智能设备的控制方法、系统和电子设备与流程

1.本技术涉及动物的智能医疗监护的领域，且更为具体地，涉及一种智能设备的控制方法、系统和电子设备。


背景技术：

2.智能动物医疗监护设备主要针对于动物的康复和治疗，给病弱和病危的动物提供一个适宜的监护和恢复环境。设备主要是由相对封闭的监护仓、传感器和控制器等组成。动物在监护仓中将会获得可以设定的适宜的温度、湿度和氧气浓度，同时设备将会提供灯光照明、断电保护和故障告警等功能。
3.设备在研发过程中的重点和难点在于监护仓的温湿度控制，温度的变化会对湿度产生影响，而湿度的变化也会对温度产生影响，称为温湿度之间的耦合作用。因为温度和湿度之间的耦合作用，且温湿度控制具有非线性和大迟滞的特点，使得如何快速精确的控制好温度和湿度成为一种挑战。
4.因此，期望一种智能设备的控制方法。


技术实现要素：

5.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设备的控制方法、系统和电子设备，其使用基于转换器的编码器模型对多个温度值和多个湿度值进行上下文编码，以获得全局性的温度关联信息、湿度关联信息和温度-湿度关联信息，进一步再通过高斯分布的似然最大化来进行所述温度数据和所述湿度数据的融合，以对所述基于转换器的编码器模型和所述分类器进行训练。通过这样的方式，可以更准确地对当前的温度和湿度是否合理进行判断，进而对不合理的温湿度进行调整，以给动物提供一个适宜的监护和恢复环境。
6.根据本技术的一个方面，提供了一种智能设备的控制方法，其包括：
7.训练阶段，包括：
8.获取训练数据，所述训练数据为预定时间间隔的一系列时间点的温度数据和湿度数据；
9.使用基于转换器的编码器模型对所述一系列时间点的温度数据和湿度数据进行上下文编码以获得温度特征向量的序列和湿度特征向量的序列；
10.构造所述温度特征向量的序列和湿度特征向量的序列的高斯分布的序列，其中，所述高斯分布的序列中各个高斯分布的方差和均值通过基于似然最大化计算原则并使用用于调节数据融合的高斯概率密度值计算对应的温度特征向量和湿度特征向量获得；
11.对所述高斯分布的序列中各个高斯分布进行离散化处理以获得多个高斯向量；
12.将所述多个高斯向量进行二维拼接以获得分类特征图；
13.将所述分类特征图通过分类器以获得分类损失函数值；
14.基于所述高斯概率密度值计算高斯密度损失函数值；以及
15.计算所述分类损失函数值和所述高斯密度损失函数值的加权和作为损失函数值来训练所述基于转换器的编码器模型和所述分类器；以及
16.推断阶段，包括：
17.获取预定时间间隔的一系列时间点的温度数据和湿度数据；
18.使用经训练阶段训练完成的所述基于转换器的编码器模型对所述一系列时间点的温度数据和湿度数据进行上下文编码以获得温度特征向量的序列和湿度特征向量的序列；
19.构造所述温度特征向量的序列和湿度特征向量的序列的高斯分布的序列；
20.对所述高斯分布的序列中各个高斯分布进行离散化处理以获得多个高斯向量并将所述多个高斯向量进行二维拼接以获得分类特征图；
21.将所述分类特征图通过分类器以获得用于表示当前的温度和湿度是否合理的分类结果。
22.根据本技术的另一方面，提供了一种智能设备的控制系统，其包括：
23.训练模块，包括：
24.训练数据获取单元，用于获取训练数据，所述训练数据为预定时间间隔的一系列时间点的温度数据和湿度数据；
25.编码单元，用于使用基于转换器的编码器模型对所述训练数据获取单元获得的所述一系列时间点的温度数据和湿度数据进行上下文编码以获得温度特征向量的序列和湿度特征向量的序列；
26.高斯分布构造单元，用于构造所述编码单元获得的所述温度特征向量的序列和湿度特征向量的序列的高斯分布的序列，其中，所述高斯分布的序列中各个高斯分布的方差和均值通过基于似然最大化计算原则并使用用于调节数据融合的高斯概率密度值计算对应的温度特征向量和湿度特征向量获得；
27.高斯离散化单元，用于对所述高斯分布构造单元获得的所述高斯分布的序列中各个高斯分布进行离散化处理以获得多个高斯向量；
28.二维拼接单元，用于将所述高斯离散化单元获得的所述多个高斯向量进行二维拼接以获得分类特征图；
29.分类器处理单元，用于将所述二维拼接单元获得的所述分类特征图通过分类器以获得分类损失函数值；
30.高斯密度损失函数值计算单元，用于基于所述高斯概率密度值计算高斯密度损失函数值；以及
31.训练单元，用于计算所述分类器处理单元获得的所述分类损失函数值和所述高斯密度损失函数值计算单元获得的所述高斯密度损失函数值的加权和作为损失函数值来训练所述基于转换器的编码器模型和所述分类器；以及
32.推断模块，包括：
33.数据获取单元，用于获取预定时间间隔的一系列时间点的温度数据和湿度数据；
34.特征向量生成单元，用于使用经训练阶段训练完成的所述基于转换器的编码器模型对所述数据获取单元获得的所述一系列时间点的温度数据和湿度数据进行上下文编码以获得温度特征向量的序列和湿度特征向量的序列；
35.高斯分布序列生成单元，用于构造所述特征向量生成单元获得的所述温度特征向量的序列和湿度特征向量的序列的高斯分布的序列；
36.分类特征图生成单元，用于对所述高斯分布序列生成单元获得的所述高斯分布的序列中各个高斯分布进行离散化处理以获得多个高斯向量并将所述多个高斯向量进行二维拼接以获得分类特征图；以及
37.分类单元，用于将所述分类特征图生成单元获得的所述分类特征图通过分类器以获得用于表示当前的温度和湿度是否合理的分类结果。
38.根据本技术的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的智能设备的控制方法。
39.根据本技术的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智能设备的控制方法。
40.根据本技术提供的智能设备的控制方法、系统和电子设备，其使用基于转换器的编码器模型对多个温度值和多个湿度值进行上下文编码，以获得全局性的温度关联信息、湿度关联信息和温度-湿度关联信息，进一步再通过高斯分布的似然最大化来进行所述温度数据和所述湿度数据的融合，以对所述基于转换器的编码器模型和所述分类器进行训练。通过这样的方式，可以更准确地对当前的温度和湿度是否合理进行判断，进而对不合理的温湿度进行调整，以给动物提供一个适宜的监护和恢复环境。
附图说明
41.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
42.图1为根据本技术实施例的智能设备的控制方法的场景示意图。
43.图2a为根据本技术实施例的智能设备的控制方法中训练阶段的流程图。
44.图2b为根据本技术实施例的智能设备的控制方法中推断阶段的流程图。
45.图3a为根据本技术实施例的智能设备的控制方法中训练阶段的架构示意图。
46.图3b为根据本技术实施例的智能设备的控制方法中推断阶段的架构示意图。
47.图4为根据本技术实施例的智能设备的控制系统的框图。
48.图5为根据本技术实施例的电子设备的框图。
具体实施方式
49.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
50.场景概述
51.如前所述，智能动物医疗监护设备主要针对于动物的康复和治疗，给病弱和病危
的动物提供一个适宜的监护和恢复环境。设备主要是由相对封闭的监护仓、传感器和控制器等组成。动物在监护仓中将会获得可以设定的适宜的温度、湿度和氧气浓度，同时设备将会提供灯光照明、断电保护和故障告警等功能。
52.设备在研发过程中的重点和难点在于监护仓的温湿度控制，温度的变化会对湿度产生影响，而湿度的变化也会对温度产生影响，称为温湿度之间的耦合作用。因为温度和湿度之间的耦合作用，且温湿度控制具有非线性和大迟滞的特点，使得如何快速精确的控制好温度和湿度成为一种挑战。因此，期望一种智能设备的控制方法。
53.具体地，在本技术的技术方案中，首先获取预定时间间隔的一系列时间点的温度数据和湿度数据，将多个温度值和多个湿度值使用基于转换器的编码器模型进行上下文编码，也就是，每个温度值转换为一个温度输入向量，每个湿度值转换为一个湿度输入向量，再将所有温度输入向量和所有湿度输入向量输入转换器，得到温度特征向量的序列和湿度特征向量的序列。由于基于转换器的编码器模型可以基于上下文对输入向量进行编码，因此所获得的温度特征向量和湿度特征向量可以获得全局性的温度关联信息、湿度关联信息和温度-湿度关联信息。
54.然后，为了融合温度特征向量和湿度特征向量，考虑到温度和湿度在预定时间段内实质上都服从高斯分布，也就是，其总体的概率分布相同或类似，而各自数据的特征尺度不同，因此通过高斯分布的似然最大化来进行数据融合。
55.具体地，假设温度特征向量的序列记为ti，湿度特征向量的序列记为hi，则依据似然最大化计算出的高斯分布的均值和方差分别为：
[0056][0057][0058]
其中1n＝[1,1,
…
,1]，即所有位置是1的向量，且ni为用于调节数据融合的高斯概率密度值。
[0059]
这样，可以得到时间点数目，例如n个高斯分布再将每个高斯分布进行离散化，就可以得到n个高斯向量，并将其进行二维连接以得到分类特征图。
[0060]
在将分类特征图通过分类器获得分类损失函数时，还需要基于高斯概率密度值计算高斯密度损失函数，表示为：
[0061][0062]
以平衡个体的高斯概率密度之间的差异。
[0063]
基于此，本技术提出了一种智能设备的控制方法，其包括：训练阶段和推断阶段。其中，训练阶段包括步骤：获取训练数据，所述训练数据为预定时间间隔的一系列时间点的温度数据和湿度数据；使用基于转换器的编码器模型对所述一系列时间点的温度数据和湿度数据进行上下文编码以获得温度特征向量的序列和湿度特征向量的序列；构造所述温度特征向量的序列和湿度特征向量的序列的高斯分布的序列，其中，所述高斯分布的序列中
各个高斯分布的方差和均值通过基于似然最大化计算原则并使用用于调节数据融合的高斯概率密度值计算对应的温度特征向量和湿度特征向量获得；对所述高斯分布的序列中各个高斯分布进行离散化处理以获得多个高斯向量；将所述多个高斯向量进行二维拼接以获得分类特征图；将所述分类特征图通过分类器以获得分类损失函数值；基于所述高斯概率密度值计算高斯密度损失函数值；以及，计算所述分类损失函数值和所述高斯密度损失函数值的加权和作为损失函数值来训练所述基于转换器的编码器模型和所述分类器。其中，推断阶段包括步骤：获取预定时间间隔的一系列时间点的温度数据和湿度数据；使用经训练阶段训练完成的所述基于转换器的编码器模型对所述一系列时间点的温度数据和湿度数据进行上下文编码以获得温度特征向量的序列和湿度特征向量的序列；构造所述温度特征向量的序列和湿度特征向量的序列的高斯分布的序列；对所述高斯分布的序列中各个高斯分布进行离散化处理以获得多个高斯向量并将所述多个高斯向量进行二维拼接以获得分类特征图；以及，将所述分类特征图通过分类器以获得用于表示当前的温度和湿度是否合理的分类结果。
[0064]
图1图示了根据本技术实施例的智能设备的控制方法的场景示意图。如图1所示，在该应用场景的训练阶段中，首先，通过部署在监护仓(例如，如图1中所示意的m)固定位置的传感器获取训练数据，所述训练数据为预定时间间隔的一系列时间点的温度数据和湿度数据，其中，所述传感器为温度传感器(例如，如图1中所示意的t)和湿度传感器(例如，如图1中所示意的h)。然后，将获得的所述训练数据输入至部署有智能设备的控制算法的服务器(例如，如图1中所示意的服务器s)中，其中，所述服务器能够智能设备的控制算法以所述训练数据对智能设备的控制的基于转换器的编码器模型和分类器进行训练。
[0065]
在训练完成后，在推断阶段中，首先，通过部署在监护仓(例如，如图1中所示意的m)固定位置的温度传感器(例如，如图1中所示意的t)和湿度传感器(例如，如图1中所示意的h)来获取预定时间间隔的一系列时间点的温度数据和湿度数据。然后，将获取的所述一系列时间点的温度数据和湿度数据输入至部署有智能设备的控制算法的服务器(例如，如图1中所示意的服务器s)中，其中，所述服务器能够以智能设备的控制算法对所述一系列时间点的温度数据和湿度数据进行处理，以生成用于表示当前的温度和湿度是否合理的分类结果。进而，可以通过控制器(例如，如图1中所示意的c)对不合理的温湿度进行调整，以给动物提供一个适宜的监护和恢复环境。
[0066]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0067]
示例性方法
[0068]
图2a图示了根据本技术实施例的智能设备的控制方法中训练阶段的流程图。如图2a所示，根据本技术实施例的智能设备的控制方法，包括：训练阶段，包括步骤：s110，获取训练数据，所述训练数据为预定时间间隔的一系列时间点的温度数据和湿度数据；s120，使用基于转换器的编码器模型对所述一系列时间点的温度数据和湿度数据进行上下文编码以获得温度特征向量的序列和湿度特征向量的序列；s130，构造所述温度特征向量的序列和湿度特征向量的序列的高斯分布的序列，其中，所述高斯分布的序列中各个高斯分布的方差和均值通过基于似然最大化计算原则并使用用于调节数据融合的高斯概率密度值计算对应的温度特征向量和湿度特征向量获得；s140，对所述高斯分布的序列中各个高斯分
布进行离散化处理以获得多个高斯向量；s150，将所述多个高斯向量进行二维拼接以获得分类特征图；s160，将所述分类特征图通过分类器以获得分类损失函数值；s170，基于所述高斯概率密度值计算高斯密度损失函数值；以及，s180，计算所述分类损失函数值和所述高斯密度损失函数值的加权和作为损失函数值来训练所述基于转换器的编码器模型和所述分类器。
[0069]
图2b图示了根据本技术实施例的智能设备的控制方法中推断阶段的流程图。如图2b所示，根据本技术实施例的智能设备的控制方法，还包括：推断阶段，包括步骤：s210，获取预定时间间隔的一系列时间点的温度数据和湿度数据；s220，使用经训练阶段训练完成的所述基于转换器的编码器模型对所述一系列时间点的温度数据和湿度数据进行上下文编码以获得温度特征向量的序列和湿度特征向量的序列；s230，构造所述温度特征向量的序列和湿度特征向量的序列的高斯分布的序列；s240，对所述高斯分布的序列中各个高斯分布进行离散化处理以获得多个高斯向量并将所述多个高斯向量进行二维拼接以获得分类特征图；以及，s250，将所述分类特征图通过分类器以获得用于表示当前的温度和湿度是否合理的分类结果。
[0070]
图3a图示了根据本技术实施例的智能设备的控制方法中训练阶段的架构示意图。如图3a所示，在训练阶段中，在该网络架构中，首先，使用基于转换器的编码器模型(例如，如图3a中所示意的e1)对获得的所述一系列时间点的温度数据(例如，如图3a中所示意的p1)和湿度数据(例如，如图3a中所示意的p2)进行上下文编码以获得温度特征向量的序列(例如，如图3a中所示意的vf1)和湿度特征向量的序列(例如，如图3a中所示意的vf2)；接着，构造所述温度特征向量的序列和湿度特征向量的序列的高斯分布的序列(例如，如图3a中所示意的gd1)，其中，所述高斯分布的序列中各个高斯分布的方差和均值通过基于似然最大化计算原则并使用用于调节数据融合的高斯概率密度值(例如，如图3a中所示意的gp1)计算对应的温度特征向量和湿度特征向量获得；然后，对所述高斯分布的序列中各个高斯分布进行离散化处理以获得多个高斯向量(例如，如图3a中所示意的vg1)；接着，将所述多个高斯向量进行二维拼接以获得分类特征图(例如，如图3a中所示意的f1)；然后，将所述分类特征图通过分类器(例如，如图3a中所示意的分类器)以获得分类损失函数值(例如，如图3a中所示意的clv)；接着，基于所述高斯概率密度值(例如，如图3a中所示意的gp1)计算高斯密度损失函数值(例如，如图3a中所示意的gdv)；以及，最后，计算所述分类损失函数值和所述高斯密度损失函数值的加权和作为损失函数值来训练所述基于转换器的编码器模型和所述分类器。
[0071]
图3b图示了根据本技术实施例的智能设备的控制方法中推断阶段的架构示意图。如图3b所示，在推断阶段中，在该网络结构中，首先，使用经训练阶段训练完成的所述基于转换器的编码器模型(例如，如图3b中所示意的e2)对获取的所述一系列时间点的温度数据(例如，如图3b中所示意的q1)和湿度数据(例如，如图3b中所示意的q2)进行上下文编码以获得温度特征向量的序列(例如，如图3b中所示意的fv1)和湿度特征向量的序列(例如，如图3b中所示意的fv2)；接着，构造所述温度特征向量的序列和湿度特征向量的序列的高斯分布的序列(例如，如图3b中所示意的gd2)；然后，对所述高斯分布的序列中各个高斯分布进行离散化处理以获得多个高斯向量(例如，如图3b中所示意的vg2)并将所述多个高斯向量进行二维拼接以获得分类特征图(例如，如图3b中所示意的f2)；以及，最后，将所述分类
特征图通过分类器(例如，如图3b中所示意的分类器)以获得用于表示当前的温度和湿度是否合理的分类结果。
[0072]
更具体地，在训练阶段中，在步骤s110和步骤s120中，获取训练数据，所述训练数据为预定时间间隔的一系列时间点的温度数据和湿度数据，并使用基于转换器的编码器模型对所述一系列时间点的温度数据和湿度数据进行上下文编码以获得温度特征向量的序列和湿度特征向量的序列。如前所述，由于温湿度之间的耦合作用，也就是，温度的变化会对湿度产生影响，而湿度的变化也会对温度产生影响，并且对于所述温湿度的控制具有非线性和大迟滞的特点。因此，在本技术的技术方案中，期望对当前的温度和湿度是否合理进行迅速准确地判断，以快速精确地控制所述温度和所述湿度，从而给动物提供一个适宜的监护和恢复环境。
[0073]
也就是，在一个具体示例中，首先，通过部署在监护仓固定位置的温度传感器和湿度传感器来获取训练数据，所述训练数据为预定时间间隔的一系列时间点的温度数据和湿度数据。然后，使用基于转换器的编码器模型对所述一系列时间点的温度数据和湿度数据进行上下文编码，以挖掘出所述全局性的温度关联信息、湿度关联信息和温度-湿度关联信息，从而得到温度特征向量的序列和湿度特征向量的序列。
[0074]
具体地，在本技术实施例中，使用基于转换器的编码器模型对所述一系列时间点的温度数据和湿度数据进行上下文编码以获得温度特征向量的序列和湿度特征向量的序列的过程，包括：首先，通过所述编码器模型的嵌入单元将每个所述温度数据转化为一个温度输入向量和将每个所述湿度数据转换为一个湿度输入向量，以便于后续对其进行隐含关联信息的提取。然后，将所有的所述温度输入向量和所有的所述湿度输入向量输入所述编码器模型的转换器以获得所述温度特征向量的序列和所述湿度特征向量的序列。应可以理解，由于基于转换器的编码器模型可以基于上下文对所述输入向量进行编码，因此所获得的所述温度特征向量和所述湿度特征向量可以获得全局性的温度关联信息、湿度关联信息和温度-湿度关联信息。
[0075]
更具体地，在训练阶段中，在步骤s130中，构造所述温度特征向量的序列和湿度特征向量的序列的高斯分布的序列，其中，所述高斯分布的序列中各个高斯分布的方差和均值通过基于似然最大化计算原则并使用用于调节数据融合的高斯概率密度值计算对应的温度特征向量和湿度特征向量获得。应可以理解，为了融合所述温度特征向量和所述湿度特征向量，考虑到温度和湿度在预定时间段内实质上都服从高斯分布，也就是，其总体的概率分布相同或类似，而各自数据的特征尺度不同。因此，在本技术的技术方案中，通过高斯分布的似然最大化来进行数据的融合。也就是，在一个具体示例中，假设所述温度特征向量的序列记为ti，所述湿度特征向量的序列记为hi，则构造所述温度特征向量的序列ti和湿度特征向量的序列hi的高斯分布的序列，其中，所述高斯分布的序列中各个高斯分布的方差和均值通过基于似然最大化计算原则并使用用于调节数据融合的高斯概率密度值计算对应的温度特征向量和湿度特征向量获得。
[0076]
具体地，在本技术实施例中，构造所述温度特征向量的序列和湿度特征向量的序列的高斯分布的序列，其中，所述高斯分布的序列中各个高斯分布的方差和均值通过基于似然最大化计算原则并使用用于调节数据融合的高斯概率密度值计算对应的温度特征向量和湿度特征向量获得的过程，包括：以如下公式计算所述高斯分布的序列中各个高斯分
布的均值和方差；
[0077][0078][0079]
其中1n＝[1,1,
…
,1]，即所有位置是1的向量，且ni为用于调节数据融合的高斯概率密度值。
[0080]
更具体地，在训练阶段中，在步骤s140和步骤s150中，对所述高斯分布的序列中各个高斯分布进行离散化处理以获得多个高斯向量，并将所述多个高斯向量进行二维拼接以获得分类特征图。也就是，在本技术的技术方案中，通过上述方式，可以得到时间点数目，例如n个高斯分布接着，再将所述高斯分布的序列中的每个高斯分布进行离散化，就可以得到n个高斯向量，进一步再将得到的所述n个高斯向量进行二维连接以得到分类特征图，从而便于后续通过计算分类损失函数值来对所述编码器模型和分类器进行训练。应可以理解，通过对所述高斯分布的序列中的每个高斯分布进行离散化处理，以在融合时不产生信息损失，从而提高分类的准确性。
[0081]
更具体地，在训练阶段中，在步骤s160中，将所述分类特征图通过分类器以获得分类损失函数值。也就是，在一个具体示例中，首先，使用所述分类器的多个全连接层对所述分类特征图进行全连接编码以获得分类特征向量。接着，将所述分类特征向量输入所述分类器的softmax分类函数以获得分类结果。具体地，也就是，将所述分类特征向量输入所述分类器的softmax分类函数，以获得所述分类特征向量归属于当前的温度和湿度合理的第一概率和所述分类特征向量归属于当前的温度和湿度不合理的第二概率，进一步基于第一概率和第二概率的比较来生成分类结果。然后，计算所述分类结果与真实值之间的交叉熵数值作为所述分类损失函数值。
[0082]
更具体地，在训练阶段中，在步骤s170和步骤s180中，基于所述高斯概率密度值计算高斯密度损失函数值，并计算所述分类损失函数值和所述高斯密度损失函数值的加权和作为损失函数值来训练所述基于转换器的编码器模型和所述分类器。也就是，在本技术的技术方案中，在将所述分类特征图通过分类器获得所述分类损失函数时，还需要基于所述高斯概率密度值计算高斯密度损失函数值，以平衡个体的高斯概率密度之间的差异。进一步再计算所述分类损失函数值和所述高斯密度损失函数值的加权和作为损失函数值来训练所述基于转换器的编码器模型和所述分类器。相应地，在一个具体示例中，在每一轮迭代中，先以所述损失函数值通过梯度下降的反向传播来更新所述编码器模型的参数；后以所述损失函数值通过梯度下降的反向传播来更新所述分类器的参数。
[0083]
具体地，在本技术实施例中，基于所述高斯概率密度值计算高斯密度损失函数值的过程，包括：基于所述高斯概率密度值以如下公式计算所述高斯密度损失函数值；
[0084]
其中，所述公式为：
[0085]
[0086]
在训练完成后，进入推断阶段。也就是，在使用智能设备的控制算法来训练所述基于转换器的编码器模型和所述分类器后，将训练完成的所述基于转换器的编码器模型和所述分类器用于实际的推断场景中。
[0087]
更具体地，在推断阶段中，在步骤s210和步骤s220中，获取预定时间间隔的一系列时间点的温度数据和湿度数据，并使用经训练阶段训练完成的所述基于转换器的编码器模型对所述一系列时间点的温度数据和湿度数据进行上下文编码以获得温度特征向量的序列和湿度特征向量的序列。也就是，同样地，首先通过部署在监护仓固定位置的温度传感器和湿度传感器来获取预定时间间隔的一系列时间点的温度数据和湿度数据。然后，然后，使用经训练阶段训练完成的所述基于转换器的编码器模型对所述一系列时间点的温度数据和湿度数据进行上下文编码，以挖掘出所述全局性的温度关联信息、湿度关联信息和温度-湿度关联信息，从而得到温度特征向量的序列和湿度特征向量的序列。
[0088]
更具体地，在推断阶段中，在步骤s230和步骤s240中，构造所述温度特征向量的序列和湿度特征向量的序列的高斯分布的序列，并对所述高斯分布的序列中各个高斯分布进行离散化处理以获得多个高斯向量并将所述多个高斯向量进行二维拼接以获得分类特征图。也就是，同样地，首先，构造所述温度特征向量的序列ti和湿度特征向量的序列hi的高斯分布的序列，其中，所述高斯分布的序列中各个高斯分布的方差和均值通过基于似然最大化计算原则并使用用于调节数据融合的高斯概率密度值计算对应的温度特征向量和湿度特征向量获得。接着，对所述高斯分布的序列中的每个高斯分布进行离散化处理，以在融合时不产生信息损失，从而提高分类的准确性，以得到多个高斯向量。然后，将所述多个高斯向量进行二维拼接以获得分类特征图。
[0089]
更具体地，在推断阶段中，在步骤s250中，将所述分类特征图通过分类器以获得用于表示当前的温度和湿度是否合理的分类结果。也就是，在一个具体示例中，首先，使用所述分类器的多个全连接层对所述分类特征图进行全连接编码以获得分类特征向量。接着，将所述分类特征向量输入所述分类器的softmax分类函数，以获得所述分类特征向量归属于当前的温度和湿度合理的第一概率和所述分类特征向量归属于当前的温度和湿度不合理的第二概率。然后，进一步基于第一概率和第二概率的比较来生成分类结果。具体地，当所述第一概率大于所述第二概率时，所述分类结果为当前的温度和湿度合理；当所述第二概率大于所述第一概率时，所述分类结果为当前的温度和湿度不合理。进而，相应于所述当前的温度和湿度不合理时，可以通过控制器对所述不合理的温湿度进行调整，以给动物提供一个适宜的监护和恢复环境。
[0090]
综上，基于本技术实施例的智能设备的控制方法被阐明，其使用基于转换器的编码器模型对多个温度值和多个湿度值进行上下文编码，以获得全局性的温度关联信息、湿度关联信息和温度-湿度关联信息，进一步再通过高斯分布的似然最大化来进行所述温度数据和所述湿度数据的融合，以对所述基于转换器的编码器模型和所述分类器进行训练。通过这样的方式，可以更准确地对当前的温度和湿度是否合理进行判断，进而对不合理的温湿度进行调整，以给动物提供一个适宜的监护和恢复环境。
[0091]
示例性系统
[0092]
图4图示了根据本技术实施例的智能设备的控制系统的框图。如图4所示，根据本技术实施例的智能设备的控制系统400，包括：训练模块410和推断模块420。
[0093]
如图4所示，所述训练模块410，包括：训练数据获取单元411，用于获取训练数据，所述训练数据为预定时间间隔的一系列时间点的温度数据和湿度数据；编码单元412，用于使用基于转换器的编码器模型对所述训练数据获取单元411获得的所述一系列时间点的温度数据和湿度数据进行上下文编码以获得温度特征向量的序列和湿度特征向量的序列；高斯分布构造单元413，用于构造所述编码单元412获得的所述温度特征向量的序列和湿度特征向量的序列的高斯分布的序列，其中，所述高斯分布的序列中各个高斯分布的方差和均值通过基于似然最大化计算原则并使用用于调节数据融合的高斯概率密度值计算对应的温度特征向量和湿度特征向量获得；高斯离散化单元414，用于对所述高斯分布构造单元413获得的所述高斯分布的序列中各个高斯分布进行离散化处理以获得多个高斯向量；二维拼接单元415，用于将所述高斯离散化单元414获得的所述多个高斯向量进行二维拼接以获得分类特征图；分类器处理单元416，用于将所述二维拼接单元415获得的所述分类特征图通过分类器以获得分类损失函数值；高斯密度损失函数值计算单元417，用于基于所述高斯概率密度值计算高斯密度损失函数值；以及，训练单元418，用于计算所述分类器处理单元416获得的所述分类损失函数值和所述高斯密度损失函数值计算单元417获得的所述高斯密度损失函数值的加权和作为损失函数值来训练所述基于转换器的编码器模型和所述分类器。
[0094]
如图4所示，所述推断模块420，包括：数据获取单元421，用于获取预定时间间隔的一系列时间点的温度数据和湿度数据；特征向量生成单元422，用于使用经训练阶段训练完成的所述基于转换器的编码器模型对所述数据获取单元421获得的所述一系列时间点的温度数据和湿度数据进行上下文编码以获得温度特征向量的序列和湿度特征向量的序列；高斯分布序列生成单元423，用于构造所述特征向量生成单元422获得的所述温度特征向量的序列和湿度特征向量的序列的高斯分布的序列；分类特征图生成单元424，用于对所述高斯分布序列生成单元423获得的所述高斯分布的序列中各个高斯分布进行离散化处理以获得多个高斯向量并将所述多个高斯向量进行二维拼接以获得分类特征图；以及，分类单元425，用于将所述分类特征图生成单元424获得的所述分类特征图通过分类器以获得用于表示当前的温度和湿度是否合理的分类结果。
[0095]
这里，本领域技术人员可以理解，上述智能设备的控制系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3b的智能设备的控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0096]
如上所述，根据本技术实施例的智能设备的控制系统400可以实现在各种终端设备中，例如智能设备的控制算法的服务器等。在一个示例中，根据本技术实施例的智能设备的控制系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能设备的控制系统400可以是该终端设备的操作装置中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能设备的控制系统400同样可以是该终端设备的众多硬件模块之一。
[0097]
替换地，在另一示例中，该智能设备的控制系统400与该终端设备也可以是分立的设备，并且该智能设备的控制系统400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0098]
示例性电子设备
[0099]
下面，参考图5来描述根据本技术实施例的电子设备。如图5所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0100]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的智能设备的控制方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如高斯向量、分类特征图等各种内容。
[0101]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线装置和/或其他形式的连接机构(未示出)互连。
[0102]
该输入装置13可以包括例如键盘、鼠标等等。
[0103]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0104]
当然，为了简化，图5中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0105]
示例性计算机程序产品和计算机可读存储介质
[0106]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的智能设备的控制方法中的功能中的步骤。
[0107]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c 等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0108]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的智能设备的控制方法中的步骤。
[0109]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0110]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0111]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0112]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0113]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0114]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。