一种基于少量标记数据的模型训练方法、控制系统及空调机技术方案

本发明专利技术提供了一种基于少量标记数据的模型训练方法、控制系统及空调机，训练方法具体为构建初始神经网络模型，以当下空调的环境状态参数为模型输入，经过数据增广方法扩充数据后输入模型训练更新，准确预测出空调运行参数进而控制空调进入舒适节能模型运行；控制系统包括初始模型构建模块、数据增广模块和模型优化模块；本发明专利技术实现了利用少量标记数据和大量未标记数据完成较高性能的模型训练，解决了传统任务中因数据收集困难而导致模型无法训练或所训练的模型性能效果差的缺陷，进一步推进了传统行业与人工智能技术的深度结合。了传统行业与人工智能技术的深度结合。了传统行业与人工智能技术的深度结合。

【技术实现步骤摘要】
一种基于少量标记数据的模型训练方法、控制系统及空调机


[0001]本专利技术涉及空调
，具体涉及一种基于少量标记数据的模型训练方法、控制系统及空调机。

技术介绍

[0002]为了更好地将人工智能技术与传统行业相结合，数据收集工作是其应用落地的关键所在。然而，目前传统行业的数据收集工作难以进行，即使是在人力、时间成本足够的情况下也只能收集到少量的标记数据，收集空调运行的舒适节能标记数据更是如此。因此，为了规避标记数据采集难度大的问题，本文提出了一种基于少量标记数据的空调舒适节能模型训练方法。

技术实现思路

[0003]针对现有技术的不足，本专利技术提出了一种利用少量标记数据和大量未标记数据完成较高性能的模型训练的方法。
[0004]为实现上述目的，本专利技术采用如下技术方案：一种基于少量标记数据的模型训练方法，其特征在于，构建初始神经网络模型，以当下空调少量有标记的环境参数为模型输入，经过数据增广方法扩充数据后获得更多有标记的数据,并输入模型训练更新，准确预测出空调运行参数进而控制空调进入舒适节能模型运行。
[0005]进一步的，当下空调的环境参数包括条室内温度、设定温度、室外温度、排气温度、内管温度和外管温度。通过以上环境参数的输入达到充分描述当前环境状态及用户需求的效果。
[0006]进一步的，空调控制的参数包括外风机转速、压缩机转速和电子膨胀阀开度。以上三个参数为空调系统运行核心参数,通过调整这三个参数来调整空调的整体使用状态和功能。
[0007]进一步的，输入当下空调的环境参数后经过数据增广方法预测出未标记数据并删除，留下标记数据，经过若干次数据增广后，标记数据积累到一定数量，重新进行模型训练并更新。作用是去杂质，去噪，因为目标训练模型的数据，只有带标记的数据是有效的，所以需要去掉无标记的数据，只留下带标记的数据，达到更好的训练效果。
[0008]进一步的，一个未标记数据经过衰变后，增长产生若干个新数据。通过衰变进一步扩充得到新数据，增加数据量可以更好地筛选出有标记数据，以达到更好的训练效果。
[0009]进一步的，数据的增广过程具体为若干个新数据输入进同一分类器产生若干个概率分布，再经过均值化、温度Sharpen算法使平均概率分布方差更小，系统熵更小，进而预测出未标记数据的标签。筛选出未标记数据并进行剔除，进而只留下有标记的数据，达到更好的训练效果。
[0010]一种基于少量标记数据的模型控制系统，其特征在于，包括初始模型构建模块、数
据增广模块及模型优化模块，所述初始模型构建模块用于构建基础的训练模块，并将数据输入进行初始的训练，所述数据增广模块用于数据的扩充，所述模型优化模块用于模型的重新训练并更新。
[0011]进一步的，所述初始模型构建模块中输入有若干条经人工获取的实验室环境下舒适节能的空调运行数据。
[0012]进一步的，所述初始模型构建模块构建径向基神经网络框架，以室内温度、设定温度、室外温度、排气温度、内管温度、外管温度为输入层特征，以空调外风机转速、压缩机转速、电子膨胀阀开度为输出层特征来定义网络。
[0013]一种空调机，包括处理器和存储器，所述存储器用于存储计算机程序，其特征在于：所述计算机程序被所述处理器调用时实现以上任一项所述的基于少量标记数据的模型训练方法。
[0014]本专利技术提供的一种基于少量标记数据的模型训练方法的有益效果在于：利用少量标签数据便可训练出高性能的模型，以当下空调的环境状态参数为模型输入，准确预测出空调运行参数进而来控制空调进入舒适节能模式运行；解决了传统任务中因数据收集困难而导致模型无法训练或所训练的模型性能效果差的缺陷，进一步推进了传统行业与人工智能技术的深度结合。
附图说明
[0015]图1为本专利技术模型训练流程图；图2为本专利技术模型训练框架图。
具体实施方式
[0016]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。本领域普通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，均属于本专利技术的保护范围。
[0017]实施例1：一种基于少量标记数据的模型训练方法，参照图1、图2。
[0018]一种基于少量标记数据的模型训练方法，具体步骤包括：S1，首先，根据专家经验人工获取实验室环境下250条舒适节能的空调运行数据，构建径向基神经网络框架，以室内温度、设定温度、室外温度、排气温度、内管温度、外管温度为输入层特征，通过以上环境参数的输入达到充分描述当前环境状态及用户需求的效果，以空调外风机转速、压缩机转速、电子膨胀阀开度为输出层特征来定义网络，以上三个参数为空调系统运行核心参数,通过调整这三个参数来调整空调的整体使用状态和功能，利用获取到的已标记数据来进行初始网络训练（RBF神经网络模型训练）；S2，输入当下空调的环境参数，当下空调的环境参数包括室内温度、设定温度、室外温度、排气温度、内管温度和外管温度，任一个未标记的环境参数经过“K衰变”数据增长产生K个新数据，将K个新数据输入进同一分类器产生K个概率分布，在经过均值化、温度Sharpen算法使平均概率分布方差更小、系统熵更小，进而预测出未标记数据的标签，如此循环，实现数据增广；此步骤，通过衰变进一步扩充得到新数据，增加数据量可以更好地筛选出有标
记数据，并进行去杂质，去噪处理，因为目标训练模型的数据，只有带标记的数据是有效的，所以需要筛选出未标记数据并进行剔除，进而只留下有标记的数据，达到更好的训练效果。
[0019]S3，当样本数据积累到一定数量时，重新进行模型训练并更新，准确预测出空调运行参数进而控制空调进入舒适节能模型运行，（一定数量是指当准确度未达到95%时，继续进行数据增广）。
[0020]实施例2：一种基于少量标记数据的模型控制系统，参照图1、图2。
[0021]一种基于少量标记数据的模型控制系统，其特征在于，包括初始模型构建模块、数据增广模块及模型优化模块，下面就各个模块的具体步骤进行详细阐述：初始模型构建模块：首先，根据专家经验人工获取实验室环境下250条舒适节能的空调运行数据；其次，构建径向基神经网络框架，以室内温度、设定温度、室外温度、排气温度、内管温度、外管温度为输入层特征，（上述参数足以描述当前环境状态及用户需求），以空调外风机转速、压缩机转速、电子膨胀阀开度为输出层特征来定义网络（该三个参数为空调系统运行核心参数）；最后，利用获取到的已标记数据来进行初始网络训练。
[0022]数据增广模块：由于传统工业中想要获取特定属性的数据较为困难，而少量标签数据又难以通过训练得到高性能模型，所以必须研究数据增广方法来对设备日常数据进行删选并标注；一个未标记数据经过“K衰变”数据增长产生K个新数据。将K个新数据输入进同一分类器产生K个概率分布，在经过均值化、温度Sharpen算法使平均概率分布方差更小、系统熵更小，进而预测出未标记数据的标签。如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于少量标记数据的模型训练方法，其特征在于，构建初始神经网络模型，以当下空调少量有标记的环境参数为模型输入，经过数据增广方法扩充数据后获得更多有标记的数据,并输入模型训练更新，准确预测出空调运行参数进而控制空调进入舒适节能模型运行。2.如权利要求1所述的基于少量标记数据的模型训练方法，其特征在于：当下空调的环境参数包括室内温度、设定温度、室外温度、排气温度、内管温度和外管温度。3.如权利要求2所述的基于少量标记数据的模型训练方法，其特征在于：空调控制的参数包括外风机转速、压缩机转速和电子膨胀阀开度。4.如权利要求3所述的基于少量标记数据的模型训练方法，其特征在于：输入当下空调的环境参数后经过数据增广方法预测出未标记数据并删除，留下标记数据，经过若干次数据增广后，标记数据积累到一定数量，重新进行模型训练并更新。5.如权利要求4所述的基于少量标记数据的模型训练方法，其特征在于：一个未标记数据经过衰变后，增长产生若干个新数据。6.如权利要求5所述的基于少量标记数据的模型训练方法，其特征在于：数据的增广过程具体为若干个新数据输入进同一分类器...

【专利技术属性】
技术研发人员：岳冬，陈翀，宋德超，罗晓宇，
申请(专利权)人：珠海联云科技有限公司，
类型：发明
国别省市：