CN114091611A - 设备负载重量获取方法、装置、存储介质及电子设备 - Google Patents
设备负载重量获取方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114091611A CN114091611A CN202111415101.1A CN202111415101A CN114091611A CN 114091611 A CN114091611 A CN 114091611A CN 202111415101 A CN202111415101 A CN 202111415101A CN 114091611 A CN114091611 A CN 114091611A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- weight
- weight prediction
- target input
- equipment
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
- D06F34/04—Signal transfer or data transmission arrangements
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
- D06F34/14—Arrangements for detecting or measuring specific parameters
- D06F34/18—Condition of the laundry, e.g. nature or weight
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
- D06F2103/02—Characteristics of laundry or load
- D06F2103/04—Quantity, e.g. weight or variation of weight
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Textile Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种设备负载重量获取方法、装置、存储介质及电子设备,所述方法包括:获取重量预测模型的目标输入变量,其中,所述目标输入变量基于目标设备采集的传感器数据得到;获取待训练的重量预测模型;基于所述目标输入变量训练所述重量预测模型,以及在训练过程中基于所述重量预测模型的性能函数调整所述重量预测模型中隐含层神经元的个数;当满足所述重量预测模型的模型训练结束条件后,得到训练完成的重量预测模型;基于待检测设备采集的传感器数据以及所述训练完成的重量预测模型,预测所述待检测设备的负载重量。本申请实施例得到的训练完成的重量预测模型,能够精确预测待检测设备的负载重量。
Description
技术领域
本申请涉及重量预测技术领域,特别涉及一种设备负载重量获取方法、装置、存储介质及电子设备。
背景技术
对洗衣机的负载进行称重能有效控制洗衣机的洗涤水位,从而实现用户对进水量的要求。现阶段使用传统神经网络对负载进行称重的技术已逐渐成熟,但传统神经网络由于其输入变量随意选取,以及本身网络结构固定后无法随输入数据动态改变,从而导致其称重误差较大。
因此,现有技术存在缺陷,有待改进与发展。
发明内容
本申请实施例提供一种设备负载重量获取方法、装置、存储介质及电子设备,能够精确预测待检测设备的负载重量。
本申请实施例提供一种设备负载重量获取方法,所述方法包括:
获取重量预测模型的目标输入变量,其中,所述目标输入变量基于目标设备采集的传感器数据得到;
获取待训练的重量预测模型;
基于所述目标输入变量训练所述重量预测模型,以及在训练过程中基于所述重量预测模型的性能函数调整所述重量预测模型中隐含层神经元的个数,当满足所述重量预测模型的模型训练结束条件后,得到训练完成的重量预测模型;
基于待检测设备采集的传感器数据以及所述训练完成的重量预测模型,预测所述待检测设备的负载重量。
在本申请实施例所述的设备负载重量获取方法中,所述获取重量预测模型的目标输入变量,包括:
获取所述目标设备采集的与所述目标设备的负载重量相关的多个传感器数据;
从多个所述传感器数据中筛选出所述重量预测模型所需的目标输入变量。
在本申请实施例所述的设备负载重量获取方法中,所述从多个所述传感器数据中筛选出所述重量预测模型所需的目标输入变量,包括:
通过条件熵分别计算各所述传感器数据与所述负载重量的相关性;
将所述相关性大于预设阈值的所述传感器数据作为所述目标输入变量。
在本申请实施例所述的设备负载重量获取方法中,所述获取待训练的重量预测模型,包括:
确定所述重量预测模型中隐含层神经元的初始个数;
基于所述目标输入变量和所述隐含层神经元的初始个数构建初始的所述重量预测模型。
在本申请实施例所述的设备负载重量获取方法中,所述确定所述重量预测模型中隐含层神经元的初始个数,包括:
通过减法聚类算法计算所述目标输入变量中每一数据的密度值;
基于所述密度值将所述数据进行分类,得到数据类别个数;
将所述数据类别个数确定为所述重量预测模型中隐含层神经元的初始个数。
在本申请实施例所述的设备负载重量获取方法中,所述基于所述目标输入变量训练所述重量预测模型,以及在训练过程中基于所述重量预测模型的性能函数调整所述重量预测模型中隐含层神经元的个数,包括:
通过所述重量预测模型基于所述目标输入变量进行重量预测,得到所述目标设备的预测负载重量;
基于所述预测负载重量和所述目标输入变量对应的真实负载重量,以及隐含层神经元性能函数,确定所述重量预测模型的隐含层神经元增长个数;
基于所述隐含层神经元增长个数,调整所述重量预测模型的结构;
返回执行所述通过所述重量预测模型基于所述目标输入变量进行重量预测,得到所述目标设备的预测负载重量的步骤。
在本申请实施例所述的设备负载重量获取方法中,还包括:
基于所述预测负载重量和所述目标输入变量对应的真实负载重量,计算所述重量预测模型的模型损失;
基于所述模型损失调整所述重量预测模型的模型参数。
本申请实施例还提供一种设备负载重量获取装置,所述装置包括:
第一获取模块,用于获取重量预测模型的目标输入变量,其中,所述目标输入变量基于目标设备采集的传感器数据得到;
第二获取模块,用于获取待训练的重量预测模型;
调整模块,用于基于所述目标输入变量训练所述重量预测模型,以及在训练过程中基于所述重量预测模型的性能函数调整所述重量预测模型中隐含层神经元的个数,当满足所述重量预测模型的模型训练结束条件后,得到训练完成的重量预测模型;
预测模块,用于基于待检测设备采集的传感器数据以及所述训练完成的重量预测模型,预测所述待检测设备的负载重量。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行以上任一实施例所述的设备负载重量获取方法。
本申请实施例还提供一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行以上任一实施例所述的设备负载重量获取方法。
本申请实施例先是通过目标设备采集的传感器数据来确定重量预测模型的目标输入变量,从而能够防止出现目标输入变量随意选取而造成重量预测模型预测误差大的问题;然后基于获得的目标输入变量训练待训练的重量预测模型,以及在训练过程中基于重量预测模型的性能函数不断调整重量预测模型中隐含层神经元的个数,从而能够得到满足精度要求的重量预测模型;然后再通过该满足精度要求的重量预测模型来预测待检测设备的负载重量,从而能够精确预测待检测设备的负载重量。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的设备负载重量获取方法的流程示意图。
图2为本申请实施例提供的设备负载重量获取装置的结构示意图。
图3为本申请实施例提供的设备负载重量获取装置的另一种结构示意图。
图4为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请的保护范围。
本申请实施例提供一种设备负载重量获取方法,所述设备负载重量获取方法可以应用于电子设备中。所述电子设备可以是洗衣机等电子设备。
请参阅图1,图1为本申请实施例提供的设备负载重量获取方法的流程示意图。所述设备负载重量获取方法可以包括以下步骤:
步骤101,获取重量预测模型的目标输入变量,其中,所述目标输入变量基于目标设备采集的传感器数据得到。
其中,目标设备可以是洗衣机。目标输入变量包括但不限于目标设备中的电动机感应电动势脉冲数和皮带轮张力等变量。
通过分析目标设备采集的传感器数据来确定重量预测模型的目标输入变量,从而能够防止出现目标输入变量随意选取而造成重量预测模型预测误差大的问题。
在一些实施例中,所述获取重量预测模型的目标输入变量,包括:
获取所述目标设备采集的与所述目标设备的负载重量相关的多个传感器数据;
从多个所述传感器数据中筛选出所述重量预测模型所需的目标输入变量。
例如,目标设备采集的足量传感器数据中,有多个传感器数据是与目标设备的负载重量相关的,此时则获取这多个传感器数据,然后从这多个传感器数据中筛选出重量预测模型所需的目标输入变量。也就是说,并不是与目标设备的负载重量相关的传感器数据对应的变量,都是重量预测模型所需的目标输入变量,还要进行筛选。
在一些实施例中,所述从多个所述传感器数据中筛选出所述重量预测模型所需的目标输入变量,包括:
通过条件熵分别计算各所述传感器数据与所述负载重量的相关性;
将所述相关性大于预设阈值的所述传感器数据作为所述目标输入变量。
其中,条件熵计算相关性的公式为:
其中,H(Y│X)是条件熵,表示在已知随机变量X的条件下随机变量Y的不确定性。X为输入变量,Y为输出变量(负载重量),x为输入变量X中的数据,y为输出变量Y中的数据,其中p(x,y)为x和y的联合概率密度函数。
其中,本领域技术人员可以根据实际情况来设置预设阈值,在此不做具体限定。例如,预设阈值为0.7,变量A与负载重量的相关性为0.8,变量B与负载重量的相关性为0.4,变量C与负载重量的相关性为0.9,变量C与负载重量的相关性为0.6,则将相关性大于0.7的变量(A和C)作为输入变量,小于0.7的变量(B和D)不作为输入变量。或者,在该实施例中,预设阈值不人为限定,其可以以这种方式计算:(0.8+0.4+0.9+0.7)÷4=0.7。
步骤102,获取待训练的重量预测模型。
在一些实施例中,所述获取待训练的重量预测模型,包括:
确定所述重量预测模型中隐含层神经元的初始个数;
基于所述目标输入变量和所述隐含层神经元的初始个数构建初始的所述重量预测模型。
即先确定重量预测模型中隐含层神经元的初始个数,然后根据目标输入变量和确定出的隐含层神经元的初始个数,来构建一个初始的重量预测模型。
在一些实施例中,所述确定所述重量预测模型中隐含层神经元的初始个数,包括:
通过减法聚类算法计算所述目标输入变量中每一数据的密度值;
基于所述密度值将所述数据进行分类,得到数据类别个数;
将所述数据类别个数确定为所述重量预测模型中隐含层神经元的初始个数。
其中,通过减法聚类算法计算目标输入变量中每一数据的密度值Di,计算公式如下:
式中ra为算法聚类半径,Xi与Xj为q维空间中的p个数据。Xi为q维空间中的第i个数据点,i=1,2,....,p;Xj为q维空间中的第j个数据点,j=1,2,....,p。
为消除现有中心点周围出现新的中心点的情况,使用如下公式对数据点的密度进行更新:
其中,密度值相似的数据会划分在同一类中。
例如,基于密度值将数据进行分类后,得到数据类别个数为4个,则重量预测模型中隐含层神经元的初始个数为4个。
步骤103,基于所述目标输入变量训练所述重量预测模型,以及在训练过程中基于所述重量预测模型的性能函数调整所述重量预测模型中隐含层神经元的个数,当满足所述重量预测模型的模型训练结束条件后,得到训练完成的重量预测模型。
即在得到初始的重量预测模型后,还要对该模型进行训练,并且在训练过程中基于重量预测模型的性能函数调整重量预测模型中隐含层神经元的个数。之所以要调整重量预测模型中隐含层神经元的个数,是因为前面得到的初始的重量预测模型,其预测结果可能并不精确,因此要调整重量预测模型中隐含层神经元的个数,以得到满足精度要求的重量预测模型。
其中,模型训练结束条件可以为训练次数达到阈值(如1000次)、或者训练时长为24小时、或者模型损失值降低到损失阈值以下等,本领域技术人员可以根据实际情况进行设置,在此不做具体限定。
在一些实施例中,所述基于所述目标输入变量训练所述重量预测模型,以及在训练过程中基于所述重量预测模型的性能函数调整所述重量预测模型中隐含层神经元的个数,包括:
通过所述重量预测模型基于所述目标输入变量进行重量预测,得到所述目标设备的预测负载重量;
基于所述预测负载重量和所述目标输入变量对应的真实负载重量,以及隐含层神经元性能函数,确定所述重量预测模型的隐含层神经元增长个数;
基于所述隐含层神经元增长个数,调整所述重量预测模型的结构;
返回执行所述通过所述重量预测模型基于所述目标输入变量进行重量预测,得到所述目标设备的预测负载重量的步骤。
其中,隐含层神经元性能函数为均方根误差与模型训练时间t的综合指标,公式为:
其中λ∈[0,1],yi为负载重量,RT为重量预测模型的性能。
隐含层神经元增长公式为:
γ为一个极小的正数;Fix(.)为取整函数。如式所示,随着RT的动态变化,神经元δ的个数也在动态增加,δ为减法聚类出的神经元个数。
其中,隐含层数量不限于一层,每一层隐含层的神经元数量都可以通过该方法来确定。
在一些实施例中,所述方法还包括:基于所述预测负载重量和所述目标输入变量对应的真实负载重量,计算所述重量预测模型的模型损失;基于所述模型损失调整所述重量预测模型的模型参数。
其中,模型参数包括神经元之间的权重。
步骤104,基于待检测设备采集的传感器数据以及所述训练完成的重量预测模型,预测所述待检测设备的负载重量。
即在得到训练完成的重量预测模型后,直接将待检测设备采集的传感器数据输入该模型中,即可获得待检测设备的负载重量。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
具体实施时,本申请不受所描述的各个步骤的执行顺序的限制,在不产生冲突的情况下,某些步骤还可以采用其它顺序进行或者同时进行。
由上可知,本申请实施例提供的设备负载重量获取方法,先是通过目标设备采集的传感器数据来确定重量预测模型的目标输入变量,从而能够防止出现目标输入变量随意选取而造成重量预测模型预测误差大的问题;然后基于获得的目标输入变量训练待训练的重量预测模型,以及在训练过程中基于重量预测模型的性能函数不断调整重量预测模型中隐含层神经元的个数,从而能够得到满足精度要求的重量预测模型;然后再通过该满足精度要求的重量预测模型来预测待检测设备的负载重量,从而能够精确预测待检测设备的负载重量。
本申请实施例还提供一种设备负载重量获取装置,所述设备负载重量获取方法装置可以集成在电子设备中。所述电子设备可以为洗衣机等设备。
请参阅图2,图2为本申请实施例提供的设备负载重量获取装置的结构示意图。设备负载重量获取装置30可以包括:
第一获取模块31,用于获取重量预测模型的目标输入变量,其中,所述目标输入变量基于目标设备采集的传感器数据得到;
第二获取模块32,用于获取待训练的重量预测模型;
调整模块33,用于基于所述目标输入变量训练所述重量预测模型,以及在训练过程中基于所述重量预测模型的性能函数调整所述重量预测模型中隐含层神经元的个数,当满足所述重量预测模型的模型训练结束条件后,得到训练完成的重量预测模型;
预测模块34,用于基于待检测设备采集的传感器数据以及所述训练完成的重量预测模型,预测所述待检测设备的负载重量。
在一些实施例中,所述第一获取模块31,用于获取所述目标设备采集的与所述目标设备的负载重量相关的多个传感器数据;从多个所述传感器数据中筛选出所述重量预测模型所需的目标输入变量。
在一些实施例中,所述第一获取模块31,用于通过条件熵分别计算各所述传感器数据与所述负载重量的相关性;将所述相关性大于预设阈值的所述传感器数据作为所述目标输入变量。
在一些实施例中,所述第二获取模块32,用于确定所述重量预测模型中隐含层神经元的初始个数;基于所述目标输入变量和所述隐含层神经元的初始个数构建初始的所述重量预测模型。
在一些实施例中,所述第二获取模块32,用于通过减法聚类算法计算所述目标输入变量中每一数据的密度值;基于所述密度值将所述数据进行分类,得到数据类别个数;将所述数据类别个数确定为所述重量预测模型中隐含层神经元的初始个数。
在一些实施例中,所述调整模块33,用于通过所述重量预测模型基于所述目标输入变量进行重量预测,得到所述目标设备的预测负载重量;基于所述预测负载重量和所述目标输入变量对应的真实负载重量,以及隐含层神经元性能函数,确定所述重量预测模型的隐含层神经元增长个数;基于所述隐含层神经元增长个数,调整所述重量预测模型的结构;返回执行所述通过所述重量预测模型基于所述目标输入变量进行重量预测,得到所述目标设备的预测负载重量的步骤。
在一些实施例中,所述调整模块33,用于基于所述预测负载重量和所述目标输入变量对应的真实负载重量,计算所述重量预测模型的模型损失;基于所述模型损失调整所述重量预测模型的模型参数。
具体实施时,以上各个模块可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现。
由上可知,本申请实施例提供的设备负载重量获取装置30,通过第一获取模块31获取重量预测模型的目标输入变量,其中,所述目标输入变量基于目标设备采集的传感器数据得到;通过第二获取模块32获取待训练的重量预测模型;通过调整模块33基于所述目标输入变量训练所述重量预测模型,以及在训练过程中基于所述重量预测模型的性能函数调整所述重量预测模型中隐含层神经元的个数,当满足所述重量预测模型的模型训练结束条件后,得到训练完成的重量预测模型;通过预测模块34基于待检测设备采集的传感器数据以及所述训练完成的重量预测模型,预测所述待检测设备的负载重量。本申请实施例通过目标设备采集的传感器数据来确定重量预测模型的目标输入变量,从而能够防止出现目标输入变量随意选取而造成重量预测模型预测误差大的问题;然后基于获得的目标输入变量训练待训练的重量预测模型,以及在训练过程中基于重量预测模型的性能函数不断调整重量预测模型中隐含层神经元的个数,从而能够得到满足精度要求的重量预测模型;然后再通过该满足精度要求的重量预测模型来预测待检测设备的负载重量,从而能够精确预测待检测设备的负载重量。
请参阅图3,图3为本申请实施例提供的设备负载重量获取装置的另一结构示意图,设备负载重量获取装置30包括存储器120、一个或多个处理器180、以及一个或多个应用程序,其中该一个或多个应用程序被存储于该存储器120中,并配置为由该处理器180执行;该处理器180可以包括第一获取模块31、第二获取模块32、调整模块33和预测模块34。例如,以上各个部件的结构和连接关系可以如下:
存储器120可用于存储应用程序和数据。存储器120存储的应用程序中包含有可执行代码。应用程序可以组成各种功能模块。处理器180通过运行存储在存储器120的应用程序,从而执行各种功能应用以及数据处理。此外,存储器120可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器120还可以包括存储器控制器,以提供处理器180对存储器120的访问。
处理器180是装置的控制中心,利用各种接口和线路连接整个终端的各个部分,通过运行或执行存储在存储器120内的应用程序,以及调用存储在存储器120内的数据,执行装置的各种功能和处理数据,从而对装置进行整体监控。可选的,处理器180可包括一个或多个处理核心;优选的,处理器180可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等。
具体在本实施例中,处理器180会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行代码加载到存储器120中,并由处理器180来运行存储在存储器120中的应用程序,从而实现各种功能:
第一获取模块31,用于获取重量预测模型的目标输入变量,其中,所述目标输入变量基于目标设备采集的传感器数据得到;
第二获取模块32,用于获取待训练的重量预测模型;
调整模块33,用于基于所述目标输入变量训练所述重量预测模型,以及在训练过程中基于所述重量预测模型的性能函数调整所述重量预测模型中隐含层神经元的个数,当满足所述重量预测模型的模型训练结束条件后,得到训练完成的重量预测模型;
预测模块34,用于基于待检测设备采集的传感器数据以及所述训练完成的重量预测模型,预测所述待检测设备的负载重量。
在一些实施例中,所述第一获取模块31,用于获取所述目标设备采集的与所述目标设备的负载重量相关的多个传感器数据;从多个所述传感器数据中筛选出所述重量预测模型所需的目标输入变量。
在一些实施例中,所述第一获取模块31,用于通过条件熵分别计算各所述传感器数据与所述负载重量的相关性;将所述相关性大于预设阈值的所述传感器数据作为所述目标输入变量。
在一些实施例中,所述第二获取模块32,用于确定所述重量预测模型中隐含层神经元的初始个数;基于所述目标输入变量和所述隐含层神经元的初始个数构建初始的所述重量预测模型。
在一些实施例中,所述第二获取模块32,用于通过减法聚类算法计算所述目标输入变量中每一数据的密度值;基于所述密度值将所述数据进行分类,得到数据类别个数;将所述数据类别个数确定为所述重量预测模型中隐含层神经元的初始个数。
在一些实施例中,所述调整模块33,用于通过所述重量预测模型基于所述目标输入变量进行重量预测,得到所述目标设备的预测负载重量;基于所述预测负载重量和所述目标输入变量对应的真实负载重量,以及隐含层神经元性能函数,确定所述重量预测模型的隐含层神经元增长个数;基于所述隐含层神经元增长个数,调整所述重量预测模型的结构;返回执行所述通过所述重量预测模型基于所述目标输入变量进行重量预测,得到所述目标设备的预测负载重量的步骤。
在一些实施例中,所述调整模块33,用于基于所述预测负载重量和所述目标输入变量对应的真实负载重量,计算所述重量预测模型的模型损失;基于所述模型损失调整所述重量预测模型的模型参数。
本申请实施例还提供一种电子设备。请参阅图4,图4示出了本申请实施例提供的电子设备的结构示意图,该电子设备可以用于实施上述实施例中提供的设备负载重量获取方法。
如图4所示,电子设备1200可以包括RF(Radio Frequency,射频)电路110、包括有一个或一个以上(图中仅示出一个)计算机可读存储介质的存储器120、输入单元130、显示单元140、传感器150、音频电路160、传输模块170、包括有一个或者一个以上(图中仅示出一个)处理核心的处理器180以及电源190等部件。本领域技术人员可以理解,图4中示出的电子设备1200结构并不构成对电子设备1200的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
RF电路110用于接收以及发送电磁波,实现电磁波与电信号的相互转换,从而与通讯网络或者其他设备进行通讯。RF电路110可包括各种现有的用于执行这些功能的电路元件,例如,天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块(SIM)卡、存储器等等。RF电路110可与各种网络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与其他设备进行通讯。
存储器120可用于存储软件程序以及模块,如上述实施例中振动调节方法对应的程序指令/模块,处理器180通过运行存储在存储器120内的软件程序以及模块,从而执行各种功能应用以及数据处理,能够精确预测待检测设备的负载重量。
存储器120可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器120可进一步包括相对于处理器180远程设置的存储器,这些远程存储器可以通过网络连接至电子设备1200。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入单元130可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地,输入单元130可包括触敏表面131以及其他输入设备132。触敏表面131,也称为触摸显示屏或者触控板,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面131上或在触敏表面131附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触敏表面131可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器180,并能接收处理器180发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面131。除了触敏表面131,输入单元130还可以包括其他输入设备132。具体地,其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元140可用于显示由用户输入的信息或提供给用户的信息以及电子设备1200的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元140可包括显示面板141,可选的,可以采用LCD(Liquid CrystalDisplay,液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板141。进一步的,触敏表面131可覆盖显示面板141,当触敏表面131检测到在其上或附近的触摸操作后,传送给处理器180以确定触摸事件的类型,随后处理器180根据触摸事件的类型在显示面板141上提供相应的视觉输出。虽然在图4中,触敏表面131与显示面板141是作为两个独立的部件来实现输入和输出功能,但是在某些实施例中,可以将触敏表面131与显示面板141集成而实现输入和输出功能。
电子设备1200还可包括至少一种传感器150,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板141的亮度,接近传感器可在电子设备1200移动到耳边时,关闭显示面板141和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于电子设备1200还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路160、扬声器161,传声器162可提供用户与电子设备1200之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号,传输到扬声器161,由扬声器161转换为声音信号输出;另一方面,传声器162将收集的声音信号转换为电信号,由音频电路160接收后转换为音频数据,再将音频数据输出处理器180处理后,经RF电路110以发送给比如另一终端,或者将音频数据输出至存储器120以便进一步处理。音频电路160还可能包括耳塞插孔,以提供外设耳机与电子设备1200的通信。
电子设备1200通过传输模块170(例如Wi-Fi模块)可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图4示出了传输模块170,但是可以理解的是,其并不属于电子设备1200的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器180是电子设备1200的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器120内的软件程序和/或模块,以及调用存储在存储器120内的数据,执行电子设备1200的各种功能和处理数据,从而对手机进行整体监控。可选的,处理器180可包括一个或多个处理核心;在一些实施例中,处理器180可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器180中。
电子设备1200还包括给各个部件供电的电源190(比如电池),在一些实施例中,电源可以通过电源管理系统与处理器180逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源190还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出,电子设备1200还可以包括摄像头(如前置摄像头、后置摄像头)、蓝牙模块等,在此不再赘述。具体在本实施例中,电子设备1200的显示单元140是触摸屏显示器,电子设备1200还包括有存储器120,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器120中,且经配置以由一个或者一个以上处理器180执行一个或者一个以上程序包含用于进行以下操作的指令:
获取重量预测模型的目标输入变量,其中,所述目标输入变量基于目标设备采集的传感器数据得到;
获取待训练的重量预测模型;
基于所述目标输入变量训练所述重量预测模型,以及在训练过程中基于所述重量预测模型的性能函数调整所述重量预测模型中隐含层神经元的个数,当满足所述重量预测模型的模型训练结束条件后,得到训练完成的重量预测模型;
基于待检测设备采集的传感器数据以及所述训练完成的重量预测模型,预测所述待检测设备的负载重量。
在一些实施例中,处理器180用于获取所述目标设备采集的与所述目标设备的负载重量相关的多个传感器数据;
从多个所述传感器数据中筛选出所述重量预测模型所需的目标输入变量。
在一些实施例中,处理器180用于通过条件熵分别计算各所述传感器数据与所述负载重量的相关性;
将所述相关性大于预设阈值的所述传感器数据作为所述目标输入变量。
在一些实施例中,处理器180用于确定所述重量预测模型中隐含层神经元的初始个数;
基于所述目标输入变量和所述隐含层神经元的初始个数构建初始的所述重量预测模型。
在一些实施例中,处理器180用于通过减法聚类算法计算所述目标输入变量中每一数据的密度值;
基于所述密度值将所述数据进行分类,得到数据类别个数;
将所述数据类别个数确定为所述重量预测模型中隐含层神经元的初始个数。
在一些实施例中,处理器180用于通过所述重量预测模型基于所述目标输入变量进行重量预测,得到所述目标设备的预测负载重量;
基于所述预测负载重量和所述目标输入变量对应的真实负载重量,以及隐含层神经元性能函数,确定所述重量预测模型的隐含层神经元增长个数;
基于所述隐含层神经元增长个数,调整所述重量预测模型的结构;
返回执行所述通过所述重量预测模型基于所述目标输入变量进行重量预测,得到所述目标设备的预测负载重量的步骤。
在一些实施例中,处理器180用于基于所述预测负载重量和所述目标输入变量对应的真实负载重量,计算所述重量预测模型的模型损失;
基于所述模型损失调整所述重量预测模型的模型参数。
由上可知,本申请实施例提供了一种电子设备1200,所述电子设备1200执行以下步骤:获取重量预测模型的目标输入变量,其中,所述目标输入变量基于目标设备采集的传感器数据得到;获取待训练的重量预测模型;基于所述目标输入变量训练所述重量预测模型,以及在训练过程中基于所述重量预测模型的性能函数调整所述重量预测模型中隐含层神经元的个数,当满足所述重量预测模型的模型训练结束条件后,得到训练完成的重量预测模型;基于待检测设备采集的传感器数据以及所述训练完成的重量预测模型,预测所述待检测设备的负载重量。本申请实施例先是通过目标设备采集的传感器数据来确定重量预测模型的目标输入变量,从而能够防止出现目标输入变量随意选取而造成重量预测模型预测误差大的问题;然后基于获得的目标输入变量训练待训练的重量预测模型,以及在训练过程中基于重量预测模型的性能函数不断调整重量预测模型中隐含层神经元的个数,从而能够得到满足精度要求的重量预测模型;然后再通过该满足精度要求的重量预测模型来预测待检测设备的负载重量,从而能够精确预测待检测设备的负载重量。
本申请实施例还提供一种存储介质,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,所述计算机执行上述任一实施例所述的设备负载重量获取方法。
需要说明的是,对本申请所述设备负载重量获取方法而言,本领域普通测试人员可以理解实现本申请实施例所述设备负载重量获取方法的全部或部分流程,是可以通过计算机程序来控制相关的硬件来完成,所述计算机程序可存储于一计算机可读存储介质中,如存储在电子设备的存储器中,并被该电子设备内的至少一个处理器执行,在执行过程中可包括如所述振动调节方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)等。
对本申请实施例的所述设备负载重量获取装置而言,其各功能模块可以集成在一个处理芯片中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中,所述存储介质譬如为只读存储器,磁盘或光盘等。
以上对本申请实施例所提供的设备负载重量获取方法、装置、存储介质及电子设备进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种设备负载重量获取方法,其特征在于,所述方法包括:
获取重量预测模型的目标输入变量,其中,所述目标输入变量基于目标设备采集的传感器数据得到;
获取待训练的重量预测模型;
基于所述目标输入变量训练所述重量预测模型,以及在训练过程中基于所述重量预测模型的性能函数调整所述重量预测模型中隐含层神经元的个数,当满足所述重量预测模型的模型训练结束条件后,得到训练完成的重量预测模型;
基于待检测设备采集的传感器数据以及所述训练完成的重量预测模型,预测所述待检测设备的负载重量。
2.如权利要求1所述的设备负载重量获取方法,其特征在于,所述获取重量预测模型的目标输入变量,包括:
获取所述目标设备采集的与所述目标设备的负载重量相关的多个传感器数据;
从多个所述传感器数据中筛选出所述重量预测模型所需的目标输入变量。
3.如权利要求2所述的设备负载重量获取方法,其特征在于,所述从多个所述传感器数据中筛选出所述重量预测模型所需的目标输入变量,包括:
通过条件熵分别计算各所述传感器数据与所述负载重量的相关性;
将所述相关性大于预设阈值的所述传感器数据作为所述目标输入变量。
4.如权利要求1所述的设备负载重量获取方法,其特征在于,所述获取待训练的重量预测模型,包括:
确定所述重量预测模型中隐含层神经元的初始个数;
基于所述目标输入变量和所述隐含层神经元的初始个数构建初始的所述重量预测模型。
5.如权利要求4所述的设备负载重量获取方法,其特征在于,所述确定所述重量预测模型中隐含层神经元的初始个数,包括:
通过减法聚类算法计算所述目标输入变量中每一数据的密度值;
基于所述密度值将所述数据进行分类,得到数据类别个数;
将所述数据类别个数确定为所述重量预测模型中隐含层神经元的初始个数。
6.如权利要求4所述的设备负载重量获取方法,其特征在于,所述基于所述目标输入变量训练所述重量预测模型,以及在训练过程中基于所述重量预测模型的性能函数调整所述重量预测模型中隐含层神经元的个数,包括:
通过所述重量预测模型基于所述目标输入变量进行重量预测,得到所述目标设备的预测负载重量;
基于所述预测负载重量和所述目标输入变量对应的真实负载重量,以及隐含层神经元性能函数,确定所述重量预测模型的隐含层神经元增长个数;
基于所述隐含层神经元增长个数,调整所述重量预测模型的结构;
返回执行所述通过所述重量预测模型基于所述目标输入变量进行重量预测,得到所述目标设备的预测负载重量的步骤。
7.如权利要求6所述的设备负载重量获取方法,其特征在于,还包括:
基于所述预测负载重量和所述目标输入变量对应的真实负载重量,计算所述重量预测模型的模型损失;
基于所述模型损失调整所述重量预测模型的模型参数。
8.一种设备负载重量获取装置,其特征在于,所述装置包括:
第一获取模块,用于获取重量预测模型的目标输入变量,其中,所述目标输入变量基于目标设备采集的传感器数据得到;
第二获取模块,用于获取待训练的重量预测模型;
调整模块,用于基于所述目标输入变量训练所述重量预测模型,以及在训练过程中基于所述重量预测模型的性能函数调整所述重量预测模型中隐含层神经元的个数,当满足所述重量预测模型的模型训练结束条件后,得到训练完成的重量预测模型;
预测模块,用于基于待检测设备采集的传感器数据以及所述训练完成的重量预测模型,预测所述待检测设备的负载重量。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行权利要求1至7任一项所述的设备负载重量获取方法。
10.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行权利要求1至7任一项所述的设备负载重量获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111415101.1A CN114091611A (zh) | 2021-11-25 | 2021-11-25 | 设备负载重量获取方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111415101.1A CN114091611A (zh) | 2021-11-25 | 2021-11-25 | 设备负载重量获取方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114091611A true CN114091611A (zh) | 2022-02-25 |
Family
ID=80304603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111415101.1A Pending CN114091611A (zh) | 2021-11-25 | 2021-11-25 | 设备负载重量获取方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091611A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114657741A (zh) * | 2022-03-07 | 2022-06-24 | Tcl家用电器(合肥)有限公司 | 洗涤设备控制方法、装置、洗涤设备和存储介质 |
CN114657742A (zh) * | 2022-03-23 | 2022-06-24 | Tcl家用电器(合肥)有限公司 | 洗涤剂用量的控制方法、控制装置、存储介质及洗衣机 |
-
2021
- 2021-11-25 CN CN202111415101.1A patent/CN114091611A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114657741A (zh) * | 2022-03-07 | 2022-06-24 | Tcl家用电器(合肥)有限公司 | 洗涤设备控制方法、装置、洗涤设备和存储介质 |
CN114657741B (zh) * | 2022-03-07 | 2024-02-06 | Tcl家用电器(合肥)有限公司 | 洗涤设备控制方法、装置、洗涤设备和存储介质 |
CN114657742A (zh) * | 2022-03-23 | 2022-06-24 | Tcl家用电器(合肥)有限公司 | 洗涤剂用量的控制方法、控制装置、存储介质及洗衣机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304758B (zh) | 人脸特征点跟踪方法及装置 | |
CN110674019A (zh) | 一种预测系统故障的方法、装置及电子设备 | |
CN114091611A (zh) | 设备负载重量获取方法、装置、存储介质及电子设备 | |
CN112820299B (zh) | 声纹识别模型训练方法、装置及相关设备 | |
CN113284142B (zh) | 图像检测方法、装置、计算机可读存储介质及计算机设备 | |
JP2017215157A (ja) | 情報処理装置、プログラム、転倒予測システム | |
CN107729144B (zh) | 应用控制方法、装置、存储介质及电子设备 | |
CN110659179A (zh) | 一种评估系统运行状况的方法、装置及电子设备 | |
CN109284783B (zh) | 基于机器学习的大礼拜计数方法、装置、用户设备及介质 | |
CN111026955A (zh) | 一种应用程序推荐方法及电子设备 | |
CN114444333B (zh) | 生态水位分析方法、装置、电子设备及存储介质 | |
CN115348256A (zh) | 入账数据下传方法、装置、存储介质及电子设备 | |
CN113360908A (zh) | 数据处理方法、违规识别模型训练方法及相关设备 | |
CN109784014B (zh) | 一种屏幕解锁方法及终端设备 | |
CN113112011A (zh) | 一种数据预测方法及装置 | |
CN112312411A (zh) | VoLTE业务的业务量预测方法和终端设备 | |
CN112114649B (zh) | 一种温度调整方法、装置、存储介质及移动终端 | |
CN111328117B (zh) | 一种网络搜索方法及电子设备 | |
CN117115596B (zh) | 对象动作分类模型的训练方法、装置、设备及介质 | |
CN114657741B (zh) | 洗涤设备控制方法、装置、洗涤设备和存储介质 | |
CN113648659B (zh) | 一种确定用户活跃度的方法和相关装置 | |
CN115905828A (zh) | 动作姿态识别方法、装置、存储介质及可穿戴设备 | |
CN116227325A (zh) | 基于神经元模型的电器故障预测方法和装置 | |
CN116050530A (zh) | 量子计算机的ai芯片异常预测方法、装置和电子设备 | |
CN114420061A (zh) | 屏幕亮度调节方法、装置、存储介质及显示设备 |
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 |