应用于智能家居控制的数据分析方法及系统技术方案

本申请提供一种应用于智能家居控制的数据分析方法及系统，通过对径向基函数层和支持向量机参数层的学习误差值分别进行了优化，使得径向基函数层的第一网络学习误差值中考虑了控制偏好概率，而支持向量机参数层的第二网络学习误差值中考虑了知识点可信度，那么通过优化后学习误差值训练用户控制偏好分析网络后，生成的网络权重参数收敛的用户控制偏好分析网络中，减少了支持向量机参数层和径向基函数层之间的差异性，从而使得确定的控制渗透预测知识点的控制偏好概率的精度更高，进而提高后续控制偏好分析的可靠性。后续控制偏好分析的可靠性。后续控制偏好分析的可靠性。

【技术实现步骤摘要】
应用于智能家居控制的数据分析方法及系统


[0001]本申请实施例涉及智能家居
，具体而言，涉及一种应用于智能家居控制的数据分析方法及系统。

技术介绍

[0002]智能家居是在互联网影响之下物联化的体现。智能家居通过物联网技术将家中的各种设备（如音视频设备、照明系统、窗帘控制、空调控制、安防系统、数字影院系统、影音服务器、影柜系统、网络家电等）连接到一起，提供家电控制、照明控制、电话远程控制、室内外遥控、防盗报警、环境监测、暖通控制、红外转发以及可编程定时控制等多种功能和手段。与普通家居相比，智能家居不仅具有传统的居住功能，兼备建筑、网络通信、信息家电、设备自动化，提供全方位的信息交互功能。对于智能家居控制系统而言，对于不同的用户而言，存在不同的各个智能家居设备的控制偏好，通过使智能家居控制系统与用户的控制偏好相适应，可以影响到用户对家居舒适程度的体验质量，例如通过确定分析用户控制偏好，如用户控制偏好相关的控制渗透知识点，可以便于后续结合这些控制渗透知识点进行体验服务优化，然而，在确定用户控制偏好相关的控制渗透知识点的过程中，如何提高其确定精度，以提高后续控制偏好分析的可靠性，是所属
亟待解决的技术问题。

技术实现思路

[0003]为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种应用于智能家居控制的数据分析方法及系统。
[0004]根据本申请实施例的一个方面，提供了一种应用于智能家居控制的数据分析方法，包括：获取携带用户控制偏好的模板智能家居控制数据；依据所述模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的径向基函数层确定所述模板智能家居控制数据对应的控制渗透预测知识点；依据模板智能家居控制数据对应的控制渗透标定知识点计算所述控制渗透预测知识点的知识点可信度，依据所述知识点可信度计算第一网络学习误差值；依据所述模板智能家居控制数据的控制知识向量及所述用户控制偏好分析网络的支持向量机参数层确定所述控制渗透预测知识点的控制偏好概率，依据所述控制偏好概率计算第二网络学习误差值；依据所述知识点可信度优化所述第二网络学习误差值，并依据所述控制偏好概率优化所述第一网络学习误差值；基于优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息，直到所述用户控制偏好分析网络收敛时，生成网络权重参数收敛的用户控制偏好分析网络；其中，所述网络权重参数收敛的用户控制偏好分析网络用于对任意加载的目标智
能家居控制数据进行用户控制偏好分析。
[0005]在第一方面的一种可能的实施方式中，在所述基于优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息之前，所述方法还包括：依据所述用户控制偏好分析网络的知识点可信度估计单元确定所述控制渗透预测知识点的知识点估计可信度；依据所述控制渗透预测知识点的知识点估计可信度及所述控制渗透预测知识点的知识点可信度确定第三网络学习误差值；所述基于优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息包括：基于所述第三网络学习误差值、优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息。
[0006]在第一方面的一种可能的实施方式中，所述控制偏好为待配置偏好；所述获取携带用户控制偏好的模板智能家居控制数据包括：获取携带用户控制偏好的模板智能家居控制数据及所述模板智能家居控制数据对应的协同训练智能家居控制数据；所述协同训练智能家居控制数据与所述模板智能家居控制数据包括相同的控制偏好；所述依据所述模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的径向基函数层确定所述模板智能家居控制数据对应的控制渗透预测知识点包括：依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量；将所述第一共享学习特征矢量加载到所述径向基函数层，确定所述模板智能家居控制数据对应的控制渗透预测知识点；所述依据所述用户控制偏好分析网络的知识点可信度估计单元确定所述控制渗透预测知识点的知识点估计可信度包括：将所述第一共享学习特征矢量加载到所述知识点可信度估计单元，确定所述控制渗透预测知识点的知识点估计可信度；所述依据所述模板智能家居控制数据的控制知识向量及所述用户控制偏好分析网络的支持向量机参数层确定所述控制渗透预测知识点的控制偏好概率包括：依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第二共享学习特征矢量；将所述第二共享学习特征矢量加载到所述支持向量机参数层，确定所述控制渗透预测知识点的控制偏好概率；所述第一共享学习特征矢量、所述第二共享学习特征矢量反映所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的控制行为匹配度。
[0007]在第一方面的一种可能的实施方式中，在所述依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居
控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量之前，所述方法还包括：依据所述用户控制偏好分析网络获取所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量；所述依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量包括：依据所述用户控制偏好分析网络分别对所述模板智能家居控制数据的控制知识向量和所述协同训练智能家居控制数据的控制知识向量进行主成分特征分析，生成所述模板智能家居控制数据的第一模板主成分特征矢量和所述协同训练智能家居控制数据的第一协同主成分特征矢量；依据所述用户控制偏好分析网络对所述第一模板主成分特征矢量和第一协同主成分特征矢量进行互关联处理，生成所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量。
[0008]在第一方面的一种可能的实施方式中，所述用户控制偏好分析网络包括网络架构相同、且共享网络权重信息的两个编码器；所述依据所述用户控制偏好分析网络获取所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量包括：将所述模板智能家居控制数据与所述协同训练智能家居控制数据分别加载至所述两个编码器；基于所述两个编码器，同步生成所述模板智能家居控制数据的控制知识向量和所述协同训练智能家居控制数据的控制知识向量。
[0009]在第一方面的一种可能的实施方式中，所述依据模板智能家居控制数据对应的控制渗透标定知识点计算所述控制渗透预测知识点的知识点可信度包括：获取所述控制渗透标定知识点与所述控制渗透预测知识点之间的共享知识点特征；获取所述控制渗透标定知识点与所述控制渗透本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于智能家居控制的数据分析方法，其特征在于，通过应用于智能家居控制的数据分析系统实现，所述方法包括：获取携带用户控制偏好的模板智能家居控制数据；依据所述模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的径向基函数层确定所述模板智能家居控制数据对应的控制渗透预测知识点；依据模板智能家居控制数据对应的控制渗透标定知识点计算所述控制渗透预测知识点的知识点可信度，依据所述知识点可信度计算第一网络学习误差值；依据所述模板智能家居控制数据的控制知识向量及所述用户控制偏好分析网络的支持向量机参数层确定所述控制渗透预测知识点的控制偏好概率，依据所述控制偏好概率计算第二网络学习误差值；依据所述知识点可信度优化所述第二网络学习误差值，并依据所述控制偏好概率优化所述第一网络学习误差值；基于优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息，直到所述用户控制偏好分析网络收敛时，生成网络权重参数收敛的用户控制偏好分析网络；其中，所述网络权重参数收敛的用户控制偏好分析网络用于对任意加载的目标智能家居控制数据进行用户控制偏好分析。2.根据权利要求1所述的应用于智能家居控制的数据分析方法，其特征在于，在所述基于优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息之前，所述方法还包括：依据所述用户控制偏好分析网络的知识点可信度估计单元确定所述控制渗透预测知识点的知识点估计可信度；依据所述控制渗透预测知识点的知识点估计可信度及所述控制渗透预测知识点的知识点可信度确定第三网络学习误差值；所述基于优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息包括：基于所述第三网络学习误差值、优化后的第二网络学习误差值和优化后的第一网络学习误差值更新所述用户控制偏好分析网络的网络权重参数信息。3.根据权利要求2所述的应用于智能家居控制的数据分析方法，其特征在于，所述获取携带用户控制偏好的模板智能家居控制数据包括：获取携带用户控制偏好的模板智能家居控制数据及所述模板智能家居控制数据对应的协同训练智能家居控制数据；所述协同训练智能家居控制数据与所述模板智能家居控制数据包括相同的控制偏好；所述依据所述模板智能家居控制数据的控制知识向量及用户控制偏好分析网络的径向基函数层确定所述模板智能家居控制数据对应的控制渗透预测知识点包括：依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量；将所述第一共享学习特征矢量加载到所述径向基函数层，确定所述模板智能家居控制
数据对应的控制渗透预测知识点；所述依据所述用户控制偏好分析网络的知识点可信度估计单元确定所述控制渗透预测知识点的知识点估计可信度包括：将所述第一共享学习特征矢量加载到所述知识点可信度估计单元，确定所述控制渗透预测知识点的知识点估计可信度；所述依据所述模板智能家居控制数据的控制知识向量及所述用户控制偏好分析网络的支持向量机参数层确定所述控制渗透预测知识点的控制偏好概率包括：依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第二共享学习特征矢量；将所述第二共享学习特征矢量加载到所述支持向量机参数层，确定所述控制渗透预测知识点的控制偏好概率；所述第一共享学习特征矢量、所述第二共享学习特征矢量反映所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的控制行为匹配度。4.根据权利要求3所述的应用于智能家居控制的数据分析方法，其特征在于，在所述依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量之前，所述方法还包括：依据所述用户控制偏好分析网络获取所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量；所述依据所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量确定所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量包括：依据所述用户控制偏好分析网络分别对所述模板智能家居控制数据的控制知识向量和所述协同训练智能家居控制数据的控制知识向量进行主成分特征分析，生成所述模板智能家居控制数据的第一模板主成分特征矢量和所述协同训练智能家居控制数据的第一协同主成分特征矢量；依据所述用户控制偏好分析网络对所述第一模板主成分特征矢量和第一协同主成分特征矢量进行互关联处理，生成所述模板智能家居控制数据与所述协同训练智能家居控制数据之间的第一共享学习特征矢量。5.根据权利要求4所述的应用于智能家居控制的数据分析方法，其特征在于，所述用户控制偏好分析网络包括网络架构相同、且共享网络权重信息的两个编码器；所述依据所述用户控制偏好分析网络获取所述模板智能家居控制数据的控制知识向量及所述协同训练智能家居控制数据的控制知识向量包括：将所述模板智能家居控制数据与所述协同训练智能家居控制数据分别加载至所述两个编码器； 基于所述两个编码器，同步生成所述模板智能家居控制数据的控制知识向量和所述协同训练智能家居控制数据的控制知识向量。6.根据权利要求1所述的应用于智能家居控制的数据分析方法，其特征在于，所述依据模板智能家居控制数据对应的控制渗透标定知识点计算所述控制渗透预测知识点的知识
点可信度包括：获取所述控制渗透标定知识点与所述控制渗透预测知识点之间的共享知识点特征；...

【专利技术属性】
技术研发人员：郑志煜，
申请(专利权)人：深圳酷宅科技有限公司，
类型：发明
国别省市：