海上风机的远程智能除湿控制系统及其方法与流程

1.本发明涉及海上风机的智能除湿控制领域，且更为具体地，涉及一种海上风机的远程智能除湿控制系统及其方法。


背景技术：

2.海上风机长期工作于高湿、高盐环境。风机内部金属设备、设施极易发生腐蚀。一般而言，金属腐蚀的相对湿度的临界点是45％-50％，超过界限就会发生腐蚀现象，而且随着相对湿度的升高，腐蚀速度会加快，一旦钢铁上有结露发生，腐蚀过程会更加迅速。
3.目前每个风机都配有除湿机，在现有的除湿机的工作模式中，其以固定功率模式和预定工作时间来运行除湿机，这种控制模式不仅会导致除湿机产生大量的无效工作(例如，风机的干燥度很低时，其仍会工作)，另一方面，如果海上风机内的湿度突然猛增，期待除湿机能够根据具体的情况进行工作功率的自适应调整，而不是仍旧以预设功率进行工作。
4.因此，期待一种优化的智能除湿控制方案。


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海上风机的远程智能除湿控制系统及其方法，其通过采用人工智能的控制技术，利用多尺度邻域特征提取模块来对于多个时间点的湿度值、风数据以及除湿器的工作功率分别进行动态地隐含特征提取，并利用贝叶斯来进行数据特征的融合来进行所述除湿器功率的实时动态调控。这样，将风数据所带来的湿气动态变化特征引入所述除湿机功率控制模型中，能够使得所述除湿机的功率控制具有前瞻性和预测性，以确保所述海上风机在未来时间段的湿度能保持在预定合理范围内。
6.根据本技术的一个方面，提供了一种海上风机的远程智能除湿控制系统，其包括：
7.环境数据采集模块，用于获取由湿度计采集的预定时间段内多个预定时间点的湿度值以及由风速站采集的所述多个预定时间点的风数据，所述风数据包括风速值和风向，所述风向由角度的正弦值或余弦值来表示；
8.工作状态数据采集模块，用于获取所述多个预定时间点的除湿机的工作功率；
9.单点风数据编码模块，用于将所述多个预定时间点的风数据中各个预定时间点的风数据通过全连接层以得到对应于各个预定时间点的多个风特征向量；
10.风数据多尺度邻域编码模块，用于将所述对应于各个预定时间点的多个风特征向量排列为一维特征向量后通过第一多尺度邻域特征提取模块以得到多尺度风特征向量；
11.湿度数据多尺度邻域编码模块，用于将所述多个预定时间点的湿度值通过第二多尺度邻域特征提取模块以得到多尺度湿度特征向量；
12.功率数据多尺度邻域编码模块，用于将所述多个预定时间点的除湿机的工作功率通过第三多尺度邻域特征提取模块以得到多尺度功率特征向量；
13.贝叶斯推断模块，用于使用贝叶斯概率模型来融合所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量以得到后验概率特征向量，其中，所述多尺度功率特征向量为先验概率向量、所述多尺度湿度特征向量为事件概率向量、所述多尺度风特征向量为证据概率向量；
14.后验分布校正模块，用于基于所述后验概率特征向量中所有位置的特征值的均值的倒数，对所述后验概率特征向量中各个位置的特征值进行校正以得到校正后后验概率特征向量；以及
15.控制结果生成模块，用于将所述校正后后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的除湿器的功率值应增大、应保持或应减小。
16.在上述海上风机的远程智能除湿控制系统中，所述单点风数据编码模块，进一步用于：将所述多个预定时间点的风数据中各个预定时间点的风数据按照时间维度排列为输入向量；以及，使用所述全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征以得到所述对应于各个预定时间点的多个风特征向量，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘。
17.在上述海上风机的远程智能除湿控制系统中，所述风数据多尺度邻域编码模块，包括：第一卷积单元，用于将所述一维特征向量输入所述第一多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度风特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二卷积单元，用于将所述一维特征向量输入所述第一多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度风特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，级联单元，用于将所述第一邻域尺度风特征向量和所述第二邻域尺度风特征向量进行级联以得到所述多尺度风特征向量。
18.在上述海上风机的远程智能除湿控制系统中，所述第一卷积单元，进一步用于；使用所述第一多尺度邻域特征提取模块的第一卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到所述第一邻域尺度风特征向量；
19.其中，所述公式为：
[0020][0021]
其中，a为第一卷积核在x方向上的宽度、f为第一卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示张力输入向量。
[0022]
在上述海上风机的远程智能除湿控制系统中，所述第二卷积单元，进一步用于：使用所述第一多尺度邻域特征提取模块的第二卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到所述第二邻域尺度风特征向量；
[0023]
其中，所述公式为：
[0024]
[0025]
其中，b为第二卷积核在x方向上的宽度、f为第二卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示张力输入向量。
[0026]
在上述海上风机的远程智能除湿控制系统中，所述贝叶斯推断模块，进一步用于：使用贝叶斯概率模型以如下公式来融合所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量以得到所述后验概率特征向量；
[0027]
其中，所述公式为：
[0028]
qi＝pi*ai/bi
[0029]
其中，pi是所述多尺度功率特征向量中的各个位置的特征值，ai和bi分别是所述多尺度湿度特征向量和所述多尺度风特征向量中的各个位置的特征值，而qi是所述后验概率特征向量中的各个位置的特征值。
[0030]
在上述海上风机的远程智能除湿控制系统中，所述后验分布校正模块，进一步用于：基于所述后验概率特征向量中所有位置的特征值的均值的倒数，以如下公式对所述后验概率特征向量中各个位置的特征值进行校正以得到所述校正后后验概率特征向量；
[0031]
其中，所述公式为：
[0032][0033]
其中，v表示所述后验概率特征向量，表示所述后验概率特征向量中所有位置的特征值的均值的倒数，
⊙
表示按位置点乘。
[0034]
在上述海上风机的远程智能除湿控制系统中，所述控制结果生成模块，进一步用于：使用所述分类器以如下公式对所述校正后后验概率特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述校正后后验概率特征向量。
[0035]
根据本技术的另一方面，一种海上风机的远程智能除湿控制方法，其包括：
[0036]
获取由湿度计采集的预定时间段内多个预定时间点的湿度值以及由风速站采集的所述多个预定时间点的风数据，所述风数据包括风速值和风向，所述风向由角度的正弦值或余弦值来表示；
[0037]
获取所述多个预定时间点的除湿机的工作功率；
[0038]
将所述多个预定时间点的风数据中各个预定时间点的风数据通过全连接层以得到对应于各个预定时间点的多个风特征向量；
[0039]
将所述对应于各个预定时间点的多个风特征向量排列为一维特征向量后通过第一多尺度邻域特征提取模块以得到多尺度风特征向量；
[0040]
将所述多个预定时间点的湿度值通过第二多尺度邻域特征提取模块以得到多尺度湿度特征向量；
[0041]
将所述多个预定时间点的除湿机的工作功率通过第三多尺度邻域特征提取模块以得到多尺度功率特征向量；
[0042]
使用贝叶斯概率模型来融合所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量以得到后验概率特征向量，其中，所述多尺度功率特征向量为先验概率向量、所述多尺度湿度特征向量为事件概率向量、所述多尺度风特征向量为证据概率向量；
[0043]
基于所述后验概率特征向量中所有位置的特征值的均值的倒数，对所述后验概率特征向量中各个位置的特征值进行校正以得到校正后后验概率特征向量；以及
[0044]
将所述校正后后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的除湿器的功率值应增大、应保持或应减小。
[0045]
在上述海上风机的远程智能除湿控制方法中，将所述多个预定时间点的风数据中各个预定时间点的风数据通过全连接层以得到对应于各个预定时间点的多个风特征向量，包括：将所述多个预定时间点的风数据中各个预定时间点的风数据按照时间维度排列为输入向量；以及，使用所述全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征以得到所述对应于各个预定时间点的多个风特征向量，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘。
[0046]
在上述海上风机的远程智能除湿控制方法中，将所述对应于各个预定时间点的多个风特征向量排列为一维特征向量后通过第一多尺度邻域特征提取模块以得到多尺度风特征向量，包括：将所述一维特征向量输入所述第一多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度风特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述一维特征向量输入所述第一多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度风特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度风特征向量和所述第二邻域尺度风特征向量进行级联以得到所述多尺度风特征向量。
[0047]
在上述海上风机的远程智能除湿控制方法中，将所述一维特征向量输入所述第一多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度风特征向量，包括：使用所述第一多尺度邻域特征提取模块的第一卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到所述第一邻域尺度风特征向量；
[0048]
其中，所述公式为：
[0049][0050]
其中，a为第一卷积核在x方向上的宽度、f为第一卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示张力输入向量。
[0051]
在上述海上风机的远程智能除湿控制方法中，将所述一维特征向量输入所述第一多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度风特征向量，包括：使用所述第一多尺度邻域特征提取模块的第二卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到所述第二邻域尺度风特征向量；
[0052]
其中，所述公式为：
[0053][0054]
其中，b为第二卷积核在x方向上的宽度、f为第二卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示张力输入向量。
[0055]
在上述海上风机的远程智能除湿控制方法中，使用贝叶斯概率模型来融合所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量以得到后验概率特征向量，其中，所述多尺度功率特征向量为先验概率向量、所述多尺度湿度特征向量为事件概率向量、所述多尺度风特征向量为证据概率向量，包括：使用贝叶斯概率模型以如下公式来融合所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量以得到所述后验概率特征向量；
[0056]
其中，所述公式为：
[0057]
qi＝pi*ai/bi
[0058]
其中，pi是所述多尺度功率特征向量中的各个位置的特征值，ai和bi分别是所述多尺度湿度特征向量和所述多尺度风特征向量中的各个位置的特征值，而qi是所述后验概率特征向量中的各个位置的特征值。
[0059]
在上述海上风机的远程智能除湿控制方法中，基于所述后验概率特征向量中所有位置的特征值的均值的倒数，对所述后验概率特征向量中各个位置的特征值进行校正以得到校正后后验概率特征向量，包括：基于所述后验概率特征向量中所有位置的特征值的均值的倒数，以如下公式对所述后验概率特征向量中各个位置的特征值进行校正以得到所述校正后后验概率特征向量；
[0060]
其中，所述公式为：
[0061][0062]
其中，v表示所述后验概率特征向量，表示所述后验概率特征向量中所有位置的特征值的均值的倒数，
⊙
表示按位置点乘。
[0063]
在上述海上风机的远程智能除湿控制方法中，将所述校正后后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的除湿器的功率值应增大、应保持或应减小，包括：使用所述分类器以如下公式对所述校正后后验概率特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述校正后后验概率特征向量。
[0064]
与现有技术相比，本技术提供的海上风机的远程智能除湿控制系统及其方法，其通过采用人工智能的控制技术，利用多尺度邻域特征提取模块来对于多个时间点的湿度值、风数据以及除湿器的工作功率分别进行动态地隐含特征提取，并利用贝叶斯来进行数据特征的融合来进行所述除湿器功率的实时动态调控。这样，将风数据所带来的湿气动态变化特征引入所述除湿机功率控制模型中，能够使得所述除湿机的功率控制具有前瞻性和预测性，以确保所述海上风机在未来时间段的湿度能保持在预定合理范围内。
附图说明
[0065]
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。
[0066]
图1为根据本技术实施例的海上风机的远程智能除湿控制系统的应用场景图。
[0067]
图2为根据本技术实施例的海上风机的远程智能除湿控制系统的框图。
[0068]
图3为根据本技术实施例的海上风机的远程智能除湿控制方法的流程图。
[0069]
图4为根据本技术实施例的海上风机的远程智能除湿控制方法的架构示意图。
具体实施方式
[0070]
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。
[0071]
场景概述
[0072]
如前所述，海上风机长期工作于高湿、高盐环境。风机内部金属设备、设施极易发生腐蚀。一般而言，金属腐蚀的相对湿度的临界点是45％-50％，超过界限就会发生腐蚀现象，而且随着相对湿度的升高，腐蚀速度会加快，一旦钢铁上有结露发生，腐蚀过程会更加迅速。
[0073]
目前每个风机都配有除湿机，在现有的除湿机的工作模式中，其以固定功率模式和预定工作时间来运行除湿机，这种控制模式不仅会导致除湿机产生大量的无效工作(例如，风机的干燥度很低时，其仍会工作)，另一方面，如果海上风机内的湿度突然猛增，期待除湿机能够根据具体的情况进行工作功率的自适应调整，而不是仍旧以预设功率进行工作。因此，期待一种优化的智能除湿控制方案。
[0074]
相应地，本技术发明人考虑到由于各个时间点下的海上风机内的湿度有着隐含的特征关联信息，并且湿度的变化也会引起除湿器的工作功率的改变，因此若想根据所述风机内的湿度实际情况来对于所述除湿器的功率进行实时动态地调控，需要对于所述各个时间点的湿度值和所述除湿器的工作功率值进行深层隐含的关联特征挖掘。并且本技术发明人还考虑到风会带来更多的湿气，因此，将风数据所带来的湿气动态变化特征引入除湿机功率控制模型中，以使得除湿机的功率控制具有前瞻性和预测性，以确保所述海上风机在未来时间段的湿度能保持在预定合理范围内。
[0075]
具体地，在本技术的技术方案中，首先，对于环境数据的采集，通过部署于风机中的湿度计采集预定时间段内多个预定时间点的湿度值以及通过风速站采集所述多个预定时间点的风数据，所述风数据包括风速值和风向，所述风向由角度的正弦值或余弦值来表示。然后，对于除湿机工作状态数据的采集，通过功率检测器获取所述多个预定时间点的除湿机的工作功率。
[0076]
进一步地，针对所述多个预定时间点的风数据，将所述多个预定时间点的风数据中各个预定时间点的风数据通过全连接层中进行处理，以提取出所述各个预定时间点的风数据的高维隐含特征，从而得到对应于各个预定时间点的多个风特征向量。
[0077]
然后，将所述对应于各个预定时间点的多个风特征向量按照时间维度进行排列为一维特征向量以便于后续的特征挖掘。应可以理解，卷积神经网络最初是应用在图像领域中的模型，但其局部特征提取的思想同样可以应用到时序数据分析中。例如一个卷积核大小为3的时序卷积结构，对于时序数据输入，卷积核以滑动窗口的形式沿时间维度移动，并输出每个时序片段内数据的加权和。每个卷积单元堆叠了多个卷积核从而输出多维特征。大卷积核会从大尺度时序邻域内提取特征，其中邻域内每项数值产生的影响更小，从而减
弱输入数据的波动，减轻其中噪点对输出特征的影响。但大尺度卷积核减弱了数值变化的差异，容易导致平滑过度的问题，使得输出特征失去判别能力。与之相对的，小尺度卷积核能够较好地保留输入数据中的信息，但是也更容易受到其中噪点的干扰。因此，考虑到不同尺度卷积的特点，组合使用不同大小的卷积单元提取不同时序尺度的特征。然后采用特征拼接的方式完成特征融合，从而得到多尺度邻域特征。
[0078]
也就是，具体地，在本技术的技术方案中，进一步地，使用第一多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层分别对所述一维特征向量进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以得到所述多尺度风特征向量。特别地，通过这种方式，能够提取出所述风数据的动态变化隐含特征信息，并且使得输出的特征既包含了平滑后的特征，也保存了原始输入的特征，避免了信息的丢失，进而提高了后续分类的准确性。在本技术的其他示例中，所述多尺度邻域特征提取模块还可以包含更多数量的一维卷积层，其使用不同长度的一维卷积核进行不同尺度的邻域内关联特征提取，对此，并不为本技术所局限。
[0079]
同样地，对于所述多个预定时间点的湿度值和除湿机的工作功率，也在将其将所述多个预定时间点的湿度值排列为湿度输入向量，以及将所述多个预定时间点的除湿机的工作功率排列为功率输入向量后，通过所述多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层中进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以分别得到所述多尺度湿度特征向量和所述多尺度功率特征向量。这样，就能够提取出所述湿度值和所述除湿机的工作功率在时间维度上的动态变化特征信息。
[0080]
应可以理解，考虑到使用所述多尺度功率特征向量作为先验概率，在本技术的技术方案的目的是在新的证据，即在有新的所述风数据所来带的湿气时，更新先验概率得到后验概率。那么根据贝叶斯公式，后验概率为先验概率乘以事件概率除以证据概率，因此，在本技术的技术方案中，使用贝叶斯概率模型来融合所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量以得到后验概率特征向量，其中所述多尺度功率特征向量为先验概率向量、所述多尺度湿度特征向量为事件概率向量、所述多尺度风特征向量为证据概率向量。这样，就能够将所述风数据所带来的湿气动态变化特征引入所述除湿机功率控制模型中，以使得所述除湿机的功率控制具有前瞻性和预测性，以确保海上风机在未来时间段的湿度能保持在预定合理范围内。然后，再将所述后验概率特征向量通过分类器以获得用于表示当前时间点的除湿器的功率值应增大、应保持或应减小的分类结果。
[0081]
但是，使用所述贝叶斯概率模型对所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量的融合为按位置计算，也就是，所述后验概率特征向量的每个位置对应于不同时序特征下的后验概率，具有一定的相位属性。但是，所述分类器的分类通常是位置无关的，这就导致分类结果可能出现偏差。
[0082]
因此，在本技术的技术方案中，进一步对所述后验概率特征向量进行相位感知的向量按位置聚合，即：
[0083]
[0084]
其中，v表示所述后验概率特征向量，表示所述后验概率特征向量中所有位置的特征值的均值的倒数，
⊙
表示按位置点乘。
[0085]
这里，该优化后的所述后验概率特征向量v
′
的相位感知的表征引入了幅值-相位的类实值-虚值表征，通过基于欧拉公式的原理将向量进行实值向量的按位置拼接展开，以通过多层相位感知的形式进行按位置聚合，补偿了对所述后验概率特征向量v进行无位置属性的实值分类任务时可能导致的归纳偏差，提升了分类结果的准确性。
[0086]
基于此，本技术提出了一种海上风机的远程智能除湿控制系统，其包括：环境数据采集模块，用于获取由湿度计采集的预定时间段内多个预定时间点的湿度值以及由风速站采集的所述多个预定时间点的风数据，所述风数据包括风速值和风向，所述风向由角度的正弦值或余弦值来表示；工作状态数据采集模块，用于获取所述多个预定时间点的除湿机的工作功率；单点风数据编码模块，用于将所述多个预定时间点的风数据中各个预定时间点的风数据通过全连接层以得到对应于各个预定时间点的多个风特征向量；风数据多尺度邻域编码模块，用于将所述对应于各个预定时间点的多个风特征向量排列为一维特征向量后通过第一多尺度邻域特征提取模块以得到多尺度风特征向量；湿度数据多尺度邻域编码模块，用于将所述多个预定时间点的湿度值通过第二多尺度邻域特征提取模块以得到多尺度湿度特征向量；功率数据多尺度邻域编码模块，用于将所述多个预定时间点的除湿机的工作功率通过第三多尺度邻域特征提取模块以得到多尺度功率特征向量；贝叶斯推断模块，用于使用贝叶斯概率模型来融合所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量以得到后验概率特征向量，其中，所述多尺度功率特征向量为先验概率向量、所述多尺度湿度特征向量为事件概率向量、所述多尺度风特征向量为证据概率向量；后验分布校正模块，用于基于所述后验概率特征向量中所有位置的特征值的均值的倒数，对所述后验概率特征向量中各个位置的特征值进行校正以得到校正后后验概率特征向量；以及，控制结果生成模块，用于将所述校正后后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的除湿器的功率值应增大、应保持或应减小。
[0087]
图1图示了根据本技术实施例的海上风机的远程智能除湿控制系统的应用场景图。如图1所示，在该应用场景中，首先，通过部署于风机(例如，如图1中所示意的f)中的湿度计(例如，如图1中所示意的h)采集预定时间段内多个预定时间点的湿度值以及通过风速站(例如，如图1中所示意的w)采集所述多个预定时间点的风数据，所述风数据包括风速值和风向，所述风向由角度的正弦值或余弦值来表示，并且通过功率检测器(例如，如图1中所示意的p)获取所述多个预定时间点的除湿机(例如，如图1中所示意的t)的工作功率。然后，将获取的所述预定时间段内多个预定时间点的湿度值、风数据和除湿机的工作功率输入至部署有海上风机的远程智能除湿控制算法的服务器中(例如，如图1中所示意的云服务器s)，其中，所述服务器能够以海上风机的远程智能除湿控制算法对所述预定时间段内多个预定时间点的湿度值、风数据和除湿机的工作功率进行处理，以生成用于表示当前时间点的除湿器的功率值应增大、应保持或应减小的分类结果。
[0088]
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。
[0089]
示例性系统
[0090]
图2图示了根据本技术实施例的海上风机的远程智能除湿控制系统的框图。如图2
所示，根据本技术实施例的海上风机的远程智能除湿控制系统200，包括：环境数据采集模块210，用于获取由湿度计采集的预定时间段内多个预定时间点的湿度值以及由风速站采集的所述多个预定时间点的风数据，所述风数据包括风速值和风向，所述风向由角度的正弦值或余弦值来表示；工作状态数据采集模块220，用于获取所述多个预定时间点的除湿机的工作功率；单点风数据编码模块230，用于将所述多个预定时间点的风数据中各个预定时间点的风数据通过全连接层以得到对应于各个预定时间点的多个风特征向量；风数据多尺度邻域编码模块240，用于将所述对应于各个预定时间点的多个风特征向量排列为一维特征向量后通过第一多尺度邻域特征提取模块以得到多尺度风特征向量；湿度数据多尺度邻域编码模块250，用于将所述多个预定时间点的湿度值通过第二多尺度邻域特征提取模块以得到多尺度湿度特征向量；功率数据多尺度邻域编码模块260，用于将所述多个预定时间点的除湿机的工作功率通过第三多尺度邻域特征提取模块以得到多尺度功率特征向量；贝叶斯推断模块270，用于使用贝叶斯概率模型来融合所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量以得到后验概率特征向量，其中，所述多尺度功率特征向量为先验概率向量、所述多尺度湿度特征向量为事件概率向量、所述多尺度风特征向量为证据概率向量；后验分布校正模块280，用于基于所述后验概率特征向量中所有位置的特征值的均值的倒数，对所述后验概率特征向量中各个位置的特征值进行校正以得到校正后后验概率特征向量；以及，控制结果生成模块290，用于将所述校正后后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的除湿器的功率值应增大、应保持或应减小。
[0091]
具体地，在本技术实施例中，所述环境数据采集模块210和所述工作状态数据采集模块220，用于获取由湿度计采集的预定时间段内多个预定时间点的湿度值以及由风速站采集的所述多个预定时间点的风数据，所述风数据包括风速值和风向，所述风向由角度的正弦值或余弦值来表示，并获取所述多个预定时间点的除湿机的工作功率。如前所述，在本技术的技术方案中，考虑到由于各个时间点下的海上风机内的湿度有着隐含的特征关联信息，并且湿度的变化也会引起除湿器的工作功率的改变，因此若想根据所述风机内的湿度实际情况来对于所述除湿器的功率进行实时动态地调控，需要对于所述各个时间点的湿度值和所述除湿器的工作功率值进行深层隐含的关联特征挖掘。并且还考虑到风会带来更多的湿气，因此，在本技术的技术方案中，将风数据所带来的湿气动态变化特征引入除湿机功率控制模型中，以使得除湿机的功率控制具有前瞻性和预测性，以确保所述海上风机在未来时间段的湿度能保持在预定合理范围内。
[0092]
也就是，具体地，在本技术的技术方案中，首先，对于环境数据的采集，通过部署于风机中的湿度计采集预定时间段内多个预定时间点的湿度值以及通过风速站采集所述多个预定时间点的风数据，所述风数据包括风速值和风向，所述风向由角度的正弦值或余弦值来表示。然后，对于除湿机工作状态数据的采集，通过功率检测器获取所述多个预定时间点的除湿机的工作功率。
[0093]
具体地，在本技术实施例中，所述单点风数据编码模块230，用于将所述多个预定时间点的风数据中各个预定时间点的风数据通过全连接层以得到对应于各个预定时间点的多个风特征向量。也就是，在本技术的技术方案中，进一步地，针对所述多个预定时间点的风数据，将所述多个预定时间点的风数据中各个预定时间点的风数据通过全连接层中进
行处理，以提取出所述各个预定时间点的风数据的高维隐含特征，从而得到对应于各个预定时间点的多个风特征向量。
[0094]
更具体地，在本技术实施例中，所述单点风数据编码模块，进一步用于：将所述多个预定时间点的风数据中各个预定时间点的风数据按照时间维度排列为输入向量；以及，使用所述全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征以得到所述对应于各个预定时间点的多个风特征向量，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘。
[0095]
具体地，在本技术实施例中，所述风数据多尺度邻域编码模块240，用于将所述对应于各个预定时间点的多个风特征向量排列为一维特征向量后通过第一多尺度邻域特征提取模块以得到多尺度风特征向量。也就是，在本技术的技术方案中，进一步将所述对应于各个预定时间点的多个风特征向量按照时间维度进行排列为一维特征向量以便于后续的特征挖掘。应可以理解，卷积神经网络最初是应用在图像领域中的模型，但其局部特征提取的思想同样可以应用到时序数据分析中。例如一个卷积核大小为3的时序卷积结构，对于时序数据输入，卷积核以滑动窗口的形式沿时间维度移动，并输出每个时序片段内数据的加权和。每个卷积单元堆叠了多个卷积核从而输出多维特征。大卷积核会从大尺度时序邻域内提取特征，其中邻域内每项数值产生的影响更小，从而减弱输入数据的波动，减轻其中噪点对输出特征的影响。但大尺度卷积核减弱了数值变化的差异，容易导致平滑过度的问题，使得输出特征失去判别能力。与之相对的，小尺度卷积核能够较好地保留输入数据中的信息，但是也更容易受到其中噪点的干扰。因此，考虑到不同尺度卷积的特点，组合使用不同大小的卷积单元提取不同时序尺度的特征。然后采用特征拼接的方式完成特征融合，从而得到多尺度邻域特征。
[0096]
也就是，具体地，在本技术的技术方案中，进一步地，使用第一多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层分别对所述一维特征向量进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以得到所述多尺度风特征向量。特别地，通过这种方式，能够提取出所述风数据的动态变化隐含特征信息，并且使得输出的特征既包含了平滑后的特征，也保存了原始输入的特征，避免了信息的丢失，进而提高了后续分类的准确性。在本技术的其他示例中，所述多尺度邻域特征提取模块还可以包含更多数量的一维卷积层，其使用不同长度的一维卷积核进行不同尺度的邻域内关联特征提取，对此，并不为本技术所局限。
[0097]
更具体地，在本技术实施例中，所述风数据多尺度邻域编码模块，包括：第一卷积单元，用于将所述一维特征向量输入所述第一多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度风特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核。相应地，在一个具体示例中，使用所述第一多尺度邻域特征提取模块的第一卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到所述第一邻域尺度风特征向量；
[0098]
其中，所述公式为：
[0099]
[0100]
其中，a为第一卷积核在x方向上的宽度、f为第一卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示张力输入向量。第二卷积单元，用于将所述一维特征向量输入所述第一多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度风特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度。相应地，在一个具体示例中，使用所述第一多尺度邻域特征提取模块的第二卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到所述第二邻域尺度风特征向量；
[0101]
其中，所述公式为：
[0102][0103]
其中，b为第二卷积核在x方向上的宽度、f为第二卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示张力输入向量。级联单元，用于将所述第一邻域尺度风特征向量和所述第二邻域尺度风特征向量进行级联以得到所述多尺度风特征向量。
[0104]
具体地，在本技术实施例中，所述湿度数据多尺度邻域编码模块250和所述功率数据多尺度邻域编码模块260，用于将所述多个预定时间点的湿度值通过第二多尺度邻域特征提取模块以得到多尺度湿度特征向量，并将所述多个预定时间点的除湿机的工作功率通过第三多尺度邻域特征提取模块以得到多尺度功率特征向量。应可以理解，在本技术的技术方案中，同样地，对于所述多个预定时间点的湿度值和除湿机的工作功率，也在将其将所述多个预定时间点的湿度值排列为湿度输入向量，以及将所述多个预定时间点的除湿机的工作功率排列为功率输入向量后，通过所述多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层中进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以分别得到所述多尺度湿度特征向量和所述多尺度功率特征向量。这样，就能够提取出所述湿度值和所述除湿机的工作功率在时间维度上的动态变化特征信息。
[0105]
具体地，在本技术实施例中，所述贝叶斯推断模块270，用于使用贝叶斯概率模型来融合所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量以得到后验概率特征向量，其中，所述多尺度功率特征向量为先验概率向量、所述多尺度湿度特征向量为事件概率向量、所述多尺度风特征向量为证据概率向量。应可以理解，考虑到使用所述多尺度功率特征向量作为先验概率，在本技术的技术方案的目的是在新的证据，即在有新的所述风数据所来带的湿气时，更新先验概率得到后验概率。那么根据贝叶斯公式，后验概率为先验概率乘以事件概率除以证据概率，因此，在本技术的技术方案中，使用贝叶斯概率模型来融合所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量以得到后验概率特征向量，其中所述多尺度功率特征向量为先验概率向量、所述多尺度湿度特征向量为事件概率向量、所述多尺度风特征向量为证据概率向量。这样，就能够将所述风数据所带来的湿气动态变化特征引入所述除湿机功率控制模型中，以使得所述除湿机的功率控制具有前瞻性和预测性，以确保海上风机在未来时间段的湿度能保持在预定合理范围内。
[0106]
更具体地，在本技术实施例中，所述贝叶斯推断模块，进一步用于：所述贝叶斯推断模块，进一步用于：使用贝叶斯概率模型以如下公式来融合所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量以得到所述后验概率特征向量；
[0107]
其中，所述公式为：
[0108]
qi＝pi*ai/bi
[0109]
其中，pi是所述多尺度功率特征向量中的各个位置的特征值，ai和bi分别是所述多尺度湿度特征向量和所述多尺度风特征向量中的各个位置的特征值，而qi是所述后验概率特征向量中的各个位置的特征值。
[0110]
具体地，在本技术实施例中，所述后验分布校正模块280，用于基于所述后验概率特征向量中所有位置的特征值的均值的倒数，对所述后验概率特征向量中各个位置的特征值进行校正以得到校正后后验概率特征向量。应可以理解，在本技术的技术方案中，在得到所述后验概率特征向量后，再将所述后验概率特征向量通过分类器以获得用于表示当前时间点的除湿器的功率值应增大、应保持或应减小的分类结果。但是，使用所述贝叶斯概率模型对所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量的融合为按位置计算，也就是，所述后验概率特征向量的每个位置对应于不同时序特征下的后验概率，具有一定的相位属性。但是，所述分类器的分类通常是位置无关的，这就导致分类结果可能出现偏差。因此，在本技术的技术方案中，进一步对所述后验概率特征向量进行相位感知的向量按位置聚合。
[0111]
更具体地，在本技术实施例中，所述后验分布校正模块，进一步用于：基于所述后验概率特征向量中所有位置的特征值的均值的倒数，以如下公式对所述后验概率特征向量中各个位置的特征值进行校正以得到所述校正后后验概率特征向量；
[0112]
其中，所述公式为：
[0113][0114]
其中，v表示所述后验概率特征向量，表示所述后验概率特征向量中所有位置的特征值的均值的倒数，
⊙
表示按位置点乘。应可以理解，这里，该所述优化后的所述后验概率特征向量v
′
的相位感知的表征引入了幅值-相位的类实值-虚值表征，通过基于欧拉公式的原理将向量进行实值向量的按位置拼接展开，以通过多层相位感知的形式进行按位置聚合，补偿了对所述后验概率特征向量v进行无位置属性的实值分类任务时可能导致的归纳偏差，提升了分类结果的准确性。
[0115]
具体地，在本技术实施例中，所述控制结果生成模块290，用于将所述校正后后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的除湿器的功率值应增大、应保持或应减小。相应地，在一个具体示例中，使用所述分类器以如下公式对所述校正后后验概率特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述校正后后验概率特征向量。
[0116]
综上，基于本技术实施例的所述海上风机的远程智能除湿控制系统200被阐明，其通过采用人工智能的控制技术，利用多尺度邻域特征提取模块来对于多个时间点的湿度值、风数据以及除湿器的工作功率分别进行动态地隐含特征提取，并利用贝叶斯来进行数
据特征的融合来进行所述除湿器功率的实时动态调控。这样，将风数据所带来的湿气动态变化特征引入所述除湿机功率控制模型中，能够使得所述除湿机的功率控制具有前瞻性和预测性，以确保所述海上风机在未来时间段的湿度能保持在预定合理范围内。
[0117]
如上所述，根据本技术实施例的海上风机的远程智能除湿控制系统200可以实现在各种终端设备中，例如海上风机的远程智能除湿控制算法的服务器等。在一个示例中，根据本技术实施例的海上风机的远程智能除湿控制系统200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，该海上风机的远程智能除湿控制系统200可以是该终端设备的操作系统中的一个软件模块，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，该海上风机的远程智能除湿控制系统200同样可以是该终端设备的众多硬件模块之一。
[0118]
替换地，在另一示例中，该海上风机的远程智能除湿控制系统200与该终端设备也可以是分立的设备，并且该海上风机的远程智能除湿控制系统200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。
[0119]
示例性方法
[0120]
图3图示了海上风机的远程智能除湿控制方法的流程图。如图3所示，根据本技术实施例的海上风机的远程智能除湿控制方法，包括步骤：s110，获取由湿度计采集的预定时间段内多个预定时间点的湿度值以及由风速站采集的所述多个预定时间点的风数据，所述风数据包括风速值和风向，所述风向由角度的正弦值或余弦值来表示；s120，获取所述多个预定时间点的除湿机的工作功率；s130，将所述多个预定时间点的风数据中各个预定时间点的风数据通过全连接层以得到对应于各个预定时间点的多个风特征向量；s140，将所述对应于各个预定时间点的多个风特征向量排列为一维特征向量后通过第一多尺度邻域特征提取模块以得到多尺度风特征向量；s150，将所述多个预定时间点的湿度值通过第二多尺度邻域特征提取模块以得到多尺度湿度特征向量；s160，将所述多个预定时间点的除湿机的工作功率通过第三多尺度邻域特征提取模块以得到多尺度功率特征向量；s170，使用贝叶斯概率模型来融合所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量以得到后验概率特征向量，其中，所述多尺度功率特征向量为先验概率向量、所述多尺度湿度特征向量为事件概率向量、所述多尺度风特征向量为证据概率向量；s180，基于所述后验概率特征向量中所有位置的特征值的均值的倒数，对所述后验概率特征向量中各个位置的特征值进行校正以得到校正后后验概率特征向量；以及，s190，将所述校正后后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的除湿器的功率值应增大、应保持或应减小。
[0121]
图4图示了根据本技术实施例的海上风机的远程智能除湿控制方法的架构示意图。如图4所示，在所述海上风机的远程智能除湿控制方法的网络架构中，首先，将获得的所述多个预定时间点的风数据(例如，如图4中所示意的p1)中各个预定时间点的风数据通过全连接层(例如，如图4中所示意的fc)以得到对应于各个预定时间点的多个风特征向量(例如，如图4中所示意的v1)；接着，将所述对应于各个预定时间点的多个风特征向量排列为一维特征向量(例如，如图4中所示意的v2)后通过第一多尺度邻域特征提取模块(例如，如图4中所示意的ms1)以得到多尺度风特征向量(例如，如图4中所示意的vf1)；然后，将所述多个预定时间点的湿度值(例如，如图4中所示意的p2)通过第二多尺度邻域特征提取模块(例
如，如图4中所示意的ms2)以得到多尺度湿度特征向量(例如，如图4中所示意的vf2)；接着，将所述多个预定时间点的除湿机的工作功率(例如，如图4中所示意的p3)通过第三多尺度邻域特征提取模块(例如，如图4中所示意的ms3)以得到多尺度功率特征向量(例如，如图4中所示意的vf3)；然后，使用贝叶斯概率模型(例如，如图4中所示意的bpm)来融合所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量以得到后验概率特征向量(例如，如图4中所示意的vp1)；接着，基于所述后验概率特征向量中所有位置的特征值的均值的倒数，对所述后验概率特征向量中各个位置的特征值进行校正以得到校正后后验概率特征向量(例如，如图4中所示意的vp2)；以及，最后，将所述校正后后验概率特征向量通过分类器(例如，如图4中所示意的圈s)以得到分类结果，所述分类结果用于表示当前时间点的除湿器的功率值应增大、应保持或应减小。
[0122]
更具体地，在步骤s110和步骤s120中，获取由湿度计采集的预定时间段内多个预定时间点的湿度值以及由风速站采集的所述多个预定时间点的风数据，所述风数据包括风速值和风向，所述风向由角度的正弦值或余弦值来表示，并获取所述多个预定时间点的除湿机的工作功率。也就是，在本技术的技术方案中，考虑到由于各个时间点下的海上风机内的湿度有着隐含的特征关联信息，并且湿度的变化也会引起除湿器的工作功率的改变，因此若想根据所述风机内的湿度实际情况来对于所述除湿器的功率进行实时动态地调控，需要对于所述各个时间点的湿度值和所述除湿器的工作功率值进行深层隐含的关联特征挖掘。并且还考虑到风会带来更多的湿气，因此，在本技术的技术方案中，将风数据所带来的湿气动态变化特征引入除湿机功率控制模型中，以使得除湿机的功率控制具有前瞻性和预测性，以确保所述海上风机在未来时间段的湿度能保持在预定合理范围内。
[0123]
也就是，具体地，在本技术的技术方案中，首先，对于环境数据的采集，通过部署于风机中的湿度计采集预定时间段内多个预定时间点的湿度值以及通过风速站采集所述多个预定时间点的风数据，所述风数据包括风速值和风向，所述风向由角度的正弦值或余弦值来表示。然后，对于除湿机工作状态数据的采集，通过功率检测器获取所述多个预定时间点的除湿机的工作功率。
[0124]
更具体地，在步骤s130和步骤s140中，将所述多个预定时间点的风数据中各个预定时间点的风数据通过全连接层以得到对应于各个预定时间点的多个风特征向量，并将所述对应于各个预定时间点的多个风特征向量排列为一维特征向量后通过第一多尺度邻域特征提取模块以得到多尺度风特征向量。也就是，在本技术的技术方案中，进一步地，针对所述多个预定时间点的风数据，将所述多个预定时间点的风数据中各个预定时间点的风数据通过全连接层中进行处理，以提取出所述各个预定时间点的风数据的高维隐含特征，从而得到对应于各个预定时间点的多个风特征向量。
[0125]
进一步地，将所述对应于各个预定时间点的多个风特征向量按照时间维度进行排列为一维特征向量以便于后续的特征挖掘。应可以理解，卷积神经网络最初是应用在图像领域中的模型，但其局部特征提取的思想同样可以应用到时序数据分析中。例如一个卷积核大小为3的时序卷积结构，对于时序数据输入，卷积核以滑动窗口的形式沿时间维度移动，并输出每个时序片段内数据的加权和。每个卷积单元堆叠了多个卷积核从而输出多维特征。大卷积核会从大尺度时序邻域内提取特征，其中邻域内每项数值产生的影响更小，从而减弱输入数据的波动，减轻其中噪点对输出特征的影响。但大尺度卷积核减弱了数值变
化的差异，容易导致平滑过度的问题，使得输出特征失去判别能力。与之相对的，小尺度卷积核能够较好地保留输入数据中的信息，但是也更容易受到其中噪点的干扰。因此，考虑到不同尺度卷积的特点，组合使用不同大小的卷积单元提取不同时序尺度的特征。然后采用特征拼接的方式完成特征融合，从而得到多尺度邻域特征。
[0126]
也就是，具体地，在本技术的技术方案中，进一步地，使用第一多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层分别对所述一维特征向量进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以得到所述多尺度风特征向量。特别地，通过这种方式，能够提取出所述风数据的动态变化隐含特征信息，并且使得输出的特征既包含了平滑后的特征，也保存了原始输入的特征，避免了信息的丢失，进而提高了后续分类的准确性。在本技术的其他示例中，所述多尺度邻域特征提取模块还可以包含更多数量的一维卷积层，其使用不同长度的一维卷积核进行不同尺度的邻域内关联特征提取，对此，并不为本技术所局限。
[0127]
更具体地，在步骤s150和步骤s160中，将所述多个预定时间点的湿度值通过第二多尺度邻域特征提取模块以得到多尺度湿度特征向量，并将所述多个预定时间点的除湿机的工作功率通过第三多尺度邻域特征提取模块以得到多尺度功率特征向量。应可以理解，在本技术的技术方案中，同样地，对于所述多个预定时间点的湿度值和除湿机的工作功率，也在将其将所述多个预定时间点的湿度值排列为湿度输入向量，以及将所述多个预定时间点的除湿机的工作功率排列为功率输入向量后，通过所述多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层中进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以分别得到所述多尺度湿度特征向量和所述多尺度功率特征向量。这样，就能够提取出所述湿度值和所述除湿机的工作功率在时间维度上的动态变化特征信息。
[0128]
更具体地，在步骤s170中，使用贝叶斯概率模型来融合所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量以得到后验概率特征向量，其中，所述多尺度功率特征向量为先验概率向量、所述多尺度湿度特征向量为事件概率向量、所述多尺度风特征向量为证据概率向量。应可以理解，考虑到使用所述多尺度功率特征向量作为先验概率，在本技术的技术方案的目的是在新的证据，即在有新的所述风数据所来带的湿气时，更新先验概率得到后验概率。那么根据贝叶斯公式，后验概率为先验概率乘以事件概率除以证据概率，因此，在本技术的技术方案中，使用贝叶斯概率模型来融合所述多尺度功率特征向量、所述多尺度湿度特征向量和所述多尺度风特征向量以得到后验概率特征向量，其中所述多尺度功率特征向量为先验概率向量、所述多尺度湿度特征向量为事件概率向量、所述多尺度风特征向量为证据概率向量。这样，就能够将所述风数据所带来的湿气动态变化特征引入所述除湿机功率控制模型中，以使得所述除湿机的功率控制具有前瞻性和预测性，以确保海上风机在未来时间段的湿度能保持在预定合理范围内。更具体地，在步骤s180中，基于所述后验概率特征向量中所有位置的特征值的均值的倒数，对所述后验概率特征向量中各个位置的特征值进行校正以得到校正后后验概率特征向量。应可以理解，在本技术的技术方案中，在得到所述后验概率特征向量后，再将所述后验概率特征向量通过分类器以获得用于表示当前时间点的除湿器的功率值应增大、应保持或应减小的分类结果。但是，使用所述贝叶斯概率模型对所述多尺度功率特征向量、所述多尺度湿度特征向量
和所述多尺度风特征向量的融合为按位置计算，也就是，所述后验概率特征向量的每个位置对应于不同时序特征下的后验概率，具有一定的相位属性。但是，所述分类器的分类通常是位置无关的，这就导致分类结果可能出现偏差。因此，在本技术的技术方案中，进一步对所述后验概率特征向量进行相位感知的向量按位置聚合。
[0129]
更具体地，在步骤s190中，将所述校正后后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的除湿器的功率值应增大、应保持或应减小。
[0130]
综上，基于本技术实施例的所述海上风机的远程智能除湿控制方法被阐明，其通过采用人工智能的控制技术，利用多尺度邻域特征提取模块来对于多个时间点的湿度值、风数据以及除湿器的工作功率分别进行动态地隐含特征提取，并利用贝叶斯来进行数据特征的融合来进行所述除湿器功率的实时动态调控。这样，将风数据所带来的湿气动态变化特征引入所述除湿机功率控制模型中，能够使得所述除湿机的功率控制具有前瞻性和预测性，以确保所述海上风机在未来时间段的湿度能保持在预定合理范围内。
[0131]
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。
[0132]
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。
[0133]
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。
[0134]
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。
[0135]
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。