CN112484734A - 基于特征提取自适应神经网络和co2的室内人员定位方法 - Google Patents
基于特征提取自适应神经网络和co2的室内人员定位方法 Download PDFInfo
- Publication number
- CN112484734A CN112484734A CN202011442477.7A CN202011442477A CN112484734A CN 112484734 A CN112484734 A CN 112484734A CN 202011442477 A CN202011442477 A CN 202011442477A CN 112484734 A CN112484734 A CN 112484734A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- feature extraction
- indoor personnel
- determining
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000000605 extraction Methods 0.000 title claims abstract description 36
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 16
- 238000004378 air conditioning Methods 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000009423 ventilation Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000009499 grossing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000010438 heat treatment Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- 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
Abstract
本发明公开了一种基于特征提取自适应神经网络和CO2的室内人员定位方法，属于环境监测和电子信息技术领域。本方法包括如下步骤：步骤1，采集原始环境参数数据；步骤2，采用最小二乘法对采集的数据进行处理；步骤3，采用滑动窗口对数据进行特征提取；步骤4，结合神经网络评价模块训练神经网络模型；步骤5，通过训练好的神经网络模型对室内人员进行定位；步骤6，对空调通风系统进行控制。该方法能够精确智能的对建筑通风、空调等系统进行控制，提高人们生活、工作的舒适度和节约能耗。
Description
技术领域
本发明涉及一种基于特征提取自适应神经网络和CO2的室内人员定位方法，属于环境监测和电子信息技术领域。
背景技术
现如今人们长时间呆在室内生活和工作，健康舒适的室内环境是人们生活和工作的重要保障，然而，实现健康舒适的室内环境需要消耗大量的能源，通常供热通风和空气调节系统约占建筑物总能耗的40％，由于普通的供热通风和空气调节系统通常是按照人们预先设定的时间表固定运行的，会造成一定能源浪费。研究表明，在大型的室内环境中，基于室内人员信息对供热通风和空气调节系统进行精确的控制可以节约建筑物中约三分之一的能源。因此室内人员的位置对室内供热通风和空气调节系统具有重要意义。
现有的获取室内人员位置的方法有通过摄像机视频识别技术预测室内人数和位置，但是由于硬件成本高，并且涉及办公室内人员隐私问题，该方法并不能广泛应用。还有基于终端设备的方法，例如要求室内人员佩戴带有基于UWB(超宽带)、WiFi或RFID(射频识别)的标签或手机获取室内位置信息，使用这些方法也会导致硬件成本高，并且也不能保障数据的安全性。
发明内容
为了解决传统建筑供热通风和空气调节系统能源消耗大，控制不精确灵活，获取室内人员位置成本高等问题，本发明提出了一种基于特征提取自适应神经网络和CO2的室内人员定位方法，提高人们生活、工作的舒适度和节约能耗。
本发明为解决其技术问题采用如下技术方案：
一种基于特征提取自适应神经网络和CO2的室内人员定位方法，包括如下步骤：
步骤1，采集原始环境参数数据；
步骤2，采用最小二乘法对采集的数据进行处理；
步骤3，采用滑动窗口对数据进行特征提取；
步骤4，结合神经网络评价模块训练神经网络模型；
步骤5，通过训练好的神经网络模型对室内人员进行定位；
步骤6，对空调通风系统进行控制。
步骤1具体过程如下：
步骤1.1，对室内进行区域划分，确定传感器数量；
步骤1.2，确定传感器监测的频率，在划分的每个区域放置气体传感器，对气体浓度进行监测记录。
步骤2具体过程如下：
步骤2.1，每个传感器节点监测的所有原始数据点中，前后各取两个相邻时间的点，用三次多项式进行逼近平滑；
步骤2.2，根据最小二乘原理确定系数，得到五点三次平滑公式；
步骤2.3，对每个数据点进行平滑处理。
步骤3的具体过程如下：
步骤3.1，确定窗口的大小；
步骤3.2，确定窗口的数量；
步骤3.3，求出每个窗口内数据的最大值、最小值、均值、方差值。
步骤4的具体过程如下：
步骤4.1，确定神经网络输入输出数据形式，输入为每个位置CO2气体浓度值，输出为室内人员位置；
步骤4.2，确定神经网络；
步骤4.3，确定激活函数；
步骤4.4，对神经网络进行训练；
步骤4.5，通过神经网络评价模块结合神经网络的准确率和运行时间对神经网络进行综合评价，设置最低门限，根据评价结果对特征提取阶段的窗口大小和特征选择进行修改，最终确定特征提取的窗口大小、特征、神经网络的参数。
步骤5的具体过程如下：
步骤5.1，获取气体浓度：从布置在室内每个区域的传感器中得到不同区域的CO2气体浓度数据；
步骤5.2，数据处理：对数据进行最小二乘法数据处理和特征提取；
步骤5.3，人员位置预测:将处理后的数据输入到神经网络模型中，得到预测的人员位置。
步骤6的具体过程如下：
通过室内人员的分布位置情况和气体分布情况对空调通风系统进行控制。
本发明的有益效果如下：
本发明通过气体传感器采集CO2气体浓度，将自适应特征提取后的CO2气体浓度输入训练好的神经网络模型，可以减少模型的运行时间，在低成本和保护人隐私的情况下快速的预测室内人员的位置，能够精确智能的对建筑通风、空调等系统进行控制，提高人们生活、工作的舒适度和节约能耗。
附图说明
图1是基于特征提取自适应神经网络和CO2的室内人员定位方法流程图。
图2是Sigmoid函数图。
图3是Tanh函数图。
图4是ReLU函数图。
图5是室内CO2传感器分布图。
图6是特征提取图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明。
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，所描述的实施例仅是本发明一部分实施例，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，都属于本发明保护的范围。图1为本发明所述基于特征提取自适应神经网络和CO2的室内人员定位方法流程图，图2为Sigmoid函数图，图3为Tanh函数图，图4为ReLU函数图。
基于特征提取自适应神经网络和CO2的室内人员定位方法，包括采集原始环境数据、最小二乘法数据处理、特征提取、训练神经网络模型、室内人员定位和控制空调通风系统。采集原始环境参数阶段是通过室内布置的多个CO2传感器获得不同位置的CO2气体浓度，将这些数据作为原始数据；最小二乘法数据处理阶段是在原始数据中每个监测数据点的前后各取两个相邻的点，用三次多项式进行逼近平滑。特征提取阶段分别对多个传感器节点，将每个传感器浓度数据划分为多个窗口，计算出每个窗口的最大值、最小值、均值、方差等作为神经网络的输入特征。训练神经网络模型阶段是将处理后的二氧化碳数据作为神经网络的输入，人员的真实位置作为输出，对神经网络进行训练，训练完成后神经网络评价模块结合神经网络的准确率和运行时间对神经网络进行综合评价，根据评价结果对特征提取阶段的窗口大小和特征选择进行修改，最终确定特征提取的窗口大小、特征、神经网络的参数。室内人员定位阶段是通过CO2传感器获得气体浓度数据，再将数据通过最小二乘法数据处理和特征提取处理作为输入，通过训练好的神经网络模型对室内人员的位置进行预测。控制空调通风系统阶段是通过室内人员的位置分布情况和气体分布情况对空调通风系统进行控制。
如图1所示，具体包括如下步骤：
(1)采集原始环境参数:采集原始环境参数阶段是通过室内布置的多个CO2传感器获得不同位置的CO2气体浓度，将这些数据作为原始数据。
(2)最小二乘法数据处理：最小二乘法数据处理阶段是在原始数据中每个监测数据点的前后各取两个相邻的点，用三次多项式进行逼近平滑。
(3)特征提取阶段：分别对多个传感器节点，将每个传感器浓度数据划分为多个窗口，计算出每个窗口的最大值、最小值、均值、方差等作为神经网络的输入特征。
(4)训练神经网络模型：该阶段是将处理后的二氧化碳数据作为神经网络的输入，人员的真实位置作为输出，对神经网络进行训练，训练完成后神经网络评价模块结合神经网络的准确率和运行时间对神经网络进行综合评价，根据评价结果对特征提取阶段的窗口大小和特征选择进行修改，最终确定特征提取的窗口大小、特征、神经网络的参数。
(5)室内人员定位:该阶段是通过CO2传感器获得气体浓度数据，再将数据通过最小二乘法数据处理和特征提取处理作为输入，通过训练好的神经网络模型对室内人员的位置进行预测。
(6)控制空调通风系统阶段：通过室内人员的位置分布情况和气体分布情况对空调通风系统进行控制。
所述采集原始环境参数步骤如下：
a.本实施例将室内划分为8个区域如图5所示，每个区域中间放置一个CO2气体传感器，一共放置8个传感器。
b.设定传感器监测频率为1Hz，对CO2气体浓度进行监测。
所述最小二乘法数据处理步骤如下：
1)设已知监测点n个连续监测时间点上t0＜t1＜…＜tn-1测得的数据为x0,x1,…,xn-1，n≥5。则可以在每个数据点前后各取2个相邻的点，用三次多项式进行逼近每个监测数据点的前后各取两个相邻的点，用三次多项式进行逼近，公式如下：
x＝a0+a1t+a2t2+a3t3
其中：x为监测的数据值，t为时间。
2)根据最小二乘原理确定系数a0,a1,a2,a3，最后可得到五点三次平滑公式,公式如下：
其中：xi为在时间点ti测得的数据，xi-1为在时间点ti-1测得的数据，xi-2为在时间点ti-2测得的数据，xi+1为在时间点ti+1测得的数据，xi+2为在时间点ti+2测得的数据，
为xi的平滑值，
为xi-1的平滑值，
为xi-2的平滑值，
为xi+1的平滑值，
为xi+2的平滑值。
3)对每个数据点进行平滑。
所述特征提取步骤如下：
A.确定窗口大小为15S内的CO2浓度值。
B.选择1小时的浓度数据作为神经网络训练的数据，则每个节点有240个窗口。
C.求出每个窗口内数据的最大值、最小值、均值、方差等值如图6所示。
所述训练神经网络模型如下：
(一)确定输入神经网络的数据形式：将8个CO2气体传感器监测到的数据融合，其结构如表1所示：
表1输入神经网络的数据结构
| C<sub>11max</sub> | C<sub>11min</sub> | C<sub>11mean</sub> | C<sub>11var</sub> | … | C<sub>18max</sub> | C<sub>18min</sub> | C<sub>18mean</sub> | C<sub>18var</sub> |
| C<sub>21max</sub> | C<sub>21min</sub> | C<sub>21mean</sub> | C<sub>21var</sub> | … | C<sub>28max</sub> | C<sub>28min</sub> | C<sub>28mean</sub> | C<sub>28var</sub> |
| … | … | … | … | … | … | … | … | … |
| C<sub>n1max</sub> | C<sub>n1min</sub> | C<sub>n1mean</sub> | C<sub>n1var</sub> | … | C<sub>n8max</sub> | C<sub>n8min</sub> | C<sub>n8mean</sub> | C<sub>n8var</sub> |
其中Cn1max表示第1个节点在第n个窗口中CO2浓度数据的最大值，Cn1min表示第1个节点在第n个窗口中CO2浓度数据的最小值，Cn1mean表示第1个节点在第n个窗口中CO2浓度数据的平均值，Cn1var表示第1个节点在第n个窗口中CO2浓度数据的方差。
(二)确定神经网络模型：常用的神经网络模型有BP(Back Propagation)神经网络，径向基神经网络，多层感知机神经网络，线性神经网络等，本实施例选择多层感知机作为神经网络模型，隐藏层数为两层，第一层隐藏层有50个神经元，第二层也有30个神经元。
(三)确定激活函数：常用的激活函数有
1.Sigmoid函数
Sigmoid函数是一个在生物学中常见的S型函数，也称为S型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0,1之间。公式如下
函数图像如图2所示。
2.Tanh函数
Tanh是双曲函数中的一个，Tanh()为双曲正切。在数学中，双曲正切“Tanh”是由基本双曲函数双曲正弦和双曲余弦推导而来。公式如下
函数图像为如图3所示。
3.ReLU函数
Relu激活函数，用于隐层神经元输出。公式如下
f(x)＝max(0，x)
函数图像如图4所示。
本实施例选用的激活函数为Tanh函数。
(四)对神经网络进行训练。
(五)通过神经网络评价模块结合神经网络的准确率和运行时间对神经网络进行综合评价，设置最低门限，根据评价结果对特征提取阶段的窗口大小和特征选择进行修改，最终确定特征提取的窗口大小为15、特征为最大值、最小值、均值、方差时神经网络的效果最好。
所述室内人员定位步骤如下：
i.从布置在室内的多个传感器中得到不同区域CO2气体浓度数据。
ii.对数据进行最小二乘法数据处理和特征提取。
iii.将处理后的数据输入到神经网络模型中，得到预测的人员位置。
所述控制空调通风系统阶段步骤如下：
通过室内人员的分布情况和气体分布情况对空调通风系统进行控制。
上面结合附图对本发明的实施方式作了详细地说明，但是本发明并不局限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (7)
1.一种基于特征提取自适应神经网络和CO2的室内人员定位方法，其特征在于，包括如下步骤：
步骤1，采集原始环境参数数据；
步骤2，采用最小二乘法对采集的数据进行处理；
步骤3，采用滑动窗口对数据进行特征提取；
步骤4，结合神经网络评价模块训练神经网络模型；
步骤5，通过训练好的神经网络模型对室内人员进行定位；
步骤6，对空调通风系统进行控制。
2.根据权利要求1所述的基于特征提取自适应神经网络和CO2的室内人员定位方法，其特征在于：步骤1具体过程如下：
步骤1.1，对室内进行区域划分，确定传感器数量；
步骤1.2，确定传感器监测的频率，在划分的每个区域放置气体传感器，对气体浓度进行监测记录。
3.根据权利要求1所述的基于特征提取自适应神经网络和CO2的室内人员定位方法，其特征在于：步骤2具体过程如下：
步骤2.1，每个传感器节点监测的所有原始数据点中，前后各取两个相邻时间的点，用三次多项式进行逼近平滑；
步骤2.2，根据最小二乘原理确定系数，得到五点三次平滑公式；
步骤2.3，对每个数据点进行平滑处理。
4.根据权利要求1所述的基于特征提取自适应神经网络和CO2的室内人员定位方法，其特征在于：步骤3的具体过程如下：
步骤3.1，确定窗口的大小；
步骤3.2，确定窗口的数量；
步骤3.3，求出每个窗口内数据的最大值、最小值、均值、方差值。
5.根据权利要求1所述的基于特征提取自适应神经网络和CO2的室内人员定位方法，其特征在于：步骤4的具体过程如下：
步骤4.1，确定神经网络输入输出数据形式，输入为每个位置CO2气体浓度值，输出为室内人员位置；
步骤4.2，确定神经网络；
步骤4.3，确定激活函数；
步骤4.4，对神经网络进行训练；
步骤4.5，通过神经网络评价模块结合神经网络的准确率和运行时间对神经网络进行综合评价，设置最低门限，根据评价结果对特征提取阶段的窗口大小和特征选择进行修改，最终确定特征提取的窗口大小、特征、神经网络的参数。
6.根据权利要求1所述的基于特征提取自适应神经网络和CO2的室内人员定位方法，其特征在于：步骤5的具体过程如下：
步骤5.1，获取气体浓度：从布置在室内每个区域的传感器中得到不同区域的CO2气体浓度数据；
步骤5.2，数据处理：对数据进行最小二乘法数据处理和特征提取；
步骤5.3，人员位置预测:将处理后的数据输入到神经网络模型中，得到预测的人员位置。
7.根据权利要求1所述的基于特征提取自适应神经网络和CO2的室内人员定位方法，其特征在于：步骤6的具体过程如下：
通过室内人员的分布位置情况和气体分布情况对空调通风系统进行控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011442477.7A CN112484734A (zh) | 2020-12-08 | 2020-12-08 | 基于特征提取自适应神经网络和co2的室内人员定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011442477.7A CN112484734A (zh) | 2020-12-08 | 2020-12-08 | 基于特征提取自适应神经网络和co2的室内人员定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112484734A true CN112484734A (zh) | 2021-03-12 |
Family
ID=74941091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011442477.7A Pending CN112484734A (zh) | 2020-12-08 | 2020-12-08 | 基于特征提取自适应神经网络和co2的室内人员定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112484734A (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012002504A (ja) * | 2011-09-05 | 2012-01-05 | Toshiba Corp | 二酸化炭素濃度測定用センサーシステム及び二酸化炭素センサー |
| CN103116877A (zh) * | 2013-02-25 | 2013-05-22 | 中国水利水电科学研究院 | 一种水库水位过程平滑处理方法 |
| CN104797323A (zh) * | 2012-11-15 | 2015-07-22 | 恩沃德系统公司 | 适用于减少室内空气中的有害气体的方法和系统 |
| CN204669619U (zh) * | 2015-06-18 | 2015-09-23 | 中国矿业大学 | 一种监测室内环境状态的室内定位系统 |
| JP2016171526A (ja) * | 2015-03-13 | 2016-09-23 | 株式会社東芝 | 画像センサ、人検出方法、制御システム、制御方法及びコンピュータプログラム |
| CN107621061A (zh) * | 2017-09-30 | 2018-01-23 | 深圳市百欧森环保科技股份有限公司 | 基于大数据的空气净化方法和智能空气净化装置 |
| CN108600367A (zh) * | 2018-04-24 | 2018-09-28 | 上海奥孛睿斯科技有限公司 | 物联网系统及方法 |
| CN109373549A (zh) * | 2018-11-13 | 2019-02-22 | 天津大学 | 基于人员定位室内空气质量控制系统以及通风计算方法 |
| CN109711261A (zh) * | 2018-11-28 | 2019-05-03 | 山东师范大学 | 一种室内人员定位方法及装置、建筑智能照明系统 |
| CN109813374A (zh) * | 2019-01-18 | 2019-05-28 | 西南石油大学 | 分布式室内环境监测系统 |
| CN110030703A (zh) * | 2019-04-24 | 2019-07-19 | 重庆大学 | 一种基于人员定位检测的室内空气质量调控系统及方法 |
| CN209229949U (zh) * | 2018-11-12 | 2019-08-09 | 清华大学 | 基于室内人数的空调及新风系统预测性控制系统 |
| CN110332686A (zh) * | 2019-07-09 | 2019-10-15 | 上海华竖能源科技有限公司 | 一种楼宇能耗控制节能系统及其方法 |
| CN110675006A (zh) * | 2019-11-07 | 2020-01-10 | 桂林理工大学 | 一种室内空气质量实时监测与甲醛衰减预测系统 |
| CN111144793A (zh) * | 2020-01-03 | 2020-05-12 | 南京邮电大学 | 基于多智能体深度强化学习的商业建筑hvac控制方法 |
| US20200302187A1 (en) * | 2015-07-17 | 2020-09-24 | Origin Wireless, Inc. | Method, apparatus, and system for people counting and recognition based on rhythmic motion monitoring |
| CN111716150A (zh) * | 2020-06-30 | 2020-09-29 | 大连理工大学 | 一种刀具状态智能监测的进化学习方法 |
| JP2020159651A (ja) * | 2019-03-27 | 2020-10-01 | 大阪瓦斯株式会社 | 電力モード管理システム |
| 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 |
| CN111947287A (zh) * | 2020-08-10 | 2020-11-17 | 海信（山东）空调有限公司 | 一种空调器和二氧化碳浓度的检测方法 |
-
2020
- 2020-12-08 CN CN202011442477.7A patent/CN112484734A/zh active Pending
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012002504A (ja) * | 2011-09-05 | 2012-01-05 | Toshiba Corp | 二酸化炭素濃度測定用センサーシステム及び二酸化炭素センサー |
| CN104797323A (zh) * | 2012-11-15 | 2015-07-22 | 恩沃德系统公司 | 适用于减少室内空气中的有害气体的方法和系统 |
| CN103116877A (zh) * | 2013-02-25 | 2013-05-22 | 中国水利水电科学研究院 | 一种水库水位过程平滑处理方法 |
| JP2016171526A (ja) * | 2015-03-13 | 2016-09-23 | 株式会社東芝 | 画像センサ、人検出方法、制御システム、制御方法及びコンピュータプログラム |
| CN204669619U (zh) * | 2015-06-18 | 2015-09-23 | 中国矿业大学 | 一种监测室内环境状态的室内定位系统 |
| US20200302187A1 (en) * | 2015-07-17 | 2020-09-24 | Origin Wireless, Inc. | Method, apparatus, and system for people counting and recognition based on rhythmic motion monitoring |
| CN107621061A (zh) * | 2017-09-30 | 2018-01-23 | 深圳市百欧森环保科技股份有限公司 | 基于大数据的空气净化方法和智能空气净化装置 |
| CN108600367A (zh) * | 2018-04-24 | 2018-09-28 | 上海奥孛睿斯科技有限公司 | 物联网系统及方法 |
| CN209229949U (zh) * | 2018-11-12 | 2019-08-09 | 清华大学 | 基于室内人数的空调及新风系统预测性控制系统 |
| CN109373549A (zh) * | 2018-11-13 | 2019-02-22 | 天津大学 | 基于人员定位室内空气质量控制系统以及通风计算方法 |
| CN109711261A (zh) * | 2018-11-28 | 2019-05-03 | 山东师范大学 | 一种室内人员定位方法及装置、建筑智能照明系统 |
| CN109813374A (zh) * | 2019-01-18 | 2019-05-28 | 西南石油大学 | 分布式室内环境监测系统 |
| JP2020159651A (ja) * | 2019-03-27 | 2020-10-01 | 大阪瓦斯株式会社 | 電力モード管理システム |
| CN110030703A (zh) * | 2019-04-24 | 2019-07-19 | 重庆大学 | 一种基于人员定位检测的室内空气质量调控系统及方法 |
| CN110332686A (zh) * | 2019-07-09 | 2019-10-15 | 上海华竖能源科技有限公司 | 一种楼宇能耗控制节能系统及其方法 |
| CN110675006A (zh) * | 2019-11-07 | 2020-01-10 | 桂林理工大学 | 一种室内空气质量实时监测与甲醛衰减预测系统 |
| CN111144793A (zh) * | 2020-01-03 | 2020-05-12 | 南京邮电大学 | 基于多智能体深度强化学习的商业建筑hvac控制方法 |
| 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 |
| CN111716150A (zh) * | 2020-06-30 | 2020-09-29 | 大连理工大学 | 一种刀具状态智能监测的进化学习方法 |
| CN111947287A (zh) * | 2020-08-10 | 2020-11-17 | 海信（山东）空调有限公司 | 一种空调器和二氧化碳浓度的检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| BOLUN ZHANG等: "Inferring building occupancy based on statistical modeling of multi-sensor data", 《2016 IEEE INTERNATIONAL CONFERENCE ON AUTOMATION SCIENCE AND ENGINEERING (CASE)》, pages 809 - 814 * |
| 宋秀瑜: "南京地区气溶胶反演及气溶胶含量的影响因素分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 1, pages 027 - 923 * |
| 岑冬冬: "基于室内人员走动及数量变化工况下的通风系统优化设计", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 1, pages 038 - 2485 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7188255B2 (ja) | 学習方法、学習プログラムおよび学習装置 | |
| Yang et al. | A systematic approach to occupancy modeling in ambient sensor-rich buildings | |
| CN107315884B (zh) | 一种基于线性回归的建筑能耗建模方法 | |
| Wolf et al. | Carbon dioxide-based occupancy estimation using stochastic differential equations | |
| Yuan et al. | Occupancy estimation in buildings based on infrared array sensors detection | |
| Pazhoohesh et al. | A satisfaction-range approach for achieving thermal comfort level in a shared office | |
| CN103761726B (zh) | 基于fcm的分块自适应图像分割方法 | |
| Rahman et al. | Bayesian estimation of occupancy distribution in a multi-room office building based on CO 2 concentrations | |
| CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
| CN110555524A (zh) | 基于室内环境监测的训练样本数据获取方法及装置 | |
| CN116413395A (zh) | 一种环境异常智能检测方法 | |
| CN111695290A (zh) | 一种适用于变化环境下的短期径流智能预报混合模型方法 | |
| CN115962551A (zh) | 用于楼宇自动控制的智能空调控制系统和方法 | |
| CN112272074A (zh) | 一种基于神经网络的信息传输速率控制方法及系统 | |
| CN106292325B (zh) | 一种数据驱动的家居环境舒适性偏好建模与控制方法 | |
| CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
| CN113703506A (zh) | 一种建筑材料生产车间环境控制调节方法及系统 | |
| CN117469603B (zh) | 一种基于大数据学习的多水厂供水系统压力优化控制方法 | |
| CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
| CN112484734A (zh) | 基于特征提取自适应神经网络和co2的室内人员定位方法 | |
| CN116109011B (zh) | 一种智慧园区的能耗管理方法及终端 | |
| CN108664452B (zh) | 一种室内人员数量的确定方法及确定系统 | |
| CN108802845B (zh) | 一种基于红外阵列传感器的室内人员占有率估计方法 | |
| CN112686442A (zh) | 基于运行多样性空调末端能耗预测方法和系统 | |
| CN114239943A (zh) | 一种气溶胶浓度预测方法 |
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 |