分布式无线设备唤醒休眠管理方法、系统和电子设备技术方案

本申请公开了一种分布式无线设备唤醒休眠管理方法、系统和电子设备，其基于深度学习的分类问题来对分布式无线设备进行唤醒或者休眠控制。具体地，通过使用卷积神经网络提取待控制的所有分布式无线设备可能的状态迁移矩阵中各个分布式无线设备的状态之间的高维深层关联关系，然后获取各个分布式无线设备的当前状态变换向量，利用转换器的原理，计算当前状态特征向量与初始状态变化的转换值，并通过分类器就可以获得每个位置对应的概率值，从而根据该状态变换的概率值对相应的分布式无线设备进行唤醒或者休眠。线设备进行唤醒或者休眠。线设备进行唤醒或者休眠。

【技术实现步骤摘要】
分布式无线设备唤醒休眠管理方法、系统和电子设备


[0001]本专利技术涉及智能设备领域，且更为具体地，涉及一种分布式无线设备唤醒休眠管理方法、分布式无线设备唤醒休眠管理系统和电子设备。

技术介绍

[0002]随着智慧家庭理念的普及，越来越多的家用电器具有无线连接功能。也就是，这些家用电器连接到家庭中的无线路由器，无线路由器通过开启无线分布式系统功能而用作家庭无线网络的中继器，因此，这些家用电器在家庭无线网络中作为分布式无线设备。
[0003]目前，分布式无线设备在非工作状态下可能处于待机状态或者休眠状态，而分布式无线设备在从待机状态或者休眠状态转换为工作状态时需要启动时间。因此，如何对分布式无线设备进行状态控制以减少分布式无线设备的启动时间是需要解决的问题。
[0004]目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0005]深度学习以及神经网络的发展为分布式无线设备的状态控制提供了新的解决思路和方案。

技术实现思路

[0006]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分布式无线设备唤醒休眠管理方法、分布式无线设备唤醒休眠管理系统和电子设备，其基于深度学习的分类问题来对分布式无线设备进行唤醒或者休眠控制。具体地，通过使用卷积神经网络提取待控制的所有分布式无线设备可能的状态迁移矩阵中各个分布式无线设备的状态之间的高维深层关联关系，然后获取各个分布式无线设备的当前状态变换向量，利用转换器的原理，计算当前状态特征向量与初始状态变化的转换值，并通过分类器就可以获得每个位置对应的概率值，从而根据该状态变换的概率值对相应的分布式无线设备进行唤醒或者休眠。
[0007]根据本申请的一个方面，提供了一种分布式无线设备唤醒休眠管理方法，其包括：
[0008]获取待控制的所有分布式无线设备可能的状态迁移矩阵，其中，所述状态迁移矩阵的行和列均为各个所述分布式无线设备的样本维度，且所述状态迁移矩阵中每个位置的值表示根据统计数据获得的各个所述分布式无线设备之间是否存在同时被唤醒或者休眠的情况；
[0009]使用卷积神经网络从所述状态迁移矩阵中获得的状态迁移特征图；
[0010]获取各个所述分布式无线设备的当前状态变换向量，其中，所述当前状态变换向量中各个位置的特征值表示对应所述分布式无线设备的当前状态是否存在变化；
[0011]以所述当前状态变换向量作为查询向量，获取所述当前状态变换向量在所述状态迁移特征图的特征空间中对应的当前状态特征向量；
[0012]计算所述当前状态特征向量与所述当前状态变换向量中各个对应位置之间的转换值，以获得由多个转换值构成的转换值特征向量，其中，所述当前状态特征向量与所述当前状态变换向量中各个对应位置之间的转换值基于所述当前状态变换向量与所述当前状态特征向量的转置之间的矩阵乘积结果、所述当前状态特征向量与所述当前状态变换向量中各个对应位置的特征值之间是否存在关系，以及，所述当前状态特征向量与所述当前状态变换向量中各个对应位置的特征值之间的距离生成；
[0013]将所述转换值特征向量输入分类器以获得所述转换值特征向量中各个位置对应的概率值作为对应所述分布式无线设备的状态变换的概率值；以及
[0014]基于所述转换值特征向量中各个位置对应的概率值，对相应的所述分布式无线设备进行状态控制。
[0015]在上述分布式无线设备唤醒休眠管理方法中，在所述状态迁移矩阵中，设定两个所述分布式无线设备存在同时被唤醒或者休眠的情况的对应的位置的特征值为1，以及，设定两个所述分布式无线设备不存在同时被唤醒或者休眠的情况的对应的位置的特征值为0。
[0016]在上述分布式无线设备唤醒休眠管理方法中，在所述当前状态变换向量中，设定被唤醒或者被休眠的所述分布式无线设备对应位置的特征值为1，否则将对应位置的特征值设定为0。
[0017]在上述分布式无线设备唤醒休眠管理方法中，所述卷积神经网络以如下公式从所述状态迁移矩阵中获得的状态迁移特征图；其中，所述公式为：
[0018]f
i
＝tanh(N
i
×
f
i
‑1+B
i
)
[0019]其中，f
i
‑1为第i层卷积神经网络的输入，f
i
为第i层卷积神经网络的输出，N
i
为第i层卷积神经网络的卷积核，且B
i
为第i层神经网络的偏置向量，tanh表示非线性激活函数。
[0020]在上述分布式无线设备唤醒休眠管理方法中，以所述当前状态变换向量作为查询向量，获取所述当前状态变换向量在所述状态迁移特征图的特征空间中对应的当前状态特征向量，包括：将所述当前状态变换向量与所述状态迁移特征图进行矩阵相乘，以获得所述当前状态特征向量。
[0021]在上述分布式无线设备唤醒休眠管理方法中，计算所述当前状态特征向量与所述当前状态变换向量中各个对应位置之间的转换值，包括：以如下公式计算所述当前状态特征向量与所述当前状态变换向量中各个对应位置之间的转换值；其中，所述公式为：
[0022][0023]其中V1是所述当前状态变换向量，V2是所述当前状态特征向量，M
i
表示V1和V2的相应位置之间是否存在关系，而d
i
是V1和V2的各个位置的值之间的距离。
[0024]在上述分布式无线设备唤醒休眠管理方法中，将所述转换值特征向量输入分类器以获得所述转换值特征向量中各个位置对应的概率值，包括：将所述转换值特征向量输入类Softmax分类函数以获得所述转换值特征向量中各个位置对应的概率值；其中，所述类Softmax分类函数为P＝exp(xi)/∑exp(xi)，xi表示所述转换值特征向量中各个位置的转换值。
[0025]在上述分布式无线设备唤醒休眠管理方法中，基于所述转换值特征向量中各个位置对应的概率值，对相应的所述分布式无线设备进行状态控制，包括：响应于所述转换值特征向量中各个位置对应的概率值大于等于预设阈值，对相应的所述分布式无线设备进行唤醒或者休眠。
[0026]根据本申请的另一方面，一种分布式无线设备唤醒休眠管理系统，其包括：
[0027]迁移矩阵获取模块，用于获取待控制的所有分布式无线设备可能的状态迁移矩阵，其中，所述状态迁移矩阵的行和列均为各个所述分布式无线设备的样本维度，且所述状态迁移矩阵中每个位置的值表示根据统计数据获得的各个所述分布式无线设备之间是否存在同时被唤醒或者休眠的情况；
[0028]特征图生成模块，用于使用卷积神经网络从所述迁移矩阵获取模块获得的所述状态迁移矩阵中获得状态迁移特征图；
[0029]当前状态变换向量获取模块，用于获取各个所述分布式无线设备的当前状态变换向量，其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分布式无线设备唤醒休眠管理方法，其特征在于，包括：获取待控制的所有分布式无线设备可能的状态迁移矩阵，其中，所述状态迁移矩阵的行和列均为各个所述分布式无线设备的样本维度，且所述状态迁移矩阵中每个位置的值表示根据统计数据获得的各个所述分布式无线设备之间是否存在同时被唤醒或者休眠的情况；使用卷积神经网络从所述状态迁移矩阵中获得的状态迁移特征图；获取各个所述分布式无线设备的当前状态变换向量，其中，所述当前状态变换向量中各个位置的特征值表示对应所述分布式无线设备的当前状态是否存在变化；以所述当前状态变换向量作为查询向量，获取所述当前状态变换向量在所述状态迁移特征图的特征空间中对应的当前状态特征向量；计算所述当前状态特征向量与所述当前状态变换向量中各个对应位置之间的转换值，以获得由多个转换值构成的转换值特征向量，其中，所述当前状态特征向量与所述当前状态变换向量中各个对应位置之间的转换值基于所述当前状态变换向量与所述当前状态特征向量的转置之间的矩阵乘积结果、所述当前状态特征向量与所述当前状态变换向量中各个对应位置的特征值之间是否存在关系，以及，所述当前状态特征向量与所述当前状态变换向量中各个对应位置的特征值之间的距离生成；将所述转换值特征向量输入分类器以获得所述转换值特征向量中各个位置对应的概率值作为对应所述分布式无线设备的状态变换的概率值；以及基于所述转换值特征向量中各个位置对应的概率值，对相应的所述分布式无线设备进行状态控制。2.根据权利要求1所述的分布式无线设备唤醒休眠管理方法，其中，在所述状态迁移矩阵中，设定两个所述分布式无线设备存在同时被唤醒或者休眠的情况的对应的位置的特征值为1，以及，设定两个所述分布式无线设备不存在同时被唤醒或者休眠的情况的对应的位置的特征值为0。3.根据权利要求2所述的分布式无线设备唤醒休眠管理方法，其中，在所述当前状态变换向量中，设定被唤醒或者被休眠的所述分布式无线设备对应位置的特征值为1，否则将对应位置的特征值设定为0。4.根据权利要求1所述的分布式无线设备唤醒休眠管理方法，其中，所述卷积神经网络以如下公式从所述状态迁移矩阵中获得的状态迁移特征图；其中，所述公式为：f
i
＝tanh(N
i
×
f
i
‑1+B
i
)其中，f
i
‑1为第i层卷积神经网络的输入，f
i
为第i层卷积神经网络的输出，N
i
为第i层卷积神经网络的卷积核，且B
i
为第i层神经网络的偏置向量，tanh表示非线性激活函数。5.根据权利要求1所述的分布式无线设备唤醒休眠管理方法，其中，以所述当前状态变换向量作为查询向量，获取所述当前状态变换向量在所述状态迁移特征图的特征空间中对应的当前状态特征向量，包括：将所述当前状态变换向量与所述状态迁移特征图进行矩阵相乘，以获得所述当前状态特征向量。6.根据权利要求1所述的分布式无线设备唤醒休眠管理方法，其中，计算所述当前状态
特征向量与所述当前状态变换向量中各个对应位置之间的转换值，包括：以如下公式计算所述当前状态特征向量与所述当前状态变...

【专利技术属性】
技术研发人员：井绪峰，田颖，李晨霞，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：