技术领域
[0001] 本发明涉及智能家居技术领域，具体为一种基于人工智能的智能家居场景生成方法。
相关背景技术
[0002] 现阶段智能家居的场景生成方式大致分为云端预设场景模版、用户自行设置场景等场景生成方式；若云端预设模版较少或云端预设模版使用条件较为苛刻，用户自行设置场景流程过于复杂，现存场景生成方式就会降低用户体验，无法满足用户个性化需求。
具体实施方式
[0018] 下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
[0019] 请参阅图1，本发明的一种基于人工智能的智能家居场景生成方法，包括系统架构以及神经网络架构，所述系统架构包括感应单元、处理单元、存储单元通信单元以及用户界面单元，所述神经网络架构包括输入层、隐藏层以及输出层；通过人工智能神经网络算法和传感器数据采集，实时获取用户日常操作数据，并生成相应的场景或优化建议，以提升用户体验和场景效果。该方法利用深度学习技术，自适应地生成场景中的关键参数，如灯光、温度和设备状态，并根据用户反馈进行持续优化；
在本实施例中：
所述处理单元包括数据收集与处理模块；
所述感应单元负责收集用户日常操作数据、环境数据，如温度、湿度、光照强度、设备状态和运动检测等。这些数据是生成和优化智能家居场景的基础。
[0020] 所述处理单元利用人工智能神经网络算法对感应单元收集的数据进行处理和分析，生成相应的智能家居场景或优化建议；所述存储单元保存感应单元的数据、处理结果、用户偏好和历史场景数据，为系统的持续优化和学习提供数据支持；
所述通信单元负责各单元之间的数据传输，以及与外部设备（如智能家居设备、智能手机、云服务器等）的通信，确保系统的实时性和联动性；
所述通信单元负责各单元之间的数据传输，以及与外部设备（如智能家居设备、智能手机、云服务器等）的通信，确保系统的实时性和联动性；
数据收集与处理模块能将采集到的环境数据和用户反馈数据，先进行数据清洗，检查传感器数据中的缺失值，并使用均值填补或插值法进行填补，例如，如果温度传感器在某个时间点没有数据，将使用前后时间点的平均值填补。检测并处理异常值，如温度传感器的极端读数，将使用箱线图法或Z分数法识别并处理，例如，如果某个温度读数远高于正常范围，会将其标记为异常值并进行处理，再进行数据归一化 ，将温度、湿度等数据转换为标准正态分布，确保不同传感器数据在相同尺度上处理，公式如下：
[0021] 其中，( x ) 是原始数据，(μ) 是均值，(σ ) 是标准差。
[0022] 将光照强度等数据缩放到0到1的范围内，便于神经网络处理，公式如下：
[0023] 例如，如果光照强度的范围是0到1000，则归一化后数据的范围是0到1。
[0024] 最后进行特征提取。将时间特征（早晨、下午、晚上）和交互特征（温度与湿度的组合）作为对智能家居场景生成有重要影响的特征，减少数据维度，增强模型表现。
[0025] 所述输入层接收来自感应单元的数据，如温度、湿度、光照强度、时间等，这些数据经过预处理后输入到神经网络中，输入数据通常以向量形式表示，每个传感器的数据作为向量的一个元素。例如，温度、湿度和光照强度
[0026] 的数据可以表示为向量，如下：
[0027] 所述隐藏层通过ReLU激活函数提取和处理输入数据的特征，ReLU函数的公式为：
[0028] 对于智能家居场景预测，数据在经过预处理后输入到神经网络中。隐藏层通过ReLU激活函数提取这些数据的特征，生成中间表示。假设输入数据为温度、湿度和光照强度，则中间表示为：
[0029] 其中，( x ) 是输入向量，( W^(1) ) 和 ( b^(1) ) 分别是第一层的权重矩阵和偏置向量，( a^(1) ) 是第一层的激活值；输出层使用Sigmoid激活函数生成智能家居场景或优化建议的概率。Sigmoid函数的公式为：
[0030] Sigmoid激活函数将输出值压缩到0到1之间，表示每个场景或建议的概率。假设输出层需要预测多个智能家居场景（如灯光调节、温度控制等），每个场景的输出通过Sigmoid激活函数生成概率，例如：
[0031] 其中，( W^(L) ) 和 ( b^(L) ) 分别是输出层的权重矩阵和偏置向量，() 是输出层的预测值；场景生成与优化：根据输出层的概率值，生成相应的智能家居场景，如自动调节灯光、温度等。假设输出层的预测结果为：
[0032] 其中，0.8表示灯光调节的概率，0.6表示温度控制的概率，0.3表示其他场景的概率，则系统会自动调节灯光和温度。
[0033] 收集用户对生成场景的反馈，上传云端，作为训练数据的一部分。用户可以通过用户界面单元提供反馈。假设用户对灯光调节的反馈为正，对温度控制的反馈为负；系统记录这些反馈并更新训练数据；通过反向传播和优化算法（Adam）调整神经网络的权重和偏置，持续优化模型性能。同时云端定期下发更新后的神经网络模型，提升用户的使用体验。
[0034] 智能家居场景生成流程：数据收集：智能家居系统通过分布在各个角落的传感器，实时收集用户行为、环境数据和设备状态等信息。这些数据经过清洗、处理，去除噪声和异常，提取出有价值的特征。
随后，这些数据被输入到神经网络模型中进行深度学习，模型能够从中学习到用户的习惯、偏好，并做出智能化的决策。例如，根据用户历史行为和室内环境数据，系统可以自动调节室温、灯光，提供个性化的舒适体验；
用户反馈：用户通过直观的用户界面，能够对系统生成的场景表达满意度或提出改进意见。这些反馈信息会被系统实时收集并传递给处理单元。处理单元会根据用户的评价，对场景进行针对性的调整和优化，力求满足用户的个性化需求。更进一步，系统会将所有用户反馈数据纳入到模型的训练过程中。通过不断学习和迭代，模型能够逐渐理解用户的偏好，生成更加符合用户期望的场景。这种闭环反馈机制，使得系统能够随着时间的推移，不断提升生成场景的质量和多样性，为用户提供更加智能、个性化的体验；
优化改进：通过将用户反馈数据上传至云端，系统能够持续学习并优化神经网络模型。云端会定期将更新后的模型下发至设备，从而不断提升预测的准确性。这种持续迭代的过程，使得系统能够根据用户不断变化的需求和行为，提供更加个性化、智能化的服务。
随着用户使用量的增加和数据积累的不断丰富，系统将变得越来越精通用户习惯，从而实现更精准的预测和更优质的用户体验。
[0035] 本发明具有以下优点：简易性：用户无需进行繁琐的操作，也不需要了解场景创建的具体流程。系统会自动处理所有复杂的步骤，用户只需享受智能家居带来的便利，例如，用户不需要手动设置灯光或温度，系统会根据环境和用户习惯自动调整。
[0036] 简化流程：在设备安装完成后，用户可以立即开始使用。设备会在使用过程中自动提示场景创建，避免了冗余的操作步骤，使操作更加便捷。例如，安装智能灯泡后，系统会自动检测并建议最佳的灯光设置，无需用户手动调整。
[0037] 智能化：设备能够根据用户的使用习惯和环境自动调整设置，提供个性化的使用体验。例如，系统可以根据用户的作息时间自动调节室内温度和灯光亮度，确保用户在不同时间段都能享受到最舒适的环境。
[0038] 兼容性：系统能够与其他智能家居设备和系统无缝集成，提供更广泛的应用场景和功能。例如，智能家居系统可以与智能音箱、智能门锁等设备联动，实现全屋智能控制，提升用户的整体生活质量。
[0039] 神经网络架构，基于ReLU、Sigmoid实现的神经网络模型；自我学习与动态调整，本地模型可根据用户偏好，动态调整。云端根据用户反馈等数据，优化模型，提高识别准确率。
[0040] 据处理方法，从传感器中采集数据并提取时间特征、交互特征作为对智能家居场景生成有重要影响的特征，有效增强模型表现。
[0041] 在该文中的描述中，需要说明的是，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0042] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型。
