CN113359486A - 一种基于神经网络算法调控的智能窗户系统及调节方法 - Google Patents
一种基于神经网络算法调控的智能窗户系统及调节方法 Download PDFInfo
- Publication number
- CN113359486A CN113359486A CN202110355237.1A CN202110355237A CN113359486A CN 113359486 A CN113359486 A CN 113359486A CN 202110355237 A CN202110355237 A CN 202110355237A CN 113359486 A CN113359486 A CN 113359486A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- control
- window
- regulation
- 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 27
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000007613 environmental effect Effects 0.000 claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 238000005286 illumination Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 4
- 239000004984 smart glass Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
-
- 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)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Power-Operated Mechanisms For Wings (AREA)
Abstract
本发明公开了一种基于神经网络算法调控的智能窗户系统及调节方法,智能窗户系统包括数据采集模块、数据传输模块、数据处理模块、报警模块和控制模块;数据采集模块实现湿度、风速、光照、PM2.5、压力等室内环境参数的采集,数据处理模块调控算法使用LSTM神经网络,实现了环境参数接收、存储与处理;控制模块可实现收发控制状态,控制改变窗户开关和窗帘开关状态。数据采集模块、数据处理模块层与控制模块之间通过数据传输模块进行连接,向数据处理模块传输室内外环境信息、窗帘开关状态或向控制模块传输窗帘电机调控指令。本发明实现了室内环境参数的实时监控、智能调控窗户、更新数据等功能,该系统具有一定的实用性及应用价值。
Description
技术领域
本发明属于控制系统领域,尤其涉及一种基于神经网络算法调控的智能窗户系统及调节方法。
背景技术
良好的室内环境可以提高室内人员的健康水平、生活质量和工作效率。现有系统主要是环境采集或者预测功能,不能根据环境信息进行调制。而且现有的智能窗户的调控能力存在一定不足,比如连续阴雨天气会对系统的准确性和精度造成影响,但是加入此算法后会加大系统的稳定性。本系统实现了室内环境参数的实时监控、智能调控窗户、更新数据等功能,该系统具有一定的实用性及应用价值。
发明内容:
本发明旨在解决现有系统功能不全和控制性能不稳定的问题。
有鉴于此,本发明公开了一种基于神经网络算法调控的智能窗户系统及调节方法;
一种基于神经网络算法调控的智能窗户系统,包括数据采集模块、数据传输模块、数据处理模块、报警模块以及控制模块;
所述数据采集模块实现室内外环境参数包括湿度、风速、光照、PM2.5以及压力的采集,数据处理模块调控算法使用LSTM神经网络,实现了环境参数接收、存储与处理;
所述数据处理模块,是基于神经网络算法调控的云计算服务;
所述控制模块实现收发控制状态,控制改变窗户开关和窗帘开关状态;
所述报警模块,当窗边压力超过设定阈值时,报警模块发出警报,并将数据传输至控制模块,驱动窗户关闭。
一种基于神经网络算法调控的智能窗户调节方法,用于所述的一种基于神经网络算法调控的智能窗户系统,包括以下步骤:
S1、在t时刻,x为输入的环境参数,h为输出的窗户状态,对环境参数x进行归一化处理,将数据集划分为训练集和验证集两部分;
S2、用户更改窗户的开关状态,服务器接收到更改指令后改变窗户的开关状态并更新数据,系统在每日零点根据前一天的环境数据和窗户的开关状态更新训练集;
S3、将数据集的阈值数据输入到训练好的模型中,LSTM模型预测后一时段内的环境参数,将预测的环境参数与验证集的实际值对比,验证该方法的预测的精度;
S4、达到预定精度后,模型对新产生的环境数值进行预测,根据预测结果进行调控窗户系统的设计。
本发明提供的技术方案带来的有益效果是:本系统实现了室内环境参数的实时监控、智能调控窗户、更新数据等功能,该系统具有一定的实用性及应用价值。
附图说明
图1是本发明实施例的结构示意图;
图2是本发明实施例的组成框图;
图3是本发明实施例的LSTM网络结构图;
其中:1-PM2.5传感器、2-湿度传感器、3-光照度传感器、4-风速传感器、5-压力传感器、6-数据传输模块、7-控制模块、8-数据处理模块、9-警报模块、10-窗户、11-微控开关、12-电机、13-窗帘、14-滑动杆、15-窗台、16-服务器。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明方式作进一步地描述。
请参考图1和图2,本发明实施例提供了一种基于神经网络算法调控的智能窗户系统及调节方法;
一种基于神经网络算法调控的智能窗户系统,主要包括数据采集模块、数据传输模块6、数据处理模块8、警报模块9和控制模块7;数据采集模块实现湿度、风速、光照、PM2.5、压力等室内环境参数的采集,数据处理模块调控算法使用LSTM神经网络,实现了环境参数接收、存储与处理;控制模块7可实现收发控制状态,控制改变窗户10开关和窗帘13开关状态。
所述数据采集模块主要包括湿度传感器2、光照度传感度3、风速传感器4、PM2.5传感器1、压力传感器5;所述湿度传感器2、光照度传感度3、风速传感器4位于窗框向外边缘。
所述湿度传感器2用于采集室外空气湿度,将数据通过所述数据传输模块6传输给所述数据处理模块8,随后将处理后的数据传输给所述控制模块,当室外空气湿度超过设置阈值,判定为雨天,控制窗户10关闭,防止室内被雨水淋湿。
所述光照度传感器3采集室外光照强度,将采集数据通过所述数据传输模块6传输给所述数据处理模块,再将经过处理的数据传输给所述控制模块7,当光照强度超过设置的阈值时,所述控制模块7控制所述电机转动,驱动窗帘13合上,以此降低室内光照强度。
当遇到台风天或者风速将平常过大,存在将尘土带入家中的风险,所述风速传感器4采集室外风速大小,将采集数据通过所述数据传输模块6传输给所述数据处理模块,再将经过处理的数据传输给所述控制模块,风速超过设置阈值时,控制模块控制窗户10关闭,以此来保持室内的干净整洁。
PM2.5传感器1的数量有两个,分别位于窗户10的内外侧,所述PM2.5传感器1采集室内外的空气质量数据,将采集数据通过所述数据传输模块6传输给所述数据处理模块,再将经过处理的数据传输给所述控制模块7,当室外的空气质量低于室内的空气质量,则控制模块7控制窗户10关闭,当室内的空气质量低于室外的空气质量时,控制模块7驱动窗户10打开,改善室内环境质量。
所述压力传感器5采集窗沿上的压力值,置于窗沿下侧,将采集数据通过所述数据传输模块6传输给所述数据处理模块8,再将经过处理的数据传输给所述控制模块7,所述警报模块9与所述控制模块7相连,当压力值超过设置的阈值,所述控制模块7控制警报模块9发送警报信息并控制窗户10关闭,以免发生意外。
所述数据传输模块6包括单片机、WIFI模块、云服务,数据采集模块、数据处理模块层与控制模块7之间通过数据传输模块6进行连接,所述数据采集模块将室内外环境数据采集传输到所述单片机中,经过处理和整合将数据传送到所述数据处理模块8,随后传送到所述控制模块7,所述控制模块7根据数据控制窗户10或窗帘13的开关、警报;窗户的状态还可以通过所述控制模块7传输到数据传输模块6中,随后传入到数据处理模块8,网络神经算法通过这些环境数据进行自我训练学习,更新反馈信息,从而更好的调控所述控制模块。
所述控制模块7控制窗帘13的开关时,通过控制窗帘13的电机12旋转,使得窗帘13的环扣缓缓移动,当碰到所述微动开关11后,电机12停止旋转,窗帘13得以关闭。
数据采集模块将数据传送到所述数据传输模块6传送至单片机后,使用WIFI模块通过天线传送到路由器中,路由器与服务器16进行无线通信。
请参考图3,一种基于神经网络算法调控的智能窗户调节方法,具体步骤如下:
S1、在t时刻,x为输入的环境参数,h为输出的窗户状态,对环境参数x进行归一化处理,将数据集划分为训练集和验证集两部分;
S2、用户可以更改窗户的开关状态,服务器接收到更改指令后改变窗户的开关状态并更新数据,系统在每日零点根据前一天的环境数据和窗户的开关状态更新训练集;
S3、将数据集的阈值数据输入到训练好的LSTM模型中,LSTM模型会预测后一时段内的环境参数,将预测的环境参数与验证集的实际值对比,验证该方法的预测的精度;
S4、达到预定精度后,LSTM模型对新产生的环境数值进行预测,根据预测结果进行调控窗户系统的设计。
LSTM网络基于Keras框架实现,模型内激活函数默认,选择交叉熵损失函数,优化函数选用自适应矩估计方法。该模型的输入数据结构是多维向量,包括光照度、风速、PM2.5数值、湿度、压力值。输出数据结构为一维向量,即控制信号。每一步输入特征维度为5,输出节点数为5。模型读取环境参数后,对数据进行归一化处理,将数据集划分为训练集和验证集两部分。通过训练集,让LSTM网络学习室内外环境参数的时序变化特征,过程中返回每一代的loss值。为了确保loss值的收敛性,同时结合服务器处理速度及数据量,本系统的批量处理数量和迭代次数设置为1000。之后再预测后一时段内的环境参数,与验证集的数据进行对比,评估预测结果,不断更新训练自己。
由于测量数据具有不同的量纲,不同物理量的数值分布差异较大,数值的波动范围也不一样,这种差异会影响到不同物理量在训练时的权重,无法准确建模。因此,在建模之前,需要对数据进行归一化处理,将原数据通过下面的公式转化为均值为0,标准差为1的服从正态分布的随机变量,待预测完成后,再将结果进行反归一化处理。
所述LSTM网络结构具有记忆单元、输入门、遗忘门和输出门,其中,LSTM输入门用于输入当前的环境参数,LSTM遗忘门用于输入历史的环境参数。输出们将更新的信息传输给其他模块。
LSTM算法使用数据集进行训练、测试,数据集中的室内外环境数据由数据采集模块获得,窗户和窗帘状态数据由控制模块采集获得。环境数据和服务器控制的部分状态可由用户设置,面对不同用户的不同需求,因此数据存在一定趋势性,按时序记录形成有时序特征的数据集。构成一组数据,涵盖了雨天、晴天、台风天、阴天等天气状况。数据集数据集存在时序性,将数据集的阈值数据输入到训练好的模型中,将预测的环境参数与实际值对比,验证该方法的预测得到精度;达到预定精度后,模型用于新产生的环境数值进行预测,根据预测结果进行调控窗户系统的设计。
本发明不仅局限于上述具体实施方式,本领域一般技术人员根据本发明公开的内容,可以采用其它多种具体实施方式实施本发明,因此,凡是采用本发明的设计结构和思路,做一些简单的变化或更改的设计,都落入本发明保护的范围。
Claims (9)
1.一种基于神经网络算法调控的智能窗户系统,其特征在于,包括数据采集模块、数据传输模块、数据处理模块、报警模块以及控制模块;
所述数据采集模块实现室内外环境参数包括湿度、风速、光照、PM2.5以及压力的采集,数据处理模块调控算法使用LSTM神经网络,实现了环境参数接收、存储与处理;
所述数据处理模块,是基于神经网络算法调控的云计算服务;
所述控制模块实现收发控制状态,控制改变窗户开关和窗帘开关状态;
所述报警模块,当窗边压力超过设定阈值时,报警模块发出警报,并将数据传输至控制模块,驱动窗户关闭。
2.根据权利要求1所述的一种基于神经网络算法调控的智能窗户系统,其特征在于,所述数据采集模块包括湿度传感器、光照度传感度、风速传感器、PM2.5传感器以及压力传感器;所述湿度传感器、光照度传感度以及风速传感器均位于窗框向外边缘。
3.根据权利要求2所述的一种基于神经网络算法调控的智能窗户系统,其特征在于,所述PM2.5传感器的数量有两个,分别位于窗户的内外侧,所述PM2.5传感器采集室内外的空气质量数据,将采集数据通过所述数据传输模块传输给所述数据处理模块,再将经过处理的数据传输给所述控制模块,当室外的空气质量低于室内的空气质量,则控制模块控制窗户关闭,当室内的空气质量低于室外的空气质量时,控制模块驱动窗户打开。
4.根据权利要求1所述的一种基于神经网络算法调控的智能窗户系统,其特征在于,所述数据传输模块包括单片机、WIFI模块以及云服务。
5.根据权利要求1所述的一种基于神经网络算法调控的智能窗户系统,其特征在于,所述数据采集模块、数据处理模块与控制模块之间通过数据传输模块进行连接,所述数据采集模块将室内外环境数据采集传输到所述单片机中,经过处理和整合将数据传送到所述数据处理模块,随后传送到所述控制模块,所述控制模块根据数据控制窗户窗帘的开关和警报。
6.根据权利要求1所述的一种基于神经网络算法调控的智能窗户系统,其特征在于,所述数据采集模块将从传感器中采集到的数据发送至单片机中,单片机使用WIFI模块将数据通过天线发送给路由器,路由器与服务器进行无线通信。
7.根据权利要求1所述的一种基于神经网络算法调控的智能窗户系统,其特征在于,所述LSTM网络的调控系统根据实时的室外环境信息,输出窗户的开关状态,用户在服务器平台设置定时时间,控制窗户和窗帘的开关和闭合,并根据指令和每天反馈回来的环境数据进行内部的更新训练,学习掌握用户的使用习惯,满足用户个性化、多元化的需求。
8.根据权利要求1所述的一种基于神经网络算法调控的智能窗户系统,其特征在于,所述控制模块控制窗帘的开关时,通过控制窗帘的电机旋转,使得窗帘的环扣缓缓移动,当碰到微动开关后,电机停止旋转,窗帘得以关闭。
9.一种基于神经网络算法调控的智能窗户调节方法,用于如权利要求1-8任一项所述的一种基于神经网络算法调控的智能窗户系统,其特征在于,包括以下步骤:
S1、在t时刻,x为输入的环境参数,h为输出的窗户状态,对环境参数x进行归一化处理,将数据集划分为训练集和验证集两部分;
S2、用户更改窗户的开关状态,服务器接收到更改指令后改变窗户的开关状态并更新数据,系统在每日零点根据前一天的环境数据和窗户的开关状态更新训练集;
S3、将数据集的阈值数据输入到训练好的LSTM模型中,LSTM模型预测后一时段内的环境参数,将预测的环境参数与验证集的实际值对比,验证该方法的预测的精度;
S4、达到预定精度后,LSTM模型对新产生的环境数值进行预测,根据预测结果进行调控窗户系统的设计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110355237.1A CN113359486A (zh) | 2021-04-01 | 2021-04-01 | 一种基于神经网络算法调控的智能窗户系统及调节方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110355237.1A CN113359486A (zh) | 2021-04-01 | 2021-04-01 | 一种基于神经网络算法调控的智能窗户系统及调节方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113359486A true CN113359486A (zh) | 2021-09-07 |
Family
ID=77525030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110355237.1A Pending CN113359486A (zh) | 2021-04-01 | 2021-04-01 | 一种基于神经网络算法调控的智能窗户系统及调节方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359486A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114675539A (zh) * | 2022-03-29 | 2022-06-28 | 江苏希尔登家居有限公司 | 一种自主学习的门窗智能控制系统 |
CN117111535A (zh) * | 2023-10-20 | 2023-11-24 | 四川名人居门窗有限公司 | 一种封闭空间抗冲击避险控制系统及智能门窗控制方法 |
CN117130287A (zh) * | 2023-09-05 | 2023-11-28 | 广东保伦电子股份有限公司 | 一种基于光学检测和ai算法的智能控制系统及方法 |
CN117166873A (zh) * | 2023-08-28 | 2023-12-05 | 广东福临门世家智能家居有限公司 | 用于移动门窗的智能控制方法及系统 |
CN117823010A (zh) * | 2023-12-26 | 2024-04-05 | 湖北工程学院新技术学院 | 智能开关窗系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107065582A (zh) * | 2017-03-31 | 2017-08-18 | 苏州科技大学 | 一种基于环境的参数的室内空气智能调节系统和调节方法 |
CN107121924A (zh) * | 2017-03-03 | 2017-09-01 | 中国农业大学 | 一种基于rbf神经网络的室内视觉环境调控系统及方法 |
CN108320061A (zh) * | 2018-03-20 | 2018-07-24 | 北京工业大学 | 一种基于神经网络的窗户状态预测方法及系统 |
CN111077780A (zh) * | 2019-12-23 | 2020-04-28 | 湖北理工学院 | 一种基于神经网络的智能窗户调节方法及装置 |
CN111895625A (zh) * | 2020-06-30 | 2020-11-06 | 广州番禺职业技术学院 | 基于神经网络算法的室内环境改善方法、系统及存储介质 |
-
2021
- 2021-04-01 CN CN202110355237.1A patent/CN113359486A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107121924A (zh) * | 2017-03-03 | 2017-09-01 | 中国农业大学 | 一种基于rbf神经网络的室内视觉环境调控系统及方法 |
CN107065582A (zh) * | 2017-03-31 | 2017-08-18 | 苏州科技大学 | 一种基于环境的参数的室内空气智能调节系统和调节方法 |
CN108320061A (zh) * | 2018-03-20 | 2018-07-24 | 北京工业大学 | 一种基于神经网络的窗户状态预测方法及系统 |
CN111077780A (zh) * | 2019-12-23 | 2020-04-28 | 湖北理工学院 | 一种基于神经网络的智能窗户调节方法及装置 |
CN111895625A (zh) * | 2020-06-30 | 2020-11-06 | 广州番禺职业技术学院 | 基于神经网络算法的室内环境改善方法、系统及存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114675539A (zh) * | 2022-03-29 | 2022-06-28 | 江苏希尔登家居有限公司 | 一种自主学习的门窗智能控制系统 |
CN114675539B (zh) * | 2022-03-29 | 2024-01-23 | 江苏希尔登家居有限公司 | 一种自主学习的门窗智能控制系统 |
CN117166873A (zh) * | 2023-08-28 | 2023-12-05 | 广东福临门世家智能家居有限公司 | 用于移动门窗的智能控制方法及系统 |
CN117166873B (zh) * | 2023-08-28 | 2024-03-22 | 广东福临门世家智能家居有限公司 | 用于移动门窗的智能控制方法及系统 |
CN117130287A (zh) * | 2023-09-05 | 2023-11-28 | 广东保伦电子股份有限公司 | 一种基于光学检测和ai算法的智能控制系统及方法 |
CN117111535A (zh) * | 2023-10-20 | 2023-11-24 | 四川名人居门窗有限公司 | 一种封闭空间抗冲击避险控制系统及智能门窗控制方法 |
CN117111535B (zh) * | 2023-10-20 | 2024-01-12 | 四川名人居门窗有限公司 | 一种封闭空间抗冲击避险控制系统及智能门窗控制方法 |
CN117823010A (zh) * | 2023-12-26 | 2024-04-05 | 湖北工程学院新技术学院 | 智能开关窗系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113359486A (zh) | 一种基于神经网络算法调控的智能窗户系统及调节方法 | |
CN110298487B (zh) | 一种用于满足用户个性化需求的室内温度预测方法 | |
CN102779228B (zh) | 商场建筑中央空调冷负荷在线预测方法及系统 | |
CN107085732B (zh) | 基于无线传感器网络的牛舍环境氨气智能监测系统 | |
CN112906735B (zh) | 一种食用菌环境大数据检测系统 | |
CN100501608C (zh) | 后验控制与多传感器融合方法及中央空调节能控制装置 | |
CN108536030A (zh) | 一种基于anfis算法的智能家居系统及其工作方法 | |
CN107318534A (zh) | 一种具有温度预测功能的日光温室卷帘机智能控温方法和系统 | |
CN110119766A (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
CN109028480A (zh) | 一种恒温恒湿控制系统及其方法 | |
CN103913721A (zh) | 一种基于人工神经网络的室内人员智能感知方法 | |
CN113157030A (zh) | 一种基于机器学习的大棚温湿度监测及自适应调节系统 | |
CN112465109A (zh) | 一种基于云边协同的农业大棚控制装置 | |
CN113065749A (zh) | 一种建筑材料的养护室环境智能系统 | |
CN113418229A (zh) | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统 | |
CN115047821A (zh) | 一种生猪养殖环境智能监测系统及其评价方法 | |
CN112911533A (zh) | 一种基于移动端App的温度检测系统 | |
CN114489200A (zh) | 一种温室大棚环境控制系统 | |
Jin et al. | Personalized Control of Indoor Air Temperature Based on Deep Learning | |
CN110598916A (zh) | 一种用户行为模型的构建方法及系统 | |
CN117270412B (zh) | 一种基于无线通信技术的智能家居控制系统 | |
CN111525703B (zh) | 一种气候自适应调节监测参数的电力系统监控方法及系统 | |
CN211603924U (zh) | 一种自动化禽舍下位机监控分站 | |
CN114418368A (zh) | 一种农业大棚西红柿种植智能化管理系统及管理方法 |
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 |