调节设备（如空调）可以是设定的温度值、送风速度等；
[0037] 以智能插座为例：
[0038] 输入变量为时间（24小时制），经归一化处理后转化为取值范围在0-1的变量进入 数学模型；
[0039] 输出变量即设备状态变量为开关属性，〇为关，1为开；
[0040] 本设计主要采用输入层+隐藏层+输出层的BP人工神经网络作为数学模型内部 结构的基础，其中隐藏层为一层，隐藏层神经元个数范围由步骤3. 1)确定，数学模型中的 人工神经网络隐藏层的神经元个数即为数学模型的结构，各神经元对应的权值即为数学模 型的参数；
[0041] 对于同一智能家居设备类型的不同智能家居设备具有同样的内部结构，由下面步 骤3)确定；对于同一智能家居设备类型的不同智能家居设备具有不同的参数，参数中储存 了用户对于该智能家居设备的使用习惯，由下面步骤7)确定并循环调整；
[0042] 数学模型通过在下面步骤7)中的训练学习掌握用户的使用习惯，并将不同用户 对于不同设备的使用习惯保存在数学模型的结构参数中。
[0043] 2)针对不同的智能家居设备类型，结合专家意见设计典型用户数据作为数学模型 的训练样本，此样本仅用于下面步骤3)中确定数学模型的结构，数学模型的参数确定需要 使用实际用户数据，这里的用户数据指的是与智能家居设备类型所对应的时间数据与设备 状态数据。
[0044] 3)对于不同的智能家居设备类型，采用试凑法确定数学模型内部的人工神经网络 隐藏层结构，具体方法如下：
[0045] 3. 1)隐藏层神经元个数边界的确定
数，即为1，m为输出变量个数，即设备状态变量个数，a为[1，10]的常数，确定隐藏层神经 元个数边界nl nidP n l nax;
[0047] 3. 2)使用步骤2)中确定的训练样本，通过软件仿真对隐藏层个数在[nl nun，nl niax] 的数学模型进行训练，综合比较其训练误差、测试误差与收敛速度这些关键性能指标，选择 最佳的数学模型，其中优先选择误差小的，收敛速度结合采样周期考虑，根据实际使用场景 设定收敛速度阈值，只要收敛速度在阈值范围内均可使用。
[0048] 4)将步骤3)中确定的针对不同智能家居设备类型的数学模型转化为控制算法程 序，并部署到云端服务器。
[0049] 5)在云端服务器建立数据库，储存对应于不同的智能家居设备类型的数学模型结 构，并为储存对应于不同的智能家居设备的数学模型参数做准备。
[0050] 6)新用户及新设备接入控制系统后，为其开辟参数存储空间，并对参数进行初始 化。
[0051] 7)每隔相同的时间间隔采集智能家居设备的设备状态数据，通过循环训练算法不 断对对应于不同的智能家居设备的数学模型参数进行调节，使该智能家居设备数学模型对 设备状态的预测准确度达到一定的高度水平。
[0052] 其中，所述循环训练算法指的是为了在用户使用的过程中对数学模型参数进行反 复验证调整，以达最佳的预测效果，具体算法如下：
[0053] 7. 1)每隔相同的时间间隔，系统自动从数据库提取对应智能家居设备类型的数学 模型结构及对应用户与设备的数学模型参数，运行控制算法程序，以当前时间作为输入量， 获取输出量当前设备状态的预测值；
[0054] 7. 2)系统通过互联网采集对应设备的当前状态，与状态的预测值进行比较，若其 差别在可接受的误差范围内，则认为该次预测准确，抛弃该次采集的数据；若其差别大于可 接受的误差范围，则认为该次预测有误，作为训练数据对神经网络进行训练，调整对应的数 学模型参数值并更新数据库的储存值；
[0055] 7. 3)根据最近的若干次预测结果的准确度判断数学模型参数值是否能准确预测 设备的当前状态，若准确度高于预设阈值，则认为参数准确，数学模型可用于对用户操作的 预测，否则，回到步骤7. 1)循环训练调整。
[0056] 8)用户下达语音控制指令后，控制指令通过网络进入云端服务器的智能控制系 统，经人工神经网络数学模型预测用户需要操作的设备状态，将控制指令转化为执行指令 发送至设备，比如当用户下达"开空调"指令后，系统调用该用户对应的智能空调的数学模 型对该时间点智能空调的状态（设定温度、送风量等）进行预测，系统向该灯泡设备发送执 行指令。
[0057] 9)设备根据执行指令进行动作，完成整个控制流程，回到步骤7)继续等待下一次 指令的下达。
[0058] 以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范 围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
【主权项】
1. 一种基于自学习算法的智能家居设备语音控制方法，其特征在于，包括以下步骤： 1) 为不同的智能家居设备类型建立数学模型，包括智能插座、智能灯泡、智能空调各自 对应不同结构的数学模型，使用人工神经网络进行模拟，输入变量为时间，输出变量为设备 状态变量； 2) 针对不同的智能家居设备类型，设计相关用户数据作为数学模型的训练样本，此训 练样本仅用于下面步骤3)中确定数学模型的结构，数学模型的参数确定需要使用实际用 户数据，这里的用户数据指的是与智能家居设备类型所对应的时间数据与设备状态数据； 3) 对于不同的智能家居设备类型，采用试凑法确定数学模型内部的人工神经网络隐藏 层结构，具体方法如下： 3. 1)隐藏层神经元个数边界的确定 根据参考公式Z，其中&为隐藏层神经元个数，η为输入变量个数，即 为l，m为输出变量个数，即设备状态变量个数，a为[1，10]的常数，确定隐藏层神经元个数 边界 nIjnir^R n I Jiiaji; 3. 2)使用步骤2)中确定的训练样本，通过软件仿真对隐藏层个数在[Iil n^nl mJ的数 学模型进行训练，综合比较其训练误差、测试误差与收敛速度这些关键性能指标，选择最佳 的数学模型，其中优先选择误差小的，收敛速度结合采样周期考虑，根据实际使用场景设定 收敛速度阈值，只要收敛速度在阈值范围内均可使用； 4) 将步骤3)中确定的针对不同智能家居设备类型的数学模型转化为控制算法程序， 并部署到云端服务器； 5) 在云端服务器建立数据库，储存对应于不同的智能家居设备类型的数学模型结构， 并为储存对应于不同的智能家居设备的数学模型参数做准备； 6) 新用户及新设备接入控制系统后，为其开辟参数存储空间，并对参数进行初始化； 7) 每隔相同的时间间隔采集智能家居设备的设备状态数据，通过循环训练算法不断对 应于不同的智能家居设备的数学模型参数进行调节，以提高智能家居设备数学模型对设备 状态的预测准确度； 8) 用户下达语音控制指令后，控制指令通过网络进入云端服务器的智能控制系统，经 人工神经网络数学模型预测用户需要操作的设备状态，将控制指令转化为执行指令发送至 设备； 9) 设备根据执行指令进行动作，完成整个控制流程，回到步骤7)继续等待下一次指令 的下达。2. 根据权利要求1所述的一种基于自学习算法的智能家居设备语音控制方法，其特征 在于：在步骤1)中，采用输入层+隐藏层+输出层的BP人工神经网络作为数学模型内部结 构的基础，其中隐藏层为一层，隐藏层神经元个数范围由步骤3. 1)确定，数学模型中的人 工神经网络隐藏层的神经元个数即为数学模型的结构，各神经元对应的权值即为数学模型 的参数。3. 根据权利要求1所述的一种基于自学习算法的智能家居设备语音控制方法，其特征 在于：在步骤7)中，所述循环训练算法指的是为了在用户使用的过程中对数学模型参数进 行反复验证调整，以达最佳的预测效果，具体算法如下： 7. 1)每隔相同的时间间隔，系统自动从数据库提取对应智能家居设备类型的数学模型 结构及对应用户与设备的数学模型参数，运行控制算法程序，以当前时间作为输入量，获取 输出量当前设备状态的预测值； 7. 2)系统通过互联网采集对应设备的当前状态，与状态的预测值进行比较，若其差别 在可接受的误差范围内，则认为该次预测准确，抛弃该次采集的数据；若其差别大于可接受 的误差范围，则认为该次预测有误，作为训练数据对神经网络进行训练，调整对应的数学模 型参数值并更新数据库的储存值； 7. 3)根据最近的多次预测结果的准确度判断数学模型参数值是否能准确预测设备的 当前状态，若准确度高于预设阈值，则认为参数准确，数学模型可用于对用户操作的预测， 否则，回到步骤7. 1)循环训练调整。
【专利摘要】本发明公开了一种基于自学习算法的智能家居设备语音控制方法，该方法从智能家居的使用场景出发，深入思考用户使用习惯在智能家居设备操作上的体现。构建数学模型，对用户的使用习惯进行简化，并结合人工神经网络的相关知识，创新地通过构造人工神经网络对智能家居设备的使用习惯进行学习，并将不同用户对不同智能插座的不同操作习惯通过神经网络的权值参数进行记忆，保存在云端服务器的数据库中并根据用户的习惯改变不断修正调整。利用对设备状态的预测实现智能控制与用户习惯学习，让用户有私人管家般的体验。
【IPC分类】G05B19/418, G05B15/02
【公开号】CN105068515
【申请号】CN201510419291
【发明人】曾明, 梁卓敏
【申请人】华南理工大学
【公开日】2015年11月18日
【申请日】2015年7月16日