CN110941188A - 智能家居控制方法及装置 - Google Patents
智能家居控制方法及装置 Download PDFInfo
- Publication number
- CN110941188A CN110941188A CN201811116940.1A CN201811116940A CN110941188A CN 110941188 A CN110941188 A CN 110941188A CN 201811116940 A CN201811116940 A CN 201811116940A CN 110941188 A CN110941188 A CN 110941188A
- Authority
- CN
- China
- Prior art keywords
- training data
- training
- reverse
- recognition
- recognition model
- 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
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], computer integrated manufacturing [CIM]
- G05B19/41845—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], computer integrated manufacturing [CIM] characterised by system universality, reconfigurability, modularity
-
- 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]
Abstract
本发明公开了一种智能家居控制方法及装置。其中,该方法包括:获取智能家居工作环境下的目标信息;将目标信息输入识别模型,由识别模型输出目标识别结果,其中,识别模型为使用多组正向训练数据和多组反向训练数据,通过机器学习训练得出的,多组正向训练数据中的每组数据均包括:正向训练样本和正向训练样本对应的识别结果,多组反向训练数据中的每组数据均包括:反向训练样本和反向训练样本的识别结果;根据识别结果控制智能家居。本发明解决了现有技术中识别能力低造成的智能家居控制效果差的技术问题。
Description
技术领域
本发明涉及智能家居控制领域,具体而言,涉及一种智能家居控制方法及装置。
背景技术
人工智能技术发展迅速,智能家居对用户生活的影响也越来越大,应用便捷性逐步升级,而在一些服务细节上应用性还有待于进一步提高。如智能家居在进行智能识别时,仅仅通过用于对识别模型进行训练的正常样本,正常样本的训练过的识别模型对对抗样本的识别错误率很高,对于对抗样本的识别能力十分低下,严重影响识别的精确度。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种智能家居控制方法及装置,以至少解决现有技术中识别能力低造成的智能家居控制效果差的技术问题。
根据本发明实施例的一个方面,提供了一种智能家居控制方法,包括:获取智能家居工作环境下的目标信息;将所述目标信息输入识别模型,由所述识别模型输出目标识别结果,其中,所述识别模型为使用多组正向训练数据和多组反向训练数据,通过机器学习训练得出的,所述多组正向训练数据中的每组数据均包括:正向训练样本和所述正向训练样本对应的识别结果,所述多组反向训练数据中的每组数据均包括:反向训练样本和所述反向训练样本的识别结果;根据所述识别结果控制智能家居。
可选地,将所述目标信息输入识别模型,由所述识别模型输出目标识别结果之前包括:建立识别模型,通过多组正向训练数据和多组反向训练数据进行训练,直至模型收敛。
可选地,通过多组正向训练数据和多组反向训练数据进行训练之前包括:根据所述目标信息确定所述多组正向训练数据和多组反向训练数据。
可选地,通过多组正向训练数据和多组反向训练数据进行训练包括:确定对应的正向训练数据和反向训练数据;根据所述正向训练数据和反向训练数据同时对所述识别模型进行训练。
根据本发明实施例的另一方面,还提供了一种智能家居控制装置,包括:获取模块,用于获取智能家居工作环境下的目标信息;识别模块,用于将所述目标信息输入识别模型,由所述识别模型输出目标识别结果,其中,所述识别模型为使用多组正向训练数据和多组反向训练数据,通过机器学习训练得出的,所述多组正向训练数据中的每组数据均包括:正向训练样本和所述正向训练样本对应的识别结果,所述多组反向训练数据中的每组数据均包括:反向训练样本和所述反向训练样本的识别结果;控制模块,用于根据所述识别结果控制智能家居。
可选地,该装置包括:建立模块,用于建立识别模型,通过多组正向训练数据和多组反向训练数据进行训练,直至模型收敛。
可选地,该装置包括:确定模块,用于根据所述目标信息确定所述多组正向训练数据和多组反向训练数据。
可选地,识别模块包括:确定单元,用于确定对应的正向训练数据和反向训练数据;训练单元,根据所述正向训练数据和反向训练数据同时对所述识别模型进行训练。
根据本发明实施例的另一方面,还提供了一种存储介质,所述存储介质存储有程序指令,其中,在所述程序指令运行时控制所述存储介质所在设备执行上述中任意一项所述的方法。
根据本发明实施例的另一方面,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方法。
在本发明实施例中,采用获取智能家居工作环境下的目标信息;将目标信息输入识别模型,由识别模型输出目标识别结果,其中,识别模型为使用多组正向训练数据和多组反向训练数据,通过机器学习训练得出的,多组正向训练数据中的每组数据均包括:正向训练样本和正向训练样本对应的识别结果,多组反向训练数据中的每组数据均包括:反向训练样本和反向训练样本的识别结果;根据识别结果控制智能家居的方式,通过识别模型识别输入的目标信息,达到了提高识别准确率和识别精度的目的,从而实现了准确地控制智能家居的技术效果,进而解决了现有技术中识别能力低造成的智能家居控制效果差的技术问题。
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智能家居控制方法的流程图;
图2是根据本发明实施例的智能家居控制装置的结构示意图。
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。
根据本发明实施例,提供了一种智能家居控制方法的实施例,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是根据本发明实施例的智能家居控制方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取智能家居工作环境下的目标信息;
步骤S104,将目标信息输入识别模型,由识别模型输出目标识别结果,其中,识别模型为使用多组正向训练数据和多组反向训练数据,通过机器学习训练得出的,多组正向训练数据中的每组数据均包括:正向训练样本和正向训练样本对应的识别结果,多组反向训练数据中的每组数据均包括:反向训练样本和反向训练样本的识别结果;
步骤S106,根据识别结果控制智能家居。
通过上述步骤,可以获取智能家居工作环境下的目标信息;将目标信息输入识别模型,由识别模型输出目标识别结果,其中,识别模型为使用多组正向训练数据和多组反向训练数据,通过机器学习训练得出的,多组正向训练数据中的每组数据均包括:正向训练样本和正向训练样本对应的识别结果,多组反向训练数据中的每组数据均包括:反向训练样本和反向训练样本的识别结果;根据识别结果控制智能家居的方式,通过识别模型识别输入的目标信息,达到了提高识别准确率和识别精度的目的,从而实现了准确地控制智能家居的技术效果,进而解决了现有技术中识别能力低造成的智能家居控制效果差的技术问题。
上述实现获取智能家居工作环境下的目标信息,其中,目标信息可以为用于对智能家居进行控制的信息,该目标信息包括语音信息、图像信息等。上述目标特征可以是语音信息、图像信息之一或者两者的结合,还可以是除语音信息和图像信息以外的其他信息。需要说明的是,在上述采集目标信息之后,可以对采集到的目标信息进行预处理,使得到的目标信息中保留目标特征,其中,目标特征是用于识别模型识别的特征。根据目标特征的不同可以将目标信息分为真正的控制指令的目标信息和虚假的控制指令的目标信息。虚假的控制指令的目标信息可能接近于真正的控制指令的目标信息,但并不能控制智能家居,很容易被错误的认为是真正的控制指令的目标信息。
在对上述识别模型进行训练时,可以采用对抗训练,可以将用于训练的目标特征分为正向训练样本和反向训练样本。正向训练样本为目标信息中真正的智能家居控制指令信息,对应反向训练样本为目标信息中虚假的智能家居控制指令信息。正向训练数据中的每组数据均包括:正向训练样本和正向训练样本对应的识别结果,多组反向训练数据中的每组数据均包括:反向训练样本和反向训练样本的识别结果。经过大量训练得到的识别模型,可以有效识别输入的目标信息,得到相对应的识别结果。通过上述训练得到的识别模型,能够降低识别错误率,提高识别精度和准确率。
进一步地,根据识别结果对智能家居进行控制。需要说明的是,对于不同的识别结果与其相对应的控制指令也是不同的。例如,每一种识别结果都存在一种控制指令,该控制指令可以是有效指令,也可以是无效指令。若识别结果为有效的控制指令信息,则智能家居执行相应的命令;若识别结果为无效的控制指令信息,则智能家居不会执行相应的命令。例如,若手势为手掌张开,五指并拢控制空调开启,若采集的图像信息中的手势为手掌张开,五指不完全并拢,输入上述识别模型中,能够准确的得到该图像信息中的指令为虚假的空调开启指令,进而空调不会开启。
相比于现有技术,根据本发明的智能家居基于对抗训练的智能识别方法,在进行智能识别时,可以根据获取的正常样本数据,和与正常样本对应的对抗样本数据对识别模型进行训练,有效提高识别模型的识别精度和准确率。该技术可用于智能家居识别领域,包括身份识别和信息识别,用于进行贴心的人性化服务,提升用户体验。
可选地,将目标信息输入识别模型,由识别模型输出目标识别结果之前包括:建立识别模型,通过多组正向训练数据和多组反向训练数据进行训练,直至模型收敛。
在建立识别模型时,由于该识别模型是基于卷积神经网络而建立的,其中,需要设计好识别模型的结构以及具体核函数,并且选择合适参数。然后,利用多组正向训练数据和多组反向训练数据对建立的识别模型进行大量的训练,直至识别模型收敛。需要说明的是,经过多组正向训练数据和多组反向训练数据对识别模型的训练,能够大大减少识别模型过拟合的可能性,提高了识别的准确率。
可选地,通过多组正向训练数据和多组反向训练数据进行训练之前包括:根据目标信息确定多组正向训练数据和多组反向训练数据。
由于对采集到的目标信息进行预处理,使得到的目标信息中保留目标特征,将采集到的经过与处理的目标信息用于训练识别模型。根据目标特征的不同,进而由待训练的目标信息得到正向训练数据和反向训练数据。为了提高模型的识别准确性,需要对大量的正向训练数据和反向训练数据进行训练。其中,正向训练数据包括:正向训练样本和正向训练样本对应的识别结果,反向训练数据包括:反向训练样本和反向训练样本的识别结果。需要说明的是,输入识别模型的目标信息会产生与该目标信息对应的识别结果,例如,在使用目标信息对智能家居控制中,每一个目标信息都会对应相应的控制指令,该控制指令可以为有效控制指令,也可以是无效控制指令。
可选地,通过多组正向训练数据和多组反向训练数据进行训练包括:确定对应的正向训练数据和反向训练数据;根据正向训练数据和反向训练数据同时对识别模型进行训练。
在通过多组正向训练数据和多组反向训练数据进行训练时,在确定正向训练数据和反向训练数据情况下,可以分别使用正向训练数据和反向训练数据对识别模型进行训练。由于本发明提前将待训练的目标数据进行分类,进而得到正向训练数据和反向训练数据能够同时输入识别模型,对识别模型进行训练。在不影响识别模型识别效果的情况下,大大提高了训练识别模型的效率。
图2是根据本发明实施例的智能家居控制装置的结构示意图;如图2所示,该智能家居控制装置,包括:获取模块22,识别模块24和控制模块26。下面对该智能家居控制装置进行详细说明。
获取模块22,用于获取智能家居工作环境下的目标信息;识别模块24,与上述获取模块22连接,用于将目标信息输入识别模型,由识别模型输出目标识别结果,其中,识别模型为使用多组正向训练数据和多组反向训练数据,通过机器学习训练得出的,多组正向训练数据中的每组数据均包括:正向训练样本和正向训练样本对应的识别结果,多组反向训练数据中的每组数据均包括:反向训练样本和反向训练样本的识别结果;控制模块26,与上述识别模块24连接,用于根据识别结果控制智能家居。
通过上述智能家居控制装置,可以实现获取智能家居工作环境下的目标信息,其中,目标信息为可用于对智能家居进行控制的信息,该目标信息包括语音信息、图像信息等。具体地,上述目标特征可以是语音信息、图像信息之一或者两者的结合,还可以是除语音信息和图像信息以外的其他信息。需要说明的是,对采集到的目标信息进行预处理,使得到的目标信息中保留目标特征,其中,目标特征是识别模型能够识别出来的目标信息的主要特征。根据目标特征的不同可以将目标信息分为真正的控制指令的目标信息和虚假的控制指令的目标信息。虚假的控制指令的目标信息可能接近于真正的控制指令的目标信息,但并不能控制智能家居,很容易被错误的认为是真正的控制指令的目标信息。
在对上述识别模型进行训练时,将用于训练的目标特征分为正向训练样本和反向训练样本。正向训练样本为目标信息中真正的智能家居控制指令信息,对应反向训练样本为目标信息中虚假的智能家居控制指令信息。正向训练数据中的每组数据均包括:正向训练样本和正向训练样本对应的识别结果,多组反向训练数据中的每组数据均包括:反向训练样本和反向训练样本的识别结果。经过大量训练得到的识别模型,可以有效识别输入的目标信息,得到相对应的识别结果。通过上述训练得到的识别模型,能够降低识别错误率,提高识别精度和准确率。
进一步地,根据识别结果对智能家居进行控制,其中,识别结果包括识别正向训练样本得到的其对应的识别结果,以及识别反向训练样本得到其对应的识别结果。需要说明的是,对于不同的识别结果与其相对应的控制指令也是不同的,具体地,每一种识别结果都存在一种控制指令,该控制指令可以是有效指令,也可以是无效指令。若识别结果为有效的控制指令信息,则智能家居执行相应的命令;若识别结果为无效的控制指令信息,则智能家居不会执行相应的命令。例如,若手势为手掌张开,五指并拢控制空调开启,若采集的图像信息中的手势为手掌张开,五指不完全并拢,输入上述识别模型中,能够准确的得到该图像信息中的指令为虚假的空调开启指令,进而空调不会开启。
可选地,该装置包括:建立模块,用于建立识别模型,通过多组正向训练数据和多组反向训练数据进行训练,直至模型收敛。
在建立识别模型时,由于该识别模型是基于卷积神经网络而建立的,其中,需要设计好识别模型的结构以及具体核函数,并且选择合适参数。然后,利用多组正向训练数据和多组反向训练数据对建立的识别模型进行大量的训练,直至识别模型收敛。需要说明的是,经过多组正向训练数据和多组反向训练数据对识别模型的训练,能够大大减少识别模型过拟合的可能性,提高了识别的准确率。
可选地,该装置包括:确定模块,用于根据目标信息确定多组正向训练数据和多组反向训练数据。
由于对采集到的目标信息进行预处理,使得到的目标信息中保留目标特征,将采集到的经过与处理的目标信息用于训练识别模型。根据目标特征的不同,进而由待训练的目标信息得到正向训练数据和反向训练数据。为了提高模型的识别准确性,需要对大量的正向训练数据和反向训练数据进行训练。其中,正向训练数据包括:正向训练样本和正向训练样本对应的识别结果,反向训练数据包括:反向训练样本和反向训练样本的识别结果。需要说明的是,输入识别模型的目标信息会产生与该目标信息对应的识别结果,例如,在使用目标信息对智能家居控制中,每一个目标信息都会对应相应的控制指令,该控制指令可以为有效控制指令,也可以是无效控制指令。
可选地,识别模块包括:确定单元,用于确定对应的正向训练数据和反向训练数据;训练单元,根据正向训练数据和反向训练数据同时对识别模型进行训练。
在通过多组正向训练数据和多组反向训练数据进行训练时,在确定正向训练数据和反向训练数据情况下,可以分别使用正向训练数据和反向训练数据对识别模型进行训练。由于本发明提前将待训练的目标数据进行分类,进而得到正向训练数据和反向训练数据能够同时输入识别模型,对识别模型进行训练。在不影响识别模型识别效果的情况下,大大提高了训练识别模型的效率。
根据本发明实施例的另一方面,还提供了一种存储介质,存储介质存储有程序指令,其中,在程序指令运行时控制存储介质所在设备执行上述中任意一项的方法。
根据本发明实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述中任意一项的方法。
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 (10)
1.一种智能家居控制方法,其特征在于,包括:
获取智能家居工作环境下的目标信息;
将所述目标信息输入识别模型,由所述识别模型输出目标识别结果,其中,所述识别模型为使用多组正向训练数据和多组反向训练数据,通过机器学习训练得出的,所述多组正向训练数据中的每组数据均包括:正向训练样本和所述正向训练样本对应的识别结果,所述多组反向训练数据中的每组数据均包括:反向训练样本和所述反向训练样本的识别结果;
根据所述识别结果控制智能家居。
2.根据权利要求1所述的方法,其特征在于,将所述目标信息输入识别模型,由所述识别模型输出目标识别结果之前包括:
建立识别模型,通过多组正向训练数据和多组反向训练数据进行训练,直至模型收敛。
3.根据权利要求2所述的方法,其特征在于,通过多组正向训练数据和多组反向训练数据进行训练之前包括:
根据所述目标信息确定所述多组正向训练数据和多组反向训练数据。
4.根据权利要求1至3中任意一项所述的方法,其特征在于,通过多组正向训练数据和多组反向训练数据进行训练包括:
确定对应的正向训练数据和反向训练数据;
根据所述正向训练数据和反向训练数据同时对所述识别模型进行训练。
5.一种智能家居控制装置,其特征在于,包括:
获取模块,用于获取智能家居工作环境下的目标信息;
识别模块,用于将所述目标信息输入识别模型,由所述识别模型输出目标识别结果,其中,所述识别模型为使用多组正向训练数据和多组反向训练数据,通过机器学习训练得出的,所述多组正向训练数据中的每组数据均包括:正向训练样本和所述正向训练样本对应的识别结果,所述多组反向训练数据中的每组数据均包括:反向训练样本和所述反向训练样本的识别结果;
控制模块,用于根据所述识别结果控制智能家居。
6.根据权利要求5所述的装置,其特征在于,该装置包括:
建立模块,用于建立识别模型,通过多组正向训练数据和多组反向训练数据进行训练,直至模型收敛。
7.根据权利要求6所述的装置,其特征在于,该装置包括:
确定模块,用于根据所述目标信息确定所述多组正向训练数据和多组反向训练数据。
8.根据权利要求5至7中任意一项所述的装置,其特征在于,识别模块包括:
确定单元,用于确定对应的正向训练数据和反向训练数据;
训练单元,根据所述正向训练数据和反向训练数据同时对所述识别模型进行训练。
9.一种存储介质,其特征在于,所述存储介质存储有程序指令,其中,在所述程序指令运行时控制所述存储介质所在设备执行权利要求1至4中任意一项所述的方法。
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4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811116940.1A CN110941188A (zh) | 2018-09-25 | 2018-09-25 | 智能家居控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811116940.1A CN110941188A (zh) | 2018-09-25 | 2018-09-25 | 智能家居控制方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110941188A true CN110941188A (zh) | 2020-03-31 |
Family
ID=69904440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811116940.1A Pending CN110941188A (zh) | 2018-09-25 | 2018-09-25 | 智能家居控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110941188A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251859A (zh) * | 2016-07-22 | 2016-12-21 | 百度在线网络技术(北京)有限公司 | 语音识别处理方法和装置 |
CN107229930A (zh) * | 2017-04-28 | 2017-10-03 | 北京化工大学 | 一种指针式仪表数值智能识别方法及装置 |
US20170316281A1 (en) * | 2016-04-28 | 2017-11-02 | Microsoft Technology Licensing, Llc | Neural network image classifier |
CN107702273A (zh) * | 2017-09-20 | 2018-02-16 | 珠海格力电器股份有限公司 | 空调控制方法和装置 |
CN107832353A (zh) * | 2017-10-23 | 2018-03-23 | 同济大学 | 一种社交媒体平台虚假信息识别方法 |
CN107845092A (zh) * | 2017-11-14 | 2018-03-27 | 深圳码隆科技有限公司 | 服装logo效果检测方法、装置及电子设备 |
CN108039171A (zh) * | 2018-01-08 | 2018-05-15 | 珠海格力电器股份有限公司 | 语音控制方法及装置 |
CN108038452A (zh) * | 2017-12-15 | 2018-05-15 | 厦门瑞为信息技术有限公司 | 一种基于局部图像增强的家电手势快速检测识别方法 |
CN108195039A (zh) * | 2017-11-29 | 2018-06-22 | 珠海格力电器股份有限公司 | 空调控制方法及装置 |
US20180202678A1 (en) * | 2017-01-17 | 2018-07-19 | International Business Machines Corporation | Regulating environmental conditions within an event venue |
US20180225823A1 (en) * | 2017-02-09 | 2018-08-09 | Siemens Healthcare Gmbh | Adversarial and Dual Inverse Deep Learning Networks for Medical Image Analysis |
-
2018
- 2018-09-25 CN CN201811116940.1A patent/CN110941188A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170316281A1 (en) * | 2016-04-28 | 2017-11-02 | Microsoft Technology Licensing, Llc | Neural network image classifier |
CN106251859A (zh) * | 2016-07-22 | 2016-12-21 | 百度在线网络技术(北京)有限公司 | 语音识别处理方法和装置 |
US20180202678A1 (en) * | 2017-01-17 | 2018-07-19 | International Business Machines Corporation | Regulating environmental conditions within an event venue |
US20180225823A1 (en) * | 2017-02-09 | 2018-08-09 | Siemens Healthcare Gmbh | Adversarial and Dual Inverse Deep Learning Networks for Medical Image Analysis |
CN107229930A (zh) * | 2017-04-28 | 2017-10-03 | 北京化工大学 | 一种指针式仪表数值智能识别方法及装置 |
CN107702273A (zh) * | 2017-09-20 | 2018-02-16 | 珠海格力电器股份有限公司 | 空调控制方法和装置 |
CN107832353A (zh) * | 2017-10-23 | 2018-03-23 | 同济大学 | 一种社交媒体平台虚假信息识别方法 |
CN107845092A (zh) * | 2017-11-14 | 2018-03-27 | 深圳码隆科技有限公司 | 服装logo效果检测方法、装置及电子设备 |
CN108195039A (zh) * | 2017-11-29 | 2018-06-22 | 珠海格力电器股份有限公司 | 空调控制方法及装置 |
CN108038452A (zh) * | 2017-12-15 | 2018-05-15 | 厦门瑞为信息技术有限公司 | 一种基于局部图像增强的家电手势快速检测识别方法 |
CN108039171A (zh) * | 2018-01-08 | 2018-05-15 | 珠海格力电器股份有限公司 | 语音控制方法及装置 |
Non-Patent Citations (1)
Title |
---|
李弼程 等: "《模式识别原理与应用》", 29 February 2008, 西安电子科技大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110970018B (zh) | 语音识别方法和装置 | |
CN110147878B (zh) | 数据处理方法、装置及设备 | |
CN109194689B (zh) | 异常行为识别方法、装置、服务器及存储介质 | |
CN111413877A (zh) | 控制家电设备的方法及装置 | |
CN112116910A (zh) | 语音指令的识别方法和装置、存储介质、电子装置 | |
CN110741387A (zh) | 人脸识别方法、装置、存储介质及电子设备 | |
CN110953721A (zh) | 热水器的控制方法及装置、热水器 | |
CN113205802B (zh) | 语音识别模型的更新方法、家用电器及服务器 | |
CN108810551B (zh) | 一种视频帧预测方法、终端及计算机存储介质 | |
CN113836944A (zh) | 用于智能设备的控制方法、系统及其装置、电子设备 | |
CN110866094A (zh) | 指令识别方法、装置、存储介质、电子装置 | |
CN113095506A (zh) | 基于端、边及云协同的机器学习方法、系统及介质 | |
CN112765981A (zh) | 一种文本信息的生成方法和装置 | |
CN111680514B (zh) | 信息处理和模型训练方法、装置、设备及存储介质 | |
CN110941187A (zh) | 家电控制方法及装置 | |
CN110941188A (zh) | 智能家居控制方法及装置 | |
CN114372383B (zh) | 一种基于vr仿真场景的场景快速切换方法及系统 | |
CN106373121A (zh) | 模糊图像识别方法和装置 | |
CN110970019A (zh) | 智能家居系统的控制方法和装置 | |
CN115222047A (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN111128135B (zh) | 语音交流方法及装置 | |
CN109255016A (zh) | 基于深度学习的应答方法、装置及计算机可读存储介质 | |
CN103984415A (zh) | 一种信息处理方法及电子设备 | |
CN109726532B (zh) | 一种基于人工智能行为预测的安全管理方法 | |
CN111369985A (zh) | 语音交互方法、装置、设备和介质 |
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: 20200331 |