[發明專利]一種基于LSTM的智能家居機器學習系統設計方法

在審

• 申請號: 201810315864.0
• 申請日: 2018-04-10
• 公開（公告）號: CN108710947A
• 公開（公告）日: 2018-10-26
• 發明（設計）人: 包曉安;徐海;常浩浩;張娜
• 申請（專利權）人: 杭州善居科技有限公司
• 主分類號: G06N99/00
• 分類號: G06N99/00;G06N3/04;G01D21/02
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 鄭海峰

1.一種基于LSTM的智能家居機器學習系統設計方法，其特征在于包括如下步驟：

S10：傳感器采集家庭環境數據，采集完成之后，進行歸一化處理，其中環境數據作為輸入，家庭內智能家居設備狀態作為輸出，生成訓練集、測試集和驗證集；

S20：在標準LSTM神經網絡的基礎上進行改進LSTM神經網絡；

LSTM變體采用三個神經網絡層，采用耦合的“遺忘門”和“輸入門”，并為“輸入門”和“輸出門”層添加“窺視孔”，使上一時刻神經網絡模塊的輸出單元和記憶單元的狀態信息以及當前時刻的輸入單元，共同決定當前時刻記憶單元狀態信息的更新；

S30：構建機器學習系統基準預測模型；

基于上述LSTM變體構建LSTM神經網絡，采用批梯度下降算法作為優化算法，訓練集訓練LSTM神經網絡，將訓練完成后的神經網絡模型作為機器學習系統的基準預測模型；

S40：構建智能家居機器學習系統，以家庭單位作為預測節點，實現多節點預測和預測模型的自更新。

2.根據權利要求1所述的基于LSTM的智能家居機器學習系統設計方法，其特征在于：所述的步驟S10具體為：

A1.在智能家居樣板房內部署紅外傳感器、光照傳感器、室內室外溫度傳感器、室內室外濕度傳感器、室外風速傳感器、室外雨量傳感器，利用傳感器控制模塊對部署的傳感器進行30s時間間隔的定時采樣，同時對樣板房內各個智能家居設備的狀態進行同步采樣，以環境數據作為輸入，設備狀態數據作為輸出，對一年內的采樣數據進行保存；

A2.對上述采樣數據按照采樣時間戳進行歸一化處理，歸一化處理之后的數據集按照交叉驗證法劃分為訓練集、測試集和驗證集，交叉驗證法是預先將數據集D劃分為n個尺寸相同的子集，即D＝D₁∪D₂∪…∪D_n，利用分層抽樣的方法保證每個子集樣本分布的一致性，則訓練集為n-1個子集的并集，測試集為余下的子集。

3.根據權利要求1所述的基于LSTM的智能家居機器學習系統設計方法，其特征在于：所述步驟S20具體為：

B1、LSTM變體只有3個神經網絡層，包括1個tanh層和2個sigmoid層，并且采用耦合式的“遺忘門”層和“輸入門”層，即由“遺忘門”和“輸入門”共同決定“記憶細胞”的更新，在“輸入門”和“輸出門”層之間添加“窺視孔”，即由上一時刻神經網絡模塊的輸出和當前時刻“記憶細胞”的狀態共同決定當前時刻神經網絡模塊的輸出；

B2、LSTM變體“遺忘門”層的輸入由前一時刻神經網絡模塊的輸出H_t-1、前一時刻“記憶細胞”的狀態C_t-1以及當前“記憶細胞”的輸入X_t組成，分別用b_f，f_t，W_f表示“遺忘門”神經網絡層的偏移量，輸出向量和權重，則“遺忘門”層的輸出向量f_t為：

f_t＝σ(W_f·[C_t-1,H_t-1,X_t]+b_f)

設為tanh神經網絡層的輸出，代表將被注入“記憶細胞”的信息，用b_c，W_c分別表示tanh神經網絡層的偏移量和權重，則本文LSTM變體中，tanh神經網絡層輸出的表示為：

神經網絡模塊中代表“記憶細胞”狀態的向量用C_t表示，則C_t表示為：

用O_t表示“輸出門”sigmoid神經網絡層的輸出向量，分別用b_o，W_o表示該神經網絡層的偏移量和權重，則O_t的表示為：

O_t＝σ(W_o·[H_t-1,X_t]+b_o)

LSTM變體在“輸出門”層添加了“窺視孔”，該“窺視孔”輸入的向量是當前“記憶細胞”的狀態向量C_t，添加“窺視孔”之后，“輸出門”sigmoid神經網絡層的輸入由3個分量組成，這三個分量分別是當前時刻神經網絡模塊的輸入X_t，前一時刻神經網絡模塊的輸出H_t-1和當前時刻“記憶細胞”的狀態C_t，則當前神經網絡模塊的輸出向量H_t的表示為：

H_t＝σ(W_o·[C_t,H_t-1,X_t]+b_o)

根據以上LSTM變體的實現，構建LSTM神經網絡。