调节工作参数的方法与流程

本申请涉及智能家居领域，具体而言，涉及一种调节工作参数的方法。

背景技术：

目前，随着空气质量的下降，空气净化器的应用越来越广泛，在应用空气净化器时，用户一般根据当前的空气指数对空气净化器的功率以及运行时长进行调整。

现有技术中,用户在对空气净化器进行控制时，需要用户通过手机，或遥控器，或空气净化器上的按键来选择自身所需的空气净化器的运行状态；较浪费用户的时间，用户体验较差。

技术实现要素：

本申请实施例提供了一种调节工作参数的方法，以至少解决用户在控制家电时，需要进行手动调整家电的运行状态，浪费用户时间较多，用户体验较差的技术问题。

根据本申请实施例的一个方面，提供了一种调节工作参数的方法，包括：获取已经设定的空气净化器的工作参数，以及空气净化器所在的空间内的空气指数；基于神经网络模型处理空气指数和已经设定的工作参数，得到需要调节到的目标工作参数，其中，神经网络模型为通过训练空气净化器的样本数据所产生的模型；基于目标工作参数调节已经设定的工作参数。

可选地，样本数据为空气净化器在历史时间段内基于设定的历史工作参数与空气指数进行运行所产生的数据，其中，历史工作参数包括如下至少之一：设定的工作时间、工作功率、工作时长以及调节数据。

可选地，在获取到空气净化器不同的空气指数的情况下，调取不同的空气指数所对应设定的不同工作参数，使得神经网络模型按照不同的空气指数及对应的工作参数进行处理，得到不同的目标工作参数。

可选地，基于神经网络模型处理空气指数和已经设定的工作参数，得到需要调节到的目标工作参数包括：步骤a，神经网络模型中的第一神经元接收到空气指数和已经设定的工作参数，得到第一处理结果；步骤b，对第一处理结果进行聚类分析，得到分类结果；步骤c，基于分类结果，确定神经网络模型中接收第一处理结果的下一个神经元；步骤d，将第一处理结果发送至下一个神经元，并由下一个神经元处理第一处理结果，得到第二处理结果；步骤e，基于第二处理结果循环执行步骤b至步骤d，直至遍历神经网络模型对应的节点，生成目标工作参数。

可选地，聚类分析为采用欧式距离方式计算第一处理结果中的数据相关性，并基于相关性进行分类得到分类结果。

可选地，在基于神经网络模型处理空气指数和已经设定的工作参数，得到需要调节到的目标工作参数之前，方法还包括：构建神经网络模型，该步骤包括：获取样本数据，其中，样本数据按照m*n列模式进行数据存储，m表征样本数量，n表征历史工作参数、空气指数以及调整数据的数量；基于k均值聚类算法处理样本数据，得到去除冗余后的样本数据；基于列模式中列之间的相关性，对去除冗余后的样本数据进行聚类划分，构建得到神经网络模型。

可选地，训练神经网络模型得到训练结果，并采用交叉验证法对训练结果进行训练。

可选地，在获取已经设定的空气净化器的工作参数，以及空气净化器所在的空间内的空气指数之后，方法还包括：对已经设定的工作参数，和/或空气指数进行归一化处理。

可选地，基于目标工作参数调节已经设定的工作参数，包括：将目标工作参数进行转换，得到允许空气净化器识别的控制数据；基于控制数据生成用于调节已经设定的工作参数的调节指令。

根据本申请实施例的另一方面，还提供了一种调节工作参数的装置，该装置包括：获取模块,用于获取已经设定的空气净化器的工作参数，以及空气净化器所在的空间内的空气指数；确定模块,用于基于神经网络模型处理空气指数和已经设定的工作参数，得到需要调节到的目标工作参数，其中，神经网络模型为通过训练空气净化器的样本数据所产生的模型；调节模块,用于基于目标工作参数调节已经设定的工作参数。

根据本申请实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的调节工作参数的方法。

根据本申请实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的调节工作参数的方法。

本申请实施例中，通过获取已经设定的空气净化器的工作参数，以及空气净化器所在的空间内的空气指数；基于神经网络模型处理空气指数和已经设定的工作参数，得到需要调节到的目标工作参数，其中，神经网络模型为通过训练空气净化器的样本数据所产生的模型；基于目标工作参数调节已经设定的工作参数。实现了自动根据当前获取到的空气净化器的运行参数，以及当前的空气指数，对空气净化器进行调节的作用，提高了用户体验，解决了用户在控制家电时，需要进行手动调整家电的运行状态，浪费用户时间较多，用户体验较差的技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的一种可选的调节工作参数的方法的流程示意图；

图2是根据本申请实施例的一种可选的调节工作参数的装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请的方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请的一部分的实施例，而不是全部的实施例。基于本申请的中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请的保护的范围。

需要说明的是，本申请的的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本申请实施例的一个方面，提供了一种调节工作参数的方法，如图1所示：该方法至少包括步骤s102-s106。

步骤s102，获取已经设定的空气净化器的工作参数，以及空气净化器所在的空间内的空气指数；

在本申请的一些可选的实施例中，空气净化器的工作参数包括以下至少之一：空气净化器的开启时间、工作时长、工作功率：空气净化器所在的空间内的空气指数为空气污染指数，就是根据环境空气质量和各项污染物对人体健康、生态、环境的影响，将常规监测的几种空气污染物浓度简化为单一的概念性指数值形式，它将空气污染程度和空气质量状况分级表示，适合于表示城市的短期空气质量状况和变化趋势。针对单项污染物还规定了空气质量分指数。参与空气质量评价的主要污染物为细颗粒物、可吸入颗粒物、二氧化硫、二氧化碳、臭氧、一氧化碳等六项。

在本申请的一些可选的实施例中，智能家居系统获取已经设定的空气净化器的工作参数，以及空气指数；其中智能家居系统可以为家中的任意一台家电，也可以为其他的智能设备。

步骤s104，基于神经网络模型处理空气指数和已经设定的工作参数，得到需要调节到的目标工作参数，其中，神经网络模型为通过训练空气净化器的样本数据所产生的模型；

在本申请的一些可选的实施例中，样本数据为空气净化器在历史时间段内基于设定的历史工作参数与空气指数进行运行所产生的数据，其中，历史工作参数包括如下至少之一：设定的工作时间、工作功率、工作时长以及调节数据。

在本申请的一些可选的实施例中，上述历史时间段可以设定为过去一年的时间段，上述调节数据为空气净化器在上述空气指数的条件下，从上述历史工作参数下的设定的工作时间、工作功率、工作时长调整后的重新设定的工作时间、工作功率、工作时长。其中，调整后的重新设定的工作时间、工作功率、工作时长依然属于历史数据。调整数据还包括对历史工作参数进行调整的时间信息。

在获取已经设定的空气净化器的工作参数，以及空气净化器所在的空间内的空气指数之后，还包括以下步骤：对已经设定的工作参数，和/或空气指数进行归一化处理。

在上述步骤在基于神经网络模型处理空气指数和已经设定的工作参数，得到需要调节到的目标工作参数之前，还需要执行构建神经网络模型的步骤，构建神经网络模型的步骤包括以下内容：

步骤s1042，获取样本数据，其中，样本数据按照m*n列模式进行数据存储，m表征样本数量，n表征历史工作参数、空气指数以及调整数据的数量；

在本申请的一个可选的实施例中，样本数据共有7列365行的数据，第1列为空气指数，第2-4列分别为历史工作参数中的：设定的工作时间、工作功率、工作时长，第5-7列为调整后的工作参数中的：重新设定的工作时间、工作功率、工作时长。

步骤s1044，基于k均值聚类算法处理样本数据，得到去除冗余后的样本数据；

为了避免样本数据中异常数据对模型训练的干扰，需要基于k均值类算法处理样本数据；在本申请的一个可选的实施例中，通过以下步骤处理样本数据：

步骤s10442，将第i行的1-4列数据记为点pi＝(x1,x2,x3,x4),其维度大小等于4，将第5-7列数据即为yi＝(y1，y2，y3)。将所有行执行该操作。

步骤s10444，在m＝365点pi中随机选取k＝10个，作为初始聚类中心，剩余各点依次计算与上述k个点的欧式距离纳入最小距离对应的类别。

步骤s10446，划分结束后，将各类别中所有点的均值作为新的聚类中心，比较新旧聚类中心是否有变化，若无，则执行步骤s10448，若有，则转入步骤s10444，以新的聚类中心重新进行划分。

步骤s10448，完成聚类后，位于同一类别中的各点pi可视为具有相似的历史工作参数以及空气指数信息，因此其对应的调整数据也基本相同，计算同一类别中各点对应的yi均值及标准差σi,删除该类中不位于区间内的数据。此处i的取值为1、2、3。

步骤s1046，基于列模式中列之间的相关性，对去除冗余后的样本数据进行聚类划分，构建得到神经网络模型。

步骤s1048，训练神经网络模型得到训练结果，并采用交叉验证法对训练结果进行训练。

在一个可选的实施例中，交叉验证法包括以下执行步骤：

步骤s10482，将所给的365天的历史工作参数、空气指数以及调整数据等分为k＝10份，可以大致等分。

步骤s10484，选择第i份数据作为测试集，其余k-1份数据作为训练集，输入到神经网络中进行训练。训练完成后输入测试集，计算网络训练的准确率λi。

步骤s10486，重复步骤s10484，直到每一份数据都做过测试集，并得到对应的网络训练准确率。

步骤s10488，计算k＝10个网络模型准确率的均值和标准差σλ。

步骤s104810，判断和标准差σλ是否低于给定阈值，若是，则训练结束；反之，选用准确率最高的一组训练集数据替换原始数据，转至步骤s10484。

基于神经网络模型处理空气指数和已经设定的工作参数，得到需要调节到的目标工作参数可以通过以下步骤进行实现：

步骤a，神经网络模型中的第一神经元接收到空气指数和已经设定的工作参数，得到第一处理结果；

在本申请的一些可选的实施例中，该空气指数为智能家居系统实时获取的当前空气净化器所在的空间内的空气指数，已经设定好的工作参数为智能家居系统实时获取的当前空气净化器的工作参数。上述第一处理结果，为将该空气指数、已经设定好的工作参数中的设定的工作时间、工作功率、工作时长组成一行四列的矩阵。

步骤b，对第一处理结果进行聚类分析，得到分类结果；

聚类分析为采用欧式距离方式计算第一处理结果中的数据相关性，并基于相关性进行分类得到分类结果。

步骤c，基于分类结果，确定神经网络模型中接收第一处理结果的下一个神经元；

步骤d，将第一处理结果发送至下一个神经元，并由下一个神经元处理第一处理结果，得到第二处理结果；

步骤e，基于第二处理结果循环执行步骤b至步骤d，直至遍历神经网络模型对应的节点，生成目标工作参数。

步骤s106,基于目标工作参数调节已经设定的工作参数。

基于目标工作参数调节已经设定的工作参数，可通过以下方式进行实现：将目标工作参数进行转换，得到允许空气净化器识别的控制数据；基于控制数据生成用于调节已经设定的工作参数的调节指令。

在一个可选的实施例中，在获取到所述空气净化器不同的空气指数的情况下，调取不同的空气指数所对应设定的不同工作参数，使得所述神经网络模型按照不同的空气指数及对应的工作参数进行处理，得到不同的目标工作参数。例如：智能家居系统获取当前的空气指数以及已经设定的工作参数，将该空气指数以及已经设定的工作参数输入上述神经网络模型，获取到目标工作参数；获取到目标工作参数之后，智能家居系统将对目标工作参数进行转换，生成调节已经设定的工作参数的调节指令，并将该调节指令发送至空气净化器。

本申请实施例中，通过获取已经设定的空气净化器的工作参数，以及空气净化器所在的空间内的空气指数；基于神经网络模型处理空气指数和已经设定的工作参数，得到需要调节到的目标工作参数，其中，神经网络模型为通过训练空气净化器的样本数据所产生的模型；基于目标工作参数调节已经设定的工作参数。实现了自动根据当前获取到的空气净化器的运行参数，以及当前的空气指数，对空气净化器进行调节的作用，提高了用户体验，解决了用户在控制家电时，需要进行手动调整家电的运行状态，浪费用户时间较多，用户体验较差的技术问题。

根据本申请实施例的一个方面，提供了一种调节工作参数的装置，如图2所示：装置包括：获取模块22，确定模块24，调节模块26；其中：

获取模块22,用于获取已经设定的空气净化器的工作参数，以及空气净化器所在的空间内的空气指数；

确定模块24,用于基于神经网络模型处理空气指数和已经设定的工作参数，得到需要调节到的目标工作参数，其中，神经网络模型为通过训练空气净化器的样本数据所产生的模型；

调节模块26,用于基于目标工作参数调节已经设定的工作参数。

需要说明的是，上述实施例的优选实施方式，可以参见关于图1的相关描述，此处不再赘述。

根据本申请实施例的一个方面，提供了一种存储介质，其特征在于，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的调节工作参数的方法。

根据本申请实施例的一个方面，提供了一种处理器，其特征在于，处理器用于运行程序，其中，程序运行时执行上述的调节工作参数的方法。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以设置于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。