CN110895390A - 确定家用电器的放置位置的方法及设备 - Google Patents
确定家用电器的放置位置的方法及设备 Download PDFInfo
- Publication number
- CN110895390A CN110895390A CN201811064403.7A CN201811064403A CN110895390A CN 110895390 A CN110895390 A CN 110895390A CN 201811064403 A CN201811064403 A CN 201811064403A CN 110895390 A CN110895390 A CN 110895390A
- Authority
- CN
- China
- Prior art keywords
- prediction result
- air
- training
- data
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000007613 environmental effect Effects 0.000 claims abstract description 28
- 239000000428 dust Substances 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 238000004887 air purification Methods 0.000 abstract description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种确定家用电器的放置位置的方法及设备。其中，该方法包括：采集室内不同位置的环境数据，得到数据集合，其中，环境数据包括如下至少之一：空气粉尘浓度、空气湿度和空气温度；对数据集合进行训练，得到预测结果，其中，预测结果用于表征室内的不同位置在不同时段内的空气情况；基于上述预测结果，输出家用电器的放置位置。本申请解决了由于人工放置空气净化器，使得定位结果不准确造成的空气净化效果不理想，并且还会造成资源浪费的技术问题。
Description
技术领域
本申请涉及智能家电领域，具体而言，涉及一种确定家用电器的放置位置的方法及设备。
背景技术
现有技术中，空气净化器的净化能力有限，因此在一个面积比较大地房间内需要放置多台空气净化器，而同一个房间内不同位置的空气中含有的粉尘浓度是不同的，因此，仅凭经验放置空气净化器，使得定位结果不准确，不但不能达到理想的空气净化效果，还会造成资源的浪费。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种确定家用电器的放置位置的方法及设备，以至少解决由于人工放置空气净化器，使得定位结果不准确造成的空气净化效果不理想，并且还会造成资源浪费的技术问题。
根据本申请实施例的一个方面，提供了一种确定家用电器的放置位置的方法，包括：采集室内不同位置的环境数据，得到数据集合，其中，环境数据包括如下至少之一：空气粉尘浓度、空气湿度和空气温度；对数据集合进行训练，得到预测结果，其中，预测结果用于表征室内的不同位置在不同时段内的空气情况；基于上述预测结果，输出家用电器的放置位置。
可选地，对数据集合进行训练，得到预测结果，包括：对数据集合进行特征提取，得到特征信息；对特征信息进行训练，得到至少一个分类器；基于每个分类器的输出概率进行融合训练，输出预测结果。
可选地，对数据集合进行特征提取，得到特征信息，包括：采用上采样算法对数据集合进行特征提取，得到第一特征集合，并采用栈式自编码对数据集合进行特征提取，得到第二特征集合；其中，第一特征集合和第二特征集合构成特征信息。
可选地，对特征信息进行训练，得到至少一个分类器，包括：将第一特征集合和
第二特征集合分别接入向量机模型和随机森林分类器进行特征训练，得到多个分
类器。
可选地，栈式自编码器为三层堆叠的栈式自编码器。
可选地，基于每个分类器的输出概率进行融合训练，输出预测结果，包括：将每个分类器的输出概率基于神经网络的整合算法来进行融合训练，输出预测结果。
可选地，在环境数据为空气粉尘浓度的情况下，数据集合为室内不同位置的粉尘颗粒浓度。
根据本申请实施例的另一方面，还提供了一种确定家用电器的放置位置的设备，包括：采集器，用于采集室内不同位置的环境数据，得到数据集合，其中，环境数据包括如下至少之一：空气粉尘浓度、空气湿度和空气温度；处理器，用于对数据集合进行训练，得到预测结果，其中，预测结果用于表征室内的不同位置在不同时段内的空气情况；发送装置，用于基于预测结果，输出家用电器的放置位置。
根据本申请实施例的再一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，程序运行时控制存储介质所在的设备执行以上的确定家用电器的放置位置的方法。
根据本申请实施例的再一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行以上的确定家用电器的放置位置的方法。
在本申请实施例中，采用采集室内不同位置的环境数据，得到数据集合，其中，环境数据包括如下至少之一：空气粉尘浓度、空气湿度和空气温度；对数据集合进行训练，得到预测结果，其中，预测结果用于表征室内的不同位置在不同时段内的空气情况；基于上述预测结果，输出家用电器的放置位置的方式，通过采用机器学习模型对室内不同位置的环境数据进行预测，得到室内不同位置不同时段内空气情况，然后依据上述预测得到的室内空气情况确定空气净化器的放置位置，达到了根据室内不同位置的空气情况相应地放置空气净化器的目的，从而实现了尽可能利用数量较少的空气净化器达到最佳空气净化效果的技术效果，进而解决了由于人工放置空气净化器，使得定位结果不准确造成的空气净化效果不理想，并且还会造成资源浪费的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种确定家用电器的放置位置的方法的流程图；
图2是根据本申请实施例的一种对数据集合进行训练的方法的流程图；
图3是根据本申请实施例的一种确定家用电器的放置位置的设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请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，以便这里描述的本申请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。
根据本申请实施例，提供了一种确定家用电器的放置位置的方法实施例，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1是根据本申请实施例的一种确定家用电器的放置位置的方法流程图，如图1所示，该方法包括如下步骤：
步骤S102，采集室内不同位置的环境数据，得到数据集合，其中，环境数据包括如下至少之一：空气粉尘浓度、空气湿度和空气温度。
在本申请的一些可选的实施例中，通过传感器采集室内环境数据，由于一天中不同时刻室内同一位置的空气情况也不同，因此在采集室内环境数据时，可以分几个时间段多次采集，比如可以通过取多次采集得到的空气粉尘浓度的平均值，从而达到更加准确地测量室内不同位置的空气情况的效果。
步骤S104，对数据集合进行训练，得到预测结果，其中，预测结果用于表征室内的不同位置在不同时段内的空气情况。
图2是根据本申请实施例的一种对数据集合进行训练的方法的流程图，如图2所示，该方法包括：
步骤S202，对数据集合进行特征提取，得到特征信息。
根据本申请的一个可选的实施例，步骤S202可以采用以下方法实现：采用上采样算法对数据集合进行特征提取，得到第一特征集合，并采用栈式自编码对数据集合进行特征提取，得到第二特征集合；其中，第一特征集合和第二特征集合构成特征信息。
上采样就是采集模拟信号的样本，采样是将时间上、幅值上都连续的信号，在采样脉冲的作用下，转换成时间、幅值上离散的信号。所以采样又称为波形的离散化过程。采用上采样算法来对不平衡训练样本进行预处理，以减小分类器由于对大类别样本的偏好而产生的预测精度的降低。由于窗户的位置、窗户的面积等因素都会影响室内不同位置空气中粉尘颗粒的浓度，因此，采用上采样算法对数据集合进行特征提取可以大大减小数据集的不平衡性对分类器效果的影响。
栈式自编码器是一个利用输出来重构输入的神经网络模型。对于一个栈式自编码器而言它存在一个隐藏层用来对输入信息进行编码。理论上每个自编码器都是一个无监督的学习模型。假设有一个输入数据x，自编码网络首先将x映射到y。在映射之后，y作为中间输出用于重建x，最终输出z。栈式自编码器模型可以被看作有两部分组成，编码部分和解码部分。当栈式自编码器的隐藏层的维度小于输入维度时，就可以有效地对输入数据进行特征提取。
在本申请的一些可选的实施例中，栈式自编码器为三层堆叠的栈式自编码器。本申请使用了三层堆叠的栈式自编码网络，相比与单层的栈式自编码网络，更加高效的发挥栈式自编码器的特征提取效果。此外由于在本发明中它是一种顺序构建的逐层结构，使用神经网络的全连接层连接。此外，本发明通过将模型中的某些激活单元以某种概率随机设置为零的方式来避免过拟合问题。
步骤S204，对特征信息进行训练，得到至少一个分类器。
在本申请的一些可选的实施例中，步骤S204通过以下方式实现，将第一特征集合和第二特征集合分别接入向量机模型和随机森林分类器进行特征训练，得到多个分类器。
支持向量机是一个有监督的学习模型，主要思想可以概括为两点：针对线性可分情况进行分析，对于线性不可分的情况，通常使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使的高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；基于结构风险最小化理论之上在特征空间中构建最优超平面，使得机器学习得到全局最优化，并且在整个样本空间的期望以某个概率满足一定上界。
随机森林是指利用多颗树对样本数据进行训练并预测的一种分类器。随机森林由许多决策树组成，每颗树分别预测新的数据，随机森林从这些树中提取出平均预测值。
分类是数据挖掘的一种非常重要的方法，分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型(即我们通常所说的分类器)。常见的分类器由决策树分类器、选择树分类器。证据分类器等。将上述第一特征集合接入支持向量机模型进行特征训练，将第二特征集合向量机接入随机森林分类器进行特征训练，通过采用不同的训练模型分别对上述特征集合进行训练，得到多分类器。
将通过上采样算法提取的第一特征集合和通过栈式自编码提取的第二特征集合分别输入支持向量机模型和随机森林分类器进行训练，最终得到四个分类器。根据输入特征和使用分类器的不同分别命名为原始频率特征组合随机森林，原始频率特征组合支持向量机，堆叠式自编码器提取特征组合随机森林及堆叠式自编码器提取特征组合支持向量机。
通过上述步骤，将提取的特征信息分别输入不同的模型进行训练，可以使预测结果更加准确。
步骤S206，基于每个分类器的输出概率进行融合训练，输出预测结果。
在本申请的一些可选的实施例中，步骤S206通过以下方式完成：将每个分类器的输出概率基于神经网络的整合算法来进行融合训练，输出预测结果。
步骤S106，基于预测结果，输出家用电器的放置位置。
根据预测结果，得到室内不同位置的空气情况，可以在空气粉尘浓度含量高地位置相应地设置空气净化器，在空气粉尘浓度含量低地位置可以不放置空气净化器。以达到使用数量最少的空气净化器达到最好的空气净化效果。
根据本申请的一个可选的实施例，在环境数据为空气粉尘浓度的情况下，数据集合为室内不同位置的粉尘颗粒浓度。
通过上述步骤，可以实现根据室内不同位置的空气情况相应地放置空气净化器，不仅提高了空气净化器的净化效率，而且节约了资源。
图3是根据本申请实施例的一种确定家用电器的放置位置的设备的结构图，如图3所示，该设备包括：
采集器30，用于采集室内不同位置的环境数据，得到数据集合，其中，环境数据包括如下至少之一：空气粉尘浓度、空气湿度和空气温度。
在本申请的一些可选的实施例中，通过传感器采集室内环境数据，由于一天中不同时刻室内同一位置的空气情况也不同，因此在采集室内环境数据时，可以分几个时间段多次采集，比如可以通过取多次采集得到的空气粉尘浓度的平均值，从而达到更加准确地测量室内不同位置的空气情况的效果。
处理器32，用于对数据集合进行训练，得到预测结果，其中，预测结果用于表征室内的不同位置在不同时段内的空气情况。
发送装置34，用于基于预测结果，输出家用电器的放置位置。
需要说明的是，图3所示实施例的优选实施例的实施方式可以参见图1至图2所示实施例的实施方式，此处不再赘述。
本申请实施例还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行以上的确定家用电器的放置位置的方法。
上述存储介质用于存储执行以下功能的程序：采集室内不同位置的环境数据，得到数据集合，其中，环境数据包括如下至少之一：空气粉尘浓度、空气湿度和空气温度；对数据集合进行训练，得到预测结果，其中，预测结果用于表征室内的不同位置在不同时段内的空气情况；基于上述预测结果，输出家用电器的放置位置。
本申请实施例还提供了一种处理器，处理器用于运行程序，其中，在程序运行时执行以上的确定家用电器的放置位置的方法。
上述处理器用于执行实现以下功能的程序：采集室内不同位置的环境数据，得到数据集合，其中，环境数据包括如下至少之一：空气粉尘浓度、空气湿度和空气温度；对数据集合进行训练，得到预测结果，其中，预测结果用于表征室内的不同位置在不同时段内的空气情况；基于上述预测结果，输出家用电器的放置位置。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，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，在本申请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，本申请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)执行本申请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。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种确定家用电器的放置位置的方法，其特征在于，包括：
采集室内不同位置的环境数据，得到数据集合，其中，所述环境数据包括如下至少之一：空气粉尘浓度、空气湿度和空气温度；
对所述数据集合进行训练，得到预测结果，其中，所述预测结果用于表征所述室内的不同位置在不同时段内的空气情况；
基于所述预测结果，输出家用电器的放置位置。
2.根据权利要求1所述的方法，其特征在于，对所述数据集合进行训练，得到预测结果，包括：
对所述数据集合进行特征提取，得到特征信息；
对所述特征信息进行训练，得到至少一个分类器；
基于每个分类器的输出概率进行融合训练，输出所述预测结果。
3.根据权利要求2所述的方法，其特征在于，对所述数据集合进行特征提取，得到特征信息，包括：
采用上采样算法对所述数据集合进行特征提取，得到第一特征集合，并采用栈式自编码对所述数据集合进行特征提取，得到第二特征集合；
其中，所述第一特征集合和所述第二特征集合构成所述特征信息。
4.根据权利要求3所述的方法，其特征在于，对所述特征信息进行训练，得到至少一个分类器，包括：
将所述第一特征集合和所述第二特征集合分别接入向量机模型和随机森林分类器进行特征训练，得到多个分类器。
5.根据权利要求3所述的方法，其特征在于，所述栈式自编码器为三层堆叠的栈式自编码器。
6.根据权利要求2所述的方法，其特征在于，基于每个分类器的输出概率进行融合训练，输出所述预测结果，包括：
将所述每个分类器的输出概率基于神经网络的整合算法来进行所述融合训练，输出所述预测结果。
7.根据权利要求1所述的方法，其特征在于，在所述环境数据为所述空气粉尘浓度的情况下，所述数据集合为所述室内不同位置的粉尘颗粒浓度。
8.一种确定家用电器的放置位置的设备，其特征在于，包括：
采集器，用于采集室内不同位置的环境数据，得到数据集合，其中，所述环境数据包括如下至少之一：空气粉尘浓度、空气湿度和空气温度；
处理器，用于对所述数据集合进行训练，得到预测结果，其中，所述预测结果用于表征所述室内的不同位置在不同时段内的空气情况；
发送装置，用于基于所述预测结果，输出家用电器的放置位置。
9.一种存储介质，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7中任意一项所述的确定家用电器的放置位置的方法。
10.一种处理器，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7中任意一项所述的确定家用电器的放置位置的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811064403.7A CN110895390A (zh) | 2018-09-12 | 2018-09-12 | 确定家用电器的放置位置的方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811064403.7A CN110895390A (zh) | 2018-09-12 | 2018-09-12 | 确定家用电器的放置位置的方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110895390A true CN110895390A (zh) | 2020-03-20 |
Family
ID=69785000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811064403.7A Pending CN110895390A (zh) | 2018-09-12 | 2018-09-12 | 确定家用电器的放置位置的方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110895390A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102589092A (zh) * | 2012-03-12 | 2012-07-18 | 山东建筑大学 | 基于新型模糊控制器的室内环境热舒适度控制方法 |
| CN107477769A (zh) * | 2017-07-01 | 2017-12-15 | 珠海格力电器股份有限公司 | 检测空气质量方法及装置、空气净化器控制方法及装置 |
| CN107577924A (zh) * | 2017-10-13 | 2018-01-12 | 上海交通大学 | 一种基于深度学习的长链非编码rna亚细胞位置预测算法 |
| CN107702267A (zh) * | 2017-08-18 | 2018-02-16 | 珠海格力电器股份有限公司 | 空气净化方法、装置、系统及计算机可读存储介质 |
| CN108253587A (zh) * | 2017-11-29 | 2018-07-06 | 珠海格力电器股份有限公司 | 空气清洁度的调整方法及装置 |
| CN108399470A (zh) * | 2018-02-09 | 2018-08-14 | 苏州科技大学 | 一种基于多示例遗传神经网络的室内pm2.5预测方法 |
-
2018
- 2018-09-12 CN CN201811064403.7A patent/CN110895390A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102589092A (zh) * | 2012-03-12 | 2012-07-18 | 山东建筑大学 | 基于新型模糊控制器的室内环境热舒适度控制方法 |
| CN107477769A (zh) * | 2017-07-01 | 2017-12-15 | 珠海格力电器股份有限公司 | 检测空气质量方法及装置、空气净化器控制方法及装置 |
| CN107702267A (zh) * | 2017-08-18 | 2018-02-16 | 珠海格力电器股份有限公司 | 空气净化方法、装置、系统及计算机可读存储介质 |
| CN107577924A (zh) * | 2017-10-13 | 2018-01-12 | 上海交通大学 | 一种基于深度学习的长链非编码rna亚细胞位置预测算法 |
| CN108253587A (zh) * | 2017-11-29 | 2018-07-06 | 珠海格力电器股份有限公司 | 空气清洁度的调整方法及装置 |
| CN108399470A (zh) * | 2018-02-09 | 2018-08-14 | 苏州科技大学 | 一种基于多示例遗传神经网络的室内pm2.5预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Scheiner et al. | The underpinnings of the relationship of species richness with space and time | |
| CN111612650B (zh) | 一种基于dtw距离的电力用户分群方法及系统 | |
| CN109586950B (zh) | 网络场景识别方法、网络管理设备、系统及存储介质 | |
| CN104408667B (zh) | 一种电能质量综合评估的方法和系统 | |
| MacLeod et al. | Measuring partner choice in plant–pollinator networks: using null models to separate rewiring and fidelity from chance | |
| Tourne et al. | Strategies to optimize modeling habitat suitability of Bertholletia excelsa in the Pan‐Amazonia | |
| CN111815060A (zh) | 一种用电地区短期负荷预测方法及装置 | |
| Økland | Persistence of vascular plants in a Norwegian boreal coniferous forest | |
| CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
| de la Estrella et al. | Legume diversity patterns in West Central Africa: influence of species biology on distribution models | |
| CN112527572A (zh) | 磁盘故障预测方法、装置、计算机可读存储介质及服务器 | |
| Belluau et al. | Predicting habitat affinities of herbaceous dicots to soil wetness based on physiological traits of drought tolerance | |
| da Fonseca Silveira et al. | Educational data mining: Analysis of drop out of engineering majors at the UnB-Brazil | |
| CN102831149A (zh) | 样本分析方法、装置及存储介质 | |
| Freitas et al. | Urbanization alters the composition, but not the diversity and structure, of Neotropical savanna woody plant communities | |
| Cipriotti et al. | Nonparametric upscaling of stochastic simulation models using transition matrices | |
| Didion et al. | Potentials and limitations of using large-scale forest inventory data for evaluating forest succession models | |
| CN117973953A (zh) | 居民温控负荷的需求响应潜力预测模型的构建方法和装置 | |
| CN110895390A (zh) | 确定家用电器的放置位置的方法及设备 | |
| CN117665474A (zh) | 电缆状态评估方法及其装置、电子设备及存储介质 | |
| CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
| KR20210064629A (ko) | 인공 신경망을 기반으로 하는 환기 모드 예측 방법 및 시스템 | |
| Zenner et al. | Combining ecological classification systems and conservation filters could facilitate the integration of wildlife and forest management | |
| CN115034839A (zh) | 办公区域状态的检测方法、装置和存储介质及电子设备 | |
| Lacerda et al. | Multi-objective forest harvesting under sustainable and economic principles |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200320 |