买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:福州大学
摘要:本发明涉及一种基于深度学习的智能家居服务管控方法,包括:通过知识图谱概念模型抽象出智能家居场景中的对象和关系,然后根据设定的运行时的推理规则及执行方法,构建出智能家居情境感知运行时知识图谱,模拟智能家居服务日常过程中的调控逻辑;构建基于深度学习的智能家居服务预测模型,使智能家居服务预测模型可根据实时场景自动决策出需要进行调控的设备并预测调控后的状态;然后借助运行时知识谱图对智能家居设备进行状态控制。该方法有利于提高智能家居服务的管控正确率。
主权项:1.一种基于深度学习的智能家居服务管控方法,其特征在于,包括:通过知识图谱概念模型抽象出智能家居场景中的对象和关系,然后根据设定的运行时的推理规则及执行方法,构建出智能家居情境感知运行时知识图谱,模拟智能家居服务日常过程中的调控逻辑;构建基于深度学习的智能家居服务预测模型,使智能家居服务预测模型可根据实时场景自动决策出需要进行调控的设备并预测调控后的状态;然后借助运行时知识谱图对智能家居设备进行状态控制;所述智能家居服务预测模型采用多隐层神经网络结构,包括输入层Lin,三个全连接隐层L1、L2、L3以及输出层Lout;所述智能家居服务预测模型从输入层到输出层的各层神经元个数依次是4、64、128、200、8;数据从Lin层进入,经过L1、L2、L3中的参数矩阵和偏移向量前向传播计算,最终将Lout层计算结果与真实值进行损失函数计算,通过损失值逆向反馈以一定学习率调整各层的参数矩阵和偏移向量;经过多次迭代,使模型尽可能拟合智能家居管控函数;所述智能家居服务预测模型使用LeakyRelu函数作为激活函数,其公式如下: 其中ai为设定的参数;所述智能家居服务预测模型在各个隐层之间添加dropout弃权,通过保留部分权重的方法,降低过拟合的风险;在每个训练batch中,将一定比例的隐层节点值置为0,减少各隐层之间的相互作用,避免过拟合现象;所述智能家居服务预测模型在输出层使用L2正则化,用于控制模型复杂度,对抗过拟合,使模型达到更优效果;通过对某些参与损失函数计算的因素进行限制,减少模型的整体复杂度,使模型在性能上得到优化;所述智能家居服务预测模型采用Adam算法进行优化,其公式如下:νt=βνt-1+1-βθt其中vt表示t步的平均移动步长,β为系数,θt为单次计算中的实际移动步长;所述智能家居服务预测模型使用均方误差函数作为损失函数,其公式如下: 其中yi表示目标值,fxi表示输入变量xi经过神经网络模型获得的计算值,结果进行均方求平均;所述智能家居服务预测模型采用accuracy和loss两类指标用来评测模型经过训练后的预测效果;第一类指标包括accuracy和val_accuracy两个,前者表示模型的训练集准确率,后者表示模型的测试集准确率;第二类指标来自损失函数的计算,包括loss和val_loss两个,前者表示模型训练集的损失值,后者表示模型测试集的损失值;accuracy本身表示正确的判定结果占全部判定结果的比例,其计算公式如下: 其中TP、TN、FP、FN分别表示真阳性、真阴性、假阳性、假阴性。
全文数据:
权利要求:
百度查询: 福州大学 基于深度学习的智能家居服务管控方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。