用于制冷器具的气味检测方法及制冷器具技术

一种用于制冷器具的气味检测方法及制冷器具，所述方法包括：获取所述制冷器具内的环境数据，其中，所述环境数据包括气体数据、温度数据和湿度数据；将所述环境数据输入预设多层神经网络分类模型并获取分类结果，所述预设多层神经网络分类模型用于根据所述环境数据预测所述制冷器具内当前的气味属性。本发明专利技术方案通过将气味探测手段和多层神经网络分类模型相结合，实现对制冷器具内气味属性的高效检测以及对气味愉悦度的精准识别，有利于及时发现并去除异味，从而更好地保持制冷器具内空气清新。新。新。

【技术实现步骤摘要】
用于制冷器具的气味检测方法及制冷器具


[0001]本专利技术实施例涉及制冷器具
，具体地涉及一种用于制冷器具的气味检测方法及制冷器具。

技术介绍

[0002]在日常生活中，人们会使用冰箱等制冷器具存储蔬菜、鱼肉等易腐食物，制冷器具通过形成低温的密闭空间来延长食物的保质期。放置于制冷器具内的食物不可避免的会产生异味，由于存放食物的间室是密闭的，食物产生的异味无法自行散出，且随着时间积累异味会越来越浓。如果不能及时去除间室内的异味，将对用户的使用体验造成不利影响。但现有技术无法准确检测到制冷器具内的异味，更无法及时去除这些异味。

技术实现思路

[0003]本专利技术实施例的一个目的在于提供一种改进的制冷器具及用于制冷器具的气味检测方法。
[0004]因此，本专利技术实施例提供一种用于制冷器具的气味检测方法，包括：获取所述制冷器具内的环境数据，其中，所述环境数据包括气体数据、温度数据和湿度数据；将所述环境数据输入预设多层神经网络分类模型并获取分类结果，所述预设多层神经网络分类模型用于根据所述环境数据预测所述制冷器具内当前的气味属性。
[0005]采用本实施方案，通过将气味探测手段和多层神经网络分类模型相结合，实现对制冷器具内气味属性的高效检测以及对气味愉悦度的精准识别，有利于及时发现并去除异味，从而更好地保持制冷器具内空气清新。具体而言，采集制冷器具内包括气体数据在内的环境数据作为模型的输入数据，从而通过探测并分析制冷器具内的气体来准确评估制冷器具内的实时气味属性是可以预期的。进一步，本实施方案所采用的分类模型为多层神经网络分类模型，分类准确度高，学习能力强，对噪声数据有较强的鲁棒性和容错能力，并且有联想能力，能逼近任意非线性关系因而尤其适合于本实施方案制冷器具内的气味属性分类场景。
[0006]可选的，所述气体数据包括所述制冷器具内至少一种气体成分的浓度信息。
[0007]可选的，所述预设多层神经网络分类模型包括依次连接的输入层、隐藏层和输出层，其中每一层包括至少一个神经节点，不同层的神经节点通过权重连接，所述输入层用于接收所述环境数据，所述隐藏层对所述输入层传递的环境数据使用激活函数进行运算以得到运算结果，所述输出层基于所述隐藏层传递的运算结果输出所述分类结果。由此，构建多层的神经网络，各层相配合地完成对输入数据的处理并最终输出分类结果，通过模型训练和测试可以将模型的参数调节至最优值以得到较佳的分类准确度。例如，参数可以包括隐藏层的神经节点数量以及激活函数。
[0008]可选的，所述隐藏层包括的神经节点的数量为30个，所述激活函数为双曲正切函数。通过模型训练和测试确定的最优参数使得模型输出高准确度的气味属性分类结果是可
以预期的。
[0009]可选的，所述输入层包括的神经节点的数量与所述环境数据的数据维度相关联，所述权重、激活函数和隐藏层包括的神经节点的数量通过对所述预设多层神经网络分类模型的训练确定。由此，通过模型训练和测试可以将模型的参数调节至最优值以得到较佳的分类准确度。
[0010]可选的，所述预设多层神经网络分类模型的数量为一个，所述分类结果选自预设气味属性集。由此，环境数据输入单个模型进行分类，模型输出的分类结果即为制冷器具内的当前气味属性，整体响应速度快。
[0011]可选的，所述预设多层神经网络分类模型包括第一模型和第二模型，其中，所述第一模型的分类结果选自第一子集，所述第二模型的分类结果选自第二子集，所述第一子集和第二子集包括的元素均取自预设气味属性集。第一模型和第二模型各有侧重，分别基于相应的子集进行气味属性分类，使得单个模型需要分类的气味属性的数量得以减少，这对于模型的分类准确率提高可能是有利的。由此，采用两个模型相配合地基于环境数据进行分类预测，使得提高最终分类结果的准确度是可预期的。
[0012]可选的，所述预设气味属性集包括多个一级属性和多个二级属性，所述第一子集包括所述多个一级属性，所述第二子集包括所述多个二级属性，所述多个二级属性属于所述多个一级属性中之一。由此，第一模型和第二模型分别基于环境数据对制冷器具内的当前气味属性进行不同级别的分类。具体而言，第一模型可以基于环境数据输出粗分类结果，第二模型则可以基于环境数据输出更为细化的分类结果，从而根据需要输出合适细分程度的分类结果成为可能。
[0013]可选的，所述将所述环境数据输入预设多层神经网络分类模型并获取分类结果包括：将所述环境数据输入第一模型，并获取所述第一模型的分类结果；若所述第一模型的分类结果为所述多个二级属性所属的一级属性，则将所述环境数据输入所述第二模型，并获取所述第二模型的分类结果；将所述第二模型的分类结果确定为所述预设多层神经网络分类模型的分类结果。由此，通过第二模型对特定气味属性进行更进一步的细化分类，从而在分析确定当前气味属性非特定气味属性时能够由第一模型直接输出分类结果以提高响应速度，而在分析确定当前气味属性为特定气味属性时调用第二模型进行细化分类，以得到更为精准的分类结果。例如，特定气味属性可以包括难闻，也即制冷器具内气味愉悦度的等级低于预设阈值。
[0014]可选的，所述第一子集和第二子集包括的元素均为所有气味属性，所述第一模型和第二模型的参数不同，所述将所述环境数据输入预设多层神经网络分类模型并获取分类结果包括：将所述环境数据分别输入所述第一模型和第二模型，并获取所述第一模型的分类结果和第二模型的分类结果；根据所述第一模型的分类结果和第二模型的分类结果的平均值确定所述预设多层神经网络分类模型的分类结果，其中，所述分类结果以分数表征预测的气味属性，不同气味属性对应不同的分数。由此，最终得到的分类结果是综合多个模型的分类结果后的产物，这有利于进一步提高模型的分类准确度。
[0015]可选的，所述气味属性至少包括好闻和难闻。例如，不同气味属性可以通过不同数值或不同区间段的分数表征，所述分数代表制冷器具内气味愉悦度的等级。
[0016]可选的，所述预设多层神经网络分类模型的训练过程包括：获取原始数据，其中，
所述原始数据包括所述制冷器具在多种气味属性下的环境数据；对所述原始数据进行预处理以得到训练数据，所述原始数据中至少一个维度的数据所采用的预处理方式区别于其他维度的数据所采用的预处理方式；基于所述训练数据训练所述预设多层神经网络分类模型，直至所述预设多层神经网络分类模型的预测准确率达到预设阈值。由此，能够高效地处理采集得到的环境数据并剔除其中的异常数据。具体而言，针对不同维度的原始数据，采用相适应的手段进行预处理，有利于使得后续基于训练数据训练出的算法模型更加准确。
[0017]可选的，所述对所述原始数据进行预处理以得到训练数据包括：对所述原始数据进行参数缩放处理，以将不同维度的数据统一至相同的数值范围内，其中，至少一个维度的数据所采用的参数缩放方式区别于其他维度的数据所采用的参数缩放方式；对处理后的原始数据进行标准化处理，以使所述原始数据满足正态分布；对处理后的原始数据进行特征提取，以得到所述训练数据。不同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于制冷器具的气味检测方法，其特征在于，包括：获取所述制冷器具内的环境数据，其中，所述环境数据包括气体数据、温度数据和湿度数据；将所述环境数据输入预设多层神经网络分类模型并获取分类结果，所述预设多层神经网络分类模型用于根据所述环境数据预测所述制冷器具内当前的气味属性。2.根据权利要求1所述的气味检测方法，其特征在于，所述气体数据包括所述制冷器具内至少一种气体成分的浓度信息。3.根据权利要求1所述的气味检测方法，其特征在于，所述预设多层神经网络分类模型包括依次连接的输入层、隐藏层和输出层，其中每一层包括至少一个神经节点，不同层的神经节点通过权重连接，所述输入层用于接收所述环境数据，所述隐藏层对所述输入层传递的环境数据使用激活函数进行运算以得到运算结果，所述输出层基于所述隐藏层传递的运算结果输出所述分类结果。4.根据权利要求3所述的气味检测方法，其特征在于，所述隐藏层包括的神经节点的数量为30个，所述激活函数为双曲正切函数。5.根据权利要求3所述的气味检测方法，其特征在于，所述输入层包括的神经节点的数量与所述环境数据的数据维度相关联，所述权重、激活函数和隐藏层包括的神经节点的数量通过对所述预设多层神经网络分类模型的训练确定。6.根据权利要求1所述的气味检测方法，其特征在于，所述预设多层神经网络分类模型的数量为一个，所述分类结果选自预设气味属性集。7.根据权利要求1所述的气味检测方法，其特征在于，所述预设多层神经网络分类模型包括第一模型和第二模型，其中，所述第一模型的分类结果选自第一子集，所述第二模型的分类结果选自第二子集，所述第一子集和第二子集包括的元素均取自预设气味属性集。8.根据权利要求7所述的气味检测方法，其特征在于，所述预设气味属性集包括多个一级属性和多个二级属性，所述第一子集包括所述多个一级属性，所述第二子集包括所述多个二级属性，所述多个二级属性属于所述多个一级属性中之一。9.根据权利要求8所述的气味检测方法，其特征在于，所述将所述环境数据输入预设多层神经网络分类模型并获取分类结果包括：将所述环境数据输入第一模型，并获取所述第一模型的分类结果；若所述第一模型的分类结果为所述多个二级属性所属的一级属性，则将所述环境数据输入所述第二模型，并获取所述第二模型的分类结果；将所述第二模型的分类结果确定为所述预设多层神经网络分类模型的分类结果。10.根据权利要求7所述的气味检测方法，其特征在于，所述第一子集和第二子集包括的元素均为所有气味属性，所述第一模型和第二模型的参数不同，所述将所述环境数据输入预设多层神经网络分类模型并获取分类结果包括：将所述环境数据分别输入所述第一模型和第二模型，并获取所述第一模型的分类结果和第二模型的分类结果；根据所述第一模型的分类结果和第二模型的分类结果的平均值确定所述预设多层神经网络分类模型的分类结果，其中，所述分类结果以分数表征预测的气味属性，不同气味属性对应不同的分数。
11.根据权利要求1所述的气味检测方...

【专利技术属性】
技术研发人员：何子月，
申请(专利权)人：BSH家用电器有限公司，
类型：发明
国别省市：