一种智能锁实时监控系统及方法技术方案

本发明专利技术公开了一种智能锁实时监控系统及方法，包括路径记录单元、网络定位单元和云端监控单元；路径记录单元，包括数据存储模块，记录智能锁的位移点形成路径，保存在数据存储模块，上传到云端保存；网络定位单元，包括网络传输模块，通过GPS定位确定自身方位，通过连接周围的公共WiFi辅助判断精确位置；云端监控单元，通过多神经元算法记录学习智能锁的移动路径，预测智能锁活动范围，当智能锁移动到预测范围外开始标记移动路线并下传到绑定的智能终端。本发明专利技术通过实时监控智能锁位置，判断安装智能锁的车辆状态，起到防盗功能，通过多神经元算法对使用智能锁的车辆进行路径记录，判断其活动范围，预测车辆的行动轨迹，起到进一步防盗的效果。步防盗的效果。步防盗的效果。

【技术实现步骤摘要】
一种智能锁实时监控系统及方法


[0001]本专利技术涉及智能锁实时监控系统，属于智能锁防盗领域。

技术介绍

[0002]大数据时代下，对智能锁的要求越来越高。智能锁原本是通过与智能终端连接，提高保密性，解放钥匙与锁眼这一传统锁形式的新产品，但在如今的大数据时代，智能锁如果仅仅与智能终端连接解锁，很明显不够智能，也浪费了智能终端的数据传输功能。
[0003]现有的智能锁少有实时监控的功能，不能对锁住的车辆进行监控，也不能实时汇报锁住车辆的位置。

技术实现思路

[0004]专利技术目的：提供一种智能锁实时监控系统及方法，以解决上述问题。
[0005]技术方案：一种智能锁实时监控系统，包括路径记录单元、网络定位单元和云端监控单元；路径记录单元，包括数据存储模块，记录智能锁的位移点形成路径，保存在数据存储模块，上传到云端保存；网络定位单元，包括网络传输模块，通过GPS定位确定自身方位，通过连接周围的公共WiFi辅助判断精确位置；云端监控单元，通过多神经元算法记录学习智能锁的移动路径，预测智能锁活动范围，当智能锁移动到预测范围外开始标记移动路线并下传到绑定的智能终端。
[0006]根据本专利技术的一个方面，所述路径记录单元在智能锁锁定模式定时上传自身定位，在智能锁解锁模式实时记录移动路径，当智能锁锁定模式上传的自身定位出现变化。
[0007]根据本专利技术的一个方面，所述网络定位单元包括位移传感器，判断智能锁移动状态，当智能锁处于移动状态时，即便智能锁处于锁定模式也激活智能锁实时上传定位功能记录移动路径。
[0008]根据本专利技术的一个方面，所述云端监控单元通过多神经元算法根据上传的路径记录预测携带智能锁的车辆的活动范围，作为该车辆的正常活动空间，当智能锁的定位出现在正常活动空间之外或者移动路径偏离常规路径，则想绑定的智能终端发送信息提示。
[0009]根据本专利技术的一个方面，所述云端监控单元包括多神经元结构包括输入层、隐含层和输出层，输入层到隐含层构建各子网互补交叉，隐含层到输出层构建相互交叉并且连接，构成多神经元控制器，在输入层输出数据等于输入数据，其中为t时间内输入层的输出数据，为t时间内输入层的输出数据，t为时间，i为序号，在隐含层的输入数据为
，为隐含层的输入数据，是网络权值，在输出层的输出数据为，为输出层的输出数据，为神经元数据，为了得到网络失真度假定所有神经节点数为N，各节点的权值为0，方差为σ的高斯分布，计算失真约束，其中n为活跃神经节点数量，D(n)为n个活跃神经节点发送信息到其他神经节点是产生的网络失真度，为个神经节点之间的相关系数，规定网络最大失真阈值，在遵循失真约束条件下充分利用神经节点，当失真度大于最大失真阈值则重新分配神经节点。
[0010]一种智能锁实时监控方法，利用多神经元算法学习时通过数据融合预测模型，需要优化神经节点的分配，具体步骤包括：步骤1、神经节点初始化，设定神经节点数量为N，最大失真阈值为，通过粒子群算法不断迭代找出低于阈值的最小失真度，停止选择，得到活跃神经节点；步骤2、确定活跃神经节点后，有活跃神经节点对多神经元进行区域划分，再进行数据传输，每个区域设为神经元模型，神经节点为输入层，活跃神经节点为隐含层到输出层，输入层对采集数据预处理，消除冗余操作，减少通信数据；步骤3、活跃神经节点根据信息构造多神经元网络，多神经元网络开始检索数据，对神经节点进行训练，将训练得到的预测数据与真实数据计算误差进行对比，神经节点学会判断是否传送数据，活跃神经节点报告信息；步骤4、将信息加入数据库进行迭代计算，判断网络失真度，如果没有超过设定阈值，重复步骤3进行反复学习，优化预测模型，如果超过阈值重复步骤2重新分配神经节点。
[0011]有益效果：本专利技术通过多神经元算法预测智能锁记录的车龄活动路径，实现实时监控，通过计算网络失真度，降低失真影响，通过设置活跃神经节点预处理消除冗余操作，减少通信数据，提高工作效率，加快响应速度。
附图说明
[0012]图1是本专利技术的智能锁实时监控系统的系统框图。
具体实施方式
[0013]用多神经元算法预测智能锁记录的车辆轨迹模型，当车辆偏离预测的活动范围就发送信号给绑定的智能终端。
[0014]在该实施例中，如图1所示，一种智能锁实时监控系统，包括路径记录单元、网络定位单元和云端监控单元；
路径记录单元，包括数据存储模块，记录智能锁的位移点形成路径，保存在数据存储模块，上传到云端保存；网络定位单元，包括网络传输模块，通过GPS定位确定自身方位，通过连接周围的公共WiFi辅助判断精确位置；云端监控单元，通过多神经元算法记录学习智能锁的移动路径，预测智能锁活动范围，当智能锁移动到预测范围外开始标记移动路线并下传到绑定的智能终端。
[0015]在进一步的实施例中，智能锁实时开启卫星定位，并与周围WiFi连接确定详细位置，当处于锁定模式下，会定时发送位置信号到云端，云端记录位置信息与解锁状态下的最后定位地点进行比对当偏离最后定位点会向绑定的智能终端发送位置信息；当智能锁处于解锁模式，会实时发送位置信号到云端，云端记录行动路径作为被锁车辆日常活动范围与行动轨迹的模型资料，建立预测模型，当解锁状态下的行宫轨迹与预测模型不同或者活动范围超过日常活动范围，即时发送信号到绑定的智能终端。
[0016]在此实施例中，采用多神经元算法生产预测模型，多神经元结构包括输入层、隐含层和输出层，输入层到隐含层构建各子网互补交叉，隐含层到输出层构建相互交叉并且连接，构成多神经元控制器，在输入层输出数据等于输入数据，其中为t时间内输入层的输出数据，为t时间内输入层的输出数据，t为时间，i为序号，在隐含层的输入数据为，为隐含层的输入数据，是网络权值，在输出层的输出数据为，为输出层的输出数据，为神经元数据。
[0017]多神经元算法对资源要求高，难以在计算资源不够的情况下应用，所以需要降低多神经元算法的运算量，同时网络数据传递会出现失真，需要降低网络失真度，首先要计算出失真度。
[0018]在进一步的实施例中，为了得到网络失真度假定所有神经节点数为N，各节点的权值为0，方差为σ的高斯分布，计算失真约束，其中n为活跃神经节点数量，D(n)为n个活跃神经节点发送信息到其他神经节点是产生的网络失真度，为个神经节点之间的相关系数，在此实施例中，规定网络最大失真阈值，在遵循失真约束条件下充分利用神经节点，当失真度大于最大失真阈值则重新分配神经节点。
[0019]一种智能锁实时监控方法，利用多神经元算法学习时通过数据融合预测模型，需
要优化神经节点的分配，具体步骤包括：步骤1、神经节点初始化，设定神经节点数量为N，最大失真阈值为，通过粒子群算法不断迭代找出低于阈值的最小失真度，停止选择，得到活跃神经节点；步骤2、确定活跃神经节点后，有活跃神经节点对多神经元进行区域划分，再进行数据传输，每个区域设为神经元模型，神经节点为输入层，活跃神经节点为隐含层到输出层，输入层对采集数据预处理，消除冗余本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能锁实时监控系统，其特征在于，包括路径记录单元、网络定位单元和云端监控单元；路径记录单元，包括数据存储模块，记录智能锁的位移点形成路径，保存在数据存储模块，上传到云端保存；网络定位单元，包括网络传输模块，通过GPS定位确定自身方位，通过连接周围的公共WiFi辅助判断精确位置；云端监控单元，通过多神经元算法记录学习智能锁的移动路径，预测智能锁活动范围，当智能锁移动到预测范围外开始标记移动路线并下传到绑定的智能终端。2.根据权利要求1所述的一种智能锁实时监控系统，其特征在于，所述路径记录单元在智能锁锁定模式定时上传自身定位，在智能锁解锁模式实时记录移动路径，当智能锁锁定模式上传的自身定位出现变化。3.根据权利要求1所述的一种智能锁实时监控系统，其特征在于，所述网络定位单元包括位移传感器，判断智能锁移动状态，当智能锁处于移动状态时，即便智能锁处于锁定模式也激活智能锁实时上传定位功能记录移动路径。4.根据权利要求1所述的一种智能锁实时监控系统，其特征在于，所述云端监控单元通过多神经元算法根据上传的路径记录预测携带智能锁的车辆的活动范围，作为该车辆的正常活动空间，当智能锁的定位出现在正常活动空间之外或者移动路径偏离常规路径，则想绑定的智能终端发送信息提示。5.根据权利要求1所述的一种智能锁实时监控系统，其特征在于，所述云端监控单元包括多神经元结构包括输入层、隐含层和输出层，输入层到隐含层构建各子网互补交叉，隐含层到输出层构建相互交叉并且连接，构成多神经元控制器，在输入层输出数据等于输入数据，其中为t时间内输入层的输出数据，为t时间内输入层的输出数...

【专利技术属性】
技术研发人员：葛士忠，黄月平，
申请(专利权)人：南京海索信息科技有限公司，
类型：发明
国别省市：