CN112097374A - 设备控制方法、装置、设备及计算机可读介质 - Google Patents

设备控制方法、装置、设备及计算机可读介质 Download PDF

Info

Publication number
CN112097374A
CN112097374A CN202010975036.7A CN202010975036A CN112097374A CN 112097374 A CN112097374 A CN 112097374A CN 202010975036 A CN202010975036 A CN 202010975036A CN 112097374 A CN112097374 A CN 112097374A
Authority
CN
China
Prior art keywords
neural network
network model
equipment
target
parameters
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
CN202010975036.7A
Other languages
English (en)
Inventor
李少鹏
陈翀
陈亚玲
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
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
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, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202010975036.7A priority Critical patent/CN112097374A/zh
Publication of CN112097374A publication Critical patent/CN112097374A/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
    • F24F11/0008—Control or safety arrangements for air-humidification
    • 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
    • F24F11/62—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • F24F2110/30—Velocity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请涉及一种设备控制方法、装置、设备及计算机可读介质。该方法包括：获取目标对象的第一姿态，第一姿态为基于毫米波雷达传感器对目标对象采集的监测数据识别得到的；利用第一神经网络模型对第一姿态进行识别；根据第一神经网络模型对第一姿态的识别结果确定目标设备的设备控制参数，第一神经网络模型是采用具有标记信息的训练数据对第二神经网络模型进行训练后得到的，标记信息用于标记训练数据中人体姿态及与人体姿态匹配的设备参数，识别结果用于指示第一姿态与设备控制参数的关联关系；利用设备控制参数控制目标设备。本申请能够根据用户实际需求和环境变化智能调节智能家居设备的运行模式，极大提升用户体验。

Description

设备控制方法、装置、设备及计算机可读介质
技术领域
本申请涉及智能家居技术领域，尤其涉及一种设备控制方法、装置、设备及计算机可读介质。
背景技术
随着生活水平的不断提高，空调已经成为人们生活不可缺少的家用电器，在高温、寒冷环境下都能够为人们提供舒适的居住环境。但是当人在睡眠时，空调会按照用户之前设置的运行模式持续运行，当环境变化如过冷或过热时，人的睡眠质量会大大受到影响，尤其对于老人而言，睡眠质量更加重要。
目前，相关技术中，空调都是人为设定的、按照一定模式运行的，不能智能地调节空调运行模式以适应外部环境的改变，可能会给用户造成身体上的不适。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请提供了一种设备控制方法、装置、设备及计算机可读介质，以解决空调无法智能调节运行模式的技术问题。
根据本申请实施例的一个方面，本申请提供了一种设备控制方法，包括：获取目标对象的第一姿态，第一姿态为基于毫米波雷达传感器对目标对象采集的监测数据识别得到的；利用第一神经网络模型对第一姿态进行识别；根据第一神经网络模型对第一姿态的识别结果确定目标设备的设备控制参数，第一神经网络模型是采用具有标记信息的训练数据对第二神经网络模型进行训练后得到的，标记信息用于标记训练数据中人体姿态及与人体姿态匹配的设备参数，识别结果用于指示第一姿态与设备控制参数的关联关系；利用设备控制参数控制目标设备。
可选地，利用第一神经网络模型对第一姿态进行识别之前，该方法包括按照如下方式获取第一神经网络模型：通过训练数据对第二神经网络模型内各参数进行初始化，得到第三神经网络模型；在第三神经网络模型对测试数据的识别准确度达到目标阈值的情况下，将第三神经网络模型作为第一神经网络模型；在第三神经网络模型对测试数据的识别准确度未达到目标阈值的情况下，继续使用训练数据对第三神经网络模型进行训练，以调整第三神经网络模型内各参数的数值，直至第三神经网络模型对测试数据的识别准确度达到目标阈值。
可选地，将第三神经网络模型作为第一神经网络模型之前，该方法还包括按照如下方式训练第三神经网络模型，直至第三神经网络模型收敛：将每一个训练数据输入第三神经网络模型，得到设备控制参数的训练预测值；根据多个训练预测值和对应的训练数据中实际的设备控制参数之间的差异确定损失值；利用多个损失值修正第三神经网络模型，直至第三神经网络模型输出结果的精度达到目标阈值。
可选地，该方法还包括：获取数据集；采用主成分分析的方式对数据集中的训练数据进行降维；将降维后的训练数据输入第三神经网络模型，以基于第二神经网络模型初始化得到的隐藏层数和学习率进行训练。
可选地，根据第一神经网络模型对第一姿态的识别结果确定目标设备的设备控制参数包括：获取第一神经网络模型输出的识别结果，识别结果包括与第一姿态对应的各个设备控制参数的预测值；将预测值中的最大值作为最终的识别结果，并将最大值指示的设备控制参数作为与第一姿态匹配的最终的设备控制参数。
可选地，根据第一神经网络模型对第一姿态的识别结果确定目标设备的设备控制参数还包括：根据第一神经网络模型对第一姿态和环境参数的识别结果确定目标设备的设备控制参数，环境参数包括天气参数、温度参数、湿度参数、空调送风速度、空调扫风角度。
可选地，利用设备控制参数控制目标设备至少包括以下方式中的一种：利用空调控制参数控制空调运行，设备控制参数包括空调控制参数，目标设备包括空调；利用音乐播放参数控制音乐播放设备运行，设备控制参数包括音乐播放参数，目标设备包括音乐播放设备；利用湿度调节参数控制加湿设备运行，设备控制参数包括湿度调节参数，目标设备包括加湿设备。
根据本申请实施例的另一方面，本申请提供了一种设备控制装置，包括：姿态获取模块，用于获取目标对象的第一姿态，第一姿态为基于毫米波雷达传感器对目标对象采集的监测数据识别得到的；姿态识别模块，用于利用第一神经网络模型对第一姿态进行识别；参数确定模块，用于根据第一神经网络模型对第一姿态的识别结果确定目标设备的设备控制参数，第一神经网络模型是采用具有标记信息的训练数据对第二神经网络模型进行训练后得到的，标记信息用于标记训练数据中人体姿态及与人体姿态匹配的设备参数，识别结果用于指示第一姿态与设备控制参数的关联关系；设备控制模块，用于利用设备控制参数控制目标设备。
根据本申请实施例的另一方面，本申请提供了一种计算机设备，包括存储器、处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
根据本申请实施例的另一方面，本申请还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述的方法。
本申请实施例提供的上述技术方案与相关技术相比具有如下优点：
本申请技术方案为获取目标对象的第一姿态，第一姿态为基于毫米波雷达传感器对目标对象采集的监测数据识别得到的；利用第一神经网络模型对第一姿态进行识别；根据第一神经网络模型对第一姿态的识别结果确定目标设备的设备控制参数，第一神经网络模型是采用具有标记信息的训练数据对第二神经网络模型进行训练后得到的，标记信息用于标记训练数据中人体姿态及与人体姿态匹配的设备参数，识别结果用于指示第一姿态与设备控制参数的关联关系；利用设备控制参数控制目标设备。本申请能够根据用户实际需求和环境变化智能调节智能家居设备的运行模式，极大提升用户体验。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例提供的一种可选的设备控制方法硬件环境示意图；
图2为根据本申请实施例提供的一种可选的设备控制方法流程图；
图3为根据本申请实施例提供的一种可选的设备控制装置框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请的一部分实施例，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的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
相关技术中，空调都是人为设定的、按照一定模式运行的，不能智能地调节空调运行模式以适应外部环境的改变，可能会给用户造成身体上的不适。
为了解决背景技术中提及的问题，根据本申请实施例的一方面，提供了一种设备控制方法的实施例。
可选地，在本申请实施例中，上述设备控制方法可以应用于如图1所示的由终端101和服务器103所构成的硬件环境中。如图1所示，服务器103通过网络与终端101进行连接，可用于为终端或终端上安装的客户端提供服务，可在服务器上或独立于服务器设置数据库105，用于为服务器103提供数据存储服务，上述网络包括但不限于：广域网、城域网或局域网，终端101包括但不限于智能家居设备、PC、手机、平板电脑等。
本申请实施例中的一种设备控制方法可以由服务器103来执行，还可以是由服务器103和终端101共同执行，如图2所示，该方法可以包括以下步骤：
步骤S202，获取目标对象的第一姿态，第一姿态为基于毫米波雷达传感器对目标对象采集的监测数据识别得到的；
步骤S204，利用第一神经网络模型对第一姿态进行识别；
步骤S206，根据第一神经网络模型对第一姿态的识别结果确定目标设备的设备控制参数，第一神经网络模型是采用具有标记信息的训练数据对第二神经网络模型进行训练后得到的，标记信息用于标记训练数据中人体姿态及与人体姿态匹配的设备参数，识别结果用于指示第一姿态与设备控制参数的关联关系；
步骤S208，利用设备控制参数控制目标设备。
本申请实施例中，毫米波雷达，是工作在毫米波波段(millimeter wave)探测的雷达。通常毫米波是指30～300GHz频域(波长为1～10mm)的。毫米波的波长介于微波和厘米波之间，因此毫米波雷达兼有微波雷达和光电雷达的一些优点，毫米波导引头体积小、质量轻、空间分辨率高，能分辨识别很小的目标，而且能同时识别多个目标，具有成像能力。
本申请实施例中的提及到的毫米波雷达可以是指毫米波雷达模块，主要包括：天线、收发模块、信号处理模块等，可以安装房屋的一角，还可以安装在智能家居设备上，能够在各种环境下检测各种物体的距离、角度及雷达发射电磁波与障碍物的距离变化率(即径向速度分辨率)，同时能够减少错误检测、提供高精度的目标识别、定位及姿态监测，保持数据采集的隐私性。同时，集成模块将所有特性集中在单个芯片上，可以实现本地处理。毫米波雷达模块可以同时提供距离、角度、速度、信噪比等信息。本申请实施例中，还可以在毫米波雷达传感器中嵌入处理内核，以实时处理数据。
上述智能家居设备可以是空调、电风扇、空气净化器、加湿器及音乐播放器等。
本申请实施例中，上述第一神经网络模型、第二神经网络模型可以是深度置信网络模型。深度置信网络模型(DBN)是一种概率生成模型，生成模型是建立一个观察数据和标签之间的联合分布。在本申请实施例中，即建立人体姿态(观察数据)和不同的设备控制参数(标签)之间的联合分布。可选的，还可以建立人体姿态、环境参数(观察数据)和不同的设备控制参数(标签)之间的联合分布。
本申请实施例中，标记信息至少标识出各个训练数据中的人体姿态和该人体姿态下智能家居设备的设备参数，以空调为例，标记出人体蜷缩状态和提高温度的空调控制参数，人体姿态和空调控制参数的关联关系为人体蜷缩，说明用户体感较冷，需要提升用户所处的环境温度，因此需要控制空调提升温度。标记信息还可以标识出各个训练数据中的人体姿态、环境参数和对应的智能家居设备的设备参数，上述环境参数可以包括但不限于以下参数：日期时间、天气温度、天气晴朗、天气阴天、天气降雨、室内湿度、室内温度、夜间温度、上下扫风、左右扫风、空调温度、定时时长、用户夜间是否盖被褥、用户睡眠时长等。标记的智能家居设备的设备参数可以是一个智能家居设备，还可以是同时标记多个智能家居设备。
采用本申请技术方案，能够根据用户实际需求和环境变化智能调节智能家居设备的运行模式，极大提升用户体验，尤其是在老人、小孩睡觉时，能根据用户的姿态和周围环境的温度、湿度等信息智能调节空调、空气净化器、加湿器等智能家居设备的运行模式，保证用户处于较为舒适的环境睡眠，确保睡眠质量。
本申请实施例提供一种训练神经网络模型的方法，下面对该方法进行详细说明。
首先，需要采集大量数据，包括但不限于以下参数：日期时间、天气温度、天气晴朗、天气阴天、天气降雨、室内湿度、室内温度、夜间温度、上下扫风、左右扫风、空调温度、定时时长、用户夜间是否盖被褥、用户睡眠时长、用户睡眠姿态等。
接着对采集到的参数进行汇总并简单处理，以供在模型训练时能够及时使用。所述简单处理可以是对采集到的参数进行数据清洗。数据清洗(Data cleaning)是对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。
然后可以采用主成分分析法对采集的数据进行降维，以选择出主要特征，去除部分冗余数据。将降维后的数据输入深度置信网络模型(DBN)，设定深度置信网络模型的隐藏层数N和学习率ε，并通过遗传算法确定各个隐藏层中的节点数，同时使用Adam优化算法进行学习率ε的自适应调节。然后利用误差反向传播算法调节模型的权值和偏置，以建立预测模型。
可选地，利用第一神经网络模型对第一姿态进行识别之前，该方法包括按照如下方式获取第一神经网络模型：
步骤1，通过训练数据对第二神经网络模型内各参数进行初始化，得到第三神经网络模型；
步骤2，在第三神经网络模型对测试数据的识别准确度达到目标阈值的情况下，将第三神经网络模型作为第一神经网络模型；在第三神经网络模型对测试数据的识别准确度未达到目标阈值的情况下，继续使用训练数据对第三神经网络模型进行训练，以调整第三神经网络模型内各参数的数值，直至第三神经网络模型对测试数据的识别准确度达到目标阈值。
本申请实施例中，可以获取多个表征人体姿态的数据作为训练样本，并标注该训练样本对应的设备控制参数。训练数据可以来自于实际家庭场景，还可以来自于实验拓展的数据。利用上述训练数据初始化第二神经网络模型，得到第三神经网络模型，并训练该第三神经网络模型，直至该第三神经网络模型收敛，得到第一神经网络模型。
可选地，将第三神经网络模型作为第一神经网络模型之前，该方法还包括按照如下方式训练第三神经网络模型，直至第三神经网络模型收敛：
步骤1，将每一个训练数据输入第三神经网络模型，得到设备控制参数的训练预测值；
步骤2，根据多个训练预测值和对应的训练数据中实际的设备控制参数之间的差异确定损失值；
步骤3，利用多个损失值修正第三神经网络模型，直至第三神经网络模型输出结果的精度达到目标阈值。
本申请实施例中，通过遗传算法确定各个隐藏层中的节点数，同时使用Adam优化算法进行学习率ε的自适应调节，然后利用误差反向传播算法调节模型的权值和偏置，最终使得模型收敛。
可选地，步骤S206根据第一神经网络模型对第一姿态的识别结果确定目标设备的设备控制参数可以包括以下步骤：
步骤1，获取第一神经网络模型输出的识别结果，识别结果包括与第一姿态对应的各个设备控制参数的预测值；
步骤2，将预测值中的最大值作为最终的识别结果，并将最大值指示的设备控制参数作为与第一姿态匹配的最终的设备控制参数。
本申请实施例中，预先训练好的第一神经网络模型可以根据第一姿态预测用户实际需要的设备运行模式，即预测第一姿态与多个设备控制参数的匹配概率，并将概率最大的设备控制参数作为目标设备最终的设备控制参数。
可选地，步骤S208利用设备控制参数控制目标设备至少包括以下方式中的一种：
利用空调控制参数控制空调运行，设备控制参数包括空调控制参数，目标设备包括空调；
利用音乐播放参数控制音乐播放设备运行，设备控制参数包括音乐播放参数，目标设备包括音乐播放设备；
利用湿度调节参数控制加湿设备运行，设备控制参数包括湿度调节参数，目标设备包括加湿设备。
本申请实施例中，可以同时控制多个智能家居设备，以对用户的睡眠环境综合调节，保证用户处于较为舒适的环境睡眠，确保睡眠质量。
本申请技术方案为获取目标对象的第一姿态，第一姿态为基于毫米波雷达传感器对目标对象采集的监测数据识别得到的；利用第一神经网络模型对第一姿态进行识别；根据第一神经网络模型对第一姿态的识别结果确定目标设备的设备控制参数，第一神经网络模型是采用具有标记信息的训练数据对第二神经网络模型进行训练后得到的，标记信息用于标记训练数据中人体姿态及与人体姿态匹配的设备参数，识别结果用于指示第一姿态与设备控制参数的关联关系；利用设备控制参数控制目标设备。本申请能够根据用户实际需求和环境变化智能调节智能家居设备的运行模式，极大提升用户体验。
根据本申请实施例的又一方面，如图3所示，提供了一种设备控制装置，包括：姿态获取模块301，用于获取目标对象的第一姿态，第一姿态为基于毫米波雷达传感器对目标对象采集的监测数据识别得到的；姿态识别模块303，用于利用第一神经网络模型对第一姿态进行识别；参数确定模块305，用于根据第一神经网络模型对第一姿态的识别结果确定目标设备的设备控制参数，第一神经网络模型是采用具有标记信息的训练数据对第二神经网络模型进行训练后得到的，标记信息用于标记训练数据中人体姿态及与人体姿态匹配的设备参数，识别结果用于指示第一姿态与设备控制参数的关联关系；设备控制模块307，用于利用设备控制参数控制目标设备。
需要说明的是，该实施例中的姿态获取模块301可以用于执行本申请实施例中的步骤S202，该实施例中的姿态识别模块303可以用于执行本申请实施例中的步骤S204，该实施例中的参数确定模块305可以用于执行本申请实施例中的步骤S206，该实施例中的设备控制模块307可以用于执行本申请实施例中的步骤S208。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现。
可选地，该设备控制装置，还包括模型训练模块，用于：通过训练数据对第二神经网络模型内各参数进行初始化，得到第三神经网络模型；在第三神经网络模型对测试数据的识别准确度达到目标阈值的情况下，将第三神经网络模型作为第一神经网络模型；在第三神经网络模型对测试数据的识别准确度未达到目标阈值的情况下，继续使用训练数据对第三神经网络模型进行训练，以调整第三神经网络模型内各参数的数值，直至第三神经网络模型对测试数据的识别准确度达到目标阈值。
可选地，该模型训练模块，还用于：将每一个训练数据输入第三神经网络模型，得到设备控制参数的训练预测值；根据多个训练预测值和对应的训练数据中实际的设备控制参数之间的差异确定损失值；利用多个损失值修正第三神经网络模型，直至第三神经网络模型输出结果的精度达到目标阈值。
可选地，该模型训练模块，还用于：获取数据集；采用主成分分析的方式对数据集中的训练数据进行降维；将降维后的训练数据输入第三神经网络模型，以基于第二神经网络模型初始化得到的隐藏层数和学习率进行训练。
可选地，该参数确定模块，还用于：获取第一神经网络模型输出的识别结果，识别结果包括与第一姿态对应的各个设备控制参数的预测值；将预测值中的最大值作为最终的识别结果，并将最大值指示的设备控制参数作为与第一姿态匹配的最终的设备控制参数。
可选地，该参数确定模块，还用于：根据第一神经网络模型对第一姿态和环境参数的识别结果确定目标设备的设备控制参数，环境参数包括天气参数、温度参数、湿度参数、空调送风速度、空调扫风角度。
可选地，该设备控制模块，还用于：利用空调控制参数控制空调运行，设备控制参数包括空调控制参数，目标设备包括空调；利用音乐播放参数控制音乐播放设备运行，设备控制参数包括音乐播放参数，目标设备包括音乐播放设备；利用湿度调节参数控制加湿设备运行，设备控制参数包括湿度调节参数，目标设备包括加湿设备。
根据本申请实施例的又一方面还提供了一种计算机设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述步骤。
上述计算机设备中的存储器、处理器通过通信总线和通信接口进行通信。所述通信总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
根据本申请实施例的又一方面还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质。
可选地，在本申请实施例中，计算机可读介质被设置为存储用于所述处理器执行以下步骤的程序代码：
获取目标对象的第一姿态，第一姿态为基于毫米波雷达传感器对目标对象采集的监测数据识别得到的；
利用第一神经网络模型对第一姿态进行识别；
根据第一神经网络模型对第一姿态的识别结果确定目标设备的设备控制参数，第一神经网络模型是采用具有标记信息的训练数据对第二神经网络模型进行训练后得到的，标记信息用于标记训练数据中人体姿态及与人体姿态匹配的设备参数，识别结果用于指示第一姿态与设备控制参数的关联关系；
利用设备控制参数控制目标设备。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本申请实施例在具体实现时，可以参阅上述各个实施例，具有相应的技术效果。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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网络单元上。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。
所述功能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，本申请实施例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(可以是个人计算机，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、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种设备控制方法，其特征在于，包括：
获取目标对象的第一姿态，其中，所述第一姿态为基于毫米波雷达传感器对所述目标对象采集的监测数据识别得到的；
利用第一神经网络模型对所述第一姿态进行识别；
根据所述第一神经网络模型对所述第一姿态的识别结果确定目标设备的设备控制参数，其中，所述第一神经网络模型是采用具有标记信息的训练数据对第二神经网络模型进行训练后得到的，所述标记信息用于标记所述训练数据中人体姿态及与所述人体姿态匹配的设备参数，所述识别结果用于指示所述第一姿态与所述设备控制参数的关联关系；
利用所述设备控制参数控制所述目标设备。
2.根据权利要求1所述的方法，其特征在于，利用第一神经网络模型对所述第一姿态进行识别之前，所述方法包括按照如下方式获取所述第一神经网络模型：
通过所述训练数据对所述第二神经网络模型内各参数进行初始化，得到第三神经网络模型；
在所述第三神经网络模型对测试数据的识别准确度达到目标阈值的情况下，将所述第三神经网络模型作为所述第一神经网络模型；
在所述第三神经网络模型对所述测试数据的识别准确度未达到所述目标阈值的情况下，继续使用所述训练数据对所述第三神经网络模型进行训练，以调整所述第三神经网络模型内各参数的数值，直至所述第三神经网络模型对所述测试数据的识别准确度达到所述目标阈值。
3.根据权利要求2所述的方法，其特征在于，将所述第三神经网络模型作为所述第一神经网络模型之前，所述方法还包括按照如下方式训练所述第三神经网络模型，直至所述第三神经网络模型收敛：
将每一个所述训练数据输入所述第三神经网络模型，得到所述设备控制参数的训练预测值；
根据多个所述训练预测值和对应的所述训练数据中实际的所述设备控制参数之间的差异确定损失值；
利用多个所述损失值修正所述第三神经网络模型，直至所述第三神经网络模型输出结果的精度达到所述目标阈值。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取数据集；
采用主成分分析的方式对所述数据集中的所述训练数据进行降维；
将降维后的所述训练数据输入所述第三神经网络模型，以基于所述第二神经网络模型初始化得到的隐藏层数和学习率进行训练。
5.根据权利要求1所述的方法，其特征在于，根据所述第一神经网络模型对所述第一姿态的识别结果确定目标设备的设备控制参数包括：
获取所述第一神经网络模型输出的所述识别结果，其中，所述识别结果包括与所述第一姿态对应的各个所述设备控制参数的预测值；
将所述预测值中的最大值作为最终的所述识别结果，并将所述最大值指示的所述设备控制参数作为与所述第一姿态匹配的最终的所述设备控制参数。
6.根据权利要求1至5任一所述的方法，其特征在于，根据所述第一神经网络模型对所述第一姿态的识别结果确定目标设备的设备控制参数还包括：
根据所述第一神经网络模型对所述第一姿态和环境参数的所述识别结果确定目标设备的设备控制参数，其中，所述环境参数包括天气参数、温度参数、湿度参数、空调送风速度、空调扫风角度。
7.根据权利要求6所述的方法，其特征在于，利用所述设备控制参数控制所述目标设备至少包括以下方式中的一种：
利用空调控制参数控制空调运行，其中，所述设备控制参数包括所述空调控制参数，所述目标设备包括所述空调；
利用音乐播放参数控制音乐播放设备运行，其中，所述设备控制参数包括所述音乐播放参数，所述目标设备包括所述音乐播放设备；
利用湿度调节参数控制加湿设备运行，其中，所述设备控制参数包括所述湿度调节参数，所述目标设备包括所述加湿设备。
8.一种设备控制装置，其特征在于，包括：
姿态获取模块，用于获取目标对象的第一姿态，其中，所述第一姿态为基于毫米波雷达传感器对所述目标对象采集的监测数据识别得到的；
姿态识别模块，用于利用第一神经网络模型对所述第一姿态进行识别；
参数确定模块，用于根据所述第一神经网络模型对所述第一姿态的识别结果确定目标设备的设备控制参数，其中，所述第一神经网络模型是采用具有标记信息的训练数据对第二神经网络模型进行训练后得到的，所述标记信息用于标记所述训练数据中人体姿态及与所述人体姿态匹配的设备参数，所述识别结果用于指示所述第一姿态与所述设备控制参数的关联关系；
设备控制模块，用于利用所述设备控制参数控制所述目标设备。
9.一种计算机设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1至7任一所述方法。
CN202010975036.7A 2020-09-16 2020-09-16 设备控制方法、装置、设备及计算机可读介质 Pending CN112097374A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010975036.7A CN112097374A (zh) 2020-09-16 2020-09-16 设备控制方法、装置、设备及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010975036.7A CN112097374A (zh) 2020-09-16 2020-09-16 设备控制方法、装置、设备及计算机可读介质

Publications (1)

Publication Number Publication Date
CN112097374A true CN112097374A (zh) 2020-12-18

Family

ID=73759354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010975036.7A Pending CN112097374A (zh) 2020-09-16 2020-09-16 设备控制方法、装置、设备及计算机可读介质

Country Status (1)

Country Link
CN (1) CN112097374A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112859187A (zh) * 2021-01-06 2021-05-28 路晟（上海）科技有限公司 被探测物的姿态识别方法和装置、设备及系统
CN113009897A (zh) * 2021-03-09 2021-06-22 北京灵汐科技有限公司 一种智能家电的控制方法、装置、智能家电及存储介质
CN113671847A (zh) * 2021-08-13 2021-11-19 珠海格力电器股份有限公司 智能家居设备的联动控制方法、系统、装置及存储介质
CN113836795A (zh) * 2021-09-07 2021-12-24 珠海格力电器股份有限公司 货物初始放置姿态模型构建方法和平台
CN114326420A (zh) * 2021-12-10 2022-04-12 深圳市欧瑞博科技股份有限公司 设备智能分组方法、智能分组装置、智能设备及存储介质
CN114782987A (zh) * 2022-03-28 2022-07-22 西南交通大学 一种基于深度相机监督的毫米波雷达姿态识别方法
CN116301126A (zh) * 2022-12-20 2023-06-23 深圳市海蓝宝创科技有限公司 一种香薰机的控制方法、香薰机的控制装置及香薰机

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108762479A (zh) * 2018-04-02 2018-11-06 珠海格力电器股份有限公司 一种进行控制的方法与设备
KR20190085890A (ko) * 2019-07-01 2019-07-19 엘지전자 주식회사 제스처 인식 장치 및 방법
CN110632849A (zh) * 2019-08-23 2019-12-31 珠海格力电器股份有限公司 智能家电及其控制方法和装置、存储介质
CN110686376A (zh) * 2019-09-18 2020-01-14 珠海格力电器股份有限公司 一种基于人体睡姿识别的空调电扇联合控制方法、计算机可读存储介质及空调
CN110953681A (zh) * 2019-12-10 2020-04-03 珠海格力电器股份有限公司 一种控制空调的方法、装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108762479A (zh) * 2018-04-02 2018-11-06 珠海格力电器股份有限公司 一种进行控制的方法与设备
KR20190085890A (ko) * 2019-07-01 2019-07-19 엘지전자 주식회사 제스처 인식 장치 및 방법
CN110632849A (zh) * 2019-08-23 2019-12-31 珠海格力电器股份有限公司 智能家电及其控制方法和装置、存储介质
CN110686376A (zh) * 2019-09-18 2020-01-14 珠海格力电器股份有限公司 一种基于人体睡姿识别的空调电扇联合控制方法、计算机可读存储介质及空调
CN110953681A (zh) * 2019-12-10 2020-04-03 珠海格力电器股份有限公司 一种控制空调的方法、装置及存储介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112859187A (zh) * 2021-01-06 2021-05-28 路晟（上海）科技有限公司 被探测物的姿态识别方法和装置、设备及系统
CN112859187B (zh) * 2021-01-06 2022-11-08 路晟（上海）科技有限公司 被探测物的姿态识别方法和装置、设备及系统
CN113009897A (zh) * 2021-03-09 2021-06-22 北京灵汐科技有限公司 一种智能家电的控制方法、装置、智能家电及存储介质
CN113671847A (zh) * 2021-08-13 2021-11-19 珠海格力电器股份有限公司 智能家居设备的联动控制方法、系统、装置及存储介质
CN113836795A (zh) * 2021-09-07 2021-12-24 珠海格力电器股份有限公司 货物初始放置姿态模型构建方法和平台
CN113836795B (zh) * 2021-09-07 2024-06-07 珠海格力电器股份有限公司 货物初始放置姿态模型构建方法和平台
CN114326420A (zh) * 2021-12-10 2022-04-12 深圳市欧瑞博科技股份有限公司 设备智能分组方法、智能分组装置、智能设备及存储介质
CN114782987A (zh) * 2022-03-28 2022-07-22 西南交通大学 一种基于深度相机监督的毫米波雷达姿态识别方法
CN114782987B (zh) * 2022-03-28 2023-06-20 西南交通大学 一种基于深度相机监督的毫米波雷达姿态识别方法
CN116301126A (zh) * 2022-12-20 2023-06-23 深圳市海蓝宝创科技有限公司 一种香薰机的控制方法、香薰机的控制装置及香薰机
CN116301126B (zh) * 2022-12-20 2024-01-30 深圳市海蓝宝创科技有限公司 一种香薰机的控制方法、香薰机的控制装置及香薰机

Similar Documents

Publication Publication Date Title
CN112097374A (zh) 设备控制方法、装置、设备及计算机可读介质
US7397357B2 (en) Sensing and analysis of ambient contextual signals for discriminating between indoor and outdoor locations
CN111602153B (zh) 自动化的本地化机器学习训练
CN104238369B (zh) 智能家电控制方法和装置
US11268713B2 (en) Smart home air conditioner automatic control system based on artificial intelligence
CN112184626A (zh) 姿态识别方法、装置、设备及计算机可读介质
CN110925969B (zh) 一种空调控制方法、装置、电子设备及存储介质
CN108662728B (zh) 信息处理方法、信息处理装置以及记录介质
CN112101115B (zh) 基于热成像的温度控制方法、装置、电子设备和介质
US10769909B1 (en) Using sensor data to detect events
CN112859636A (zh) 智能家居控制方法、装置、家居控制设备及可读存储介质
US20200143809A1 (en) Electronic apparatus and control method thereof
CN110007613B (zh) 用于储热式电暖器的用暖预测方法、系统及存储介质
JP7065447B2 (ja) 情報処理方法、情報処理装置、及びプログラム
Hong et al. Reduction of false alarm signals for PIR sensor in realistic outdoor surveillance
CN116321620B (zh) 智能照明开关控制系统及其方法
JP2019011916A (ja) 空調制御装置、空調システム、制御方法及びプログラム
CN110990416A (zh) 实时气象信息更新方法、装置电子设备及介质
CN112303848A (zh) 一种空调调控方法、装置及系统
Hillyard et al. Never use labels: Signal strength-based Bayesian device-free localization in changing environments
CN111425997B (zh) 一种吹风模式的确定方法、装置、终端及计算机可读介质
EP4094679A1 (en) Millimeter wave (mmwave) mapping systems and methods for generating one or more point clouds and determining one or more vital signs for defining a human psychological state
Hagenaars et al. Single-pixel thermopile infrared sensing for people counting
CN116616747A (zh) 姿态识别方法、装置、电子设备及存储介质
Tanbo et al. Active RFID attached object clustering method with new evaluation criterion for finding lost objects

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: 20201218