[发明专利]一种智能家居控制方法、系统、存储介质和计算机设备

权利要求书

1.一种智能家居控制方法，用于控制若干家居环境控制设备，其特征在于，包括：

获取环境参数和第一类设备配置参数，其中，环境参数包括温度、湿度、照度、空气质量指数，所述第一类设备配置参数包括第一设备配置参数和第一用户配置参数，所述第一设备配置参数是基于所述环境参数通过预设的控制规则对所述家居环境控制设备控制获得，所述第一用户配置参数是基于所述环境参数通过用户输入参数控制所述家居环境控制设备获得；

将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型获得模型参数，以构建深度神经网络模型；

将所述环境参数输入至所述深度神经网络模型，以得到第二类设备配置参数，其中，所述第二类设备配置参数包括第二设备配置参数和第二用户配置参数，所述第二设备配置参数是基于所述环境参数和所述第一设备配置参数通过所述深度神经网络模型进行处理获得，所述第二用户配置参数是基于所述环境参数和所述第一用户配置参数通过所述深度神经网络模型进行处理获得；

根据所述环境参数和所述第二类设备配置参数，控制若干所述家居环境控制设备，其中，所述家居环境控制设备包括空调设备、地暖设备、新风设备；

其中，所述第一设备配置参数是基于所述环境参数通过预设的控制规则对所述家居环境控制设备控制获得包括：

按照所述环境参数不同的优先顺序，分别对室内温度、室内CO2浓度、室内PM2.5浓度和室外PM2.5浓度进行判断，获得空调规定配置参数、地暖规定配置参数、新风规定配置参数；

其中，所述第一用户配置参数是基于所述环境参数通过用户输入参数控制所述家居环境控制设备获得包括：

用户对室内温度、室内CO2浓度、室内PM2.5浓度和室外PM2.5浓度进行判断，获得空调自定义配置参数、地暖自定义配置参数、新风自定义配置参数；

其中，将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型获得模型参数，以构建深度神经网络模型，包括：

对所述多维数据向量中的所述环境参数使用Z-score标准化进行归一化处理，以得到次级多维数据向量；

对所述次级多维数据向量使用主成分分析法进行特征过滤，以得到变量向量；

将所述变量向量输入至所述深度神经网络模型，以得到第二类设备配置参数；

将所述第二类设备配置参数与所述第一类设备配置参数进行判别，以得到判别结果；

基于所述判别结果计算误差值，使用成本函数对所述误差值进行迭代，直至所述误差值迭代趋于稳定时停止训练，以得到所述深度神经网络模型。

2.根据权利要求1所述的智能家居控制方法，其特征在于，将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型获得模型参数，以构建深度神经网络模型，还包括：

将预设的时间段的所述环境参数、所述第一设备配置参数和所述第一用户配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型获得模型参数，以构建深度神经网络模型。

3.根据权利要求1所述的智能家居控制方法，其特征在于，所述深度神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层，其中，第一隐藏层的节点数与第二隐藏层的节点数相同，第一隐藏层的节点数少于输入层的节点数，其差值为1。

4.根据权利要求3所述的智能家居控制方法，其特征在于，将所述变量向量输入至所述深度神经网络模型，以得到第二类设备配置参数包括：

所述输入层接收所述变量向量，并将所述变量向量输入至所述第一隐藏层；

所述第一隐藏层和所述第二隐藏层依次对所述变量向量进行处理，以得到所述第二类设备配置参数，并将所述第二类设备配置参数输入至输出层；

输出层接收所述第二类设备配置参数，并将所述第二类设备配置参数输出。

5.根据权利要求4所述的智能家居控制方法，其特征在于，所述第一隐藏层使用Sigmoid激活函数对所述变量向量进行处理；

所述第二隐藏层使用Sigmoid激活函数对经所述第一隐藏层处理的所述变量向量再次进行处理。