[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

说明书

一种基于神经网络的智能家居多传感器数据融合方法，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。本发明提出一种基于神经网络的智能家居多传感器数据融合方法，运用神经网络技术对多传感器数据进行融合，从而最大化利用海量数据，提升处理多传感器数据的效果。

技术领域

本发明涉及智能家居技术领域，尤其涉及一种基于神经网络的智能家居多传感器数据融合方法。

背景技术

随着人工智能技术的不断发展，家用电器的智能化程度越来越高，家居环境中的传感器种类和数量也势必越来越多，随之而来的数据量也会越来越多。这些数据中包含着各种与用户密切相关的信息，如果能够高效利用，必将极大提升产品的用户体验。而传统的多传感器数据融合技术在这种场景下难免出现技术脱节。

多传感器的数据融合方法常见有两大类，即随机和人工智能两类。现今使用最多的是还随机类算法，比如加权平均法、卡尔曼滤波法、多贝叶斯估计法等。但是这些方法都存在较大的缺点，比如卡尔曼滤波法在处理大量数据信息的时候，计算量巨大，实时性难以满足，而且故障传感器的数据会污染处理结果。贝叶斯估计法在系统规则改变时需要重新计算所有概率，运算量巨大。最重要的是这些算法都有一定的应用场景限制，要求获得比较精确的对象数学模型，对于复杂的难于建立模型的场合无法适用，在家居环境中处理如此多传感器数据时，实际效果可能并不理想。

发明内容

本发明提出一种基于神经网络的智能家居多传感器数据融合方法，运用神经网络技术对多传感器数据进行融合，从而最大化利用海量数据，提升处理多传感器数据的效果。

为达此目的，本发明采用以下技术方案：

一种基于神经网络的智能家居多传感器数据融合方法，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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：

δ_i＝y_i(1-y_i)(t_i-y_i)

其中：δ_i表示节点i的误差项，y_i表示节点i的输出值，t_i表示样本对应于节点i的目标值。

优选的，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：