CN117008494A - 一种基于物联网的厨房家电智能控制方法及系统 - Google Patents
一种基于物联网的厨房家电智能控制方法及系统 Download PDFInfo
- Publication number
- CN117008494A CN117008494A CN202311279341.2A CN202311279341A CN117008494A CN 117008494 A CN117008494 A CN 117008494A CN 202311279341 A CN202311279341 A CN 202311279341A CN 117008494 A CN117008494 A CN 117008494A
- Authority
- CN
- China
- Prior art keywords
- user
- kitchen
- model
- behavior
- target user
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000006399 behavior Effects 0.000 claims abstract description 253
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013526 transfer learning Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000013508 migration Methods 0.000 claims description 28
- 230000005012 migration Effects 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000011217 control strategy Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000008447 perception Effects 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 1
- 238000003860 storage Methods 0.000 description 9
- 238000010411 cooking Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 235000004280 healthy diet Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
-
- 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)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于物联网的厨房家电智能控制方法及系统,包括,获取目标用户在厨房环境中的操作行为,按照用户意图进行聚类,提取多维特征;构建用户行为预测模型进行下一行为预测,通过模型验证后整合模型参数、目标用户对应的多维特征及操作行为偏好;获取厨房环境中家电信息,将整合后的模型参数、目标用户对应的多维特征及操作行为偏好利用迁移学习训练厨房家电控制模型;基于用户操作偏好进行厨房家电的控制,获取厨房家电的状态信息,反馈至云平台通过控制终端进行干预调整。本发明通过获取用户的厨房操作行为习惯,自动对厨房家电做出决策,实现家电的个性化控制,减少家电控制的人为干预,提升用户的智能厨房家电使用体验。
Description
技术领域
本发明涉及智能家电控制技术领域,更具体的,涉及一种基于物联网的厨房家电智能控制方法及系统。
背景技术
随着生产技术水平的不断提高和用户需求的不断增长,用户对于家电的需求不仅仅在于其能够执行传统的功能,而且更加趋向于希望家电更加智能化和多功能化。由于当前厨房环境杂乱、烹饪设备独立且多而杂,存在诸多安全隐患,操作流程缺少优化管理,导致用户操作不便,极易产生疲劳感和厌烦情绪。而厨房智能家电通过物联网技术以及网络通讯技术实现智能化控制,从而对厨房家电的每个环节进行管理,智能家电的功能越多越具有自我识别、反馈调节以及远程维护的功能,给我们带来了诸多的便利。
目前,大多数厨房电器的使用都是基于用户的常规生活经验,通过人为来控制机器如何使用,无法待加工商品实现加工控制标准化;并且多数厨房家电的智能化程度偏低,不能实现互联胡同。由于厨房环境不均匀性及食材口味的难控制性,不能有效排除外界因素干扰,现有厨房电器厨房设备无法及时进行工作状态的切换、或者导致厨房设备误动作的情况发生;而且用户根据不同场景和不同食材商品进行使用方法的选用,仍局限于半自动。因此,如何利用物联网在不同场景下进行厨房家电的智能联动控制,提高用户的使用体验是需要解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种基于物联网的厨房家电智能控制方法及系统。
本发明第一方面提供了一种基于物联网的厨房家电智能控制方法,包括:
获取目标用户在厨房环境中的操作行为,将所述操作行为按照用户意图进行聚类,提取目标用户厨房操作行为的多维特征;
构建用户行为预测模型,基于多维特征对所述用户行为预测模型进行训练,根据目标用户行为嵌入进行下一行为预测,通过模型验证后获取模型参数,整合模型参数、目标用户对应的多维特征及操作行为偏好;
获取厨房环境中家电信息,通过云平台进行厨房家电的互联互通,将整合后的模型参数、目标用户对应的多维特征及操作行为偏好进行知识迁移,利用迁移学习训练厨房家电控制模型;
根据所述厨房家电控制模型基于用户操作偏好进行厨房家电的控制,获取厨房家电的状态信息,反馈至云平台通过控制终端进行干预调整。
本方案中,将所述操作行为按照用户意图进行聚类,提取目标用户厨房操作行为的多维特征,具体为:
通过数据感知获取目标用户在厨房环境中的操作行为,提取操作行为所对应的时间戳构建操作行为序列,获取操作行为序列中各操作行为对应的行为语义特征;
根据所述行为语义特征与目标用户所用厨房家电进行结合,对所述操作行为序列进行分割,获取目标用户使用不同厨房家电的操作序列,根据不同厨房家电的功能反馈设置操作序列对应的用户意图;
通过所述用户意图设置不同厨房家电操作序列的数据标签,计算用户意图进行的相似度,将数据标签进行整合,基于整合后的数据标签进行聚类,获取同一数据标签下的操作序列集合;
根据操作序列集合提取不同用户意图对应的时序特征及行为上下文特征,获取操作序列集合中不同各操作序列对应的厨房环境特征,将所述时序特征、行为上下文特征及厨房环境特征结合生成多维特征。
本方案中,构建用户行为预测模型,基于多维特征对所述用户行为预测模型进行训练,根据目标用户行为嵌入进行下一行为预测,具体为:
获取目标用户厨房操作行为的多维特征,将目标用户厨房操作行为对应的用户意图类别及多维特征映射到向量空间进行行为嵌入,构建训练样本;
基于GRU网络构建用户行为预测模型,利用训练样本对多数用户行为预测模型进行训练,根据数据感知获取当前厨房环境特征及目标用户的行为特征作为模型输入;
在所述用户行为预测模型设置时间预测分支及意图类别预测分支,所述时间预测分支中引入多头自注意力机制进行特征选择,选取自注意力权重大于预设标准的特征进行特征拼接,利用激活函数进行回归获取目标用户操作行为的预测时间;
在所述意图类别预测分支中,将输入特征进行池化操作,利用门控结构进行信息传递,通过状态信息的更新获取意图类别特征,将所述意图类别特征传输到全连接层输出意图类别的概率值;
根据意图类别的概率值确定目标用户下一操作行为的意图类别,根据所述意图类别的操作行为顺序特征及所述预测时间获取目标用户下一行为预测结果。
本方案中,获取目标用户的操作行为偏好,具体为:
获取目标用户带有用户意图数据标签的不同厨房家电的操作序列,将所述操作序列根据感知时间划分为短期操作序列及长期操作序列,对短期操作序列及长期操作序列中的操作行为在向量空间中设置不同的初始权重;
将向量空间中的操作行为进行图表示,生成对应的有向无环图,将操作行为作为所述有向无环图中的节点,将操作行为的上下文特征作为所述有向无环图中的边结构;
获取不同厨房家电在不同用户意图下的必备操作行为,根据所述必备操作行为的边结构获取存在关联的操作行为节点集合,利用注意力算法获取操作行为节点集合中各节点的注意力权重;
根据所述注意力权重结合初始权重筛选符合预设权重要求的节点,结合必备操作行为节点生成不同厨房家电在不同用户意图的目标用户操作行为偏好,并将目标用户操作行为偏好进行聚合输出。
本方案中,将整合后的模型参数、目标用户对应的多维特征及操作行为偏好进行知识迁移,利用迁移学习训练厨房家电控制模型,具体为:
将目标用户厨房操作行为的多维特征、操作行为偏好及用户行为预测模型的模型参数进行整合,将所述用户行为预测模型作为源模型,厨房家电控制模型作为目标模型;
利用参数共享将源模型的模型结构及模型参数迁移到目标模型,根据所述操作行为多维特征及操作行为偏好获取目标用户的潜在特征矩阵,将源模型的潜在特征矩阵作为特征正则项约束目标模型的特征迁移学习;
根据目标用户的潜在特征矩阵进行特征变换,根据相似度计算获取目标用户的相似用户,得到用户相似度矩阵,通过所述用户相似度矩阵进行用户正则项约束模型的目标模型用户相似度迁移学习;
为所述特征正则项及所述用户正则项设置学习权重,将迁移学习后的目标模型进行评价,当模型评价符合预设标准时,输出厨房家电控制模型。
本方案中,根据所述厨房家电控制模型基于用户操作偏好进行厨房家电的控制,获取厨房家电的状态信息,反馈至云平台通过控制终端进行干预调整,具体为:
利用所述厨房家电控制模型根据目标用户当前操作行为及厨房环境特征获取预设时间后不同厨房家电的控制策略,将所述控制策略通过云云互联发送到目标用户的终端设备;
获取目标用户在终端设备的反馈信息,根据所述反馈信息判断厨房家电的控制策略是否符合目标用户的需求,根据判断结果对所述厨房家电控制模型进行优化;
实时获取厨房家电的状态信息,根据云云互联进行状态反馈,根据所述状态反馈判断厨房环境是否存在异常状况,若状态反馈与对应厨房家电的历史正常运行状态的相似度小于预设相似度阈值,则生成异常预警;
基于异常预警生成厨房家电状态干预信息,通过控制终端利用状态干预信息对厨房家电进行远程干预控制。
本发明第二方面还提供了一种基于物联网的厨房家电智能控制系统,该系统包括:存储器、处理器,所述存储器中包括基于物联网的厨房家电智能控制方法程序,所述基于物联网的厨房家电智能控制方法程序被所述处理器执行时实现如下步骤:
获取目标用户在厨房环境中的操作行为,将所述操作行为按照用户意图进行聚类,提取目标用户厨房操作行为的多维特征;
构建用户行为预测模型,基于多维特征对所述用户行为预测模型进行训练,根据目标用户行为嵌入进行下一行为预测,通过模型验证后获取模型参数,整合模型参数、目标用户对应的多维特征及操作行为偏好;
获取厨房环境中家电信息,通过云平台进行厨房家电的互联互通,将整合后的模型参数、目标用户对应的多维特征及操作行为偏好进行知识迁移,利用迁移学习训练厨房家电控制模型;
根据所述厨房家电控制模型基于用户操作偏好进行厨房家电的控制,获取厨房家电的状态信息,反馈至云平台通过控制终端进行干预调整。
本发明公开了一种基于物联网的厨房家电智能控制方法及系统,包括,获取目标用户在厨房环境中的操作行为,按照用户意图进行聚类,提取多维特征;构建用户行为预测模型进行下一行为预测,通过模型验证后整合模型参数、目标用户对应的多维特征及操作行为偏好;获取厨房环境中家电信息,将整合后的模型参数、目标用户对应的多维特征及操作行为偏好利用迁移学习训练厨房家电控制模型;基于用户操作偏好进行厨房家电的控制,获取厨房家电的状态信息,反馈至云平台通过控制终端进行干预调整。本发明通过获取用户的厨房操作行为习惯,自动对厨房家电做出决策,实现家电的个性化控制,减少家电控制的人为干预,提升用户的智能厨房家电使用体验。
附图说明
图1示出了本发明一种基于物联网的厨房家电智能控制方法的流程图;
图2示出了本发明根据目标用户行为嵌入进行下一行为预测的流程图;
图3示出了本发明利用迁移学习训练厨房家电控制模型的流程图;
图4示出了本发明一种基于物联网的厨房家电智能控制系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。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发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于物联网的厨房家电智能控制方法的流程图。
如图1所示,本发明第一方面提供了一种基于物联网的厨房家电智能控制方法,包括:
S102,获取目标用户在厨房环境中的操作行为,将所述操作行为按照用户意图进行聚类,提取目标用户厨房操作行为的多维特征;
S104,构建用户行为预测模型,基于多维特征对所述用户行为预测模型进行训练,根据目标用户行为嵌入进行下一行为预测,通过模型验证后获取模型参数,整合模型参数、目标用户对应的多维特征及操作行为偏好;
S106,获取厨房环境中家电信息,通过云平台进行厨房家电的互联互通,将整合后的模型参数、目标用户对应的多维特征及操作行为偏好进行知识迁移,利用迁移学习训练厨房家电控制模型;
S108,根据所述厨房家电控制模型基于用户操作偏好进行厨房家电的控制,获取厨房家电的状态信息,反馈至云平台通过控制终端进行干预调整。
需要说明的是,智能家电及智能家居中通常配有很多非入侵式传感器,包括红外运动传感器、视觉传感器等,例如用户开门触发门传感器产生传感器事件;通过数据感知获取传感器事件获取目标用户在厨房环境中的操作行为,提取操作行为所对应的时间戳构建操作行为序列,根据对应传感器的事件语义获取操作行为序列中各操作行为对应的行为语义特征;根据所述行为语义特征与目标用户所用厨房家电进行结合,对所述操作行为序列进行分割,获取目标用户使用不同厨房家电的操作序列,根据不同厨房家电的功能反馈设置操作序列对应的用户意图,例如通过电饭煲的煮饭功能反馈将目标用户前期准备步骤、电饭煲操作步骤及口味选择步骤等操作行为序列根据“煮饭”设置用户意图。通过所述用户意图设置不同厨房家电操作序列的数据标签,计算用户意图进行的相似度,将数据标签进行整合,基于整合后的数据标签进行聚类,获取同一数据标签下的操作序列集合;根据操作序列集合提取不同用户意图对应的时序特征及行为上下文特征,获取操作序列集合中不同各操作序列对应的厨房环境特征,将所述时序特征、行为上下文特征及厨房环境特征结合生成多维特征。
图2示出了本发明根据目标用户行为嵌入进行下一行为预测的流程图。
根据本发明实施例,构建用户行为预测模型,基于多维特征对所述用户行为预测模型进行训练,根据目标用户行为嵌入进行下一行为预测,具体为:
S202,获取目标用户厨房操作行为的多维特征,将目标用户厨房操作行为对应的用户意图类别及多维特征映射到向量空间进行行为嵌入,构建训练样本;
S204,基于GRU网络构建用户行为预测模型,利用训练样本对多数用户行为预测模型进行训练,根据数据感知获取当前厨房环境特征及目标用户的行为特征作为模型输入;
S206,在所述用户行为预测模型设置时间预测分支及意图类别预测分支,所述时间预测分支中引入多头自注意力机制进行特征选择,选取自注意力权重大于预设标准的特征进行特征拼接,利用激活函数进行回归获取目标用户操作行为的预测时间;
S208,在所述意图类别预测分支中,将输入特征进行池化操作,利用门控结构进行信息传递,通过状态信息的更新获取意图类别特征,将所述意图类别特征传输到全连接层输出意图类别的概率值;
S210,根据意图类别的概率值确定目标用户下一操作行为的意图类别,根据所述意图类别的操作行为顺序特征及所述预测时间获取目标用户下一行为预测结果。
需要说明的是,GRU 的结构相对简单,参数较少,训练时间短,利用GRU网络构建用户行为预测模型,经过深层次特征挖掘后,产生诸多冗余特征,利用自注意力机制进行特征选择,选取与时间预测相关的特征进行操作行为发生时间的预测。利用迭代训练进行两个分支对应权重超参数的训练,为两个分支分配不同的训练任务,防止出现过拟合情况。
需要说明的是,获取目标用户带有用户意图数据标签的不同厨房家电的操作序列,将所述操作序列根据感知时间划分为短期操作序列及长期操作序列,对短期操作序列及长期操作序列中的操作行为在向量空间中设置不同的初始权重;将向量空间中的操作行为进行图表示,生成对应的有向无环图,将操作行为作为所述有向无环图中的节点,将操作行为的上下文特征作为所述有向无环图中的边结构;获取不同厨房家电在不同用户意图下的必备操作行为,根据所述必备操作行为的边结构获取存在关联的操作行为节点集合,利用注意力算法获取操作行为节点集合中各节点的注意力权重;根据所述注意力权重结合初始权重筛选预设数量的符合权重要求的节点,基于顺序特征将筛选的操作行为结合必备操作行为节点生成不同厨房家电在不同用户意图的目标用户操作行为偏好,并将目标用户操作行为偏好进行聚合输出。
图3示出了本发明利用迁移学习训练厨房家电控制模型的流程图。
根据本发明实施例,将整合后的模型参数、目标用户对应的多维特征及操作行为偏好进行知识迁移,利用迁移学习训练厨房家电控制模型,具体为:
S302,将目标用户厨房操作行为的多维特征、操作行为偏好及用户行为预测模型的模型参数进行整合,将所述用户行为预测模型作为源模型,厨房家电控制模型作为目标模型;
S304,利用参数共享将源模型的模型结构及模型参数迁移到目标模型,根据所述操作行为多维特征及操作行为偏好获取目标用户的潜在特征矩阵,将源模型的潜在特征矩阵作为特征正则项约束目标模型的特征迁移学习;
S306,根据目标用户的潜在特征矩阵进行特征变换,根据相似度计算获取目标用户的相似用户,得到用户相似度矩阵,通过所述用户相似度矩阵进行用户正则项约束模型的目标模型用户相似度迁移学习;
S308,为所述特征正则项及所述用户正则项设置学习权重,将迁移学习后的目标模型进行评价,当模型评价符合预设标准时,输出厨房家电控制模型。
需要说明的是,将用户行为预测模型的参数迁移到厨房家电控制模型,克服了厨房家电控制模型的数据稀疏,将用户的潜在特征及用户的相似度作为先验知识,整合到厨房家电控制模型,辅助目标平台进行迁移学习,优化模型的训练,提升厨房家电控制模型的预测性能。
将目标用户厨房操作行为的多维特征、操作行为偏好及用户行为预测模型的模型参数进行整合作为源域数据,将所述源域数据通过迁移学习转移到厨房家电控制模型对应的目标域,厨房家电控制模型的损失函数为源域操作行为预测值与真实值之间的预测损失,通过平均绝对误差来定义预测误差/>:
;
其中,表示源域中的样本个数,/>、/>分别表示来自源域的观察到的操作行为预测值与真实值;
为了防止厨房家电控制模型出现过拟合情况设置基于Frobenius范数的正则项,根据操作行为多维特征及操作行为偏好获取目标用户的潜在特征矩阵,作为特征正则项 ,/>,其中,/>表示正则系数,/>,/>表示源模型及目标模型中的潜在特征矩阵,/>表示Frobenius范数根据;根据相似度计算获取目标用户的相似用户,得到用户相似度矩阵,作为用户正则项/>,/>,/>表示正则系数,/>,/>表示源模型及目标模型中的用户相似度矩阵,为所述特征正则项及用户正则项设置合适的正则系数避免过拟合或者欠拟合。
利用正则化约束优化厨房家电控制模型的损失函数,优化后的损失函数L为:。
需要说明的是,利用所述厨房家电控制模型根据目标用户当前操作行为及厨房环境特征获取预设时间后不同厨房家电的控制策略,由于终端设备和厨房家电通常对应不同的云服务平台,利用云云互联将接口及设备资源信息进行交互统一,实现跨设备的互联互通。将所述控制策略通过云云互联发送到目标用户的终端设备;获取目标用户在终端设备的反馈信息,根据所述反馈信息判断厨房家电的控制策略是否符合目标用户的需求,根据判断结果对所述厨房家电控制模型进行优化;实时获取厨房家电的状态信息,根据云云互联进行状态反馈,根据所述状态反馈判断厨房环境是否存在异常状况,例如燃气开启时长大于预设时长,则生成燃气异常,若状态反馈与对应厨房家电的历史正常运行状态的相似度小于预设相似度阈值,则生成异常预警;基于异常预警生成厨房家电状态干预信息,通过控制终端利用状态干预信息对厨房家电进行远程干预控制。
根据本发明实施例,为目标用户进行操作行为流程推荐,具体为:
获取目标用户在不同用户意图下使用不同厨房家电的操作行为序列,根据所述操作行为序列计算目标用户完成对应用户意图的时间消耗;
获取目标用户的相似用户,基于大数据分析获取相似用户在相同用户意图数据标签下的操作行为序列,筛选小于目标用户时间消耗的操作行为序列进行标记;
提取标记操作行为序列与目标用户操作行为序列的偏差,根据所述偏差提取对应的操作行为,发送到目标用户的终端设备进行推荐,根据用户的选择反馈优化目标用户的操作行为序列,对厨房家电控制模型进行训练更新;
另外,根据目标用户的身体状况信息结合健康饮食标准设置操作行为约束,根据所述操作行为约束对目标用户的操作行为序列生成调整提醒,当目标用户对应的操作行为偏好符合健康饮食标准是则停止提醒。
图4示出了本发明一种基于物联网的厨房家电智能控制系统的框图。
本发明第二方面还提供了一种基于物联网的厨房家电智能控制系统4,该系统包括:存储器41、处理器42,所述存储器中包括基于物联网的厨房家电智能控制方法程序,所述基于物联网的厨房家电智能控制方法程序被所述处理器执行时实现如下步骤:
获取目标用户在厨房环境中的操作行为,将所述操作行为按照用户意图进行聚类,提取目标用户厨房操作行为的多维特征;
构建用户行为预测模型,基于多维特征对所述用户行为预测模型进行训练,根据目标用户行为嵌入进行下一行为预测,通过模型验证后获取模型参数,整合模型参数、目标用户对应的多维特征及操作行为偏好;
获取厨房环境中家电信息,通过云平台进行厨房家电的互联互通,将整合后的模型参数、目标用户对应的多维特征及操作行为偏好进行知识迁移,利用迁移学习训练厨房家电控制模型;
根据所述厨房家电控制模型基于用户操作偏好进行厨房家电的控制,获取厨房家电的状态信息,反馈至云平台通过控制终端进行干预调整。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于物联网的厨房家电智能控制方法程序,所述基于物联网的厨房家电智能控制方法程序被处理器执行时,实现如上述任一项所述的基于物联网的厨房家电智能控制方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的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。而前述的存储介质包括:移动存储设备、ROM、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,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于物联网的厨房家电智能控制方法,其特征在于,包括以下步骤:
获取目标用户在厨房环境中的操作行为,将所述操作行为按照用户意图进行聚类,提取目标用户厨房操作行为的多维特征;
构建用户行为预测模型,基于多维特征对所述用户行为预测模型进行训练,根据目标用户行为嵌入进行下一行为预测,通过模型验证后获取模型参数,整合模型参数、目标用户对应的多维特征及操作行为偏好;
获取厨房环境中家电信息,通过云平台进行厨房家电的互联互通,将整合后的模型参数、目标用户对应的多维特征及操作行为偏好进行知识迁移,利用迁移学习训练厨房家电控制模型;
根据所述厨房家电控制模型基于用户操作偏好进行厨房家电的控制,获取厨房家电的状态信息,反馈至云平台通过控制终端进行干预调整。
2.根据权利要求1所述的一种基于物联网的厨房家电智能控制方法,其特征在于,将所述操作行为按照用户意图进行聚类,提取目标用户厨房操作行为的多维特征,具体为:
通过数据感知获取目标用户在厨房环境中的操作行为,提取操作行为所对应的时间戳构建操作行为序列,获取操作行为序列中各操作行为对应的行为语义特征;
根据所述行为语义特征与目标用户所用厨房家电进行结合,对所述操作行为序列进行分割,获取目标用户使用不同厨房家电的操作序列,根据不同厨房家电的功能反馈设置操作序列对应的用户意图;
通过所述用户意图设置不同厨房家电操作序列的数据标签,计算用户意图进行的相似度,将数据标签进行整合,基于整合后的数据标签进行聚类,获取同一数据标签下的操作序列集合;
根据操作序列集合提取不同用户意图对应的时序特征及行为上下文特征,获取操作序列集合中不同各操作序列对应的厨房环境特征,将所述时序特征、行为上下文特征及厨房环境特征结合生成多维特征。
3.根据权利要求1所述的一种基于物联网的厨房家电智能控制方法,其特征在于,构建用户行为预测模型,基于多维特征对所述用户行为预测模型进行训练,根据目标用户行为嵌入进行下一行为预测,具体为:
获取目标用户厨房操作行为的多维特征,将目标用户厨房操作行为对应的用户意图类别及多维特征映射到向量空间进行行为嵌入,构建训练样本;
基于GRU网络构建用户行为预测模型,利用训练样本对多数用户行为预测模型进行训练,根据数据感知获取当前厨房环境特征及目标用户的行为特征作为模型输入;
在所述用户行为预测模型设置时间预测分支及意图类别预测分支,所述时间预测分支中引入多头自注意力机制进行特征选择,选取自注意力权重大于预设标准的特征进行特征拼接,利用激活函数进行回归获取目标用户操作行为的预测时间;
在所述意图类别预测分支中,将输入特征进行池化操作,利用门控结构进行信息传递,通过状态信息的更新获取意图类别特征,将所述意图类别特征传输到全连接层输出意图类别的概率值;
根据意图类别的概率值确定目标用户下一操作行为的意图类别,根据所述意图类别的操作行为顺序特征及所述预测时间获取目标用户下一行为预测结果。
4.根据权利要求3所述的一种基于物联网的厨房家电智能控制方法,其特征在于,获取目标用户的操作行为偏好,具体为:
获取目标用户带有用户意图数据标签的不同厨房家电的操作序列,将所述操作序列根据感知时间划分为短期操作序列及长期操作序列,对短期操作序列及长期操作序列中的操作行为在向量空间中设置不同的初始权重;
将向量空间中的操作行为进行图表示,生成对应的有向无环图,将操作行为作为所述有向无环图中的节点,将操作行为的上下文特征作为所述有向无环图中的边结构;
获取不同厨房家电在不同用户意图下的必备操作行为,根据所述必备操作行为的边结构获取存在关联的操作行为节点集合,利用注意力算法获取操作行为节点集合中各节点的注意力权重;
根据所述注意力权重结合初始权重筛选符合预设权重要求的节点,结合必备操作行为节点生成不同厨房家电在不同用户意图的目标用户操作行为偏好,并将目标用户操作行为偏好进行聚合输出。
5.根据权利要求1所述的一种基于物联网的厨房家电智能控制方法,其特征在于,将整合后的模型参数、目标用户对应的多维特征及操作行为偏好进行知识迁移,利用迁移学习训练厨房家电控制模型,具体为:
将目标用户厨房操作行为的多维特征、操作行为偏好及用户行为预测模型的模型参数进行整合,将所述用户行为预测模型作为源模型,厨房家电控制模型作为目标模型;
利用参数共享将源模型的模型结构及模型参数迁移到目标模型,根据所述操作行为多维特征及操作行为偏好获取目标用户的潜在特征矩阵,将源模型的潜在特征矩阵作为特征正则项约束目标模型的特征迁移学习;
根据目标用户的潜在特征矩阵进行特征变换,根据相似度计算获取目标用户的相似用户,得到用户相似度矩阵,通过所述用户相似度矩阵进行用户正则项约束模型的目标模型用户相似度迁移学习;
为所述特征正则项及所述用户正则项设置学习权重,将迁移学习后的目标模型进行评价,当模型评价符合预设标准时,输出厨房家电控制模型。
6.根据权利要求1所述的一种基于物联网的厨房家电智能控制方法,其特征在于,根据所述厨房家电控制模型基于用户操作偏好进行厨房家电的控制,获取厨房家电的状态信息,反馈至云平台通过控制终端进行干预调整,具体为:
利用所述厨房家电控制模型根据目标用户当前操作行为及厨房环境特征获取预设时间后不同厨房家电的控制策略,将所述控制策略通过云云互联发送到目标用户的终端设备;
获取目标用户在终端设备的反馈信息,根据所述反馈信息判断厨房家电的控制策略是否符合目标用户的需求,根据判断结果对所述厨房家电控制模型进行优化;
实时获取厨房家电的状态信息,根据云云互联进行状态反馈,根据所述状态反馈判断厨房环境是否存在异常状况,若状态反馈与对应厨房家电的历史正常运行状态的相似度小于预设相似度阈值,则生成异常预警;
基于异常预警生成厨房家电状态干预信息,通过控制终端利用状态干预信息对厨房家电进行远程干预控制。
7.一种基于物联网的厨房家电智能控制系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于物联网的厨房家电智能控制方法程序,所述基于物联网的厨房家电智能控制方法程序被所述处理器执行时实现如下步骤:
获取目标用户在厨房环境中的操作行为,将所述操作行为按照用户意图进行聚类,提取目标用户厨房操作行为的多维特征;
构建用户行为预测模型,基于多维特征对所述用户行为预测模型进行训练,根据目标用户行为嵌入进行下一行为预测,通过模型验证后获取模型参数,整合模型参数、目标用户对应的多维特征及操作行为偏好;
获取厨房环境中家电信息,通过云平台进行厨房家电的互联互通,将整合后的模型参数、目标用户对应的多维特征及操作行为偏好进行知识迁移,利用迁移学习训练厨房家电控制模型;
根据所述厨房家电控制模型基于用户操作偏好进行厨房家电的控制,获取厨房家电的状态信息,反馈至云平台通过控制终端进行干预调整。
8.根据权利要求7所述的一种基于物联网的厨房家电智能控制系统,其特征在于,构建用户行为预测模型,基于多维特征对所述用户行为预测模型进行训练,根据目标用户行为嵌入进行下一行为预测,具体为:
获取目标用户厨房操作行为的多维特征,将目标用户厨房操作行为对应的用户意图类别及多维特征映射到向量空间进行行为嵌入,构建训练样本;
基于GRU网络构建用户行为预测模型,利用训练样本对多数用户行为预测模型进行训练,根据数据感知获取当前厨房环境特征及目标用户的行为特征作为模型输入;
在所述用户行为预测模型设置时间预测分支及意图类别预测分支,所述时间预测分支中引入多头自注意力机制进行特征选择,选取自注意力权重大于预设标准的特征进行特征拼接,利用激活函数进行回归获取目标用户操作行为的预测时间;
在所述意图类别预测分支中,将输入特征进行池化操作,利用门控结构进行信息传递,通过状态信息的更新获取意图类别特征,将所述意图类别特征传输到全连接层输出意图类别的概率值;
根据意图类别的概率值确定目标用户下一操作行为的意图类别,根据所述意图类别的操作行为顺序特征及所述预测时间获取目标用户下一行为预测结果。
9.根据权利要求7所述的一种基于物联网的厨房家电智能控制系统,其特征在于,将整合后的模型参数、目标用户对应的多维特征及操作行为偏好进行知识迁移,利用迁移学习训练厨房家电控制模型,具体为:
将目标用户厨房操作行为的多维特征、操作行为偏好及用户行为预测模型的模型参数进行整合,将所述用户行为预测模型作为源模型,厨房家电控制模型作为目标模型;
利用参数共享将源模型的模型结构及模型参数迁移到目标模型,根据所述操作行为多维特征及操作行为偏好获取目标用户的潜在特征矩阵,将源模型的潜在特征矩阵作为特征正则项约束目标模型的特征迁移学习;
根据目标用户的潜在特征矩阵进行特征变换,根据相似度计算获取目标用户的相似用户,得到用户相似度矩阵,通过所述用户相似度矩阵进行用户正则项约束模型的目标模型用户相似度迁移学习;
为所述特征正则项及所述用户正则项设置学习权重,将迁移学习后的目标模型进行评价,当模型评价符合预设标准时,输出厨房家电控制模型。
10.根据权利要求7所述的一种基于物联网的厨房家电智能控制系统,其特征在于,根据所述厨房家电控制模型基于用户操作偏好进行厨房家电的控制,获取厨房家电的状态信息,反馈至云平台通过控制终端进行干预调整,具体为:
利用所述厨房家电控制模型根据目标用户当前操作行为及厨房环境特征获取预设时间后不同厨房家电的控制策略,将所述控制策略通过云云互联发送到目标用户的终端设备;
获取目标用户在终端设备的反馈信息,根据所述反馈信息判断厨房家电的控制策略是否符合目标用户的需求,根据判断结果对所述厨房家电控制模型进行优化;
实时获取厨房家电的状态信息,根据云云互联进行状态反馈,根据所述状态反馈判断厨房环境是否存在异常状况,若状态反馈与对应厨房家电的历史正常运行状态的相似度小于预设相似度阈值,则生成异常预警;
基于异常预警生成厨房家电状态干预信息,通过控制终端利用状态干预信息对厨房家电进行远程干预控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311279341.2A CN117008494B (zh) | 2023-10-07 | 2023-10-07 | 一种基于物联网的厨房家电智能控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311279341.2A CN117008494B (zh) | 2023-10-07 | 2023-10-07 | 一种基于物联网的厨房家电智能控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117008494A true CN117008494A (zh) | 2023-11-07 |
CN117008494B CN117008494B (zh) | 2024-03-22 |
Family
ID=88567568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311279341.2A Active CN117008494B (zh) | 2023-10-07 | 2023-10-07 | 一种基于物联网的厨房家电智能控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117008494B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105425602A (zh) * | 2015-11-30 | 2016-03-23 | 青岛海尔智能家电科技有限公司 | 一种家电设备自动控制方法及装置 |
CN106681299A (zh) * | 2015-11-09 | 2017-05-17 | 横河电机株式会社 | 事件解析装置、事件解析系统、事件解析方法及事件解析程序 |
CN109947029A (zh) * | 2019-04-10 | 2019-06-28 | 广东工业大学 | 智能家居设备的控制方法、装置及设备 |
CN113887490A (zh) * | 2021-10-21 | 2022-01-04 | 安徽深核信息技术有限公司 | 一种基于dssd神经网络的智能家居环境控制实时识别系统及其控制方法 |
CN114693997A (zh) * | 2022-04-20 | 2022-07-01 | 平安科技(深圳)有限公司 | 基于迁移学习的图像描述生成方法、装置、设备及介质 |
CN115062732A (zh) * | 2022-08-18 | 2022-09-16 | 睿驰(深圳)智能有限公司 | 基于大数据用户标签信息的资源共享合作推荐方法及系统 |
CN115408603A (zh) * | 2022-07-27 | 2022-11-29 | 闽江学院 | 一种基于多头自注意力机制的在线问答社区专家推荐方法 |
CN115424615A (zh) * | 2022-09-01 | 2022-12-02 | 深圳市人马互动科技有限公司 | 智能设备语音控制方法、装置、设备及存储介质 |
CN116679577A (zh) * | 2023-07-03 | 2023-09-01 | 亿慧云智能科技(深圳)股份有限公司 | 智能家庭感知和控制终端 |
-
2023
- 2023-10-07 CN CN202311279341.2A patent/CN117008494B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106681299A (zh) * | 2015-11-09 | 2017-05-17 | 横河电机株式会社 | 事件解析装置、事件解析系统、事件解析方法及事件解析程序 |
CN105425602A (zh) * | 2015-11-30 | 2016-03-23 | 青岛海尔智能家电科技有限公司 | 一种家电设备自动控制方法及装置 |
CN109947029A (zh) * | 2019-04-10 | 2019-06-28 | 广东工业大学 | 智能家居设备的控制方法、装置及设备 |
CN113887490A (zh) * | 2021-10-21 | 2022-01-04 | 安徽深核信息技术有限公司 | 一种基于dssd神经网络的智能家居环境控制实时识别系统及其控制方法 |
CN114693997A (zh) * | 2022-04-20 | 2022-07-01 | 平安科技(深圳)有限公司 | 基于迁移学习的图像描述生成方法、装置、设备及介质 |
CN115408603A (zh) * | 2022-07-27 | 2022-11-29 | 闽江学院 | 一种基于多头自注意力机制的在线问答社区专家推荐方法 |
CN115062732A (zh) * | 2022-08-18 | 2022-09-16 | 睿驰(深圳)智能有限公司 | 基于大数据用户标签信息的资源共享合作推荐方法及系统 |
CN115424615A (zh) * | 2022-09-01 | 2022-12-02 | 深圳市人马互动科技有限公司 | 智能设备语音控制方法、装置、设备及存储介质 |
CN116679577A (zh) * | 2023-07-03 | 2023-09-01 | 亿慧云智能科技(深圳)股份有限公司 | 智能家庭感知和控制终端 |
Also Published As
Publication number | Publication date |
---|---|
CN117008494B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108919669B (zh) | 一种智能家居动态决策方法、装置和服务终端 | |
US20210182667A1 (en) | Cooking apparatus and control method thereof | |
US20210241177A1 (en) | Method and system for performing machine learning process | |
US20210030200A1 (en) | Vision recognition based method and device for controlling cooker | |
US20220414426A1 (en) | Neural Architecture Search Method and Apparatus, Device, and Medium | |
CN113485144B (zh) | 基于物联网的智能家居控制方法及系统 | |
Ding et al. | Product color emotional design considering color layout | |
CN110782043A (zh) | 模型优化方法、装置、存储介质及服务器 | |
CN114265325A (zh) | 自学习的智能家居控制方法、终端及计算机可读存储介质 | |
US11126898B2 (en) | Computer vision classifier using item micromodels | |
CN115454561A (zh) | 一种定制界面显示方法、装置、设备及存储介质 | |
CN117008494B (zh) | 一种基于物联网的厨房家电智能控制方法及系统 | |
CN113642635A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN116229188B (zh) | 图像处理显示方法、分类模型的生成方法及其设备 | |
WO2023142351A1 (zh) | 权重的调整方法和装置、存储介质及电子装置 | |
CN114707633A (zh) | 特征提取方法、装置、电子设备和存储介质 | |
CN113703337B (zh) | 一种基于物联网的家电设备控制方法、系统及存储介质 | |
CN107861769B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
WO2020050891A1 (en) | Robot memory management techniques | |
KR100873373B1 (ko) | 사용자 의도 인식 시스템 및 방법 | |
CN113055423B (zh) | 策略的推送方法、策略的执行方法、装置、设备及介质 | |
Stenudd | Using machine learning in the adaptive control of a smart environment | |
CN114764469A (zh) | 一种内容推荐方法、装置、计算机设备和存储介质 | |
CN112506063A (zh) | 数据分析方法、系统、电子设备和存储介质 | |
CN115062230B (zh) | 数据处理方法、装置、设备、介质和程序产品 |
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 |