CN113111543A - 物联网服务系统 - Google Patents

物联网服务系统 Download PDF

Info

Publication number
CN113111543A
CN113111543A CN202110529600.7A CN202110529600A CN113111543A CN 113111543 A CN113111543 A CN 113111543A CN 202110529600 A CN202110529600 A CN 202110529600A CN 113111543 A CN113111543 A CN 113111543A
Authority
CN
China
Prior art keywords
matrix
state
smart home
conflict
current 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.)
Granted
Application number
CN202110529600.7A
Other languages
English (en)
Other versions
CN113111543B (zh
Inventor
吴信飞
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.)
Shaanxi Ruilian Information Technology Co ltd
Original Assignee
Hangzhou Helu 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 Hangzhou Helu Technology Co ltd filed Critical Hangzhou Helu Technology Co ltd
Priority to CN202110529600.7A priority Critical patent/CN113111543B/zh
Publication of CN113111543A publication Critical patent/CN113111543A/zh
Application granted granted Critical
Publication of CN113111543B publication Critical patent/CN113111543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/80—Homes; Buildings
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/30—Control
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/50—Safety; Security of things, users, data or systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Architecture (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Accounting & Taxation (AREA)
  • Business, Economics & Management (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer And Data Communications (AREA)
  • Selective Calling Equipment (AREA)

Abstract

公开了一种物联网服务系统，更具体地，涉及一种物联网服务系统在智能家居领域的应用。在智能家居的物联网系统中，各种智能家居设备相互联网以实现家居设备与家居设备、家居设备与人之间的泛在连接，进而实现对家居设备和家居设备的过程的智能化感知、识别和管理。特别地，所述智能家居的物联网服务系统结合人工智能技术来提高对智能家居的状态冲突控制的准确性和智能性。具体地，所述物联网服务系统基于统计特征的深度学习技术，来从智能家居的可外部观察到的显性状态出发，通过对于这种显性状态的统计特征的特征工程,来提取各个智能家居设备的状态之间的高维统计关联特征来进行状态冲突智能检测，通过这样的方式，提高控制冲突的检测准确率。

Description

物联网服务系统
技术领域
本发明涉及物联网领域，且更为具体地，涉及一种物联网服务系统。
背景技术
物联网是指通过各种信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等各种装置与技术，实时采集任何需要监控、连接、互动的物体或过程，采集其声、光、热、电、力学、化学、生物、位置等各种需要的信息，通过各类可能的网络接入，实现物与物、物与人的泛在连接，实现对物品和过程的智能化感知、识别和管理。
随着物联网技术的快速发展，智能家居逐渐地得到了普通家庭的认可，成为了物联网的重要领域之一。在智能家居的物联网系统中，智能家居设备多种多样，出自不同厂商，并且，家居设备的多样性和规则的个性化，导致规则之间的关系非常复杂，容易产生各式各样的设备控制冲突。这些冲突可能会对人身财产安全造成危害，所以，有必要对设备控制冲突进行检测。
目前，在智能家居领域内，当前的控制冲突检测技术都是针对同类型的作动器且有明显状态切换的操作进行显式冲突检测，如同时开灯和关灯、在指定亮灯的时间段内关灯等。但这些冲突检测技术无法检测出不同设备之间具有隐含性常识的控制冲突，如同时开窗和开空调将导致室内外温度趋于一致，从而影响空调的运行效果。
因此，期望提供一种优化的用于智能家居的物联网服务系统，其能够检测出具有隐含性常识的控制冲突。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为智能家居的控制冲突检测提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种物联网服务系统，该物联网服务系统基于深度学习的特征提取方式，对智能家居设备之间的隐含性常识的控制冲突进行识别，以准确地判断相应的智能设备之间是否存在控制冲突。具体地，通过获取各个智能家居设备的状态信息和类型信息，并在高维空间中进行融合，以将表示设备类型信息的高维统计特征结合到表示设备状态信息的高维统计关联特征中，再通过Softmax函数计算各智能家居设备之间的状态冲突的概率值，通过将该状态冲突概率值与预设阈值进行比较，生成是否存在控制冲突的判断结果，并在存在冲突时进行预警，这样，便于后续高效安全使用。
根据本申请的一个方面，提供了一种物联网服务系统，其包括：
智能家居设备，所述智能家居设备具有不同状态；
状态控制设备，用于基于所述智能家居设备的不同状态，对于不同智能家居设备的状态冲突进行控制，所述状态控制设备，包括：
当前状态向量生成单元，用于获取各个所述智能家居设备的当前状态，并将每个所述智能家居的当前开/关的状态编码为0和1，以构成所有所述智能家居设备的当前状态向量；
当前状态矩阵生成单元，用于将所述当前状态向量的列向量与转置之后的行向量进行矩阵相乘，以获得所有所述智能家居设备的当前状态矩阵；
状态特征矩阵生成单元，用于将所述当前状态矩阵通过第一卷积神经网络，以获得对应于所述当前状态矩阵的状态特征矩阵；
设备类型矩阵生成单元，用于基于各个所述智能家居设备的类型的信息，为各个所述智能家居设备定义一个独热向量，并将各个所述智能家居设备的独热向量在向量的样本维度进行拼接以获得设备类型矩阵；
类型特征矩阵生成单元，用于将所述设备类型矩阵通过第二卷积神经网络，以获得对应于所述设备类型矩阵的类型特征矩阵，其中，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；
关联特征矩阵生成单元，用于将所述状态特征矩阵与所述类型特征矩阵进行矩阵相乘，以获得关联特征矩阵；
最终特征矩阵生成单元，用于将所述关联特征矩阵通过多个卷积层以获得最终特征矩阵；
状态冲突概率计算单元，用于基于所述最终特征矩阵中的每个位置的值，计算其与其他位置的值的Softmax函数值，以作为表示该位置的智能家居设备和其他位置的智能家居设备的状态冲突的概率值；
判断结果生成单元，用于基于所述状态冲突的概率值，生成对应位置的智能家居设备是否存在冲突的判断结果；以及
预警单元，用于基于所述判断结果，生成预警信号。
在上述物联网服务系统中，所述设备类型矩阵生成单元，进一步用于将所述设备类型矩阵转化为与所述当前状态矩阵具有相同的尺寸。
在上述物联网服务系统中，所述状态冲突概率计算单元，进一步用于：基于如下公式计算所述最终特征矩阵中的每个位置的值其与其他位置的值的Softmax函数值，其中，所述公式表示为：pij＝exp(xij)/∑exp(xij)。
在上述物联网服务系统中，所述状态冲突概率计算单元，进一步用于：计算该位置与其他位置之间的Softmax函数值和其他位置与该位置之间的Softmax函数值的均值，作为表示该位置的智能家居设备和其他位置的智能家居设备的状态冲突的概率值。
在上述物联网服务系统中，所述判断结果生成单元，进一步用于：基于所述状态冲突的概率值与预定阈值之间的比较，生成对应位置的智能家居设备是否存在冲突的判断结果。
在上述物联网服务系统中，所述预警单元，进一步用于：响应于所述判断结果为对应位置的智能家居设备存在状态冲突，生成预警信号。
与现有技术相比，本申请提供的一种物联网服务系统，该物联网服务系统基于深度学习的特征提取方式，对智能家居设备之间的隐含性常识的控制冲突进行识别，以准确地判断相应的智能设备之间是否存在控制冲突。具体地，通过获取各个智能家居设备的状态信息和类型信息，并在高维空间中进行融合，以将表示设备类型信息的高维统计特征结合到表示设备状态信息的高维统计关联特征中，再通过Softmax函数计算各智能家居设备之间的状态冲突的概率值，通过将该状态冲突概率值与预设阈值进行比较，生成是否存在控制冲突的判断结果，并在存在冲突时进行预警，这样，便于后续高效安全使用。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的物联网服务系统的应用场景图。
图2为根据本申请实施例的物联网服务系统的框图。
图3为根据本申请实施例的物联网服务系统中状态控制设备的框图。
图4为根据本申请实施例的物联网服务系统中状态控制设备的控制方法的流程图。
图5为根据本申请实施例的物联网服务系统中状态控制设备的控制方法的系统架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，目前用于智能家居的控制冲突检测技术无法检测出不同设备之间具有隐含性常识的控制冲突，并且，针对这种不同设备之间具有隐含性常识的控制冲突，最好的方式是通过检查每个智能家居设备的控制规则，来对其中的冲突进行检测，并对于相冲突的规则进行修改。
但是，在实际应用中，由于不同的智能家居设备可能来自于不同的制造厂商，且对于制造厂商来说，并不愿意将智能家居设备的控制规则开放给第三方进行检查和修改，因此，很难通过这种方式来解决智能家居的控制冲突问题。
基于此，本申请考虑通过基于统计特征的深度学习技术，来从智能家居的可外部观察到的显性状态出发，通过对于这种显性状态的统计特征的特征工程(feature engineer i ng),来提取各个智能家居设备的状态之间的高维统计关联特征，并以此来计算状态冲突的概率，从而检测智能家居的控制冲突。
具体地，在本申请的技术方案中，首先获取各个智能家居设备的当前状态，并基于每个智能家居设备的当前开/关状态编码为1和0，从而组成各个智能家居设备的当前状态向量。接下来，通过将所述当前状态向量的列向量与转置之后的行向量相乘，就可以得到各个智能家居设备的当前状态矩阵，其中，矩阵中除对角线之外的每个元素表示两个智能家居设备之间的状态关系。这样，通过将所述当前状态矩阵通过第一卷积神经网络获得状态特征矩阵，就可以提取到各个智能家居设备的状态之间的高维统计关联特征。这里，因为需要确定状态特征矩阵中每个位置的关联信息的概率值，因此卷积神经网络的各层的通道数均为一，且宽和高的数值设置使得状态特征矩阵与当前状态矩阵的行数和列数相同。
并且，本申请的申请人注意到，在实际生活中，智能家居之间的状态冲突也与智能家居的类型有一定的关系，表现在具有相同或者相近功能的智能家居之间比较容易存在状态冲突，比如如上所述的开窗和开空调，其都具有调节空气状况的功能，又比如电视和音响，其也都具有媒体播放功能。因此，为了在高维统计关联特征中进一步包括这种基于智能家居的类型的信息，针对每个智能家居设备定义独热向量，并将这些独热向量在向量的样本维度拼接以获得为设备类型矩阵。这里，由于设备类型矩阵可能与当前状态矩阵的列数不同，首先以转换矩阵转换为与当前状态矩阵相同大小。
这样，通过将该设备类型矩阵通过与第一卷积神经网络相同结构的第二卷积神经网络获得类型特征矩阵，可以将设备类型信息映射到与设备状态信息相同的高维空间中，并且，通过在第二卷积神经网络的训练过程调整其参数，可以进一步准确地表示独热向量与智能家居设备的功能类型之间的映射关系。接下来，通过将状态特征矩阵乘以类型特征矩阵以获得关联特征矩阵，就可以进一步将表示设备类型信息的高维统计特征结合到表示设备状态信息的高维统计关联特征中，从而进一步提高分类的准确性。
接下来，为了进一步结合设备类型信息和设备状态信息并提供进一步的参数调整空间，将关联特征矩阵进一步通过多个卷积层获得最终特征矩阵，并基于最终特征矩阵中的每个位置的值计算其Softmax函数值，以作为表示状态冲突的概率值，即pij＝exp(xij)/∑exp(xij)。例如，p12表示第一智能家居设备与第二智能家居设备之间的冲突概率值，这里，因为冲突概率值实际上关于对角线对称，也就是p12和p21都表示第一智能家居设备与第二智能家居设备之间的冲突概率值，因此如果两者不一致，可以取两者的均值。并且，在实际应用过程中，可以选择适当的阈值，确定大于阈值的冲突概率值，并向用户预警对应的第一智能家居设备与第二智能家居设备可能存在冲突。
基于此，本申请提出了一种物联网服务系统，其包括：智能家居设备，所述智能家居设备具有不同状态；状态控制设备，用于基于所述智能家居设备的不同状态，对于不同智能家居设备的状态冲突进行控制，所述状态控制设备，包括：当前状态向量生成单元，用于获取各个所述智能家居设备的当前状态，并将每个所述智能家居的当前开/关的状态编码为0和1，以构成所有所述智能家居设备的当前状态向量；当前状态矩阵生成单元，用于将所述当前状态向量的列向量与转置之后的行向量进行矩阵相乘，以获得所有所述智能家居设备的当前状态矩阵；状态特征矩阵生成单元，用于将所述当前状态矩阵通过第一卷积神经网络，以获得对应于所述当前状态矩阵的状态特征矩阵；设备类型矩阵生成单元，用于基于各个所述智能家居设备的类型的信息，为各个所述智能家居设备定义一个独热向量，并将各个所述智能家居设备的独热向量在向量的样本维度进行拼接以获得设备类型矩阵；类型特征矩阵生成单元，用于将所述设备类型矩阵通过第二卷积神经网络，以获得对应于所述设备类型矩阵的类型特征矩阵，其中，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；关联特征矩阵生成单元，用于将所述状态特征矩阵与所述类型特征矩阵进行矩阵相乘，以获得关联特征矩阵；最终特征矩阵生成单元，用于将所述关联特征矩阵通过多个卷积层以获得最终特征矩阵；状态冲突概率计算单元，用于基于所述最终特征矩阵中的每个位置的值，计算其与其他位置的值的Softmax函数值，以作为表示该位置的智能家居设备和其他位置的智能家居设备的状态冲突的概率值；判断结果生成单元，用于基于所述状态冲突的概率值，生成对应位置的智能家居设备是否存在冲突的判断结果；以及，预警单元，用于基于所述判断结果，生成预警信号。
图1图示了根据本申请实施例的物联网服务系统的应用场景图。如图1所示，在该应用场景中，通过获取各智能家居设备(例如，如图2中所示意的T)的当前状态信息和类型信息；然后，将所述智能家居设备的当前状态信息和类型信息输入至物联网服务系统的状态控制设备中(在如图2所示意的示例中，所述状态控制设备被部署于云服务器，例如，如图2中所示意的S)，其中，所述物联网服务系统的状态控制设备能够对所述智能家居设备的当前状态信息和类型信息进行处理，以生成各智能家居设备之间是否存在状态控制冲突的判断结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的一种物联网服务系统的框图。如图2所示，根据本申请实施例的一种物联网服务系统200，包括：智能家居设备210和状态控制设备220，其中，所述智能家居设备210具有不同状态，所述状态控制设备220，用于基于所述智能家居设备210的不同状态，对于不同智能家居设备的状态冲突进行控制。
在本申请实施例中，智能家居设备210主要包括通过物联网技术连接到一起的各种家用设备，如音视频设备、照明设备、电冰箱、洗衣机、空调等，这些设备具有多种工作状态。应可以理解，这些家用设备之间具有隐含性常识的控制冲突，如同时开窗和开空调将导致室内外温度趋于一致，从而影响空调的运行效果。因此，有必要对设备状态冲突进行控制。并且，在本申请实施例中，所述状态控制设备200可被部署于云服务器中，或者，被部署于常规的服务器中，对此，并不为本申请所局限。
图3图示了根据本申请实施例的物联网服务系统中状态控制设备220的框图。如图3所示，所述状态控制设备220，包括：当前状态向量生成单元221、当前状态矩阵生成单元222、状态特征矩阵生成单元223、设备类型矩阵生成单元224、类型特征矩阵生成单元225、关联特征矩阵生成单元226、最终特征矩阵生成单元227、状态冲突概率计算单元228、判断结果生成单元229和预警单元230。
其中，所述当前状态向量生成单元221，用于获取各个所述智能家居设备的当前状态，并将每个所述智能家居的当前开/关的状态编码为0和1，以构成所有所述智能家居设备的当前状态向量。所述当前状态矩阵生成单元222，用于将所述当前状态向量生成单元221获得所述当前状态向量的列向量与转置之后的行向量进行矩阵相乘，以获得所有所述智能家居设备的当前状态矩阵。所述状态特征矩阵生成单元223，用于将所述当前状态矩阵生成单元222获得的所述当前状态矩阵通过第一卷积神经网络，以获得对应于所述当前状态矩阵的状态特征矩阵。所述设备类型矩阵生成单元224，用于基于各个所述智能家居设备的类型的信息，为各个所述智能家居设备定义一个独热向量，并将各个所述智能家居设备的独热向量在向量的样本维度进行拼接以获得设备类型矩阵。所述类型特征矩阵生成单元225，用于将所述设备类型矩阵生成单元224获得的所述设备类型矩阵通过第二卷积神经网络，以获得对应于所述设备类型矩阵的类型特征矩阵，其中，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构。所述关联特征矩阵生成单元226，用于将所述状态特征矩阵生成单元223获得的所述状态特征矩阵与所述类型特征矩阵生成单元225获得的所述类型特征矩阵进行矩阵相乘，以获得关联特征矩阵。所述最终特征矩阵生成单元227，用于将所述关联特征矩阵生成单元226获得的所述关联特征矩阵通过多个卷积层以获得最终特征矩阵。所述状态冲突概率计算单元228，用于基于所述最终特征矩阵生成单元227获得的所述最终特征矩阵中的每个位置的值，计算其与其他位置的值的Softmax函数值，以作为表示该位置的智能家居设备和其他位置的智能家居设备的状态冲突的概率值。所述判断结果生成单元229，用于基于所述状态冲突概率计算单元228获得的所述状态冲突的概率值，生成对应位置的智能家居设备是否存在冲突的判断结果。所述预警单元230，用于基于所述判断结果生成单元229获得的所述判断结果，生成预警信号。
更具体地，在本申请实施例中，所述当前状态向量生成单元221，用于获取各个所述智能家居设备的当前状态，并将每个所述智能家居的当前开/关的状态编码为0和1，以构成所有所述智能家居设备的当前状态向量。也就是，所述当前状态向量生成单元221用于获取各个智能家居设备的状态信息并将所有智能家居设备的状态进行0/1编码以将所有智能家居设备的状态信息构成向量的数据形式，便于后续以人工智能技术进行计算和分析。
更具体地，在本申请实施例中，所述当前状态矩阵生成单元222，用于将所述当前状态向量生成单元221获得所述当前状态向量的列向量与转置之后的行向量进行矩阵相乘，以获得所有所述智能家居设备的当前状态矩阵。相应地，通过将所述当前状态向量的列向量与转置之后的行向量相乘，得到各个智能家居设备的当前状态矩阵，矩阵中除对角线之外的每个元素表示两个智能家居设备之间的状态关系。
更具体地，在本申请实施例中，所述状态特征矩阵生成单元223，用于将所述当前状态矩阵生成单元222获得的所述当前状态矩阵通过第一卷积神经网络，以获得对应于所述当前状态矩阵的状态特征矩阵。也就是，通过第一卷积神经网络提取出所述当前状态矩阵的高维空间特征。应可以理解，通过将所述当前状态矩阵通过第一卷积神经网络获得状态特征矩阵，就可以提取到各个智能家居设备的状态之间的高维统计关联特征。
具体地，在本申请实施例中，第一卷积神经网络的各层的通道数均为一，且宽和高的数值设置使得状态特征矩阵与当前状态矩阵的行数和列数相同。应可以理解，通过设置第一卷积神经网络的各层的通道数均为一，且宽和高的数值设置使得状态特征矩阵与当前状态矩阵的行数和列数相同，使得状态特征矩阵中每个位置的关联信息的概率值即可以表达相应的各个智能家居设备的状态之间的高维统计关联特征。本领域普通技术人员应了解，卷积神经网络在提取局部空间特征方面具有优异的性能表现。
特别地，在本申请实施例中，所述第一卷积神经网络可采用深度残差神经网络，例如，ResNet 50。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
更具体地，在本申请实施例中，所述设备类型矩阵生成单元224，用于基于各个所述智能家居设备的类型的信息，为各个所述智能家居设备定义一个独热向量，并将各个所述智能家居设备的独热向量在向量的样本维度进行拼接以获得设备类型矩阵。应可以理解，在实际生活中，智能家居之间的状态冲突也与智能家居的类型有一定的关系，表现在具有相同或者相近功能的智能家居之间比较容易存在状态冲突，比如如上所述的开窗和开空调，其都具有调节空气状况的功能，又比如电视和音响，其也都具有媒体播放功能。因此，为了在高维统计关联特征中进一步包括这种基于智能家居的类型的信息，针对每个智能家居设备定义独热向量，并将这些独热向量在向量的样本维度拼接以获得为设备类型矩阵。
应可以理解，由于设备类型矩阵可能与当前状态矩阵的列数不同，因此需要以转换矩阵转换为与当前状态矩阵相同大小，以便于后续计算。因此，在本申请实施例中，特别地，所述设备类型矩阵生成单元224，进一步用于将所述设备类型矩阵转化为与所述当前状态矩阵具有相同的尺寸。在具体实施中，可对所述设备类型矩阵转化进行上采样或者下采样，或者，对所述当前状态矩阵进行上采样或者下采样以使得所述设备类型矩阵和所述当前状态矩阵的尺寸相一致。
更具体地，在本申请实施例中，所述类型特征矩阵生成单元225，用于将所述设备类型矩阵生成单元224获得的所述设备类型矩阵通过第二卷积神经网络，以获得对应于所述设备类型矩阵的类型特征矩阵，其中，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构。也就是，以第二卷积神经网络提取出所述设备类型矩阵的各高维特征。这样，通过将该设备类型矩阵通过与第一卷积神经网络相同结构的第二卷积神经网络获得类型特征矩阵，可以将设备类型信息映射到与设备状态信息相同的高维空间中，并且，通过在第二卷积神经网络的训练过程调整其参数，可以进一步准确地表示独热向量与智能家居设备的功能类型之间的映射关系。
更具体地，在本申请实施例中，所述关联特征矩阵生成单元226，用于将所述状态特征矩阵生成单元223获得的所述状态特征矩阵与所述类型特征矩阵生成单元225获得的所述类型特征矩阵进行矩阵相乘，以获得关联特征矩阵。应可以理解，通过将状态特征矩阵乘以类型特征矩阵以获得关联特征矩阵，就可以进一步将表示设备类型信息的高维统计特征结合到表示设备状态信息的高维统计关联特征中，从而进一步提高分类的准确性。
更具体地，在本申请实施例中，所述最终特征矩阵生成单元227，用于将所述关联特征矩阵生成单元226获得的所述关联特征矩阵通过多个卷积层以获得最终特征矩阵。也就是，通过多个卷积层进一步挖掘所述关联特征矩阵中更抽象和高维的特征，以获得最终特征矩阵。
更具体地，在本申请实施例中，所述状态冲突概率计算单元228，用于基于所述最终特征矩阵生成单元227获得的所述最终特征矩阵中的每个位置的值，计算其与其他位置的值的Softmax函数值，以作为表示该位置的智能家居设备和其他位置的智能家居设备的状态冲突的概率值。这里，Softmax函数，又称归一化指数函数，它是二分类函数sigmoid在多分类上的推广，目的是将多分类的结果以概率的形式展现出来。
在本申请实施例中，所述状态冲突概率计算单元228，进一步用于：基于如下公式计算所述最终特征矩阵中的每个位置的值其与其他位置的值的Softmax函数值，其中，所述公式表示为：pij＝exp(xij)/∑exp(xij)。
值得一提的是，在本申请实施例中，p12表示第一智能家居设备与第二智能家居设备之间的冲突概率值，这里，因为冲突概率值实际上关于对角线对称，也就是p12和p21都表示第一智能家居设备与第二智能家居设备之间的冲突概率值，因此如果两者不一致，可以取两者的均值。也就是，在本申请实施例中，所述状态冲突概率计算单元228，进一步用于：计算该位置与其他位置之间的Softmax函数值和其他位置与该位置之间的Softmax函数值的均值，作为表示该位置的智能家居设备和其他位置的智能家居设备的状态冲突的概率值。
更具体地，在本申请实施例中，所述判断结果生成单元229，用于基于所述状态冲突概率计算单元228获得的所述状态冲突的概率值，生成对应位置的智能家居设备是否存在冲突的判断结果。特别地，所述判断结果生成单元290，进一步用于：基于所述状态冲突的概率值与预定阈值之间的比较，生成对应位置的智能家居设备是否存在冲突的判断结果。也就是，在实际应用过程中，可以选择适当的阈值，根据状态冲突的概率值与阈值之间的大小关系，生成相应的智能家居设备之间是否存在冲突的判断结果。
更具体地，在本申请实施例中，所述预警单元230，用于基于所述判断结果生成单元229获得的所述判断结果，生成预警信号。特别地，所述预警单元230，进一步用于：响应于所述判断结果为对应位置的智能家居设备存在状态冲突，生成预警信号。也就是，在检测到冲突概率值大于预设阈值时，向用户预警对应的第一智能家居设备与第二智能家居设备可能存在冲突。
综上，基于本申请物联网服务系统被阐明，其中，在智能家居的物联网系统中，各种智能家居设备相互联网以实现家居设备与家居设备、家居设备与人之间的泛在连接，进而实现对家居设备和家居设备的过程的智能化感知、识别和管理。特别地，所述智能家居的物联网服务系统结合人工智能技术来提高对智能家居的状态冲突控制的准确性和智能性。具体地，所述物联网服务系统基于统计特征的深度学习技术，来从智能家居的可外部观察到的显性状态出发，通过对于这种显性状态的统计特征的特征工程,来提取各个智能家居设备的状态之间的高维统计关联特征来进行状态冲突智能检测，通过这样的方式，提高控制冲突的检测准确率。
这里，本领域技术人员可以理解，上述状态控制设备200中的各个单元和模块的具体功能和操作已经在上述描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的状态控制设备200可以实现在服务器中，例如，云服务器、终端服务器等。在一个示例中，根据本申请实施例的状态控制设备200可以作为一个软件模块和/或硬件模块而集成到服务器中。例如，该状态控制设备200可以是该服务器的操作系统中的一个软件模块，或者可以是针对于该服务器所开发的一个应用程序；当然，该状态控制设备200同样可以是该服务器的众多硬件模块之一。
替换地，在另一示例中，该状态控制设备200与该服务器也可以是分立的设备，并且该状态控制设备200可以通过有线和/或无线网络连接到该服务器，并且按照约定的数据格式来传输交互信息。
示例性方法
根据本申请的另一方面，还提供了一种物联网服务系统中状态控制设备的控制方法。
图4图示了根据本申请实施例的物联网服务系统中状态控制设备的控制方法的流程图。如图4所示，根据本申请实施例的物联网服务系统中状态控制设备的控制方法的流程图，包括：S110，获取各个所述智能家居设备的当前状态，并将每个所述智能家居的当前开/关的状态编码为0和1，以构成所有所述智能家居设备的当前状态向量；S120，将所述当前状态向量的列向量与转置之后的行向量进行矩阵相乘，以获得所有所述智能家居设备的当前状态矩阵；S130，将所述当前状态矩阵通过第一卷积神经网络，以获得对应于所述当前状态矩阵的状态特征矩阵；S140，基于各个所述智能家居设备的类型的信息，为各个所述智能家居设备定义一个独热向量，并将各个所述智能家居设备的独热向量在向量的样本维度进行拼接以获得设备类型矩阵；S150，将所述设备类型矩阵通过第二卷积神经网络，以获得对应于所述设备类型矩阵的类型特征矩阵，其中，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；S160，将所述状态特征矩阵与所述类型特征矩阵进行矩阵相乘，以获得关联特征矩阵；S170，将所述关联特征矩阵通过多个卷积层以获得最终特征矩阵；S180，基于所述最终特征矩阵中的每个位置的值，计算其与其他位置的值的Softmax函数值，以作为表示该位置的智能家居设备和其他位置的智能家居设备的状态冲突的概率值；S190，基于所述状态冲突的概率值，生成对应位置的智能家居设备是否存在冲突的判断结果；以及，S200，基于所述判断结果，生成预警信号。
图5为根据本申请实施例的物联网服务系统中状态控制设备的控制方法的系统架构示意图。如图5所示，在该网络架构中，首先，将每个所述智能家居的当前开/关的状态编码为0和1，以构成所有所述智能家居设备的当前状态向量(例如，如图5中所示意的V1)；接着，将所述当前状态向量的列向量与转置之后的行向量(例如，如图5中所示意的V1t)进行矩阵相乘，以获得所有所述智能家居设备的当前状态矩阵(例如，如图5中所示意的M1)；接着，将所述当前状态矩阵通过第一卷积神经网络(例如，如图5中所示意的CNN1)，以获得对应于所述当前状态矩阵的状态特征矩阵(例如，如图5中所示意的Mt1)；然后，基于各个所述智能家居设备的类型的信息，为各个所述智能家居设备定义一个独热向量(例如，如图5中所示意的V21到V2n)，并将各个所述智能家居设备的独热向量在向量的样本维度进行拼接以获得设备类型矩阵(例如，如图5中所示意的M2)；接着，将所述设备类型矩阵通过第二卷积神经网络(例如，如图5中所示意的CNN2)，以获得对应于所述设备类型矩阵的类型特征矩阵(例如，如图5中所示意的Mt2)；接着，将所述状态特征矩阵与所述类型特征矩阵进行矩阵相乘，以获得关联特征矩阵(例如，如图5中所示意的M3)；接着，将所述关联特征矩阵通过多个卷积层(例如，如图5中所示意的)以获得最终特征矩阵(例如，如图5中所示意的Me)；接着，基于所述最终特征矩阵中的每个位置的值，计算其与其他位置的值的Softmax函数值，以作为表示该位置的智能家居设备和其他位置的智能家居设备的状态冲突的概率值；然后，基于所述状态冲突的概率值，生成对应位置的智能家居设备是否存在冲突的判断结果；然后，基于所述判断结果，生成预警信号。
在步骤S110中，获取各个所述智能家居设备的当前状态，并将每个所述智能家居的当前开/关的状态编码为0和1，以构成所有所述智能家居设备的当前状态向量。也就是，获取各个智能家居设备的状态信息并将所有智能家居设备的状态进行0/1编码以将所有智能家居设备的状态信息构成向量的数据形式，便于后续以人工智能技术进行计算和分析。
在步骤S120中，将所述当前状态向量的列向量与转置之后的行向量进行矩阵相乘，以获得所有所述智能家居设备的当前状态矩阵。应可以理解，通过将所述当前状态向量的列向量与转置之后的行向量相乘，得到各个智能家居设备的当前状态矩阵，矩阵中除对角线之外的每个元素表示两个智能家居设备之间的状态关系。
在步骤S130中，将所述当前状态矩阵通过第一卷积神经网络，以获得对应于所述当前状态矩阵的状态特征矩阵。也就是，通过第一卷积神经网络提取出所述当前状态矩阵的高维空间特征。应可以理解，通过将所述当前状态矩阵通过第一卷积神经网络获得状态特征矩阵，就可以提取到各个智能家居设备的状态之间的高维统计关联特征。
具体地，在本申请实施例中，第一卷积神经网络的各层的通道数均为一，且宽和高的数值设置使得状态特征矩阵与当前状态矩阵的行数和列数相同。应可以理解，通过设置第一卷积神经网络的各层的通道数均为一，且宽和高的数值设置使得状态特征矩阵与当前状态矩阵的行数和列数相同，使得状态特征矩阵中每个位置的关联信息的概率值即可以表达相应的各个智能家居设备的状态之间的高维统计关联特征。本领域普通技术人员应了解，卷积神经网络在提取局部空间特征方面具有优异的性能表现。
特别地，在本申请实施例中，所述第一卷积神经网络可采用深度残差神经网络，例如，ResNet 50。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
在步骤S140中，基于各个所述智能家居设备的类型的信息，为各个所述智能家居设备定义一个独热向量，并将各个所述智能家居设备的独热向量在向量的样本维度进行拼接以获得设备类型矩阵。应可以理解，在实际生活中，智能家居之间的状态冲突也与智能家居的类型有一定的关系，表现在具有相同或者相近功能的智能家居之间比较容易存在状态冲突，比如如上所述的开窗和开空调，其都具有调节空气状况的功能，又比如电视和音响，其也都具有媒体播放功能。因此，为了在高维统计关联特征中进一步包括这种基于智能家居的类型的信息，针对每个智能家居设备定义独热向量，并将这些独热向量在向量的样本维度拼接以获得为设备类型矩阵。
应可以理解，由于设备类型矩阵可能与当前状态矩阵的列数不同，因此需要以转换矩阵转换为与当前状态矩阵相同大小，以便于后续计算。因此，在本申请实施例中，特别地，在步骤S140中，进一步将所述设备类型矩阵转化为与所述当前状态矩阵具有相同的尺寸。在具体实施中，可对所述设备类型矩阵转化进行上采样或者下采样，或者，对所述当前状态矩阵进行上采样或者下采样以使得所述设备类型矩阵和所述当前状态矩阵的尺寸相一致。
在步骤S150中，将所述设备类型矩阵通过第二卷积神经网络，以获得对应于所述设备类型矩阵的类型特征矩阵，其中，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构。也就是，以第二卷积神经网络提取出所述设备类型矩阵的各高维特征。这样，通过将该设备类型矩阵通过与第一卷积神经网络相同结构的第二卷积神经网络获得类型特征矩阵，可以将设备类型信息映射到与设备状态信息相同的高维空间中，并且，通过在第二卷积神经网络的训练过程调整其参数，可以进一步准确地表示独热向量与智能家居设备的功能类型之间的映射关系。
在步骤S160中，将所述状态特征矩阵与所述类型特征矩阵进行矩阵相乘，以获得关联特征矩阵。应可以理解，通过将状态特征矩阵乘以类型特征矩阵以获得关联特征矩阵，就可以进一步将表示设备类型信息的高维统计特征结合到表示设备状态信息的高维统计关联特征中，从而进一步提高分类的准确性。
在步骤S170中，将所述关联特征矩阵通过多个卷积层以获得最终特征矩阵。也就是，通过多个卷积层进一步挖掘所述关联特征矩阵中更抽象和高维的特征，以获得最终特征矩阵。
在步骤S180中，基于所述最终特征矩阵中的每个位置的值，计算其与其他位置的值的Softmax函数值，以作为表示该位置的智能家居设备和其他位置的智能家居设备的状态冲突的概率值。这里，Softmax函数，又称归一化指数函数，它是二分类函数sigmoid在多分类上的推广，目的是将多分类的结果以概率的形式展现出来。
具体地，在本申请实施例中，基于所述最终特征矩阵中的每个位置的值，计算其与其他位置的值的Softmax函数值，以作为表示该位置的智能家居设备和其他位置的智能家居设备的状态冲突的概率值的过程，包括：基于如下公式计算所述最终特征矩阵中的每个位置的值其与其他位置的值的Softmax函数值，其中，所述公式表示为：pij＝exp(xij)/∑exp(xij)。
值得一提的是，在本申请实施例中，p12表示第一智能家居设备与第二智能家居设备之间的冲突概率值，这里，因为冲突概率值实际上关于对角线对称，也就是p12和p21都表示第一智能家居设备与第二智能家居设备之间的冲突概率值，因此如果两者不一致，可以取两者的均值。也就是，在本申请实施例中，所述状态冲突概率计算单元228，进一步用于：计算该位置与其他位置之间的Softmax函数值和其他位置与该位置之间的Softmax函数值的均值，作为表示该位置的智能家居设备和其他位置的智能家居设备的状态冲突的概率值。
在步骤S190中，基于所述状态冲突的概率值，生成对应位置的智能家居设备是否存在冲突的判断结果。具体地，在本申请实施例中，基于所述状态冲突的概率值，生成对应位置的智能家居设备是否存在冲突的判断结果的过程，包括：基于所述状态冲突的概率值与预定阈值之间的比较，生成对应位置的智能家居设备是否存在冲突的判断结果。也就是，在实际应用过程中，可以选择适当的阈值，根据状态冲突的概率值与阈值之间的大小关系，生成相应的智能家居设备之间是否存在冲突的判断结果。
在步骤S200中，基于所述判断结果，生成预警信号。具体地，在本申请实施例中，基于所述判断结果，生成预警信号的过程，包括：响应于所述判断结果为对应位置的智能家居设备存在状态冲突，生成预警信号。也就是，在检测到冲突概率值大于预设阈值时，向用户预警对应的第一智能家居设备与第二智能家居设备可能存在冲突。
综上，基于本申请物联网服务系统被阐明，其中，在智能家居的物联网系统中，各种智能家居设备相互联网以实现家居设备与家居设备、家居设备与人之间的泛在连接，进而实现对家居设备和家居设备的过程的智能化感知、识别和管理。特别地，所述智能家居的物联网服务系统结合人工智能技术来提高对智能家居的状态冲突控制的准确性和智能性。具体地，所述物联网服务系统基于统计特征的深度学习技术，来从智能家居的可外部观察到的显性状态出发，通过对于这种显性状态的统计特征的特征工程,来提取各个智能家居设备的状态之间的高维统计关联特征来进行状态冲突智能检测，通过这样的方式，提高控制冲突的检测准确率。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (6)

1.一种物联网服务系统，其特征在于，包括：
智能家居设备，所述智能家居设备具有不同状态；
状态控制设备，用于基于所述智能家居设备的不同状态，对于不同智能家居设备的状态冲突进行控制，所述状态控制设备，包括：
当前状态向量生成单元，用于获取各个所述智能家居设备的当前状态，并将每个所述智能家居的当前开/关的状态编码为0和1，以构成所有所述智能家居设备的当前状态向量；
当前状态矩阵生成单元，用于将所述当前状态向量的列向量与转置之后的行向量进行矩阵相乘，以获得所有所述智能家居设备的当前状态矩阵；
状态特征矩阵生成单元，用于将所述当前状态矩阵通过第一卷积神经网络，以获得对应于所述当前状态矩阵的状态特征矩阵；
设备类型矩阵生成单元，用于基于各个所述智能家居设备的类型的信息，为各个所述智能家居设备定义一个独热向量，并将各个所述智能家居设备的独热向量在向量的样本维度进行拼接以获得设备类型矩阵；
类型特征矩阵生成单元，用于将所述设备类型矩阵通过第二卷积神经网络，以获得对应于所述设备类型矩阵的类型特征矩阵，其中，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；
关联特征矩阵生成单元，用于将所述状态特征矩阵与所述类型特征矩阵进行矩阵相乘，以获得关联特征矩阵；
最终特征矩阵生成单元，用于将所述关联特征矩阵通过多个卷积层以获得最终特征矩阵；
状态冲突概率计算单元，用于基于所述最终特征矩阵中的每个位置的值，计算其与其他位置的值的Softmax函数值，以作为表示该位置的智能家居设备和其他位置的智能家居设备的状态冲突的概率值；
判断结果生成单元，用于基于所述状态冲突的概率值，生成对应位置的智能家居设备是否存在冲突的判断结果；以及
预警单元，用于基于所述判断结果，生成预警信号。
2.根据权利要求1所述的物联网服务系统，其中，所述设备类型矩阵生成单元，进一步用于将所述设备类型矩阵转化为与所述当前状态矩阵具有相同的尺寸。
3.根据权利要求1所述的物联网服务系统，其中，所述状态冲突概率计算单元，进一步用于：基于如下公式计算所述最终特征矩阵中的每个位置的值其与其他位置的值的Softmax函数值，其中，所述公式表示为：
pij＝exp(xij)/∑exp(xij)。
4.根据权利要求3所述的物联网服务系统，其中，所述状态冲突概率计算单元，进一步用于：计算该位置与其他位置之间的Softmax函数值和其他位置与该位置之间的Softmax函数值的均值，作为表示该位置的智能家居设备和其他位置的智能家居设备的状态冲突的概率值。
5.根据权利要求1所述的物联网服务系统，其中，所述判断结果生成单元，进一步用于：基于所述状态冲突的概率值与预定阈值之间的比较，生成对应位置的智能家居设备是否存在冲突的判断结果。
6.根据权利要求1所述的物联网服务系统，其中，所述预警单元，进一步用于：响应于所述判断结果为对应位置的智能家居设备存在状态冲突，生成预警信号。
CN202110529600.7A 2021-05-14 2021-05-14 物联网服务系统 Active CN113111543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110529600.7A CN113111543B (zh) 2021-05-14 2021-05-14 物联网服务系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110529600.7A CN113111543B (zh) 2021-05-14 2021-05-14 物联网服务系统

Publications (2)

Publication Number Publication Date
CN113111543A true CN113111543A (zh) 2021-07-13
CN113111543B CN113111543B (zh) 2022-08-16

Family

ID=76722190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110529600.7A Active CN113111543B (zh) 2021-05-14 2021-05-14 物联网服务系统

Country Status (1)

Country Link
CN (1) CN113111543B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114870416A (zh) * 2022-04-28 2022-08-09 福建德尔科技股份有限公司 用于电子级一氟甲烷制备的精馏控制系统及精馏控制方法
WO2023226247A1 (zh) * 2022-05-26 2023-11-30 福建天甫电子材料有限公司 用于中性清洗剂生产的自动配料系统及其配料方法
CN117194947A (zh) * 2023-08-16 2023-12-08 惠州市庆展科技有限公司 一种智慧家居的设备特征确定方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109507907A (zh) * 2018-12-29 2019-03-22 上海移汇信息科技有限公司 语音智能家居控制方法、装置及系统
CN110501917A (zh) * 2019-09-11 2019-11-26 智慧谷(厦门)物联科技有限公司 应用云计算实现物联网智能家居信息管理的系统和方法
US20190385073A1 (en) * 2018-06-19 2019-12-19 Microsoft Technology Licensing, Llc Visual recognition via light weight neural network
US20200133211A1 (en) * 2018-10-26 2020-04-30 Samsung Electronics Co., Ltd. Electronic device and method for controlling electronic device thereof
CN111768049A (zh) * 2020-07-03 2020-10-13 南京上古网络科技有限公司 一种多业务应用场景的智能物联终端控制管理系统及方法
CN112631139A (zh) * 2020-12-14 2021-04-09 山东大学 智能家居指令合理性实时检测系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190385073A1 (en) * 2018-06-19 2019-12-19 Microsoft Technology Licensing, Llc Visual recognition via light weight neural network
US20200133211A1 (en) * 2018-10-26 2020-04-30 Samsung Electronics Co., Ltd. Electronic device and method for controlling electronic device thereof
CN109507907A (zh) * 2018-12-29 2019-03-22 上海移汇信息科技有限公司 语音智能家居控制方法、装置及系统
CN110501917A (zh) * 2019-09-11 2019-11-26 智慧谷(厦门)物联科技有限公司 应用云计算实现物联网智能家居信息管理的系统和方法
CN111768049A (zh) * 2020-07-03 2020-10-13 南京上古网络科技有限公司 一种多业务应用场景的智能物联终端控制管理系统及方法
CN112631139A (zh) * 2020-12-14 2021-04-09 山东大学 智能家居指令合理性实时检测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖丁等: "智能家居场景联动中基于知识图谱的隐式冲突检测方法研究", 《计算机学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114870416A (zh) * 2022-04-28 2022-08-09 福建德尔科技股份有限公司 用于电子级一氟甲烷制备的精馏控制系统及精馏控制方法
CN114870416B (zh) * 2022-04-28 2023-01-24 福建德尔科技股份有限公司 用于电子级一氟甲烷制备的精馏控制系统及精馏控制方法
WO2023206914A1 (zh) * 2022-04-28 2023-11-02 福建德尔科技股份有限公司 用于电子级一氟甲烷制备的精馏控制系统及精馏控制方法
WO2023226247A1 (zh) * 2022-05-26 2023-11-30 福建天甫电子材料有限公司 用于中性清洗剂生产的自动配料系统及其配料方法
CN117194947A (zh) * 2023-08-16 2023-12-08 惠州市庆展科技有限公司 一种智慧家居的设备特征确定方法及系统

Also Published As

Publication number Publication date
CN113111543B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN113111543B (zh) 物联网服务系统
CN114825257B (zh) Led灯检测的漏电保护装置及其漏电保护方法
CN115783923B (zh) 基于大数据的电梯故障模式识别系统
CN114782882B (zh) 基于多模态特征融合的视频目标行为异常检测方法和系统
CN114419323B (zh) 基于跨模态学习与领域自适应rgbd图像语义分割方法
CN116025319A (zh) 多介质热流体作业监测系统及其方法
CN115834433B (zh) 基于物联网技术的数据处理方法及系统
CN110768971A (zh) 适用于人工智能系统的对抗样本快速预警方法及系统
CN115657265A (zh) 镜头的变焦控制方法及其系统
CN115471216A (zh) 智慧实验室管理平台的数据管理方法
CN115324843A (zh) 基于监测数据的风力发电机组的故障诊断系统及其方法
CN117269644A (zh) 电流互感器的线路故障监测系统及其方法
CN115146676A (zh) 电路故障检测方法及其系统
CN116627040A (zh) 烘干器控制系统及其方法
CN114821169A (zh) 微服务架构下的方法级无侵入调用链路追踪方法
CN115294639A (zh) 色温可调灯带及其控制方法
CN112819044A (zh) 用于目标对象的目标操作任务补偿的神经网络的训练方法
CN116402777B (zh) 基于机器视觉的电力设备检测方法及系统
CN116851856B (zh) 纯水线切割加工工艺及其系统
CN114839466B (zh) 用于水泵的emc电磁兼容性测试系统及其测试方法
CN117134958A (zh) 用于网络技术服务的信息处理方法及系统
CN116320459B (zh) 一种基于人工智能的计算机网络通信数据处理方法及系统
CN116844088A (zh) 在线除尘器控制系统及其方法
CN116503314A (zh) 用于门制造的质量检测系统及方法
CN111680674B (zh) 基于自集成注意力机制的门厅人员监控方法

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
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Sun Ling

Inventor after: Wu Xinfei

Inventor before: Wu Xinfei

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220916

Address after: Room 11502-747, Unit 1, Building 2, Chengshi Space, No. 8, Gaoxin 3rd Road, High-tech Zone, Xi'an City, Shaanxi Province 710000

Patentee after: Shaanxi Ruilian Information Technology Co.,Ltd.

Address before: 310000 No.8 Xinye Road, Qianjiang New Town, Jianggan District, Hangzhou City, Zhejiang Province

Patentee before: Hangzhou Helu Technology Co.,Ltd.

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: IoT service system

Granted publication date: 20220816

Pledgee: Xi'an innovation financing Company limited by guarantee

Pledgor: Shaanxi Ruilian Information Technology Co.,Ltd.

Registration number: Y2024980013905