CN112835298A - 一种5g人工智能家居系统及其使用方法 - Google Patents

Abstract

本发明提供一种5G人工智能家居系统，包括与同一个5G基站通信连接的多个传感器5G通信系统、人工智能学习控制系统和发送用户指令的5G移动终端；每个传感器5G通信系统包括传感器组和控制模块，控制模块与智能电器的机械系统相连，人工智能学习控制系统包括数据整理收发模块，其对数据进行预处理，并将操作决定转化为智能家居指令；和机器学习算法模块，其以历史的经过预处理的数据为训练目标数据进行训练，并根据当前时刻的数据自行输出当前时刻操作指令，作为操作决定。本发明还提供其使用方法。本发明的5G人工智能家居系统可以提供无线、高速、低延迟通信，并且可以归纳用户的生活习惯，以此自动控制家中电器。

Description

一种5G人工智能家居系统及其使用方法

技术领域

本申请属于智能家居领域，具体涉及一种5G人工智能家居系统及其使用方法。

背景技术

物联网，是指通过各种传感器、射频技术、全球定位等各种装置与技术，实时采集任何需要监控、连接、互动的物体或过程，采集位置等各种需要的信息，并通过各类网络接入，实现物与物、物与人的泛在连接。

随着物联网时代的到来，智能家居步入了人们的生活。智能家居是利用布线、网络通信、安防、自动化等技术将住宅中家居生活有关的设施集成，并构建高效的住宅设施与日程事务的管理系统，能够提升家居安全性、便利性、舒适性、艺术性，并实现低碳节能环保的居住环境。

通过物联网技术，可以将家中的各种家电和设备连接到一起，并为用户提供自动化管理和远程监控的能力。智能家居系统能够显著改善用户的生活质量，并及时应对如火灾等紧急情况。

现阶段的主流智能家居系统采用的是CAN总线有线通信系统，ZigBee无线通信系统，或者WIFI无线通信系统。现有智能家居系统和解决方案提供了用户例如通过手机APP远程遥控家中电器，通过摄像头监视家中环境，以及为家中电器启停编程等能力，是家居全面智能化的基础。

然而，用户在家中安装智能CAN总线系统时通常需要在装修早期时就预留排线位置，成本高，时间代价大，且对日后的升级和维护都造成了很大的麻烦。传统传感器采用ZigBee、WIFI等连接方式，延时高，速率低。现有技术受到通信带宽限制，由此目前的智能家居系统仅能局部控制家中少量电器，当有大量(例如>100组)传感器接入蓝牙或者WIFI或者ZigBee，使用体验就会大大下降，出现卡顿和连接问题。使用ZigBee的缺点是，通信速率很低(<300kbps)，误码率高，且容易造成与用户家中自有WIFI的相互干扰。使用WIFI作为通信系统则会对家庭的室内网络覆盖有较高的要求，尤其是复杂室内结构。

此外，目前的智能家居的主要目的在于提供用户一种远程监控家中家用电器和设备的方式，然而这种智能家居系统并没有根据用户的使用习惯，为其提供智能的使用建议和反馈，也不会由此自主控制家中的电器和设备。换言之，目前尚未真正的实现人工智能家居。

卷积神经网络，是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的算法之一。

第五代移动通信技术(5th-Generation)，是最新一代蜂窝移动通信技术。5G的性能目标是高数据速率、减少延迟、节省能源、降低成本、提高系统容量和大规模设备连接。现有市场上尚未出现采用5G作为通信手段的智能家具解决方案。这主要是由于以下原因：(1)当前以遥控家电为主的智能家居系统的带宽需求尚未达到5G的水平。(2)5G网络的覆盖范围较小。

但随着时代发展，对高带宽智能家居的需求在提高，且5G网络的覆盖在从无到有地日渐提高。随着人们对智能家具需求的提高，单一的遥控数件少量家电已无法满足人们的要求。因此，急需通过5G技术提高智能家居的智能化程度，以快捷高效地控制大量传感器组，真正的实现人工智能家居。

发明内容

本发明的目的在于提供一种5G人工智能家居系统及其使用方法，以提供无线、高速、低延迟通信。

为了实现上述目的，本发明提供了一种5G人工智能家居系统，包括多个传感器5G通信系统、一人工智能学习控制系统和至少一个5G移动终端，所述传感器5G通信系统、人工智能学习控制系统和5G移动终端均设有5G通信模块，并通过5G通信模块与同一个5G基站通信连接；所述5G移动终端包括客户端模块，客户端模块通过5G通信模块与5G基站通信连接；客户端模块设置为发送用户指令；每个传感器5G通信系统包括共用一个5G通信模块的一个传感器组和一个控制模块；控制模块与位于对应的传感器组的就近区域的各智能电器的机械系统相连，设置为根据5G移动终端的用户指令和人工智能学习控制系统的智能家居指令来生成相应的操作指令，以调节各智能电器；所述人工智能学习控制系统包括数据整理收发模块和机器学习算法模块；所述机器学习算法模块通过所述数据整理收发模块与人工智能学习控制系统的5G通信模块相连；所述数据整理收发模块设置为对所有传感器组中的传感器所获得的数据以及所述操作指令进行预处理，并将人工智能学习控制系统的操作决定转化为所述智能家居指令；所述机器学习算法模块设置为以历史的经过预处理的所有传感器组中的传感器所获得的数据为输入数据，以历史的经过预处理的操作指令为训练目标数据进行训练，并根据当前时刻的经过预处理的所有传感器组中的传感器所获得的数据作为输入数据来自行输出当前时刻的操作指令，以作为人工智能学习控制系统的操作决定。

所述传感器组的排布方式为传感器组的矩形阵列形式。

每个传感器组包括多种传感器，所述传感器包括温度传感器、湿度传感器、气压传感器、红外传感器、开关传感器、压力传感器中的至少一种。

所述数据整理收发模块和机器学习算法模块安装于一处理器系统上。

所述人工智能学习控制系统还包括第一远程监控模块，所述第一远程监控模块通过数据整理收发模块与5G通信模块相连；所述第一远程监控模块设置为接收经过预处理的所有传感器组中的传感器所获得的数据和操作指令。

对所有传感器组中的传感器所获得的数据进行预处理，是指将所有传感器组中的传感器所获得的数据合并为传感器矩阵S，经过预处理的所有传感器组中的传感器所获得的数据是传感器矩阵S；所述传感器矩阵S为：

其中，i、j分别代表传感器组在传感器矩阵中的行和列，传感器组S_ij为第i行第j列的传感器组的各个传感器的读数；

对操作指令进行预处理，是指将用户的与传感器的数据相对应的控制模块所有操作指令都记录在用户操作向量O中；经过预处理的操作指令是用户操作向量O；

所述用户操作向量O为：

其中，n为操作指令的种类数，x_n是指第n种操作指令的值。

所述机器学习算法模块为卷积神经网络、人工神经网络、循环神经网络、图神经网络、线性回归的深度学习算法或者拟合的深度学习算法。

所述5G移动终端还包括第二远程监控模块，第二远程监控模块通过5G通信模块与5G基站通信连接；第二远程监控模块设置为接收经过预处理的所有传感器组中的传感器所获得的数据和操作指令。

另一方面，本发明提供一种5G人工智能家居系统的使用方法，包括：S1：搭建根据上文所述的5G人工智能家居系统；

S2：利用传感器5G通信系统的所有传感器组中的传感器采集环境数据，并且利用5G移动终端的客户端模块进行用户指令的输入/反馈；利用传感器5G通信系统的控制模块根据用户指令生成操作指令，通过该操作指令调节智能电器；

S3：利用人工智能学习控制系统的数据整理收发模块对所有传感器组中的传感器所获得的数据以及操作指令进行预处理；

S4：利用人工智能学习控制系统的机器学习算法模块，以历史的经过预处理的所有传感器组中的传感器所获得的数据为输入数据，以历史的经过预处理的操作指令为训练目标数据进行训练；

S5：利用机器学习算法模块，根据当前时刻的经过预处理的所有传感器组中的传感器所获得的数据作为输入数据来自行输出当前时刻的操作指令，以作为人工智能学习控制系统的操作决定；

S6：利用数据整理收发模块将人工智能学习控制系统的操作决定转化为智能家居指令并发送；

S7：利用传感器5G通信系统的控制模块根据智能家居指令生成操作指令，通过该操作指令调节智能电器；

S8：重复步骤S2-步骤S7。

在所述步骤S3中，对所有传感器组中的传感器所获得的数据进行预处理，是指将所有传感器组中的传感器所获得的数据合并为传感器矩阵S，经过预处理的所有传感器组中的传感器所获得的数据是传感器矩阵S；

所述传感器矩阵S为：

其中，i、j分别代表传感器组在传感器矩阵中的行和列，传感器组S_ij为第i行第j列的传感器组的各个传感器的读数；

对操作指令进行预处理，是指将用户的与传感器的数据相对应的控制模块所有操作指令都记录在用户操作向量O中；经过预处理的操作指令是用户操作向量O；

所述用户操作向量O为：

其中，n为操作指令的种类数，x_n是指第n种操作指令的值。

本发明的5G人工智能家居系统将多个传感器组和5G基站相结合，可以实现高带宽无线通信，有效避免了CAN总线布线的大量施工，且通过5G可将与传感器之间的延时有效降低至毫秒级，从而可以为实时监控提供充足带宽；同时，智能家居系统与5G通信移动终端之间的通信可直接经由5G基站，方便快捷，无需在家中构建专门通信系统；此外，本发明的5G人工智能家居系统通过人工智能学习控制系统，以归纳和学习用户的生活习惯，并以此自动控制家中的大量电器，可同时处理大量用户使用信息，且不影响用户通过客户端控制家中电器；人工智能学习控制系统采用机器学习算法模块，赋予智能家居学习用户的行为习惯的能力。

另外，本发明以传感器组的矩形阵列形式覆盖居住环境，以便实现全面掌控家居环境中的所有智能电器，使大规模监控成为可能，。再者，智能学习控制系统安装在处理器系统上，因此可以直接安装在家中，使用家中电源和处理器的算力，从而进行机器学习过程，而不使用移动终端设备电源和算力。

附图说明

图1是根据本发明的一个实施例的5G人工智能家居系统的模块连接示意图。

图2是传感器组网布置示意图。

图3是卷积神经网络示意图。

图4是机器学习闭环示意图。

具体实施方式

以下结合具体实施例，对本发明做进一步说明。应理解，以下实施例仅用于说明本发明而非用于限制本发明的范围。

如图1所示，本发明的5G人工智能家居系统包括多个传感器5G通信系统1、一人工智能学习控制系统2和至少一个5G移动终端3，所述传感器5G通信系统1、人工智能学习控制系统2和5G移动终端3均设有5G通信模块5，并通过5G通信模块5与同一个5G基站4通信连接。由于采用5G通信模块5，免去了布线和在家中布网的步骤。这里的5G移动终端3可以是一个也可以是多个。

传感器5G通信系统1是本发明的5G人工智能家居系统最重要的元件之一。每个传感器5G通信系统1包括共用一个5G通信模块5的一个传感器组11和一个控制模块12。

如图2所示为本发明的5G人工智能家居系统的多个传感器5G通信系统1的传感器组11的排布方式。如图2所示，本发明的传感器组11的排布方式为传感器组的矩形阵列形式，以满足大量传感器的需求。其中，每个传感器组11包括多种传感器，在5G人工智能家居系统中，常见的传感器包括温度传感器、湿度传感器、气压传感器、红外传感器、开关传感器、压力传感器等，用于监测家中环境以提供居家环境数据以供用户参考和机器学习。在其他实施例中，传感器的选择不限于上述这些类型的传感器。

控制模块12与位于该控制模块12对应的传感器组11的就近区域的各智能电器(如灯光、空调出风口、新风出口、地暖、门窗、窗帘)的机械系统(例如开关、电动机等)相连，设置为根据5G移动终端3的用户指令和人工智能学习控制系统2的智能家居指令来生成相应的操作指令以调节用户在居家生活中的各智能电器(例如调节空调温度、除湿器档位、开关新风系统、开关窗帘等)，达到控制家中的各种电器和设备的目的。控制模块12通过传感器5G通信系统1的5G通信模块5与所述人工智能学习控制系统2和5G移动终端3均通信连接，从而根据用户主动通过5G移动终端3的用户指令以及人工智能学习控制系统2自行的智能家居指令来驱动控制模块12对各智能电器进行操作。由此，传感器组11和控制模块12共同构成了传感器5G通信系统。

需要说明的是，这里的传感器组11的就近区域中的就近，指的是智能电器在到该传感器组11的距离小于到其他传感器组的距离。

每个传感器组11设置为不仅记录所有传感器组中的传感器所获得的数据(即环境数据)，也记录来自控制模块12的操作指令(即用户的生活习惯数据)，从而为后续所有的分析和机器学习提供了依据。多个传感器的环境数据以及来自控制模块12的操作指令可以由多个传感器各自的储存元件储存，同时也可以由统一的一个储存元件来储存。此外，传感器组11设置为将其所有传感器所获得的数据通过传感器5G通信系统1的5G通信模块5发送给5G基站4，再由5G基站发送给人工智能学习控制系统2。在本实施例中，每个传感器组11(含有多个传感器)将其所有传感器的读数(例如温度)合并并同时发送，且不同的传感器组11之间是彼此独立发送数据的，从而使得下文处理器系统受到不同传感器组11的数据的时间必然细微区别。

再请参见图1，人工智能学习控制系统2是本发明的5G人工智能家居系统中承担机器学习任务的大脑，其可以作为智能家居的大脑单独存在与家中，自行控制家中电器和设备。人工智能学习控制系统2包括一处理器系统以及安装于其上的数据整理收发模块21和机器学习算法模块22。此外，人工智能学习控制系统2还包括安装于处理器系统上的一人工智能学习控制系统2的5G通信模块5和一第一远程监控模块23，所述机器学习算法模块22和第一远程监控模块23均通过数据整理收发模块21与人工智能学习控制系统2的5G通信模块5相连。人工智能学习控制系统2的5G通信模块5用于和5G基站4通信，实现人工智能学习控制系统2的智能家居指令的输出和数据的输入。

所述处理器系统可以是基于ARM内核处理器的嵌入式系统、使用x86、x86-64处理器的计算机系统或者基于神经元处理器(NPU)的系统、移动设备、平板电脑台式机等等。人工智能学习控制系统2所选取的操作系统可以是Android、iOS或windows操作系统等等。在本实施例中，所述处理器系统是基于ARM内核处理器的嵌入式系统，采用ARM内核处理器的优点在于其低功耗、高性能的特点，运行操作系统为Android系统。数据整理收发模块21、机器学习算法模块22是使用JAVA语言编写的应用程序，以APP的形式安装在处理器系统上。由于远程监控模块(即监控软件)采用JAVA编写，因此安装于处理器系统上的远程监控模块可以与安装于处理器系统上的远程监控模块的程序完全相同，从而无需改动分别在移动终端和处理器系统上运行。

所述数据整理收发模块21设置为对所有传感器组中的传感器所获得的数据、以及来自控制模块12的操作指令进行预处理，即，将在不同时刻接收到的传感器组中的传感器的数据调整和整理为符合机器学习数据结构的数据，得到传感器矩阵S和用户操作向量O，以便之后机器学习算法模块22能够有效地训练神经网络。由于处理器系统接收到各个传感器组的数据并不是同时的，且各个传感器数据到达人工智能学习控制系统2时，也无法直接进行机器学习，因此数据整理收发模块21的设置是有必要的。

在本实施例中，对所有传感器组中的传感器所获得的数据进行预处理，是指将所有传感器组中的传感器所获得的数据合并为传感器矩阵S，传感器矩阵S设置为合并一段时间间隔内的数据，根据需要和时间使用频率，传感器包含的是可以以天、小时等时间为单位，处理该时间段内的数据，以此往复。因此经过预处理的所有传感器组中的传感器所获得的数据就是传感器矩阵S，其可以作为机器学习算法模块22的输入数据。

传感器矩阵S为：

其中，i、j分别代表传感器组在传感器矩阵中的行和列(如图1)，传感器组S_ij为第i行第j列的传感器组的各个传感器的读数(在未经预处理时的读数)，例如S₂₁代表第2行第1列的传感器组的各个传感器的读数。传感器组S_ij在未经预处理时的读数由家中的各传感器的读数和用户对其的预设值所决定。

对操作指令进行预处理，是指将用户的与传感器的数据相对应的控制模块12所有操作指令x(例如空调温度+1、空调温度-1)都记录在用户操作向量O中，用户操作向量O设置为记录一段时间间隔内的操作指令，例如根据需要和时间使用频率，该时间段可以以天、小时等时间为单位，处理该时间段内的数据，以此往复。因此，经过预处理的操作指令就是用户操作向量O，其可以作为用户的生活习惯数据，并可以作为神经网络的训练目标数据来训练神经网络。

用户操作向量O为：

其中，n为操作指令x的种类数，x_n是指第n种操作指令的值，其可以由用户定义，例如空调温度+T时定义操作指令的值为+T。

第一远程监控模块23与所述数据整理收发模块21相连，设置为接收数据整理收发模块21所得到的经过预处理的所有传感器组中的传感器所获得的数据和操作指令，用以监控家中环境。

如图3所示，所述机器学习算法模块22为一个卷积神经网络，其设置为以历史的经过预处理的所有传感器组中的传感器所获得的数据(即传感器矩阵S)为输入数据，以经过历史的预处理的操作指令(即用户操作向量O)为训练目标数据进行训练，并根据当前时刻的经过预处理的所有传感器组中的传感器所获得的数据(即当前时刻的传感器矩阵S)作为输入数据来自行输出当前时刻的操作指令(即当前时刻的用户操作向量O)以作为人工智能学习控制系统2的操作决定。由此，当前时刻的传感器矩阵S通过卷积、下采样和池化过程可以得到当前时刻的用户操作向量O，用户操作向量O对应于各智能电器的操作决定包括例如调节空调温度、除湿器档位、新风系统、开关窗帘等。

从本发明的本质和保护专利的角度出发，使用的卷积神经网络对数据输入层、卷积层、和池化层全连接层的数量、尺寸和连接关系并无严格限制。可以根据实际需要，同时增加或减少卷积层、池化层的数量，形成多个卷积层池化层对的形式，最终连接至全连接层。采用的卷积核除去一层，也可以使用多层的卷积核。池化层可以使用最大池化和平均池化两种方法。此外，在其他实施例中，所选取的机器学习算法模块22除去卷积神经网络(CNN)，也可以是人工神经网络(ANN)、循环神经网络、图神经网络，或者是线性回归、拟合等等深度学习算法。

数据整理收发模块21还设置为将人工智能学习控制系统2的操作决定转化为所述智能家居指令，以经由5G基站4发送给控制模块12，由此，该人工智能学习控制系统2的操作决定经由人工智能学习控制系统2中的数据整理收发模块21转化为智能家居指令并发送给5G基站4。

综上，人工智能学习控制系统2通过数据整理收发模块21整理和记录传感器的传感器数据和操作指令，并通过这些数据来训练机器学习算法模块22(即卷积神经网络)，从而学习在各个传感器数据的情况下(例如室外气温、湿度、光照强度、日期等)用户对家中各智能电器(如电器和设备)的操作指令，进而使系统具备自行开关和调节各智能电器的能力。其中，室外气温可以是通过安装室外传感器组，或者是通过公开的当地天气预报网络接口获得。无论何种方式获得，室外气温的数据与其他传感器组获得的数据参与机器学习的过程是一致的。

再请参见图1，5G移动终端3包括客户端模块31和第二远程监控模块32，客户端模块31和第二远程监控模块32均通过5G移动终端3的5G通信模块5与5G基站4通信连接，从而和人工智能学习控制系统2以及传感器5G通信系统1联络。客户端模块31用于用户指令输入/反馈(如图4)，设置为将用户指令发送给传感器5G通信系统1的控制模块12，以使控制模块12生成操作指令。第二远程监控模块32设置为接收数据整理收发模块21所得到的经过预处理的所有传感器组中的传感器所获得的数据和操作指令，用以监控家中情况，例如远程查看家中温度等。由此，用户可以在5G移动终端3上通过客户端模块31(即客户端软件)，将操作指令通过5G移动终端3的5G通信模块5经由5G基站4发送给传感器5G通信系统1的控制模块12，进而远程驱动控制模块12控制家中的各种电器、以及设备，且5G移动终端3还可以通过第二远程监控模块32和传感器如摄像头的数据来监控家中的情况。

5G移动终端3可以是平板电脑、智能手机、电脑等多平台的(例如windows,mac,iOS,Android等)设备终端。

5G基站4可以是本发明的5G人工智能家居系统所在的小区覆盖基站，也可以是在5G人工智能家居系统的居家环境中根据需要所安装的小型一体化基站，也可以是在5G人工智能家居系统的居家环境中根据需要所安装的其他基站。

如图4所示，基于上文所述的5G人工智能家居系统，所实现的5G人工智能家居系统的使用方法包括以下步骤：

步骤S1：搭建上文所述的5G人工智能家居系统；

步骤S2：利用传感器5G通信系统1的所有传感器组中的传感器采集环境数据，并且利用5G移动终端3的客户端模块31进行用户指令的输入/反馈；利用传感器5G通信系统1的控制模块12根据用户指令生成操作指令，通过该操作指令调节智能电器；

步骤S3：利用人工智能学习控制系统2的数据整理收发模块21对所有传感器组中的传感器所获得的数据、以及来自控制模块12的操作指令进行预处理；

步骤S4：利用人工智能学习控制系统2的机器学习算法模块22，以历史的经过预处理的所有传感器组中的传感器所获得的数据(即传感器矩阵S)为输入数据，以历史的经过预处理的操作指令(即用户操作向量O)为训练目标数据进行训练，实现机器学习；

步骤S5：利用人工智能学习控制系统2的机器学习算法模块22，根据当前时刻的经过预处理的所有传感器组中的传感器所获得的数据(即当前时刻的传感器矩阵S)作为输入数据来自行输出当前时刻的操作指令(即当前时刻的用户操作向量O)，以作为人工智能学习控制系统2的操作决定；

步骤S6：利用数据整理收发模块21将人工智能学习控制系统2的操作决定转化为智能家居指令并发送给5G基站4；

步骤S7：利用传感器5G通信系统1的控制模块12根据智能家居指令生成操作指令，通过该操作指令调节智能电器；

步骤S8：重复步骤S2-步骤S7。由此，形成了一个如图4所示的5G人工智能家居系统的使用方法的闭环过程。

在此过程中，机器学习算法模块22(即卷积神经网络)执行了上述的步骤S4和步骤S5两个步骤。首先步骤S4将传感器矩阵S作为输入数据并将相对应的经过预处理的操作指令(例如空调温度+1，空调温度-1)O作为神经网络的训练目标数据，来训练该网络。在步骤S5中，对于特定家庭环境(传感器所获得的数据)，该机器学习算法模块22便可以获得其应有的输出(例如空调温度+1，空调温度-1)，以作为人工智能学习控制系统2的操作决定。

综上，本发明的5G人工智能家居系统将多个传感器组和5G基站相结合，可以实现高带宽无线通信，有效避免了CAN总线布线的大量施工，且通过5G可将与传感器之间的延时有效降低至毫秒级，从而可以为实时监控提供充足带宽；同时，智能家居系统与5G通信移动终端之间的通信可直接经由5G基站，方便快捷，无需在家中构建专门通信系统；本发明的5G人工智能家居系统通过人工智能学习控制系统，以归纳和学习用户的生活习惯，并且以此自动控制家中的大量电器，可同时处理大量用户使用信息，且不影响用户通过客户端控制家中电器；人工智能学习控制系统采用机器学习算法模块，赋予智能家居学习用户的行为习惯的能力。

另外，本发明以传感器组的矩形阵列形式覆盖居住环境，以便实现全面掌控家居环境中的所有智能电器，使大规模监控成为可能，本发明能够用于适用1000组以上传感器组的环境，例如飞机场等，并提供有效的超大面积监控覆盖。再者，智能学习控制系统安装在处理器系统上，因此可以直接安装在家中，使用家中电源和处理器的算力，从而进行机器学习过程，而不使用移动终端设备电源和算力。

以上所述的，仅为本发明的较佳实施例，并非用以限定本发明的范围，本发明的上述实施例还可以做出各种变化。凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰，皆落入本发明专利的权利要求保护范围。本发明未详尽描述的均为常规技术内容。

Claims (10)

1.一种5G人工智能家居系统，其特征在于，包括多个传感器5G通信系统(1)、一人工智能学习控制系统(2)和至少一个5G移动终端(3)，所述传感器5G通信系统(1)、人工智能学习控制系统(2)和5G移动终端(3)均设有5G通信模块(5)，并通过5G通信模块(5)与同一个5G基站(4)通信连接；

所述5G移动终端(3)包括客户端模块(31)，客户端模块(31)通过5G通信模块(5)与5G基站(4)通信连接；客户端模块(31)设置为发送用户指令；

每个传感器5G通信系统(1)包括共用一个5G通信模块(5)的一个传感器组(11)和一个控制模块(12)；控制模块(12)与位于对应的传感器组(11)的就近区域的各智能电器的机械系统相连，设置为根据5G移动终端(3)的用户指令和人工智能学习控制系统(2)的智能家居指令来生成相应的操作指令，以调节各智能电器；

所述人工智能学习控制系统(2)包括数据整理收发模块(21)和机器学习算法模块(22)；所述机器学习算法模块(22)通过所述数据整理收发模块(21)与人工智能学习控制系统(2)的5G通信模块(5)相连；所述数据整理收发模块(21)设置为对所有传感器组中的传感器所获得的数据以及所述操作指令进行预处理，并将人工智能学习控制系统(2)的操作决定转化为所述智能家居指令；所述机器学习算法模块(22)设置为以历史的经过预处理的所有传感器组中的传感器所获得的数据为输入数据，以历史的经过预处理的操作指令为训练目标数据进行训练，并根据当前时刻的经过预处理的所有传感器组中的传感器所获得的数据作为输入数据来自行输出当前时刻的操作指令，以作为人工智能学习控制系统(2)的操作决定。

2.根据权利要求1所述的5G人工智能家居系统，其特征在于，所述传感器组(11)的排布方式为传感器组的矩形阵列形式。

3.根据权利要求1所述的5G人工智能家居系统，其特征在于，每个传感器组(11)包括多种传感器，所述传感器包括温度传感器、湿度传感器、气压传感器、红外传感器、开关传感器、压力传感器中的至少一种。

4.根据权利要求1所述的5G人工智能家居系统，其特征在于，所述数据整理收发模块(21)和机器学习算法模块(22)安装于一处理器系统上。

5.根据权利要求1所述的5G人工智能家居系统，其特征在于，所述人工智能学习控制系统(2)还包括第一远程监控模块(23)，所述第一远程监控模块(23)通过数据整理收发模块(21)与5G通信模块(5)相连；所述第一远程监控模块(23)设置为接收经过预处理的所有传感器组中的传感器所获得的数据和操作指令。

6.根据权利要求1所述的5G人工智能家居系统，其特征在于，对所有传感器组中的传感器所获得的数据进行预处理，是指将所有传感器组中的传感器所获得的数据合并为传感器矩阵S，经过预处理的所有传感器组中的传感器所获得的数据是传感器矩阵S；所述传感器矩阵S为：

其中，i、j分别代表传感器组在传感器矩阵中的行和列，传感器组Sij为第i行第j列的传感器组的各个传感器的读数；

对操作指令进行预处理，是指将用户的与传感器的数据相对应的控制模块(12)所有操作指令都记录在用户操作向量O中；经过预处理的操作指令是用户操作向量O；

所述用户操作向量O为：

其中，n为操作指令的种类数，x_n是指第n种操作指令的值。

7.根据权利要求1所述的5G人工智能家居系统，其特征在于，所述机器学习算法模块(22)为卷积神经网络、人工神经网络、循环神经网络、图神经网络、线性回归的深度学习算法或者拟合的深度学习算法。

8.根据权利要求1所述的5G人工智能家居系统，其特征在于，所述5G移动终端(3)还包括第二远程监控模块(32)，第二远程监控模块(32)通过5G通信模块(5)与5G基站(4)通信连接；第二远程监控模块(32)设置为接收经过预处理的所有传感器组中的传感器所获得的数据和操作指令。

9.一种5G人工智能家居系统的使用方法，其特征在于，包括：

步骤S1：搭建根据权利要求1-8之一所述的5G人工智能家居系统；

步骤S2：利用传感器5G通信系统(1)的所有传感器组中的传感器采集环境数据，并且利用5G移动终端(3)的客户端模块(31)进行用户指令的输入/反馈；利用传感器5G通信系统(1)的控制模块(12)根据用户指令生成操作指令，通过该操作指令调节智能电器；

步骤S3：利用人工智能学习控制系统(2)的数据整理收发模块(21)对所有传感器组中的传感器所获得的数据以及操作指令进行预处理；

步骤S4：利用人工智能学习控制系统(2)的机器学习算法模块(22)，以历史的经过预处理的所有传感器组中的传感器所获得的数据为输入数据，以历史的经过预处理的操作指令为训练目标数据进行训练；

步骤S5：利用机器学习算法模块(22)，根据当前时刻的经过预处理的所有传感器组中的传感器所获得的数据作为输入数据来自行输出当前时刻的操作指令，以作为人工智能学习控制系统(2)的操作决定；

步骤S6：利用数据整理收发模块(21)将人工智能学习控制系统(2)的操作决定转化为智能家居指令并发送；

步骤S7：利用传感器5G通信系统(1)的控制模块(12)根据智能家居指令生成操作指令，通过该操作指令调节智能电器；

步骤S8：重复步骤S2-步骤S7。

10.根据权利要求9所述的5G人工智能家居系统的使用方法，其特征在于，在所述步骤S3中，对所有传感器组中的传感器所获得的数据进行预处理，是指将所有传感器组中的传感器所获得的数据合并为传感器矩阵S，经过预处理的所有传感器组中的传感器所获得的数据是传感器矩阵S；

所述传感器矩阵S为：

其中，i、j分别代表传感器组在传感器矩阵中的行和列，传感器组S_ij为第i行第j列的传感器组的各个传感器的读数；

对操作指令进行预处理，是指将用户的与传感器的数据相对应的控制模块(12)所有操作指令都记录在用户操作向量O中；经过预处理的操作指令是用户操作向量O；

所述用户操作向量O为：

其中，n为操作指令的种类数，x_n是指第n种操作指令的值。

Images