CN116301126B - 一种香薰机的控制方法、香薰机的控制装置及香薰机 - Google Patents
一种香薰机的控制方法、香薰机的控制装置及香薰机 Download PDFInfo
- Publication number
- CN116301126B CN116301126B CN202211639651.6A CN202211639651A CN116301126B CN 116301126 B CN116301126 B CN 116301126B CN 202211639651 A CN202211639651 A CN 202211639651A CN 116301126 B CN116301126 B CN 116301126B
- Authority
- CN
- China
- Prior art keywords
- parameters
- data matrix
- extraction layer
- control
- feature extraction
- 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
Links
- 238000000222 aromatherapy Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 59
- 239000007788 liquid Substances 0.000 claims abstract description 39
- 230000007613 environmental effect Effects 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 92
- 239000011159 matrix material Substances 0.000 claims description 89
- 238000004590 computer program Methods 0.000 claims description 23
- 238000000889 atomisation Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 7
- 239000000341 volatile oil Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 14
- 239000003205 fragrance Substances 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 230000000694 effects Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 244000246386 Mentha pulegium Species 0.000 description 2
- 235000016257 Mentha pulegium Nutrition 0.000 description 2
- 235000004357 Mentha x piperita Nutrition 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 235000001050 hortel pimenta Nutrition 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 240000000560 Citrus x paradisi Species 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010044302 Tracheitis Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001795 light effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- -1 oxygen ions Chemical class 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
- A61L9/00—Disinfection, sterilisation or deodorisation of air
- A61L9/14—Disinfection, sterilisation or deodorisation of air using sprayed or atomised substances including air-liquid contact processes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
- A61L2209/00—Aspects relating to disinfection, sterilisation or deodorisation of air
- A61L2209/10—Apparatus features
- A61L2209/11—Apparatus for controlling air treatment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Epidemiology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于设备控制的技术领域，提供了一种香薰机的控制方法、香薰机的控制装置及香薰机，所述香薰机的控制方法包括：获取环境参数和用户特征参数；将环境参数和用户特征参数输入预先训练的神经网络模型，得到由所述神经网络模型输出第一置信度；获取所述香薰机的液体剩余量、多个历史控制参数和档位参数，并根据所述第一置信度、所述液体剩余量、所述多个历史控制参数和所述档位参数，计算偏好系数；根据所述偏好系数匹配对应的控制模式，并执行所述控制模式；其中，所述控制模式包括多个模块对应的控制参数。由上述可以看出，本发明在模型输入参数和输出参数都采用不同维度的数据，计算最终的控制模式，故可提升对于控制参数的计算精度。
Description
技术领域
本发明属于设备控制的技术领域，尤其涉及一种香薰机的控制方法、香薰机的控制装置及香薰机。
背景技术
香薰机通过超声波震荡设备产生的高频震荡，将水分子及溶解的植物精油分解成直径为0.1微米至5微米的纳米级冷雾散发于周围的空气之中，使空气充满香味的器具。香薰机利用多种方式将水和纯植物精油雾化，使居室保持较高的湿度，并产生一定数量的天然负氧离子，净化空气，同时达到芳疗的效果，可辅助治疗和缓解流感、高血压、气管炎等疾病，并对神经系统、心血管系统和人体的新陈代谢起到一定保护作用。
随着人工智能的发展，目前香薰机可通过一些深度学习模型进行自主控制，而传统的控制方法采用的深度学习模型往往为常规的卷积神经网络，将其作为“黑盒子”实现控制参数的输出，其采用卷积神经网络为常规的卷积神经网络，且数据维度较少，故其对于控制参数的计算精度较低。
发明内容
有鉴于此，本发明实施例提供了一种香薰机的控制方法、香薰机的控制装置及香薰机，以解决无法实现香薰机基于不同使用需求进行自动控制的技术问题。
本发明实施例的第一方面提供了一种香薰机的控制方法，所述香薰机的控制方法包括：
获取环境参数和用户特征参数，所述环境参数包括温度、光照、湿度、季节和地域，所述用户特征参数包括性别、年龄和疲惫等级；
将所述环境参数和所述用户特征参数输入预先训练的神经网络模型，得到由所述神经网络模型输出第一置信度；
获取所述香薰机的液体剩余量、多个历史控制参数和档位参数，并根据所述第一置信度、所述液体剩余量、所述多个历史控制参数和所述档位参数，计算偏好系数；
根据所述偏好系数匹配对应的控制模式，并执行所述控制模式；其中，所述控制模式包括多个模块对应的控制参数，所述控制参数用于控制雾化功率、香薰味道、香薰浓度、灯光亮度和灯光颜色。
进一步地，所述将所述环境参数和所述用户特征参数输入预先训练的神经网络模型，得到由所述神经网络模型输出第一置信度的步骤，包括：
基于所述用户特征参数，构建第一数据矩阵；
将所述第一数据矩阵输入所述神经网络模型，得到由所述神经网络模型输出的第二置信度；
根据所述第二置信度调整所述第一数据矩阵中的多个参数，得到第二数据矩阵；
基于所述环境参数和所述第二数据矩阵，构建第三数据矩阵；
将所述第三数据矩阵输入所述神经网络模型，得到由所述神经网络模型输出的第一置信度。
进一步地，所述基于所述环境参数和所述第二数据矩阵，构建第三数据矩阵的步骤，包括：
将所述环境参数和所述第二数据矩阵合并，得到第四数据矩阵；
获取用户预先设置的档位参数；
根据所述档位参数调整所述第四数据矩阵，得到所述第三数据矩阵。
进一步地，所述神经网络模型包括五个特征提取层、全连接层和分类器；所述五个特征提取层包括第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和第五特征提取层；
所述将所述第一数据矩阵输入预先训练的神经网络模型，得到由所述神经网络模型输出的第二置信度的步骤，包括：
将所述第一数据矩阵输入至所述第一特征提取层，得到由所述第一特征提取层输出第一特征数据；
将所述第一特征数据输入至所述第三特征提取层，得到由所述第二特征提取层输出第二特征数据；
将所述第二特征数据输入所述分类器，得到由所述分类器输出的所述第二置信度。
进一步地，所述神经网络模型包括五个特征提取层、全连接层和分类器；所述五个特征提取层包括第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和第五特征提取层；
所述将所述第三数据矩阵输入所述神经网络模型，得到由所述神经网络模型输出的第一置信度，包括：
将所述第三数据矩阵输入至所述第一特征提取层，得到由所述第一特征提取层输出第三特征数据；
将所述第三特征数据输入至所述第二特征提取层，得到由所述第二特征提取层输出第四特征数据；
将所述第四特征数据输入至所述第三特征提取层，得到由所述第三特征提取层输出第五特征数据；
将所述第五特征数据输入至所述第四特征提取层，得到由所述第四特征提取层输出第六特征数据；
将所述第六特征数据输入至所述第五特征提取层，得到由所述第五特征提取层输出第七特征数据；
将所述第七特征数据输入所述分类器，得到由所述分类器输出的所述第一置信度。
进一步地，所述获取所述香薰机的液体剩余量、多个历史控制参数和档位参数，并根据所述第一置信度、所述液体剩余量、所述多个历史控制参数和所述档位参数，计算偏好系数的步骤，包括：
获取所述香薰机的液体剩余量、多个历史控制参数和档位参数；
将所述第一置信度、所述液体剩余量、所述多个历史控制参数和所述档位参数代入如下公式，得到所述偏好系数；
其中，T表示所述偏好系数，L表示所述液体剩余量，P所述第一置信度，Kn表示第n个历史控制参数，D表示所述档位参数。
本发明实施例的第二方面提供了一种香薰机的控制装置，包括：
第一获取单元，用于获取环境参数和用户特征参数，所述环境参数包括温度、光照、湿度、季节和地域，所述用户特征参数包括性别、年龄和疲惫等级；
计算单元，用于将所述环境参数和所述用户特征参数输入预先训练的神经网络模型，得到由所述神经网络模型输出第一置信度；
第二获取单元，用于获取所述香薰机的液体剩余量、多个历史控制参数和档位参数，并根据所述第一置信度、所述液体剩余量、所述多个历史控制参数和所述档位参数，计算偏好系数；
执行单元，用于根据所述偏好系数匹配对应的控制模式，并执行所述控制模式；其中，所述控制模式包括多个模块对应的控制参数，所述控制参数用于控制雾化功率、香薰味道、香薰浓度、灯光亮度和灯光颜色。
本发明实施例的第三方面提供了一种香薰机，包括雾化模块、精油模块、灯组模块、通信模块、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第一方面所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明通过获取环境参数和用户特征参数；将所述环境参数和所述用户特征参数输入预先训练的神经网络模型，得到由所述神经网络模型输出第一置信度；获取所述香薰机的液体剩余量、多个历史控制参数和档位参数，并根据所述第一置信度、所述液体剩余量、所述多个历史控制参数和所述档位参数，计算偏好系数；根据所述偏好系数匹配对应的控制模式，并执行所述控制模式；其中，所述控制模式包括多个模块对应的控制参数。上述方案，在多个数据维度(环境因素和用户需求因素)下分析用户需求，得到由神经网络模型输出的第一置信度，并根据第一置信度、液体剩余量、多个历史控制参数和档位参数，计算偏好系数，以根据偏好系数匹配对应的控制模式。由上述可以看出，本发明在模型输入参数和输出参数都采用不同维度的数据，计算最终的控制模式，故可提升对于控制参数的计算精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1示出了本发明提供的一种香薰机的控制方法的示意性流程图；
图2示出了本发明提供的一种香薰机的控制方法中步骤102的具体示意性流程图；
图3示出了本发明提供的一种香薰机的控制方法中步骤1022的具体示意性流程图；
图4示出了本发明提供的一种香薰机的控制方法中步骤1024的具体示意性流程图；
图5示出了本发明提供的一种香薰机的控制方法中步骤1025的具体示意性流程图；
图6示出了本发明提供的一种香薰机的控制方法中步骤103的具体示意性流程图；
图7示出了本发明一实施例提供的一种香薰机的控制装置的示意图；
图8示出了本发明一实施例提供的一种香薰机的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
首先，本发明提供了一种香薰机的控制方法。香薰机的控制方法的执行主体为香薰机。请参见图1，图1示出了本发明提供的一种香薰机的控制方法的示意性流程图。如图1所示，该香薰机的控制方法可以包括如下步骤：
步骤101：获取环境参数和用户特征参数，所述环境参数包括温度、光照、湿度、季节和地域，所述用户特征参数包括性别、年龄和疲惫等级。
香薰机通过通信模块与车联网服务器进行连接，车联网服务器向香薰机发送环境参数和用户特征参数。
由于香薰机的功能不仅仅是为了给环境进行加湿作用，还用于调整环境氛围，以实现调整用户情绪的功能。具体可通过香薰味道、香薰浓度、灯光亮度和灯光颜色等方式进行调节。为了达到上述目的，需要获取不同环境参数，以根据环境参数调整适合当前环境的控制参数。其中，环境参数包括但不限于温度、光照、湿度、季节和地域等一种参数或多种参数之间的组合。其中，季节对应春季、夏季、秋季和冬季，不同的季节可赋予不同的预设值。地域包括全国各地的不同省份，不同省份可赋予不同的预设值。
用户特征参数包括但不限于性别、年龄和疲惫等级等一种参数或多种参数之间的组合。由于不同的性别或不同的年龄对于香薰味道、香薰浓度、灯光亮度和灯光颜色等参数的需求偏好不同，故本实施例将性别和年龄作为用户特征参数。而疲惫等级是为了确定用户是否需要进行提神(可通过香薰味道、香薰浓度、灯光亮度和灯光颜色进行提神功能)。其中，不同的性别可赋予不同的预设值。疲惫等级可基于驾驶员连续驾驶时长或连续行驶距离确定，可划分为高度疲惫、中度疲惫、轻微疲惫和无疲惫等四种等级，不同的疲惫等级对应不同的预设值。疲惫等级可根据单一的连续驾驶时长或连续行驶距离确定，或根据连续驾驶时长和连续行驶距离综合确定。可根据连续驾驶时长和连续行驶距离所处的预设数值区间，确定疲惫等级。
步骤102：将所述环境参数和所述用户特征参数输入预先训练的神经网络模型，得到由所述神经网络模型输出第一置信度。
本实施例采用的神经网络模型是一种全新的神经网络模型，可称为“反哺神经网络模型”。其中，“反哺”是指数据矩阵中的部分参数经过模型处理后输出置信度，并根据置信度校正数据矩阵中的全部参数或部分参数，进而提高模型的处理精度。具体过程如下：
具体地，步骤102具体包括步骤1021至步骤1025。如图2所示，图2示出了本发明提供的一种香薰机的控制方法中步骤102的具体示意性流程图。
步骤1021：基于所述用户特征参数，构建第一数据矩阵。
根据不同用户特征参数对应的预设顺序，将用户特征参数中的多个参数构建为第一数据矩阵。
步骤1022：将所述第一数据矩阵输入所述神经网络模型，得到由所述神经网络模型输出的第二置信度。
神经网络模型包括五个特征提取层、全连接层和分类器。五个特征提取层包括第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和第五特征提取层。
其中，由于每个用户都具有一定的用户画像，故本实施例选择对用户特征参数(性别、年龄和疲惫等级)进行校正，使得数据矩阵更加贴合不同用户的当前需求。
具体地，步骤1022具体包括步骤A1至步骤A3。如图3所示，图3示出了本发明提供的一种香薰机的控制方法中步骤1022的具体示意性流程图。
步骤A1：将所述第一数据矩阵输入至所述第一特征提取层，得到由所述第一特征提取层输出第一特征数据。
步骤A2：将所述第一特征数据输入至所述第三特征提取层，得到由所述第二特征提取层输出第二特征数据。
步骤A3：将所述第二特征数据输入所述分类器，得到由所述分类器输出的所述第二置信度。
由于第一数据矩阵的数据维度较少，故提取其特征较为容易，无需采用复杂的特征提取处理，故本申请仅利用神经网络模型中的第一特征提取层和第三特征提取层进行特征提取(第一特征提取层和第三特征提取层之间采用跳跃连接)，并通过分类器输出第二置信度。
其中，在步骤A1至步骤A2的卷积处理过程中采用的卷积核大小为2*2。
在本实施例中，由于对用户特征参数(性别、年龄和疲惫等级)进行校正，使得数据矩阵更加贴合不同用户的当前需求。
步骤1023：根据所述第二置信度调整所述第一数据矩阵中的多个参数，得到第二数据矩阵。
具体地，步骤1023具体包括：将所述第一数据矩阵和所述第二置信度相乘，得到所述第二数据矩阵。
将第一数据矩阵和第二置信度相乘，可调整第一数据矩阵中的所有参数。
作为本发明的一个可选实施例，也可通过第二置信度调整第一数据矩阵中的部分参数，例如：仅通过第二置信度调整性别参数和年龄参数。
步骤1024：基于所述环境参数和所述第二数据矩阵，构建第三数据矩阵。
具体地，步骤1024具体包括步骤B1至步骤B3。如图4所示，图4示出了本发明提供的一种香薰机的控制方法中步骤1024的具体示意性流程图。
步骤B1：将所述环境参数和所述第二数据矩阵合并，得到第四数据矩阵。
根据不同参数对应的预设顺序，将环境参数和第二数据矩阵合并为第四数据矩阵。
步骤B2：获取用户预先设置的档位参数。
档位参数包括高档、中档和低档。每个档位对应不同的赋值。
步骤B3：根据所述档位参数调整所述第四数据矩阵，得到所述第三数据矩阵。
将档位参数与第四数据矩阵相乘，得到第三数据矩阵。
本实施例中，通过档位参数调整第三数据矩阵，使得后续的输出结果更符合用户的实际需求。
步骤1025：将所述第三数据矩阵输入所述神经网络模型，得到由所述神经网络模型输出的第一置信度。
具体地，步骤1025具体包括步骤C1至步骤C6。如图5所示，图5示出了本发明提供的一种香薰机的控制方法中步骤1025的具体示意性流程图。
步骤C1：将所述第三数据矩阵输入至所述第一特征提取层，得到由所述第一特征提取层输出第三特征数据。
步骤C2：将所述第三特征数据输入至所述第二特征提取层，得到由所述第二特征提取层输出第四特征数据。
步骤C3：将所述第四特征数据输入至所述第三特征提取层，得到由所述第三特征提取层输出第五特征数据。
步骤C4：将所述第五特征数据输入至所述第四特征提取层，得到由所述第四特征提取层输出第六特征数据。
步骤C5：将所述第六特征数据输入至所述第五特征提取层，得到由所述第五特征提取层输出第七特征数据。
步骤C6：将所述第七特征数据输入所述分类器，得到由所述分类器输出的所述第一置信度。
由于第三数据矩阵中具有较多维度的参数，故需要经过第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和第五特征提取层依次进行卷积处理，得到第七特征数据，并通过分类器得到第一置信度。
其中，在步骤C1至步骤C5的卷积处理过程中采用的卷积核大小为3*3。值得注意的是，本实施例与步骤A1至步骤A3中采用的卷积核大小(2*2)不同。由于步骤A1至步骤A3的输入参数的维度较少，故采用较小的卷积核即可满足计算需求，进而提高了模型的处理速度。
可以理解的是，步骤A1至步骤A3是基于用户画像维度进行处理，而步骤B1至步骤B5是结合环境参数和用户画像进行综合处理。
本实施例通过第二置信度的“反哺”，校正第二数据矩阵，得到第三数据矩阵，并进行卷积处理和分类处理，得到第一置信度，故使得神经网络模型具有更高的分类精度。
值得注意的是，本发明采用的“反哺卷积神经网络”有别于传统的卷积神经网络。若采用传统的卷积神经网络，则是直接将环境参数和用户特征参数输入卷积神经网络，并由卷积神经网络直接输出第一置信度。而本实施例考虑到每个用户都具有一定的用户画像，故本实施例选择对用户特征参数(性别、年龄和疲惫等级)对应的第一数据矩阵进行校正，得到第二数据矩阵，使得第二数据矩阵更加贴合不同用户的当前需求。进而将第二数据矩阵与环境参数组合得到第三数据矩阵，并将第三数据矩阵输入神经网络模型，得到第一置信度。由上述可知，本实施例对于卷积神经网络的输入数据具有两次处理过程：第一次将用户特征参数对应的第一数据矩阵输入神经网络模型得到第一置信度，并校正第一数据矩阵(反哺过程)，第二次将第二数据矩阵与环境参数组合并输入卷积神经网络。其中，对于第一次处理和第二次处理采用的特征提取层不同，第一次处理仅需通过第一特征提取层和第三特征提取层处理，第二次处理通过第一特征提取层至第五特征提取层处理。本实施例对于输入数据采用了全新的处理逻辑，可提高卷积神经网络的处理精度。
本实施通过“反哺卷积神经网络”对模型的输入数据矩阵进行预处理与校正，使得输入数据矩阵更加符合用户需求，进而使得输出结果更加符合用户需求。实现了香薰机基于不同使用需求进行自动控制。
步骤103：获取所述香薰机的液体剩余量、多个历史控制参数和档位参数，并根据所述第一置信度、所述液体剩余量、所述多个历史控制参数和所述档位参数，计算偏好系数。
本发明为了提高控制参数的精度，故根据第一置信度、液体剩余量、多个历史控制参数和档位参数，计算偏好系数。其中，香薰机的液体剩余量为纯净水剩余量或精油剩余量。多个历史控制参数是指多个历史时刻计算得到的控制参数，例如：前五次计算得到的控制参数。档位参数为用户预设的参数，包括但不限于低档、中档和高档，每一个档位对应不同的数值。
综合考虑上述参数，计算偏好系数，使得偏好系数更符合实际设备情况以及用户需求。
具体地，步骤103具体包括步骤1031至步骤1032。如图6所示，图6示出了本发明提供的一种香薰机的控制方法中步骤103的具体示意性流程图。获取所述香薰机的液体剩余量、多个历史控制参数和档位参数，并根据所述第一置信度、所述液体剩余量、所述多个历史控制参数和所述档位参数，计算偏好系数的步骤，包括：
步骤1031：获取所述香薰机的液体剩余量、多个历史控制参数和档位参数；
步骤1032：将所述第一置信度、所述液体剩余量、所述多个历史控制参数和所述档位参数代入如下公式，得到所述偏好系数；
其中，T表示所述偏好系数，L表示所述液体剩余量，P所述第一置信度，K n表示第n个历史控制参数，D表示所述档位参数。
步骤104：根据所述偏好系数匹配对应的控制模式，并执行所述控制模式；其中，所述控制模式包括多个模块对应的控制参数，所述控制参数用于控制雾化功率、香薰味道、香薰浓度、灯光亮度和灯光颜色。
在多个预设数值范围中，匹配偏好系数所处的预设数值范围。预设数值范围是指预先设置的多个数值范围，每个数值范围对应不同的控制模式。根据偏好系数所处的数值范围，确定控制模式。
不同的控制模式对应不同的控制参数，控制参数包括但不限于雾化功率、香薰味道、香薰浓度、灯光亮度和灯光颜色等一种参数或多种参数之间的组合。不同的控制参数用于控制不同的模块，包括但不限于雾化模块、香薰模块和灯组模块等模块。雾化模块用于雾化纯净水，形成一定浓度的雾化气体。香薰模块用于控制精油的参入量。灯组模块用于实现不同的灯光效果。
示例性地，第一控制模式主要用于针对在用户处于较疲惫状态时进行提神，可将香薰味道设置为薄荷味(薄荷味具有提神醒脑的效果)，雾化功率设置为最高档位、香薰浓度设置为中等档位、灯光亮度设置为最亮、灯光颜色设置为冷色系。第二控制模式主要用于调节季节氛围，可将香薰味道设置为葡萄柚味，雾化功率设置为中等档位、香薰浓度设置为低等档位、灯光亮度设置为低等、灯光颜色设置为绿色系，其他模式不一一赘述。
作为本发明的一个可选实施例，目标控制参数中还可以包括其他车联网设备的控制参数。目标控制参数中可以包括车载空调控制参数、车载氛围灯控制参数和车载音箱控制参数。本实施例通过通信模块将目标控制参数发送至车联网服务器，车联网服务器基于目标控制参数生成控制指令，并将控制指令发送至车载空调、车载氛围灯和车载音箱等设备。实现多个设备之间的联动控制，以更好地调整环境氛围，进而更好地适应不同用户的使用需求。
在本实施例中，获取环境参数和用户特征参数；将所述环境参数和所述用户特征参数输入预先训练的神经网络模型，得到由所述神经网络模型输出第一置信度；获取所述香薰机的液体剩余量、多个历史控制参数和档位参数，并根据所述第一置信度、所述液体剩余量、所述多个历史控制参数和所述档位参数，计算偏好系数；根据所述偏好系数匹配对应的控制模式，并执行所述控制模式；其中，所述控制模式包括多个模块对应的控制参数。上述方案，在多个数据维度(环境因素和用户需求因素)下分析用户需求，得到由神经网络模型输出的第一置信度，并根据第一置信度、液体剩余量、多个历史控制参数和档位参数，计算偏好系数，以根据偏好系数匹配对应的控制模式。由上述可以看出，本发明在模型输入参数和输出参数都采用不同维度的数据，计算最终的控制模式，故可提升对于控制参数的计算精度。
如图7本发明提供了一种香薰机的控制装置7，请参见图7，图7示出了本发明提供的一种香薰机的控制装置的示意图，如图7所示一种香薰机的控制装置包括：
第一获取单元71，用于获取环境参数和用户特征参数，所述环境参数包括温度、光照、湿度、季节和地域，所述用户特征参数包括性别、年龄和疲惫等级；
计算单元72，用于将所述环境参数和所述用户特征参数输入预先训练的神经网络模型，得到由所述神经网络模型输出第一置信度；
第二获取单元73，用于获取所述香薰机的液体剩余量、多个历史控制参数和档位参数，并根据所述第一置信度、所述液体剩余量、所述多个历史控制参数和所述档位参数，计算偏好系数；
执行单元74，用于根据所述偏好系数匹配对应的控制模式，并执行所述控制模式；其中，所述控制模式包括多个模块对应的控制参数，所述控制参数用于控制雾化功率、香薰味道、香薰浓度、灯光亮度和灯光颜色。
本发明提供的一种香薰机的控制装置，获取环境参数和用户特征参数；将所述环境参数和所述用户特征参数输入预先训练的神经网络模型，得到由所述神经网络模型输出第一置信度；获取所述香薰机的液体剩余量、多个历史控制参数和档位参数，并根据所述第一置信度、所述液体剩余量、所述多个历史控制参数和所述档位参数，计算偏好系数；根据所述偏好系数匹配对应的控制模式，并执行所述控制模式；其中，所述控制模式包括多个模块对应的控制参数。上述方案，在多个数据维度(环境因素和用户需求因素)下分析用户需求，得到由神经网络模型输出的第一置信度，并根据第一置信度、液体剩余量、多个历史控制参数和档位参数，计算偏好系数，以根据偏好系数匹配对应的控制模式。由上述可以看出，本发明在模型输入参数和输出参数都采用不同维度的数据，计算最终的控制模式，故可提升对于控制参数的计算精度。
图8是本发明一实施例提供的一种香薰机的示意图。如图8所示，该实施例的一种香薰机8包括：雾化模块80、精油模块81、灯组模块82、通信模块83、处理器84、存储器85以及存储在所述存储器85中并可在所述处理器84上运行的计算机程序86，例如一种香薰机的控制方法程序。所述处理器84执行所述计算机程序86时实现上述各个一种香薰机的控制方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，所述处理器84执行所述计算机程序86时实现上述各装置实施例中各单元的功能，例如图7所示单元71至74的功能。
示例性的，所述计算机程序86可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器85中，并由所述处理器84执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序86在所述一种香薰机8中的执行过程。例如，所述计算机程序86可以被分割成各单元的具体功能如下：
第一获取单元，用于获取环境参数和用户特征参数，所述环境参数包括温度、光照、湿度、季节和地域，所述用户特征参数包括性别、年龄和疲惫等级；
计算单元，用于将所述环境参数和所述用户特征参数输入预先训练的神经网络模型，得到由所述神经网络模型输出第一置信度；
第二获取单元，用于获取所述香薰机的液体剩余量、多个历史控制参数和档位参数，并根据所述第一置信度、所述液体剩余量、所述多个历史控制参数和所述档位参数，计算偏好系数；
执行单元，用于根据所述偏好系数匹配对应的控制模式，并执行所述控制模式；其中，所述控制模式包括多个模块对应的控制参数，所述控制参数用于控制雾化功率、香薰味道、香薰浓度、灯光亮度和灯光颜色。
所述香薰机中包括但不限于处理器84和存储器85。本领域技术人员可以理解，图8仅仅是一种香薰机8的示例，并不构成对一种香薰机8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种香薰机还可以包括输入输出设备、网络接入设备、总线等。
所述处理器84可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器85可以是所述一种香薰机8的内部存储单元，例如一种香薰机8的硬盘或内存。所述存储器85也可以是所述一种香薰机8的外部存储设备，例如所述一种香薰机8上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器85还可以既包括所述一种香薰机8的内部存储单元也包括外部存储设备。所述存储器85用于存储所述计算机程序以及所述一种漫游控制设备所需的其他程序和数据。所述存储器85还可以用于暂时地存储已经输出或者将要输出的数据。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，既将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本发明实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所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介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/香薰机的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
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或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所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，既可以位于一个地方，或者也可以分布到多个网络单元上。
应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于监测到”。类似地，短语“如果确定”或“如果监测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦监测到[所描述条件或事件]”或“响应于监测到[所描述条件或事件]”。
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (8)
1.一种香薰机的控制方法，其特征在于，所述香薰机的控制方法包括：
获取环境参数和用户特征参数，所述环境参数包括温度、光照、湿度、季节和地域，所述用户特征参数包括性别、年龄和疲惫等级；
基于所述用户特征参数，构建第一数据矩阵；
将所述第一数据矩阵输入神经网络模型，得到由所述神经网络模型输出的第二置信度；
根据所述第二置信度调整所述第一数据矩阵中的多个参数，得到第二数据矩阵；
基于所述环境参数和所述第二数据矩阵，构建第三数据矩阵；
将所述第三数据矩阵输入所述神经网络模型，得到由所述神经网络模型输出的第一置信度；
获取所述香薰机的液体剩余量、多个历史控制参数和档位参数；
将所述第一置信度、所述液体剩余量、所述多个历史控制参数和所述档位参数代入如下公式，得到偏好系数；其中，所述偏好系数由不同信息计算得到的特征系数，用于区分不同的控制模式，不同的控制模式对应不同的预设偏好系数范围；
其中，T表示所述偏好系数，L表示所述液体剩余量，P所述第一置信度，Kn表示第n个历史控制参数，D表示所述档位参数；
根据所述偏好系数匹配对应的控制模式，并执行所述控制模式；其中，所述控制模式包括多个模块对应的控制参数，所述控制参数用于控制雾化功率、香薰味道、香薰浓度、灯光亮度和灯光颜色。
2.如权利要求1所述的香薰机的控制方法，其特征在于，所述基于所述环境参数和所述第二数据矩阵，构建第三数据矩阵的步骤，包括：
将所述环境参数和所述第二数据矩阵合并，得到第四数据矩阵；
获取用户预先设置的档位参数；
根据所述档位参数调整所述第四数据矩阵，得到所述第三数据矩阵。
3.如权利要求1所述的香薰机的控制方法，其特征在于，所述神经网络模型包括五个特征提取层、全连接层和分类器；所述五个特征提取层包括第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和第五特征提取层；
所述将所述第一数据矩阵输入预先训练的神经网络模型，得到由所述神经网络模型输出的第二置信度的步骤，包括：
将所述第一数据矩阵输入至所述第一特征提取层，得到由所述第一特征提取层输出第一特征数据；
将所述第一特征数据输入至所述第三特征提取层，得到由所述第二特征提取层输出第二特征数据；
将所述第二特征数据输入所述分类器，得到由所述分类器输出的所述第二置信度。
4.如权利要求1所述的香薰机的控制方法，其特征在于，所述神经网络模型包括五个特征提取层、全连接层和分类器；所述五个特征提取层包括第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和第五特征提取层；
所述将所述第三数据矩阵输入所述神经网络模型，得到由所述神经网络模型输出的第一置信度，包括：
将所述第三数据矩阵输入至所述第一特征提取层，得到由所述第一特征提取层输出第三特征数据；
将所述第三特征数据输入至所述第二特征提取层，得到由所述第二特征提取层输出第四特征数据；
将所述第四特征数据输入至所述第三特征提取层，得到由所述第三特征提取层输出第五特征数据；
将所述第五特征数据输入至所述第四特征提取层，得到由所述第四特征提取层输出第六特征数据；
将所述第六特征数据输入至所述第五特征提取层，得到由所述第五特征提取层输出第七特征数据；
将所述第七特征数据输入所述分类器，得到由所述分类器输出的所述第一置信度。
5.如权利要求1所述的香薰机的控制方法，其特征在于，所述根据所述第二置信度调整所述第一数据矩阵中的多个参数，得到第二数据矩阵的步骤，包括：
将所述第一数据矩阵和所述第二置信度相乘，得到所述第二数据矩阵。
6.一种香薰机的控制装置，其特征在于，所述香薰机的控制装置包括：
第一获取单元，用于获取环境参数和用户特征参数，所述环境参数包括温度、光照、湿度、季节和地域，所述用户特征参数包括性别、年龄和疲惫等级；
计算单元，用于基于所述用户特征参数，构建第一数据矩阵；将所述第一数据矩阵输入神经网络模型，得到由所述神经网络模型输出的第二置信度；
根据所述第二置信度调整所述第一数据矩阵中的多个参数，得到第二数据矩阵；基于所述环境参数和所述第二数据矩阵，构建第三数据矩阵；将所述第三数据矩阵输入所述神经网络模型，得到由所述神经网络模型输出的第一置信度；
第二获取单元，用于获取所述香薰机的液体剩余量、多个历史控制参数和档位参数；将所述第一置信度、所述液体剩余量、所述多个历史控制参数和所述档位参数代入如下公式，得到偏好系数；其中，所述偏好系数由不同信息计算得到，用于区分不同的控制模式，不同的控制模式对应不同的预设偏好系数范围；
其中，T表示所述偏好系数，L表示所述液体剩余量，P所述第一置信度，Kn表示第n个历史控制参数，D表示所述档位参数；
执行单元，用于根据所述偏好系数匹配对应的控制模式，并执行所述控制模式；其中，所述控制模式包括多个模块对应的控制参数，所述控制参数用于控制雾化功率、香薰味道、香薰浓度、灯光亮度和灯光颜色。
7.一种香薰机，其特征在于，包括雾化模块、精油模块、灯组模块、通信模块、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至5任一项所述方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211639651.6A CN116301126B (zh) | 2022-12-20 | 2022-12-20 | 一种香薰机的控制方法、香薰机的控制装置及香薰机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211639651.6A CN116301126B (zh) | 2022-12-20 | 2022-12-20 | 一种香薰机的控制方法、香薰机的控制装置及香薰机 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116301126A CN116301126A (zh) | 2023-06-23 |
| CN116301126B true CN116301126B (zh) | 2024-01-30 |
Family
ID=86784025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211639651.6A Active CN116301126B (zh) | 2022-12-20 | 2022-12-20 | 一种香薰机的控制方法、香薰机的控制装置及香薰机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116301126B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108361927A (zh) * | 2018-02-08 | 2018-08-03 | 广东美的暖通设备有限公司 | 一种基于机器学习的空调器控制方法、装置以及空调器 |
| CN109631255A (zh) * | 2018-12-10 | 2019-04-16 | 珠海格力电器股份有限公司 | 一种空调控制方法、装置、存储介质及空调 |
| CN110989703A (zh) * | 2019-11-05 | 2020-04-10 | 珠海格力电器股份有限公司 | 调节香薰浓度的方法、装置、电子设备和计算机可读介质 |
| CN112097374A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 设备控制方法、装置、设备及计算机可读介质 |
| CN112667713A (zh) * | 2021-01-11 | 2021-04-16 | 德仕科技（深圳）有限公司 | 香薰机的智能控制方法、装置及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060204107A1 (en) * | 2005-03-04 | 2006-09-14 | Lockheed Martin Corporation | Object recognition system using dynamic length genetic training |
| CN108875821A (zh) * | 2018-06-08 | 2018-11-23 | Oppo广东移动通信有限公司 | 分类模型的训练方法和装置、移动终端、可读存储介质 |
-
2022
- 2022-12-20 CN CN202211639651.6A patent/CN116301126B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108361927A (zh) * | 2018-02-08 | 2018-08-03 | 广东美的暖通设备有限公司 | 一种基于机器学习的空调器控制方法、装置以及空调器 |
| CN109631255A (zh) * | 2018-12-10 | 2019-04-16 | 珠海格力电器股份有限公司 | 一种空调控制方法、装置、存储介质及空调 |
| CN110989703A (zh) * | 2019-11-05 | 2020-04-10 | 珠海格力电器股份有限公司 | 调节香薰浓度的方法、装置、电子设备和计算机可读介质 |
| CN112097374A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 设备控制方法、装置、设备及计算机可读介质 |
| CN112667713A (zh) * | 2021-01-11 | 2021-04-16 | 德仕科技（深圳）有限公司 | 香薰机的智能控制方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116301126A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dunn et al. | Meta-analytic review of marital therapy outcome research. | |
| CN113547901B (zh) | 一种车辆的控制方法、装置、电子设备及存储介质 | |
| WO2019222734A1 (en) | Learning data augmentation policies | |
| CN109101975A (zh) | 基于全卷积神经网络的图像语义分割方法 | |
| WO2008098235A3 (en) | System and method for providing simulated images through cosmetic monitoring | |
| CN105930771A (zh) | 一种驾驶行为评分方法及装置 | |
| CN116301126B (zh) | 一种香薰机的控制方法、香薰机的控制装置及香薰机 | |
| US20210171048A1 (en) | Apparatus for Controlling Personalized Driving Mode Based on Authentication of Driver, System Including the Same, and Method Thereof | |
| CN113191995B (zh) | 一种基于深度学习的视频图像自动曝光校正方法 | |
| CN110084207A (zh) | 自动调节人脸曝光量的曝光方法、装置和存储介质 | |
| DE102022106057A1 (de) | Authentifikatorintegriertes generatives adversariales netzwerk (gan) zur sicheren deepfake-erzeugung | |
| CN113923839A (zh) | 一种灯光调节方法及系统 | |
| CN117131271A (zh) | 一种内容生成方法及系统 | |
| CN110645996A (zh) | 一种感知数据的提取方法及系统 | |
| CN113505649A (zh) | 一种自来水加氯控制方法及装置 | |
| CN112101438B (zh) | 一种左右眼分类方法、装置、服务器和存储介质 | |
| CN111923688A (zh) | 场景风模拟方法、装置、系统以及存储介质 | |
| CN107767348B (zh) | 基于成像模型约束的单幅隧道图像快速增强方法 | |
| Kyung et al. | Real-time multi-scale Retinex to enhance night scene of vehicular camera | |
| CN114889848A (zh) | 一种卫星姿态的控制方法、控制装置、计算机设备和介质 | |
| CN113408452A (zh) | 表情重定向训练方法、装置、电子设备和可读存储介质 | |
| CN113242459A (zh) | 一种新视频曝光方法、装置、介质及计算机设备 | |
| CN116777795B (zh) | 一种适用于车载影像的亮度映射方法 | |
| CN109584242A (zh) | 最大熵和kl散度无参考对比度失真图像质量评价方法 | |
| CN116946141B (zh) | 增程式电动汽车的控制方法、装置、电动汽车及存储介质 |
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 |