本发明专利技术涉及人工智能技术，揭露了一种基于人工智能和智能家居的参考信息生成方法，包括：对获取的家居信息进行数据清洗，得到家居信息的标准信息，利用归一化算法生成所述标准信息的家居语义；对所述家居语义进行聚类分组，得到所述家居语义的聚类语义；利用所述聚类语义构建所述家居信息的知识图谱；根据高斯差分尺度空间提取获取到的家居图片的图片特征；构建所述图片特征与所述知识图谱之间的有机映射，根据所述有机映射生成所述智能家居的参考信息。此外，本发明专利技术还涉及区块链技术，数据列表可存储于区块链的节点。本发明专利技术还提出一种基于人工智能和智能家居的参考信息生成系统。本发明专利技术可以提高基于人工智能和智能家居的参考信息生成的效率。考信息生成的效率。考信息生成的效率。
【技术实现步骤摘要】
基于人工智能和智能家居的参考信息生成系统及方法
[0001]本专利技术涉及人工智能
，尤其涉及一种基于人工智能和智能家居的参考信息生成方法及系统。
技术介绍
[0002]近年来,在智能化、自动化高新技术的驱动下,智能家居行业进入了飞速发展时期不同于传统的家庭住宅居住功能,智能家居是以住宅为平台,通过利用自动控制系统实现人与家居建筑之间的信息交换来提高控制性,人类在经过农耕、工业、电气化等时代后,将进入关注梦想、精神和生活情趣的新社会，按这一推论,轻松的家务劳动是解放人的前提，智能家电的出现,让这样的生活场景成为现实。由社会背景层面来看,近年来信息化的高度进展,通讯的自由化与高层次化、业务量的急速增加与人类对工作环境的安全性舒适性、效率性要求的提高,造成家居智能化的需求大为增加。
[0003]不同的智能家居所具备的功能大相径庭，但是智能家居的参考信息零散分布，且数据庞大，通常，对智能家居的参考信息人为地进行整合分类，导致参考信息整合分类的效率低下，因此如何基于人工智能和智能家居的参考信息生成效率，成为了亟待解决的问题。
技术实现思路
[0004]本专利技术提供一种基于人工智能和智能家居的参考信息生成方法及系统，其主要目的在于解决基于人工智能和智能家居的参考信息生成时效率较低的问题。
[0005]为实现上述目的，本专利技术提供的一种基于人工智能和智能家居的参考信息生成方法，包括：
[0006]获取家居信息库中的家居信息，对所述家居信息进行数据清洗，得到所述家居信息的标准信息，利用归一化算法生成所述标准信息的家居语义；
[0007]对所述家居语义进行聚类分组，得到所述家居语义的聚类语义；
[0008]利用所述聚类语义构建所述家居信息的知识图谱；
[0009]获取智能家居的家居图片，根据高斯差分尺度空间提取所述家居图片的图片特征，其中，所述高斯差分尺度空间的构建可利用如下高斯差分金字塔算法：
[0010][0011]其中，D(x,y,σ)是由所述家居图片生成的变换图片的高斯差分尺度空间， G(x,y,kσ)是高斯函数，(x,y)是所述变换图片的图片特征点的坐标，k为尺度变化率，σ为尺度，表示卷积，I(x,y)为所述变换图片，L(x,y,σ)是所述变换图片的高斯尺度空间；
[0012]构建所述图片特征与所述知识图谱之间的有机映射，根据所述有机映射生成所述智能家居的参考信息。
[0013]可选地，所述对所述家居信息进行数据清洗，得到所述家居信息的标准信息，包括：
[0014]根据方差过滤算法对所述家居信息进行初级数据清洗，得到所述家居信息的初级家居数据；
[0015]根据卡方过滤算法对所述初级家居数据进行中级数据清洗，得到所述初级家居数据的中级家居数据；
[0016]利用如下联合假设算法计算所述中级家居数据中的随机变量组的方差比：
[0017][0018][0019]其中，F为所述中级家居数据中的随机变量组的方差比，代表所述中级家居数据中的第i组随机变量的方差，代表所述中级家居数据中的第j组随机变量的方差，代表所述中级家居数据中的第i组随机变量的平均值，代表所述中级家居数据中的第j组随机变量的平均值，N代表所述随机变量组的组数，i是所述随机变量组的标识，j是所述随机变量组的标识；
[0020]根据所述方差比对所述中级家居数据进行终极数据清洗，得到所述中级家居数据的终极家居数据，确定所述终极家居数据为所述家居信息的标准信息。
[0021]可选地，所述利用归一化算法生成所述标准信息的家居语义，包括：
[0022]对所述标准信息进行分词处理，得到所述标准信息的信息分词；
[0023]对所述信息分词进行向量转化，得到所述信息分词的分词向量；
[0024]根据预设的向量阈值将所述分词向量分离为训练分词向量集和目标分词向量集；
[0025]利用归一化算法和所述训练分词向量集生成所述家居信息的语义分析模型，将所述目标分词向量集中的分词向量输入至所述语义分析模型，得到所述分词向量的分词语义，确定所述分词语义为所述家居信息的家居语义。
[0026]可选地，所述利用归一化算法和所述训练分词向量集生成所述家居信息的语义分析模型，包括：
[0027]对所述训练分词向量集中的分词向量进行编码，得到所述分词向量的分词序列；
[0028]逐个选取所述所述训练分词向量集中的其中一个分词向量为目标向量，生成所述目标向量的正向状态向量和所述目标向量的反向状态向量；
[0029]根据所述正向状态向量计算所述目标向量的正向类别概率，根据所述反向状态向量计算所述目标向量的反向类别概率；
[0030]利用归一化算法对所述正向类别概率和所述反向类别概率进行归一化处理，得到所述目标向量的归一化向量，根据所述归一化向量生成所述家居信息的语义分析模型。
[0031]可选地，所述对所述家居语义进行聚类分组，得到所述家居语义的聚类语义，包括：
[0032]确定所述家居语义进行聚类分组的聚类项目，根据所述聚类项目对所述家居语义进行一级聚类，得到多个所述家居语义的一级聚类标签集；
[0033]利用如下聚类指标算法计算其中一个所述一级聚类标签集的聚类指标：
[0034][0035]其中，m是所述一级聚类标签集中的聚类标签的标识，P是所述一级聚类标签集的聚类指标,x
m
是所述一级聚类标签集中的第m个聚类标签，l是所述一级聚类标签集中的聚类标签的总数；
[0036]根据梯度下降法和所述聚类指标确定所述家居语义进行聚类分组的最优组合，利用所述最优组合生成所述家居语义的聚类语义。
[0037]可选地，所述对所述家居语义进行聚类分组，得到所述家居语义的聚类语义，包括：
[0038]S11、对所述家居语义进行初始化处理，得到所述家居语义的初始化语义；
[0039]S12、对预设的聚类模型的偏向参数进行差分优化，得到差分优化后的聚类模型；
[0040]S13、利用差分优化后的聚类模型对所述初始化语义进行聚类分组，得到所述初始化语义的初级聚类标签集，计算所述初级聚类标签集的聚类准确度；
[0041]S14、当所述聚类准确度小于或者等于预设的准确度阈值时，对所述初级聚类标签集进行遗传交叉处理，得到交叉标签集；
[0042]S15、将所述交叉标签集重复步骤S13
‑
S14，直至所述交叉标签集的聚类准确度大于预设的准确度阈值，确定所述交叉标签集为所述家居语义的聚类语义；
[0043]S16、当所述聚类准确度大于预设的准确度阈值时，确定所述初级聚类标签集为所述家居语义的聚类语义。
[0044]可选地，所述提取所述家居图片的图片特征，包括：
[0045]对所述家居图片进行降噪处理，得到所述家具图片的降噪图片；
[0046]对所述降噪图片进行小波变换，得到所述降噪图片的变换图片；
[004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和智能家居的参考信息生成方法，其特征在于，所述方法包括：获取家居信息库中的家居信息，对所述家居信息进行数据清洗，得到所述家居信息的标准信息，利用归一化算法生成所述标准信息的家居语义；对所述家居语义进行聚类分组，得到所述家居语义的聚类语义；利用所述聚类语义构建所述家居信息的知识图谱；获取智能家居的家居图片，根据高斯差分尺度空间提取所述家居图片的图片特征，其中，所述高斯差分尺度空间的构建可利用如下高斯差分金字塔算法：其中，D(x,y,σ)是由所述家居图片生成的变换图片的高斯差分尺度空间，G(x,y,kσ)是高斯函数，(x,y)是所述变换图片的图片特征点的坐标，k为尺度变化率，σ为尺度，表示卷积，I(x,y)为所述变换图片，L(x,y,σ)是所述变换图片的高斯尺度空间；构建所述图片特征与所述知识图谱之间的有机映射，根据所述有机映射生成所述智能家居的参考信息。2.如权利要求1所述的基于人工智能和智能家居的参考信息生成方法，其特征在于，所述对所述家居信息进行数据清洗，得到所述家居信息的标准信息，包括：根据方差过滤算法对所述家居信息进行初级数据清洗，得到所述家居信息的初级家居数据；根据卡方过滤算法对所述初级家居数据进行中级数据清洗，得到所述初级家居数据的中级家居数据；利用如下联合假设算法计算所述中级家居数据中的随机变量组的方差比：联合假设算法计算所述中级家居数据中的随机变量组的方差比：其中，F为所述中级家居数据中的随机变量组的方差比，代表所述中级家居数据中的第i组随机变量的方差，代表所述中级家居数据中的第j组随机变量的方差，代表所述中级家居数据中的第i组随机变量的平均值，代表所述中级家居数据中的第j组随机变量的平均值，N代表所述随机变量组的组数，i是所述随机变量组的标识，j是所述随机变量组的标识；根据所述方差比对所述中级家居数据进行终极数据清洗，得到所述中级家居数据的终极家居数据，确定所述终极家居数据为所述家居信息的标准信息。3.如权利要求1所述的基于人工智能和智能家居的参考信息生成方法，其特征在于，所述利用归一化算法生成所述标准信息的家居语义，包括：对所述标准信息进行分词处理，得到所述标准信息的信息分词；对所述信息分词进行向量转化，得到所述信息分词的分词向量；
根据预设的向量阈值将所述分词向量分离为训练分词向量集和目标分词向量集；利用归一化算法和所述训练分词向量集生成所述家居信息的语义分析模型，将所述目标分词向量集中的分词向量输入至所述语义分析模型，得到所述分词向量的分词语义，确定所述分词语义为所述家居信息的家居语义。4.如权利要求3所述的基于人工智能和智能家居的参考信息生成方法，其特征在于，所述利用归一化算法和所述训练分词向量集生成所述家居信息的语义分析模型，包括：对所述训练分词向量集中的分词向量进行编码，得到所述分词向量的分词序列；逐个选取所述所述训练分词向量集中的其中一个分词向量为目标向量，生成所述目标向量的正向状态向量和所述目标向量的反向状态向量；根据所述正向状态向量计算所述目标向量的正向类别概率，根据...
【专利技术属性】
技术研发人员：周益平，
申请(专利权)人：周益平，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。