【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及智能家居，具體是指基于機器學(xué)習(xí)的足浴盆參數(shù)智能化調(diào)節(jié)方法及系統(tǒng)。
技術(shù)介紹
1、基于機器學(xué)習(xí)的足浴盆參數(shù)智能化調(diào)節(jié)方法及系統(tǒng)利用機器學(xué)習(xí)技術(shù)和大數(shù)據(jù)分析技術(shù)來對足浴盆的操作參數(shù)進行智能優(yōu)化和自動調(diào)節(jié)，能夠提升足浴盆的智能化水平，增強用戶的舒適度。但傳統(tǒng)數(shù)據(jù)篩選方法存在無法有效識別復(fù)雜數(shù)據(jù)集中異常值和噪聲數(shù)據(jù)的問題；傳統(tǒng)足浴盆參數(shù)預(yù)測模型存在模型結(jié)構(gòu)簡單、激勵機制單一、缺乏靈活性的問題；傳統(tǒng)全局參數(shù)優(yōu)化方法存在搜索效率低、易陷入局部最優(yōu)以及參數(shù)調(diào)整復(fù)雜度高的問題。
技術(shù)實現(xiàn)思路
1、針對上述情況，為克服現(xiàn)有技術(shù)的缺陷，本專利技術(shù)提供了基于機器學(xué)習(xí)的足浴盆參數(shù)智能化調(diào)節(jié)方法及系統(tǒng)，針對傳統(tǒng)數(shù)據(jù)篩選方法存在無法有效識別復(fù)雜數(shù)據(jù)集中異常值和噪聲數(shù)據(jù)的問題，本方案通過劃分數(shù)據(jù)鄰域、定義數(shù)據(jù)復(fù)雜度、定義局部密度、計算異常度和異常數(shù)據(jù)檢測來進行數(shù)據(jù)篩選，考慮了數(shù)據(jù)點之間的空間距離和數(shù)據(jù)點周圍鄰域的密度分布，提高了異常值識別的準確性和可靠性；針對傳統(tǒng)足浴盆參數(shù)預(yù)測模型存在模型結(jié)構(gòu)簡單、激勵機制單一、缺乏靈活性的問題，本方案通過設(shè)計模型框架、激勵函數(shù)、前置雙變換層、隱藏層、殘差調(diào)節(jié)層、輸出層和損失函數(shù)來建立模型，改善了模型對不同輸入情況的適應(yīng)性和處理能力，提高了模型的表達能力、預(yù)測準確性和對特征的調(diào)整和優(yōu)化能力，提高了模型的輸出質(zhì)量和對預(yù)測誤差的控制能力；針對傳統(tǒng)全局參數(shù)優(yōu)化方法存在搜索效率低、易陷入局部最優(yōu)以及參數(shù)調(diào)整復(fù)雜度高的問題，本方案通過設(shè)計搜索進化因子、定義映射函數(shù)、設(shè)計抗干
2、本專利技術(shù)采取的技術(shù)方案如下：基于機器學(xué)習(xí)的足浴盆參數(shù)智能化調(diào)節(jié)方法及系統(tǒng)，該方法包括以下步驟：
3、步驟s1：數(shù)據(jù)采集；
4、步驟s2：數(shù)據(jù)篩選；
5、步驟s3：建立足浴盆參數(shù)預(yù)測模型；
6、步驟s4：全局參數(shù)優(yōu)化；
7、步驟s5：足浴盆參數(shù)調(diào)節(jié)。
8、進一步地，在步驟s1中，所述數(shù)據(jù)采集采集歷史足浴盆用戶的年齡、身體疲勞程度、身體反應(yīng)數(shù)據(jù)和足浴盆參數(shù)；所述身體疲勞程度包括高、中和低三個程度；所述身體反應(yīng)數(shù)據(jù)是指使用足浴盆時的皮膚溫度、心率和呼吸頻率；所述足浴盆參數(shù)包括水量、水溫、加熱速度和按摩力度。
9、進一步地，在步驟s2中，所述數(shù)據(jù)篩選，具體包括以下步驟：
10、步驟s21：劃分數(shù)據(jù)鄰域，選出距離每個數(shù)據(jù)點最近的n個數(shù)據(jù)點，計算出每個數(shù)據(jù)點與選出的n個數(shù)據(jù)點之間的歐氏距離，選出最大值，設(shè)置為數(shù)據(jù)點的鄰域?qū)挾龋瑢⒃卩徲驅(qū)挾确秶鷥?nèi)的數(shù)據(jù)點設(shè)置為鄰域數(shù)據(jù)點集合；
11、步驟s22：定義數(shù)據(jù)復(fù)雜度，表示如下：
12、；
13、其中，i表示數(shù)據(jù)點的索引，表示第i個數(shù)據(jù)點的位置，表示第i個數(shù)據(jù)點的數(shù)據(jù)復(fù)雜度，d表示數(shù)據(jù)維度的索引，d表示最大的數(shù)據(jù)維度，n表示鄰域數(shù)據(jù)點集合內(nèi)的數(shù)據(jù)點的索引，n表示鄰域數(shù)據(jù)點集合內(nèi)的數(shù)據(jù)點的總數(shù)，表示第i個數(shù)據(jù)點的第d個維度的特征值，表示第n個數(shù)據(jù)點的第d個維度的特征值，表示取絕對值，表示數(shù)據(jù)點i與鄰域數(shù)據(jù)點集合中的數(shù)據(jù)點之間的歐氏距離最大值，表示數(shù)據(jù)點i與鄰域數(shù)據(jù)點集合中的數(shù)據(jù)點之間的歐氏距離最小值；
14、步驟s23：定義局部密度，表示如下：
15、；
16、其中，表示局部密度函數(shù)，表示第i個數(shù)據(jù)點的局部密度，j表示數(shù)據(jù)點的索引，m表示數(shù)據(jù)點的總數(shù)，表示取最大值，表示第i個數(shù)據(jù)點的鄰域?qū)挾龋硎救W氏距離，表示第i個數(shù)據(jù)點和第j個數(shù)據(jù)點之間的歐氏距離；
17、步驟s24：計算異常度，表示如下：
18、；
19、其中，表示第i個數(shù)據(jù)點的異常度，表示密度調(diào)節(jié)因子，表示第j個數(shù)據(jù)點的鄰域數(shù)據(jù)點集合中的所有數(shù)據(jù)點的局部密度平均值，表示第i個數(shù)據(jù)點的鄰域數(shù)據(jù)點集合中的所有數(shù)據(jù)點的局部密度平均值，表示異常度平衡因子；
20、步驟s25：異常數(shù)據(jù)檢測，設(shè)定異常度閾值，計算出所有數(shù)據(jù)點的異常度，將異常度大于異常度閾值的數(shù)據(jù)去除。
21、進一步地，在步驟s3中，所述建立足浴盆參數(shù)預(yù)測模型，具體包括以下步驟：
22、步驟s31：設(shè)計模型框架，足浴盆參數(shù)預(yù)測模型包括前置雙變換層、隱藏層、殘差調(diào)節(jié)層、隨機失活層和輸出層；
23、步驟s32：設(shè)計激勵函數(shù)，表示如下：
24、；
25、其中，表示分域激勵函數(shù)的輸入，表示分域激勵函數(shù)，e表示自然常數(shù)，表示以自然常數(shù)為底數(shù)的對數(shù)函數(shù)，表示開根號；
26、步驟s33：設(shè)計前置雙變換層，表示如下：
27、；
28、其中，表示前置雙變換層的輸出，表示帶泄漏修正線性單元函數(shù)，和分別表示前置雙變換層的第一層的權(quán)重和偏置，和分別表示前置雙變換層的第二層的權(quán)重和偏置，表示前置雙變換層的輸入；
29、步驟s34：設(shè)計隱藏層，在隱藏層的第一層和最后一層用分域激勵函數(shù)進行激勵，表示如下：
30、；
31、其中，表示隱藏層的輸出，p表示隱藏層的層數(shù)，、和分別表示隱藏層的第p、第p-1和第1層的權(quán)重，、和分別表示隱藏層第1、第p-1和第p層的偏置，表示隱藏層第1層的輸入；
32、步驟s35：設(shè)計殘差調(diào)節(jié)層，表示如下：
33、；
34、其中，表示殘差調(diào)節(jié)層的輸出，、和分別表示殘差調(diào)節(jié)層的權(quán)重、輸入和偏置；
35、步驟s36：設(shè)計輸出層，表示如下：
36、；
37、其中，表示輸出層的輸出，表示歸一化指數(shù)函數(shù)，、和分別表示輸出層的權(quán)重、輸入和偏置；
38、步驟s37：設(shè)計損失函數(shù)，表示如下：
39、；
40、其中，表示模型的損失值，j表示訓(xùn)練模型的數(shù)據(jù)樣本的索引，k表示數(shù)據(jù)樣本的總數(shù)，log(·)表示對數(shù)運算，表示第j個樣本的真實值，表示第j個樣本的預(yù)測值，表示邊緣損失權(quán)重，表示敏感因子。
41、進一步地，在步驟s4中，所述全局參數(shù)優(yōu)化，具體包括以下步驟：
42、步驟s41：優(yōu)化準備，確定優(yōu)化參數(shù)，包括密度調(diào)節(jié)因子、異常度平衡因子、隱藏層的層數(shù)和敏感因子，創(chuàng)建優(yōu)化參數(shù)的搜索空間，將模型的損失值的倒數(shù)設(shè)置為參數(shù)的適應(yīng)度，在參數(shù)搜索空間內(nèi)隨機生成初始的參數(shù)搜索點集群，計算出初始的參數(shù)搜索點集群的適應(yīng)度；
43、步驟s42：設(shè)計搜索進化因子，表示如下：
44、；
45、其中，t表示參數(shù)搜索次數(shù)，g表示參數(shù)搜索點的參數(shù)維度索引，表示第t次參數(shù)搜索時第g個參數(shù)維度的搜索進化因子，t表示參數(shù)的最大搜索次數(shù)，表示所有參數(shù)搜索點的第g個參數(shù)維度的平均值，表示所有參數(shù)搜索點中第g個參數(shù)維度的最大值，表示所有參數(shù)搜索點中第g個參數(shù)維度的本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.基于機器學(xué)習(xí)的足浴盆參數(shù)智能化調(diào)節(jié)方法，其特征在于，該方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于機器學(xué)習(xí)的足浴盆參數(shù)智能化調(diào)節(jié)方法，其特征在于：在步驟S2中，所述數(shù)據(jù)篩選，具體包括以下步驟：
3.根據(jù)權(quán)利要求1所述的基于機器學(xué)習(xí)的足浴盆參數(shù)智能化調(diào)節(jié)方法，其特征在于：在步驟S3中，所述建立足浴盆參數(shù)預(yù)測模型，具體包括以下步驟：
4.根據(jù)權(quán)利要求1所述的基于機器學(xué)習(xí)的足浴盆參數(shù)智能化調(diào)節(jié)方法，其特征在于：在步驟S4中，所述全局參數(shù)優(yōu)化，具體包括以下步驟：
5.根據(jù)權(quán)利要求1所述的基于機器學(xué)習(xí)的足浴盆參數(shù)智能化調(diào)節(jié)方法，其特征在于：在步驟S1中，所述數(shù)據(jù)采集采集歷史足浴盆用戶的年齡、身體疲勞程度、身體反應(yīng)數(shù)據(jù)和足浴盆參數(shù)；所述身體疲勞程度包括高、中和低三個程度；所述身體反應(yīng)數(shù)據(jù)是指使用足浴盆時的皮膚溫度、心率和呼吸頻率；所述足浴盆參數(shù)包括水量、水溫、加熱速度和按摩力度；
6.基于機器學(xué)習(xí)的足浴盆參數(shù)智能化調(diào)節(jié)系統(tǒng)，用于實現(xiàn)如權(quán)利要求1-5中任一項所述的基于機器學(xué)習(xí)的足浴盆參數(shù)智能化調(diào)節(jié)方法，其特征在于：包括數(shù)據(jù)采集
...【技術(shù)特征摘要】
1.基于機器學(xué)習(xí)的足浴盆參數(shù)智能化調(diào)節(jié)方法，其特征在于，該方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于機器學(xué)習(xí)的足浴盆參數(shù)智能化調(diào)節(jié)方法，其特征在于：在步驟s2中，所述數(shù)據(jù)篩選，具體包括以下步驟：
3.根據(jù)權(quán)利要求1所述的基于機器學(xué)習(xí)的足浴盆參數(shù)智能化調(diào)節(jié)方法，其特征在于：在步驟s3中，所述建立足浴盆參數(shù)預(yù)測模型，具體包括以下步驟：
4.根據(jù)權(quán)利要求1所述的基于機器學(xué)習(xí)的足浴盆參數(shù)智能化調(diào)節(jié)方法，其特征在于：在步驟s4中，所述全局參數(shù)優(yōu)化，具體包括以下步驟：
5.根據(jù)權(quán)利要求1所述的...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：葛軍，葛名熠，
申請(專利權(quán))人：淮安美妙電子科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。