基于人工智能和智能家居的参考信息生成系统及方法与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于人工智能和智能家居的参考信息生成方法及系统。


背景技术：

2.近年来,在智能化、自动化高新技术的驱动下,智能家居行业进入了飞速发展时期不同于传统的家庭住宅居住功能,智能家居是以住宅为平台,通过利用自动控制系统实现人与家居建筑之间的信息交换来提高控制性,人类在经过农耕、工业、电气化等时代后,将进入关注梦想、精神和生活情趣的新社会，按这一推论,轻松的家务劳动是解放人的前提，智能家电的出现,让这样的生活场景成为现实。由社会背景层面来看,近年来信息化的高度进展,通讯的自由化与高层次化、业务量的急速增加与人类对工作环境的安全性舒适性、效率性要求的提高,造成家居智能化的需求大为增加。
3.不同的智能家居所具备的功能大相径庭，但是智能家居的参考信息零散分布，且数据庞大，通常，对智能家居的参考信息人为地进行整合分类，导致参考信息整合分类的效率低下，因此如何基于人工智能和智能家居的参考信息生成效率，成为了亟待解决的问题。


技术实现要素：

4.本发明提供一种基于人工智能和智能家居的参考信息生成方法及系统，其主要目的在于解决基于人工智能和智能家居的参考信息生成时效率较低的问题。
5.为实现上述目的，本发明提供的一种基于人工智能和智能家居的参考信息生成方法，包括：
6.获取家居信息库中的家居信息，对所述家居信息进行数据清洗，得到所述家居信息的标准信息，利用归一化算法生成所述标准信息的家居语义；
7.对所述家居语义进行聚类分组，得到所述家居语义的聚类语义；
8.利用所述聚类语义构建所述家居信息的知识图谱；
9.获取智能家居的家居图片，根据高斯差分尺度空间提取所述家居图片的图片特征，其中，所述高斯差分尺度空间的构建可利用如下高斯差分金字塔算法：
[0010][0011]
其中，d(x,y,σ)是由所述家居图片生成的变换图片的高斯差分尺度空间， g(x,y,kσ)是高斯函数，(x,y)是所述变换图片的图片特征点的坐标，k为尺度变化率，σ为尺度，表示卷积，i(x,y)为所述变换图片，l(x,y,σ)是所述变换图片的高斯尺度空间；
[0012]
构建所述图片特征与所述知识图谱之间的有机映射，根据所述有机映射生成所述智能家居的参考信息。
[0013]
可选地，所述对所述家居信息进行数据清洗，得到所述家居信息的标准信息，包括：
[0014]
根据方差过滤算法对所述家居信息进行初级数据清洗，得到所述家居信息的初级家居数据；
[0015]
根据卡方过滤算法对所述初级家居数据进行中级数据清洗，得到所述初级家居数据的中级家居数据；
[0016]
利用如下联合假设算法计算所述中级家居数据中的随机变量组的方差比：
[0017][0018][0019]
其中，f为所述中级家居数据中的随机变量组的方差比，代表所述中级家居数据中的第i组随机变量的方差，代表所述中级家居数据中的第j组随机变量的方差，代表所述中级家居数据中的第i组随机变量的平均值，代表所述中级家居数据中的第j组随机变量的平均值，n代表所述随机变量组的组数，i是所述随机变量组的标识，j是所述随机变量组的标识；
[0020]
根据所述方差比对所述中级家居数据进行终极数据清洗，得到所述中级家居数据的终极家居数据，确定所述终极家居数据为所述家居信息的标准信息。
[0021]
可选地，所述利用归一化算法生成所述标准信息的家居语义，包括：
[0022]
对所述标准信息进行分词处理，得到所述标准信息的信息分词；
[0023]
对所述信息分词进行向量转化，得到所述信息分词的分词向量；
[0024]
根据预设的向量阈值将所述分词向量分离为训练分词向量集和目标分词向量集；
[0025]
利用归一化算法和所述训练分词向量集生成所述家居信息的语义分析模型，将所述目标分词向量集中的分词向量输入至所述语义分析模型，得到所述分词向量的分词语义，确定所述分词语义为所述家居信息的家居语义。
[0026]
可选地，所述利用归一化算法和所述训练分词向量集生成所述家居信息的语义分析模型，包括：
[0027]
对所述训练分词向量集中的分词向量进行编码，得到所述分词向量的分词序列；
[0028]
逐个选取所述所述训练分词向量集中的其中一个分词向量为目标向量，生成所述目标向量的正向状态向量和所述目标向量的反向状态向量；
[0029]
根据所述正向状态向量计算所述目标向量的正向类别概率，根据所述反向状态向量计算所述目标向量的反向类别概率；
[0030]
利用归一化算法对所述正向类别概率和所述反向类别概率进行归一化处理，得到所述目标向量的归一化向量，根据所述归一化向量生成所述家居信息的语义分析模型。
[0031]
可选地，所述对所述家居语义进行聚类分组，得到所述家居语义的聚类语义，包括：
[0032]
确定所述家居语义进行聚类分组的聚类项目，根据所述聚类项目对所述家居语义进行一级聚类，得到多个所述家居语义的一级聚类标签集；
[0033]
利用如下聚类指标算法计算其中一个所述一级聚类标签集的聚类指标：
[0034][0035]
其中，m是所述一级聚类标签集中的聚类标签的标识，p是所述一级聚类标签集的聚类指标,xm是所述一级聚类标签集中的第m个聚类标签，l是所述一级聚类标签集中的聚类标签的总数；
[0036]
根据梯度下降法和所述聚类指标确定所述家居语义进行聚类分组的最优组合，利用所述最优组合生成所述家居语义的聚类语义。
[0037]
可选地，所述对所述家居语义进行聚类分组，得到所述家居语义的聚类语义，包括：
[0038]
s11、对所述家居语义进行初始化处理，得到所述家居语义的初始化语义；
[0039]
s12、对预设的聚类模型的偏向参数进行差分优化，得到差分优化后的聚类模型；
[0040]
s13、利用差分优化后的聚类模型对所述初始化语义进行聚类分组，得到所述初始化语义的初级聚类标签集，计算所述初级聚类标签集的聚类准确度；
[0041]
s14、当所述聚类准确度小于或者等于预设的准确度阈值时，对所述初级聚类标签集进行遗传交叉处理，得到交叉标签集；
[0042]
s15、将所述交叉标签集重复步骤s13-s14，直至所述交叉标签集的聚类准确度大于预设的准确度阈值，确定所述交叉标签集为所述家居语义的聚类语义；
[0043]
s16、当所述聚类准确度大于预设的准确度阈值时，确定所述初级聚类标签集为所述家居语义的聚类语义。
[0044]
可选地，所述提取所述家居图片的图片特征，包括：
[0045]
对所述家居图片进行降噪处理，得到所述家具图片的降噪图片；
[0046]
对所述降噪图片进行小波变换，得到所述降噪图片的变换图片；
[0047]
构建所述变换图片的高斯差分尺度空间，根据所述高斯差分尺度空间生成所述变换图片的图片特征点，汇集所述图片特征点为所述家居图片的图片特征。
[0048]
为了解决上述问题，本发明还提供一种基于人工智能和智能家居的参考信息生成系统，所述系统包括：
[0049]
家居语义模块，用于获取家居信息库中的家居信息，对所述家居信息进行数据清洗，得到所述家居信息的标准信息，利用归一化算法生成所述标准信息的家居语义；
[0050]
聚类语义模块，用于对所述家居语义进行聚类分组，得到所述家居语义的聚类语义；
[0051]
知识图谱模块，用于利用所述聚类语义构建所述家居信息的知识图谱；
[0052]
图片特征模块，用于获取智能家居的家居图片，根据高斯差分尺度空间提取所述家居图片的图片特征；
[0053]
参考信息模块，用于构建所述图片特征与所述知识图谱之间的有机映射，根据所述有机映射生成所述智能家居的参考信息。
[0054]
本发明实施例通过对获取到的家居信息进行数据清洗，得到所述家居信息的标准信息，提高了所述家居信息的后续处理效率，利用归一化算法生成所述标准信息的家居语义，建立了所述家居信息之间的关联性，对所述家居语义进行聚类分组，让所述家居语义显
得更加有序，同时，便于所述家居信息的检索定位，而利用梯度下降法和遗传交叉处理使得所述家居语义的聚类分组更加合理，从而更加快速的生成所述家居信息的知识图谱，建立起所述智能家居的家居图片与所述知识图谱之间的有机映射，是先根据高斯差分尺度空间提取所述家居图片的图片特征，使得所述家居图片与所述知识图谱呈现一一对应关系，所述家居图片与所述知识图谱的连接性较强，从而可以高效的从所述家居图片生成所述智能家居的参考信息。因此本发明提出基于人工智能和智能家居的参考信息生成方法及系统，可以解决产品推荐精确度较低的问题。
附图说明
[0055]
图1为本发明一实施例提供的基于人工智能和智能家居的参考信息生成方法的流程示意图；
[0056]
图2为本发明一实施例提供的生成家居语义的流程示意图；
[0057]
图3为本发明一实施例提供的构建语义分析模型的流程示意图；
[0058]
图4为本发明一实施例提供的基于人工智能和智能家居的参考信息生成系统的功能模块图；
[0059]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0060]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0061]
本技术实施例提供一种基于人工智能和智能家居的参考信息生成方法。所述基于人工智能和智能家居的参考信息生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于人工智能和智能家居的参考信息生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0062]
参照图1所示，为本发明一实施例提供的基于人工智能和智能家居的参考信息生成方法的流程示意图。在本实施例中，所述基于人工智能和智能家居的参考信息生成方法包括：
[0063]
s1、获取家居信息库中的家居信息，对所述家居信息进行数据清洗，得到所述家居信息的标准信息，利用归一化算法生成所述标准信息的家居语义。
[0064]
在本发明实施例中，数据分析中的大部分时间，花在了数据预处理上，数据预处理做得好，往往让我们的数据分析工作事半功倍。
[0065]
详细地，所述家居信息包括：智能家居类型、额定电压、额定功率、版本号、联网模式，其中，智能家居类型如音视频设备、照明系统、窗帘控制、空调控制、安防系统、数字影院系统、影音服务器、影柜系统、网络家电等。
[0066]
详细地，所述数据清洗是指将所述家居信息中的异常值进行删除，例如：额定电压
显示1w时为所述家居信息中的异常值。
[0067]
在本发明实施例中，所述对所述家居信息进行数据清洗，得到所述家居信息的标准信息，包括：
[0068]
根据方差过滤算法对所述家居信息进行初级数据清洗，得到所述家居信息的初级家居数据；
[0069]
根据卡方过滤算法对所述初级家居数据进行中级数据清洗，得到所述初级家居数据的中级家居数据；
[0070]
利用如下联合假设算法计算所述中级家居数据中的随机变量组的方差比：
[0071][0072][0073]
其中，f为所述中级家居数据中的随机变量组的方差比，代表所述中级家居数据中的第i组随机变量的方差，代表所述中级家居数据中的第j组随机变量的方差，代表所述中级家居数据中的第i组随机变量的平均值，代表所述中级家居数据中的第j组随机变量的平均值，n代表所述随机变量组的组数，i是所述随机变量组的标识，j是所述随机变量组的标识；
[0074]
根据所述方差比对所述中级家居数据进行终极数据清洗，得到所述中级家居数据的终极家居数据，确定所述终极家居数据为所述家居信息的标准信息。
[0075]
详细地，所述方差过滤算法用来检验所述一级系统数据的均值是否和预设的均值相等。
[0076]
详细地，所述卡方过滤算法是专门针对离散型标签的相关性过滤，计算每个初级系统数据和预设标签之间的卡方统计量，并依照卡方统计量由高到低为所述初级系统数据进行排序，根据预设的卡方过滤阈值确定所述初级系统数据的中级系统数据。
[0077]
在本发明实施例中，参图2所示，所述利用归一化算法生成所述标准信息的家居语义，包括：
[0078]
s21、对所述标准信息进行分词处理，得到所述标准信息的信息分词；
[0079]
s22、对所述信息分词进行向量转化，得到所述信息分词的分词向量；
[0080]
s23、根据预设的向量阈值将所述分词向量分离为训练分词向量集和目标分词向量集；
[0081]
s24、利用归一化算法和所述训练分词向量集生成所述家居信息的语义分析模型，将所述目标分词向量集中的分词向量输入至所述语义分析模型，得到所述分词向量的分词语义，确定所述分词语义为所述家居信息的家居语义。
[0082]
详细地，所述对所述标准信息进行分词处理是指对所述标准信息进行去停用词、去低频词、大写字母转化为小写字母等过滤后，再对过滤后的标准信息进行切分，其中，所述去停用词指在英文里，比如“the”，“a”，“an”等单词或“$”，“％”，“&”等标点符号，都可以作为停用词来过滤掉，而在中文里，比如“啊”，“一则”，“不尽然”等词汇或“『”，
“▲”
，
“⑥”
等
标点符号，都可以作为停用词来过滤掉，可以利用已有的停用词词库对所述标准信息进行去停用词处理。
[0083]
例如：当所述过滤后的标准信息为“小明硕士毕业于中国科学院计算所”，将“小明硕士毕业于中国科学院计算所”进行切分，得到“小明/硕士/毕业于/中国/科学院/计算/所”。
[0084]
详细地，可利用预先训练的具有分词功能的人工智能模型对所述标准信息进行分词处理，得到所述标准信息的信息分词，其中，所述人工智能模型包括但不限于nlp(natural language processing，自然语言处理)模型、hmm (hidden markov model，隐马尔可夫模型)。
[0085]
详细地，所述向量转化可以采用词袋模型、word2vec和独热编码等。
[0086]
详细地，利用所述归一化算法对所述训练分词向量集中的分词向量进行归一化处理，得到所述训练分词向量集的归一化向量。
[0087]
详细地，参图3所示，所述利用归一化算法和所述训练分词向量集生成所述家居信息的语义分析模型，包括：
[0088]
s31、对所述训练分词向量集中的分词向量进行编码，得到所述分词向量的分词序列；
[0089]
s32、逐个选取所述所述训练分词向量集中的其中一个分词向量为目标向量，生成所述目标向量的正向状态向量和所述目标向量的反向状态向量；
[0090]
s33、根据所述正向状态向量计算所述目标向量的正向类别概率，根据所述反向状态向量计算所述目标向量的反向类别概率；
[0091]
s34、利用归一化算法对所述正向类别概率和所述反向类别概率进行归一化处理，得到所述目标向量的归一化向量，根据所述归一化向量生成所述家居信息的语义分析模型。
[0092]
详细地，所述对所述训练分词向量集中的分词向量进行编码，例如：假定所述训练分词向量集只有“瓜、李、桃”3个分词向量，将“瓜、李、桃”进行标签转化，得到“瓜标签、李标签、桃标签”，将所述“瓜标签、李标签、桃标签”归为“水果标签”，对所述“水果标签”中的“瓜标签”编号为(1， 0，0)，对所述“水果标签”中的“李标签”编号为(0，1，0)，对所述“水果标签”中的“桃标签”编号为(0，0，1)，可以用(1，0，0)、(0，1，0) 和(0，1，0)来代表所述“水果标签”中每个标签的顺序，确定所述所述“水果标签”中每个标签的顺序为所述分词向量的分词序列。
[0093]
进一步地，因为所述正向状态向量和所述反向状态向量包含了下一个位置具体是哪个分词向量的概率，解决了传统的马尔可夫模型无法考虑长句依赖关系和上下文关系的问题，放松原始的马尔可夫性假设，所述马尔可夫性假设是指当前时刻的状态只与上一时刻的状态有关。
[0094]
本发明实施例中，所述生成所述目标向量的正向状态向量，包括：
[0095]
利用如下正向状态向量算法生成所述目标向量的正向状态向量：
[0096]
[0097][0098]
其中，是所述训练分词向量集内经过正向马尔科夫链得到的第1个目标向量对应的正向状态向量，h1是所述训练分词向量集内第1个目标向量，是所述训练分词向量集内经过正向马尔科夫链计算得到的第i个目标向量对应的正向状态向量，是正向激活函数，qz是正向马尔科夫链中上一个目标向量向量到当前目标向量的正向状态向量的矩阵，是第j个目标向量对应的正向状态向量，hi是所述训练分词向量集内第i个目标向量经过编码后的目标向量向量，bz是正向马尔科夫链中线性变化的偏置项，mz
j-1
表示所述训练分词向量集内第j个目标向量到下一个目标向量的正向概率转移矩阵，n是所述分词序列长度，i是所述目标向量的标识，j是所述正向状态向量的标识。
[0099]
详细地，经所述激活函数作用后，其取值范围为0到1的实数，越接近1，表示前面分词向量的状态对当前分词向量的影响越大，当为0时，表示前面分词向量的状态对当前分词向量无影响，通过这种机制，可以达到记忆前面时刻状态的作用。
[0100]
进一步地，所述训练分词向量集内的除第一个分词向量外的其他分词向量都是经由正向马尔科夫链得到的，通过正向状态向量的计算能够达到考虑上下文关系的目的。
[0101]
详细地，所述根据所述正向状态向量计算所述目标向量的正向类别概率，包括：
[0102][0103]
其中，表示经正向状态向量变换后的第i个目标向量的正向类别概率， osz表示连接正向状态向量与正向类别概率的线性变换矩阵，bsz是所述osz对应的偏置项，n是所述分词序列长度，i是所述目标向量的标识。
[0104]
详细地，利用所述反向状态向量获取所述目标向量的反向类别概率采用更加准确的拟合方式便于获取所述目标向量的归一化向量。
[0105]
s2、对所述家居语义进行聚类分组，得到所述家居语义的聚类语义。
[0106]
在本发明实施例中，对所述家居语义进行聚类分组，将所述家居语义纳入到某个类别中去，让所述家居语义显得更加有序，同时，容易检索定位。
[0107]
在本发明实施例中，所述对所述家居语义进行聚类分组，得到所述家居语义的聚类语义，包括：
[0108]
确定所述家居语义进行聚类分组的聚类项目，根据所述聚类项目对所述家居语义进行一级聚类，得到多个所述家居语义的一级聚类标签集；
[0109]
利用如下聚类指标算法计算其中一个所述一级聚类标签集的聚类指标：
[0110]
[0111]
其中，m是所述一级聚类标签集中的聚类标签的标识，p是所述一级聚类标签集的聚类指标,xm是所述一级聚类标签集中的第m个聚类标签，l是所述一级聚类标签集中的聚类标签的总数；
[0112]
根据梯度下降法和所述聚类指标确定所述家居语义进行聚类分组的最优组合，利用所述最优组合生成所述家居语义的聚类语义。
[0113]
详细地，所述聚类项目可以是不同的智能家居项目，例如：可视对讲项目、家居控制项目、安防控制项目、多媒体项目、远程控制项目和联动控制项目，其中，所述可视对讲项目包括但不限于：可视对讲、户户对讲、监视门口、呼叫中心、远程开锁、电话开锁等；所述家居控制项目包括但不限于：灯光控制、窗帘控制、家电控制、场景控制、电梯控制等；所述安防控制项目包括但不限于：安防报警、安防监控等；所述多媒体项目包括但不限于：mp3 播放、mp4播放、电子相册、待机广告、信息收发、留言留影等；所述远程控制项目包括但不限于：远程家居控制、远程安防控制、远程视频监控、网络远程控制、电话远程控制等；所述联动控制项目包括但不限于：对讲联动、报警联动、信息联动、远程联动等。
[0114]
详细地，所述可视对讲项目是主干，可视对讲、户户对讲、监视门口、呼叫中心、远程开锁、电话开锁等是分支；所述家居控制项目是主干，灯光控制、窗帘控制、家电控制、场景控制、电梯控制等是分支。
[0115]
详细地，所述梯度下降法是一个最优化算法，常用于机器学习和人工智能当中用来递归性地逼近最小偏差模型，梯度下降法的计算过程就是沿梯度下降的方向求解极小值(也可以沿梯度上升方向求解极大值)。
[0116]
在本发明实施例中，所述对所述家居语义进行聚类分组，得到所述家居语义的聚类语义，包括：
[0117]
s11、对所述家居语义进行初始化处理，得到所述家居语义的初始化语义；
[0118]
s12、对预设的聚类模型的偏向参数进行差分优化，得到差分优化后的聚类模型；
[0119]
s13、利用差分优化后的聚类模型对所述初始化语义进行聚类分组，得到所述初始化语义的初级聚类标签集，计算所述初级聚类标签集的聚类准确度；
[0120]
s14、当所述聚类准确度小于或者等于预设的准确度阈值时，对所述初级聚类标签集进行遗传交叉处理，得到交叉标签集；
[0121]
s15、将所述交叉标签集重复步骤s13-s14，直至所述交叉标签集的聚类准确度大于预设的准确度阈值，确定所述交叉标签集为所述家居语义的聚类语义；
[0122]
s16、当所述聚类准确度大于预设的准确度阈值时，确定所述初级聚类标签集为所述家居语义的聚类语义。
[0123]
详细地，计算所述初级聚类标签集的聚类准确度，即获取所述家居语义聚类方式的合理性。
[0124]
例如，将交叉标签集中的所述家居语义平均分成前段、中段和后段，计算所述三段所述家居语义的适应度，根据所述适应度所对应的所述家居语义的值由前到后依次变小，根据优者多选、劣者少选的原则对所述家居语义按照5：4：3的比例进行选择，在保存最优聚类形式的同时也考虑其余各区间内聚类形式的多样性，将选取出的初始调配方案进行排列，得到目标调配方案。
[0125]
详细地，所述对所述目标调配方案进行交叉变异操作是对医疗物资的进行重新分
配调取的过程，所述交叉变异操作的关键之处是确定重新分配的对象和分配数量的确定；假设所述预设适应度阈值为100000元，当所述适配度小于100000元时，得到构建完成的成本优化模型。
[0126]
详细地，所述差分优化实际上是一种微分进化算法，微分的提出其实就是近似函数在自变量变化无限小时函数的变化。
[0127]
详细地，所述对所述初级聚类标签集进行遗传交叉处理，得到交叉标签集是基于遗传算法建立的，所述遗传算法起源于对生物系统所进行的计算机模拟研究，是一种随机全局搜索优化方法，它模拟了自然选择和遗传中发生的复制、交叉和变异等现象，从任一初始种群出发，通过随机选择、交叉和变异操作，产生一群更适合环境的个体，使群体进化到搜索空间中越来越好的区域，这样一代一代不断繁衍进化，最后收敛到一群最适应环境的个体，从而求得问题的优质解。
[0128]
本发明实施例通过对对所述家居语义进行聚类分组，得到所述家居语义的聚类语义，可以更加直观、更方便建立起信息之间的关联性。
[0129]
s3、利用所述聚类语义构建所述家居信息的知识图谱。
[0130]
在本发明实施例中，所述知识图谱是是由一些相互连接的实体和它们的属性构成的。
[0131]
详细地，所述知识图谱的表现形式可以是网状图、鱼骨图、思维导图等，其中知识图谱的分布式表示，在保留语义的同时，将知识图谱中的实体和关系映射到连续的稠密的低维向量空间。
[0132]
详细地，所述知识图谱有丰富的语义关系、概念、属性、关系等，这些语义关系可以很好的应用到自然语言处理相关任务上，例如分词、短语理解、文本理解等任务上，通过知识图谱可以让机器能更好的去理解自然语言，进一步的更好的理解用户的意图和文本的含义。
[0133]
s4、获取智能家居的家居图片，根据高斯差分尺度空间提取所述家居图片的图片特征。
[0134]
在本发明实施例中，所述图片特征主要有所述家居图片的颜色特征、纹理特征、形状特征和空间关系特征，其中，所述颜色特征是一种全局特征，描述了所述家居图片或所述家居图片区域所对应的景物的表面性质；所述纹理特征也是一种全局特征，它也描述了所述家居图片或所述家居图片区域所对应景物的表面性质；所述形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征，所述家居图片的轮廓特征主要针对物体的外边界，而所述家居图片的区域特征则关系到整个形状区域；所述空间关系特征，是指所述家居图片中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。
[0135]
在本发明实施例中，所述提取所述家居图片的图片特征，包括：
[0136]
对所述家居图片进行降噪处理，得到所述家具图片的降噪图片；
[0137]
对所述降噪图片进行小波变换，得到所述降噪图片的变换图片；
[0138]
构建所述变换图片的高斯差分尺度空间，根据所述高斯差分尺度空间生成所述变换图片的图片特征点，汇集所述图片特征点为所述家居图片的图片特征。
[0139]
详细地，对所述家居图片进行降噪处理是指是指减少所述家居图片中噪声的过
程，因为现实中的所述家居图片在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响。
[0140]
详细地，所述降噪处理可包括但不限于：均值滤波器、自适应维纳滤波器、中值滤波器、形态学噪声滤除器等。
[0141]
详细地，所述对所述降噪图片进行小波变换，保留了大部分包含信号的小波系数,因此可以较好地保持所述降噪图片的图片细节。
[0142]
详细地，所述小波变换主要有对图象信号进行小波分解、对经过层次分解后的高频系数进行阈值量化和利用二维小波重构图像信号3个步骤。
[0143]
详细地，使用泰勒级数展开式作为拟合函数精确定位特征点，同时去除低对比度的特征点和不稳定的边缘响应点，至此完成特征点检测。
[0144]
在本发明实施例中，所述构建所述变换图片的高斯差分尺度空间，包括：
[0145]
利用如下高斯差分金字塔算法构建所述变换图片的高斯差分尺度空间：
[0146][0147]
其中，d(x,y,σ)是所述变换图片的高斯差分尺度空间，g(x,y,kσ)是高斯函数，(x,y)是所述图片特征点的坐标，k为尺度变化率，σ为尺度，表示卷积，i(x,y)为所述变换图片，l(x,y,σ)是所述变换图片的高斯尺度空间。
[0148]
s5、构建所述图片特征与所述知识图谱之间的有机映射，根据所述有机映射生成所述智能家居的参考信息。
[0149]
在本发明实施例中，所述构建所述图片特征与所述知识图谱之间的有机映射，所述有机映射包括但不限于：客户端图像映射、服务器端图像映射，其中，所述客户端图像映射是指鼠标的坐标信息无需提交服务器，点击图像上对应的位置即可链接到目标位置；所述服务器端图像映射是把鼠标的坐标 (相对于图像的左上角)发送到服务器端，服务器端程序根据坐标来做出响应，点击所述图像上对应的位置即可生成所述智能家居的参考信息。
[0150]
本发明实施例通过对获取到的家居信息进行数据清洗，得到所述家居信息的标准信息，提高了所述家居信息的后续处理效率，利用归一化算法生成所述标准信息的家居语义，建立了所述家居信息之间的关联性，对所述家居语义进行聚类分组，让所述家居语义显得更加有序，同时，便于所述家居信息的检索定位，而利用梯度下降法和遗传交叉处理使得所述家居语义的聚类分组更加合理，从而更加快速的生成所述家居信息的知识图谱，建立起所述智能家居的家居图片与所述知识图谱之间的有机映射，是先根据高斯差分尺度空间提取所述家居图片的图片特征，使得所述家居图片与所述知识图谱呈现一一对应关系，所述家居图片与所述知识图谱的连接性较强，从而可以高效的从所述家居图片生成所述智能家居的参考信息。因此本发明提出基于人工智能和智能家居的参考信息生成方法，可以解决产品推荐精确度较低的问题。
[0151]
如图4所示，是本发明一实施例提供的基于人工智能和智能家居的参考信息生成系统的功能模块图。
[0152]
本发明所述基于人工智能和智能家居的参考信息生成系统100可以安装于电子设
备中。根据实现的功能，所述基于人工智能和智能家居的参考信息生成系统100可以包括家居语义模块101、聚类语义模块102、知识图谱模块 103、图片特征模块104及参考信息模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0153]
在本实施例中，关于各模块/单元的功能如下：
[0154]
所述家居语义模块101，用于获取家居信息库中的家居信息，对所述家居信息进行数据清洗，得到所述家居信息的标准信息，利用归一化算法生成所述标准信息的家居语义；
[0155]
所述聚类语义模块102，用于对所述家居语义进行聚类分组，得到所述家居语义的聚类语义；
[0156]
所述知识图谱模块103，用于利用所述聚类语义构建所述家居信息的知识图谱；
[0157]
所述图片特征模块104，用于获取智能家居的家居图片，根据高斯差分尺度空间提取所述家居图片的图片特征；
[0158]
所述参考信息模块105，用于构建所述图片特征与所述知识图谱之间的有机映射，根据所述有机映射生成所述智能家居的参考信息。
[0159]
在本发明所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0160]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0161]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0162]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0163]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0164]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0165]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0166]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0167]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。