[发明专利]基于语音识别神经网络模型的智能家居网关方法及系统

权利要求书

1.基于语音识别神经网络模型的智能家居网关方法，其特征在于，包括以下步骤：

步骤S1：智能家居网关接收语音采集设备采集的语音信息；

步骤S2：对所述语音信息进行语音识别处理，获得目标智能家居设备和目标操作；

步骤S3：向所述目标智能家居设备发送控制指令，所述控制指令用于指示所述目标智能家居设备执行所述目标操作。

2.根据权利要求1所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，所述步骤S2的具体过程，包括以下步骤：

步骤A1：构建语音识别神经网络模型；

步骤A2：将语音信息输入所述语音识别神经网络模型；

步骤A3：语音识别神经网络模型输出目标智能家居设备和目标操作。

3.根据权利要求2所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，所述目标智能家居设备为通过所述语音信息待控制的智能家居设备；所述目标操作为通过所述语音信息控制所述目标智能家居设备所执行的操作。

4.根据权利要求2所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，所述步骤A1的具体过程，包括以下步骤：

步骤B1：获取训练数据，所述训练数据包括音频信号及对应的标注文本；

步骤B2：构建包含神经网络滤波器、神经网络编码器、激活函数输出层的初始神经网络模型，所述神经网络滤波器包括可参数化的带通滤波器，所述可参数化的带通滤波器通过训练卷积带通滤波器的训练参数获得；

步骤B3：使用训练数据训练初始神经网络模型的训练参数，并通过损失函数在训练过程中优化初始神经网络模型，得到语音识别神经网络模型。

5.根据权利要求4所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，所述步骤B3的具体过程，包括以下步骤：

步骤C1：设定初始神经网络模型的训练参数的初始值，所述初始神经网络模型的训练参数包括卷积带通滤波器的训练参数和神经网络编码器的训练参数，所述卷积带通滤波器的训练参数至少包括卷积带通滤波器的低截止频率和高截止频率；

步骤C2：将音频信号输入卷积带通滤波器，经过神经网络编码器，通过激活函数输出层输出预测文本；

步骤C3：使用损失函数计算预测文本与标注文本的差值，以确定初始神经网络模型的损失值；

步骤C4：确定损失值相对于初始神经网络模型的训练参数的梯度，并将初始神经网络模型的训练参数沿梯度进行反向调整；

步骤C5：通过迭代处理对初始神经网络模型的训练参数进行多次反向调整，直至初始神经网络模型的损失值小于预设阈值，得到语音识别神经网络模型。

6.根据权利要求4所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，所述步骤A1还包括：使用窗函数对所述卷积带通滤波器进行加窗处理，所述窗函数包括Hann函数、Balckman函数或Kaiser函数。

7.根据权利要求4所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，所述步骤A1还包括：使用测试数据对所述语音识别神经网络模型进行测试验证。

8.根据权利要求4或5或6或7所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，所述步骤B1还包括：对所述训练数据进行预处理。

9.基于语音识别神经网络模型的智能家居网关系统，采用如权利要求1-8任一项所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，包括智能家居网关及与所述智能家居网关建立网络连接的语音采集设备，所述智能家居网关连接智能家居设备，所述智能家居网关集成有语音识别模块，所述语音识别模块通过构建以语音信息为输入，以目标智能家居设备和目标操作为输出的语音识别神经网络模型进行语音识别。

10.根据权利要求9所述的基于语音识别神经网络模型的智能家居网关系统，其特征在于，所述语音识别神经网络模型包括神经网络滤波器、神经网络编码器和激活函数输出层，所述神经网络滤波器包括可参数化的带通滤波器，所述可参数化的带通滤波器通过训练卷积带通滤波器的训练参数获得。