CN115220361A - 基于深度学习的智能家居服务管控方法 - Google Patents
基于深度学习的智能家居服务管控方法 Download PDFInfo
- Publication number
- CN115220361A CN115220361A CN202210921039.1A CN202210921039A CN115220361A CN 115220361 A CN115220361 A CN 115220361A CN 202210921039 A CN202210921039 A CN 202210921039A CN 115220361 A CN115220361 A CN 115220361A
- Authority
- CN
- China
- Prior art keywords
- service
- intelligent home
- environment
- value
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 28
- 230000001105 regulatory effect Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 61
- 230000007613 environmental effect Effects 0.000 claims description 52
- 230000000694 effects Effects 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 25
- 210000002569 neuron Anatomy 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 230000002829 reductive effect Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 8
- 230000036961 partial effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000000670 limiting effect Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 101150117787 outL gene Proteins 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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], 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]
Abstract
本发明涉及一种基于深度学习的智能家居服务管控方法，包括：通过知识图谱概念模型抽象出智能家居场景中的对象和关系，然后根据设定的运行时的推理规则及执行方法，构建出智能家居情境感知运行时知识图谱，模拟智能家居服务日常过程中的调控逻辑；构建基于深度学习的智能家居服务预测模型，使智能家居服务预测模型可根据实时场景自动决策出需要进行调控的设备并预测调控后的状态；然后借助运行时知识谱图对智能家居设备进行状态控制。该方法有利于提高智能家居服务的管控正确率。
Description
技术领域
本发明属于移动边缘计算技术领域，具体涉及一种基于深度学习的智能家居服务管控方法。
背景技术
近些年来，受到移动互联网快速发展以及智能设备迅速普及的影响，“智能化”的概念深入人心，其相关产品受到越来越多消费者的追捧。作为以物联网技术为核心，在人们日常生活中广泛分布的一个重要应用，智能家居受到了各方关注。常见的智能家居广泛应用于别墅、套房、民居等建筑，采用了物联网等技术，连接家居环境中的各种智能设备，对设备进行统一的资源管控，并提供环境监测、环境调节、同步控制、安全监控等家居智能服务。其中，根据服务对象所处具体场景的变化为其提供准确的温度湿度等环境因素调控的智能服务，是智能家居应用的核心代表。
但是，目前智能家居的发展与用户的预期并不匹配性，一个重要原因在于智能家居产品制造的分散性与离散性，相互独立的硬件设备和功能加深了用户对于场景切身感知的难度。另一个重要原因是智能家居服务的具体需求不确定性，用户在不同场景下对环境需求的存在差异。大量差异的智能设备需要相互协同、用户需求多变、智能家居位置布控的不确定性以及用户所处环境的变化性，这些因素都加大了智能家居的开发难度，延缓了智能家居发展的步伐。
理想的智能家居服务管控技术应该能够快速适应特定的用户环境，根据用户需求进行定制，充分整合用户环境中的设备资源，能够在不打扰用户、不被用户察觉的前提下对环境中的智能设备进行状态调控，将用户从繁琐的手动设备控制中解放出来，并且保证一定的设备调控准确率。此外，一个良好的智能家居服务管控技术还要在此基础上挖掘出用户的行为习惯和兴趣喜好，以及用户对环境因素的大致需求，最终达到一定的人性化、智能化和透明化。
发明内容
本发明的目的在于提供一种基于深度学习的智能家居服务管控方法，该方法有利于提高智能家居服务的管控正确率。
为实现上述目的，本发明采用的技术方案是：一种基于深度学习的智能家居服务管控方法，包括：
通过知识图谱概念模型抽象出智能家居场景中的对象和关系，然后根据设定的运行时的推理规则及执行方法，构建出智能家居情境感知运行时知识图谱，模拟智能家居服务日常过程中的调控逻辑；
构建基于深度学习的智能家居服务预测模型，使智能家居服务预测模型可根据实时场景自动决策出需要进行调控的设备并预测调控后的状态；然后借助运行时知识谱图对智能家居设备进行状态控制。
进一步地，构建智能家居情境感知运行时知识图谱，包括：使用知识图谱概念模型抽取场景服务中的对象和关系，并描述类的属性及关系实例的构建规则；以及在知识图谱的基础上，采用设定的运行时的推理规则及执行方法进行知识推理，描述智能家居的管控过程，构建出运行时知识图谱。
进一步地，所述知识图谱概念模型使用用户User、位置Location、环境Context、设备Device和服务Service五个概念来表示场景感知，抽象用户场景的关系概念；其中，位置Location用于表示用户场景所处的具体区域，其概念属性为<location>，其中location表示区域名称；用户User用于表示用户，其概念属性为<name,location>，其中name表示用户名称，location表示用户所处的区域名称；环境Context用于表示用户处于某个区域对于某种环境因素的需求，其概念属性为<location,type,value,min,max>，其中type表示环境因素类型，value表示此时此刻该环境因素的值，min表示用户对该环境因素可以接受的最小值，max表示用户对该环境因素可以接受的最大值；设备Device表示处于环境中的具体设备，其概念属性为<location,did,type-effect>，其中location表示设备所处的区域名称，did表示设备号，type-effect表示该设备可以控制的环境因素及其控制的效果；服务Service表示设备提供的改变某个区域某种环境因素的服务，其概念属性为<location,did,type,state,effect>，其中location表示服务管辖的区域名称，did表述服务执行过程中需要调用设备的设备号，type表示服务改变的环境因素类型，effect表示服务对环境因素的影响效果，属性state表示服务目前的状态；
所述知识图谱概念模型还定义实体之间提高、减少、提供、位于、感知关系；其中，
表示环境、设备、服务位于某个区域；
表示设备D为服务S提供服务，即设备D产生服务S；
表示服务S对环境C中的某种环境因素进行观察；
表示服务S对环境C中的某个环境值进行增加；
表示服务S对环境C中的某个环境值进行减少；
的前置条件为X.location＝L.location，表示环境、设备、服务的location属性值与位置L的相同；
无前置条件，表示设备的属性值是预设好的；
的前置条件为S.location＝C.location&S.type＝C.type&S.effect＝“Monitor”，表示当服务S的location、type属性值均与环境C的相同且服务S的effect属性值为“Monitor”时，二者构成Monitor关系实例；
的前置条件为S.location＝C.location&S.type＝C.type&S.effect＝“Increase”，表示当服务S的location、type属性值均与环境C的相同且服务S的effect属性值为“Increase”时，二者构成Increase关系实例；
的前置条件为S.location＝C.location&S.type＝C.type&S.effect＝“Reduce”，表示当服务S的location、type属性值均与设备C的相同且服务S的effect属性值为“Reduce”时，二者构成Reduce关系实例；
当两个概念实例的属性值满足相应的前置条件时，将这两个概念对象联系起来，构建二者之间的关系实例。
进一步地，知识图谱的模型操作逻辑为：
1)设备Device通过场景中的智能设备进行属性初始化，包括位置、功能、设备的赋值；
2)通过需求自定义初始化用户User，根据实际用户场景产生位置Location；
3)通过设备Device提供的功能初始化服务Service；
4)服务Service调用设备Device感知场景环境，获取环境因素；
6)将各个环境因素作为输入值，经过基于深度学习的服务预测模型计算出场景中正确的服务状态；
7)服务Service借助设备Device提供的功能实现场景中环境Context的调控；
8)服务重新感知场景环境，回到步骤4，重新一轮新的智能家居管控。
进一步地，运行时的推理规则包括：
在关系实例的基础上，Rule-1表示如果存在服务S和环境C是Monitor关系且环境C的value属性值在合理范围内，则对应的服务处于关闭状态；Rule-2表示如果存在服务S和环境C是Increase关系且出现了环境C的value属性值小于要求值，则服务S处于开启状态，服务对环境因素的调控效果为增加；Rule-3表示如果存在服务S和环境C是Reduce关系且出现了环境C的value属性值大于要求值，则服务S处于开启状态，服务对环境因素的调控效果为减少；
服务S的各个属性值初始化由对应的设备D完成，设备D的各个属性值来自原场景中的智能设备；通过知识推理，将知识图谱概念模型转变为运行时的知识图谱。
进一步地，所述智能家居服务预测模型的输入数据的参数变量由用户场景感知的环境因素值构成，即某个时刻用户处于某个区域中的所有环境因素值；输入数据参数个数为n个，取决于纳入考虑的环境因素种类个数，表示为：
Ti＝{c1,c2,c3,c4...cn}
其中cn表示第n种环境因素；
所述智能家居服务预测模型的输出数据的参数变量由服务状态和调用服务改变后的环境因素值构成，输出参数个数取决于输入数据Ti的参数个数，具体个数为输入参数个数的两倍，表示为：
Ri＝{s1,v1,s2,v2,s3,v3,s4,v4...sn,vn}
其中s表示管控场景某种环境因素的服务所处状态，v表示使用服务调整后的状态值；s1和v1合起来表示对一种环境因素的管控；状态的输出值为1表示对应的服务状态为开启，0则表示对应的服务状态为关闭。
进一步地，采用特征缩放的方式处理输入变量和输出变量的环境因素状态值，将数据大小收缩到[0,1]；将全部数据集的80％作为训练集，20％作为测试集。
进一步地，所述智能家居服务预测模型采用多隐层神经网络结构，包括输入层Lin，三个全连接隐层L1、L2、L3以及输出层Lout；所述智能家居服务预测模型从输入层到输出层的各层神经元个数依次是4、64、128、200、8；数据从Lin层进入，经过L1、L2、L3中的参数矩阵和偏移向量前向传播计算，最终将Lout层计算结果与真实值进行损失函数计算，通过损失值逆向反馈以一定学习率调整各层的参数矩阵和偏移向量；经过多次迭代，使模型尽可能拟合智能家居管控函数；
所述智能家居服务预测模型使用Leaky Relu函数作为激活函数，其公式如下：
其中ai为设定的参数；
所述智能家居服务预测模型在各个隐层之间添加dropout弃权，通过保留部分权重的方法，降低过拟合的风险；在每个训练batch中，将一定比例的隐层节点值置为0，减少各隐层之间的相互作用，避免过拟合现象；
所述智能家居服务预测模型在输出层使用L2正则化，用于控制模型复杂度，对抗过拟合，使模型达到更优效果；通过对某些参与损失函数计算的因素进行限制，减少模型的整体复杂度，使模型在性能上得到优化；
所述智能家居服务预测模型采用Adam算法进行优化，其公式如下：
νt＝βνt-1+(1-β)θt
其中vt表示t步的平均移动步长，β为系数，θt为单次计算中的实际移动步长；
所述智能家居服务预测模型使用均方误差函数作为损失函数，其公式如下：
其中yi表示目标值，f(xi)表示输入变量xi经过神经网络模型获得的计算值，结果进行均方求平均；
所述智能家居服务预测模型采用accuracy和loss两类指标用来评测模型经过训练后的预测效果；第一类指标包括accuracy和val_accuracy两个，前者表示模型的训练集准确率，后者表示模型的测试集准确率；第二类指标来自损失函数的计算，包括loss和val_loss两个，前者表示模型训练集的损失值，后者表示模型测试集的损失值；accuracy本身表示正确的判定结果占全部判定结果的比例，其计算公式如下：
其中TP、TN、FP、FN分别表示真阳性、真阴性、假阳性、假阴性。
进一步地，采用自编码器对所述智能家居服务预测模型进行无监督预训练，使模型提前快速学习数据特征；预训练只针对隐层L1和隐层L2两个隐层；预训练过程如下：
A1)原始训练集的输入集首先进行数据收缩，将全部的值收缩到[0,1]；并随机打乱顺序，构成自编码器的输入集S，同时也是自编码器的输出集；
A2)使用正态分布初始化权重矩阵W1'和W'a1，使得
都有w～N(0,0.1)，
都有w～N(0,0.1)；
A3)初始化偏移向量B'1和B'a1，全部设为0；
A4)随机抽取64条的数据作为一个batch，作为一次训练的数据集大小；
A5)计算L'1＝Relu(L'in*W1'+B'1)；
A6)随机挑选20％L'1层神经元的输出，将其值重新置为0，模拟dropout的过程；
A7)计算L'out＝Relu(L'1*W'a1+B'a1)；
A8)用L'in和L'out分别代替xi和yi，计算出损失值MSE；
A9)根据损失值MSE对变量求偏导的结果，沿梯度下降反向调节W1'、W'a1、B'1和B'a1，完成一次训练，总的数据集训练完计一次迭代，总共进行10次迭代；
通过预训练，将训练好的W1'和B'1迁移到所述智能家居服务预测模型的W1和B1上进行初始化，按照类似的自编码器训练好W2'和B'2并迁移到模型的W2和B2进行初始化，至此完成模型的预训练工作。
进一步地，所述智能家居服务预测模型的输入层Lin具有4个神经元，使用4维向量
表示，按照数据收缩的方法将本身数据收缩到[0,1]；隐层L1由64个神经元构成，用64维的向量
表示；隐层Lin和L1之间采用全连接的结构，连接的权重矩阵W1定义为：
L1层神经元的偏移向量B1同为64维向量，表示为
通过一层一层的计算得出最终的Lout，并根据均方误差函数计算出整体的损失值，通过对损失值变量求偏导进行反向参数调节；经过多次迭代后形成预测智能设备状态的智能家居服务预测模型；整体模型训练过程如下：
B1)对输入输出数据集进行特征缩放，收缩到[0,1]，并随机打乱；
B2)使用预训练出来的W1'、B'1、W2'、B'2分别对网络隐层L1和L2中的W1、B1、W2、B2进行初始化；
B3)使用正态分布的方法初始化权重矩阵W3和W4，使得
都有w～N(0,0.1)，
都有w～N(0,0.1)；
B4)初始化偏移向量B3和B4，全部设为0；
B5)随机抽取64条的数据作为一个batch，作为一次训练的数据集的大小；
B6)计算L1＝Relu(Lin*W1+B1)；
B7)随机挑选20％L1层神经元的输出，将其置为0，模拟dropout的过程；
B8)同理计算L2、L3和输出层Lout；
B9)用Lin和Lout分别代替xi和yi，计算出损失值MSE；
B10)根据损失值MSE对各个变量求偏导，沿梯度下降反向调节所有权重和偏移，总的数据集完计一次迭代，总共进行100次迭代；
在经过整体训练之后，所述智能家居服务预测模型即可根据实时场景自动决策出需要进行调控的设备及调控后的状态，并借助运行时的知识图谱对设备进行管控。
与现有技术相比，本发明具有以下有益效果：提供了一种基于深度学习的智能家居服务管控方法，该方法通过构建运行时知识图谱，可以适应不同用户的个性化需求，根据具体用户场景快速定制，简化了智能设备的控制流程，实现了底层设备的实时通讯和数据同步。同时，基于深度学习搭建智能家居服务预测模型能够挖掘出用户需求，根据用户场景的变化以较高正确率预测服务状态，并借助运行时的知识图谱进行智能化管控。实验结果表明，该模型针对设备状态因场景变化需要变更的调控正确率达到了75.0％，在针对场景变化未引起设备状态变更的调控正确率更是接近88.0％，达到了用户可以普遍接受的水平。
附图说明
图1是本发明实施例的方法实现架构图；
图2是本发明实施例中智能家居仿真环境知识图谱概念模型结构图；
图3是本发明实施例中输入数据和输出数据的数据样本结构；
图4是本发明实施例中自编码器网络结构图；
图5是本发明实施例中智能家居服务预测模型结构图；
图6是本发明实施例中智能家居场景示例图；
图7是本发明实施例中智能家居知识图谱概念实例；
图8是本发明实施例中智能家居实例部分知识图谱模型图；
图9是本发明实施例中准确率-迭代次数关系曲线图；
图10是本发明实施例中损失值-迭代次数关系曲线图；
图11是本发明实施例中少量数据集下模型准确率-迭代次数关系曲线图；
图12是本发明实施例中不同数据集下模型的准确度和损失值曲线图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供了一种基于深度学习的智能家居服务管控方法，包括：
1、通过知识图谱概念模型抽象出智能家居场景中的对象和关系，然后根据设定的运行时的推理规则及执行方法，构建出智能家居情境感知运行时知识图谱，模拟智能家居服务日常过程中的调控逻辑；
2、构建基于深度学习的智能家居服务预测模型，使智能家居服务预测模型可根据实时场景自动决策出需要进行调控的设备并预测调控后的状态；然后借助运行时知识谱图对智能家居设备进行状态控制。
基于本方法实现的智能家居服务管控技术的整体架构如图1所示，主要包含了底层智能设备、运行时知识图谱、基于深度学习的智能家居服务预测模型三个部分组成。其中运行时知识图谱来自与对用户场景中的概念抽象，其概念device来自于场景中的智能设备，location来自于用户场景，user来自于场景中的用户。在此基础上，由设备功能状况提供对应的服务，即生成了service概念，通过调用服务感知场景中的环境因素形成了context。运行时知识图谱由知识图谱通过一定推理规则形成，起到了沟通底层设备和上层控制的作用，简化了整个智能家居设备集的控制流程。而基于深度学习的智能家居服务预测模型在通过仿真数据集进行训练之后，具有根据场景环境预测服务状态的能力。运行时知识图谱通过设备提供的服务感知环境，并将场景环境信息作为服务预测模型的输入值，借此预测服务的正确状态，并反过来借助服务调用底层设备，实现对用户场景环境的修改。
1、智能家居情境感知运行时知识图谱
在本实施例中，构建智能家居情境感知运行时知识图谱，包括：使用知识图谱概念模型抽取场景服务中的对象和关系，并描述类的属性及关系实例的构建规则；以及在知识图谱的基础上，采用设定的运行时的推理规则及执行方法进行知识推理，描述智能家居的管控过程，构建出运行时知识图谱。
所述知识图谱概念模型使用用户User、位置Location、环境Context、设备Device和服务Service五个概念来表示场景感知，抽象用户场景的关系概念；其中，位置Location用于表示用户场景所处的具体区域，其概念属性为<location>，其中location表示区域名称；用户User用于表示用户，其概念属性为<name,location>，其中name表示用户名称，location表示用户所处的区域名称；环境Context用于表示用户处于某个区域对于某种环境因素的需求，其概念属性为<location,type,value,min,max>，其中type表示环境因素类型，value表示此时此刻该环境因素的值，min表示用户对该环境因素可以接受的最小值，max表示用户对该环境因素可以接受的最大值；设备Device表示处于环境中的具体设备，其概念属性为<location,did,type-effect>，其中location表示设备所处的区域名称，did表示设备号，type-effect表示该设备可以控制的环境因素及其控制的效果；服务Service表示设备提供的改变某个区域某种环境因素的服务，其概念属性为<location,did,type,state,effect>，其中location表示服务管辖的区域名称，did表述服务执行过程中需要调用设备的设备号，type表示服务改变的环境因素类型，effect表示服务对环境因素的影响效果，属性state表示服务目前的状态。
如图2所示，所述知识图谱概念模型还定义了实体之间提高、减少、提供、位于、感知关系；其中，
表示环境、设备、服务位于某个区域；
表示设备D为服务S提供服务，即设备D产生服务S；
表示服务S对环境C中的某种环境因素进行观察；
表示服务S对环境C中的某个环境值进行增加；
表示服务S对环境C中的某个环境值进行减少；
的前置条件为X.location＝L.location，表示环境、设备、服务的location属性值与位置L的相同；
无前置条件，表示设备的属性值是预设好的；
的前置条件为S.location＝C.location&S.type＝C.type&S.effect＝“Monitor”，表示当服务S的location、type属性值均与环境C的相同且服务S的effect属性值为“Monitor”时，二者构成Monitor关系实例；
的前置条件为S.location＝C.location&S.type＝C.type&S.effect＝“Increase”，表示当服务S的location、type属性值均与环境C的相同且服务S的effect属性值为“Increase”时，二者构成Increase关系实例；
的前置条件为S.location＝C.location&S.type＝C.type&S.effect＝“Reduce”，表示当服务S的location、type属性值均与设备C的相同且服务S的effect属性值为“Reduce”时，二者构成Reduce关系实例。
当两个概念实例的属性值满足相应的前置条件时，将这两个概念对象联系起来，构建二者之间的关系实例。
在本实施例中，知识图谱的模型操作逻辑为：
1)设备Device通过场景中的智能设备进行属性初始化，包括位置、功能、设备的赋值；
2)通过需求自定义初始化用户User，根据实际用户场景产生位置Location；
3)通过设备Device提供的功能初始化服务Service；
4)服务Service调用设备Device感知场景环境，获取环境因素；
6)将各个环境因素作为输入值，经过基于深度学习的服务预测模型计算出场景中正确的服务状态；
7)服务Service借助设备Device提供的功能实现场景中环境Context的调控；
8)服务重新感知场景环境，回到步骤4，重新一轮新的智能家居管控。
智能家居场景具体服务的执行过程，是建立在对应的知识图谱概念模型的基础上，通过一定的推理规则和约束，以知识推理的手段，推理决策出场景环境变化时需要执行的设备功能，以形成运行时的知识图谱。运行时的推理规则包括：
上述三条核心推理规则是推理过程常用到的。在关系实例的基础上，Rule-1表示如果存在服务S和环境C是Monitor关系且环境C的value属性值在合理范围内，则对应的服务处于关闭状态；Rule-2表示如果存在服务S和环境C是Increase关系且出现了环境C的value属性值小于要求值，则服务S处于开启状态，服务对环境因素的调控效果为增加；Rule-3表示如果存在服务S和环境C是Reduce关系且出现了环境C的value属性值大于要求值，则服务S处于开启状态，服务对环境因素的调控效果为减少。
服务S的各个属性值初始化由对应的设备D完成，设备D的各个属性值来自原场景中的智能设备；通过知识推理，将知识图谱概念模型转变为运行时的知识图谱。
2、基于深度学习的智能家居服务预测模型
图3示出了输入数据和输出数据的数据样本结构。所述智能家居服务预测模型的输入数据的参数变量由用户场景感知的环境因素值构成，即某个时刻用户处于某个区域中的所有环境因素值；输入数据参数个数为n个，取决于纳入考虑的环境因素种类个数，表示为：
Ti＝{c1,c2,c3,c4...cn} (1)
其中cn表示第n种环境因素。本实施例考虑的环境因素个数为4维，包括温度、湿度、光照、PM2.5四个日常生活中常见的环境因素。
所述智能家居服务预测模型的输出数据的参数变量由服务状态和调用服务改变后的环境因素值构成，输出参数个数取决于输入数据Ti的参数个数，具体个数为输入参数个数的两倍，表示为：
Ri＝{s1,v1,s2,v2,s3,v3,s4,v4...sn,vn} (2)
其中s表示管控场景某种环境因素的服务所处状态，v表示使用服务调整后的状态值；s1和v1合起来表示对一种环境因素的管控；状态的输出值为1表示对应的服务状态为开启，0则表示对应的服务状态为关闭。
当数据集特征值差异过大时，此时梯度下降的过程会变得缓慢且不稳定。这个时候就需要将所有特征值量化到统一的区间。特征缩放主要是为了将独立变量集或数据特征向量的取值限定在一定的范围内，常常在数据预处理阶段使用。本方法采用的特征缩放方法为Standardization，具体缩放公式为：
采用特征缩放的方式处理输入变量和输出变量的环境因素状态值，将数据大小收缩到[0,1]；将全部数据集的80％作为训练集，20％作为测试集。
基于输入输出数据的样本结构，本方法设计了一种基于深度学习的智能家居服务预测模型。所述智能家居服务预测模型采用多隐层神经网络结构，包括输入层Lin，三个全连接隐层L1、L2、L3以及输出层Lout；所述智能家居服务预测模型从输入层到输出层的各层神经元个数依次是4、64、128、200、8；数据从Lin层进入，经过L1、L2、L3中的参数矩阵和偏移向量前向传播计算，最终将Lout层计算结果与真实值进行损失函数计算，通过损失值逆向反馈以一定学习率调整各层的参数矩阵和偏移向量；经过多次迭代，使模型尽可能拟合智能家居管控函数。
所述智能家居服务预测模型使用Leaky Relu函数作为激活函数，相较于传统的sigmoid/tanh激活函数，Leaky Relu函数具有收敛更快的优点，计算更加简单有效，不会出现过拟合现象，并在Relu函数的基础上进行了优化。其公式如下：
其中ai为设定的参数。
由于模型是基于多隐层前馈神经网络，各隐层之间存在大量待训练的权重和偏移，在梯度下降过程中容易因为参数调整幅度过小产生“过拟合”现象，导致模型训练结果的意义性降低。因此，所述智能家居服务预测模型在各个隐层之间添加dropout弃权，通过保留部分权重的方法，降低过拟合的风险；在每个训练batch中，将一定比例的隐层节点值置为0，减少各隐层之间的相互作用，避免过拟合现象。
除此之外，所述智能家居服务预测模型在输出层使用L2正则化，用于控制模型复杂度，对抗过拟合，使模型达到更优效果；通过对某些参与损失函数计算的因素进行限制，减少模型的整体复杂度，使模型在性能上得到优化。
所述智能家居服务预测模型采用Adam算法进行优化。相对于传统的梯度下降法，它使用自适应学习率和动量来加快收敛速度。算法中使用到的RMSprop原理使梯度下降在参数空间内选择更为平缓的方向，从而加快训练速度。其公式如下：
νt＝βνt-1+(1-β)θt (5)
其中vt表示t步的平均移动步长，β为系数，θt为单次计算中的实际移动步长。
所述智能家居服务预测模型使用均方误差函数作为损失函数，该损失函数能够精确的表示智能家居管控数据中目标值和计算值之间的差距。其公式如下：
其中yi表示目标值，f(xi)表示输入变量xi经过神经网络模型获得的计算值，结果进行均方求平均。
所述智能家居服务预测模型采用accuracy和loss两类指标用来评测模型经过训练后的预测效果；第一类指标包括accuracy和val_accuracy两个，前者表示模型的训练集准确率，后者表示模型的测试集准确率；第二类指标来自损失函数的计算，包括loss和val_loss两个，前者表示模型训练集的损失值，后者表示模型测试集的损失值；accuracy本身表示正确的判定结果占全部判定结果的比例，其计算公式如下：
其中TP、TN、FP、FN分别表示真阳性、真阴性、假阳性、假阴性。
对于隐层较多的神经网络，特别是基于多隐层的前馈神经网络，容易因为参数的调整幅度过小而出现“过拟合”以及“梯度扩散”等情况。为了克服上述的问题，提升智能家居服务预测模型的泛化能力和计算速度，本方法将采用自编码器对模型进行无监督预训练，使模型提前快速学习数据特征。预训练只针对隐层L1和隐层L2两个隐层。使用自编码器作为工具，不带标签的智能家居管控数据作为输入和输出，并使用预训练后的权重矩阵W1'和偏移向量B'1对智能家居管控模型的W1和B1进行初始化。初始化W2和B2的方法以此类推。自编码器的网络结构如图4所示。预训练过程如下：
A1)原始训练集的输入集首先进行数据收缩，将全部的值收缩到[0,1]；并随机打乱顺序，构成自编码器的输入集S，同时也是自编码器的输出集。
A2)使用正态分布初始化权重矩阵W1'和W'a1，使得
都有w～N(0,0.1)，
都有w～N(0,0.1)。
A3)初始化偏移向量B'1和B'a1，全部设为0。
A4)随机抽取64条的数据作为一个batch，作为一次训练的数据集大小。
A5)计算L'1＝Relu(L'in*W1'+B'1)。
A6)随机挑选20％L'1层神经元的输出，将其值重新置为0，模拟dropout的过程。
A7)计算L'out＝Relu(L'1*W'a1+B'a1)。
A8)用L'in和L'out分别代替xi和yi，计算出损失值MSE。
A9)根据损失值MSE对变量求偏导的结果，沿梯度下降反向调节W1'、W'a1、B'1和B'a1，完成一次训练，总的数据集训练完计一次迭代，总共进行10次迭代。
通过预训练，将训练好的W1'和B'1迁移到所述智能家居服务预测模型的W1和B1上进行初始化，按照类似的自编码器训练好W2'和B'2并迁移到模型的W2和B2进行初始化，至此完成模型的预训练工作。
整体的智能家居服务预测模型如图5所示。智能家居服务预测模型的输入层Lin具有4个神经元，使用4维向量
表示，按照数据收缩的方法将本身数据收缩到[0,1]；隐层L1由64个神经元构成，用64维的向量
表示；隐层Lin和L1之间采用全连接的结构，连接的权重矩阵W1定义为：
L1层神经元的偏移向量B1同为64维向量，表示为
通过一层一层的计算得出最终的Lout，并根据均方误差函数计算出整体的损失值，通过对损失值变量求偏导进行反向参数调节；经过多次迭代后形成预测智能设备状态的智能家居服务预测模型。整体模型训练过程如下：
B1)对输入输出数据集进行特征缩放，收缩到[0,1]，并随机打乱。
B2)使用预训练出来的W1'、B'1、W2'、B'2分别对网络隐层L1和L2中的W1、B1、W2、B2进行初始化。
B3)使用正态分布的方法初始化权重矩阵W3和W4，使得
都有w～N(0,0.1)，
都有w～N(0,0.1)。
B4)初始化偏移向量B3和B4，全部设为0。
B5)随机抽取64条的数据作为一个batch，作为一次训练的数据集的大小。
B6)计算L1＝Relu(Lin*W1+B1)。
B7)随机挑选20％L1层神经元的输出，将其置为0，模拟dropout的过程。
B8)同理计算L2、L3和输出层Lout。
B9)用Lin和Lout分别代替xi和yi，计算出损失值MSE。
B10)根据损失值MSE对各个变量求偏导，沿梯度下降反向调节所有权重和偏移，总的数据集完计一次迭代，总共进行100次迭代。
在经过整体训练之后，所述智能家居服务预测模型即可根据实时场景自动决策出需要进行调控的设备及调控后的状态，并借助运行时的知识图谱对设备进行管控。
具体实验分析
1.实验设置
根据实验需要，本方法构建了一个仿真的智能家居场景，如图6所示。场景包含了4个区域，分别是洗手间，客厅，卧室和阳台。各个区域布置了不同的智能设备，如表1所示。场景中包含了4种类型的环境因素，分别是PM2.5，温度，湿度和光强。智能设备可以对环境因素提供提高(increase)、降低(reduce)、监测(monitor)三种类型的服务，具体见表2。用户处于不同的区域对于各个环境因素的模拟需求各不相同，具体如表3所示，可以看出用户处于客厅时对环境要求比较普通，处于卧室时对环境要求相对严格，而处于阳台时对环境要求最为宽松。生成对应的智能家居概念实例和部分知识图谱模型如图7和图8所示。
表1各区域智能设备分布表
表2智能设备提供的服务情况
表3用户对各个区域的环境模拟需求
除此之外，本方法基于深度学习的服务预测模型还需要设置超参数，具体的超参数设置如表4所示：
表4模型的超参数
实验结果
在本实施例中，基于运行时知识图谱的管控记录(仿真环境数据)作为数据集，将其中80％作为训练集，20％作为测试集，数据集表示的是用户场景发生变化后需要调用服务进行调节的情况。模型在经过训练，进行测试集测试，根据accuracy和loss值对模型学习效果进行评价。首先介绍准确率-迭代次数关系曲线图，其次介绍损失值-迭代次数关系曲线图。准确率的随迭代次数的变化如图9所示，模型在不到20次epoch就达到了正确率的巅峰值，接近74％左右，也没有出现“梯度扩散”和“过拟合”等现象。测试集的预测率接近76％。没有使用自编码器预训练的话，模型前几次迭代accuracy只有40％左右。相比于之下，本模型的权值参数初始值更为合理，梯度下降迅速，accuracy初始值更高。
模型的损失值如下图10可以看到损失值下降迅速，损失初始值较低，损失值整体保持在一个较低的情况，经过50次epoch之后损失值趋于稳定，达到最小值0.15。模型的损失值预测结果与预期接近，接近预期效果。
面对相同的数据集，使用本模型和传统单隐层BP模型(隐层神经元个数设置为64)、未经过预训练的多隐层BP模型(神经网络结构和本模型一致)，以及同样经过预训练的多隐层BP神经网络模型DeepHome进行对比。本次对比实验采用的模型性能指标主要有模型学习部分数据集所需时间，batch_size，模型准确率和达到最优所需的epoch数量。具体各个模型的训练结果如下表5所示：
表5模型性能对比测试
通过上表各个指标的对比，可以发现本方法设计的智能家居服务预测模型在batch_size和训练的数据集一样的情况下，在各个评价指标上均有较大竞争力。相比于单隐层BP，模型使用了更多的神经元参与训练，虽然花费了更多的资源和时间学习，但是最终获得了更高的准确率，同比提升了7.5％，拟合效果提升明显；相比于多隐层BP网络，本模型的准确率提升效果不显著，但是大幅度较少了模型达到最优所需要的迭代次数和学习数据集所需要的时间，根本原因是本方法模型事先经过了预训练，挖掘出数据集的浅表特征，加快了训练梯度下降过程；相较于和本方法模型网络结构相似的DeepHome模型，通过调节各层神经元的个数，在减少整体待训练参数的情况下，本方法模型在准确率变化不明显的情况下，大幅度下降了学习数据集所需要的时间以及达到最优解所需要的迭代次数，达到了性能和准确率更合理的平衡。
模型在数据集较少的不利环境下学习效果如图11所示，可以看到，模型面对数据集缺乏的情况下仍有较好的准确率，准确率和可训练数据集充足的情况相差5％。但是由于可训练数据集不够，导致模型的训练效果不稳定，准确率多次训练的效果存在一定幅度的起伏。
模型在不同数据集下训练的学习效果如图12所示，该数据集是环境因素发生改变但是未能引起设备状态发生改变的情况，比如卧室温度从25℃上升到26℃，温度值符合用户需求，智能空调不会启动制冷功能。相比于之前设备状态频繁改变的情况，小幅度环境变化伴随设备状态不改变才是生活中较多出现的情况。在该数据集下，模型的准确率接近88.0％，说明模型能够适应生活中的智能设备管控常态，能较好的进行设备状态预测，并使用运行时知识图谱对设备进行调控。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (10)
1.一种基于深度学习的智能家居服务管控方法，其特征在于，包括：
通过知识图谱概念模型抽象出智能家居场景中的对象和关系，然后根据设定的运行时的推理规则及执行方法，构建出智能家居情境感知运行时知识图谱，模拟智能家居服务日常过程中的调控逻辑；
构建基于深度学习的智能家居服务预测模型，使智能家居服务预测模型可根据实时场景自动决策出需要进行调控的设备并预测调控后的状态；然后借助运行时知识谱图对智能家居设备进行状态控制。
2.根据权利要求1所述的基于深度学习的智能家居服务管控方法，其特征在于，构建智能家居情境感知运行时知识图谱，包括：使用知识图谱概念模型抽取场景服务中的对象和关系，并描述类的属性及关系实例的构建规则；以及在知识图谱的基础上，采用设定的运行时的推理规则及执行方法进行知识推理，描述智能家居的管控过程，构建出运行时知识图谱。
3.根据权利要求2所述的基于深度学习的智能家居服务管控方法，其特征在于，所述知识图谱概念模型使用用户User、位置Location、环境Context、设备Device和服务Service五个概念来表示场景感知，抽象用户场景的关系概念；其中，位置Location用于表示用户场景所处的具体区域，其概念属性为<location>，其中location表示区域名称；用户User用于表示用户，其概念属性为<name,location>，其中name表示用户名称，location表示用户所处的区域名称；环境Context用于表示用户处于某个区域对于某种环境因素的需求，其概念属性为<location,type,value,min,max>，其中type表示环境因素类型，value表示此时此刻该环境因素的值，min表示用户对该环境因素可以接受的最小值，max表示用户对该环境因素可以接受的最大值；设备Device表示处于环境中的具体设备，其概念属性为<location,did,type-effect>，其中location表示设备所处的区域名称，did表示设备号，type-effect表示该设备可以控制的环境因素及其控制的效果；服务Service表示设备提供的改变某个区域某种环境因素的服务，其概念属性为<location,did,type,state,effect>，其中location表示服务管辖的区域名称，did表述服务执行过程中需要调用设备的设备号，type表示服务改变的环境因素类型，effect表示服务对环境因素的影响效果，属性state表示服务目前的状态；
所述知识图谱概念模型还定义实体之间提高、减少、提供、位于、感知关系；其中，
表示环境、设备、服务位于某个区域；
表示设备D为服务S提供服务，即设备D产生服务S；
表示服务S对环境C中的某种环境因素进行观察；
表示服务S对环境C中的某个环境值进行增加；
表示服务S对环境C中的某个环境值进行减少；
的前置条件为X.location＝L.location，表示环境、设备、服务的location属性值与位置L的相同；
无前置条件，表示设备的属性值是预设好的；
的前置条件为S.location＝C.location&S.type＝C.type&S.effect＝“Monitor”，表示当服务S的location、type属性值均与环境C的相同且服务S的effect属性值为“Monitor”时，二者构成Monitor关系实例；
的前置条件为S.location＝C.location&S.type＝C.type&S.effect＝“Increase”，表示当服务S的location、type属性值均与环境C的相同且服务S的effect属性值为“Increase”时，二者构成Increase关系实例；
的前置条件为S.location＝C.location&S.type＝C.type&S.effect＝“Reduce”，表示当服务S的location、type属性值均与设备C的相同且服务S的effect属性值为“Reduce”时，二者构成Reduce关系实例；
当两个概念实例的属性值满足相应的前置条件时，将这两个概念对象联系起来，构建二者之间的关系实例。
4.根据权利要求3所述的基于深度学习的智能家居服务管控方法，其特征在于，知识图谱的模型操作逻辑为：
1)设备Device通过场景中的智能设备进行属性初始化，包括位置、功能、设备的赋值；
2)通过需求自定义初始化用户User，根据实际用户场景产生位置Location；
3)通过设备Device提供的功能初始化服务Service；
4)服务Service调用设备Device感知场景环境，获取环境因素；
6)将各个环境因素作为输入值，经过基于深度学习的服务预测模型计算出场景中正确的服务状态；
7)服务Service借助设备Device提供的功能实现场景中环境Context的调控；
8)服务重新感知场景环境，回到步骤4，重新一轮新的智能家居管控。
5.根据权利要求3所述的基于深度学习的智能家居服务管控方法，其特征在于，运行时的推理规则包括：
在关系实例的基础上，Rule-1表示如果存在服务S和环境C是Monitor关系且环境C的value属性值在合理范围内，则对应的服务处于关闭状态；Rule-2表示如果存在服务S和环境C是Increase关系且出现了环境C的value属性值小于要求值，则服务S处于开启状态，服务对环境因素的调控效果为增加；Rule-3表示如果存在服务S和环境C是Reduce关系且出现了环境C的value属性值大于要求值，则服务S处于开启状态，服务对环境因素的调控效果为减少；
服务S的各个属性值初始化由对应的设备D完成，设备D的各个属性值来自原场景中的智能设备；通过知识推理，将知识图谱概念模型转变为运行时的知识图谱。
6.根据权利要求1所述的基于深度学习的智能家居服务管控方法，其特征在于，所述智能家居服务预测模型的输入数据的参数变量由用户场景感知的环境因素值构成，即某个时刻用户处于某个区域中的所有环境因素值；输入数据参数个数为n个，取决于纳入考虑的环境因素种类个数，表示为：
Ti＝{c1,c2,c3,c4...cn}
其中cn表示第n种环境因素；
所述智能家居服务预测模型的输出数据的参数变量由服务状态和调用服务改变后的环境因素值构成，输出参数个数取决于输入数据Ti的参数个数，具体个数为输入参数个数的两倍，表示为：
Ri＝{s1,v1,s2,v2,s3,v3,s4,v4...sn,vn}
其中s表示管控场景某种环境因素的服务所处状态，v表示使用服务调整后的状态值；s1和v1合起来表示对一种环境因素的管控；状态的输出值为1表示对应的服务状态为开启，0则表示对应的服务状态为关闭。
7.根据权利要求6所述的基于深度学习的智能家居服务管控方法，其特征在于，采用特征缩放的方式处理输入变量和输出变量的环境因素状态值，将数据大小收缩到[0,1]；将全部数据集的80％作为训练集，20％作为测试集。
8.根据权利要求1所述的基于深度学习的智能家居服务管控方法，其特征在于，所述智能家居服务预测模型采用多隐层神经网络结构，包括输入层Lin，三个全连接隐层L1、L2、L3以及输出层Lout；所述智能家居服务预测模型从输入层到输出层的各层神经元个数依次是4、64、128、200、8；数据从Lin层进入，经过L1、L2、L3中的参数矩阵和偏移向量前向传播计算，最终将Lout层计算结果与真实值进行损失函数计算，通过损失值逆向反馈以一定学习率调整各层的参数矩阵和偏移向量；经过多次迭代，使模型尽可能拟合智能家居管控函数；
所述智能家居服务预测模型使用LeakyRelu函数作为激活函数，其公式如下：
其中ai为设定的参数；
所述智能家居服务预测模型在各个隐层之间添加dropout弃权，通过保留部分权重的方法，降低过拟合的风险；在每个训练batch中，将一定比例的隐层节点值置为0，减少各隐层之间的相互作用，避免过拟合现象；
所述智能家居服务预测模型在输出层使用L2正则化，用于控制模型复杂度，对抗过拟合，使模型达到更优效果；通过对某些参与损失函数计算的因素进行限制，减少模型的整体复杂度，使模型在性能上得到优化；
所述智能家居服务预测模型采用Adam算法进行优化，其公式如下：
νt＝βνt-1+(1-β)θt
其中vt表示t步的平均移动步长，β为系数，θt为单次计算中的实际移动步长；
所述智能家居服务预测模型使用均方误差函数作为损失函数，其公式如下：
其中yi表示目标值，f(xi)表示输入变量xi经过神经网络模型获得的计算值，结果进行均方求平均；
所述智能家居服务预测模型采用accuracy和loss两类指标用来评测模型经过训练后的预测效果；第一类指标包括accuracy和val_accuracy两个，前者表示模型的训练集准确率，后者表示模型的测试集准确率；第二类指标来自损失函数的计算，包括loss和val_loss两个，前者表示模型训练集的损失值，后者表示模型测试集的损失值；accuracy本身表示正确的判定结果占全部判定结果的比例，其计算公式如下：
其中TP、TN、FP、FN分别表示真阳性、真阴性、假阳性、假阴性。
9.根据权利要求8所述的基于深度学习的智能家居服务管控方法，其特征在于，采用自编码器对所述智能家居服务预测模型进行无监督预训练，使模型提前快速学习数据特征；预训练只针对隐层L1和隐层L2两个隐层；预训练过程如下：
A1)原始训练集的输入集首先进行数据收缩，将全部的值收缩到[0,1]；并随机打乱顺序，构成自编码器的输入集S，同时也是自编码器的输出集；
A2)使用正态分布初始化权重矩阵W1'和W′a1，使得
都有w～N(0,0.1)，
都有w～N(0,0.1)；
A3)初始化偏移向量B′1和B'a1，全部设为0；
A4)随机抽取64条的数据作为一个batch，作为一次训练的数据集大小；
A5)计算L'1＝Relu(L'in*W1'+B′1)；
A6)随机挑选20％L'1层神经元的输出，将其值重新置为0，模拟dropout的过程；
A7)计算L'out＝Relu(L'1*W′a1+B'a1)；
A8)用L'in和L'out分别代替xi和yi，计算出损失值MSE；
A9)根据损失值MSE对变量求偏导的结果，沿梯度下降反向调节W1'、W′a1、B′1和B'a1，完成一次训练，总的数据集训练完计一次迭代，总共进行10次迭代；
通过预训练，将训练好的W1'和B′1迁移到所述智能家居服务预测模型的W1和B1上进行初始化，按照类似的自编码器训练好W2'和B'2并迁移到模型的W2和B2进行初始化，至此完成模型的预训练工作。
10.根据权利要求9所述的基于深度学习的智能家居服务管控方法，其特征在于，所述智能家居服务预测模型的输入层Lin具有4个神经元，使用4维向量
表示，按照数据收缩的方法将本身数据收缩到[0,1]；隐层L1由64个神经元构成，用64维的向量
表示；隐层Lin和L1之间采用全连接的结构，连接的权重矩阵W1定义为：
L1层神经元的偏移向量B1同为64维向量，表示为
通过一层一层的计算得出最终的Lout，并根据均方误差函数计算出整体的损失值，通过对损失值变量求偏导进行反向参数调节；经过多次迭代后形成预测智能设备状态的智能家居服务预测模型；整体模型训练过程如下：
B1)对输入输出数据集进行特征缩放，收缩到[0,1]，并随机打乱；
B2)使用预训练出来的W1'、B′1、W′2、B'2分别对网络隐层L1和L2中的W1、B1、W2、B2进行初始化；
B3)使用正态分布的方法初始化权重矩阵W3和W4，使得
都有w～N(0,0.1)，
都有w～N(0,0.1)；
B4)初始化偏移向量B3和B4，全部设为0；
B5)随机抽取64条的数据作为一个batch，作为一次训练的数据集的大小；
B6)计算L1＝Relu(Lin*W1+B1)；
B7)随机挑选20％L1层神经元的输出，将其置为0，模拟dropout的过程；
B8)同理计算L2、L3和输出层Lout；
B9)用Lin和Lout分别代替xi和yi，计算出损失值MSE；
B10)根据损失值MSE对各个变量求偏导，沿梯度下降反向调节所有权重和偏移，总的数据集完计一次迭代，总共进行100次迭代；
在经过整体训练之后，所述智能家居服务预测模型即可根据实时场景自动决策出需要进行调控的设备及调控后的状态，并借助运行时的知识图谱对设备进行管控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210921039.1A CN115220361A (zh) | 2022-08-02 | 2022-08-02 | 基于深度学习的智能家居服务管控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210921039.1A CN115220361A (zh) | 2022-08-02 | 2022-08-02 | 基于深度学习的智能家居服务管控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115220361A true CN115220361A (zh) | 2022-10-21 |
Family
ID=83616050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210921039.1A Pending CN115220361A (zh) | 2022-08-02 | 2022-08-02 | 基于深度学习的智能家居服务管控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115220361A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116932926A (zh) * | 2023-09-14 | 2023-10-24 | 深圳酷宅科技有限公司 | 应用于智能家居控制的数据分析方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105068515A (zh) * | 2015-07-16 | 2015-11-18 | 华南理工大学 | 一种基于自学习算法的智能家居设备语音控制方法 |
| CN109446700A (zh) * | 2018-11-09 | 2019-03-08 | 福州大学 | 面向智能家居情境感知服务的运行时建模与执行方法 |
| WO2021244079A1 (zh) * | 2020-06-02 | 2021-12-09 | 苏州科技大学 | 智能家居环境中图像目标检测方法 |
| CN114265320A (zh) * | 2021-12-03 | 2022-04-01 | 珠海格力电器股份有限公司 | 基于深度学习分析用户习惯的智能家居控制方法及系统 |
-
2022
- 2022-08-02 CN CN202210921039.1A patent/CN115220361A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105068515A (zh) * | 2015-07-16 | 2015-11-18 | 华南理工大学 | 一种基于自学习算法的智能家居设备语音控制方法 |
| CN109446700A (zh) * | 2018-11-09 | 2019-03-08 | 福州大学 | 面向智能家居情境感知服务的运行时建模与执行方法 |
| WO2021244079A1 (zh) * | 2020-06-02 | 2021-12-09 | 苏州科技大学 | 智能家居环境中图像目标检测方法 |
| CN114265320A (zh) * | 2021-12-03 | 2022-04-01 | 珠海格力电器股份有限公司 | 基于深度学习分析用户习惯的智能家居控制方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 包晓安;常浩浩;徐海;董亮亮;张娜;: "基于LSTM的智能家居机器学习系统预测模型研究", 浙江理工大学学报(自然科学版), no. 02, 12 December 2017 (2017-12-12), pages 103 - 110 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116932926A (zh) * | 2023-09-14 | 2023-10-24 | 深圳酷宅科技有限公司 | 应用于智能家居控制的数据分析方法及系统 |
| CN116932926B (zh) * | 2023-09-14 | 2023-11-17 | 深圳酷宅科技有限公司 | 应用于智能家居控制的数据分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Papageorgiou et al. | Fuzzy cognitive map learning based on nonlinear Hebbian rule | |
| de Jesus Rubio | SOFMLS: online self-organizing fuzzy modified least-squares network | |
| Papageorgiou et al. | Unsupervised learning techniques for fine-tuning fuzzy cognitive map causal links | |
| Frank et al. | Modeling knowledge‐based inferences in story comprehension | |
| Papageorgiou et al. | A weight adaptation method for fuzzy cognitive map learning | |
| Borges et al. | Learning and representing temporal knowledge in recurrent networks | |
| CN110471276B (zh) | 用于为物理系统创建模型函数的装置 | |
| Matinnejad et al. | Mil testing of highly configurable continuous controllers: scalable search using surrogate models | |
| Ohata et al. | Investigation of the sense of agency in social cognition, based on frameworks of predictive coding and active inference: A simulation study on multimodal imitative interaction | |
| CN115220361A (zh) | 基于深度学习的智能家居服务管控方法 | |
| Patil et al. | LSTM based Ensemble Network to enhance the learning of long-term dependencies in chatbot | |
| CN112163671A (zh) | 一种新能源场景生成方法及系统 | |
| Peng et al. | An adaptive deep learning model for smart home autonomous system | |
| Song | Robust initialization of a Jordan network with recurrent constrained learning | |
| CN113761148A (zh) | 对话信息获取方法、装置、设备及存储介质 | |
| CN113591988B (zh) | 知识认知结构分析方法、系统、计算机设备、介质、终端 | |
| Chen et al. | Parameters determination for adaptive bathtub-shaped curve using artificial fish swarm algorithm | |
| CN115996292A (zh) | 流控模型训练方法、装置、计算机设备和存储介质 | |
| Shi | Learning from zero: how to make consumption-saving decisions in a stochastic environment with an AI algorithm | |
| Gebretsadik et al. | Designing Machine Learning Method for Software Project Effort Prediction | |
| Tang et al. | Hierarchical reinforcement learning based on multi-agent cooperation game theory | |
| Iwata et al. | Reduction of training computation by network optimization of Integration Neural Network approximator | |
| CN110363074A (zh) | 一种针对复杂抽象化事物的类人化识别交互方法 | |
| Buruzs et al. | Using Fuzzy Cognitive Maps approach to identify integrated waste management system characteristics | |
| Qu et al. | Intelligence Analysis Based on Intervenient Optimum learning Guide System |
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 |