基于路由器的物联网设备的配置方法及其系统与流程

技术特征：
1.一种基于路由器的物联网设备的配置方法，其特征在于，包括：训练阶段，包括：获取训练数据，所述训练数据为一周中的各天的多个标准参考时间的各个物联网设备的工作状态，其中，各个所述物联网设备基于路由器相互可通信地连接；将所述一周中的各天的多个标准参考时间的各个物联网设备的工作状态按照时间维度和物联网设备维度构造为二维的状态输入矩阵；对所述多个标准参考时间点中各个标准参考时间点进行独热编码，并将所述多个标准参考时间点对应的多个独热编码排列为二维的时间输入矩阵；分别将所述状态输入矩阵和所述时间输入矩阵输入第一卷积神经网络和第二卷积神经网络以获得用于表示各个物联网设备之间的高维状态关联特征的状态特征图和用于表示高维时间关联特征的时间特征图；对所述时间特征图进行沿通道和特征矩阵行的全局池化处理以获得长度为所述特征矩阵的列数的时间特征向量，其中，所述时间特征向量用于表示编码获得的时间信息的全局特征；计算所述时间特征向量中各个位置的特征值与所述状态特征图在时间维度上的各个特征矩阵之间的交叉熵数值以获得交叉熵向量；基于所述交叉熵向量中连续位置的特征值之间的差值，确定所述第一卷积神经网络中的一个或多个在时间维度上的连续层结构；获取由各个所述物联网设备的在某一时间点的状态构成的状态向量；将所述状态向量映射到所述状态特征图所在的特征空间中以获得分类特征向量；将所述分类特征向量通过分类器以获得分类损失函数值；以及基于所述分类损失函数值，对所述一个或多个在时间维度上的连续层结构的局部参数和所述第一卷积神经网络的全局参数进行训练；以及推断阶段，包括：获取各个所述物联网设备的工作状态的历史数据并通过经训练阶段训练完成的所述第一卷积神经网络以获得状态特征图；获得由各个所述物联网设备的当前状态构成的状态向量；将所述状态向量映射到所述状态特征图所在的特征空间中以获得分类特征向量；以及将所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果为各个所述物联网设备的当前工作状态的控制结果；以及控制阶段，包括：基于所述分类结果，对各个所述物联网的当前工作状态进行控制。2.根据权利要求1所述的基于路由器的物联网设备的配置方法，其中，将所述一周中的各天的多个标准参考时间的各个物联网设备的工作状态按照时间维度和物联网设备维度构造为二维的状态输入矩阵，包括：将每个所述标准参考时间点的各个所述物联网设备的工作状态排列在所述状态输入矩阵的一行中；以及将各个所述标准参考时间点的各个所述物联网设备的工作状态沿所述状态输入矩阵的列排列以获得所述状态输入矩阵。
3.根据权利要求2所述的基于路由器的物联网设备的配置方法，其中，如果物联网设备的工作状态为开启，则设定为1；如果物联网设备的工作状态为关闭，则设定为0。4.根据权利要求3所述的基于路由器的物联网设备的配置方法，其中，将所述状态输入矩阵和所述时间输入矩阵输入第一卷积神经网络和第二卷积神经网络以获得用于表示各个物联网设备之间的高维状态关联特征的状态特征图和用于表示高维时间关联特征的时间特征图，包括：所述第一卷积神经网络的最后一层以sigmoid函数进行激活以使得所述状态特征图中各个位置的特征值在0到1的概括空间中。5.根据权利要求1所述的基于路由器的物联网设备的配置方法，其中，对所述时间特征图进行沿通道和特征矩阵行的全局池化处理以获得长度为所述特征矩阵的列数的时间特征向量，包括：对所述时间特征图进行沿通道的全局最大值池化处理，以获得通道特征矩阵；以及对所述通道特征矩阵进行沿特征矩阵行的全局平均值池化处理，以获得所述时间特征向量。6.根据权利要求1所述的基于路由器的物联网设备的配置方法，其中，基于所述交叉熵向量中连续位置的特征值之间的差值，确定所述第一卷积神经网络中的一个或多个在时间维度上的连续层结构，包括：响应于所述差值小于预定阈值，确定所述第一卷积神经网络中的对应区域为一个在时间维度上的连续层结构。7.根据权利要求1所述的基于路由器的物联网设备的配置方法，其中，将所述分类特征向量通过分类器以获得分类损失函数值，包括：将所述分类特征向量输入类softmax函数以获得所述状态控制向量；和计算所述状态控制向量与由各个物联网设备的工作状态的真实值组成的真实状态向量之间的交叉熵损失函数值作为所述分类损失函数值。8.根据权利要求7所述的基于路由器的物联网设备的配置方法，其中，将所述分类特征向量输入类softmax函数以获得所述状态控制向量，包括：计算所述分类特征向量中各个位置的类softmax函数值以获得状态控制概率向量；以及基于所述状态控制概率向量中各个位置的特征值与预定阈值之间的比较，生成所述状态控制向量。9.根据权利要求8所述的基于路由器的物联网设备的配置方法，其中，基于所述分类损失函数值，对所述一个或多个在时间维度上的连续层结构的局部参数和所述第一卷积神经网络的全局参数进行训练，包括：在每一轮迭代中，先基于所述分类损失函数值更新所述一个或多个在时间维度上的连续层结构的局部参数，以及，后基于所述分类损失函数值更新所述第一卷积神经网络的全局参数。10.一种基于路由器的物联网设备的配置系统，其特征在于，包括：训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据为一周中的各天的多个标准参
考时间的各个物联网设备的工作状态，其中，各个所述物联网设备基于路由器相互可通信地连接；状态输入矩阵构造单元，用于将所述训练数据获取单元获得的所述一周中的各天的多个标准参考时间的各个物联网设备的工作状态按照时间维度和物联网设备维度构造为二维的状态输入矩阵；时间输入矩阵生成单元，用于对所述多个标准参考时间点中各个标准参考时间点进行独热编码，并将所述多个标准参考时间点对应的多个独热编码排列为二维的时间输入矩阵；卷积神经网络处理单元，用于分别将所述状态输入矩阵构造单元获得的所述状态输入矩阵和所述时间输入矩阵生成单元获得的所述时间输入矩阵输入第一卷积神经网络和第二卷积神经网络以获得用于表示各个物联网设备之间的高维状态关联特征的状态特征图和用于表示高维时间关联特征的时间特征图；全局池化处理单元，用于对所述卷积神经网络处理单元获得的所述时间特征图进行沿通道和特征矩阵行的全局池化处理以获得长度为所述特征矩阵的列数的时间特征向量，其中，所述时间特征向量用于表示编码获得的时间信息的全局特征；交叉熵计算单元，用于计算所述全局池化处理单元获得的所述时间特征向量中各个位置的特征值与所述卷积神经网络处理单元获得的所述状态特征图在时间维度上的各个特征矩阵之间的交叉熵数值以获得交叉熵向量；连续层结构确定单元，用于基于所述交叉熵计算单元获得的所述交叉熵向量中连续位置的特征值之间的差值，确定所述第一卷积神经网络中的一个或多个在时间维度上的连续层结构；状态向量构造单元，用于获取由各个所述物联网设备的在某一时间点的状态构成的状态向量；映射单元，用于将所述状态向量构造单元获得的所述状态向量映射到所述卷积神经网络处理单元获得的所述状态特征图所在的特征空间中以获得分类特征向量；分类器处理单元，用于将所述映射单元获得的所述分类特征向量通过分类器以获得分类损失函数值；以及训练单元，用于基于所述分类器处理单元获得的所述分类损失函数值，对所述一个或多个在时间维度上的连续层结构的局部参数和所述第一卷积神经网络的全局参数进行训练；以及推断模块，包括：状态特征图生成单元，用于获取各个所述物联网设备的工作状态的历史数据并通过经训练阶段训练完成的所述第一卷积神经网络以获得状态特征图；状态向量生成单元，用于获得由各个所述物联网设备的当前状态构成的状态向量；分类特征向量生成单元，用于将所述状态向量生成单元获得的所述状态向量映射到所述状态特征图生成单元获得的所述状态特征图所在的特征空间中以获得分类特征向量；以及分类单元，用于将所述分类特征向量生成单元获得的所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果为各个所述物联网设备的当前工作状态的控制结果；以
及控制模块，包括：控制单元，用于基于所述分类单元获得的所述分类结果，对各个所述物联网的当前工作状态进行控制。

技术总结
本申请涉及物联网设备的智能配置的领域，其具体地公开了一种基于路由器的物联网设备的配置方法及其系统。其采用基于深度学习技术的卷积神经网络模型来挖掘出所述各个时间点的各个物联网设备的工作状态之间的隐藏关联关系，以对所述当前的各个物联网设备的工作状态进行智能控制，并在此之前，本申请还将所述一个或多个时间连续层结构的局部参数与所述第一卷积神经网络的全局参数进行交替训练。通过这样的方式，可以使得各个物联网设备的工作控制效果更好，从而也就会使得智能家居的智能化更加贴合人们的生活。化更加贴合人们的生活。化更加贴合人们的生活。


技术研发人员：江奇峰
受保护的技术使用者：杭州谣佐科技有限公司
技术研发日：2022.02.21
技术公布日：2022/5/20