CN117062192B - 一种基于人工智能算法的电熨斗建立无线连接方法及系统 - Google Patents
一种基于人工智能算法的电熨斗建立无线连接方法及系统 Download PDFInfo
- Publication number
- CN117062192B CN117062192B CN202311308816.6A CN202311308816A CN117062192B CN 117062192 B CN117062192 B CN 117062192B CN 202311308816 A CN202311308816 A CN 202311308816A CN 117062192 B CN117062192 B CN 117062192B
- Authority
- CN
- China
- Prior art keywords
- signal
- data
- connection
- module
- wireless connection
- 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
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 146
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000009827 uniform distribution Methods 0.000 claims description 6
- 238000013138 pruning Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 239000004744 fabric Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010409 ironing Methods 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/16—Discovering, processing access restriction or access information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/10—Connection setup
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明涉及无线连接领域，公开了一种基于人工智能算法的电熨斗建立无线连接方法及系统，获取电熨斗内的传感器建立无线连接请求，从无线连接请求中提取连接数据集；对连接数据集进行预处理，得到预处理后的连接数据集，提取预处理后的连接数据集的特征，得到信号特征数据；对信号特征数据进行畸变信号识别，并重构畸变信号，得到待连接信号数据；将待连接信号数据输入预先训练得到的连接识别模型中，通过连接识别模型获得待连接信号数据对应的无线连接点；将电熨斗内的传感器与无线连接点进行验证匹配，验证通过后，建立电熨斗内的传感器与无线连接点进行无线连接；本发明将电熨斗建立无线连接，无线连接方法避免用户误触，提高电熨斗使用安全。
Description
技术领域
本发明涉及无线连接技术领域，具体涉及一种基于人工智能算法的电熨斗建立无线连接方法及系统。
背景技术
电熨斗是平整衣服和布料的工具，功率一般在300—1000W之间；它的类型可分为：普通型、调温型、蒸汽喷雾型等；普通型电熨斗结构简单，价格便宜，制造和维修方便。调温型电熨斗能够60—250℃范围内自动调节温度，能自动切断电源，可以根据不同的衣料采用适合的温度来熨烫，比普通型来得省电；蒸汽喷雾型电熨斗既有调温功能，又能产生蒸汽，有的还装配上喷雾装置，免除了人工喷水的麻烦，而衣料润湿更均匀，熨烫效果更好；电熨斗在人们的生活中使用率高，实用性强，但是目前电熨斗均为有线连接，有线连接移动不方便，由于电熨斗的温度很高，容易产生安全隐患，因此研究一种基于人工智能算法的电熨斗建立无线连接方法及系统对于提高电熨斗使用安全具有重要的意义。
发明内容
本发明的目的是为了解决上述问题，设计了一种基于人工智能算法的电熨斗建立无线连接方法及系统。
本发明第一方面提供一种基于人工智能算法的电熨斗建立无线连接方法，所述基于人工智能算法的电熨斗建立无线连接方法包括以下步骤：
获取电熨斗内的传感器建立无线连接请求，从所述无线连接请求中提取连接数据集，其中所述连接数据集中至少包括多个信号数据；
对所述连接数据集进行预处理，得到预处理后的连接数据集，提取预处理后的连接数据集的特征，得到信号特征数据；
对所述信号特征数据进行畸变信号识别，并重构畸变信号，得到待连接信号数据；
将所述待连接信号数据输入预先训练得到的连接识别模型中，通过所述连接识别模型获得所述待连接信号数据对应的无线连接点；
将电熨斗内的传感器与所述无线连接点进行验证匹配，验证通过后，建立电熨斗内的传感器与所述无线连接点进行无线连接。
可选的，在本发明第一方面的第一种实现方式中，对所述连接数据集进行预处理，得到预处理后的连接数据集，包括：
将所述连接数据集中的多个信号数据进行分解，并对所述连接数据集中的多个信号数据进行离散小波变换，得到各层小波细节系数；
计算各层小波阈值，使用阈值函数对各层小波细节系数进行处理，得到近似系数；
进行逆小波变换，重构各层小波近似系数，得到去噪后信号，并生成预处理后的连接数据集。
可选的，在本发明第一方面的第二种实现方式中，提取所述连接数据集的特征，得到信号特征数据，包括：
获取预处理后的连接数据集中的信号数据，对预处理后的信号数据通过累积分布函数进行归一化处理；
选取嵌入维数并令时间延迟为1，对归一化序列进行相空间重构，通过均匀量化算子将相空间的第n列符号化，得到符号相空间的第n列；
将符号化相空间中的每一列确定为一种模式，统计符号相空间中每种符号模式出现的概率；
当每种符号模式的概率分布中只有一个元素为1，其余元素为0时，排列熵取最小值0，当概率分布服从均匀分布时，排列熵取最大值；
基于排列熵的最佳参数，对预处理后的连接数据集进行多尺度排列熵特征提取，得到信号特征数据。
可选的，在本发明第一方面的第三种实现方式中，对所述信号特征数据进行畸变信号识别，并重构畸变信号，得到待连接信号数据，包括：
准备含正常信号的元训练数据集，将元训练数据集划分成若干个任务，其中每个任务中由随机分配的n个样本组成支撑集，其余样本作为查询集，每个任务所包含的类别不同；
随机抽取若干个任务，利用抽取的任务中的支撑集进行训练，计算损失并更新参数；
获取查询集中的损失，相加得到元损失，使用交叉熵损失函数进行第二次梯度更新，得到初始元学习器；
利用具有畸变信号的元测试集数据集进行对得到的初始元学习器进行精调，以更新模型参数，得到目标元学习器；
采用得到的目标元学习器对所述信号特征数据中畸变信号进行识别，并重构畸变信号，得到待连接信号数据。
可选的，在本发明第一方面的第四种实现方式中，采用得到的目标元学习器对所述信号特征数据中畸变信号进行识别，并重构畸变信号，得到待连接信号数据，包括：
将识别带有畸变信号的信号特征数据输入LSTM网络中，由LSTM网络输入门提取所述信号特征数据中时延信息与幅度信息的特征序列；
记录时延信息与幅度信息的特征产生候选向量，通过候选向量与输入门输出共同作用更新时延信息与幅度信息；
通过候选向量以及输入门的输出共同作用决定添加部分这一段输入的样本，并通过遗忘门遗忘上一段的部分畸变信号的信息来更新所述信号特征数据；
由LSTM网络的输出门输出重构后得到的待连接信号数据。
可选的，在本发明第一方面的第五种实现方式中，将所述待连接信号数据输入预先训练得到的连接识别模型中，通过所述连接识别模型获得所述待连接信号数据对应的无线连接点，包括：
获取历史信号信息，将所述历史信号信息划分为训练集和测试集，其中所述历史信号信息至少包括历史信号数据和历史连接数据；
初始化决策树，对结点中的属性数据进行排序，用不同的阈值将训练集数据进行动态划分；
将输入数据的两端的两个值的中点作为阈值，输入改变时便确定新的阈值，根据阈值确定两个划分，将所有数据样本划分到这两类中，得到所有可能的阈值，并计算所有的划分情况下的信息增益和增益率；
将每个连续属性都会被阈值划分为大于等于阈值和小于阈值，递归拆分直到达到停止条件；
采用所述测试集对结论进行检验，并对决策树进行修剪和剔除，得到连接识别模型。
可选的，在本发明第一方面的第六种实现方式中，采用所述测试集对结论进行检验，并对决策树进行修剪和剔除，得到连接识别模型，包括：
采用k-折交叉验证得到最优影响因子值，基于最优影响因子值得到节点误差；
计算每个非叶节点误差，自下而上进行回缩，计算该节点每个分枝的误差；
将每个非叶节点误差和每个分枝的误差进行比较，若每个非叶节点误差小于每个分枝的误差，进行裁剪使父节点变为新的叶节点，否则保留决策子树，直到不能继续为止，得到剪枝树。
本发明第二方面提供了一种基于人工智能算法的电熨斗建立无线连接系统，所述基于人工智能算法的电熨斗建立无线连接系统包括建立请求模块、特征提取模块、信号识别模块、连接识别模块和验证匹配模块，其中，建立请求模块，用于获取电熨斗内的传感器建立无线连接请求，从所述无线连接请求中提取连接数据集，其中所述连接数据集中至少包括多个信号数据；
特征提取模块，用于对所述连接数据集进行预处理，得到预处理后的连接数据集，提取预处理后的连接数据集的特征，得到信号特征数据；
信号识别模块，用于对所述信号特征数据进行畸变信号识别，并重构畸变信号，得到待连接信号数据；
连接识别模块，用于将所述待连接信号数据输入预先训练得到的连接识别模型中，通过所述连接识别模型获得所述待连接信号数据对应的无线连接点；
验证匹配模块，用于将电熨斗内的传感器与所述无线连接点进行验证匹配，验证通过后，建立电熨斗内的传感器与所述无线连接点进行无线连接。
可选的，在本发明第二方面的第一种实现方式中，所述特征提取模块包括归一化处理子模块、符号化子模块、统计子模块、均匀分布子模块和提取子模块，其中，归一化处理子模块，用于获取预处理后的连接数据集中的信号数据，对预处理后的信号数据通过累积分布函数进行归一化处理；
符号化子模块，用于选取嵌入维数并令时间延迟为1，对归一化序列进行相空间重构，通过均匀量化算子将相空间的第n列符号化，得到符号相空间的第n列；
统计子模块，用于将符号化相空间中的每一列确定为一种模式，统计符号相空间中每种符号模式出现的概率；
均匀分布子模块，用于当每种符号模式的概率分布中只有一个元素为1，其余元素为0时，排列熵取最小值0，当概率分布服从均匀分布时，排列熵取最大值；
提取子模块，用于基于排列熵的最佳参数，对预处理后的连接数据集进行多尺度排列熵特征提取，得到信号特征数据。
可选的，在本发明第二方面的第二种实现方式中，所述信号识别模块包括划分子模块、计算子模块、相加子模块、更新子模块和重构子模块，其中，划分子模块，用于准备含正常信号的元训练数据集，将元训练数据集划分成若干个任务，其中每个任务中由随机分配的n个样本组成支撑集，其余样本作为查询集，每个任务所包含的类别不同；
计算子模块，用于随机抽取若干个任务，利用抽取的任务中的支撑集进行训练，计算损失并更新参数；
相加子模块，用于获取查询集中的损失，相加得到元损失，使用交叉熵损失函数进行第二次梯度更新，得到初始元学习器；
更新子模块，用于利用具有畸变信号的元测试集数据集进行对得到的初始元学习器进行精调，以更新模型参数，得到目标元学习器；
重构子模块，用于采用得到的目标元学习器对所述信号特征数据中畸变信号进行识别，并重构畸变信号，得到待连接信号数据。
本发明提供的技术方案中，通过获取电熨斗内的传感器建立无线连接请求，从所述无线连接请求中提取连接数据集，其中所述连接数据集中至少包括多个信号数据；对所述连接数据集进行预处理，得到预处理后的连接数据集，提取预处理后的连接数据集的特征，得到信号特征数据；对所述信号特征数据进行畸变信号识别，并重构畸变信号，得到待连接信号数据；将所述待连接信号数据输入预先训练得到的连接识别模型中，通过所述连接识别模型获得所述待连接信号数据对应的无线连接点；将电熨斗内的传感器与所述无线连接点进行验证匹配，验证通过后，建立电熨斗内的传感器与所述无线连接点进行无线连接；本发明将电熨斗建立无线连接，无线连接方法避免用户误触，提高电熨斗使用安全。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
图1为本发明实施例提供的基于人工智能算法的电熨斗建立无线连接方法的第一个实施例示意图；
图2为本发明实施例提供的基于人工智能算法的电熨斗建立无线连接方法的第二个实施例示意图；
图3为本发明实施例提供的基于人工智能算法的电熨斗建立无线连接方法的第三个实施例示意图；
图4为本发明实施例提供的基于人工智能算法的电熨斗建立无线连接系统的一种结构示意图；
图5为本发明实施例提供的基于人工智能算法的电熨斗建立无线连接系统的另一种结构示意图。
具体实施方式
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、设备、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本发明实施例提供的基于人工智能算法的电熨斗建立无线连接方法的第一个实施例示意图，该方法具体包括以下步骤：
步骤101、获取电熨斗内的传感器建立无线连接请求，从无线连接请求中提取连接数据集，其中连接数据集中至少包括多个信号数据；
步骤102、对连接数据集进行预处理，得到预处理后的连接数据集，提取预处理后的连接数据集的特征，得到信号特征数据；
本实施例中，将连接数据集中的多个信号数据进行分解，并对连接数据集中的多个信号数据进行离散小波变换，得到各层小波细节系数；计算各层小波阈值，使用阈值函数对各层小波细节系数进行处理，得到近似系数；进行逆小波变换，重构各层小波近似系数，得到去噪后信号，并生成预处理后的连接数据集。
步骤103、对信号特征数据进行畸变信号识别，并重构畸变信号，得到待连接信号数据；
步骤104、将待连接信号数据输入预先训练得到的连接识别模型中，通过连接识别模型获得待连接信号数据对应的无线连接点；
本实施例中，获取历史信号信息，将历史信号信息划分为训练集和测试集，其中历史信号信息至少包括历史信号数据和历史连接数据；初始化决策树，对结点中的属性数据进行排序，用不同的阈值将训练集数据进行动态划分；将输入数据的两端的两个值的中点作为阈值，输入改变时便确定新的阈值，根据阈值确定两个划分，将所有数据样本划分到这两类中，得到所有可能的阈值，并计算所有的划分情况下的信息增益和增益率；将每个连续属性都会被阈值划分为大于等于阈值和小于阈值，递归拆分直到达到停止条件；采用测试集对结论进行检验，并对决策树进行修剪和剔除，得到连接识别模型。
本实施例中，采用k-折交叉验证得到最优影响因子值，基于最优影响因子值得到节点误差；计算每个非叶节点误差，自下而上进行回缩，计算该节点每个分枝的误差；将每个非叶节点误差和每个分枝的误差进行比较，若每个非叶节点误差小于每个分枝的误差，进行裁剪使父节点变为新的叶节点，否则保留决策子树，直到不能继续为止，得到剪枝树。
步骤105、将电熨斗内的传感器与无线连接点进行验证匹配，验证通过后，建立电熨斗内的传感器与无线连接点进行无线连接。
本发明实施例中，通过获取电熨斗内的传感器建立无线连接请求，从无线连接请求中提取连接数据集，其中连接数据集中至少包括多个信号数据；对连接数据集进行预处理，得到预处理后的连接数据集，提取预处理后的连接数据集的特征，得到信号特征数据；对信号特征数据进行畸变信号识别，并重构畸变信号，得到待连接信号数据；将待连接信号数据输入预先训练得到的连接识别模型中，通过连接识别模型获得待连接信号数据对应的无线连接点；将电熨斗内的传感器与无线连接点进行验证匹配，验证通过后，建立电熨斗内的传感器与无线连接点进行无线连接；本发明将电熨斗建立无线连接，无线连接方法避免用户误触，提高电熨斗使用安全。
请参阅图2，本发明实施例提供的基于人工智能算法的电熨斗建立无线连接方法的第二个实施例示意图，该方法包括：
步骤201、获取预处理后的连接数据集中的信号数据，对预处理后的信号数据通过累积分布函数进行归一化处理；
步骤202、选取嵌入维数并令时间延迟为1，对归一化序列进行相空间重构，通过均匀量化算子将相空间的第n列符号化，得到符号相空间的第n列；
步骤203、将符号化相空间中的每一列确定为一种模式，统计符号相空间中每种符号模式出现的概率；
步骤204、当每种符号模式的概率分布中只有一个元素为1，其余元素为0时，排列熵取最小值0，当概率分布服从均匀分布时，排列熵取最大值；
步骤205、基于排列熵的最佳参数，对预处理后的连接数据集进行多尺度排列熵特征提取，得到信号特征数据。
请参阅图3，本发明实施例提供的基于人工智能算法的电熨斗建立无线连接方法的第三个实施例示意图，该方法包括：
步骤301、准备含正常信号的元训练数据集，将元训练数据集划分成若干个任务，其中每个任务中由随机分配的n个样本组成支撑集，其余样本作为查询集，每个任务所包含的类别不同；
步骤302、随机抽取若干个任务，利用抽取的任务中的支撑集进行训练，计算损失并更新参数；
步骤303、获取查询集中的损失，相加得到元损失，使用交叉熵损失函数进行第二次梯度更新，得到初始元学习器；
步骤304、利用具有畸变信号的元测试集数据集进行对得到的初始元学习器进行精调，以更新模型参数，得到目标元学习器；
步骤305、采用得到的目标元学习器对信号特征数据中畸变信号进行识别，并重构畸变信号，得到待连接信号数据。
本实施例中，将识别带有畸变信号的信号特征数据输入LSTM网络中，由LSTM网络输入门提取信号特征数据中时延信息与幅度信息的特征序列；记录时延信息与幅度信息的特征产生候选向量，通过候选向量与输入门输出共同作用更新时延信息与幅度信息；通过候选向量以及输入门的输出共同作用决定添加部分这一段输入的样本，并通过遗忘门遗忘上一段的部分畸变信号的信息来更新信号特征数据；由LSTM网络的输出门输出重构后得到的待连接信号数据。
请参阅图4，本发明实施例提供的基于人工智能算法的电熨斗建立无线连接系统的一种结构示意图，该系统包括建立请求模块、特征提取模块、信号识别模块、连接识别模块和验证匹配模块，其中，建立请求模块401，用于获取电熨斗内的传感器建立无线连接请求，从无线连接请求中提取连接数据集，其中连接数据集中至少包括多个信号数据；
特征提取模块402，用于对连接数据集进行预处理，得到预处理后的连接数据集，提取预处理后的连接数据集的特征，得到信号特征数据；
信号识别模块403，用于对信号特征数据进行畸变信号识别，并重构畸变信号，得到待连接信号数据；
连接识别模块404，用于将待连接信号数据输入预先训练得到的连接识别模型中，通过连接识别模型获得待连接信号数据对应的无线连接点；
验证匹配模块405，用于将电熨斗内的传感器与无线连接点进行验证匹配，验证通过后，建立电熨斗内的传感器与无线连接点进行无线连接。
请参阅图5，本发明实施例中基于人工智能算法的电熨斗建立无线连接系统的另一种结构示意图包括：
基于人工智能算法的电熨斗建立无线连接系统包括建立请求模块401、特征提取模块402、信号识别模块403、连接识别模块404和验证匹配模块405；
本实施例中，特征提取模块402包括归一化处理子模块、符号化子模块、统计子模块、均匀分布子模块和提取子模块，其中，归一化处理子模块4021，用于获取预处理后的连接数据集中的信号数据，对预处理后的信号数据通过累积分布函数进行归一化处理；
符号化子模块4022，用于选取嵌入维数并令时间延迟为1，对归一化序列进行相空间重构，通过均匀量化算子将相空间的第n列符号化，得到符号相空间的第n列；
统计子模块4023，用于将符号化相空间中的每一列确定为一种模式，统计符号相空间中每种符号模式出现的概率；
均匀分布子模块4024，用于当每种符号模式的概率分布中只有一个元素为1，其余元素为0时，排列熵取最小值0，当概率分布服从均匀分布时，排列熵取最大值；
提取子模块4025，用于基于排列熵的最佳参数，对预处理后的连接数据集进行多尺度排列熵特征提取，得到信号特征数据。
本实施例中，信号识别模块403包括划分子模块、计算子模块、相加子模块、更新子模块和重构子模块，其中，划分子模块4031，用于准备含正常信号的元训练数据集，将元训练数据集划分成若干个任务，其中每个任务中由随机分配的n个样本组成支撑集，其余样本作为查询集，每个任务所包含的类别不同；
计算子模块4032，用于随机抽取若干个任务，利用抽取的任务中的支撑集进行训练，计算损失并更新参数；
相加子模块4033，用于获取查询集中的损失，相加得到元损失，使用交叉熵损失函数进行第二次梯度更新，得到初始元学习器；
更新子模块4034，用于利用具有畸变信号的元测试集数据集进行对得到的初始元学习器进行精调，以更新模型参数，得到目标元学习器；
重构子模块4035，用于采用得到的目标元学习器对信号特征数据中畸变信号进行识别，并重构畸变信号，得到待连接信号数据。
通过上述方案的实施，该系统包括建立请求模块、特征提取模块、信号识别模块、连接识别模块和验证匹配模块；本发明将电熨斗建立无线连接，无线连接方法避免用户误触，提高电熨斗使用安全。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于人工智能算法的电熨斗建立无线连接方法，其特征在于，所述基于人工智能算法的电熨斗建立无线连接方法包括以下步骤：
获取电熨斗内的传感器建立无线连接请求，从所述无线连接请求中提取连接数据集，其中所述连接数据集中至少包括多个信号数据；
对所述连接数据集进行预处理，得到预处理后的连接数据集，提取预处理后的连接数据集的特征，得到信号特征数据；
对所述信号特征数据进行畸变信号识别，并重构畸变信号，得到待连接信号数据；
将所述待连接信号数据输入预先训练得到的连接识别模型中，通过所述连接识别模型获得所述待连接信号数据对应的无线连接点；
将电熨斗内的传感器与所述无线连接点进行验证匹配，验证通过后，建立电熨斗内的传感器与所述无线连接点进行无线连接；
对所述连接数据集进行预处理，得到预处理后的连接数据集，包括：
将所述连接数据集中的多个信号数据进行分解，并对所述连接数据集中的多个信号数据进行离散小波变换，得到各层小波细节系数；
计算各层小波阈值，使用阈值函数对各层小波细节系数进行处理，得到近似系数；
进行逆小波变换，重构各层小波近似系数，得到去噪后信号，并生成预处理后的连接数据集。
2.如权利要求1所述的一种基于人工智能算法的电熨斗建立无线连接方法，其特征在于，提取所述连接数据集的特征，得到信号特征数据，包括：
获取预处理后的连接数据集中的信号数据，对预处理后的信号数据通过累积分布函数进行归一化处理；
选取嵌入维数并令时间延迟为1，对归一化序列进行相空间重构，通过均匀量化算子将相空间的第n列符号化，得到符号相空间的第n列；
将符号化相空间中的每一列确定为一种模式，统计符号相空间中每种符号模式出现的概率；
当每种符号模式的概率分布中只有一个元素为1，其余元素为0时，排列熵取最小值0，当概率分布服从均匀分布时，排列熵取最大值；
基于排列熵的最佳参数，对预处理后的连接数据集进行多尺度排列熵特征提取，得到信号特征数据。
3.如权利要求1所述的一种基于人工智能算法的电熨斗建立无线连接方法，其特征在于，对所述信号特征数据进行畸变信号识别，并重构畸变信号，得到待连接信号数据，包括：
准备含正常信号的元训练数据集，将元训练数据集划分成若干个任务，其中每个任务中由随机分配的n个样本组成支撑集，其余样本作为查询集，每个任务所包含的类别不同；
随机抽取若干个任务，利用抽取的任务中的支撑集进行训练，计算损失并更新参数；
获取查询集中的损失，相加得到元损失，使用交叉熵损失函数进行第二次梯度更新，得到初始元学习器；
利用具有畸变信号的元测试集数据集进行对得到的初始元学习器进行精调，以更新模型参数，得到目标元学习器；
采用得到的目标元学习器对所述信号特征数据中畸变信号进行识别，并重构畸变信号，得到待连接信号数据。
4.如权利要求3所述的一种基于人工智能算法的电熨斗建立无线连接方法，其特征在于，采用得到的目标元学习器对所述信号特征数据中畸变信号进行识别，并重构畸变信号，得到待连接信号数据，包括：
将识别带有畸变信号的信号特征数据输入LSTM网络中，由LSTM网络输入门提取所述信号特征数据中时延信息与幅度信息的特征序列；
记录时延信息与幅度信息的特征产生候选向量，通过候选向量与输入门输出共同作用更新时延信息与幅度信息；
通过候选向量以及输入门的输出共同作用决定添加部分这一段输入的样本，并通过遗忘门遗忘上一段的部分畸变信号的信息来更新所述信号特征数据；
由LSTM网络的输出门输出重构后得到的待连接信号数据。
5.如权利要求1所述的一种基于人工智能算法的电熨斗建立无线连接方法，其特征在于，将所述待连接信号数据输入预先训练得到的连接识别模型中，通过所述连接识别模型获得所述待连接信号数据对应的无线连接点，包括：
获取历史信号信息，将所述历史信号信息划分为训练集和测试集，其中所述历史信号信息至少包括历史信号数据和历史连接数据；
初始化决策树，对结点中的属性数据进行排序，用不同的阈值将训练集数据进行动态划分；
将输入数据的两端的两个值的中点作为阈值，输入改变时便确定新的阈值，根据阈值确定两个划分，将所有数据样本划分到这两类中，得到所有可能的阈值，并计算所有的划分情况下的信息增益和增益率；
将每个连续属性都会被阈值划分为大于等于阈值和小于阈值，递归拆分直到达到停止条件；
采用所述测试集对结论进行检验，并对决策树进行修剪和剔除，得到连接识别模型。
6.如权利要求5所述的一种基于人工智能算法的电熨斗建立无线连接方法，其特征在于，采用所述测试集对结论进行检验，并对决策树进行修剪和剔除，得到连接识别模型，包括：
采用k-折交叉验证得到最优影响因子值，基于最优影响因子值得到节点误差；
计算每个非叶节点误差，自下而上进行回缩，计算该节点每个分枝的误差；
将每个非叶节点误差和每个分枝的误差进行比较，若每个非叶节点误差小于每个分枝的误差，进行裁剪使父节点变为新的叶节点，否则保留决策子树，直到不能继续为止，得到剪枝树。
7.一种基于人工智能算法的电熨斗建立无线连接系统，其特征在于，所述基于人工智能算法的电熨斗建立无线连接系统包括建立请求模块、特征提取模块、信号识别模块、连接识别模块和验证匹配模块，其中：
建立请求模块，用于获取电熨斗内的传感器建立无线连接请求，从所述无线连接请求中提取连接数据集，其中所述连接数据集中至少包括多个信号数据；
特征提取模块，用于对所述连接数据集进行预处理，得到预处理后的连接数据集，提取预处理后的连接数据集的特征，得到信号特征数据；
信号识别模块，用于对所述信号特征数据进行畸变信号识别，并重构畸变信号，得到待连接信号数据；
连接识别模块，用于将所述待连接信号数据输入预先训练得到的连接识别模型中，通过所述连接识别模型获得所述待连接信号数据对应的无线连接点；
验证匹配模块，用于将电熨斗内的传感器与所述无线连接点进行验证匹配，验证通过后，建立电熨斗内的传感器与所述无线连接点进行无线连接；
对所述连接数据集进行预处理，得到预处理后的连接数据集，包括：
将所述连接数据集中的多个信号数据进行分解，并对所述连接数据集中的多个信号数据进行离散小波变换，得到各层小波细节系数；
计算各层小波阈值，使用阈值函数对各层小波细节系数进行处理，得到近似系数；
进行逆小波变换，重构各层小波近似系数，得到去噪后信号，并生成预处理后的连接数据集。
8.如权利要求7所述的一种基于人工智能算法的电熨斗建立无线连接系统，其特征在于，所述特征提取模块包括归一化处理子模块、符号化子模块、统计子模块、均匀分布子模块和提取子模块，其中：
归一化处理子模块，用于获取预处理后的连接数据集中的信号数据，对预处理后的信号数据通过累积分布函数进行归一化处理；
符号化子模块，用于选取嵌入维数并令时间延迟为1，对归一化序列进行相空间重构，通过均匀量化算子将相空间的第n列符号化，得到符号相空间的第n列；
统计子模块，用于将符号化相空间中的每一列确定为一种模式，统计符号相空间中每种符号模式出现的概率；
均匀分布子模块，用于当每种符号模式的概率分布中只有一个元素为1，其余元素为0时，排列熵取最小值0，当概率分布服从均匀分布时，排列熵取最大值；
提取子模块，用于基于排列熵的最佳参数，对预处理后的连接数据集进行多尺度排列熵特征提取，得到信号特征数据。
9.如权利要求7所述的一种基于人工智能算法的电熨斗建立无线连接系统，其特征在于，所述信号识别模块包括划分子模块、计算子模块、相加子模块、更新子模块和重构子模块，其中：
划分子模块，用于准备含正常信号的元训练数据集，将元训练数据集划分成若干个任务，其中每个任务中由随机分配的n个样本组成支撑集，其余样本作为查询集，每个任务所包含的类别不同；
计算子模块，用于随机抽取若干个任务，利用抽取的任务中的支撑集进行训练，计算损失并更新参数；
相加子模块，用于获取查询集中的损失，相加得到元损失，使用交叉熵损失函数进行第二次梯度更新，得到初始元学习器；
更新子模块，用于利用具有畸变信号的元测试集数据集进行对得到的初始元学习器进行精调，以更新模型参数，得到目标元学习器；
重构子模块，用于采用得到的目标元学习器对所述信号特征数据中畸变信号进行识别，并重构畸变信号，得到待连接信号数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311308816.6A CN117062192B (zh) | 2023-10-11 | 2023-10-11 | 一种基于人工智能算法的电熨斗建立无线连接方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311308816.6A CN117062192B (zh) | 2023-10-11 | 2023-10-11 | 一种基于人工智能算法的电熨斗建立无线连接方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117062192A CN117062192A (zh) | 2023-11-14 |
| CN117062192B true CN117062192B (zh) | 2023-12-12 |
Family
ID=88655721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311308816.6A Active CN117062192B (zh) | 2023-10-11 | 2023-10-11 | 一种基于人工智能算法的电熨斗建立无线连接方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117062192B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4240217A (en) * | 1977-12-21 | 1980-12-23 | Seb S.A. | Electric steam iron |
| CN105392181A (zh) * | 2015-10-20 | 2016-03-09 | 广东欧珀移动通信有限公司 | 一种智能设备的联网方法、装置及系统 |
| CN105848151A (zh) * | 2016-05-27 | 2016-08-10 | 北京奇虎科技有限公司 | WiFi接入点设备及WiFi接入鉴权控制方法、装置 |
| CN105908466A (zh) * | 2016-05-19 | 2016-08-31 | 青阳县乐辰工艺品有限责任公司 | 一种电熨斗蒸汽发生器无线监控装置 |
| CN109495979A (zh) * | 2018-11-20 | 2019-03-19 | 北京小米移动软件有限公司 | 无线网络连接方法及装置 |
| CN111883226A (zh) * | 2019-11-07 | 2020-11-03 | 马上消费金融股份有限公司 | 一种信息处理和模型训练方法、装置、设备及存储介质 |
| CN112087756A (zh) * | 2020-08-05 | 2020-12-15 | 北京邮电大学 | 阻止恶意用户接入的通信方法及装置 |
| CN112437439A (zh) * | 2020-11-11 | 2021-03-02 | 周金华 | 基于人工智能和特征分析的热点共享方法及大数据云平台 |
| CN113454279A (zh) * | 2019-02-20 | 2021-09-28 | 德隆基布劳恩家居有限公司 | 具有水箱的蒸汽站 |
| CN114387627A (zh) * | 2022-01-11 | 2022-04-22 | 厦门大学 | 基于深度度量学习的小样本无线设备射频指纹识别方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9994993B2 (en) * | 2014-11-26 | 2018-06-12 | International Business Machines Corporation | Automated selection of settings for an ironing device |
-
2023
- 2023-10-11 CN CN202311308816.6A patent/CN117062192B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4240217A (en) * | 1977-12-21 | 1980-12-23 | Seb S.A. | Electric steam iron |
| CN105392181A (zh) * | 2015-10-20 | 2016-03-09 | 广东欧珀移动通信有限公司 | 一种智能设备的联网方法、装置及系统 |
| CN105908466A (zh) * | 2016-05-19 | 2016-08-31 | 青阳县乐辰工艺品有限责任公司 | 一种电熨斗蒸汽发生器无线监控装置 |
| CN105848151A (zh) * | 2016-05-27 | 2016-08-10 | 北京奇虎科技有限公司 | WiFi接入点设备及WiFi接入鉴权控制方法、装置 |
| CN109495979A (zh) * | 2018-11-20 | 2019-03-19 | 北京小米移动软件有限公司 | 无线网络连接方法及装置 |
| CN113454279A (zh) * | 2019-02-20 | 2021-09-28 | 德隆基布劳恩家居有限公司 | 具有水箱的蒸汽站 |
| CN111883226A (zh) * | 2019-11-07 | 2020-11-03 | 马上消费金融股份有限公司 | 一种信息处理和模型训练方法、装置、设备及存储介质 |
| CN112087756A (zh) * | 2020-08-05 | 2020-12-15 | 北京邮电大学 | 阻止恶意用户接入的通信方法及装置 |
| CN112437439A (zh) * | 2020-11-11 | 2021-03-02 | 周金华 | 基于人工智能和特征分析的热点共享方法及大数据云平台 |
| CN114387627A (zh) * | 2022-01-11 | 2022-04-22 | 厦门大学 | 基于深度度量学习的小样本无线设备射频指纹识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 工业电熨斗蒸汽发生器无线监控系统;薛家祥;恒功淳;龚普;郑照红;陈卓;;自动化与仪表(第05期);第1-3节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117062192A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110610168B (zh) | 一种基于注意力机制的脑电情绪识别方法 | |
| Satti et al. | An automatic leaf recognition system for plant identification using machine vision technology | |
| Cabello et al. | Fast and accurate time series classification through supervised interval search | |
| CN108241873B (zh) | 一种面向泵站主设备的智能故障诊断方法 | |
| CN108363493B (zh) | 基于脑机接口的用户特征模型建立方法、系统及存储介质 | |
| Tan et al. | Time series classification for varying length series | |
| CN113033657A (zh) | 一种基于Transformer网络的多人行为识别方法 | |
| CN113312989B (zh) | 一种基于聚合描述子与注意力的指静脉特征提取网络 | |
| CN101667263A (zh) | 学习设备、学习方法、识别设备、识别方法和程序 | |
| JP2015090559A (ja) | データ処理方法及び装置、データ識別方法及び装置、プログラム | |
| CN112686182B (zh) | 局部放电模式识别方法及终端设备 | |
| CN104951787A (zh) | 一种src框架下判别字典学习的电能质量扰动识别方法 | |
| CN112331170A (zh) | 佛乐旋律相似度的分析方法、装置、设备及存储介质 | |
| CN110134719A (zh) | 一种结构化数据敏感属性的识别与分类分级方法 | |
| CN112085111A (zh) | 一种负荷辨识方法和装置 | |
| CN113869398B (zh) | 一种不平衡文本分类方法、装置、设备及存储介质 | |
| CN114781779A (zh) | 一种无监督能耗异常检测方法、装置及存储介质 | |
| CN117062192B (zh) | 一种基于人工智能算法的电熨斗建立无线连接方法及系统 | |
| CN117520818A (zh) | 一种电力指纹识别方法、装置、电子设备及存储介质 | |
| Nasraoui et al. | Robust clustering for tracking noisy evolving data streams | |
| CN113988156A (zh) | 一种时间序列聚类方法、系统、设备以及介质 | |
| CN116861217B (zh) | 用于移动终端的身份识别方法及系统 | |
| CN116561230B (zh) | 一种基于云计算的分布式存储与检索系统 | |
| Mliki et al. | Human action recognition based on discriminant body regions selection | |
| CN109446780B (zh) | 一种身份认证方法、装置及其存储介质 |
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 |