一种基于人工智能的智能家居多传感器检测方法、系统及存储介质技术方案

本发明专利技术属于通信技术领域，公开了一种基于人工智能的智能家居多传感器检测方法、系统及存储介质，所述方法包括：S1、获取智能家居设备上多个传感器在工作状态下的数据；S2、利用神经网络模型对所述智能家居设备下一时刻的工作状态数据进行预测；S3、基于多个所述智能家居设备的神经网络模型构建二层神经网络模型；S4、利用所述二层神经网络模型对下一时刻多个所述智能家居设备之间的协同工作的状态进行预测；S5、根据所述二层神经网络模型的预测结果制定对智能家居设备的控制策略，并将该控制策略发送到对应的智能家居设备来实现对其进行控制，本发明专利技术不仅能提前检测到设备将发生的异常情况，还能够对多个智能家居设备之间的协同工作状态进行预测。同工作状态进行预测。

【技术实现步骤摘要】
一种基于人工智能的智能家居多传感器检测方法、系统及存储介质


[0001]本专利技术属于通信
，具体是涉及一种基于人工智能的智能家居多传感器检测方法、系统及存储介质。

技术介绍

[0002]伴随着计算机技术的发展，人们对居家环境的要求也越来越高，智能家居技术应运而生，智能家居技术通过网络将家中的各种设备连接到一起，提供家电控制、照明控制、窗帘控制、防盗报警等多种功能，能够优化人们的生活方式，具体的，智能家居设备上设置有多种传感器，现有的智能家居控制方式是，用户通过终端APP与智能家居设备进行通信，从而读取智能家居设备相关信息、读取传感器相关数据，进而根据获取的数据制定控制策略并将其发送到各智能家居设备上，从而实现远程遥控智能家居设备进行自主工作。
[0003]而在现有技术中较少对处于自主工作状态下的智能家居设备进行检测，从而确保智能家居设备始终处于正常的工作状态，进而也保证家庭环境的安全，除此之外，用户若想实现多个不同智能家居设备之间的协同工作，需要首先在与智能家居设备通信的终端APP上设定协同工作的规则，例如当智能门锁打开时，自动打开玄关处的照明灯，通过这种方式来实现不同智能家居设备之间的协同工作，具体的操作具有一定的复杂性，且各设备之间只能按照预先设定的规则工作，智能化程度不高，优化用户生活方式的效果有限。

技术实现思路

[0004]本专利技术的目的是针对以上技术问题，提供一种基于人工智能的智能家居多传感器检测方法、系统及存储介质，该专利技术通过获取智能家居设备上多个传感器在工作状态下的数据，将该数据作为神经网络模型的输入来预测智能家居设备在下一时刻的工作状态，接着又构建二层神经网络模型，并将上述神经网络模型对智能家居设备下一时刻工作状态的预测输出结果作为二层神经网络模型的输入数据，来预测下一时刻多个智能家居设备之间的协同工作的状态，本专利技术不仅能够起到检测智能家居设备在自主工作时的工作状态是否正常的作用，而且能够根据二层神经网络模型的输出结果，自动控制相应的智能家居设备进行协同工作。
[0005]为实现上述目的，本专利技术提供如下技术方案，通过如下的步骤来实现：
[0006]第一步，获取智能家居设备上多个传感器在工作状态下的数据；
[0007]第二步，利用神经网络模型对所述智能家居设备下一时刻的工作状态数据进行预测；
[0008]第三步，基于多个所述智能家居设备的神经网络模型构建二层神经网络模型；
[0009]第四步，利用所述二层神经网络模型对下一时刻多个所述智能家居设备之间的协同工作的状态数据进行预测；
[0010]第五步，根据所述二层神经网络模型的预测结果制定对智能家居设备的控制策
略，并将该控制策略发送到对应的智能家居设备来实现对其进行控制。
[0011]作为本专利技术的一种优选技术方案，第二步中所述的利用神经网络模型对智能家居设备下一时刻的工作状态数据进行预测的过程如下：
[0012]步骤一、确定神经网络模型输入层、输出层的神经元个数，具体的，输入层、输出层神经元个数的确定取决于模型的输入向量与输出向量各自的维数，由于通过采集智能家居设备上多个传感器的数据构建模型的输入向量，则传感器的个数即为输入层神经元的个数，相应的，选取智能家居设备不同工作状态的个数作为输出层神经元的个数；
[0013]步骤二、确定隐含层神经元的个数，并建立具有二层隐含层的神经网络模型，具体的，使用几何平均法来确定隐含层神经元的个数其中，m为输入层神经元个数，n为输出层神经元个数，接着，建立具有二层隐含层的神经网络模型，并连接位于模型不同层的神经元，每种连接方法对应一个连接权重；
[0014]步骤三、构建所述神经网络模型的训练数据集，该训练数据集不仅包括智能家居设备在正常工作状态下的传感器历史数据，还包括其工作状态发生异常时传感器的历史数据；
[0015]步骤四、对所述神经网络模型进行训练，具体的，首先通过产生随机数的方法初始化模型的连接权重，接着对训练数据集中的每个样本，神经网络模型将样本数据提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果，然后计算输出层的误差，再将误差逆向传播至隐层神经元，最后根据隐层神经元的误差对神经元的连接权重和误差进行调整，当训练误差达到阈值时停止对模型的训练；
[0016]步骤五、将智能家居设备多传感器在工作状态下某一时刻的数据输入神经网络模型，模型输出得到相应的智能家居设备在下一时刻的工作状态数据。
[0017]作为本专利技术的一种优选技术方案，第二步中利用神经网络模型对所述智能家居设备下一时刻的工作状态数据进行预测，该智能家居设备的工作状态包括正常工作的状态、异常工作的状态、及结束工作的状态。
[0018]作为本专利技术的一种优选技术方案，第三步中基于多个所述智能家居设备的神经网络模型构建二层神经网络模型的过程如下：
[0019]步骤一、确定二层神经网络模型输入层、输出层的神经元个数，具体的，输入层、输出层神经元个数的确定取决于模型的输入向量与输出向量各自的维数，由于要将S2中所述神经网络模型对多个智能家居设备下一时刻工作状态数据的预测输出结果作为二层神经网络模型的输入数据，则多个智能家居设备的个数为输入层神经元的个数，相应的，不同智能家居设备之间的协同工作的状态个数为输出层神经元的个数；
[0020]步骤二、确定隐含层神经元的个数，并建立具有二层隐含层的神经网络模型，具体的，同样使用几何平均法来确定隐含层神经元的个数其中，m为输入层神经元个数，n为输出层神经元个数，接着建立具有二层隐含层的神经网络模型，并连接位于模型不同层的神经元，每种连接方法对应一个连接权重；
[0021]步骤三、构建所述神经网络模型的训练数据集，该训练数据集包括多个不同的智能家居设备之间协同工作时的传感器的历史状态数据；
[0022]步骤四、对所述神经网络模型进行训练，具体的，首先通过产生随机数的方法初始
化模型的连接权重，接着对训练数据集中的每个样本，神经网络模型将样本数据提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果，然后计算输出层的误差，再将误差逆向传播至隐层神经元，最后根据隐层神经元的误差对神经元的连接权重和误差进行调整，当训练误差达到阈值时停止对模型的训练。
[0023]作为本专利技术的一种优选技术方案，第三步中基于多个所述智能家居设备的神经网络模型构建二层神经网络模型之前，当第二步中所述神经网络模型的预测输出结果为智能家居设备的工作状态将发生异常，则发送控制指令到相应的智能家居设备，使其结束工作状态。
[0024]作为本专利技术的一种优选技术方案，第四步中利用所述二层神经网络模型对下一时刻多个所述智能家居设备之间的协同工作的状态进行预测，该协同工作的状态包括不同智能家居设备之间相互配合发挥功能，及不同智能家居设备之间进行相互验证。
[0025]作为本专利技术的一种优选技术方案，第五步中根据所述二层神经网络模型的预测结果制定对智能家居设备的控制策略的过程如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的智能家居多传感器检测方法，其特征在于，包括如下步骤：S1、获取智能家居设备上多个传感器在工作状态下的数据；S2、利用神经网络模型对所述智能家居设备下一时刻的工作状态数据进行预测；S3、基于多个所述智能家居设备的神经网络模型构建二层神经网络模型；S4、利用所述二层神经网络模型对下一时刻多个所述智能家居设备之间的协同工作的状态数据进行预测；S5、根据所述二层神经网络模型的预测结果制定对智能家居设备的控制策略，并将该控制策略发送到对应的智能家居设备来实现对其进行控制。2.根据权利要求1所述的一种基于人工智能的智能家居多传感器检测方法，其特征在于，S2中所述的利用神经网络模型对智能家居设备下一时刻的工作状态数据进行预测的过程如下：S21、确定神经网络模型输入层、输出层的神经元个数，具体的，输入层、输出层神经元个数的确定取决于模型的输入向量与输出向量各自的维数，由于通过采集智能家居设备上多个传感器的数据构建模型的输入向量，则传感器的个数即为输入层神经元的个数，相应的，选取智能家居设备不同工作状态的个数作为输出层神经元的个数；S22、确定隐含层神经元的个数，并建立具有二层隐含层的神经网络模型，具体的，使用几何平均法来确定隐含层神经元的个数其中，m为输入层神经元个数，n为输出层神经元个数，接着，建立具有二层隐含层的神经网络模型，并连接位于模型不同层的神经元，每种连接方法对应一个连接权重；S23、构建所述神经网络模型的训练数据集，该训练数据集不仅包括智能家居设备在正常工作状态下的传感器历史数据，还包括其工作状态发生异常时传感器的历史数据；S24、对所述神经网络模型进行训练，具体的，首先通过产生随机数的方法初始化模型的连接权重，接着对训练数据集中的每个样本，神经网络模型将样本数据提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果，然后计算输出层的误差，再将误差逆向传播至隐层神经元，最后根据隐层神经元的误差对神经元的连接权重和误差进行调整，当训练误差达到阈值时停止对模型的训练；S25、将智能家居设备多传感器在工作状态下某一时刻的数据输入神经网络模型，模型输出得到相应的智能家居设备在下一时刻的工作状态数据。3.根据权利要求1所述的一种基于人工智能的智能家居多传感器检测方法，其特征在于，S2中利用神经网络模型对所述智能家居设备下一时刻的工作状态数据进行预测，该智能家居设备的工作状态包括正常工作的状态、异常工作的状态、及结束工作的状态。4.根据权利要求1所述的一种基于人工智能的智能家居多传感器检测方法，其特征在于，S3中基于多个所述智能家居设备的神经网络模型构建二层神经网络模型的过程如下：S31、确定二层神经网络模型输入层、输出层的神经元个数，具体的，输入层、输出层神经元个数的确定取决于模型的输入向量与输出向量各自的维数，由于要将S2中所述神经网络模型对多个智能家居设备下一时刻工作状态数据的预测输出结果作为二层神经网络模型的输入数据，则多个智能家居设备的个数为输入层神经元的个数，相应的，不同智能家居设备之间的协同工作的状态个数为输出层神经元的个数；
S32、确定隐含层神经...

【专利技术属性】
技术研发人员：邱宜宁，沈子雷，许华宇，孙羽佳，于东云，赵展，张耀军，
申请(专利权)人：信阳农林学院，
类型：发明
国别省市：