CN113204332B - 智能家居设备控制程序生成系统及方法 - Google Patents
智能家居设备控制程序生成系统及方法 Download PDFInfo
- Publication number
- CN113204332B CN113204332B CN202110484515.3A CN202110484515A CN113204332B CN 113204332 B CN113204332 B CN 113204332B CN 202110484515 A CN202110484515 A CN 202110484515A CN 113204332 B CN113204332 B CN 113204332B
- Authority
- CN
- China
- Prior art keywords
- program
- equipment
- template
- communication
- module
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/20—Software design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
-
- 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]
Abstract
本发明涉及智能家居软件开发技术领域，尤其是智能家居设备控制程序生成系统及方法，所述系统包括模型建立模块：用于记录不同设备接入智能家居时的特征参数，并建立特征模型；模板生成模块：用于生成程序模板；设备识别模块：用于检测并监听设备的蓝牙广播信号，识别设备，并生成与设备库中的设备的匹配度；程序生成模块：用于自动生成并测试设备的程序，并更新模板生成模块中的程序模板。采用本方案能够提高设备接入智能家居时的自动化水平，降低程序开发及维护的成本。
Description
技术领域
本发明涉及智能家居软件开发技术领域，特别涉及智能家居设备控制程序生成系统及方法。
背景技术
智能家居是一种典型的物联网系统，对于智能家居系统而言，接入一个终端设备，会涉及到整个系统链路上从网关固件到云端软件各个环节的功能变更，完成这些功能变更需要进行一系列的开发工作。现有的智能家居技术开发模式是首先获取终端设备提供商提供的设备接口通信协议，再通过人工来开发设备接入所涉及到的系统链路上各个环节的软件程序，如网关等边缘设备的配网、固件，云端和客户端的控制管理等功能程序。这种开发模式，依赖于人工进行很多繁琐且重复性高的开发工作，需要投入大量的人力及时间成本，开发效率低，系统使用及维护的成本高。
发明内容
本发明提供了智能家居设备控制程序生成系统及方法，能够提高设备接入智能家居时的自动化水平，降低程序开发及维护的成本。
本发明提供的基础方案：
智能家居设备控制程序生成系统，其特征在于，包括以下模块：
模型建立模块：用于记录不同设备接入智能家居时的特征参数，并建立特征模型；所述模型建立模块包括协议获取模块、设备接入模块、特征学习模块、模型训练模块、差异分析模块、抽象建模模块及设备库建立模块；
所述协议获取模块：用于获取设备的接口通信协议；
所述设备接入模块：用于通过人工开发程序将设备接入网关和云端；
所述特征学习模块：用于深度学习设备的通信特征；
所述模型训练模块：用于根据设备的通信特征，训练设备的通信特征模型；
所述差异分析模块：用于对数据包的特征进行分析建模，训练设备的数据特征模型；
所述抽象建模模块：用于根据设备的接口通信协议、通信特征模型及数据特征模型，对不同设备的通信协议进行抽象建模；
所述设备库建立模块：用于建立设备库，所述设备库中包括设备、与不同设备对应的设备的通信特征模型、数据特征模型及对不同设备的通信协议的抽象建模；
模板生成模块：用于根据对不同设备的通信协议的抽象建模，生成程序模板；还用于对不同设备的配网管理程序及控制管理程序进行深度学习和建模，并生成程序模板；
设备识别模块：用于检测并监听设备的蓝牙广播信号，根据不同设备的通信特征模型、数据特征模型及通信协议的抽象建模识别设备，并生成与设备库中的设备的匹配度；
程序生成模块：用于匹配度高于匹配度阈值时，调用模板生成模板中的程序模板，自动生成并测试设备的程序，并更新模板生成模块中的程序模板；还用于匹配度低于匹配度阈值时，利用模型建立模块记录该设备的特征参数，并建立特征模型，利用模板生成模块生成并测试设备的程序，并更新模板生成模块中的程序模板。
本发明的原理及优点在于：通过模型建立模块记录不同设备的特征参数，并建立特征模型，其中：模型训练模块根据设备的通信特征，训练设备的通信特征模型，由于每一种类型的医疗健康设备的通信特征不同，故可以据此自动识别出不同类型的医疗健康设备；差异分析模块对数据包的特征进行分析建模，训练设备的数据特征模型，对于同一类型的医疗健康设备，进行更加细致的局部差异数据的分析，由于不同厂商在生产设备时，其数据包的特征有所不同，故对数据包的特征进行分析建模，由此区分出同一类型不同厂商的医疗健康设备；抽象建模模块根据设备的接口通信协议、通信特征模型及数据特征模型，对不同设备的通信协议进行抽象建模，从而区分不同厂商的通信协议。然后由模板生成模块根据不同设备的特性生成程序模板，设备接入智能家居时，可以直接通过设备识别模块进行识别并根据程序模板自动生成程序。采用本方案，提高设备接入智能家居时的自动化水平，且该系统可以通过程序生成模块记录未知设备的特征参数，并建立特征模型，利用模板生成模块生成并测试设备的程序，并更新模板生成模块中的程序模板，即该系统具有自动学习更新的功能，降低了程序开发及维护的成本。
进一步，所述设备与网关的通信方式包括蓝牙连接；所述特征学习模块包括数据获取模块、标记模块和深度学习模块；
所述数据获取模块：用于获取设备与网关蓝牙连接及通信过程中各数据阶段的通信特征；
所述标记模块：用于将所述通信特征对应到上层语义，并进行分类标记；
所述深度学习模块：用于深度学习不同设备的通信特征。
有益效果：获取不同设备与网关蓝牙连接及通信过程中各数据阶段的通信特征，便于根据不同设备的通信特征的区别，识别不同的设备。
进一步，所述程序模板包括通信协议程序模板、元通信协议程序模板、配网管理程序模板、元设备控制管理程序模板及设备控制管理程序模板；所述模板生成模块包括通信协议模板生成模块、元通信协议模板生成模块、配网管理程序生成模块、元设备程序生成模块及设备程序生成模块；
所述通信协议模板生成模块：用于根据对不同设备的通信协议的抽象建模，生成通信协议程序模板；
所述元通信协议模板生成模块：用于根据对不同设备的通信协议的抽象建模，获取不同设备的通信协议的通用部分，生成元通信协议程序模板；
所述配网管理程序生成模块：用于对不同设备的配网管理程序进行深度学习和建模，生成配网管理程序模板；
所述元设备程序生成模块：用于对不同设备的控制管理程序的通用部分进行深度学习和建模，生成元设备控制管理程序模板；
所述设备程序生成模块：用于对不同设备的控制管理程序的不同部分进行深度学习和建模，生成设备控制管理程序模板；
所述深度学习的训练过程采用supervised和unsupervised两种方式结合进行。
有益效果：生成多种程序模板，便于设备接入智能家居后，快速根据程序模板生成程序。
进一步，所述数据阶段包括广播阶段、正在接入阶段、正在正常使用阶段和闲置阶段。
有益效果：对多个数据阶段的通信特征进行采集，便于更加准确的识别不同设备。
进一步，所述通信特征包括设备在一个使用周期内的设备运行机制、设备功能特点、设备运行时长、发包时间和发包大小；所述数据包的特征包括数据包的起始包、设备码、数据码及长度码，还包括对数据包的有效负载大小和发送时间间隔特征。
有益效果：对多种通信特征及数据包的特征进行采集，便于更加准确的识别不同设备。
智能家居设备控制程序生成方法，其特征在于：包括以下步骤：
S1：记录不同设备接入智能家居时的特征参数，并建立特征模型；
S1包括：
S101：获取设备的接口通信协议；
S102：通过人工开发程序将设备接入网关和云端；
S103：深度学习设备的通信特征；
S104：根据设备的通信特征，训练设备的通信特征模型；
S105：对数据包的特征进行分析建模，训练设备的数据特征模型；
S106：根据设备的接口通信协议、通信特征模型及数据特征模型，对不同设备的通信协议进行抽象建模；
S107：建立设备库，所述设备库中包括设备、与不同设备对应的设备的通信特征模型、数据特征模型及对不同设备的通信协议的抽象建模；
S2：根据对不同设备的通信协议的抽象建模，生成程序模板；对不同设备的配网管理程序及控制管理程序进行深度学习和建模，并生成程序模板；
S3：检测并监听设备的蓝牙广播信号，根据不同设备的通信特征模型、数据特征模型及通信协议的抽象建模识别设备，并生成与设备库中的设备的匹配度；
S4：匹配度高于匹配度阈值时，调用模板生成模板中的程序模板，自动生成并测试设备的程序，并更新程序模板；匹配度低于匹配度阈值时，记录该设备的特征参数，并建立特征模型，生成并测试设备的程序，并更新程序模板。
有益效果：记录不同设备的特征参数，并建立特征模型，根据不同设备的特性生成程序模板，设备接入智能家居时，可以直接对设备进行识别并根据程序模板自动生成程序。采用本方案，提高设备接入智能家居时的自动化水平，且该方法自动学习更新程序模板，降低了程序开发及维护的成本。
进一步，所述设备与网关的通信方式包括蓝牙连接；所述S103包括：
S1031：获取设备与网关蓝牙连接及通信过程中各数据阶段的通信特征；
S1032：将所述通信特征对应到上层语义，并进行分类标记；
S1033：深度学习不同设备的通信特征。
有益效果：获取不同设备与网关蓝牙连接及通信过程中各数据阶段的通信特征，便于根据不同设备的通信特征的区别，识别不同的设备。
进一步，所述程序模板包括通信协议程序模板、元通信协议程序模板、配网管理程序模板、元设备控制管理程序模板及设备控制管理程序模板；所述S2包括：
S201：根据对不同设备的通信协议的抽象建模，生成通信协议程序模板；
S202：根据对不同设备的通信协议的抽象建模，获取不同设备的通信协议的通用部分，生成元通信协议程序模板；
S203：对不同设备的配网管理程序进行深度学习和建模，生成配网管理程序模板；
S204：对不同设备的控制管理程序的通用部分进行深度学习和建模，生成元设备控制管理程序模板；
S205：对不同设备的控制管理程序的不同部分进行深度学习和建模，生成设备控制管理程序模板；
所述深度学习的训练过程采用supervised和unsupervised两种方式结合进行。
有益效果：生成多种程序模板，便于设备接入智能家居后，快速根据程序模板生成程序。
进一步，所述数据阶段包括广播阶段、正在接入阶段、正在正常使用阶段和闲置阶段。
有益效果：对多个数据阶段的通信特征进行采集，便于更加准确的识别不同设备。
进一步，所述通信特征包括设备在一个使用周期内的设备运行机制、设备功能特点、设备运行时长、发包时间和发包大小；所述数据包的特征包括数据包的起始包、设备码、数据码及长度码，还包括对数据包的有效负载大小和发送时间间隔特征。
有益效果：对多种通信特征及数据包的特征进行采集，便于更加准确的识别不同设备。
附图说明
图1为本发明实施例智能家居设备控制程序生成系统的逻辑框图。
图2为本发明实施例智能家居设备控制程序生成方法的流程图。
图3为本发明实施例智能家居设备控制程序生成系统及方法中血压计设备的通信特征示意图。
图4为本发明实施例智能家居设备控制程序生成系统及方法中血氧仪设备的通信特征示意图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例1基本如附图1所示：
智能家居设备控制程序生成系统，包括模型建立模块：记录不同设备接入智能家居时的特征参数，并建立特征模型；模板生成模块：根据对不同设备的通信协议的抽象建模，生成程序模板，对不同设备的配网管理程序及控制管理程序进行深度学习和建模，并生成程序模板；设备识别模块：检测并监听设备的蓝牙广播信号，根据不同设备的通信特征模型、数据特征模型及通信协议的抽象建模识别设备，并生成与设备库中的设备的匹配度；程序生成模块：生成并测试设备的程序，并更新模板生成模块中的程序模板。
模型建立模块包括协议获取模块、设备接入模块、特征学习模块、模型训练模块、差异分析模块、抽象建模模块及设备库建立模块。
协议获取模块获取设备的接口通信协议；设备接入模块通过人工开发程序将设备接入网关和云端，本实施例中，设备与网关的通信方式为蓝牙连接，使用nodejs实现设备通过网关接入云端；特征学习模块深度学习设备的通信特征。特征学习模块包括数据获取模块、标记模块和学习模块。
数据获取模块获取设备与网关蓝牙连接及通信过程中各数据阶段的通信特征；标记模块将所述通信特征对应到上层语义，并进行分类标记；深度学习模块深度学习不同设备的通信特征。数据阶段有广播阶段、正在接入阶段、正在正常使用阶段和闲置阶段。通信特征有设备在一个使用周期内的设备运行机制、设备功能特点、设备运行时长、发包时间和发包大小。如图3、图4所示，血压计设备和血氧仪设备通信过程中各时间点的通信特征有所异同，本实施例中，对设备在一个使用周期内的设备自身行为、通信行为以及数据行为进行分类标记，从而能够进一步抽象出不同设备间的共性特征和差异点。
模型训练模块根据不同设备的通信特征，训练设备的通信特征模型，由于每一种类型的医疗健康设备的通信特征不同，故可以据此自动识别出不同类型的医疗健康设备。
差异分析模块对不同设备数据包的特征进行分析建模，训练设备的数据特征模型，数据包的特征包括数据包的起始包、设备码、数据码及长度码，还包括对数据包的有效负载大小和发送时间间隔特征，由于不同厂商在生产设备时，其数据包的特征有所不同，故对数据包的特征进行分析建模，由此区分出同一类型不同厂商的医疗健康设备。
抽象建模模块根据设备的接口通信协议、通信特征模型及数据特征模型，对不同设备的通信协议进行抽象建模，由于不同厂商在生产设备时，其接口通信协议有所不同，对不同设备的通信协议进行抽象建模，从而区分不同厂商的通信协议。
设备库建立模块建立设备库，所述设备库中包括设备、与不同设备对应的设备的通信特征模型、数据特征模型及对不同设备的通信协议的抽象建模。
模板生成模块根据对不同设备的通信协议的抽象建模，生成程序模板；对不同设备的配网管理程序及控制管理程序进行深度学习和建模，并生成程序模板。不同设备的通信协议、配网管理程序及控制管理程序不同，但其包含的内容大致相同，分析其内容的组成，生成对应的程序模板。所述程序模板包括通信协议程序模板、元通信协议程序模板、配网管理程序模板、元设备控制管理程序模板及设备控制管理程序模板；所述模板生成模块包括通信协议模板生成模块、元通信协议模板生成模块、配网管理程序生成模块、元设备程序生成模块及设备程序生成模块。
通信协议模板生成模块根据对不同设备的通信协议的抽象建模，生成通信协议程序模板；元通信协议模板生成模块根据对不同设备的通信协议的抽象建模，获取不同设备的通信协议的通用部分，生成元通信协议程序模板；配网管理程序生成模块对不同设备的配网管理程序进行深度学习和建模，生成配网管理程序模板；元设备程序生成模块对不同设备的控制管理程序的通用部分进行深度学习和建模，生成元设备控制管理程序模板；设备程序生成模块对不同设备的控制管理程序的不同部分进行深度学习和建模，生成设备控制管理程序模板。深度学习的训练过程采用supervised和unsupervised两种方式结合进行。
由此，系统中的设备库中存储了各种设备及其对应的通信特征模型、数据特征模型、对不同设备的通信协议的抽象建模及程序模板，有设备需要接入智能家居时，设备识别模块检测并监听设备的蓝牙广播信号，根据不同设备的通信特征模型、数据特征模型及通信协议的抽象建模识别设备，并生成与设备库中的设备的匹配度，本实施例中，通过人工智能的方式生成匹配度。
具体的，首先构建一个三层的BP神经网络模型，包括输入层、隐层和输出层，本实施例中，以设备库中的设备的通信特征模型、数据特征模型及通信协议的抽象建模、待识别设备的通信特征、数据特征及通信协议作为输入层的输入，故输入层有6个节点，以匹配度作为输出层的输出，故输出层的输出有1个节点，本实施例中，输出的匹配度包括0％-100％，匹配度阈值为90％；针对于隐层，本实施例使用了以下公式来确定隐层节点的数量：
其中l为隐层的节点数，n为输入层的节点数，m为输出层的节点数，a为1至10之间的一个数，本实施例中取为6，因此隐层共有9个节点。BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本实施例选择S型正切函数tansig作为隐层神经元的激励函数。预测模型选取S型对数函数tansig作为输出层神经元的激励函数。
程序生成模块用于匹配度高于匹配度阈值时，调用模板生成模板中的程序模板，自动生成并测试设备的程序，并更新模板生成模块中的程序模板；具体的，直接调用待识别的设备与设备库中匹配度最高的设备对应的程序模板，根据待识别的设备的通信特征、数据特征及通信协议，生成适用于该设备的程序并进行测试，测试结束后，根据最终生成的程序，生成该待识别的设备的程序模板，更新模板生成模块中的程序模板。
程序生成模块还用于匹配度低于匹配度阈值时，利用模型建立模块记录该设备的特征参数，并建立特征模型，利用模板生成模块生成并测试设备的程序，并更新模板生成模块中的程序模板。
实施例2基本如附图2所示：
智能家居设备控制程序生成方法，包括以下步骤：
S1：记录不同设备接入智能家居时的特征参数，并建立特征模型；
S2：根据对不同设备的通信协议的抽象建模，生成程序模板；对不同设备的配网管理程序及控制管理程序进行深度学习和建模，并生成程序模板；不同设备的通信协议、配网管理程序及控制管理程序不同，但其包含的内容大致相同，分析其内容的组成，生成对应的程序模板；
S3：检测并监听设备的蓝牙广播信号，根据不同设备的通信特征模型、数据特征模型及通信协议的抽象建模识别设备，并生成与设备库中的设备的匹配度；
S4：匹配度高于匹配度阈值时，调用模板生成模板中的程序模板，自动生成并测试设备的程序，并更新程序模板；匹配度低于匹配度阈值时，记录该设备的特征参数，并建立特征模型，生成并测试设备的程序，并更新程序模板。
S1包括：
S101：获取设备的接口通信协议；
S102：通过人工开发程序将设备接入网关和云端；本实施例中，设备与网关的通信方式为蓝牙连接，使用nodejs实现设备通过网关接入云端；
S103：深度学习设备的通信特征；
S104：根据设备的通信特征，训练设备的通信特征模型；
S105：对数据包的特征进行分析建模，训练设备的数据特征模型；数据包的特征有数据包的起始包、设备码、数据码及长度码，还包括对数据包的有效负载大小和发送时间间隔特征；
S106：根据设备的接口通信协议、通信特征模型及数据特征模型，对不同设备的通信协议进行抽象建模；
S107：建立设备库，所述设备库中包括设备、与不同设备对应的设备的通信特征模型、数据特征模型及对不同设备的通信协议的抽象建模；
所述设备与网关的通信方式包括蓝牙连接；所述S103包括：
S1031：获取设备与网关蓝牙连接及通信过程中各数据阶段的通信特征；数据阶段有广播阶段、正在接入阶段、正在正常使用阶段和闲置阶段；通信特征有设备在一个使用周期内的设备运行机制、设备功能特点、设备运行时长、发包时间和发包大小；
S1032：将所述通信特征对应到上层语义，并进行分类标记；如图3、图4所示，血压计设备和血氧仪设备通信过程中各时间点的通信特征有所异同，本实施例中，对设备在一个使用周期内的设备自身行为、通信行为以及数据行为进行分类标记，从而能够进一步抽象出不同设备间的共性特征和差异点；
S1033：深度学习不同设备的通信特征。
所述程序模板包括通信协议程序模板、元通信协议程序模板、配网管理程序模板、元设备控制管理程序模板及设备控制管理程序模板；所述S2包括：
S201：根据对不同设备的通信协议的抽象建模，生成通信协议程序模板；
S202：根据对不同设备的通信协议的抽象建模，获取不同设备的通信协议的通用部分，生成元通信协议程序模板；
S203：对不同设备的配网管理程序进行深度学习和建模，生成配网管理程序模板；
S204：对不同设备的控制管理程序的通用部分进行深度学习和建模，生成元设备控制管理程序模板；
S205：对不同设备的控制管理程序的不同部分进行深度学习和建模，生成设备控制管理程序模板；
所述深度学习的训练过程采用supervised和unsupervised两种方式结合进行。
由此，系统中的设备库中存储了各种设备及其对应的通信特征模型、数据特征模型、对不同设备的通信协议的抽象建模及程序模板，有设备需要接入智能家居时，检测并监听设备的蓝牙广播信号，根据不同设备的通信特征模型、数据特征模型及通信协议的抽象建模识别设备，并生成与设备库中的设备的匹配度，本实施例中，通过人工智能的方式生成匹配度。
具体的，首先构建一个三层的BP神经网络模型，包括输入层、隐层和输出层，本实施例中，以设备库中的设备的通信特征模型、数据特征模型及通信协议的抽象建模、待识别设备的通信特征、数据特征及通信协议作为输入层的输入，故输入层有6个节点，以匹配度作为输出层的输出，故输出层的输出有1个节点，本实施例中，输出的匹配度包括0％-100％，匹配度阈值为90％；针对于隐层，本实施例使用了以下公式来确定隐层节点的数量：
其中l为隐层的节点数，n为输入层的节点数，m为输出层的节点数，a为1至10之间的一个数，本实施例中取为6，因此隐层共有9个节点。BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本实施例选择S型正切函数tansig作为隐层神经元的激励函数。预测模型选取S型对数函数tansig作为输出层神经元的激励函数。
匹配度高于匹配度阈值时，直接调用待识别的设备与设备库中匹配度最高的设备对应的程序模板，根据待识别的设备的通信特征、数据特征及通信协议，生成适用于该设备的程序并进行测试，测试结束后，根据最终生成的程序，生成该待识别的设备的程序模板，更新程序模板。匹配度低于匹配度阈值时，记录该设备的特征参数，并建立特征模型，生成并测试设备的程序，并更新程序模板。
以上的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.智能家居设备控制程序生成系统，其特征在于：包括以下模块：
模型建立模块：用于记录不同设备接入智能家居时的特征参数，并建立特征模型；所述模型建立模块包括协议获取模块、设备接入模块、特征学习模块、模型训练模块、差异分析模块、抽象建模模块及设备库建立模块；
所述协议获取模块：用于获取设备的接口通信协议；
所述设备接入模块：用于通过人工开发程序将设备接入网关和云端；
所述特征学习模块：用于深度学习设备的通信特征；
所述模型训练模块：用于根据设备的通信特征，训练设备的通信特征模型；
所述差异分析模块：用于对数据包的特征进行分析建模，训练设备的数据特征模型；
所述抽象建模模块：用于根据设备的接口通信协议、通信特征模型及数据特征模型，对不同设备的通信协议进行抽象建模；
所述设备库建立模块：用于建立设备库，所述设备库中包括设备、与不同设备对应的设备的通信特征模型、数据特征模型及对不同设备的通信协议的抽象建模；
模板生成模块：用于根据对不同设备的通信协议的抽象建模，生成程序模板；还用于对不同设备的配网管理程序及控制管理程序进行深度学习和建模，并生成程序模板；
设备识别模块：用于检测并监听设备的蓝牙广播信号，根据不同设备的通信特征模型、数据特征模型及通信协议的抽象建模识别设备，并生成与设备库中的设备的匹配度；
程序生成模块：用于匹配度高于匹配度阈值时，调用模板生成模板中的程序模板，自动生成并测试设备的程序，并更新模板生成模块中的程序模板；还用于匹配度低于匹配度阈值时，利用模型建立模块记录该设备的特征参数，并建立特征模型，利用模板生成模块生成并测试设备的程序，并更新模板生成模块中的程序模板。
2.根据权利要求1所述的智能家居设备控制程序生成系统，其特征在于：所述设备与网关的通信方式包括蓝牙连接；所述特征学习模块包括数据获取模块、标记模块和深度学习模块；
所述数据获取模块：用于获取设备与网关蓝牙连接及通信过程中各数据阶段的通信特征；
所述标记模块：用于将所述通信特征对应到上层语义，并进行分类标记；
所述深度学习模块：用于深度学习不同设备的通信特征。
3.根据权利要求1所述的智能家居设备控制程序生成系统，其特征在于：所述程序模板包括通信协议程序模板、元通信协议程序模板、配网管理程序模板、元设备控制管理程序模板及设备控制管理程序模板；所述模板生成模块包括通信协议模板生成模块、元通信协议模板生成模块、配网管理程序生成模块、元设备程序生成模块及设备程序生成模块；
所述通信协议模板生成模块：用于根据对不同设备的通信协议的抽象建模，生成通信协议程序模板；
所述元通信协议模板生成模块：用于根据对不同设备的通信协议的抽象建模，获取不同设备的通信协议的通用部分，生成元通信协议程序模板；
所述配网管理程序生成模块：用于对不同设备的配网管理程序进行深度学习和建模，生成配网管理程序模板；
所述元设备程序生成模块：用于对不同设备的控制管理程序的通用部分进行深度学习和建模，生成元设备控制管理程序模板；
所述设备程序生成模块：用于对不同设备的控制管理程序的不同部分进行深度学习和建模，生成设备控制管理程序模板；
所述深度学习的训练过程采用supervised和unsupervised两种方式结合进行。
4.根据权利要求2所述的智能家居设备控制程序生成系统，其特征在于：所述数据阶段包括广播阶段、正在接入阶段、正在正常使用阶段和闲置阶段。
5.根据权利要求2所述的智能家居设备控制程序生成系统，其特征在于：所述通信特征包括设备在一个使用周期内的设备运行机制、设备功能特点、设备运行时长、发包时间和发包大小；所述数据包的特征包括数据包的起始包、设备码、数据码及长度码，还包括对数据包的有效负载大小和发送时间间隔特征。
6.智能家居设备控制程序生成方法，其特征在于：包括以下步骤：
S1：记录不同设备接入智能家居时的特征参数，并建立特征模型；
S1包括：
S101：获取设备的接口通信协议；
S102：通过人工开发程序将设备接入网关和云端；
S103：深度学习设备的通信特征；
S104：根据设备的通信特征，训练设备的通信特征模型；
S105：对数据包的特征进行分析建模，训练设备的数据特征模型；
S106：根据设备的接口通信协议、通信特征模型及数据特征模型，对不同设备的通信协议进行抽象建模；
S107：建立设备库，所述设备库中包括设备、与不同设备对应的设备的通信特征模型、数据特征模型及对不同设备的通信协议的抽象建模；
S2：根据对不同设备的通信协议的抽象建模，生成程序模板；对不同设备的配网管理程序及控制管理程序进行深度学习和建模，并生成程序模板；
S3：检测并监听设备的蓝牙广播信号，根据不同设备的通信特征模型、数据特征模型及通信协议的抽象建模识别设备，并生成与设备库中的设备的匹配度；
S4：匹配度高于匹配度阈值时，调用模板生成模板中的程序模板，自动生成并测试设备的程序，并更新程序模板；匹配度低于匹配度阈值时，记录该设备的特征参数，并建立特征模型，生成并测试设备的程序，并更新程序模板。
7.根据权利要求6所述的智能家居设备控制程序生成方法，其特征在于：所述设备与网关的通信方式包括蓝牙连接；所述S103包括：
S1031：获取设备与网关蓝牙连接及通信过程中各数据阶段的通信特征；
S1032：将所述通信特征对应到上层语义，并进行分类标记；
S1033：深度学习不同设备的通信特征。
8.根据权利要求6所述的智能家居设备控制程序生成方法，其特征在于：所述程序模板包括通信协议程序模板、元通信协议程序模板、配网管理程序模板、元设备控制管理程序模板及设备控制管理程序模板；所述S2包括：
S201：根据对不同设备的通信协议的抽象建模，生成通信协议程序模板；
S202：根据对不同设备的通信协议的抽象建模，获取不同设备的通信协议的通用部分，生成元通信协议程序模板；
S203：对不同设备的配网管理程序进行深度学习和建模，生成配网管理程序模板；
S204：对不同设备的控制管理程序的通用部分进行深度学习和建模，生成元设备控制管理程序模板；
S205：对不同设备的控制管理程序的不同部分进行深度学习和建模，生成设备控制管理程序模板；
所述深度学习的训练过程采用supervised和unsupervised两种方式结合进行。
9.根据权利要求7所述的智能家居设备控制程序生成方法，其特征在于：所述数据阶段包括广播阶段、正在接入阶段、正在正常使用阶段和闲置阶段。
10.根据权利要求7所述的智能家居设备控制程序生成方法，其特征在于：所述通信特征包括设备在一个使用周期内的设备运行机制、设备功能特点、设备运行时长、发包时间和发包大小；所述数据包的特征包括数据包的起始包、设备码、数据码及长度码，还包括对数据包的有效负载大小和发送时间间隔特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110484515.3A CN113204332B (zh) | 2021-04-30 | 2021-04-30 | 智能家居设备控制程序生成系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110484515.3A CN113204332B (zh) | 2021-04-30 | 2021-04-30 | 智能家居设备控制程序生成系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113204332A CN113204332A (zh) | 2021-08-03 |
| CN113204332B true CN113204332B (zh) | 2023-06-20 |
Family
ID=77029684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110484515.3A Active CN113204332B (zh) | 2021-04-30 | 2021-04-30 | 智能家居设备控制程序生成系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113204332B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116418828B (zh) * | 2021-12-28 | 2023-11-14 | 北京领航智联物联网科技有限公司 | 基于人工智能的视音频设备集成管理方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104202222A (zh) * | 2014-08-20 | 2014-12-10 | 惠州Tcl移动通信有限公司 | 智能家居控制器及其通信方法 |
| CN106230849A (zh) * | 2016-08-22 | 2016-12-14 | 中国科学院信息工程研究所 | 一种基于用户行为的智能设备机器学习安全监测系统 |
| CN106950847A (zh) * | 2017-05-09 | 2017-07-14 | 青岛理工大学 | 一种基于ZigBee和云计算的智能家居控制系统 |
| CN107179700A (zh) * | 2017-07-03 | 2017-09-19 | 杭州善居科技有限公司 | 一种基于Alljoyn和机器学习的智能家居控制系统和方法 |
| CN107402976A (zh) * | 2017-07-03 | 2017-11-28 | 国网山东省电力公司经济技术研究院 | 一种基于多元异构模型的电网多源数据融合方法及系统 |
| CN108052584A (zh) * | 2017-12-11 | 2018-05-18 | 中国航空综合技术研究所 | 基于特征模型产品编码生成及数据管理方法 |
| CN111682990A (zh) * | 2020-04-27 | 2020-09-18 | 深圳星普森信息技术有限公司 | 一种基于蓝牙散射网组网的智能家居系统设备接入控制方法及系统 |
| CN112255928A (zh) * | 2020-10-30 | 2021-01-22 | 北京金山云网络技术有限公司 | 智能家居的控制方法、装置、系统及电子设备 |
| CN112286691A (zh) * | 2020-11-12 | 2021-01-29 | 济南浪潮高新科技投资发展有限公司 | 一种基于异构决策模型生成技术的云边端协同方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10250712B2 (en) * | 2014-10-29 | 2019-04-02 | Xiaomi Inc. | Method and server of configuring scenario mode for smart devices |
| US11410063B2 (en) * | 2018-09-28 | 2022-08-09 | B.yond, Inc. | Self-intelligent improvement in predictive data models |
-
2021
- 2021-04-30 CN CN202110484515.3A patent/CN113204332B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104202222A (zh) * | 2014-08-20 | 2014-12-10 | 惠州Tcl移动通信有限公司 | 智能家居控制器及其通信方法 |
| CN106230849A (zh) * | 2016-08-22 | 2016-12-14 | 中国科学院信息工程研究所 | 一种基于用户行为的智能设备机器学习安全监测系统 |
| CN106950847A (zh) * | 2017-05-09 | 2017-07-14 | 青岛理工大学 | 一种基于ZigBee和云计算的智能家居控制系统 |
| CN107179700A (zh) * | 2017-07-03 | 2017-09-19 | 杭州善居科技有限公司 | 一种基于Alljoyn和机器学习的智能家居控制系统和方法 |
| CN107402976A (zh) * | 2017-07-03 | 2017-11-28 | 国网山东省电力公司经济技术研究院 | 一种基于多元异构模型的电网多源数据融合方法及系统 |
| CN108052584A (zh) * | 2017-12-11 | 2018-05-18 | 中国航空综合技术研究所 | 基于特征模型产品编码生成及数据管理方法 |
| CN111682990A (zh) * | 2020-04-27 | 2020-09-18 | 深圳星普森信息技术有限公司 | 一种基于蓝牙散射网组网的智能家居系统设备接入控制方法及系统 |
| CN112255928A (zh) * | 2020-10-30 | 2021-01-22 | 北京金山云网络技术有限公司 | 智能家居的控制方法、装置、系统及电子设备 |
| CN112286691A (zh) * | 2020-11-12 | 2021-01-29 | 济南浪潮高新科技投资发展有限公司 | 一种基于异构决策模型生成技术的云边端协同方法 |
Non-Patent Citations (3)
| Title |
|---|
| KnowIME: A System to Construct a Knowledge Graph for Intelligent Manufacturing Equipment;Hehua Yan 等;《IEEE Access》;第8卷;第41805 - 41813页 * |
| 智能家居情境感知服务的运行时建模与执行方法;陈星;《软件学报》;第30卷(第11期);第3297-3312页 * |
| 物联网终端智能识别系统设计与实现;张立 等;《重庆邮电大学学报》;第31卷(第4期);第443-450页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113204332A (zh) | 2021-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103870381B (zh) | 一种测试数据生成方法及装置 | |
| CN107957940B (zh) | 一种测试日志处理方法、系统及终端 | |
| CN104571079A (zh) | 一种基于多传感器信息融合的无线远程故障诊断系统 | |
| CN109698798B (zh) | 一种应用的识别方法、装置、服务器和存储介质 | |
| CN114330138A (zh) | 故障诊断方法、其装置及电子设备 | |
| CN113204332B (zh) | 智能家居设备控制程序生成系统及方法 | |
| CN112860676B (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
| CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
| CN114977176B (zh) | 电力负荷分解方法、装置、设备及存储介质 | |
| CN113935426A (zh) | 一种电力物联网异常数据流量的检测方法及装置 | |
| Nikkam et al. | Water parameter analysis for industrial application using IoT | |
| CN113364115B (zh) | 一种电力电缆信息综合处理系统、方法 | |
| CN114413409A (zh) | 用于空调故障概率的检测方法及装置、智能空调 | |
| CN108549261A (zh) | 一种基于物联集成技术的高校宿舍能源监管系统 | |
| CN117110794A (zh) | 一种电缆故障智能诊断系统及方法 | |
| CN112803587A (zh) | 一种基于诊断决策库的自动化设备状态智能巡视方法 | |
| CN112165484A (zh) | 基于深度学习与侧信道分析的网络加密流量识别方法装置 | |
| CN111142399A (zh) | 一种基于计算机的嵌入式智能家居自动化控制测试系统 | |
| CN116488750A (zh) | 基于神经网络的电磁干扰影响分析方法及系统 | |
| CN116449092A (zh) | 汽车功率检测方法、系统、计算机及可读存储介质 | |
| CN108494626A (zh) | 物理安装不当的Profibus DP工业现场总线通信故障智能诊断方法 | |
| CN108647139A (zh) | 系统的测试方法、装置、存储介质及电子装置 | |
| CN110544182B (zh) | 一种基于机器学习技术的配电通信网融合控制方法及系统 | |
| CN116150195A (zh) | 一种多类型园区用户安全低碳用电在线监测系统及方法 | |
| CN113242160A (zh) | 一种基于状态机的协议识别方法 |
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 |