[发明专利]一种基于神经网络的智能家居多传感器数据融合方法在审
申请号: | 201910177124.X | 申请日: | 2019-03-08 |
公开(公告)号: | CN110084358A | 公开(公告)日: | 2019-08-02 |
发明(设计)人: | 陈小平 | 申请(专利权)人: | 佛山市云米电器科技有限公司;陈小平 |
主分类号: | G06N3/04 | 分类号: | G06N3/04;G06N3/08;G01D21/02;G01R19/00 |
代理公司: | 佛山市禾才知识产权代理有限公司 44379 | 代理人: | 单蕴倩;梁永健 |
地址: | 528000 广东省佛山市顺德区伦教街道办事*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 智能家居 物理量 神经网络 多传感器数据融合 实际输出 多传感器 决策状态 神经网络技术 传感器测量 最大化利用 海量数据 构建 测量 输出 融合 转化 | ||
1.一种基于神经网络的智能家居多传感器数据融合方法,其特征在于:
具体步骤如下:
步骤A:使用多种传感器测量智能家居的工作物理量;
步骤B:将测量到的智能家居的工作物理量转化成所对应的实际输出物理量;
步骤C:构建深度神经网络,将步骤B中得到的实际输出物理量作为输入,通过深度神经网络的训练后,得到与实际输出物理量所对应的智能家居决策状态,并将此作为输出,根据智能家居决策状态控制智能家居。
2.根据权利要求1所述一种基于神经网络的智能家居多传感器数据融合方法,其特征在于:
包括建立数据集,并将所述实际输出物理量作为所述数据集训练神经网络的数据。
3.根据权利要求2所述一种基于神经网络的智能家居多传感器数据融合方法,其特征在于:
训练神经网络的具体步骤如下:
步骤一:计算神经网络中多层感知器的每一层的状态和激活值,直到最后一层;
步骤二:计算神经网络中多层感知器的每一层的误差;
步骤三:更新权重参数。
4.根据权利要求3所述一种基于神经网络的智能家居多传感器数据融合方法,其特征在于:
所述多层感知器包括三层结构,分别为输入层、隐藏层和输出层。
5.根据权利要求4所述一种基于神经网络的智能家居多传感器数据融合方法,其特征在于:
在步骤二中,计算每一层的误差项,包括使用公式一计算所述输出层的误差项;
公式一:
δi=yi(1-yi)(ti-yi)
其中:δi表示节点i的误差项,yi表示节点i的输出值,ti表示样本对应于节点i的目标值。
6.根据权利要求4所述一种基于神经网络的智能家居多传感器数据融合方法,其特征在于:
在步骤二中,计算每一层的误差项,包括使用公式二计算所述隐藏层的误差项;
公式二:
其中:ai是节点i的输出值,ωki是节点i到下一层节点k的连接的权重,δk是节点i的下一层节点k的误差项。
7.根据权利要求4所述一种基于神经网络的智能家居多传感器数据融合方法,其特征在于:
在步骤三中,更新权重参数包括使用公式三进行更新;
公式三:
ωji←ωji+ηδixji
其中:ωji是节点i到节点j的权重,η是一个成为学习速率的常数,δi是节点i的误差项,xji是节点i传递给节点j的输入值。
8.根据权利要求4所述一种基于神经网络的智能家居多传感器数据融合方法,其特征在于:
在计算神经网络中多层感知器的每一层误差时,由最后一层向第一层推进计算,即误差计算结构为输出层→隐藏层→输入层。
9.根据权利要求1所述一种基于神经网络的智能家居多传感器数据融合方法,其特征在于:
在步骤C中,得到与实际输出物理量所对应的智能家居决策状态包括:
在步骤B中得到的实际输出物理量通过神经网络训练后得到的参数数据与智能家居的决策状态下的参数数据相匹配,根据匹配结果执行智能家居的决策状态。
10.根据权利要求1所述一种基于神经网络的智能家居多传感器数据融合方法,其特征在于:
在步骤B中,将测量到的智能家居的工作物理量转化成所对应的实际输出物理量包括:
对智能家居设置至少两个传感器,传感器之间实时连接,一个传感器用于测量智能家居工作物理量,另一个传感器用于实时测量智能家居工作时的电压值,并相互匹配形成数据集合。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于佛山市云米电器科技有限公司;陈小平,未经佛山市云米电器科技有限公司;陈小平许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910177124.X/1.html,转载请声明来源钻瓜专利网。