本发明涉及数据处理,具体而言,涉及一种智慧家居的设备管理方法及系统。
背景技术:
1、智慧家居的出现,在较大程度上提高了用户的生活便利性。其中,为了提高智慧家居的应用效果,一般需要对智慧家居进行有效的管理,例如,需要对智慧家居的状态进行监控等。但是,在现有技术中,只有在智慧家居发生故障使得难以进行工作或工作质量较低时,才能发现其状态存在异常,因此,对于智慧家居,存在着管理可靠度不高的问题。
技术实现思路
1、有鉴于此,本发明的目的在于提供一种智慧家居的设备管理方法及系统,以在一定程度上提高设备管理的可靠度。
2、为实现上述目的,本发明实施例采用如下技术方案:
3、一种智慧家居的设备管理方法,包括:
4、提取到目标智慧家居终端设备的待分析设备运行数据,所述待分析设备运行数据用于反映所述目标智慧家居终端设备的运行过程信息;
5、利用提取到的示例性设备运行数据,对搭建的第一运行数据分析神经网络进行网络优化操作,形成对应的目标运行数据分析神经网络;
6、利用预先进行网络优化形成的所述目标运行数据分析神经网络,对所述待分析设备运行数据进行异常评估操作,以输出所述待分析设备运行数据对应的异常评估结果,所述异常评估结果用于反映所述目标智慧家居终端设备在所述待分析设备运行数据对应的运行时间段的设备运行状态。
7、在一些优选的实施例中,在上述智慧家居的设备管理方法中,所述利用提取到的示例性设备运行数据,对搭建的第一运行数据分析神经网络进行网络优化操作,形成对应的目标运行数据分析神经网络的步骤,包括:
8、提取到示例性设备运行数据,并提取到所述示例性设备运行数据对应的实际设备状态信息;
9、根据所述示例性设备运行数据,利用第一运行数据分析神经网络分析出所述示例性设备运行数据对应的初始异常评估参数,以及,将所述初始异常评估参数进行参数隐藏操作,以形成所述示例性设备运行数据对应的隐藏异常评估参数,所述初始异常评估参数包括所述示例性设备运行数据的设备运行状态属于各种设备状态信息的评估系数,所述参数隐藏操作包括将所述示例性设备运行数据的设备运行状态属于各种设备状态信息的评估系数中的部分评估系数进行隐藏;
10、基于所述初始异常评估参数分析出对应的初始评估可能性参数,以及,根据所述隐藏异常评估参数分析出对应的隐藏评估可能性参数,所述初始评估可能性参数包括所述示例性设备运行数据的设备运行状态属于各种设备状态信息的评估可能性表征系数;
11、基于所述初始评估可能性参数和所述实际设备状态信息,分析出所述示例性设备运行数据对应的初始学习代价值,以及,基于所述隐藏评估可能性参数和所述实际设备状态信息,分析出所述示例性设备运行数据对应的隐藏学习代价值,所述初始学习代价值和所述隐藏学习代价值的学习代价值类别不一样;
12、依据所述初始学习代价值和所述隐藏学习代价值,对所述第一运行数据分析神经网络进行网络优化操作,形成所述第一运行数据分析神经网络对应的目标运行数据分析神经网络。
13、在一些优选的实施例中,在上述智慧家居的设备管理方法中,所述将所述初始异常评估参数进行参数隐藏操作,以形成所述示例性设备运行数据对应的隐藏异常评估参数的步骤,包括:
14、将所述示例性设备运行数据的设备状态信息属于各种设备状态信息的评估系数进行排列处理,以输出各所述评估系数的排列序号;
15、基于各所述评估系数的排列序号,将各所述评估系数进行参数隐藏操作;
16、根据进行参数隐藏操作后的各所述评估系数,形成所述隐藏异常评估参数。
17、在一些优选的实施例中,在上述智慧家居的设备管理方法中,所述基于各所述评估系数的排列序号,将各所述评估系数进行参数隐藏操作,包括:
18、基于各所述评估系数的排列序号,对排列序号最小部分的所述评估系数进行标记处理,排列序号最小部分的所述评估系数的数量或数量占比与预先配置的筛选条件匹配;
19、将标记的所述评估系数进行参数隐藏操作。
20、在一些优选的实施例中,在上述智慧家居的设备管理方法中,所述第一运行数据分析神经网络包括关键信息挖掘单元、第一信息筛选单元和参数隐藏单元;所述根据所述示例性设备运行数据,利用第一运行数据分析神经网络分析出所述示例性设备运行数据对应的初始异常评估参数,以及,将所述初始异常评估参数进行参数隐藏操作,以形成所述示例性设备运行数据对应的隐藏异常评估参数的步骤,包括:
21、利用所述关键信息挖掘单元挖掘出所述示例性设备运行数据对应的设备运行数据关键信息描述向量;
22、利用所述第一信息筛选单元,将所述设备运行数据关键信息描述向量进行第一向量参数筛选操作,以及,依据所述第一向量参数筛选操作后的所述设备运行数据关键信息描述向量,分析输出所述示例性设备运行数据对应的初始异常评估参数;
23、利用所述参数隐藏单元,将所述初始异常评估参数进行参数隐藏操作,以形成所述示例性设备运行数据对应的隐藏异常评估参数。
24、在一些优选的实施例中,在上述智慧家居的设备管理方法中,所述基于所述初始评估可能性参数和所述实际设备状态信息,分析出所述示例性设备运行数据对应的初始学习代价值的步骤,包括:
25、将所述初始评估可能性参数进行更新操作,并将所述实际设备状态信息进行更新操作,更新操作后的所述初始评估可能性参数的参数维度和更新操作后的所述实际设备状态信息的参数维度一样;
26、基于更新操作后的所述初始评估可能性参数和更新操作后的所述实际设备状态信息,分析输出对应的初始学习代价值。
27、在一些优选的实施例中,在上述智慧家居的设备管理方法中,所述第一运行数据分析神经网络还包括第二信息筛选单元;以及,所述利用提取到的示例性设备运行数据,对搭建的第一运行数据分析神经网络进行网络优化操作,形成对应的目标运行数据分析神经网络的步骤,还包括:
28、利用所述第二信息筛选单元对所述设备运行数据关键信息描述向量进行第二信息筛选操作,以及,依据第二信息筛选操作后的所述设备运行数据关键信息描述向量,分析出所述示例性设备运行数据对应的筛选评估可能性表征系数,所述第一向量参数筛选操作和所述第二信息筛选操作的信息筛选方式不一样;
29、所述依据所述初始学习代价值和所述隐藏学习代价值,对所述第一运行数据分析神经网络进行网络优化操作,形成所述第一运行数据分析神经网络对应的目标运行数据分析神经网络的步骤,包括:
30、基于所述筛选评估可能性表征系数和所述实际设备状态信息,分析出所述示例性设备运行数据对应的筛选学习代价值;
31、依据所述初始学习代价值、所述隐藏学习代价值和所述筛选学习代价值,对所述第一运行数据分析神经网络进行网络优化操作,形成所述第一运行数据分析神经网络对应的目标运行数据分析神经网络。
32、在一些优选的实施例中,在上述智慧家居的设备管理方法中,所述第一运行数据分析神经网络还包括随机失活单元;所述依据第二信息筛选操作后的所述设备运行数据关键信息描述向量,分析出所述示例性设备运行数据对应的筛选评估可能性表征系数的步骤,包括:
33、利用所述随机失活单元,将所述第二信息筛选操作后的所述设备运行数据关键信息描述向量进行随机失活操作,以及,再依据随机失活操作后的所述设备运行数据关键信息描述向量,分析输出所述示例性设备运行数据对应的筛选评估可能性表征系数。
34、在一些优选的实施例中,在上述智慧家居的设备管理方法中,所述依据所述初始学习代价值、所述隐藏学习代价值和所述筛选学习代价值,对所述第一运行数据分析神经网络进行网络优化操作,形成所述第一运行数据分析神经网络对应的目标运行数据分析神经网络的步骤,包括:
35、基于所述隐藏评估可能性参数和所述筛选评估可能性表征系数,分析输出所述示例性设备运行数据对应的对比学习代价值;
36、依据所述初始学习代价值、所述隐藏学习代价值、所述筛选学习代价值和所述对比学习代价值,对所述第一运行数据分析神经网络进行网络优化操作,形成所述第一运行数据分析神经网络对应的目标运行数据分析神经网络。
37、本发明实施例还提供一种智慧家居的设备管理系统,包括:
38、设备运行数据提取模块,用于提取到目标智慧家居终端设备的待分析设备运行数据,所述待分析设备运行数据用于反映所述目标智慧家居终端设备的运行过程信息;
39、神经网络优化模块,用于利用提取到的示例性设备运行数据,对搭建的第一运行数据分析神经网络进行网络优化操作,形成对应的目标运行数据分析神经网络;
40、设备状态异常评估模块,用于利用预先进行网络优化形成的所述目标运行数据分析神经网络,对所述待分析设备运行数据进行异常评估操作,以输出所述待分析设备运行数据对应的异常评估结果,所述异常评估结果用于反映所述目标智慧家居终端设备在所述待分析设备运行数据对应的运行时间段的设备运行状态。
41、本发明实施例提供的一种智慧家居的设备管理方法及系统,可以提取到目标智慧家居终端设备的待分析设备运行数据,待分析设备运行数据用于反映目标智慧家居终端设备的运行过程信息;利用提取到的示例性设备运行数据,对第一运行数据分析神经网络进行网络优化操作,形成目标运行数据分析神经网络;利用预先进行网络优化形成的目标运行数据分析神经网络,对待分析设备运行数据进行异常评估操作,以输出待分析设备运行数据对应的异常评估结果,异常评估结果用于反映目标智慧家居终端设备在待分析设备运行数据对应的运行时间段的设备运行状态。基于前述的方法,由于是通过目标运行数据分析神经网络对目标智慧家居终端设备的待分析设备运行数据进行异常评估,使得相较于现有技术中只能在设备发生故障难以进行工作时才能确定出目标智慧家居终端设备的异常状态的技术方案,可以在一定程度上提高设备管理的可靠度。
42、为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。