CN117823010A - 智能开关窗系统及方法 - Google Patents
智能开关窗系统及方法 Download PDFInfo
- Publication number
- CN117823010A CN117823010A CN202311817192.0A CN202311817192A CN117823010A CN 117823010 A CN117823010 A CN 117823010A CN 202311817192 A CN202311817192 A CN 202311817192A CN 117823010 A CN117823010 A CN 117823010A
- Authority
- CN
- China
- Prior art keywords
- module
- data set
- decision
- indoor
- sub
- 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 30
- 238000003066 decision tree Methods 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 238000010276 construction Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 33
- 238000004140 cleaning Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000005286 illumination Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000013524 data verification Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000013138 pruning Methods 0.000 claims description 3
- 230000001915 proofreading effect Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000004984 smart glass Substances 0.000 description 6
- 238000012795 verification Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种智能开关窗系统及方法，该智能开关窗系统包括：数据获取模块、数据处理模块、模型构建模块和决策模块；数据获取模块收集室内外环境信息，并将室内外环境信息进行整合，获得环境数据集；数据处理模块将环境数据集进行数据预处理，获得处理数据集；模型构建模块构建决策树，并将决策树的节点嵌入目标前馈神经网络模型，生成开关窗决策模型；决策模块将处理数据集输入至开关窗决策模型，获得开关窗决策结果，并将开关窗决策结果传输至单片机对窗户的开关进行控制。相比现有技术，本发明通过开关窗决策模型获得开关窗决策结果，并通过单片机实现对窗户的开关控制，实现了根据室内外环境智能调控开关窗，进而提升了用户的使用体验。
Description
技术领域
本发明涉及智能控制领域，尤其涉及一种智能开关窗系统及方法。
背景技术
近年来，智能家居成为家庭信息化和社会信息化发展的重要组成部分，智能家居又称智能住宅，当家庭智能网关将家庭中各种各样的家电设备通过家庭总线技术连接在一起时，就构成了功能强大、高度智能化的现代智能家居系统。智能家居强调人的主观能动性，重视人与居住环境的协调，能够随心所欲地控制居住环境。智能家居控制系统的应用让人们在家中能够享受到更安全、更舒适、更方便的生活，并且生活的环境更加符合环保要求。智能窗户控制系统的设计思想也就在这种形势下应运而生。
目前的智能窗户控制系统仅能够通过命令对窗户进行控制，无法自适应性的学习用户的行为，同时，现在的智能窗户控制系统无法通过环境的变化对窗户的开合状态进行调整。
因此，亟需一种智能开关窗系统及方法，实现了根据室内外环境智能调控开关窗，进而提升了用户的使用体验。
发明内容
本发明的主要目的在于提供了一种智能开关窗系统及方法，旨在解决如何根据室内外环境智能调控开关窗，进而提升用户使用体验的技术问题。
为实现上述目的，本发明提供了一种智能开关窗系统，所述智能开关窗系统包括：数据获取模块、数据处理模块、模型构建模块和决策模块；
所述数据获取模块，用于收集室内外环境信息，并将所述室内外环境信息进行整合，获得环境数据集；
所述数据处理模块，用于将所述环境数据集进行数据预处理，获得处理数据集；
所述模型构建模块，用于构建决策树，并在所述决策树的节点嵌入目标前馈神经网络模型，生成开关窗决策模型；
所述决策模块，用于将所述处理数据集输入至所述开关窗决策模型，获得开关窗决策结果，并将所述开关窗决策结果传输至单片机，以使所述单片机对窗户的开关进行控制。
可选地，所述模型构建模块包括决策树优化子模块、神经网络构建子模块和嵌入子模块；
所述决策树优化子模块，用于构建决策树，并基于所述处理数据集对所述决策树的节点进行优化，获得优化决策树；
所述神经网络构建子模块，用于构建卷积网络模型和前馈神经网络模型，通过所述卷积网络模型对所述前馈神经网络模型进行训练，生成目标前馈神经网络模型；
所述嵌入子模块，用于在所述优化决策树的节点嵌入所述目标前馈神经网络模型，生成开关窗决策模型。
可选地，所述决策树优化子模块包括结构构建单元和结构优化单元；
所述结构构建单元，用于构建决策树；
所述结构优化单元，用于通过ID3算法和所述处理数据集对所述决策树的数据不同特征子空间进行构建，获得处理后的决策树；
所述结构优化单元，还用于将所述处理后的决策树中多余的决策树结构进行剪枝，生成所述优化决策树。
可选地，所述神经网络构建子模块包括历史数据获取单元、模型构建单元、第一训练单元、第二训练单元和第三训练单元；
所述历史数据获取单元，用于获取历史室内外环境数据集；
所述模型构建单元，用于构建卷积网络模型和前馈神经网络模型；
所述第一训练单元，用于通过所述历史室内外环境数据集对所述卷积网络模型进行训练，获得所述卷积网络模型的输出概率分布，并将所述输出概率分布作为教师模型软标签；
所述第二训练单元，用于基于交叉熵函数对所述前馈神经网络模型和教师模型软标签之间的损失进行计算，获得计算结果；
所述第三训练单元，基于所述计算结果对所述前馈神经网络模型进行训练，生成所述目标前馈神经网络模型。
可选地，所述数据获取模块包括：光照传感器、温度传感器、湿度传感器、摄像子模块、计算子模块和整合子模块；
所述光照传感器，用于检测室内外光照水平；
所述温度传感器，用于检测室内温度；
所述湿度传感器，用于检测室内湿度；
所述摄像子模块，用于获取室外天气信息；
所述数据集生成子模块，用于基于所述室内外光照水平、所述室内温度和所述室内湿度生成室内数据集；
所述整合子模块，用于将所述室外天气信息添加至所述室内数据集中，生成环境数据集。
可选地，所述数据集生成子模块包括：数据获取单元、关联度获取单元、数据集生成单元；
所述数据获取单元，用于获取所述室内外光照水平、所述室内温度和所述室内湿度；
所述关联度获取单元，用于获取所述室内外光照水平、所述室内温度和所述室内湿度之间的关联度；
所述数据集生成单元，用于基于所述关联度和所述室内外光照水平、所述室内温度和所述室内湿度生成室内数据集。
可选地，所述数据处理模块包括数据清洗子模块、归一化子模块和校对子模块；
所述数据清洗子模块，用于对所述环境数据集进行数据缺失值清洗，并通过回归分析方法将缺失值进行填充，获得清洗数据集；
所述归一化子模块，用于将所述清洗数据集进行归一化处理，获得归一化数据集；
所述校对子模块，用于将所述归一化数据集进行校对，获得处理数据集。
可选地，所述校对子模块，还用于以时间为约束构建数据验证框架，并通过所述数据验证框架对所述归一化数据集进行校对，获得校对结果；
所述校对子模块，还用于若所述校对结果为不存在错误数据，则获得处理数据集；
所述校对子模块，还用于若所述校对结果为存在错误数据，则将所述错误数据整合为错误数据集，并将所述反馈错误数据集至所述数据清洗子模块。
可选地，所述决策模块包括结果输出子模块、优先度设置子模块和单片机控制子模块；
所述结果输出子模块，用于将所述处理数据集输入至所述开关窗决策模型，获得开关窗决策结果；
所述优先度设置子模块，用于将用户命令的优先级设置于所述开关窗决策结果前；
所述单片机控制子模块，用于将所述开关窗决策结果反馈至单片机，通过所述单片机对窗户控制执行器进行控制，以实现对窗户的开关控制。
此外，为实现上述目的，本发明还提出一种智能开关窗方法，所述方法包括以下步骤：
收集室内外环境信息，并将所述室内外环境信息进行整合，获得环境数据集；
将所述环境数据集进行数据预处理，获得处理数据集；
构建决策树，并在所述决策树的节点嵌入目标前馈神经网络模型，生成开关窗决策模型；
将所述处理数据集输入至所述开关窗决策模型，获得开关窗决策结果，并将所述开关窗决策结果传输至单片机，以使所述单片机对窗户的开关进行控制。
本发明通过收集室内外环境信息，并将所述室内外环境信息进行整合，获得环境数据集；将所述环境数据集进行数据预处理，获得处理数据集；构建决策树，并在所述决策树的节点嵌入目标前馈神经网络模型，生成开关窗决策模型；将所述处理数据集输入至所述开关窗决策模型，获得开关窗决策结果，并将所述开关窗决策结果传输至单片机，以使所述单片机对窗户的开关进行控制。由于本发明是通过构建决策树，并将决策树的节点嵌入目标前馈神经网络模型，生成开关窗决策模型，然后将处理数据集输入至开关窗决策模型，获得开关窗决策结果，通过将开关窗决策结果传输至单片机控制窗户的开关，相比于现有技术，本发明通过开关窗决策模型获得开关窗决策结果，并通过单片机实现对窗户的开关控制，实现了根据室内外环境智能调控开关窗，进而提升了用户的使用体验。
附图说明
图1为本发明智能开关窗系统第一实施例的结构框图；
图2为本发明智能开关窗系统第二实施例的结构框图；
图3为本发明智能开关窗系统第三实施例的结构框图；
图4为本发明智能开关窗方法第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
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，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当人认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参照图1，图1为本发明智能开关窗系统第一实施例的结构框图。
如图1所示，该智能开关窗系统包括：数据获取模块100、数据处理模块200、模型构建模块300和决策模块400。
需要说明的是，本实施例提供的系统可以是应用在对窗户进行智能控制的场景中。此处以上述智能开关窗系统(以下简称系统)对本实施例和下述各实施例进行具体说明。
在本实施例中，所述数据获取模块100，用于收集室内外环境信息，并将所述室内外环境信息进行整合，获得环境数据集。
需要说明的是，所述数据获取模块包括：光照传感器、温度传感器、湿度传感器、摄像子模块、计算子模块和整合子模块。
需要解释的是，光照传感器，用于检测室内外光照水平；温度传感器，用于检测室内温度；湿度传感器，用于检测室内湿度；摄像子模块，用于获取室外天气信息；数据集生成子模块，用于基于所述室内外光照水平、所述室内温度和所述室内湿度生成室内数据集；整合子模块，用于将所述室外天气信息添加至所述室内数据集中，生成环境数据集。
进一步地，为了保证环境数据集的可靠性，所述数据集生成子模块包括：数据获取单元、关联度获取单元和数据集生成单元。
数据获取单元，用于获取所述室内外光照水平、所述室内温度和所述室内湿度；关联度获取单元，用于获取所述室内外光照水平、所述室内温度和所述室内湿度之间的关联度；数据集生成单元，用于基于所述关联度和所述室内外光照水平、所述室内温度和所述室内湿度生成室内数据集。
所述数据处理模块200，用于将所述环境数据集进行数据预处理，获得处理数据集。
可理解的是，上述数据预处理可是对上述环境数据集进行数据清洗，去除上述环境数据集中的缺失值，提高后续开关窗决策结果的准确性。
所述模型构建模块300，用于构建决策树，并在所述决策树的节点嵌入目标前馈神经网络模型，生成开关窗决策模型。
需要说明的是，所述模型构建模块300包括决策树优化子模块301、神经网络构建子模块302和嵌入子模块303。
所述决策树优化子模块301，用于构建决策树，并基于所述处理数据集对所述决策树的节点进行优化，获得优化决策树。
所述神经网络构建子模块302，用于构建卷积网络模型和前馈神经网络模型，通过所述卷积网络模型对所述前馈神经网络模型进行训练，生成目标前馈神经网络模型。
所述嵌入子模块303，用于在所述优化决策树的节点嵌入所述目标前馈神经网络模型，生成开关窗决策模型。
所述决策模块400，用于将所述处理数据集输入至所述开关窗决策模型，获得开关窗决策结果，并将所述开关窗决策结果传输至单片机，以使所述单片机对窗户的开关进行控制。
需要说明的是，所述决策模块400包括结果输出子模块401、优先度设置子模块402和单片机控制子模块403。
所述结果输出子模块401，用于将所述处理数据集输入至所述开关窗决策模型，获得开关窗决策结果。
所述优先度设置子模块402，用于将用户命令的优先级设置于所述开关窗决策结果前。
所述单片机控制子模块403，用于将所述开关窗决策结果反馈至单片机，通过所述单片机对窗户控制执行器进行控制，以实现对窗户的开关控制。
本实施例上述系统中数据获取模块100，用于收集室内外环境信息，并将所述室内外环境信息进行整合，获得环境数据集；数据处理模块200，用于将所述环境数据集进行数据预处理，获得处理数据集；模型构建模块300，用于构建决策树，并在所述决策树的节点嵌入目标前馈神经网络模型，生成开关窗决策模型；决策模块400，用于将所述处理数据集输入至所述开关窗决策模型，获得开关窗决策结果，并将所述开关窗决策结果传输至单片机，以使所述单片机对窗户的开关进行控制。由于本实施例是通过构建决策树，并将决策树的节点嵌入目标前馈神经网络模型，生成开关窗决策模型，然后将处理数据集输入至开关窗决策模型，获得开关窗决策结果，通过将开关窗决策结果传输至单片机控制窗户的开关，相比于现有技术，本发明通过开关窗决策模型获得开关窗决策结果，并通过单片机实现对窗户的开关控制，实现了根据室内外环境智能调控开关窗，进而提升了用户的使用体验。
参照图2，图2为本发明智能开关窗系统第二实施例的结构框图。
进一步地，为了进一步提高开关窗决策模型的可靠度，本实施例中所述智能开关窗系统中模型构建模块300中的决策树优化子模块301包括结构构建单元311和结构优化单元321，所述智能开关窗系统中的神经网络构建子模块302包括历史数据获取单元312、模型构建单元322、第一训练单元332、第二训练单元342和第三训练单元352。
需要说明的是，所述结构构建单元311，用于构建决策树。
所述结构优化单元321，用于通过ID3算法和所述处理数据集对所述决策树的数据不同特征子空间进行构建，获得处理后的决策树。
应理解的是，构建一个决策树。决策树的节点将对应于数据的不同特征子空间，每个节点负责对这个子空间进行建模。可以通过一些标准的决策树算法，例如ID3、C4.5或CART来实现，本实施例及以下各实施例以ID3算法为例进行说明。
需要说明的是，决策树的节点之间存在连接，这些连接表示数据流动的路径。每个节点的输出将根据决策树的条件决定是否传递到下一个节点，这种连接方式形成了决策树的结构。
在具体实现中，所述结构优化单元321，还用于将所述处理后的决策树中多余的决策树结构进行剪枝，生成所述优化决策树。
所述历史数据获取单元312，用于获取历史室内外环境数据集。
所述模型构建单元322，用于构建卷积网络模型和前馈神经网络模型。
所述第一训练单元332，用于通过所述历史室内外环境数据集对所述卷积网络模型进行训练，获得所述卷积网络模型的输出概率分布，并将所述输出概率分布作为教师模型软标签。
所述第二训练单元342，用于基于交叉熵函数对所述前馈神经网络模型和教师模型软标签之间的损失进行计算，获得计算结果。
所述第三训练单元352，基于所述计算结果对所述前馈神经网络模型进行训练，生成所述目标前馈神经网络模型。
在具体实现中，准备用于训练卷积神经网络的数据集，并设计合适的卷积神经网络结构。使用数据集对卷积神经网络进行训练。确保模型在任务上取得了较高的性能和精度。使用训练好的卷积神经网络对训练集和可能的验证集进行推理，获得卷积神经网络对数据的预测结果(Softmax输出)。这些预测结果被视为卷积神经网络的软标签。准备同样的数据集，并设计一个前馈神经网络作为前馈神经网络。
通常情况下，前馈神经网络的规模可能会更小，参数更少，以便于模型的快速训练和部署。使用卷积神经网络的软标签(即卷积神经网络的预测结果)作为前馈神经网络的目标标签，而不是使用原始的真实标签。在训练前馈神经网络时，优化它去逼近卷积神经网络的预测结果。对前馈神经网络进行训练，通过最小化前馈神经网络的预测结果和卷积神经网络的预测结果之间的差异(通常使用交叉熵损失函数等)，来学习卷积神经网络的知识。
本实施例上述系统中模型构建模块300中的决策树优化子模块301包括结构构建单元311和结构优化单元321，所述智能开关窗系统中的神经网络构建子模块302包括历史数据获取单元312、模型构建单元322、第一训练单元332、第二训练单元342和第三训练单元352。所述结构构建单元311，用于构建决策树；所述结构优化单元321，用于通过ID3算法和所述处理数据集对所述决策树的数据不同特征子空间进行构建，获得处理后的决策树；还用于将所述处理后的决策树中多余的决策树结构进行剪枝，生成所述优化决策树。所述历史数据获取单元312，用于获取历史室内外环境数据集；所述模型构建单元322，用于构建卷积网络模型和前馈神经网络模型；所述第一训练单元332，用于通过所述历史室内外环境数据集对所述卷积网络模型进行训练，获得所述卷积网络模型的输出概率分布，并将所述输出概率分布作为教师模型软标签；所述第二训练单元342，用于基于交叉熵函数对所述前馈神经网络模型和教师模型软标签之间的损失进行计算，获得计算结果；所述第三训练单元352，基于所述计算结果对所述前馈神经网络模型进行训练，生成所述目标前馈神经网络模型。相比与现有技术，本实施例通过利用前馈神经网络的实时性，并且基于交叉熵函数对前馈神经网络模型和教师模型软标签之间的损失进行计算，根据计算结果对前馈神经网络模型进行训练，生成目标前馈神经网络模型，能够学习和适应环境的变化，进一步提高开关窗决策模型的可靠度。
参考图3，图3为本发明智能开关窗系统第三实施例的结构框图。
为了保证处理数据集的可靠性，提高后续开关窗决策结果的准确率，本实施例中所述智能开关窗系统中所述数据处理模块200包括数据清洗子模块201、归一化子模块202和校对子模块203。
所述数据清洗子模块201，用于对所述环境数据集进行数据缺失值清洗，并通过回归分析方法将缺失值进行填充，获得清洗数据集。
所述归一化子模块202，用于将所述清洗数据集进行归一化处理，获得归一化数据集。
所述校对子模块203，用于将所述归一化数据集进行校对，获得处理数据集。
进一步地，为了防止数据清洗后任存在错误数据，从而影响后续开关窗决策结果的准确率，所述校对子模块，还用于以时间为约束构建数据验证框架，并通过所述数据验证框架对所述归一化数据集进行校对，获得校对结果；若所述校对结果为不存在错误数据，则获得处理数据集；若所述校对结果为存在错误数据，则将所述错误数据整合为错误数据集，并将所述反馈错误数据集至所述数据清洗子模块201。
本实施例上述系统中所述数据处理模块200包括数据清洗子模块201、归一化子模块202和校对子模块203，所述数据清洗子模块201，用于对所述环境数据集进行数据缺失值清洗，并通过回归分析方法将缺失值进行填充，获得清洗数据集；所述归一化子模块202，用于将所述清洗数据集进行归一化处理，获得归一化数据集；所述校对子模块203，用于将所述归一化数据集进行校对，获得处理数据集。另外，所述校对子模块203，还用于以时间为约束构建数据验证框架，并通过所述数据验证框架对所述归一化数据集进行校对，获得校对结果；若所述校对结果为不存在错误数据，则获得处理数据集；若所述校对结果为存在错误数据，则将所述错误数据整合为错误数据集，并将所述反馈错误数据集至所述数据清洗子模块201。相比于现有技术，本实施例通过对依次数据集进行数据缺失值清洗、归一化处理和数据校对，保证了处理数据集的可靠性，提高后续开关窗决策结果的准确率。
此外，参考图4，图4为本发明智能开关窗方法第一实施例的流程示意图，所述智能开关窗方法包括以下步骤：
步骤S10：收集室内外环境信息，并将所述室内外环境信息进行整合，获得环境数据集。
步骤S20：将所述环境数据集进行数据预处理，获得处理数据集。
步骤S30：构建决策树，并在所述决策树的节点嵌入目标前馈神经网络模型，生成开关窗决策模型。
步骤S40：将所述处理数据集输入至所述开关窗决策模型，获得开关窗决策结果，并将所述开关窗决策结果传输至单片机，以使所述单片机对窗户的开关进行控制。
本实施例通过收集室内外环境信息，并将所述室内外环境信息进行整合，获得环境数据集；将所述环境数据集进行数据预处理，获得处理数据集；构建决策树，并在所述决策树的节点嵌入目标前馈神经网络模型，生成开关窗决策模型；将所述处理数据集输入至所述开关窗决策模型，获得开关窗决策结果，并将所述开关窗决策结果传输至单片机，以使所述单片机对窗户的开关进行控制。由于本实施例是通过构建决策树，并将决策树的节点嵌入目标前馈神经网络模型，生成开关窗决策模型，然后将处理数据集输入至开关窗决策模型，获得开关窗决策结果，通过将开关窗决策结果传输至单片机控制窗户的开关，相比于现有技术，本实施例通过开关窗决策模型获得开关窗决策结果，并通过单片机实现对窗户的开关控制，实现了根据室内外环境智能调控开关窗，进而提升了用户的使用体验。
本发明智能开关窗方法的其他实施例或具体实现方式可参照上述各系统实施例，此处不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种智能开关窗系统，其特征在于，所述智能开关窗系统包括：数据获取模块、数据处理模块、模型构建模块和决策模块；
所述数据获取模块，用于收集室内外环境信息，并将所述室内外环境信息进行整合，获得环境数据集；
所述数据处理模块，用于将所述环境数据集进行数据预处理，获得处理数据集；
所述模型构建模块，用于构建决策树，并在所述决策树的节点嵌入目标前馈神经网络模型，生成开关窗决策模型；
所述决策模块，用于将所述处理数据集输入至所述开关窗决策模型，获得开关窗决策结果，并将所述开关窗决策结果传输至单片机，以使所述单片机对窗户的开关进行控制。
2.如权利要求1所述的智能开关窗系统，其特征在于，所述模型构建模块包括决策树优化子模块、神经网络构建子模块和嵌入子模块；
所述决策树优化子模块，用于构建决策树，并基于所述处理数据集对所述决策树的节点进行优化，获得优化决策树；
所述神经网络构建子模块，用于构建卷积网络模型和前馈神经网络模型，通过所述卷积网络模型对所述前馈神经网络模型进行训练，生成目标前馈神经网络模型；
所述嵌入子模块，用于在所述优化决策树的节点嵌入所述目标前馈神经网络模型，生成开关窗决策模型。
3.如权利要求2所述的智能开关窗系统，其特征在于，所述决策树优化子模块包括结构构建单元和结构优化单元；
所述结构构建单元，用于构建决策树；
所述结构优化单元，用于通过ID3算法和所述处理数据集对所述决策树的数据不同特征子空间进行构建，获得处理后的决策树；
所述结构优化单元，还用于将所述处理后的决策树中多余的决策树结构进行剪枝，生成所述优化决策树。
4.如权利要求2所述的智能开关窗系统，其特征在于，所述神经网络构建子模块包括历史数据获取单元、模型构建单元、第一训练单元、第二训练单元和第三训练单元；
所述历史数据获取单元，用于获取历史室内外环境数据集；
所述模型构建单元，用于构建卷积网络模型和前馈神经网络模型；
所述第一训练单元，用于通过所述历史室内外环境数据集对所述卷积网络模型进行训练，获得所述卷积网络模型的输出概率分布，并将所述输出概率分布作为教师模型软标签；
所述第二训练单元，用于基于交叉熵函数对所述前馈神经网络模型和教师模型软标签之间的损失进行计算，获得计算结果；
所述第三训练单元，基于所述计算结果对所述前馈神经网络模型进行训练，生成所述目标前馈神经网络模型。
5.如权利要求1所述的智能开关窗系统，其特征在于，所述数据获取模块包括：光照传感器、温度传感器、湿度传感器、摄像子模块、计算子模块和整合子模块；
所述光照传感器，用于检测室内外光照水平；
所述温度传感器，用于检测室内温度；
所述湿度传感器，用于检测室内湿度；
所述摄像子模块，用于获取室外天气信息；
所述数据集生成子模块，用于基于所述室内外光照水平、所述室内温度和所述室内湿度生成室内数据集；
所述整合子模块，用于将所述室外天气信息添加至所述室内数据集中，生成环境数据集。
6.如权利要求5所述的智能开关窗系统，其特征在于，所述数据集生成子模块包括：数据获取单元、关联度获取单元、数据集生成单元；
所述数据获取单元，用于获取所述室内外光照水平、所述室内温度和所述室内湿度；
所述关联度获取单元，用于获取所述室内外光照水平、所述室内温度和所述室内湿度之间的关联度；
所述数据集生成单元，用于基于所述关联度和所述室内外光照水平、所述室内温度和所述室内湿度生成室内数据集。
7.如权利要求1所述的智能开关窗系统，其特征在于，所述数据处理模块包括数据清洗子模块、归一化子模块和校对子模块；
所述数据清洗子模块，用于对所述环境数据集进行数据缺失值清洗，并通过回归分析方法将缺失值进行填充，获得清洗数据集；
所述归一化子模块，用于将所述清洗数据集进行归一化处理，获得归一化数据集；
所述校对子模块，用于将所述归一化数据集进行校对，获得处理数据集。
8.如权利要求7所述的智能开关窗系统，其特征在于，所述校对子模块，还用于以时间为约束构建数据验证框架，并通过所述数据验证框架对所述归一化数据集进行校对，获得校对结果；
所述校对子模块，还用于若所述校对结果为不存在错误数据，则获得处理数据集；
所述校对子模块，还用于若所述校对结果为存在错误数据，则将所述错误数据整合为错误数据集，并将所述反馈错误数据集至所述数据清洗子模块。
9.如权利要求1所述的智能开关窗系统，其特征在于，所述决策模块包括结果输出子模块、优先度设置子模块和单片机控制子模块；
所述结果输出子模块，用于将所述处理数据集输入至所述开关窗决策模型，获得开关窗决策结果；
所述优先度设置子模块，用于将用户命令的优先级设置于所述开关窗决策结果前；
所述单片机控制子模块，用于将所述开关窗决策结果反馈至单片机，通过所述单片机对窗户控制执行器进行控制，以实现对窗户的开关控制。
10.一种智能开关窗方法，其特征在于，所述方法包括以下步骤：
收集室内外环境信息，并将所述室内外环境信息进行整合，获得环境数据集；
将所述环境数据集进行数据预处理，获得处理数据集；
构建决策树，并在所述决策树的节点嵌入目标前馈神经网络模型，生成开关窗决策模型；
将所述处理数据集输入至所述开关窗决策模型，获得开关窗决策结果，并将所述开关窗决策结果传输至单片机，以使所述单片机对窗户的开关进行控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311817192.0A CN117823010A (zh) | 2023-12-26 | 2023-12-26 | 智能开关窗系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311817192.0A CN117823010A (zh) | 2023-12-26 | 2023-12-26 | 智能开关窗系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117823010A true CN117823010A (zh) | 2024-04-05 |
Family
ID=90518325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311817192.0A Pending CN117823010A (zh) | 2023-12-26 | 2023-12-26 | 智能开关窗系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117823010A (zh) |
-
2023
- 2023-12-26 CN CN202311817192.0A patent/CN117823010A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7188255B2 (ja) | 学習方法、学習プログラムおよび学習装置 | |
| US11050577B2 (en) | Automatically learning and controlling connected devices | |
| US20230350355A1 (en) | Heuristic method of automated and learning control, and building automation systems thereof | |
| JP7279445B2 (ja) | 予測方法、予測プログラムおよび情報処理装置 | |
| CN109471370B (zh) | 一种基于排气扇操作数据的行为预测及控制方法、系统 | |
| CN113939848A (zh) | 推论装置、推论方法及推论程序 | |
| CN112051743A (zh) | 设备控制方法、冲突处理方法、相应的装置及电子设备 | |
| WO2019063079A1 (en) | SYSTEM, DEVICE AND METHOD FOR OPTIMIZING ENERGY AND COMFORT IN AN IMMOTIC ENVIRONMENT | |
| CN112286150B (zh) | 一种智能家居设备管理方法、装置、系统及存储介质 | |
| US10605470B1 (en) | Controlling connected devices using an optimization function | |
| CN115527203B (zh) | 一种基于物联网的谷物干燥远程控制方法及系统 | |
| KR102324424B1 (ko) | 냉난방공조 에너지 최적화 장치 및 방법 | |
| CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
| CN113777938B (zh) | 一种家电控制方法、装置、设备及存储介质 | |
| CN111787064B (zh) | 一种基于专家系统的物联网联动控制方法及系统 | |
| WO2021038759A1 (ja) | モデル選択方法、モデル選択プログラムおよび情報処理装置 | |
| JP7389314B2 (ja) | 空気調和装置の制御システム | |
| CN117823010A (zh) | 智能开关窗系统及方法 | |
| Crispim et al. | Solar radiation prediction using RBF neural networks and cloudiness indices | |
| JP2018194932A (ja) | 制御装置、制御プログラム、学習データ作成方法、及び学習方法 | |
| May | The reinforcement learning method: A feasible and sustainable control strategy for efficient occupant-centred building operation in smart cities | |
| KR102389317B1 (ko) | 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법 | |
| CN110598916A (zh) | 一种用户行为模型的构建方法及系统 | |
| CN117706954B (zh) | 一种用于场景生成的方法及装置、存储介质、电子装置 | |
| US11874634B2 (en) | Multi-device coordination control device, multi-device coordinaton control method, and multi-device coordination control program, and learning device, learning method, and learning program |
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 |