。
可选地，从最靠近所述输出层节点的隐含层节点进行参数的调整包括：获取每个隐含层节点的误差；在所述误差满足预定条件的情况下，确定所述隐含层节点存在误差，并对所述隐含层节点的参数进行调整。
根据本发明实施例的另外一个方面，还提供了一种空气净化器的配置参数确定方法，包括：获取空气净化器对应的情景参数，其中，所述情景参数是用于生成所述空气净化器的配置参数的依据，所述配置参数为所述空气净化器运行的依据；将所述情景参数发送至服务器；接收来自服务器的配置参数；根据所述配置参数运行。
可选地，在接收来自所述服务器的配置参数之前，上述空气净化器的配置参数确定方法还包括：接收请求消息，其中，所述请求消息是由所述空气净化器的用户通过触发所述空气净化器上的按键生成的请求消息，所述请求消息表示请求从所述服务器获取配置参数。
可选地，获取空气净化器对应的情景参数包括以下至少之一：通过移动终端获取所述情景参数；通过所述空气净化器自身记录的数据获取所述情景参数。
可选地，根据所述配置参数运行包括：接收来自移动终端的配置参数，其中，服务器将所述配置参数发送给所述移动终端，在所述移动终端接收到确定使用所述配置参数控制空气净化器运行的指示信息时，将所述配置参数发送给所述空气净化器。
根据本发明实施例的另外一个方面，还提供了一种空气净化器的配置参数确定方法，包括：接收来自服务器的配置参数，其中，所述配置参数为空气净化器运行的依据，情景参数是用于生成所述空气净化器的配置参数的依据；接收来自用户的指示信息；根据所述指示信息确定是否根据配置参数对空气净化器的运行进行配置。
可选地，在接收来自所述服务器的配置参数之前，上述空气净化器的配置参数确定方法还包括：接收请求消息，其中，所述请求消息是由所述空气净化器的用户通过触发所述空气净化器上的按键生成的请求消息，所述请求消息表示请求从所述服务器获取配置参数。
可选地，在根据所述指示信息确定是否根据所述配置参数对所述空气净化器的运行进行配置之前，上述空气净化器的配置参数确定方法还包括：将所述情景参数发送所述空气净化器。
可选地，根据所述指示信息确定是否根据配置参数对空气净化器的运行进行配置包括：在基于所述指示信息确定根据所述配置参数对所述空气净化器的运行进行配置的情况下，将所述配置参数发送至所述空气净化器；在基于所述指示信息确定不根据所述配置参数对所述空气净化器的运行进行配置的情况下，向所述服务器发送更新消息，其中，所述更新消息用于指示所述服务器更新所述配置参数。
根据本发明实施例的另外一个方面，还提供了一种空气净化器的配置参数确定装置，包括：第一获取单元，用于获取情景参数，其中，所述情景参数是用于生成空气净化器的配置参数的依据，所述配置参数为所述空气净化器运行的依据；第一确定单元，用于将所述情景参数中的每个参数转换成为神经网络模型的输入，其中，所述神经网络模型是通过训练数据训练的得到的，每组训练数据均包括：情景参数和在该情景参数下对应的配置参数；第二获取单元，用于获取所述神经网络模型的输出；第一发送单元，用于将所述输出转换为所述配置参数，并将所述配置参数发送至所述空气净化器。
可选地，所述第一确定单元包括：第一转换子单元，用于将每组训练数据中的情景参数中的每个参数转换为数值；第一确定子单元，用于将得到的每个情景参数对应的数值分别作为所述神经网络模型的输入层节点；第二转换子单元，用于将所述训练数据中的配置参数中的每个参数转换为数值；第二确定子单元，用于将得到的每个配置参数对应的数据作为所述神经网络模型的输出层节点；第一获取子单元，用于根据所述输入层节点和所述输出层节点进行训练得到所述神经网络模型。
可选地，所述训练数据是从多个用户收集得到的历史数据中的一部分。
可选地，所述历史数据中另一部分作为验证数据，其中，所述验证数据用于对所述神经网络模型进行验证。
可选地，所述第一获取子单元包括：第一确定模块，用于确定输出节点是否存在误差；调整模块，用于在所述输出节点存在误差的情况下，从最靠近所述输出层节点的隐含层节点进行参数的调整，一次类推，直到输出与训练数据相符，其中，隐含层包括一层或多层，每个隐含层包括至少一个隐含层节点，每个隐含层节点为一种计算模式，该计算模式中包括有能够对计算进行调整的参数。
可选地，所述调整模块包括：获取子模块，用于获取每个隐含层节点的误差；调整子模块，用于在所述误差满足预定条件的情况下，确定所述隐含层节点存在误差，并对所述隐含层节点的参数进行调整。
根据本发明实施例的另外一个方面，还提供了一种空气净化器的配置参数确定装置，包括：第三获取单元，用于获取空气净化器对应的情景参数，其中，所述情景参数是用于生成所述空气净化器的配置参数的依据，所述配置参数为所述空气净化器运行的依据；第二发送单元，用于将所述情景参数发送至服务器；第一接收单元，用于接收来自服务器的配置参数；运行单元，用于根据所述配置参数运行。
可选地，上述空气净化器的配置参数确定装置还包括：第二接收单元，用于在接收来自所述服务器的配置参数之前，接收请求消息，其中，所述请求消息是由所述空气净化器的用户通过触发所述空气净化器上的按键生成的请求消息，所述请求消息表示请求从所述服务器获取配置参数。
可选地，所述第三获取单元包括以下至少之一：第二获取子单元，用于通过移动终端获取所述情景参数；第三获取子单元，用于通过所述空气净化器自身记录的数据获取所述情景参数。
可选地，所述运行单元包括：接收子单元，用于接收来自移动终端的配置参数，其中，服务器将所述配置参数发送给所述移动终端，在所述移动终端接收到确定使用所述配置参数控制空气净化器运行的指示信息时，将所述配置参数发送给所述空气净化器。
根据本发明实施例的另外一个方面，还提供了一种空气净化器的配置参数确定装置，包括：第三接收单元，用于接收来自服务器的配置参数，其中，所述配置参数为空气净化器运行的依据，情景参数是用于生成所述空气净化器的配置参数的依据；第四接收单元，用于接收来自用户的指示信息；第二确定单元，用于根据所述指示信息确定是否根据配置参数对空气净化器的运行进行配置。
可选地，上述空气净化器的配置参数确定装置还包括：第四接收单元，用于在接收来自所述服务器的配置参数之前，接收请求消息，其中，所述请求消息是由所述空气净化器的用户通过触发所述空气净化器上的按键生成的请求消息，所述请求消息表示请求从所述服务器获取配置参数。
可选地，上述空气净化器的配置参数确定装置还包括：第三发送单元，用于在根据所述指示信息确定是否根据所述配置参数对所述空气净化器的运行进行配置之前，将所述情景参数发送所述空气净化器。
可选地，所述第二确定单元包括：第一发送子单元，用于在基于所述指示信息确定根据所述配置参数对所述空气净化器的运行进行配置的情况下，将所述配置参数发送至所述空气净化器；第二发送子单元，用于在基于所述指示信息确定不根据所述配置参数对所述空气净化器的运行进行配置的情况下，向所述服务器发送更新消息，其中，所述更新消息用于指示所述服务器更新所述配置参数。
根据本发明实施例的另外一个方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述中任意一项所述的空气净化器的配置参数确定方法。
根据本发明实施例的另外一个方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的空气净化器的配置参数确定方法。
在本发明实施例中，采用获取情景参数，其中，情景参数是用于生成空气净化器的配置参数的依据，配置参数为空气净化器运行的依据；然后将情景参数中的每个参数转换成为神经网络模型的输入，其中，神经网络模型是通过训练数据训练的得到的，每组训练数据均包括：情景参数和在该情景参数下对应的配置参数；并获取神经网络模型的输出；同时将输出转换为配置参数，并将配置参数发送至空气净化器的方式实现对空气净化器的配置，通过本发明实施例提供的空气净化器的配置参数确定方法可以实现将用户设置的情景参数转换为神经网络模型的输入，根据神经网络模型对输入进行计算得到输出参数，并将输出参数转换为空气净化器的配置参数的目的，达到了用户只需要设置情景参数即可得到符合自己需求的空气净化器配置参数，无需使用空气净化器的功能键对空气净化器的各个功能进行设置，简化了空气净化器的使用流程的技术效果，进而解决了相关技术中空气净化器的智能化程度较低，使用起来比较繁琐导致的用户体验较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的空气净化器的配置参数确定方法的系统结构图；
图2是根据本发明实施例的情景参数的不同时间粒度的示意图；
图3是根据本发明实施例的可选的空气净化器的配置参数确定方法的系统结构图；
图4是根据本发明实施例的空气净化器的配置参数确定方法的流程图；
图5是根据本发明实施例的神经网络模型的输入参数种类以及输出参数种类的示意图；
图6是根据本发明实施例的神经网络模型的结构图；
图7是根据本发明实施例的神经网络模型训练的流程图；
图8是根据本发明实施例的神经网络算法的流程图；
图9是根据本发明实施例的可选的空气净化器的配置参数确定方法的流程图；
图10是根据本发明实施例的空气净化器的配置参数确定方法的优选的流程图；
图11是根据本发明实施例的空气净化器的配置参数确定装置的示意图；
图12是根据本发明实施例的可选的空气净化器的配置参数确定装置的示意图；
图13是根据本发明实施例的空气净化器的配置参数确定装置的优选示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，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的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述，下面对本发明实施例中出现的部分名词或术语进行详细说明。
神经网络：也称作人工神经网络或连接模型，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
BP神经网络(Back Propagation Neutral Network，简称BPNN)：是一种按照误差逆向传播算法训练的多层前馈神经网络。
长短期记忆网络(long Short-Term Memory，简称LSTM)：是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
卷积神经网络(Convolutional Neural Network，简称CNN)：是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。
递归神经网络(Recurrent/Recursive Neural Network，简称RNN)：是时间递归神经网络和结构递归神经网络的总称。时间递归神经网络的神经元间连接构成有向图，而结构递归神经网络利用相似的神经网络结构递归构造更为复杂的深度网络。
本发明实施例中提供的空气净化器的配置参数确定方法可以应用于各个类型的空气净化器。其中，在本发明实施例中对空气净化器的种类不做具体限定。例如，按照空气净化器的使用范围可以分为：家用空气净化器、商用空气净化器；按照空气净化器的工作原理可以分为：被动式、主动式、主被动混合式；根据空气净化器针对空气中颗粒物去除技术可以分为：机械滤网式、静电驻极滤网式、高压静电集尘、负离子和等离子等。
另外，在本发明实施例中可以根据不同的环境温度、湿度、空气质量指数、用户年龄、用户家庭成员数量、联动其他运动佩戴设备获取的用户的心跳数据、体温等对空气净化器的操作数据及其所蕴含的规律，初步确定神经网络模型的基本结构、输入层及输出层节点数、隐含层的层数、隐含层节点数、神经网络的初始权值等。需要说明的是，在本发明实施例中对神经网络的种类不做具体限定，可以包括但不限于：长短期记忆网络LSTM、卷积神经网络CNN、递归神经网络RNN、BP神经网络等。
由于BP神经网络算法的理论和性能都比较成熟，相比传统算法，它节省了大量的计算，还保证了一定的准确性，其算法模型调整只需调整参数，也即是，可以在实际应用时根据需要调整输入层、隐含层、输出层节点数及隐层层数。而传统算法模型在后期调整和维护中，改动的成本巨大。另外，使用BP神经网络对离散点进行拟合曲线，达到预测目的。一般来说，一次观测中过去值与未来值存在联系，当过去观测值作为BP网络的输入，给出未来值作为BP网络的输出。从数学角度看，BP神经网络模型成为输入输出的非线性函数。换言之，基于BP神经网络模型的时间预测方法就是用BP神经网络模型来拟合预测函数，然后预测未来值。
因此，在本发明实施例中以BP神经网络模型作为获取空气净化器在预定情景参数下的配置参数的网络结构为例进行详细说明。
图1是根据本发明实施例的空气净化器的配置参数确定方法的系统结构图，如图1所示，可以包括用户端和服务器端。其中，用户端包括：空气净化器和移动终端(例如，手机)，其中，上述空气净化器可以直接将情景参数发送给服务器端的数据库，也可以利用移动终端将情景参数发送给智能家居服务器，智能家居服务器可以将接收到的情景参数发送给数据库；数据库将接收到的情景参数发送给机器学习系统，机器学习系统将情景参数转换为数值，并将转换后得到的数值作为神经网络模型的输入，根据该神经网络模型进行计算得到输出数值，并将该数值转换为配置参数，并将配置参数作为空气净化器的配置参数，同时将配置参数发送给智能家居服务器，智能家居服务器将配置参数发送给数据库，数据库进行记录；智能家居服务器也可以将配置参数发送给移动终端和空气净化器，其中，在将配置参数发送给空气净化器的情况下，属于空气净化器用户默认接受空气净化器以配置参数运行；另外，在将配置参数发送给移动终端的情况下，用户可以通过移动终端确定是否允许空气净化器以配置参数运行，空气净化器根据接收到的配置参数运行。
其中，上述机器学习系统的输入参数可以包括两类，一类是模式的可设定形式(即配置参数)(比如风速的大小、灯光的开启或关闭、PM2.5模式的开启或关闭等等)，但不限于如下的一种或多种：开机、关机、自动模式、睡眠模式、快速模块、风速等；另一类是影响各模式的因素(即特征参数)(比如影响配置参数的特征参数：湿度、温度、PM2.5浓度等)。另外，输入数据可以不为单一的参数，也即是，既可以为包含多个特征参数的数组，也可以为包含多个配置参数的数组，当然也可以是上述多个特征参数和多个配置参数的组合。
另外，上述机器学习系统的输入可以包括影响空气净化器各个配置参数的时间，例如，使用空气净化器的时间段(一般地对应：早、中、晚)星期、天气、当前温度等。图2是根据本发明实施例的情景参数的不同时间粒度的示意图，如图2所示，时间段可以为120天、35天、14天、7天、3天、也可以更少，例如1天；星期：周一、周二、周三、周四、周五、周六、周日；时间属性：工作日、休息日；节假日：中秋长假、国庆长假；具体时间点：0：00-6:00、6:00-9:00、9:00-16:00、16:00-19:00、19:00-0:00。空气净化器将上述影响各个配置参数的因素进行汇总收集，选取若干时间段内用户对空气净化器的操作记录作为样本数据，对神经网络模型进行学习和训练，通过误差反向传播算法来调整神经网络结构及神经网络节点间的权值，使得神经网络模型拟合空气净化器配置参数和日期等其他情景参数之间的关系，最终使神经网络模型能准确拟合出空气净化器的用户行为与各个情景参数之间的对应关系。
其中，表1示出了空气净化器在各个模式下对应的具体的功能，表1中示出了空气净化器的各个运行模式，以及各个运行模式对应的功能。
表1
开关 开机、关机
PM2.5开关 PM2.5关闭，PM2.5开启
模式 模式，1＝普通，2＝自动，3＝睡眠，4＝快速
风速 风速(10级风力档位，仅普通模式有效)
灯光 灯光开，灯光关
需要说明的是，在本发明中提供的空气净化器的配置参数确定方法中，在空气净化器和移动终端的处理能力足够强的情况下，机器学习系统的功能可以直接由空气净化器或移动终端来执行。
图3是根据本发明实施例的可选的空气净化器的配置参数确定方法的系统结构图，如图3所示，智能手机、智能装置以及服务器均可以作为运行人工智能算法(即神经网络算法)的设备。首先，带有通讯功能的空气净化器可以将情景参数发送给智能手机、智能装置以及服务器中的任意一个或多个，然后接收情景参数的智能手机、智能装置或服务器进行计算得到配置参数，将配置参数发送给空气净化器，在用户允许以该配置参数配置空气净化器的情况下，空气净化器会以得到的配置参数运行。
需要说明的是，当空气净化器将情景参数同时发送给智能手机、智能装置以及服务器的情况下，可以利用预定方式(例如，随机森林算法)对智能手机、智能装置以及服务器分别得到的配置参数进行评估，使用评估值最高的配置参数配置空气净化器。当然，也可以采用其他的方式从多个配置参数中确定最优的配置参数对空气净化器进行配置。
下面以机器学习系统在服务器端对本发明中的下述各个实施例进行详细说明。
实施例1
根据本发明实施例，提供了一种空气净化器的配置参数确定方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图4是根据本发明实施例的空气净化器的配置参数确定方法的流程图，如图4所示，该空气净化器的配置参数确定方法包括如下步骤：
步骤S402，获取情景参数，其中，情景参数是用于生成空气净化器的配置参数的依据，配置参数为空气净化器运行的依据。
其中，上述特征参数可以包括但不限于以下几种：用于指示空气净化器的用户体重的参数、用于指示空气净化器的用户的性别的参数、用于指示空气净化器的用户的年龄的参数，用于指示空气净化器的用户的家居温度的参数，用于指示空气净化器所在区域的空气质量的参数，用于指示空气净化器的用户的心跳数据以及体温数据等。
另外，上述配置参数可以包括但不限于以下几种：开机、关机、普通模式、自动模式、睡眠模式、快速模式、风速、灯光开、灯光闭等。
步骤S404，将情景参数中的每个参数转换成为神经网络模型的输入，其中，神经网络模型是通过训练数据训练的得到的，每组训练数据均包括：情景参数和在该情景参数下对应的配置参数。
步骤S406，获取神经网络模型的输出。
例如，图5是根据本发明实施例的神经网络模型的输入参数种类以及输出参数种类的示意图，如图5所示，将输入参数(该输入参数是根据情景参数转换得到的)(例如，温度、湿度、空气质量、时间……模式n)输入到神经网络模型，经过神经网络模型中的隐含层中的神经网络算法计算得到输出参数(例如，用户行为1、用户行为2、用户行为3、用户行为4……用户行为n)。
需要说明的是，上述“温度、湿度、空气质量、时间……模式n”在经隐含层的神经网络算法进行计算之前，会转换为对应的数值；上述“用户行为1、用户行为2、用户行为3、用户行为4……用户行为n”分别为各个用户对空气净化器进行配置的配置参数，其中，该配置参数是根据输出参数转换得到的。
步骤S408，将输出转换为配置参数，并将配置参数发送至空气净化器。
在上述实施例中，可以获取情景参数，其中，情景参数是用于生成空气净化器的配置参数的依据，配置参数为空气净化器运行的依据；并将情景参数中的每个参数转换成为神经网络模型的输入，其中，神经网络模型是通过训练数据训练的得到的，每组训练数据均包括：情景参数和在该情景参数下对应的配置参数；同时获取神经网络模型的输出；再将输出转换为配置参数，并将配置参数发送至空气净化器，实现对空气净化器的配置。相对于相关技术中传统的空气净化器不具备自学习能力，无法根据用户设置的情景参数自动生成满足用户需求的配置参数，而是在用户每次需要使用空气净化器时均需要反复设置空气净化器的功能键导致的空气净化器的使用流程比较繁琐，降低了用户的体验。通过本发明实施例提供的空气净化器的配置参数确定方法可以实现将用户设置的情景参数转换为神经网络模型的输入，根据神经网络模型对输入进行计算得到输出参数，并将输出参数转换为空气净化器的配置参数的目的，达到了用户只需要设置情景参数即可得到符合自己需求的空气净化器配置参数，无需使用空气净化器的功能键对空气净化器的各个功能进行设置，简化了空气净化器的使用流程的技术效果，进而解决了相关技术中空气净化器的智能化程度较低，使用起来比较繁琐导致的用户体验较低的技术问题。
在上述步骤S304中，通过训练数据训练得到神经网络模型可以包括：将每组训练数据中的情景参数中的每个参数转换为数值；将得到的每个情景参数对应的数值分别作为神经网络模型的输入层节点；将训练数据中的配置参数中的每个参数转换为数值；将得到的每个配置参数对应的数据作为神经网络模型的输出层节点；根据输入层节点和输出层节点进行训练得到神经网络模型。
例如，表2示出了各个情景参数对应神经网络模型的输入参数1(其中，该输入参数是根据情景参数转换得到的)、神经网络模型的输出数值以及配置参数之间的对应关系。其中，“1”表示普通模式、“2”表示自动模式、“3”表示睡眠模式、“4”表示快速模式。
表2
Figure BDA0001750541500000111
Figure BDA0001750541500000121
在上述表2中，当用户设置的情景参数为“星期五、晴、PM2.5：70、20:00”，那么神经网络模型的输入参数为“5、1、70、4”，输出参数为“3、8”，对应的空气净化器的配置参数为“3、PM2.5关闭”，即空气净化器以睡眠模式运行，同时PM2.5关闭。
图6是根据本发明实施例的神经网络模型的结构图，如图6所示，该神经网络模型可以包括：输入层、隐含层以及输出层，其中，输入层包括多个输入层节点(例如，X1、X2……Xn-1、Xn)，隐含层包括多个隐含层节点，同样地，输出层也包括多个输出层节点(例如，Y1、Y2)。需要说明的是，上述隐含层可以包括多个层，其中，隐含层的层数较大的情况下，基于该神经网络模型得到的配置参数配置空气净化器，得到的热水会更加符合用户的需求，但是，对运行神经网络模型的设备的处理能力要求也较高，处理过程也比较复杂；反之，隐含层的层数较小的情况下，基于神经网络模型得到的配置参数配置空气净化器，得到的热水可能会与用户的需求存在较大的差距，但是，对于运行神经网络模型的设备的处理能力要求相对较低，处理过程相对较简单。
作为本发明一个可选的实施例，上述训练数据是从多个用户收集得到的历史数据中的一部分。
其中，上述多个用户可以包括与空气净化器的用户相似度符合一定条件的用户，例如，可以从多个服务器获取预定数量的用于训练神经网络模型的数据，为了使得到的数据更具有针对性，可以对上述数据进行过滤，从而可以得到与空气净化器的用户使用空气净化器的习惯更加相似的训练数据，以提高神经网络模型训练的效率。具体地，可以利用协同过滤算法得到的与空气净化器的用户相似度符合一定条件的用户，也即是，利用协同过滤算法得到与空气净化器的用户使用空气净化器的习惯满足一定条件的用户；另外，也可以是根据贝叶斯算法得到的与空气净化器的用户设置的情景参数相似度满足一定条件的用户。其中，从多个用户那里收集得到的数据均包括：情景参数以及该情景参数下用户设置的配置参数。
需要说明的是，上述训练数据的一部分主要是用于作为神经网络模型的输入层的输入参数。
优选的，训练数据的收集可以是空气净化器每天的用户操作记录(即配置参数)以及该操作记录对应的情景参数。具体的搜集方式包括但不限于：空气净化器在实验室模拟环境下的运行参数、通过物联网技术搜集实际用户使用时的空气净化器运行参数等方式。
另外，历史数据中另一部分作为验证数据，其中，验证数据用于对神经网络模型进行验证。
作为本发明一个可选的实施例，根据输入层节点和输出层节点进行训练得到神经网络模型可以包括：确定输出节点是否存在误差；在输出节点存在误差的情况下，从最靠近输出层节点的隐含层节点进行参数的调整，一次类推，直到输出与训练数据相符，其中，隐含层包括一层或多层，每个隐含层包括至少一个隐含层节点，每个隐含层节点为一种计算模式，该计算模式中包括有能够对计算进行调整的参数。
例如，用户设置的情景参数一为：星期二、晴、PM2.5：90、21:00，可以将“星期二、晴、PM2.5：90、21:00”均转换为数值“2、1、90、5”，然后将转换后得到的数值“2、1、90、5”作为神经网络模型的输入参数，神经网络模型根据该输入参数进行计算得到输出参数“2、7”；用户设置的情景参数二为：星期五、晴、PM2.5：70、20:00，可以将“星期五、晴、PM2.5：70、20:00”均转换为数值“5、1、70、4”，然后将转换后得到的数值“5、1、70、4”作为神经网络模型的输入参数，神经网络模型根据该输入参数进行计算得到输出参数“3、8”；用户设置的情景参数三为：星期六、晴、PM2.5：80、20:00，可以将“星期六、晴、PM2.5：80、20:00”均转换为数值“6、1、80、4”，然后将转换后得到的数值“6、1、80、4”作为神经网络模型的输入参数，神经网络模型根据该输入参数进行计算得到输出参数“2、7”。由上述表2可以得知，情景参数一以及情景参数三对应的输出参数是正确的，而情景参数三对应的输出参数则与理论结果是不相符的，也即是，神经网络模型的输出节点存在误差。
此时，需要对该神经网络模型进行调整，具体地，可以利用从最靠近输出层节点的隐含层节点进行参数的调整，一次类推，直到输出与训练数据相符。
优选的，在上述实施例中，从最靠近输出层节点的隐含层节点进行参数的调整可以包括：获取每个隐含层节点的误差；在误差满足预定条件的情况下，确定隐含层节点存在误差，并对隐含层节点的参数进行调整。
也即是，从最靠近输出层节点的隐含层开始遍历，得到每层隐含层中的每个隐含层节点的误差，在误差大于误差阈值的情况下，确定隐含层节点存在误差，然后对隐含层节点的参数进行调整。
也即是，在上述误差大于误差阈值的情况下，则通过预定方式对隐含层节点进行调整，其中，调整方式可以是对每个隐含层节点的神经网络算法对应的函数的权值或参数进行调整，在此不做具体限定；另外，当误差小于误差阈值的情况下，则可以将训练得到的神经网络模型应用于本发明实施例的空气净化器的配置参数确定方法中。
下面对本发明一个可选的神经网络模型训练方式进行详细说明。
首先，将输入参数输入到神经网络模型的输入层节点，其中，几乎每层隐含层的隐含层节点都会有对应的权值和偏置值，输入参数从输入层开始流过隐含层和输出层节点时会经过神经网络算法中的各个函数，然后根据神经网络算法中的各个函数、初始化的权值及偏置值计算出神经网络模型的实际输出a(x)，即a(x)＝1/(1+e-z),其中Z＝Wk*x+bι。接下来，需要判断神经网络模型的期望输出y(x)与实际输出a(x)是否满足输出精度要求即:|y(x)-a(x)|<∈，其中，∈为目标最小误差。如果满足精度要求则结束训练，如不满足则根据以下方式更新神经网络模型的权值Wk,偏置bι。
其中，具体更新方式如下：C(ω,b)为误差能量函数(以标准方差函数为例)，n为训练数据的总数量,求和是在总的训练数据上进行，具体地，误差能量函数可以通过第一公式确定，其中，第一公式为：
Figure BDA0001750541500000141
然后，利用第二公式更新各个隐含层的权值，其中，第二公式为：
Figure BDA0001750541500000142
同时，利用第三公式更新各个隐含层的偏置值，其中，第三公式为：
Figure BDA0001750541500000143
其中，ωκ为初始权值，
Figure BDA0001750541500000144
为误差能量函数对权值的偏导数，bι为初始偏置，
Figure BDA0001750541500000145
为误差能量函数对偏置的偏导数
Figure BDA0001750541500000146
的值可通过链式求导法则获得直至网络的输出误差小于∈为止。
另外，在利用上述历史数据的一部分作为训练数据对神经网络模型进行训练完成后，再用历史数据中另一部分作为验证数据，对训练得到神经网络模型进行验证。当验证误差不满足要求时，则利用上述方式对存在误差的神经网络模型进行继续训练，直到得到的误差小于误差阈值时结束训练。
图7是根据本发明实施例的神经网络模型训练的流程图，如图7所示，包括以下步骤：
S701，开始。
S702，从服务器端的数据库中获取训练数据，并将训练数据输入到神经网络模型中。
S703，利用训练数据对神经网络模型进行训练，并判断得到神经网络模型与理论神经网络模型的误差是小于误差阈值。在判断结果为是的情况下，执行S704；反之返回S703。
S704，从数据库中获取情景参数，并将情景参数输入到神经网络模型中。
S705，将根据神经网络模型得到的配置参数发送给空气净化器的控制子程序。
S706，结束。
图8是根据本发明实施例的神经网络算法的流程图，如图8所示，包括如下步骤：
S801，初始化权值和偏置值。
S802，输入训练数据，计算各个隐含层的输出。
S803，计算各层的输出的误差。
S804，计算局部梯度。
S805，调整输出层的各个输出层节点的权值和偏置值。
S806，调整各个隐含层的各个隐含层节点的权值和偏置值。
S807，判断误差是否小于误差阈值。在是的情况下，执行S808；反之，返回S802。
S808，结束。
在本发明实施例中，可以在带无线通讯的空气净化器运行时，将空气净化器的情景参数上传至智能装置、移动终端以及服务器。智能装置、移动终端以及服务器将情景参数输入到训练好的神经网络模型中，确定出与用户的操作规律的相似度符合一定条件的配置参数后，将配置参数发送给空气净化器，空气净化器以该配置参数运行。需要说明的是，在本发明实施例中对智能装置不做具体限定，可以包括但不限于：无线通讯模块、路由器、服务器、智能手机等，也可以将神经网络算法直接集成在空气净化器本身的控制器中，不额外接智能装置。
实施例2
根据本发明实施例的另外一个方面，还提供了一种空气净化器的配置参数确定方法，图9是根据本发明实施例的可选的空气净化器的配置参数确定方法的流程图，如图9所示，该空气净化器的配置参数确定方法可以包括：
步骤S902，获取空气净化器对应的情景参数，其中，情景参数是用于生成空气净化器的配置参数的依据，配置参数为空气净化器运行的依据。
其中，上述特征参数可以包括但不限于以下几种：用于指示空气净化器的用户体重的参数、用于指示空气净化器的用户的性别的参数、用于指示空气净化器的用户的年龄的参数，用于指示空气净化器的用户的家居温度的参数，用于指示空气净化器所在区域的空气质量的参数，用于指示空气净化器的用户的心跳数据以及体温数据等。
另外，上述配置参数可以包括但不限于以下几种：开机、关机、普通模式、自动模式、睡眠模式、快速模式、风速、灯光开、灯光闭等。
步骤S904，将情景参数发送至服务器。
步骤S906，接收来自服务器的配置参数。
步骤S908，根据配置参数运行。
在上述实施例中，可以获取空气净化器对应的情景参数，然后将情景参数发送给服务器，并根据接收的来自服务器的配置参数运行。相对于相关技术中传统的空气净化器不具备自学习能力，无法根据用户设置的情景参数自动生成满足用户需求的配置参数，而是在用户每次需要使用空气净化器时均需要反复设置空气净化器的功能键导致的空气净化器的使用流程比较繁琐，降低了用户的体验。通过本发明实施例提供的空气净化器的配置参数确定方法可以实现将用户设置的情景参数转换为神经网络模型的输入，根据神经网络模型对输入进行计算得到输出参数，并将输出参数转换为空气净化器的配置参数的目的，达到了用户只需要设置情景参数即可得到符合自己需求的空气净化器配置参数，无需使用空气净化器的功能键对空气净化器的各个功能进行设置，简化了空气净化器的使用流程的技术效果，进而解决了相关技术中空气净化器的智能化程度较低，使用起来比较繁琐导致的用户体验较低的技术问题。
作为本发明一个可选的实施例，在接收来自服务器的配置参数之前，上述空气净化器的配置参数确定方法还可以包括：接收请求消息，其中，请求消息是由空气净化器的用户通过触发空气净化器上的按键生成的请求消息，请求消息表示请求从服务器获取配置参数。
例如，当空气净化器的用户触摸空气净化器的按键时，表示空气净化器向服务器发送配置参数推荐的请求消息，此时服务器会将根据用户输入的情景参数，基于神经网络模型得到空气净化器的配置参数，得到的配置参数可以通过上述空气净化器的用户确认后执行或默认直接执行。
需要说明的是，上述“一键设置”是空气净化器上的物理按键或者移动终端界面上的软件按钮，其名称不局限用于“一键设置”，也可叫做“智能设置”、“快速设置”等。其功能用于快速获取空气净化器参数设定。而且设定的空气净化器参数来源于机器学习到的用户习惯，以及空气净化器检测到的气象条件等因素变化，并非固定不变的参数。
作为本发明一个可选的实施例，在上述步骤S902中，获取空气净化器对应的情景参数可以包括以下至少之一：通过移动终端获取情景参数；通过空气净化器自身记录的数据获取情景参数。
例如，一方面，上述空气净化器可以根据自身的存储模块来获取不同情景参数；另外一个方面，用户可以通过其持有的移动终端(例如，手机)将情景参数发送给空气净化器。
另外，根据配置参数运行可以包括：接收来自移动终端的配置参数，其中，服务器将配置参数发送给移动终端，在移动终端接收到确定使用配置参数控制空气净化器运行的指示信息时，将配置参数发送给空气净化器。
例如，上述空气净化器可以直接接受来自服务器端的配置参数；另外，服务器也可以将上述配置参数发送给移动终端，当用户通过移动终端确定同意以该配置参数配置空气净化器时，将该配置参数发送给目标空气净化器，进而空气净化器以该配置参数运行。
实施例3
根据本发明实施例的另外一个方面，还提供了一种空气净化器的配置参数确定方法，图10是根据本发明实施例的空气净化器的配置参数确定方法的优选的流程图，如图10所示，该空气净化器的配置参数确定方法可以包括：
步骤S1002，接收来自服务器的配置参数，其中，配置参数为空气净化器运行的依据，情景参数是用于生成空气净化器的配置参数的依据。
其中，上述特征参数可以包括但不限于以下几种：用于指示空气净化器的用户体重的参数、用于指示空气净化器的用户的性别的参数、用于指示空气净化器的用户的年龄的参数，用于指示空气净化器的用户的家居温度的参数，用于指示空气净化器所在区域的空气质量的参数，用于指示空气净化器的用户的心跳数据以及体温数据等。
另外，上述配置参数可以包括但不限于以下几种：开机、关机、普通模式、自动模式、睡眠模式、快速模式、风速、灯光开、灯光闭等。
步骤S1004，接收来自用户的指示信息。
步骤S1006，根据指示信息确定是否根据配置参数对空气净化器的运行进行配置。
在上述实施例中，可以接收来自服务器的配置参数，同时接收来用户的指示信息，并根据该指示信息确定是否根据配置参数对空气净化器的运行进行配置。相对于相关技术中传统的空气净化器不具备自学习能力，无法根据用户设置的情景参数自动生成满足用户需求的配置参数，而是在用户每次需要使用空气净化器时均需要反复设置空气净化器的功能键导致的空气净化器的使用流程比较繁琐，降低了用户的体验。通过本发明实施例提供的空气净化器的配置参数确定方法可以实现将用户设置的情景参数转换为神经网络模型的输入，根据神经网络模型对输入进行计算得到输出参数，并将输出参数转换为空气净化器的配置参数的目的，达到了用户只需要设置情景参数即可得到符合自己需求的空气净化器配置参数，无需使用空气净化器的功能键对空气净化器的各个功能进行设置，简化了空气净化器的使用流程的技术效果，进而解决了相关技术中空气净化器的智能化程度较低，使用起来比较繁琐导致的用户体验较低的技术问题。
优选的，在接收来自服务器的配置参数之前，上述空气净化器的配置参数确定方法还可以包括：接收请求消息，其中，请求消息是由空气净化器的用户通过触发空气净化器上的按键生成的请求消息，请求消息表示请求从服务器获取配置参数。
例如，当空气净化器的用户触摸空气净化器的按键时，表示空气净化器向服务器发送配置参数推荐的请求消息，此时服务器会将根据用户输入的情景参数，基于神经网络模型得到空气净化器的配置参数，得到的配置参数可以通过上述空气净化器的用户确认后执行或默认直接执行。
需要说明的是，上述“一键设置”是空气净化器上的物理按键或者移动终端界面上的软件按钮，其名称不局限用于“一键设置”，也可叫做“智能设置”、“快速设置”等。其功能用于快速获取空气净化器参数设定。而且设定的空气净化器参数来源于机器学习到的用户习惯，以及空气净化器检测到的气象条件等因素变化，并非固定不变的参数。
作为本发明一个可选的实施例，在根据指示信息确定是否根据配置参数对空气净化器的运行进行配置之前，上述空气净化器的配置参数确定方法还可以包括：将情景参数发送空气净化器。
也即是，空气净化器的用户在确定需要使用空气净化器的情况下，可以选择使用移动终端将情景参数发送给空气净化器，然后，空气净化器会将上述情景参数发送给服务器。这种方式可以使得用户在即将到家的情况下，就可以通过移动终端远程控制空气净化器运行。
优选的，根据指示信息确定是否根据配置参数对空气净化器的运行进行配置可以包括：在基于指示信息确定根据配置参数对空气净化器的运行进行配置的情况下，将配置参数发送至空气净化器；在基于指示信息确定不根据配置参数对空气净化器的运行进行配置的情况下，向服务器发送更新消息，其中，更新消息用于指示服务器更新配置参数。
例如，服务器在将配置参数发送至空气净化器之前，可以将其发送给移动终端，当空气净化器的用户通过移动终端确定以配置参数配置空气净化器时，移动终端将配置参数发送给空气净化器，空气净化器以配置参数运行。
实施例4
根据本发明实施例还提供了一种空气净化器的配置参数确定装置，需要说明的是，本发明实施例的空气净化器的配置参数确定装置可以执行本发明实施例所提供的空气净化器的配置参数确定方法。下面对该空气净化器的配置参数确定装置进行介绍。
图11是根据本发明实施例的空气净化器的配置参数确定装置的示意图，如图11所示，该空气净化器的配置参数确定装置包括：第一获取单元1101，第一确定单元1103，第二获取单元1105以及第一发送单元1107。下面对该空气净化器的配置参数确定装置进行详细说明。
第一获取单元1101，用于获取情景参数，其中，情景参数是用于生成空气净化器的配置参数的依据，配置参数为空气净化器运行的依据。
第一确定单元1103，用于将情景参数中的每个参数转换成为神经网络模型的输入，其中，神经网络模型是通过训练数据训练的得到的，每组训练数据均包括：情景参数和在该情景参数下对应的配置参数。
第二获取单元1105，用于获取神经网络模型的输出。
第一发送单元1107，用于将输出转换为配置参数，并将配置参数发送至空气净化器。
在上述实施例中，可以利用第一获取单元获取情景参数，其中，情景参数是用于生成空气净化器的配置参数的依据，配置参数为空气净化器运行的依据；然后利用第一确定单元将情景参数中的每个参数转换成为神经网络模型的输入，其中，神经网络模型是通过训练数据训练的得到的，每组训练数据均包括：情景参数和在该情景参数下对应的配置参数；并利用第二获取单元获取神经网络模型的输出；以及利用第一发送单元将输出转换为配置参数，并将配置参数发送至空气净化器。相对于相关技术中传统的空气净化器不具备自学习能力，无法根据用户设置的情景参数自动生成满足用户需求的配置参数，而是在用户每次需要使用空气净化器时均需要反复设置空气净化器的功能键导致的空气净化器的使用流程比较繁琐，降低了用户的体验。通过本发明实施例提供的空气净化器的配置参数确定装置可以实现将用户设置的情景参数转换为神经网络模型的输入，根据神经网络模型对输入进行计算得到输出参数，并将输出参数转换为空气净化器的配置参数的目的，达到了用户只需要设置情景参数即可得到符合自己需求的空气净化器配置参数，无需使用空气净化器的功能键对空气净化器的各个功能进行设置，简化了空气净化器的使用流程的技术效果，进而解决了相关技术中空气净化器的智能化程度较低，使用起来比较繁琐导致的用户体验较低的技术问题。
作为本发明一个可选的实施例，上述第一确定单元可以包括：第一转换子单元，用于将每组训练数据中的情景参数中的每个参数转换为数值；第一确定子单元，用于将得到的每个情景参数对应的数值分别作为神经网络模型的输入层节点；第二转换子单元，用于将训练数据中的配置参数中的每个参数转换为数值；第二确定子单元，用于将得到的每个配置参数对应的数据作为神经网络模型的输出层节点；第一获取子单元，用于根据输入层节点和输出层节点进行训练得到神经网络模型。
作为本发明一个可选的实施例，上述训练数据是从多个用户收集得到的历史数据中的一部分。
作为本发明一个可选的实施例，上述历史数据中另一部分作为验证数据，其中，验证数据用于对神经网络模型进行验证。
作为本发明一个可选的实施例，上述第一获取子单元可以包括：第一确定模块，用于确定输出节点是否存在误差；调整模块，用于在输出节点存在误差的情况下，从最靠近输出层节点的隐含层节点进行参数的调整，一次类推，直到输出与训练数据相符，其中，隐含层包括一层或多层，每个隐含层包括至少一个隐含层节点，每个隐含层节点为一种计算模式，该计算模式中包括有能够对计算进行调整的参数。
作为本发明一个可选的实施例，上述调整模块可以包括：获取子模块，用于获取每个隐含层节点的误差；调整子模块，用于在误差满足预定条件的情况下，确定隐含层节点存在误差，并对隐含层节点的参数进行调整。
实施例5
根据本发明实施例还提供了一种空气净化器的配置参数确定装置，需要说明的是，本发明实施例的空气净化器的配置参数确定装置可以执行本发明实施例所提供的空气净化器的配置参数确定方法。以下对本发明实施例提供的空气净化器的配置参数确定装置进行介绍。
图12是根据本发明实施例的可选的空气净化器的配置参数确定装置的示意图，如图12所示，该空气净化器的配置参数确定装置包括：第三获取单元1201，第二发送单元1203，第一接收单元1205以及运行单元1207。下面对该空气净化器的配置参数确定装置进行详细介绍。
第三获取单元1201，用于获取空气净化器对应的情景参数，其中，情景参数是用于生成空气净化器的配置参数的依据，配置参数为空气净化器运行的依据。
第二发送单元1203，用于将情景参数发送至服务器，其中，情景参数是用于生成空气净化器的配置参数的依据，配置参数为空气净化器运行的依据。
第一接收单元1205，用于接收来自服务器的配置参数。
运行单元1207，用于根据配置参数运行。
在上述实施例中，可以利用第三获取单元获取空气净化器对应的情景参数，其中，情景参数是用于生成空气净化器的配置参数的依据，配置参数为空气净化器运行的依据；并利用第二发送单元1203将情景参数发送至服务器，其中，情景参数是用于生成空气净化器的配置参数的依据，配置参数为空气净化器运行的依据；同时利用第一接收单元接收来自服务器的配置参数；以及利用运行单元根据配置参数运行。相对于相关技术中传统的空气净化器不具备自学习能力，无法根据用户设置的情景参数自动生成满足用户需求的配置参数，而是在用户每次需要使用空气净化器时均需要反复设置空气净化器的功能键导致的空气净化器的使用流程比较繁琐，降低了用户的体验。通过本发明实施例提供的空气净化器的配置参数确定装置可以实现将用户设置的情景参数转换为神经网络模型的输入，根据神经网络模型对输入进行计算得到输出参数，并将输出参数转换为空气净化器的配置参数的目的，达到了用户只需要设置情景参数即可得到符合自己需求的空气净化器配置参数，无需使用空气净化器的功能键对空气净化器的各个功能进行设置，简化了空气净化器的使用流程的技术效果，进而解决了相关技术中空气净化器的智能化程度较低，使用起来比较繁琐导致的用户体验较低的技术问题。
作为本发明一个可选的实施例，上述空气净化器的配置参数确定装置还可以包括：第二接收单元，用于在接收来自服务器的配置参数之前，接收请求消息，其中，请求消息是由空气净化器的用户通过触发空气净化器上的按键生成的请求消息，请求消息表示请求从服务器获取配置参数。
作为本发明一个可选的实施例，上述第三获取单元可以包括以下至少之一：第二获取子单元，用于通过移动终端获取情景参数；第三获取子单元，用于通过空气净化器自身记录的数据获取情景参数。
作为本发明一个可选的实施例，上述运行单元可以包括：接收子单元，用于接收来自移动终端的配置参数，其中，服务器将配置参数发送给移动终端，在移动终端接收到确定使用配置参数控制空气净化器运行的指示信息时，将配置参数发送给空气净化器。
实施例6
根据本发明实施例还提供了一种空气净化器的配置参数确定装置，需要说明的是，本发明实施例的空气净化器的配置参数确定装置可以执行本发明实施例所提供的空气净化器的配置参数确定方法。以下对本发明实施例提供的空气净化器的配置参数确定装置进行介绍。
图13是根据本发明实施例的空气净化器的配置参数确定装置的优选示意图，如图13所示，该空气净化器的配置参数确定装置包括：第三接收单元1301，第四接收单元1303以及第二确定单元1305。下面对该空气净化器的配置参数确定装置进行详细介绍。
第三接收单元1301，用于接收来自服务器的配置参数，其中，配置参数为空气净化器运行的依据，情景参数是用于生成空气净化器的配置参数的依据。
第四接收单元1303，用于接收来自用户的指示信息。
第二确定单元1305，用于根据指示信息确定是否根据配置参数对空气净化器的运行进行配置。
在上述实施例中，可以利用第三接收单元接收来自服务器的配置参数，其中，配置参数为空气净化器运行的依据，情景参数是用于生成空气净化器的配置参数的依据；同时利用第四接收单元接收来自用户的指示信息；并利用第二确定单元根据指示信息确定是否根据配置参数对空气净化器的运行进行配置。相对于相关技术中传统的空气净化器不具备自学习能力，无法根据用户设置的情景参数自动生成满足用户需求的配置参数，而是在用户每次需要使用空气净化器时均需要反复设置空气净化器的功能键导致的空气净化器的使用流程比较繁琐，降低了用户的体验。通过本发明实施例提供的空气净化器的配置参数确定装置可以实现将用户设置的情景参数转换为神经网络模型的输入，根据神经网络模型对输入进行计算得到输出参数，并将输出参数转换为空气净化器的配置参数的目的，达到了用户只需要设置情景参数即可得到符合自己需求的空气净化器配置参数，无需使用空气净化器的功能键对空气净化器的各个功能进行设置，简化了空气净化器的使用流程的技术效果，进而解决了相关技术中空气净化器的智能化程度较低，使用起来比较繁琐导致的用户体验较低的技术问题。
作为本发明一个可选的实施例，上述空气净化器的配置参数确定装置还可以包括：第四接收单元，用于在接收来自服务器的配置参数之前，接收请求消息，其中，请求消息是由空气净化器的用户通过触发空气净化器上的按键生成的请求消息，请求消息表示请求从服务器获取配置参数。
作为本发明一个可选的实施例，上述空气净化器的配置参数确定装置还可以包括：第三发送单元，用于在根据指示信息确定是否根据配置参数对空气净化器的运行进行配置之前，将情景参数发送空气净化器。
作为本发明一个可选的实施例，上述第二确定单元可以包括：第一发送子单元，用于在基于指示信息确定根据配置参数对空气净化器的运行进行配置的情况下，将配置参数发送至空气净化器；第二发送子单元，用于在基于指示信息确定不根据配置参数对空气净化器的运行进行配置的情况下，向服务器发送更新消息，其中，更新消息用于指示服务器更新配置参数。
上述空气净化器的配置参数确定装置包括处理器和存储器，上述第一获取单元1101，第一确定单元1103，第二获取单元1105、第一发送单元1107、第三获取单元1201，第二发送单元1203，第一接收单元1205、运行单元1207、第三接收单元1301，第四接收单元1303以及第二确定单元1305等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数发送配置参数，其中，配置参数用于控制空气净化器的运行。
上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
根据本发明实施例的另外一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，程序执行上述中任意一项的空气净化器的配置参数确定方法。
根据本发明实施例的另外一个方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项的空气净化器的配置参数确定方法。
在本发明实施例中还提供了一种设备，该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取情景参数，其中，情景参数是用于生成空气净化器的配置参数的依据，配置参数为空气净化器运行的依据；将情景参数中的每个参数转换成为神经网络模型的输入，其中，神经网络模型是通过训练数据训练的得到的，每组训练数据均包括：情景参数和在该情景参数下对应的配置参数；获取神经网络模型的输出；将输出转换为配置参数，并将配置参数发送至空气净化器。
在本发明实施例中还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取情景参数，其中，情景参数是用于生成空气净化器的配置参数的依据，配置参数为空气净化器运行的依据；将情景参数中的每个参数转换成为神经网络模型的输入，其中，神经网络模型是通过训练数据训练的得到的，每组训练数据均包括：情景参数和在该情景参数下对应的配置参数；获取神经网络模型的输出；将输出转换为配置参数，并将配置参数发送至空气净化器。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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全部或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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (30)

1.一种空气净化器的配置参数确定方法，其特征在于，包括：
获取情景参数，其中，所述情景参数是用于生成空气净化器的配置参数的依据，所述配置参数为所述空气净化器运行的依据；
将所述情景参数中的每个参数转换成为神经网络模型的输入，其中，所述神经网络模型是通过训练数据训练的得到的，每组训练数据均包括：情景参数和在该情景参数下对应的配置参数；
获取所述神经网络模型的输出；
将所述输出转换为所述配置参数，并将所述配置参数发送至所述空气净化器。
2.根据权利要求1所述的方法，其特征在于，通过所述训练数据训练得到所述神经网络模型包括：
将每组训练数据中的情景参数中的每个参数转换为数值；
将得到的每个情景参数对应的数值分别作为所述神经网络模型的输入层节点；
将所述训练数据中的配置参数中的每个参数转换为数值；
将得到的每个配置参数对应的数据作为所述神经网络模型的输出层节点；
根据所述输入层节点和所述输出层节点进行训练得到所述神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述训练数据是从多个用户收集得到的历史数据中的一部分。
4.根据权利要求3所述的方法，其特征在于，所述历史数据中另一部分作为验证数据，其中，所述验证数据用于对所述神经网络模型进行验证。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，根据所述输入层节点和所述输出层节点进行训练得到所述神经网络模型包括：
确定输出节点是否存在误差；
在所述输出节点存在误差的情况下，从最靠近所述输出层节点的隐含层节点进行参数的调整，一次类推，直到输出与训练数据相符，其中，隐含层包括一层或多层，每个隐含层包括至少一个隐含层节点，每个隐含层节点为一种计算模式，该计算模式中包括有能够对计算进行调整的参数。
6.根据权利要求5所述的方法，其特征在于，从最靠近所述输出层节点的隐含层节点进行参数的调整包括：
获取每个隐含层节点的误差；
在所述误差满足预定条件的情况下，确定所述隐含层节点存在误差，并对所述隐含层节点的参数进行调整。
7.一种空气净化器的配置参数确定方法，其特征在于，包括：
获取空气净化器对应的情景参数，其中，所述情景参数是用于生成所述空气净化器的配置参数的依据，所述配置参数为所述空气净化器运行的依据；
将所述情景参数发送至服务器；
接收来自服务器的配置参数；
根据所述配置参数运行。
8.根据权利要求7所述的方法，其特征在于，在接收来自所述服务器的配置参数之前，还包括：
接收请求消息，其中，所述请求消息是由所述空气净化器的用户通过触发所述空气净化器上的按键生成的请求消息，所述请求消息表示请求从所述服务器获取配置参数。
9.根据权利要求7所述的方法，其特征在于，获取空气净化器对应的情景参数包括以下至少之一：
通过移动终端获取所述情景参数；
通过所述空气净化器自身记录的数据获取所述情景参数。
10.根据权利要求7至9中任意一项所述的方法，其特征在于，根据所述配置参数运行包括：
接收来自移动终端的配置参数，其中，服务器将所述配置参数发送给所述移动终端，在所述移动终端接收到确定使用所述配置参数控制空气净化器运行的指示信息时，将所述配置参数发送给所述空气净化器。
11.一种空气净化器的配置参数确定方法，其特征在于，包括：
接收来自服务器的配置参数，其中，所述配置参数为空气净化器运行的依据，情景参数是用于生成所述空气净化器的配置参数的依据；
接收来自用户的指示信息；
根据所述指示信息确定是否根据配置参数对空气净化器的运行进行配置。
12.根据权利要求11所述的方法，其特征在于，在接收来自所述服务器的配置参数之前，还包括：
接收请求消息，其中，所述请求消息是由所述空气净化器的用户通过触发所述空气净化器上的按键生成的请求消息，所述请求消息表示请求从所述服务器获取配置参数。
13.根据权利要求11所述的方法，其特征在于，在根据所述指示信息确定是否根据所述配置参数对所述空气净化器的运行进行配置之前，还包括：
将所述情景参数发送所述空气净化器。
14.根据权利要求13所述的方法，其特征在于，根据所述指示信息确定是否根据配置参数对空气净化器的运行进行配置包括：
在基于所述指示信息确定根据所述配置参数对所述空气净化器的运行进行配置的情况下，将所述配置参数发送至所述空气净化器；
在基于所述指示信息确定不根据所述配置参数对所述空气净化器的运行进行配置的情况下，向所述服务器发送更新消息，其中，所述更新消息用于指示所述服务器更新所述配置参数。
15.一种空气净化器的配置参数确定装置，其特征在于，包括：
第一获取单元，用于获取情景参数，其中，所述情景参数是用于生成空气净化器的配置参数的依据，所述配置参数为所述空气净化器运行的依据；
第一确定单元，用于将所述情景参数中的每个参数转换成为神经网络模型的输入，其中，所述神经网络模型是通过训练数据训练的得到的，每组训练数据均包括：情景参数和在该情景参数下对应的配置参数；
第二获取单元，用于获取所述神经网络模型的输出；
第一发送单元，用于将所述输出转换为所述配置参数，并将所述配置参数发送至所述空气净化器。
16.根据权利要求15所述的装置，其特征在于，所述第一确定单元包括：
第一转换子单元，用于将每组训练数据中的情景参数中的每个参数转换为数值；
第一确定子单元，用于将得到的每个情景参数对应的数值分别作为所述神经网络模型的输入层节点；
第二转换子单元，用于将所述训练数据中的配置参数中的每个参数转换为数值；
第二确定子单元，用于将得到的每个配置参数对应的数据作为所述神经网络模型的输出层节点；
第一获取子单元，用于根据所述输入层节点和所述输出层节点进行训练得到所述神经网络模型。
17.根据权利要求16所述的装置，其特征在于，所述训练数据是从多个用户收集得到的历史数据中的一部分。
18.根据权利要求17所述的装置，其特征在于，所述历史数据中另一部分作为验证数据，其中，所述验证数据用于对所述神经网络模型进行验证。
19.根据权利要求15至18中任意一项所述的装置，其特征在于，所述第一获取子单元包括：
第一确定模块，用于确定输出节点是否存在误差；
调整模块，用于在所述输出节点存在误差的情况下，从最靠近所述输出层节点的隐含层节点进行参数的调整，一次类推，直到输出与训练数据相符，其中，隐含层包括一层或多层，每个隐含层包括至少一个隐含层节点，每个隐含层节点为一种计算模式，该计算模式中包括有能够对计算进行调整的参数。
20.根据权利要求19所述的装置，其特征在于，所述调整模块包括：
获取子模块，用于获取每个隐含层节点的误差；
调整子模块，用于在所述误差满足预定条件的情况下，确定所述隐含层节点存在误差，并对所述隐含层节点的参数进行调整。
21.一种空气净化器的配置参数确定装置，其特征在于，包括：
第三获取单元，用于获取空气净化器对应的情景参数，其中，所述情景参数是用于生成所述空气净化器的配置参数的依据，所述配置参数为所述空气净化器运行的依据；
第二发送单元，用于将所述情景参数发送至服务器；
第一接收单元，用于接收来自服务器的配置参数；
运行单元，用于根据所述配置参数运行。
22.根据权利要求21所述的装置，其特征在于，还包括：
第二接收单元，用于在接收来自所述服务器的配置参数之前，接收请求消息，其中，所述请求消息是由所述空气净化器的用户通过触发所述空气净化器上的按键生成的请求消息，所述请求消息表示请求从所述服务器获取配置参数。
23.根据权利要求21所述的装置，其特征在于，所述第三获取单元包括以下至少之一：
第二获取子单元，用于通过移动终端获取所述情景参数；
第三获取子单元，用于通过所述空气净化器自身记录的数据获取所述情景参数。
24.根据权利要求21至23中任意一项所述的装置，其特征在于，所述运行单元包括：
接收子单元，用于接收来自移动终端的配置参数，其中，服务器将所述配置参数发送给所述移动终端，在所述移动终端接收到确定使用所述配置参数控制空气净化器运行的指示信息时，将所述配置参数发送给所述空气净化器。
25.一种空气净化器的配置参数确定装置，其特征在于，包括：
第三接收单元，用于接收来自服务器的配置参数，其中，所述配置参数为空气净化器运行的依据，情景参数是用于生成所述空气净化器的配置参数的依据；
第四接收单元，用于接收来自用户的指示信息；
第二确定单元，用于根据所述指示信息确定是否根据配置参数对空气净化器的运行进行配置。
26.根据权利要求25所述的装置，其特征在于，还包括：
第四接收单元，用于在接收来自所述服务器的配置参数之前，接收请求消息，其中，所述请求消息是由所述空气净化器的用户通过触发所述空气净化器上的按键生成的请求消息，所述请求消息表示请求从所述服务器获取配置参数。
27.根据权利要求25所述的装置，其特征在于，还包括：
第三发送单元，用于在根据所述指示信息确定是否根据所述配置参数对所述空气净化器的运行进行配置之前，将所述情景参数发送所述空气净化器。
28.根据权利要求27所述的装置，其特征在于，所述第二确定单元包括：
第一发送子单元，用于在基于所述指示信息确定根据所述配置参数对所述空气净化器的运行进行配置的情况下，将所述配置参数发送至所述空气净化器；
第二发送子单元，用于在基于所述指示信息确定不根据所述配置参数对所述空气净化器的运行进行配置的情况下，向所述服务器发送更新消息，其中，所述更新消息用于指示所述服务器更新所述配置参数。
29.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至14中任意一项所述的空气净化器的配置参数确定方法。
30.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至14中任意一项所述的空气净化器的配置参数确定方法。
CN201810864359.1A 2018-08-01 2018-08-01 空气净化器的配置参数确定方法及装置 Pending CN110793166A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810864359.1A CN110793166A (zh) 2018-08-01 2018-08-01 空气净化器的配置参数确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810864359.1A CN110793166A (zh) 2018-08-01 2018-08-01 空气净化器的配置参数确定方法及装置

Publications (1)

Publication Number Publication Date
CN110793166A true CN110793166A (zh) 2020-02-14

Family

ID=69426053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810864359.1A Pending CN110793166A (zh) 2018-08-01 2018-08-01 空气净化器的配置参数确定方法及装置

Country Status (1)

Country Link
CN (1) CN110793166A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111637607A (zh) * 2020-05-26 2020-09-08 北京海林节能科技股份有限公司 一种改善空气质量的方法及系统
CN111795467A (zh) * 2020-06-08 2020-10-20 珠海格力电器股份有限公司 一种离子净化方法、空调、计算机可读存储介质
CN112416618A (zh) * 2020-11-19 2021-02-26 青岛海尔科技有限公司 应用层数据的传输方法及装置、存储介质、电子装置
WO2022160642A1 (zh) * 2021-01-29 2022-08-04 海尔(深圳)研发有限责任公司 用于空调监控的方法、装置及监控设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000222046A (ja) * 1999-02-01 2000-08-11 Isao Takahashi ニューラルネット温度コントロール装置
CN104165434A (zh) * 2014-07-03 2014-11-26 深圳市赛亿科技开发有限公司 一种空气净化器智能控制方法
CN104456727A (zh) * 2014-11-06 2015-03-25 华北电力大学 一种室内空气质量的显示与净化的方法及设备
CN104596050A (zh) * 2014-12-31 2015-05-06 东莞市炜奥环保科技有限公司 基于云平台的智能空气净化器远程监控系统
CN105371426A (zh) * 2015-10-27 2016-03-02 深圳酷宅科技有限公司 一种智能空气净化系统及其使用方法
CN107599783A (zh) * 2017-09-28 2018-01-19 吉林大学 一种车内环境管理系统及其控制方法
CN107860099A (zh) * 2017-09-15 2018-03-30 珠海格力电器股份有限公司 一种空调的结霜检测方法、装置、存储介质及设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000222046A (ja) * 1999-02-01 2000-08-11 Isao Takahashi ニューラルネット温度コントロール装置
CN104165434A (zh) * 2014-07-03 2014-11-26 深圳市赛亿科技开发有限公司 一种空气净化器智能控制方法
CN104456727A (zh) * 2014-11-06 2015-03-25 华北电力大学 一种室内空气质量的显示与净化的方法及设备
CN104596050A (zh) * 2014-12-31 2015-05-06 东莞市炜奥环保科技有限公司 基于云平台的智能空气净化器远程监控系统
CN105371426A (zh) * 2015-10-27 2016-03-02 深圳酷宅科技有限公司 一种智能空气净化系统及其使用方法
CN107860099A (zh) * 2017-09-15 2018-03-30 珠海格力电器股份有限公司 一种空调的结霜检测方法、装置、存储介质及设备
CN107599783A (zh) * 2017-09-28 2018-01-19 吉林大学 一种车内环境管理系统及其控制方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111637607A (zh) * 2020-05-26 2020-09-08 北京海林节能科技股份有限公司 一种改善空气质量的方法及系统
CN111795467A (zh) * 2020-06-08 2020-10-20 珠海格力电器股份有限公司 一种离子净化方法、空调、计算机可读存储介质
CN111795467B (zh) * 2020-06-08 2021-09-28 格力电器（杭州）有限公司 一种离子净化方法、空调、计算机可读存储介质
CN112416618A (zh) * 2020-11-19 2021-02-26 青岛海尔科技有限公司 应用层数据的传输方法及装置、存储介质、电子装置
WO2022160642A1 (zh) * 2021-01-29 2022-08-04 海尔(深圳)研发有限责任公司 用于空调监控的方法、装置及监控设备

Similar Documents

Publication Publication Date Title
CN110793166A (zh) 空气净化器的配置参数确定方法及装置
CN110836514B (zh) 空调组的控制方法和装置
Guestrin et al. Distributed regression: an efficient framework for modeling sensor network data
Barbato et al. Home energy saving through a user profiling system based on wireless sensors
CN104823121B (zh) 智能控制器内的自动存在检测及与存在相关的控制
Krishnamurthy et al. Social learning and Bayesian games in multiagent signal processing: How do local and global decision makers interact?
CN105068513B (zh) 基于社交网络行为感知的智能家庭能源管理方法
CN103747523A (zh) 一种基于无线网络的用户位置预测系统和方法
CN113110082B (zh) 用于家电控制的方法、装置和家电
KR20200084380A (ko) 인공지능 기반 스마트 홈 에어컨 자동 제어 시스템
CN110793164A (zh) 除湿机的配置参数确定方法及装置
CN108052010B (zh) 智能电器自调节的方法、装置、计算机设备及存储介质
CN106650941B (zh) 一种基于可靠性管理的不确定性消除情景感知系统及其工作方法
CN103731916A (zh) 一种基于无线网络的用户位置预测系统和方法
CN104346451A (zh) 一种基于用户反馈的情景感知系统及其工作方法和应用
CN114781439B (zh) 模型获取系统、手势识别方法、装置、设备及存储介质
CN110793208A (zh) 热水器的配置参数确定方法及装置
CN110794689A (zh) 净水机的配置参数确定方法及装置
Kumar et al. Dual formulations for optimizing Dec-POMDP controllers
CN114690731A (zh) 一种关联场景推荐方法、装置、存储介质及电子装置
KR20210049769A (ko) 인공지능 기반 스마트 홈 에어컨 자동 제어 시스템
CN107976919B (zh) 一种智能机器人控制方法、系统及电子设备
Wichit et al. Multi-sensor data fusion model based Kalman filter using fuzzy logic for human activity detection
CN110806903A (zh) 电饭煲的配置参数确定方法及装置
Fan et al. A data-driven framework for thermal comfort assessment method based on user interaction

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: 20200214

RJ01 Rejection of invention patent application after publication