智能设备及其除雾方法、设备及介质与流程

1.本发明涉及智能穿戴设备技术领域，具体而言，涉及一种智能设备除雾方法、设备及介质。


背景技术：

2.智能设备如眼镜、手套、手表、项链、服饰等智能穿戴设备，极大地方便了人们的生活，但是现有的智能设备在实际使用的过程中还是存在一些不足，比如现有的智能眼镜在瞬间温度变化较大的时候，镜片上会出现雾气，雾气会遮蔽镜片，阻挡了使用者的视线，影响使用者的正常生活。
3.目前为了解决眼镜起雾常采用对眼镜镜片喷涂防雾剂的方法，但多次喷涂防雾剂后，镜片容易模糊；或通过加热镜片手段进行除雾，但是现有技术中的加热是在镜片起雾后对镜片进行加热处理。此时镜片已经起雾造成视线模糊，仍然会影响使用者的生活。
4.相应地，本领域需要一种新的智能设备除雾方案来解决上述问题。


技术实现要素：

5.为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决对智能设备除雾效果不理想的问题的智能设备及其除雾方法、设备及介质。
6.在第一方面，提供一种智能设备除雾方法，方法包括：
7.接收当前用户的位置发生改变之后的位置、环境温度、时间和当前用户的身份信息；
8.根据身份信息，获取与当前用户匹配的预加热预测模型；
9.采用预加热预测模型，根据当前用户的位置发生改变之后的位置、环境温度和时间，预测当前用户是否有对智能设备进行预加热的需求；
10.若是，则向智能设备发送第一加热指令，以使智能设备根据第一加热指令对智能设备进行加热；若否，则不向所述智能设备发送第一加热指令。
11.在上述智能设备除雾方法的一个技术方案中，在“向智能设备发送第一加热指令，以使智能设备根据第一加热指令对智能设备进行加热”的步骤之后，所述方法还包括通过下列方式对预加热预测模型进行模型优化：
12.在智能设备根据第一加热指令对智能设备进行加热之后，获取当前用户针对本次预加热的评分分值，其中，评分分值与当前用户对本次预加热的满意程度成正相关关系；根据评分分值并使用当前用户的位置发生改变之后的位置、环境温度和时间，对预加热预测模型进行模型训练，以实现对预加热预测模型进行模型优化；
13.和/或，
14.预加热预测模型是基于当前用户的智能设备的历史加热数据训练得到的，其中，所述历史加热数据包括对所述当前用户的智能设备进行加热时所述当前用户的位置、环境温度和时间。
15.在上述智能设备除雾方法的一个技术方案中，在“根据评分分值并使用当前用户的位置发生改变之后的位置、环境温度和时间，对预加热预测模型进行模型训练，以实现对预加热预测模型进行模型优化”的步骤具体包括：
16.将当前用户的位置发生改变之后的位置、环境温度和时间作为一组训练样本；
17.根据评分分值，确定训练样本的样本类型，其中，样本类型包括正样本和负样本；
18.根据样本类型，设定训练样本的样本标签，其中，若样本类型是正样本则样本标签是有对智能设备进行预加热的需求，若样本类型是负样本则样本标签是没有对智能设备进行预加热的需求；
19.根据训练样本与样本标签，对预加热预测模型进行模型训练，以实现对预加热预测模型进行模型优化。
20.在上述智能设备除雾方法的一个技术方案中，在“根据评分分值确定，训练样本的样本类型”的步骤具体包括：
21.对评分分值与预设的分值阈值进行比较；
22.若评分分值大于等于的分值阈值，则确定训练样本的样本类型是正样本；
23.若评分分值小于预设的分值阈值，则确定训练样本的样本类型是负样本。
24.在上述智能设备除雾方法的一个技术方案中，智能设备与用户的终端设备通信连接，“在智能设备根据第一加热指令对智能设备进行加热之后，获取当前用户针对本次预加热的评分分值”的步骤具体包括：
25.在智能设备根据第一加热指令对智能设备进行加热之后，通过终端设备输出用于提示当前用户针对本次预加热进行评分的第一提示信息；
26.接收针对第一提示信息的第一反馈信息，根据第一反馈信息获取当前用户针对本次预加热的评分分值。
27.在上述智能设备除雾方法的一个技术方案中，智能设备与用户的终端设备通信连接，“向智能设备发送第一加热指令，以使智能设备根据第一加热指令对智能设备进行加热”的步骤具体包括：
28.通过终端设备向智能设备发送第一加热指令，以使智能设备根据第一加热指令对智能设备进行加热；
29.和/或，
30.智能设备与用户的终端设备通信连接，所述方法还包括：
31.通过终端设备获取当前用户的智能设备的历史加热数据；
32.其中，终端设备被配置成执行下列操作：
33.接收智能设备采集到的智能设备温度变化数值，并在智能设备温度变化数值大于预设温度阈值时输出用于提示用户是否对智能设备进行加热的第二提示信息；
34.接收针对第二提示信息的第二反馈信息；
35.若第二反馈信息是进行加热，则向智能设备发送第二加热指令，以使智能设备根据第二加热指令对智能设备进行加热并输出对当前用户的智能设备进行加热时当前用户的位置、环境温度和时间作为历史加热数据；
36.若第二反馈信息是不进行加热，则不向智能设备发送第二加热指令。
37.在第二方面，提供一种计算机设备，该计算机设备包括处理器和存储装置，所述存
储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述智能设备除雾方法的技术方案中任一项技术方案所述的智能设备除雾方法。
38.在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述智能设备除雾方法的技术方案中任一项技术方案所述的智能设备除雾方法。
39.在第四方面，提供一种智能设备，该智能设备与用户的终端设备通信连接，终端设备与上述计算机设备的技术方案所述的计算机设备通信连接；
40.智能设备被配置成通过终端设备接收计算机设备下发的第一加热指令或终端设备发送的第二加热指令，并根据第一加热指令或第二加热指令对智能设备进行加热。
41.在上述智能设备除雾方法的一个技术方案中，上述智能设备是眼镜，眼镜的镜框内设置有通信模块和温度传感器，眼镜的镜片上设置有透明加热丝；
42.通信模块被配置成与终端设备进行通信连接；
43.温度传感器被配置成采集眼镜的镜片温度；
44.透明加热丝被配置成对眼镜的镜片进行加热。
45.本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：在实施本发明的技术方案中，可以接收当前用户的位置发生改变之后的位置、环境温度、时间和当前用户的身份信息，进而根据身份信息获取与当前用户匹配的预加热预测模型；采用预加热预测模型，根据当前用户的位置发生改变之后的位置、环境温度和时间，预测当前用户是否有对智能设备进行预加热的需求；若是，则向智能设备发送第一加热指令，以使智能设备根据第一加热指令对智能设备进行加热；若否，则不向智能设备发送第一加热指令。
46.当用户的位置发生改变比如由一个空间进入到另一个空间后，就可以通过预加热预测模型根据用户的位置发生改变之后的位置、环境温度和时间，预测用户是否有对智能设备进行加热的需求；如果预测出有加热需求，则向智能设备发送第一加热指令，对智能设备进行加热控制，防止智能设备产生雾气，实现了在用户无感知的情况下对智能设备的除雾控制。
47.在实施本发明的另一个技术方案中，预加热预测模型可以是基于当前用户的智能设备的历史加热数据训练得到的，其中，历史加热数据包括对所述当前用户的智能设备进行加热时所述当前用户的位置、环境温度和时间。
48.由于预加热预测模型是基于当前用户的智能设备的历史加热数据训练得到的，因而，预加热预测模型能够根据历史加热数据学习到当前用户对智能设备加热的加热习惯，并根据加热习惯预测出当前用户是否有对智能设备进行加热的需求，显著提高了加热需求的预测准确性。
49.在实施本发明的另一个技术方案中，还可以在智能设备根据第一加热指令对智能设备进行加热之后，获取当前用户针对本次预加热的评分分值，其中，评分分值与当前用户对本次预加热的满意程度成正相关关系；根据评分分值并使用当前用户的位置发生改变之后的位置、环境温度和时间，对预加热预测模型进行模型训练，以实现对预加热预测模型进行模型优化。
50.由于用户针对预加热的评分分值能够在一定程度上真实地反映用户是否有对智能设备加热的需求，因而根据用户针对预加热的评分分值并使用用户的位置发生改变之后
的位置、环境温度和时间，重新对预加热预测模型进行模型训练，可以进一步提高预加热预测模型的预测准确性。
附图说明
51.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
52.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
53.图1是本发明的一个实施例的智能设备除雾方法的硬件环境示意图；
54.图2是本发明的一个实施例的智能设备除雾方法的主要步骤流程示意图；
55.图3是本发明的一个实施例的对预加热预测模型进行模型优化的方法的主要步骤流程示意图；
56.图4是本发明的一个实施例的获取当前用户针对本次预加热的评分分值的方法的主要步骤流程示意图。
具体实施方式
57.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
58.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”以及他的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
59.下面对本发明提供的智能设备除雾方法实施例进行说明。
60.首先参阅附图1，在根据本发明的智能设备除雾方法实施例中，智能设备除雾方法可以应用于图1所示的由智能设备(如图1所示的眼镜100)、终端设备102和服务器104所构成的硬件环境中。如图1所示，服务器104通过网络与终端设备102进行连接，可用于为终端设备102或终端设备102上安装的客户端提供服务(如应用服务等)，可在服务器104上或独立于服务器104设置数据库，用于为服务器104提供数据存储服务，可在服务器104上或独立于服务器104配置云计算和/或边缘计算服务，用于为服务器104提供数据运算服务。此外，智能设备100也可以通过网络与终端设备102连接(图1未示出)。
61.上述网络可以包括但不限于以下至少之一：有线网络，无线网络。上述有线网络可以包括但不限于以下至少之一：广域网，城域网，局域网，上述无线网络可以包括但不限于
以下至少之一：wifi(wirelessfidelity，无线保真)，蓝牙。终端设备102可以并不限定于为pc、手机、平板电脑、手表。
62.继续参阅附图2，图2是根据本发明的一个实施例的智能设备除雾方法的主要步骤流程示意图。如图2所示，本发明实施例中的智能设备除雾方法主要包括下列步骤s101至步骤s104。
63.步骤s101：接收当前用户的位置发生改变之后的位置、环境温度、时间和当前用户的身份信息。
64.当前用户的位置是指用户的地理位置(geographicalposition)，在本发明实施例中可以采用地理围栏技术(geo-fencing)对预设的区域范围进行网格化，形成多个地理区域，当用户由一个地理区域移动至另一个地理区域时则可以判定用户的位置发生了改变。在本发明实施例中可以采用定位技术领域中常规的定位方法对用户进行定位，以判断用户是否由一个地理区域移动至另一个地理区域，本发明实施例不对定位方法的类型作具体限定。在一些优选实施方式中，可以利用当前用户的终端设备对用户进行定位。具体地，终端设备内设置有用于对终端设备进行定位的定位模块，利用这个定位模块进行定位，将定位得到的位置作为用户的位置。需要说明的是，虽然本发明实施例仅提供了上述一种确定用户的位置以及判断用户的位置是否发生改变的具体实施方式，但是本领域技术人员能够理解的是，在不偏离本发明的技术原理的前提下，本领域技术人员可以采用其他的位置确定与判断方法来确定用户的位置以及判断用户的位置是否发生改变，这些对确定用户的位置以及判断用户的位置是否发生改变的方法进行更改或替换后的技术方案仍然落入本发明的保护范围之内。此外，还需要说明的是，本领域技术人员可以根据实际需求灵活设置上述预设的区域范围的具体范围、地理区域的数量和大小，本发明实施例同样对此不进行具体限定。
65.当前用户的位置发生改变之后的时间是指位置发生改变时的时刻，而并非是位置发生改变消耗的时长。
66.当前用户的身份信息是指能够唯一表明当前用户是哪一个用户的标识信息。在本发明实施例中当前用户的身份信息包括但不限于当前用户的手机号和当前用户拥有的智能设备的编号等。
67.如果当前用户的位置发生改变，表明当前用户由一个地理区域移动到了另一个地理区域，而地理区域的改变往往伴随着环境温度的改变，由于智能设备(比如眼镜)的温度不会随着环境温度立刻发生改变，智能设备的温度与环境温度会产生较大的温差，进而导致智能设备的外表面和/或内表面上会产生雾气，影响用户的体验。对此，本发明实施例可以在用户的位置发生改变后根据改变后的位置、环境温度和时间等信息来预测用户是否有加热智能设备的需求，进而根据预测结果对智能设备进行加热控制，提高用户的使用体验。
68.步骤s102：根据身份信息，获取与当前用户匹配的预加热预测模型。
69.在本发明实施例中可以分别为每个用户设置不同的预加热预测模型，为了便于调取不同用户的预加热预测模型，可以将每个用户的身份信息与每个用户的预加热预测模型进行关联，这样当需要调用某个用户的预加热预测模型时只需要根据这个用户的身份信息就可以快速调取到相应的预加热预测模型。
70.步骤s103：采用预加热预测模型，根据当前用户的位置发生改变之后的位置、环境
温度和时间，预测当前用户是否有对智能设备进行预加热的需求，若是，则执行步骤s104；若否，则步骤执行s105。
71.由于预加热预测模型是采用当前用户的智能设备的历史加热数据训练得到的，其学习到了当前用户对智能设备加热的加热习惯，因而通过预加热预测模型得到的预测结果(当前用户是否有对智能设备进行预加热的需求)是符合当前用户加热习惯的预测结果，会更加符合当前用户的加热意图。
72.步骤s104：向智能设备发送第一加热指令，以使智能设备根据第一加热指令对智能设备进行加热。
73.步骤s105：不向智能设备发送第一加热指令，即不对智能设备进行加热。
74.基于上述步骤s101至步骤s104所述的方法，通过采用用户历史加热数据训练预加热预测模型，可以得到针对当前用户的个性化的预加热预测模型，将用户位置改变后的位置、环境温度和时间输入预加热预测模型，可以实现根据用户历史加热数据智能预测当前用户是否需要预加热智能设备进行除雾，而无需等到智能设备起雾后才进行除雾，实现了对智能设备进行除雾的无感操作，显著提高了智能设备除雾效果。
75.在根据本发明的一个实施例中，与当前用户匹配的预加热预测模型是基于当前用户的智能设备的历史加热数据训练得到的，其中，历史加热数据包括对当前用户的智能设备进行加热时当前用户的位置、环境温度和时间。
76.采用当前用户的智能设备的历史加热数据训练预加热预测模型，可以使预加热预测模型学习到当前用户对智能设备加热的加热习惯，从而就能够根据学习到的加热习惯更加准确性预测出是否要对当前用户的智能设备进行预加热。
77.需要说明的是，在本发明实施例中可以采用机器学习技术领域中常规的分类模型来构建预加热预测模型，同时也可以采用常规的模型训练方法使用历史加热数据进行模型训练得到预加热预测模型。
78.例如，可以将历史加热数据输入到待训练模型得到待训练模型的预测结果，然后根据预测结果计算待训练模型的损失值，根据损失值计算待训练模型的模型参数的梯度，根据模型参数的梯度反向传播更新模型参数，从而完成一次迭代训练。当损失值小于预设损失阈值或者迭代训练的次数达到预设的次数阈值后，停止模型训练，将训练好的待训练模型作为预加热预测模型。
79.下面对本发明实施例中获取用户的智能设备的历史加热数据的方法进行说明。
80.在根据本发明的一个实施例中，用户的智能设备与终端设备可以通信连接，同时终端设备可以记录并输出智能设备的历史加热数据，因而，在本实施例中可以通过用户的终端设备来获取智能设备的历史加热数据，进而使用这些历史加热数据训练预加热预测模型。具体而言，在本实施例中终端设备可以被配置成执行下列步骤11至步骤14对智能设备进行加热控制、记录并输出智能设备的历史加热数据。
81.步骤11：接收智能设备采集到的智能设备温度变化数值，并在智能设备温度变化数值大于预设温度阈值时输出用于提示用户是否对智能设备进行加热的第二提示信息。
82.预设温度阈值为智能设备出现起雾现象的温度变化值，其数值可以根据智能设备用户的地理位置和使用环境等因素进行针对性设置。在智能设备变化温度数值大于预设温度阈值时，代表用户的智能设备有出现起雾现象的可能性。此时需要向用户确认，是否需要
对智能设备进行加热，以防止智能设备起雾。第二提示信息可以通过安装在终端设备的软件进行展示，用来询问用户是否需要对智能设备进行加热。
83.步骤12：接收针对第二提示信息的第二反馈信息；若第二反馈信息是进行加热，转至步骤13；若第二反馈信息是不进行加热，则转至步骤14。
84.步骤13：向智能设备发送第二加热指令，以使智能设备根据所述第二加热指令对智能设备进行加热并输出对当前用户的智能设备进行加热时当前用户的位置、环境温度和时间作为历史加热数据。
85.步骤14：不向智能设备发送第二加热指令，即不对智能设备进行加热控制，此时也不会产生历史加热数据。
86.作为示例，本发明的一个实施例将预设温度阈值设置为4摄氏度，终端设备在接收到智能设备温度变化超过4摄氏度时，通过安装的软件向用户确认，此时是否需要对智能设备进行加热，若用户选择加热，则向智能设备发送第二加热指令，对智能设备进行加热，以防止智能设备出现起雾的现象。同时记录并向服务器发送当前用户的智能设备进行加热时用户的位置、环境温度和时间作为历史加热数据。
87.由于温度变化大于预设温度阈值的情况下，极易出现智能设备起雾的现象，通过判断智能设备温度变化是否大于预设温度阈值来向用户发送是否对智能设备进行加热的第二提示信息，使用户可以在智能设备温度变化大于预设温度阈值时，确定是否需要对智能设备进行加热，进一步降低了对是否需要对智能设备进行加热的判断时间，避免了智能设备起雾。在用户确定对智能设备进行加热后，向服务器发送此次加热时用户的位置、环境温度和时间，将此次加热数据加入训练集，便于后续对预加热预测模型进行进一步训练，使预加热预测模型能够根据用户的使用习惯进行调整，从而提高智能设备除雾的效果。
88.以上是获取用户的智能设备的历史加热数据的方法，下面结合附图3至附图4对本发明提供的另一个智能设备除雾方法实施例进行说明。
89.参阅附图3，在根据本发明的另一个智能设备除雾方法实施例中，该智能设备除雾方法除了可以包括前述方法实施例中的步骤s101-步骤s105，该智能设备除雾方法在执行完步骤s104之后，还可以通过下列步骤s201至步骤s202对预加热预测模型进行模型优化。
90.步骤s201：在智能设备根据第一加热指令对智能设备进行加热之后，获取当前用户针对本次预加热的评分分值，其中，评分分值与当前用户对本次预加热的满意程度成正相关关系。
91.用户对本次预加热的满意度越高，用户对本次预加热的评分分值也越高，反之，评分越低。作为示例，评分分值从1-10，1代表用户在此时不需要对智能设备进行加热，用户对此次预加热很不满意，10代表用户在此时需要对智能设备进行加热，用户对此次预加热非常满意。
92.在一些实施方式中，如图4所示，可以通过下列步骤s2011至步骤s2012来获取当前用户针对本次预加热的评分分值。
93.步骤s2011：在智能设备根据第一加热指令对智能设备进行加热之后，通过终端设备输出用于提示当前用户针对本次预加热进行评分的第一提示信息。
94.步骤s2012：接收针对第一提示信息的第一反馈信息，根据第一反馈信息获取当前用户针对本次预加热的评分分值。
95.反馈信息即包含用户针对本次预加热评分的信息，作为示例，终端设备为手机，第一提示信息通过安装在手机上的软件进行展示，在智能设备根据指令进行加热后，手机上的软件提示用户对此加热进行评分，用户可以通过键盘输入数字或点击屏幕的分数对应的按钮完成打分。手机接收用户对此次加热进行的评分，并将评分作为反馈信息向外发送。
96.通过上述步骤s2011至步骤s2012所述的方法，通过终端设备输出提示信息，可以提示用户对本次预加热进行评分，由于终端设备为用户携带的设备，采用步骤s2011至步骤s2012所述的方法可以方便快捷地向用户输出提示信息并获取用户对本次预加热的反馈信息。
97.步骤s202：根据评分分值并使用当前用户的位置发生改变之后的位置、环境温度和时间，对预加热预测模型进行模型训练，以实现对预加热预测模型进行模型优化。
98.通过接收用户对预加热的评分，可以确定用户对此次加热的满意度，即用户是否需要在当次加热的位置、加热时的环境温度与时间进行加热。将预加热预测模型根据用户对加热的满意度进行对应强化，能够提高预加热预测模型对是否需要对智能设备进行预加热判断的准确度。
99.在上述步骤s202的一些实施方式中，可以通过下列步骤s2021至步骤s2024，对预加热预测模型进行模型训练，以实现对预加热预测模型进行模型优化。
100.步骤s2021：将当前用户的位置发生改变之后的位置、环境温度和时间作为一组训练样本。
101.步骤s2022：根据评分分值，确定训练样本的样本类型，其中，样本类型包括正样本和负样本。
102.根据前述步骤s201可知，评分分值与当前用户对本次预加热的满意程度成正相关关系，因而使用评分分析对训练样本进行分类，能够提高训练样本的准确性，进而提高对预加热预测模型进行模型优化的优化效果。
103.在一些实施方式中，可以根据评分分值并通过下列步骤21至步骤23确定训练样本的样本类型：
104.步骤21：对评分分值与预设的分值阈值进行比较；若评分分值大于等于预设的分值阈值，则转至步骤22；若评分分值小于预设的分值阈值，则转至步骤23。
105.步骤22：确定训练样本的样本类型是正样本。
106.若用户对本次预加热的评分分值大于等于预设的分值阈值，代表用户对智能设备进行预加热有需求，将该训练样本作为正样本加入训练集。
107.步骤23：确定训练样本的样本类型是负样本。
108.若用户对本次预加热的评分分值小于预设的分值阈值，代表用户对智能设备进行预加热没有需求，将该训练样本作为负样本加入训练集。
109.作为示例，预设的分值阈值为5分，用户对本次预加热的评分分值为9分，用户对本次预加热的评分大于等于5分，代表用户对智能设备预加热有需求。用户对本次预加热满意，希望再出现与本次位置、环境温度和时间相似的条件时，对智能设备进行预加热。
110.通过上述步骤21至步骤23所述的方法，将训练样本根据用户对智能设备是否有加热需求划分为正样本与负样本，使训练集包含的训练样本既包含用户对智能设备进行预加热有需求的类型，也包括用户对智能设备进行预加热没有需求的类型，训练集的样本更加
全面。
111.步骤s2023：根据样本类型，设定训练样本的样本标签，其中，若样本类型是正样本则样本标签是有对智能设备进行预加热的需求，若样本类型是负样本则样本标签是没有对智能设备进行预加热的需求。
112.步骤s2024：根据训练样本与样本标签，对预加热预测模型进行模型训练，以实现对预加热预测模型进行模型优化。
113.通过上述步骤s2021至步骤s2024所述的方法，将样本分为正样本与负样本，使训练集包含的样本类型更加全面，采用加入负样本的训练集对预加热预测模型进行训练，加快了模型收敛速度，降低训练的时间，提高了对模型的训练效率。采用用户进行评分后的样本对模型进行优化，模型更符合用户的使用习惯，对用户而言，模型对预加热的需求预测结果更加准确，除雾效果更佳。
114.以上是对预加热预测模型进行模型优化的方法的说明。
115.需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
116.本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
117.进一步，本发明还提供了一种计算机设备，在根据本发明的一个计算机设备实施例中，计算机设备包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的智能设备除雾方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的智能设备除雾方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机设备可以是包括各种电子设备形成的控制装置设备。
118.进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的智能设备除雾方法的程序，该程序可以由处理器加载并运行以实现上述智能设备除雾方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
119.进一步，本发明还提供了一种智能设备，在根据本发明的一个智能设备实施例中，
智能设备可以与用户的终端设备通信连接，终端设备与前述计算机设备实施例所述的计算机设备通信连接。
120.在本实施例中智能设备可以被配置成通过终端设备接收计算机设备下发的第一加热指令或终端设备发送的第二加热指令，并根据第一加热指令或第二加热指令对智能设备进行加热。
121.在一些实施方式中，智能设备是眼镜，眼镜的镜框内设置有通信模块和温度传感器，眼镜的镜片上设置有透明加热丝；通信模块可以被配置成与终端设备进行通信连接；温度传感器可以被配置成采集眼镜的镜片温度；透明加热丝可以被配置成对眼镜的镜片进行加热。
122.温度传感器可为接触式或非接触式，传感器材料及电子元件特性可以为热电阻式或热电偶式。温度传感器为可以采集眼镜镜片温度的电子元件，具体元件结构本发明不做限制。
123.通信模块可以是具备无线通信能力的通信模块，其可以与终端设备建立通信连接。在本发明实施例中通信模块包括但不限于蓝牙模块。
124.通过在镜片上设置透明加热丝可以实现在不影响用户视线前提下对镜片加热，通过提高镜片温度，降低镜片与环境的温差，从而避免起雾，温度传感器可以实时检测眼镜镜片的温度，并通过通信模块发出包含镜片的温度的信息。
125.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。