CN112814500A - 一种智能锁实时监控系统及方法 - Google Patents

一种智能锁实时监控系统及方法 Download PDF

Info

Publication number
CN112814500A
CN112814500A CN202011629556.9A CN202011629556A CN112814500A CN 112814500 A CN112814500 A CN 112814500A CN 202011629556 A CN202011629556 A CN 202011629556A CN 112814500 A CN112814500 A CN 112814500A
Authority
CN
China
Prior art keywords
path
intelligent lock
data
network
neural nodes
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.)
Granted
Application number
CN202011629556.9A
Other languages
English (en)
Other versions
CN112814500B (zh
Inventor
葛士忠
黄月平
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.)
Nanjing Haisuo Information Technology Co ltd
Original Assignee
Nanjing Haisuo Information 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 Nanjing Haisuo Information Technology Co ltd filed Critical Nanjing Haisuo Information Technology Co ltd
Priority to CN202011629556.9A priority Critical patent/CN112814500B/zh
Publication of CN112814500A publication Critical patent/CN112814500A/zh
Application granted granted Critical
Publication of CN112814500B publication Critical patent/CN112814500B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
    • E05B—LOCKS; ACCESSORIES THEREFOR; HANDCUFFS
    • E05B77/00—Vehicle locks characterised by special functions or purposes
    • E—FIXED CONSTRUCTIONS
    • E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
    • E05B—LOCKS; ACCESSORIES THEREFOR; HANDCUFFS
    • E05B81/00—Power-actuated vehicle locks
    • E05B81/02—Power-actuated vehicle locks characterised by the type of actuators used
    • E05B81/04—Electrical
    • E—FIXED CONSTRUCTIONS
    • E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
    • E05B—LOCKS; ACCESSORIES THEREFOR; HANDCUFFS
    • E05B81/00—Power-actuated vehicle locks
    • E05B81/54—Electrical circuits
    • E05B81/64—Monitoring or sensing, e.g. by using switches or sensors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Library & Information Science (AREA)
  • Neurology (AREA)
  • Burglar Alarm Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种智能锁实时监控系统及方法，包括路径记录单元、网络定位单元和云端监控单元；路径记录单元，包括数据存储模块，记录智能锁的位移点形成路径，保存在数据存储模块，上传到云端保存；网络定位单元，包括网络传输模块，通过GPS定位确定自身方位，通过连接周围的公共WiFi辅助判断精确位置；云端监控单元，通过多神经元算法记录学习智能锁的移动路径，预测智能锁活动范围，当智能锁移动到预测范围外开始标记移动路线并下传到绑定的智能终端。本发明通过实时监控智能锁位置，判断安装智能锁的车辆状态，起到防盗功能，通过多神经元算法对使用智能锁的车辆进行路径记录，判断其活动范围，预测车辆的行动轨迹，起到进一步防盗的效果。

Description

一种智能锁实时监控系统及方法
技术领域
本发明涉及智能锁实时监控系统，属于智能锁防盗领域。
背景技术
大数据时代下，对智能锁的要求越来越高。智能锁原本是通过与智能终端连接，提高保密性，解放钥匙与锁眼这一传统锁形式的新产品，但在如今的大数据时代，智能锁如果仅仅与智能终端连接解锁，很明显不够智能，也浪费了智能终端的数据传输功能。
现有的智能锁少有实时监控的功能，不能对锁住的车辆进行监控，也不能实时汇报锁住车辆的位置。
发明内容
发明目的：提供一种智能锁实时监控系统及方法，以解决上述问题。
技术方案：一种智能锁实时监控系统，包括路径记录单元、网络定位单元和云端监控单元；
路径记录单元，包括数据存储模块，记录智能锁的位移点形成路径，保存在数据存储模块，上传到云端保存；
网络定位单元，包括网络传输模块，通过GPS定位确定自身方位，通过连接周围的公共WiFi辅助判断精确位置；
云端监控单元，通过多神经元算法记录学习智能锁的移动路径，预测智能锁活动范围，当智能锁移动到预测范围外开始标记移动路线并下传到绑定的智能终端。
根据本发明的一个方面，所述路径记录单元在智能锁锁定模式定时上传自身定位，在智能锁解锁模式实时记录移动路径，当智能锁锁定模式上传的自身定位出现变化。
根据本发明的一个方面，所述网络定位单元包括位移传感器，判断智能锁移动状态，当智能锁处于移动状态时，即便智能锁处于锁定模式也激活智能锁实时上传定位功能记录移动路径。
根据本发明的一个方面，所述云端监控单元通过多神经元算法根据上传的路径记录预测携带智能锁的车辆的活动范围，作为该车辆的正常活动空间，当智能锁的定位出现在正常活动空间之外或者移动路径偏离常规路径，则想绑定的智能终端发送信息提示。
根据本发明的一个方面，所述云端监控单元包括多神经元结构包括输入层、隐含层和输出层，输入层到隐含层构建各子网互补交叉，隐含层到输出层构建相互交叉并且连接，构成多神经元控制器，在输入层输出数据等于输入数据
Figure 918382DEST_PATH_IMAGE001
，
其中
Figure 297935DEST_PATH_IMAGE002
为t时间内输入层的输出数据，
Figure 135441DEST_PATH_IMAGE003
为t时间内输入层的输出数据，t为时间，i为序号，
在隐含层的输入数据为
Figure 888503DEST_PATH_IMAGE004
，
Figure 127854DEST_PATH_IMAGE005
为隐含层的输入数据，
Figure 675379DEST_PATH_IMAGE006
是网络权值，
在输出层的输出数据为
Figure 181DEST_PATH_IMAGE007
，
Figure 760195DEST_PATH_IMAGE008
为输出层的输出数据，
Figure 588474DEST_PATH_IMAGE009
为神经元数据，
为了得到网络失真度假定所有神经节点数为N，各节点的权值为0，方差为σ的高斯分布，计算失真约束
Figure 575409DEST_PATH_IMAGE010
，
其中n为活跃神经节点数量，D(n)为n个活跃神经节点发送信息到其他神经节点是产生的网络失真度，
Figure 121928DEST_PATH_IMAGE011
为个神经节点之间的相关系数，
规定网络最大失真阈值，在遵循失真约束条件下充分利用神经节点，当失真度大于最大失真阈值则重新分配神经节点。
一种智能锁实时监控方法，利用多神经元算法学习时通过数据融合预测模型，需要优化神经节点的分配，具体步骤包括：
步骤1、神经节点初始化，设定神经节点数量为N，最大失真阈值为
Figure 482371DEST_PATH_IMAGE012
，通过粒子群算法不断迭代找出低于阈值的最小失真度，停止选择，得到活跃神经节点；
步骤2、确定活跃神经节点后，有活跃神经节点对多神经元进行区域划分，再进行数据传输，每个区域设为神经元模型，神经节点为输入层，活跃神经节点为隐含层到输出层，输入层对采集数据预处理，消除冗余操作，减少通信数据；
步骤3、活跃神经节点根据信息构造多神经元网络，多神经元网络开始检索数据，对神经节点进行训练，将训练得到的预测数据与真实数据计算误差进行对比，神经节点学会判断是否传送数据，活跃神经节点报告信息；
步骤4、将信息加入数据库进行迭代计算，判断网络失真度，如果没有超过设定阈值，重复步骤3进行反复学习，优化预测模型，如果超过阈值重复步骤2重新分配神经节点。
有益效果：本发明通过多神经元算法预测智能锁记录的车龄活动路径，实现实时监控，通过计算网络失真度，降低失真影响，通过设置活跃神经节点预处理消除冗余操作，减少通信数据，提高工作效率，加快响应速度。
附图说明
图1是本发明的智能锁实时监控系统的系统框图。
具体实施方式
用多神经元算法预测智能锁记录的车辆轨迹模型，当车辆偏离预测的活动范围就发送信号给绑定的智能终端。
在该实施例中，如图1所示，一种智能锁实时监控系统，包括路径记录单元、网络定位单元和云端监控单元；
路径记录单元，包括数据存储模块，记录智能锁的位移点形成路径，保存在数据存储模块，上传到云端保存；
网络定位单元，包括网络传输模块，通过GPS定位确定自身方位，通过连接周围的公共WiFi辅助判断精确位置；
云端监控单元，通过多神经元算法记录学习智能锁的移动路径，预测智能锁活动范围，当智能锁移动到预测范围外开始标记移动路线并下传到绑定的智能终端。
在进一步的实施例中，智能锁实时开启卫星定位，并与周围WiFi连接确定详细位置，当处于锁定模式下，会定时发送位置信号到云端，云端记录位置信息与解锁状态下的最后定位地点进行比对当偏离最后定位点会向绑定的智能终端发送位置信息；
当智能锁处于解锁模式，会实时发送位置信号到云端，云端记录行动路径作为被锁车辆日常活动范围与行动轨迹的模型资料，建立预测模型，当解锁状态下的行宫轨迹与预测模型不同或者活动范围超过日常活动范围，即时发送信号到绑定的智能终端。
在此实施例中，采用多神经元算法生产预测模型，多神经元结构包括输入层、隐含层和输出层，输入层到隐含层构建各子网互补交叉，隐含层到输出层构建相互交叉并且连接，构成多神经元控制器，在输入层输出数据等于输入数据
Figure 430736DEST_PATH_IMAGE001
，
其中
Figure 382380DEST_PATH_IMAGE002
为t时间内输入层的输出数据，
Figure 71987DEST_PATH_IMAGE003
为t时间内输入层的输出数据，t为时间，i为序号，
在隐含层的输入数据为
Figure 455695DEST_PATH_IMAGE004
，
Figure 499045DEST_PATH_IMAGE005
为隐含层的输入数据，
Figure 106744DEST_PATH_IMAGE006
是网络权值，
在输出层的输出数据为
Figure 549226DEST_PATH_IMAGE007
，
Figure 64521DEST_PATH_IMAGE008
为输出层的输出数据，
Figure 502325DEST_PATH_IMAGE009
为神经元数据。
多神经元算法对资源要求高，难以在计算资源不够的情况下应用，所以需要降低多神经元算法的运算量，同时网络数据传递会出现失真，需要降低网络失真度，首先要计算出失真度。
在进一步的实施例中，为了得到网络失真度假定所有神经节点数为N，各节点的权值为0，方差为σ的高斯分布，计算失真约束
Figure 953029DEST_PATH_IMAGE010
，
其中n为活跃神经节点数量，D(n)为n个活跃神经节点发送信息到其他神经节点是产生的网络失真度，
Figure 210704DEST_PATH_IMAGE011
为个神经节点之间的相关系数，
在此实施例中，规定网络最大失真阈值，在遵循失真约束条件下充分利用神经节点，当失真度大于最大失真阈值则重新分配神经节点。
一种智能锁实时监控方法，利用多神经元算法学习时通过数据融合预测模型，需要优化神经节点的分配，具体步骤包括：
步骤1、神经节点初始化，设定神经节点数量为N，最大失真阈值为
Figure 201793DEST_PATH_IMAGE012
，通过粒子群算法不断迭代找出低于阈值的最小失真度，停止选择，得到活跃神经节点；
步骤2、确定活跃神经节点后，有活跃神经节点对多神经元进行区域划分，再进行数据传输，每个区域设为神经元模型，神经节点为输入层，活跃神经节点为隐含层到输出层，输入层对采集数据预处理，消除冗余操作，减少通信数据；
步骤3、活跃神经节点根据信息构造多神经元网络，多神经元网络开始检索数据，对神经节点进行训练，将训练得到的预测数据与真实数据计算误差进行对比，神经节点学会判断是否传送数据，活跃神经节点报告信息；
步骤4、将信息加入数据库进行迭代计算，判断网络失真度，如果没有超过设定阈值，重复步骤3进行反复学习，优化预测模型，如果超过阈值重复步骤2重新分配神经节点。
总之，本发明具有以下优点：
1、通过多神经元算法预测智能锁记录的车龄活动路径，实现实时监控；
2、通过计算网络失真度，降低失真影响；
3、通过设置活跃神经节点预处理消除冗余操作，减少通信数据，提高工作效率，加快响应速度。
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，用于通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

Claims (7)

1.一种智能锁实时监控系统，其特征在于，包括路径记录单元、网络定位单元和云端监控单元；
路径记录单元，包括数据存储模块，记录智能锁的位移点形成路径，保存在数据存储模块，上传到云端保存；
网络定位单元，包括网络传输模块，通过GPS定位确定自身方位，通过连接周围的公共WiFi辅助判断精确位置；
云端监控单元，通过多神经元算法记录学习智能锁的移动路径，预测智能锁活动范围，当智能锁移动到预测范围外开始标记移动路线并下传到绑定的智能终端。
2.根据权利要求1所述的一种智能锁实时监控系统，其特征在于，所述路径记录单元在智能锁锁定模式定时上传自身定位，在智能锁解锁模式实时记录移动路径，当智能锁锁定模式上传的自身定位出现变化。
3.根据权利要求1所述的一种智能锁实时监控系统，其特征在于，所述网络定位单元包括位移传感器，判断智能锁移动状态，当智能锁处于移动状态时，即便智能锁处于锁定模式也激活智能锁实时上传定位功能记录移动路径。
4.根据权利要求1所述的一种智能锁实时监控系统，其特征在于，所述云端监控单元通过多神经元算法根据上传的路径记录预测携带智能锁的车辆的活动范围，作为该车辆的正常活动空间，当智能锁的定位出现在正常活动空间之外或者移动路径偏离常规路径，则想绑定的智能终端发送信息提示。
5.根据权利要求1所述的一种智能锁实时监控系统，其特征在于，所述云端监控单元包括多神经元结构包括输入层、隐含层和输出层，输入层到隐含层构建各子网互补交叉，隐含层到输出层构建相互交叉并且连接，构成多神经元控制器，在输入层输出数据等于输入数据
Figure DEST_PATH_IMAGE001
，
其中
Figure 585249DEST_PATH_IMAGE002
为t时间内输入层的输出数据，
Figure DEST_PATH_IMAGE003
为t时间内输入层的输出数据，t为时间，i为序号，
在隐含层的输入数据为
Figure 121141DEST_PATH_IMAGE004
，
Figure DEST_PATH_IMAGE005
为隐含层的输入数据，
Figure 767325DEST_PATH_IMAGE006
是网络权值，
在输出层的输出数据为
Figure DEST_PATH_IMAGE007
，
Figure 723779DEST_PATH_IMAGE008
为输出层的输出数据，
Figure DEST_PATH_IMAGE009
为神经元数据。
6.根据权利要求1所述的一种智能锁实时监控系统，其特征在于，所述云端监控单元为了得到网络失真度假定所有神经节点数为N，各节点的权值为0，方差为σ的高斯分布，计算失真约束
Figure 854415DEST_PATH_IMAGE010
，
其中n为活跃神经节点数量，D(n)为n个活跃神经节点发送信息到其他神经节点是产生的网络失真度，
Figure DEST_PATH_IMAGE011
为个神经节点之间的相关系数，
规定网络最大失真阈值，在遵循失真约束条件下充分利用神经节点，当失真度大于最大失真阈值则重新分配神经节点。
7.一种智能锁实时监控方法，其特征在于，利用多神经元算法学习时通过数据融合预测模型，需要优化神经节点的分配，具体步骤包括：
步骤1、神经节点初始化，设定神经节点数量为N，最大失真阈值为
Figure 741469DEST_PATH_IMAGE012
，通过粒子群算法不断迭代找出低于阈值的最小失真度，停止选择，得到活跃神经节点；
步骤2、确定活跃神经节点后，有活跃神经节点对多神经元进行区域划分，再进行数据传输，每个区域设为神经元模型，神经节点为输入层，活跃神经节点为隐含层到输出层，输入层对采集数据预处理，消除冗余操作，减少通信数据；
步骤3、活跃神经节点根据信息构造多神经元网络，多神经元网络开始检索数据，对神经节点进行训练，将训练得到的预测数据与真实数据计算误差进行对比，神经节点学会判断是否传送数据，活跃神经节点报告信息；
步骤4、将信息加入数据库进行迭代计算，判断网络失真度，如果没有超过设定阈值，重复步骤3进行反复学习，优化预测模型，如果超过阈值重复步骤2重新分配神经节点。
CN202011629556.9A 2020-12-31 2020-12-31 一种智能锁实时监控系统及方法 Active CN112814500B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011629556.9A CN112814500B (zh) 2020-12-31 2020-12-31 一种智能锁实时监控系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011629556.9A CN112814500B (zh) 2020-12-31 2020-12-31 一种智能锁实时监控系统及方法

Publications (2)

Publication Number Publication Date
CN112814500A true CN112814500A (zh) 2021-05-18
CN112814500B CN112814500B (zh) 2022-03-18

Family

ID=75855088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011629556.9A Active CN112814500B (zh) 2020-12-31 2020-12-31 一种智能锁实时监控系统及方法

Country Status (1)

Country Link
CN (1) CN112814500B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110077398A (zh) * 2019-05-20 2019-08-02 上海域驾智能科技有限公司 一种用于智能驾驶的危险处理方法
CN110334167A (zh) * 2019-06-26 2019-10-15 浪潮软件集团有限公司 基于神经网络轨迹的位置偏移预警方法和装置
CN110418407A (zh) * 2019-08-27 2019-11-05 成都市东信德科技有限公司 基于神经网络的异常行李蓝牙定位方法及其系统
CN111257914A (zh) * 2020-01-14 2020-06-09 杭州电子科技大学 基于北斗与ais数据融合的海洋渔船轨迹预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110077398A (zh) * 2019-05-20 2019-08-02 上海域驾智能科技有限公司 一种用于智能驾驶的危险处理方法
CN110334167A (zh) * 2019-06-26 2019-10-15 浪潮软件集团有限公司 基于神经网络轨迹的位置偏移预警方法和装置
CN110418407A (zh) * 2019-08-27 2019-11-05 成都市东信德科技有限公司 基于神经网络的异常行李蓝牙定位方法及其系统
CN111257914A (zh) * 2020-01-14 2020-06-09 杭州电子科技大学 基于北斗与ais数据融合的海洋渔船轨迹预测方法及系统

Also Published As

Publication number Publication date
CN112814500B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN112770291B (zh) 基于联邦学习和信任评估的分布式入侵检测方法及系统
CN111223301B (zh) 一种基于图注意力卷积网络的交通流量预测方法
CN113780395B (zh) 海量高维ais轨迹数据聚类方法
Qu et al. A BPCA based missing value imputing method for traffic flow volume data
Liu et al. Fedgru: Privacy-preserving traffic flow prediction via federated learning
CN113591380A (zh) 基于图高斯过程的交通流预测方法、介质及设备
KR20220041943A (ko) 연속 학습 서버를 이용하여 클라이언트의 이미지를 분류하는 클래시파이어를 연속 학습하는 방법 및 이를 이용한 연속 학습 서버
CN117057656B (zh) 基于数字孪生的智慧城市管理方法及系统
CN114692827A (zh) 面向边缘联邦学习的电动汽车锂电池soh在线预测方法
Zhang et al. Federated variational learning for anomaly detection in multivariate time series
CN116011684A (zh) 一种基于时空图卷积网络的交通流量预测方法
US11668797B2 (en) Intelligent radar electronic control units in autonomous vehicles
CN112814500B (zh) 一种智能锁实时监控系统及方法
US20220063658A1 (en) Learning apparatus and model learning system
Nguyen et al. Impact of communication erasure channels on control performance of connected and automated vehicles
CN112907971B (zh) 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法
Li et al. Short-term traffic flow prediction based on recurrent neural network
CN115762147B (zh) 一种基于自适应图注意神经网络的交通流量预测方法
CN117610734A (zh) 基于深度学习的用户行为预测方法、系统和电子设备
CN112562312A (zh) 一种基于融合特征的GraphSAGE交通路网数据预测的方法
CN116176658A (zh) 一种基于多源信息智能融合的地铁列车测速方法
Hu et al. Afb: Improving communication load forecasting accuracy with adaptive feature boosting
Xu et al. Application of artificial intelligence in an unsupervised algorithm for trajectory segmentation based on multiple motion features
CN117456738B (zh) 一种基于etc门架数据的高速公路交通量预测方法
Liu et al. Autonomous braking algorithm for rear-end collision via communication-efficient federated learning

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