CN117492380B - 智能家居的中央控制系统的控制方法和控制装置 - Google Patents
智能家居的中央控制系统的控制方法和控制装置 Download PDFInfo
- Publication number
- CN117492380B CN117492380B CN202311854753.4A CN202311854753A CN117492380B CN 117492380 B CN117492380 B CN 117492380B CN 202311854753 A CN202311854753 A CN 202311854753A CN 117492380 B CN117492380 B CN 117492380B
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- scene
- current
- history
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000003062 neural network model Methods 0.000 claims abstract description 111
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 230000007613 environmental effect Effects 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 19
- 238000005286 illumination Methods 0.000 claims description 10
- 238000005265 energy consumption Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012880 independent component analysis Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000008358 core component Substances 0.000 description 4
- 238000000556 factor analysis Methods 0.000 description 4
- 238000007654 immersion Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 239000000779 smoke Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003068 static 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
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)
- Selective Calling Equipment (AREA)
Abstract
本申请提供了一种智能家居的中央控制系统的控制方法和控制装置。该方法包括：获取当前场景、当前环境数据以及目标神经网络模型，并将当前场景、当前环境数据输入至目标神经网络模型中，得到当前调整指令，目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令；控制中央控制系统执行当前调整指令以调整智能家居的工作状态。解决了现有技术中的智能家居的中控系统的场景设置后难以满足用户需求的问题。
Description
技术领域
本申请涉及智能家居领域，具体而言，涉及一种智能家居的中央控制系统的控制方法、控制装置、计算机可读存储介质以及智能家居系统。
背景技术
随着全屋智能技术的快速发展和更迭，智能中控设备也随之逐步升级。智能中控作为智能家居中的核心中央控制系统，可以实现对于室内所连接设备的统一集成控制。然而，对于需要同时操作控制的场景，用户同一时间进行多次控制会较为繁琐，且场景执行均为固定前期设置参数，很多时候不能完全符合客户即时需求，影响用户体验。
因此，亟需一种方法可以解决现有技术中的智能家居的中控系统的场景设置后难以满足用户需求的问题。
发明内容
本申请的主要目的在于提供一种智能家居的中央控制系统的控制方法、控制装置、计算机可读存储介质以及智能家居系统，以至少解决现有技术中智能家居的中控系统的场景设置后难以满足用户需求的问题。
根据本申请的一方面，提供了获取当前场景、当前环境数据以及目标神经网络模型，并将所述当前场景、所述当前环境数据输入至目标神经网络模型中，得到当前调整指令，其中，所述目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组所述历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令，所述历史场景为在当前时刻前对应的所述中央控制系统的预先设置的家居生活场景，所述历史场景包括多个用于控制所述智能家居的工作状态的历史控制指令，所述历史环境数据为所述中央控制系统所处的历史环境对应的数据，所述历史调整指令用于控制所述中央控制系统，所述当前场景为所述当前时刻对应的所述中央控制系统的预先设置的家居生活场景，所述当前环境数据为所述中央控制系统所处的当前环境对应的数据，所述历史环境数据对应的时刻位于所述当前环境数据对应的时刻之前；控制所述中央控制系统执行所述当前调整指令以调整所述智能家居的工作状态。
可选地，获取历史环境数据，包括以下至少之一：获取所述当前时刻前所述中央控制系统接收到的光照强度数据；获取所述当前时刻前所述中央控制系统的室内温度和所述当前时刻前所述中央控制系统的室外温度；获取所述当前时刻前所述中央控制系统的湿度数据；获取所述当前时刻前所述中央控制系统对应的日出时刻数据和所述当前时刻前所述中央控制系统对应的日落时刻数据。
可选地，获取历史场景、历史环境数据以及历史调整指令，包括：获取初始历史场景数据、初始历史环境数据以及初始历史调整指令数据；对所述初始历史场景数据进行数据降维预处理，得到所述历史场景；对所述初始历史环境数据进行所述数据降维预处理，得到所述历史环境数据；对所述初始历史调整指令数据进行所述数据降维预处理，得到所述历史调整指令。
可选地，获取历史调整指令，包括：在所述预先设置的家居生活场景与实际家居生活场景不同的情况下，所述历史控制指令进行调整，得到所述历史调整指令。
可选地，获取目标神经网络模型，包括：获取步骤，获取初始神经网络模型；第一输入步骤，将所述历史场景、所述历史环境数据以及所述历史调整指令输入至所述初始神经网络模型中，得到第一输出数据，以分别对所述历史场景、所述历史环境数据以及所述历史调整指令进行前向传播处理；第一计算步骤，根据所述历史场景、所述历史环境数据、所述历史调整指令以及所述第一输出数据，计算所述初始神经网络模型的损失函数，其中，所述损失函数至少包括均方误差和交叉熵损失；第二输入步骤，将所述历史场景、所述历史环境数据以及所述历史调整指令输入至所述初始神经网络模型中，得到第二输出数据，以分别对所述历史场景、所述历史环境数据以及所述历史调整指令进行反向传播处理，其中，所述初始神经网络包括多个层；第二计算步骤，采用链式法则计算各所述层的梯度，其中，所述梯度用于表征各所述层的权重对于所述损失函数的影响程度；更新步骤，对所述层的权重进行更新，得到更新权重；依次重复所述第一输入步骤、所述计算步骤、所述第二输入步骤、所述第二计算步骤以及所述更新步骤至少一次，并在重复过程中将所述第一输入步骤中的所述初始神经网络的所述层的权重更新为上一次的重复过程中得到的所述更新步骤中的所述更新权重，直到达到预设条件，确定达到所述预设条件时的所述初始神经网络模型为所述目标神经网络模型，其中，所述预设条件包括以下之一：所述梯度达到最小值、所述损失函数达到最小值、重复达到预定次数。
可选地，所述更新步骤包括：根据公式，对所述层的权重/>进行更新，得到所述更新权重/>，其中，/>为更新前的所述初始神经网络在所述梯度的方向上的迭代步长，/>为更新前的所述梯度。
可选地，所述智能家居的工作状态包括正常工作状态和非工作状态，控制所述中央控制系统执行所述当前调整指令以调整所述智能家居的工作状态，包括：在所述当前调整指令表征当前智能家居的工作状态为所述正常工作状态的情况下，将所述当前智能家居的工作状态调整为所述正常工作状态；在所述当前调整指令表征所述当前智能家居的工作状态为所述非工作状态的情况下，将所述当前智能家居的工作状态调整为所述非工作状态。
根据本申请的另一方面，提供了一种智能家居的中央控制系统的控制装置，包括：获取单元，用于获取当前场景、当前环境数据以及目标神经网络模型，并将所述当前场景、所述当前环境数据输入至目标神经网络模型中，得到当前调整指令，其中，所述目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组所述历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令，所述历史场景为在当前时刻前对应的所述中央控制系统的预先设置的家居生活场景，所述历史场景包括多个用于控制所述智能家居的工作状态的历史控制指令，所述历史环境数据为所述中央控制系统所处的历史环境对应的数据，所述历史调整指令用于控制所述中央控制系统，所述当前场景为所述当前时刻对应的所述中央控制系统的预先设置的家居生活场景，所述当前环境数据为所述中央控制系统所处的当前环境对应的数据，所述历史环境数据对应的时刻位于所述当前环境数据对应的时刻之前；控制单元，用于控制所述中央控制系统执行所述当前调整指令以调整所述智能家居的工作状态。
根据本申请的再一方面，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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
根据本申请的又一方面，提供了一种智能家居系统，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。
应用本申请的技术方案，首先，获取当前场景、当前环境数据以及目标神经网络模型，并将当前场景、当前环境数据输入至目标神经网络模型中，得到当前调整指令，目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令；再控制中央控制系统执行当前调整指令以调整智能家居的工作状态。通过获取中控系统的历史场景、历史环境数据和对智能家居控制指令进行调整的调整指令，再将上述数据通过对相关神经网络模型的训练，实现在相同外部环境的情况下，预测调整指令，并根据预测的调整指令控制智能家居，实现控制的智能化、人性化、自适应化，优化用户体验，更好的实现智能控制。解决了现有技术中的中控系统的场景设置后难以满足用户需求的问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了根据本申请的实施例中提供的一种执行智能家居的中央控制系统的控制方法的移动终端的硬件结构框图；
图2示出了根据本申请的实施例提供的一种智能家居的中央控制系统的控制方法的流程示意图；
图3示出了根据本申请的实施例提供的一种智能家居的中央控制系统的控制方法的具体流程示意图；
图4示出了根据本申请的实施例提供的一种智能家居的中央控制系统的控制装置的结构框图。
其中，上述附图包括以下附图标记：
102、处理器；104、存储器；106、传输设备；108、输入输出设备。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，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。
正如背景技术中所介绍的，现有技术中智能家居的中控系统场景执行均为固定前期设置参数，很多时候不能完全符合客户即时需求，影响用户体验，为解决上述问题，本申请的实施例提供了一种智能家居的中央控制系统的控制方法、控制装置、计算机可读存储介质以及智能家居系统。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种智能家居的中央控制系统的控制方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的智能家居的中央控制系统的控制方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network InterfaceController，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的智能家居的中央控制系统的控制方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本申请实施例的智能家居的中央控制系统的控制方法的流程图。如图2所示，该方法包括以下步骤：
步骤S201，获取当前场景、当前环境数据以及目标神经网络模型，并将上述当前场景、上述当前环境数据输入至目标神经网络模型中，得到当前调整指令，其中，上述目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组上述历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令，上述历史场景为在当前时刻前对应的上述中央控制系统的预先设置的家居生活场景，上述历史场景包括多个用于控制上述智能家居的工作状态的历史控制指令，上述历史环境数据为上述中央控制系统所处的历史环境对应的数据，上述历史调整指令用于控制上述中央控制系统，上述当前场景为上述当前时刻对应的上述中央控制系统的预先设置的家居生活场景，上述当前环境数据为上述中央控制系统所处的当前环境对应的数据，上述历史环境数据对应的时刻位于上述当前环境数据对应的时刻之前；
具体地，智能家居的中央控制系统是智能家居系统中的核心组件，它可以通过集成各种智能设备和传感器，实现对家庭环墶的自动化控制和管理。中央控制系统通常由硬件设备和软件应用程序组成，可以通过手机应用或者语音控制等方式进行操作。上述目标神经网络可以为循环神经网络、长短期记忆网络、卷积神经网络以及深度信念网络。
步骤S202，控制上述中央控制系统执行上述当前调整指令以调整上述智能家居的工作状态。
具体地，中央控制系统可以实现设备集成管理、自动化场景设置、远程控制和监控、能耗管理以及安全防护等，中央控制系统可以集成各种智能家居设备，包括智能灯具、智能插座、智能门锁、智能摄像头、智能音响等，统一管理和控制这些设备，实现智能化的家居环境；用户可以通过中央控制系统设置各种自动化场景，根据不同的时间、天气、环境等条件，自动调节灯光、温度、音乐等，提高居住舒适度；用户还可以通过手机应用或者互联网远程控制家中的各种设备，实时监控家庭环境，确保家庭安全；中央控制系统也可以监测家庭能耗情况，提供能耗分析报告，帮助用户合理使用能源，降低能耗成本；此外，中央控制系统可以与安防设备集成，实现对家庭安全的实时监控和报警处理，包括门窗传感器、烟雾报警器、水浸传感器等。
通过本实施例，首先，获取当前场景、当前环境数据以及目标神经网络模型，并将当前场景、当前环境数据输入至目标神经网络模型中，得到当前调整指令，目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令；再控制中央控制系统执行当前调整指令以调整智能家居的工作状态。通过获取中控系统的历史场景、历史环境数据和对智能家居控制指令进行调整的调整指令，再将上述数据通过对相关神经网络模型的训练，实现在相同外部环境的情况下，预测调整指令，并根据预测的调整指令控制智能家居，实现控制的智能化、人性化、自适应化，优化用户体验，更好的实现智能控制。解决了现有技术中的中控系统的场景设置后难以满足用户需求的问题。
具体实现过程中，上述步骤S201可以通过以下步骤之一实现：步骤S2011，获取上述当前时刻前上述中央控制系统接收到的光照强度数据；步骤S2012，获取上述当前时刻前上述中央控制系统的室内温度和上述当前时刻前上述中央控制系统的室外温度；步骤S2013，获取上述当前时刻前上述中央控制系统的湿度数据；步骤S2014，获取上述当前时刻前上述中央控制系统对应的日出时刻数据和上述当前时刻前上述中央控制系统对应的日落时刻数据。该方法可以进一步快速获取上述历史环境数据。
具体地，智能家居中控系统可以获取的环境数据包括但不限于：温度、湿度、空气质量、光照强度、声音、人体活动等。这些环境数据可以通过各种传感器设备来获取，例如温度传感器可以测量环境的温度，湿度传感器可以测量环境的湿度，空气质量传感器可以测量环境的空气质量等。这些传感器设备通过各种通讯协议将采集到的数据传输到中控系统，中控系统再进行数据处理和分析，从而实现智能家居的自动化控制和智能化管理。
为了进一步去除异常和不必要和数据且将数据集中在一定范围并提取出数据中的有用特征，本申请的上述步骤S201还可以通过以下步骤实现：步骤S2014，获取初始历史场景数据、初始历史环境数据以及初始历史调整指令数据；步骤S2015，对上述初始历史场景数据进行数据降维预处理，得到上述历史场景；步骤S2016，对上述初始历史环境数据进行上述数据降维预处理，得到上述历史环境数据；步骤S2017，对上述初始历史调整指令数据进行上述数据降维预处理，得到上述历史调整指令。
具体地，数据降维处理的方法可以为主成分分析（Principal ComponentAnalysis，简称为PCA）、线性判别分析（Linear Discriminant Analysis，简称为LDA）、t-分布邻域嵌入（t-Distributed Stochastic Neighbor Embedding，简称为t-SNE）、自编码器、因子分析（Factor Analysis，简称为FA）、独立成分分析（Independent ComponentAnalysis，简称为ICA）等。这些方法可以通过降低数据的维度，减少特征的数量并保留数据的重要信息，从而提高数据的可解释性和计算效率。
上述步骤S201还可以通过其他方式实现，例如：步骤S2018，在上述预先设置的家居生活场景与实际家居生活场景不同的情况下，上述历史控制指令进行调整，得到上述历史调整指令。该方法可以进一步快速获取得到上述历史调整指令。
具体地，目前中控设备可以进行场景的执行，例如：用户可以预设回家场景，包括：打开空调至26摄氏度、打开灯光、关闭窗帘以及打开音箱。然而，回家这个场景不一定适合每一次回家控制，例如：用户在白天回家，不需要打开灯光和关闭窗帘，此时，用户在执行回家场景后会再次进行打开窗帘和关闭灯光的控制即上述历史调整指令。
在一些实施例上，上述步骤S201具体还可以通过以下步骤实现：获取步骤，获取初始神经网络模型；第一输入步骤，将上述历史场景、上述历史环境数据以及上述历史调整指令输入至上述初始神经网络模型中，得到第一输出数据，以分别对上述历史场景、上述历史环境数据以及上述历史调整指令进行前向传播处理；计算步骤，根据上述历史场景、上述历史环境数据、上述历史调整指令以及上述第一输出数据，计算上述初始神经网络模型的损失函数，其中，上述损失函数至少包括均方误差和交叉熵损失；第二输入步骤，将上述历史场景、上述历史环境数据以及上述历史调整指令输入至上述初始神经网络模型中，得到第二输出数据，以分别对上述历史场景、上述历史环境数据以及上述历史调整指令进行反向传播处理，其中，上述初始神经网络包括多个层；第二计算步骤，采用链式法则计算各上述层的梯度，其中，上述梯度用于表征各上述层的权重对于上述损失函数的影响程度；更新步骤，对上述层的权重进行更新，得到更新权重；依次重复上述第一输入步骤、上述计算步骤、上述第二输入步骤、上述第二计算步骤以及上述更新步骤至少一次，并在重复过程中将上述第一输入步骤中的上述初始神经网络的上述层的权重更新为上一次的重复过程中得到的上述更新步骤中的上述更新权重，直到达到预设条件，确定达到上述预设条件时的上述初始神经网络模型为上述目标神经网络模型，其中，上述预设条件包括以下之一：上述梯度达到最小值、上述损失函数达到最小值、重复达到预定次数。该方法可以进一步快速获取上述目标神经网络模型。
具体地，上述获取目标神经网络模型的具体步骤如下：在前向传播阶段，将输入数据被送入初始神经网络模型，并通过模型的每一层进行传递，直到输出层输出数据；在每一层，输入数据会与权重相乘，加上偏置项，然后通过激活函数生成该层的输出。计算损失函数来评估模型预测结果和真实结果之间差异的函数，损失函数计算的是一个标量值，表示当前模型的性能。损失值越小，表示模型的预测结果与真实值越接近。 再通过反向传播逆向通过网络的每一层进行，并通过链式法则，计算出每个权重对最终损失的影响即梯度，该梯度信息将用于更新模型中输入层、隐藏层以及输出层的权重。上述前向传播、损失计算、反向传播以及权重更新的过程会在整个训练集上重复进行多个周期，直到模型的性能达到某个预定的标准或者不再显著提升，最终，得到上述神经网络模型。
上述更新步骤包括：根据公式，对上述层的权重/>进行更新，得到上述更新权重/>，其中，/>为更新前的上述初始神经网络在上述梯度的方向上的迭代步长，/>为更新前的上述梯度。
具体地，由于神经网络是通过学习来适应数据的模式，而权重则是神经网络中用来捕捉模式的参数。通过不断地调整权重，神经网络可以更好地拟合数据，提高预测的准确性。权重的更新是通过反向传播算法来实现的。在反向传播算法中，首先计算神经网络模型的损失函数对于每个权重的梯度，然后利用梯度下降算法来更新权重。通过不断地迭代这个过程，可以使神经网络逐渐收敛到一个较好的模型。对各层的权重进行更新可以使神经网络更好地学习数据的模式，提高模型的泛化能力，从而更好地适应新的数据。这样可以提高神经网络的预测准确性，使其在实际应用中具有更好的性能。
上述步骤S202可以通过以下步骤实现：步骤S2021，在上述当前调整指令表征当前智能家居的工作状态为上述正常工作状态的情况下，将上述当前智能家居的工作状态调整为上述正常工作状态；步骤S2022，在上述当前调整指令表征上述当前智能家居的工作状态为上述非工作状态的情况下，将上述当前智能家居的工作状态调整为上述非工作状态。该方法可以进一步实现对智能家居的精确控制。
具体地，同样是上述预设回家场景，打开空调至26摄氏度、打开灯光、关闭窗帘以及打开音箱。然而，回家这个场景不一定适合每一次回家控制，此时，可以回家这个场景和后续用户单独控制的关闭灯光打开窗帘指令和周围环境比如温度、光照强度、季节以及天气等结合，预测得到调整指令，直接执行关闭灯光和打开窗帘。可以实现控制的智能化、人性化、自适应化，优化用户体验，更好的实现智能控制。
为了使得本领域技术人员能够更加清楚地了解本申请的技术方案，以下将结合具体的实施例对本申请的智能家居的中央控制系统的控制方法的实现过程进行详细说明。
本实施例涉及一种具体的智能家居的中央控制系统的控制方法，如图3所示，包括如下步骤：
步骤S1：获取环境相关数据和前期控制数据；
步骤S2：获取用户场景控制信息数据；
步骤S3：对数据进行预处理；
步骤S4：对神经网络模型进行训练；
步骤S5：对模型进行调整；
步骤S6：在前期类似场景的情况下，根据神经网络模型的输出对智能家居进行控制。
本申请实施例还提供了一种智能家居的中央控制系统的控制装置，需要说明的是，本申请实施例的智能家居的中央控制系统的控制装置可以用于执行本申请实施例所提供的用于智能家居的中央控制系统的控制方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
以下对本申请实施例提供的智能家居的中央控制系统的控制装置进行介绍。
图4是根据本申请实施例的智能家居的中央控制系统的控制装置的示意图。如图4所示，该装置包括：
获取单元10，用于获取当前场景、当前环境数据以及目标神经网络模型，并将上述当前场景、上述当前环境数据输入至目标神经网络模型中，得到当前调整指令，其中，上述目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组上述历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令，上述历史场景为在当前时刻前对应的上述中央控制系统的预先设置的家居生活场景，上述历史场景包括多个用于控制上述智能家居的工作状态的历史控制指令，上述历史环境数据为上述中央控制系统所处的历史环境对应的数据，上述历史调整指令用于控制上述中央控制系统，上述当前场景为上述当前时刻对应的上述中央控制系统的预先设置的家居生活场景，上述当前环境数据为上述中央控制系统所处的当前环境对应的数据，上述历史环境数据对应的时刻位于上述当前环境数据对应的时刻之前；
具体地，智能家居的中央控制系统是智能家居系统中的核心组件，它可以通过集成各种智能设备和传感器，实现对家庭环墶的自动化控制和管理。中央控制系统通常由硬件设备和软件应用程序组成，可以通过手机应用或者语音控制等方式进行操作。上述目标神经网络可以为循环神经网络、长短期记忆网络、卷积神经网络以及深度信念网络。
控制单元20，用于控制上述中央控制系统执行上述当前调整指令以调整上述智能家居的工作状态。
具体地，中央控制系统可以实现设备集成管理、自动化场景设置、远程控制和监控、能耗管理以及安全防护等，中央控制系统可以集成各种智能家居设备，包括智能灯具、智能插座、智能门锁、智能摄像头、智能音响等，统一管理和控制这些设备，实现智能化的家居环境；用户可以通过中央控制系统设置各种自动化场景，根据不同的时间、天气、环境等条件，自动调节灯光、温度、音乐等，提高居住舒适度；用户还可以通过手机应用或者互联网远程控制家中的各种设备，实时监控家庭环境，确保家庭安全；中央控制系统也可以监测家庭能耗情况，提供能耗分析报告，帮助用户合理使用能源，降低能耗成本；此外，中央控制系统可以与安防设备集成，实现对家庭安全的实时监控和报警处理，包括门窗传感器、烟雾报警器、水浸传感器等。
通过本实施例，获取单元获取当前场景、当前环境数据以及目标神经网络模型，并将当前场景、当前环境数据输入至目标神经网络模型中，得到当前调整指令，目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令；控制单元控制中央控制系统执行当前调整指令以调整智能家居的工作状态。通过获取中控系统的历史场景、历史环境数据和对智能家居控制指令进行调整的调整指令，再将上述数据通过对相关神经网络模型的训练，实现在相同外部环境的情况下，预测调整指令，并根据预测的调整指令控制智能家居，实现控制的智能化、人性化、自适应化，优化用户体验，更好的实现智能控制。解决了现有技术中的中控系统的场景设置后难以满足用户需求的问题。
具体实现过程中，上述获取单元包括第一获取模块、第二获取模块、第三获取模块以及第四获取模块，其中，第一获取模块用于获取上述当前时刻前上述中央控制系统接收到的光照强度数据；第二获取模块用于获取上述当前时刻前上述中央控制系统的室内温度和上述当前时刻前上述中央控制系统的室外温度；第三获取模块用于获取上述当前时刻前上述中央控制系统的湿度数据；第四获取模块用于获取上述当前时刻前上述中央控制系统对应的日出时刻数据和上述当前时刻前上述中央控制系统对应的日落时刻数据。该装置可以进一步快速获取上述历史环境数据。
具体地，智能家居中控系统可以获取的环境数据包括但不限于：温度、湿度、空气质量、光照强度、声音、人体活动等。这些环境数据可以通过各种传感器设备来获取，例如温度传感器可以测量环境的温度，湿度传感器可以测量环境的湿度，空气质量传感器可以测量环境的空气质量等。这些传感器设备通过各种通讯协议将采集到的数据传输到中控系统，中控系统再进行数据处理和分析，从而实现智能家居的自动化控制和智能化管理。
为了进一步去除异常和不必要和数据且将数据集中在一定范围并提取出数据中的有用特征，本申请的上述获取单元包括第五获取模块、第一处理模块、第二处理模块以及第三处理模块，其中，第五获取模块用于获取初始历史场景数据、初始历史环境数据以及初始历史调整指令数据；第一处理模块用于对上述初始历史场景数据进行数据降维预处理，得到上述历史场景；第二处理模块用于对上述初始历史环境数据进行上述数据降维预处理，得到上述历史环境数据；第三处理模块用于对上述初始历史调整指令数据进行上述数据降维预处理，得到上述历史调整指令。
具体地，数据降维处理的方法可以为主成分分析（Principal ComponentAnalysis，简称为PCA）、线性判别分析（Linear Discriminant Analysis，简称为LDA）、t-分布邻域嵌入（t-Distributed Stochastic Neighbor Embedding，简称为t-SNE）、自编码器、因子分析（Factor Analysis，简称为FA）、独立成分分析（Independent ComponentAnalysis，简称为ICA）等。这些方法可以通过降低数据的维度，减少特征的数量并保留数据的重要信息，从而提高数据的可解释性和计算效率。
上述获取单元还包括第一调整模块，用于在上述预先设置的家居生活场景与实际家居生活场景不同的情况下，上述历史控制指令进行调整，得到上述历史调整指令。该装置可以进一步快速获取得到上述历史调整指令。
具体地，目前中控设备可以进行场景的执行，例如：用户可以预设回家场景，包括：打开空调至26摄氏度、打开灯光、关闭窗帘以及打开音箱。然而，回家这个场景不一定适合每一次回家控制，例如：用户在白天回家，不需要打开灯光和关闭窗帘，此时，用户在执行回家场景后会再次进行打开窗帘和关闭灯光的控制即上述历史调整指令。
在一些实施例上，上述获取单元还包括第六获取模块、第一输入模块、第一计算模块、第二输入模块、第二计算模块、更新模块以及重复模块，其中，上述第六获取模块用于获取步骤，获取初始神经网络模型；第一输入模块用于第一输入步骤，将上述历史场景、上述历史环境数据以及上述历史调整指令输入至上述初始神经网络模型中，得到第一输出数据，以分别对上述历史场景、上述历史环境数据以及上述历史调整指令进行前向传播处理；第一计算模块用于第一计算步骤，根据上述历史场景、上述历史环境数据、上述历史调整指令以及上述第一输出数据，计算上述初始神经网络模型的损失函数，其中，上述损失函数至少包括均方误差和交叉熵损失；第二输入模块用于第二输入步骤，将上述历史场景、上述历史环境数据以及上述历史调整指令输入至上述初始神经网络模型中，得到第二输出数据，以分别对上述历史场景、上述历史环境数据以及上述历史调整指令进行反向传播处理，其中，上述初始神经网络包括多个层；第二计算模块用于第二计算步骤，采用链式法则计算各上述层的梯度，其中，上述梯度用于表征各上述层的权重对于上述损失函数的影响程度；更新模块用于更新步骤，对上述层的权重进行更新，得到更新权重；重复模块用于依次重复上述第一输入步骤、上述计算步骤、上述第二输入步骤、上述第二计算步骤以及上述更新步骤至少一次，并在重复过程中将上述第一输入步骤中的上述初始神经网络的上述层的权重更新为上一次的重复过程中得到的上述更新步骤中的上述更新权重，直到达到预设条件，确定达到上述预设条件时的上述初始神经网络模型为上述目标神经网络模型，其中，上述预设条件包括以下之一：上述梯度达到最小值、上述损失函数达到最小值、重复达到预定次数。该装置可以进一步快速获取上述目标神经网络模型。
具体地，上述获取目标神经网络模型的具体步骤如下：在前向传播阶段，将输入数据被送入初始神经网络模型，并通过模型的每一层进行传递，直到输出层输出数据；在每一层，输入数据会与权重相乘，加上偏置项，然后通过激活函数生成该层的输出。计算损失函数来评估模型预测结果和真实结果之间差异的函数，损失函数计算的是一个标量值，表示当前模型的性能。损失值越小，表示模型的预测结果与真实值越接近。 再通过反向传播逆向通过网络的每一层进行，并通过链式法则，计算出每个权重对最终损失的影响即梯度，该梯度信息将用于更新模型中输入层、隐藏层以及输出层的权重。上述前向传播、损失计算、反向传播以及权重更新的过程会在整个训练集上重复进行多个周期，直到模型的性能达到某个预定的标准或者不再显著提升，最终，得到上述神经网络模型。
上述更新模块还用于根据公式，对上述层的权重/>进行更新，得到上述更新权重/>，其中，/>为更新前的上述初始神经网络在上述梯度的方向上的迭代步长，/>为更新前的上述梯度。
具体地，由于神经网络是通过学习来适应数据的模式，而权重则是神经网络中用来捕捉模式的参数。通过不断地调整权重，神经网络可以更好地拟合数据，提高预测的准确性。权重的更新是通过反向传播算法来实现的。在反向传播算法中，首先计算神经网络模型的损失函数对于每个权重的梯度，然后利用梯度下降算法来更新权重。通过不断地迭代这个过程，可以使神经网络逐渐收敛到一个较好的模型。对各层的权重进行更新可以使神经网络更好地学习数据的模式，提高模型的泛化能力，从而更好地适应新的数据。这样可以提高神经网络的预测准确性，使其在实际应用中具有更好的性能。
上述控制单元包括第二调整模块和第三调整模块，其中，第二调整模块用于在上述当前调整指令表征当前智能家居的工作状态为上述正常工作状态的情况下，将上述当前智能家居的工作状态调整为上述正常工作状态；第三调整模块用于在上述当前调整指令表征上述当前智能家居的工作状态为上述非工作状态的情况下，将上述当前智能家居的工作状态调整为上述非工作状态。该装置可以进一步实现对智能家居的精确控制。
具体地，同样是上述预设回家场景，打开空调至26摄氏度、打开灯光、关闭窗帘以及打开音箱。然而，回家这个场景不一定适合每一次回家控制，此时，可以回家这个场景和后续用户单独控制的关闭灯光打开窗帘指令和周围环境比如温度、光照强度、季节以及天气等结合，预测得到调整指令，直接执行关闭灯光和打开窗帘。可以实现控制的智能化、人性化、自适应化，优化用户体验，更好的实现智能控制。
上述智能家居的中央控制系统的控制装置包括处理器和存储器，上述获取单元和控制单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来控制智能家居的中央控制系统。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述智能家居的中央控制系统的控制方法。
具体地，智能家居的中央控制系统的控制方法包括：
步骤S201，获取当前场景、当前环境数据以及目标神经网络模型，并将上述当前场景、上述当前环境数据输入至目标神经网络模型中，得到当前调整指令，其中，上述目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组上述历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令，上述历史场景为在当前时刻前对应的上述中央控制系统的预先设置的家居生活场景，上述历史场景包括多个用于控制上述智能家居的工作状态的历史控制指令，上述历史环境数据为上述中央控制系统所处的历史环境对应的数据，上述历史调整指令用于控制上述中央控制系统，上述当前场景为上述当前时刻对应的上述中央控制系统的预先设置的家居生活场景，上述当前环境数据为上述中央控制系统所处的当前环境对应的数据，上述历史环境数据对应的时刻位于上述当前环境数据对应的时刻之前；
具体地，智能家居的中央控制系统是智能家居系统中的核心组件，它可以通过集成各种智能设备和传感器，实现对家庭环墶的自动化控制和管理。中央控制系统通常由硬件设备和软件应用程序组成，可以通过手机应用或者语音控制等方式进行操作。上述目标神经网络可以为循环神经网络、长短期记忆网络、卷积神经网络以及深度信念网络。
步骤S202，控制上述中央控制系统执行上述当前调整指令以调整上述智能家居的工作状态。
具体地，中央控制系统可以实现设备集成管理、自动化场景设置、远程控制和监控、能耗管理以及安全防护等，中央控制系统可以集成各种智能家居设备，包括智能灯具、智能插座、智能门锁、智能摄像头、智能音响等，统一管理和控制这些设备，实现智能化的家居环境；用户可以通过中央控制系统设置各种自动化场景，根据不同的时间、天气、环境等条件，自动调节灯光、温度、音乐等，提高居住舒适度；用户还可以通过手机应用或者互联网远程控制家中的各种设备，实时监控家庭环境，确保家庭安全；中央控制系统也可以监测家庭能耗情况，提供能耗分析报告，帮助用户合理使用能源，降低能耗成本；此外，中央控制系统可以与安防设备集成，实现对家庭安全的实时监控和报警处理，包括门窗传感器、烟雾报警器、水浸传感器等。
可选地，获取历史环境数据，包括以下至少之一：获取上述当前时刻前上述中央控制系统接收到的光照强度数据；获取上述当前时刻前上述中央控制系统的室内温度和上述当前时刻前上述中央控制系统的室外温度；获取上述当前时刻前上述中央控制系统的湿度数据；获取上述当前时刻前上述中央控制系统对应的日出时刻数据和上述当前时刻前上述中央控制系统对应的日落时刻数据。
可选地，获取历史场景、历史环境数据以及历史调整指令，包括：获取初始历史场景数据、初始历史环境数据以及初始历史调整指令数据；对上述初始历史场景数据进行数据降维预处理，得到上述历史场景；对上述初始历史环境数据进行上述数据降维预处理，得到上述历史环境数据；对上述初始历史调整指令数据进行上述数据降维预处理，得到上述历史调整指令。
可选地，获取历史调整指令，包括：在上述预先设置的家居生活场景与实际家居生活场景不同的情况下，上述历史控制指令进行调整，得到上述历史调整指令。
可选地，获取目标神经网络模型，包括：获取步骤，获取初始神经网络模型；第一输入步骤，将上述历史场景、上述历史环境数据以及上述历史调整指令输入至上述初始神经网络模型中，得到第一输出数据，以分别对上述历史场景、上述历史环境数据以及上述历史调整指令进行前向传播处理；第一计算步骤，根据上述历史场景、上述历史环境数据、上述历史调整指令以及上述第一输出数据，计算上述初始神经网络模型的损失函数，其中，上述损失函数至少包括均方误差和交叉熵损失；第二输入步骤，将上述历史场景、上述历史环境数据以及上述历史调整指令输入至上述初始神经网络模型中，得到第二输出数据，以分别对上述历史场景、上述历史环境数据以及上述历史调整指令进行反向传播处理，其中，上述初始神经网络包括多个层；第二计算步骤，采用链式法则计算各上述层的梯度，其中，上述梯度用于表征各上述层的权重对于上述损失函数的影响程度；更新步骤，对上述层的权重进行更新，得到更新权重；依次重复上述第一输入步骤、上述计算步骤、上述第二输入步骤、上述第二计算步骤以及上述更新步骤至少一次，并在重复过程中将上述第一输入步骤中的上述初始神经网络的上述层的权重更新为上一次的重复过程中得到的上述更新步骤中的上述更新权重，直到达到预设条件，确定达到上述预设条件时的上述初始神经网络模型为上述目标神经网络模型，其中，上述预设条件包括以下之一：上述梯度达到最小值、上述损失函数达到最小值、重复达到预定次数。
可选地，上述更新步骤包括：根据公式，对上述层的权重/>进行更新，得到上述更新权重/>，其中，/>为更新前的上述初始神经网络在上述梯度的方向上的迭代步长，/>为更新前的上述梯度。
可选地，上述智能家居的工作状态包括正常工作状态和非工作状态，控制上述中央控制系统执行上述当前调整指令以调整上述智能家居的工作状态，包括：在上述当前调整指令表征当前智能家居的工作状态为上述正常工作状态的情况下，将上述当前智能家居的工作状态调整为上述正常工作状态；在上述当前调整指令表征上述当前智能家居的工作状态为上述非工作状态的情况下，将上述当前智能家居的工作状态调整为上述非工作状态。
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述智能家居的中央控制系统的控制方法。
具体地，智能家居的中央控制系统的控制方法包括：
步骤S201，获取当前场景、当前环境数据以及目标神经网络模型，并将上述当前场景、上述当前环境数据输入至目标神经网络模型中，得到当前调整指令，其中，上述目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组上述历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令，上述历史场景为在当前时刻前对应的上述中央控制系统的预先设置的家居生活场景，上述历史场景包括多个用于控制上述智能家居的工作状态的历史控制指令，上述历史环境数据为上述中央控制系统所处的历史环境对应的数据，上述历史调整指令用于控制上述中央控制系统，上述当前场景为上述当前时刻对应的上述中央控制系统的预先设置的家居生活场景，上述当前环境数据为上述中央控制系统所处的当前环境对应的数据，上述历史环境数据对应的时刻位于上述当前环境数据对应的时刻之前；
具体地，智能家居的中央控制系统是智能家居系统中的核心组件，它可以通过集成各种智能设备和传感器，实现对家庭环墶的自动化控制和管理。中央控制系统通常由硬件设备和软件应用程序组成，可以通过手机应用或者语音控制等方式进行操作。上述目标神经网络可以为循环神经网络、长短期记忆网络、卷积神经网络以及深度信念网络。
步骤S202，控制上述中央控制系统执行上述当前调整指令以调整上述智能家居的工作状态。
具体地，中央控制系统可以实现设备集成管理、自动化场景设置、远程控制和监控、能耗管理以及安全防护等，中央控制系统可以集成各种智能家居设备，包括智能灯具、智能插座、智能门锁、智能摄像头、智能音响等，统一管理和控制这些设备，实现智能化的家居环境；用户可以通过中央控制系统设置各种自动化场景，根据不同的时间、天气、环境等条件，自动调节灯光、温度、音乐等，提高居住舒适度；用户还可以通过手机应用或者互联网远程控制家中的各种设备，实时监控家庭环境，确保家庭安全；中央控制系统也可以监测家庭能耗情况，提供能耗分析报告，帮助用户合理使用能源，降低能耗成本；此外，中央控制系统可以与安防设备集成，实现对家庭安全的实时监控和报警处理，包括门窗传感器、烟雾报警器、水浸传感器等。
可选地，获取历史环境数据，包括以下至少之一：获取上述当前时刻前上述中央控制系统接收到的光照强度数据；获取上述当前时刻前上述中央控制系统的室内温度和上述当前时刻前上述中央控制系统的室外温度；获取上述当前时刻前上述中央控制系统的湿度数据；获取上述当前时刻前上述中央控制系统对应的日出时刻数据和上述当前时刻前上述中央控制系统对应的日落时刻数据。
可选地，获取历史场景、历史环境数据以及历史调整指令，包括：获取初始历史场景数据、初始历史环境数据以及初始历史调整指令数据；对上述初始历史场景数据进行数据降维预处理，得到上述历史场景；对上述初始历史环境数据进行上述数据降维预处理，得到上述历史环境数据；对上述初始历史调整指令数据进行上述数据降维预处理，得到上述历史调整指令。
可选地，获取历史调整指令，包括：在上述预先设置的家居生活场景与实际家居生活场景不同的情况下，上述历史控制指令进行调整，得到上述历史调整指令。
可选地，获取目标神经网络模型，包括：获取步骤，获取初始神经网络模型；第一输入步骤，将上述历史场景、上述历史环境数据以及上述历史调整指令输入至上述初始神经网络模型中，得到第一输出数据，以分别对上述历史场景、上述历史环境数据以及上述历史调整指令进行前向传播处理；第一计算步骤，根据上述历史场景、上述历史环境数据、上述历史调整指令以及上述第一输出数据，计算上述初始神经网络模型的损失函数，其中，上述损失函数至少包括均方误差和交叉熵损失；第二输入步骤，将上述历史场景、上述历史环境数据以及上述历史调整指令输入至上述初始神经网络模型中，得到第二输出数据，以分别对上述历史场景、上述历史环境数据以及上述历史调整指令进行反向传播处理，其中，上述初始神经网络包括多个层；第二计算步骤，采用链式法则计算各上述层的梯度，其中，上述梯度用于表征各上述层的权重对于上述损失函数的影响程度；更新步骤，对上述层的权重进行更新，得到更新权重；依次重复上述第一输入步骤、上述计算步骤、上述第二输入步骤、上述第二计算步骤以及上述更新步骤至少一次，并在重复过程中将上述第一输入步骤中的上述初始神经网络的上述层的权重更新为上一次的重复过程中得到的上述更新步骤中的上述更新权重，直到达到预设条件，确定达到上述预设条件时的上述初始神经网络模型为上述目标神经网络模型，其中，上述预设条件包括以下之一：上述梯度达到最小值、上述损失函数达到最小值、重复达到预定次数。
可选地，上述更新步骤包括：根据公式，对上述层的权重/>进行更新，得到上述更新权重/>，其中，/>为更新前的上述初始神经网络在上述梯度的方向上的迭代步长，/>为更新前的上述梯度。
可选地，上述智能家居的工作状态包括正常工作状态和非工作状态，控制上述中央控制系统执行上述当前调整指令以调整上述智能家居的工作状态，包括：在上述当前调整指令表征当前智能家居的工作状态为上述正常工作状态的情况下，将上述当前智能家居的工作状态调整为上述正常工作状态；在上述当前调整指令表征上述当前智能家居的工作状态为上述非工作状态的情况下，将上述当前智能家居的工作状态调整为上述非工作状态。
本发明实施例提供了一种智能家居系统，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
步骤S201，获取当前场景、当前环境数据以及目标神经网络模型，并将上述当前场景、上述当前环境数据输入至目标神经网络模型中，得到当前调整指令，其中，上述目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组上述历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令，上述历史场景为在当前时刻前对应的上述中央控制系统的预先设置的家居生活场景，上述历史场景包括多个用于控制上述智能家居的工作状态的历史控制指令，上述历史环境数据为上述中央控制系统所处的历史环境对应的数据，上述历史调整指令用于控制上述中央控制系统，上述当前场景为上述当前时刻对应的上述中央控制系统的预先设置的家居生活场景，上述当前环境数据为上述中央控制系统所处的当前环境对应的数据，上述历史环境数据对应的时刻位于上述当前环境数据对应的时刻之前；
步骤S202，控制上述中央控制系统执行上述当前调整指令以调整上述智能家居的工作状态。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
步骤S201，获取当前场景、当前环境数据以及目标神经网络模型，并将上述当前场景、上述当前环境数据输入至目标神经网络模型中，得到当前调整指令，其中，上述目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组上述历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令，上述历史场景为在当前时刻前对应的上述中央控制系统的预先设置的家居生活场景，上述历史场景包括多个用于控制上述智能家居的工作状态的历史控制指令，上述历史环境数据为上述中央控制系统所处的历史环境对应的数据，上述历史调整指令用于控制上述中央控制系统，上述当前场景为上述当前时刻对应的上述中央控制系统的预先设置的家居生活场景，上述当前环境数据为上述中央控制系统所处的当前环境对应的数据，上述历史环境数据对应的时刻位于上述当前环境数据对应的时刻之前；
步骤S202，控制上述中央控制系统执行上述当前调整指令以调整上述智能家居的工作状态。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：
1）、本申请的智能家居的中央控制系统的控制方法，首先，获取当前场景、当前环境数据以及目标神经网络模型，并将当前场景、当前环境数据输入至目标神经网络模型中，得到当前调整指令，目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令；再控制中央控制系统执行当前调整指令以调整智能家居的工作状态。通过获取中控系统的历史场景、历史环境数据和对智能家居控制指令进行调整的调整指令，再将上述数据通过对相关神经网络模型的训练，实现在相同外部环境的情况下，预测调整指令，并根据预测的调整指令控制智能家居，实现控制的智能化、人性化、自适应化，优化用户体验，更好的实现智能控制。解决了现有技术中的中控系统的场景设置后难以满足用户需求的问题。
2）、本申请的智能家居的中央控制系统的控制装置，获取单元获取当前场景、当前环境数据以及目标神经网络模型，并将当前场景、当前环境数据输入至目标神经网络模型中，得到当前调整指令，目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令；控制单元控制中央控制系统执行当前调整指令以调整智能家居的工作状态。通过获取中控系统的历史场景、历史环境数据和对智能家居控制指令进行调整的调整指令，再将上述数据通过对相关神经网络模型的训练，实现在相同外部环境的情况下，预测调整指令，并根据预测的调整指令控制智能家居，实现控制的智能化、人性化、自适应化，优化用户体验，更好的实现智能控制。解决了现有技术中的中控系统的场景设置后难以满足用户需求的问题。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (8)
1.一种智能家居的中央控制系统的控制方法，其特征在于，包括：
获取当前场景、当前环境数据以及目标神经网络模型，并将所述当前场景、所述当前环境数据输入至目标神经网络模型中，得到当前调整指令，其中，所述目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组所述历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令，所述历史场景为在当前时刻前对应的所述中央控制系统的预先设置的家居生活场景，所述历史场景包括多个用于控制所述智能家居的工作状态的历史控制指令，所述历史环境数据为所述中央控制系统所处的历史环境对应的数据，所述历史调整指令用于控制所述中央控制系统，所述当前场景为所述当前时刻对应的所述中央控制系统的预先设置的家居生活场景，所述当前环境数据为所述中央控制系统所处的当前环境对应的数据，所述历史环境数据对应的时刻位于所述当前环境数据对应的时刻之前；
控制所述中央控制系统执行所述当前调整指令以调整所述智能家居的工作状态，
获取目标神经网络模型，包括：
获取步骤，获取初始神经网络模型；
第一输入步骤，将所述历史场景、所述历史环境数据以及所述历史调整指令输入至所述初始神经网络模型中，得到第一输出数据，以分别对所述历史场景、所述历史环境数据以及所述历史调整指令进行前向传播处理；
第一计算步骤，根据所述历史场景、所述历史环境数据、所述历史调整指令以及所述第一输出数据，计算所述初始神经网络模型的损失函数，其中，所述损失函数至少包括均方误差和交叉熵损失；
第二输入步骤，将所述历史场景、所述历史环境数据以及所述历史调整指令输入至所述初始神经网络模型中，得到第二输出数据，以分别对所述历史场景、所述历史环境数据以及所述历史调整指令进行反向传播处理，其中，所述初始神经网络包括多个层；
第二计算步骤，采用链式法则计算各所述层的梯度，其中，所述梯度用于表征各所述层的权重对于所述损失函数的影响程度；
更新步骤，对所述层的权重进行更新，得到更新权重；
依次重复所述第一输入步骤、所述计算步骤、所述第二输入步骤、所述第二计算步骤以及所述更新步骤至少一次，并在重复过程中将所述第一输入步骤中的所述初始神经网络的所述层的权重更新为上一次的重复过程中得到的所述更新步骤中的所述更新权重，直到达到预设条件，确定达到所述预设条件时的所述初始神经网络模型为所述目标神经网络模型，其中，所述预设条件包括以下之一：所述梯度达到最小值、所述损失函数达到最小值、重复达到预定次数，
获取历史调整指令，包括：
在所述预先设置的家居生活场景与实际家居生活场景不同的情况下，所述历史控制指令进行调整，得到所述历史调整指令。
2.根据权利要求1所述的方法，其特征在于，获取所述历史环境数据，包括以下至少之一：
获取所述当前时刻前所述中央控制系统接收到的光照强度数据；
获取所述当前时刻前所述中央控制系统的室内温度和所述当前时刻前所述中央控制系统的室外温度；
获取所述当前时刻前所述中央控制系统的湿度数据；
获取所述当前时刻前所述中央控制系统对应的日出时刻数据和所述当前时刻前所述中央控制系统对应的日落时刻数据。
3.根据权利要求1所述的方法，其特征在于，获取所述历史场景、所述历史环境数据以及所述历史调整指令，包括：
获取初始历史场景数据、初始历史环境数据以及初始历史调整指令数据；
对所述初始历史场景数据进行数据降维预处理，得到所述历史场景；
对所述初始历史环境数据进行所述数据降维预处理，得到所述历史环境数据；
对所述初始历史调整指令数据进行所述数据降维预处理，得到所述历史调整指令。
4.根据权利要求1所述的方法，其特征在于，所述更新步骤包括：
根据公式，对所述层的权重/>进行更新，得到所述更新权重/>，其中，/>为更新前的所述初始神经网络在所述梯度的方向上的迭代步长，/>为更新前的所述梯度。
5.根据权利要求1所述的方法，其特征在于，所述智能家居的工作状态包括正常工作状态和非工作状态，控制所述中央控制系统执行所述当前调整指令以调整所述智能家居的工作状态，包括：
在所述当前调整指令表征当前智能家居的工作状态为所述正常工作状态的情况下，将所述当前智能家居的工作状态调整为所述正常工作状态；
在所述当前调整指令表征所述当前智能家居的工作状态为所述非工作状态的情况下，将所述当前智能家居的工作状态调整为所述非工作状态。
6.一种智能家居的中央控制系统的控制装置，其特征在于，包括：
获取单元，用于获取当前场景、当前环境数据以及目标神经网络模型，并将所述当前场景、所述当前环境数据输入至目标神经网络模型中，得到当前调整指令，其中，所述目标神经网络模型为使用多组历史数据通过机器学习训练出的，多组所述历史数据中的每组数据均包括：历史场景、历史环境数据以及历史调整指令，所述历史场景为在当前时刻前对应的所述中央控制系统的预先设置的家居生活场景，所述历史场景包括多个用于控制所述智能家居的工作状态的历史控制指令，所述历史环境数据为所述中央控制系统所处的历史环境对应的数据，所述历史调整指令用于控制所述中央控制系统，所述当前场景为所述当前时刻对应的所述中央控制系统的预先设置的家居生活场景，所述当前环境数据为所述中央控制系统所处的当前环境对应的数据，所述历史环境数据对应的时刻位于所述当前环境数据对应的时刻之前；
控制单元，用于控制所述中央控制系统执行所述当前调整指令以调整所述智能家居的工作状态，
所述获取单元还包括第六获取模块、第一输入模块、第一计算模块、第二输入模块、第二计算模块、更新模块以及重复模块，其中，所述第六获取模块用于获取步骤，获取初始神经网络模型；第一输入模块用于第一输入步骤，将所述历史场景、所述历史环境数据以及所述历史调整指令输入至所述初始神经网络模型中，得到第一输出数据，以分别对所述历史场景、所述历史环境数据以及所述历史调整指令进行前向传播处理；第一计算模块用于第一计算步骤，根据所述历史场景、所述历史环境数据、所述历史调整指令以及所述第一输出数据，计算所述初始神经网络模型的损失函数，其中，所述损失函数至少包括均方误差和交叉熵损失；第二输入模块用于第二输入步骤，将所述历史场景、所述历史环境数据以及所述历史调整指令输入至所述初始神经网络模型中，得到第二输出数据，以分别对所述历史场景、所述历史环境数据以及所述历史调整指令进行反向传播处理，其中，所述初始神经网络包括多个层；第二计算模块用于第二计算步骤，采用链式法则计算各所述层的梯度，其中，所述梯度用于表征各所述层的权重对于所述损失函数的影响程度；更新模块用于更新步骤，对所述层的权重进行更新，得到更新权重；重复模块用于依次重复所述第一输入步骤、所述计算步骤、所述第二输入步骤、所述第二计算步骤以及所述更新步骤至少一次，并在重复过程中将所述第一输入步骤中的所述初始神经网络的所述层的权重更新为上一次的重复过程中得到的所述更新步骤中的所述更新权重，直到达到预设条件，确定达到所述预设条件时的所述初始神经网络模型为所述目标神经网络模型，其中，所述预设条件包括以下之一：所述梯度达到最小值、所述损失函数达到最小值、重复达到预定次数，
所述获取单元还包括第一调整模块，用于在所述预先设置的家居生活场景与实际家居生活场景不同的情况下，所述历史控制指令进行调整，得到所述历史调整指令。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至5中任意一项所述的方法。
8.一种智能家居系统，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至5中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311854753.4A CN117492380B (zh) | 2023-12-29 | 2023-12-29 | 智能家居的中央控制系统的控制方法和控制装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311854753.4A CN117492380B (zh) | 2023-12-29 | 2023-12-29 | 智能家居的中央控制系统的控制方法和控制装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117492380A CN117492380A (zh) | 2024-02-02 |
| CN117492380B true CN117492380B (zh) | 2024-05-03 |
Family
ID=89669423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311854753.4A Active CN117492380B (zh) | 2023-12-29 | 2023-12-29 | 智能家居的中央控制系统的控制方法和控制装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117492380B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117706954B (zh) * | 2024-02-06 | 2024-05-24 | 青岛海尔科技有限公司 | 一种用于场景生成的方法及装置、存储介质、电子装置 |
| CN118466269A (zh) * | 2024-04-01 | 2024-08-09 | 太一云境技术有限公司 | 一种基于物联网的家用电器互联控制方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112255928A (zh) * | 2020-10-30 | 2021-01-22 | 北京金山云网络技术有限公司 | 智能家居的控制方法、装置、系统及电子设备 |
| CN113159273A (zh) * | 2021-01-30 | 2021-07-23 | 华为技术有限公司 | 一种神经网络的训练方法及相关设备 |
| CN116400601A (zh) * | 2023-05-22 | 2023-07-07 | 深圳普菲特信息科技股份有限公司 | 一种环境变化设备场景自适应控制方法、系统和存储介质 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220049759A (ko) * | 2020-10-15 | 2022-04-22 | 삼성전자주식회사 | 인공 신경망 학습 방법 및 이를 지원하는 전자 장치 |
-
2023
- 2023-12-29 CN CN202311854753.4A patent/CN117492380B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112255928A (zh) * | 2020-10-30 | 2021-01-22 | 北京金山云网络技术有限公司 | 智能家居的控制方法、装置、系统及电子设备 |
| CN113159273A (zh) * | 2021-01-30 | 2021-07-23 | 华为技术有限公司 | 一种神经网络的训练方法及相关设备 |
| CN116400601A (zh) * | 2023-05-22 | 2023-07-07 | 深圳普菲特信息科技股份有限公司 | 一种环境变化设备场景自适应控制方法、系统和存储介质 |
| 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 |
|---|---|
| CN117492380A (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117492380B (zh) | 智能家居的中央控制系统的控制方法和控制装置 | |
| EP4071416A1 (en) | Data learning server and method for generating and using learning model thereof | |
| US11619413B2 (en) | Intelligent air cleaner, indoor air quality control method and control apparatus using intelligent air cleaner | |
| US9869484B2 (en) | Predictively controlling an environmental control system | |
| US9679491B2 (en) | Signaling device for teaching learning devices | |
| Dias et al. | Adapting sampling interval of sensor networks using on-line reinforcement learning | |
| CN108536030A (zh) | 一种基于anfis算法的智能家居系统及其工作方法 | |
| US10605470B1 (en) | Controlling connected devices using an optimization function | |
| CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及系统 | |
| CN111787064B (zh) | 一种基于专家系统的物联网联动控制方法及系统 | |
| CN112130458A (zh) | 目标设备的控制方法及装置、存储介质、电子装置 | |
| CN111324328B (zh) | 音量调节方法及装置 | |
| Shresthamali et al. | Power management of wireless sensor nodes with coordinated distributed reinforcement learning | |
| CN106936886B (zh) | 机器人集群通信方法和系统 | |
| Rioual et al. | Reinforcement-learning approach guidelines for energy management | |
| Rodríguez-Gracia et al. | Adaptive Domotic System in Green Buildings | |
| CN115717758A (zh) | 一种室内空间温度和湿度调控方法及系统 | |
| CN114444669A (zh) | 一种智能照明调节方法、系统及计算机储存介质 | |
| CN112364936A (zh) | 基于人工智能的温室控制方法、装置、设备及存储介质 | |
| Ramya et al. | Smart Watering System using Fuzzy Logic | |
| CN106054621A (zh) | 生活方式记录装置、方法及系统 | |
| EP3026962A1 (en) | Method and system for regulating power consumption | |
| Kishor et al. | Water usage approximation of Automated Irrigation System using IOT and ANN’s | |
| CN117518958A (zh) | 智能窗帘的控制方法、装置、存储介质和智能窗帘系统 | |
| CN117880861B (zh) | 一种nb-iot设备的信号强度优化方法及相关设备 |
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 |