一种具有情感识别功能的智能家居的制作方法

一种具有情感识别功能的智能家居的制作方法
【专利摘要】本发明提供了一种具有情感识别功能的智能家居，其特征是，包括智能家居设备和控制智能家居设备运作的智能控制系统，所述智能家居设备包括：移动终端、智能家居服务器集群、无线路由器、智能家居网关、第一智能家居硬件以及多个第二智能家居硬件。本发明通过引入数据透传技术，能够将使用不同物联网通信协议的智能家居硬件共融于一个智能家居系统里，还能够对挂载于智能网关下的智能家居硬件与无线路由器直连的智能家居硬件进行交互，兼容性大幅提高，扩大了智能家居系统的硬件规模。
【专利说明】
-种具有情感识别功能的智能家居
技术领域
[0001] 本发明设及智能家居设计领域，具体设及一种具有情感识别功能的智能家居。
【背景技术】
[0002] 相关技术中，智能家居的控制操作方式通常有用户登录手机、电脑对家中的智能 设备发送指令，然后由智能设备执行相应用户指令。上述智能家居的控制操作需要获取明 确的用户指令，操控方法智能化程度不足，无法实现自动对智能设备进行操作，且未真正的 实现智能化，无法处理用户较为模糊的指令，无法检测用户的屯、情和感受。
[0003] 情感在人们相互交际过程中起着极其重要的作用。借助情感表达所伴随着的外在 表现信息，如情感化的语音信号或面部表情，人们可W很方便地相互沟通、相互了解。对于 人类情感方面的研究，一直是生理学、神经学、屯、理学等领域的重要研究方向，近几年来倍 受工程领域研究者的关注。当前，对于单模态情感研究较多，但是对于多模态情感融合的研 究较为有限。

【发明内容】

[0004] 针对上述问题，本发明提供一种具有情感识别功能的智能家居。
[0005] 本发明的目的采用W下技术方案来实现：
[0006] -种具有情感识别功能的智能家居，其特征是，包括智能家居设备和控制智能家 居设备运作的智能控制系统，所述智能家居设备包括:移动终端、智能家居服务器集群、无 线路由器、智能家居网关、第一智能家居硬件W及多个第二智能家居硬件;所述移动终端通 过互联网与所述智能家居服务器集群进行通信;所述智能家居服务器集群包括多个功能服 务器;所述智能家居网关的一侧通过无线网络连接所述无线路由器，实现与所述智能家居 服务器集群的数据交互;另一侧通过多种不同物联网通信协议分别与各所述第二智能家居 硬件相连接;所述第一智能家居硬件通过无线网络直接与所述无线路由器相连;所述智能 家居网关支持不同物联网通信协议的第二智能家居硬件之间、所述第一智能家居硬件W及 所述第二智能家居硬件之间的消息转换，所述智能家居网关所辖的第二智能家居硬件通过 所述智能家居网关和所述无线路由器与所述第一智能家居硬件实现数据交互。
[0007] 优选地，所述第一智能家居硬件包括:通过ZigBee通信协议、Z-Wave、化read通信 协议、蓝牙或自定义通信协议接入所述智能家居网关的多个智能家居硬件。
[000引优选地，所述移动终端通过APP访问或加载化ml5页面与所述智能家居服务器集群 进行通信。
[0009] 本发明的有益效果为：
[0010] 本发明通过引入数据透传技术，能够将使用不同物联网通信协议的智能家居硬件 共融于一个智能家居系统里，还能够对挂载于智能网关下的智能家居硬件与无线路由器直 连的智能家居硬件进行交互，兼容性大幅提高，扩大了智能家居系统的硬件规模。
【附图说明】
[0011] 利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限 审IJ，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可W根据W下附图获得 其它的附图。
[0012] 图1是本发明智能家居设备的结构示意图；
[0013] 图2是本发明智能控制系统的结构示意图。
[0014] 附图标记：
[0015] 语音情感识别处理模块1、表情情感识别处理模块2、多模态情感融合识别处理模 块3、控制模块4、声学特征提取子模块11、声学特征降维子模块12、语音情感分类处理子模 块13、表情特征提取子模块21、表情特征降维子模块22、表情情感分类处理子模块23。
【具体实施方式】
[0016] 结合W下实施例对本发明作进一步描述。
[0017] 应用场景1
[0018] 参见图1、图2,本应用场景中的一个实施例的一种具有情感识别功能的智能家居， 其特征是，包括智能家居设备和控制智能家居设备运作的智能控制系统，所述智能家居设 备包括:移动终端、智能家居服务器集群、无线路由器、智能家居网关、第一智能家居硬件W 及多个第二智能家居硬件;所述移动终端通过互联网与所述智能家居服务器集群进行通 信;所述智能家居服务器集群包括多个功能服务器;所述智能家居网关的一侧通过无线网 络连接所述无线路由器，实现与所述智能家居服务器集群的数据交互；另一侧通过多种不 同物联网通信协议分别与各所述第二智能家居硬件相连接;所述第一智能家居硬件通过无 线网络直接与所述无线路由器相连;所述智能家居网关支持不同物联网通信协议的第二智 能家居硬件之间、所述第一智能家居硬件W及所述第二智能家居硬件之间的消息转换，所 述智能家居网关所辖的第二智能家居硬件通过所述智能家居网关和所述无线路由器与所 述第一智能家居硬件实现数据交互。
[0019] 优选地，所述第一智能家居硬件包括:通过ZigBee通信协议、Z-Wave、化read通信 协议、蓝牙或自定义通信协议接入所述智能家居网关的多个智能家居硬件。
[0020] 本优选实施例通过引入数据透传技术，能够将使用不同物联网通信协议的智能家 居硬件共融于一个智能家居系统里，还能够对挂载于智能网关下的智能家居硬件与无线路 由器直连的智能家居硬件进行交互，兼容性大幅提高，扩大了智能家居系统的硬件规模。
[0021] 优选地，所述移动终端通过APP访问或加载化ml5页面与所述智能家居服务器集群 进行通信。
[0022] 本优选实施例加快了通信速度。
[0023] 优选地，所述智能控制系统包括语音情感识别处理模块1、表情情感识别处理模块 2、多模态情感融合识别处理模块3和控制模块4:
[0024] (1)语音情感识别处理模块1，用于获取用户的语音信号，并对语音信号进行处理， 最终输出语音情感识别结果，其包括声学特征提取子模块11、声学特征降维子模块12和语 音情感分类处理子模块13;所述声学特征提取子模块11用于提取声学特征数据;所述声学 特征降维子模块12用于采用改进的局部线性嵌入方法对所述声学特征数据进行降维处理； 所述语音情感分类处理子模块13用于采用已训练好的支持向量机作为语音情感识别分类 器，对降维后的声学特征数据进行情感识别并输出语音情感识别结果，支持向量机的核函 数采用高斯核函数；
[0025] (2)表情情感识别处理模块2,用于获取用户的表情图像，并对表情图像特征进行 处理，最终生成表情情感识别结果，其包括表情特征提取子模块21、表情特征降维子模块22 和表情情感分类处理子模块23;所述表情特征提取子模块21用于采用自适应二维Gabor小 波变换方法对表情图像中的表情特征进行提取;所述表情特征降维子模块22用于采用所述 改进的局部线性嵌入方法对所述表情特征数据进行降维处理，并采用形态学处理方法做滤 波处理;所述表情情感分类处理子模块23用于采用已训练好的稀疏分类器作为表情情感识 别分类器，对降维、滤波处理后的表情特征数据进行情感识别并输出表情情感识别结果；
[0026] (3)多模态情感融合识别处理模块3,用于基于所述语音情感识别结果和表情情感 识别结果，根据预定的多模态情感融合策略生成用户情感识别结果；
[0027] (4)控制模块，用于根据所述用户情感识别结果，在验证用户身份的前提下控制智 能家居设备执行相应的操作。
[0028] 本优选实施例设置多模态情感融合识别处理模块3,基于所述语音情感识别结果 和表情情感识别结果，增强了识别结果的可靠性。
[0029] 优选地，所述用户情感识别结果包括高级别和低级别的褒义情感，中性情感W及 高级别和低级别的贬义情感组成的5个级别情感类型。
[0030] 所述在验证用户身份的前提下控制智能家居设备执行相应的操作，具体为:所述 控制模炔基于预先设置的语音特征数据库，匹配所述用户的语音信号的语音特征，从而进 行用户身份验证，若验证通过，控制模块控制智能家居设备执行相应的操作。
[0031] 所述采用改进的局部线性嵌入方法对所述声学特征数据进行降维处理，包括：
[0032] (1)将提取的声学特征数据中的声学特征向量看成是高维空间中的样本数据点， 设M维的N个样本数据点为Xl，XlGRM，iG[l，N]，类别号为Cl，嵌入输出的N个m维的降维数据 点为Yi，Yi G r，i G [ 1，N]，，且m值的范围为[2，20]，对每个样本数据点Xi确定其邻域点 的数目K，邻域点的距离公式为：
[0033]
[0034] 式中，1/是结合样本数据点类别信息计算后的距离，L是忽略样本数据点类别信息 的原始欧氏距离，参数A用来防止L过快增长，max(L)表示最大欧氏距离，min化)表示最小欧 式距离，常数因子81、52(0《51、52《1)，共同控制距离计算时样本数据点类别信息的结合数 量程度；
[0035] (2)利用每个样本数据点Xi的邻域点计算出样本数据点的局部重建权值矩阵WiJ, 要求最小化下列损失函数：
[0036]
[0037] 式中，Wij为Xi与Xj之间的权值，且需满足
对Xi的非邻域点，Wij = O;
[0039]
[0038] (3)计算各样本数据点Xi的K个邻域点的权重之和：
[0040]
[0041]
[0042] 式中，Zij为各邻域点之间的加权矩阵，d(Xi，Xj)表示样本数据点间的Fisher投影 距离，C为可调参数；
[0043] (4)利用该样本数据点的局部重建权值矩阵WuW及其邻域点计算出该样本数据点 的输出值，具体是将所有的样本数据点Xi映射嵌入到低维空间中，并使得低维重构的误差 达到最小，要求最小化下列损失函数：
[0044]
[0045] 一个稀疏矩阵M=(I-W)T(I- W)，通过求解运个稀疏矩阵的前m个最小的非零特征值所对应的特征向量作为样本数据点 Xi的嵌入输出值。
[0046] 所述自适应二维Gabor小波变换方法中的Gabor滤波器的核函数定义为：
[0047]
[004引式中，a、e分别表示核函数的方向和频率大小，a、巧安照按如下方法设置：当表情图 像质量较好时，选取S个中屯、频率0 ={ 0，1，2巧P六个方向a ={0，1，…，引组成的18个Gabor 滤波器用于特征提取;当表情图像受到腐蚀、遮挡时，选取四个中屯、频率0={0，1…，3巧口八 个方向0 = {0，1，…，7}组成的32个Gabor滤波器用于特征提取；
[0049] O表示采用高斯函数窗口的大小，用来决定滤波器的带宽，O能够根据参数设置进 行自适应调整:将表情图像分成V X V子块，根据每个子块特征数目选择O，特征数目大的子 块设定〇 = n，特征数目少的子块设定O =化；
[0化0] ka,e为小波矢量
廷中，ke和稱^分别表不Gabor滤波器在频率和方向 空间的采样方式。
[0051] 所述预定的多模态情感融合策略为：
[0052] 设已经计算出一个测试样本X对于C类的分类情况下，采用n个分类器进行分类得 到的后验概率集合为{PU(X)，i = 1，2，…，n，j = 1，2，…，C}，对n个分类器取得的后验概率按 照方差规则集成得到一个新的后验概率集合{〇^^)〇 = 1，2^-，(：}，从中按照预定的挑选 规则挑选出合适的后验概率值所对应的类别作为要输出的用户情感识别结果；
[0053] 对于j类测试样本，按照方差规则获得的新的后验概率^^)可表示为：
[0化4]
[0化5]
[0化6]
[0057]对于j类测试样本，最终所获得的识别类别可表示为：
[0化引 P(X) =argmaxj(qj(x))
[0059] 其中，所述预定的挑选规则为:将所述新的后验概率集合中的后验概率值按照从 大到小顺序进行排列的前3个后验概率值为(1加)。3、，9如)。3、-1，9如)。3、-2，若9;的饥(设《
.选择W(X)max作为合适的后验概率值，否则选择^(X)max-l作为 合适的后验概率值，其中Qq为设定的后验概率权值，取值范围为[1.4，1.6 ]。
[0060] 本优选实施例设置改进的局部线性嵌入方法，需要确定的参数比较少，只有邻域 数k和输出维数d，大大减少了运算量，且可W学习出任意维数的低维流形，提高了识别速 度;采用自适应二维Gabor小波变换方法对表情图像中的表情特征进行提取，具有旋转、平 移W及伸缩变换条件下不变的性质，而且能得到一个解析的全局最优解;在声学特征降维 子模块12对声学特征数据进行降维处理的过程中，计算各样本数据点Xi的K个邻域点的权 重之和，并将其考虑到低维重构的损失函数中，降低了噪声的影响和数据样本外点对降维 的干扰，进一步提高了情感识别的精度;设置预定的多模态情感融合策略，并根据多模态情 感融合策略生成用户情感识别结果，使识别结果更加可靠准确。
[0061 ] 本应用场景设定后验概率权值为Qq= 1.4,识别精度相对提高了 12%。
[0062] 应用场景2
[0063] 参见图1、图2,本应用场景中的一个实施例的一种具有情感识别功能的智能家居， 其特征是，包括智能家居设备和控制智能家居设备运作的智能控制系统，所述智能家居设 备包括:移动终端、智能家居服务器集群、无线路由器、智能家居网关、第一智能家居硬件W 及多个第二智能家居硬件;所述移动终端通过互联网与所述智能家居服务器集群进行通 信;所述智能家居服务器集群包括多个功能服务器;所述智能家居网关的一侧通过无线网 络连接所述无线路由器，实现与所述智能家居服务器集群的数据交互；另一侧通过多种不 同物联网通信协议分别与各所述第二智能家居硬件相连接;所述第一智能家居硬件通过无 线网络直接与所述无线路由器相连;所述智能家居网关支持不同物联网通信协议的第二智 能家居硬件之间、所述第一智能家居硬件W及所述第二智能家居硬件之间的消息转换，所 述智能家居网关所辖的第二智能家居硬件通过所述智能家居网关和所述无线路由器与所 述第一智能家居硬件实现数据交互。
[0064] 优选地，所述第一智能家居硬件包括:通过ZigBee通信协议、Z-Wave、化read通信 协议、蓝牙或自定义通信协议接入所述智能家居网关的多个智能家居硬件。
[0065] 本优选实施例通过引入数据透传技术，能够将使用不同物联网通信协议的智能家 居硬件共融于一个智能家居系统里，还能够对挂载于智能网关下的智能家居硬件与无线路 由器直连的智能家居硬件进行交互，兼容性大幅提高，扩大了智能家居系统的硬件规模。
[0066] 优选地，所述移动终端通过APP访问或加载化ml5页面与所述智能家居服务器集群 进行通信。
[0067] 本优选实施例加快了通信速度。
[0068] 优选地，所述智能控制系统包括语音情感识别处理模块1、表情情感识别处理模块 2、多模态情感融合识别处理模块3和控制模块4:
[0069] (1)语音情感识别处理模块1，用于获取用户的语音信号，并对语音信号进行处理， 最终输出语音情感识别结果，其包括声学特征提取子模块11、声学特征降维子模块12和语 音情感分类处理子模块13;所述声学特征提取子模块11用于提取声学特征数据;所述声学 特征降维子模块12用于采用改进的局部线性嵌入方法对所述声学特征数据进行降维处理； 所述语音情感分类处理子模块13用于采用已训练好的支持向量机作为语音情感识别分类 器，对降维后的声学特征数据进行情感识别并输出语音情感识别结果，支持向量机的核函 数采用高斯核函数；
[0070] (2)表情情感识别处理模块2,用于获取用户的表情图像，并对表情图像特征进行 处理，最终生成表情情感识别结果，其包括表情特征提取子模块21、表情特征降维子模块22 和表情情感分类处理子模块23;所述表情特征提取子模块21用于采用自适应二维Gabor小 波变换方法对表情图像中的表情特征进行提取;所述表情特征降维子模块22用于采用所述 改进的局部线性嵌入方法对所述表情特征数据进行降维处理，并采用形态学处理方法做滤 波处理;所述表情情感分类处理子模块23用于采用已训练好的稀疏分类器作为表情情感识 别分类器，对降维、滤波处理后的表情特征数据进行情感识别并输出表情情感识别结果；
[0071] (3)多模态情感融合识别处理模块3,用于基于所述语音情感识别结果和表情情感 识别结果，根据预定的多模态情感融合策略生成用户情感识别结果；
[0072] (4)控制模块，用于根据所述用户情感识别结果，在验证用户身份的前提下控制智 能家居设备执行相应的操作。
[0073] 本优选实施例设置多模态情感融合识别处理模块3,基于所述语音情感识别结果 和表情情感识别结果，增强了识别结果的可靠性。
[0074] 优选地，所述用户情感识别结果包括高级别和低级别的褒义情感，中性情感W及 高级别和低级别的贬义情感组成的5个级别情感类型。
[0075] 所述在验证用户身份的前提下控制智能家居设备执行相应的操作，具体为:所述 控制模炔基于预先设置的语音特征数据库，匹配所述用户的语音信号的语音特征，从而进 行用户身份验证，若验证通过，控制模块控制智能家居设备执行相应的操作。
[0076] 所述采用改进的局部线性嵌入方法对所述声学特征数据进行降维处理，包括：
[0077] (1)将提取的声学特征数据中的声学特征向量看成是高维空间中的样本数据点， 设M维的N个样本数据点为Xl，XlGRM，iG[l，N]，类别号为Cl，嵌入输出的N个m维的降维数据 点为Yi，Yi G r，i G [ 1，N]，，且m值的范围为[2，20]，对每个样本数据点Xi确定其邻域点 的数目K，邻域点的距离公式为：
[007引
[0079] 式中，1/是结合样本数据点类别信息计算后的距离，L是忽略样本数据点类别信息 的原始欧氏距离，参数A用来防止L过快增长，max(L)表示最大欧氏距离，min化)表示最小欧 式距离，常数因子81、52(0《51、52《1)，共同控制距离计算时样本数据点类别信息的结合数 量程度；
[0080] (2)利用每个样本数据点Xi的邻域点计算出样本数据点的局部重建权值矩阵WiJ, 要求最小化下列损失函数：
[0081]
[00剧式中，Wij为Xi与Xj之间的权值，且需满盾
对Xi的非邻域点，Wij = O;
[0083] (3)计算各样本数据点Xi的K个邻域点的权重之和：
[0084]
[0085]
[0086]
[0087] 式中，Zij为各邻域点之间的加权矩阵，d(Xi，Xj)表示样本数据点间的Fisher投影 距离，C为可调参数；
[0088] (4)利用该样本数据点的局部重建权值矩阵WuW及其邻域点计算出该样本数据点 的输出值，具体是将所有的样本数据点Xi映射嵌入到低维空间中，并使得低维重构的误差
达到最A -巧龙鳥/k从下方||脯生疏就.
[0089]
[0090] 一个稀疏矩阵M=(I-W)t(I- W)，通过求解运个稀疏矩阵的前m个最小的非零特征值所对应的特征向量作为样本数据点 Xi的嵌入输出值。
[0091] 所述自适应二维Gabor小波变换方法中的Gabor滤波器的核函数定义为：
[0092]
[0093] 式中，a、e分别表示核函数的方向和频率大小，a、巧安照按如下方法设置：当表情图 像质量较好时，选取S个中屯、频率0 ={ 0，1，2巧P六个方向a ={0，1，…，引组成的18个Gabor 滤波器用于特征提取;当表情图像受到腐蚀、遮挡时，选取四个中屯、频率0={〇，1…，3巧口八 个方向〇 = {0，1，…，7}组成的32个Gabor滤波器用于特征提取；
[0094] O表示采用高斯函数窗口的大小，用来决定滤波器的带宽，O能够根据参数设置进 行自适应调整:将表情图像分成V X V子块，根据每个子块特征数目选择O，特征数目大的子 块设定0 = n，特征数目少的子块设定O =化；
[00巧]ka,e为小波矢量
窜中，ke和從分别表示Gabor滤波器在频率和方向 空间的采样方式。
[0096] 所述预定的多模态情感融合策略为：
[0097] 设已经计算出一个测试样本X对于C类的分类情况下，采用n个分类器进行分类得 到的后验概率集合为{PU(X)，i = 1，2，…，n，j = 1，2，…，C}，对n个分类器取得的后验概率按 照方差规则集成得到一个新的后验概率集合{〇^^)〇 = 1，2^-，(：}，从中按照预定的挑选 规则挑选出合适的后验概率值所对应的类别作为要输出的用户情感识别结果；
[0098] 对于j类测试样本，按照方差规则获得的新的后验概率^^)可表示为：
[0099]
[0100]
[0101]
[0102] 对于j类测试样本，最终所获得的识别类别可表示为：
[0103] p(x) =argmaxj(qj(x))
[0104] 其中，所述预定的挑选规则为:将所述新的后验概率集合中的后验概率值按照从 大到小顺序进行排列的前3个后验概率值为Qj ( X)max，Qj ( X )max-l，Qj ( X )max-2，若树max <
蛋择W(X)max作为合适的后验概率值，否则选择^(X)max-l作为 合适的后验概率值，其中Qq为设定的后验概率权值，取值范围为[1.4，1.6 ]。
[0105] 本优选实施例设置改进的局部线性嵌入方法，需要确定的参数比较少，只有邻域 数k和输出维数d，大大减少了运算量，且可W学习出任意维数的低维流形，提高了识别速 度;采用自适应二维Gabor小波变换方法对表情图像中的表情特征进行提取，具有旋转、平 移W及伸缩变换条件下不变的性质，而且能得到一个解析的全局最优解;在声学特征降维 子模块12对声学特征数据进行降维处理的过程中，计算各样本数据点Xi的K个邻域点的权 重之和，并将其考虑到低维重构的损失函数中，降低了噪声的影响和数据样本外点对降维 的干扰，进一步提高了情感识别的精度;设置预定的多模态情感融合策略，并根据多模态情 感融合策略生成用户情感识别结果，使识别结果更加可靠准确。
[0106] 本应用场景设定后验概率权值为Qq=I .45,识别精度相对提高了 10 %。
[0107] 应用场景3
[0108] 参见图1、图2,本应用场景中的一个实施例的一种具有情感识别功能的智能家居， 其特征是，包括智能家居设备和控制智能家居设备运作的智能控制系统，所述智能家居设 备包括:移动终端、智能家居服务器集群、无线路由器、智能家居网关、第一智能家居硬件W 及多个第二智能家居硬件;所述移动终端通过互联网与所述智能家居服务器集群进行通 信;所述智能家居服务器集群包括多个功能服务器;所述智能家居网关的一侧通过无线网 络连接所述无线路由器，实现与所述智能家居服务器集群的数据交互；另一侧通过多种不 同物联网通信协议分别与各所述第二智能家居硬件相连接;所述第一智能家居硬件通过无 线网络直接与所述无线路由器相连;所述智能家居网关支持不同物联网通信协议的第二智 能家居硬件之间、所述第一智能家居硬件W及所述第二智能家居硬件之间的消息转换，所 述智能家居网关所辖的第二智能家居硬件通过所述智能家居网关和所述无线路由器与所 述第一智能家居硬件实现数据交互。
[0109] 优选地，所述第一智能家居硬件包括:通过ZigBee通信协议、Z-Wave、化read通信 协议、蓝牙或自定义通信协议接入所述智能家居网关的多个智能家居硬件。
[0110] 本优选实施例通过引入数据透传技术，能够将使用不同物联网通信协议的智能家 居硬件共融于一个智能家居系统里，还能够对挂载于智能网关下的智能家居硬件与无线路 由器直连的智能家居硬件进行交互，兼容性大幅提高，扩大了智能家居系统的硬件规模。
[0111] 优选地，所述移动终端通过APP访问或加载化ml5页面与所述智能家居服务器集群 进行通信。
[0112] 本优选实施例加快了通信速度。
[0113] 优选地，所述智能控制系统包括语音情感识别处理模块1、表情情感识别处理模块 2、多模态情感融合识别处理模块3和控制模块4:
[0114] (1)语音情感识别处理模块1，用于获取用户的语音信号，并对语音信号进行处理， 最终输出语音情感识别结果，其包括声学特征提取子模块11、声学特征降维子模块12和语 音情感分类处理子模块13;所述声学特征提取子模块11用于提取声学特征数据;所述声学 特征降维子模块12用于采用改进的局部线性嵌入方法对所述声学特征数据进行降维处理； 所述语音情感分类处理子模块13用于采用已训练好的支持向量机作为语音情感识别分类 器，对降维后的声学特征数据进行情感识别并输出语音情感识别结果，支持向量机的核函 数采用高斯核函数；
[0115] (2)表情情感识别处理模块2,用于获取用户的表情图像，并对表情图像特征进行 处理，最终生成表情情感识别结果，其包括表情特征提取子模块21、表情特征降维子模块22 和表情情感分类处理子模块23;所述表情特征提取子模块21用于采用自适应二维Gabor小 波变换方法对表情图像中的表情特征进行提取;所述表情特征降维子模块22用于采用所述 改进的局部线性嵌入方法对所述表情特征数据进行降维处理，并采用形态学处理方法做滤 波处理;所述表情情感分类处理子模块23用于采用已训练好的稀疏分类器作为表情情感识 别分类器，对降维、滤波处理后的表情特征数据进行情感识别并输出表情情感识别结果；
[0116] (3)多模态情感融合识别处理模块3,用于基于所述语音情感识别结果和表情情感 识别结果，根据预定的多模态情感融合策略生成用户情感识别结果；
[0117] (4)控制模块，用于根据所述用户情感识别结果，在验证用户身份的前提下控制智 能家居设备执行相应的操作。
[0118] 本优选实施例设置多模态情感融合识别处理模块3,基于所述语音情感识别结果 和表情情感识别结果，增强了识别结果的可靠性。
[0119] 优选地，所述用户情感识别结果包括高级别和低级别的褒义情感，中性情感W及 高级别和低级别的贬义情感组成的5个级别情感类型。
[0120] 所述在验证用户身份的前提下控制智能家居设备执行相应的操作，具体为:所述 控制模炔基于预先设置的语音特征数据库，匹配所述用户的语音信号的语音特征，从而进 行用户身份验证，若验证通过，控制模块控制智能家居设备执行相应的操作。
[0121] 所述采用改进的局部线性嵌入方法对所述声学特征数据进行降维处理，包括：
[0122] (1)将提取的声学特征数据中的声学特征向量看成是高维空间中的样本数据点， 设M维的N个样本数据点为Xl，XlGRM，iG[l，N]，类别号为Cl，嵌入输出的N个m维的降维数据 点为Yi，Yi G r，i G [ I，N]，，且m值的范围为[2，20]，对每个样本数据点Xi确定其邻域点 的数目K，邻域点的距离公式为：
[0123]
[0124] 式中，1/是结合样本数据点类别信息计算后的距离，L是忽略样本数据点类别信息 的原始欧氏距离，参数A用来防止L过快增长，max(L)表示最大欧氏距离，min化)表示最小欧 式距离，常数因子81、52(0《51、52《1)，共同控制距离计算时样本数据点类别信息的结合数 量程度；
[0125] (2)利用每个样本数据点Xi的邻域点计算出样本数据点的局部重建权值矩阵WiJ, 要求最小化下列损失函数：
[0126]
[0127] 式中，Wij为Xi与Xj之间的权值，且需满盾
，对Xi的非邻域点，Wij = O;
[0128] (3)计算各样本数据点Xi的K个邻域点的权重之和：
[0129]
[0130]
[0131]
[0132] 式中，Zu为各邻域点之间的加权矩阵，d(Xi，Xj)表示样本数据点间的Fisher投影 距离，C为可调参数；
[0133] (4)利用该样本数据点的局部重建权值矩阵WuW及其邻域点计算出该样本数据点 的输出值，具体是将所有的样本数据点Xi映射嵌入到低维空间中，并使得低维重构的误差 达到最小，要求最小化下列损失函数：
[0134]
[0135] 一个稀疏矩阵 M=(I-W)t(I- W)，通过求解运个稀疏矩阵的前m个最小的非零特征值所对应的特征向量作为样本数据点 Xi的嵌入输出值。
[0136]所述自适应二维Gabor小波变换方法中的Gabor滤波器的核函数定义为：
[0137]
[0138] 巧中，a、P分别表不核幽数的万问和频率大小，a、巧安照按如下方法设置：当表情图 像质量较好时，选取S个中屯、频率0 ={ 0，1，2巧P六个方向a={〇，l，…，引组成的18个Gabor 滤波器用于特征提取;当表情图像受到腐蚀、遮挡时，选取四个中屯、频率0={〇，1…，3巧口八 个方向〇 = {0，1，…，7}组成的32个Gabor滤波器用于特征提取；
[0139] O表示采用高斯函数窗口的大小，用来决定滤波器的带宽，O能够根据参数设置进 行自适应调整:将表情图像分成V X V子块，根据每个子块特征数目选择O，特征数目大的子 块设定O = n，特征数目少的子块设定O =化；
[0140] ka,e为小波矢量，
其中，ke和餐a分别表示Gabor滤波器在频率和方向 空间的采样方式。
[0141] 所述预定的多模态情感融合策略为：
[0142] 设已经计算出一个测试样本X对于C类的分类情况下，采用n个分类器进行分类得 到的后验概率集合为{PU(X)，i = 1，2，…，n，j = 1，2，…，C}，对n个分类器取得的后验概率按 照方差规则集成得到一个新的后验概率集合{〇^^)〇 = 1，2^-，(：}，从中按照预定的挑选 规则挑选出合适的后验概率值所对应的类别作为要输出的用户情感识别结果；
[0143] 对于j类测试样本，按照方差规则获得的新的后验概率^^)可表示为：
[0144]
[0145]
[0146]
[0147] 对于j类测试样本，最终所获得的识别类别可表示为：
[014 引 P(X) =argmaxj(qj(x))
[0149] 其中，所述预定的挑选规则为:将所述新的后验概率集合中的后验概率值按照从 大到小顺序进行排列的前3个后验概率值为Qj ( X)max，Qj ( X )max-l，Qj ( X )max-2，若斯的m化<
选择qj ( X )max作为合适的后验概率值，否则选择qj ( X )max-l作为 合适的后验概率值，其中Qq为设定的后验概率权值，取值范围为[1.4，1.6 ]。
[0150] 本优选实施例设置改进的局部线性嵌入方法，需要确定的参数比较少，只有邻域 数k和输出维数d，大大减少了运算量，且可W学习出任意维数的低维流形，提高了识别速 度;采用自适应二维Gabor小波变换方法对表情图像中的表情特征进行提取，具有旋转、平 移W及伸缩变换条件下不变的性质，而且能得到一个解析的全局最优解;在声学特征降维 子模块12对声学特征数据进行降维处理的过程中，计算各样本数据点Xi的K个邻域点的权 重之和，并将其考虑到低维重构的损失函数中，降低了噪声的影响和数据样本外点对降维 的干扰，进一步提高了情感识别的精度;设置预定的多模态情感融合策略，并根据多模态情 感融合策略生成用户情感识别结果，使识别结果更加可靠准确。
[0151] 本应用场景设定后验概率权值为Qq= 1.5，识别精度相对提高了 15 %。
[0152] 应用场景4
[0153] 参见图1、图2,本应用场景中的一个实施例的一种具有情感识别功能的智能家居， 其特征是，包括智能家居设备和控制智能家居设备运作的智能控制系统，所述智能家居设 备包括:移动终端、智能家居服务器集群、无线路由器、智能家居网关、第一智能家居硬件W 及多个第二智能家居硬件;所述移动终端通过互联网与所述智能家居服务器集群进行通 信;所述智能家居服务器集群包括多个功能服务器;所述智能家居网关的一侧通过无线网 络连接所述无线路由器，实现与所述智能家居服务器集群的数据交互；另一侧通过多种不 同物联网通信协议分别与各所述第二智能家居硬件相连接;所述第一智能家居硬件通过无 线网络直接与所述无线路由器相连;所述智能家居网关支持不同物联网通信协议的第二智 能家居硬件之间、所述第一智能家居硬件W及所述第二智能家居硬件之间的消息转换，所 述智能家居网关所辖的第二智能家居硬件通过所述智能家居网关和所述无线路由器与所 述第一智能家居硬件实现数据交互。
[0154] 优选地，所述第一智能家居硬件包括:通过ZigBee通信协议、Z-Wave、化read通信 协议、蓝牙或自定义通信协议接入所述智能家居网关的多个智能家居硬件。
[0155] 本优选实施例通过引入数据透传技术，能够将使用不同物联网通信协议的智能家 居硬件共融于一个智能家居系统里，还能够对挂载于智能网关下的智能家居硬件与无线路 由器直连的智能家居硬件进行交互，兼容性大幅提高，扩大了智能家居系统的硬件规模。
[0156] 优选地，所述移动终端通过APP访问或加载化ml5页面与所述智能家居服务器集群 进行通信。
[0157] 本优选实施例加快了通信速度。
[0158] 优选地，所述智能控制系统包括语音情感识别处理模块1、表情情感识别处理模块 2、多模态情感融合识别处理模块3和控制模块4:
[0159] (1)语音情感识别处理模块1，用于获取用户的语音信号，并对语音信号进行处理， 最终输出语音情感识别结果，其包括声学特征提取子模块11、声学特征降维子模块12和语 音情感分类处理子模块13;所述声学特征提取子模块11用于提取声学特征数据;所述声学 特征降维子模块12用于采用改进的局部线性嵌入方法对所述声学特征数据进行降维处理； 所述语音情感分类处理子模块13用于采用已训练好的支持向量机作为语音情感识别分类 器，对降维后的声学特征数据进行情感识别并输出语音情感识别结果，支持向量机的核函 数采用高斯核函数；
[0160] (2)表情情感识别处理模块2,用于获取用户的表情图像，并对表情图像特征进行 处理，最终生成表情情感识别结果，其包括表情特征提取子模块21、表情特征降维子模块22 和表情情感分类处理子模块23;所述表情特征提取子模块21用于采用自适应二维Gabor小 波变换方法对表情图像中的表情特征进行提取;所述表情特征降维子模块22用于采用所述 改进的局部线性嵌入方法对所述表情特征数据进行降维处理，并采用形态学处理方法做滤 波处理;所述表情情感分类处理子模块23用于采用已训练好的稀疏分类器作为表情情感识 别分类器，对降维、滤波处理后的表情特征数据进行情感识别并输出表情情感识别结果；
[0161] (3)多模态情感融合识别处理模块3,用于基于所述语音情感识别结果和表情情感 识别结果，根据预定的多模态情感融合策略生成用户情感识别结果；
[0162] (4)控制模块，用于根据所述用户情感识别结果，在验证用户身份的前提下控制智 能家居设备执行相应的操作。
[0163] 本优选实施例设置多模态情感融合识别处理模块3,基于所述语音情感识别结果 和表情情感识别结果，增强了识别结果的可靠性。
[0164] 优选地，所述用户情感识别结果包括高级别和低级别的褒义情感，中性情感W及 高级别和低级别的贬义情感组成的5个级别情感类型。
[0165] 所述在验证用户身份的前提下控制智能家居设备执行相应的操作，具体为:所述 控制模炔基于预先设置的语音特征数据库，匹配所述用户的语音信号的语音特征，从而进 行用户身份验证，若验证通过，控制模块控制智能家居设备执行相应的操作。
[0166] 所述采用改进的局部线性嵌入方法对所述声学特征数据进行降维处理，包括：
[0167] (1)将提取的声学特征数据中的声学特征向量看成是高维空间中的样本数据点， 设M维的N个样本数据点为Xl，XlGRM，iG[l，N]，类别号为Cl，嵌入输出的N个m维的降维数据 点为Yi，Yi G r，i G [ 1，N]，，且m值的范围为[2，20]，对每个样本数据点Xi确定其邻域点 的数目K，邻域点的距离公式为：
[016 引
[0169] 式中，1/是结合样本数据点类别信息计算后的距离，L是忽略样本数据点类别信息 的原始欧氏距离，参数A用来防止L过快增长，max(L)表示最大欧氏距离，min化)表示最小欧 式距离，常数因子81、52(0《51、52《1)，共同控制距离计算时样本数据点类别信息的结合数 量程度；
[0170] (2)利用每个样本数据点Xi的邻域点计算出样本数据点的局部重建权值矩阵WiJ, 要求最小化下列损失函数：
[0171]
[OW] 式中，Wij为Xi与Xj之间的权值，且需满盾
耐Xi的非邻域点，Wij = O;
[0173] (3)计算各样本数据点Xi的K个邻域点的权重之和：
[0174]
[0175]
[0176]
[0177] 式中，Zij为各邻域点之间的加权矩阵，d(Xi，Xj)表示样本数据点间的Fisher投影 距离，C为可调参数；
[0178] (4)利用该样本数据点的局部重建权值矩阵WuW及其邻域点计算出该样本数据点 的输出值，具体是将所有的样本数据点Xi映射嵌入到低维空间中，并使得低维重构的误差 达到最小，要求最小化下列损失函数：
[0179]
[0180] -个稀疏矩阵M=(I-W)T(I- W)，通过求解运个稀疏矩阵的前m个最小的非零特征值所对应的特征向量作为样本数据点 Xi的嵌入输出值。
[0181] 所述自适应二维Gabor小波变换方法中的Gabor滤波器的核函数定义为：
[0182]
[0183] 式中，a、e分别表示核函数的方向和频率大小，a、巧安照按如下方法设置：当表情图 像质量较好时，选取S个中屯、频率0 ={ 0，1，2巧P六个方向a ={0，1，…，引组成的18个Gabor 滤波器用于特征提取;当表情图像受到腐蚀、遮挡时，选取四个中屯、频率0={〇，1…，3巧口八 个方向〇 = {0，1，…，7}组成的32个Gabor滤波器用于特征提取；
[0184] O表示采用高斯函数窗口的大小，用来决定滤波器的带宽，O能够根据参数设置进 行自适应调整:将表情图像分成V X V子块，根据每个子块特征数目选择O，特征数目大的子 块设定〇 = n，特征数目少的子块设定O =化；
[01化]ka,e为小波矢量，二吟eW"，其中，ke和巧《分别表不Gabor滤波器在频率和方向 空间的采样方式。
[0186] 所述预定的多模态情感融合策略为：
[0187] 设已经计算出一个测试样本X对于C类的分类情况下，采用n个分类器进行分类得 到的后验概率集合为{PU(X)，i = 1，2，…，n，j = 1，2，…，C}，对n个分类器取得的后验概率按 照方差规则集成得到一个新的后验概率集合{〇^^)〇 = 1，2^-，(：}，从中按照预定的挑选 规则挑选出合适的后验概率值所对应的类别作为要输出的用户情感识别结果；
[0188] 对于j类测试样本，按照方差规则获得的新的后验概率^^)可表示为：
[0189]
[0190]
[0191]
[0192] 对于j类测试样本，最终所获得的识别类别可表示为：
[0193] p(x) =argmaxj(qj(x))
[0194] 其中，所述预定的挑选规则为:将所述新的后验概率集合中的后验概率值按照从 大到小顺序进行排列的前3个后验概率值为(1如)。3、，9如)。3、-1，9如)。3^，若9./树鼠、'<
.选择W(X)max作为合适的后验概率值，否则选择^(X)max-l作为 合适的后验概率值，其中Qq为设定的后验概率权值，取值范围为[1.4，1.6 ]。
[01%]本优选实施例设置改进的局部线性嵌入方法，需要确定的参数比较少，只有邻域 数k和输出维数d，大大减少了运算量，且可W学习出任意维数的低维流形，提高了识别速 度;采用自适应二维Gabor小波变换方法对表情图像中的表情特征进行提取，具有旋转、平 移W及伸缩变换条件下不变的性质，而且能得到一个解析的全局最优解;在声学特征降维 子模块12对声学特征数据进行降维处理的过程中，计算各样本数据点Xi的K个邻域点的权 重之和，并将其考虑到低维重构的损失函数中，降低了噪声的影响和数据样本外点对降维 的干扰，进一步提高了情感识别的精度;设置预定的多模态情感融合策略，并根据多模态情 感融合策略生成用户情感识别结果，使识别结果更加可靠准确。
[0196] 本应用场景设定后验概率权值为Qq= 1.55，识别精度相对提高了 10 %。
[0197] 应用场景5
[0198] 参见图1、图2,本应用场景中的一个实施例的一种具有情感识别功能的智能家居， 其特征是，包括智能家居设备和控制智能家居设备运作的智能控制系统，所述智能家居设 备包括:移动终端、智能家居服务器集群、无线路由器、智能家居网关、第一智能家居硬件W 及多个第二智能家居硬件;所述移动终端通过互联网与所述智能家居服务器集群进行通 信;所述智能家居服务器集群包括多个功能服务器;所述智能家居网关的一侧通过无线网 络连接所述无线路由器，实现与所述智能家居服务器集群的数据交互；另一侧通过多种不 同物联网通信协议分别与各所述第二智能家居硬件相连接;所述第一智能家居硬件通过无 线网络直接与所述无线路由器相连;所述智能家居网关支持不同物联网通信协议的第二智 能家居硬件之间、所述第一智能家居硬件W及所述第二智能家居硬件之间的消息转换，所 述智能家居网关所辖的第二智能家居硬件通过所述智能家居网关和所述无线路由器与所 述第一智能家居硬件实现数据交互。
[0199] 优选地，所述第一智能家居硬件包括:通过ZigBee通信协议、Z-Wave、化read通信 协议、蓝牙或自定义通信协议接入所述智能家居网关的多个智能家居硬件。
[0200] 本优选实施例通过引入数据透传技术，能够将使用不同物联网通信协议的智能家 居硬件共融于一个智能家居系统里，还能够对挂载于智能网关下的智能家居硬件与无线路 由器直连的智能家居硬件进行交互，兼容性大幅提高，扩大了智能家居系统的硬件规模。
[0201] 优选地，所述移动终端通过APP访问或加载化ml5页面与所述智能家居服务器集群 进行通信。
[0202] 本优选实施例加快了通信速度。
[0203] 优选地，所述智能控制系统包括语音情感识别处理模块1、表情情感识别处理模块 2、多模态情感融合识别处理模块3和控制模块4:
[0204] (1)语音情感识别处理模块1，用于获取用户的语音信号，并对语音信号进行处理， 最终输出语音情感识别结果，其包括声学特征提取子模块11、声学特征降维子模块12和语 音情感分类处理子模块13;所述声学特征提取子模块11用于提取声学特征数据;所述声学 特征降维子模块12用于采用改进的局部线性嵌入方法对所述声学特征数据进行降维处理； 所述语音情感分类处理子模块13用于采用已训练好的支持向量机作为语音情感识别分类 器，对降维后的声学特征数据进行情感识别并输出语音情感识别结果，支持向量机的核函 数采用高斯核函数；
[0205] (2)表情情感识别处理模块2,用于获取用户的表情图像，并对表情图像特征进行 处理，最终生成表情情感识别结果，其包括表情特征提取子模块21、表情特征降维子模块22 和表情情感分类处理子模块23;所述表情特征提取子模块21用于采用自适应二维Gabor小 波变换方法对表情图像中的表情特征进行提取;所述表情特征降维子模块22用于采用所述 改进的局部线性嵌入方法对所述表情特征数据进行降维处理，并采用形态学处理方法做滤 波处理;所述表情情感分类处理子模块23用于采用已训练好的稀疏分类器作为表情情感识 别分类器，对降维、滤波处理后的表情特征数据进行情感识别并输出表情情感识别结果；
[0206] (3)多模态情感融合识别处理模块3,用于基于所述语音情感识别结果和表情情感 识别结果，根据预定的多模态情感融合策略生成用户情感识别结果；
[0207] (4)控制模块，用于根据所述用户情感识别结果，在验证用户身份的前提下控制智 能家居设备执行相应的操作。
[0208] 本优选实施例设置多模态情感融合识别处理模块3,基于所述语音情感识别结果 和表情情感识别结果，增强了识别结果的可靠性。
[0209] 优选地，所述用户情感识别结果包括高级别和低级别的褒义情感，中性情感W及 高级别和低级别的贬义情感组成的5个级别情感类型。
[0210] 所述在验证用户身份的前提下控制智能家居设备执行相应的操作，具体为:所述 控制模炔基于预先设置的语音特征数据库，匹配所述用户的语音信号的语音特征，从而进 行用户身份验证，若验证通过，控制模块控制智能家居设备执行相应的操作。
[0211] 所述采用改进的局部线性嵌入方法对所述声学特征数据进行降维处理，包括：
[0212] (1)将提取的声学特征数据中的声学特征向量看成是高维空间中的样本数据点， 设M维的N个样本数据点为Xl，XlGRM，iG[l，N]，类别号为Cl，嵌入输出的N个m维的降维数据 点为Yi，Yi G r，i G [ 1，N]，，且m值的范围为[2，20]，对每个样本数据点Xi确定其邻域点 的数目K，邻域点的距离公式为：
[0213]
[0214] 式中，1/是结合样本数据点类别信息计算后的距离，L是忽略样本数据点类别信息 的原始欧氏距离，参数A用来防止L过快增长，max(L)表示最大欧氏距离，min化)表示最小欧 式距离，常数因子81、52(0《51、52《1)，共同控制距离计算时样本数据点类别信息的结合数 量程度；
[0215] (2)利用每个样本数据点Xi的邻域点计算出样本数据点的局部重建权值矩阵WiJ, 要求最小化下列损失函数：
[0216]
[0217] 式中，Wij为乂1与、之间的权值，且需满足
巧Xi的非邻域点，Wij = O;
[021引（3)计算各样本数据点Xi的K个邻域点的权重之和：
[0219]
[0220]
[0221]
[0222] 式中，Zi^各邻域点之间的加权矩阵，d(Xi山）表示样本数据点间的Fisher投影 距离，C为可调参数；
[0223] (4)利用该样本数据点的局部重建权值矩阵WuW及其邻域点计算出该样本数据点 的输出值，具体是将所有的样本数据点Xi映射嵌入到低维空间中，并使得低维重构的误差
[0224] 达到最小，要求最小化下列损失函数：
[02巧] 一个稀疏矩阵M=(I-W)t(I- W)，通过求解运个稀疏矩阵的前m个最小的非零特征值所对应的特征向量作为样本数据点 Xi的嵌入输出值。
[0。6]所述自适应二维Gabor小波变换方法中的Gabor滤波器的核函数定义为：
[0227]
[0。8]式中，a、e分别表示核函数的方向和频率大小，a、巧安照按如下方法设置：当表情图 像质量较好时，选取S个中屯、频率0 ={ 0，1，2巧P六个方向a = {〇，l，…，引组成的18个Gabor 滤波器用于特征提取;当表情图像受到腐蚀、遮挡时，选取四个中屯、频率0={〇，1…，3巧口八 个方向〇 = {0，1，…，7}组成的32个Gabor滤波器用于特征提取；
[0229] O表示采用高斯函数窗口的大小，用来决定滤波器的带宽，O能够根据参数设置进 行自适应调整:将表情图像分成V X V子块，根据每个子块特征数目选择O，特征数目大的子 块设定O = n，特征数目少的子块设定O =化；
[0230] ka,e为小波矢量
，其中，4神映&分别表示Gabor滤波器在频率和方向 空间的采样方式。
[0231 ]所述预定的多模态情感融合策略为：
[0232] 设已经计算出一个测试样本X对于C类的分类情况下，采用n个分类器进行分类得 到的后验概率集合为{PU(X)，i = 1，2，…，n，j = 1，2，…，C}，对n个分类器取得的后验概率按 照方差规则集成得到一个新的后验概率集合{〇^^)〇 = 1，2^-，(：}，从中按照预定的挑选 规则挑选出合适的后验概率值所对应的类别作为要输出的用户情感识别结果；
[0233] W辛1?米》1^才化+拉瞄韦单加 mil化化吗新的后验概率Qj(X)可表示为：
[0234]
[0235]
[0236]
[0237] 对于j类测试样本，最终所获得的识别类别可表示为：
[023引 P(X) =argmaxj(qj(x))
[0239]其中，所述预定的挑选规则为:将所述新的后验概率集合中的后验概率值按照从 大到小顺序进行排列的前3个后验概率值为qj(x)max，qj(X)max-l，qj(X)max-2，若9_/的饥妨' <
封军qj ( X )max作为合适的后验概率值，否则选择qj ( X )max-l作为 曾姐的后验概準但，其甲斯刃设定的后验概率权值，取值范围为[1.4，1.6 ]。
[0240] 本优选实施例设置改进的局部线性嵌入方法，需要确定的参数比较少，只有邻域 数k和输出维数d，大大减少了运算量，且可W学习出任意维数的低维流形，提高了识别速 度;采用自适应二维Gabor小波变换方法对表情图像中的表情特征进行提取，具有旋转、平 移W及伸缩变换条件下不变的性质，而且能得到一个解析的全局最优解;在声学特征降维 子模块12对声学特征数据进行降维处理的过程中，计算各样本数据点Xi的K个邻域点的权 重之和，并将其考虑到低维重构的损失函数中，降低了噪声的影响和数据样本外点对降维 的干扰，进一步提高了情感识别的精度;设置预定的多模态情感融合策略，并根据多模态情 感融合策略生成用户情感识别结果，使识别结果更加可靠准确。
[0241] 本应用场景设定后验概率权值为Qq=I.6,识别精度相对提高了 8%。
[0242] 最后应当说明的是，W上实施例仅用W说明本发明的技术方案，而非对本发明保 护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应 当理解，可W对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实 质和范围。
【主权项】
1. 一种具有情感识别功能的智能家居，其特征是，包括智能家居设备和控制智能家居 设备运作的智能控制系统，所述智能家居设备包括:移动终端、智能家居服务器集群、无线 路由器、智能家居网关、第一智能家居硬件以及多个第二智能家居硬件;所述移动终端通过 互联网与所述智能家居服务器集群进行通信;所述智能家居服务器集群包括多个功能服务 器;所述智能家居网关的一侧通过无线网络连接所述无线路由器，实现与所述智能家居服 务器集群的数据交互;另一侧通过多种不同物联网通信协议分别与各所述第二智能家居硬 件相连接;所述第一智能家居硬件通过无线网络直接与所述无线路由器相连;所述智能家 居网关支持不同物联网通信协议的第二智能家居硬件之间、所述第一智能家居硬件以及所 述第二智能家居硬件之间的消息转换，所述智能家居网关所辖的第二智能家居硬件通过所 述智能家居网关和所述无线路由器与所述第一智能家居硬件实现数据交互。2. 根据权利要求1所述的一种具有情感识别功能的智能家居，其特征是，所述第一智能 家居硬件包括:通过ZigBee通信协议、Z-Wa Ve、Thread通信协议、蓝牙或自定义通信协议接 入所述智能家居网关的多个智能家居硬件。3. 根据权利要求2所述的一种具有情感识别功能的智能家居，其特征是，所述移动终端 通过APP访问或加载Html5页面与所述智能家居服务器集群进行通信。
【文档编号】G05B15/02GK106019973SQ201610616542
【公开日】2016年10月12日
【申请日】2016年7月30日
【发明人】不公告发明人
【申请人】杨超坤