CN116467628A - 一种智能式共享浴房及其控制方法 - Google Patents

一种智能式共享浴房及其控制方法 Download PDF

Info

Publication number
CN116467628A
CN116467628A CN202310394084.0A CN202310394084A CN116467628A CN 116467628 A CN116467628 A CN 116467628A CN 202310394084 A CN202310394084 A CN 202310394084A CN 116467628 A CN116467628 A CN 116467628A
Authority
CN
China
Prior art keywords
air quality
feature
time sequence
vector
quality index
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
Application number
CN202310394084.0A
Other languages
English (en)
Inventor
佟旭亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Xingyi Energy Saving And Environmental Protection Technology Co ltd
Original Assignee
Shenyang Xingyi Energy Saving And Environmental Protection Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang Xingyi Energy Saving And Environmental Protection Technology Co ltd filed Critical Shenyang Xingyi Energy Saving And Environmental Protection Technology Co ltd
Priority to CN202310394084.0A priority Critical patent/CN116467628A/zh
Publication of CN116467628A publication Critical patent/CN116467628A/zh
Pending legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/0001—Control or safety arrangements for ventilation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Combustion & Propulsion (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Ventilation (AREA)

Abstract

公开了一种智能式共享浴房及其控制方法。其首先将多个预定时间点的空气质量指数和多个预定时间点的通风换气设备的功率值分别排列为空气质量指数时序输入向量和功率时序输入向量后分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，接着，对所述空气质量指数时序特征向量进行特征表达强化和特征分布约束以得到优化空气质量指数时序特征矩阵，最后，计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量通过分类器以得到用于表示当前时间点的通风换气设备的功率值应增大或应减小的分类结果。这样，可以优化共享浴房内的消杀换气效率，提高浴房内的空气质量。

Description

一种智能式共享浴房及其控制方法
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种智能式共享浴房及其控制方法。
背景技术
共享浴房是一种集体性质的沐浴空间，主要方便人们清洁身体，共享浴房设置的位置大多根据清洁的要求而定，有高级会所，也有较为大众的浴池，还有一种就是在风景旅游区或者游乐场设置的公共浴室，方便人们在游玩过程中进行身体的清洁。
在使用共享浴房后，需要配置喷雾消毒设备对浴房表面和空气进行消杀，且消杀后应根据室内空气质量，开启通风换气设备。但是，传统的控制方式是依靠人工进行数据监测，来完成对于消杀的过程控制，这种方式只能基于室内空气质量数值的变化来进行开启或关闭通风换气设备，此时通风换气设备的工作功率固定在某一数值，并没有关注到空气质量指数和通风换气功率间的适配关系，导致共享浴房内消杀换气的效率较低，影响浴房内的空气质量。
因此，期望一种优化的智能式共享浴房。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能式共享浴房及其控制方法。其首先将多个预定时间点的空气质量指数和多个预定时间点的通风换气设备的功率值分别排列为空气质量指数时序输入向量和功率时序输入向量后分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，接着，对所述空气质量指数时序特征向量进行特征表达强化和特征分布约束以得到优化空气质量指数时序特征矩阵，最后，计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量通过分类器以得到用于表示当前时间点的通风换气设备的功率值应增大或应减小的分类结果。这样，可以优化共享浴房内的消杀换气效率，提高浴房内的空气质量。
根据本申请的一个方面，提供了一种智能式共享浴房，其包括：
数据采集模块，用于获取预定时间段内多个预定时间点的共享浴房内的空气质量指数以及所述多个预定时间点的通风换气设备的功率值；
数据时序分布模块，用于将所述多个预定时间点的空气质量指数和所述多个预定时间点的通风换气设备的功率值分别按照时间维度排列为空气质量指数时序输入向量和功率时序输入向量；
特征捕捉模块，用于将所述空气质量指数时序输入向量和所述功率时序输入向量分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，其中，所述多尺度特征捕捉器包括第一分支结构和第二分支结构，所述第一分支结构为使用具有第一尺度的一维卷积核的第一卷积神经网络模型，所述第二分支结构为使用具有第二尺度的一维卷积核的第二卷积神经网络模型；
空气质量特征增强模块，用于对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到空气质量指数时序特征矩阵；
优化模块，用于对所述空气质量指数时序特征矩阵进行特征分布约束以得到优化空气质量指数时序特征矩阵；
关联编码模块，用于计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量；以及
功率控制模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的通风换气设备的功率值应增大或应减小。
在上述的智能式共享浴房中，所述特征捕捉模块，包括：
第一尺度空气质量特征提取单元，用于使用所述多尺度特征捕捉器的所述第一卷积神经网络模型对所述空气质量指数时序输入向量进行一维卷积编码以得到第一尺度空气质量特征向量，其中，所述第一卷积神经网络模型具有第一尺度的一维卷积核；
第二尺度空气质量特征提取单元，用于使用所述多尺度特征捕捉器的所述第二卷积神经网络模型对所述空气质量指数时序输入向量进行一维卷积编码以得到第二尺度空气质量特征向量，其中，所述第二卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及
空气质量多尺度融合单元，用于将所述第一尺度空气质量特征向量和所述第二尺度空气质量特征向量进行级联以得到所述空气质量指数时序特征向量。
在上述的智能式共享浴房中，所述特征捕捉模块，进一步包括：
第一尺度功率特征提取单元，用于使用所述多尺度特征捕捉器的所述第一卷积神经网络模型对所述功率时序输入向量进行一维卷积编码以得到第一尺度功率特征向量，其中，所述第一卷积神经网络模型具有第一尺度的一维卷积核；
第二尺度功率特征提取单元，用于使用所述多尺度特征捕捉器的所述第二卷积神经网络模型对所述功率时序输入向量进行一维卷积编码以得到第二尺度功率特征向量，其中，所述第二卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及
功率多尺度融合单元，用于将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述功率时序特征向量。
在上述的智能式共享浴房中，所述空气质量特征增强模块，用于：
以如下强化公式对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到所述空气质量指数时序特征矩阵；
其中，所述强化公式为：
其中，μ表示所述空气质量指数时序特征向量，且σ的每个位置的值表示所述空气质量指数时序特征向量中相应两个位置的特征值之间的方差。
在上述的智能式共享浴房中，所述优化模块，包括：
初始特征关联单元，用于计算所述空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为初始分类特征向量；
高斯响应关联单元，用于计算所述初始分类特征向量相对于所述功率时序特征向量的基于高斯密度图的响应性估计以得到响应性估计特征矩阵；以及
特征优化单元，用于基于所述响应性估计特征矩阵对于所述空气质量指数时序特征矩阵进行卷积式字典对照响应学习以得到所述优化空气质量指数时序特征矩阵。
在上述的智能式共享浴房中，所述初始特征关联单元，用于：
以如下转移向量计算公式计算所述空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为所述初始分类特征向量；
其中，所述转移向量计算公式为：
其中，Vc表示所述功率时序特征向量的转移向量，M表示所述空气质量指数时序特征矩阵，V表示所述初始分类特征向量，表示矩阵相乘。
在上述的智能式共享浴房中，所述高斯响应关联单元，包括：
高斯密度图构造子单元，用于分别构造所述初始分类特征向量和所述功率时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；
高斯响应性估计子单元，用于计算所述第一高斯密度图相对于所述第二高斯密度图以得到响应性高斯密度图；以及
高斯离散化子单元，用于对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述响应性估计特征矩阵。
在上述的智能式共享浴房中，所述特征优化单元，用于：
基于所述响应性估计特征矩阵以如下优化公式对于所述空气质量指数时序特征矩阵进行卷积式字典对照响应学习以得到所述优化空气质量指数时序特征矩阵；
其中，所述优化公式为：
其中，M1和M2分别是所述响应性估计特征矩阵和所述空气质量指数时序特征矩阵，且||·||F表示矩阵的Frobenius范数，(·)T表示矩阵的转置矩阵，表示矩阵加法，/>表示矩阵乘法，M2'表示所述优化空气质量指数时序特征矩阵。
在上述的智能式共享浴房中，所述功率控制模块，包括：
全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面，提供了一种智能式共享浴房控制方法，其包括：
获取预定时间段内多个预定时间点的共享浴房内的空气质量指数以及所述多个预定时间点的通风换气设备的功率值；
将所述多个预定时间点的空气质量指数和所述多个预定时间点的通风换气设备的功率值分别按照时间维度排列为空气质量指数时序输入向量和功率时序输入向量；
将所述空气质量指数时序输入向量和所述功率时序输入向量分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，其中，所述多尺度特征捕捉器包括第一分支结构和第二分支结构，所述第一分支结构为使用具有第一尺度的一维卷积核的第一卷积神经网络模型，所述第二分支结构为使用具有第二尺度的一维卷积核的第二卷积神经网络模型；
对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到空气质量指数时序特征矩阵；
对所述空气质量指数时序特征矩阵进行特征分布约束以得到优化空气质量指数时序特征矩阵；
计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的通风换气设备的功率值应增大或应减小。
与现有技术相比，本申请提供的智能式共享浴房及其控制方法，其首先将多个预定时间点的空气质量指数和多个预定时间点的通风换气设备的功率值分别排列为空气质量指数时序输入向量和功率时序输入向量后分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，接着，对所述空气质量指数时序特征向量进行特征表达强化和特征分布约束以得到优化空气质量指数时序特征矩阵，最后，计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量通过分类器以得到用于表示当前时间点的通风换气设备的功率值应增大或应减小的分类结果。这样，可以优化共享浴房内的消杀换气效率，提高浴房内的空气质量。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的智能式共享浴房的应用场景图。
图2为根据本申请实施例的智能式共享浴房的框图示意图。
图3为根据本申请实施例的智能式共享浴房中的所述特征捕捉模块的框图示意图。
图4为根据本申请实施例的智能式共享浴房中的所述优化模块的框图示意图。
图5为根据本申请实施例的智能式共享浴房中的所述高斯响应关联单元的框图示意图。
图6为根据本申请实施例的智能式共享浴房中的所述功率控制模块的框图示意图。
图7为根据本申请实施例的智能式共享浴房控制方法的流程图。
图8为根据本申请实施例的智能式共享浴房控制方法的系统架构的示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如上所述，在使用共享浴房后，需要配置喷雾消毒设备对浴房表面和空气进行消杀，且消杀后应根据室内空气质量，开启通风换气设备。但是，传统的控制方式是依靠人工进行数据监测，来完成对于消杀的过程控制，这种方式只能基于室内空气质量数值的变化来进行开启或关闭通风换气设备，此时通风换气设备的工作功率固定在某一数值，并没有关注到空气质量指数和通风换气功率间的适配关系，导致共享浴房内消杀换气的效率较低，影响浴房内的空气质量。因此，期望一种优化的智能式共享浴房。
相应地，考虑到在实际进行共享浴房的消杀换气控制时，对于通风设备的功率值控制应适配于共享浴房内的空气质量指数变化情况，也就是说，基于所述共享浴房内的空气质量指数的时序变化特征来自适应地调整所述通风设备的功率值，以提高共享浴房的消杀换气效率和浴房内的空气质量。但是，由于所述共享浴房内的空气质量指数和所述通风换气设备的功率值在时间维度上都具有着动态变化规律，并且这两者之间还具有着时序的动态关联特征，难以对于通风换气设备的功率值进行精准控制。因此，在此过程中，难点在于如何建立所述共享浴房内的空气质量指数的时序变化和所述通风换气设备的功率值时序变化之间的映射关系，以基于共享浴房内的空气质量指数变化情况来自适应地调控通风换气设备的功率值，进而优化共享浴房内的消杀换气效率，提高浴房内的空气质量。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述共享浴房内的空气质量指数的时序变化和所述通风换气设备的功率值时序变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述共享浴房内的空气质量指数的时序变化和所述通风换气设备的功率值时序变化之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的共享浴房内的空气质量指数以及所述多个预定时间点的通风换气设备的功率值。接着，考虑到由于所述共享浴房内的空气质量指数和所述通风换气设备的功率值在时间维度上都具有着动态变化规律，为了能够提高所述共享浴房内的空气质量指数和所述通风换气设备的功率值的时序动态变化特征的表达充分性，将所述多个预定时间点的空气质量指数和所述多个预定时间点的通风换气设备的功率值分别按照时间维度排列为空气质量指数时序输入向量和功率时序输入向量，以此来分别整合所述共享浴房内的空气质量指数和所述通风换气设备的功率值在时序上的分布信息。
然后，使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来分别进行所述共享浴房内的空气质量指数和所述通风换气设备的功率值的时序动态关联特征提取。特别地，考虑到由于所述共享浴房内的空气质量指数和所述通风换气设备的功率值这两者分别在时间维度上的不同时间周期跨度下都具有着不同的变化模式特征，因此，若想能够充分地提取出所述共享浴房内的空气质量指数和所述通风换气设备的功率值分别在时序上的动态变化特性，以提高所述共享浴房内的空气质量指数和所述通风换气设备的功率值分别在时序上的动态特征表达能力，将所述空气质量指数时序输入向量和所述功率时序输入向量分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量。特别地，这里，所述多尺度特征捕捉器包括第一分支结构和第二分支结构，所述第一分支结构为使用具有第一尺度的一维卷积核的第一卷积神经网络模型，所述第二分支结构为使用具有第二尺度的一维卷积核的第二卷积神经网络模型。应可以理解，使用具有第一分支结构和第二分支结构的所述多尺度特征捕捉器能够分别提取出所述共享浴房内的空气质量指数和所述通风换气设备的功率值在时间维度上的多尺度时序动态关联特征分布信息，以优化所述共享浴房内的空气质量指数和所述通风换气设备的功率值的时序分布特征表达。
进一步地，考虑到所述共享浴房内的空气质量指数并不是固定的，其在时间维度上具有着波动性和不确定性，因此为了提高对于所述通风换气设备的功率值控制的准确性，需要在高维特征空间中对于所述空气质量指数的多尺度动态关联特征进行数据增强。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述共享浴房内的空气质量指数的先验分布，即高斯分布，来对于所述空气质量指数的多尺度动态关联特征进行数据增强。具体地，构造所述空气质量指数时序特征向量的高斯密度图，特别地，这里，所述高斯密度图的均值向量为所述空气质量指数时序特征向量，所述高斯密度图的协方差矩阵中各个位置的特征值为所述空气质量指数时序特征向量中相应两个位置的特征值之间的方差。然后，对所述空气质量指数时序特征向量的高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到空气质量指数时序特征矩阵。
然后，进一步再计算所述空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量，以此来表示所述共享浴房内的空气质量指数的时序多尺度动态变化特征和所述通风换气设备的功率值时序多尺度动态变化特征之间的关联性特征分布信息，即在所述通风换气设备的功率值变化影响下的关于所述共享浴房内的空气质量指数变化特征信息，并以此作为分类特征向量。
接着，进一步再将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的通风换气设备的功率值应增大或应减小。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的通风换气设备的功率值应增大(第一标签)、当前时间点的通风换气设备的功率值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为通风换气设备的功率值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的通风换气设备的功率值，以此来优化共享浴房内的消杀换气效率，提高浴房内的空气质量。
特别地，在本申请的技术方案中，这里，计算所述空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为所述分类特征向量时，如果能够对于所述空气质量指数时序特征矩阵的特征表示进行进一步约束，则可以提升所述空气质量指数时序特征矩阵的特征表达效果，从而提升所述分类特征向量的分类结果的准确性。
基于此，本申请的申请人使用所述分类特征向量相对于所述功率时序特征向量的转移性响应来作为对所述空气质量指数时序特征矩阵的特征表示的约束。具体地，首先计算所述分类特征向量相对于所述功率时序特征向量的基于高斯密度图的响应性估计以得到响应性估计特征矩阵，例如记为M1，再基于所述响应性估计特征矩阵M1对于所述空气质量指数时序特征矩阵，例如记为M2进行卷积式字典对照响应学习以优化所述空气质量指数时序特征矩阵，例如记为M2'，具体为：
其中||·||F表示矩阵的Frobenius范数。
也就是，基于所述响应性估计特征矩阵M1的类卷积神经网络的卷积核表征的邻域操作符属性，通过基于对应特征之间的差分特征流的卷积式字典对照学习，来对于所述空气质量指数时序特征矩阵M2的特征值的n级(n-hop)邻居进行本征先验结构的特征表达，并将低秩表示下的结构化差异的先验知识作为高维特征分布的特征响应参照，从而学习到特征间的可解释性响应，这样，就提高了优化后的所述空气质量指数时序特征矩阵M2'的特征表达效果，从而提升了作为所述优化后的所述空气质量指数时序特征矩阵M2'相对于所述功率时序特征向量的转移向量的所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够实时准确地基于共享浴房内的空气质量指数变化情况来自适应地调整通风换气设备的功率值，进而优化共享浴房内的消杀换气效率，提高浴房内的空气质量。
图1为根据本申请实施例的智能式共享浴房的应用场景图。如图1所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的共享浴房(例如，图1中所示意的M)内的空气质量指数(例如，图1中所示意的D1)以及所述多个预定时间点的通风换气设备的功率值(例如，图1中所示意的D2)，然后，将所述多个预定时间点的空气质量指数和所述多个预定时间点的通风换气设备的功率值输入至部署有智能式共享浴房控制算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够使用所述智能式共享浴房控制算法对所述多个预定时间点的空气质量指数和所述多个预定时间点的通风换气设备的功率值进行处理以得到用于表示当前时间点的通风换气设备的功率值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的智能式共享浴房的框图示意图。如图2所示，根据本申请实施例的智能式共享浴房100，包括：数据采集模块110，用于获取预定时间段内多个预定时间点的共享浴房内的空气质量指数以及所述多个预定时间点的通风换气设备的功率值；数据时序分布模块120，用于将所述多个预定时间点的空气质量指数和所述多个预定时间点的通风换气设备的功率值分别按照时间维度排列为空气质量指数时序输入向量和功率时序输入向量；特征捕捉模块130，用于将所述空气质量指数时序输入向量和所述功率时序输入向量分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，其中，所述多尺度特征捕捉器包括第一分支结构和第二分支结构，所述第一分支结构为使用具有第一尺度的一维卷积核的第一卷积神经网络模型，所述第二分支结构为使用具有第二尺度的一维卷积核的第二卷积神经网络模型；空气质量特征增强模块140，用于对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到空气质量指数时序特征矩阵；优化模块150，用于对所述空气质量指数时序特征矩阵进行特征分布约束以得到优化空气质量指数时序特征矩阵；关联编码模块160，用于计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量；以及，功率控制模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的通风换气设备的功率值应增大或应减小。
更具体地，在本申请实施例中，所述数据采集模块110，用于获取预定时间段内多个预定时间点的共享浴房内的空气质量指数以及所述多个预定时间点的通风换气设备的功率值。在实际进行共享浴房的消杀换气控制时，对于通风设备的功率值控制应适配于共享浴房内的空气质量指数变化情况，也就是说，基于所述共享浴房内的空气质量指数的时序变化特征来自适应地调整所述通风设备的功率值，以提高共享浴房的消杀换气效率和浴房内的空气质量。但是，由于所述共享浴房内的空气质量指数和所述通风换气设备的功率值在时间维度上都具有着动态变化规律，并且这两者之间还具有着时序的动态关联特征，难以对于通风换气设备的功率值进行精准控制。因此，在本申请的技术方案中，通过建立所述共享浴房内的空气质量指数的时序变化和所述通风换气设备的功率值时序变化之间的映射关系，以基于共享浴房内的空气质量指数变化情况来自适应地调控通风换气设备的功率值，进而优化共享浴房内的消杀换气效率，提高浴房内的空气质量。
更具体地，在本申请实施例中，所述数据时序分布模块120，用于将所述多个预定时间点的空气质量指数和所述多个预定时间点的通风换气设备的功率值分别按照时间维度排列为空气质量指数时序输入向量和功率时序输入向量。由于所述共享浴房内的空气质量指数和所述通风换气设备的功率值在时间维度上都具有着动态变化规律，为了能够提高所述共享浴房内的空气质量指数和所述通风换气设备的功率值的时序动态变化特征的表达充分性，将所述多个预定时间点的空气质量指数和所述多个预定时间点的通风换气设备的功率值分别按照时间维度排列为空气质量指数时序输入向量和功率时序输入向量，以此来分别整合所述共享浴房内的空气质量指数和所述通风换气设备的功率值在时序上的分布信息。
更具体地，在本申请实施例中，所述特征捕捉模块130，用于将所述空气质量指数时序输入向量和所述功率时序输入向量分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，其中，所述多尺度特征捕捉器包括第一分支结构和第二分支结构，所述第一分支结构为使用具有第一尺度的一维卷积核的第一卷积神经网络模型，所述第二分支结构为使用具有第二尺度的一维卷积核的第二卷积神经网络模型。使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来分别进行所述共享浴房内的空气质量指数和所述通风换气设备的功率值的时序动态关联特征提取。特别地，考虑到由于所述共享浴房内的空气质量指数和所述通风换气设备的功率值这两者分别在时间维度上的不同时间周期跨度下都具有着不同的变化模式特征，因此，若想能够充分地提取出所述共享浴房内的空气质量指数和所述通风换气设备的功率值分别在时序上的动态变化特性，以提高所述共享浴房内的空气质量指数和所述通风换气设备的功率值分别在时序上的动态特征表达能力，将所述空气质量指数时序输入向量和所述功率时序输入向量分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量。
应可以理解，使用具有第一分支结构和第二分支结构的所述多尺度特征捕捉器能够分别提取出所述共享浴房内的空气质量指数和所述通风换气设备的功率值在时间维度上的多尺度时序动态关联特征分布信息，以优化所述共享浴房内的空气质量指数和所述通风换气设备的功率值的时序分布特征表达。
应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
相应地，在一个具体示例中，如图3所示，所述特征捕捉模块130，包括：第一尺度空气质量特征提取单元131，用于使用所述多尺度特征捕捉器的所述第一卷积神经网络模型对所述空气质量指数时序输入向量进行一维卷积编码以得到第一尺度空气质量特征向量，其中，所述第一卷积神经网络模型具有第一尺度的一维卷积核；第二尺度空气质量特征提取单元132，用于使用所述多尺度特征捕捉器的所述第二卷积神经网络模型对所述空气质量指数时序输入向量进行一维卷积编码以得到第二尺度空气质量特征向量，其中，所述第二卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，空气质量多尺度融合单元133，用于将所述第一尺度空气质量特征向量和所述第二尺度空气质量特征向量进行级联以得到所述空气质量指数时序特征向量。
相应地，在一个具体示例中，所述第一尺度空气质量特征提取单元131，用于：使用所述多尺度特征捕捉器的所述第一卷积神经网络模型以如下第一卷积公式对所述空气质量指数时序输入向量进行一维卷积编码以得到所述第一尺度空气质量特征向量；其中，所述第一卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述空气质量指数时序输入向量，Cov(X)表示对所述空气质量指数时序输入向量进行一维卷积编码。
相应地，在一个具体示例中，所述第二尺度空气质量特征提取单元132，用于：使用所述多尺度特征捕捉器的所述第二卷积神经网络模型以如下第二卷积公式对所述空气质量指数时序输入向量进行一维卷积编码以得到所述第二尺度空气质量特征向量；其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述空气质量指数时序输入向量，Cov(X)表示对所述空气质量指数时序输入向量进行一维卷积编码。
进一步的，所述特征捕捉模块130，还包括：第一尺度功率特征提取单元134，用于使用所述多尺度特征捕捉器的所述第一卷积神经网络模型对所述功率时序输入向量进行一维卷积编码以得到第一尺度功率特征向量，其中，所述第一卷积神经网络模型具有第一尺度的一维卷积核；第二尺度功率特征提取单元135，用于使用所述多尺度特征捕捉器的所述第二卷积神经网络模型对所述功率时序输入向量进行一维卷积编码以得到第二尺度功率特征向量，其中，所述第二卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，功率多尺度融合单元136，用于将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述功率时序特征向量。
相应地，在一个具体示例中，所述第一尺度功率特征提取单元134，用于：使用所述多尺度特征捕捉器的所述第一卷积神经网络模型以如下第三卷积公式对所述功率时序输入向量进行一维卷积编码以得到所述第一尺度功率特征向量；其中，所述第三卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，Y表示所述功率时序输入向量，Cov(Y)表示对所述功率时序输入向量进行一维卷积编码。
相应地，在一个具体示例中，所述第二尺度功率特征提取单元135，用于：使用所述多尺度特征捕捉器的所述第二卷积神经网络模型以如下第四卷积公式对所述功率时序输入向量进行一维卷积编码以得到所述第二尺度功率特征向量；其中，所述第四卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，Y表示所述功率时序输入向量，Cov(Y)表示对所述功率时序输入向量进行一维卷积编码。
更具体地，在本申请实施例中，所述空气质量特征增强模块140，用于对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到空气质量指数时序特征矩阵。考虑到所述共享浴房内的空气质量指数并不是固定的，其在时间维度上具有着波动性和不确定性，因此为了提高对于所述通风换气设备的功率值控制的准确性，需要在高维特征空间中对于所述空气质量指数的多尺度动态关联特征进行数据增强。
应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述共享浴房内的空气质量指数的先验分布，即高斯分布，来对于所述空气质量指数的多尺度动态关联特征进行数据增强。
相应地，在一个具体示例中，所述空气质量特征增强模块140，用于：以如下强化公式对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到所述空气质量指数时序特征矩阵；其中，所述强化公式为：
其中，μ表示所述空气质量指数时序特征向量，且σ的每个位置的值表示所述空气质量指数时序特征向量中相应两个位置的特征值之间的方差。
更具体地，在本申请实施例中，所述优化模块150，用于对所述空气质量指数时序特征矩阵进行特征分布约束以得到优化空气质量指数时序特征矩阵。
相应地，在一个具体示例中，如图4所示，所述优化模块150，包括：初始特征关联单元151，用于计算所述空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为初始分类特征向量；高斯响应关联单元152，用于计算所述初始分类特征向量相对于所述功率时序特征向量的基于高斯密度图的响应性估计以得到响应性估计特征矩阵；以及，特征优化单元153，用于基于所述响应性估计特征矩阵对于所述空气质量指数时序特征矩阵进行卷积式字典对照响应学习以得到所述优化空气质量指数时序特征矩阵。
应可以理解，计算所述空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量，以此来表示所述共享浴房内的空气质量指数的时序多尺度动态变化特征和所述通风换气设备的功率值时序多尺度动态变化特征之间的关联性特征分布信息，即在所述通风换气设备的功率值变化影响下的关于所述共享浴房内的空气质量指数变化特征信息，并以此作为分类特征向量。
相应地，在一个具体示例中，所述初始特征关联单元151，用于：以如下转移向量计算公式计算所述空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为所述初始分类特征向量；其中，所述转移向量计算公式为：
其中，Vc表示所述功率时序特征向量的转移向量，M表示所述空气质量指数时序特征矩阵，V表示所述初始分类特征向量，表示矩阵相乘。
相应地，在一个具体示例中，如图5所示，所述高斯响应关联单元152，包括：高斯密度图构造子单元1521，用于分别构造所述初始分类特征向量和所述功率时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；高斯响应性估计子单元1522，用于计算所述第一高斯密度图相对于所述第二高斯密度图以得到响应性高斯密度图；以及，高斯离散化子单元1523，用于对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述响应性估计特征矩阵。
特别地，在本申请的技术方案中，这里，计算所述空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为所述分类特征向量时，如果能够对于所述空气质量指数时序特征矩阵的特征表示进行进一步约束，则可以提升所述空气质量指数时序特征矩阵的特征表达效果，从而提升所述分类特征向量的分类结果的准确性。基于此，本申请的申请人使用所述分类特征向量相对于所述功率时序特征向量的转移性响应来作为对所述空气质量指数时序特征矩阵的特征表示的约束。具体地，首先计算所述分类特征向量相对于所述功率时序特征向量的基于高斯密度图的响应性估计以得到响应性估计特征矩阵，例如记为M1，再基于所述响应性估计特征矩阵M1对于所述空气质量指数时序特征矩阵，例如记为M2进行卷积式字典对照响应学习以优化所述空气质量指数时序特征矩阵。
相应地，在一个具体示例中，所述特征优化单元153，用于：基于所述响应性估计特征矩阵以如下优化公式对于所述空气质量指数时序特征矩阵进行卷积式字典对照响应学习以得到所述优化空气质量指数时序特征矩阵；其中，所述优化公式为：
其中，M1和M2分别是所述响应性估计特征矩阵和所述空气质量指数时序特征矩阵，且||·||F表示矩阵的Frobenius范数，(·)T表示矩阵的转置矩阵，表示矩阵加法，/>表示矩阵乘法，M2'表示所述优化空气质量指数时序特征矩阵。
也就是，基于所述响应性估计特征矩阵M1的类卷积神经网络的卷积核表征的邻域操作符属性，通过基于对应特征之间的差分特征流的卷积式字典对照学习，来对于所述空气质量指数时序特征矩阵M2的特征值的n级(n-hop)邻居进行本征先验结构的特征表达，并将低秩表示下的结构化差异的先验知识作为高维特征分布的特征响应参照，从而学习到特征间的可解释性响应，这样，就提高了优化后的所述空气质量指数时序特征矩阵M2'的特征表达效果，从而提升了作为所述优化后的所述空气质量指数时序特征矩阵M2'相对于所述功率时序特征向量的转移向量的所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够实时准确地基于共享浴房内的空气质量指数变化情况来自适应地调整通风换气设备的功率值，进而优化共享浴房内的消杀换气效率，提高浴房内的空气质量。
更具体地，在本申请实施例中，所述关联编码模块160，用于计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量。
更具体地，在本申请实施例中，所述功率控制模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的通风换气设备的功率值应增大或应减小。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的通风换气设备的功率值应增大(第一标签)、当前时间点的通风换气设备的功率值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为通风换气设备的功率值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的通风换气设备的功率值，以此来优化共享浴房内的消杀换气效率，提高浴房内的空气质量。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，在一个具体示例中，如图6所示，所述功率控制模块170，包括：全连接编码单元171，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元172，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的智能式共享浴房100被阐明，其首先将多个预定时间点的空气质量指数和多个预定时间点的通风换气设备的功率值分别排列为空气质量指数时序输入向量和功率时序输入向量后分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，接着，对所述空气质量指数时序特征向量进行特征表达强化和特征分布约束以得到优化空气质量指数时序特征矩阵，最后，计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量通过分类器以得到用于表示当前时间点的通风换气设备的功率值应增大或应减小的分类结果。这样，可以优化共享浴房内的消杀换气效率，提高浴房内的空气质量。
如上所述，根据本申请实施例的所述基于本申请实施例的智能式共享浴房100可以实现在各种终端设备中，例如具有基于本申请实施例的智能式共享浴房控制算法的服务器等。在一个示例中，基于本申请实施例的智能式共享浴房100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于本申请实施例的智能式共享浴房100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于本申请实施例的智能式共享浴房100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于本申请实施例的智能式共享浴房100与该终端设备也可以是分立的设备，并且该智能式共享浴房100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图7为根据本申请实施例的智能式共享浴房控制方法的流程图。如图7所示，根据本申请实施例的智能式共享浴房控制方法，其包括：S110，获取预定时间段内多个预定时间点的共享浴房内的空气质量指数以及所述多个预定时间点的通风换气设备的功率值；S120，将所述多个预定时间点的空气质量指数和所述多个预定时间点的通风换气设备的功率值分别按照时间维度排列为空气质量指数时序输入向量和功率时序输入向量；S130，将所述空气质量指数时序输入向量和所述功率时序输入向量分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，其中，所述多尺度特征捕捉器包括第一分支结构和第二分支结构，所述第一分支结构为使用具有第一尺度的一维卷积核的第一卷积神经网络模型，所述第二分支结构为使用具有第二尺度的一维卷积核的第二卷积神经网络模型；S140，对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到空气质量指数时序特征矩阵；S150，对所述空气质量指数时序特征矩阵进行特征分布约束以得到优化空气质量指数时序特征矩阵；S160，计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量；以及，S170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的通风换气设备的功率值应增大或应减小。
图8为根据本申请实施例的智能式共享浴房控制方法的系统架构的示意图。如图8所示，在所述智能式共享浴房控制方法的系统架构中，首先，获取预定时间段内多个预定时间点的共享浴房内的空气质量指数以及所述多个预定时间点的通风换气设备的功率值；接着，将所述多个预定时间点的空气质量指数和所述多个预定时间点的通风换气设备的功率值分别按照时间维度排列为空气质量指数时序输入向量和功率时序输入向量；然后，将所述空气质量指数时序输入向量和所述功率时序输入向量分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，其中，所述多尺度特征捕捉器包括第一分支结构和第二分支结构，所述第一分支结构为使用具有第一尺度的一维卷积核的第一卷积神经网络模型，所述第二分支结构为使用具有第二尺度的一维卷积核的第二卷积神经网络模型；接着，对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到空气质量指数时序特征矩阵；然后，对所述空气质量指数时序特征矩阵进行特征分布约束以得到优化空气质量指数时序特征矩阵；接着，计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量；最后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的通风换气设备的功率值应增大或应减小。
在一个具体示例中，在上述智能式共享浴房控制方法中，将所述空气质量指数时序输入向量和所述功率时序输入向量分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，包括：使用所述多尺度特征捕捉器的所述第一卷积神经网络模型对所述空气质量指数时序输入向量进行一维卷积编码以得到第一尺度空气质量特征向量，其中，所述第一卷积神经网络模型具有第一尺度的一维卷积核；使用所述多尺度特征捕捉器的所述第二卷积神经网络模型对所述空气质量指数时序输入向量进行一维卷积编码以得到第二尺度空气质量特征向量，其中，所述第二卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，将所述第一尺度空气质量特征向量和所述第二尺度空气质量特征向量进行级联以得到所述空气质量指数时序特征向量。
在一个具体示例中，在上述智能式共享浴房控制方法中，将所述空气质量指数时序输入向量和所述功率时序输入向量分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，进一步包括：使用所述多尺度特征捕捉器的所述第一卷积神经网络模型对所述功率时序输入向量进行一维卷积编码以得到第一尺度功率特征向量，其中，所述第一卷积神经网络模型具有第一尺度的一维卷积核；使用所述多尺度特征捕捉器的所述第二卷积神经网络模型对所述功率时序输入向量进行一维卷积编码以得到第二尺度功率特征向量，其中，所述第二卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述功率时序特征向量。
在一个具体示例中，在上述智能式共享浴房控制方法中，对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到空气质量指数时序特征矩阵，包括：以如下强化公式对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到所述空气质量指数时序特征矩阵；其中，所述强化公式为：
其中，μ表示所述空气质量指数时序特征向量，且σ的每个位置的值表示所述空气质量指数时序特征向量中相应两个位置的特征值之间的方差。
在一个具体示例中，在上述智能式共享浴房控制方法中，对所述空气质量指数时序特征矩阵进行特征分布约束以得到优化空气质量指数时序特征矩阵，包括：计算所述空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为初始分类特征向量；计算所述初始分类特征向量相对于所述功率时序特征向量的基于高斯密度图的响应性估计以得到响应性估计特征矩阵；以及，基于所述响应性估计特征矩阵对于所述空气质量指数时序特征矩阵进行卷积式字典对照响应学习以得到所述优化空气质量指数时序特征矩阵。
在一个具体示例中，在上述智能式共享浴房控制方法中，计算所述空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为初始分类特征向量，包括：以如下转移向量计算公式计算所述空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为所述初始分类特征向量；其中，所述转移向量计算公式为：
其中，Vc表示所述功率时序特征向量的转移向量，M表示所述空气质量指数时序特征矩阵，V表示所述初始分类特征向量，表示矩阵相乘。
在一个具体示例中，在上述智能式共享浴房控制方法中，计算所述初始分类特征向量相对于所述功率时序特征向量的基于高斯密度图的响应性估计以得到响应性估计特征矩阵，包括：分别构造所述初始分类特征向量和所述功率时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；计算所述第一高斯密度图相对于所述第二高斯密度图以得到响应性高斯密度图；以及，对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述响应性估计特征矩阵。
在一个具体示例中，在上述智能式共享浴房控制方法中，基于所述响应性估计特征矩阵对于所述空气质量指数时序特征矩阵进行卷积式字典对照响应学习以得到所述优化空气质量指数时序特征矩阵，包括：基于所述响应性估计特征矩阵以如下优化公式对于所述空气质量指数时序特征矩阵进行卷积式字典对照响应学习以得到所述优化空气质量指数时序特征矩阵；其中，所述优化公式为：
其中，M1和M2分别是所述响应性估计特征矩阵和所述空气质量指数时序特征矩阵，且||·||F表示矩阵的Frobenius范数，(·)T表示矩阵的转置矩阵，表示矩阵加法，/>表示矩阵乘法，M2'表示所述优化空气质量指数时序特征矩阵。
在一个具体示例中，在上述智能式共享浴房控制方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的通风换气设备的功率值应增大或应减小，包括：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述智能式共享浴房控制方法中的各个步骤的具体操作已经在上面参考图1到图6的智能式共享浴房100的描述中得到了详细介绍，并因此，将省略其重复描述。
进一步地，对本申请的智能式共享浴房进行说明。智能式共享浴房是指以互联网技术为依托，可多人预约、淋浴模块可单独租赁使用，提供洗浴服务的浴房。如图1所示，本申请所述的智能式共享浴房采用统一模数制作，具有统一的尺寸规格与参数，并满足公差配合及模数协调的接口，由隔墙板、吊顶、地面、洗浴设施、消杀设备、控制系统等基本构件组成的独立洗浴单元，其具有预定、淋浴、消毒、报警、照明、通风、娱乐、支付、储物等功能，与配套软件相结合，可以通过电脑、手机等实现远程信息处理和控制，用户通过手机、电脑等与浴房互联，可以实现预约租赁，付费、消毒、娱乐等智能服务。
所述智能式共享浴房包括：顶板1、喷雾消毒喷头2、排风扇3、紫外线灯4、淋浴器5、照明灯6、毛巾架7、智能热水表8、置物架9、镜子10、壁板11、门12、地漏13和防水盘14。
其中，智能热水表8具有联网功能，可实现远程预定、设定配置、温度时间显示、付费等功能，可实现监控运行、收集数据、智能优化等统一管理。其显示器字迹清晰、便于观察。
其中，淋浴器5可以供给冷水和热水，可自由调整温度和水量。采用节水型，应符合GB28378淋浴器水效限定值及水效等级的规定。淋浴器配水支管直径25mm～40mm，支管管径不小于15mm。淋浴器保持同时给水要达到100％。相应的，热水供应系统配水点水温不得高于50℃，热水锅炉或水加热器的出水温度不宜高于55℃。
其中，照明灯6、排风扇3、插座及开关等，应符合GB4706.1及其它相应的标准。灯具防护等级不应低于IP55。照明灯6和排风扇3可采用手动、智能等多种控制方式；手动分散控制时，开关应安装在浴房壁板11外侧。照明灯6宜采用细管直管形三基色荧光灯、发光二极管灯(LED)等高效能光源，使得浴房内照度值≥70lx。
其中，每个浴房配备防雾镜子10、防锈防腐的置物架9和毛巾架7、手机盒等。
其中，地漏13、给排水管道、管件应不易锈蚀，可以采用耐腐蚀的朔料制品或铜、铝制品等，并符合相应的标准要求，从而排水通畅，不渗漏。相应的，排水口直径≥50mm，排水口应配置防臭、大口径地漏13，地漏13应设置在地面最低点。
其中，顶板1、壁板11的内表面应光洁平整，无裂纹、无气泡，颜色均匀；顶板1、壁板11的外表面无缺损、毛刺等缺陷；顶板1、壁板11的切割面应无分层、毛刺。
其中，喷雾消毒喷头2可以对浴房表面和空气进行消杀。其可采用手动、智能等多种控制方式；当采用自动控制方式开启消杀设备时，应采取防误开措施。消杀后应根据室内空气质量，开启通风换气设备(排风扇3)，并应采取防误入措施。其中喷雾消毒液及使用应符合GB27948空气消毒剂卫生要求。喷雾效果和操作应符合GB/T38504喷雾消毒效果评价方法。喷雾喷头宜为不锈钢材料，以避免被药剂腐蚀。相应的，还可以安装紫外线灯等消毒装置，对传播媒介上和浴房内的病原微生物进行消毒。紫外线杀菌灯的控制装置应由时间继电器单独设置，并应采取防误开措施。
并且，被设置于智能式共享浴房中的卫生洁具外观应光滑、无裂纹、颜色均匀、边缘整齐；金属件外观表面应加工良好，无毛刺、伤痕、锈蚀、气孔等明显缺陷，喷漆部分无脱落、斑点、创伤、锈蚀等明显缺陷，电镀部分无电镀层剥落等明显缺陷，并需防锈部分应做防锈处理。
并且，智能式共享浴房中的电器设备应能保障证正常工作、安全、无漏电现象。浴房内设备配置均在安全电压以内，有接地、绝缘、漏电保护及隔离措施，符合GB4706.1家用和类似用途电器的安全第1部分通用要求的规定。浴房应设置辅助保护等电位联结，将保护导体与外露可导电部分和可接近的外界可导电部分相连接。
应可以理解，所述智能式共享浴房中还可以设置应急呼叫器、音箱和视频播放器等设备。应急呼叫器可以在洗浴用户按下应急呼叫按钮时，声光报警器立即发出警报声音，并伴有强光闪耀，从而工作人员接到呼救信号便会赶往事发地点处理。而音箱和视频播放器可通过蓝牙等器材播放，并应具有防水、防潮功能，其中音箱在紧急疏散情况时，可作为广播使用。
相应的，本申请所述的智能式共享浴房，可以在下述环境条件下正常工作，其中，环境温度：5℃～40℃；相对湿度：≤90％；大气压力：86kPa～106kPa；工作电源：频率：50Hz；电压：240V/380V。
根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (10)

1.一种智能式共享浴房，其特征在于，包括：
数据采集模块，用于获取预定时间段内多个预定时间点的共享浴房内的空气质量指数以及所述多个预定时间点的通风换气设备的功率值；
数据时序分布模块，用于将所述多个预定时间点的空气质量指数和所述多个预定时间点的通风换气设备的功率值分别按照时间维度排列为空气质量指数时序输入向量和功率时序输入向量；
特征捕捉模块，用于将所述空气质量指数时序输入向量和所述功率时序输入向量分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，其中，所述多尺度特征捕捉器包括第一分支结构和第二分支结构，所述第一分支结构为使用具有第一尺度的一维卷积核的第一卷积神经网络模型，所述第二分支结构为使用具有第二尺度的一维卷积核的第二卷积神经网络模型；
空气质量特征增强模块，用于对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到空气质量指数时序特征矩阵；
优化模块，用于对所述空气质量指数时序特征矩阵进行特征分布约束以得到优化空气质量指数时序特征矩阵；
关联编码模块，用于计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量；以及
功率控制模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的通风换气设备的功率值应增大或应减小。
2.根据权利要求1所述的智能式共享浴房，其特征在于，所述特征捕捉模块，包括：
第一尺度空气质量特征提取单元，用于使用所述多尺度特征捕捉器的所述第一卷积神经网络模型对所述空气质量指数时序输入向量进行一维卷积编码以得到第一尺度空气质量特征向量，其中，所述第一卷积神经网络模型具有第一尺度的一维卷积核；
第二尺度空气质量特征提取单元，用于使用所述多尺度特征捕捉器的所述第二卷积神经网络模型对所述空气质量指数时序输入向量进行一维卷积编码以得到第二尺度空气质量特征向量，其中，所述第二卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及
空气质量多尺度融合单元，用于将所述第一尺度空气质量特征向量和所述第二尺度空气质量特征向量进行级联以得到所述空气质量指数时序特征向量。
3.根据权利要求2所述的智能式共享浴房，其特征在于，所述特征捕捉模块，进一步包括：
第一尺度功率特征提取单元，用于使用所述多尺度特征捕捉器的所述第一卷积神经网络模型对所述功率时序输入向量进行一维卷积编码以得到第一尺度功率特征向量，其中，所述第一卷积神经网络模型具有第一尺度的一维卷积核；
第二尺度功率特征提取单元，用于使用所述多尺度特征捕捉器的所述第二卷积神经网络模型对所述功率时序输入向量进行一维卷积编码以得到第二尺度功率特征向量，其中，所述第二卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及
功率多尺度融合单元，用于将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述功率时序特征向量。
4.根据权利要求3所述的智能式共享浴房，其特征在于，所述空气质量特征增强模块，用于：
以如下强化公式对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到所述空气质量指数时序特征矩阵；
其中，所述强化公式为：
其中，μ表示所述空气质量指数时序特征向量，且σ的每个位置的值表示所述空气质量指数时序特征向量中相应两个位置的特征值之间的方差。
5.根据权利要求4所述的智能式共享浴房，其特征在于，所述优化模块，包括：
初始特征关联单元，用于计算所述空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为初始分类特征向量；
高斯响应关联单元，用于计算所述初始分类特征向量相对于所述功率时序特征向量的基于高斯密度图的响应性估计以得到响应性估计特征矩阵；以及
特征优化单元，用于基于所述响应性估计特征矩阵对于所述空气质量指数时序特征矩阵进行卷积式字典对照响应学习以得到所述优化空气质量指数时序特征矩阵。
6.根据权利要求5所述的智能式共享浴房，其特征在于，所述初始特征关联单元，用于：
以如下转移向量计算公式计算所述空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为所述初始分类特征向量；
其中，所述转移向量计算公式为：
其中，Vc表示所述功率时序特征向量的转移向量，M表示所述空气质量指数时序特征矩阵，V表示所述初始分类特征向量，表示矩阵相乘。
7.根据权利要求6所述的智能式共享浴房，其特征在于，所述高斯响应关联单元，包括：
高斯密度图构造子单元，用于分别构造所述初始分类特征向量和所述功率时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；
高斯响应性估计子单元，用于计算所述第一高斯密度图相对于所述第二高斯密度图以得到响应性高斯密度图；以及
高斯离散化子单元，用于对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述响应性估计特征矩阵。
8.根据权利要求7所述的智能式共享浴房，其特征在于，所述特征优化单元，用于：
基于所述响应性估计特征矩阵以如下优化公式对于所述空气质量指数时序特征矩阵进行卷积式字典对照响应学习以得到所述优化空气质量指数时序特征矩阵；
其中，所述优化公式为：
其中，M1和M2分别是所述响应性估计特征矩阵和所述空气质量指数时序特征矩阵，且||·||F表示矩阵的Frobenius范数，(·)T表示矩阵的转置矩阵，⊕表示矩阵加法，表示矩阵乘法，M2'表示所述优化空气质量指数时序特征矩阵。
9.根据权利要求8所述的智能式共享浴房，其特征在于，所述功率控制模块，包括：
全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
10.一种智能式共享浴房控制方法，其特征在于，包括：
获取预定时间段内多个预定时间点的共享浴房内的空气质量指数以及所述多个预定时间点的通风换气设备的功率值；
将所述多个预定时间点的空气质量指数和所述多个预定时间点的通风换气设备的功率值分别按照时间维度排列为空气质量指数时序输入向量和功率时序输入向量；
将所述空气质量指数时序输入向量和所述功率时序输入向量分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，其中，所述多尺度特征捕捉器包括第一分支结构和第二分支结构，所述第一分支结构为使用具有第一尺度的一维卷积核的第一卷积神经网络模型，所述第二分支结构为使用具有第二尺度的一维卷积核的第二卷积神经网络模型；
对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到空气质量指数时序特征矩阵；
对所述空气质量指数时序特征矩阵进行特征分布约束以得到优化空气质量指数时序特征矩阵；
计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的通风换气设备的功率值应增大或应减小。
CN202310394084.0A 2023-04-13 2023-04-13 一种智能式共享浴房及其控制方法 Pending CN116467628A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310394084.0A CN116467628A (zh) 2023-04-13 2023-04-13 一种智能式共享浴房及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310394084.0A CN116467628A (zh) 2023-04-13 2023-04-13 一种智能式共享浴房及其控制方法

Publications (1)

Publication Number Publication Date
CN116467628A true CN116467628A (zh) 2023-07-21

Family

ID=87174656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310394084.0A Pending CN116467628A (zh) 2023-04-13 2023-04-13 一种智能式共享浴房及其控制方法

Country Status (1)

Country Link
CN (1) CN116467628A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117393921A (zh) * 2023-10-17 2024-01-12 浙江博时新能源技术有限公司 分布式储能设备
CN118052774A (zh) * 2024-01-18 2024-05-17 杭州华犇包装有限公司 彩箱生产工艺智能控制方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117393921A (zh) * 2023-10-17 2024-01-12 浙江博时新能源技术有限公司 分布式储能设备
CN118052774A (zh) * 2024-01-18 2024-05-17 杭州华犇包装有限公司 彩箱生产工艺智能控制方法及系统

Similar Documents

Publication Publication Date Title
CN116467628A (zh) 一种智能式共享浴房及其控制方法
CN105512455B (zh) 根据温度估算耗电量的方法和装置
US20220044285A1 (en) Machine learning systems and methods for determining home value
CN108153158A (zh) 家居场景的切换方法、装置、存储介质及服务器
CN109065135A (zh) 一种医院后勤设备全生命周期管理云平台、方法和系统
CN110799978B (zh) 居住环境中的人脸识别
CN108717852A (zh) 一种基于白光通信和类脑认知的智能机器人语义交互系统和方法
Clement et al. Detecting activities of daily living with smart meters
CN109961178B (zh) 户型改造信息的获取方法及装置
Hagras Embedding computational intelligence in pervasive spaces
CN109270384A (zh) 一种用于识别用电设备电弧的方法和系统
CN118397519B (zh) 基于人工智能的校园学生安全监视系统及方法
CN106919063A (zh) 一种基于智能网关控制的智慧家庭系统
CN102254226A (zh) 基于bp神经网络的人类活动在智能家居环境中的辨识方法
WO2013008935A1 (ja) オンデマンド型電力制御システム、オンデマンド型電力制御システムプログラム及びそのプログラムを記録したコンピュータ読み取り可能な記録媒体
CN109683486A (zh) 一种控制智能家电设备的方法
WO2022038532A1 (en) Real-time control of mechanical valves using computer vision and machine learning
CN111433801A (zh) 数据生成装置、数据生成方法、数据生成程序及传感器装置
CN117177418A (zh) 一种建筑室内智慧照明控制方法、装置、设备及存储介质
Chiang et al. Knowledge transfer in activity recognition using sensor profile
Somiah et al. An empirical enquiry into the attributes of residential satisfaction that predict students’ satisfaction in public halls of residence in Technical Universities in Ghana
Wang et al. Occupancy detection based on spiking neural networks for green building automation systems
CN110717376A (zh) 房间状态预测方法、装置、电子设备及存储介质
Wang et al. Study on factors correlation of personal lighting comfort model in cyber-physical human centric systems
Ekwevugbe Advanced occupancy measurement using sensor fusion

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