CN114967534A - 一种基于人工智能的百叶窗智能调控方法及系统 - Google Patents

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的百叶窗智能调控方法及系统，该方法首先获取实时室内照度传感器数据和人体接近传感器数据；根据人体接近传感数据得到目标触发次数；单位时间内的目标触发次数为百叶窗评价指标，根据百叶窗评价指标建立可调百叶窗集合；基于可调百叶窗集合，利用高斯混合函数根据百叶窗的调节高度、窗扇的倾斜角度和室内照度传感器数据建立室内照度关系模型；基于室内照度关系模型，根据实时室内照度传感器数据得到百叶窗的最佳调节高度和窗扇的倾斜角度。本发明利用混合高斯模型通过对百叶窗的调节高度和倾斜角度的调节建立室内照度关系模型，实现对百叶窗的智能控制，达到了对室内照度的准确调节。

Description

一种基于人工智能的百叶窗智能调控方法及系统

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的百叶窗智能调控方法及系统。

背景技术

随着传感器技术、网络传输技术和信息处理技术的飞跃发展，智慧家居理念开始走进人们的日常生产和生活，智能百叶窗系统应运而生。对于室内办公场所，室内的亮度、照度是保证办公室内工作人员环境舒适度的主要方法，智能百叶窗系统的照度调控的精确度的提高越来越重要。

目前，常用的对百叶窗进行智能调控的方法为，获取室内照度通过模糊算法调控百叶窗的窗扇的倾斜角度和调节高度，但通过模糊算法来进行智能调控会产生超调欠调以及稳态精度不高等问题，会影响照度调控的精确度。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的百叶窗智能调控方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的百叶窗智能调控方法，该方法包括以下步骤：

获取传感器数据，所述传感器数据包括实时室内照度传感器数据和人体接近传感器数据；

根据人体接近传感器的安装位置对所述人体接近传感器数据分配第一权重，所述第一权重和所述人体接近传感器数据加权求和得到目标触发次数；单位时间内的所述目标触发次数为百叶窗评价指标，根据各百叶窗对应的所述百叶窗评价指标建立可调百叶窗集合；

基于所述可调百叶窗集合，利用高斯混合函数根据百叶窗的调节高度、窗扇的倾斜角度和室内照度传感器数据建立室内照度关系模型；基于所述室内照度关系模型，根据所述实时室内照度传感器数据得到百叶窗的最佳调节高度和窗扇的倾斜角度。

优选的，所述单位时间内的所述目标触发次数为百叶窗评价指标，包括：

获取人体接近传感器的检测时间段；

所述目标触发次数和检测时间段的比值为百叶窗评价指标。

优选的，所述根据各百叶窗对应的所述百叶窗评价指标建立可调百叶窗集合，包括：

由所述百叶窗评价指标大于预设百叶窗评价指标阈值的百叶窗构建可调百叶窗集合。

优选的，所述利用高斯混合函数根据百叶窗的调节高度、窗扇的倾斜角度和室内照度传感器数据建立室内照度关系模型，包括：

其中，y(θ,D)为室内照度传感器数据；θ为窗扇的倾斜角度；D为百叶窗的下降高度；

为第一模型系数；

为第二模型系数；

为第三模型系数；

为第一模型偏置项；

为第二模型偏置项；μ_ρ为第三模型偏置项；

为第一模型指数因子；

为第二模型指数因子；γ_ρ为第三模型指数因子。

优选的，所述获取传感器数据之后，还包括：

在室内和室外放置多个照度检测传感器；

根据室外放置的照度检测传感器的室外照度数据得到预测照度传感器数据，每个室内的照度检测传感器对应一个预测照度传感器数据；所述预测照度传感器数据的均值为目标预测照度传感器数据；

比较所述目标预测照度传感器数据和实时室内照度传感器数据，保留符合条件的实时室内照度传感器数据。

优选的，所述人体接近传感器数据的获取方法为：利用人体接近传感器获取人体接近传感器数据，所述人体接近传感器每触发一次所述人体接近传感器数据的数值加1。

优选的，所述人体接近传感器的安装位置为：每个百叶窗的顶部和底部均安装一个人体接近传感器。

第二方面，本发明一个实施例提供了一种基于人工智能的百叶窗智能调控系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于人工智能的百叶窗智能调控方法。

本发明实施例至少具有如下有益效果：

本发明实施例利用人工智能，通过传感器获取当前照度数据，并提取办公室内实际场景的特征参数，通过人工智能方式对数据进行处理，通过百叶窗的不同的调节高度和窗扇的倾斜角度建立室内照度关系模型，以实现对百叶窗的智能控制。构建室内照度关系模型是基于百叶窗的调节高度和窗扇的倾斜角度协同分析，使得百叶窗的协同调控达到最佳状态，通过高斯混合模型建立室内照度关系模型有效获取窗户状态和室内照度之间的关联性，提高了室内照度计算的精度，避免了通过模糊算法调节百叶窗的窗扇的倾斜角度和调节高度极易产生欠调和稳态精度不高的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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它附图。

图1为本发明一个实施例所提供的一种基于人工智能的百叶窗智能调控方法的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的百叶窗智能调控方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明实施例提供了一种基于人工智能的百叶窗智能调控方法及系统的具体实施方法，该方法适用于百叶窗智能调控场景。在办公室室内安装有5个照度检测传感器，在百叶窗上安装有8个照度检测传感器，在办公室内每个百叶窗的顶部和底部分别安装有人体接近传感器。为了解决利用模糊算法调节百叶窗的窗扇的倾斜角度和调节高度极易产生欠调和稳态精度不高的问题。本发明实施例通过高斯混合模型建立室内照度关系模型有效获取窗户状态和室内照度之间的关联性，达到了提高室内照度计算的精度的目的。

下面结合附图具体的说明本发明所提供的一种基于人工智能的百叶窗智能调控方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的百叶窗智能调控方法及系统的步骤流程图，该方法包括以下步骤：

步骤S100，获取传感器数据，传感器数据包括实时室内照度传感器数据和人体接近传感器数据。

通过多个不同类型的传感器对办公室内外的环境参数进行采集，作为百叶窗智能控制数据。

在室内安装有5个照度检测传感器，用于实时采集办公室内的照度数据，同时在百叶窗玻璃窗面上安装8个照度检测传感器，用于实时采集办公室外的照度数据。同时在百叶窗上安装人体接近传感器，用于对百叶窗对应的办公室内的办公人员的实际状况进行检测，以检测百叶窗状态获取后续可调百叶窗集合。

在本发明实施例中每个百叶窗的顶部和底部均安装一个人体接近传感器，在其他实施例中实施者可根据实际情况调整人体接近传感器的具体安装位置以及数量。

常见的办公场景下办公室内照度范围通常为[300lux,800lux]，故本发明实施例中预设期望室内照度为Z＝500lux，用于作为后续步骤办公室内照度的调控基准。

获取的办公室外照度检测传感器的传感器数值向量记为

办公室内照度检测传感器的传感器数值向量记为

由于考虑到办公室内光照照度In与办公室外照度Out以及百叶窗的下降高度和窗扇的倾斜角度有关系，将基于百叶窗的下降高度和窗扇的倾斜角度对办公室内的照度情况进行分析调控。

在室内和室外放置多个照度检测传感器之后，根据室外放置的照度检测传感器的室外照度数据得到预测照度传感器数据，每个室内的照度检测传感器对应一个预测照度传感器数据，预测照度传感器数据的均值为目标预测照度传感器数据，比较目标预测照度传感器数据和实时室内照度传感器数据，保留符合条件的实时室内照度传感器数据。具体的：

将所有百叶窗均处于未下降状态作为初始状态。在初始状态下办公室内照度仅与办公室外照度有关，通过对历史采集到的室内外的照度数据进行拟合计算，得到百叶窗初始状态下办公室内5个照度检测传感器的预测照度传感器数据。即利用最小二乘法获取各个室内的照度检测传感器的权重行向量，结合多个权重行向量计算百叶窗处于全部开放状态下办公室内的预测照度传感器数据。

具体的：5个照度检测传感器的预测照度传感器数据为：

In′₁＝q₁·Out

In′₂＝q₂·Out

In′₃＝q₃·Out

In′₄＝q₄·Out

In′₅＝q₅·Out

其中，In′₁为第1个室内的照度检测传感器的预测照度传感器数据；In′₂为第2个室内的照度检测传感器的预测照度传感器数据；In′₃为第3个室内的照度检测传感器的预测照度传感器数据；In′₄为第4个室内的照度检测传感器的预测照度传感器数据；In′₅为第5个室内的照度检测传感器的预测照度传感器数据；Out为办公室外照度检测传感器的传感器数值向量；q₁为第1个室内的照度检测传感器的权值行向量；q₂为第2个室内的照度检测传感器的权值行向量；q₃为第3个室内的照度检测传感器的权值行向量；q₄为第4个室内的照度检测传感器的权值行向量；q₅为第5个室内的照度检测传感器的权值行向量。

需要说明的是，室内的五个照度检测传感器对应的预测照度传感器数据都是利用室外的照度检测传感器的传感器数值得到的，每个室内的照度检测传感器对应一个预测照度传感器数据。

计算五个室内的照度检测传感器对应的预测照度传感器数据的均值作为目标预测照度传感器数据y′。并计算五个室内的照度检测传感器的实时室内照度传感器数据的均值作为实际照度传感器数据y。

比较目标预测照度传感器数据y′和实际照度传感器数据y，得到实际采集数据和预测数据的差异性，当y≥0.85*y′时，认为室内的照度检测传感器采集的数据较为准确，可实现对办公室内照度的准确检测，故当y≥0.85*y′时再根据照度检测传感器的对办公室的百叶窗进行智能调控，也即保留符合y≥0.85*y′条件的实时室内照度传感器数据，达到了防止照度检测传感器检测不准确对后续百叶窗智能调控带来误差的问题。

当实际照度传感器数据y与预设期望室内照度Z的差值的绝对值小于等于预设照度差值时，认为办公室内的照度较为合适，不需要对办公室的百叶窗扇进行调节；当实际照度传感器数据y与预设期望室内照度Z的差值大于负的预设照度差值时，认为办公室内的照度较低，需要人为开启室内灯光辅助，以保证办公室内的工作环境；当实际照度传感器数据y与预设期望室内照度Z的差值大于预设照度差值时，认为办公室内的照度过高，可会对办公室内的办公人员的办公环境有所影响，故对百叶窗进行后续智能调控，以保证办公室内照度满足日常办公需求。在本发明实施例中预设照度差值为20，在其他实施例中实施者可根据实际情况对该取值进行调整。

步骤S200，根据人体接近传感器的安装位置对人体接近传感器数据分配第一权重，第一权重和人体接近传感器数据加权求和得到目标触发次数；单位时间内的目标触发次数为百叶窗评价指标，根据各百叶窗对应的百叶窗评价指标建立可调百叶窗集合。

当办公室内照度过高时，将会影响办公人员的办公环境，故进一步的对办公室的百叶窗进行智能调控。在进行智能调控之前，首先获取可以调控的百叶窗，即可调百叶窗。具体的：

对于办公室的每个百叶窗，在百叶窗的侧边顶部和底部位置均安装一个人体接近传感器，用于检测百叶窗附近是否有人经过及长停，人体接近传感器的类型多种多样，实施者可自行选取。

基于办公室内的百叶窗集合Q＝{Q₁,Q₂,…,Q_k}，其中，k为办公室内的百叶窗的数量，每个百叶窗对应的两个人体接近传感器的检测数据

作为人体接近传感器数据，其中，

代表第k个百叶窗的顶部的人体接近传感器的传感器数据，

代表第k个百叶窗的底部的人体接近传感器的传感器数据。当人体接近传感器触发时，设触发状态的传感器数据为1，当人体接近传感器检测到人体，且人体处于不移动状态时，传感器将持续保持触发状态，也即对应传感器检测状态量为1将维持一段时间，当未检测到人体时，传感器处于未触发状态，设未触发状态的传感器数据为0；设置人体接近传感器的检测时间段为：L₁～L₂。获取检测时间段下各百叶窗传感器的检测状态量，对办公室百叶窗状态信息进行提取。

获取检测时间段内办公室各百叶窗Q＝{Q₁,Q₂,…,Q_k}的传感器状态量，将检测时间段内百叶窗Q_k对应的人体接近传感器数据记为

人体接近传感器数据也百叶窗的触发状态信息，其中，

为检测时间段内百叶窗Q_k顶部的人体接近传感器的初始触发次数；

为检测时间段内百叶窗Q_k底部的人体接近传感器的初始触发次数，人体接近触发器每触发一次人体接近传感器的数值加1。

由于顶部和底部的人体接近传感器的灵敏度和准确度有所差异。故根据人体接近传感器的安装位置对人体接近传感器数据分配第一权重，由于底部的人体接近传感器的检测范围相对于顶部的人体接近传感器的检测范围要小，故底部的人体接近传感器的第一权重小于顶部的人体接近传感器的第一权重。在本发明实施例中底部的人体接近传感器的第一权重为0.35，顶部的人体接近传感器的第一权重为0.65。

第一权重和人体接近传感器数据加权求和得到目标触发次数，单位时间内的目标触发次数为百叶窗评价指标，具体的：获取人体接近传感器的检测时间段，目标触发次数和检测时间段的比值为百叶窗评价指标。

由百叶窗评价指标大于预设百叶窗评价指标阈值对应的百叶窗构建可调百叶窗集合，预设百叶窗评价指标阈值可由实施者根据实际情况进行设定。

该百叶窗评价指标越大，百叶窗可调的惩罚越大，也即调控该百叶窗对室内办公人员的影响会较大，通过百叶窗评价指标的获取可以实现对办公室的百叶窗状态的检测，识别百叶窗的可调程度，当办公室内的位置部署发生变化时，同样可基于办公室内的人员实时状况获取可调百叶窗集合，不用再考虑办公室的具体布局。

步骤S300，基于可调百叶窗集合，利用高斯混合函数根据百叶窗的调节高度、窗扇的倾斜角度和室内照度传感器数据建立室内照度关系模型；基于室内照度关系模型，根据实时室内照度传感器数据得到百叶窗的最佳调节高度和窗扇的倾斜角度。

对百叶窗进行智能调节是基于百叶窗扇的倾斜角度以及百叶窗下降高度进行协同分析，以使得窗户的协同调控达到最佳状态，利用高斯汉和模型对办公室内照度进行准确计算，可有效获取窗户状态与室内照度之间的关联性，提高室内照度计算的精度。

基于可调百叶窗集合，建立百叶窗智能调控模型，将可调百叶窗的初始下降高度定义为零，为调节室内照度，设置每次百叶窗扇的调节高度20cm，即在百叶窗智能调节过程中，每次调节百叶窗均上升或者下降20cm。在本发明时候思路中设置每个百叶窗的百叶窗扇扇叶倾斜角度可以为±80°、±65°、±50°、±35°、±20°、0°，从室内看，百叶窗扇朝上为角度为正，朝下角度为负。每个调节高度下均可以得到11个室内照度数据，即同一高度可以调节扇窗扇的倾斜角度为11种。在本发明实施例中定义百叶窗扇的调节高度共有9种，设置为20cm、40cm、…、180cm。利用高斯混合函数根据百叶窗的调节高度、窗扇的倾斜角度和室内照度传感器数据建立百叶窗角度与室内照度的关系模型，该关系模型为室内照度关系模型。

基于高斯混合函数建立室内照度关系模型，具体的：

首先建立基础关系模型y(θ)：

其中，θ为窗扇的倾斜角度；

为第i个子高斯函数的幅值；

为第i个子高斯模型的数据均值；ρ_i为第i个子高斯模型的峰间宽度；n为波峰的数量，也即子高斯模型的数量。

由于百叶窗的窗扇的倾斜角度和调节高度是协同调控的，故基础关系模型中的参数值

ρ_i与百叶窗调节高度相关联，基于百叶窗调节高度对参数值

ρ_i进行分析计算，并构建参数分析模型：

其中，

为第一模型系数；

为第二模型系数；

为第三模型系数；

为第一模型偏置项；

为第二模型偏置项；μ_ρ为第三模型偏置项；

为第一模型指数因子；

为第二模型指数因子；γ_ρ为第三模型指数因子。需要说明的是，各模型系数、各模型偏置项和各模型指数因子可根据多组实际数据进行计算获取。

将参数分析模型代入建立基础关系模型y(θ)，得到室内照度关系模型y(θ,D)。

其中，θ为窗扇的倾斜角度；D为百叶窗的下降高度；

为第一模型系数；

为第二模型系数；

为第三模型系数；

为第一模型偏置项；

为第二模型偏置项；μ_ρ为第三模型偏置项；

为第一模型指数因子；

为第二模型指数因子；γ_ρ为第三模型指数因子。

该室内照度关系模型是仅针对与单个百叶窗对应的室内照度情况和调节情况得到的，基于各百叶窗对应的照度情况对室内整体照度进行分析，室内的整体照度关系模型为：

其中h为可调百叶窗的数量；y′(θ,D)为办公室内的整体照度。

根据该整体照度关系模型对办公室百叶窗进行调控，建立目标函数模型：

-20≤y′(θ,D)-Z≤20，θ≤80°，D≤180cm

其中，y′(θ,D)为室内的整体照度；Z为预设期望室内照度；θ为窗扇的倾斜角度；D为百叶窗的调节高度。在本发明实施例中预设期望室内照度的取值为500lux，在其他实施例中实施者可根据实际情况调整该取值。

通过最优化算法对目标函数进行处理，以获取可调百叶窗所对应的最佳调节高度和倾斜角度，即根据实时室内传感器数据得到的整体照度实现对百叶窗的状态参数的控制。需要说明的是，目标函数可以保证整体照度和预设期望室内照度的差值最小，也可以是保证整体照度和预设期望室内照度的差值在可允许范围内。

即完成了基于办公室内外的照度状况以及预设期望室内照度对办公室内的照度进行分析，针对不同的实际情况对室内可调控百叶窗进行智能控制。

进一步的，考虑到当窗户进行调节控制时会产生噪声，若窗户调控频率过高则会影响室内办公人员的工作效率，故对办公室可调窗户的调控时段进行设定。在本发明实施例中调控时段设置为1h，即每隔一小时进行一次数据采集，将各传感器采集的数据送入云端服务器进行数据处理，各服务器之间进行协同处理，提高系统的处理速度降低系统响应时间。

综上所述，本发明实施例利用人工智能技术，获取传感器数据，传感器数据包括实时室内照度传感器数据和人体接近传感器数据；根据人体接近传感器的安装位置对人体接近传感器数据分配第一权重，第一权重和人体接近传感器数据加权求和得到目标触发次数；单位时间内的目标触发次数为百叶窗评价指标，根据百叶窗评价指标建立可调百叶窗集合；基于可调百叶窗集合，利用高斯混合函数根据百叶窗的调节高度、窗扇的倾斜角度和室内照度传感器数据建立室内照度关系模型；基于室内照度关系模型，根据实时室内照度传感器数据得到百叶窗的最佳调节高度和窗扇的倾斜角度。本发明通过传感器获取当前照度数据，并提取办公室内实际场景的特征参数，通过人工智能方式对数据进行处理，通过百叶窗的不同的调节高度和窗扇的倾斜角度建立室内照度关系模型，以实现对百叶窗的智能控制，达到了对室内照度的准确调节。

本发明实施例还提出了一种基于人工智能的百叶窗智能调控系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。由于一种基于人工智能的百叶窗智能调控方法在上述给出了详细描述，不再赘述。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于人工智能的百叶窗智能调控方法，其特征在于，该方法包括以下步骤：

获取传感器数据，所述传感器数据包括实时室内照度传感器数据和人体接近传感器数据；

根据人体接近传感器的安装位置对所述人体接近传感器数据分配第一权重，所述第一权重和所述人体接近传感器数据加权求和得到目标触发次数；单位时间内的所述目标触发次数为百叶窗评价指标，根据各百叶窗对应的所述百叶窗评价指标建立可调百叶窗集合；

基于所述可调百叶窗集合，利用高斯混合函数根据百叶窗的调节高度、窗扇的倾斜角度和室内照度传感器数据建立室内照度关系模型；基于所述室内照度关系模型，根据所述实时室内照度传感器数据得到百叶窗的最佳调节高度和窗扇的倾斜角度。

2.根据权利要求1所述的一种基于人工智能的百叶窗智能调控方法，其特征在于，所述单位时间内的所述目标触发次数为百叶窗评价指标，包括：

获取人体接近传感器的检测时间段；

所述目标触发次数和检测时间段的比值为百叶窗评价指标。

3.根据权利要求1所述的一种基于人工智能的百叶窗智能调控方法，其特征在于，所述根据各百叶窗对应的所述百叶窗评价指标建立可调百叶窗集合，包括：

由所述百叶窗评价指标大于预设百叶窗评价指标阈值的百叶窗构建可调百叶窗集合。

4.根据权利要求1所述的一种基于人工智能的百叶窗智能调控方法，其特征在于，所述利用高斯混合函数根据百叶窗的调节高度、窗扇的倾斜角度和室内照度传感器数据建立室内照度关系模型，包括：

其中，y(θ,D)为室内照度传感器数据；θ为窗扇的倾斜角度；D为百叶窗的下降高度；

为第一模型系数；

为第二模型系数；

为第三模型系数；

为第一模型偏置项；

为第二模型偏置项；μ_ρ为第三模型偏置项；

为第一模型指数因子；

为第二模型指数因子；γ_ρ为第三模型指数因子。

5.根据权利要求1所述的一种基于人工智能的百叶窗智能调控方法，其特征在于，所述获取传感器数据之后，还包括：

在室内和室外放置多个照度检测传感器；

根据室外放置的照度检测传感器的室外照度数据得到预测照度传感器数据，每个室内的照度检测传感器对应一个预测照度传感器数据；所述预测照度传感器数据的均值为目标预测照度传感器数据；

比较所述目标预测照度传感器数据和实时室内照度传感器数据，保留符合条件的实时室内照度传感器数据。

6.根据权利要求1所述的一种基于人工智能的百叶窗智能调控方法，其特征在于，所述人体接近传感器数据的获取方法为：利用人体接近传感器获取人体接近传感器数据，所述人体接近传感器每触发一次所述人体接近传感器数据的数值加1。

7.根据权利要求1所述的一种基于人工智能的百叶窗智能调控方法，其特征在于，所述人体接近传感器的安装位置为：每个百叶窗的顶部和底部均安装一个人体接近传感器。

8.一种基于人工智能的百叶窗智能调控系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～7任意一项所述方法的步骤。

Images