CN117234251A - 一种基于人工智能的电器压力控制方法及系统 - Google Patents
一种基于人工智能的电器压力控制方法及系统 Download PDFInfo
- Publication number
- CN117234251A CN117234251A CN202311327519.6A CN202311327519A CN117234251A CN 117234251 A CN117234251 A CN 117234251A CN 202311327519 A CN202311327519 A CN 202311327519A CN 117234251 A CN117234251 A CN 117234251A
- Authority
- CN
- China
- Prior art keywords
- pressure control
- target
- appliance operation
- electric appliance
- operation parameter
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 166
- 238000003066 decision tree Methods 0.000 claims abstract description 36
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 35
- 238000013433 optimization analysis Methods 0.000 claims description 35
- 230000004927 fusion Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000007621 cluster analysis Methods 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 5
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 10
- 239000000284 extract Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 235000014347 soups Nutrition 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及人工智能领域，公开了一种基于人工智能的电器压力控制方法及系统，用于提高电器的压力控制准确率。方法包括：获取目标物品的多个物品特性参数和历史电器操作数据，并对所述历史电器操作数据进行参数分类，得到多个电器运行参数组合；通过预置的动态权决策树模型，对所述多个电器运行参数组合进行动态权重系数计算，得到每个电器运行参数组合的目标权重系数；根据所述目标权重系数，对所述多个电器运行参数组合以及所述多个物品特性参数进行矩阵转换，得到每个电器运行参数组合的目标权重矩阵；将所述目标权重矩阵输入预置的压力控制分析模型进行最优化压力控制分析，得到最优压力控制方案。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种基于人工智能的电器压力控制方法及系统。
背景技术
尽管电器已经十分普及，但在操作过程中确保物品的质量仍然是一个挑战。不同的物品需要不同的操作时间和压力，而这些参数通常需要根据经验或试验来确定。
因此，研究人员一直在寻找更精确的电器压力控制方法，以提高操作的效果和可重复性。此外，不同的物品具有不同的特性，如质地、湿度和操作响应，这进一步增加了电器操作的复杂性。因此，为了实现更好的操作质量，需要一种方法来根据物品的特性和历史操作数据来调整电器的操作参数。
发明内容
本发明提供了一种基于人工智能的电器压力控制方法及系统，用于提高电器的压力控制准确率。
本发明第一方面提供了一种基于人工智能的电器压力控制方法，所述基于人工智能的电器压力控制方法包括：
获取目标物品的多个物品特性参数和历史电器操作数据，并对所述历史电器操作数据进行参数分类，得到多个电器运行参数组合；
通过预置的动态权决策树模型，对所述多个电器运行参数组合进行动态权重系数计算，得到每个电器运行参数组合的目标权重系数；
根据所述目标权重系数，对所述多个电器运行参数组合以及所述多个物品特性参数进行矩阵转换，得到每个电器运行参数组合的目标权重矩阵；
将所述目标权重矩阵输入预置的压力控制分析模型进行最优化压力控制分析，得到最优压力控制方案。
结合第一方面，在本发明第一方面的第一种实现方式中，所述获取目标物品的多个物品特性参数和历史电器操作数据，并对所述历史电器操作数据进行参数分类，得到多个电器运行参数组合，包括：
获取目标物品的多个物品特性参数，并对所述目标物品进行电器操作测试，得到历史电器操作数据；
将所述历史电器操作数据输入预置的聚类分析模型，并通过所述聚类分析模型对所述历史电器操作数据进行聚类中心计算，得到多个初始聚类中心；
对所述历史电器操作数据与所述多个初始聚类中心进行距离计算，得到每个初始聚类中心的多个特征中心距，并对每个初始聚类中心的多个特征中心距进行平均值计算，得到每个初始聚类中心的的平均中心距；
通过所述平均中心距对所述多个初始聚类中心进行聚类中心校正，得到对应的多个目标聚类中心；
通过所述多个目标聚类中心，从所述历史电器操作数据提取对应的多个电器运行参数；
获取所述多个电器运行参数的测试关联关系，并根据所述测试关联关系，对所述多个电器运行参数进行参数关系组合，得到多个电器运行参数组合。
结合第一方面，在本发明第一方面的第二种实现方式中，所述通过预置的动态权决策树模型，对所述多个电器运行参数组合进行动态权重系数计算，得到每个电器运行参数组合的目标权重系数，包括：
根据电器运行参数组合定义初始输入节点，并根据预置的多个候选权重系数定义初始输出节点；
根据所述初始输入节点和所述初始输出节点，创建对应的动态权决策树模型；
分别将所述多个电器运行参数组合输入所述动态权决策树模型，并通过所述动态权决策树模型确定每个电器运行参数组合的目标输入节点；
根据所述动态权决策树模型对所述目标输入节点进行决策解析，得到目标输出节点；
根据所述目标输出节点确定每个电器运行参数组合的目标权重系数。
结合第一方面，在本发明第一方面的第三种实现方式中，所述根据所述目标权重系数，对所述多个电器运行参数组合以及所述多个物品特性参数进行矩阵转换，得到每个电器运行参数组合的目标权重矩阵，包括：
对所述多个物品特性参数进行标准化处理，得到多个物品特性标准值，并根据所述多个物品特性标准值和所述多个电器运行参数组合创建对应的每个电器运行参数组合对应的原始矩阵；
获取所述多个电器运行参数组合对应的目标物品评价数据，并根据所述目标物品评价数据创建每个电器运行参数组合对应的决策矩阵；
分别对所述决策矩阵和所述每个电器运行参数组合对应的原始矩阵进行矩阵融合，得到每个电器运行参数组合对应的融合矩阵；
根据所述目标权重系数，分别对每个电器运行参数组合对应的融合矩阵进行矩阵加权处理，得到每个电器运行参数组合的目标权重矩阵。
结合第一方面，在本发明第一方面的第四种实现方式中，所述将所述目标权重矩阵输入预置的压力控制分析模型进行最优化压力控制分析，得到最优压力控制方案，包括：
分别将所述目标权重矩阵输入预置的压力控制分析模型，其中，所述压力控制分析模型包括：特征预测层以及优化分析层；
通过所述特征预测层对所述目标权重矩阵进行特征预测计算，得到每个电器运行参数组合的特征预测值；
对所述特征预测值与所述目标物品评价数据进行偏差计算，得到目标偏差数据，并通过所述优化分析层，根据所述目标偏差数据对所述多个电器运行参数组合进行最优化分析，得到最优压力控制方案。
结合第一方面，在本发明第一方面的第五种实现方式中，所述通过所述特征预测层对所述目标权重矩阵进行特征预测计算，得到每个电器运行参数组合的特征预测值，包括：
将所述目标权重矩阵输入所述特征预测层，其中，所述特征预测层包括：双向长短时记忆网络以及两层全连接层；
通过所述双向长短时记忆网络中的第一层长短时记忆单元，对所述目标权重矩阵进行隐藏特征提取，得到前向隐藏特征矩阵；
通过所述双向长短时记忆网络中的第二层长短时记忆单元，对所述目标权重矩阵进行隐藏特征提取，得到后向隐藏特征矩阵；
对所述前向隐藏特征矩阵和所述后向隐藏特征矩阵进行矩阵融合，得到目标特征矩阵；
通过所述两层全连接层对所述目标特征矩阵进行特征预测，得到每个电器运行参数组合的特征预测值。
结合第一方面，在本发明第一方面的第六种实现方式中，所述对所述特征预测值与所述目标物品评价数据进行偏差计算，得到目标偏差数据，并通过所述优化分析层，根据所述目标偏差数据对所述多个电器运行参数组合进行最优化分析，得到最优压力控制方案，包括：
对所述特征预测值与所述目标物品评价数据进行偏差计算，得到目标偏差数据；
通过所述优化分析层中的遗传算法，根据所述目标偏差数据对所述多个电器运行参数组合进行群体初始化分析，得到初始化电器压力控制群体，其中，所述初始化电器压力控制群体包括多个第一候选压力控制方案；
分别计算每个第一候选压力控制方案的第一适应度值，并对所述第一适应度值Fm与第一适应度阈值S1和第二适应度阈值S2进行比较，其中，第一适应度阈值S1＜第二适应度阈值S2；
若第一适应度值Fm＜第一适应度阈值S1，则将对应的第一候选压力控制方案划分至第一压力控制方案群体，若第一适应度阈值S1＜第一适应度值Fm＜第二适应度阈值S2，则将对应的第一候选压力控制方案划分至第二压力控制方案群体，若第二适应度阈值S2＜第一适应度值Fm，则将对应的第一候选压力控制方案划分至第三压力控制方案群体；
对所述第一压力控制方案群体和所述第二压力控制方案群体进行繁殖、交叉和变异，并对所述第三压力控制方案群体进行交叉和变异，得到多个第二候选压力控制方案；
对所述多个第二候选压力控制方案进行适应度计算，得到每个第二候选压力控制方案的第二适应度值Fn，并根据所述第二适应度值Fn进行最优化分析，得到最优压力控制方案。
本发明第二方面提供了一种基于人工智能的电器压力控制系统，所述基于人工智能的电器压力控制系统包括：
获取模块，用于获取目标物品的多个物品特性参数和历史电器操作数据，并对所述历史电器操作数据进行参数分类，得到多个电器运行参数组合；
计算模块，用于通过预置的动态权决策树模型，对所述多个电器运行参数组合进行动态权重系数计算，得到每个电器运行参数组合的目标权重系数；
转换模块，用于根据所述目标权重系数，对所述多个电器运行参数组合以及所述多个物品特性参数进行矩阵转换，得到每个电器运行参数组合的目标权重矩阵；
分析模块，用于将所述目标权重矩阵输入预置的压力控制分析模型进行最优化压力控制分析，得到最优压力控制方案。
本发明第三方面提供了一种基于人工智能的电器压力控制设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于人工智能的电器压力控制设备执行上述的基于人工智能的电器压力控制方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于人工智能的电器压力控制方法。
本发明提供的技术方案中，获取目标物品的多个物品特性参数和历史电器操作数据，并对所述历史电器操作数据进行参数分类，得到多个电器运行参数组合；通过预置的动态权决策树模型，对所述多个电器运行参数组合进行动态权重系数计算，得到每个电器运行参数组合的目标权重系数；根据所述目标权重系数，对所述多个电器运行参数组合以及所述多个物品特性参数进行矩阵转换，得到每个电器运行参数组合的目标权重矩阵；将所述目标权重矩阵输入预置的压力控制分析模型进行最优化压力控制分析，得到最优压力控制方案，本发明使用动态权决策树模型来根据物品特性和历史数据智能调整电器的参数，从而实现更高水平的操作一致性。根据目标物品的特性自动调整电器的参数。这使得用户可以实现个性化的操作，满足口味和营养需求，无需手动设置或猜测操作时间和压力。通过动态权重计算和最优化分析，可以在实现相同操作效果的情况下减少能源消耗，从而提高能效。通过使用历史数据和物品特性参数，该方法采用了数据驱动的方法来优化操作过程，更细致地控制电器的操作参数，进而提高了电器的压力控制准确率。
附图说明
图1为本发明实施例中基于人工智能的电器压力控制方法的一个实施例示意图；
图2为本发明实施例中动态权重系数计算的流程图；
图3为本发明实施例中矩阵转换的流程图；
图4为本发明实施例中最优化压力控制分析的流程图；
图5为本发明实施例中基于人工智能的电器压力控制系统的一个实施例示意图；
图6为本发明实施例中基于人工智能的电器压力控制设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于人工智能的电器压力控制方法及系统，用于提高电器的压力控制准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于人工智能的电器压力控制方法的一个实施例包括：
S101、获取目标物品的多个物品特性参数和历史电器操作数据，并对历史电器操作数据进行参数分类，得到多个电器运行参数组合；
可以理解的是，本发明的执行主体可以为基于人工智能的电器压力控制系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器获取目标物品的多个特性参数和历史电器操作数据。目的是为了了解目标物品的性质以及获取关于历史操作过程的数据。例如，服务器了解目标物品的种类、质量、形状等特性参数，并通过电器的操作测试得到相关的历史操作数据。将历史电器操作数据输入预置的聚类分析模型中进行处理。这个模型的作用是将历史数据分成不同的簇或类别，以便更好地理解不同操作模式的特点。例如，聚类分析会将历史数据分成不同的操作模式，如快速操作、标准操作和慢操作。当完成数据聚类，接着进行多个初始聚类中心的计算。这些初始聚类中心代表了各自簇内的典型特征。对于每个初始聚类中心，可以计算与该中心相关的特征中心距，以反映不同操作模式的特性。通过使用平均中心距对初始聚类中心进行校正，得到多个目标聚类中心。这些目标聚类中心代表了不同电器运行参数组合的最佳选择，以满足目标物品的特性和需求。校正过程可确保服务器选择的聚类中心更能够反映目标物品的操作特性。从多个目标聚类中心中提取电器运行参数。这些参数代表了不同电器运行模式的关键设置，例如压力值、操作时间等。基于获取的电器运行参数，进行参数关系组合。这一步骤涉及确定不同参数之间的关系，以便在操作时做出最佳选择。例如，对于某个聚类中心，需要在高压下操作更长时间，而在低压下则需要更短的时间。
S102、通过预置的动态权决策树模型，对多个电器运行参数组合进行动态权重系数计算，得到每个电器运行参数组合的目标权重系数；
具体的，服务器根据电器运行参数组合定义初始输入节点，并根据预置的多个候选权重系数定义初始输出节点。这些节点是动态权决策树模型的基础，用于构建树结构。例如，对于电器，初始输入节点可以包括压力值、操作时间等参数，而初始输出节点可以是操作时间的权重系数和压力值的权重系数。根据初始输入节点和初始输出节点，创建对应的动态权决策树模型。这个模型将根据输入参数的不同组合来确定最佳的权重系数设置。动态权决策树模型是一个树形结构，其中每个节点代表一个决策点，以确定最终的权重系数。将多个电器运行参数组合分别输入到动态权决策树模型中，并通过模型确定每个电器运行参数组合的目标输入节点。这一步骤涉及模型的分析和决策过程，以确定每个参数组合的最佳输入节点。根据动态权决策树模型对目标输入节点进行决策解析，以得到目标输出节点。这一过程可以涉及多个决策点和条件，以确定最终的权重系数设置。动态权决策树模型允许根据不同的输入情况进行智能决策，以满足不同操作需求。根据目标输出节点确定每个电器运行参数组合的目标权重系数。这些权重系数将用于确定每个参数组合在特定条件下的重要性。例如，如果一个参数组合在操作某种物品时需要更长的时间，那么与时间相关的权重系数会更高。
S103、根据目标权重系数，对多个电器运行参数组合以及多个物品特性参数进行矩阵转换，得到每个电器运行参数组合的目标权重矩阵；
需要说明的是，服务器对多个物品特性参数进行标准化处理，以得到多个物品特性的标准值。标准化的目的是将各个参数的值映射到相似的尺度上，以便后续的计算和比较。例如，对于目标物品的湿度、重量等特性参数，可以进行标准化，将它们变换为在相同尺度上的数值。根据多个物品特性的标准值和多个电器运行参数组合，创建对应的每个电器运行参数组合的原始矩阵。这个原始矩阵将反映不同参数之间的关系，以及它们对操作结果的影响。例如，如果湿度对于某种物品的操作非常重要，那么相应的原始矩阵中的权重会更高。获取每个电器运行参数组合对应的目标物品评价数据，并根据这些评价数据创建每个电器运行参数组合的决策矩阵。决策矩阵将包含与目标物品的最终操作结果相关的数据。对每个电器运行参数组合的决策矩阵和原始矩阵进行矩阵融合。这一步骤的目的是将物品特性参数和电器运行参数组合的信息整合在一起，以便更好地理解它们之间的关系。融合可以采用不同的方法，如加权平均或乘积等，根据具体情况进行选择。根据目标权重系数，对每个电器运行参数组合的融合矩阵进行矩阵加权处理，得到每个电器运行参数组合的目标权重矩阵。这个权重矩阵将反映出在不同参数组合下，各个参数对于最终操作结果的重要性。权重系数的设定可以根据具体需求进行调整，以满足不同的操作要求。例如，假设服务器考虑了电器的两个运行参数：压力值和操作时间，以及两个物品特性参数：重量和形状。服务器对重量和形状进行标准化，得到它们的标准值。创建原始矩阵，反映了这些参数之间的关系。获取了不同电器运行参数组合下的目标物品评价数据。基于这些评价数据，服务器创建了每个参数组合的决策矩阵，其中包括了品质的权重。随后，服务器将原始矩阵和决策矩阵进行融合，以考虑物品特性和电器参数之间的关系。融合后的矩阵将包含更全面的信息，有助于更好地理解影响操作结果的因素。通过应用目标权重系数，服务器对融合矩阵进行加权处理，得到每个参数组合的目标权重矩阵。
S104、将目标权重矩阵输入预置的压力控制分析模型进行最优化压力控制分析，得到最优压力控制方案。
具体的，将目标权重矩阵输入到预置的压力控制分析模型中。这个模型通常包括两个关键部分：特征预测层和优化分析层。特征预测层的作用是对目标权重矩阵进行特征预测计算。特征预测值是根据目标权重矩阵的数据来预测每个电器运行参数组合的特征。通过特征预测，服务器得到每个参数组合的特征预测值。将特征预测值与目标物品评价数据进行比较，计算目标偏差数据。目标偏差数据反映了每个参数组合的特征预测与实际评价之间的差异。这个差异数据是为了了解当前参数设置下的操作效果与期望效果之间的偏差。通过优化分析层对目标偏差数据进行处理。在优化分析层，可以采用不同的优化算法，例如梯度下降法或遗传算法，根据目标偏差数据来寻找最佳的电器运行参数组合。最优化分析的目标是最小化目标偏差，以使操作结果更接近期望的评价标准。最终，根据最优化分析的结果，获得最优的压力控制方案。这个方案将包括最佳的电器运行参数设置，以确保实现了最接近目标特征和评价标准的操作效果。将这个矩阵输入到压力控制分析模型中。特征预测层会根据目标权重矩阵中的数据，预测每个电器运行参数组合。通过将这些预测值与实际评价数据进行比较，计算出目标偏差数据，反映了预测与实际之间的差异。通过优化分析层，利用目标偏差数据来确定最佳的电器运行参数设置。这涉及不同压力和时间组合的尝试，并通过优化算法来找到最小化目标偏差的参数组合。
其中，将目标权重矩阵传递给特征预测层，这是整个方法的起点。特征预测层的设计反映了深度学习神经网络的典型结构，能够处理序列型数据，并从中提取有关电器运行参数组合的关键特征。BiLSTM网络是特征预测层的关键组件，用于进行时序数据的处理。通过BiLSTM的第一层长短时记忆单元，服务器对目标权重矩阵进行前向隐藏特征提取。这一层负责捕获数据在正向传播过程中的特征。通过BiLSTM的第二层长短时记忆单元，服务器对目标权重矩阵进行后向隐藏特征提取。这一层捕获了数据在反向传播过程中的特征，使服务器能够全面了解电器运行参数组合的影响。前向隐藏特征矩阵和后向隐藏特征矩阵随后合并，形成目标特征矩阵。这一步骤是为了综合前向和后向隐藏特征，以便更全面地表示电器运行参数组合的特征。目标特征矩阵通过两层全连接层进行特征预测。这两层全连接层允许进行非线性变换和组合，从而生成每个电器运行参数组合的特征预测值。这些预测值反映了不同参数组合对于操作结果特征的影响。例如，考虑在电器中操作不同类型的汤品。服务器将目标权重矩阵传递给特征预测层，其中包括关于味道和浓度的权重系数。BiLSTM的第一层将提取出汤的前向隐藏特征，包括操作时间和温度等参数的影响。第二层BiLSTM则提取后向隐藏特征，捕获这些参数在反向传播中的影响。通过合并这些特征，目标特征矩阵综合了各个参数对于汤品味道和浓度的影响。通过两层全连接层进行特征预测，得到每个参数组合的预测值。
其中，特征预测值与目标物品评价数据进行偏差计算，从而得到目标偏差数据。这个过程有助于揭示出预测值与实际评价之间的差异，为进一步的优化提供了基础。通过优化分析层中的遗传算法，根据目标偏差数据对多个电器运行参数组合进行群体初始化分析。这一步骤创建了初始化电器压力控制群体，其中包括多个第一候选压力控制方案。这些方案代表了不同的压力控制策略。对每个第一候选压力控制方案计算第一适应度值，并将它们与第一适应度阈值S1和第二适应度阈值S2进行比较。这个比较用于筛选出最具前景的方案，分为三个压力控制方案群体。第一压力控制方案群体包含了那些适应度值明显高于阈值S1的方案，第二压力控制方案群体包含了适应度值介于阈值S1和S2之间的方案，而第三压力控制方案群体包含了适应度值高于阈值S2的方案。通过对第一压力控制方案群体和第二压力控制方案群体进行繁殖、交叉和变异，以及对第三压力控制方案群体进行交叉和变异，得到多个第二候选压力控制方案。这个步骤旨在进一步探索潜在的压力控制策略。对多个第二候选压力控制方案进行适应度计算，以获得每个方案的第二适应度值Fn。根据这些适应度值，进行最优化分析，以确定哪个压力控制方案在给定的操作场景中表现最佳。这个方法的关键之处在于它的自动化和智能化，可以根据目标偏差数据自动选择最佳的电器压力控制方案，从而实现了高效、精确和可重复的操作。这种方法可以在不同的操作应用中发挥重要作用，确保物品的质量，提高了操作的便利性和可靠性。
本发明实施例中，获取目标物品的多个物品特性参数和历史电器操作数据，并对历史电器操作数据进行参数分类，得到多个电器运行参数组合；通过预置的动态权决策树模型，对多个电器运行参数组合进行动态权重系数计算，得到每个电器运行参数组合的目标权重系数；根据目标权重系数，对多个电器运行参数组合以及多个物品特性参数进行矩阵转换，得到每个电器运行参数组合的目标权重矩阵；将目标权重矩阵输入预置的压力控制分析模型进行最优化压力控制分析，得到最优压力控制方案，本发明使用动态权决策树模型来根据物品特性和历史数据智能调整电器的参数，从而实现更高水平的操作一致性。根据目标物品的特性自动调整电器的参数。这使得用户可以实现个性化的操作，满足口味和营养需求，无需手动设置或猜测操作时间和压力。通过动态权重计算和最优化分析，可以在实现相同操作效果的情况下减少能源消耗，从而提高能效。通过使用历史数据和物品特性参数，该方法采用了数据驱动的方法来优化操作过程，更细致地控制电器的操作参数，进而提高了电器的压力控制准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取目标物品的多个物品特性参数，并对目标物品进行电器操作测试，得到历史电器操作数据；
（2）将历史电器操作数据输入预置的聚类分析模型，并通过聚类分析模型对历史电器操作数据进行聚类中心计算，得到多个初始聚类中心；
（3）对历史电器操作数据与多个初始聚类中心进行距离计算，得到每个初始聚类中心的多个特征中心距，并对每个初始聚类中心的多个特征中心距进行平均值计算，得到每个初始聚类中心的的平均中心距；
（4）通过平均中心距对多个初始聚类中心进行聚类中心校正，得到对应的多个目标聚类中心；
（5）通过多个目标聚类中心，从历史电器操作数据提取对应的多个电器运行参数；
（6）获取多个电器运行参数的测试关联关系，并根据测试关联关系，对多个电器运行参数进行参数关系组合，得到多个电器运行参数组合。
具体的，服务器获取目标物品的多个物品特性参数。这些参数可以包括物品的种类、重量、体积、湿度等。这些参数将有助于服务器了解物品的特性，以便更好地进行操作。服务器进行电器操作测试，以获取历史电器操作数据。这些数据将包括电器的运行参数（如压力、温度、时间等）以及操作结果（如物品状态等）。这些数据将成为后续分析的基础。服务器将历史电器操作数据输入预置的聚类分析模型。这个模型将帮助服务器识别不同操作场景或物品特性的聚类中心。聚类中心是一组数据点，代表了数据集中的典型特征。通过聚类分析模型，服务器计算多个初始聚类中心，这些中心代表了历史操作数据中不同聚类的核心特征。服务器对历史电器操作数据与多个初始聚类中心进行距离计算。这个计算将帮助服务器确定每个初始聚类中心的多个特征中心距离，即每个特征与聚类中心的相似性程度。服务器计算每个初始聚类中心的多个特征中心距离的平均值，得到每个初始聚类中心的平均中心距离。这个平均中心距离将有助于服务器确定哪些初始聚类中心更接近于历史数据的整体特征。通过平均中心距离，服务器进行聚类中心校正，以获得多个目标聚类中心。这个步骤将确保服务器的聚类中心更准确地代表了历史数据中的操作场景或物品特性。通过多个目标聚类中心，服务器从历史电器操作数据中提取对应的多个电器运行参数。这些参数将根据不同的聚类中心进行选择，以满足特定操作场景或物品特性的需求。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、根据电器运行参数组合定义初始输入节点，并根据预置的多个候选权重系数定义初始输出节点；
S202、根据初始输入节点和初始输出节点，创建对应的动态权决策树模型；
S203、分别将多个电器运行参数组合输入动态权决策树模型，并通过动态权决策树模型确定每个电器运行参数组合的目标输入节点；
S204、根据动态权决策树模型对目标输入节点进行决策解析，得到目标输出节点；
S205、根据目标输出节点确定每个电器运行参数组合的目标权重系数。
具体的，服务器建立一个动态权决策树模型。这个模型将帮助确定每个电器运行参数组合的目标输入节点，然后通过决策解析来获得目标输出节点，最终确定每个电器运行参数组合的目标权重系数。动态权决策树模型是一个数学模型，它由输入节点、输出节点以及中间的决策节点构成。根据电器运行参数组合定义初始输入节点，这些输入节点可以代表各种电器的运行参数，例如温度、压力、时间等等。同时，根据预置的多个候选权重系数定义初始输出节点，这些输出节点可以表示不同的权重组合，用于计算目标权重系数。根据初始输入节点和初始输出节点，创建对应的动态权决策树模型。这个模型将用于分析输入节点和输出节点之间的关系，并在其中进行决策。动态权决策树模型的关键部分是它的决策节点，这些节点根据输入节点的值来判断应该采用哪个输出节点的权重系数。将多个电器运行参数组合分别输入到动态权决策树模型中。模型会根据每个参数组合的输入值来确定对应的目标输入节点。这些目标输入节点将进一步用于决策解析，模型会根据输入值的不同路径来选择最合适的输出节点，从而得到目标输出节点。根据目标输出节点确定每个电器运行参数组合的目标权重系数。这些权重系数反映了不同参数组合对于电器的性能和效果的重要性，可以用于优化压力控制方案，以实现最佳操作结果。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、对多个物品特性参数进行标准化处理，得到多个物品特性标准值，并根据多个物品特性标准值和多个电器运行参数组合创建对应的每个电器运行参数组合对应的原始矩阵；
S302、获取多个电器运行参数组合对应的目标物品评价数据，并根据目标物品评价数据创建每个电器运行参数组合对应的决策矩阵；
S303、分别对决策矩阵和每个电器运行参数组合对应的原始矩阵进行矩阵融合，得到每个电器运行参数组合对应的融合矩阵；
S304、根据目标权重系数，分别对每个电器运行参数组合对应的融合矩阵进行矩阵加权处理，得到每个电器运行参数组合的目标权重矩阵。
具体的，服务器收集多个物品特性参数的数据，这些参数包括物品的重量、体积、湿度等等。对这些参数进行标准化处理，以确保它们具有相似的尺度，这有助于后续的计算和比较。标准化的过程通常包括计算均值和标准差，然后将每个参数值减去均值并除以标准差，以获得标准化的数值。这将确保所有参数都以零为中心，并具有相似的尺度。对于每个电器运行参数组合，将标准化后的物品特性参数值组合成一个矩阵。每一行代表一个参数组合，每一列代表一个标准化后的物品特性参数。这个矩阵将反映出每个参数组合的原始特性。获取多个电器运行参数组合对应的目标物品评价数据，这些数据可以包括操作时间、质地等等。根据这些目标评价数据，创建一个决策矩阵。在决策矩阵中，每一行代表一个参数组合，每一列代表一个目标评价因素。可以使用数字或者评分来表示每个参数组合在不同评价因素下的表现。将决策矩阵和原始矩阵进行融合。这可以通过将两个矩阵按列连接来实现，形成一个更大的矩阵。这个融合后的矩阵将反映出每个参数组合的原始特性和对应的目标评价数据。使用目标权重系数对融合矩阵进行加权处理。目标权重系数反映了不同评价因素的重要性，这些系数通常由领域专家或者利益相关者提供。对于每个参数组合，将融合矩阵的每一列（对应不同评价因素）与相应的权重系数相乘，然后将结果相加，以获得每个参数组合的目标权重矩阵。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、分别将目标权重矩阵输入预置的压力控制分析模型，其中，压力控制分析模型包括：特征预测层以及优化分析层；
S402、通过特征预测层对目标权重矩阵进行特征预测计算，得到每个电器运行参数组合的特征预测值；
S403、对特征预测值与目标物品评价数据进行偏差计算，得到目标偏差数据，并通过优化分析层，根据目标偏差数据对多个电器运行参数组合进行最优化分析，得到最优压力控制方案。
具体的，服务器将目标权重矩阵输入预置的压力控制分析模型，这个模型包括特征预测层以及优化分析层。这个模型将帮助服务器分析电器运行参数组合与目标权重之间的关系。通过特征预测层对目标权重矩阵进行特征预测计算。特征预测层可以采用各种机器学习或深度学习方法，例如神经网络，来学习目标权重矩阵中的特征之间的复杂关系。这将生成每个电器运行参数组合的特征预测值。将特征预测值与目标物品评价数据进行比较，计算目标偏差数据。目标偏差数据反映了每个电器运行参数组合在实际运行中与目标评价之间的差距。这可以通过简单的数学运算来实现，例如计算预测值与实际值之间的差异。通过优化分析层，根据目标偏差数据对多个电器运行参数组合进行最优化分析。这可以使用各种优化算法，例如遗传算法、梯度下降等等，来寻找最优的电器参数组合，以使目标偏差最小化或达到特定的目标。
在一具体实施例中，执行步骤S402的过程可以具体包括如下步骤：
（1）将目标权重矩阵输入特征预测层，其中，特征预测层包括：双向长短时记忆网络以及两层全连接层；
（2）通过双向长短时记忆网络中的第一层长短时记忆单元，对目标权重矩阵进行隐藏特征提取，得到前向隐藏特征矩阵；
（3）通过双向长短时记忆网络中的第二层长短时记忆单元，对目标权重矩阵进行隐藏特征提取，得到后向隐藏特征矩阵；
（4）对前向隐藏特征矩阵和后向隐藏特征矩阵进行矩阵融合，得到目标特征矩阵；
（5）通过两层全连接层对目标特征矩阵进行特征预测，得到每个电器运行参数组合的特征预测值。
具体的，将目标权重矩阵输入特征预测层，这个特征预测层包括双向长短时记忆网络（Bi-LSTM）以及两层全连接层。这个层将帮助服务器提取目标权重矩阵中的隐藏特征。通过双向长短时记忆网络中的第一层长短时记忆单元，对目标权重矩阵进行隐藏特征提取，得到前向隐藏特征矩阵。通过双向长短时记忆网络中的第二层长短时记忆单元，对目标权重矩阵进行隐藏特征提取，得到后向隐藏特征矩阵。这两个步骤使用了LSTM网络来捕捉目标权重矩阵中的时序和依赖关系，将信息从前往后和从后往前都考虑了进去。将前向隐藏特征矩阵和后向隐藏特征矩阵进行矩阵融合，得到目标特征矩阵。这可以通过简单的矩阵运算，如拼接、加权平均等来实现。通过两层全连接层对目标特征矩阵进行特征预测，得到每个电器运行参数组合的特征预测值。全连接层将目标特征矩阵映射到特征预测值空间，使得服务器能够对电器的运行参数组合进行预测。服务器将目标权重矩阵输入特征预测层，Bi-LSTM网络将分别提取前向和后向的隐藏特征，考虑到权重矩阵中存在的时序和依赖关系。服务器将前向和后向隐藏特征矩阵进行融合，得到目标特征矩阵。通过两层全连接层，服务器将目标特征矩阵映射到特征预测值空间，得到每个电器运行参数组合的特征预测值。
在一具体实施例中，执行步骤S403的过程可以具体包括如下步骤：
（1）对特征预测值与目标物品评价数据进行偏差计算，得到目标偏差数据；
（2）通过优化分析层中的遗传算法，根据目标偏差数据对多个电器运行参数组合进行群体初始化分析，得到初始化电器压力控制群体，其中，初始化电器压力控制群体包括多个第一候选压力控制方案；
（3）分别计算每个第一候选压力控制方案的第一适应度值，并对第一适应度值Fm与第一适应度阈值S1和第二适应度阈值S2进行比较，其中，第一适应度阈值S1＜第二适应度阈值S2；
（4）若第一适应度值Fm＜第一适应度阈值S1，则将对应的第一候选压力控制方案划分至第一压力控制方案群体，若第一适应度阈值S1＜第一适应度值Fm＜第二适应度阈值S2，则将对应的第一候选压力控制方案划分至第二压力控制方案群体，若第二适应度阈值S2＜第一适应度值Fm，则将对应的第一候选压力控制方案划分至第三压力控制方案群体；
（5）对第一压力控制方案群体和第二压力控制方案群体进行繁殖、交叉和变异，并对第三压力控制方案群体进行交叉和变异，得到多个第二候选压力控制方案；
（6）对多个第二候选压力控制方案进行适应度计算，得到每个第二候选压力控制方案的第二适应度值Fn，并根据第二适应度值Fn进行最优化分析，得到最优压力控制方案。
具体的，将特征预测值与目标物品评价数据进行比较，计算每个特征预测值与相应目标的偏差，得到目标偏差数据。这些偏差数据表示了特征预测与目标之间的差异，用于后续的优化分析。使用优化分析层中的遗传算法，根据目标偏差数据进行群体初始化分析。创建一个初始的电器压力控制群体，该群体包括多个第一候选压力控制方案。这些方案是潜在的电器参数设置。对每个第一候选压力控制方案进行适应度计算，计算它们在满足目标偏差数据方面的性能。将它们分成不同的群体，基于第一适应度值Fm与第一适应度阈值S1和第二适应度阈值S2的比较。具体的分组方式如下：若第一适应度值Fm小于第一适应度阈值S1，则将对应的第一候选压力控制方案划分至第一压力控制方案群体；若第一适应度阈值S1小于第一适应度值Fm但小于第二适应度阈值S2，则将对应的第一候选压力控制方案划分至第二压力控制方案群体；若第二适应度阈值S2小于第一适应度值Fm，则将对应的第一候选压力控制方案划分至第三压力控制方案群体。对第一压力控制方案群体和第二压力控制方案群体进行繁殖、交叉和变异操作，以生成多个第二候选压力控制方案。这些操作帮助改进参数组合，使其更好地满足目标偏差数据。对多个第二候选压力控制方案进行适应度计算，计算它们的第二适应度值Fn。基于第二适应度值Fn进行最优化分析，以确定哪个压力控制方案最能满足目标偏差数据。这将帮助确定最优的电器压力控制方案。通过遗传算法，服务器生成了一个初始化的电器压力控制群体，包括了多个第一候选压力控制方案。服务器对这些方案进行了适应度计算，将它们分成三个群体，分别是第一、第二和第三压力控制方案群体。在这个示例中，第一适应度阈值S1用于分隔第一和第二群体，第二适应度阈值S2用于分隔第二和第三群体。服务器对第一和第二压力控制方案群体进行了繁殖、交叉和变异操作，生成了多个第二候选压力控制方案。这些方案经过适应度计算后，服务器根据第二适应度值Fn进行了最优化分析，最终确定了最优的电器压力控制方案，以满足预设目标。
上面对本发明实施例中基于人工智能的电器压力控制方法进行了描述，下面对本发明实施例中基于人工智能的电器压力控制系统进行描述，请参阅图5，本发明实施例中基于人工智能的电器压力控制系统一个实施例包括：
获取模块501，用于获取目标物品的多个物品特性参数和历史电器操作数据，并对所述历史电器操作数据进行参数分类，得到多个电器运行参数组合；
计算模块502，用于通过预置的动态权决策树模型，对所述多个电器运行参数组合进行动态权重系数计算，得到每个电器运行参数组合的目标权重系数；
转换模块503，用于根据所述目标权重系数，对所述多个电器运行参数组合以及所述多个物品特性参数进行矩阵转换，得到每个电器运行参数组合的目标权重矩阵；
分析模块504，用于将所述目标权重矩阵输入预置的压力控制分析模型进行最优化压力控制分析，得到最优压力控制方案。
通过上述各个组成部分的协同合作，获取目标物品的多个物品特性参数和历史电器操作数据，并对所述历史电器操作数据进行参数分类，得到多个电器运行参数组合；通过预置的动态权决策树模型，对所述多个电器运行参数组合进行动态权重系数计算，得到每个电器运行参数组合的目标权重系数；根据所述目标权重系数，对所述多个电器运行参数组合以及所述多个物品特性参数进行矩阵转换，得到每个电器运行参数组合的目标权重矩阵；将所述目标权重矩阵输入预置的压力控制分析模型进行最优化压力控制分析，得到最优压力控制方案，本发明使用动态权决策树模型来根据物品特性和历史数据智能调整电器的参数，从而实现更高水平的操作一致性。根据目标物品的特性自动调整电器的参数。这使得用户可以实现个性化的操作，满足口味和营养需求，无需手动设置或猜测操作时间和压力。通过动态权重计算和最优化分析，可以在实现相同操作效果的情况下减少能源消耗，从而提高能效。通过使用历史数据和物品特性参数，该方法采用了数据驱动的方法来优化操作过程，更细致地控制电器的操作参数，进而提高了电器的压力控制准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于人工智能的电器压力控制系统进行详细描述，下面从硬件处理的角度对本发明实施例中基于人工智能的电器压力控制设备进行详细描述。
图6是本发明实施例提供的一种基于人工智能的电器压力控制设备的结构示意图，该基于人工智能的电器压力控制设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于人工智能的电器压力控制设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在基于人工智能的电器压力控制设备600上执行存储介质630中的一系列指令操作。
基于人工智能的电器压力控制设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的基于人工智能的电器压力控制设备结构并不构成对基于人工智能的电器压力控制设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于人工智能的电器压力控制设备，所述基于人工智能的电器压力控制设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于人工智能的电器压力控制方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于人工智能的电器压力控制方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的电器压力控制方法，其特征在于，所述基于人工智能的电器压力控制方法包括：
获取目标物品的多个物品特性参数和历史电器操作数据，并对所述历史电器操作数据进行参数分类，得到多个电器运行参数组合；
通过预置的动态权决策树模型，对所述多个电器运行参数组合进行动态权重系数计算，得到每个电器运行参数组合的目标权重系数；
根据所述目标权重系数，对所述多个电器运行参数组合以及所述多个物品特性参数进行矩阵转换，得到每个电器运行参数组合的目标权重矩阵；
将所述目标权重矩阵输入预置的压力控制分析模型进行最优化压力控制分析，得到最优压力控制方案。
2.根据权利要求1所述的基于人工智能的电器压力控制方法，其特征在于，所述获取目标物品的多个物品特性参数和历史电器操作数据，并对所述历史电器操作数据进行参数分类，得到多个电器运行参数组合，包括：
获取目标物品的多个物品特性参数，并对所述目标物品进行电器操作测试，得到历史电器操作数据；
将所述历史电器操作数据输入预置的聚类分析模型，并通过所述聚类分析模型对所述历史电器操作数据进行聚类中心计算，得到多个初始聚类中心；
对所述历史电器操作数据与所述多个初始聚类中心进行距离计算，得到每个初始聚类中心的多个特征中心距，并对每个初始聚类中心的多个特征中心距进行平均值计算，得到每个初始聚类中心的的平均中心距；
通过所述平均中心距对所述多个初始聚类中心进行聚类中心校正，得到对应的多个目标聚类中心；
通过所述多个目标聚类中心，从所述历史电器操作数据提取对应的多个电器运行参数；
获取所述多个电器运行参数的测试关联关系，并根据所述测试关联关系，对所述多个电器运行参数进行参数关系组合，得到多个电器运行参数组合。
3.根据权利要求1所述的基于人工智能的电器压力控制方法，其特征在于，所述通过预置的动态权决策树模型，对所述多个电器运行参数组合进行动态权重系数计算，得到每个电器运行参数组合的目标权重系数，包括：
根据电器运行参数组合定义初始输入节点，并根据预置的多个候选权重系数定义初始输出节点；
根据所述初始输入节点和所述初始输出节点，创建对应的动态权决策树模型；
分别将所述多个电器运行参数组合输入所述动态权决策树模型，并通过所述动态权决策树模型确定每个电器运行参数组合的目标输入节点；
根据所述动态权决策树模型对所述目标输入节点进行决策解析，得到目标输出节点；
根据所述目标输出节点确定每个电器运行参数组合的目标权重系数。
4.根据权利要求1所述的基于人工智能的电器压力控制方法，其特征在于，所述根据所述目标权重系数，对所述多个电器运行参数组合以及所述多个物品特性参数进行矩阵转换，得到每个电器运行参数组合的目标权重矩阵，包括：
对所述多个物品特性参数进行标准化处理，得到多个物品特性标准值，并根据所述多个物品特性标准值和所述多个电器运行参数组合创建对应的每个电器运行参数组合对应的原始矩阵；
获取所述多个电器运行参数组合对应的目标物品评价数据，并根据所述目标物品评价数据创建每个电器运行参数组合对应的决策矩阵；
分别对所述决策矩阵和所述每个电器运行参数组合对应的原始矩阵进行矩阵融合，得到每个电器运行参数组合对应的融合矩阵；
根据所述目标权重系数，分别对每个电器运行参数组合对应的融合矩阵进行矩阵加权处理，得到每个电器运行参数组合的目标权重矩阵。
5.根据权利要求4所述的基于人工智能的电器压力控制方法，其特征在于，所述将所述目标权重矩阵输入预置的压力控制分析模型进行最优化压力控制分析，得到最优压力控制方案，包括：
分别将所述目标权重矩阵输入预置的压力控制分析模型，其中，所述压力控制分析模型包括：特征预测层以及优化分析层；
通过所述特征预测层对所述目标权重矩阵进行特征预测计算，得到每个电器运行参数组合的特征预测值；
对所述特征预测值与所述目标物品评价数据进行偏差计算，得到目标偏差数据，并通过所述优化分析层，根据所述目标偏差数据对所述多个电器运行参数组合进行最优化分析，得到最优压力控制方案。
6.根据权利要求5所述的基于人工智能的电器压力控制方法，其特征在于，所述通过所述特征预测层对所述目标权重矩阵进行特征预测计算，得到每个电器运行参数组合的特征预测值，包括：
将所述目标权重矩阵输入所述特征预测层，其中，所述特征预测层包括：双向长短时记忆网络以及两层全连接层；
通过所述双向长短时记忆网络中的第一层长短时记忆单元，对所述目标权重矩阵进行隐藏特征提取，得到前向隐藏特征矩阵；
通过所述双向长短时记忆网络中的第二层长短时记忆单元，对所述目标权重矩阵进行隐藏特征提取，得到后向隐藏特征矩阵；
对所述前向隐藏特征矩阵和所述后向隐藏特征矩阵进行矩阵融合，得到目标特征矩阵；
通过所述两层全连接层对所述目标特征矩阵进行特征预测，得到每个电器运行参数组合的特征预测值。
7.根据权利要求6所述的基于人工智能的电器压力控制方法，其特征在于，所述对所述特征预测值与所述目标物品评价数据进行偏差计算，得到目标偏差数据，并通过所述优化分析层，根据所述目标偏差数据对所述多个电器运行参数组合进行最优化分析，得到最优压力控制方案，包括：
对所述特征预测值与所述目标物品评价数据进行偏差计算，得到目标偏差数据；
通过所述优化分析层中的遗传算法，根据所述目标偏差数据对所述多个电器运行参数组合进行群体初始化分析，得到初始化电器压力控制群体，其中，所述初始化电器压力控制群体包括多个第一候选压力控制方案；
分别计算每个第一候选压力控制方案的第一适应度值，并对所述第一适应度值Fm与第一适应度阈值S1和第二适应度阈值S2进行比较，其中，第一适应度阈值S1＜第二适应度阈值S2；
若第一适应度值Fm＜第一适应度阈值S1，则将对应的第一候选压力控制方案划分至第一压力控制方案群体，若第一适应度阈值S1＜第一适应度值Fm＜第二适应度阈值S2，则将对应的第一候选压力控制方案划分至第二压力控制方案群体，若第二适应度阈值S2＜第一适应度值Fm，则将对应的第一候选压力控制方案划分至第三压力控制方案群体；
对所述第一压力控制方案群体和所述第二压力控制方案群体进行繁殖、交叉和变异，并对所述第三压力控制方案群体进行交叉和变异，得到多个第二候选压力控制方案；
对所述多个第二候选压力控制方案进行适应度计算，得到每个第二候选压力控制方案的第二适应度值Fn，并根据所述第二适应度值Fn进行最优化分析，得到最优压力控制方案。
8.一种基于人工智能的电器压力控制系统，其特征在于，所述基于人工智能的电器压力控制系统包括：
获取模块，用于获取目标物品的多个物品特性参数和历史电器操作数据，并对所述历史电器操作数据进行参数分类，得到多个电器运行参数组合；
计算模块，用于通过预置的动态权决策树模型，对所述多个电器运行参数组合进行动态权重系数计算，得到每个电器运行参数组合的目标权重系数；
转换模块，用于根据所述目标权重系数，对所述多个电器运行参数组合以及所述多个物品特性参数进行矩阵转换，得到每个电器运行参数组合的目标权重矩阵；
分析模块，用于将所述目标权重矩阵输入预置的压力控制分析模型进行最优化压力控制分析，得到最优压力控制方案。
9.一种基于人工智能的电器压力控制设备，其特征在于，所述基于人工智能的电器压力控制设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于人工智能的电器压力控制设备执行如权利要求1-7中任一项所述的基于人工智能的电器压力控制方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于人工智能的电器压力控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311327519.6A CN117234251A (zh) | 2023-10-13 | 2023-10-13 | 一种基于人工智能的电器压力控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311327519.6A CN117234251A (zh) | 2023-10-13 | 2023-10-13 | 一种基于人工智能的电器压力控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117234251A true CN117234251A (zh) | 2023-12-15 |
Family
ID=89091126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311327519.6A Pending CN117234251A (zh) | 2023-10-13 | 2023-10-13 | 一种基于人工智能的电器压力控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117234251A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118536785A (zh) * | 2024-07-26 | 2024-08-23 | 南通智恒塑胶制品有限公司 | Pvc皮球自动充气调控系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105629792A (zh) * | 2016-02-23 | 2016-06-01 | 德奥通用航空股份有限公司 | 基于烹饪模型的烹饪方法及系统 |
| US20180338354A1 (en) * | 2017-05-19 | 2018-11-22 | Hatco Corporation | Pattern recognizing appliance |
| CN111290446A (zh) * | 2020-01-19 | 2020-06-16 | 广东美的厨房电器制造有限公司 | 控制方法、烹饪电器及计算机可读存储介质 |
| CN111513548A (zh) * | 2020-04-29 | 2020-08-11 | 珠海格力电器股份有限公司 | 电饭煲气泵控制方法、装置、电饭煲和存储介质 |
-
2023
- 2023-10-13 CN CN202311327519.6A patent/CN117234251A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105629792A (zh) * | 2016-02-23 | 2016-06-01 | 德奥通用航空股份有限公司 | 基于烹饪模型的烹饪方法及系统 |
| US20180338354A1 (en) * | 2017-05-19 | 2018-11-22 | Hatco Corporation | Pattern recognizing appliance |
| CN111290446A (zh) * | 2020-01-19 | 2020-06-16 | 广东美的厨房电器制造有限公司 | 控制方法、烹饪电器及计算机可读存储介质 |
| CN111513548A (zh) * | 2020-04-29 | 2020-08-11 | 珠海格力电器股份有限公司 | 电饭煲气泵控制方法、装置、电饭煲和存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118536785A (zh) * | 2024-07-26 | 2024-08-23 | 南通智恒塑胶制品有限公司 | Pvc皮球自动充气调控系统 |
| CN118536785B (zh) * | 2024-07-26 | 2024-10-25 | 南通智恒塑胶制品有限公司 | Pvc皮球自动充气调控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109659933B (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
| US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
| Raissi et al. | Statistical process optimization through multi-response surface methodology | |
| US7340440B2 (en) | Hybrid neural network generation system and method | |
| CN111148118A (zh) | 基于时间序列的流量预测和载波关断方法和系统 | |
| CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
| CN117234251A (zh) | 一种基于人工智能的电器压力控制方法及系统 | |
| CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
| CN110781595A (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
| CN115510042A (zh) | 基于生成对抗网络的电力系统负荷数据填补方法及装置 | |
| CN116401954A (zh) | 一种锂电池循环寿命的预测方法、预测装置、设备及介质 | |
| CN114881106A (zh) | 一种基于mpa-svm的变压器故障诊断方法及装置 | |
| US11386332B2 (en) | Optimization calculation method and information processing apparatus | |
| CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
| CN114897451A (zh) | 考虑需求响应用户关键特征的双层聚类修正方法及装置 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN117851781A (zh) | 一种家电需求预测方法、装置、计算机设备和储存介质 | |
| CN117520818A (zh) | 一种电力指纹识别方法、装置、电子设备及存储介质 | |
| CN117436029A (zh) | 一种多个大模型串行协作融合的方法和系统 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN116307199A (zh) | 一种电力系统负荷预测方法 | |
| CN110443374B (zh) | 一种资源信息处理方法、装置及设备 | |
| CN117828314B (zh) | 充电枪绝缘电阻测试方法、装置、设备及存储介质 | |
| CN117439146B (zh) | 充电桩的数据分析控制方法及系统 | |
| CN117216375A (zh) | 一种信息推荐的训练方法、系统及存储介质和服务器 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: No. 31 Hehua Road, Baiyang Street, Wuyi County, Jinhua City, Zhejiang Province 321000 (self declared) Applicant after: Zhejiang Kangbach Technology Co.,Ltd. Address before: 321000 No. 23 Hehua Road, Baiyang Street, Wuyi County, Jinhua City, Zhejiang Province (self declared) Applicant before: Zhejiang Bach kitchenware Co.,Ltd. Country or region before: China |