CN116481128B - 空气净化系统、空气净化方法及存储介质 - Google Patents
空气净化系统、空气净化方法及存储介质 Download PDFInfo
- Publication number
- CN116481128B CN116481128B CN202310523275.2A CN202310523275A CN116481128B CN 116481128 B CN116481128 B CN 116481128B CN 202310523275 A CN202310523275 A CN 202310523275A CN 116481128 B CN116481128 B CN 116481128B
- Authority
- CN
- China
- Prior art keywords
- layer
- pooling
- full connection
- air
- air outlet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004887 air purification Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000000746 purification Methods 0.000 claims abstract description 20
- 238000011176 pooling Methods 0.000 claims description 129
- 239000007789 gas Substances 0.000 claims description 95
- 238000013507 mapping Methods 0.000 claims description 53
- 230000004913 activation Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010926 purge Methods 0.000 description 6
- 230000001954 sterilising effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000001877 deodorizing effect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- RECVMTHOQWMYFX-UHFFFAOYSA-N oxygen(1+) dihydride Chemical compound [OH2+] RECVMTHOQWMYFX-UHFFFAOYSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 150000002500 ions Chemical class 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 2
- 235000017491 Bambusa tulda Nutrition 0.000 description 2
- 241001330002 Bambuseae Species 0.000 description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 2
- 239000002386 air freshener Substances 0.000 description 2
- 239000011425 bamboo Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003610 charcoal Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000000222 aromatherapy Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 239000012855 volatile organic compound Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F8/00—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying
- F24F8/80—Self-contained air purifiers
-
- 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
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- 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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
-
- 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
- F24F11/89—Arrangement or mounting of control or safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F8/00—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying
- F24F8/30—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying by ionisation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/50—Air quality properties
- F24F2110/60—Odour
Abstract
本申请涉及一种空气净化系统、空气净化方法及存储介质,应用于智能家居技术领域,所述系统包括:多个测量装置、感知装置、净化装置、导流管道和多个出风口;每个测量装置用于测量测量装置所在点位的异味气体的浓度,并向感知装置发送异味气体的浓度;感知装置用于基于预先训练的神经网络模型,对多个测量装置发送的异味气体的浓度进行处理,得到针对每个出风口的控制参数;根据控制参数控制每个出风口的开启或关闭,若任一出风口开启,开启净化装置,若多个出风口均关闭,关闭净化装置;净化装置用于在开启时生成用于分解异味气体的净化气体;导流管道用于对净化气体进行导流,出风口用于在开启时在出风口送风。本申请可以提高空气净化的效率。
Description
技术领域
本申请涉及智能家居技术领域,尤其涉及一种空气净化系统、空气净化方法及存储介质。
背景技术
家居衣柜、橱柜、鞋柜等柜类产品由于其空间的封闭性,其产生的细菌、霉菌、化学物质等无法散发,不仅造成异味,还可能对存储物品造成损害,甚至威胁人体的健康。
相关技术中,可以通过放置竹炭包、放置空气清新剂、点香薰等方式消除柜内的异味, 然而该方式需要人工干预,除味除菌能力较弱,导致空气净化的效率较低。
发明内容
为了解决上述技术问题,本申请提供了一种空气净化系统、空气净化方法及存储介质。
根据本申请的第一方面,提供了一种空气净化系统,包括:包括:多个测量装置、感知装置、净化装置、导流管道和位于所述导流管道上的多个出风口;
每个所述测量装置,用于测量所述测量装置所在点位的异味气体的浓度,并向所述感知装置发送所述异味气体的浓度;
所述感知装置,用于基于预先训练的神经网络模型,对所述多个测量装置发送的异味气体的浓度进行处理,得到针对每个所述出风口的控制参数;根据所述控制参数控制每个所述出风口的开启或关闭,在确定任一所述出风口开启的情况下,开启所述净化装置,在确定所述多个出风口均关闭的情况下,关闭所述净化装置;
所述净化装置,用于在开启时生成用于分解异味气体的净化气体;
所述导流管道,用于对所述净化气体进行导流;
所述出风口,用于在开启时在所述出风口送风。
可选地,所述神经网络模型包括:输入层、多个隐藏层和输出层;所述多个隐藏层包括依次串联的归一化层、池化层和全连接层;
所述感知装置,具体用于将所述多个测量装置发送的异味气体的浓度输入所述输入层,通过所述归一化层对所述多个测量装置发送的异味气体的浓度进行归一化处理,得到归一化特征;通过所述池化层对所述归一化特征进行池化处理,得到池化特征;通过所述全连接层对所述池化特征进行全连接处理,得到针对每个所述出风口的控制参数,并通过所述输出层输出针对每个所述出风口的控制参数。
可选地,所述池化层包括:第一池化层和第二池化层;
所述感知装置,具体用于通过所述第一池化层对所述归一化特征进行池化处理,得到第一池化特征;
通过所述第二池化层对所述第一池化特征进行池化处理,得到第二池化特征。
可选地,所述全连接层包括:第一全连接层、第二全连接层和第三全连接层;
所述感知装置,具体用于通过所述第一全连接层对所述池化特征进行全连接处理,得到第一全连接特征;
通过所述第二全连接层对所述第一全连接特征进行全连接处理,得到第二全连接特征;
通过所述第三全连接层对所述第二全连接特征进行全连接处理,得到针对每个所述出风口的控制参数。
可选地,所述感知装置,具体用于通过以下公式:
(1)
对所述多个测量装置发送的异味气体的浓度进行归一化处理,得到第i个归一化特征;/>中的第一个下标1表示第一个隐藏层;
其中,;
表示测量装置的数量,/>表示第i个测量装置测量得到的异味气体的浓度;/>表示/>个异味气体的浓度的均值,/>表示/>个异味气体的浓度的方差。
可选地,所述感知装置,具体用于通过以下公式:
(2)
对所述归一化特征进行最大池化处理,得到第i个第一池化特征;/>中的第一个下标2表示第二个隐藏层;/>表示第i个归一化特征;
通过以下公式:
(3)
对所述第一池化特征进行最小池化处理,得到第i个第二池化特征;/>中的第一个下标3表示第三个隐藏层。
可选地,所述感知装置具体用于通过以下公式:
(4)
对所述池化特征进行全连接处理,得到第一全连接特征和/>;
其中,和/>中的第一个下标4表示第四个隐藏层,;/>表示第三个隐藏层中第n个偶数序号元素与第四个隐藏层中第m个偶数序号元素/>之间的映射参数;/>表示第三个隐藏层中第n个偶数序号元素/>与第四个隐藏层中第m个偶数序号元素之间的映射参数;/>表示第四个隐藏层中的映射参数,/>表示非线性激活函数;
通过以下公式:
(5)
对所述第一全连接特征进行全连接处理,得到第二全连接特征和,/>和/>中的第一个下标5表示第五个隐藏层,;/>是第四个隐藏层中第n个奇数序号元素/>与第五个隐藏层中第m个偶数序号元素/>之间的映射参数,/>是第四个隐藏层中第n个偶数序号元素/>与第五个隐藏层中第m个奇数序号元素之间的映射参数,/>表示第五个隐藏层中的映射参数,/>表示非线性激活函数。
可选地,所述感知装置具体用于通过以下公式:
(6)
对所述第二全连接特征进行全连接处理,得到第j个出风口的控制参数,/>表示第六个隐藏层中的映射参数,/>表示第五个隐藏层中的第i个元素/>与输出层中的第j个元素/>之间的映射参数,/>表示非线性激活函数。
根据本申请的第二方面,提供了一种空气净化方法,包括:
测量柜内多个点位的异味气体的浓度;
基于预先训练的神经网络模型,对所述多个点位的异味气体的浓度进行处理,得到针对柜内每个出风口的控制参数;
根据所述控制参数控制所述每个出风口的开启或关闭,并在控制所述出风口开启时,在所述出风口送风;
在确定任一所述出风口开启的情况下,开启所述净化装置,以生成用于分解异味气体的净化气体;
在确定所述多个出风口均关闭的情况下,关闭所述净化装置。
可选地,所述神经网络模型包括:输入层、多个隐藏层和输出层;所述多个隐藏层包括依次串联的归一化层、池化层和全连接层;
所述基于预先训练的神经网络模型,对所述多个点位的异味气体的浓度进行处理,得到针对柜内每个出风口的控制参数,包括:
将所述多个测量装置发送的异味气体的浓度输入所述输入层;
通过所述归一化层对所述多个测量装置发送的异味气体的浓度进行归一化处理,得到归一化特征;
通过所述池化层对所述归一化特征进行池化处理,得到池化特征;
通过所述全连接层对所述池化特征进行全连接处理,得到针对每个所述出风口的控制参数;
通过所述输出层输出针对每个所述出风口的控制参数。
可选地,所述池化层包括:第一池化层和第二池化层;
所述通过所述池化层对所述归一化特征进行池化处理,得到池化特征,包括:
通过所述第一池化层对所述归一化特征进行池化处理,得到第一池化特征;
通过所述第二池化层对所述第一池化特征进行池化处理,得到第二池化特征。
可选地,所述全连接层包括:第一全连接层、第二全连接层和第三全连接层;
所述通过所述全连接层对所述池化特征进行全连接处理,得到针对每个所述出风口的控制参数,包括:
通过所述第一全连接层对所述池化特征进行全连接处理,得到第一全连接特征;
通过所述第二全连接层对所述第一全连接特征进行全连接处理,得到第二全连接特征;
通过所述第三全连接层对所述第二全连接特征进行全连接处理,得到针对每个所述出风口的控制参数。
可选地,所述通过所述归一化层对所述多个测量装置发送的异味气体的浓度进行归一化处理,得到归一化特征,包括:
通过以下公式:
(1)
对所述多个测量装置发送的异味气体的浓度进行归一化处理,得到第i个归一化特征;/>中的第一个下标1表示第一个隐藏层;
其中,;
表示测量装置的数量,/>表示第i个测量装置测量得到的异味气体的浓度;/>表示/>个异味气体的浓度的均值,/>表示/>个异味气体的浓度的方差。
可选地,所述通过所述第一池化层对所述归一化特征进行池化处理,得到第一池化特征,包括:
通过以下公式:
(2)
对所述归一化特征进行最大池化处理,得到第i个第一池化特征;/>中的第一个下标2表示第二个隐藏层;/>表示第i个归一化特征;
所述通过所述第二池化层对所述第一池化特征进行池化处理,得到第二池化特征,包括:
通过以下公式:
(3)
对所述第一池化特征进行最小池化处理,得到第i个第二池化特征;/>中的第一个下标3表示第三个隐藏层。
可选地,所述通过所述第一全连接层对所述池化特征进行全连接处理,得到第一全连接特征,包括:
通过以下公式:
(4)
对所述池化特征进行全连接处理,得到第一全连接特征和/>;
其中,和/>中的第一个下标4表示第四个隐藏层,;/>表示第三个隐藏层中第n个偶数序号元素/>与第四个隐藏层中第m个偶数序号元素/>之间的映射参数;表示第三个隐藏层中第n个偶数序号元素/>与第四个隐藏层中第m个偶数序号元素/>之间的映射参数;/>表示第四个隐藏层中的映射参数,/>表示非线性激活函数;
所述通过所述第二全连接层对所述第一全连接特征进行全连接处理,得到第二全连接特征,包括:
通过以下公式:
(5)
对所述第一全连接特征进行全连接处理,得到第二全连接特征和,/>和/>中的第一个下标5表示第五个隐藏层,;/>是第四个隐藏层中第n个奇数序号元素/>与第五个隐藏层中第m个偶数序号元素/>之间的映射参数,是第四个隐藏层中第n个偶数序号元素/>与第五个隐藏层中第m个奇数序号元素/>之间的映射参数,/>表示第五个隐藏层中的映射参数,/>表示非线性激活函数。
可选地,所述通过所述第三全连接层对所述第二全连接特征进行全连接处理,得到针对每个所述出风口的控制参数,包括:
通过以下公式:
(6)
对所述第二全连接特征进行全连接处理,得到第j个出风口的控制参数,/>表示第六个隐藏层中的映射参数,/>表示第五个隐藏层中的第i个元素/>与输出层中的第j个元素/>之间的映射参数,/>表示非线性激活函数。
根据本申请的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第二方面所述的方法。
根据本申请的第四方面,提供了一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行第二方面所述的方法。
本申请实施例提供的技术方案与现有技术相比具有如下优点:
通过多个测量装置对空气质量进行监测,得到每个测量装置所在点位的异味气体的浓度。通过感知装置对多个测量装置发送的异味气体的浓度进行处理,得到针对每个出风口的控制参数;根据控制参数控制每个出风口的开启或关闭,在确定任一出风口开启的情况下,开启净化装置,在确定多个出风口均关闭的情况下,关闭净化装置。可见,感知装置可以对监测到的异味气体的浓度进行智能处理,当发现异味气体的浓度异常时,能够智能发出信号启动净化装置,从而生成用于分解异味气体的净化气体,实现杀菌净味的功能,该过程不需人工干预,可以实现杀菌净味的自主控制。与放置竹炭包、空气清新剂相比,净化气体的除味除菌能力更强,并且通过导流管道对净化气体进行导流,以及控制出风口的开启,可以使净化气体尽快流通,因此可以提高空气净化的效率。另外,感知装置通过控制净化装置的开启和关闭,从而可以按需净化空气,降低噪音、节约能源。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中空气净化系统的一种架构示意图;
图2为本申请实施例中空气净化系统在柜内分布的一种示意图;
图3为本申请实施例中空气净化方法的一种流程图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面将对本申请的方案进行进一步描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但本申请还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本申请的一部分实施例,而不是全部的实施例。
本申请实施例的空气净化系统可以应用于家居衣柜、橱柜、鞋柜等柜类产品的杀菌净味。不同柜类产品由于其存储物品的不同,有害气体的分布也不同,因此,可以在柜内布置多个测量装置,以感知不同位置的异味气体的浓度。将测量装置采集的异味气体的浓度实时传递给感知装置。感知装置对接收到的多个异味气体的浓度进行评估后输出控制信号,控制净化装置的开启和关闭,在开启净化装置的情况下,净化装置可以产生净化气体以对柜内的空气进行净化。
由于柜中封闭条件,空气在柜中流通不畅,产生的净化气体不能很好的在柜内流通,因此可以在多个点位进行送风,造成空气对流,提高了空气净化的效率。本申请实施了可以按需净化柜内的空气,从而降低噪音、节约能源。
参见图1,图1为本申请实施例中空气净化系统的一种架构示意图,空气净化系统100包括:多个测量装置110、感知装置120、净化装置130、导流管道和位于导流管道上的多个出风口140。
多个测量装置110可以分布于柜内的若干点位,每个测量装置110,用于测量该测量装置110所在点位的异味气体的浓度,并向感知装置120发送异味气体的浓度。每个测量装置110可以包括传感器和通信模块,传感器可以实时测量异味气体的浓度,通信模块可以实时向感知装置120发送测量得到的异味气体的浓度。
感知装置120,用于基于预先训练的神经网络模型,对多个测量装置发送的异味气体的浓度进行处理,得到针对每个出风口的控制参数;根据控制参数控制每个出风口的开启或关闭。在确定任一出风口开启的情况下,表示此时需要生成净化气体,并通过出风口提升净化气体的流通性,因此开启净化装置,在确定多个出风口均关闭的情况下,表示此时不需要生成净化气体,也不需要通过出风口提升净化气体的流通性,因此关闭净化装置。
感知装置120,可以包括通信模块和感知模块,通信模块接收到来自测量装置110的数据后,可以传输至感知模块进行控制参数的计算。感知模块,用于基于预先训练的神经网络模型,对多个测量装置发送的异味气体的浓度进行处理,得到针对每个出风口的控制参数。根据控制参数控制每个出风口的开启或关闭,在确定任一出风口开启的情况下,开启净化装置,在确定多个出风口均关闭的情况下,关闭净化装置。
感知模块120可以包括由边缘计算芯片组及与其配套的内存、闪存等构成的硬件平台,和在平台上运行的软件。感知模块120软件中可以运行上述神经网络模型,实现净化装置和出风口的智能控制。
本申请实施例中,神经网络模型的输入是多个测量装置测量得到的异味气体的浓度,神经网络模型的输出是针对每个出风口的控制参数。神经网络模型的训练过程可以为:设置模型结构,对模型中的网络参数设置初始值,此时的模型是未经训练的模型。
采集多组样本数据,每组样本数据也就是多个传感器采集到的异味气体的浓度,并对每组样本数据设置标签数据,标签数据即每组样本数据的采集时刻每个出风口的控制信号,0表示关闭出风口,1表示开启吹风口。将样本数据作为输入数据,将对应的标签数据作为实际输出数据,针对每组样本数据,将该组样本数据输入模型,得到预测输出数据,比较该组样本数据的实际输出数据与预测输出数据的差值,通过反向传播算法,得到本次迭代的参数值。重复迭代直至满足收敛条件(例如实际输出数据与预测输出数据的差值小于预设差值),求得模型中网络参数的值,从而完成训练,得到神经网络模型。
完成模型的训练后,将多个测量装置测量的异味气体的浓度输入神经网络模型,可以输出针对每个出风口的控制参数,通过控制参数可以控制出风口的开启或关闭,以及净化装置的开启或关闭。
净化装置130,用于在开启时生成用于分解异味气体的净化气体。
导流管道,用于对净化气体进行导流。
在一些实施例中,净化装置130可以是水离子产生系统,水离子产生系统产生的纳米水离子可以持续快速分解异味分子。导流管道可以使用专门设计的导风装置将水离子产生系统产生的纳米水离子导流到柜内的每个空间,实现对柜内各个空间的柜体制造残留甲醛、TVOC(Total Volatile Organic Compounds,总挥发性有机化合物)、洗涤物化学残留、因潮湿产生的霉菌、细菌等的消杀功能。
出风口140,用于在开启时在出风口送风。
特定出风口的开启可以使纳米水离子更好地随空气在柜内流通,实现尽快消除异味的功能。感知装置120通过对柜内多个点位的异味气体的浓度进行分析,输出针对每个出风口的控制参数,根据控制参数开启出风口或关闭出风口,以及开启净化装置或关闭净化装置,以快速消除异味,提高空气净化的效率。并且,可以按需净化空气,降低噪音、节约能源。
参见图2,图2为本申请实施例中空气净化系统在柜内分布的一种示意图。空气净化系统位于智能柜内部,包括:测量装置、感知装置、水离子产生系统、导流管道和出风口。智能柜一共包含三层,每层均有对应的测量装置,以测量不同位置的异味气体的浓度。出风口位于导流管道上,可以使水离子产生系统产生的纳米水离子在柜内更好地流通,从而可以快速地消除异味。
以下对神经网络模型的结构进行介绍。
假设第i个测量装置采集到的异味气体的浓度为/>,/>,/>表示测量装置的数量。第j个出风口的状态为/>,/>,M 表示出风口的总数量。需要说明的是,神经网络模型的输出/>可能是0~1之间的数值,若/>大于预设阈值(例如0.5等),可以认为/>为1,若/>小于等于预设阈值,可以认为/>为0,0表示出风口关闭,1表示出风口开启。
神经网络模型表示为,多个测量装置测量得到的异味气体的浓度构成的集合为,多个出风口的状态的集合为/>,则
即,是从/>到/>的映射,/>表示映射关系。
由于包含非线性激活函数的神经网络结构可以拟合任意函数,作为将映射到的计算模型,/>可以采用神经网络结构来定义。可选地,神经网络模型可以是多层深度神经网络结构,即包含输入层、输出层和多个隐藏层的神经网络结构。通过多层深度神经网络结构,对多个点位的异味气体的浓度进行处理,可以提取更多的特征信息,从而尽可能准确地确定柜内空气质量的总体情况。进而,准确地开启或关闭净化装置,以及开启或关闭出风口,提升空气净化的效果。
在一些实施例中,神经网络模型包括:输入层、多个隐藏层和输出层。其中,多个隐藏层包括依次串联的归一化层、池化层和全连接层。
感知装置120,具体用于将多个测量装置发送的异味气体的浓度输入输入层,通过归一化层对多个测量装置发送的异味气体的浓度进行归一化处理,得到归一化特征。通过池化层对归一化特征进行池化处理,得到池化特征;通过全连接层对池化特征进行全连接处理,得到针对每个出风口的控制参数,并通过输出层输出针对每个出风口的控制参数。
感知装置120,具体用于通过以下公式:
(1)
对多个测量装置发送的异味气体的浓度进行归一化处理,得到第i个归一化特征;/>中的第一个下标1表示第一个隐藏层。
其中,;
表示测量装置的数量,/>表示第i个测量装置测量得到的异味气体的浓度;/>表示/>个异味气体的浓度的均值,/>表示/>个异味气体的浓度的方差。
归一化层可以将各维度数据的分布转化为服从标准正态分布,以建立多测量装置数据统一的分布特征。
本申请实施例中,池化层可以包括:第一池化层和第二池化层;感知装置120,具体用于通过第一池化层对归一化特征进行池化处理,得到第一池化特征;通过第二池化层对第一池化特征进行池化处理,得到第二池化特征。可选地,第一池化层可以是最大池化层,第二池化层可以是最小池化层。或者,第一池化层为最小池化层,第二池化层为最大池化层,本申请对此不做限定。
在一些实施例中,感知装置120,具体用于通过以下公式:
(2)
对归一化特征进行最大池化处理,得到第i个第一池化特征;/>中的第一个下标2表示第二个隐藏层;/>表示第i个归一化特征。需要说明的是,对于非边缘位置的元素,即在i为/>之间的整数时,该层每个元素等于第一层对应位置相邻的5个元素之最大值。对于边缘位置的元素,在第一层对应的相邻元素的数量小于5个,例如,i为1时,在第一层对应位置相邻元素的数量为3个,分别为:/>,因此/>等于该3个元素中的最大值。类似地,/>等于/>中的最大值。右边缘位置元素的确定方法与此类似,在此不在赘述。
通过以下公式:
(3)
对第一池化特征进行最小池化处理,得到第i个第二池化特征;/>中的第一个下标3表示第三个隐藏层。
通过将最大池化层和最小池化层相结合,可以去除数据的局部噪声,使计算结果更加鲁棒。
可选地,全连接层可以包括:第一全连接层、第二全连接层和第三全连接层。感知装置120,具体用于通过第一全连接层对池化特征进行全连接处理,得到第一全连接特征;通过第二全连接层对第一全连接特征进行全连接处理,得到第二全连接特征;通过第三全连接层对第二全连接特征进行全连接处理,得到针对每个出风口的控制参数。通过多个全连接层,可以提高模型的学习能力,从而提高数据分类的正确率。
在一些实施例中,感知装置120具体用于通过以下公式:
(4)
对池化特征进行全连接处理,得到第一全连接特征和/>。
其中,和/>中的第一个下标4表示第四个隐藏层,/>;/>表示第三个隐藏层中第n个偶数序号元素/>与第四个隐藏层中第m个偶数序号元素/>之间的映射参数;/>表示第三个隐藏层中第n个偶数序号元素/>与第四个隐藏层中第m个偶数序号元素之间的映射参数;/>表示第四个隐藏层中的映射参数,/>表示非线性激活函数;函数可以表示为:
试验表明,与经典的神经网络激活函数sigmoid函数相比,上述函数定义能够改善对数据分类的性能。
在上述全连接处理过程中,将上一层元素分为奇数序号元素、偶数序号元素两部分,并且对两部分元素分别映射,即,本层的奇数序号元素与上一层的奇数序号元素进行映射,本层的偶数序号元素与上一层的偶数序号元素进行映射,与对所有元素进行映射相比,可以减少一半的映射参数,即减少了个映射参数。
通过以下公式:
(5)
对第一全连接特征进行全连接处理,得到第二全连接特征和/>,和/>中的第一个下标5表示第五个隐藏层,/>;是第四个隐藏层中第n个奇数序号元素/>与第五个隐藏层中第m个偶数序号元素/>之间的映射参数,/>是第四个隐藏层中第n个偶数序号元素与第五个隐藏层中第m个奇数序号元素/>之间的映射参数,/>表示第五个隐藏层中的映射参数,/>表示非线性激活函数,/>函数的定义可以前述的/>函数的定义相同。
在上述全连接处理过程中,同样将上一层元素分为奇数序号元素、偶数序号元素两部分,并且本层的偶数序号元素与上一层的奇数序号元素进行映射,本层的奇数序号元素与上一层的偶数序号元素进行映射,也可以减少映射参数。
通过建立上述两层全连接层,映射参数的数量与现有技术中一层全连接层中映射参数的数量相同,即不会导致映射参数数量的增加。并且,由于一般应用中序号隐含了测量装置之间的位置相对关系,将相邻序号的数据分开处置,并通过建立两层深度网络串联处理,有助于提高对数据的分类正确率,从而提高空气的净化效率。
在通过上述两个全连接层对池化特征进行处理之后,可以通过第三全连接层来连接输出层。感知装置120具体用于通过以下公式:
(6)
对第二全连接特征进行全连接处理,得到第j个出风口的控制参数,/>表示第六个隐藏层中的映射参数,/>表示第五个隐藏层中的第i个元素/>与输出层中的第j个元素/>之间的映射参数,/>表示非线性激活函数,/>函数的定义可以前述的/>函数的定义相同。
需要说明的是,上述映射参数、/>、/>、、/>、/>、/>和/>均是通过训练得到的。在训练之前,/>、、/>、/>、/>的值可以设置为1,/>、/>和/>的值可以设置为0。在训练过程中,通过迭代不断更新上述映射参数的值,直至模型收敛。
本申请实施例的空气净化系统,通过分析多个点位的异味气体的浓度,控制净化装置开启或关闭,以及出风口的开启或关闭。在开启净化装置时,产生的净化气体的除味除菌能力更强,并且通过导流管道对净化气体进行导流,以及控制出风口的开启,可以使净化气体尽快流通,因此可以提高空气净化的效率。另外,感知装置通过控制净化装置的开启和关闭,可以按需净化空气,降低噪音、节约能源。表1为本申请实施例与无测试装置(即持续开启净化装置的情况)相比,能耗测试的对比数据。
表1
其中,净化效率指气体浓度首次降至标准以下所需时间,能耗指千瓦时每十柜每日。可以看出,与无测试装置相比,本申请实施例降低了能耗。
相应于上述空气净化系统,本申请实施例还提供了一种空气净化方法,参见图3,图3为本申请实施例中空气净化方法的一种流程图,可以包括以下步骤:
步骤S310,测量柜内多个点位的异味气体的浓度。
步骤S320,基于预先训练的神经网络模型,对多个点位的异味气体的浓度进行处理,得到针对柜内每个出风口的控制参数。
步骤S330,根据控制参数控制每个出风口的开启或关闭,并在控制出风口开启时,在出风口送风。
步骤S340,在确定任一出风口开启的情况下,开启净化装置,以生成用于分解异味气体的净化气体。
步骤S350,在确定多个出风口均关闭的情况下,关闭净化装置。
可选地,神经网络模型包括:输入层、多个隐藏层和输出层;多个隐藏层包括依次串联的归一化层、池化层和全连接层;
基于预先训练的神经网络模型,对多个点位的异味气体的浓度进行处理,得到针对柜内每个出风口的控制参数,包括:
将多个测量装置发送的异味气体的浓度输入输入层;
通过归一化层对多个测量装置发送的异味气体的浓度进行归一化处理,得到归一化特征;
通过池化层对归一化特征进行池化处理,得到池化特征;
通过全连接层对池化特征进行全连接处理,得到针对每个出风口的控制参数;
通过输出层输出针对每个出风口的控制参数。
可选地,池化层包括:第一池化层和第二池化层;
通过池化层对归一化特征进行池化处理,得到池化特征,包括:
通过第一池化层对归一化特征进行池化处理,得到第一池化特征;
通过第二池化层对第一池化特征进行池化处理,得到第二池化特征。
可选地,全连接层包括:第一全连接层、第二全连接层和第三全连接层;
通过全连接层对池化特征进行全连接处理,得到针对每个出风口的控制参数,包括:
通过第一全连接层对池化特征进行全连接处理,得到第一全连接特征;
通过第二全连接层对第一全连接特征进行全连接处理,得到第二全连接特征;
通过第三全连接层对第二全连接特征进行全连接处理,得到针对每个出风口的控制参数。
可选地,通过归一化层对多个测量装置发送的异味气体的浓度进行归一化处理,得到归一化特征,包括:
通过以下公式:
(1)
对多个测量装置发送的异味气体的浓度进行归一化处理,得到第i个归一化特征;/>中的第一个下标1表示第一个隐藏层;
其中,;
表示测量装置的数量,/>表示第i个测量装置测量得到的异味气体的浓度;表示/>个异味气体的浓度的均值,/>表示/>个异味气体的浓度的方差。
可选地,所述通过所述第一池化层对所述归一化特征进行池化处理,得到第一池化特征,包括:
通过以下公式:
(2)
对归一化特征进行最大池化处理,得到第i个第一池化特征;/>中的第一个下标2表示第二个隐藏层;/>表示第i个归一化特征;
通过第二池化层对所述第一池化特征进行池化处理,得到第二池化特征,包括:
通过以下公式:
(3)
对第一池化特征进行最小池化处理,得到第i个第二池化特征;/>中的第一个下标3表示第三个隐藏层。
可选地,通过第一全连接层对所述池化特征进行全连接处理,得到第一全连接特征,包括:
通过以下公式:
(4)
对池化特征进行全连接处理,得到第一全连接特征和/>;
其中,和/>中的第一个下标4表示第四个隐藏层,;/>表示第三个隐藏层中第n个偶数序号元素/>与第四个隐藏层中第m个偶数序号元素/>之间的映射参数;表示第三个隐藏层中第n个偶数序号元素/>与第四个隐藏层中第m个偶数序号元素/>之间的映射参数;/>表示第四个隐藏层中的映射参数,/>表示非线性激活函数;
通过第二全连接层对所述第一全连接特征进行全连接处理,得到第二全连接特征,包括:
通过以下公式:
(5)
对第一全连接特征进行全连接处理,得到第二全连接特征和/>,/>和/>中的第一个下标5表示第五个隐藏层,/>;/>是第四个隐藏层中第n个奇数序号元素/>与第五个隐藏层中第m个偶数序号元素/>之间的映射参数,/>是第四个隐藏层中第n个偶数序号元素与第五个隐藏层中第m个奇数序号元素/>之间的映射参数,/>表示第五个隐藏层中的映射参数,/>表示非线性激活函数。
可选地,通过第三全连接层对所述第二全连接特征进行全连接处理,得到针对每个所述出风口的控制参数,包括:
通过以下公式:
(6)
对第二全连接特征进行全连接处理,得到第j个出风口的控制参数,/>表示第六个隐藏层中的映射参数,/>表示第五个隐藏层中的第i个元素/>与输出层中的第j个元素/>之间的映射参数,/>表示非线性激活函数。
上述方法中各步骤的具体细节已经在对应的系统中进行了详细的描述,因此此处不再赘述。
本申请实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述空气净化方法。
需要说明的是,本申请所示的计算机可读存储介质例如可以是—但不限于—电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器、只读存储器、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、射频等等,或者上述的任意合适的组合。
本申请实施例中,还提供了一种计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行上述空气净化方法。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种空气净化系统,其特征在于,包括:多个测量装置、感知装置、净化装置、导流管道和位于所述导流管道上的多个出风口;
每个所述测量装置,用于测量所述测量装置所在点位的异味气体的浓度,并向所述感知装置发送所述异味气体的浓度;
所述感知装置,用于基于预先训练的神经网络模型,对所述多个测量装置发送的异味气体的浓度进行处理,得到针对每个所述出风口的控制参数;根据所述控制参数控制每个所述出风口的开启或关闭,在确定任一所述出风口开启的情况下,开启所述净化装置,在确定所述多个出风口均关闭的情况下,关闭所述净化装置;
所述净化装置,用于在开启时生成用于分解异味气体的净化气体;
所述导流管道,用于对所述净化气体进行导流;
所述出风口,用于在开启时在所述出风口送风;
其中,所述神经网络模型包括:输入层、多个隐藏层和输出层;所述多个隐藏层包括依次串联的归一化层、池化层和全连接层;所述全连接层包括:第一全连接层、第二全连接层和第三全连接层;
所述感知装置,具体用于将所述多个测量装置发送的异味气体的浓度输入所述输入层,通过所述归一化层对所述多个测量装置发送的异味气体的浓度进行归一化处理,得到归一化特征;通过所述池化层对所述归一化特征进行池化处理,得到池化特征;以及
通过所述第一全连接层对所述池化特征进行全连接处理,得到第一全连接特征;通过所述第二全连接层对所述第一全连接特征进行全连接处理,得到第二全连接特征;通过所述第三全连接层对所述第二全连接特征进行全连接处理,得到针对每个所述出风口的控制参数,并通过所述输出层输出针对每个所述出风口的控制参数;
其中,所述感知装置具体用于通过以下公式:
对所述池化特征进行全连接处理,得到第一全连接特征h4(2m)和h4(2m+1);
其中,h4(2m)和h4(2m+1)中的第一个下标4表示第四个隐藏层,1≤2m,2n,2m+1,2n+1≤Nr;a4(2m)(2n)表示第三个隐藏层中第n个偶数序号元素h3(2n)与第四个隐藏层中第m个偶数序号元素h4(2m)之间的映射参数;a4(2m+1)(2n+1)表示第三个隐藏层中第n个偶数序号元素h3(2n+1)与第四个隐藏层中第m个偶数序号元素h4(2m+1)之间的映射参数;β3表示第四个隐藏层中的映射参数,γ表示非线性激活函数;
通过以下公式:
对所述第一全连接特征进行全连接处理,得到第二全连接特征h5(2m)和h5(2m+1),h5(2m)和h5(2m+1)中的第一个下标5表示第五个隐藏层,1≤2m,2n,2m+1,2n+1≤Nr;a5(2m)(2n+1)是第四个隐藏层中第n个奇数序号元素h4(2n+1)与第五个隐藏层中第m个偶数序号元素h5(2m)之间的映射参数,a5(2m+1)(2n)是第四个隐藏层中第n个偶数序号元素h4(2n)与第五个隐藏层中第m个奇数序号元素h5(2m+1)之间的映射参数,β4表示第五个隐藏层中的映射参数,γ表示非线性激活函数。
2.根据权利要求1所述的空气净化系统,其特征在于,所述池化层包括:第一池化层和第二池化层;
所述感知装置,具体用于通过所述第一池化层对所述归一化特征进行池化处理,得到第一池化特征;
通过所述第二池化层对所述第一池化特征进行池化处理,得到第二池化特征。
3.根据权利要求1所述的空气净化系统,其特征在于,所述感知装置,具体用于通过以下公式:
对所述多个测量装置发送的异味气体的浓度进行归一化处理,得到第i个归一化特征h1i;h1i中的第一个下标1表示第一个隐藏层;
其中,
Nr表示测量装置的数量,ri表示第i个测量装置测量得到的异味气体的浓度;μ表示Nr个异味气体的浓度的均值,σ2表示Nr个异味气体的浓度的方差。
4.根据权利要求2所述的空气净化系统,其特征在于,所述感知装置,具体用于通过以下公式:
h2i=max{h1(i-2),h1(i-1),h1i,h1(i+1),h1(i+2)} (2)
对所述归一化特征进行最大池化处理,得到第i个第一池化特征h2i;h2i中的第一个下标2表示第二个隐藏层;h1i表示第i个归一化特征;
通过以下公式:
h3i=min{h2(i-2),h2(i-1),h2i,h2(i+1),h2(i+2)} (3)
对所述第一池化特征进行最小池化处理,得到第i个第二池化特征h3i;h3i中的第一个下标3表示第三个隐藏层。
5.根据权利要求1所述的空气净化系统,其特征在于,所述感知装置具体用于通过以下公式:
对所述第二全连接特征进行全连接处理,得到第j个出风口的控制参数Cj,β5表示第六个隐藏层中的映射参数,a6(i)(j)表示第五个隐藏层中的第i个元素h5i与输出层中的第j个元素Cj之间的映射参数,γ表示非线性激活函数。
6.一种应用于权利要求1所述的空气净化系统的空气净化方法,其特征在于,所述空气净化系统包括净化装置,所述方法包括:
测量柜内多个点位的异味气体的浓度;
基于预先训练的神经网络模型,对所述多个点位的异味气体的浓度进行处理,得到针对柜内每个出风口的控制参数;
根据所述控制参数控制所述每个出风口的开启或关闭,并在控制所述出风口开启时,在所述出风口送风;
在确定任一所述出风口开启的情况下,开启所述净化装置,以生成用于分解异味气体的净化气体;
在确定所述多个出风口均关闭的情况下,关闭所述净化装置。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求6所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310523275.2A CN116481128B (zh) | 2023-05-10 | 2023-05-10 | 空气净化系统、空气净化方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310523275.2A CN116481128B (zh) | 2023-05-10 | 2023-05-10 | 空气净化系统、空气净化方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116481128A CN116481128A (zh) | 2023-07-25 |
CN116481128B true CN116481128B (zh) | 2023-11-24 |
Family
ID=87213815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310523275.2A Active CN116481128B (zh) | 2023-05-10 | 2023-05-10 | 空气净化系统、空气净化方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116481128B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010053491A1 (de) * | 2010-12-04 | 2011-07-28 | Daimler AG, 70327 | Vorrichtung und Verfahren zum Einstellen eines aus einer Luftauslassdüse austretenden Luftstromes |
CN207334968U (zh) * | 2017-10-11 | 2018-05-08 | 深圳华控赛格科技有限公司 | 一种空气净化装置 |
CN109140665A (zh) * | 2018-08-31 | 2019-01-04 | 珠海格力电器股份有限公司 | 控制空调的方法、装置和空调装置 |
CN109901406A (zh) * | 2019-02-22 | 2019-06-18 | 珠海格力电器股份有限公司 | 楼宇环境的监控方法、装置、设备和存储介质 |
CN111353578A (zh) * | 2018-12-21 | 2020-06-30 | 富士通株式会社 | 信息处理装置、神经网络程序和用于神经网络的处理方法 |
CN212938717U (zh) * | 2020-06-19 | 2021-04-13 | 孙良 | 用于洁净区域的更衣柜 |
-
2023
- 2023-05-10 CN CN202310523275.2A patent/CN116481128B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010053491A1 (de) * | 2010-12-04 | 2011-07-28 | Daimler AG, 70327 | Vorrichtung und Verfahren zum Einstellen eines aus einer Luftauslassdüse austretenden Luftstromes |
CN207334968U (zh) * | 2017-10-11 | 2018-05-08 | 深圳华控赛格科技有限公司 | 一种空气净化装置 |
CN109140665A (zh) * | 2018-08-31 | 2019-01-04 | 珠海格力电器股份有限公司 | 控制空调的方法、装置和空调装置 |
CN111353578A (zh) * | 2018-12-21 | 2020-06-30 | 富士通株式会社 | 信息处理装置、神经网络程序和用于神经网络的处理方法 |
CN109901406A (zh) * | 2019-02-22 | 2019-06-18 | 珠海格力电器股份有限公司 | 楼宇环境的监控方法、装置、设备和存储介质 |
CN212938717U (zh) * | 2020-06-19 | 2021-04-13 | 孙良 | 用于洁净区域的更衣柜 |
Non-Patent Citations (1)
Title |
---|
基于BP神经网络的多传感器新风调控系统研究;钱锦;《电子设计工程》;第27卷(第18期);7-9, 15 * |
Also Published As
Publication number | Publication date |
---|---|
CN116481128A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109258509B (zh) | 一种生猪异常声音智能监测系统与方法 | |
Zhou et al. | A novel model based on multi-grained cascade forests with wavelet denoising for indoor occupancy estimation | |
CN110146642A (zh) | 一种气味分析方法及装置 | |
CN109904854B (zh) | 一种面向需求响应的家庭电路负荷分解方法及系统 | |
CN116481128B (zh) | 空气净化系统、空气净化方法及存储介质 | |
Jia et al. | A novel sensor array and classifier optimization method of electronic nose based on enhanced quantum-behaved particle swarm optimization | |
CN113743637A (zh) | 基于协同过滤的煤气浓度预测方法、设备及冰箱 | |
Kong et al. | Weighted summation: feature extraction of farm pigsty data for electronic nose | |
Gonzalez-Mora et al. | Assessing environmental control strategies in cage-free aviary housing systems: Egg production analysis and Random Forest modeling | |
US20220409089A1 (en) | A cough detection system and method | |
Yaeger et al. | Evolutionary Selection of Network Structure and Function. | |
Varkeshi et al. | Predicting the performance of Gorgan wastewater treatment plant using ANN-GA, CANFIS, and ANN models | |
Cristaldi et al. | A genetic algorithm for fault identification in electrical drives: a comparison with neuro-fuzzy computation | |
Xiao-bo et al. | The study of gas sensor array signal processing with new genetic algorithms | |
CN116205544A (zh) | 基于深度神经网络和迁移学习的非侵入式负荷识别系统 | |
Ari et al. | A differential evolutionary chromosomal gene expression programming technique for electronic nose applications | |
Balabanova et al. | Voice control and management in smart home system by artificial intelligence | |
Crosby et al. | Bayesian inference of thermal comfort: evaluating the effect of “well-being” on perceived thermal comfort in open plan offices | |
Chen et al. | Robust Cough Detection with Out-of-Distribution Detection | |
CN114239943A (zh) | 一种气溶胶浓度预测方法 | |
Chen | Reconstructing genetic regulatory networks using two-step algorithms with the differential equation models of neural networks | |
CN110084300A (zh) | 一种家居异常气味监测方法及系统 | |
CN113179571B (zh) | 一种紫外照明管控系统 | |
Liu | A Study on Stable Feature Representations for Artificial Olfactory System | |
US20220323627A1 (en) | Personal protection and pathogen disinfection systems and methods |
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 |