一种智能式共享浴房及其控制方法与流程

本技术涉及智能控制领域，且更为具体地，涉及一种智能式共享浴房及其控制方法。

背景技术：

1、共享浴房是一种集体性质的沐浴空间，主要方便人们清洁身体，共享浴房设置的位置大多根据清洁的要求而定，有高级会所，也有较为大众的浴池，还有一种就是在风景旅游区或者游乐场设置的公共浴室，方便人们在游玩过程中进行身体的清洁。

2、在使用共享浴房后，需要配置喷雾消毒设备对浴房表面和空气进行消杀，且消杀后应根据室内空气质量，开启通风换气设备。但是，传统的控制方式是依靠人工进行数据监测，来完成对于消杀的过程控制，这种方式只能基于室内空气质量数值的变化来进行开启或关闭通风换气设备，此时通风换气设备的工作功率固定在某一数值，并没有关注到空气质量指数和通风换气功率间的适配关系，导致共享浴房内消杀换气的效率较低，影响浴房内的空气质量。

3、因此，期望一种优化的智能式共享浴房。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种智能式共享浴房及其控制方法。其首先将多个预定时间点的空气质量指数和多个预定时间点的通风换气设备的功率值分别排列为空气质量指数时序输入向量和功率时序输入向量后分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，接着，对所述空气质量指数时序特征向量进行特征表达强化和特征分布约束以得到优化空气质量指数时序特征矩阵，最后，计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量通过分类器以得到用于表示当前时间点的通风换气设备的功率值应增大或应减小的分类结果。这样，可以优化共享浴房内的消杀换气效率，提高浴房内的空气质量。

2、根据本技术的一个方面，提供了一种智能式共享浴房，其包括：

3、数据采集模块，用于获取预定时间段内多个预定时间点的共享浴房内的空气质量指数以及所述多个预定时间点的通风换气设备的功率值；

4、数据时序分布模块，用于将所述多个预定时间点的空气质量指数和所述多个预定时间点的通风换气设备的功率值分别按照时间维度排列为空气质量指数时序输入向量和功率时序输入向量；

5、特征捕捉模块，用于将所述空气质量指数时序输入向量和所述功率时序输入向量分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，其中，所述多尺度特征捕捉器包括第一分支结构和第二分支结构，所述第一分支结构为使用具有第一尺度的一维卷积核的第一卷积神经网络模型，所述第二分支结构为使用具有第二尺度的一维卷积核的第二卷积神经网络模型；

6、空气质量特征增强模块，用于对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到空气质量指数时序特征矩阵；

7、优化模块，用于对所述空气质量指数时序特征矩阵进行特征分布约束以得到优化空气质量指数时序特征矩阵；

8、关联编码模块，用于计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量；以及

9、功率控制模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的通风换气设备的功率值应增大或应减小。

10、在上述的智能式共享浴房中，所述特征捕捉模块，包括：

11、第一尺度空气质量特征提取单元，用于使用所述多尺度特征捕捉器的所述第一卷积神经网络模型对所述空气质量指数时序输入向量进行一维卷积编码以得到第一尺度空气质量特征向量，其中，所述第一卷积神经网络模型具有第一尺度的一维卷积核；

12、第二尺度空气质量特征提取单元，用于使用所述多尺度特征捕捉器的所述第二卷积神经网络模型对所述空气质量指数时序输入向量进行一维卷积编码以得到第二尺度空气质量特征向量，其中，所述第二卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及

13、空气质量多尺度融合单元，用于将所述第一尺度空气质量特征向量和所述第二尺度空气质量特征向量进行级联以得到所述空气质量指数时序特征向量。

14、在上述的智能式共享浴房中，所述特征捕捉模块，进一步包括：

15、第一尺度功率特征提取单元，用于使用所述多尺度特征捕捉器的所述第一卷积神经网络模型对所述功率时序输入向量进行一维卷积编码以得到第一尺度功率特征向量，其中，所述第一卷积神经网络模型具有第一尺度的一维卷积核；

16、第二尺度功率特征提取单元，用于使用所述多尺度特征捕捉器的所述第二卷积神经网络模型对所述功率时序输入向量进行一维卷积编码以得到第二尺度功率特征向量，其中，所述第二卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及

17、功率多尺度融合单元，用于将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述功率时序特征向量。

18、在上述的智能式共享浴房中，所述空气质量特征增强模块，用于：

19、以如下强化公式对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到所述空气质量指数时序特征矩阵；

20、其中，所述强化公式为：

21、

22、其中，μ表示所述空气质量指数时序特征向量，且σ的每个位置的值表示所述空气质量指数时序特征向量中相应两个位置的特征值之间的方差。

23、在上述的智能式共享浴房中，所述优化模块，包括：

24、初始特征关联单元，用于计算所述空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为初始分类特征向量；

25、高斯响应关联单元，用于计算所述初始分类特征向量相对于所述功率时序特征向量的基于高斯密度图的响应性估计以得到响应性估计特征矩阵；以及

26、特征优化单元，用于基于所述响应性估计特征矩阵对于所述空气质量指数时序特征矩阵进行卷积式字典对照响应学习以得到所述优化空气质量指数时序特征矩阵。

27、在上述的智能式共享浴房中，所述初始特征关联单元，用于：

28、以如下转移向量计算公式计算所述空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为所述初始分类特征向量；

29、其中，所述转移向量计算公式为：

30、

31、其中，vc表示所述功率时序特征向量的转移向量，m表示所述空气质量指数时序特征矩阵，v表示所述初始分类特征向量，表示矩阵相乘。

32、在上述的智能式共享浴房中，所述高斯响应关联单元，包括：

33、高斯密度图构造子单元，用于分别构造所述初始分类特征向量和所述功率时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；

34、高斯响应性估计子单元，用于计算所述第一高斯密度图相对于所述第二高斯密度图以得到响应性高斯密度图；以及

35、高斯离散化子单元，用于对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述响应性估计特征矩阵。

36、在上述的智能式共享浴房中，所述特征优化单元，用于：

37、基于所述响应性估计特征矩阵以如下优化公式对于所述空气质量指数时序特征矩阵进行卷积式字典对照响应学习以得到所述优化空气质量指数时序特征矩阵；

38、其中，所述优化公式为：

39、

40、其中，m1和m2分别是所述响应性估计特征矩阵和所述空气质量指数时序特征矩阵，且||·||f表示矩阵的frobenius范数，(·)t表示矩阵的转置矩阵，表示矩阵加法，表示矩阵乘法，m2'表示所述优化空气质量指数时序特征矩阵。

41、在上述的智能式共享浴房中，所述功率控制模块，包括：

42、全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及

43、分类单元，用于将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。

44、根据本技术的另一个方面，提供了一种智能式共享浴房控制方法，其包括：

45、获取预定时间段内多个预定时间点的共享浴房内的空气质量指数以及所述多个预定时间点的通风换气设备的功率值；

46、将所述多个预定时间点的空气质量指数和所述多个预定时间点的通风换气设备的功率值分别按照时间维度排列为空气质量指数时序输入向量和功率时序输入向量；

47、将所述空气质量指数时序输入向量和所述功率时序输入向量分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，其中，所述多尺度特征捕捉器包括第一分支结构和第二分支结构，所述第一分支结构为使用具有第一尺度的一维卷积核的第一卷积神经网络模型，所述第二分支结构为使用具有第二尺度的一维卷积核的第二卷积神经网络模型；

48、对所述空气质量指数时序特征向量进行基于高斯密度图的特征表达强化以得到空气质量指数时序特征矩阵；

49、对所述空气质量指数时序特征矩阵进行特征分布约束以得到优化空气质量指数时序特征矩阵；

50、计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量；以及

51、将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的通风换气设备的功率值应增大或应减小。

52、与现有技术相比，本技术提供的智能式共享浴房及其控制方法，其首先将多个预定时间点的空气质量指数和多个预定时间点的通风换气设备的功率值分别排列为空气质量指数时序输入向量和功率时序输入向量后分别通过多尺度特征捕捉器以得到空气质量指数时序特征向量和功率时序特征向量，接着，对所述空气质量指数时序特征向量进行特征表达强化和特征分布约束以得到优化空气质量指数时序特征矩阵，最后，计算所述优化空气质量指数时序特征矩阵相对于所述功率时序特征向量的转移向量作为分类特征向量通过分类器以得到用于表示当前时间点的通风换气设备的功率值应增大或应减小的分类结果。这样，可以优化共享浴房内的消杀换气效率，提高浴房内的空气质量。