CN116955991A - 智能室内环境检测系统及其方法 - Google Patents

智能室内环境检测系统及其方法 Download PDF

Info

Publication number
CN116955991A
CN116955991A CN202310943804.4A CN202310943804A CN116955991A CN 116955991 A CN116955991 A CN 116955991A CN 202310943804 A CN202310943804 A CN 202310943804A CN 116955991 A CN116955991 A CN 116955991A
Authority
CN
China
Prior art keywords
feature
scale
matrix
parameter
feature vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310943804.4A
Other languages
English (en)
Inventor
俞昭吉
俞柳菁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinlian Testing Technology Jiaxing Co ltd
Original Assignee
Xinlian Testing Technology Jiaxing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xinlian Testing Technology Jiaxing Co ltd filed Critical Xinlian Testing Technology Jiaxing Co ltd
Priority to CN202310943804.4A priority Critical patent/CN116955991A/zh
Publication of CN116955991A publication Critical patent/CN116955991A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本申请涉及智能检测领域，其具体地公开了一种智能室内环境检测系统及其方法，其采用基于深度学习的人工智能检测技术，通过对预定时间段内多个预定时间点的多个环境指标进行特征提取从而来实时判断室内环境是否舒适。这样，可以及时了解室内环境的状态，并及时采取措施来调节室内环境，提高舒适性。

Description

智能室内环境检测系统及其方法
技术领域
本申请涉及智能检测领域，且更为具体地，涉及一种智能室内环境检测系统及其方法。
背景技术
室内环境检测是对室内空气和其他因素的评估，以确保室内环境的安全和舒适。通常有几个指标来判断室内环境是否让人感到舒适，比如：温度、湿度、空气质量等。当前对室内进行环境检测一般是离散的，即定期采集数据进行分析。离散的定期室内环境数据采集存在信息滞后，可能无法及时发现问题和解决潜在的问题。
因此，需要一种优化的智能室内环境检测方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能室内环境检测系统及其方法，其采用基于深度学习的人工智能检测技术，通过对预定时间段内多个预定时间点的多个环境指标进行特征提取从而来实时判断室内环境是否舒适。这样，可以及时了解室内环境的状态，并及时采取措施来调节室内环境，提高舒适性。
根据本申请的一个方面，提供了一种智能室内环境检测系统，其包括：
室内环境参数数据获取模块，用于获取被监控室内环境在预定时间段内多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量；
室内环境参数结构化模块，用于将所述多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量按照时间维度和样本维度排列为环境监测参数矩阵；
第一尺度环境参数特征提取模块，用于将所述环境监测参数矩阵通过具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度环境参数特征矩阵；
第二尺度环境参数特征提取模块，用于将所述环境监测参数矩阵通过具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度环境参数特征矩阵，其中，所述第一尺度不同于所述第二尺度；
多尺度环境参数特征关联模块，用于对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行特征矩阵间的特征空间关联以得到多尺度环境监测特征矩阵；
双向注意力分类模块，用于将所述多尺度环境监测特征矩阵通过双向注意力机制模块以得到分类特征矩阵；
体感舒适度判断模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监控室内环境的体感是否舒适。
在上述智能室内环境检测系统中，所述第一尺度环境参数特征提取模块，用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于第一尺度卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度环境参数特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述环境监测参数矩阵。
在上述智能室内环境检测系统中，所述第二尺度环境参数特征提取模块，用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于第二尺度卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度环境参数特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述环境监测参数矩阵。
在上述智能室内环境检测系统中，所述多尺度环境参数特征关联模块，包括：特征矩阵展开单元，用于对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行矩阵展开以得到第一特征向量和第二特征向量；内积计算单元，用于计算所述第一特征向量和所述第二特征向量之间的内积；基底选择单元，用于响应于所述第一特征向量和所述第二特征向量之间的内积为零，将所述第一特征向量和所述第二特征向量作为融合特征向量的基底；施密特正交化计算单元，用于响应于所述第一特征向量和所述第二特征向量之间的内积不为零，对所述第一特征向量和所述第二特征向量进行施密特正交化以得到正交的第一单位特征向量和第二单位特征向量；多尺度环境监测特征矩阵生成单元，用于以误差最小化来融合所述第一单位特征向量和所述第二单位特征向量以得到所述融合特征向量，对所述融合特征向量进行还原以得到所述多尺度环境监测特征矩阵。
在上述智能室内环境检测系统中，所述双向注意力分类模块，包括：池化单元，用于将所述多尺度环境监测特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元，用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；分类特征矩阵生成单元，用于计算所述双向关联权重矩阵和所述多尺度环境监测特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
在上述智能室内环境检测系统中，所述体感舒适度判断模块，包括：矩阵展开单元，用于将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；概率化单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括用于表示所述被监控室内环境的体感舒适和用于表示所述被监控室内环境的体感不舒适；分类单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
根据本申请的另一方面，提供了一种智能室内环境检测方法，其包括：
获取被监控室内环境在预定时间段内多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量；
将所述多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量按照时间维度和样本维度排列为环境监测参数矩阵；
将所述环境监测参数矩阵通过具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度环境参数特征矩阵；
将所述环境监测参数矩阵通过具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度环境参数特征矩阵，其中，所述第一尺度不同于所述第二尺度；
对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行特征矩阵间的特征空间关联以得到多尺度环境监测特征矩阵；
将所述多尺度环境监测特征矩阵通过双向注意力机制模块以得到分类特征矩阵；
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监控室内环境的体感是否舒适。
与现有技术相比，本申请提供的智能室内环境检测系统及其方法，其采用基于深度学习的人工智能检测技术，通过对预定时间段内多个预定时间点的多个环境指标进行特征提取从而来实时判断室内环境是否舒适。这样，可以及时了解室内环境的状态，并及时采取措施来调节室内环境，提高舒适性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用于提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的智能室内环境检测系统的系统框图。
图2为根据本申请实施例的智能室内环境检测系统的架构图。
图3为根据本申请实施例的智能室内环境检测系统中多尺度环境参数特征关联模块的框图。
图4为根据本申请实施例的智能室内环境检测系统中双向注意力分类模块的框图。
图5为根据本申请实施例的智能室内环境检测系统中体感舒适度判断模块的框图。
图6为根据本申请实施例的智能室内环境检测方法的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术所言，室内环境检测旨在评估室内空气和其他因素，以确保室内环境的安全和舒适。为了判断室内环境是否令人满意，我们通常关注几个指标，例如温度、湿度和空气质量等。目前，室内环境检测通常是以离散的方式进行，即定期采集数据并进行分析。然而，这种定期采集的方式存在信息滞后的问题，可能无法及时发现和解决潜在的问题。因此，期待一种优化的室内环境检测方案。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为室内环境检测提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取被监控室内环境在预定时间段内多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量。应可以理解，温度是衡量室内舒适性的关键指标之一，过高或过低的温度都可能导致人们感到不舒适，影响健康状况；湿度是指空气中水蒸气的含量，也是评估室内舒适性的重要指标之一，过高或过低的湿度都可能引发健康问题，如过高的湿度容易滋生细菌和霉菌，过低的湿度可能导致皮肤干燥和呼吸不适；CO2含量是衡量室内空气质量的指标之一，过高的CO2含量表示室内通风不良，会导致头晕、乏力等不适症状；PM2.5含量是指空气中直径小于或等于2.5微米的颗粒物的含量，也是评估室内空气质量的重要指标之一，高浓度的PM2.5会对呼吸系统和心血管系统产生负面影响。通过获取这些指标的值，可以对室内环境进行全面评估，及时发现和解决潜在的问题，确保室内环境的安全和舒适。
接着，将所述多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量按照时间维度和样本维度排列为环境监测参数矩阵。将所述多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量按照时间维度和样本维度排列可以更全面、准确地描述室内环境的变化情况。通过按时间维度排列，可以捕捉到室内环境在不同时间点的变化趋势，例如温度的变化、湿度的变化等，这样可以更好地了解室内环境的动态变化情况。按样本维度排列可以将不同时间点的环境参数组织在一起，形成一个完整的样本，以便更好地进行特征提取。
然后，将所述环境监测参数矩阵通过具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度环境参数特征矩阵。本领域普通技术人员应该知晓，卷积神经网络在特征提取方面表现优异。环境监测参数矩阵是一个二维的数据结构，其中每个元素表示一个环境参数的取值。通过使用具有第一尺度的卷积核，可以在水平和垂直方向上对环境参数矩阵进行卷积操作，从而提取出第一尺度的局部特征。通过具有第一尺度卷积核的卷积神经网络模型得到的环境参数特征矩阵包含了一些低级的环境特征，比如局部的温度变化、湿度梯度等，这些特征可以帮助更好地理解环境的细节和变化情况。
同时，将所述环境监测参数矩阵通过具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度环境参数特征矩阵，其中，所述第一尺度不同于所述第二尺度。第一尺度的卷积神经网络主要用于提取环境参数矩阵中的局部特征；而第二尺度的卷积神经网络则用于提取更大范围的特征。通过使用具有第二尺度的卷积核，可以在更大的感受野范围内对环境参数进行卷积操作，从而捕捉到更广阔的环境特征。第二尺度环境参数特征矩阵包含一些高级的特征，比如整体的环境趋势、空间的变化规律等。
进而，融合所述第一尺度环境参数特征矩阵与所述第二尺度环境参数特征矩阵以得到多尺度环境监测特征矩阵。应可以理解，第一尺度的卷积神经网络模型主要关注局部的细节特征，能够捕捉到室内环境中微小的变化和细节；第二尺度的卷积神经网络模型则关注更大范围的整体特征，能够捕捉到室内环境中整体趋势和分布情况。通过融合这两个尺度的特征矩阵，可以综合考虑局部和整体的环境特征，得到更全面、准确的多尺度环境监测特征矩阵。
然后，将所述多尺度环境监测特征矩阵通过双向注意力机制模块以得到分类特征矩阵。应可以理解，通过多尺度环境特征矩阵可以捕获到不同尺度上的环境信息。然而，不同尺度的特征对于判断室内环境舒适度判断的重要性可能不同，为了更好地利用这些特征，引入了双向注意力机制模块。双向注意力机制模块可以根据输入的特征矩阵自动学习特征的权重分布，通过计算特征的相似度，为每个特征分配一个权重，表明其对判断室内环境是否舒适的贡献度。同时，它还考虑了特征之间的相互作用，可以捕捉到特征之间的关联性。最后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监控室内环境的体感是否舒适。将分类特征矩阵通过分类器可以将室内环境的多维特征转化为一个可解释性的舒适性评估结果。这样，可以及时了解室内环境的状态，判断是否存在不舒适的情况，人么可以采取相应的措施，调节室内环境，提高舒适性。
进一步地，考虑到第一尺度环境参数特征矩阵和第二尺度环境参数特征矩阵分别通过不同尺度的卷积核提取得到。不同尺度的卷积核可以捕捉到不同尺度的特征信息，例如第一尺度可能关注局部细节，而第二尺度可能关注更大范围的特征。通过将这两个尺度的特征矩阵进行关联，可以综合不同尺度的信息，得到更全面、更丰富的环境监测特征。这里可以通过级联来进行融合。
特别地，考虑到级联操作只是简单地将两个特征矩阵连接在一起，形成一个更大的特征矩阵。这种简单级联操作可能会导致特征之间的冗余和不一致性，无法很好地捕捉到不同尺度特征之间的相关性和依赖关系，同时第一尺度和第二尺度的特征矩阵分别捕捉到不同尺度的环境参数特征，这些不同尺度的特征包含了不同的信息，通过简单级联可能会导致信息的混淆和干扰。进一步地对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行特征矩阵间的特征空间关联，特征矩阵间的特征空间关联可以通过考虑它们之间的相似性和相关性，将不同尺度的特征进行有效地结合。这种关联可以捕捉到特征之间的依赖关系和相互作用，提高特征的表达能力和判别能力。
具体地，对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行特征矩阵间的特征空间关联以得到多尺度环境监测特征矩阵，包括：对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行矩阵展开以得到第一特征向量和第二特征向量；计算所述第一特征向量和所述第二特征向量之间的内积；响应于所述第一特征向量和所述第二特征向量之间的内积为零，将所述第一特征向量和所述第二特征向量作为融合特征向量的基底；响应于所述第一特征向量和所述第二特征向量之间的内积不为零，对所述第一特征向量和所述第二特征向量进行施密特正交化以得到正交的第一单位特征向量和第二单位特征向量；以误差最小化来融合所述第一单位特征向量和所述第二单位特征向量以得到所述融合特征向量，对所述融合特征向量进行还原以得到所述多尺度环境监测特征矩阵。
对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行特征矩阵间的特征空间关联，以利用展开后特征向量之间的内积来分析和表征特征向量间的空间关联结构和特性，并且在特征向量间不存在规范化结构关联时，通过施密特正交化来构造正交的单位特征向量，并基于误差最小化来融合所述第一单位特征向量和所述第二单位特征向量以得到所述融合特征向量，再将所述融合特征向量还原为所述多尺度环境监测特征矩阵，这样，保留源域特征矩阵的主要特征和结构且利用特征矩阵间特征关联模式特征来进行强化融合以捕捉到数据的主要变化趋势和次要变化趋势，从而减少信息的损失。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的智能室内环境检测系统的系统框图。如图1所示，在智能室内环境检测系统100中，包括：室内环境参数数据获取模块110，用于获取被监控室内环境在预定时间段内多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量；室内环境参数结构化模块120，用于将所述多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量按照时间维度和样本维度排列为环境监测参数矩阵；第一尺度环境参数特征提取模块130，用于将所述环境监测参数矩阵通过具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度环境参数特征矩阵；第二尺度环境参数特征提取模块140，用于将所述环境监测参数矩阵通过具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度环境参数特征矩阵，其中，所述第一尺度不同于所述第二尺度；多尺度环境参数特征关联模块150，用于对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行特征矩阵间的特征空间关联以得到多尺度环境监测特征矩阵；双向注意力分类模块160，用于将所述多尺度环境监测特征矩阵通过双向注意力机制模块以得到分类特征矩阵；体感舒适度判断模块170，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监控室内环境的体感是否舒适。
图2为根据本申请实施例的智能室内环境检测系统的架构图。如图2所示，在该架构中，首先，获取被监控室内环境在预定时间段内多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量。接着，将所述多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量按照时间维度和样本维度排列为环境监测参数矩阵。然后，将所述环境监测参数矩阵通过具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度环境参数特征矩阵。同时，将所述环境监测参数矩阵通过具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度环境参数特征矩阵，其中，所述第一尺度不同于所述第二尺度。接着，对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行特征矩阵间的特征空间关联以得到多尺度环境监测特征矩阵。进而，将所述多尺度环境监测特征矩阵通过双向注意力机制模块以得到分类特征矩阵。最后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监控室内环境的体感是否舒适。
在智能室内环境检测系统100中，所述室内环境参数数据获取模块110，用于获取被监控室内环境在预定时间段内多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量。应可以理解，温度是衡量室内舒适性的关键指标之一，过高或过低的温度都可能导致人们感到不舒适，影响健康状况；湿度是指空气中水蒸气的含量，也是评估室内舒适性的重要指标之一，过高或过低的湿度都可能引发健康问题，如过高的湿度容易滋生细菌和霉菌，过低的湿度可能导致皮肤干燥和呼吸不适；CO2含量是衡量室内空气质量的指标之一，过高的CO2含量表示室内通风不良，会导致头晕、乏力等不适症状；PM2.5含量是指空气中直径小于或等于2.5微米的颗粒物的含量，也是评估室内空气质量的重要指标之一，高浓度的PM2.5会对呼吸系统和心血管系统产生负面影响。通过获取这些指标的值，可以对室内环境进行全面评估，及时发现和解决潜在的问题，确保室内环境的安全和舒适。这里所述预定时间段内多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量可以通过温度传感器、湿度传感器、CO2传感器和PM2.5传感器收集数据获得。
在智能室内环境检测系统100中，所述室内环境参数结构化模块120，用于将所述多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量按照时间维度和样本维度排列为环境监测参数矩阵。应可以理解，将所述多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量按照时间维度和样本维度排列可以更全面、准确地描述室内环境的变化情况。通过按时间维度排列，可以捕捉到室内环境在不同时间点的变化趋势，例如温度的变化、湿度的变化等，这样可以更好地了解室内环境的动态变化情况。按样本维度排列可以将不同时间点的环境参数组织在一起，形成一个完整的样本，以便更好地进行特征提取。
在智能室内环境检测系统100中，所述第一尺度环境参数特征提取模块130，用于将所述环境监测参数矩阵通过具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度环境参数特征矩阵。本领域普通技术人员应该知晓，卷积神经网络在特征提取方面表现优异。环境监测参数矩阵是一个二维的数据结构，其中每个元素表示一个环境参数的取值。通过使用具有第一尺度的卷积核，可以在水平和垂直方向上对环境参数矩阵进行卷积操作，从而提取出第一尺度的局部特征。通过具有第一尺度卷积核的卷积神经网络模型得到的环境参数特征矩阵包含了一些低级的环境特征，比如局部的温度变化、湿度梯度等，这些特征可以帮助更好地理解环境的细节和变化情况。
具体地，在智能室内环境检测系统100中，所述第一尺度环境参数特征提取模块130，用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于第一尺度卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度环境参数特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述环境监测参数矩阵。
在智能室内环境检测系统100中，所述第二尺度环境参数特征提取模块140，用于将所述环境监测参数矩阵通过具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度环境参数特征矩阵，其中，所述第一尺度不同于所述第二尺度。第一尺度的卷积神经网络主要用于提取环境参数矩阵中的局部特征；而第二尺度的卷积神经网络则用于提取更大范围的特征。通过使用具有第二尺度的卷积核，可以在更大的感受野范围内对环境参数进行卷积操作，从而捕捉到更广阔的环境特征。第二尺度环境参数特征矩阵包含一些高级的特征，比如整体的环境趋势、空间的变化规律等。
具体地，在智能室内环境检测系统100中，所述第二尺度环境参数特征提取模块140，用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于第二尺度卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度环境参数特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述环境监测参数矩阵。
进一步地，考虑到第一尺度环境参数特征矩阵和第二尺度环境参数特征矩阵分别通过不同尺度的卷积核提取得到。不同尺度的卷积核可以捕捉到不同尺度的特征信息，例如第一尺度可能关注局部细节，而第二尺度可能关注更大范围的特征。通过将这两个尺度的特征矩阵进行关联，可以综合不同尺度的信息，得到更全面、更丰富的环境监测特征。这里可以通过级联来进行融合。
特别地，考虑到级联操作只是简单地将两个特征矩阵连接在一起，形成一个更大的特征矩阵。这种简单级联操作可能会导致特征之间的冗余和不一致性，无法很好地捕捉到不同尺度特征之间的相关性和依赖关系，同时第一尺度和第二尺度的特征矩阵分别捕捉到不同尺度的环境参数特征，这些不同尺度的特征包含了不同的信息，通过简单级联可能会导致信息的混淆和干扰。进一步地对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行特征矩阵间的特征空间关联，特征矩阵间的特征空间关联可以通过考虑它们之间的相似性和相关性，将不同尺度的特征进行有效地结合。这种关联可以捕捉到特征之间的依赖关系和相互作用，提高特征的表达能力和判别能力。
在智能室内环境检测系统100中，所述多尺度环境参数特征关联模块150，用于对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行特征矩阵间的特征空间关联以得到多尺度环境监测特征矩阵。
图3为根据本申请实施例的智能室内环境检测系统中多尺度环境参数特征关联模块的框图。如图3所示，所述多尺度环境参数特征关联模块150，包括：特征矩阵展开单元151，用于对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行矩阵展开以得到第一特征向量和第二特征向量；内积计算单元152，用于计算所述第一特征向量和所述第二特征向量之间的内积；基底选择单元153，用于响应于所述第一特征向量和所述第二特征向量之间的内积为零，将所述第一特征向量和所述第二特征向量作为融合特征向量的基底；施密特正交化计算单元154，用于响应于所述第一特征向量和所述第二特征向量之间的内积不为零，对所述第一特征向量和所述第二特征向量进行施密特正交化以得到正交的第一单位特征向量和第二单位特征向量；多尺度环境监测特征矩阵生成单元155，用于以误差最小化来融合所述第一单位特征向量和所述第二单位特征向量以得到所述融合特征向量，对所述融合特征向量进行还原以得到所述多尺度环境监测特征矩阵。具体地，误差最小化指的是在某些情况下通过融合特征向量来最小化与原始特征向量之间的误差。在该申请实施例里，可以使用最小二乘法或其他优化方法来确定权重，使得融合特征向量与原始特征向量之间的误差最小化。
具体地，对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行特征矩阵间的特征空间关联，以利用展开后特征向量之间的内积来分析和表征特征向量间的空间关联结构和特性，并且在特征向量间不存在规范化结构关联时，通过施密特正交化来构造正交的单位特征向量，并基于误差最小化来融合所述第一单位特征向量和所述第二单位特征向量以得到所述融合特征向量，再将所述融合特征向量还原为所述多尺度环境监测特征矩阵，这样，保留源域特征矩阵的主要特征和结构且利用特征矩阵间特征关联模式特征来进行强化融合以捕捉到数据的主要变化趋势和次要变化趋势，从而减少信息的损失。
在智能室内环境检测系统100中，所述双向注意力分类模块160，用于将所述多尺度环境监测特征矩阵通过双向注意力机制模块以得到分类特征矩阵。应可以理解，通过多尺度环境特征矩阵可以捕获到不同尺度上的环境信息。然而，不同尺度的特征对于判断室内环境舒适度判断的重要性可能不同，为了更好地利用这些特征，引入了双向注意力机制模块。双向注意力机制模块的主要思想是同时考虑输入数据的上下文信息，传统的注意力机制只考虑当前位置之前的信息，而双向注意力机制能够同时考虑当前位置之前和之后的信息。双向注意力机制模块可以根据输入的特征矩阵自动学习特征的权重分布，通过计算特征的相似度，为每个特征分配一个权重，表明其对判断室内环境是否舒适的贡献度。同时，它还考虑了特征之间的相互作用，可以捕捉到特征之间的关联性。
图4为根据本申请实施例的智能室内环境检测系统中双向注意力分类模块的框图。如图4所示，所述双向注意力分类模块160，包括：池化单元161，用于将所述多尺度环境监测特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；关联编码单元162，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元163，用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；分类特征矩阵生成单元164，用于计算所述双向关联权重矩阵和所述多尺度环境监测特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
在智能室内环境检测系统100中，所述体感舒适度判断模块170，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监控室内环境的体感是否舒适。通过分类结果，我们可以得到判断室内环境体感是否舒适的更直观的表示。它综合考虑了多个物理参数之间的相互作用，提高了对室内环境舒适性的评估准确性。人们可以根据分类结果采取相应的措施，调节室内环境，提高舒适性。
图5为根据本申请实施例的智能室内环境检测系统中体感舒适度判断模块的框图。如图5所示，所述体感舒适度判断模块170，包括：矩阵展开单元171，用于将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接单元172，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；概率化单元173，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括用于表示所述被监控室内环境的体感舒适和用于表示所述被监控室内环境的体感不舒适；分类单元174，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
综上所述，基于本申请实施例的智能室内环境检测系统100被阐明，其采用基于深度学习的人工智能检测技术，通过对预定时间段内多个预定时间点的多个环境指标进行特征提取从而来实时判断室内环境是否舒适。这样，可以及时了解室内环境的状态，并及时采取措施来调节室内环境，提高舒适性。
如上所述，根据本申请实施例的智能室内环境检测系统100可以实现在各种终端设备中，例如用于智能室内环境检测的服务器等。在一个示例中，根据本申请实施例的智能室内环境检测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能室内环境检测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能室内环境检测系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该智能室内环境检测系统100与该终端设备也可以是分立的设备，并且该智能室内环境检测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图6为根据本申请实施例的智能室内环境检测方法的流程图。如图6所示，在智能室内环境检测方法中，包括：S110，获取被监控室内环境在预定时间段内多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量；S120，将所述多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量按照时间维度和样本维度排列为环境监测参数矩阵；S130，将所述环境监测参数矩阵通过具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度环境参数特征矩阵；S140，将所述环境监测参数矩阵通过具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度环境参数特征矩阵，其中，所述第一尺度不同于所述第二尺度；S150，对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行特征矩阵间的特征空间关联以得到多尺度环境监测特征矩阵；S160，将所述多尺度环境监测特征矩阵通过双向注意力机制模块以得到分类特征矩阵；S170，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监控室内环境的体感是否舒适。
在一个示例中，在上述智能室内环境检测方法中，所述将所述环境监测参数矩阵通过具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度环境参数特征矩阵，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于第一尺度卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度环境参数特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述环境监测参数矩阵。
在一个示例中，在上述智能室内环境检测方法中，所述将所述环境监测参数矩阵通过具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度环境参数特征矩阵，其中，所述第一尺度不同于所述第二尺度，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于第二尺度卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度环境参数特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述环境监测参数矩阵。
在一个示例中，在上述智能室内环境检测方法中，所述对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行特征矩阵间的特征空间关联以得到多尺度环境监测特征矩阵，包括：对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行矩阵展开以得到第一特征向量和第二特征向量；计算所述第一特征向量和所述第二特征向量之间的内积；响应于所述第一特征向量和所述第二特征向量之间的内积为零，将所述第一特征向量和所述第二特征向量作为融合特征向量的基底；响应于所述第一特征向量和所述第二特征向量之间的内积不为零，对所述第一特征向量和所述第二特征向量进行施密特正交化以得到正交的第一单位特征向量和第二单位特征向量；以误差最小化来融合所述第一单位特征向量和所述第二单位特征向量以得到所述融合特征向量，对所述融合特征向量进行还原以得到所述多尺度环境监测特征矩阵。
在一个示例中，在上述智能室内环境检测方法中，所述将所述多尺度环境监测特征矩阵通过双向注意力机制模块以得到分类特征矩阵，包括：将所述多尺度环境监测特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；计算所述双向关联权重矩阵和所述多尺度环境监测特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
在一个示例中，在上述智能室内环境检测方法中，所述将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监控室内环境的体感是否舒适，包括：将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括用于表示所述被监控室内环境的体感舒适和用于表示所述被监控室内环境的体感不舒适；将所述概率值中最大者对应的分类标签确定为所述分类结果。
综上所述，基于本申请实施例的智能室内环境检测方法被阐明，其采用基于深度学习的人工智能检测技术，通过对预定时间段内多个预定时间点的多个环境指标进行特征提取从而来实时判断室内环境是否舒适。这样，可以及时了解室内环境的状态，并及时采取措施来调节室内环境，提高舒适性。

Claims (10)

1.一种智能室内环境检测系统，其特征在于，包括：
室内环境参数数据获取模块，用于获取被监控室内环境在预定时间段内多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量；
室内环境参数结构化模块，用于将所述多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量按照时间维度和样本维度排列为环境监测参数矩阵；
第一尺度环境参数特征提取模块，用于将所述环境监测参数矩阵通过具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度环境参数特征矩阵；
第二尺度环境参数特征提取模块，用于将所述环境监测参数矩阵通过具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度环境参数特征矩阵，其中，所述第一尺度不同于所述第二尺度；
多尺度环境参数特征关联模块，用于对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行特征矩阵间的特征空间关联以得到多尺度环境监测特征矩阵；
双向注意力分类模块，用于将所述多尺度环境监测特征矩阵通过双向注意力机制模块以得到分类特征矩阵；
体感舒适度判断模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监控室内环境的体感是否舒适。
2.根据权利要求1所述的智能室内环境检测系统，其特征在于，所述第一尺度环境参数特征提取模块，用于：
使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行基于第一尺度卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的池化以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度环境参数特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述环境监测参数矩阵。
3.根据权利要求2所述的智能室内环境检测系统，其特征在于，所述第二尺度环境参数特征提取模块，用于：
使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行基于第二尺度卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的池化以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度环境参数特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述环境监测参数矩阵。
4.根据权利要求3所述的智能室内环境检测系统，其特征在于，所述多尺度环境参数特征关联模块，包括：
特征矩阵展开单元，用于对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行矩阵展开以得到第一特征向量和第二特征向量；
内积计算单元，用于计算所述第一特征向量和所述第二特征向量之间的内积；
基底选择单元，用于响应于所述第一特征向量和所述第二特征向量之间的内积为零，将所述第一特征向量和所述第二特征向量作为融合特征向量的基底；
施密特正交化计算单元，用于响应于所述第一特征向量和所述第二特征向量之间的内积不为零，对所述第一特征向量和所述第二特征向量进行施密特正交化以得到正交的第一单位特征向量和第二单位特征向量；
多尺度环境监测特征矩阵生成单元，用于以误差最小化来融合所述第一单位特征向量和所述第二单位特征向量以得到所述融合特征向量，对所述融合特征向量进行还原以得到所述多尺度环境监测特征矩阵。
5.根据权利要求4所述的智能室内环境检测系统，其特征在于，所述双向注意力分类模块，包括：
池化单元，用于将所述多尺度环境监测特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；
关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；
激活单元，用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；
分类特征矩阵生成单元，用于计算所述双向关联权重矩阵和所述多尺度环境监测特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
6.根据权利要求5所述的智能室内环境检测系统，其特征在于，所述体感舒适度判断模块，包括：
矩阵展开单元，用于将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；
全连接单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；
概率化单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括用于表示所述被监控室内环境的体感舒适和用于表示所述被监控室内环境的体感不舒适；
分类单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
7.一种智能室内环境检测方法，其特征在于，包括：
获取被监控室内环境在预定时间段内多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量；
将所述多个预定时间点的温度值、湿度值、CO2含量、PM2.5含量按照时间维度和样本维度排列为环境监测参数矩阵；
将所述环境监测参数矩阵通过具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度环境参数特征矩阵；
将所述环境监测参数矩阵通过具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度环境参数特征矩阵，其中，所述第一尺度不同于所述第二尺度；
对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行特征矩阵间的特征空间关联以得到多尺度环境监测特征矩阵；
将所述多尺度环境监测特征矩阵通过双向注意力机制模块以得到分类特征矩阵；
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监控室内环境的体感是否舒适。
8.根据权利要求7所述的智能室内环境检测方法，其特征在于，将所述环境监测参数矩阵通过具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度环境参数特征矩阵，包括：
使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行基于第一尺度卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的池化以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度环境参数特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述环境监测参数矩阵。
9.根据权利要求8所述的智能室内环境检测方法，其特征在于，将所述环境监测参数矩阵通过具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度环境参数特征矩阵，其中，所述第一尺度不同于所述第二尺度，包括：
使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行基于第二尺度卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度环境参数特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述环境监测参数矩阵。
10.根据权利要求9所述的智能室内环境检测方法，其特征在于，对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行特征矩阵间的特征空间关联以得到多尺度环境监测特征矩阵，包括：
对所述第一尺度环境参数特征矩阵和所述第二尺度环境参数特征矩阵进行矩阵展开以得到第一特征向量和第二特征向量；
计算所述第一特征向量和所述第二特征向量之间的内积；
响应于所述第一特征向量和所述第二特征向量之间的内积为零，将所述第一特征向量和所述第二特征向量作为融合特征向量的基底；
响应于所述第一特征向量和所述第二特征向量之间的内积不为零，对所述第一特征向量和所述第二特征向量进行施密特正交化以得到正交的第一单位特征向量和第二单位特征向量；
以误差最小化来融合所述第一单位特征向量和所述第二单位特征向量以得到所述融合特征向量，对所述融合特征向量进行还原以得到所述多尺度环境监测特征矩阵。。
CN202310943804.4A 2023-07-28 2023-07-28 智能室内环境检测系统及其方法 Pending CN116955991A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310943804.4A CN116955991A (zh) 2023-07-28 2023-07-28 智能室内环境检测系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310943804.4A CN116955991A (zh) 2023-07-28 2023-07-28 智能室内环境检测系统及其方法

Publications (1)

Publication Number Publication Date
CN116955991A true CN116955991A (zh) 2023-10-27

Family

ID=88458003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310943804.4A Pending CN116955991A (zh) 2023-07-28 2023-07-28 智能室内环境检测系统及其方法

Country Status (1)

Country Link
CN (1) CN116955991A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117251073A (zh) * 2023-11-01 2023-12-19 深圳市欧雷玛科技有限公司 触摸屏的自动校准系统及其方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117251073A (zh) * 2023-11-01 2023-12-19 深圳市欧雷玛科技有限公司 触摸屏的自动校准系统及其方法

Similar Documents

Publication Publication Date Title
CN110503630B (zh) 一种基于三维深度学习模型的脑出血分类、定位与预测方法
Bo et al. Particle pollution estimation from images using convolutional neural network and weather features
CN102422324B (zh) 年龄估计设备和方法
Shen et al. Visual interpretation of recurrent neural network on multi-dimensional time-series forecast
CN116955991A (zh) 智能室内环境检测系统及其方法
CN115830718A (zh) 基于步态识别预测康复训练效果的数据处理系统
CN112233798B (zh) 基于病理模式与注意力机制的可解释疾病风险分析系统
CN111862260B (zh) 基于跨域对偶生成式对抗网络的偏见消除方法与装置
CN112465231B (zh) 地区人口健康状态预测方法、设备和可读存储介质
CN117438087A (zh) 基于健康监测数据分析的健康管理方法及系统
CN111915022B (zh) 滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置
CN110664412A (zh) 一种面向可穿戴传感器的人类活动识别方法
CN117116498A (zh) 移动查房数据处理系统及其方法
CN114141385A (zh) 一种用于传染病的预警方法、系统和可读存储介质
CN116247824A (zh) 电力设备的控制方法及其系统
CN102819838B (zh) 基于多源目标特征支持的高光谱遥感图像变化检测方法
CN117034123B (zh) 健身器材的故障监控系统及其方法
CN117351659A (zh) 一种水文地质灾害监测装置及监测方法
CN115754199A (zh) 基于隶属度函数和主成分分析的水质检测方法
CN116956171A (zh) 基于ai模型的分类方法、装置、设备及存储介质
CN114821322A (zh) 基于注意力机制的小样本遥感影像分类方法及系统
CN114757097A (zh) 一种线路故障诊断方法及装置
CN114581761A (zh) 遥感图像识别方法、装置、设备和计算机可读存储介质
CN113887335A (zh) 基于多尺度时空层级网络的跌倒风险实时评估系统和方法
CN112182658A (zh) 一种基于隐私感知的轨迹数据采集系统及方法

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