CN110953681B - 一种控制空调的方法、装置及存储介质 - Google Patents
一种控制空调的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110953681B CN110953681B CN201911259562.7A CN201911259562A CN110953681B CN 110953681 B CN110953681 B CN 110953681B CN 201911259562 A CN201911259562 A CN 201911259562A CN 110953681 B CN110953681 B CN 110953681B
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- user
- classifier
- layer
- sleep state
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013136 deep learning model Methods 0.000 claims abstract description 85
- 238000004378 air conditioning Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 206010062519 Poor quality sleep Diseases 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 230000036544 posture Effects 0.000 description 20
- 210000004556 brain Anatomy 0.000 description 16
- 238000004891 communication Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
-
- 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
-
- 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
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
-
- 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
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
-
- 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
- F24F11/88—Electrical aspects, e.g. circuits
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2120/00—Control inputs relating to users or occupants
- F24F2120/20—Feedback from users
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本公开涉及空调技术领域，特别地涉及一种控制空调的方法、装置及存储介质。所述方法包括：获取反映用户当前睡眠状态的用户生理数据和当前的室内温度；其中，所述用户生理数据包括用户脑电波数据；将所述用户生理数据和所述室内温度输入预先训练完成的深度学习模型中，以获取所述深度学习模型输出的空调控制参数；基于所述空调控制参数控制所述空调。
Description
技术领域
本公开涉及空调技术领域，特别地涉及一种控制空调的方法、装置及存储介质。
背景技术
为了防止用户在睡眠中感冒，现在很多空调都有睡眠模式。在一种相关技术中，空调通过红外摄像头捕捉用户的睡眠姿态，进而根据睡眠姿态来控制空调。例如，如果发现用户是睡眠姿态蜷缩，则控制空调的温度升高；或者，如果发现用户的睡眠姿态频繁改变，即用户频繁地翻来覆去，则控制空调的温度降低。
但是，仅仅考虑睡眠姿态来控制空调并不够智能。例如用户的睡眠姿态频繁改变，其原因可能是用户处于浅度睡眠，而不是因为用户感觉热，那么在此种情况下降低空调温度和/或增大风速，就可能导致用户感冒。
所以，现有技术中，空调睡眠模式调整方式仍然存在考虑因素单一进而控制不够智能的技术问题。
发明内容
本公开提供一种控制空调的方法、装置及存储介质，以解决相关技术中空调睡眠模式考虑因素单一进而控制不够智能的技术问题。
为实现上述目的，本公开实施例的第一方面，提供一种控制空调的方法，所述方法包括：
获取反映用户当前睡眠状态的用户生理数据和当前的室内温度；其中，所述用户生理数据包括用户脑电波数据；
将所述用户生理数据和所述室内温度输入预先训练完成的深度学习模型中，以获取所述深度学习模型输出的空调控制参数；
基于所述空调控制参数控制所述空调。
可选的，所述深度学习模型包括第一层分类器和第二层分类器，所述第一层分类器用于基于输入的所述用户生理数据以确定所述用户当前睡眠状态，所述睡眠状态包括未睡眠状态、浅度睡眠状态或深度睡眠状态，所述第二层分类器用于基于第一层分类器的输出结果以及所述室内温度确定所述空调控制参数；
其中，所述第二层分类器划分为多组，每组第二层分类器与一种睡眠状态所对应，所述空调控制参数是与第一层分类器输出结果对应的一组第二层分类的输出结果。
可选的，所述空调控制参数为：与所述第一层分类器输出结果对应的所述一组第二层分类器中每个第二层分类器的概率与每个第二层分类器的分类器类别的加权平均值。
可选的，所述用户生理数据还包括基于微波雷达技术获取的所述用户的睡眠姿态数据。
可选的，所述用户生理数据还包括利用所述用户的穿戴式检测设备所测得的所述用户的心率数据。
可选的，在基于所述空调控制参数控制所述空调之后，所述方法还包括：
如果在预定时长内接收到针对所述空调控制参数的调整操作，获取所述调整操作的调整参数；
将所述调整参数与本次获得的所述用户生理数据和所述室内温度作为一组新的样本；
利用所述新的样本再次训练所述深度学习模型。
可选的，在基于所述空调控制参数控制所述空调之后，所述方法还包括：
如果在预定时长内接收到针对所述空调控制参数的调整操作，获取所述调整操作的调整参数；
根据所述调整参数的内容将所述调整参数归属到多个类别中的至少一个类别中，并对所述至少一个类别的计数加一，所述多个类别与全部所述第二层分类器的分类器类别一致；
判断所述至少一个类别的计数总量是否达到阈值；
如果所述至少一个类别的计数总量达到阈值，将分类器类别与所述至少一个类别一致的至少一个第二层分类器的权重增大。
本公开实施例的第二方面，提供一种控制空调的装置，包括：
第一获取模块，被配置为获取反映用户当前睡眠状态的用户生理数据和当前的室内温度；其中，所述用户生理数据包括用户脑电波数据；
输入模块，被配置为将所述用户生理数据和所述室内温度输入预先训练完成的深度学习模型中，以获取所述深度学习模型输出的空调控制参数；
控制模块，被配置为基于所述空调控制参数控制所述空调。
本公开实施例的第三方面，提供一种控制空调的装置，包括：
存储器，其上存储有计算机程序；以及
处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面任一项所述方法的步骤。
本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面任一项所述方法的步骤。
采用上述技术方案，至少能够达到如下技术效果：
首先获取反映用户当前睡眠状态的用户生理数据和当前的室内温度，用户生理数据包括用户脑电波数据，然后将用户生理数据和室内温度输入预先训练完成的深度学习模型中，进而获取深度学习模型输出的空调控制参数，最后基于空调控制参数控制空调。由于脑电波数据更能在一定程度上显示用户当前睡眠的状态，因此考虑脑电波数据并结合当前室内温度两因素来控制空调更加智能。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是本公开一示例性实施例示出的一种实施环境的示意图。
图2是本公开一示例性实施例示出的一种控制空调的方法流程图。
图3是本公开一示例性实施例示出的一种控制空调的装置框图。
图4是本公开一示例性实施例示出的一种控制空调的装置框图。
具体实施方式
以下将结合附图及实施例来详细说明本公开的实施方式，借此对本公开如何应用技术手段来解决技术问题，并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本公开的保护范围之内。
图1是本公开一示例性实施例示出的一种实施环境的示意图。如图1所示，该实施环境可以包括终端100。该终端100可以是通过移动通信网络访问网络服务的任意终端，例如空调、智能手机、平板电脑、笔记本电脑等移动终端。图1以终端100是智能手机来示意。
具体地，终端100可以安装有多种应用程序，应用程序在访问网络服务时，发起网络连接请求，基于该网络连接请求，该终端可以连接移动通信网络，访问网络服务。
图2是本公开一示例性实施例示出的一种控制空调的方法流程图，以解决相关技术中空调睡眠模式考虑因素单一进而控制不够智能的技术问题。本实施例示出的该方法可以应用于如图1所示的终端。如图2所示，该方法包括：
S11：获取反映用户当前睡眠状态的用户生理数据和当前的室内温度。
S12：将用户生理数据和室内温度输入预先训练完成的深度学习模型中，以获取深度学习模型输出的空调控制参数。
S13：基于空调控制参数控制空调。
具体来讲，为了能够考虑更多因素进而更加智能的控制空调，在本公开S11中，首先获取反映用户当前睡眠状态的用户生理数据和当前的室内温度这两方面的情况，本公开中，用户生理数据至少包括用户脑电波数据。具体来讲，本公开中的空调预先与脑电波采集器建立连接，用户在睡觉时将脑电波采集器佩戴于身上，然后脑电波采集器则将采集到的用户当前的脑电波数据发送给空调。本公开中的脑电波数据至少可以表示包括未睡眠状态、浅度睡眠状态和深度睡眠状态。另外，空调通过自身的温度传感器采集当前的室内温度。
应当理解，S11中获取用户生理数据和室内温度，可以是周期、非周期或半静态的。周期性地获取，例如每隔10分钟获取一次用户最新的生理数据和最新的室内温度。非周期的获取，例如在用户启动空调自动控制时获取一次最新的用户生理数据和最新的室内温度。半静态指的是在仅在某一段时间内周期性的获取，在该段时间以外的并不获取，例如在用户启动空调自动控制后的2个小时内，每个10分钟获取一次最新的用户生理数据和最新的室内温度，超过2个小时后不再获取。
然后，在S12中，将用户生理数据和室内温度输入预先训练完成的深度学习模型中并触发该深度学习模型启动计算。在本公开中，该深度学习模型是预先训练好的，其输入是控制空调是可以考虑的因素，在本公开中至少包括用户生理数据和室内温度，其输出则是空调的控制参数，例如温度、湿度、风速和风向中的一种或任意多种。
上述“预先训练好的”深度学习模型，指的是空调出厂前深度学习模型已经通过多组样本训练达到了预设水平。具体来讲，样本指的是输入输出对，且本公开中训练样本的输入正是控制空调是可以考虑的因素，在本公开中至少包括用户生理数据和室内温度，样本中的输出也正是空调的控制参数，例如温度、湿度、风速和风向中的一种或任意多种。输入输出对的对应关系，则可以来源于专家推荐，例如专家推荐在室内温度27度的深度睡眠状态下，空调温度为27度和微风，则可以得到一个输入输出对：该输入输出对的输入为室内温度27度和深度睡眠状态的脑电波数据，输出则为27度和微风。或者，输入输出对的对应关系也可以来源于控制空调过程中采集的大数据，例如室内温度27度的深度睡眠状态下用户往往喜欢将空调温度设为26度和微风，则可以得到一个输入输出对：该输入输出对的输入为室内温度27度和深度睡眠状态的脑电波数据，输出则为26度和微风。通过大量样本在空调出厂前对深度学习模型进行训练，以使得深度学习模型达到预设水平。所述预设水平例如是深度学习模型的输出误差率不超过预设输出误差率，即深度学习模型的输出能够等于或几乎等于样本的输出。或者所述预设水平例如是测试误差率不超过预设测试误差率，即深度学习的针对测试的输入能够输出等于或几乎等于测试的输出。或者所述预设水平还可以为深度学习的训练次数达到预设次数等等，本公开不做具体限制，本领域普通技术人员可以根据实际进行选择。
另外，本公开中的深度学习模型尽管是预先训练好的，但是在空调使用过程中仍然可以再次训练。
在现有技术中，往往是将输入集的所有参数同时处理，计算输入与每一分类器的概率，最后根据每个分类器的概率来确定输出，例如往往是将概率最高的分类器类别赋值输出。因此，当分类器较多时，计算量显然会很大。在本公开中为了降低计算量，将采取两层分类器的架构。
在实际中，用户处于不同的睡眠状态下，对空调的控制需求是不同的。例如用户处于深度睡眠时并不适合过低的温度、过强的风速等，而未睡眠状态却又不宜控制空调运行在较高的温度或者微风，因此，即使按照现有技术的方式，计算输入与每个分类器的概率，包含了表示深度睡眠状态的脑电波数据的输入，其与过低温度的分类器、过强风速的分类器的概率也是很低的，进而最终输出结果实际上并不会是对应未睡眠状态的那些控制数据，即如果输入的脑电波数据表示用户处于深度睡眠状态，输出的控制参数不会是很低的温度和过强的风速。
所以本公开通过对深度学习中的分类器进行改进，进而在保证输出准确的情况下减小深度学习模型的计算量。
具体来讲，本公开中的深度学习模型包括第一层分类器和第二层分类器，第二层分类器与第一层分类器连接。在本公开中，假设睡眠状态为未睡眠状态、浅度睡眠状态和深度睡眠状态，进而设计第一层分类器的分类器数量为3，其分类器类别分别为未睡眠状态、浅度睡眠状态或深度睡眠状态。在具体实现过程中也可以按照需要设置其他数量和其他类别的分类器。第一层分类器的输入为用户的脑电波数据等表示用户生理数据，计算用户生理数据与3个第一层分类器的概率，然后将概率最高的第一层分类器的类别作为输出结果，输出用户当前睡眠状态。
第二层分类器具有多个，其数量根据实际需要的控制参数而定。在本公开中，按照每种睡眠状态所适合的控制参数将第二层分类器分为了多组，每组包括一个或多个第二层分类器。第一层分类器的输出连接多组第二层分类器，每组第二层分类器的输入都是第一层分类输出结果和室内温度，输出则是最终的空调控制参数。然后，根据第一层分类输出结果仅触发相应其中一组或多组第二层分类器计算，从而得到与第一层分类输出结果对应的空调控制参数。
为了方便举例，这里将控制参数简单假设为温度，并假设对应未睡眠状态的空调控制参数为27度，28度，对应深度睡眠状态的空调控制参数为20度，22度，对应浅度睡眠状态的空调控制参数为24度，26度。那么第二层分类器分别27度分类器、28度分类器、20度分类器、22度分类器、24度分类器和26度分类器，并且20度分类器和22度分类器为一组，27度分类器和28度分类器为一组，24度分类器和26度分类器为一组。那么，如果第一层分类输出结果为深度睡眠状态，那么仅触发与深度睡眠状态对应的27度分类器和28度分类器的一组分类器，从而仅通过计算27度分类器和28度分类器的概率就可以确定出最终输出的空调控制参数(例如计算得到输入与27度分类器的概率为0.4，与28度分类器的概率为0.7，则输出的28度作为空调控制参数)；如果第一层分类输出结果为浅度睡眠状态，那么仅触发与浅度睡眠状态对应的24度分类器和26度分类器的一组分类器，从而仅通过计算24度分类器和26度分类器的概率就可以确定出最终输出的控制参数；如果第一层分类输出结果为未睡眠状态，那么仅触发与深度睡眠状态对应的20度分类器和22度分类器的一组分类器，从而仅通过计算20度分类器和22度分类器的概率就可以确定出最终输出的控制参数。由此，就不需要再一一计算与原本6个分类器的概率，大大降低了计算量。
由上述描述可以看出，通过本公开的两层分类器架构，可以降低深度学习模型的计算量。
更进一步，为了使得深度学习模型的输出更加准确，本公开中的空调控制参数还可以是每个分类器的类别与概率的加权平均值。沿用上文的例子来说，如果第一层分类输出结果为深度睡眠状态，那么仅触发包括27度分类器和28度分类器的一组分类器。通过进一步计算，得到输入的用户生理数据和室内温度属于27度分类器概率为0.4和属于28度分类器的概率为0.7。按照现有技术的深度学习模型，往往会选择概率最高值所对应的类别，即以28度作为输出的控制参数。然而，这样的输出并没有考虑到输入与其他类别的关联。因此在本发明中，将以每个分类器的类别与概率的加权平均值作为输出。即在本例中，将以(0.4*27+0.7*28)/(0.4+0.7)＝27.63度作为输出的控制参数。
接下来，获取深度学习输出的空调控制参数，例如温度、湿度、风速和风向中的一种或任意多种。具体来讲，本公开的深度学习模型可以运行于空调上，也可以运行于云端，如图1所示的网络服务器。如果深度学习模型运行于空调，那么空调读取本地运行的深度学习模型的输出即可获取空调的控制参数；而如果深度学习模型运行于云端，则空调接收云端根据空调发送的用户生理数据和室内温度而返回的信息来解析获取空调控制参数。
最后，在S14中，控制空调按照控制参数中的例如温度、湿度、风速和风向中的一种或任意多种运行。具体地，空调可按照空调控制参数控制空调的压缩机、风叶等来实现对空调的控制。
首先获取反映用户当前睡眠状态的用户生理数据和当前的室内温度，用户生理数据包括用户脑电波数据，然后将用户生理数据和室内温度输入预先训练完成的深度学习模型中，进而获取深度学习模型输出的空调控制参数，最后基于空调控制参数控制空调。由于脑电波数据更能在一定程度上显示用户当前睡眠的状态，因此考虑脑电波数据并结合当前室内温度两因素来控制空调更加智能。
可选的，用户生理数据还可以包括睡眠姿态。基于微波雷达技术获取用户的睡眠姿态，将脑电波数据、室内温度和睡眠姿态输入深度学习模型中以获得控制参数。
具体来讲，本公开中的用户睡眠姿态是通过微波雷达技术获取的。其中，微波雷达器可以是单独设于室内、并与空调预先建立连接的，也可以是空调内集成的微波雷达器，本公开不做具体限制。对采集到的毫米雷达波提取其微多普勒特征，采用单频连续波结合正交相位检波的方式获取微多普勒特征，将采集到的时域回波通过短时傅里叶分析方法得到微多普勒频谱。然后将采集到的人体动作的微多普勒特征时频图数据，输入到识别模型中进行训练，训练好的模型能够对实际中采集到的数据进行睡眠姿态。该识别模型可以为上述的深度学习模型，也可以为其他模型，本公开不做具体限制。
然后，将脑电波数据、室内温度和睡眠姿态都输入深度学习模型中，进而得到深度学习模型输出的空调控制参数。尽管与上述实施例相比，该实施例多输入了睡眠姿态，但是深度学习模型的架构和训练方式大致相同，因此这里就不再重复对深度学习的网络结构和训练方式进行详述了。
通过上述介绍可以看出，将用户的脑电波数据、睡眠姿态和室内温度输入深度学习模型中，从而根据训练好的深度学习模型输出的空调控制参数进行控制，进而考虑多方面因素，更加智能地控制空调。
可选的，用户生理数据还可以进一步包括用户的心率。具体来讲，在一些实施例中，接收用户的穿戴式检测设备所发送的用户的心率，将脑电波数据、室内温度、睡眠姿态和心率输入深度学习模型中以获得空调控制参数。
具体来讲，本公开中的穿戴式检测设备例如为智能手环、智能手表或智能项链等等，本公开不做具体限制。穿戴式检测设备预先与空调建立连接，进而将采集的用户的心率发送给空调。
然后，将脑电波数据、室内温度、睡眠姿态和心率都输入深度学习模型中，进而得到深度学习模型输出的空调控制参数。尽管与上述实施例相比，该实施例多输入了心率，但是深度学习模型的架构和训练方式大致相同，因此这里就不再重复对深度学习的网络结构和训练方式进行详述了。
通过上述介绍可以看出，将用户的脑电波数据、睡眠姿态、心率和室内温度输入深度学习模型中，从而根据训练好的深度学习模型输出的控制参数进行控制，进而考虑多方面因素，更加智能地控制空调。
尽管深度学习模型是预先训练好的，但是用户在空调使用过程中可能会根据自己个性化的需求而对通过上述方式得到的空调控制参数进行调整，那么，为了进一步提高智能化，还可以根据用户的使用情况持续训练深度学习模型。所以可选的，在S13之后，还可以进一步包括：如果在预定时长内接收到针对空调控制参数的调整操作，获取调整操作的调整参数，将调整参数与本次获得的用户生理数据作为一组新的样本，利用新的样本再次训练深度学习模型。
具体来讲，预定时长指的是在S13基于控制参数控制空调后的一段较短的时间，例如5分钟或10分钟等，本领域技术人员可以根据实际进行设置，本公开不做具体限制。调整操作指的是针对控制参数的调整操作，包括但不限于升高/降低温度、增大/减小风速、改变风向等。
如果在预设时长内接收到了调整操作，一方面根据用户的调整操作的调整参数调整空调运行，另一方面将调整参数与本次获得的用户生理数据作为一组新的样本。本次获得的用户生理数据指的是调整操作针对的空调控制参数对应的输入。举例来说，假设在某一时刻输入深度学习模型的脑电波数据、室内温度、睡眠姿态和心率分别为未睡眠状态、27度、平躺和89次/分，深度学习模型输出的空调控制参数为22度和中风。输出空调控制参数后，空调基于空调控制参数22度和中风运行。然后在预设时长内，空调收到了用户的调整操作，其调整参数为21度、强风。那么，空调一方面将空调的温度调整为21度，将风速调整为强风，另一方面将获取的21度和中风，与未睡眠状态、27度、平躺和89次/分绑定为一组新的样本。
然后，空调将新的一组、或按此方式获取的多组样本输入深度学习模型中再次训练该深度学习模型。具体地，如果深度学习模型运行于空调，则空调在本地训练即可；如果深度学习模型运行于云端，则空调将新的样本发送给云端的深度学习模型进行训练即可。其中，由于云端运行的深度学习模型往往服务于众多用户，因此一个用户的调整操作可能不会显著影响深度学习的模型参数，而如果深度学习模型运行于空调，空调往往服务于一个或者有限的几个用户，因此一个或有限几个用户的调整操作可以显著影响深度学习的模型参数。也就是说，通过一个或有限几个用户数次的调整操作就可以使得深度学习模型获得该一个或有限几个用户的个性化特征。
因此，通过将调整参数和原本输入深度学习模型的用户生理数据形成新的样本再次训练深度学习模型，可以使得深度学习模型能够输入更加符合用户需求的控制参数。
在上述实施例中，为了使得深度学习模型更加符合用户真实需求，需要反复训练深度学习模型。然后深度学习模型运行一次，往往计算量比较高，因此在另一些实施例中，还可以按照如下方式来优化深度学习模型：
如果在预定时长内接收到针对空调控制参数的调整操作，获取调整操作的调整参数，根据调整参数的内容将调整参数归属到多个类别中的至少一个类别中，并对至少一个类别的计数加一，多个类别与全部第二层分类器的分类器类别一致，判断至少一个类别的计数总量是否达到阈值，如果至少一个类别的计数总量达到阈值，将分类器类别与至少一个类别一致的至少一个第二层分类器的权重增大。
与上文实施例相似，在预设时长内接收调整操作并获取调整参数，在上文中已经进行了描述，这里就不再重复赘述了。与上文不同的时，在本实施例中并不会形成新的样本，而是根据调整参数的内容将调整参数归属到多个类别中的至少一个类别中，并对至少一个类别的计数加一。
具体来讲，多个类别与全部第二层分类器的分类器类别一致。即，该多个类别的数量和类别与第二层分类器的数量与类别完全一致。沿用上文的例子，第二层分类器一共有6，分别为27度分类器、28度分类器、20度分类器、22度分类器、24度分类器和26度分类器，即第二层分类器的分类器类别为27度、28度、20度、22度、24度和26度。那么本公开实施例中的多个类别也为6个，并对应一致为27度、28度、20度、22度、24度和26度。
根据调整参数的内容将调整参数归属到多个类别中的至少一个类别中，指的是根据调整参数中与多个类别同一维度的参数将调整参数归属到至少一个类别中。例如调整参数中不仅包括了温度，可能还包括例如关闭显示屏等与多个类别不在同一维度的参数。进一步，在将调整参数归属到至少一个类别中时，具体是将调整参数归属到最接近的一个类别中。
举例来说，假设调整参数包括将空调温度调整为22度的参数，在27度、28度、20度、22度、24度和26度这6个类别中，显然应当将调整参数归属到相同温度的22度这一类别。再假设调整参数包括将空调温度调整为19度的参数，在27度、28度、20度、22度、24度和26度这6个类别中并没有相同的温度。但是在这6个类别中，19度与20度最接近，因此可以将调整参数归属到20度这一类别。
在将调整参数归属到至少一个类别中后，将该至少一个类别的计数加一。每个类别的计数总量为历史时间段内的计数时量，历史时间段例如为上一次调整权重3个月内等等。
然后，判断该至少一个类别的计数总量是否达到阈值。在本公开中，阈值指的是触发直接增大第二层分类器权重的条件，阈值例如为20，或者15等等。如果至少一个类别的计数总量达到了阈值，表示即使深度学习模型输出的空调控制参数不包括该类别的参数、但是在历史时间段内用户却喜欢将空调控制参数调整到该类别，所以表示用户偏好于该类别。所以，在公开实施例中，将直接增大相同类别的第二层分类器的权重，从而提高输入与相同类别的第二层分类器的概率。
在具体实现过程中，可以设置固定步长，例如0.1或0.05，每次计数总量达到阈值则增大类别一致的至少一个第二层分类器的权重以固定步长，而其他第二层分类器的权重则降低，降低总和也为固定步长。由此保证所有第二层分类器的权重总和为1。
举例来说，假设在某一时刻输入深度学习模型的脑电波数据、室内温度、睡眠姿态和心率依然为未睡眠状态、27度、平躺和89次/分，深度学习模型输出的空调控制参数为22度。输出空调控制参数后，空调基于空调控制参数22度运行。然后在预设时长内，空调收到了用户的调整操作，其调整参数为21度。同样的，空调一方面将空调的温度调整为21度；另一方面将获取的21度归属到的20度类别中，并且将21类别的计数加一。
判断20度类别的计数总量是否达到了阈值。假设阈值20，并假设20度类别计数总量为20，故而20度类别的计数总量达到了阈值。然后，将类别一致的第二层分类器，即20度分类器的权重增大。假设在调整前，27度分类器的权重为0.2、28度分类器的权重为0.1、20度分类器的权重为0.2、22度分类器的权重为0.2、24度分类器的权重为0.15和26度分类器的权重为0.15。如以固定步长0.1为例，则在此时，将20度分类器的权重增大0.1至0.3，而其余5个分类器的权重则各平均减少0.02。故而，在调整后，27度分类器的权重为0.18、28度分类器的权重为0.08、20度分类器的权重为0.3、22度分类器的权重为0.18、24度分类器的权重为0.13和26度分类器的权重为0.13。
当然，如果各个类别的计时总量均为达到阈值，表示用户的偏好表现不够明显，那么仍然保持各个第二层分类器的权重不变。
由上述描述可见，通过将调整参数归属到至少一个类别，并在该至少一个类别的计时总量达到阈值时直接增大一致的第二层分类器的权重，达到了在不训练深度学习模型就按照用户偏好优化深度学习模型的技术效果。
值得说明的是，对于图2所示的方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本公开所必须的。
图3是本公开一示例性实施例示出的一种控制空调的装置，所述装置包括：
第一获取模块301，被配置为获取反映用户当前睡眠状态的用户生理数据和当前的室内温度；其中，所述用户生理数据包括用户脑电波数据；
输入模块302，被配置为将所述用户生理数据和所述室内温度输入预先训练完成的深度学习模型中，以获取所述深度学习模型输出的空调控制参数；
控制模块303，被配置为基于所述空调控制参数控制所述空调。
可选的，所述深度学习模型包括第一层分类器和第二层分类器，所述第一层分类器用于基于输入的所述用户生理数据以确定所述用户当前睡眠状态，所述睡眠状态包括未睡眠状态、浅度睡眠状态或深度睡眠状态，所述第二层分类器用于基于第一层分类器的输出结果以及所述室内温度确定所述空调控制参数；
其中，所述第二层分类器划分为多组，每组第二层分类器与一种睡眠状态所对应，所述空调控制参数是与第一层分类器输出结果对应的一组第二层分类的输出结果。
可选的，所述空调控制参数为：与所述第一层分类器输出结果对应的所述一组第二层分类器中每个第二层分类器的概率与每个第二层分类器的分类器类别的加权平均值。
可选的，所述用户生理数据还包括基于微波雷达技术获取的所述用户的睡眠姿态数据。
可选的，所述用户生理数据还包括利用所述用户的穿戴式检测设备所测得的所述用户的心率数据。
可选的，所述装置还包括：
第二获取模块，被配置为在基于所述空调控制参数控制所述空调之后，如果在预定时长内接收到针对所述空调控制参数的调整操作，获取所述调整操作的调整参数；
样本设置模块，被配置为将所述调整参数与本次获得的所述用户生理数据和所述室内温度作为一组新的样本；
训练模块，被配置为利用所述新的样本再次训练所述深度学习模型。
可选的，所述装置还包括：
第三获取模块，被配置为在基于所述空调控制参数控制所述空调之后，如果在预定时长内接收到针对所述空调控制参数的调整操作，获取所述调整操作的调整参数；
分类计数模块，被配置为根据所述调整参数的内容将所述调整参数归属到多个类别中的至少一个类别中，并对所述至少一个类别的计数加一，所述多个类别与全部所述第二层分类器的分类器类别一致；
判断模块，被配置为判断所述至少一个类别的计数总量是否达到阈值；
权重调整模块，被配置为如果所述至少一个类别的计数总量达到阈值，将分类器类别与所述至少一个类别一致的至少一个第二层分类器的权重增大。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项可选实施例的方法步骤。
其中，在所述处理器上运行的计算机程序被执行时所实现的方法可参照本公开显示网络标志的方法的具体实施例，此处不再赘述。
所述处理器可以是一种集成电路芯片，具有信息处理能力。所述处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等。
本公开还提供一种信息指示的装置，包括：
存储器，其上存储有计算机程序；以及
处理器，用于执行所述存储器中的所述计算机程序，以实现上述任一项可选实施例的方法步骤。
图4是根据一示例性实施例示出的一种信息指示的装置400的框图。如图4所示，该装置400可以包括：处理器401，存储器402，多媒体组件403，输入/输出(I/O)接口404，以及通信组件405。
其中，处理器401用于控制该装置400的整体操作，以完成上述信息指示的方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该装置400的操作，这些数据例如可以包括用于在该装置400上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件403可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器402或通过通信组件405发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口404为处理器401和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件405用于该装置400与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件405可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，装置400可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述信息指示的方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，例如包括程序指令的存储器402，上述程序指令可由装置400的处理器401执行以完成上述信息指示的方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (9)
1.一种控制空调的方法，其特征在于，所述方法包括：
获取反映用户当前睡眠状态的用户生理数据和当前的室内温度；其中，所述用户生理数据包括用户脑电波数据；
将所述用户生理数据和所述室内温度输入预先训练完成的深度学习模型中，以获取所述深度学习模型输出的空调控制参数；
基于所述空调控制参数控制所述空调；
其中，所述深度学习模型包括第一层分类器和第二层分类器，所述第一层分类器用于基于输入的所述用户生理数据以确定所述用户当前睡眠状态，所述睡眠状态包括未睡眠状态、浅度睡眠状态或深度睡眠状态，所述第二层分类器用于基于第一层分类器的输出结果以及所述室内温度确定所述空调控制参数；
其中，所述第二层分类器划分为多组，每组第二层分类器与一种睡眠状态所对应，所述空调控制参数是与第一层分类器输出结果对应的一组第二层分类的输出结果。
2.如权利要求1所述的方法，其特征在于，所述空调控制参数为：与所述第一层分类器输出结果对应的所述一组第二层分类器中每个第二层分类器的概率与每个第二层分类器的分类器类别的加权平均值。
3.如权利要求1所述的方法，其特征在于：
所述用户生理数据还包括基于微波雷达技术获取的所述用户的睡眠姿态数据。
4.如权利要求3所述的方法，其特征在于：
所述用户生理数据还包括利用所述用户的穿戴式检测设备所测得的所述用户的心率数据。
5.如权利要求4所述的方法，其特征在于，在基于所述空调控制参数控制所述空调之后，所述方法还包括：
如果在预定时长内接收到针对所述空调控制参数的调整操作，获取所述调整操作的调整参数；
将所述调整参数与本次获得的所述用户生理数据和所述室内温度作为一组新的样本；
利用所述新的样本再次训练所述深度学习模型。
6.如权利要求4所述的方法，其特征在于，在基于所述空调控制参数控制所述空调之后，所述方法还包括：
如果在预定时长内接收到针对所述空调控制参数的调整操作，获取所述调整操作的调整参数；
根据所述调整参数的内容将所述调整参数归属到多个类别中的至少一个类别中，并对所述至少一个类别的计数加一，所述多个类别与全部第二层分类器的分类器类别一致；
判断所述至少一个类别的计数总量是否达到阈值；
如果所述至少一个类别的计数总量达到阈值，将分类器类别与所述至少一个类别一致的至少一个第二层分类器的权重增大。
7.一种控制空调的装置，其特征在于，包括：
第一获取模块，被配置为获取反映用户当前睡眠状态的用户生理数据和当前的室内温度；其中，所述用户生理数据包括用户脑电波数据；
输入模块，被配置为将所述用户生理数据和所述室内温度输入预先训练完成的深度学习模型中，以获取所述深度学习模型输出的空调控制参数；
控制模块，被配置为基于所述空调控制参数控制所述空调；
其中，所述深度学习模型包括第一层分类器和第二层分类器，所述第一层分类器用于基于输入的所述用户生理数据以确定所述用户当前睡眠状态，所述睡眠状态包括未睡眠状态、浅度睡眠状态或深度睡眠状态，所述第二层分类器用于基于第一层分类器的输出结果以及所述室内温度确定所述空调控制参数；
其中，所述第二层分类器划分为多组，每组第二层分类器与一种睡眠状态所对应，所述空调控制参数是与第一层分类器输出结果对应的一组第二层分类的输出结果。
8.一种控制空调的装置，其特征在于，包括：
存储器，其上存储有计算机程序；以及
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1至6中任一项所述方法的步骤。
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911259562.7A CN110953681B (zh) | 2019-12-10 | 2019-12-10 | 一种控制空调的方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911259562.7A CN110953681B (zh) | 2019-12-10 | 2019-12-10 | 一种控制空调的方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110953681A CN110953681A (zh) | 2020-04-03 |
| CN110953681B true CN110953681B (zh) | 2020-11-27 |
Family
ID=69980847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911259562.7A Active CN110953681B (zh) | 2019-12-10 | 2019-12-10 | 一种控制空调的方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110953681B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111720963B (zh) * | 2020-06-23 | 2021-06-11 | 珠海格力电器股份有限公司 | 一种睡眠环境下的空气调节方法、装置及电子设备 |
| CN112128954A (zh) * | 2020-08-26 | 2020-12-25 | 青岛海尔空调器有限总公司 | 空调器及其控制方法 |
| CN112097374A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 设备控制方法、装置、设备及计算机可读介质 |
| CN114370698B (zh) * | 2022-03-22 | 2022-06-24 | 青岛理工大学 | 基于强化学习的室内热环境学习效率提升的优化控制方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005226882A (ja) * | 2004-02-10 | 2005-08-25 | Daikin Ind Ltd | 空調制御システム、ベビーベッド、および介護用ベッド |
| JP2006194540A (ja) * | 2005-01-14 | 2006-07-27 | Kansai Electric Power Co Inc:The | 温冷感予測値を用いた空調制御方法、空調装置、空調装置用プログラム及びサーバ装置 |
| CN104896656A (zh) * | 2015-05-11 | 2015-09-09 | 小米科技有限责任公司 | 开启空调的方法及装置 |
| CN105117770A (zh) * | 2015-08-24 | 2015-12-02 | 河海大学常州校区 | 基于改进型模糊神经网络的表冷器控制方法 |
| CN107655162A (zh) * | 2017-08-21 | 2018-02-02 | 珠海格力电器股份有限公司 | 冷媒检测方法、装置、除湿机及设备 |
| CN108780523A (zh) * | 2016-03-18 | 2018-11-09 | 高通股份有限公司 | 使用本地设备提供的传感器数据和标签的基于云的处理 |
| CN108954662A (zh) * | 2018-08-07 | 2018-12-07 | 珠海格力电器股份有限公司 | 一种空调温度控制方法及装置 |
| CN109099551A (zh) * | 2018-07-20 | 2018-12-28 | 珠海格力电器股份有限公司 | 一种空调器的控制方法、装置、存储介质及空调器 |
| CN109631255A (zh) * | 2018-12-10 | 2019-04-16 | 珠海格力电器股份有限公司 | 一种空调控制方法、装置、存储介质及空调 |
-
2019
- 2019-12-10 CN CN201911259562.7A patent/CN110953681B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005226882A (ja) * | 2004-02-10 | 2005-08-25 | Daikin Ind Ltd | 空調制御システム、ベビーベッド、および介護用ベッド |
| JP2006194540A (ja) * | 2005-01-14 | 2006-07-27 | Kansai Electric Power Co Inc:The | 温冷感予測値を用いた空調制御方法、空調装置、空調装置用プログラム及びサーバ装置 |
| CN104896656A (zh) * | 2015-05-11 | 2015-09-09 | 小米科技有限责任公司 | 开启空调的方法及装置 |
| CN105117770A (zh) * | 2015-08-24 | 2015-12-02 | 河海大学常州校区 | 基于改进型模糊神经网络的表冷器控制方法 |
| CN108780523A (zh) * | 2016-03-18 | 2018-11-09 | 高通股份有限公司 | 使用本地设备提供的传感器数据和标签的基于云的处理 |
| CN107655162A (zh) * | 2017-08-21 | 2018-02-02 | 珠海格力电器股份有限公司 | 冷媒检测方法、装置、除湿机及设备 |
| CN109099551A (zh) * | 2018-07-20 | 2018-12-28 | 珠海格力电器股份有限公司 | 一种空调器的控制方法、装置、存储介质及空调器 |
| CN108954662A (zh) * | 2018-08-07 | 2018-12-07 | 珠海格力电器股份有限公司 | 一种空调温度控制方法及装置 |
| CN109631255A (zh) * | 2018-12-10 | 2019-04-16 | 珠海格力电器股份有限公司 | 一种空调控制方法、装置、存储介质及空调 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110953681A (zh) | 2020-04-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110953681B (zh) | 一种控制空调的方法、装置及存储介质 | |
| US12013134B2 (en) | Data learning server and method for generating and using learning model thereof | |
| EP3120578B2 (en) | Crowd sourced recommendations for hearing assistance devices | |
| JP6529195B2 (ja) | 熱制御装置および方法 | |
| CN108571804A (zh) | 空调器及其参数调整方法、装置和可读存储介质 | |
| US20210390471A1 (en) | Risk control event automatic processing method and apparatus | |
| CN112303848B (zh) | 一种空调调控方法、装置及系统 | |
| CN111928420A (zh) | 空调控制方法、装置、电子设备和存储介质 | |
| WO2021051944A1 (zh) | 自动推送助眠乐曲方法、装置、计算机设备及存储介质 | |
| CN112146250B (zh) | 温度的调节方法、装置、电子设备、存储介质 | |
| CN111489019B (zh) | 睡眠质量预测方法及装置 | |
| JP2020529815A (ja) | 優先ネットワークの優先順位付け | |
| CN113495487A (zh) | 一种调节目标设备运行参数的终端和方法 | |
| WO2022012060A1 (zh) | 操作模式的收藏方法及终端设备、按摩设备、存储介质 | |
| CN112927705B (zh) | 频响校准方法及相关产品 | |
| CN113531804B (zh) | 空调器的自动控制方法、装置、电子设备以及存储介质 | |
| CN109915985A (zh) | 空气调节装置及其信息推送方法、装置和可读存储介质 | |
| CN108235722B (zh) | 舒适区确定方法、及设备 | |
| CN115250415B (zh) | 基于机器学习的助听系统 | |
| CN108897421A (zh) | 电子设备及其控制方法、装置和计算机可读存储介质 | |
| US11831460B2 (en) | Method and wearable device for enhancing quality of experience index for user in IoT network | |
| CN115240679B (zh) | 基于物联网控制香薰机的智能语音控制方法及其系统 | |
| CN117077812B (zh) | 网络训练方法、睡眠状态评估方法及相关设备 | |
| US20240126592A1 (en) | Methods and iot device for executing user input in iot environment | |
| CN112781169A (zh) | 舒适度指数的调节方法、装置、存储介质及电子装置 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 519015 Room 601, Lianshan Lane, Jida Jingshan Road, Zhuhai City, Guangdong Province Patentee after: Zhuhai Lianyun Technology Co.,Ltd. Patentee after: GREE ELECTRIC APPLIANCES,Inc.OF ZHUHAI Address before: 519000 Qianshan Golden Chicken West Road in Zhuhai, Guangdong Patentee before: GREE ELECTRIC APPLIANCES,Inc.OF ZHUHAI Patentee before: Zhuhai Lianyun Technology Co.,Ltd. |
|
| CP03 | Change of name, title or address |