【技术实现步骤摘要】
本专利技术涉及智能家居，具体是指基于机器学习的足浴盆参数智能化调节方法及系统。
技术介绍
1、基于机器学习的足浴盆参数智能化调节方法及系统利用机器学习技术和大数据分析技术来对足浴盆的操作参数进行智能优化和自动调节，能够提升足浴盆的智能化水平，增强用户的舒适度。但传统数据筛选方法存在无法有效识别复杂数据集中异常值和噪声数据的问题；传统足浴盆参数预测模型存在模型结构简单、激励机制单一、缺乏灵活性的问题；传统全局参数优化方法存在搜索效率低、易陷入局部最优以及参数调整复杂度高的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于机器学习的足浴盆参数智能化调节方法及系统，针对传统数据筛选方法存在无法有效识别复杂数据集中异常值和噪声数据的问题，本方案通过划分数据邻域、定义数据复杂度、定义局部密度、计算异常度和异常数据检测来进行数据筛选，考虑了数据点之间的空间距离和数据点周围邻域的密度分布，提高了异常值识别的准确性和可靠性；针对传统足浴盆参数预测模型存在模型结构简单、激励机制单一、缺乏灵活性的问题，本方案通过设计模型框架、激励函数、前置双变换层、隐藏层、残差调节层、输出层和损失函数来建立模型，改善了模型对不同输入情况的适应性和处理能力，提高了模型的表达能力、预测准确性和对特征的调整和优化能力，提高了模型的输出质量和对预测误差的控制能力；针对传统全局参数优化方法存在搜索效率低、易陷入局部最优以及参数调整复杂度高的问题，本方案通过设计搜索进化因子、定义映射函数、设计抗干
2、本专利技术采取的技术方案如下：基于机器学习的足浴盆参数智能化调节方法及系统，该方法包括以下步骤：
3、步骤s1：数据采集；
4、步骤s2：数据筛选；
5、步骤s3：建立足浴盆参数预测模型；
6、步骤s4：全局参数优化；
7、步骤s5：足浴盆参数调节。
8、进一步地，在步骤s1中，所述数据采集采集历史足浴盆用户的年龄、身体疲劳程度、身体反应数据和足浴盆参数；所述身体疲劳程度包括高、中和低三个程度；所述身体反应数据是指使用足浴盆时的皮肤温度、心率和呼吸频率；所述足浴盆参数包括水量、水温、加热速度和按摩力度。
9、进一步地，在步骤s2中，所述数据筛选，具体包括以下步骤：
10、步骤s21：划分数据邻域，选出距离每个数据点最近的n个数据点，计算出每个数据点与选出的n个数据点之间的欧氏距离，选出最大值，设置为数据点的邻域宽度，将在邻域宽度范围内的数据点设置为邻域数据点集合；
11、步骤s22：定义数据复杂度，表示如下：
12、；
13、其中，i表示数据点的索引，表示第i个数据点的位置，表示第i个数据点的数据复杂度，d表示数据维度的索引，d表示最大的数据维度，n表示邻域数据点集合内的数据点的索引，n表示邻域数据点集合内的数据点的总数，表示第i个数据点的第d个维度的特征值，表示第n个数据点的第d个维度的特征值，表示取绝对值，表示数据点i与邻域数据点集合中的数据点之间的欧氏距离最大值，表示数据点i与邻域数据点集合中的数据点之间的欧氏距离最小值；
14、步骤s23：定义局部密度，表示如下：
15、；
16、其中，表示局部密度函数，表示第i个数据点的局部密度，j表示数据点的索引，m表示数据点的总数，表示取最大值，表示第i个数据点的邻域宽度，表示取欧氏距离，表示第i个数据点和第j个数据点之间的欧氏距离；
17、步骤s24：计算异常度，表示如下：
18、；
19、其中，表示第i个数据点的异常度，表示密度调节因子，表示第j个数据点的邻域数据点集合中的所有数据点的局部密度平均值，表示第i个数据点的邻域数据点集合中的所有数据点的局部密度平均值，表示异常度平衡因子；
20、步骤s25：异常数据检测，设定异常度阈值，计算出所有数据点的异常度，将异常度大于异常度阈值的数据去除。
21、进一步地，在步骤s3中，所述建立足浴盆参数预测模型，具体包括以下步骤：
22、步骤s31：设计模型框架，足浴盆参数预测模型包括前置双变换层、隐藏层、残差调节层、随机失活层和输出层；
23、步骤s32：设计激励函数，表示如下：
24、；
25、其中，表示分域激励函数的输入，表示分域激励函数，e表示自然常数，表示以自然常数为底数的对数函数，表示开根号；
26、步骤s33：设计前置双变换层，表示如下：
27、；
28、其中，表示前置双变换层的输出，表示带泄漏修正线性单元函数，和分别表示前置双变换层的第一层的权重和偏置，和分别表示前置双变换层的第二层的权重和偏置，表示前置双变换层的输入；
29、步骤s34：设计隐藏层，在隐藏层的第一层和最后一层用分域激励函数进行激励，表示如下：
30、；
31、其中，表示隐藏层的输出，p表示隐藏层的层数，、和分别表示隐藏层的第p、第p-1和第1层的权重，、和分别表示隐藏层第1、第p-1和第p层的偏置，表示隐藏层第1层的输入；
32、步骤s35：设计残差调节层，表示如下：
33、；
34、其中，表示残差调节层的输出，、和分别表示残差调节层的权重、输入和偏置；
35、步骤s36：设计输出层，表示如下：
36、；
37、其中，表示输出层的输出，表示归一化指数函数，、和分别表示输出层的权重、输入和偏置；
38、步骤s37：设计损失函数，表示如下：
39、；
40、其中，表示模型的损失值，j表示训练模型的数据样本的索引，k表示数据样本的总数，log(·)表示对数运算，表示第j个样本的真实值，表示第j个样本的预测值，表示边缘损失权重，表示敏感因子。
41、进一步地，在步骤s4中，所述全局参数优化，具体包括以下步骤：
42、步骤s41：优化准备，确定优化参数，包括密度调节因子、异常度平衡因子、隐藏层的层数和敏感因子，创建优化参数的搜索空间，将模型的损失值的倒数设置为参数的适应度，在参数搜索空间内随机生成初始的参数搜索点集群，计算出初始的参数搜索点集群的适应度；
43、步骤s42：设计搜索进化因子，表示如下：
44、；
45、其中，t表示参数搜索次数，g表示参数搜索点的参数维度索引，表示第t次参数搜索时第g个参数维度的搜索进化因子，t表示参数的最大搜索次数，表示所有参数搜索点的第g个参数维度的平均值，表示所有参数搜索点中第g个参数维度的最大值，表示所有参数搜索点中第g个参数维度的本文档来自技高网...
【技术保护点】
1.基于机器学习的足浴盆参数智能化调节方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于机器学习的足浴盆参数智能化调节方法，其特征在于：在步骤S2中，所述数据筛选，具体包括以下步骤：
3.根据权利要求1所述的基于机器学习的足浴盆参数智能化调节方法，其特征在于：在步骤S3中，所述建立足浴盆参数预测模型，具体包括以下步骤：
4.根据权利要求1所述的基于机器学习的足浴盆参数智能化调节方法，其特征在于：在步骤S4中，所述全局参数优化，具体包括以下步骤：
5.根据权利要求1所述的基于机器学习的足浴盆参数智能化调节方法，其特征在于：在步骤S1中，所述数据采集采集历史足浴盆用户的年龄、身体疲劳程度、身体反应数据和足浴盆参数；所述身体疲劳程度包括高、中和低三个程度；所述身体反应数据是指使用足浴盆时的皮肤温度、心率和呼吸频率；所述足浴盆参数包括水量、水温、加热速度和按摩力度；
6.基于机器学习的足浴盆参数智能化调节系统，用于实现如权利要求1-5中任一项所述的基于机器学习的足浴盆参数智能化调节方法，其特征在于：包括数据采集
...【技术特征摘要】
1.基于机器学习的足浴盆参数智能化调节方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于机器学习的足浴盆参数智能化调节方法，其特征在于：在步骤s2中，所述数据筛选，具体包括以下步骤：
3.根据权利要求1所述的基于机器学习的足浴盆参数智能化调节方法，其特征在于：在步骤s3中，所述建立足浴盆参数预测模型，具体包括以下步骤：
4.根据权利要求1所述的基于机器学习的足浴盆参数智能化调节方法，其特征在于：在步骤s4中，所述全局参数优化，具体包括以下步骤：
5.根据权利要求1所述的...
【专利技术属性】
技术研发人员：葛军，葛名熠，
申请(专利权)人：淮安美妙电子科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。