CN116916504B - 调光面板的智能控制方法、装置、设备及存储介质 - Google Patents
调光面板的智能控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116916504B CN116916504B CN202311164702.9A CN202311164702A CN116916504B CN 116916504 B CN116916504 B CN 116916504B CN 202311164702 A CN202311164702 A CN 202311164702A CN 116916504 B CN116916504 B CN 116916504B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- preset
- environment
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000007613 environmental effect Effects 0.000 claims abstract description 89
- 238000005286 illumination Methods 0.000 claims abstract description 80
- 230000008451 emotion Effects 0.000 claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 64
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000007499 fusion processing Methods 0.000 claims abstract description 9
- 238000011217 control strategy Methods 0.000 claims description 69
- 238000004458 analytical method Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 36
- 238000013136 deep learning model Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000010354 integration Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000002996 emotional effect Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000036471 bradycardia Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
- H05B47/11—Controlling the light source in response to determined parameters by determining the brightness or colour temperature of ambient light
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/165—Controlling the light source following a pre-assigned programmed sequence; Logic control [LC]
-
- 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
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明涉及显示技术领域，公开了一种调光面板的智能控制方法、装置、设备及存储介质。所述调光面板的智能控制方法包括：通过预置的光照传感器获取第一环境数据；通过预置的温度传感器获取第二环境数据；基于预设的融合算法，将所述第一环境数据和所述第二环境数据进行融合处理，得到目标环境数据；通过预置的生物传感器获取用户的生理数据，对所述生理数据进行阈值处理，得到重构后的目标生理数据。本发明通过自动调整光照面板来适应用户的情绪和活动需求，本发明提高了用户体验，使用户在不同场景下都能享受到舒适的光照和温度环境。
Description
技术领域
本发明涉及显示技术领域，尤其涉及一种调光面板的智能控制方法、装置、设备及存储介质。
背景技术
随着智能家居和智能环境技术的发展，用户对个性化和舒适性的需求越来越高。尤其在光照和温度控制方面，传统的调光技术往往只基于环境数据进行调整，缺乏对用户状态和需求的深入理解。
在传统的光照控制技术中，常见的做法是通过传感器获取环境的光照和温度数据，然后基于这些数据进行光照强度的调整。这种方法虽然能够满足基本的需求，但却忽略了用户的具体情境和情绪状态。例如，当用户正在观看电影或阅读书籍时，他们可能希望环境的光照和温度与他们的活动和情绪相匹配。此外，单纯的基于环境数据的调光方法缺乏预测性和精确性，可能导致光照的调整与用户的实际需求不符。
为了解决上述问题，需要一种新的光照控制方法，能够综合考虑环境数据和用户的情感及活动状态，使得光照调整更加智能和个性化。此外，这种方法还应该具备高度的预测性和精确性，确保光照的调整能够真正满足用户的需求。
发明内容
本发明提供了一种调光面板的智能控制方法、装置、设备及存储介质，用于解决如何实现能够综合考虑环境数据和用户的情感及活动状态，使得光照调整更加智能和个性化。
本发明第一方面提供了一种调光面板的智能控制方法，所述调光面板的智能控制方法包括：
通过预置的光照传感器获取第一环境数据；其中，所述第一环境数据用于表示环境的光照强度；
通过预置的温度传感器获取第二环境数据；其中，所述第二环境数据用于表示环境的温度强度；
基于预设的融合算法，将所述第一环境数据和所述第二环境数据进行融合处理，得到目标环境数据；
通过预置的生物传感器获取用户的生理数据，对所述生理数据进行阈值处理，得到重构后的目标生理数据，基于预设的情感分析算法模型对所述目标生理数据进行处理，得到用户的情绪状态数据，根据所述情绪状态数据识别用户当前的情景模式；其中，所述情景模式包括用户当前的活动情景模式，所述活动情景模式至少包括观影、看书、睡眠；
将所述目标环境数据和所述用户当前的情景模式输入至训练后的深度学习模型进行预测，得到控制策略，并通过预设的智能调光算法对所述控制策略进行优化，得到优化后的控制策略，根据所述优化后的控制策略对调光面板进行自动调整；其中，所述深度学习模型经过提前训练得到。
可选的，在本发明第一方面的第一种实现方式中，所述基于预设的融合算法，将所述第一环境数据和所述第二环境数据进行融合处理，得到目标环境数据，包括：
获取存在于所述第一环境数据的第一特定事件，以及获取存在于所述第二环境数据的第二特定事件；其中，所述第一特定事件和所述第二特定事件为在接收到任何数据之前对特定事件发生可能性的初始估计；
根据收集到的第一环境数据，计算第一特定事件的状态发生的第一似然度，根据收集到的第二环境数据，计算第二特定事件的状态发生的第二似然度；
利用预设的第一条件概率计算公式，通过预设的第一先验概率和所述第一似然度，计算第一环境数据的第一后验概率；
利用预设的第二条件概率计算公式，通过预设的第二先验概率和所述第二似然度，计算第二环境数据的第二后验概率；
对所述第一后验概率和所述第二后验概率进行加权平均，得到融合后的目标环境数据；其中，所述目标环境数据用于表示在调光面板的环境中采集的所述第一环境数据和所述第二环境数据的权重集合。
可选的，在本发明第一方面的第二种实现方式中，所述通过预置的生物传感器获取用户的生理数据，对所述生理数据进行阈值处理，得到重构后的目标生理数据，包括：
获取用户的初始心电信号以及用户的初始加速度能量信号；
对所述初始心电信号进行低通滤波处理，得到第一滤波信号，对所述初始加速度能量信号进行低通滤波处理，得到第二滤波信号；
基于预设的第一差分运算算法对第一滤波信号进行第一处理，得到第一差分信号；基于预设的第二差分运算算法对第二滤波信号进行第二处理，得到第二差分信号；
通过滑动平均积分算法对所述第一差分信号进行处理，得到第一滑动平均积分信号；通过滑动平均积分算法对所述第二差分信号进行处理，得到第二滑动平均积分信号；
利用预设的波形特性分别对第一滑动平均积分信号和第二滑动平均积分信号进行频段分析以及特征提取，得到第一生理数据和第二生理数据；
通过预设的小波基函数和分解层数，将第一生理数据和第二生理数据分别进行小波分解，得到第一生理数据对应的第一原始小波系数和第二生理数据对应的第二原始小波系数；
计算基学习器对应的小波阈值函数的参数的最优组合权重，生成自适应小波阈值函数；
将所述第一原始小波系数和所述第二原始小波系数分别代入生成的自适应小波阈值函数中，采用阈值法分别对所述第一原始小波系数和所述第二原始小波系数进行阈值处理，得到阈值处理后的第一小波系数和第二小波系数；
将阈值处理后的第一小波系数和第二小波系数进行重构，得到重构后的目标生理数据。
可选的，在本发明第一方面的第三种实现方式中，所述基于预设的情感分析算法模型对所述目标生理数据进行处理，得到用户的情绪状态数据，根据所述情绪状态数据识别用户当前的情景模式，包括：
基于预设的情感分析算法模型，对用户的目标生理数据进行情感预测分析，预测用户的情绪信息；其中，所述预设的情感分析算法模型为基于预设的残差神经网络和反卷积神经网络进行深度学习得到的；
根据所述情绪信息对用户当前的情绪进行分析，得到用户的情绪状态数据；
对用户的情绪状态数据进行哈希计算，得到对应的参数哈希值；将各个参数哈希值分别作为一个元素添加在集合中，得到参数哈希集合；
将所述参数哈希集合与数据库中预存的多个情景模式集合进行逐一匹配，得到与所述参数哈希集合的元素交集最多的集合，作为目标集合；
根据所述目标集合识别用户当前的情景模式；其中，所述目标集合用于表示用户当前所身处的最大概率的情景模式。
可选的，在本发明第一方面的第四种实现方式中，所述深度学习模型的训练过程，包括：
获取环境数据和用户的情景模式数据作为训练数据，将所述训练数据输入至初始深度学习网络模型；其中，所述初始深度学习网络模型包括一个光照强度和温度强度分析模型和一个控制策略生成模型；
基于光照强度和温度强度分析模型，根据所述训练数据预测对应的环境识别值；其中，所述环境识别值用于表示用户所处的环境的最大概率值；
基于控制策略生成模型，根据所述环境识别值和所述用户当前的情景模式生成对应的控制策略；其中，所述控制策略用于对所述调光面板进行自动调整；
获取所述训练数据中预先标定的实际识别值；并计算预测的环境识别值与实际的环境识别值的相似值，作为第一损失值；计算预测的控制策略与实际的控制策略的相似值，作为第二损失值；
对初始深度学习网络的模型参数进行迭代调整，通过基于损失的优化，将所述第一损失值、第二损失值降至最小，训练得到所述深度学习模型。
可选的，在本发明第一方面的第五种实现方式中，还包括：
将用户的目标生理数据复制为第一数据；
对所述第一数据进行特征识别，从所述第一数据中识别出特征字段，并获取到所述特征字段对应的特征值；
将用户的目标生理数据复制为第二数据；
基于所述特征值对所述第二数据进行加密，得到加密数据，对所述加密数据进行特征提取，得到第一加密特征向量；
对所述第一加密特征向量进行哈希运算，得到对应的哈希值；
将所述对应的哈希值输入至预设的加密模型进行加密处理，得到对应的第二加密特征向量；
将所述第一数据和所述第二加密特征向量进行关联之后存储至数据库中。
本发明第二方面提供了一种调光面板的智能控制装置，所述调光面板的智能控制装置包括：
第一获取模块，用于通过预置的光照传感器获取第一环境数据；其中，所述第一环境数据用于表示环境的光照强度；
第二获取模块，用于通过预置的温度传感器获取第二环境数据；其中，所述第二环境数据用于表示环境的温度强度；
融合模块，用于基于预设的融合算法，将所述第一环境数据和所述第二环境数据进行融合处理，得到目标环境数据；
识别模块，用于所述通过预置的生物传感器获取用户的生理数据，对所述生理数据进行阈值处理，得到重构后的目标生理数据，基于预设的情感分析算法模型对所述目标生理数据进行处理，得到用户的情绪状态数据，根据所述情绪状态数据识别用户当前的情景模式；其中，所述情景模式包括用户当前的活动情景模式，所述活动情景模式至少包括观影、工作、看书、睡眠；
调整模块，用于将所述目标环境数据和所述用户当前的情景模式输入至训练后的深度学习模型进行预测，得到控制策略，并通过预设的智能调光算法对所述控制策略进行优化，得到优化后的控制策略，根据所述控制策略对所述调光面板进行自动调整；其中，所述深度学习模型经过提前训练得到。
本发明第三方面提供了一种调光面板的智能控制设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述调光面板的智能控制设备执行上述的调光面板的智能控制方法。
本发明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中存储有指令，当其在计算机上运行时，使得计算机执行上述的调光面板的智能控制方法。
本发明提供的技术方案中，有益效果：本发明提供一种调光面板的智能控制方法、装置、设备及存储介质，通过预置的光照传感器获取第一环境数据；并通过预置的温度传感器获取第二环境数据；基于预设的融合算法，将所述第一环境数据和所述第二环境数据进行融合处理，得到目标环境数据；
通过预置的生物传感器获取用户的生理数据，对所述生理数据进行阈值处理，得到重构后的目标生理数据，基于预设的情感分析算法模型对所述目标生理数据进行处理，得到用户的情绪状态数据，根据所述情绪状态数据识别用户当前的情景模式；最后将所述目标环境数据和所述用户当前的情景模式输入至训练后的深度学习模型进行预测，得到控制策略，并通过预设的智能调光算法对所述控制策略进行优化，得到优化后的控制策略，根据所述优化后的控制策略对调光面板进行自动调整。本发明通过光照传感器和温度传感器获取环境数据，并结合生物传感器获取的用户生理数据，这项技术能自动调整光照面板，提供适宜的光照强度和温度，从而为用户创造一个更舒适的环境。并且通过对生理数据进行情感分析，本发明可以识别用户的情绪状态，并根据情绪状态识别用户当前的情景模式。这有助于更精确地调整光照和温度，以符合用户当前活动的需求。最后通过将环境数据和用户情景模式输入至深度学习模型进行预测，这项技术可以更精确地预测用户的需求，并通过智能调光算法对控制策略进行优化，从而提高调光面板的自动调整精度。通过自动调整光照面板来适应用户的情绪和活动需求，本发明能够提高用户体验，使用户在不同场景下都能享受到舒适的光照和温度环境。
附图说明
图1为本发明实施例中调光面板的智能控制方法的一个实施例示意图；
图2为本发明实施例中调光面板的智能控制装置的一个实施例示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
本发明实施例提供了一种调光面板的智能控制方法、装置、设备及存储介质。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中调光面板的智能控制方法的一个实施例包括：
步骤101：通过预置的光照传感器获取第一环境数据；其中，所述第一环境数据用于表示环境的光照强度；
可以理解的是，本发明的执行主体可以为调光面板的智能控制装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，通过预置的光照传感器获取第一环境数据，按照以下步骤操作：
选择合适的光照传感器：根据需求选择光照传感器。有多种类型的光照传感器可供选择，包括光敏电阻和光敏二极管等。
连接传感器：将光照传感器连接电路板上。连接方式会因传感器类型而有所不同，但通常需要连接到电源、接地和输入输出引脚上。
提供电源：为传感器提供所需的电源。可以通过连接引脚到电源线路或使用适配器来供电。
读取传感器数据：使用编程语言和传感器库读取光照传感器提供的数据。根据传感器类型，需要使用模拟输入引脚或数字输入引脚来读取传感器输出。
解析和处理数据：获取传感器数据后，对其进行解析和处理，得到环境光照强度的数值。可以使用传感器特定的公式或数据处理算法进行数据转换。
记录和应用数据：将光照强度数据记录下来，用于控制系统、环境监测等应用。可以将数据保存到数据库中，或发送到云服务器进行进一步分析和处理。
步骤102：通过预置的温度传感器获取第二环境数据；其中，所述第二环境数据用于表示环境的温度强度；
步骤103：基于预设的融合算法，将所述第一环境数据和所述第二环境数据进行融合处理，得到目标环境数据；
具体的，基于预设的融合算法的具体实现步骤如下：
1. 数据预处理：
对第一环境数据（光照强度）和第二环境数据（温度强度）进行标准化或归一化，确保数据在相同的尺度上。
处理可能的缺失值或异常值，以确保数据质量。
2. 选择融合算法：
选择一个合适的融合算法。常见的融合方法包括加权平均、主成分分析 (PCA)、线性回归等。预设的算法选择应基于项目需求和具体应用。
3. 设置权重：
如果使用加权平均作为融合方法，为每个环境数据设置一个权重。例如，如果光照强度被认为比温度更重要，那么光照数据可能会有更高的权重。
这些权重可以基于先前的实验、专家知识或其他相关数据。
4. 融合数据：
应用所选的融合算法将第一环境数据和第二环境数据融合起来。
例如，如果使用加权平均：[ 目标环境数据 = (第一环境数据 * 光照权重) +(第二环境数据 * 温度权重) ]。
5. 验证融合结果：
对得到的目标环境数据进行验证，以确保它反映了两种环境数据的合适组合。
6. 调整与优化：
基于验证结果对融合算法进行调整和优化，例如调整权重或选择不同的融合方法。
步骤104：通过预置的生物传感器获取用户的生理数据，对所述生理数据进行阈值处理，得到重构后的目标生理数据，基于预设的情感分析算法模型对所述目标生理数据进行处理，得到用户的情绪状态数据，根据所述情绪状态数据识别用户当前的情景模式；其中，所述情景模式包括用户当前的活动情景模式，所述活动情景模式至少包括观影、看书、睡眠；
具体的，具体实现步骤如下：
1. 选择并安装生物传感器：
选择合适的生物传感器（例如心率传感器、皮肤电导率传感器、温度传感器等），根据项目需求来确定。
将所选传感器安装在合适的位置（例如用户的手腕、额头、胸部等）以获取生理数据。
2. 数据收集：编写程序来实时收集从生物传感器传来的生理数据。数据可能包括心率、皮肤电导率、体温等。
3. 数据预处理：
对收集的生理数据进行滤波，以去除噪声。
根据实验或先验知识设置合适的阈值。
4. 阈值处理：
对生理数据进行阈值处理，例如，对心率数据进行阈值分割，将高于或低于阈值的数据分为两个类别。
将阈值处理后的数据进行重构，得到目标生理数据。
5. 情感分析：
使用预设的情感分析算法模型对目标生理数据进行处理。
使用支持向量机（SVM）、决策树、神经网络等算法对数据进行分类。
通过模型输出得到用户的情绪状态数据，例如激动、放松、紧张等。
6. 情景模式识别：
根据用户的情绪状态数据来识别用户当前的情景模式。
设定规则或使用模型来判断情景模式。例如，如果用户的情绪状态为放松并且生理数据显示心率缓慢，则可能处于睡眠模式。
设定规则或使用模型来判断情景模式的实施方法如下：
定义情景模式：明确定义要设定的情景模式，例如"白天"和"夜晚"，根据光照强度来进行判断。
收集数据：收集一定数量的数据用于训练模型或设定规则。使用光照传感器获取数据，并记录不同时间点下的光照强度数值。
选择方法：根据收集到的数据选择使用规则设定或基于机器学习的方法来判断情景模式。
a. 规则设定：设定一组规则来判断情景模式。例如，如果光照强度大于某个阈值，则判断为白天；否则，判断为夜晚。可以设定多个规则以提高判断准确性。
b. 机器学习方法：使用机器学习算法来训练模型，将光照强度作为输入，情景模式作为输出。可以使用分类算法如决策树、支持向量机或神经网络进行训练。
模型训练和评估：对于选择机器学习方法的情况，将数据集划分为训练集和测试集，使用训练集来训练模型。训练完成后，使用测试集来评估模型的准确性和性能。
情景模式判断：根据所选择的方法，将实时获取的光照强度数据输入到模型或规则中，判断当前的情景模式。当光照强度超过设定阈值或模型输出特定类别时，判断为当前的情景模式。情景模式可能包括观影、看书、睡眠等。
7. 返回结果：
将识别出的情景模式返回到系统中，用于后续的光照和温度调整。
步骤105：将所述目标环境数据和所述用户当前的情景模式输入至训练后的深度学习模型进行预测，得到控制策略，并通过预设的智能调光算法对所述控制策略进行优化，得到优化后的控制策略，根据所述优化后的控制策略对调光面板进行自动调整；其中，所述深度学习模型经过提前训练得到。
具体的，步骤105详细说明：
1. 数据输入：
目标环境数据和用户当前的情景模式作为深度学习模型的输入。例如，目标环境数据可能包括光照强度、温度等，而情景模式可能是“观影”或“睡眠”。
2. 使用训练后的深度学习模型进行预测：
在这一阶段，使用预先训练的深度学习模型对输入数据进行处理，预测最佳的控制策略。深度学习模型可能采用卷积神经网络(CNN)、递归神经网络(RNN)或长短时记忆网络(LSTM)等结构，具体选择取决于输入数据的特点和项目需求。
例子:
假设当光照强度为200lux，温度为22°C，情景模式为“观影”时，深度学习模型预测的控制策略为将光照强度调整到50lux，同时温度维持不变。
3. 控制策略优化：
使用预设的智能调光算法对预测出的控制策略进行优化。这一步旨在确保控制策略不仅基于模型预测，还满足其他因素，如能耗、硬件限制等。
例子:
智能调光算法可能考虑到当前电池电量，若电池电量低，则推荐更加节能的光照策略。
4. 自动调整调光面板：
根据优化后的控制策略，自动调整调光面板的参数，如亮度、色温等。这一步确保用户所处的环境能够与其情景模式相匹配，从而提供更加舒适的体验。
例子:
根据优化后的控制策略，系统自动将调光面板的亮度调整到50lux，同时保持温度为22°C，为用户观影提供最佳的光照环境。
本发明实施例中调光面板的智能控制方法的另一个实施例包括：
所述基于预设的融合算法，将所述第一环境数据和所述第二环境数据进行融合处理，得到目标环境数据，包括：
获取存在于所述第一环境数据的第一特定事件，以及获取存在于所述第二环境数据的第二特定事件；其中，所述第一特定事件和所述第二特定事件为在接收到任何数据之前对特定事件发生可能性的初始估计；
根据收集到的第一环境数据，计算第一特定事件的状态发生的第一似然度，根据收集到的第二环境数据，计算第二特定事件的状态发生的第二似然度；
利用预设的第一条件概率计算公式，通过预设的第一先验概率和所述第一似然度，计算第一环境数据的第一后验概率；
利用预设的第二条件概率计算公式，通过预设的第二先验概率和所述第二似然度，计算第二环境数据的第二后验概率；
对所述第一后验概率和所述第二后验概率进行加权平均，得到融合后的目标环境数据；其中，所述目标环境数据用于表示在调光面板的环境中采集的所述第一环境数据和所述第二环境数据的权重集合。本发明实施例中，有益效果
具体的，以下是融合算法的深度说明及举例：
1. 获取第一和第二特定事件：
在接收到任何数据之前，系统对第一环境数据中可能发生的第一特定事件，以及第二环境数据中可能发生的第二特定事件进行了初始估计。这些估计基于历史数据或先验知识。
举例：
假设第一环境数据为光照强度，第二环境数据为温度。第一特定事件可能是“太阳升起”，第二特定事件可能是“温度升高”。
2. 计算似然度：
根据收集到的环境数据，系统计算每个事件状态发生的似然度。
举例：
假设在早晨，光照强度突然增加，系统可能计算太阳升起事件的高似然度；同样，如果检测到温度突然上升，系统可能为温度升高事件计算高似然度。
3. 计算后验概率：
使用条件概率计算公式，结合先验概率和似然度，系统计算每个环境数据的后验概率。
举例：
假设太阳升起的先验概率是0.7（基于昨天同一时间的数据），似然度为0.9（基于当前的光照强度数据）。使用贝叶斯公式，计算第一后验概率。
4. 加权平均：
系统使用预定的权重，对第一和第二后验概率进行加权平均，从而得到融合后的目标环境数据。
举例：
假设对光照强度给予0.6的权重，对温度给予0.4的权重。使用这些权重，对后验概率进行加权平均，得到目标环境数据。
5. 结果解释：
目标环境数据表示在调光面板的环境中采集的第一和第二环境数据的权重集合。这个数据为系统提供了一个全面的、融合了多个环境因子的视角，从而帮助更精确地对调光面板进行调整。
举例：
如果目标环境数据显示光照强度的权重高于温度，调光面板可能会调整到更亮的模式，以更好地适应环境。
本发明实施例中调光面板的智能控制方法的另一个实施例包括：
所述通过预置的生物传感器获取用户的生理数据，对所述生理数据进行阈值处理，得到重构后的目标生理数据，包括：
获取用户的初始心电信号以及用户的初始加速度能量信号；
对所述初始心电信号进行低通滤波处理，得到第一滤波信号，对所述初始加速度能量信号进行低通滤波处理，得到第二滤波信号；
基于预设的第一差分运算算法对第一滤波信号进行第一处理，得到第一差分信号；基于预设的第二差分运算算法对第二滤波信号进行第二处理，得到第二差分信号；
通过滑动平均积分算法对所述第一差分信号进行处理，得到第一滑动平均积分信号；通过滑动平均积分算法对所述第二差分信号进行处理，得到第二滑动平均积分信号；
利用预设的波形特性分别对第一滑动平均积分信号和第二滑动平均积分信号进行频段分析以及特征提取，得到第一生理数据和第二生理数据；
通过预设的小波基函数和分解层数，将第一生理数据和第二生理数据分别进行小波分解，得到第一生理数据对应的第一原始小波系数和第二生理数据对应的第二原始小波系数；
计算基学习器对应的小波阈值函数的参数的最优组合权重，生成自适应小波阈值函数；
将所述第一原始小波系数和所述第二原始小波系数分别代入生成的自适应小波阈值函数中，采用阈值法分别对所述第一原始小波系数和所述第二原始小波系数进行阈值处理，得到阈值处理后的第一小波系数和第二小波系数；
将阈值处理后的第一小波系数和第二小波系数进行重构，得到重构后的目标生理数据。
具体的，通过预置的生物传感器，如心电图（ECG）传感器和加速度计，获取用户的初始心电信号和加速度能量信号。将初始心电信号和初始加速度能量信号分别通过低通滤波器，去除高频噪声，得到第一和第二滤波信号。
第一差分运算算法是对第一滤波信号（心电信号）进行的处理，例如计算相邻两点的差值，从而凸显心电信号的波峰和波谷。
第二差分运算算法是对第二滤波信号（加速度能量信号）进行的处理，类似地突出其波峰和波谷。
滑动平均积分算法：这一步旨在平滑差分信号，并减少噪声的影响。它通过计算一个固定窗口内的数据点的平均值，对信号进行平滑处理。
频段分析和特征提取：这一步中，系统对滑动平均积分信号进行频段分析，即分析信号在不同频率段上的特性。特征提取则是从信号中提取有意义的信息，如心率、呼吸频率等。
小波分解：小波基函数是一种能够同时获取信号在时域和频域上信息的函数。分解层数决定了小波变换的精度，层数越高，对信号的细节部分分析越精细。通过预设的小波基函数和分解层数，将第一生理数据和第二生理数据分别进行小波分解，得到对应的原始小波系数。
自适应小波阈值函数：这一步涉及计算一个最优权重组合，这些权重用于生成自适应小波阈值函数。这个函数用于确定小波系数的保留或剔除标准，以进一步减少噪声。
阈值处理：将原始小波系数代入自适应小波阈值函数中，根据设定的阈值，对这些系数进行处理。这一步旨在剔除噪声和无关的频率成分。
重构目标生理数据：利用阈值处理后的小波系数，通过小波重构算法，恢复得到目标生理数据。这些数据是清晰、去噪后的心电信号和加速度能量信号，将用于进一步的分析和应用。
本发明实施例的有益效果：本技术方案基于生物传感器，通过一系列的信号处理步骤，对用户的原始生理数据进行了净化和重构，从而得到更清晰、更准确的目标生理数据，这对于后续的生理状态监测和分析具有重要意义。
本发明实施例中调光面板的智能控制方法的另一个实施例包括：
所述基于预设的情感分析算法模型对所述目标生理数据进行处理，得到用户的情绪状态数据，根据所述情绪状态数据识别用户当前的情景模式，包括：
基于预设的情感分析算法模型，对用户的目标生理数据进行情感预测分析，预测用户的情绪信息；其中，所述预设的情感分析算法模型为基于预设的残差神经网络和反卷积神经网络进行深度学习得到的；
根据所述情绪信息对用户当前的情绪进行分析，得到用户的情绪状态数据；
对用户的情绪状态数据进行哈希计算，得到对应的参数哈希值；将各个参数哈希值分别作为一个元素添加在集合中，得到参数哈希集合；
将所述参数哈希集合与数据库中预存的多个情景模式集合进行逐一匹配，得到与所述参数哈希集合的元素交集最多的集合，作为目标集合；
根据所述目标集合识别用户当前的情景模式；其中，所述目标集合用于表示用户当前所身处的最大概率的情景模式。
具体的，以下是对本实施例的深度说明：
1. 基于预设的情感分析算法模型的情感预测分析：
此步骤使用预设的情感分析算法模型来解读目标生理数据并预测用户的情绪信息。这种算法模型由深度学习技术——特别是残差神经网络和反卷积神经网络——构建而成。
残差神经网络（Residual Neural Network, ResNet）: 是一种为了解决深层神经网络中的梯度消失和梯度爆炸问题而设计的结构。通过引入跨层的“快捷连接”（或“跳跃连接”），它允许梯度直接反向传播到较早的层。
反卷积神经网络 (Deconvolutional Neural Network, DeconvNet): 主要用于图像处理中，特别是在图像生成和分割中。这种网络能够上采样图像或特征图，从而恢复图像的尺寸。
2. 情绪状态数据的获取：
通过解读生理数据得到的情绪信息，进一步分析用户的整体情绪，从而得到情绪状态数据。这些数据可能包括但不限于：快乐、悲伤、愤怒、害怕、惊讶等。
3. 哈希计算与参数哈希集合的生成：
对用户的情绪状态数据进行哈希计算可以将复杂的情绪状态数据转化为独特、固定长度的哈希值。然后，将这些哈希值添加到一个集合中，形成参数哈希集合。
哈希计算: 是一种将任意长度的输入数据转化为固定长度输出的方法。它的特点是，对于相同的输入，总是得到相同的输出，而对于稍微不同的输入，输出则会大不相同。
4. 参数哈希集合的匹配与目标集合的选择：
通过将参数哈希集合与数据库中预存的多个情景模式集合进行逐一匹配，选择与参数哈希集合有最多交集的集合作为目标集合。这个匹配过程类似于查找数据库中与当前用户情绪状态最为接近的情景模式。
5. 识别用户当前的情景模式：
根据目标集合，识别用户当前所处的情景模式。情景模式可能是预定义的一系列情境或背景，如“在办公室工作”、“与家人度假”或“在健身房锻炼”。
本发明实施例的有益效果：该技术方案采用先进的深度学习模型，结合哈希技术，从用户的生理数据中预测其情绪状态，并进一步识别用户当前所处的情景模式。这样的方法可以在智能应用中提供更加个性化的服务或建议，因为它不仅仅是基于用户的生理数据，而是深入到了用户的情绪和上下文情境。
本发明实施例中调光面板的智能控制方法的另一个实施例包括：
所述深度学习模型的训练过程，包括：
获取环境数据和用户的情景模式数据作为训练数据，将所述训练数据输入至初始深度学习网络模型；其中，所述初始深度学习网络模型包括一个光照强度和温度强度分析模型和一个控制策略生成模型；
基于光照强度和温度强度分析模型，根据所述训练数据预测对应的环境识别值；其中，所述环境识别值用于表示用户所处的环境的最大概率值；
基于控制策略生成模型，根据所述环境识别值和所述用户当前的情景模式生成对应的控制策略；其中，所述控制策略用于对所述调光面板进行自动调整；
获取所述训练数据中预先标定的实际识别值；并计算预测的环境识别值与实际的环境识别值的相似值，作为第一损失值；计算预测的控制策略与实际的控制策略的相似值，作为第二损失值；
对初始深度学习网络的模型参数进行迭代调整，通过基于损失的优化，将所述第一损失值、第二损失值降至最小，训练得到所述深度学习模型。
具体的，以下是对本实施例的深度说明：
1. 获取环境数据和用户的情景模式数据作为训练数据： 这一步涉及收集关于用户所处环境的数据和用户的情景模式数据。环境数据可能包括光照强度、温度等。情景模式数据则可能涉及用户在特定环境下的行为和偏好。例如，环境数据可能显示一个明亮的日光环境和22°C的温度，而情景模式数据可能记录用户在这种环境下倾向于阅读。
2. 初始深度学习网络模型： 这是一个复合模型，包括：
光照强度和温度强度分析模型：该模型分析从传感器获得的环境数据，例如光线和温度，以预测用户所处的环境。
控制策略生成模型：这个模型根据预测的环境识别值和用户当前的情景模式，生成对应的控制策略，例如自动调整室内照明和空调温度。
3. 环境识别值的预测： 基于光照强度和温度强度分析模型，算法预测一个环境识别值，它代表用户所处环境的最大概率值。例如，如果光照强度和温度强度分析模型根据当前的光线和温度数据预测用户处于一个明亮和温暖的环境，这将被编码为一个特定的环境识别值。
4. 控制策略的生成： 基于控制策略生成模型，系统使用预测的环境识别值和用户当前的情景模式来生成一个控制策略。这个控制策略将用于自动调整设备，例如调光面板，以适应用户的需要和偏好。
5. 计算损失值： 这一步涉及两个关键计算：
第一损失值：计算预测的环境识别值与实际环境识别值（从训练数据中预先标定）的相似度。这个损失值表明模型预测环境的准确性。
第二损失值：计算预测的控制策略与实际控制策略（同样从训练数据中预先标定）的相似度。这个损失值表明生成的控制策略是否符合用户的实际需求和期望。
6. 迭代调整模型参数： 在这一步，算法根据计算得到的第一和第二损失值对初始深度学习网络模型的参数进行迭代和优化。目标是通过基于损失的优化，将这两个损失值降至最小。这个过程通常涉及使用如梯度下降等优化算法来调整网络权重，直至模型在训练数据上达到最佳性能。
本发明实施例的有益效果：该技术方案描述了一个深度学习模型的训练过程，该模型能根据环境数据（如光照和温度）和用户情景模式数据，自动生成针对特定环境和用户状态的控制策略。这种策略可以用于自动调整如室内照明等设备的设置，以更好地适应用户的需求和偏好。训练过程涉及大量的迭代和优化，旨在减小预测结果与实际标定值之间的差异，从而提高模型的准确性和可靠性。
本发明实施例中调光面板的智能控制方法的另一个实施例包括：
还包括：
将用户的目标生理数据复制为第一数据；
对所述第一数据进行特征识别，从所述第一数据中识别出特征字段，并获取到所述特征字段对应的特征值；
将用户的目标生理数据复制为第二数据；
基于所述特征值对所述第二数据进行加密，得到加密数据，对所述加密数据进行特征提取，得到第一加密特征向量；
对所述第一加密特征向量进行哈希运算，得到对应的哈希值；
将所述对应的哈希值输入至预设的加密模型进行加密处理，得到对应的第二加密特征向量；
将所述第一数据和所述第二加密特征向量进行关联之后存储至数据库中。
具体的，以下是对本实施例的深度说明：
复制用户的目标生理数据为第一数据: 该步骤涉及将用户的目标生理数据（例如心率、皮肤电导、温度等）复制为另一个数据集，称为第一数据。
特征识别和获取特征值: 对第一数据进行特征识别，意味着在数据中识别出与用户情绪或生理状态有关的关键特征字段，并获取这些字段对应的特征值。例如，心率字段的特征值可以是用户的平均心率。
复制用户的目标生理数据为第二数据: 这一步类似于第一步，再次复制用户的目标生理数据，但这次是为了创建第二数据。
基于特征值加密第二数据: 使用前面识别的特征值对第二数据进行加密。这可以通过一种称为"同态加密"的技术来实现，允许对加密数据进行计算，而无需先解密。这样可以保护用户数据的隐私。
特征提取，得到第一加密特征向量: 从加密数据中提取特征以生成第一加密特征向量。特征向量是一个数字序列，表示数据集中的重要特征。
哈希运算，得到对应的哈希值: 对第一加密特征向量进行哈希运算以获得对应的哈希值。哈希运算是一种将任意长度的输入数据转换为固定长度输出的方法，通常用于快速查找和数据验证。
预设的加密模型进行加密处理，得到对应的第二加密特征向量: 将哈希值输入至预设的加密模型（例如RSA、AES加密算法）进行进一步加密处理，得到对应的第二加密特征向量。
将第一数据和第二加密特征向量进行关联之后存储至数据库中: 这一步涉及将未加密的第一数据与加密的第二加密特征向量关联在一起，并存储在数据库中。这样，当需要对用户的生理数据进行查询或分析时，可以使用加密的特征向量进行验证和查找，而无需直接访问原始数据。
本实施例的有益效果：该技术方案涉及用户的目标生理数据的加密和存储过程。通过识别特征、加密数据、提取特征和进行哈希运算，该方法可确保用户的生理数据安全性。其关键在于使用加密和哈希技术来保护数据，同时允许对加密的数据进行有效的查询和分析。这对于确保数据隐私和安全性至关重要。
上面对本发明实施例中调光面板的智能控制方法进行了描述，下面对本发明实施例中调光面板的智能控制装置进行描述，请参阅图2，本发明实施例中调光面板的智能控制装置一个实施例包括：
第一获取模块，用于通过预置的光照传感器获取第一环境数据；其中，所述第一环境数据用于表示环境的光照强度；
第二获取模块，用于通过预置的温度传感器获取第二环境数据；其中，所述第二环境数据用于表示环境的温度强度；
融合模块，用于基于预设的融合算法，将所述第一环境数据和所述第二环境数据进行融合处理，得到目标环境数据；
识别模块，用于所述通过预置的生物传感器获取用户的生理数据，对所述生理数据进行阈值处理，得到重构后的目标生理数据，基于预设的情感分析算法模型对所述目标生理数据进行处理，得到用户的情绪状态数据，根据所述情绪状态数据识别用户当前的情景模式；其中，所述情景模式包括用户当前的活动情景模式，所述活动情景模式至少包括观影、工作、看书、睡眠；
调整模块，用于将所述目标环境数据和所述用户当前的情景模式输入至训练后的深度学习模型进行预测，得到控制策略，并通过预设的智能调光算法对所述控制策略进行优化，得到优化后的控制策略，根据所述控制策略对所述调光面板进行自动调整；其中，所述深度学习模型经过提前训练得到。
在本实施例中，上述调光面板的智能控制装置实施例中的各个模块的具体实现，请参照上述调光面板的智能控制方法实施例中所述，在此不再进行赘述。
本发明还提供一种调光面板的智能控制设备，所述调光面板的智能控制设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述调光面板的智能控制方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述调光面板的智能控制方法的步骤。
有益效果：本发明提供一种调光面板的智能控制方法、装置、设备及存储介质，通过预置的光照传感器获取第一环境数据；并通过预置的温度传感器获取第二环境数据；基于预设的融合算法，将所述第一环境数据和所述第二环境数据进行融合处理，得到目标环境数据；通过预置的生物传感器获取用户的生理数据，对所述生理数据进行阈值处理，得到重构后的目标生理数据，基于预设的情感分析算法模型对所述目标生理数据进行处理，得到用户的情绪状态数据，根据所述情绪状态数据识别用户当前的情景模式；最后将所述目标环境数据和所述用户当前的情景模式输入至训练后的深度学习模型进行预测，得到控制策略，并通过预设的智能调光算法对所述控制策略进行优化，得到优化后的控制策略，根据所述优化后的控制策略对调光面板进行自动调整。本发明通过光照传感器和温度传感器获取环境数据，并结合生物传感器获取的用户生理数据，这项技术能自动调整光照面板，提供适宜的光照强度和温度，从而为用户创造一个更舒适的环境。并且通过对生理数据进行情感分析，本发明可以识别用户的情绪状态，并根据情绪状态识别用户当前的情景模式。这有助于更精确地调整光照和温度，以符合用户当前活动的需求。最后通过将环境数据和用户情景模式输入至深度学习模型进行预测，这项技术可以更精确地预测用户的需求，并通过智能调光算法对控制策略进行优化，从而提高调光面板的自动调整精度。通过自动调整光照面板来适应用户的情绪和活动需求，本发明能够提高用户体验，使用户在不同场景下都能享受到舒适的光照和温度环境。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上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。
Claims (9)
1.一种调光面板的智能控制方法，其特征在于，包括：
通过预置的光照传感器获取第一环境数据；其中，所述第一环境数据用于表示环境的光照强度；
通过预置的温度传感器获取第二环境数据；其中，所述第二环境数据用于表示环境的温度强度；
基于预设的融合算法，将所述第一环境数据和所述第二环境数据进行融合处理，得到目标环境数据；
通过预置的生物传感器获取用户的生理数据，对所述生理数据进行阈值处理，得到重构后的目标生理数据，基于预设的情感分析算法模型对所述目标生理数据进行处理，得到用户的情绪状态数据，根据所述情绪状态数据识别用户当前的情景模式；其中，所述情景模式包括用户当前的活动情景模式，所述活动情景模式至少包括观影、看书、睡眠；
将所述目标环境数据和所述用户当前的情景模式输入至训练后的深度学习模型进行预测，得到控制策略，并通过预设的智能调光算法对所述控制策略进行优化，得到优化后的控制策略，根据所述优化后的控制策略对调光面板进行自动调整；其中，所述深度学习模型经过提前训练得到。
2.根据权利要求1所述的智能控制方法，其特征在于，所述基于预设的融合算法，将所述第一环境数据和所述第二环境数据进行融合处理，得到目标环境数据，包括：
获取存在于所述第一环境数据的第一特定事件，以及获取存在于所述第二环境数据的第二特定事件；其中，所述第一特定事件和所述第二特定事件为在接收到任何数据之前对特定事件发生可能性的初始估计；
根据收集到的第一环境数据，计算第一特定事件的状态发生的第一似然度，根据收集到的第二环境数据，计算第二特定事件的状态发生的第二似然度；
利用预设的第一条件概率计算公式，通过预设的第一先验概率和所述第一似然度，计算第一环境数据的第一后验概率；
利用预设的第二条件概率计算公式，通过预设的第二先验概率和所述第二似然度，计算第二环境数据的第二后验概率；
对所述第一后验概率和所述第二后验概率进行加权平均，得到融合后的目标环境数据；其中，所述目标环境数据用于表示在调光面板的环境中采集的所述第一环境数据和所述第二环境数据的权重集合。
3.根据权利要求1所述的智能控制方法，其特征在于，所述通过预置的生物传感器获取用户的生理数据，对所述生理数据进行阈值处理，得到重构后的目标生理数据，包括：
获取用户的初始心电信号以及用户的初始加速度能量信号；
对所述初始心电信号进行低通滤波处理，得到第一滤波信号，对所述初始加速度能量信号进行低通滤波处理，得到第二滤波信号；
基于预设的第一差分运算算法对第一滤波信号进行第一处理，得到第一差分信号；基于预设的第二差分运算算法对第二滤波信号进行第二处理，得到第二差分信号；
通过滑动平均积分算法对所述第一差分信号进行处理，得到第一滑动平均积分信号；通过滑动平均积分算法对所述第二差分信号进行处理，得到第二滑动平均积分信号；
利用预设的波形特性分别对第一滑动平均积分信号和第二滑动平均积分信号进行频段分析以及特征提取，得到第一生理数据和第二生理数据；
通过预设的小波基函数和分解层数，将第一生理数据和第二生理数据分别进行小波分解，得到第一生理数据对应的第一原始小波系数和第二生理数据对应的第二原始小波系数；
计算基学习器对应的小波阈值函数的参数的最优组合权重，生成自适应小波阈值函数；
将所述第一原始小波系数和所述第二原始小波系数分别代入生成的自适应小波阈值函数中，采用阈值法分别对所述第一原始小波系数和所述第二原始小波系数进行阈值处理，得到阈值处理后的第一小波系数和第二小波系数；
将阈值处理后的第一小波系数和第二小波系数进行重构，得到重构后的目标生理数据。
4.根据权利要求1所述的智能控制方法，其特征在于，所述基于预设的情感分析算法模型对所述目标生理数据进行处理，得到用户的情绪状态数据，根据所述情绪状态数据识别用户当前的情景模式，包括：
基于预设的情感分析算法模型，对用户的目标生理数据进行情感预测分析，预测用户的情绪信息；其中，所述预设的情感分析算法模型为基于预设的残差神经网络和反卷积神经网络进行深度学习得到的；
根据所述情绪信息对用户当前的情绪进行分析，得到用户的情绪状态数据；
对用户的情绪状态数据进行哈希计算，得到对应的参数哈希值；将各个参数哈希值分别作为一个元素添加在集合中，得到参数哈希集合；
将所述参数哈希集合与数据库中预存的多个情景模式集合进行逐一匹配，得到与所述参数哈希集合的元素交集最多的集合，作为目标集合；
根据所述目标集合识别用户当前的情景模式；其中，所述目标集合用于表示用户当前所身处的最大概率的情景模式。
5.根据权利要求1所述的智能控制方法，其特征在于，所述深度学习模型的训练过程，包括：
获取环境数据和用户的情景模式数据作为训练数据，将所述训练数据输入至初始深度学习网络模型；其中，所述初始深度学习网络模型包括一个光照强度和温度强度分析模型和一个控制策略生成模型；
基于光照强度和温度强度分析模型，根据所述训练数据预测对应的环境识别值；其中，所述环境识别值用于表示用户所处的环境的最大概率值；
基于控制策略生成模型，根据所述环境识别值和所述用户当前的情景模式生成对应的控制策略；其中，所述控制策略用于对所述调光面板进行自动调整；
获取所述训练数据中预先标定的实际识别值；并计算预测的环境识别值与实际的环境识别值的相似值，作为第一损失值；计算预测的控制策略与实际的控制策略的相似值，作为第二损失值；
对初始深度学习网络的模型参数进行迭代调整，通过基于损失的优化，将所述第一损失值、第二损失值降至最小，训练得到所述深度学习模型。
6.根据权利要求1所述的智能控制方法，其特征在于，还包括：
将用户的目标生理数据复制为第一数据；
对所述第一数据进行特征识别，从所述第一数据中识别出特征字段，并获取到所述特征字段对应的特征值；
将用户的目标生理数据复制为第二数据；
基于所述特征值对所述第二数据进行加密，得到加密数据，对所述加密数据进行特征提取，得到第一加密特征向量；
对所述第一加密特征向量进行哈希运算，得到对应的哈希值；
将所述对应的哈希值输入至预设的加密模型进行加密处理，得到对应的第二加密特征向量；
将所述第一数据和所述第二加密特征向量进行关联之后存储至数据库中。
7.一种调光面板的智能控制装置，其特征在于，所述调光面板的智能控制装置包括：
第一获取模块，用于通过预置的光照传感器获取第一环境数据；其中，所述第一环境数据用于表示环境的光照强度；
第二获取模块，用于通过预置的温度传感器获取第二环境数据；其中，所述第二环境数据用于表示环境的温度强度；
融合模块，用于基于预设的融合算法，将所述第一环境数据和所述第二环境数据进行融合处理，得到目标环境数据；
识别模块，用于所述通过预置的生物传感器获取用户的生理数据，对所述生理数据进行阈值处理，得到重构后的目标生理数据，基于预设的情感分析算法模型对所述目标生理数据进行处理，得到用户的情绪状态数据，根据所述情绪状态数据识别用户当前的情景模式；其中，所述情景模式包括用户当前的活动情景模式，所述活动情景模式至少包括观影、工作、看书、睡眠；
调整模块，用于将所述目标环境数据和所述用户当前的情景模式输入至训练后的深度学习模型进行预测，得到控制策略，并通过预设的智能调光算法对所述控制策略进行优化，得到优化后的控制策略，根据所述控制策略对所述调光面板进行自动调整；其中，所述深度学习模型经过提前训练得到。
8.一种调光面板的智能控制设备，其特征在于，所述调光面板的智能控制设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述调光面板的智能控制设备执行如权利要求1-6中任一项所述的调光面板的智能控制方法。
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-6中任一项所述的调光面板的智能控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311164702.9A CN116916504B (zh) | 2023-09-11 | 2023-09-11 | 调光面板的智能控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311164702.9A CN116916504B (zh) | 2023-09-11 | 2023-09-11 | 调光面板的智能控制方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116916504A CN116916504A (zh) | 2023-10-20 |
| CN116916504B true CN116916504B (zh) | 2023-11-17 |
Family
ID=88358653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311164702.9A Active CN116916504B (zh) | 2023-09-11 | 2023-09-11 | 调光面板的智能控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116916504B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117711309B (zh) * | 2024-02-06 | 2024-05-07 | 深圳市东陆科技有限公司 | 基于mcu控制器的led显示控制方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101558607A (zh) * | 2006-12-11 | 2009-10-14 | 皇家飞利浦电子股份有限公司 | 环境系统以及控制环境系统的方法 |
| WO2014192996A1 (ko) * | 2013-05-29 | 2014-12-04 | (주)유양디앤유 | 최적화 알고리즘을 이용한 감성조명 시스템, 감성조명 제어장치 및 방법 |
| CN107596533A (zh) * | 2017-07-18 | 2018-01-19 | 重庆大学 | 一种光环境的调控系统及方法 |
| CN111538251A (zh) * | 2020-05-22 | 2020-08-14 | 江洪华 | 一种优化环境的方法及系统 |
| CN115857595A (zh) * | 2023-03-02 | 2023-03-28 | 安徽星辰智跃科技有限责任公司 | 基于用户心境的功能环境调节方法、系统和装置 |
| CN116602642A (zh) * | 2023-07-19 | 2023-08-18 | 深圳市爱保护科技有限公司 | 心率监测方法、装置、设备 |
-
2023
- 2023-09-11 CN CN202311164702.9A patent/CN116916504B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101558607A (zh) * | 2006-12-11 | 2009-10-14 | 皇家飞利浦电子股份有限公司 | 环境系统以及控制环境系统的方法 |
| WO2014192996A1 (ko) * | 2013-05-29 | 2014-12-04 | (주)유양디앤유 | 최적화 알고리즘을 이용한 감성조명 시스템, 감성조명 제어장치 및 방법 |
| CN107596533A (zh) * | 2017-07-18 | 2018-01-19 | 重庆大学 | 一种光环境的调控系统及方法 |
| CN111538251A (zh) * | 2020-05-22 | 2020-08-14 | 江洪华 | 一种优化环境的方法及系统 |
| CN115857595A (zh) * | 2023-03-02 | 2023-03-28 | 安徽星辰智跃科技有限责任公司 | 基于用户心境的功能环境调节方法、系统和装置 |
| CN116602642A (zh) * | 2023-07-19 | 2023-08-18 | 深圳市爱保护科技有限公司 | 心率监测方法、装置、设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116916504A (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11012659B2 (en) | Intelligent illumination and sound control in an internet of things (IoT) computing environment | |
| CN108229667B (zh) | 基于人工神经网络类别的修剪 | |
| WO2018171533A1 (en) | Review machine learning system | |
| US20200294234A1 (en) | Methods and systems for automatedly collecting and ranking dermatological images | |
| US20180121733A1 (en) | Reducing computational overhead via predictions of subjective quality of automated image sequence processing | |
| CN116916504B (zh) | 调光面板的智能控制方法、装置、设备及存储介质 | |
| US11164291B2 (en) | Under water image color correction | |
| KR101984410B1 (ko) | 감정 상태에 기반한 조명 테라피 방법 및 장치 | |
| Yatbaz et al. | Activity recognition using binary sensors for elderly people living alone: Scanpath trend analysis approach | |
| CN113946218A (zh) | 设备上的活动识别 | |
| CN114781441A (zh) | Eeg运动想象分类方法及多空间卷积神经网络模型 | |
| Yulita et al. | Multichannel electroencephalography-based emotion recognition using machine learning | |
| Wankhade et al. | IKKN predictor: An EEG signal based emotion recognition for HCI | |
| Jien et al. | Age-based facial recognition using convoluted neural network deep learning algorithm | |
| Spiegel et al. | Pattern recognition in multivariate time series: dissertation proposal | |
| CN115240843A (zh) | 基于结构因果模型的公平性预测系统 | |
| Garofalo et al. | Data privatizer for biometric applications and online identity management | |
| CN117460128B (zh) | 基于多维数据分析的光罩调光控制方法及系统 | |
| CN118102555A (zh) | 客厅灯光智慧调节方案的部署和控制方法 | |
| Xielifuguli et al. | Pleasant/unpleasant filtering for affective image retrieval based on cross-correlation of EEG features | |
| Radha et al. | Emotion Based Song Suggestion System for Tamil Language | |
| CN117459877B (zh) | 一种基于智能感知的耳机音效调控方法及系统 | |
| Perez et al. | Genetic improvements in illumination compensation by the discrete cosine transform and local normalization for face recognition | |
| Parvees et al. | Optimal Feature Subset Selection with Multi-Kernel Extreme Learning Machine for Medical Data Classification | |
| WO2024025556A1 (en) | Automatic identification of distracting vivid regions in an image |
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 |