CN116226655A - 智慧家庭环境感知方法、装置、存储介质和电子设备 - Google Patents
智慧家庭环境感知方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN116226655A CN116226655A CN202211548695.8A CN202211548695A CN116226655A CN 116226655 A CN116226655 A CN 116226655A CN 202211548695 A CN202211548695 A CN 202211548695A CN 116226655 A CN116226655 A CN 116226655A
- Authority
- CN
- China
- Prior art keywords
- home environment
- scene
- information
- smart home
- data set
- 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 84
- 230000008447 perception Effects 0.000 claims abstract description 102
- 238000012549 training Methods 0.000 claims abstract description 72
- 230000008451 emotion Effects 0.000 claims abstract description 32
- 238000013135 deep learning Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 8
- 230000010365 information processing Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 8
- 239000010410 layer Substances 0.000 description 20
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- 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
本发明公开了一种智慧家庭环境感知方法、装置、存储介质和电子设备，方法包括：首先获取与智慧家庭环境相关的场景感知文本数据集，构建融合用户情感的智慧家庭环境感知模型，基于文本数据集，利用预设训练方法对智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，捕捉智慧家庭环境场景中的实时文本数据集，并输入训练好的智慧家庭环境感知模型，得到实时文本数据集对应的感知结果，解决现有技术中仅通过人工预设场景感知结果的缺陷，实现以深度学习的方式实时感知环境场景，得到更为准确的家庭场景感知结果，提高家居的舒适性和用户体验。
Description
技术领域
本发明属于智慧家庭领域，特别是一种智慧家庭环境感知方法、装置、存储介质和电子设备。
背景技术
智慧家庭是现阶段的一个热门课题，它对物联网的发展起了推动性的作用，日常生活的智能化是现代人不断追求的生活方式。市面上现有的智慧家庭解决方案，有很多已经产品化、规模化，日益普遍的智能移动设备为智慧家庭提供了很好的平台管理方案，可以实现无线控制、远程操作等手段。
目前日常生活的场景中，智慧家庭环境的场景设置大多都是人工方式进行预先定义的，或想象用户的家庭生活场景，预设几种特定的场景描述方案。然而，由于其场景描述均为静态场景状态，并没有从家庭生活实际情况出发来实现实时的场景感知。且因现有的场景感知结果准确性较低，且均为预先人工定义完成的，不能捕捉真实家庭生活的场景情况，这是一个亟待解决的问题。
发明内容
本发明的目的是提供一种智慧家庭环境感知方法、装置、存储介质和电子设备，用以解决现有技术中仅通过人工预设场景感知结果的缺陷，实现以深度学习的方式实时感知环境场景，得到更为准确的家庭场景感知结果，提高家居的舒适性和用户体验。
本申请的一个实施例提供了一种智慧家庭环境感知方法，所述方法包括：
获取与智慧家庭环境相关的场景感知文本数据集；
构建融合用户情感的智慧家庭环境感知模型；
基于所述文本数据集，利用预设训练方法对所述智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，其中，所述预设训练方法包括基于深度学习算法的情景推理方法；
捕捉智慧家庭环境场景中的实时文本数据集，并输入所述训练好的智慧家庭环境感知模型，得到所述实时文本数据集对应的感知结果。
可选的，所述获取与智慧家庭环境相关的场景感知文本数据集，包括：
获取智慧家庭环境中的目标状态信息和空间状态信息；
根据所述目标状态信息和空间状态信息，建立所述目标状态信息和空间状态信息的映射关系；
基于所述映射关系，形成所述智慧家庭环境相关的场景感知特征向量，并确定所述特征向量组成的文本数据集。
可选的，所述构建融合用户情感的智慧家庭环境感知模型，包括：
获取智慧家庭环境场景感知中的情景信息，所述情景信息包括初级情景信息和高级情景信息；
构建隶属函数，并利用所述情景信息，计算情景信息属性的权重比；
基于预设用户情感比例并结合所述情景信息属性的权重比，生成融合用户情感的智慧家庭环境感知模型。
可选的，所述智慧家庭环境感知模型包括：情景信息采集模块、情景信息融合模块、情景信息传输模块、情景信息处理模块以及情景信息服务模块，其中，
所述情景信息采集模块用于采集智慧家庭环境中的初级情景信息；
所述情景信息融合模块用于将所述初级情景信息进行预处理，并将所述初级情景信息融合成高级情景信息；
所述情景信息传输模块用于垂直传输并存储所述高级情景信息；
所述情景信息处理模块用于处理所述高级情景信息，并进行智慧家庭环境的场景匹配和应用服务推荐；
所述情景信息服务模块用于将处理后的所述高级情景与预设的情景进行对比，以获得智慧家庭环境的感知结果。
可选的，所述基于所述文本数据集，利用预设训练方法对所述智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，包括：
根据所述文本数据集，计算残差函数，并输入至所述智慧家庭环境感知模型；
根据训练模型输出结果，计算损失函数；
根据所述损失函数，通过梯度下降方法，优化训练模型的参数，直至得到训练好的所述智慧家庭环境感知模型。
可选的，所述基于深度学习算法的情景推理方法包括：基于深度学习算法的主动情景感知推理方法和基于深度学习算法的被动情景感知推理方法。
本申请的又一实施例提供了一种智慧家庭环境感知装置，所述装置包括：
获取模块，用于获取与智慧家庭环境相关的场景感知文本数据集；
构建模块，用于构建融合用户情感的智慧家庭环境感知模型；
训练模块，用于基于所述文本数据集，利用预设训练方法对所述智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，其中，所述预设训练方法包括基于深度学习算法的情景推理方法；
得到模块，用于捕捉智慧家庭环境场景中的实时文本数据集，并输入所述训练好的智慧家庭环境感知模型，得到所述实时文本数据集对应的感知结果。
可选的，所述获取模块，包括：
第一获取单元，用于获取智慧家庭环境中的目标状态信息和空间状态信息；
建立单元，用于根据所述目标状态信息和空间状态信息，建立所述目标状态信息和空间状态信息的映射关系；
确定单元，用于基于所述映射关系，形成所述智慧家庭环境相关的场景感知特征向量，并确定所述特征向量组成的文本数据集。
可选的，所述构建模块，包括：
第二获取单元，用于获取智慧家庭环境场景感知中的情景信息，所述情景信息包括初级情景信息和高级情景信息；
构建单元，用于构建隶属函数，并利用所述情景信息，计算情景信息属性的权重比；
生成单元，用于基于预设用户情感比例并结合所述情景信息属性的权重比，生成融合用户情感的智慧家庭环境感知模型。
可选的，所述训练模块，包括：
第一计算单元，用于根据所述文本数据集，计算残差函数，并输入至所述智慧家庭环境感知模型；
第二计算单元，用于根据训练模型输出结果，计算损失函数；
优化单元，用于根据所述损失函数，通过梯度下降方法，优化训练模型的参数，直至得到训练好的所述智慧家庭环境感知模型。
本申请的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时实现上述任一项中所述的方法。
本申请的又一实施例提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以实现上述任一项中所述的方法。
与现有技术相比，本发明首先获取与智慧家庭环境相关的场景感知文本数据集，构建融合用户情感的智慧家庭环境感知模型，基于文本数据集，利用预设训练方法对智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，捕捉智慧家庭环境场景中的实时文本数据集，并输入训练好的智慧家庭环境感知模型，得到实时文本数据集对应的感知结果，解决现有技术中仅通过人工预设场景感知结果的缺陷，实现以深度学习的方式实时感知环境场景，得到更为准确的家庭场景感知结果，提高家居的舒适性和用户体验。
附图说明
图1为本发明实施例提供的一种智慧家庭环境感知方法的计算机终端的硬件结构框图；
图2为本发明实施例提供的一种智慧家庭环境感知方法的流程示意图；
图3为本发明实施例提供的一种智慧家庭环境感知装置的结构示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明实施例首先提供了一种智慧家庭环境感知方法，该方法可以应用于电子设备，如计算机终端，具体如普通电脑、量子计算机等。
下面以运行在计算机终端上为例对其进行详细说明。图1为本发明实施例提供的一种智慧家庭环境感知方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的智慧家庭环境感知方法对应的程序指令/模块，处理器102通过运行存储在存储器104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，即实现上述的方法。存储器104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104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。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。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
在现有的智慧家庭环境场景感知过程中，开发人员通常基于自身生活经验，对智慧家庭场景中可能出现家庭生活场景进行定义，例如在智慧家庭系统中预设定义几种或十几种场景描述，以使得智慧家庭系统在对家庭环境进行判断时，结合判断结果去匹配这几种或十几种场景描述，从而为后续的家庭设备决策出智能控制方案。然而，由于场景描述均为人工在前期已设置好的，场景描述的类型和数量有限，不能全面且准确的对智慧家庭环境进行描述，导致场景感知结果不准确。
参见图2，图2为本发明实施例提供的一种智慧家庭环境感知方法的流程示意图，可以包括如下步骤：
S201：获取与智慧家庭环境相关的场景感知文本数据集。
具体的，获取与智慧家庭环境相关的场景感知文本数据集，可以包括：
1.获取智慧家庭环境中的目标状态信息和空间状态信息。
2.根据所述目标状态信息和空间状态信息，建立所述目标状态信息和空间状态信息的映射关系。
3.基于所述映射关系，形成所述智慧家庭环境相关的场景感知特征向量，并确定所述特征向量组成的文本数据集。
具体的，目标状态信息可以为用户的状态信息，例如可以通过用户状态感知模块所感知提供的实时用户状态信息，对应到人体实时所在的用户直接介入空间区域的区块内；进而，根据用户直接介入空间区域的每个区块与传感设施的有效作用空间区域的区块之间的映射，将符合映射规则的传感设施有效作用空间区域的区块的空间状态信息；从而，对于用户实时所在的位置直接介入空间区域的区块，建立目标状态信息和空间状态信息的映射关系，并进行规整化处理，形成智慧家庭环境相关的场景感知特征向量，并确定特征向量组成的文本数据集。
需要说明的是，特征向量组成的文本数据集面向用户实时所在的区块，整合了空间区块中存在的实时用户状态信息，以及整合了能够映射至该空间区块的实时空间状态信息，形成了作为对上述提到的用户与空间相互作用的智慧家庭环境相关空间区域的描述的数据集。
其中，用户状态感知模块用于感知实时用户状态信息。实时用户状态信息是针对用户直接介入空间区域中存在的用户，也即作为智慧家庭服务对象的用户，实时感知的状态信息。该实时用户状态信息包括但不限于实时用户生理状态信息、实时用户动作状态信息、实时用户位置状态信息。例如用户可以通过佩戴健康监测仪器(例如手环)、以及/或者利用非接触用户测量设备(例如红外体温测量)可以获得实时用户生理状态信息，定位用户实时所在的空间区域位置，通过跟踪一段时间内用户实时所在空间区域位置的变化，进而归类实时用户位置状态信息，即用户是空间静止、小幅移动、大幅移动、规律往复移动还是非规律随机移动等。
在一种可选的实施方式中，还可以基于空间变换理论获取与智慧家庭环境相关的场景感知文本数据集，空间变换是日常生活的空间转换的抽象化，将智慧家庭环境中的各种情景信息以及空间信息的所有资源都看作一个集合，并将这个集合看作一个空间D，不同环境下的空间集合看作{Sn}，空间变换就是在不同空间进行信息交换和情景传递。
S202：构建融合用户情感的智慧家庭环境感知模型。
具体的，所述构建融合用户情感的智慧家庭环境感知模型，可以包括：
a.获取智慧家庭环境场景感知中的情景信息，所述情景信息包括初级情景信息和高级情景信息。
具体的，在实际的情景中，用户所处的情景，具有复杂性，我们将情景按照底层传感器采集的信息和上层应用服务所处理的信息把本体所产生的情景分为初级情景信息和高级情景信息。
其中，初级情景是细粒度情景信息，是底层数据源信息，是通过多种传感系统和初级情景服务器所产生的信息，它是直接从底层传感器获取的信息，在没有融合其它数据源的情况下，初级情景还是一个具有绝对数值的情景信息。高级情景是粗粒度情景信息，是面向应用服务的信息。以智慧家庭为例，基本所有高级情景所表达的信息应该是一个范围值，而不是具体一个值。
b.构建隶属函数，并利用所述情景信息，计算情景信息属性的权重比。
c.基于预设用户情感比例并结合所述情景信息属性的权重比，生成融合用户情感的智慧家庭环境感知模型。
具体的，按照情景的基础度和复杂度，可以把低级情景看作细粒度情景，高级情景看作粗粒度情景，在具体的情景中，底层数据的描述是详细而零散分布，上层服务更多地是通过模糊的不确定性的自然语言来判断情景的匹配度，因此需要将底层的细粒度情景转化为上层的粗粒度情景，提供给顶层的应用服务进行用户的服务推荐。描述上述情景信息主要利用的是模糊逻辑来处理信息的不确定性，通过构建一个隶属函数，利用一些不确定性信息，例如情景信息，计算情景信息属性的权重比，再基于预设用户情感比例并结合情景信息属性的权重比，生成融合用户情感的智慧家庭环境感知模型。
其中，对于复杂情景信息来说，模糊逻辑只在单层面的推理已经满足不了智慧家庭环境场景感知的需求，从而需要引入深度学习算法。深度学习架构主要是由多层非线性运算单元组成，每一个低层级的输出结果转化为下一个高层级的输入，用分层处理的方法处理输入数据，用每一层神经网络提取原始数据不同水平的特征，从而达到最终状态的完美情景匹配。
在一种可选的实施方式中，构建融合用户情感的智慧家庭环境感知模型还可以通过以用户为元素，用户特征和用户服务为集合空间，构建智慧家庭环境感知模型，其中，情景感知可以根据用户所处的情景信息提供服务，这些情景信息包括了用户的兴趣偏好、用户自行设定的特征参数、用户的历史记录(即用户习惯)以及前端传感器群所感知的综合环境参数等。把能为用户提供的所有应用服务和信息看作是一个空间集合S,将用户的偏好、设置的参数、用户的历史记录以及传感器所采集的数据看作是一个数据集合D，所有用户作为一个元素集合N,用户所处情景看作一个空间集合P,那么融合用户情感的智慧家庭环境感知模型提供服务的过程可以用如下表达式来表示：
S＝MD→S{D(N→P)}
上式中的MD→S代表一种映射，表示相应用户的数据集合D，即数据和参数通过MD→S获得融合用户情感的智慧家庭环境感知模型提供的最终服务。
需要说明的是，MD→S所代表的推理和映射属于直接在服务应用上完成或者在服务应用和某些中间模块上协同完成。要求底层的传感器构架清晰，情景信息的数据特征明确，但实际上所采集到的情景信息是一种具有不确定性的数据，特征也很模糊，所以可以通过引入中间变量，类似于神经网络中的隐含层，将底层传感器与应用层服务相分离，通过中间层来过渡，使得构建的融合用户情感的智慧家庭环境感知模型趋于稳定。
在一种可选的实施方式中，所述智慧家庭环境感知模型包括：情景信息采集模块、情景信息融合模块、情景信息传输模块、情景信息处理模块以及情景信息服务模块，其中，所述情景信息采集模块用于采集智慧家庭环境中的初级情景信息；所述情景信息融合模块用于将所述初级情景信息进行预处理，并将所述初级情景信息融合成高级情景信息；所述情景信息传输模块用于垂直传输并存储所述高级情景信息；所述情景信息处理模块用于处理所述高级情景信息，并进行智慧家庭环境的场景匹配和应用服务推荐；所述情景信息服务模块用于将处理后的所述高级情景与预设的情景进行对比，以获得智慧家庭环境的感知结果。
示例性的，情景信息采集模块主要是针对用户所处环境信息的一个采集，将底层传感器所采集的各种信息进行收集。例如通过智慧家庭系统的各种前端传感器和一些智能感知设备来实现，比如用户位置信息可以通过智能移动终端上的定位模块来得到，用户状态中用户当前的运动状态可以通过智能设备中的陀螺仪等传感器得到等等。情景信息融合模块是将上一层所采集到的底层数据源进行初步加工，将原始的初级情景数据融合成高级情景数据。把相对精确的数值型情景信息加工成相对高级的模糊情景信息，例如时间信息，传感器采集到的是精确时间点，而系统只需要相对宽泛的模糊情景，“12点30分”这样的精确时间转化为“中午”这样的模糊时间情景，便于后续的判断，同样一些位置信息也必须要把采集到的用户坐标点，转化为用户的所处空间位置。情景信息传输模块主要对所有情景信息进行传输，在智慧家庭环境感知模型中，这一模块是垂直与其它模块的，从低级传感器信息的采集，到高级情景信息的处理，再到应用服务的提供，情景信息传输层是整个模型运输信息的主干道，将情景信息通过各种网络发送到各层服务器进行处理。情景信息处理模块是智慧家庭环境感知模型的核心，通过读取用户信息、设备信息以及模型所感知的情景信息进行情景推理，为用户提供情景推理服务。这一模块是智慧家庭主机进行场景匹配和应用服务推荐的处理层，将情景信息进行处理和匹配，最后反馈于下一模块，实现应用服务的推荐功能。情景信息服务模块主要是为用户提供服务应用，是对用户情景进行匹配的关键。该模块是对得到的高级情景信息与用户预设的情景进行对比，为用户的情景服务提供数据和应用支持。用户如果对服务不满意，可以修改用户的预设场景信息，也可以对用户个人数据库进行修改，不断训练服务网路，最终匹配合适的情景服务。
S203：基于所述文本数据集，利用预设训练方法对所述智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，其中，所述预设训练方法包括基于深度学习算法的情景推理方法。
具体的，所述基于所述文本数据集，利用预设训练方法对所述智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，可以包括：
S2031：根据所述文本数据集，计算残差函数，并输入至所述智慧家庭环境感知模型。
S2032：根据训练模型输出结果，计算损失函数。
S2033：根据所述损失函数，通过梯度下降方法，优化训练模型的参数，直至得到训练好的所述智慧家庭环境感知模型。
示例性的，根据文本数据集，得到用于智慧家庭环境感知的第一训练模型和第二训练模型。通过对第一训练模型的特征层输出的特征信息进行归一化处理，得到第一概率分布，以及对第二训练模型的特征层输出的特征信息进行归一化指数处理，得到第二概率分布，根据第一概率分和第二概率分布计算最大均值差异，形成损失函数；最后，根据损失函数，通过处理第一训练模型和第二训练模型之间进行对比，并利用对比后获得的概率分布信息和智慧家庭环境感知信息对上述第一和第二训练模型进行训练，并判断损失函数是否收敛，得到对应的智慧家庭环境感知模型。其中，采用随机梯度下降法优化，权重衰减系数为和初始学习率设置为预设数值，并采用固定步长衰减方式，优化训练模型的参数。
在一种可选的实施方式中，根据深度学习机制，输入文本数据集数据对智慧家庭环境感知模型第一模块进行训练，再利用其输出作为第二模块的训练样本，在无监督学习状态下，依次进行，不断进行学习训练，具体步骤可以如下：
首先定义S0＝(N→P)作为初始训练样本数据，对于第m个模块中训练所产生的数据Sm＝m{D(N→P)}看做后一个模块第m+1个模块的训练样本Sm+1＝m+1{Sm}，将S0＝(N→P)先进入第一个模块SL＝L{D(N→P)}进行训练，得到SH＝H{SL}，再进行下一步训练，在情景度复杂的情况下，利用堆栈增加模块中的层数，来改善模型性能，整个过程在深度学习的同时网络进行不断自我矫正，在经验概率分布上得到训练好的智慧家庭环境感知模型。
需要说明的是，所述基于深度学习算法的情景推理方法包括：基于深度学习算法的主动情景感知推理方法和基于深度学习算法的被动情景感知推理方法。
S204：捕捉智慧家庭环境场景中的实时文本数据集，并输入所述训练好的智慧家庭环境感知模型，得到所述实时文本数据集对应的感知结果。
具体的，在针对智慧家庭环境感知的任务中，本申请可以采用的训练好的智慧家庭环境感知模型通过五大具体模块，对实时文本数据集进行情景信息采集、情景信息融合、情景信息传输、情景信息处理以及情景信息服务等处理操作，最终得到实时文本数据集对应的感知结果。
示例性的，对于智慧家庭环境中的客厅场景，智慧家庭环境感知模型根据识别结果中的存在用户，电视开启以及用户视觉方向朝向电视等数据集特征，输出“用户正在观看电视”的环境感知文本信息；或者，在卧室场景中，基于卧室场景类型的场景感知模型，根据识别结果中的存在用户、用户眼睛紧闭和用户处于躺卧姿态等特征，输出“用户在卧室睡觉”的场景感知文本信息。
可见，本发明首先获取与智慧家庭环境相关的场景感知文本数据集，构建融合用户情感的智慧家庭环境感知模型，基于文本数据集，利用预设训练方法对智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，捕捉智慧家庭环境场景中的实时文本数据集，并输入训练好的智慧家庭环境感知模型，得到实时文本数据集对应的感知结果，解决现有技术中仅通过人工预设场景感知结果的缺陷，实现以深度学习的方式实时感知环境场景，得到更为准确的家庭场景感知结果，提高家居的舒适性和用户体验。
本申请的又一实施例提供了一种智慧家庭环境感知装置，如图3所示的一种智慧家庭环境感知装置的结构示意图，所述装置包括：
获取模块301，用于获取与智慧家庭环境相关的场景感知文本数据集；
构建模块302，用于构建融合用户情感的智慧家庭环境感知模型；
训练模块303，用于基于所述文本数据集，利用预设训练方法对所述智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，其中，所述预设训练方法包括基于深度学习算法的情景推理方法；
得到模块304，用于捕捉智慧家庭环境场景中的实时文本数据集，并输入所述训练好的智慧家庭环境感知模型，得到所述实时文本数据集对应的感知结果。
具体的，所述获取模块，包括：
第一获取单元，用于获取智慧家庭环境中的目标状态信息和空间状态信息；
建立单元，用于根据所述目标状态信息和空间状态信息，建立所述目标状态信息和空间状态信息的映射关系；
确定单元，用于基于所述映射关系，形成所述智慧家庭环境相关的场景感知特征向量，并确定所述特征向量组成的文本数据集。
具体的，所述构建模块，包括：
第二获取单元，用于获取智慧家庭环境场景感知中的情景信息，所述情景信息包括初级情景信息和高级情景信息；
构建单元，用于构建隶属函数，并利用所述情景信息，计算情景信息属性的权重比；
生成单元，用于基于预设用户情感比例并结合所述情景信息属性的权重比，生成融合用户情感的智慧家庭环境感知模型。
具体的，所述训练模块，包括：
第一计算单元，用于根据所述文本数据集，计算残差函数，并输入至所述智慧家庭环境感知模型；
第二计算单元，用于根据训练模型输出结果，计算损失函数；
优化单元，用于根据所述损失函数，通过梯度下降方法，优化训练模型的参数，直至得到训练好的所述智慧家庭环境感知模型。
与现有技术相比，本发明首先获取与智慧家庭环境相关的场景感知文本数据集，构建融合用户情感的智慧家庭环境感知模型，基于文本数据集，利用预设训练方法对智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，捕捉智慧家庭环境场景中的实时文本数据集，并输入训练好的智慧家庭环境感知模型，得到实时文本数据集对应的感知结果，解决现有技术中仅通过人工预设场景感知结果的缺陷，实现以深度学习的方式实时感知环境场景，得到更为准确的家庭场景感知结果，提高家居的舒适性和用户体验。
本发明实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时实现上述任一项方法实施例中的步骤。
具体的，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S201：获取与智慧家庭环境相关的场景感知文本数据集；
S202：构建融合用户情感的智慧家庭环境感知模型；
S203：基于所述文本数据集，利用预设训练方法对所述智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，其中，所述预设训练方法包括基于深度学习算法的情景推理方法；
S204：捕捉智慧家庭环境场景中的实时文本数据集，并输入所述训练好的智慧家庭环境感知模型，得到所述实时文本数据集对应的感知结果。
具体的，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
与现有技术相比，本发明首先获取与智慧家庭环境相关的场景感知文本数据集，构建融合用户情感的智慧家庭环境感知模型，基于文本数据集，利用预设训练方法对智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，捕捉智慧家庭环境场景中的实时文本数据集，并输入训练好的智慧家庭环境感知模型，得到实时文本数据集对应的感知结果，解决现有技术中仅通过人工预设场景感知结果的缺陷，实现以深度学习的方式实时感知环境场景，得到更为准确的家庭场景感知结果，提高家居的舒适性和用户体验。
本发明实施例还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
具体的，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
具体的，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S201：获取与智慧家庭环境相关的场景感知文本数据集；
S202：构建融合用户情感的智慧家庭环境感知模型；
S203：基于所述文本数据集，利用预设训练方法对所述智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，其中，所述预设训练方法包括基于深度学习算法的情景推理方法；
S204：捕捉智慧家庭环境场景中的实时文本数据集，并输入所述训练好的智慧家庭环境感知模型，得到所述实时文本数据集对应的感知结果。
与现有技术相比，本发明首先获取与智慧家庭环境相关的场景感知文本数据集，构建融合用户情感的智慧家庭环境感知模型，基于文本数据集，利用预设训练方法对智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，捕捉智慧家庭环境场景中的实时文本数据集，并输入训练好的智慧家庭环境感知模型，得到实时文本数据集对应的感知结果，解决现有技术中仅通过人工预设场景感知结果的缺陷，实现以深度学习的方式实时感知环境场景，得到更为准确的家庭场景感知结果，提高家居的舒适性和用户体验。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-On ly Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。
Claims (10)
1.一种智慧家庭环境感知方法，其特征在于，所述方法包括：
获取与智慧家庭环境相关的场景感知文本数据集；
构建融合用户情感的智慧家庭环境感知模型；
基于所述文本数据集，利用预设训练方法对所述智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，其中，所述预设训练方法包括基于深度学习算法的情景推理方法；
捕捉智慧家庭环境场景中的实时文本数据集，并输入所述训练好的智慧家庭环境感知模型，得到所述实时文本数据集对应的感知结果。
2.根据权利要求1所述的方法，其特征在于，所述获取与智慧家庭环境相关的场景感知文本数据集，包括：
获取智慧家庭环境中的目标状态信息和空间状态信息；
根据所述目标状态信息和空间状态信息，建立所述目标状态信息和空间状态信息的映射关系；
基于所述映射关系，形成所述智慧家庭环境相关的场景感知特征向量，并确定所述特征向量组成的文本数据集。
3.根据权利要求1所述的方法，其特征在于，所述构建融合用户情感的智慧家庭环境感知模型，包括：
获取智慧家庭环境场景感知中的情景信息，所述情景信息包括初级情景信息和高级情景信息；
构建隶属函数，并利用所述情景信息，计算情景信息属性的权重比；
基于预设用户情感比例并结合所述情景信息属性的权重比，生成融合用户情感的智慧家庭环境感知模型。
4.根据权利要求3所述的方法，其特征在于，所述智慧家庭环境感知模型包括：情景信息采集模块、情景信息融合模块、情景信息传输模块、情景信息处理模块以及情景信息服务模块，其中，
所述情景信息采集模块用于采集智慧家庭环境中的初级情景信息；
所述情景信息融合模块用于将所述初级情景信息进行预处理，并将所述初级情景信息融合成高级情景信息；
所述情景信息传输模块用于垂直传输并存储所述高级情景信息；
所述情景信息处理模块用于处理所述高级情景信息，并进行智慧家庭环境的场景匹配和应用服务推荐；
所述情景信息服务模块用于将处理后的所述高级情景与预设的情景进行对比，以获得智慧家庭环境的感知结果。
5.根据权利要求1所述的方法，其特征在于，所述基于所述文本数据集，利用预设训练方法对所述智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，包括：
根据所述文本数据集，计算残差函数，并输入至所述智慧家庭环境感知模型；
根据训练模型输出结果，计算损失函数；
根据所述损失函数，通过梯度下降方法，优化训练模型的参数，直至得到训练好的所述智慧家庭环境感知模型。
6.根据权利要求5所述的方法，其特征在于，所述基于深度学习算法的情景推理方法包括：基于深度学习算法的主动情景感知推理方法和基于深度学习算法的被动情景感知推理方法。
7.一种智慧家庭环境感知装置，其特征在于，所述装置包括：
获取模块，用于获取与智慧家庭环境相关的场景感知文本数据集；
构建模块，用于构建融合用户情感的智慧家庭环境感知模型；
训练模块，用于基于所述文本数据集，利用预设训练方法对所述智慧家庭环境感知模型进行训练，得到训练好的智慧家庭环境感知模型，其中，所述预设训练方法包括基于深度学习算法的情景推理方法；
得到模块，用于捕捉智慧家庭环境场景中的实时文本数据集，并输入所述训练好的智慧家庭环境感知模型，得到所述实时文本数据集对应的感知结果。
8.根据权利要求7所述的装置，其特征在于，所述获取模块，包括：
第一获取单元，用于获取智慧家庭环境中的目标状态信息和空间状态信息；
建立单元，用于根据所述目标状态信息和空间状态信息，建立所述目标状态信息和空间状态信息的映射关系；
确定单元，用于基于所述映射关系，形成所述智慧家庭环境相关的场景感知特征向量，并确定所述特征向量组成的文本数据集。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时实现所述权利要求1至6任一项中所述的方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以实现所述权利要求1至6任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211548695.8A CN116226655A (zh) | 2022-12-05 | 2022-12-05 | 智慧家庭环境感知方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211548695.8A CN116226655A (zh) | 2022-12-05 | 2022-12-05 | 智慧家庭环境感知方法、装置、存储介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116226655A true CN116226655A (zh) | 2023-06-06 |
Family
ID=86589909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211548695.8A Pending CN116226655A (zh) | 2022-12-05 | 2022-12-05 | 智慧家庭环境感知方法、装置、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116226655A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117216505A (zh) * | 2023-11-09 | 2023-12-12 | 广州视声智能股份有限公司 | 基于智慧家居使用记录的用户习惯预测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915518A (zh) * | 2012-08-29 | 2013-02-06 | 太原理工大学 | 一种面向智能校园服务的情景感知系统 |
| CN105045234A (zh) * | 2015-07-10 | 2015-11-11 | 西安交通大学 | 基于智能可穿戴设备行为感知的智能家庭能源管理方法 |
| CN109218049A (zh) * | 2017-06-30 | 2019-01-15 | 华为技术有限公司 | 一种控制方法、相关设备以及系统 |
| CN110553358A (zh) * | 2019-08-30 | 2019-12-10 | 珠海格力电器股份有限公司 | 一种基于智能穿戴设备的空调控制方法、系统及空调器 |
| CN110837846A (zh) * | 2019-10-12 | 2020-02-25 | 深圳力维智联技术有限公司 | 一种图像识别模型的构建方法、图像识别方法及装置 |
| CN113031460A (zh) * | 2021-05-21 | 2021-06-25 | 中家院（北京）检测认证有限公司 | 基于人居场景智能感知分析的智慧家庭系统及其方法 |
| CN114821236A (zh) * | 2022-04-28 | 2022-07-29 | 青岛海尔科技有限公司 | 智慧家庭环境感知方法、系统、存储介质及电子装置 |
-
2022
- 2022-12-05 CN CN202211548695.8A patent/CN116226655A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915518A (zh) * | 2012-08-29 | 2013-02-06 | 太原理工大学 | 一种面向智能校园服务的情景感知系统 |
| CN105045234A (zh) * | 2015-07-10 | 2015-11-11 | 西安交通大学 | 基于智能可穿戴设备行为感知的智能家庭能源管理方法 |
| CN109218049A (zh) * | 2017-06-30 | 2019-01-15 | 华为技术有限公司 | 一种控制方法、相关设备以及系统 |
| CN110553358A (zh) * | 2019-08-30 | 2019-12-10 | 珠海格力电器股份有限公司 | 一种基于智能穿戴设备的空调控制方法、系统及空调器 |
| CN110837846A (zh) * | 2019-10-12 | 2020-02-25 | 深圳力维智联技术有限公司 | 一种图像识别模型的构建方法、图像识别方法及装置 |
| CN113031460A (zh) * | 2021-05-21 | 2021-06-25 | 中家院（北京）检测认证有限公司 | 基于人居场景智能感知分析的智慧家庭系统及其方法 |
| CN114821236A (zh) * | 2022-04-28 | 2022-07-29 | 青岛海尔科技有限公司 | 智慧家庭环境感知方法、系统、存储介质及电子装置 |
Non-Patent Citations (1)
| Title |
|---|
| 刘岸果: "基于情景感知的智慧家庭系统研究", 《中国优秀硕士学位论文全文数据库》, pages 6 - 12 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117216505A (zh) * | 2023-11-09 | 2023-12-12 | 广州视声智能股份有限公司 | 基于智慧家居使用记录的用户习惯预测方法及系统 |
| CN117216505B (zh) * | 2023-11-09 | 2024-03-19 | 广州视声智能股份有限公司 | 基于智慧家居使用记录的用户习惯预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110674748B (zh) | 图像数据处理方法、装置、计算机设备以及可读存储介质 | |
| CN108182389B (zh) | 基于大数据与深度学习的用户数据处理方法、机器人系统 | |
| Meng et al. | Towards online and personalized daily activity recognition, habit modeling, and anomaly detection for the solitary elderly through unobtrusive sensing | |
| CN103414930B (zh) | 识别感应用户的遥控系统及其方法 | |
| CN111783902B (zh) | 数据增广、业务处理方法、装置、计算机设备和存储介质 | |
| CN110826453A (zh) | 一种通过提取人体关节点坐标的行为识别方法 | |
| US20110202326A1 (en) | Modeling social and cultural conditions in a voxel database | |
| WO2022105117A1 (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
| CN110866145A (zh) | 一种共同偏好辅助的深度单类协同过滤推荐方法 | |
| CN110210540B (zh) | 基于注意力机制的跨社交媒体用户身份识别方法及系统 | |
| CN112395979A (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
| Roy et al. | A middleware framework for ambiguous context mediation in smart healthcare application | |
| CN113191479A (zh) | 联合学习的方法、系统、节点及存储介质 | |
| CN113158861A (zh) | 一种基于原型对比学习的运动分析方法 | |
| CN116226655A (zh) | 智慧家庭环境感知方法、装置、存储介质和电子设备 | |
| CN112419326A (zh) | 图像分割数据处理方法、装置、设备及存储介质 | |
| KR102494380B1 (ko) | 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템 | |
| CN114783601A (zh) | 一种生理数据的分析方法、装置、电子设备和存储介质 | |
| CN114330482A (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
| CN108038496B (zh) | 基于大数据与深度学习的婚恋对象匹配数据处理方法、装置、计算机设备和存储介质 | |
| CN113762648B (zh) | 公卫黑天鹅事件预测方法、装置、设备及介质 | |
| CN116340643A (zh) | 对象推荐的调整方法及装置、存储介质、电子设备 | |
| CN115905688A (zh) | 一种基于人工智能和智能家居的参考信息生成方法 | |
| Huang et al. | Facial expression recognition based on multi‐regional D–S evidences theory fusion | |
| WO2021019311A1 (en) | Hybrid recommender system equipped with facial expression recognition and machine learning |
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 |