CN114647198B - 基于物联网的智能家居控制方法、系统和电子设备 - Google Patents

基于物联网的智能家居控制方法、系统和电子设备 Download PDF

Info

Publication number
CN114647198B
CN114647198B CN202210222289.6A CN202210222289A CN114647198B CN 114647198 B CN114647198 B CN 114647198B CN 202210222289 A CN202210222289 A CN 202210222289A CN 114647198 B CN114647198 B CN 114647198B
Authority
CN
China
Prior art keywords
matrix
feature
feature matrix
unit
behavior
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
Application number
CN202210222289.6A
Other languages
English (en)
Other versions
CN114647198A (zh
Inventor
张文平
白维朝
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.)
Shenzhen Isurpass Technology Co ltd
Original Assignee
Shenzhen Isurpass 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 Shenzhen Isurpass Technology Co ltd filed Critical Shenzhen Isurpass Technology Co ltd
Priority to CN202210222289.6A priority Critical patent/CN114647198B/zh
Publication of CN114647198A publication Critical patent/CN114647198A/zh
Application granted granted Critical
Publication of CN114647198B publication Critical patent/CN114647198B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • Selective Calling Equipment (AREA)

Abstract

本申请公开了一种基于物联网的智能家居控制方法、系统和电子设备，其通过所述多个智能家居设备之间的拓扑矩阵、合取矩阵和析取矩阵，不但能够表示各个智能设备之间的物理拓扑，而且可以表示各个智能设备之间的逻辑状态关联拓扑，从而有效地表示智能家居的状态信息。并且考虑到基于各个所述智能家居的状态变化通常服从泊松分布，即在预定时间段内在预定时间到达预定次数，通过所述合取矩阵和所述析取矩阵分别表示的状态关联的到达速率异质性来进行特征融合，可以在对到达速率异质性进行一定妥协的情况下提供融合平衡机制，使得获取的所述拓扑特征矩阵能够准确地表达数据的物理和逻辑拓扑结构。这样，就能够得到准确的最终适配的控制情境模式。

Description

基于物联网的智能家居控制方法、系统和电子设备
技术领域
本发明涉及智能家居的领域，且更为具体地，涉及一种基于物联网的智能家居控制方法、系统和电子设备。
背景技术
智能家居是通过物联网技术将家居生活中的各种硬件设备基于家庭网络而连接到一起，并可以通过移动端的软件进行远程智能控制。随着软硬件的迅速发展和日新月异的信息技术，智能家居已成为人们生活必不可缺的一部分。但现有的智能家居仍依赖于人进行手动控制而显得不够智能。如何让智能家居更加智能，让控制权更多地交给智能家居系统而减少用户的控制，尽量提高用户体验，是智能家居领域期待解决的技术问题。
用户的行为在时间和空间上往往有很强的自相关性，例如，睡眠时间存在规律性和周期性，但人类行为会随外界环境和内在因素而发生变化，相应地，在人类行为发生改变后，期待智能家居的情境模式能够自适应地改变和匹配，以提高用户的智能家居体验。因此，期望一种基于物联网的智能家居控制方案。
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基于物联网的智能家居控制方法、系统和电子设备，其通过所述多个智能家居设备之间的拓扑矩阵、合取矩阵和析取矩阵，不但能够表示各个智能设备之间的物理拓扑，而且可以表示各个智能设备之间的逻辑状态关联拓扑，从而有效地表示智能家居的状态信息。并且考虑到基于各个所述智能家居的状态变化通常服从泊松分布，即在预定时间段内在预定时间到达预定次数，通过所述合取矩阵和所述析取矩阵分别表示的状态关联的到达速率异质性来进行特征融合，可以在对到达速率异质性进行一定妥协的情况下提供融合平衡机制，使得获取的所述拓扑特征矩阵能够准确地表达数据的物理和逻辑拓扑结构。这样，就能够得到准确的最终适配的控制情境模式。
根据本申请的一个方面，提供了一种基于物联网的智能家居控制方法，其包括：
获取部署于家中的多个智能家居设备之间的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；
获取所述多个智能家居设备在预设时间段的合取矩阵和析取矩阵，其中，所述合取矩阵中各个位置的值为1表示对应两个智能家居设备同时开启或同时关闭，所述析取矩阵中各个位置的特征值为0表示对应两个智能家居设备不同时开启或关闭；
将所述拓扑矩阵、所述合取矩阵和所述析取矩阵分别通过卷积神经网络以获得对应于所述拓扑矩阵的第一特征矩阵、对应于所述合取矩阵的第二特征矩阵和对应于所述析取矩阵的第三特征矩阵；
基于泊松分布的关联模型来融合所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵以获得第四特征矩阵和第五特征矩阵，其中，所述第四特征矩阵为所述第一特征矩阵与所述第二特征矩阵的差分矩阵的倒数，所述第五特征矩阵为所述第一特征矩阵乘以单位矩阵与所述第二特征矩阵的差分矩阵再乘以单位矩阵与所述第二特征矩阵和所述第三特征矩阵之间的和矩阵之间的差分矩阵的倒数；
融合所述第四特征矩阵和所述第五特征矩阵以获得拓扑特征矩阵；
获取所述预设时间段内多个预定时间点的用户行为数据；
将所述多个预定时间点的用户行为数据通过包含嵌入层的基于上下文的编码器模型以获得多个行为特征向量，并将所述多个行为特征向量二维排列为行为特征矩阵；
将所述行为特征矩阵和所述拓扑特征矩阵输入图神经网络以获得拓扑行为特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来学习到包含不规则的拓扑信息和用户行为特征的特征分布表示；
获取近段时间内多个时间点的用户行为数据；
将所述近段时间内多个时间点的用户行为数据通过包含一维卷积层和全连接层的时序编码器以获得待匹配行为特征向量；
将所述待匹配行为特征向量作为查询向量与所述拓扑行为特征矩阵进行矩阵相乘以获得分类特征矩阵；以及
将所述分类特征矩阵通过以各个控制情境模式为标签的分类器以获得分类结果，所述分类结果为最终适配的控制情境模式。
根据本申请的另一方面，提供了一种基于物联网的智能家居控制系统，其包括：
拓扑矩阵获取单元，用于获取部署于家中的多个智能家居设备之间的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；
逻辑关系矩阵获取单元，用于获取所述多个智能家居设备在预设时间段的合取矩阵和析取矩阵，其中，所述合取矩阵中各个位置的值为1表示对应两个智能家居设备同时开启或同时关闭，所述析取矩阵中各个位置的特征值为0表示对应两个智能家居设备不同时开启或关闭；
卷积单元，用于将所述拓扑矩阵获取单元获得的所述拓扑矩阵、所述逻辑关系矩阵获取单元获得的所述合取矩阵和所述逻辑关系矩阵获取单元获得的所述析取矩阵分别通过卷积神经网络以获得对应于所述拓扑矩阵的第一特征矩阵、对应于所述合取矩阵的第二特征矩阵和对应于所述析取矩阵的第三特征矩阵；
泊松分布单元，用于基于泊松分布的关联模型来融合所述卷积单元获得的所述第一特征矩阵、所述卷积单元获得的所述第二特征矩阵和所述卷积单元获得的所述第三特征矩阵以获得第四特征矩阵和第五特征矩阵，其中，所述第四特征矩阵为所述第一特征矩阵与所述第二特征矩阵的差分矩阵的倒数，所述第五特征矩阵为所述第一特征矩阵乘以单位矩阵与所述第二特征矩阵的差分矩阵再乘以单位矩阵与所述第二特征矩阵和所述第三特征矩阵之间的和矩阵之间的差分矩阵的倒数；
融合单元，用于融合所述泊松分布单元获得的所述第四特征矩阵和所述泊松分布单元获得的所述第五特征矩阵以获得拓扑特征矩阵；
用户行为数据获取单元，用于获取所述预设时间段内多个预定时间点的用户行为数据；
编码单元，用于将所述用户行为数据获取单元获得的所述多个预定时间点的用户行为数据通过包含嵌入层的基于上下文的编码器模型以获得多个行为特征向量，并将所述多个行为特征向量二维排列为行为特征矩阵；
图神经网络单元，用于将所述编码单元获得的所述行为特征矩阵和所述融合单元获得的所述拓扑特征矩阵输入图神经网络以获得拓扑行为特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来学习到包含不规则的拓扑信息和用户行为特征的特征分布表示；
近段时间数据获取单元，用于获取近段时间内多个时间点的用户行为数据；
时序编码单元，用于将所述近段时间数据获取单元获得的所述近段时间内多个时间点的用户行为数据通过包含一维卷积层和全连接层的时序编码器以获得待匹配行为特征向量；
映射单元，用于将所述时序编码单元获得的所述待匹配行为特征向量作为查询向量与所述图神经网络单元获得的所述拓扑行为特征矩阵进行矩阵相乘以获得分类特征矩阵；以及
分类单元，用于将所述映射单元获得的所述分类特征矩阵通过以各个控制情境模式为标签的分类器以获得分类结果，所述分类结果为最终适配的控制情境模式。
根据本申请的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于物联网的智能家居控制方法。
根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于物联网的智能家居控制方法。
与现有技术相比，本申请提供的基于物联网的智能家居控制方法、系统和电子设备，其通过所述多个智能家居设备之间的拓扑矩阵、合取矩阵和析取矩阵，不但能够表示各个智能设备之间的物理拓扑，而且可以表示各个智能设备之间的逻辑状态关联拓扑，从而有效地表示智能家居的状态信息。并且考虑到基于各个所述智能家居的状态变化通常服从泊松分布，即在预定时间段内在预定时间到达预定次数，通过所述合取矩阵和所述析取矩阵分别表示的状态关联的到达速率异质性来进行特征融合，可以在对到达速率异质性进行一定妥协的情况下提供融合平衡机制，使得获取的所述拓扑特征矩阵能够准确地表达数据的物理和逻辑拓扑结构。这样，就能够得到准确的最终适配的控制情境模式。
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基于物联网的智能家居控制方法的应用场景图；
图2为根据本申请实施例的基于物联网的智能家居控制方法的流程图；
图3为根据本申请实施例的基于物联网的智能家居控制方法的系统架构示意图；
图4为根据本申请实施例的基于物联网的智能家居控制系统的框图；
图5为根据本申请实施例的电子设备的框图。
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
如前所述，智能家居是通过物联网技术将家居生活中的各种硬件设备基于家庭网络而连接到一起，并可以通过移动端的软件进行远程智能控制。随着软硬件的迅速发展和日新月异的信息技术，智能家居已成为人们生活必不可缺的一部分。但现有的智能家居仍依赖于人进行手动控制而显得不够智能。如何让智能家居更加智能，让控制权更多地交给智能家居系统而减少用户的控制，尽量提高用户体验，是智能家居领域期待解决的技术问题。
用户的行为在时间和空间上往往有很强的自相关性，例如，睡眠时间存在规律性和周期性，但人类行为会随外界环境和内在因素而发生变化，相应地，在人类行为发生改变后，期待智能家居的情境模式能够自适应地改变和匹配，以提高用户的智能家居体验。因此，期望一种基于物联网的智能家居控制方法。
考虑到将基于用户行为数据选择控制模式转化为分类问题，需要对用户行为数据进行适当的特征编码，使得编码后的特征不但能够表示用户行为本身的特征信息，也能够表示与用户行为相关联的智能家居的状态信息，从而适当地归属于包含每个智能家居的控制状态的控制模式。
基于此，在本申请的技术方案中，首先获取部署于家中的多个智能家居设备之间的拓扑矩阵-第一特征矩阵，并且获取所述多个智能家居设备在预设时间段的合取矩阵（同时开启或关闭）-第二特征矩阵，以及析取矩阵（不同时开启或关闭）-第三特征矩阵，再转换到概率空间后融合：
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE004
Figure DEST_PATH_IMAGE006
到
Figure DEST_PATH_IMAGE008
分别是第一到第五特征矩阵的每个位置的特征值。
接着，将第四特征矩阵和第五特征矩阵融合为拓扑特征矩阵。
然后，将各个时间点的用户行为数据输入上下文编码器，得到多个行为特征向量，组成行为特征矩阵，与拓扑特征矩阵一起输入图神经网络，得到每个用户行为数据的特征编码表示。
再将近段时间内多个时间点的用户行为数据输入包含一维卷积层和全连接层的时序编码器以获得待匹配行为特征向量，进一步将待匹配行为特征向量作为查询向量与拓扑行为特征矩阵进行矩阵相乘以获得分类特征矩阵，通过分类器就可以获得用于表示最终适配的控制情境模式的分类结果。
应可以理解，通过拓扑矩阵、合取矩阵和析取矩阵，不但能够表示各个智能设备之间的物理拓扑，而且可以表示各个智能设备之间的逻辑状态关联拓扑，从而有效地表示智能家居的状态信息。
而基于各个智能家居的状态变化通常服从泊松分布，即在预定时间段内在预定时间到达预定次数，通过合取矩阵和析取矩阵分别表示的状态关联的到达速率异质性来进行特征融合，可以在对到达速率异质性进行一定妥协的情况下提供融合平衡机制，使得获取的拓扑特征矩阵能够准确地表达数据的物理和逻辑拓扑结构。
基于此，本申请提出了一种基于物联网的智能家居控制方法，其包括：获取部署于家中的多个智能家居设备之间的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；获取所述多个智能家居设备在预设时间段的合取矩阵和析取矩阵，其中，所述合取矩阵中各个位置的值为1表示对应两个智能家居设备同时开启或同时关闭，所述析取矩阵中各个位置的特征值为0表示对应两个智能家居设备不同时开启或关闭；将所述拓扑矩阵、所述合取矩阵和所述析取矩阵分别通过卷积神经网络以获得对应于所述拓扑矩阵的第一特征矩阵、对应于所述合取矩阵的第二特征矩阵和对应于所述析取矩阵的第三特征矩阵；基于泊松分布的关联模型来融合所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵以获得第四特征矩阵和第五特征矩阵，其中，所述第四特征矩阵为所述第一特征矩阵与所述第二特征矩阵的差分矩阵的倒数，所述第五特征矩阵为所述第一特征矩阵乘以单位矩阵与所述第二特征矩阵的差分矩阵再乘以单位矩阵与所述第二特征矩阵和所述第三特征矩阵之间的和矩阵之间的差分矩阵的倒数；融合所述第四特征矩阵和所述第五特征矩阵以获得拓扑特征矩阵；获取所述预设时间段内多个预定时间点的用户行为数据；将所述多个预定时间点的用户行为数据通过包含嵌入层的基于上下文的编码器模型以获得多个行为特征向量，并将所述多个行为特征向量二维排列为行为特征矩阵；将所述行为特征矩阵和所述拓扑特征矩阵输入图神经网络以获得拓扑行为特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来学习到包含不规则的拓扑信息和用户行为特征的特征分布表示；获取近段时间内多个时间点的用户行为数据；将所述近段时间内多个时间点的用户行为数据通过包含一维卷积层和全连接层的时序编码器以获得待匹配行为特征向量；将所述待匹配行为特征向量作为查询向量与所述拓扑行为特征矩阵进行矩阵相乘以获得分类特征矩阵；以及，将所述分类特征矩阵通过以各个控制情境模式为标签的分类器以获得分类结果，所述分类结果为最终适配的控制情境模式。
图1图示了根据本申请实施例的基于物联网的智能家居控制方法的应用场景图。如图1所示，在该应用场景中，首先，通过设置于家（例如，如图1中所示意的H）中的多个智能家居设备（例如，如图1中所示意的T）上的各个传感器（例如，如图1中所示意的B）之间的距离获取所述多个智能家居设备之间的拓扑矩阵，以及基于所述各个智能家居设备的开启或关闭状态获取所述多个智能家居设备在预设时间段的合取矩阵和析取矩阵，并且通过用户佩戴的电子设备（例如，如图1中所示意的E）获取所述预设时间段内多个预定时间点的用户（例如，如图1中所示意的P）行为数据。这里，所述智能家居设备包括但不局限于智能电灯、智能电视等，所述电子设备包括但不局限于智能手环等。然后，将获得的所述拓扑矩阵、所述合取矩阵和所述析取矩阵以及所述用户的行为数据输入至部署有基于物联网的智能家居控制算法的服务器中（例如，如图1中所示意的S），其中，所述服务器能够以基于物联网的智能家居控制算法对所述拓扑矩阵、所述合取矩阵和所述析取矩阵以及所述用户的行为数据进行处理，以生成用于表示最终适配的控制情境模式的分类结果。
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。
示例性方法
图2图示了基于物联网的智能家居控制方法的流程图。如图2所示，根据本申请实施例的基于物联网的智能家居控制方法，包括：S110，获取部署于家中的多个智能家居设备之间的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；S120，获取所述多个智能家居设备在预设时间段的合取矩阵和析取矩阵，其中，所述合取矩阵中各个位置的值为1表示对应两个智能家居设备同时开启或同时关闭，所述析取矩阵中各个位置的特征值为0表示对应两个智能家居设备不同时开启或关闭；S130，将所述拓扑矩阵、所述合取矩阵和所述析取矩阵分别通过卷积神经网络以获得对应于所述拓扑矩阵的第一特征矩阵、对应于所述合取矩阵的第二特征矩阵和对应于所述析取矩阵的第三特征矩阵；S140，基于泊松分布的关联模型来融合所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵以获得第四特征矩阵和第五特征矩阵，其中，所述第四特征矩阵为所述第一特征矩阵与所述第二特征矩阵的差分矩阵的倒数，所述第五特征矩阵为所述第一特征矩阵乘以单位矩阵与所述第二特征矩阵的差分矩阵再乘以单位矩阵与所述第二特征矩阵和所述第三特征矩阵之间的和矩阵之间的差分矩阵的倒数；S150，融合所述第四特征矩阵和所述第五特征矩阵以获得拓扑特征矩阵；S160，获取所述预设时间段内多个预定时间点的用户行为数据；S170，将所述多个预定时间点的用户行为数据通过包含嵌入层的基于上下文的编码器模型以获得多个行为特征向量，并将所述多个行为特征向量二维排列为行为特征矩阵；S180，将所述行为特征矩阵和所述拓扑特征矩阵输入图神经网络以获得拓扑行为特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来学习到包含不规则的拓扑信息和用户行为特征的特征分布表示；S190，获取近段时间内多个时间点的用户行为数据；S200，将所述近段时间内多个时间点的用户行为数据通过包含一维卷积层和全连接层的时序编码器以获得待匹配行为特征向量；S210，将所述待匹配行为特征向量作为查询向量与所述拓扑行为特征矩阵进行矩阵相乘以获得分类特征矩阵；以及，S220，将所述分类特征矩阵通过以各个控制情境模式为标签的分类器以获得分类结果，所述分类结果为最终适配的控制情境模式。
图3图示了根据本申请实施例的基于物联网的智能家居控制方法的架构示意图。如图3所示，在所述基于物联网的智能家居控制方法的网络架构中，首先，将所述拓扑矩阵（例如，如图3中所示意的M1）、所述合取矩阵（例如，如图3中所示意的M2）和所述析取矩阵（例如，如图3中所示意的M3）分别通过卷积神经网络（例如，如图3中所示意的CNN）以获得对应于所述拓扑矩阵的第一特征矩阵（例如，如图3中所示意的MF1）、对应于所述合取矩阵的第二特征矩阵（例如，如图3中所示意的MF2）和对应于所述析取矩阵的第三特征矩阵（例如，如图3中所示意的MF3）；接着，基于泊松分布的关联模型来融合所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵以获得第四特征矩阵（例如，如图3中所示意的MF4）和第五特征矩阵（例如，如图3中所示意的MF5）；然后，融合所述第四特征矩阵和所述第五特征矩阵以获得拓扑特征矩阵（例如，如图3中所示意的MF）；接着，将获取的所述多个预定时间点的用户行为数据（例如，如图3中所示意的P1）通过包含嵌入层的基于上下文的编码器模型（例如，如图3中所示意的E1）以获得多个行为特征向量（例如，如图3中所示意的VF1），并将所述多个行为特征向量二维排列为行为特征矩阵（例如，如图3中所示意的MB）；然后，将所述行为特征矩阵和所述拓扑特征矩阵输入图神经网络（例如，如图3中所示意的GNN）以获得拓扑行为特征矩阵（例如，如图3中所示意的M）；接着，将获取的所述近段时间内多个时间点的用户行为数据（例如，如图3中所示意的P2）通过包含一维卷积层和全连接层的时序编码器（例如，如图3中所示意的E2）以获得待匹配行为特征向量（例如，如图3中所示意的VF2）；然后，将所述待匹配行为特征向量作为查询向量与所述拓扑行为特征矩阵进行矩阵相乘以获得分类特征矩阵（例如，如图3中所示意的MC）；以及，最后，将所述分类特征矩阵通过以各个控制情境模式为标签的分类器（例如，如图3中所示意的分类器）以获得分类结果，所述分类结果为最终适配的控制情境模式。
在步骤S110和步骤S120中，获取部署于家中的多个智能家居设备之间的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零，并获取所述多个智能家居设备在预设时间段的合取矩阵和析取矩阵，其中，所述合取矩阵中各个位置的值为1表示对应两个智能家居设备同时开启或同时关闭，所述析取矩阵中各个位置的特征值为0表示对应两个智能家居设备不同时开启或关闭。如前所述，用户的行为在时间和空间上往往有很强的自相关性，例如，睡眠时间存在规律性和周期性，但人类行为会随外界环境和内在因素而发生变化，相应地，在人类行为发生改变后，期待智能家居的情境模式能够自适应地改变和匹配，以提高用户的智能家居体验。并且考虑到所述用户行为数据和所述智能家居间的拓扑状态关联信息间存在响应关系，即，所述用户行为数据为内驱因子，所述智能家居的工作状态为适配于用户行为数据的外因。因此，在本申请的技术方案中，需要将基于所述用户行为数据选择控制模式转化为分类问题，就需要对所述用户行为数据进行适当的特征编码，使得编码后的特征不但能够表示用户行为本身的特征信息，也能够表示与用户行为相关联的所述智能家居的状态信息，从而适当地归属于包含每个智能家居的控制状态的控制模式。
应可以理解，考虑到规则之间的逻辑运算通常包括合取和析取，分别以符号
Figure DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE012
表示，用于表示规则之间的并列或者替代关系，也就是“并且”和“或者”的含义。而针对所述多个智能家居设备之间的开启或关闭状态也存在这种关系，例如对应的所述两个智能家居设备同时开启或同时关闭就是“并且”的关系；而对应的所述两个智能家居设备不同时开启或不同时关闭就是“或者”的关系。也就是，在本申请的技术方案中，首先，需要通过设置于家中的多个智能家居设备上的各个传感器之间的距离获取所述多个智能家居设备之间的拓扑矩阵，以及基于所述各个智能家居设备的开启或关闭状态获取所述多个智能家居设备在预设时间段的合取矩阵和析取矩阵，这里，所述智能家居设备包括但不局限于智能电灯、智能电视等。特别地，应可以理解，通过所述拓扑矩阵、所述合取矩阵和所述析取矩阵，不但能够表示所述各个智能设备之间的物理拓扑，而且可以表示所述各个智能设备之间的逻辑状态关联拓扑，从而有效地表示智能家居的状态信息。
在步骤S130中，将所述拓扑矩阵、所述合取矩阵和所述析取矩阵分别通过卷积神经网络以获得对应于所述拓扑矩阵的第一特征矩阵、对应于所述合取矩阵的第二特征矩阵和对应于所述析取矩阵的第三特征矩阵。也就是，在本申请的技术方案中，在构造所述拓扑矩阵、所述合取矩阵和所述析取矩阵后，将构造的所述矩阵输入卷积神经网络中进行处理，以提取出所述各个智能家居设备之间的拓扑特征信息以及逻辑关系特征信息，从而获得对应于所述拓扑矩阵的第一特征矩阵、对应于所述合取矩阵的第二特征矩阵和对应于所述析取矩阵的第三特征矩阵。相应地，在一个具体示例中，所述卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述第一特征矩阵、第二特征矩阵和所述第三特征矩阵，其中，所述卷积神经网络的第一层的输入为所述拓扑矩阵、所述合取矩阵或所述析取矩阵。
在步骤S140和步骤S150中，基于泊松分布的关联模型来融合所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵以获得第四特征矩阵和第五特征矩阵，其中，所述第四特征矩阵为所述第一特征矩阵与所述第二特征矩阵的差分矩阵的倒数，所述第五特征矩阵为所述第一特征矩阵乘以单位矩阵与所述第二特征矩阵的差分矩阵再乘以单位矩阵与所述第二特征矩阵和所述第三特征矩阵之间的和矩阵之间的差分矩阵的倒数，并融合所述第四特征矩阵和所述第五特征矩阵以获得拓扑特征矩阵。应可以理解，由于基于所述各个智能家居的状态变化通常服从泊松分布，即在预定时间段内在预定时间到达预定次数，通过所述合取矩阵和所述析取矩阵分别表示的状态关联的到达速率异质性来进行特征融合，可以在对到达速率异质性进行一定妥协的情况下提供融合平衡机制，使得获取的所述拓扑特征矩阵能够准确地表达数据的物理和逻辑拓扑结构。因此，在本申请的技术方案中，进一步基于泊松分布的关联模型来融合所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵以获得第四特征矩阵和第五特征矩阵。然后，再融合所述第四特征矩阵和所述第五特征矩阵以获得拓扑特征矩阵。相应地，在一个具体示例中，将所述第四特征矩阵与所述第五特征矩阵进行矩阵相乘以获得所述拓扑特征矩阵。
具体地，在本申请实施例中，基于泊松分布的关联模型来融合所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵以获得第四特征矩阵和第五特征矩阵的过程，包括：基于泊松分布的关联模型以如下公式来融合所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵以获得所述第四特征矩阵和所述第五特征矩阵，其中，所述公式为：
Figure DEST_PATH_IMAGE002A
Figure DEST_PATH_IMAGE004A
Figure 475687DEST_PATH_IMAGE006
到
Figure 168837DEST_PATH_IMAGE008
分别是第一到第五特征矩阵的每个位置的特征值。
在步骤S160和步骤S170中，获取所述预设时间段内多个预定时间点的用户行为数据，并将所述多个预定时间点的用户行为数据通过包含嵌入层的基于上下文的编码器模型以获得多个行为特征向量，并将所述多个行为特征向量二维排列为行为特征矩阵。应可以理解，由于本申请期望将基于所述用户行为数据选择控制模式转化为分类问题，因此，在本申请的技术方案中，需要对所述用户行为数据进行适当的特征编码，使得编码后的特征不但能够表示所述用户行为本身的特征信息，也能够表示与用户行为相关联的所述智能家居的状态信息，从而适当地归属于包含每个所述智能家居的控制状态的控制模式。也就是，具体地，在本申请的技术方案中，还需要通过用户佩戴的电子设备获取所述预设时间段内多个预定时间点的用户行为数据，所述电子设备包括但不局限于智能手环等。然后，将所述多个预定时间点的用户行为数据通过包含嵌入层的基于上下文的编码器模型中进行编码处理，以获得具有全局性关联信息的多个行为特征向量，并将所述多个行为特征向量二维排列为行为特征矩阵。
具体地，在本申请实施例中，将所述多个预定时间点的用户行为数据通过包含嵌入层的基于上下文的编码器模型以获得多个行为特征向量，并将所述多个行为特征向量二维排列为行为特征矩阵的过程，包括：首先，使用所述编码器模型的嵌入层分别将所述多个预定时间点的用户行为数据转化为输入向量以获得输入向量的序列。然后，使用所述编码器模型的转化器对所述输入向量的序列进行基于上下文的全局语义编码以获得所述多个行为特征向量。
在步骤S180中，将所述行为特征矩阵和所述拓扑特征矩阵输入图神经网络以获得拓扑行为特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来学习到包含不规则的拓扑信息和用户行为特征的特征分布表示。应可以理解，由于图神经网络能够用于处理处于不规则的非欧几里得空间中的图数据，从而能够提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息。因此，在本申请的技术方案中，进一步将所述行为特征矩阵和所述拓扑特征矩阵输入图神经网络以获得拓扑行为特征矩阵，这样使得所获得的所述拓扑行为特征矩阵相比直接拼接得到的所述特征矩阵能够提高分类的准确性。
在步骤S190和步骤S200中，获取近段时间内多个时间点的用户行为数据，并将所述近段时间内多个时间点的用户行为数据通过包含一维卷积层和全连接层的时序编码器以获得待匹配行为特征向量。也就是，在本申请的技术方案中，在需要通过人类近期的行为来自适应地控制改变智能家居的情景模式时，还需要获取近段时间内多个时间点的用户行为数据。然后，将所述近段时间内多个时间点的用户行为数据通过包含一维卷积层和全连接层的时序编码器中进行编码处理，以提取出所述近段时间内的多个时间点的用户行为数据的高维隐含关联特征，从而获得待匹配行为特征向量。
具体地，在本申请实施例中，将所述近段时间内多个时间点的用户行为数据通过包含一维卷积层和全连接层的时序编码器以获得待匹配行为特征向量的过程，包括：首先，将所述近段时间内多个时间点的用户行为数据按照时间维度排列为输入向量。然后，使用所述时序编码器的一维卷积层对所述输入向量进行一维卷积编码以提取所述输入向量中各个位置的特征值间的关联的高维隐含关联特征。最后，使用所述时序编码器的全连接层对所述输入向量进行全连接编码以提取所述输入向量中各个位置的特征值的高维隐含特征。
在步骤S210和步骤S220中，将所述待匹配行为特征向量作为查询向量与所述拓扑行为特征矩阵进行矩阵相乘以获得分类特征矩阵，并将所述分类特征矩阵通过以各个控制情境模式为标签的分类器以获得分类结果，所述分类结果为最终适配的控制情境模式。也就是，进一步地，将所述待匹配行为特征向量作为查询向量与所述拓扑行为特征矩阵进行矩阵相乘，以将所述待匹配行为特征向量映射到所述拓扑行为特征矩阵的高维空间中，从而获得分类特征矩阵。然后，将所述分类特征矩阵通过以各个控制情境模式为标签的分类器以获得用于表示最终适配的控制情境模式的分类结果。
具体地，在本申请实施例中，将所述分类特征矩阵通过以各个控制情境模式为标签的分类器以获得分类结果，所述分类结果为最终适配的控制情境模式的过程，包括：首先，使用所述分类器以如下公式对所述分类特征矩阵进行处理以获得所述分类特征矩阵分别归属于各个控制情境模式的概率值，其中，所述公式为：
Figure DEST_PATH_IMAGE014
，其中
Figure DEST_PATH_IMAGE016
表示将所述分类特征矩阵投影为向量，
Figure DEST_PATH_IMAGE018
至
Figure DEST_PATH_IMAGE020
为各层全连接层的权重矩阵，
Figure DEST_PATH_IMAGE022
至
Figure DEST_PATH_IMAGE024
表示各层全连接层的偏置矩阵。然后，将所述概率值中最大者对应的标签确定为所述分类结果。
综上，本申请实施例的基于物联网的智能家居控制方法被阐明，其通过所述多个智能家居设备之间的拓扑矩阵、合取矩阵和析取矩阵，不但能够表示各个智能设备之间的物理拓扑，而且可以表示各个智能设备之间的逻辑状态关联拓扑，从而有效地表示智能家居的状态信息。并且考虑到基于各个所述智能家居的状态变化通常服从泊松分布，即在预定时间段内在预定时间到达预定次数，通过所述合取矩阵和所述析取矩阵分别表示的状态关联的到达速率异质性来进行特征融合，可以在对到达速率异质性进行一定妥协的情况下提供融合平衡机制，使得获取的所述拓扑特征矩阵能够准确地表达数据的物理和逻辑拓扑结构。这样，就能够得到准确的最终适配的控制情境模式。
示例性系统
图4图示了根据本申请实施例的基于物联网的智能家居控制系统的框图。如图4所示，根据本申请实施例的基于物联网的智能家居控制系统 400，包括：拓扑矩阵获取单元410，用于获取部署于家中的多个智能家居设备之间的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；逻辑关系矩阵获取单元 420，用于获取所述多个智能家居设备在预设时间段的合取矩阵和析取矩阵，其中，所述合取矩阵中各个位置的值为1表示对应两个智能家居设备同时开启或同时关闭，所述析取矩阵中各个位置的特征值为0表示对应两个智能家居设备不同时开启或关闭；卷积单元 430，用于将所述拓扑矩阵获取单元 410获得的所述拓扑矩阵、所述逻辑关系矩阵获取单元 420获得的所述合取矩阵和所述逻辑关系矩阵获取单元 420获得的所述析取矩阵分别通过卷积神经网络以获得对应于所述拓扑矩阵的第一特征矩阵、对应于所述合取矩阵的第二特征矩阵和对应于所述析取矩阵的第三特征矩阵；泊松分布单元 440，用于基于泊松分布的关联模型来融合所述卷积单元430获得的所述第一特征矩阵、所述卷积单元 430获得的所述第二特征矩阵和所述卷积单元 430获得的所述第三特征矩阵以获得第四特征矩阵和第五特征矩阵，其中，所述第四特征矩阵为所述第一特征矩阵与所述第二特征矩阵的差分矩阵的倒数，所述第五特征矩阵为所述第一特征矩阵乘以单位矩阵与所述第二特征矩阵的差分矩阵再乘以单位矩阵与所述第二特征矩阵和所述第三特征矩阵之间的和矩阵之间的差分矩阵的倒数；融合单元 450，用于融合所述泊松分布单元 440获得的所述第四特征矩阵和所述泊松分布单元 440获得的所述第五特征矩阵以获得拓扑特征矩阵；用户行为数据获取单元 460，用于获取所述预设时间段内多个预定时间点的用户行为数据；编码单元 470，用于将所述用户行为数据获取单元 460获得的所述多个预定时间点的用户行为数据通过包含嵌入层的基于上下文的编码器模型以获得多个行为特征向量，并将所述多个行为特征向量二维排列为行为特征矩阵；图神经网络单元 480，用于将所述编码单元 470获得的所述行为特征矩阵和所述融合单元 450获得的所述拓扑特征矩阵输入图神经网络以获得拓扑行为特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来学习到包含不规则的拓扑信息和用户行为特征的特征分布表示；近段时间数据获取单元 490，用于获取近段时间内多个时间点的用户行为数据；时序编码单元 500，用于将所述近段时间数据获取单元 490获得的所述近段时间内多个时间点的用户行为数据通过包含一维卷积层和全连接层的时序编码器以获得待匹配行为特征向量；映射单元 510，用于将所述时序编码单元 500获得的所述待匹配行为特征向量作为查询向量与所述图神经网络单元 480获得的所述拓扑行为特征矩阵进行矩阵相乘以获得分类特征矩阵；以及，分类单元 520，用于将所述映射单元 510获得的所述分类特征矩阵通过以各个控制情境模式为标签的分类器以获得分类结果，所述分类结果为最终适配的控制情境模式。
在一个示例中，在上述基于物联网的智能家居控制系统 400中，所述卷积单元430，进一步用于：所述卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述第一特征矩阵、第二特征矩阵和所述第三特征矩阵，其中，所述卷积神经网络的第一层的输入为所述拓扑矩阵、所述合取矩阵或所述析取矩阵。
在一个示例中，在上述基于物联网的智能家居控制系统 400中，所述泊松分布单元 440，进一步用于：基于泊松分布的关联模型以如下公式来融合所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵以获得所述第四特征矩阵和所述第五特征矩阵，其中，所述公式为：
Figure DEST_PATH_IMAGE002AA
Figure DEST_PATH_IMAGE004AA
Figure 10760DEST_PATH_IMAGE006
到
Figure 763952DEST_PATH_IMAGE008
分别是第一到第五特征矩阵的每个位置的特征值。
在一个示例中，在上述基于物联网的智能家居控制系统 400中，所述融合单元450，进一步用于：将所述第四特征矩阵与所述第五特征矩阵进行矩阵相乘以获得所述拓扑特征矩阵。
在一个示例中，在上述基于物联网的智能家居控制系统 400中，所述编码单元470，进一步用于：使用所述编码器模型的嵌入层分别将所述多个预定时间点的用户行为数据转化为输入向量以获得输入向量的序列；以及，使用所述编码器模型的转化器对所述输入向量的序列进行基于上下文的全局语义编码以获得所述多个行为特征向量。
在一个示例中，在上述基于物联网的智能家居控制系统 400中，所述时序编码单元 500，进一步用于：将所述近段时间内多个时间点的用户行为数据按照时间维度排列为输入向量；使用所述时序编码器的一维卷积层对所述输入向量进行一维卷积编码以提取所述输入向量中各个位置的特征值间的关联的高维隐含关联特征；使用所述时序编码器的全连接层对所述输入向量进行全连接编码以提取所述输入向量中各个位置的特征值的高维隐含特征。
在一个示例中，在上述基于物联网的智能家居控制系统 400中，所述分类单元520，进一步用于：使用所述分类器以如下公式对所述分类特征矩阵进行处理以获得所述分类特征矩阵分别归属于各个控制情境模式的概率值，其中，所述公式为：
Figure 645320DEST_PATH_IMAGE014
，其中
Figure 407740DEST_PATH_IMAGE016
表示将所述分类特征矩阵投影为向量，
Figure 58164DEST_PATH_IMAGE018
至
Figure 247837DEST_PATH_IMAGE020
为各层全连接层的权重矩阵，
Figure 350922DEST_PATH_IMAGE022
至
Figure 149989DEST_PATH_IMAGE024
表示各层全连接层的偏置矩阵；以及，将所述概率值中最大者对应的标签确定为所述分类结果。
这里，本领域技术人员可以理解，上述基于物联网的智能家居控制系统 400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的基于物联网的智能家居控制方法的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基于物联网的智能家居控制系统 400可以实现在各种终端设备中，例如基于物联网的智能家居控制算法的服务器等。在一个示例中，根据本申请实施例的基于物联网的智能家居控制系统 400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于物联网的智能家居控制系统 400可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于物联网的智能家居控制系统 400同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于物联网的智能家居控制系统 400与该终端设备也可以是分立的设备，并且该基于物联网的智能家居控制系统 400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备。如图5所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于物联网的智能家居控制方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如拓扑特征矩阵、拓扑行为特征矩阵等各种内容。
在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息，包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于物联网的智能家居控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的基于物联网的智能家居控制方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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 (8)

1.一种基于物联网的智能家居控制方法，其特征在于，包括：
获取部署于家中的多个智能家居设备之间的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；
获取所述多个智能家居设备在预设时间段的合取矩阵和析取矩阵，其中，所述合取矩阵中各个位置的值为1表示对应两个智能家居设备同时开启或同时关闭，所述析取矩阵中各个位置的特征值为0表示对应两个智能家居设备不同时开启或关闭；
将所述拓扑矩阵、所述合取矩阵和所述析取矩阵分别通过卷积神经网络以获得对应于所述拓扑矩阵的第一特征矩阵、对应于所述合取矩阵的第二特征矩阵和对应于所述析取矩阵的第三特征矩阵；
基于泊松分布的关联模型来融合所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵以获得第四特征矩阵和第五特征矩阵，其中，所述第四特征矩阵为所述第一特征矩阵与所述第二特征矩阵的差分矩阵的倒数，所述第五特征矩阵为所述第一特征矩阵乘以单位矩阵与所述第二特征矩阵的差分矩阵再乘以单位矩阵与所述第二特征矩阵和所述第三特征矩阵之间的和矩阵之间的差分矩阵的倒数；
融合所述第四特征矩阵和所述第五特征矩阵以获得拓扑特征矩阵；
获取所述预设时间段内多个预定时间点的用户行为数据；
将所述多个预定时间点的用户行为数据通过包含嵌入层的基于上下文的编码器模型以获得多个行为特征向量，并将所述多个行为特征向量二维排列为行为特征矩阵；
将所述行为特征矩阵和所述拓扑特征矩阵输入图神经网络以获得拓扑行为特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来学习到包含不规则的拓扑信息和用户行为特征的特征分布表示；
获取近段时间内多个时间点的用户行为数据；
将所述近段时间内多个时间点的用户行为数据通过包含一维卷积层和全连接层的时序编码器以获得待匹配行为特征向量；
将所述待匹配行为特征向量作为查询向量与所述拓扑行为特征矩阵进行矩阵相乘以获得分类特征矩阵；以及
将所述分类特征矩阵通过以各个控制情境模式为标签的分类器以获得分类结果，所述分类结果为最终适配的控制情境模式；
其中，基于泊松分布的关联模型来融合所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵以获得第四特征矩阵和第五特征矩阵，包括：
基于泊松分布的关联模型以如下公式来融合所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵以获得所述第四特征矩阵和所述第五特征矩阵，其中，所述公式为：
Figure FDA0003982999780000021
Figure FDA0003982999780000022
f1到f5分别是第一到第五特征矩阵的每个位置的特征值；
其中，融合所述第四特征矩阵和所述第五特征矩阵以获得拓扑特征矩阵，包括：
将所述第四特征矩阵与所述第五特征矩阵进行矩阵相乘以获得所述拓扑特征矩阵。
2.根据权利要求1所述的基于物联网的智能家居控制方法，其中，将所述拓扑矩阵、所述合取矩阵和所述析取矩阵分别通过卷积神经网络以获得对应于所述拓扑矩阵的第一特征矩阵、对应于所述合取矩阵的第二特征矩阵和对应于所述析取矩阵的第三特征矩阵，包括：
所述卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述第一特征矩阵、第二特征矩阵和所述第三特征矩阵，其中，所述卷积神经网络的第一层的输入为所述拓扑矩阵、所述合取矩阵或所述析取矩阵。
3.根据权利要求2所述的基于物联网的智能家居控制方法，其中，将所述多个预定时间点的用户行为数据通过包含嵌入层的基于上下文的编码器模型以获得多个行为特征向量，并将所述多个行为特征向量二维排列为行为特征矩阵，包括：
使用所述编码器模型的嵌入层分别将所述多个预定时间点的用户行为数据转化为输入向量以获得输入向量的序列；以及
使用所述编码器模型的转化器对所述输入向量的序列进行基于上下文的全局语义编码以获得所述多个行为特征向量。
4.根据权利要求3所述的基于物联网的智能家居控制方法，其中，将所述近段时间内多个时间点的用户行为数据通过包含一维卷积层和全连接层的时序编码器以获得待匹配行为特征向量，包括：
将所述近段时间内多个时间点的用户行为数据按照时间维度排列为输入向量；
使用所述时序编码器的一维卷积层对所述输入向量进行一维卷积编码以提取所述输入向量中各个位置的特征值间的关联的高维隐含关联特征；及
使用所述时序编码器的全连接层对所述输入向量进行全连接编码以提取所述输入向量中各个位置的特征值的高维隐含特征。
5.根据权利要求4所述的基于物联网的智能家居控制方法，其中，将所述分类特征矩阵通过以各个控制情境模式为标签的分类器以获得分类结果，所述分类结果为最终适配的控制情境模式，包括：
使用所述分类器以如下公式对所述分类特征矩阵进行处理以获得所述分类特征矩阵分别归属于各个控制情境模式的概率值，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵；以及
将所述概率值中最大者对应的标签确定为所述分类结果。
6.一种基于物联网的智能家居控制系统，其特征在于，包括：
拓扑矩阵获取单元，用于获取部署于家中的多个智能家居设备之间的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；
逻辑关系矩阵获取单元，用于获取所述多个智能家居设备在预设时间段的合取矩阵和析取矩阵，其中，所述合取矩阵中各个位置的值为1表示对应两个智能家居设备同时开启或同时关闭，所述析取矩阵中各个位置的特征值为0表示对应两个智能家居设备不同时开启或关闭；
卷积单元，用于将所述拓扑矩阵获取单元获得的所述拓扑矩阵、所述逻辑关系矩阵获取单元获得的所述合取矩阵和所述逻辑关系矩阵获取单元获得的所述析取矩阵分别通过卷积神经网络以获得对应于所述拓扑矩阵的第一特征矩阵、对应于所述合取矩阵的第二特征矩阵和对应于所述析取矩阵的第三特征矩阵；
泊松分布单元，用于基于泊松分布的关联模型来融合所述卷积单元获得的所述第一特征矩阵、所述卷积单元获得的所述第二特征矩阵和所述卷积单元获得的所述第三特征矩阵以获得第四特征矩阵和第五特征矩阵，其中，所述第四特征矩阵为所述第一特征矩阵与所述第二特征矩阵的差分矩阵的倒数，所述第五特征矩阵为所述第一特征矩阵乘以单位矩阵与所述第二特征矩阵的差分矩阵再乘以单位矩阵与所述第二特征矩阵和所述第三特征矩阵之间的和矩阵之间的差分矩阵的倒数；
融合单元，用于融合所述泊松分布单元获得的所述第四特征矩阵和所述泊松分布单元获得的所述第五特征矩阵以获得拓扑特征矩阵；
用户行为数据获取单元，用于获取所述预设时间段内多个预定时间点的用户行为数据；
编码单元，用于将所述用户行为数据获取单元获得的所述多个预定时间点的用户行为数据通过包含嵌入层的基于上下文的编码器模型以获得多个行为特征向量，并将所述多个行为特征向量二维排列为行为特征矩阵；
图神经网络单元，用于将所述编码单元获得的所述行为特征矩阵和所述融合单元获得的所述拓扑特征矩阵输入图神经网络以获得拓扑行为特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来学习到包含不规则的拓扑信息和用户行为特征的特征分布表示；
近段时间数据获取单元，用于获取近段时间内多个时间点的用户行为数据；
时序编码单元，用于将所述近段时间数据获取单元获得的所述近段时间内多个时间点的用户行为数据通过包含一维卷积层和全连接层的时序编码器以获得待匹配行为特征向量；
映射单元，用于将所述时序编码单元获得的所述待匹配行为特征向量作为查询向量与所述图神经网络单元获得的所述拓扑行为特征矩阵进行矩阵相乘以获得分类特征矩阵；以及
分类单元，用于将所述映射单元获得的所述分类特征矩阵通过以各个控制情境模式为标签的分类器以获得分类结果，所述分类结果为最终适配的控制情境模式；
其中，所述泊松分布单元，包括：
基于泊松分布的关联模型以如下公式来融合所述第一特征矩阵、所述第二特征矩阵和所述第三特征矩阵以获得所述第四特征矩阵和所述第五特征矩阵，其中，所述公式为：
Figure FDA0003982999780000051
Figure FDA0003982999780000052
f1到f5分别是第一到第五特征矩阵的每个位置的特征值；
其中，所述融合单元，包括：将所述第四特征矩阵与所述第五特征矩阵进行矩阵相乘以获得所述拓扑特征矩阵。
7.根据权利要求6所述的基于物联网的智能家居控制系统，其中，所述卷积单元，进一步用于：
所述卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述第一特征矩阵、第二特征矩阵和所述第三特征矩阵，其中，所述卷积神经网络的第一层的输入为所述拓扑矩阵、所述合取矩阵或所述析取矩阵。
8.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-5中任一项所述的基于物联网的智能家居控制方法。
CN202210222289.6A 2022-03-09 2022-03-09 基于物联网的智能家居控制方法、系统和电子设备 Active CN114647198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210222289.6A CN114647198B (zh) 2022-03-09 2022-03-09 基于物联网的智能家居控制方法、系统和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210222289.6A CN114647198B (zh) 2022-03-09 2022-03-09 基于物联网的智能家居控制方法、系统和电子设备

Publications (2)

Publication Number Publication Date
CN114647198A CN114647198A (zh) 2022-06-21
CN114647198B true CN114647198B (zh) 2023-02-03

Family

ID=81993988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210222289.6A Active CN114647198B (zh) 2022-03-09 2022-03-09 基于物联网的智能家居控制方法、系统和电子设备

Country Status (1)

Country Link
CN (1) CN114647198B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115346345B (zh) * 2022-07-28 2023-06-06 福建省杭氟电子材料有限公司 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统
CN115693918B (zh) * 2022-09-07 2023-08-18 浙江心友机电设备安装有限公司 一种建筑综合智能用电系统及其方法
CN115470857B (zh) * 2022-09-16 2023-05-23 广东电网能源发展有限公司 变电站全景数字孪生系统及其方法
CN115328228B (zh) * 2022-10-13 2023-04-07 新乡市合力鑫电源有限公司 一种高频开关电源
CN115661759B (zh) * 2022-11-23 2024-03-08 山东宝能智维工业科技有限公司 井下设备的实时在线监控系统及其监控方法
CN115905980A (zh) * 2022-12-09 2023-04-04 马鞍山玖帆科技有限公司 用于风电能源的设备监测系统及其监测方法
CN115935261A (zh) * 2022-12-30 2023-04-07 马鞍山思凯科技有限公司 基于工业互联网的群体设备非绝对正向反馈方法
CN115834433B (zh) * 2023-02-17 2023-05-12 杭州沄涞科技有限公司 基于物联网技术的数据处理方法及系统
CN116130721B (zh) * 2023-04-11 2023-06-16 杭州鄂达精密机电科技有限公司 氢燃料电池的状态诊断系统及方法
CN117061322A (zh) * 2023-09-27 2023-11-14 广东云百科技有限公司 物联网流量池管理方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052246A (zh) * 2021-03-30 2021-06-29 北京百度网讯科技有限公司 用于训练分类模型及图像分类的方法和相关装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101093493B (zh) * 2006-06-23 2011-08-31 国际商业机器公司 数据库查询语言转换方法、转换装置
CN107045638B (zh) * 2016-12-30 2021-03-30 中国民航管理干部学院 一种基于情景意识模型的飞行安全事件分析方法
EP3467717A1 (en) * 2017-10-04 2019-04-10 Prowler.io Limited Machine learning system
CN108495331B (zh) * 2018-03-27 2021-09-17 南京邮电大学 一种基于特征矩阵的无线信道场景分类方法
CN108897791B (zh) * 2018-06-11 2021-09-03 云南师范大学 一种基于深度卷积特征和语义相似度量的图像检索方法
CN111856957A (zh) * 2020-07-27 2020-10-30 深圳市前海方睿科技有限公司 一种基于人工智能控制的操控平台
CN113053113A (zh) * 2021-03-11 2021-06-29 湖南交通职业技术学院 一种基于PSO-Welsch-Ridge的异常检测方法及装置
CN113328881B (zh) * 2021-05-26 2022-05-03 南京航空航天大学 一种面向非合作无线网络的拓扑感知方法及装置、系统
CN113947739A (zh) * 2021-10-15 2022-01-18 深圳市铠硕达科技有限公司 基于物联网的小区安全管理监控系统及其监控方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052246A (zh) * 2021-03-30 2021-06-29 北京百度网讯科技有限公司 用于训练分类模型及图像分类的方法和相关装置

Also Published As

Publication number Publication date
CN114647198A (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN114647198B (zh) 基于物联网的智能家居控制方法、系统和电子设备
CN109033068B (zh) 基于注意力机制的用于阅读理解的方法、装置和电子设备
US10824949B2 (en) Method and system for extracting information from graphs
Shanthamallu et al. A brief survey of machine learning methods and their sensor and IoT applications
CN115796173B (zh) 针对监管报送需求的数据处理方法和系统
CN111105029B (zh) 神经网络的生成方法、生成装置和电子设备
CN116415654A (zh) 一种数据处理方法及相关设备
US20090106734A1 (en) Bayesian belief network query tool
CN115783923B (zh) 基于大数据的电梯故障模式识别系统
CN112631139B (zh) 智能家居指令合理性实时检测系统及方法
CN114724386B (zh) 智慧交通下的短时交通流量预测方法、系统和电子设备
CN112528634A (zh) 文本纠错模型训练、识别方法、装置、设备及存储介质
CN115373813A (zh) 云计算环境中基于gpu虚拟化的调度方法、系统和电子设备
Frerix et al. Homogeneous linear inequality constraints for neural network activations
CN116095089B (zh) 遥感卫星数据处理方法及系统
CN116151845A (zh) 基于工业物联网技术的产品全生命周期管理系统及其方法
CN116151604A (zh) 一种web环境下办公系统流程分析系统及其方法
CN116028098A (zh) 用于非标企业的软件管理系统及方法
CN114884772A (zh) 裸机vxlan的部署方法、系统和电子设备
CN115878330A (zh) 线程的运行控制方法及其系统
CN116776872A (zh) 医疗数据结构化归档系统
CN117390192A (zh) 文本分类方法、装置、设备和计算机可读存储介质
CN114610488A (zh) 基于负载均衡的数据采集方法、系统和电子设备
CN114037648A (zh) 基于类Softmax函数信息熵的智能速率参数控制方法
CN112988964B (zh) 文本韵律边界预测的方法、装置、设备及存储介质

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