CN119414722A 基于情景感知的多厨电远程控制方法及系统 （宁波舜韵电子有限公司）

基于情景感知的多厨电远程控制方法及系统本发明提供一种基于情景感知的多厨电远小波多分辨分解和密度梯度矩阵识别异常数据2采集厨房的环境数据并记录用户对厨房电器的历史使用数据，对所将所述融合特征向量和所述密度分布图谱添加至预先设置的改进的长短期记忆网络，所述设备关联特征和所述密度分布图谱添加至预先设置的先知模型中构建多项式趋势项将所述场景概率分布函数、所述预测置信区间和所述密度分布的后验概率分布，结合自适应探索机制和贝尔曼误差构建基于误差梯度的优先级评分模通过预先部署的传感器节点采集厨房的环境数据以及用户对厨房电器的历史使用数通过道贝小波函数对所述环境数据执行小波多分辨分解，得到多个尺度下的小波系第二能量阈值对所述小波系数进行筛选，删除能量值低于所述第一能量阈值的小波系数，3基于所述优质环境数据，通过核密度估计方法构建密度分将所述净化环境数据与所述历史使用数据按时间戳对齐构成多元时采用时间金字塔池化策略对所述高价值数据序列进行多尺度分解，在多尺度特征地图包含全局特征与局部特征，搭建两层全连接神经网络作为特征交互网络，所述特征交互网络的输入层接收所述多尺度特征地图，通过隐藏层建模特征交互关联关;ii)为时序特征集Y的边缘概率分布，表示单独出现yi将融合特征向量和密度分布图谱输入预先设置的改进长短期记忆网4作为所述门控递归单元的输入，所述解码器的输出层插入所述密度分布图谱作为先验知基于所述密度分布图谱构建参数敏感度评估模块，通过蒙特卡将所述净化环境数据作为约束条件构建设备关联图，所述设备关联图以设备为节点，将所述设备关联特征和所述密度分布图谱输入预先设置的先多个时间多项式基函数组成，通过最小二乘法拟合所述基函数的系数得到多项式趋势项，构建自适应多项式基函数组，所述自适应多项式获取密度分布图谱并将所述密度分布图谱的概率密度值进行自适应归一化得到初始构建多尺度加权损失函数，所述多尺度加权损失函数约束项和时序平滑项，其中局部拟合误差项采用校准后的权重系数对样本误差进行加权，采用交替方向乘子法求解所述多尺度加权损失函数得到多个子优化5根据自适应核回归平滑器对修正后的趋势项进行后处理，所述构建基于重复随机抽样的不确定性估计模块，通过重复建立趋势修正效果的自适应评估机制，根据修正前后的拟合误差将场景概率分布函数、预测置信区间和密度分布图谱输入预先设置的风险评估模型基于所述风险约束条件构建多维策略搜索空间，所述多维策略搜采用蒙特卡洛树搜索方法在所述多维策略搜索空间中进行策略搜索，包括选择阶段、将所述蒙特卡洛树搜索得到的近似最优策略通过预先定义的状态一动作映述密度分布图的自适应学习率调节器更新所述优先级评分模型的超参数并结合预先设置构建设备协同控制网络，所述设备协同控制网络6在所述设备协同控制网络中引入自适应探索机制，构建基于误差基于预先设置的多目标评价体系对候选控制策略进行评估，所指标和所述设备健康度指标分别计算归一化得分，通过加权求和方式组合为综合评价指8.基于情景感知的多厨电远程控制系统，用于实现前述权利要求1_7中任一项所述的第一单元，用于采集厨房的环境数据并记录用户对厨房第二单元，用于将所述融合特征向量和所述密度分布图谱添多项式趋势项并预测长期趋势和短期波动，结合分层注意力机制确定多尺度时序依赖关第三单元，用于将所述场景概率分布函数、所述预测置信新所述优先级评分模型的超参数并结合预先设置的多目标评价体系对所述候选控制策略7其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意8行小波多分辨分解，计算每个尺度系数下的能量分布特征矩阵并对小波系数进行分层筛将所述融合特征向量和所述密度分布图谱添加至预先设置的改进的长短期记忆9行小波多分辨分解，计算每个尺度系数下的能量分布特征矩阵并对小波系数进行分层筛通过预先部署的传感器节点采集厨房的环境数据以及用户对厨房电器的历史使和第二能量阈值对所述小波系数进行筛选，删除能量值低于所述第一能量阈值的小波系度内通过最大池化提取局部特征，将所述局部特征在时间维度拼接构建多尺度特征地图，;将所述融合特征向量和所述密度分布图谱添加至预先设置的改进的长短期记忆网络最小二乘法求解多项式系数向量，所述多项式系数向量通过最小化包含样本损失项、获取密度分布图谱并将所述密度分布图谱的概率密度值进行自适应归一化得到优化问题包括权重系数优化子问题、多项式系数优化子问题和拉格朗日乘子更新子问题，通过迭代求解所述子优化问题得到修正后的多项器的窗口大小根据局部数据密度动态调整，在数据稀疏区域采用较大窗口以增强稳定性，构建基于重复随机抽样的不确定性估计模块，通过重复采样生成多个数据子集，制边界条件，结合蒙特卡洛树搜索方法求解得到候选控制策略并映射至设备控制空间包回报值，所述反向传播阶段包括将所述模拟回报值从所述新的子节点反向传播至根节点，根据所述映射关系矩阵将连续控制变量转换为离散设备状态序列，生成设备控制指令序列。新所述优先级评分模型的超参数并结合预先设置的多目标评价体系对所述候选控制策略信区间和密度分布图谱中的位置动态调整学习率，当前状态的预测置信度与学习率成反器更新所述优先级评分模型的超参数并结合预先设置的多目标评价体系对所述候选控制S1.采集厨房的环境数据并记录用户对厨房电器的历史使用数据，对所述环境数行小波多分辨分解，计算每个尺度系数下的能量分布特征矩阵并对小波系数进行分层筛通过预先部署的传感器节点采集厨房的环境数据以及用户对厨房电器的历史使和第二能量阈值对所述小波系数进行筛选，删除能量值低于所述第一能量阈值的小波系度内通过最大池化提取局部特征，将所述局部特征在时间维度拼接构建多尺度特征地图，[0020]所述数值微分是一种计算导数的数值方法，通过近似计算函数在某一点的变化到双向长短时记忆网络中。双向长短时记忆网络的前向递归神经网络提取正向时序特征，;[0031]S2.将所述融合特征向量和所述密度分布图谱添加至预先设置的改进的长短期记所述时变关联图是一种用于描述随时间变化的系统中各个元素之间关系的图结特征传播通道是指在图神经网络或其他图分析方法中，特征从节点之间传播的路径或通将所述融合特征向量和所述密度分布图谱添加至预先设置的改进的长短期记忆[0039]将净化后的环境数据作为约束条件构建设备关联图。设网络最小二乘法求解多项式系数向量，所述多项式系数向量通过最小化包含样本损失项、获取密度分布图谱并将所述密度分布图谱的概率密度值进行自适应归一化得到优化问题包括权重系数优化子问题、多项式系数优化子问题和拉格朗日乘子更新子问题，通过迭代求解所述子优化问题得到修正后的多项器的窗口大小根据局部数据密度动态调整，在数据稀疏区域采用较大窗口以增强稳定性，构建基于重复随机抽样的不确定性估计模块，通过重复采样生成多个数据子集，对于一个包含100个时间点的时间序列，假设我们使用5阶切比雪夫多项式和5阶勒让德多[0049]采用交替方向乘子法求解多尺度加权损失函数。将问题[0051]构建基于重复随机抽样的不确定性估计模块。通过重复[0054]S3.将所述场景概率分布函数置控制边界条件，结合蒙特卡洛树搜索方法求解得到候选控制策略并映射至设备控制空述优先级评分模型的超参数并结合预先设置的多目标评价体系对所述候选控制策略进行制边界条件，结合蒙特卡洛树搜索方法求解得到候选控制策略并映射至设备控制空间包回报值，所述反向传播阶段包括将所述模拟回报值从所述新的子节点反向传播至根节点，根据所述映射关系矩阵将连续控制变量转换为离散设备状态序列，生成设备控制指令序列。新所述优先级评分模型的超参数并结合预先设置的多目标评价体系对所述候选控制策略信区间和密度分布图谱中的位置动态调整学习