物联网智能家居方法、系统和电子设备技术方案

本申请公开了一种物联网智能家居方法、系统和电子设备，其通过时序编码器对各个所述传感器在所述多个预定时间点的测量值进行高维关联特征提取，并在高维特征层面进行融合时，由于数据分布本身符合高斯分布，且所述各个特征向量在特征域方面存在巨大差异，因此针对高斯密度图可以用作卷积神经网络的学习目标的特性，通过高斯密度图的均值和斜方差迭代方式来进行特征融合。这样，再通过基于似然最大化的迭代方式，可以动态地更新目标密度图以修正特征域偏移以帮助卷积神经网学习到一致的特征表示，并且其对尺度变化鲁棒，响应区域可以反映融合特征的尺度特征，且协方差矩阵被迭代地调整以适应响应区域。这样能够对家中的火灾进行准确且及时地预警。进行准确且及时地预警。进行准确且及时地预警。

【技术实现步骤摘要】
物联网智能家居方法、系统和电子设备


[0001]本申请涉及智能家居的领域，且更为具体地，涉及一种物联网智能家居方法、系统和电子设备。
[0002]
技术介绍

[0003]随着现代都市生活节奏的加剧,工作压力的增大,越来越多的人们渴望有一个安全、舒适、智能化的避风港。而物联网技术、无线通信技术、嵌入式技术和数据融合等技术的快速发展已经将这一愿望变成了可能,从而使得智能化、安全化的家居生活已经不再是遥不可及。
[0004]为了满足现如今用户对智能家居安防中的一些需求,以及考虑到当今智能家居安防存在的一些不足之处，例如，大多数智能家居安防系统中的检测模块只根据单个传感器检测到的数据判断决策是否异常,尤其是火灾的检测,这样得到的结果精度不高,存在误报警与漏报警情况。因此，为了利用多传感器数据融合方法对家中的火灾进行准确及时地预警，期望一种物联网智能家居方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种物联网智能家居方法、系统和电子设备，其通过时序编码器对各个所述传感器在所述多个预定时间点的测量值进行高维关联特征提取，并在高维特征层面进行融合时，由于数据分布本身符合高斯分布，且所述各个特征向量在特征域方面存在巨大差异，因此针对高斯密度图可以用作卷积神经网络的学习目标的特性，通过高斯密度图的均值和斜方差迭代方式来进行特征融合。这样，再通过基于似然最大化的迭代方式，可以动态地更新目标密度图以修正特征域偏移以帮助卷积神经网学习到一致的特征表示，并且其对尺度变化鲁棒，响应区域可以反映融合特征的尺度特征，且协方差矩阵被迭代地调整以适应响应区域。这样能够对家中的火灾进行准确且及时地预警。
[0006]根据本申请的一个方面，提供了一种物联网智能家居方法，其包括：获取部署于家中的多个传感器在多个预定时间点的测量值，其中，所述多个传感器包括温度传感器、烟雾探测器和一氧化碳探测器；将各个所述传感器在所述多个预定时间点的测量值分别排列为输入向量后再分别通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量、第二特征向量和第三特征向量；构造所述第一至第三特征向量的第一至第三高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量中相应两个位置的特征值之间的方差，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特
征向量中相应两个位置的特征值之间的方差，所述第三高斯密度图的均值向量为所述第三特征向量，所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量中相应两个位置的特征值之间的方差；基于似然最大化的迭代方式来融合所述第一至第三高斯密度图以获得最终的高斯密度图，其中，所述似然最大化的迭代方式表示融合后的高斯密度图的均值向量为两个待融合的高斯密度图的均值向量之间的点乘，融合后的高斯密度图的协方差矩阵为第一个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积之间的乘积再乘以第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积的转置；对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以获得分类矩阵；以及将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示是否产生火灾预警。
[0007]在上述物联网智能家居方法中，将各个所述传感器在所述多个预定时间点的测量值分别排列为输入向量后再分别通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量、第二特征向量和第三特征向量，包括：使用所述时序编码器的全连接层以如下公式分别对所述输入向量进行编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为，其中是输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；以及，使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
[0008]在上述物联网智能家居方法中，基于似然最大化的迭代方式来融合所述第一至第三高斯密度图以获得最终的高斯密度图，包括：基于似然最大化的迭代方式以如下公式来融合所述第一至第三高斯密度图以获得最终的高斯密度图；其中，所述公式为：所述公式为：其中表示点乘，表示张量乘，且，。
[0009]在上述物联网智能家居方法中，对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以获得分类矩阵，包括：对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以将各个位置的高斯分布转化为一维的向量；以及，将所述最终的高斯密度图中各个位置的高斯分布对应的一维的向量进行二维排列以获得所述分类矩阵。
[0010]在上述物联网智能家居方法中，将所述分类矩阵通过分类器以获得分类结果，所
述分类结果用于表示是否产生火灾预警，包括：使用所述分类器以如下公式对所述分类矩阵进行处理以生成所述分类结果，其中，所述公式为：，其中表示将所述分类矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
[0011]在上述物联网智能家居方法中，所述物联网智能家居方法，进一步包括响应于所述分类结果为产生火灾预警，发出火灾预警提示。
[0012]根据本申请的另一方面，提供了一种物联网智能家居系统，其包括：测量值获取单元，用于获取部署于家中的多个传感器在多个预定时间点的测量值，其中，所述多个传感器包括温度传感器、烟雾探测器和一氧化碳探测器；编码单元，用于将各个所述测量值获取单元获得的所述传感器在所述多个预定时间点的测量值分别排列为输入向量后再分别通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量、第二特征向量和第三特征向量；高斯密度图构造单元，用于构造所述编码单元获得的所述第一至第三特征向量的第一至第三高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量中相应两个位置的特征值之间的方差，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量中相应两个位置的特征值之间的方差，所述第三高斯密度图的均值向量为所述第三特征向量，所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量中相应两个位置的特征值之间的方差；似然最大化融合单元，用于基于似然最大化的迭代方式来融合所述高斯密度图构造单元获得的所述第一至第三高斯密度图以获得最终的高斯密度图，其中，所述似然最大化的迭代方式表示融合后的高斯密度图的均值向量为两个待融合的高斯密度图的均值向量之间的点乘，融合后的高斯密度图的协方差矩阵为第一个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物联网智能家居方法，其特征在于，包括：获取部署于家中的多个传感器在多个预定时间点的测量值，其中，所述多个传感器包括温度传感器、烟雾探测器和一氧化碳探测器；将各个所述传感器在所述多个预定时间点的测量值分别排列为输入向量后再分别通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量、第二特征向量和第三特征向量；构造所述第一至第三特征向量的第一至第三高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量中相应两个位置的特征值之间的方差，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量中相应两个位置的特征值之间的方差，所述第三高斯密度图的均值向量为所述第三特征向量，所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量中相应两个位置的特征值之间的方差；基于似然最大化的迭代方式来融合所述第一至第三高斯密度图以获得最终的高斯密度图，其中，所述似然最大化的迭代方式表示融合后的高斯密度图的均值向量为两个待融合的高斯密度图的均值向量之间的点乘，融合后的高斯密度图的协方差矩阵为第一个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积之间的乘积再乘以第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积的转置；对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以获得分类矩阵；以及将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示是否产生火灾预警。2. 根据权利要求1所述的物联网智能家居方法，其中，将各个所述传感器在所述多个预定时间点的测量值分别排列为输入向量后再分别通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量、第二特征向量和第三特征向量，包括：使用所述时序编码器的全连接层以如下公式分别对所述输入向量进行编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为，其中是输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；以及使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。3.根据权利要求2所述的物联网智能家居方法，其中，基于似然最大化的迭代方式来融
合所述第一至第三高斯密度图以获得最终的高斯密度图，包括：基于似然最大化的迭代方式以如下公式来融合所述第一至第三高斯密度图以获得最终的高斯密度图；其中，所述公式为：所述公式为：其中表示点乘，表示张量乘，且，。4. 根据权利要求3所述的物联网智能家居方法，其中，对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以获得分类矩阵，包括：对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以将各个位置的高斯分布转化为一维的向量；以及将所述最终的高斯密度图中各个位置的高斯分布对应的一维的向量进行二维排列以获得所述分类矩阵。5.根据权利要求4所述的物联网智能家居方法，其中，将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示是否产生火灾预警，包括：使用所述分类器以如下公式对所述分类矩阵进行处理以生成所述分类结果，其中，所述公式为：，其中表示将...

【专利技术属性】
技术研发人员：张文平，白维朝，
申请(专利权)人：深圳市经纬纵横科技有限公司，
类型：发明
国别省市：