CN116932926B - 应用于智能家居控制的数据分析方法及系统 - Google Patents
应用于智能家居控制的数据分析方法及系统 Download PDFInfo
- Publication number
- CN116932926B CN116932926B CN202311184090.XA CN202311184090A CN116932926B CN 116932926 B CN116932926 B CN 116932926B CN 202311184090 A CN202311184090 A CN 202311184090A CN 116932926 B CN116932926 B CN 116932926B
- Authority
- CN
- China
- Prior art keywords
- control
- intelligent home
- control data
- home control
- knowledge
- 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 44
- 238000007405 data analysis Methods 0.000 title claims abstract description 34
- 230000006870 function Effects 0.000 claims abstract description 64
- 238000012706 support-vector machine Methods 0.000 claims abstract description 52
- 239000013598 vector Substances 0.000 claims description 251
- 230000035515 penetration Effects 0.000 claims description 192
- 238000004458 analytical method Methods 0.000 claims description 144
- 238000012549 training Methods 0.000 claims description 85
- 230000004927 fusion Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/2803—Home automation networks
- H04L12/2816—Controlling appliance services of a home automation network by calling their functionalities
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Selective Calling Equipment (AREA)
Abstract
本申请提供一种应用于智能家居控制的数据分析方法及系统,通过对径向基函数层和支持向量机参数层的学习误差值分别进行了优化,使得径向基函数层的第一网络学习误差值中考虑了控制偏好概率,而支持向量机参数层的第二网络学习误差值中考虑了知识点可信度,那么通过优化后学习误差值训练用户控制偏好分析网络后,生成的网络权重参数收敛的用户控制偏好分析网络中,减少了支持向量机参数层和径向基函数层之间的差异性,从而使得确定的控制渗透预测知识点的控制偏好概率的精度更高,进而提高后续控制偏好分析的可靠性。
Description
技术领域
本申请实施例涉及智能家居技术领域,具体而言,涉及一种应用于智能家居控制的数据分析方法及系统。
背景技术
智能家居是在互联网影响之下物联化的体现。智能家居通过物联网技术将家中的各种设备(如音视频设备、照明系统、窗帘控制、空调控制、安防系统、数字影院系统、影音服务器、影柜系统、网络家电等)连接到一起,提供家电控制、照明控制、电话远程控制、室内外遥控、防盗报警、环境监测、暖通控制、红外转发以及可编程定时控制等多种功能和手段。与普通家居相比,智能家居不仅具有传统的居住功能,兼备建筑、网络通信、信息家电、设备自动化,提供全方位的信息交互功能。对于智能家居控制系统而言,对于不同的用户而言,存在不同的各个智能家居设备的控制偏好,通过使智能家居控制系统与用户的控制偏好相适应,可以影响到用户对家居舒适程度的体验质量,例如通过确定分析用户控制偏好,如用户控制偏好相关的控制渗透知识点,可以便于后续结合这些控制渗透知识点进行体验服务优化,然而,在确定用户控制偏好相关的控制渗透知识点的过程中,如何提高其确定精度,以提高后续控制偏好分析的可靠性,是所属技术领域亟待解决的技术问题。
发明内容
为了至少克服现有技术中的上述不足,本申请实施例的目的在于提供一种应用于智能家居控制的数据分析方法及系统。
根据本申请实施例的一个方面,提供了一种应用于智能家居控制的数据分析方法,包括:
获取携带用户控制偏好的模板智能家居控制数据;
依据所述模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的径向基函数层确定所述模板智能家居控制数据对应的控制渗透预测知识点;
依据模板智能家居控制数据对应的控制渗透标定知识点计算所述控制渗透预测知识点的知识点可信度,依据所述知识点可信度计算第一网络学习误差值;
依据所述模板智能家居控制数据的控制知识向量及所述用户控制偏好分析网络的支持向量机参数层确定所述控制渗透预测知识点的控制偏好概率,依据所述控制偏好概率计算第二网络学习误差值;
依据所述知识点可信度优化所述第二网络学习误差值,并依据所述控制偏好概率优化所述第一网络学习误差值;
基于优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息,直到所述用户控制偏好分析网络收敛时,生成网络权重参数收敛的用户控制偏好分析网络;
其中,所述网络权重参数收敛的用户控制偏好分析网络用于对任意加载的目标智能家居控制数据进行用户控制偏好分析。
在第一方面的一种可能的实施方式中,在所述基于优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息之前,所述方法还包括:
依据所述用户控制偏好分析网络的知识点可信度估计单元确定所述控制渗透预测知识点的知识点估计可信度;
依据所述控制渗透预测知识点的知识点估计可信度及所述控制渗透预测知识点的知识点可信度确定第三网络学习误差值;
所述基于优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息包括:
基于所述第三网络学习误差值、优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息。
在第一方面的一种可能的实施方式中,所述控制偏好为待配置偏好;
所述获取携带用户控制偏好的模板智能家居控制数据包括:
获取携带用户控制偏好的模板智能家居控制数据及所述模板智能家居控制数据对应的协同训练智能家居控制数据;所述协同训练智能家居控制数据与所述模板智能家居控制数据包括相同的控制偏好;
所述依据所述模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的径向基函数层确定所述模板智能家居控制数据对应的控制渗透预测知识点包括:
依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量;
将所述第一共享学习特征矢量加载到所述径向基函数层,确定所述模板智能家居控制数据对应的控制渗透预测知识点;
所述依据所述用户控制偏好分析网络的知识点可信度估计单元确定所述控制渗透预测知识点的知识点估计可信度包括:
将所述第一共享学习特征矢量加载到所述知识点可信度估计单元,确定所述控制渗透预测知识点的知识点估计可信度;
所述依据所述模板智能家居控制数据的控制知识向量及所述用户控制偏好分析网络的支持向量机参数层确定所述控制渗透预测知识点的控制偏好概率包括:
依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第二共享学习特征矢量;
将所述第二共享学习特征矢量加载到所述支持向量机参数层,确定所述控制渗透预测知识点的控制偏好概率;
所述第一共享学习特征矢量、所述第二共享学习特征矢量反映所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的控制行为匹配度。
在第一方面的一种可能的实施方式中,在所述依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量之前,所述方法还包括:
依据所述用户控制偏好分析网络获取所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量;
所述依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量包括:
依据所述用户控制偏好分析网络分别对所述模板智能家居控制数据的控制知识向量和所述协同训练智能家居控制数据的控制知识向量进行主成分特征分析,生成所述模板智能家居控制数据的第一模板主成分特征矢量和所述协同训练智能家居控制数据的第一协同主成分特征矢量;
依据所述用户控制偏好分析网络对所述第一模板主成分特征矢量和第一协同主成分特征矢量进行互关联处理,生成所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量。
在第一方面的一种可能的实施方式中,所述用户控制偏好分析网络包括网络架构相同、且共享网络权重信息的两个编码器;
所述依据所述用户控制偏好分析网络获取所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量包括:
将所述模板智能家居控制数据与所述协同训练智能家居控制数据分别加载至所述两个编码器;
基于所述两个编码器,同步生成所述模板智能家居控制数据的控制知识向量和所述协同训练智能家居控制数据的控制知识向量。
在第一方面的一种可能的实施方式中,所述依据模板智能家居控制数据对应的控制渗透标定知识点计算所述控制渗透预测知识点的知识点可信度包括:
获取所述控制渗透标定知识点与所述控制渗透预测知识点之间的共享知识点特征;
获取所述控制渗透标定知识点与所述控制渗透预测知识点之间的融合知识点特征;
基于所述控制渗透预测知识点对应的共享知识点特征与所述融合知识点特征的特征向量比值确定所述知识点可信度。
在第一方面的一种可能的实施方式中,所述依据所述控制偏好概率计算第二网络学习误差值包括:
获取所述控制渗透标定知识点与所述控制渗透预测知识点之间的共享知识点特征;
获取所述控制渗透标定知识点与所述控制渗透预测知识点之间的融合知识点特征;
获取所述控制渗透预测知识点对应的共享知识点特征与融合知识点特征的特征向量比值;
当所述特征向量比值大于第一设定门限值时,基于所述模板智能家居控制数据对应的正向训练标注数据及所述控制偏好概率确定第二网络学习误差值;
当所述特征向量比值小于第二设定门限值时,基于所述模板智能家居控制数据对应的负向训练标注数据及所述控制偏好概率确定第二网络学习误差值。
在第一方面的一种可能的实施方式中,所述控制偏好为待配置偏好;所述方法还包括:
获取智能家居控制循环流;
在所述智能家居控制循环流中确定包括所述待配置偏好的首个智能家居控制数据,生成候选智能家居控制数据;
从所述首个智能家居控制数据的下一个节点的智能家居控制数据起,依次获取智能家居控制数据用作中间控制数据;
将所述中间控制数据与所述候选智能家居控制数据分别加载至所述用户控制偏好分析网络中;依据所述用户控制偏好分析网络获取所述中间控制数据与所述候选智能家居控制数据之间的第一互关联控制矢量及第二互关联控制矢量;
将所述第一互关联控制矢量加载至所述用户控制偏好分析网络的径向基函数层,确定所述中间控制数据的多个控制渗透预测知识点;
将所述第二互关联控制矢量加载至所述用户控制偏好分析网络的支持向量机参数层,确定所述中间控制数据的各个控制渗透预测知识点的控制偏好概率;
基于所述中间控制数据的各个控制渗透预测知识点的控制偏好概率从所述中间控制数据中确定所述待配置偏好对应的控制渗透知识点。
在第一方面的一种可能的实施方式中,所述方法还包括:
获取任意加载的目标智能家居控制数据;
获取网络权重参数收敛的用户控制偏好分析网络;所述用户控制偏好分析网络包括支持向量机参数层及径向基函数层;
依据所述任意加载的目标智能家居控制数据的控制知识向量及所述径向基函数层确定所述任意加载的目标智能家居控制数据的多个控制渗透预测知识点;
依据所述任意加载的目标智能家居控制数据的控制知识向量及所述支持向量机参数层确定所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率;基于所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率对所述任意加载的目标智能家居控制数据进行用户控制偏好分析,生成控制偏好所在控制渗透知识点;
所述控制偏好为待配置偏好;所述获取任意加载的目标智能家居控制数据包括:
获取任意加载的目标智能家居控制数据及所述任意加载的目标智能家居控制数据对应的会话智能家居控制数据;所述会话智能家居控制数据为所述任意加载的目标智能家居控制数据所在控制数据流中、在所述任意加载的目标智能家居控制数据之前的其中一个携带用户控制偏好的控制数据;所述依据所述任意加载的目标智能家居控制数据的控制知识向量及所述径向基函数层确定所述任意加载的目标智能家居控制数据的多个控制渗透预测知识点包括:依据所述任意加载的目标智能家居控制数据的控制知识向量及所述会话智能家居控制数据的控制知识向量确定所述任意加载的目标智能家居控制数据和所述会话智能家居控制数据之间的第一互关联控制矢量;将所述第一互关联控制矢量加载至所述径向基函数层,确定所述任意加载的目标智能家居控制数据的多个控制渗透预测知识点;所述依据所述任意加载的目标智能家居控制数据的控制知识向量及所述支持向量机参数层确定所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率包括:依据所述任意加载的目标智能家居控制数据的控制知识向量及所述会话智能家居控制数据的控制知识向量确定所述任意加载的目标智能家居控制数据和所述会话智能家居控制数据之间的第二互关联控制矢量;
将所述第二互关联控制矢量加载至所述支持向量机参数层,确定所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率;所述用户控制偏好分析网络还包括知识点可信度估计单元;在所述基于所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率从所述任意加载的目标智能家居控制数据中定位控制偏好之前,所述方法还包括:
将所述第一互关联控制矢量加载至所述知识点可信度估计单元,确定所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的知识点估计可信度; 基于所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率对所述任意加载的目标智能家居控制数据进行用户控制偏好分析,生成控制偏好所在控制渗透知识点包括:
将所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的知识点估计可信度与控制偏好概率进行融合计算,生成所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的目标偏好评分;
基于所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的目标偏好评分对所述任意加载的目标智能家居控制数据进行用户控制偏好分析,生成控制偏好所在控制渗透知识点。
根据本申请实施例的一个方面,提供了一种应用于智能家居控制的数据分析系统,所述应用于智能家居控制的数据分析系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的应用于智能家居控制的数据分析方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述三方面的各种可选实现方式中提供的方法。
在本申请的一些实施例所提供的技术方案中,首先获取携带用户控制偏好的模板智能家居控制数据,依据所述模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的径向基函数层确定所述模板智能家居控制数据对应的控制渗透预测知识点,依据模板智能家居控制数据对应的控制渗透标定知识点计算所述控制渗透预测知识点的知识点可信度,依据所述知识点可信度计算第一网络学习误差值,依据所述模板智能家居控制数据的控制知识向量及所述用户控制偏好分析网络的支持向量机参数层确定所述控制渗透预测知识点的控制偏好概率,依据所述控制偏好概率计算第二网络学习误差值,然后依据所述知识点可信度优化所述第二网络学习误差值,并依据所述控制偏好概率优化所述第一网络学习误差值,最后基于优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息,直到所述用户控制偏好分析网络收敛时,生成网络权重参数收敛的用户控制偏好分析网络,在训练中本申请通过对径向基函数层和支持向量机参数层的学习误差值分别进行了优化,使得径向基函数层的第一网络学习误差值中考虑了控制偏好概率,而支持向量机参数层的第二网络学习误差值中考虑了知识点可信度,那么通过优化后学习误差值训练用户控制偏好分析网络后,生成的网络权重参数收敛的用户控制偏好分析网络中,减少了支持向量机参数层和径向基函数层之间的差异性,从而使得确定的控制渗透预测知识点的控制偏好概率的精度更高,进而提高后续控制偏好分析的可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的基础上,还可以结合这些附图提取其它相关的附图。
图1为本申请实施例提供的应用于智能家居控制的数据分析方法的流程示意图;
图2为本申请实施例提供的用于实现上述的应用于智能家居控制的数据分析方法的应用于智能家居控制的数据分析系统的结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围时,本申请中所定义的普遍原则可以适用于其它实施例和应用场景。
图1是本申请一种实施例提供的应用于智能家居控制的数据分析方法的流程示意图,下面对该应用于智能家居控制的数据分析方法进行详细介绍。
步骤S102,获取携带用户控制偏好的模板智能家居控制数据。
其中,用户控制偏好可以用于表示智能家居控制数据中存在的智能家居控制倾向或者喜好,具体可以进行预先标记。模板智能家居控制数据用于对用户控制偏好分析网络进行训练,模板智能家居控制数据中存在控制渗透标定知识点及标定控制偏好数据。其中,标定控制偏好数据指的是控制偏好的渗透知识点。
本实施例中的用户控制偏好分析可以是指的是从智能家居控制数据中确定控制偏好所在控制渗透知识点。
步骤S104,依据模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的径向基函数层确定模板智能家居控制数据对应的控制渗透预测知识点。
其中,用户控制偏好分析网络是指可以对任意输入的智能家居控制数据确定控制偏好所在控制渗透知识点的深度学习网络。用户控制偏好分析网络包括径向基函数层及支持向量机参数层。径向基函数层用于进行控制渗透知识点预测,确定模板智能家居控制数据对应的控制渗透预测知识点。控制渗透预测知识点可以是一个或者多个。支持向量机参数层用于对控制渗透预测知识点中的控制数据进行偏好分析,偏好分析结果可以为存在控制偏好或者不存在控制偏好”。
模板智能家居控制数据的控制知识向量可包括控制开关特征向量、控制时间特征向量、控制位置特征向量等。
一种可替代的实施方式中,可以对模板智能家居控制数据提取控制知识向量,依据模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的径向基函数层进行知识点预测,从而确定模板智能家居控制数据对应的控制渗透预测知识点。
一种可替代的实施方式中,用户控制偏好分析网络还包括编码器,将模板智能家居控制数据输入用户控制偏好分析网络的编码器,生成模板智能家居控制数据的控制知识向量。
一种可替代的实施方式中,在提取得到模板智能家居控制数据的控制知识向量后,可将控制知识向量加载至用户控制偏好分析网络的径向基函数层,确定模板智能家居控制数据对应的控制渗透预测知识点。
一种可替代的实施方式中,当控制偏好为待配置偏好时,在获取携带用户控制偏好的模板智能家居控制数据时,还同时获取与模板智能家居控制数据包括相同控制偏好的协同训练智能家居控制数据,依据模板智能家居控制数据的控制知识向量及协同训练智能家居控制数据的控制知识向量确定模板智能家居控制数据与协同训练智能家居控制数据之间的第一共享学习特征矢量,将第一共享学习特征矢量加载到径向基函数层,确定模板智能家居控制数据对应的控制渗透预测知识点。
步骤S106,依据模板智能家居控制数据对应的控制渗透标定知识点计算控制渗透预测知识点的知识点可信度,依据知识点可信度计算第一网络学习误差值。
其中,控制渗透标定知识点为在模板智能家居控制数据中标定好的控制偏好所在控制渗透知识点。知识点可信度反映控制渗透预测知识点的有效性。第一网络学习误差值反映控制渗透标定知识点与控制渗透预测知识点之间的损失函数值,控制渗透标定知识点与控制渗透预测知识点之间的损失函数值越大,则第一网络学习误差值越大。
一种可替代的实施方式中,可以依据控制渗透预测知识点与控制渗透标定知识点之间的交叉比例来确定控制渗透预测知识点的知识点可信度,并进一步依据知识点可信度计算第一网络学习误差值。
当模板智能家居控制数据对应多个控制渗透预测知识点,可以分别依据每一个控制渗透预测知识点与控制渗透标定知识点之间的交叉比例来确定每一个控制渗透预测知识点的知识点可信度。相应地,可以依据每一个控制渗透预测知识点的知识点可信度分别计算得到每一个控制渗透预测知识点的第一网络学习误差值。
一种可替代的实施方式中,可获取控制渗透标定知识点与控制渗透预测知识点之间的共享知识点特征,同时获取控制渗透标定知识点与控制渗透预测知识点之间的融合知识点特征,基于控制渗透预测知识点对应的共享知识点特征与融合知识点特征的交叉比例确定知识点可信度。
一种可替代的实施方式中,在计算得到知识点可信度后,可通过(1-知识点可信度)计算得到第一网络学习误差值。
步骤S108,依据模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的支持向量机参数层确定控制渗透预测知识点的控制偏好概率,依据控制偏好概率计算第二网络学习误差值。
其中,控制偏好概率反映某个控制渗透预测知识点内的存在控制偏好的概率。第二网络学习误差值反映控制偏好概率预测的精度,第二网络学习误差值与控制偏好概率预测的精度反向相关,即控制偏好概率预测的精度越高,第二网络学习误差值越小。
一种可替代的实施方式中,在提取得到模板智能家居控制数据的控制知识向量,可以依据模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的支持向量机参数层确定每一个控制渗透预测知识点的控制偏好概率,对于每一个控制渗透预测知识点,进一步判断该控制渗透预测知识点是正知识点还是负知识点,当该控制渗透预测知识点为正知识点时,依据控制偏好概率和正向训练标注数据计算第二网络学习误差值,当该控制渗透预测知识点为负知识点时,依据控制偏好概率和负向训练标注数据计算第二网络学习误差值。
一种可替代的实施方式中,可以将模板智能家居控制数据的控制知识向量加载至用户控制偏好分析网络的支持向量机参数层,确定模板智能家居控制数据对应的每一个控制渗透预测知识点的控制偏好概率。
一种可替代的实施方式中,在获取携带用户控制偏好的模板智能家居控制数据时,还同时获取与模板智能家居控制数据包括相同控制偏好的协同训练智能家居控制数据,那么可以依据模板智能家居控制数据的控制知识向量及协同训练智能家居控制数据的控制知识向量确定模板智能家居控制数据与协同训练智能家居控制数据之间的第二共享学习特征矢量,将第二共享学习特征矢量加载到支持向量机参数层,确定模板智能家居控制数据对应的每一个控制渗透预测知识点的控制偏好概率。可以理解,这里的第二共享学习特征矢量与上述实施例的第一共享学习特征矢量通常为不相同的特征矢量。
步骤S110,依据知识点可信度优化第二网络学习误差值,并依据控制偏好概率优化第一网络学习误差值。
一种可替代的实施方式中,可以将各个控制渗透预测知识点的知识点可信度分别与各个控制渗透预测知识点各自的第二网络学习误差值进行融合计算,以优化各个控制渗透预测知识点的第二网络学习误差值,从而建立了辅助训练机制,从而使得确定的控制渗透预测知识点的控制偏好概率的精度更高,并且,可以将各个控制渗透预测知识点的控制偏好概率分别与各个控制渗透预测知识点各自的第一网络学习误差值进行融合计算,以优化各个控制渗透预测知识点的第一网络学习误差值,使得控制偏好概率的精度更高的控制渗透预测知识点更为准确,也减少了支持向量机参数层和径向基函数层之间的差异性。
步骤S112,基于优化后的第二网络学习误差值和优化后的第一网络学习误差值更新用户控制偏好分析网络,直到所述用户控制偏好分析网络收敛时,生成网络权重参数收敛的用户控制偏好分析网络。
一种可替代的实施方式中,可以叠加优化后的第二网络学习误差值和优化后的第一网络学习误差值,生成全局学习误差值,然后基于该全局学习误差值训练用户控制偏好分析网络,直到所述用户控制偏好分析网络收敛时,生成网络权重参数收敛的用户控制偏好分析网络。
网络权重参数收敛的用户控制偏好分析网络用于对任意加载的目标智能家居控制数据进行用户控制偏好分析。一种可替代的实施方式中,在获取到任意加载的目标智能家居控制数据后,可依据任意加载的目标智能家居控制数据的控制知识向量及网络权重参数收敛的用户控制偏好分析网络的径向基函数层确定该任意加载的目标智能家居控制数据的多个控制渗透预测知识点,并依据任意加载的目标智能家居控制数据的控制知识向量及网络权重参数收敛的用户控制偏好分析网络的支持向量机参数层确定各个控制渗透预测知识点的控制偏好概率,选择控制偏好概率最高的控制渗透预测知识点作为任意加载的目标智能家居控制数据中控制偏好对应的目标控制渗透预测知识点。
基于以上步骤,首先获取携带用户控制偏好的模板智能家居控制数据,依据模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的径向基函数层确定模板智能家居控制数据对应的控制渗透预测知识点,依据模板智能家居控制数据对应的控制渗透标定知识点计算控制渗透预测知识点的知识点可信度,依据知识点可信度计算第一网络学习误差值,依据模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的支持向量机参数层确定控制渗透预测知识点的控制偏好概率,依据控制偏好概率计算第二网络学习误差值,进一步,依据知识点可信度优化第二网络学习误差值,并依据控制偏好概率优化第一网络学习误差值,最后基于优化后的第二网络学习误差值和优化后的第一网络学习误差值更新用户控制偏好分析网络,直到所述用户控制偏好分析网络收敛时,生成网络权重参数收敛的用户控制偏好分析网络,由于对于训练流程中,对径向基函数层和支持向量机参数层的学习误差值分别进行了优化,使得径向基函数层的第一网络学习误差值中考虑了控制偏好概率,而支持向量机参数层的第二网络学习误差值中考虑了知识点可信度,那么通过优化后学习误差值训练用户控制偏好分析网络后,生成的网络权重参数收敛的用户控制偏好分析网络中,减少了支持向量机参数层和径向基函数层之间的差异性,从而使得确定的控制渗透预测知识点的控制偏好概率的精度更高,进而提高后续控制偏好分析的可靠性。
一种可替代的实施方式中,进一步提供了一种用户控制偏好分析网络的训练方法,包括以下步骤1.1-1.8:
1.1、获取携带用户控制偏好的模板智能家居控制数据。
1.2、依据模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的径向基函数层确定模板智能家居控制数据对应的控制渗透预测知识点。
1.3、依据模板智能家居控制数据对应的控制渗透标定知识点计算控制渗透预测知识点的知识点可信度,依据知识点可信度计算第一网络学习误差值。
1.4、依据模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的支持向量机参数层确定控制渗透预测知识点的控制偏好概率,依据控制偏好概率计算第二网络学习误差值。
1.5、依据知识点可信度优化第二网络学习误差值,并依据控制偏好概率优化第一网络学习误差值。
1.6、依据用户控制偏好分析网络的知识点可信度估计单元确定控制渗透预测知识点的知识点估计可信度。
一种可替代的实施方式中,用户控制偏好分析网络还包括知识点可信度估计单元,该知识点可信度估计单元用于对各个控制渗透预测知识点的知识点可信度进行预测。
一种可替代的实施方式中,可以将模板智能家居控制数据的控制知识向量加载至知识点可信度估计单元,生成各个控制渗透预测知识点的知识点估计可信度。
一种可替代的实施方式中,当控制偏好为待配置偏好时,由上述实施例可知,可以依据模板智能家居控制数据的控制知识向量及协同训练智能家居控制数据的控制知识向量确定模板智能家居控制数据与协同训练智能家居控制数据之间的第一共享学习特征矢量,那么计算机设备可以将该第一共享学习特征矢量加载到至知识点可信度估计单元中,生成各个控制渗透预测知识点的知识点估计可信度。
1.7、依据控制渗透预测知识点的知识点估计可信度及控制渗透预测知识点的知识点可信度确定第三网络学习误差值。
其中,第三网络学习误差值反映知识点估计可信度与控制渗透预测知识点实际的知识点可信度之间的损失函数值,损失函数值越大,则第三网络学习误差值越大,反之,损失函数值越小,则第三网络学习误差值越小。
1.8、基于第三网络学习误差值、优化后的第二网络学习误差值和优化后的第一网络学习误差值更新用户控制偏好分析网络。
一种可替代的实施方式中,可以叠加第三网络学习误差值、优化后的第二网络学习误差值和优化后的第一网络学习误差值得到全局学习误差值,依据全局学习误差值训练用户控制偏好分析网络。
通过第三网络学习误差值、优化后的第二网络学习误差值和优化后的第一网络学习误差值更新用户控制偏好分析网络,一方面由于对于训练流程中,对径向基函数层和支持向量机参数层的学习误差值分别进行了优化,使得径向基函数层的第一网络学习误差值中考虑了控制偏好概率,而支持向量机参数层的第二网络学习误差值中考虑了知识点可信度,减少了支持向量机参数层和径向基函数层之间的差异性,另一方面由于学习误差值中增加了知识点可信度估计单元的第三网络学习误差值,生成的网络权重参数收敛的用户控制偏好分析网络进一步考虑了知识点可信度,从而进一步提高用户控制偏好分析准确性。
一种可替代的实施方式中,提供了一种用户控制偏好分析网络的训练实施例,具体包括以下步骤2.1-2.11:
2.1、获取携带用户控制偏好的模板智能家居控制数据及模板智能家居控制数据对应的协同训练智能家居控制数据。
其中,协同训练智能家居控制数据与模板智能家居控制数据包括相同的控制偏好。
2.2、依据用户控制偏好分析网络的编码器获取模板智能家居控制数据的控制知识向量及协同训练智能家居控制数据的控制知识向量。
一种可替代的实施方式中,由于需要对模板智能家居控制数据和协同训练智能家居控制数据同时提取特征,那么编码器可以采用孪生网络,此时用户控制偏好分析网络中的编码器为网络架构相同、且共享网络权重信息的两个编码器。在本实施例中,该步骤2.2具体包括:将模板智能家居控制数据与协同训练智能家居控制数据分别输入两个编码器;通过两个编码器,同步生成模板智能家居控制数据的控制知识向量和协同训练智能家居控制数据的控制知识向量。
一种可替代的实施方式中,设置两个编码器,这两个编码器在网络架构、权重配置信息上完全一致。将模板智能家居控制数据与协同训练智能家居控制数据分别输入这两个编码器,使得这两个编码器分别提取模板智能家居控制数据的控制知识向量和协同训练智能家居控制数据的第二控制知识向量。
2.3、依据模板智能家居控制数据的控制知识向量及协同训练智能家居控制数据的控制知识向量确定模板智能家居控制数据与协同训练智能家居控制数据之间的第一共享学习特征矢量。
其中,第一共享学习特征矢量可以是以上实施例的第一互关联控制矢量,可称为第一共享学习特征矢量。以上第二互关联控制矢量在本实施例中可称为第二共享学习特征矢量。互关联控制矢量融合了模板智能家居控制数据的控制知识向量和协同训练智能家居控制数据的控制知识向量,可以反映模板智能家居控制数据与协同训练智能家居控制数据之间的控制行为匹配度。
一种可替代的实施方式中,该步骤2.3具体包括:依据用户控制偏好分析网络分别对模板智能家居控制数据的控制知识向量和协同训练智能家居控制数据的控制知识向量进行第一主成分特征分析,生成模板智能家居控制数据的第一模板主成分特征矢量和协同训练智能家居控制数据的第一协同主成分特征矢量;对第一模板主成分特征矢量和第一协同主成分特征矢量进行互关联处理,生成模板智能家居控制数据与协同训练智能家居控制数据之间的第一共享学习特征矢量。
一种可替代的实施方式中,得到模板智能家居控制数据的第一模板主成分特征矢量和协同训练智能家居控制数据的第一协同主成分特征矢量后,对第一模板主成分特征矢量和第一协同主成分特征矢量进行互相关特征提取,生成模板智能家居控制数据与协同训练智能家居控制数据之间的第一共享学习特征矢量。
2.4、将第一共享学习特征矢量加载到径向基函数层,确定模板智能家居控制数据对应的控制渗透预测知识点。
2.5、依据模板智能家居控制数据对应的控制渗透标定知识点计算控制渗透预测知识点的知识点可信度,依据知识点可信度计算第一网络学习误差值。
一种可替代的实施方式中,获取控制渗透标定知识点与控制渗透预测知识点之间的共享知识点特征;获取控制渗透标定知识点与控制渗透预测知识点之间的融合知识点特征;基于控制渗透预测知识点对应的共享知识点特征与融合知识点特征的特征向量比值确定知识点可信度。2.6、将第一共享学习特征矢量加载到知识点可信度估计单元,确定控制渗透预测知识点的知识点估计可信度。
2.7、依据控制渗透预测知识点的知识点估计可信度及控制渗透预测知识点的知识点可信度确定第三网络学习误差值。
在获得模板智能家居控制数据的控制知识向量和协同训练智能家居控制数据的控制知识向量后,将模板智能家居控制数据的控制知识向量加载至第一主成分特征编码单元,同时将协同训练智能家居控制数据的控制知识向量加载至第二主成分特征编码单元,第一主成分特征编码单元对模板智能家居控制数据的控制知识向量进行主成分特征分析得到模板智能家居控制数据的第一模板主成分特征矢量,第二主成分特征编码单元对协同训练智能家居控制数据的控制知识向量进行主成分特征分析得到协同训练智能家居控制数据的第一协同主成分特征矢量,然后对第一模板主成分特征矢量和第一协同主成分特征矢量进行互关联处理,生成第一共享学习特征矢量,将第一共享学习特征矢量分别输入径向基函数层和知识点可信度估计单元。
2.8、依据模板智能家居控制数据的控制知识向量及协同训练智能家居控制数据的控制知识向量确定模板智能家居控制数据与协同训练智能家居控制数据之间的第二共享学习特征矢量。
一种可替代的实施方式中,可以依据用户控制偏好分析网络分别对模板智能家居控制数据的控制知识向量和协同训练智能家居控制数据的控制知识向量进行第二主成分特征分析,生成模板智能家居控制数据的第二模板主成分特征矢量和协同训练智能家居控制数据的第二协同主成分特征矢量;对第二模板主成分特征矢量和第二协同主成分特征矢量进行互关联处理,生成模板智能家居控制数据与协同训练智能家居控制数据之间的第二共享学习特征矢量。
得到模板智能家居控制数据的第二模板主成分特征矢量和协同训练智能家居控制数据的第二协同主成分特征矢量后,对第二模板主成分特征矢量和第二协同主成分特征矢量进行互相关特征提取,生成模板智能家居控制数据与协同训练智能家居控制数据之间的第二共享学习特征矢量。
将模板智能家居控制数据的控制知识向量加载至第三主成分特征编码单元,同时将协同训练智能家居控制数据的控制知识向量加载至第四主成分特征编码单元,第三主成分特征编码单元对模板智能家居控制数据的控制知识向量进行主成分特征分析得到模板智能家居控制数据的第二模板主成分特征矢量,第四主成分特征编码单元对协同训练智能家居控制数据的控制知识向量进行主成分特征分析得到协同训练智能家居控制数据的第二协同主成分特征矢量。然后对第二模板主成分特征矢量和第二协同主成分特征矢量进行互关联处理,生成第二共享学习特征矢量,将第二共享学习特征矢量加载到支持向量机参数层。
2.9、将第二共享学习特征矢量加载到支持向量机参数层,确定控制渗透预测知识点的控制偏好概率,依据控制偏好概率计算第二网络学习误差值。
2.10、依据知识点可信度优化第二网络学习误差值,并依据控制偏好概率优化第一网络学习误差值。
2.11、基于第三网络学习误差值、优化后的第二网络学习误差值和优化后的第一网络学习误差值更新用户控制偏好分析网络,直到所述用户控制偏好分析网络收敛时,生成网络权重参数收敛的用户控制偏好分析网络。
一种可替代的实施方式中,本申请实施例进一步的步骤具体包括:
1、获取智能家居控制循环流,在智能家居控制循环流中确定包括待配置偏好的首个智能家居控制数据,生成候选智能家居控制数据,从首个智能家居控制数据的下一个节点的智能家居控制数据起,依次获取智能家居控制数据用作中间控制数据。
2、将中间控制数据与候选智能家居控制数据分别输入用户控制偏好分析网络中,依据用户控制偏好分析网络获取中间控制数据与候选智能家居控制数据之间的第一互关联控制矢量及第二互关联控制矢量。
3、将第一互关联控制矢量加载至用户控制偏好分析网络的径向基函数层,确定中间控制数据的多个控制渗透预测知识点。
4、将第二互关联控制矢量加载至用户控制偏好分析网络的支持向量机参数层,确定中间控制数据的各个控制渗透预测知识点的控制偏好概率。
5、基于中间控制数据的各个控制渗透预测知识点的控制偏好概率从中间控制数据中确定所述待配置偏好对应的控制渗透知识点。
一种可替代的实施方式中,可以选择控制偏好概率最大的控制渗透预测知识点确定为中间控制数据中待配置偏好所在控制渗透知识点,从而从中间控制数据中确定所述待配置偏好对应的控制渗透知识点。
一种可替代的实施方式中,本申请实施例进一步的步骤具体包括:
1、获取智能家居控制循环流,在智能家居控制循环流中确定包括待配置偏好的首个智能家居控制数据,生成候选智能家居控制数据,从首个智能家居控制数据的下一个节点的智能家居控制数据起,依次获取智能家居控制数据用作中间控制数据。
2、将中间控制数据与候选智能家居控制数据分别输入用户控制偏好分析网络中,依据用户控制偏好分析网络获取中间控制数据与候选智能家居控制数据之间的第一互关联控制矢量及第二互关联控制矢量。
3、将第一互关联控制矢量加载至用户控制偏好分析网络的径向基函数层,确定中间控制数据的多个控制渗透预测知识点。
4、将第一互关联控制矢量加载至用户控制偏好分析网络的知识点可信度估计单元,生成中间控制数据的各个控制渗透预测知识点对应的知识点估计可信度。
5、将第二互关联控制矢量加载至用户控制偏好分析网络的支持向量机参数层,确定中间控制数据的各个控制渗透预测知识点的控制偏好概率。
6、将中间控制数据的各个控制渗透预测知识点的知识点估计可信度与控制偏好概率进行融合计算,生成中间控制数据的各个控制渗透预测知识点对应的目标偏好评分。
举例说明,假设中间控制数据对应两个控制渗透预测知识点分别为控制渗透预测知识点A和控制渗透预测知识点B,控制渗透预测知识点A的知识点估计可信度为A1、控制偏好概率为A2,控制渗透预测知识点B的知识点估计可信度为B1、控制偏好概率为B2,则控制渗透预测知识点A的偏好评分为A1*A2,控制渗透预测知识点B的偏好评分为B1*B2。
7、基于中间控制数据的各个控制渗透预测知识点对应的目标偏好评分从中间控制数据中确定所述待配置偏好对应的控制渗透知识点。
一种可替代的实施方式中,本申请实施例进一步的步骤具体包括:
步骤S202、获取任意加载的目标智能家居控制数据。
步骤S204、获取网络权重参数收敛的用户控制偏好分析网络。
其中,获取网络权重参数收敛的用户控制偏好分析网络;用户控制偏好分析网络包括支持向量机参数层及径向基函数层;用户控制偏好分析网络是通过径向基函数层的目标第一网络学习误差值及支持向量机参数层的目标第二网络学习误差值更新得到的;目标第一网络学习误差值是通过控制渗透预测知识点的控制偏好概率对初始第一网络学习误差值进行优化得到的;目标第二网络学习误差值是通过控制渗透预测知识点的知识点可信度对初始第二网络学习误差值优化得到的;控制渗透预测知识点是依据模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的径向基函数层确定的;控制渗透预测知识点的知识点可信度依据模板智能家居控制数据对应的控制渗透标定知识点计算得到的;控制渗透预测知识点的控制偏好概率是依据模板智能家居控制数据的控制知识向量及支持向量机参数层确定的;初始第二网络学习误差值是依据控制偏好概率计算得到的;初始第一网络学习误差值是依据知识点可信度计算得到的。
步骤S206、依据任意加载的目标智能家居控制数据的控制知识向量及径向基函数层确定任意加载的目标智能家居控制数据的多个控制渗透预测知识点。
步骤S208、依据任意加载的目标智能家居控制数据的控制知识向量及支持向量机参数层确定任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率。
步骤S210、基于任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率从任意加载的目标智能家居控制数据中定位控制偏好,生成控制偏好所在控制渗透知识点。
由于用户控制偏好分析网络是通过径向基函数层的目标第一网络学习误差值及支持向量机参数层的目标第二网络学习误差值更新得到的,对于训练流程中,对径向基函数层和支持向量机参数层的学习误差值分别进行了优化,使得径向基函数层的第一网络学习误差值中考虑了控制偏好概率,而支持向量机参数层的第二网络学习误差值中考虑了知识点可信度,那么通过优化后学习误差值训练用户控制偏好分析网络后,生成的网络权重参数收敛的用户控制偏好分析网络中,减少了支持向量机参数层和径向基函数层之间的差异性,从而使得确定的控制渗透预测知识点的控制偏好概率的精度更高,进而提高后续控制偏好分析的可靠性。
一种可替代的实施方式中,获取任意加载的目标智能家居控制数据包括:获取任意加载的目标智能家居控制数据及任意加载的目标智能家居控制数据对应的会话智能家居控制数据;会话智能家居控制数据为任意加载的目标智能家居控制数据所在控制数据流中、在任意加载的目标智能家居控制数据之前的其中一个携带用户控制偏好的控制数据;依据任意加载的目标智能家居控制数据的控制知识向量及径向基函数层确定任意加载的目标智能家居控制数据的多个控制渗透预测知识点包括:依据任意加载的目标智能家居控制数据的控制知识向量及会话智能家居控制数据的控制知识向量确定任意加载的目标智能家居控制数据和会话智能家居控制数据之间的第一互关联控制矢量;将第一互关联控制矢量加载至径向基函数层,确定任意加载的目标智能家居控制数据的多个控制渗透预测知识点;依据任意加载的目标智能家居控制数据的控制知识向量及支持向量机参数层确定任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率包括:依据任意加载的目标智能家居控制数据的控制知识向量及会话智能家居控制数据的控制知识向量确定任意加载的目标智能家居控制数据和会话智能家居控制数据之间的第二互关联控制矢量;将第二互关联控制矢量加载至支持向量机参数层,确定任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率。
一种可替代的实施方式中,用户控制偏好分析网络包括径向基函数层、支持向量机参数层及知识点可信度估计单元。用户控制偏好分析网络是通过知识点可信度估计单元的第三网络学习误差值、径向基函数层的目标第一网络学习误差值及支持向量机参数层的目标第二网络学习误差值更新得到的。其中,径向基函数层的目标第一网络学习误差值及支持向量机参数层的目标第二网络学习误差值的获得方式与前述实施例中的相同,第三网络学习误差值是依据控制渗透预测知识点的知识点估计可信度及控制渗透预测知识点的知识点可信度确定的;知识点估计可信度是依据模板智能家居控制数据的控制知识向量及知识点可信度估计单元确定的。
一种可替代的实施方式中,本申请实施例进一步的步骤具体包括:
步骤S302,获取任意加载的目标智能家居控制数据及任意加载的目标智能家居控制数据对应的会话智能家居控制数据;会话智能家居控制数据为任意加载的目标智能家居控制数据所在控制数据流中、在任意加载的目标智能家居控制数据之前的其中一个携带用户控制偏好的控制数据。
步骤S304,依据任意加载的目标智能家居控制数据的控制知识向量及会话智能家居控制数据的控制知识向量确定任意加载的目标智能家居控制数据和会话智能家居控制数据之间的第一互关联控制矢量。
步骤S306,将第一互关联控制矢量加载至径向基函数层,确定任意加载的目标智能家居控制数据的多个控制渗透预测知识点。
步骤S308,将第一互关联控制矢量加载至知识点可信度估计单元,确定任意加载的目标智能家居控制数据的各个控制渗透预测知识点的知识点估计可信度。
步骤S310,依据任意加载的目标智能家居控制数据的控制知识向量及会话智能家居控制数据的控制知识向量确定任意加载的目标智能家居控制数据和会话智能家居控制数据之间的第二互关联控制矢量。
步骤S312,将第二互关联控制矢量加载至支持向量机参数层,确定任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率。
步骤S314,将任意加载的目标智能家居控制数据的各个控制渗透预测知识点的知识点估计可信度与控制偏好概率进行融合计算,生成任意加载的目标智能家居控制数据的各个控制渗透预测知识点的目标偏好评分。
步骤S316,基于任意加载的目标智能家居控制数据的各个控制渗透预测知识点的目标偏好评分对所述任意加载的目标智能家居控制数据进行用户控制偏好分析,生成控制偏好所在控制渗透知识点。
图2示出了本申请实施例提供的用于实现上述的应用于智能家居控制的数据分析方法的应用于智能家居控制的数据分析系统100的硬件结构意图,如图2所示,应用于智能家居控制的数据分析系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
在一些可替代的实施方式中,应用于智能家居控制的数据分析系统100可以是单个服务器,也可以是服务器组。所述服务器组可以是集中式的,也可以是分布式的(例如,应用于智能家居控制的数据分析系统100可以是分布式的系统)。在一些可替代的实施方式中,应用于智能家居控制的数据分析系统100可以是本地的,也可以是远程的。例如,应用于智能家居控制的数据分析系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如,应用于智能家居控制的数据分析系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些可替代的实施方式中,应用于智能家居控制的数据分析系统100可以在云平台上实施。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。在一些可替代的实施方式中,机器可读存储介质120可以存储从外部终端获取的数据。在一些可替代的实施方式中,机器可读存储介质120可以储存应用于智能家居控制的数据分析系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些可替代的实施方式中,机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括主动随机存取存储器(DRAM)、双倍数据速率同步主动随机存取存储器(DDR SDRAM)、被动随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些可替代的实施方式中,机器可读存储介质120可以在云平台上实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云,多层云等,或其任意组合。
在具体实现过程中,多个处理器110执行机器可读存储介质120存储的计算机可执行指令,使得处理器110可以执行如上方法实施例的应用于智能家居控制的数据分析方法,处理器110、机器可读存储介质120以及通信单元140通过总线130连接,处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述应用于智能家居控制的数据分析系统100执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
此外,本申请实施例还提供一种可读存储介质,所述可读存储介质中预设有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如上应用于智能家居控制的数据分析方法。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。
Claims (6)
1.一种应用于智能家居控制的数据分析方法,其特征在于,通过应用于智能家居控制的数据分析系统实现,所述方法包括:
获取携带用户控制偏好的模板智能家居控制数据;
依据所述模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的径向基函数层确定所述模板智能家居控制数据对应的控制渗透预测知识点;
依据模板智能家居控制数据对应的控制渗透标定知识点计算所述控制渗透预测知识点的知识点可信度,依据所述知识点可信度计算第一网络学习误差值;
依据所述模板智能家居控制数据的控制知识向量及所述用户控制偏好分析网络的支持向量机参数层确定所述控制渗透预测知识点的控制偏好概率,依据所述控制偏好概率计算第二网络学习误差值;
依据所述知识点可信度优化所述第二网络学习误差值,并依据所述控制偏好概率优化所述第一网络学习误差值;
基于优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息,直到所述用户控制偏好分析网络收敛时,生成网络权重参数收敛的用户控制偏好分析网络;
其中,所述网络权重参数收敛的用户控制偏好分析网络用于对任意加载的目标智能家居控制数据进行用户控制偏好分析;
在所述基于优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息之前,所述方法还包括:
依据所述用户控制偏好分析网络的知识点可信度估计单元确定所述控制渗透预测知识点的知识点估计可信度;
依据所述控制渗透预测知识点的知识点估计可信度及所述控制渗透预测知识点的知识点可信度确定第三网络学习误差值;
所述基于优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息包括:
基于所述第三网络学习误差值、优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息;
所述获取携带用户控制偏好的模板智能家居控制数据包括:
获取携带用户控制偏好的模板智能家居控制数据及所述模板智能家居控制数据对应的协同训练智能家居控制数据;所述协同训练智能家居控制数据与所述模板智能家居控制数据包括相同的控制偏好;
所述依据所述模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的径向基函数层确定所述模板智能家居控制数据对应的控制渗透预测知识点包括:
依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量;
将所述第一共享学习特征矢量加载到所述径向基函数层,确定所述模板智能家居控制数据对应的控制渗透预测知识点;
所述依据所述用户控制偏好分析网络的知识点可信度估计单元确定所述控制渗透预测知识点的知识点估计可信度包括:
将所述第一共享学习特征矢量加载到所述知识点可信度估计单元,确定所述控制渗透预测知识点的知识点估计可信度;
所述依据所述模板智能家居控制数据的控制知识向量及所述用户控制偏好分析网络的支持向量机参数层确定所述控制渗透预测知识点的控制偏好概率包括:
依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第二共享学习特征矢量;
将所述第二共享学习特征矢量加载到所述支持向量机参数层,确定所述控制渗透预测知识点的控制偏好概率;
所述第一共享学习特征矢量、所述第二共享学习特征矢量反映所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的控制行为匹配度;
所述依据模板智能家居控制数据对应的控制渗透标定知识点计算所述控制渗透预测知识点的知识点可信度包括:
获取所述控制渗透标定知识点与所述控制渗透预测知识点之间的共享知识点特征;
获取所述控制渗透标定知识点与所述控制渗透预测知识点之间的融合知识点特征;
基于所述控制渗透预测知识点对应的共享知识点特征与所述融合知识点特征的特征向量比值确定所述知识点可信度;
所述依据所述控制偏好概率计算第二网络学习误差值包括:
获取所述控制渗透标定知识点与所述控制渗透预测知识点之间的共享知识点特征;
获取所述控制渗透标定知识点与所述控制渗透预测知识点之间的融合知识点特征;
获取所述控制渗透预测知识点对应的共享知识点特征与融合知识点特征的特征向量比值;
当所述特征向量比值大于第一设定门限值时,基于所述模板智能家居控制数据对应的正向训练标注数据及所述控制偏好概率确定第二网络学习误差值;
当所述特征向量比值小于第二设定门限值时,基于所述模板智能家居控制数据对应的负向训练标注数据及所述控制偏好概率确定第二网络学习误差值。
2.根据权利要求1所述的应用于智能家居控制的数据分析方法,其特征在于,在所述依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量之前,所述方法还包括:
依据所述用户控制偏好分析网络获取所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量;
所述依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量包括:
依据所述用户控制偏好分析网络分别对所述模板智能家居控制数据的控制知识向量和所述协同训练智能家居控制数据的控制知识向量进行主成分特征分析,生成所述模板智能家居控制数据的第一模板主成分特征矢量和所述协同训练智能家居控制数据的第一协同主成分特征矢量;
依据所述用户控制偏好分析网络对所述第一模板主成分特征矢量和第一协同主成分特征矢量进行互关联处理,生成所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量。
3.根据权利要求2所述的应用于智能家居控制的数据分析方法,其特征在于,所述用户控制偏好分析网络包括网络架构相同、且共享网络权重信息的两个编码器;
所述依据所述用户控制偏好分析网络获取所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量包括:
将所述模板智能家居控制数据与所述协同训练智能家居控制数据分别加载至所述两个编码器;
基于所述两个编码器,同步生成所述模板智能家居控制数据的控制知识向量和所述协同训练智能家居控制数据的控制知识向量。
4.根据权利要求1所述的应用于智能家居控制的数据分析方法,其特征在于,所述控制偏好为待配置偏好;所述方法还包括:
获取智能家居控制循环流;
在所述智能家居控制循环流中确定包括所述待配置偏好的首个智能家居控制数据,生成候选智能家居控制数据;
从所述首个智能家居控制数据的下一个节点的智能家居控制数据起,依次获取智能家居控制数据用作中间控制数据;
将所述中间控制数据与所述候选智能家居控制数据分别加载至所述用户控制偏好分析网络中;
依据所述用户控制偏好分析网络获取所述中间控制数据与所述候选智能家居控制数据之间的第一互关联控制矢量及第二互关联控制矢量;
将所述第一互关联控制矢量加载至所述用户控制偏好分析网络的径向基函数层,确定所述中间控制数据的多个控制渗透预测知识点;
将所述第二互关联控制矢量加载至所述用户控制偏好分析网络的支持向量机参数层,确定所述中间控制数据的各个控制渗透预测知识点的控制偏好概率;
基于所述中间控制数据的各个控制渗透预测知识点的控制偏好概率从所述中间控制数据中确定所述待配置偏好对应的控制渗透知识点。
5.根据权利要求1所述的应用于智能家居控制的数据分析方法,其特征在于,所述方法还包括:
获取任意加载的目标智能家居控制数据;
获取网络权重参数收敛的用户控制偏好分析网络;所述用户控制偏好分析网络包括支持向量机参数层及径向基函数层;
依据所述任意加载的目标智能家居控制数据的控制知识向量及所述径向基函数层确定所述任意加载的目标智能家居控制数据的多个控制渗透预测知识点;
依据所述任意加载的目标智能家居控制数据的控制知识向量及所述支持向量机参数层确定所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率;
基于所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率对所述任意加载的目标智能家居控制数据进行用户控制偏好分析,生成控制偏好所在控制渗透知识点;
所述控制偏好为待配置偏好;所述获取任意加载的目标智能家居控制数据包括:
获取任意加载的目标智能家居控制数据及所述任意加载的目标智能家居控制数据对应的会话智能家居控制数据;所述会话智能家居控制数据为所述任意加载的目标智能家居控制数据所在控制数据流中、在所述任意加载的目标智能家居控制数据之前的其中一个携带用户控制偏好的控制数据;
所述依据所述任意加载的目标智能家居控制数据的控制知识向量及所述径向基函数层确定所述任意加载的目标智能家居控制数据的多个控制渗透预测知识点包括:
依据所述任意加载的目标智能家居控制数据的控制知识向量及所述会话智能家居控制数据的控制知识向量确定所述任意加载的目标智能家居控制数据和所述会话智能家居控制数据之间的第一互关联控制矢量;
将所述第一互关联控制矢量加载至所述径向基函数层,确定所述任意加载的目标智能家居控制数据的多个控制渗透预测知识点;
所述依据所述任意加载的目标智能家居控制数据的控制知识向量及所述支持向量机参数层确定所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率包括:
依据所述任意加载的目标智能家居控制数据的控制知识向量及所述会话智能家居控制数据的控制知识向量确定所述任意加载的目标智能家居控制数据和所述会话智能家居控制数据之间的第二互关联控制矢量;
将所述第二互关联控制矢量加载至所述支持向量机参数层,确定所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率;
所述用户控制偏好分析网络还包括知识点可信度估计单元;
在所述基于所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率从所述任意加载的目标智能家居控制数据中定位控制偏好之前,所述方法还包括:
将所述第一互关联控制矢量加载至所述知识点可信度估计单元,确定所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的知识点估计可信度; 基于所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的控制偏好概率对所述任意加载的目标智能家居控制数据进行用户控制偏好分析,生成控制偏好所在控制渗透知识点包括:
将所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的知识点估计可信度与控制偏好概率进行融合计算,生成所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的目标偏好评分;
基于所述任意加载的目标智能家居控制数据的各个控制渗透预测知识点的目标偏好评分对所述任意加载的目标智能家居控制数据进行用户控制偏好分析,生成控制偏好所在控制渗透知识点。
6.一种应用于智能家居控制的数据分析系统,其特征在于,所述应用于智能家居控制的数据分析系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现权利要求1-5中任意一项的应用于智能家居控制的数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311184090.XA CN116932926B (zh) | 2023-09-14 | 2023-09-14 | 应用于智能家居控制的数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311184090.XA CN116932926B (zh) | 2023-09-14 | 2023-09-14 | 应用于智能家居控制的数据分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116932926A CN116932926A (zh) | 2023-10-24 |
CN116932926B true CN116932926B (zh) | 2023-11-17 |
Family
ID=88390900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311184090.XA Active CN116932926B (zh) | 2023-09-14 | 2023-09-14 | 应用于智能家居控制的数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116932926B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503242A (zh) * | 2016-11-08 | 2017-03-15 | 上海智臻智能网络科技股份有限公司 | 一种智能交互方法、装置及服务器 |
CN114297399A (zh) * | 2021-11-24 | 2022-04-08 | 科大讯飞股份有限公司 | 知识图谱生成方法、系统、存储介质及电子设备 |
CN114398556A (zh) * | 2022-01-18 | 2022-04-26 | 腾讯科技(深圳)有限公司 | 学习内容的推荐方法、装置、设备及存储介质 |
CN115220361A (zh) * | 2022-08-02 | 2022-10-21 | 福州大学 | 基于深度学习的智能家居服务管控方法 |
CN115840824A (zh) * | 2022-11-29 | 2023-03-24 | 海尔优家智能科技(北京)有限公司 | 一种面向环境信息扩增的智能家居用户口语理解系统 |
CN115905691A (zh) * | 2022-11-11 | 2023-04-04 | 云南师范大学 | 一种基于深度强化学习的偏好感知推荐方法 |
-
2023
- 2023-09-14 CN CN202311184090.XA patent/CN116932926B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503242A (zh) * | 2016-11-08 | 2017-03-15 | 上海智臻智能网络科技股份有限公司 | 一种智能交互方法、装置及服务器 |
CN114297399A (zh) * | 2021-11-24 | 2022-04-08 | 科大讯飞股份有限公司 | 知识图谱生成方法、系统、存储介质及电子设备 |
CN114398556A (zh) * | 2022-01-18 | 2022-04-26 | 腾讯科技(深圳)有限公司 | 学习内容的推荐方法、装置、设备及存储介质 |
CN115220361A (zh) * | 2022-08-02 | 2022-10-21 | 福州大学 | 基于深度学习的智能家居服务管控方法 |
CN115905691A (zh) * | 2022-11-11 | 2023-04-04 | 云南师范大学 | 一种基于深度强化学习的偏好感知推荐方法 |
CN115840824A (zh) * | 2022-11-29 | 2023-03-24 | 海尔优家智能科技(北京)有限公司 | 一种面向环境信息扩增的智能家居用户口语理解系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116932926A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11355107B2 (en) | Voice smart device wake-up method, apparatus, device and storage medium | |
US10743132B2 (en) | Context-based computing framework for obtaining computing resource context information associated with a location | |
CN110247999B (zh) | 域名解析方法、域名解析装置、家电设备和存储介质 | |
US11031008B2 (en) | Terminal device and method for controlling thereof | |
WO2017054504A1 (zh) | 一种身份验证方法、装置及存储介质 | |
CN113485144B (zh) | 基于物联网的智能家居控制方法及系统 | |
CN112702633A (zh) | 多媒体智能播放方法、装置、播放设备以及存储介质 | |
CN111770355A (zh) | 媒体服务器确定方法、装置、服务器以及存储介质 | |
CN111371803B (zh) | 智能家居权限控制方法、装置、智能家居系统及服务器 | |
CN111083179A (zh) | 物联网云平台、基于物联网云平台的设备交互方法及装置 | |
WO2018032931A1 (zh) | 一种智能设备人物识别的方法和装置 | |
CN104424352A (zh) | 向用户终端提供代理服务的系统和方法 | |
CN116932926B (zh) | 应用于智能家居控制的数据分析方法及系统 | |
CN105873046B (zh) | 一种用于管理无线接入点的方法和设备 | |
CN114915514B (zh) | 意图的处理方法和装置、存储介质及电子装置 | |
CN109346080A (zh) | 语音控制方法、装置、设备和存储介质 | |
CN111428886B (zh) | 一种故障诊断的深度学习模型自适应更新的方法及装置 | |
CN116719969B (zh) | 基于物联网的智能家居交互数据分析方法及系统 | |
CN114143359B (zh) | 一种物联网设备的控制方法、设备及系统 | |
CN114137841B (zh) | 一种物联网设备的控制方法、设备及系统 | |
CN115017166A (zh) | 垂类数据构建方法、装置、电子设备及存储介质 | |
CN116364079A (zh) | 设备控制方法、装置和存储介质及电子装置 | |
CN116072124A (zh) | 用户身份识别方法、存储介质及电子装置 | |
CN114333806A (zh) | 会话处理方法、装置、电子设备和计算机可读存储介质 | |
CN109150554B (zh) | 直播间的多人语音方法、存储介质、电子设备及系统 |
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 |